CN112037194A - 一种冷床乱钢检测方法、系统、设备及介质 - Google Patents

一种冷床乱钢检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN112037194A
CN112037194A CN202010894126.3A CN202010894126A CN112037194A CN 112037194 A CN112037194 A CN 112037194A CN 202010894126 A CN202010894126 A CN 202010894126A CN 112037194 A CN112037194 A CN 112037194A
Authority
CN
China
Prior art keywords
steel
cooling bed
bar
detecting
characteristic information
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
Application number
CN202010894126.3A
Other languages
English (en)
Other versions
CN112037194B (zh
Inventor
庞殊杨
余文涵
胥泽彬
刘睿
贾鸿盛
王嘉骏
刘斌
毛尚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202010894126.3A priority Critical patent/CN112037194B/zh
Publication of CN112037194A publication Critical patent/CN112037194A/zh
Application granted granted Critical
Publication of CN112037194B publication Critical patent/CN112037194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种冷床乱钢检测方法、系统、设备及介质，所述的方法包括：采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；通过识别网络对所述目标数据集进行训练，获取识别模型；通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；通过所述乱钢特征信息判定棒材为乱钢状态。通过摄像设备采集冷床图像，在该图像中对棒材的目标进行标注，将完成标注的冷床图像输入到识别网络中进行训练，获取识别率较高的识别模型，进而通过识别模型对实时的冷床图像进行检测，获取乱钢特征信息，依据乱钢特征信息对棒材是否为乱钢状态进行判定，提高了检测效率和时效性，避免人工判定时造成的人为误差以及危害施工安全情况发生。

Description

一种冷床乱钢检测方法、系统、设备及介质
技术领域
本发明涉及检测技术领域，特别是涉及一种冷床乱钢检测方法、系统、设备及介质。
背景技术
乱钢即冷床机架上形状异常的棒材，是冷床棒材生产中的异常现象之一，生产上也称为乱钢现象。冷床上出现乱钢故障将会严重影响整条生产线的调试生产，因而乱钢现象的及时识别和预警具有重要的意义。在实际上产中，具有丰富生产经验的生产人员利用肉眼对乱钢现象进行判断和做出预警处理，但这种方式较为耗费人力，且预警的及时性和稳定性会因为生产人员的注意力集中程度而发生变化，存在着较大的生产风险。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种冷床乱钢检测方法、系统、设备及介质，用于解决现有技术中乱钢识别不便的问题。
为实现上述目的及其他相关目的，本发明提供一种冷床乱钢检测方法，包括：
采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
通过识别网络对所述目标数据集进行训练，获取识别模型；
通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
通过所述乱钢特征信息判定棒材为乱钢状态。
可选的，采集冷床图像的步骤包括：
在冷床的相应位置的上方设置摄像设备采集冷床图像，所述的相应位置至少包括以下之一：冷床的入口、冷床的出口。
可选的，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型对实时的冷床图像进行检测，获取棒材的位置信息；
通过棒材的位置信息判断所述棒材是否为线性，若否，则获取乱钢特征信息。
可选的，通过棒材的位置信息判断所述棒材是否为线性的步骤包括：
通过所述位置信息计算所述棒材的斜率，当所述斜率小于或者等于斜率阈值时，则判断所述棒材为线性，当所述斜率大于所述斜率阈值时，则判断所述棒材为非线性。
可选的，通过所述乱钢特征信息判定棒材为乱钢状态的步骤之后还包括：
当所述棒材为乱钢状态时，进行系统报警。
可选的，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型获取实时的冷床图像中棒材的目标框，确定所述目标框的坐标信息；将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息。
可选的，将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息的步骤还包括：
当所述坐标信息大于所述坐标阈值时，所述乱钢特征信息为该棒材为乱钢状态。
一种冷床乱钢检测系统，包括：
采集模块，用于采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
模型模块，用于通过识别网络对所述目标数据集进行训练，获取识别模型；
识别模块，用于通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
判断模块，用于通过所述乱钢特征信息判定棒材为乱钢状态。
一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。
一个或多个机器可读介质，，其上存储有指令，当由一个或多个处理器执行时，使得设备执行一个或多个所述的方法。
如上所述，本发明的冷床乱钢检测方法、系统、设备及介质，具有以下有益效果：
通过摄像设备采集冷床图像，在该图像中对棒材的目标进行标注，将完成标注的冷床图像输入到识别网络中进行训练，获取识别率较高的识别模型，进而通过识别模型对实时的冷床图像进行检测，例如，位置信息，又例如，形貌信息，通过位置信息和/或形貌信息获取乱钢特征信息，依据乱钢特征信息对棒材是否为乱钢状态进行判定，提高了检测效率和时效性，避免人工判定时造成的人为误差以及危害施工安全情况发生。
附图说明
图1显示为本发明实施例的冷床的结构示意图。
图2显示为本发明实施例的冷床乱钢检测方法流程示意图。
图3显示为本发明实施例的冷床乱钢检测系统流程示意图。
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。
需要说明的是，本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。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1和图2，本发明提供一种冷床乱钢检测方法，包括：
S1：采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
S2：通过识别网络对所述目标数据集进行训练，获取识别模型；
S3：通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
S4：通过所述乱钢特征信息判定棒材为乱钢状态。通过摄像设备采集冷床图像，在该图像中对棒材的目标进行标注，将完成标注的冷床图像输入到识别网络中进行训练，获取识别率较高的识别模型，进而通过识别模型对实时的冷床图像进行检测，例如，位置信息，又例如，形貌信息，通过位置信息和/或形貌信息获取乱钢特征信息，依据乱钢特征信息对棒材是否为乱钢状态进行判定，提高了检测效率和时效性，避免人工判定时造成的人为误差以及危害施工安全情况发生。
在一些实施过程中，采集冷床图像的步骤包括：
在冷床的相应位置的上方设置摄像设备采集冷床图像，所述的相应位置至少包括以下之一：冷床的入口、冷床的出口，如图1所示，棒材的运动方向和其自身的延伸方向相垂直，将摄像设备设置于所述棒材的上方，进而采集实时的冷床图像，确定冷床图像中的棒材的目标，便于监控棒材在冷却过程中的变化，避免棒材处于乱钢状态危害安全生产。
在一些实施过程中，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型对实时的冷床图像进行检测，获取棒材的位置信息；
通过棒材的位置信息判断所述棒材是否为线性，若否，则获取乱钢特征信息。例如，通过识别模型获取棒材的目标框，将该目标框设置为感兴趣区域，并对感兴趣区域中的图像进行预处理，预处理的方式包括图像对比度增强和二值化处理，进而获取棒材的坐标信息，依据该坐标信息可以获取棒材在其延伸方向上的斜率，当斜率的波动较大时，则可以判定该棒材处于乱钢状态。例如，通过棒材的位置信息判断所述棒材是否为线性的步骤包括：
通过所述位置信息计算所述棒材的斜率，当所述斜率小于或者等于斜率阈值时，则判断所述棒材为线性，当所述斜率大于所述斜率阈值时，则判断所述棒材为非线性。
在一些实施过程中，通过所述乱钢特征信息判定棒材为乱钢状态的步骤之后还包括：
当所述棒材为乱钢状态时，进行系统报警，及时发出冷床中的棒材处于乱钢状态的信息，避免乱钢的棒材对冷床造成安全生产危害。
在一些实施过程中，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型获取实时的冷床图像中棒材的目标框，确定所述目标框的坐标信息；
将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息。
由于处于乱钢状态的棒材垂直于延伸方向上的宽度较大，可以通过目标框的宽度坐标长度来判断棒材是否处于乱钢状态，例如，将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息的步骤还包括：
当所述坐标信息大于所述坐标阈值时，所述乱钢特征信息为该棒材为乱钢状态。
请参阅图3，本发明还提供一种冷床乱钢检测系统，包括：
采集模块，用于采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
模型模块，用于通过识别网络对所述目标数据集进行训练，获取识别模型；
识别模块，用于通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
判断模块，用于通过所述乱钢特征信息判定棒材为乱钢状态。通过摄像设备采集冷床图像，在该图像中对棒材的目标进行标注，将完成标注的冷床图像输入到识别网络中进行训练，获取识别率较高的识别模型，进而通过识别模型对实时的冷床图像进行检测，例如，位置信息，又例如，形貌信息，通过位置信息和/或形貌信息获取乱钢特征信息，依据乱钢特征信息对棒材是否为乱钢状态进行判定，提高了检测效率和时效性，避免人工判定时造成的人为误差以及危害施工安全情况发生。
可选的，采集冷床图像的步骤包括：
在冷床的相应位置的上方设置摄像设备采集冷床图像，所述的相应位置至少包括以下之一：冷床的入口、冷床的出口。
可选的，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型对实时的冷床图像进行检测，获取棒材的位置信息；
通过棒材的位置信息判断所述棒材是否为线性，若否，则获取乱钢特征信息。
可选的，通过棒材的位置信息判断所述棒材是否为线性的步骤包括：
通过所述位置信息计算所述棒材的斜率，当所述斜率小于或者等于斜率阈值时，则判断所述棒材为线性，当所述斜率大于所述斜率阈值时，则判断所述棒材为非线性。
可选的，通过所述乱钢特征信息判定棒材为乱钢状态的步骤之后还包括：
当所述棒材为乱钢状态时，进行系统报警。
可选的，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型获取实时的冷床图像中棒材的目标框，确定所述目标框的坐标信息；将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息。
可选的，将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息的步骤还包括：
当所述坐标信息大于所述坐标阈值时，所述乱钢特征信息为该棒材为乱钢状态。
本发明实施例提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。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。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。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 (10)

1.一种冷床乱钢检测方法，其特征在于，包括：
采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
通过识别网络对所述目标数据集进行训练，获取识别模型；
通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
通过所述乱钢特征信息判定棒材为乱钢状态。
2.根据权利要求1所述的冷床乱钢检测方法，其特征在于，采集冷床图像的步骤包括：
在冷床的相应位置的上方设置摄像设备采集冷床图像，所述的相应位置至少包括以下之一：冷床的入口、冷床的出口。
3.根据权利要求1所述的冷床乱钢检测方法，其特征在于，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型对实时的冷床图像进行检测，获取棒材的位置信息；
通过棒材的位置信息判断所述棒材是否为线性，若否，则获取乱钢特征信息。
4.根据权利要求3所述的冷床乱钢检测方法，其特征在于，通过棒材的位置信息判断所述棒材是否为线性的步骤包括：
通过所述位置信息计算所述棒材的斜率，当所述斜率小于或者等于斜率阈值时，则判断所述棒材为线性，当所述斜率大于所述斜率阈值时，则判断所述棒材为非线性。
5.根据权利要求1所述的冷床乱钢检测方法，其特征在于，通过所述乱钢特征信息判定棒材为乱钢状态的步骤之后还包括：
当所述棒材为乱钢状态时，进行系统报警。
6.根据权利要求1所述的冷床乱钢检测方法，其特征在于，通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息的步骤包括：
通过所述识别模型获取实时的冷床图像中棒材的目标框，确定所述目标框的坐标信息；
将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息。
7.根据权利要求6所述的冷床乱钢检测方法，其特征在于，将所述坐标信息与所述坐标阈值进行对比，获取乱钢特征信息的步骤还包括：
当所述坐标信息大于所述坐标阈值时，所述乱钢特征信息为该棒材为乱钢状态。
8.一种冷床乱钢检测系统，其特征在于，包括：
采集模块，用于采集冷床图像，并对所述冷床图像中的棒材进行标注，获取目标数据集；
模型模块，用于通过识别网络对所述目标数据集进行训练，获取识别模型；
识别模块，用于通过所述识别模型对实时的冷床图像进行检测，获取乱钢特征信息；
判断模块，用于通过所述乱钢特征信息判定棒材为乱钢状态。
9.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-7中一个或多个所述的方法。
10.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中一个或多个所述的方法。
CN202010894126.3A 2020-08-31 2020-08-31 一种冷床乱钢检测方法、系统、设备及介质 Active CN112037194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010894126.3A CN112037194B (zh) 2020-08-31 2020-08-31 一种冷床乱钢检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010894126.3A CN112037194B (zh) 2020-08-31 2020-08-31 一种冷床乱钢检测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112037194A true CN112037194A (zh) 2020-12-04
CN112037194B CN112037194B (zh) 2023-04-07

Family

ID=73586382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010894126.3A Active CN112037194B (zh) 2020-08-31 2020-08-31 一种冷床乱钢检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112037194B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749735A (zh) * 2020-12-30 2021-05-04 中冶赛迪重庆信息技术有限公司 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
CN115301747A (zh) * 2022-09-28 2022-11-08 江苏精益智控科技有限公司 一种基于多目标识别与跟踪的冷床区物料跟踪系统和方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6473537B1 (en) * 1998-02-07 2002-10-29 Komatsu Ltd. Process and system for detecting bend angle
EP1428587A1 (en) * 2002-12-11 2004-06-16 Morgan Construction Company System and method for delivering the hot rolled products of hot rolling mills to a cooling bed
JP2006349527A (ja) * 2005-06-16 2006-12-28 Hitachi Ltd ソレノイド異常検出装置
US20100278436A1 (en) * 2009-04-30 2010-11-04 Industrial Technology Research Institute Method and system for image identification and identification result output
US20110135172A1 (en) * 2009-03-03 2011-06-09 Fujifilm Corporation Image processing apparatus, image processing method, and image processing program
JP2014048226A (ja) * 2012-09-03 2014-03-17 Kobe Steel Ltd 条鋼材の形状検査装置及び条鋼材の形状検査方法
WO2014162666A1 (ja) * 2013-04-01 2014-10-09 株式会社神戸製鋼所 形状計測装置
US20150043819A1 (en) * 2011-12-16 2015-02-12 Japan Science And Technology Agency Feature extraction method, object classification method, object identification method, feature extraction device, object classification device, object identification device, feature extracton/object classification/object identification program, and recording medium on which the program is recorded
CN205232379U (zh) * 2015-12-20 2016-05-11 天津博普科技有限公司 棒材轧线视频监控图像采集装置
EP3093611A2 (en) * 2015-05-15 2016-11-16 Q-TECH S.r.l. Measuring method and device to measure the straightness error of bars and pipes
WO2018138747A1 (en) * 2017-01-27 2018-08-02 Alping Italia S.R.L. Method and apparatus for counting bars
CN109530459A (zh) * 2018-11-08 2019-03-29 宝钢特钢韶关有限公司 一种棒材冷床尾部压钢装置的应用及其控制方法
CN111062915A (zh) * 2019-12-03 2020-04-24 浙江工业大学 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN111311670A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 一种基于图像识别的冷床冲顶识别方法、系统及设备
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、系统、电子设备及介质
CN111524112A (zh) * 2020-04-17 2020-08-11 中冶赛迪重庆信息技术有限公司 追钢识别方法、系统、设备及介质
CN111539938A (zh) * 2020-04-26 2020-08-14 中冶赛迪重庆信息技术有限公司 一种轧带钢带头曲度检测方法、系统、介质及电子终端
US20200264620A1 (en) * 2019-02-15 2020-08-20 Wipro Limited Method and system for determining drivable road regions for safe navigation of an autonomous vehicle

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6473537B1 (en) * 1998-02-07 2002-10-29 Komatsu Ltd. Process and system for detecting bend angle
EP1428587A1 (en) * 2002-12-11 2004-06-16 Morgan Construction Company System and method for delivering the hot rolled products of hot rolling mills to a cooling bed
JP2006349527A (ja) * 2005-06-16 2006-12-28 Hitachi Ltd ソレノイド異常検出装置
US20110135172A1 (en) * 2009-03-03 2011-06-09 Fujifilm Corporation Image processing apparatus, image processing method, and image processing program
US20100278436A1 (en) * 2009-04-30 2010-11-04 Industrial Technology Research Institute Method and system for image identification and identification result output
US20150043819A1 (en) * 2011-12-16 2015-02-12 Japan Science And Technology Agency Feature extraction method, object classification method, object identification method, feature extraction device, object classification device, object identification device, feature extracton/object classification/object identification program, and recording medium on which the program is recorded
JP2014048226A (ja) * 2012-09-03 2014-03-17 Kobe Steel Ltd 条鋼材の形状検査装置及び条鋼材の形状検査方法
WO2014162666A1 (ja) * 2013-04-01 2014-10-09 株式会社神戸製鋼所 形状計測装置
EP3093611A2 (en) * 2015-05-15 2016-11-16 Q-TECH S.r.l. Measuring method and device to measure the straightness error of bars and pipes
CN205232379U (zh) * 2015-12-20 2016-05-11 天津博普科技有限公司 棒材轧线视频监控图像采集装置
WO2018138747A1 (en) * 2017-01-27 2018-08-02 Alping Italia S.R.L. Method and apparatus for counting bars
CN109530459A (zh) * 2018-11-08 2019-03-29 宝钢特钢韶关有限公司 一种棒材冷床尾部压钢装置的应用及其控制方法
US20200264620A1 (en) * 2019-02-15 2020-08-20 Wipro Limited Method and system for determining drivable road regions for safe navigation of an autonomous vehicle
CN111062915A (zh) * 2019-12-03 2020-04-24 浙江工业大学 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN111311670A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 一种基于图像识别的冷床冲顶识别方法、系统及设备
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、系统、电子设备及介质
CN111524112A (zh) * 2020-04-17 2020-08-11 中冶赛迪重庆信息技术有限公司 追钢识别方法、系统、设备及介质
CN111539938A (zh) * 2020-04-26 2020-08-14 中冶赛迪重庆信息技术有限公司 一种轧带钢带头曲度检测方法、系统、介质及电子终端

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SOUVIK DAS 等: "Failure Analysis of Thermo-Mechanically Treated (TMT) Bar During Bending Operation: A Metallurgical Investigation", 《TCEIA》 *
姚明琳 等: "视觉检测技术及其在棒材生产中的应用", 《自动化仪表》 *
姜志伟 等: "棒材裙板系统结构功能与乱钢故障处理", 《2012年线棒材工艺技术、装备与应用学术研讨会》 *
梁新建 等: "棒材冷床乱钢、头尾弯钢现象分析及性能优化", 《酒钢科技》 *
田勇: "中厚板轧制轧件头部弯曲及其控制的研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
谈际生: "中厚板轧制过程中头部变形机理及控制措施", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749735A (zh) * 2020-12-30 2021-05-04 中冶赛迪重庆信息技术有限公司 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
CN112749735B (zh) * 2020-12-30 2023-04-07 中冶赛迪信息技术(重庆)有限公司 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
CN115301747A (zh) * 2022-09-28 2022-11-08 江苏精益智控科技有限公司 一种基于多目标识别与跟踪的冷床区物料跟踪系统和方法

Also Published As

Publication number Publication date
CN112037194B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112037194B (zh) 一种冷床乱钢检测方法、系统、设备及介质
CN103472788B (zh) 基于bim的运营隧道维护健康监测管理方法
CN107194823A (zh) 一种移动终端农业监测预警方法及系统
CN112990942A (zh) 一种基于云计算的化学品存储智能管理系统及方法
CN114862167A (zh) 一种制造业生产线的生产安全评估管理方法及系统
CN212365028U (zh) 一种电力消防安全综合管理平台
CN114639183A (zh) 基于元素化的智能巡检方法、系统、计算机设备及介质
CN112052696A (zh) 一种基于机器视觉的棒材成品库出库标签识别方法、装置及设备
CN112053336B (zh) 一种棒材对齐检测方法、系统、设备及介质
CN104658051A (zh) 一种电网线路巡检人员到位率监测方法
CN111968104B (zh) 一种基于机器视觉的钢卷异常识别方法、系统、设备及介质
Zhang et al. Belt deviation detection system based on deep learning under complex working conditions
CN112749735B (zh) 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
CN111681227B (zh) 一种飞剪机器异常的判断方法、系统、电子设备及介质
CN107889058A (zh) 监测方法、装置及电子设备
CN105911074B (zh) 钢丝芯皮带接头x射线在线检测中自适应阈值标定方法
CN116645794A (zh) 基于大数据的选煤设备故障预警系统
CN116859842A (zh) 一种化工生产线安全评估系统
CN110956165A (zh) 智慧社区未栓绳宠物预警方法及系统
CN111861335B (zh) 工业互联物料管理系统
单德山 et al. State-of-the-art review of the bridge health monitoring in 2019
CN113159605B (zh) 基于逻辑回归的化工装置智能化报警方法及系统
CN110517127A (zh) 一种基于大数据预防偷漏税的方法
安小松 et al. A CNN-Transformer-based method for sorting citrus with visual defects
CN115050171B (zh) 一种加油站数字化安全洞察系统管理及展示平台

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: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant