CN112037196A - 一种冷床倍尺检测方法、系统及介质 - Google Patents
一种冷床倍尺检测方法、系统及介质 Download PDFInfo
- Publication number
- CN112037196A CN112037196A CN202010894708.1A CN202010894708A CN112037196A CN 112037196 A CN112037196 A CN 112037196A CN 202010894708 A CN202010894708 A CN 202010894708A CN 112037196 A CN112037196 A CN 112037196A
- Authority
- CN
- China
- Prior art keywords
- length
- bar
- tail
- image
- cooling bed
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000002372 labelling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General 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)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种冷床倍尺长度检测方法、系统及介质，包括：获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度；根据所述尾部长度获取对应棒材的倍尺长度，当所述倍尺长度超出预设范围时，反馈异常信息；本发明基于图像深度学习模型识别倍尺长度异常，可有效提高检测的及时性和准确性，保证生产安全。
Description
技术领域
本发明涉及智能冶金领域，尤其涉及一种冷床倍尺检测方法、系统及介质。
背景技术
棒材倍尺长度是指规定棒材长度的两倍的长度,是一种在固定规格要求下的棒材长度称谓。在热轧棒材轧制生产线中，对于棒材倍尺长度的检测是棒材生产线的咽喉，与棒材生产工艺结合非常紧密，其性能是否优良，运行是否可靠对整个生产线的作业率和产品收得率有着至关重要的影响。目前，对于棒材倍尺长度的检测主要是在冷床倍尺尾部设置传感器来进行的，传感器对冷床倍尺尾部进行感知获得生成长度信号，但由于生产环境的多尘、复杂，而使得传感器获得信号的稳定性、及时性和准确性受到影响，引发长度信号的缺失、中断或者错误，造成严重的生产事故。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种冷床倍尺检测方法、系统及介质，主要解决传统检测方法检测准确性不高的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种冷床倍尺长度检测方法，包括：
获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度；
根据所述尾部长度获取对应棒材的倍尺长度，当所述倍尺长度超出预设范围时，反馈异常信息。
可选地，还包括：根据棒材的长度设置一个或多个图像采集装置，用于采集所述冷床上指定区域内一根或多根棒材尾部图像；其中，所述图像采集装置采集图像的方向与所述棒材在所述冷床上的长度方向垂直。
可选地，获取在所述图像对应区域棒材的尾部长度之前：
通过所述棒材识别模型，识别一根或多个棒材的矩形边框；
通过所述矩形边框的对角坐标值计算对应棒材的尾部长度。
可选地，获取指定时间区间内冷床上棒材尾部的样本图像，并对所述样本图像采用矩形边框进行标注，构建训练样本集；
将所述训练样本集用于训练预设的神经网络，获取所述棒材识别模型。
可选地，所述预设的神经网络包括以下至少之一：SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
可选地，根据所述尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示所述图像采集装置的像素点，Length表示所述矩形边框中棒材尾部的长度。
一种冷床倍尺长度检测系统，包括：
尾部识别模块，用于获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度；
长度检测模块，用于根据所述尾部长度获取对应棒材的倍尺长度，当所述倍尺长度超出预设范围时，反馈异常信息。
可选地，一个或多个图像采集装置，用于采集所述冷床上指定区域内一根或多根棒材尾部图像；其中，所述图像采集装置采集图像的方向与所述棒材在所述冷床上的长度方向垂直；所述图像采集装置与所述尾部识别模块连接。
可选地，所述尾部识别模块包括尾部计算单元，用于获取在所述图像对应区域棒材的尾部长度之前：
通过所述棒材识别模型，识别一根或多个棒材的矩形边框；
通过所述矩形边框的对角坐标值计算对应棒材的尾部长度。
可选地，所述长度检测模块包括倍尺计算单元，所述倍尺计算单元与所述尾部计算单元连接；所述倍尺计算单元用于根据所述尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示所述图像采集装置的像素点，Length表示所述矩形边框中棒材尾部的长度。
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，使得设备执行所述的冷床倍尺长度检测方法。
如上所述，本发明一种冷床倍尺长度检测方法、系统及介质，具有以下有益效果。
通过图像识别模型对棒材倍尺长度进行检测，可有效提升棒材倍尺长度检测的稳定性、及时性和准确性。
附图说明
图1为本发明一实施例中冷床倍尺长度检测方法的流程图。
图2为本发明一实施例中冷床倍尺长度检测系统的模块图。
图3为本发明一实施例中倍尺长度示意图。
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。
请参阅图1，本发明提供冷床倍尺长度检测方法，包括步骤S01-02。
在步骤S01中，获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度：
在一实施例中，根据棒材的长度设置一个或多个图像采集装置，用于采集冷床上指定区域内一根或多根棒材尾部图像；其中，图像采集装置采集图像的方向与棒材在冷床上的长度方向垂直。图像采集装置可采用工业相机。具体地，请参阅图2，在倍尺长度尾部位置设置相机，相机的设置方式为将相机与棒材方向垂直放置，使得在相机获取画面中能够完全包含N个棒材的尾部，相机固定后，相机的图像采集范围相对于冷床也是固定的。此时，可将相机获取画面中远离棒材尾部的一侧位置到倍尺齐头的垂直距离记为X。
图像标注，制作数据集，训练棒材识别模型的方法为：
在特定工业场景下拍摄获得棒材尾部图像，并进行图像标注；具体地，可使用图像标注工具的矩形选框标出钢筋尾部图像中的位置制作成棒材尾部图像数据集，
将棒材尾部图像数据集分为三部分：训练集、测试集、验证集；通过训练集的数据训练初始模型，并通过测试集和验证集中得数据对初始模型进行微调得到棒材识别模型。
另外，棒材尾部图像数据集中，图像标注后的棒材尾部训练集中，可用于训练的有效信息包括图像基础属性与标注信息。
图片基础属性包括：filename-文件名称，width-宽度，height-高度，depth-图像深度。
标注信息包括：xmin,ymin,xmax,ymax，分别代表棒材尾部的矩形边框在图像中的左上角横坐标、左上角纵坐标、右下角横坐标与右下角纵坐标；class，即棒材类别。
在一实施例中，通过预设的神经网络学习经过标注的棒材尾部样本图像中矩形边框内的棒材尾部的特征，最终得到棒材识别模型。其中，神经网络可采用SSD-MobileNet神经网络、R-CNN、Faster-RCNN、YOLO系列等。
矩形边框的坐标，输出格式与内容为：
该列表中的四个坐标分别对应矩形目标框的左上、左下、右下、右上点。Bandxmin,Bandymin分别为左上角点的横、纵坐标；Bandxmax,Bandymax分别为右下角点的横、纵坐标。
在步骤S02中，根据尾部长度获取对应棒材的倍尺长度，当倍尺长度超出预设范围时，反馈异常信息。
请参阅图3，根据尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示相机的像素点，Length表示矩形边框中棒材尾部的长度。
棒材在冷床中翻滚，容易引发翘曲或形变，通过检测棒材尾部图像进而计算棒材倍尺长度，当棒材发生翘曲或变形时，通过棒材识别模型得到的倍尺长度小于预设长度，或小于预设长度范围，则判断倍尺异常，可通过声光报警，通知操作人员技术处理。
在一实施例中，当棒材沿冷床辊道移动过程中出现卡顿时，通过棒材识别模型获取的倍尺长度可能大于预设长度范围，此时，可触发异常信息输出。
在一实施例中，本发明并不仅限于进行倍尺检测，也可进行三倍尺检测、多倍尺检测等，可根据实际应用需求设置相机位置采集棒材尾部图像，输入预训练的棒材识别模型进行检测。
请参阅图2，本实施例提供了一种冷床倍尺检测系统，通过指定区域设置的，用于执行前述方法实施例中所述的冷床倍尺检测方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，冷床倍尺检测系统包括尾部识别模块10和长度检测模块11；尾部识别模块10用于辅助执行前述方法实施例介绍的步骤S01；长度检测模块11用于辅助执行前述方法实施例介绍的步骤S02。
在一实施例中，一个或多个图像采集装置，用于采集冷床上指定区域内一根或多根棒材尾部图像；其中，图像采集装置采集图像的方向与棒材在冷床上的长度方向垂直；图像采集装置与尾部识别模块10连接。
可选地，所述尾部识别模块包括尾部计算单元，用于获取在所述图像对应区域棒材的尾部长度之前：
通过所述棒材识别模型，识别一根或多个棒材的矩形边框；
通过所述矩形边框的对角坐标值计算对应棒材的尾部长度。
可选地，所述长度检测模块包括倍尺计算单元，所述倍尺计算单元与所述尾部计算单元连接；所述倍尺计算单元用于根据所述尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示所述图像采集装置的像素点，Length表示所述矩形边框中棒材尾部的长度。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中冷床倍尺长度检测方法所包含步骤的指令(instructions)。
综上所述，本发明一种冷床倍尺长度检测方法、系统及介质，通过识别棒材尾部长度，结合相机采集图像范围计算倍尺长度，进而进行倍尺长度异常识别，可有效提高倍尺长度异常识别的准确性、及时性，保证生产安全，提高生产效率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
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 (11)
1.一种冷床倍尺长度检测方法，其特征在于，包括：
获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度；
根据所述尾部长度获取对应棒材的倍尺长度，当所述倍尺长度超出预设范围时，反馈异常信息。
2.根据权利要求1所述的冷床倍尺长度检测方法，其特征在于，还包括：根据棒材的长度设置一个或多个图像采集装置，用于采集所述冷床上指定区域内一根或多根棒材尾部图像；其中，所述图像采集装置采集图像的方向与所述棒材在所述冷床上的长度方向垂直。
3.根据权利要求1所述的冷床倍尺长度检测方法，其特征在于，获取在所述图像对应区域棒材的尾部长度之前：
通过所述棒材识别模型，识别一根或多个棒材的矩形边框；
通过所述矩形边框的对角坐标值计算对应棒材的尾部长度。
4.根据权利要求1所述的冷床倍尺长度检测方法，其特征在于，获取指定时间区间内冷床上棒材尾部的样本图像，并对所述样本图像采用矩形边框进行标注，构建训练样本集；
将所述训练样本集用于训练预设的神经网络，获取所述棒材识别模型。
5.根据权利要求4所述的冷床倍尺长度检测方法，其特征在于，所述预设的神经网络包括以下至少之一：SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
6.根据权利要求1至5任一所述的冷床倍尺长度检测方法，其特征在于，根据所述尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示所述图像采集装置的像素点，Length表示所述矩形边框中棒材尾部的长度。
7.一种冷床倍尺长度检测系统，其特征在于，包括：
尾部识别模块，用于获取冷床上棒材尾部图像，并输入预设的棒材识别模型，获取在所述图像对应区域棒材的尾部长度；
长度检测模块，用于根据所述尾部长度获取对应棒材的倍尺长度，当所述倍尺长度超出预设范围时，反馈异常信息。
8.根据权利要求7所述的冷床倍尺长度检测系统，其特征在于，还包括，一个或多个图像采集装置，用于采集所述冷床上指定区域内一根或多根棒材尾部图像；其中，所述图像采集装置采集图像的方向与所述棒材在所述冷床上的长度方向垂直；所述图像采集装置与所述尾部识别模块连接。
9.根据权利要求7所述的冷床倍尺长度检测系统，其特征在于，所述尾部识别模块包括尾部计算单元，用于获取在所述图像对应区域棒材的尾部长度之前：
通过所述棒材识别模型，识别一根或多个棒材的矩形边框；
通过所述矩形边框的对角坐标值计算对应棒材的尾部长度。
10.根据权利要求7至9任一所述的冷床倍尺长度检测系统，其特征在于，所述长度检测模块包括倍尺计算单元，所述倍尺计算单元与所述尾部计算单元连接；所述倍尺计算单元用于根据所述尾部长度获取对应棒材的倍尺长度的计算方式包括：
L＝X+K*Length
其中，L表示棒材倍尺长度，X表示采集的图像远离所述棒材末端的一侧到倍尺齐头的垂直距离，K表示所述图像采集装置的像素点，Length表示所述矩形边框中棒材尾部的长度。
11.一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1-6中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894708.1A CN112037196A (zh) | 2020-08-31 | 2020-08-31 | 一种冷床倍尺检测方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894708.1A CN112037196A (zh) | 2020-08-31 | 2020-08-31 | 一种冷床倍尺检测方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112037196A true CN112037196A (zh) | 2020-12-04 |
Family
ID=73586563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010894708.1A Pending CN112037196A (zh) | 2020-08-31 | 2020-08-31 | 一种冷床倍尺检测方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037196A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1850380A (zh) * | 2006-05-19 | 2006-10-25 | 唐山钢铁股份有限公司 | 一种棒材生产中热倍尺剪切精度优化方法 |
| CN101983786A (zh) * | 2010-08-26 | 2011-03-09 | 武汉科技大学 | 一种棒材精整线分离板和制动板电机启动时间的在线模型 |
| CN109396195A (zh) * | 2018-11-13 | 2019-03-01 | 四川德胜集团钒钛有限公司 | 抗震钢筋头尾识别速降控制系统和控制方法 |
| CN209197789U (zh) * | 2018-04-11 | 2019-08-02 | 广东理工学院 | 基于cis的家居板尺寸检测装置 |
| CN110738642A (zh) * | 2019-10-08 | 2020-01-31 | 福建船政交通职业学院 | 基于Mask R-CNN的钢筋混凝土裂缝识别及测量方法及存储介质 |
| US20200074665A1 (en) * | 2018-09-03 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Object detection method, device, apparatus and computer-readable storage medium |
| 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 |
| CN111307039A (zh) * | 2020-03-06 | 2020-06-19 | 珠海随变科技有限公司 | 一种物体长度识别方法、装置、终端设备和存储介质 |
-
2020
- 2020-08-31 CN CN202010894708.1A patent/CN112037196A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1850380A (zh) * | 2006-05-19 | 2006-10-25 | 唐山钢铁股份有限公司 | 一种棒材生产中热倍尺剪切精度优化方法 |
| CN101983786A (zh) * | 2010-08-26 | 2011-03-09 | 武汉科技大学 | 一种棒材精整线分离板和制动板电机启动时间的在线模型 |
| CN209197789U (zh) * | 2018-04-11 | 2019-08-02 | 广东理工学院 | 基于cis的家居板尺寸检测装置 |
| US20200074665A1 (en) * | 2018-09-03 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Object detection method, device, apparatus and computer-readable storage medium |
| CN109396195A (zh) * | 2018-11-13 | 2019-03-01 | 四川德胜集团钒钛有限公司 | 抗震钢筋头尾识别速降控制系统和控制方法 |
| CN110738642A (zh) * | 2019-10-08 | 2020-01-31 | 福建船政交通职业学院 | 基于Mask R-CNN的钢筋混凝土裂缝识别及测量方法及存储介质 |
| 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 |
| CN111307039A (zh) * | 2020-03-06 | 2020-06-19 | 珠海随变科技有限公司 | 一种物体长度识别方法、装置、终端设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| SHEELU ABRAHAM等: "Detection of bars in galaxies using a deep convolutional neural network", 《MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY》 * |
| 卓宝明: "棒材成品倍尺飞剪及相关设备的控制", 《江苏冶金》 * |
| 张克鹏: "轧钢线倍尺功能及其优化", 《中国仪器仪表》 * |
| 张振亚: "基于机器视觉的圆钢自动定尺测长系统", 《河北冶金》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪系统及方法 | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
| CN109190628A (zh) | 一种基于机器视觉的板材镰刀弯检测方法 | |
| US11763463B2 (en) | Information processing apparatus, control method, and program | |
| CN110991360B (zh) | 一种基于视觉算法的机器人巡检点位智能配置方法 | |
| CN104792263A (zh) | 确定显示母板的待检测区域的方法和装置 | |
| CN112053333B (zh) | 一种基于机器视觉的方坯检测方法、系统、设备及介质 | |
| CN104331693A (zh) | 一种印刷品对称性检测方法及系统 | |
| CN110570422A (zh) | 一种基于矩阵分析的胶囊缺陷视觉检测方法 | |
| CN112017210A (zh) | 目标物体跟踪方法及装置 | |
| CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
| CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
| CN113536895A (zh) | 一种圆盘指针表计识别方法 | |
| CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
| TW202331655A (zh) | 標籤完整度自適應檢測方法及系統 | |
| CN116993804B (zh) | 一种基于lsm算法的箍筋尺寸检测方法及系统 | |
| 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 | |
| CN112053336B (zh) | 一种棒材对齐检测方法、系统、设备及介质 | |
| CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
| CN112037196A (zh) | 一种冷床倍尺检测方法、系统及介质 | |
| CN112037198A (zh) | 一种热轧棒材定支分离检测方法、系统、介质及终端 | |
| CN117557637A (zh) | 基于Mark点标记的动态飞拍高精度定位方法和装置 | |
| CN114581447B (zh) | 一种基于机器视觉的运输皮带跑偏识别方法和装置 | |
| CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
| CN113344905B (zh) | 一种带材跑偏量检测方法及系统 |
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 |
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. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
| RJ01 | Rejection of invention patent application after publication |