CN110899150B - 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 - Google Patents
一种电解锌锰阴阳极表面物理缺陷智能识别的方法 Download PDFInfo
- Publication number
- CN110899150B CN110899150B CN201911334167.0A CN201911334167A CN110899150B CN 110899150 B CN110899150 B CN 110899150B CN 201911334167 A CN201911334167 A CN 201911334167A CN 110899150 B CN110899150 B CN 110899150B
- Authority
- CN
- China
- Prior art keywords
- plate
- defects
- anode
- defect
- cathode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Electrolytic Production Of Metals (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
锌锰电解过程阴阳极表面缺陷导致重金属废水和危废产生量大。本发明针对不同缺陷颜色和形貌复杂而多样难以识别的问题,通过研究阴极剥锌后的缺陷包括全锌、残锌、黄斑、黑斑等,阳极除泥后的缺陷包括烧洞、脱焊等,以及这些缺陷在颜色、斑块、深浅、疏密、形状和纹理等微观信息上的差异,建立了不同缺陷与特定光学参数的定量化关系,进而标定了可进行模型识别和计算的图像信息。利用机器视觉动态获取阴阳极双面图像信息,自动适配高能光源强度与缺陷图像灰度值等指标,将特征学习融入到建立模型的过程中,实现了对阴阳极表面缺陷的智能识别。识别速度<1秒,识别精度<1mm,检出率≥98%。在国家严控的一类重金属污染物源头削减方面发挥重要作用。
Description
技术领域
本发明涉及一种电解锌锰阴阳极表面物理缺陷智能识别的方法,属于湿法冶金行业电解车间阴阳极板板面识别和分选的方法领域。
背景技术
目前,我国湿法冶金电解锌锰行业电解过程阴阳极板出入槽大普遍采用人工方式,极少部分采用人工+机械组合,由于阴阳极不同缺陷颜色和形貌复杂而多样,人工难以精准识别判断,导致锌锰行业重金属废水和危废产生量大。具体工艺过程为:锌锰电解一定周期后需要将阴、阳极板从电解槽中吊出,阳极板需要将表面附着较厚的阳极泥层进行刮除,并将除泥后板面穿孔或断裂损坏的阳极板进行替换,阴极板在电解一定周期后需要将其板面沉积的锌皮进行剥离,剥离后的阴极板板面需要进行判定是否满足入槽要求,目前企业普遍通过人眼观察进行板面判定和人工分选;阴极板主要缺陷包括表面粘附无法剥离的残锌或全锌(完全未剥离),或表面有严重的黄斑和黑斑等缺陷特征,阳极板缺陷特征主要是存在烧洞、缺角、脱焊等,目前的人工识别存在标准不统一,识别不规范、劳动强度大、工作效率低等问题。
发明内容
针对上述技术问题,本发明提供一种电解锌锰阴阳极表面物理缺陷智能识别的方法。
本发明解决上述技术问题的技术方案如下:一种电解锌锰阴阳极表面物理缺陷智能识别的方法,包括:
步骤1、使用高能单色线性平行光源扫描经过处理的待检测极板,得到所述待检测极板的成像图形;
步骤2、将所述待检测极板的成像图形与预先定义的正常阳极板和/或缺陷阴极板的成像图形进行比对分析,判定所述待检测极板为缺陷板或正常板,生成判定信号;
步骤3、根据所述判定信号对所述极板进行分选。
本发明的有益效果是:能够快速准确地识别缺陷的阴极板和阳极板,并对识别的缺陷板进行分选,有效保证电解生产中的阴阳极板均符合生产要求,确保企业电解效率正常,从源头控制国家严控的一类重金属物质的产生,在重金属废水源头控制方面发挥了重要作用。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1还包括:
依据所述成像图形的图像灰度值调节所述高能单色线性平行光源的强度,直至所述成像图形满足识别要求。
进一步,所述步骤1具体包括:
步骤1.1、使用高能单色线性平行光源扫描阳极板板面,通过扫描的平行光穿透阳极板板面孔洞得到穿孔成像图形。
进一步,所述步骤2具体包括:
步骤2.1、将所述穿孔成像图形与预先定义的正常阳极板的成像图形进行比对,若图形重合度低于设定百分比则为缺陷板。
进一步,所述步骤1具体包括:
步骤1.2、使用高能单色线性平行光源扫描阴极板板面,通过扫描反射得到阴极板板面的成像图形,其中,依据阴极板板面不同物质反射的成像灰度值不同,在所述阴极板板面的成像图形上可得到明暗度不同的缺陷区域。
进一步,所述步骤2具体包括:
步骤2.2、对所述阴极板板面的成像图形进行分析,确定各个不同灰度值的缺陷区域的面积,并建立不同灰度值对应的物质特征,分析不同物质对应的缺陷区域的面积占比,若任意一种物质对应的缺陷区域的面积占比大于设定百分比时则判定为缺陷板。
进一步,当所述待检测极板为阴极板时,对所述阴极板进行处理的过程具体包括:
吊装阴极板出槽后进行预处理,完成对阴极板板面进行清水冲洗,冲洗后的阴极板吊装至锌皮组合剥离工位,在所述组合剥离装置的工位上,将阴极板双侧锌皮进行剥离。
进一步,当所述待检测极板为阳极板时,对所述阳极板进行处理的过程具体包括:
吊装阳极板出槽后移至保膜除泥装置,所述保膜除泥装置对阳极板双侧板面沉积的阳极泥进行不伤膜刮除,完成对阳极板表面的泥层清除,且不伤害阳极板表面及其形成的阳极泥膜层。
进一步,所述步骤3具体包括:
若判定为缺陷板,则将所述极板放置在用于放置缺陷板的异常板架上。
进一步,该方法还包括:
步骤4、将历史识别的成像图像的特征纳入相应的学习数据库中,以便根据所述学习数据库进行自我学习,从而进一步完善识别精度。
附图说明
图1为本发明专利的主要技术路线图;
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明实施例提供一种电解锌锰阴阳极表面物理缺陷智能识别的方法,包括:
步骤1、使用高能单色线性平行光源扫描经过处理的待检测极板,得到所述待检测极板的成像图形。
具体的,针对阳极板和阴极板进行扫描成像的具体步骤如下:
步骤1.1、使用高能单色线性平行光源扫描阳极板板面,通过扫描的平行光穿透阳极板板面孔洞得到穿孔成像图形。
步骤1.2、使用高能单色线性平行光源扫描阴极板板面,通过扫描反射得到阴极板板面的成像图形,其中,依据阴极板板面不同物质反射的成像灰度值不同,在所述阴极板板面的成像图形上可得到明暗度不同的缺陷区域。
另外,为了使得成像图形达到最佳效果,步骤1还包括:
依据所述成像图形的图像灰度值调节所述高能单色线性平行光源的强度,直至所述成像图形满足识别要求。
步骤2、将所述待检测极板的成像图形与预先定义的正常阳极板和/或缺陷阴极板的成像图形进行比对分析,判定所述待检测极板为缺陷板或正常板,生成判定信号;
具体的,在执行步骤2之前,需要首先对阴极板和阳极板的缺陷特征进行定义,其中,如图1所示,阴极板上带有全锌、残锌、黄斑、黑斑等属于缺陷特征,阳极板上的烧洞、脱焊是属于缺陷特征;其次对不同缺陷在不同高能单色线性平行光的成像、灰度值等方面的微观差异进行比对优化,实现最佳识别的光学参数;最后建立不同缺陷与特定光学参数的定量化对应关系。
其中,针对阳极板和阴极板进行判定的具体步骤如下:
步骤2.1、将所述穿孔成像图形与预先定义的正常阳极板的成像图形进行比对,若图形重合度低于设定百分比则为缺陷板。
步骤2.2、对所述阴极板板面的成像图形进行分析,确定各个不同灰度值的缺陷区域的面积,并建立不同灰度值对应的物质特征,分析不同物质对应的缺陷区域的面积占比,若任意一种物质对应的缺陷区域的面积占比大于设定百分比时则判定为缺陷板。具体的,步骤2.1和2.2中用于进行缺陷判定的百分比数值可根据需要进行人为设定。例如,在进行阳极板的判定时,图形重合度低于设定的95%则为缺陷板,在进行阴极板的判定时,若所有缺陷特征对应的区域面积总和占比大于5%时则判定为缺陷板。
步骤3、根据所述判定信号对所述极板进行分选。
具体的,该步骤中,若判定极板为缺陷板,则将极板放置在用于放置缺陷板的异常板架上,对于正常板放置在后续工位上进行下一步的处理。
本发明实施例提供的一种电解锌锰阴阳极表面物理缺陷智能识别的方法,能够快速准确地识别缺陷的阴极板和阳极板,并对识别的缺陷板进行分选,有效保证电解生产中的阴阳极板均符合生产要求,确保企业电解效率正常,从源头控制国家严控的一类重金属物质的产生,在重金属废水源头控制方面发挥了重要作用。
可选地,在该实施例中,该方法还包括:
步骤4、将历史识别的成像图像的特征纳入相应的学习数据库中,以便根据所述学习数据库进行自我学习,从而进一步完善识别精度。
可选地,在该实施例中,当所述待检测极板为阴极板时,对所述阴极板进行处理的过程具体包括:
吊装阴极板出槽后进行预处理,完成对阴极板板面进行清水冲洗,冲洗后的阴极板吊装至锌皮组合剥离工位,在所述组合剥离装置的工位上,将阴极板双侧锌皮进行剥离。
可选地,在该实施例中,当所述待检测极板为阳极板时,对所述阳极板进行处理的过程具体包括:
吊装阳极板出槽后移至保膜除泥装置,所述保膜除泥装置对阳极板双侧板面沉积的阳极泥进行不伤膜刮除,完成对阳极板表面的泥层清除,且不伤害阳极板表面及其形成的阳极泥膜层。
本发明实施例提供一种电解锌锰阴阳极表面物理缺陷智能识别的系统,包括:
机器视觉识别模块,用于使用高能单色线性平行光源扫描经过处理的待检测极板,得到所述待检测极板的成像图形;
人工智能分析模块,用于将所述待检测极板的成像图形与预先定义的正常极板进行比对分析,判定所述待检测极板为缺陷板或正常板,生成判定信号;
分选模块,用于根据所述判定信号对所述极板进行分选。
可选地,在该实施例中,该系统还包括:
自我学习模块,用于将历史识别的成像图像的特征纳入相应的学习数据库中,以便根据所述学习数据库进行自我学习,从而进一步完善识别精度。
本发明针对不同缺陷颜色和形貌复杂而多样难以识别的问题,通过研究阴极剥锌后的缺陷包括全锌、残锌、黄斑、黑斑等,阳极除泥后的缺陷包括烧洞、脱焊等,以及这些缺陷在颜色、斑块、深浅、疏密、形状和纹理等微观信息上的差异,建立了不同缺陷与特定光学参数的定量化关系,进而标定了可进行模型识别和计算的图像信息。利用机器视觉动态获取阴阳极双面图像信息,自动适配高能光源强度与缺陷图像灰度值等指标,将特征学习融入到建立模型的过程中,实现了对阴阳极表面缺陷的智能识别。识别速度<1秒,识别精度<1mm,检出率≥98%。在国家严控的一类重金属污染物源头削减方面发挥重要作用。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述系统实施例中的模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,包括:
步骤1、使用高能单色线性平行光源扫描经过处理的待检测极板,得到所述待检测极板的成像图形;
步骤2、将所述待检测极板的成像图形与预先定义的正常阳极板和/或缺陷阴极板的成像图形进行比对分析,判定所述待检测极板为缺陷板或正常板,生成判定信号;
步骤3、根据所述判定信号对所述极板进行分选;
在执行步骤2之前,首先对阴极板和阳极板的缺陷特征进行定义;其次对不同缺陷在不同高能单色线性平行光的成像、灰度值等方面的微观差异进行比对优化,实现最佳识别的光学参数;最后建立不同缺陷与特定光学参数的定量化对应关系;
所述步骤1还包括:
依据所述成像图形的图像灰度值调节所述高能单色线性平行光源的强度,直至所述成像图形满足识别要求。
2.根据权利要求1所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,所述步骤1具体包括:
步骤1.1、使用高能单色线性平行光源扫描阳极板板面,通过扫描的平行光穿透阳极板板面孔洞得到穿孔成像图形。
3.根据权利要求2所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,所述步骤2具体包括:
步骤2.1、将所述穿孔成像图形与预先定义的正常阳极板的成像图形进行比对,若图形重合度低于设定百分比则为缺陷板。
4.根据权利要求1所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,所述步骤1具体包括:
步骤1.2、使用高能单色线性平行光源扫描阴极板板面,通过扫描反射得到阴极板板面的成像图形,其中,依据阴极板板面不同物质反射的成像灰度值不同,在所述阴极板板面的成像图形上可得到明暗度不同的缺陷区域。
5.根据权利要求4所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,所述步骤2具体包括:
步骤2.2、对所述阴极板板面的成像图形进行分析,确定各个不同灰度值的缺陷区域的面积,并建立不同灰度值对应的物质特征,分析不同物质对应的缺陷区域的面积占比,若任意一种物质对应的缺陷区域的面积占比大于设定百分比时则判定为缺陷板。
6.根据权利要求1所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,所述步骤3具体包括:
若判定为缺陷板,则将所述极板放置在用于放置缺陷板的异常板架上。
7.根据权利要求1至6任一项所述一种电解锌锰阴阳极表面物理缺陷智能识别的方法,其特征在于,还包括:
步骤4、将历史识别的成像图像的特征纳入相应的学习数据库中,以便根据所述学习数据库进行自我学习,从而进一步完善识别精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334167.0A CN110899150B (zh) | 2019-12-23 | 2019-12-23 | 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334167.0A CN110899150B (zh) | 2019-12-23 | 2019-12-23 | 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110899150A CN110899150A (zh) | 2020-03-24 |
CN110899150B true CN110899150B (zh) | 2021-02-23 |
Family
ID=69827022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911334167.0A Active CN110899150B (zh) | 2019-12-23 | 2019-12-23 | 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110899150B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114619081B (zh) * | 2021-11-23 | 2024-03-22 | 三门三友科技股份有限公司 | 一种能精确引导铣削铜粒子的方法及高精密装备 |
CN114472209A (zh) * | 2022-01-14 | 2022-05-13 | 重庆海云捷迅科技有限公司 | 一种工业缺陷智能检测教学实训装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100485371C (zh) * | 2005-12-01 | 2009-05-06 | 渤海船舶重工有限责任公司 | 钢板预处理过程中的上、下表面缺陷在线自动检测方法 |
JP6121253B2 (ja) * | 2013-06-11 | 2017-04-26 | Nok株式会社 | ワーク表面欠陥検査装置 |
ITBO20130332A1 (it) * | 2013-06-26 | 2014-12-27 | Nuova Sima Spa | Metodo per scansionare una superficie a colori di un articolo e dispositivo che attua tale metodo |
CN105354848B (zh) * | 2015-11-11 | 2019-04-23 | 首钢集团有限公司 | 一种热镀锌产线的康耐视表面质量检测系统的优化方法 |
CN109307675A (zh) * | 2017-07-26 | 2019-02-05 | 凌云光技术集团有限责任公司 | 一种产品外观检测方法和系统 |
CN108507953B (zh) * | 2018-04-02 | 2021-01-29 | 凌云光技术股份有限公司 | 一种带膜组件自有缺陷检测方法及装置 |
-
2019
- 2019-12-23 CN CN201911334167.0A patent/CN110899150B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110899150A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110899150B (zh) | 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 | |
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
Borselli et al. | A fuzzy inference system applied to defect detection in flat steel production | |
CN109030494B (zh) | 基于机器视觉的激光雕刻凹印印版滚筒网穴质量检测方法 | |
CN113325001A (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
JP2019209271A (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN116152236B (zh) | 一种锂电池胶带视觉检测方法及系统 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CA3064374C (en) | Package technology for intelligent source reduction of heavy metal pollutants of high-lead anode mud | |
CN115240031B (zh) | 一种基于生成对抗网络的板材表面缺陷生成方法及系统 | |
US7002171B2 (en) | Method for improving the quality of cathodes in electrolysis | |
CN114943704A (zh) | 一种电池电极模切件缺陷检测方法、装置和设备 | |
CN114841971A (zh) | 金属块凹坑缺陷检测方法、系统及装置 | |
CN114742770A (zh) | 一种电解铜板铜瘤子缺陷检测方法、训练方法及系统 | |
CN110205653B (zh) | 一种铅基阳极表面阳极泥智能识别及无损干除方法及系统 | |
JP2006274299A (ja) | カソード板vグルーブの管理方法 | |
CN108335296B (zh) | 一种极板识别装置及方法 | |
Liping et al. | Prediction and Realization of DO in sewage Treatment based on Machine Vision and BP Neural Network | |
CN116994008B (zh) | 一种仿阳极铝合金镀膜加工纹理分析方法及系统 | |
CN116309848B (zh) | 基于计算机视觉的电池及保护板的焊接定位方法 | |
US20140054178A1 (en) | Electrode mask for electrowinning a metal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |