CN111681227A - 一种飞剪机器异常的判断方法、系统、电子设备及介质 - Google Patents
一种飞剪机器异常的判断方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN111681227A CN111681227A CN202010518775.3A CN202010518775A CN111681227A CN 111681227 A CN111681227 A CN 111681227A CN 202010518775 A CN202010518775 A CN 202010518775A CN 111681227 A CN111681227 A CN 111681227A
- Authority
- CN
- China
- Prior art keywords
- steel
- flying shear
- image
- area
- value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种飞剪机器异常的判断方法、系统、电子设备及介质,方法包括:采集图像信息,并预先将待识别区域划分为进钢区、出钢区及落钢区;对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;通过每个区域中钢条所占比例,判断钢条行进状态;当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断;本发明能够实现自动实时检测钢条,通过计算钢条在各识别区域中的面积占比,判断飞剪机器是否出现异常情况,详细记录处理信息,具有较高的准确率,避免了由于工人误判以及疲劳造成剪切不断的故障未被察觉上报,无法有效降低切损率,降低机时产量。
Description
技术领域
本发明涉及冶金领域及计算机应用,尤其涉及一种飞剪机器异常的判断方法、系统、电子设备及介质。
背景技术
在钢铁冶炼环节中,飞剪机器是飞剪线中负责剪切的重要设备,直接影响着轧钢厂的生产效率和经济效益。随着热连轧机时产量的不断提高,剪切规格及品种的不断扩大,对飞剪的剪切稳定性提出的要求也越来越高。飞剪机器需要在钢条进入和走出时进行裁剪,如在这两个时刻没有钢条掉落,则是异常飞剪,需要警报来通知相关人员及时处理。
目前,大部分工作过程中依然采取人工肉眼识别钢条是否正常掉落来判断是否发生异常飞剪,但常因为工人误判以及疲劳造成剪切不断的故障未被察觉上报,无法有效降低切损率,降低机时产量。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种飞剪机器异常的判断方法、系统、电子设备及介质,以解决上述技术问题。
本发明提供的飞剪机器异常的判断方法,包括:
采集图像信息,并预先将待识别区域划分为进钢区、出钢区及落钢区;
对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
通过每个区域中钢条所占比例,判断钢条行进状态;
当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
可选的,当钢条处于行进状态时,进行等待值统计;
当检测到落钢区最下方出现钢条掉落时,将等待值清零;
当检测到落钢区最下方未出现钢条掉落时,则继续进行等待值统计,且如果等待值统计数大于预设的等待阈值时,判定为异常飞剪;如果等待值统计数小于等于预设的等待阈值时,判定为正常飞剪。
可选的,通过计算钢条面积获取钢条进入各区域的钢条所占比例,再根据钢条面积占比判断钢条状态,所述钢条状态包括初始未入钢、入钢、正常过钢和出钢,当状态从初始未入钢到入钢进行转换时,以及从正常过钢到出钢进行转换时,对飞剪状态进行判定。
可选的,获取进入落钢区的钢条所占比例,若占比为0,则判定落钢区中没有被剪钢条,通过如下表达式对飞剪状态进行判断:
其中,rst为判断结果,True表示飞剪异常,False表示飞剪正常,Pc为钢条占落钢区的比例,C(Pc=0)为钢条占落钢区的比例为0的次数统计,Threshold为阈值。
可选的,对采集图像信息进行预处理,所述预处理包括图像尺寸调整,通过如下表达式进行所述图像尺寸调整:
其中,Rw为图像宽度缩放率,Rh为图像高度缩放率,wo为图像原始宽度,ws为图像预设宽度,ho为图像原始高度,hs为图像预设高度。
可选的,所述预处理还包括对采集图像信息进行二值化处理,通过如下表达式进行所述二值化处理:
其中,dst(x,y)为二值化阈值计算后的像素强度,(x,y)为像素点在图像中的位置,src(x,y)为原像素强度,thresh为所设阈值。
可选的,通过如下表达式对检测结果进行图像尺寸调整:
xmin=(xmin+xoffset)×Rw
xmax=(xmax+xoffset)×Rw
ymin=(ymin+yoffset)×Rh
ymax=(ymax+yoffset)×Rh
其中,xmin为检测框的左上角的坐标值,xmax为检测框的右下角x坐标值,ymin为检测框的左上角y坐标值,ymax为检测框的右下角y坐标值,Rw为图像宽度缩放率,Rh为图像高度缩放率,xoffset为x坐标值的补偿值,yoffset为y坐标值的补偿值。
本发明还提供一种飞剪机器异常的判断系统,包括:
图像采集模块,用于采集图像信息,
图像处理模块,用于预先将待识别区域划分为进钢区、出钢区及落钢区;
对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
判断模块,用于通过每个区域中钢条所占比例,判断钢条行进状态;当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
可选的,当判断模块判断钢条处于行进状态时,进行等待值统计;
当图像处理模块检测到落钢区最下方出现钢条掉落时,判断模块将等待值清零;
当检测到落钢区最下方未出现钢条掉落时,则继续进行等待值统计,且如果等待值统计数大于预设的等待阈值时,判定为异常飞剪;如果等待值统计数小于等于预设的等待阈值时,判定为正常飞剪。
可选的,还包括用于对采集的图像信息进行预处理的预处理模块,所述预处理包括图像尺寸调整和对采集图像信息进行二值化处理。
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中任一项所述方法。
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:本发明中的飞剪机器异常的判断方法、系统、电子设备及介质,能够实现自动实时检测钢条,通过计算钢条在各识别区域中的面积占比,判断飞剪机器是否出现异常情况,详细记录处理信息,具有较高的准确率,避免了由于工人误判以及疲劳造成剪切不断的故障未被察觉上报,无法有效降低切损率,降低机时产量。
附图说明
图1是本发明实施例中飞剪机器异常的判断方法的流程示意图。
图2是本发明实施例中飞剪机器异常的判断系统的结构示意图。
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。
如图1所示,本实施例中的飞剪机器异常的判断方法,包括:
S1.采集图像信息,并预先将待识别区域划分为进钢区、出钢区及落钢区;
S2.对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
S3.通过每个区域中钢条所占比例,判断钢条行进状态;
S4.当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
在本实施例中,首先通过步骤S1采集图像信息中截取出待识别的区域,分别为进钢区、出钢区及落钢区,在步骤S1中,还需要图像尺寸调整,通过对视频图片按比例进行缩小处理,减少处理时间,提高处理效率并增加精度。
缩小处理的数学表达式为:
其中,Rw、Rh分别为图像宽度缩放率以及图像高度缩放率,wo为图像原始宽度,ws为图像预设宽度,ho为图像原始高度,hs为图像预设高度。
在本实施例中,图像信息中即包括目标物体、背景,还包括有噪声,因此本实施例中还包括对图像进行二值化阈值计算,目的在于从多值的数字图像中直接提取出目标物体。
二值化阈值计算的数学表达式如下:
其中,(x,y)为像素点在图像中的位置,dst(x,y)为二值化阈值计算后的像素强度,src(x,y)为原像素强度,thresh为所设阈值。
在本实施例中,对二值化阈值处理完成后的图像提取钢条轮廓,计算所得的钢条轮廓面积,并用最小的矩形框出钢条,并根据此最小矩形框确定钢条在图像中的坐标位置信息,坐标位置信息的数学表达式为:
[xmin,ymin,xmax,ymax]
其中,xmin、ymin分别为预测框在图像中的左上角x、y坐标值,xmax、ymax分别为预测框在图像中的右下角x、y坐标值。
在本实施例中,在计算出钢条面积后,再进行钢条面积占比的计算作为判断钢条状态的标准,数学表达式如下:
其中,Percent为钢条面积占区域总面积的比例,Asteel为钢条所占面积,Atotal为区域总面积。
在本实施例中,根据得出的钢条占比进行位置状态判断。共设有初始未入钢、入钢、正常过钢、出钢4种状态,分别用数字表示为0、1、2、3。只有入钢和出钢的时候需要飞剪,当状态从0转1、从2转3时,需要进行判定。
判断方法的数学表达式为:
其中,Flag为判断出的钢条状态,Pr为钢条占进钢区域的比例,Pf为钢条占出钢区域的比例,1、2、3分别表示入钢、正常过钢、出钢3种状态。
在步骤S4中,在需要判定的状态下,开始进行用于计算等待时长的等待值统计,若落钢区钢条占比为0,即落钢区中没有被剪钢条,则持续进行等待值统计。若统计出的等待值大于预设值,则视为等待时长超过预计最高时长,判定为异常飞剪,发出警报;若统计出的等待值小于预设值,则视为正常情况。
判断方法的数学表达式为:
其中,rst为飞剪操作是否正常的判断结果,True为飞剪异常,False为飞剪正常,Pc为钢条占剪钢区的比例,C(Pc=0)为钢条占剪钢区的比例为0的次数统计,Threshold为阈值。
在本实施例中,还包括将检测结果按缩放比例进行计算,以适应原始图像,便于储存处理数据,其数学表达式为:
xmin=(xmin+xoffset)×Rw
xmax=(xmax+xoffset)×Rw
ymin=(ymin+yoffset)×Rh
ymax=(ymax+yoffset)×Rh
其中,xmin、xmax分别为检测框的左上角、右下角x坐标值,ymin、ymax分别为检测框的左上角、右下角y坐标值,Rw、Rh分别为图像宽度缩放率以及图像高度缩放率,xoffset、yoffset分别为x坐标值的补偿值和y坐标值的补偿值。
相应的,本实施例还提供一种飞剪机器异常的判断系统,如图2所示,包括:
图像采集模块,用于采集图像信息,
图像处理模块,用于预先将待识别区域划分为进钢区、出钢区及落钢区;
对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
判断模块,用于通过每个区域中钢条所占比例,判断钢条行进状态;当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
在本实施例中,当判断模块判断钢条处于行进状态时,进行等待值统计;
当图像处理模块检测到落钢区最下方出现钢条掉落时,判断模块将等待值清零;
当检测到落钢区最下方未出现钢条掉落时,则继续进行等待值统计,且如果等待值统计数大于预设的等待阈值时,判定为异常飞剪;如果等待值统计数小于等于预设的等待阈值时,判定为正常飞剪。
在本实施例中,还包括用于对采集的图像信息进行预处理的预处理模块,所述预处理包括图像尺寸调整和对采集图像信息进行二值化处理。预处理模块可以根据二值化图像确定钢条轮廓,用最小外接矩形框住钢条轮廓以此得出钢条在图像中的坐标位置信息,根据轮廓信息计算钢条面积,根据面积计算钢条占识别区域的比例。
预处理模块对于视频图片按比例进行缩小处理,并截取出待识别区域,减少处理时间,提高处理效率并增加精度。。
图像尺寸调整处理的数学表达式为:
其中,Rw、Rh分别为图像宽度缩放率以及图像高度缩放率,wo为图像原始宽度,ws为图像预设宽度,ho为图像原始高度,hs为图像预设高度。
在本实施例中,一幅图像包括目标物体、背景还有噪声,因此对图像进行二值化阈值计算,目的在于从多值的数字图像中直接提取出目标物体。
二值化阈值计算的数学表达式如下:
其中,(x,y)为像素点在图像中的位置,dst(x,y)为二值化阈值计算后的像素强度,src(x,y)为原像素强度,thresh为所设阈值。
对二值化阈值处理完成后的图像提取钢条轮廓,计算所得的钢条轮廓面积,并用最小的矩形框出钢条,并根据此最小矩形框确定钢条在图像中的坐标位置信息,坐标位置信息的数学表达式为:
[xmin,ymin,xmax,ymax]
其中,xmin、ymin分别为预测框在图像中的左上角x、y坐标值,xmax、ymax分别为预测框在图像中的右下角x、y坐标值
在计算出钢条面积后,再进行钢条面积占比的计算作为判断钢条状态的标准,数学表达式如下:
其中,Percent为钢条面积占区域总面积的比例,Asteel为钢条所占面积,Atotal为区域总面积。
进行位置状态判断时共设有初始未入钢、入钢、正常过钢、出钢4种状态,分别用数字表示为0、1、2、3。只有入钢和出钢的时候需要飞剪,当状态从0转1、从2转3时,需要进行判定。
判断方法的数学表达式为:
其中,Flag为判断出的钢条状态,Pr为钢条占进钢区域的比例,Pf为钢条占出钢区域的比例,1、2、3分别表示入钢、正常过钢、出钢3种状态。
其中,在需要判定的状态下,开始进行用于计算等待时长的等待值统计,若落钢区钢条占比为0,即落钢区中没有被剪钢条,则持续进行等待值统计。若统计出的等待值大于预设值,则视为等待时长超过预计最高时长,判定为异常飞剪,发出警报;若统计出的等待值小于预设值,则视为正常情况。
判断方法的数学表达式为:
其中,rst为飞剪操作是否正常的判断结果,True为飞剪异常,False为飞剪正常,Pc为钢条占落钢区的比例,C(Pc=0)为钢条占落钢区的比例为0的次数统计,Threshold为阈值。
在本实施例中,将检测结果按缩放比例进行计算,以适应原始图像,其数学表达式为:
xmin=(xmin+xoffset)×Rw
xmax=(xmax+xoffset)×Rw
ymin=(ymin+yoffset)×Rh
ymax=(ymax+yoffset)×Rh
其中,xmin、xmax分别为检测框的左上角、右下角x坐标值,ymin、ymax分别为检测框的左上角、右下角y坐标值,Rw、Rh分别为图像宽度缩放率以及图像高度缩放率,xoffset、yoffset分别为x坐标值的补偿值和y坐标值的补偿值。
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,说明书对“本实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。
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。
上述实施例仅示例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,但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 (12)
1.一种飞剪机器异常的判断方法,其特征在于,包括:
采集图像信息,并预先将待识别区域划分为进钢区、出钢区及落钢区;
对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
通过每个区域中钢条所占比例,判断钢条行进状态;
当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
2.根据权利要求1所述的飞剪机器异常的判断方法,其特征在于,
当钢条处于行进状态时,进行等待值统计;
当检测到落钢区最下方出现钢条掉落时,将等待值清零;
当检测到落钢区最下方未出现钢条掉落时,则继续进行等待值统计,且如果等待值统计数大于预设的等待阈值时,判定为异常飞剪;如果等待值统计数小于等于预设的等待阈值时,判定为正常飞剪。
3.根据权利要求2所述的飞剪机器异常的判断方法,其特征在于,通过计算钢条面积获取钢条进入各区域的钢条所占比例,再根据钢条面积占比判断钢条状态,所述钢条状态包括初始未入钢、入钢、正常过钢和出钢,当状态从初始未入钢到入钢进行转换时,以及从正常过钢到出钢进行转换时,对飞剪状态进行判定。
7.根据权利要求5所述的飞剪机器异常的判断方法,其特征在于,通过如下表达式对检测结果进行图像尺寸调整:
xmin=(xmin+xoffset)×Rw
xmax=(xmax+xoffset)×Rw
ymin=(ymin+yoffset)×Rh
ymax=(ymax+yoffset)×Rh
其中,xmin为检测框的左上角的坐标值,xmax为检测框的右下角x坐标值,ymin为检测框的左上角y坐标值,ymax为检测框的右下角y坐标值,Rw为图像宽度缩放率,Rh为图像高度缩放率,xoffset为x坐标值的补偿值,yoffset为y坐标值的补偿值。
8.一种飞剪机器异常的判断系统,其特征在于,包括:
图像采集模块,用于采集图像信息,
图像处理模块,用于预先将待识别区域划分为进钢区、出钢区及落钢区;
对待识别区域中的钢条进行识别,并获取所述钢条进入各区域的钢条所占比例;
判断模块,用于通过每个区域中钢条所占比例,判断钢条行进状态;当钢条处于行进状态时,根据落钢区钢条掉落的等待值统计结果和预设的等待阈值,对钢条的飞剪结果进行判断。
9.根据权利要求8所述的飞剪机器异常的判断系统,其特征在于,
当判断模块判断钢条处于行进状态时,进行等待值统计;
当图像处理模块检测到落钢区最下方出现钢条掉落时,判断模块将等待值清零;
当检测到落钢区最下方未出现钢条掉落时,则继续进行等待值统计,且如果等待值统计数大于预设的等待阈值时,判定为异常飞剪;如果等待值统计数小于等于预设的等待阈值时,判定为正常飞剪。
10.根据权利要求8所述的飞剪机器异常的判断系统,其特征在于,还包括用于对采集的图像信息进行预处理的预处理模块,所述预处理包括图像尺寸调整和对采集图像信息进行二值化处理。
11.一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7中任一项所述方法。
12.一种电子终端,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7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518775.3A CN111681227B (zh) | 2020-06-09 | 2020-06-09 | 一种飞剪机器异常的判断方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518775.3A CN111681227B (zh) | 2020-06-09 | 2020-06-09 | 一种飞剪机器异常的判断方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681227A true CN111681227A (zh) | 2020-09-18 |
CN111681227B CN111681227B (zh) | 2023-03-14 |
Family
ID=72455045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518775.3A Active CN111681227B (zh) | 2020-06-09 | 2020-06-09 | 一种飞剪机器异常的判断方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733841A (zh) * | 2020-12-30 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 钢卷内部紊乱判断方法、系统、设备及介质 |
US20220082472A1 (en) * | 2020-09-10 | 2022-03-17 | Aktiebolaget Skf | Monitoring method for plate billet crank flying shear process |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103071682A (zh) * | 2012-12-04 | 2013-05-01 | 马钢(集团)控股有限公司 | 防止棒材切头切尾剪异常切头的控制系统 |
WO2013097576A1 (zh) * | 2011-12-31 | 2013-07-04 | 中冶赛迪工程技术股份有限公司 | 带钢飞剪横切装置 |
JP2013132682A (ja) * | 2011-12-27 | 2013-07-08 | Jfe Steel Corp | 通板異常検出装置 |
CN105251776A (zh) * | 2014-07-16 | 2016-01-20 | 鞍钢股份有限公司 | 一种冷连轧机带钢跟踪处理方法 |
CN105345129A (zh) * | 2015-12-17 | 2016-02-24 | 中冶赛迪工程技术股份有限公司 | 一种转鼓式飞剪机 |
US20160175903A1 (en) * | 2013-07-26 | 2016-06-23 | Sms Group Gmbh | Method and device for producing a metallic strip in a continuous casting and rolling process |
CN106311749A (zh) * | 2016-08-31 | 2017-01-11 | 重庆钢铁集团电子有限责任公司 | 高速线材轧线故障处理方法 |
CN107414177A (zh) * | 2017-09-18 | 2017-12-01 | 马鞍山钢铁股份有限公司 | 一种防止棒材初轧后飞剪误剪切的控制方法 |
WO2018105088A1 (ja) * | 2016-12-08 | 2018-06-14 | 日新製鋼株式会社 | セパレートプレート用冷延鋼板 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估系统及处理方法 |
CN210254482U (zh) * | 2019-07-09 | 2020-04-07 | 湖南远东钢模有限公司 | 一种钢带制作型钢用跟踪剪切机 |
CN110992323A (zh) * | 2019-11-26 | 2020-04-10 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像处理的钢带检测方法、装置及卡钢检测方法 |
CN111126490A (zh) * | 2019-12-25 | 2020-05-08 | 东北大学 | 一种基于深度随机森林的钢板板形异常识别方法 |
-
2020
- 2020-06-09 CN CN202010518775.3A patent/CN111681227B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013132682A (ja) * | 2011-12-27 | 2013-07-08 | Jfe Steel Corp | 通板異常検出装置 |
WO2013097576A1 (zh) * | 2011-12-31 | 2013-07-04 | 中冶赛迪工程技术股份有限公司 | 带钢飞剪横切装置 |
CN103071682A (zh) * | 2012-12-04 | 2013-05-01 | 马钢(集团)控股有限公司 | 防止棒材切头切尾剪异常切头的控制系统 |
US20160175903A1 (en) * | 2013-07-26 | 2016-06-23 | Sms Group Gmbh | Method and device for producing a metallic strip in a continuous casting and rolling process |
CN105251776A (zh) * | 2014-07-16 | 2016-01-20 | 鞍钢股份有限公司 | 一种冷连轧机带钢跟踪处理方法 |
CN105345129A (zh) * | 2015-12-17 | 2016-02-24 | 中冶赛迪工程技术股份有限公司 | 一种转鼓式飞剪机 |
CN106311749A (zh) * | 2016-08-31 | 2017-01-11 | 重庆钢铁集团电子有限责任公司 | 高速线材轧线故障处理方法 |
WO2018105088A1 (ja) * | 2016-12-08 | 2018-06-14 | 日新製鋼株式会社 | セパレートプレート用冷延鋼板 |
CN107414177A (zh) * | 2017-09-18 | 2017-12-01 | 马鞍山钢铁股份有限公司 | 一种防止棒材初轧后飞剪误剪切的控制方法 |
CN210254482U (zh) * | 2019-07-09 | 2020-04-07 | 湖南远东钢模有限公司 | 一种钢带制作型钢用跟踪剪切机 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估系统及处理方法 |
CN110992323A (zh) * | 2019-11-26 | 2020-04-10 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像处理的钢带检测方法、装置及卡钢检测方法 |
CN111126490A (zh) * | 2019-12-25 | 2020-05-08 | 东北大学 | 一种基于深度随机森林的钢板板形异常识别方法 |
Non-Patent Citations (6)
Title |
---|
冯瑶等: "液压摆式剪板机控制回路故障分析与排除", 《焊管》 * |
吴小露: "450T双偏心摆式飞剪机故障诊断与对策", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
曹洋: "热轧曲柄连杆飞剪机故障诊断与对策", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
陈甲华等: "基于噪声信号分析和HMM-SVM混合模型的乏燃料剪切机故障诊断研究", 《核科学与工程》 * |
马鑫: "高速线材生产线飞剪区域电气系统编程与调试", 《科技创新与应用》 * |
黄伟等: "1100BS3型波形剪切机组常见故障原因分析与排除", 《机械工程师》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220082472A1 (en) * | 2020-09-10 | 2022-03-17 | Aktiebolaget Skf | Monitoring method for plate billet crank flying shear process |
US11579042B2 (en) * | 2020-09-10 | 2023-02-14 | Aktiebolaget Skf | Monitoring method for plate billet crank flying shear process |
CN112733841A (zh) * | 2020-12-30 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 钢卷内部紊乱判断方法、系统、设备及介质 |
CN112733841B (zh) * | 2020-12-30 | 2022-12-16 | 中冶赛迪信息技术(重庆)有限公司 | 钢卷内部紊乱判断方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681227B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681227B (zh) | 一种飞剪机器异常的判断方法、系统、电子设备及介质 | |
CN112437280A (zh) | 一种基于大数据分析的智慧监控安防数据处理管理系统 | |
CN111311670B (zh) | 一种基于图像识别的冷床冲顶识别方法、系统及设备 | |
CN112348791A (zh) | 基于机器视觉的废钢智能检判方法、系统、介质及终端 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN108171214A (zh) | 一种基于深度学习的视频监控异常识别方法及系统 | |
CN109030499B (zh) | 一种适用于目标缺陷连续在线检测防止缺陷数目重复计数的装置及方法 | |
CN110992323B (zh) | 一种基于图像处理的钢带检测方法、装置及卡钢检测方法 | |
CN110619308A (zh) | 一种过道杂物检测方法、装置、系统和设备 | |
CN112053336B (zh) | 一种棒材对齐检测方法、系统、设备及介质 | |
CN104759471B (zh) | 一种热轧带钢跟踪信号的远程捕获方法 | |
CN116434346B (zh) | 无人值守商店内顾客行为的检测方法、装置及存储介质 | |
CN116797993B (zh) | 一种基于智慧社区场景的监控方法、系统、介质及设备 | |
CN112329621A (zh) | 一种异常行为预警数据的处理方法、系统、终端及介质 | |
CN113610854B (zh) | 一种线索缺陷检测方法、终端设备以及计算机存储介质 | |
CN116503811A (zh) | 一种基于图像的叉车违规监测方法、介质及设备 | |
CN113112427B (zh) | 一种铁水运输的监测方法、装置、设备及存储介质 | |
CN115147772A (zh) | 一种数据处理方法及装置 | |
CN115147929A (zh) | 一种施工场景监控方法、装置、设备及存储介质 | |
CN112733841B (zh) | 钢卷内部紊乱判断方法、系统、设备及介质 | |
CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
CN114565870A (zh) | 一种基于视觉的生产线管控方法及装置、系统、电子设备 | |
CN112037198A (zh) | 一种热轧棒材定支分离检测方法、系统、介质及终端 | |
CN112351247A (zh) | 一种基于图像处理的水电厂内电光闪光检测方法 | |
CN117576635B (zh) | 一种视频识别中线状目标张紧状态的判定方法 |
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |