CN111523429A - 基于深度学习的堆钢识别方法 - Google Patents
基于深度学习的堆钢识别方法 Download PDFInfo
- Publication number
- CN111523429A CN111523429A CN202010298445.8A CN202010298445A CN111523429A CN 111523429 A CN111523429 A CN 111523429A CN 202010298445 A CN202010298445 A CN 202010298445A CN 111523429 A CN111523429 A CN 111523429A
- Authority
- CN
- China
- Prior art keywords
- steel
- image
- deep learning
- pile
- image data
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 120
- 239000010959 steel Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的堆钢识别方法,包括:获取钢条图像数据,根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型;采集当前场景下的钢条图像数据;将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别,获取堆钢识别结果;本发明无需人工参与,通过机器识别堆钢特征,解决现有堆钢识别效率低影响轧制轨道工作的问题,避免了由人工参与带来的一系列问题,大大提升了工作效率,本发明通过深度学习网络实现了对钢条的图像分割,解决了钢条图像分割算法容易出现的过度拟合的问题,提高了图像分割的效率和准确率,提升了在实际工业场景下对钢条追钢识别的效果。
Description
技术领域
本发明涉及冶金领域和数字图像处理领域,尤其涉及一种基于深度学习的堆钢识别方法。
背景技术
在钢铁冶金领域的冶炼过程中,高速线材在轧制过程中,由于轧制速度和轧辊直径设定不正确、钢温波动太大、轧辊突然断裂等原因,会出现堆钢现象,一旦发生堆钢的情况,必须要及时进行处理。当堆钢发生时,线材可能会大规模溢出轧制轨道,如果人工近距离观测,存在意外安全事故发生的风险,因此如何对堆钢进行识别监控,与高速线材在轧制的安全生产密切相关。
目前,现有的堆钢的监测仍然主要靠人工来进行监测,而其他一些非人工参与的检测方式,大部分需要接入现有的控制系统,并需要对现有的控制系统进行改造,而在对普通的轧钢生产线加装监测系统通常需要较长的调试改造时间,影响生产,另一方面,也存在着可靠性不高的因素,无法保证炼钢质量,因此,需要一种新的堆钢识别方法,以实现工业场景智能化,效率化,精准化。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于深度学习的堆钢识别方法,以解决上述技术问题。
本发明提供的基于深度学习的堆钢识别方法,包括:
获取钢条图像数据,根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型;
采集当前场景下的钢条图像数据;
将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别,获取堆钢识别结果。
可选的,获取钢条图像数据后,对所述钢条图像数据进行标注,并按预设的比例将标注后的数据划分为测试数据集和训练数据集。
可选的,根据所述训练数据集对堆钢图像分割神经网络模型进行有监督训练,学习相应的钢条图像特征,并输出图像分割结果,根据分割结果,判断是否发生堆钢。
可选的,根据所述分割结果中目标钢条最外围轮廓,获取检测目标轮廓的边界矩形框和检测目标边界矩形框的坐标位置,进而获取检测目标的特征信息,根据所述特征信息,判断是否发生堆钢。
可选的,所述特征信息包括检测目标边界矩形框的宽度、高度、面积,当所述特征信息的特征值超过预设的阈值时,则判断发生堆钢,并进行报警。
可选的,所述堆钢图像分割神经网络模型包括:
收缩路径,用于捕捉堆钢图像中的上下文信息;
扩展路径,用于对堆钢图像中所需要分割出来的部分进行精准定位。
可选的,所述收缩路径中每两个3×3的卷积层后连接有2×2的最大池化层,且每个卷积层后对原始图片进行降采样处理。
可选的,在扩展路径的向上采样中,每一步包括一个2×2的卷积层和两个3×3的卷积层,同时,每一步中加入来自相对应收缩路径的特征图。
可选的,所述堆钢图像分割神经网络模型中最后一层为用于将多通道的特征向量转换为所需要的分类结果的数量的卷积层。
可选的,对所述钢条图像数据进行预处理,所述预处理包括对钢条图像数据集进行图像归一化处理。
可选的,通过如下公式进行图像归一化处理:
其中,xi表示图像像素点值max(x),min(x)分别表示图像像素的最大和最小值。
可选的,根据最终钢条图像的图像分割结果,保存准确率最高的最优模型。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述中任一项所述方法。
本发明的有益效果:本发明中的基于深度学习的堆钢识别方法无需人工参与,通过机器识别堆钢特征,解决现有堆钢识别效率低影响轧制轨道工作的问题,避免了由人工参与带来的一系列问题,大大提升了工作效率,本发明通过深度学习网络实现了对钢条的图像分割,解决了钢条图像分割算法容易出现的过度拟合的问题,提高了图像分割的效率和准确率,提升了在实际工业场景下对钢条追钢识别的效果。
附图说明
图1是本发明实施例中基于深度学习的堆钢识别方法的流程示意图。
图2是本发明实施例中基于深度学习的堆钢识别方法的堆钢图像分割神经网络模型的网络结构示意图。
图3是本发明实施例中基于深度学习的堆钢识别方法的激活函数的图像示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
本实施例中的基于深度学习的堆钢识别方法,包括:
获取钢条图像数据,根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型;
采集当前场景下的钢条图像数据;
将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别,获取堆钢识别结果。
如图1所示,具体主要包括如下几个步骤:
S11、获取场景下的钢条清晰图像,进行图像数据标注,即生成清晰图像对应的分割出钢条的二值化图像,构成图像数据集,按1:9的比例分为测试数据集和训练数据集;
S12、图像预处理:对钢条图像数据集进行图像归一化处理;
S13、搭建基于深度学习的堆钢图像分割神经网络模型,其输入为单幅该场景下的钢条图像;
S14、训练堆钢图像分割神经网络模型:有监督地训练堆钢图像分割神经网络模型,学习相应的钢条图像特征,并输出图像分割结果;
S15、保存最优模型,实现对工业场景下的钢条图像的分割;
S16、提取输出分割结果中目标钢条最外围轮廓,仅保存所检测轮廓拐点信息;
S17、获取轮廓的边界矩形框,得到检测目标的坐标位置;
S18、根据检测目标边界矩形框的坐标位置,得到矩形框宽度、高度、面积等特征,判断是否发生堆钢。
在本实实施例的步骤S11中,对场景下的钢条清晰图像进行图像数据标注,即生成清晰图像对应的分割出钢条的二值化图像,构成图像数据集,按1:9的比例分为测试数据集和训练数据集。
在本实实施例的步骤S12中,对钢条图像数据集进行图像归一化处理,将图片的灰度值从0到255归一化至0到1。图像归一化在这里采用最大最小值归一化方法,公式如下:
其中,xi表示图像像素点值max(x),min(x)分别表示图像像素的最大和最小值。
在本实实施例的步骤S13中,建立的堆钢图像分割神经网络模型为U-net深度学习神经网络,学习相应的钢条特征并进行图像分割,本实施例中的堆钢图像分割神经网络模型主要由两部分组成:收缩路径(contracting path)和扩展路径(expanding path)。收缩路径主要是用来捕捉图片中的上下文信息(context information),而与之相对称的扩展路径则是为了对图片中所需要分割出来的部分进行精准定位(localization),其网络结构如图2所示。
如图2所示,收缩路径上每两个3×3的卷积层(unpadded convolutional layers)后会跟一个步长为2的2×2的最大池化层,并且每个卷积层后面采用ReLU激活函数来对原始图片进行降采样操作,除此之外,每一次降采样都会增加一倍通道数。
在扩展路径的向上采样(deconvolution)中,每一步会有一个2×2的卷积层(激活函数也是ReLU)和一个两个3×3的卷积层,于此同时,每一步的升采样都会加入来自相对应收缩路径的特征图(经裁剪以保持相同的形状shape)。
在网络的最后一层是一个1×1的卷积层,通过这一操作可以将64通道的特征向量转换为所需要的分类结果的数量(例如:2),最终,U-Net的整个网络一共有23层卷积层。U-Net有一个很重要的有点是其基本可以对任意形状大小的图片进行卷积操作,特别是任意大的图片。
在本实实施例的步骤S14中,还包括对训练图像进行系列数据增强,对该场景下的钢条图片分别进行裁剪,翻转,旋转,亮度,对比度和饱和度的改变。
如图3所示,图像训练过程中,激活函数使用ReLU函数,其数学公式如下:
y=ReLU=max(x,0)
在本实施例中,通过采用指数衰减法设置网络学习率,并采用dropout正则化方法(dropout正则化是指在训练神经网络的每一轮迭代中,随机地关闭一些神经元),以此降低神经网络的复杂程度,避免过度拟合。
在本实施例中,图像在图像分割中过程中,采用监督式训练,每完成一个批次的训练后会生成验证图片的预测分割结果,不仅根据标注图片和预测分割结果训练模型参数,而且还根据标注的图片和预测分割结果判断最终识别准确率。当训练网络通过多次迭代,预测分割结果不断向标注图片和预测分割结果误差方向进行收敛,然后反向传播根据链式法则将参数更新到每一层中。每次迭代都会根据梯度下降的优化方向,尽可能减少传播误差,最终得到数据集中所有钢条图像最终的图像分割结果。根据最终钢条图像的图像分割结果,保存准确率最高的最优模型。在工业场景的实际操作中,首先通过摄像头实时获取图片,将单幅该场景下的钢条图像作为输入,此模型将自动对图像进行处理,识别钢条特征,进行预测,最终输出该钢条图像的图像分割结果。根据图像分割结果,识别二值化图像的高亮部分,得到检测目标;提取检测目标最外围轮廓,得到矩形框宽度、高度、面积等特征,判断是否发生堆钢。当矩形框的特征超出给定阈值时,即为发生堆钢,进行报警。通过这种方式实现了无人工参与对工业场景下的钢条堆钢的识别,识别准确率在99%以上。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (14)
1.一种基于深度学习的堆钢识别方法,其特征在于,包括:
获取钢条图像数据,根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型;
采集当前场景下的钢条图像数据;
将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别,获取堆钢识别结果。
2.根据权利要求1所述的基于深度学习的堆钢识别方法,其特征在于,获取钢条图像数据后,对所述钢条图像数据进行标注,并按预设的比例将标注后的数据划分为测试数据集和训练数据集。
3.根据权利要求1所述的基于深度学习的堆钢识别方法,其特征在于,根据所述训练数据集对堆钢图像分割神经网络模型进行有监督训练,学习相应的钢条图像特征,并输出图像分割结果,根据分割结果,判断是否发生堆钢。
4.根据权利要求3所述的基于深度学习的堆钢识别方法,其特征在于,根据所述分割结果中目标钢条最外围轮廓,获取检测目标轮廓的边界矩形框和检测目标边界矩形框的坐标位置,进而获取检测目标的特征信息,根据所述特征信息,判断是否发生堆钢。
5.根据权利要求4所述的基于深度学习的堆钢识别方法,其特征在于,所述特征信息包括检测目标边界矩形框的宽度、高度、面积,当所述特征信息的特征值超过预设的阈值时,则判断发生堆钢,并进行报警。
6.根据权利要求2所述的基于深度学习的堆钢识别方法,其特征在于,所述堆钢图像分割神经网络模型包括:
收缩路径,用于捕捉堆钢图像中的上下文信息;
扩展路径,用于对堆钢图像中所需要分割出来的部分进行精准定位。
7.根据权利要求6所述的基于深度学习的堆钢识别方法,其特征在于,所述收缩路径中每两个3×3的卷积层后连接有2×2的最大池化层,且每个卷积层后对原始图片进行降采样处理。
8.根据权利要求6所述的基于深度学习的堆钢识别方法,其特征在于,在扩展路径的向上采样中,每一步包括一个2×2的卷积层和两个3×3的卷积层,同时,每一步中加入来自相对应收缩路径的特征图。
9.根据权利要求6所述的基于深度学习的堆钢识别方法,其特征在于,所述堆钢图像分割神经网络模型中最后一层为用于将多通道的特征向量转换为所需要的分类结果的数量的卷积层。
10.根据权利要求1所述的基于深度学习的堆钢识别方法,其特征在于,对所述钢条图像数据进行预处理,所述预处理包括对钢条图像数据集进行图像归一化处理。
12.根据权利要求3所述的基于深度学习的堆钢识别方法,其特征在于,根据最终钢条图像的图像分割结果,保存准确率最高的最优模型。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1至12中任一项所述方法。
14.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至12中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298445.8A CN111523429A (zh) | 2020-04-16 | 2020-04-16 | 基于深度学习的堆钢识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298445.8A CN111523429A (zh) | 2020-04-16 | 2020-04-16 | 基于深度学习的堆钢识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523429A true CN111523429A (zh) | 2020-08-11 |
Family
ID=71901217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298445.8A Pending CN111523429A (zh) | 2020-04-16 | 2020-04-16 | 基于深度学习的堆钢识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523429A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037195A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种棒材长度异常的检测方法、系统、设备及介质 |
CN112037197A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 |
CN112053337A (zh) * | 2020-08-31 | 2020-12-08 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的棒材检测方法、装置及设备 |
CN113177941A (zh) * | 2021-05-31 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种钢卷边裂识别方法、系统、介质和终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
CN109784204A (zh) * | 2018-12-25 | 2019-05-21 | 江苏大学 | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110102581A (zh) * | 2019-04-03 | 2019-08-09 | 姚国辉 | 一种基于物联网的冷轧线材堆钢检测方法 |
CN110597165A (zh) * | 2019-08-30 | 2019-12-20 | 三明学院 | 一种堆钢监测系统及堆钢监测方法 |
CN110782464A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 物品堆积3d空间占用率的计算方法、编解码器及存储装置 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
-
2020
- 2020-04-16 CN CN202010298445.8A patent/CN111523429A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
CN109784204A (zh) * | 2018-12-25 | 2019-05-21 | 江苏大学 | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110102581A (zh) * | 2019-04-03 | 2019-08-09 | 姚国辉 | 一种基于物联网的冷轧线材堆钢检测方法 |
CN110597165A (zh) * | 2019-08-30 | 2019-12-20 | 三明学院 | 一种堆钢监测系统及堆钢监测方法 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
CN110782464A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 物品堆积3d空间占用率的计算方法、编解码器及存储装置 |
Non-Patent Citations (1)
Title |
---|
ZEHUA CHENG等: ""Segmentation is All You Need"", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037195A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种棒材长度异常的检测方法、系统、设备及介质 |
CN112037197A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 |
CN112053337A (zh) * | 2020-08-31 | 2020-12-08 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的棒材检测方法、装置及设备 |
CN112037195B (zh) * | 2020-08-31 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种棒材长度异常的检测方法、系统、设备及介质 |
CN113177941A (zh) * | 2021-05-31 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种钢卷边裂识别方法、系统、介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3979200A1 (en) | Video target tracking method and apparatus, computer device and storage medium | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN111523429A (zh) | 基于深度学习的堆钢识别方法 | |
US20210374453A1 (en) | Segmenting objects by refining shape priors | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN112364931B (zh) | 一种基于元特征和权重调整的少样本目标检测方法及网络系统 | |
WO2014014687A1 (en) | Identifying a maximally stable extremal region by skipping comparison of pixels in the region | |
US20220156483A1 (en) | Efficient three-dimensional object detection from point clouds | |
CN111723841A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
JP7192966B2 (ja) | 検索装置、学習装置、検索方法、学習方法及びプログラム | |
CN115937655A (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN112149590A (zh) | 一种手部关键点检测方法 | |
CN111429424A (zh) | 一种基于深度学习的加热炉入口异常识别方法 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
EP4131177A1 (en) | Imaging system and method using a multi-layer model approach to provide robust object detection | |
CN113763412B (zh) | 图像处理方法、装置及电子设备、计算机可读存储介质 | |
Mishchenko et al. | Model-based chart image classification | |
CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
CN113963272A (zh) | 一种基于改进yolov3的无人机图像目标检测方法 | |
CN111767919B (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、系统及存储介质 | |
CN113657364B (zh) | 用于识别文字标志的方法、装置、设备以及存储介质 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |