CN112053336B - 一种棒材对齐检测方法、系统、设备及介质 - Google Patents
一种棒材对齐检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112053336B CN112053336B CN202010894688.8A CN202010894688A CN112053336B CN 112053336 B CN112053336 B CN 112053336B CN 202010894688 A CN202010894688 A CN 202010894688A CN 112053336 B CN112053336 B CN 112053336B
- Authority
- CN
- China
- Prior art keywords
- bar
- bars
- heads
- alignment detection
- detection method
- 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
-
- 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30108—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
- G06T2207/30204—Marker
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种棒材对齐检测方法、系统、设备及介质,所述的方法包括:采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;通过各个棒材的头部的位置信息确定是否处于对齐状态。通过摄像设备采集棒材图像,在该图像中对棒材的目标进行标注,将完成标注的棒材图像输入到识别网络中进行训练,获识别模型,进而通过识别模型对实时的棒材图像进行检测,获取各个棒材的头部的位置信息,依据该位置信息对棒材是否为对齐状态进行判定,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
技术领域
本发明涉及检测技术领域,特别是涉及一种棒材对齐检测方法、系统、设备及介质。
背景技术
在钢铁冶金流程的线材扎线环节中,需要将热轧扎线上运输的棒材头部进行对齐。为避免未对齐的棒材对正常生产造成影响,在热轧棒材产线精整区的定尺机辊道、精整区检查台输入辊道、以及精整区打捆轨道处,需要对棒材进行齐头检测。目前主要依赖人工检测,由于多条产线需要长时间运行,且设备往复运动、存在人身安全风险,若仅仅依靠人工识别,势必存在漏检、错检的情况,且导致热轧棒材齐头检测成本大幅度上升。
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棒材对齐检测方法、系统、设备及介质,用于解决现有技术中的棒材对齐检测不便的问题。
为实现上述目的及其他相关目的,本发明提供一种棒材对齐检测方法,包括:
采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
通过各个棒材的头部的位置信息确定是否处于对齐状态。
可选的,通过各个棒材的头部的位置信息确定是否处于对齐状态的步骤包括:
设定对齐阈值,分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值;
当所述第一坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,在分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值的步骤之后,还包括:
检测第一根棒材与最后一根棒材的头部在自身延伸方向上的坐标,并获取第二坐标差值;
当所述第二坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,通过各个棒材的位置信息确定是否处于对齐状态的步骤还包括:
设置棒材的头部的理想中心点坐标和对齐阈值;
通过棒材的头部的位置信息确定各个棒材的头部的实际中心点坐标,并获取实际中心点坐标与所述理想中心点坐标之间的第三坐标差值;
当所述第三坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,采集棒材图像的步骤包括:通过所述摄像设备在所述棒材的上方采集棒材图像。
可选的,通过所述识别模型对实时的棒材图像进行检测的步骤还包括:
在摄像设备的视场内设置感兴趣区域,将所述感兴趣区域与棒材的头部进行对比,判断棒材的头部是否进入所述感兴趣区域。
可选的,所述识别网络至少包括以下之一:SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
一种棒材对齐检测系统,包括:
采集模块,用于采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
判定模块,用于通过各个棒材的头部的位置信息确定是否处于对齐状态。
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,使得设备执行一个或多个所述的方法。
如上所述,本发明的棒材对齐检测方法、系统、设备及介质,具有以下有益效果:
通过摄像设备采集棒材图像,在该图像中对棒材的目标进行标注,将完成标注的棒材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棒材图像进行检测,获取各个棒材的头部的位置信息,依据该位置信息对棒材是否为对齐状态进行判定,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棒材图像的示意图。
图2显示为本发明实施例的棒材对齐检测方法示意图。
图3显示为本发明实施例的棒材对齐检测系统示意图。
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,本发明提供一种棒材对齐检测方法,包括:
S1:采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
S4:通过各个棒材的头部的位置信息确定是否处于对齐状态。通过摄像设备采集棒材图像,在该图像中对棒材的目标进行标注,将完成标注的棒材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棒材图像进行检测,获取各个棒材的头部的位置信息,依据该位置信息对棒材是否为对齐状态进行判定,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。
对在特定工业场景下拍摄获得的热轧棒材图像进行图像标注,并使用图像标注工具的矩形选框标出热轧棒材在棒材图像中的位置、记录下目标框的位置信息并制作成棒材的数据集,并将其分为三部分:训练集、测试集、验证集,用训练集的数据训练棒材目标检测模型。
图像标注后棒材训练集可用于训练的有效信息包括图像基础属性与标注信息。图像基础属性有:filename-文件名称,width-宽度,height-高度,depth-图像深度。标注信息包括:Steel HeadPoint1,Steel HeadPoint2,Steel HeadPoint3,Steel HeadPoint4,分别代表棒材目标框在图像中的左上角坐标、左下角坐标、右上角坐标与右下角坐标;class,即目标物体的类别。
在一些实施过程中,通过各个棒材的头部的位置信息确定是否处于对齐状态的步骤包括:
设定对齐阈值,分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值;
当所述第一坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。通过不断地对比相邻两根棒材的头部的位置信息,确定相邻两根棒材的头部是否对齐,避免多根棒材的头部不能够对齐,进而未对齐的棒材在生产和运输中造成的安全生产事故。
为了避免连续对比相邻的棒材的头部造成的累计误差,而该累计误差逐渐增加造成多根棒材处于未对齐状态,分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值的步骤之后,还包括:
检测第一根棒材与最后一根棒材的头部在自身延伸方向上的坐标,并获取第二坐标差值;
当所述第二坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
在一些实施过程中,通过各个棒材的位置信息确定是否处于对齐状态的步骤还包括:
设置棒材的头部的理想中心点坐标和对齐阈值;
通过棒材的头部的位置信息确定各个棒材的头部的实际中心点坐标,并获取实际中心点坐标与所述理想中心点坐标之间的第三坐标差值;
当所述第三坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
在检测过程中,中心点坐标的数学表达为:
可选的,采集棒材图像的步骤包括:通过所述摄像设备在所述棒材的上方采集棒材图像。
可选的,通过所述识别模型对实时的棒材图像进行检测的步骤还包括:
在摄像设备的视场内设置感兴趣区域,将所述感兴趣区域与棒材的头部进行对比,判断棒材的头部是否进入所述感兴趣区域。
可选的,所述识别网络至少包括以下之一:SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
请参阅图3,本发明实施例还提供一种棒材对齐检测系统,包括:
采集模块,用于采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
判定模块,用于通过各个棒材的头部的位置信息确定是否处于对齐状态。
可选的,通过各个棒材的头部的位置信息确定是否处于对齐状态的步骤包括:
设定对齐阈值,分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值;
当所述第一坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,在分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值的步骤之后,还包括:
检测第一根棒材与最后一根棒材的头部在自身延伸方向上的坐标,并获取第二坐标差值;
当所述第二坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,通过各个棒材的位置信息确定是否处于对齐状态的步骤还包括:
设置棒材的头部的理想中心点坐标和对齐阈值;
通过棒材的头部的位置信息确定各个棒材的头部的实际中心点坐标,并获取实际中心点坐标与所述理想中心点坐标之间的第三坐标差值;
当所述第三坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
可选的,采集棒材图像的步骤包括:通过所述摄像设备在所述棒材的上方采集棒材图像。
可选的,通过所述识别模型对实时的棒材图像进行检测的步骤还包括:
在摄像设备的视场内设置感兴趣区域,将所述感兴趣区域与棒材的头部进行对比,判断棒材的头部是否进入所述感兴趣区域。
可选的,所述识别网络至少包括以下之一:SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
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)
1.一种棒材对齐检测方法,其特征在于,包括:
采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
通过各个棒材的头部的位置信息确定是否处于对齐状态。
2.根据权利要求1所述的棒材对齐检测方法,其特征在于,通过各个棒材的头部的位置信息确定是否处于对齐状态的步骤包括:
设定对齐阈值,分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值;
当所述第一坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
3.根据权利要求2所述的棒材对齐检测方法,其特征在于,在分别检测相邻两根棒材的头部在自身延伸方向上的坐标,并获取第一坐标差值的步骤之后,还包括:
检测第一根棒材与最后一根棒材的头部在自身延伸方向上的坐标,并获取第二坐标差值;
当所述第二坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
4.根据权利要求1所述的棒材对齐检测方法,其特征在于,通过各个棒材的位置信息确定是否处于对齐状态的步骤还包括:
设置棒材的头部的理想中心点坐标和对齐阈值;
通过棒材的头部的位置信息确定各个棒材的头部的实际中心点坐标,并获取实际中心点坐标与所述理想中心点坐标之间的第三坐标差值;
当所述第三坐标差值大于或者等于所述对齐阈值时,判定棒材处于未对齐状态。
5.根据权利要求1所述的棒材对齐检测方法,其特征在于,采集棒材图像的步骤包括:通过摄像设备在所述棒材的上方采集棒材图像。
6.根据权利要求1所述的棒材对齐检测方法,其特征在于,通过所述识别模型对实时的棒材图像进行检测的步骤还包括:
在摄像设备的视场内设置感兴趣区域,将所述感兴趣区域与棒材的头部进行对比,判断棒材的头部是否进入所述感兴趣区域。
7.根据权利要求1所述的棒材对齐检测方法,其特征在于,所述识别网络至少包括以下之一:SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO神经网络。
8.一种棒材对齐检测系统,其特征在于,包括:
采集模块,用于采集棒材图像,并对所述棒材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棒材图像进行检测,获取各个棒材的头部的位置信息;
判定模块,用于通过各个棒材的头部的位置信息确定是否处于对齐状态。
9.一种电子设备,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894688.8A CN112053336B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材对齐检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894688.8A CN112053336B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材对齐检测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053336A CN112053336A (zh) | 2020-12-08 |
CN112053336B true CN112053336B (zh) | 2023-05-26 |
Family
ID=73607575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894688.8A Active CN112053336B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材对齐检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053336B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN115598132A (zh) * | 2022-10-10 | 2023-01-13 | 东北大学(Cn) | 一种基于机器视觉的棒材计数及对齐检测的装置和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109250186A (zh) * | 2018-09-05 | 2019-01-22 | 四川知创知识产权运营有限公司 | 一种钢筋智能识别系统 |
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8143885B2 (en) * | 2008-10-30 | 2012-03-27 | Og Technologies, Inc. | Surface flaw detection and verification on metal bars by Eddy current testing and imaging system |
CA2780202C (en) * | 2012-06-19 | 2014-11-18 | Centre De Recherche Industrielle Du Quebec | Method and system for detecting the quality of debarking at the surface of a wooden log |
CN110032954B (zh) * | 2019-03-27 | 2021-05-14 | 中建三局第一建设工程有限责任公司 | 一种钢筋智能识别与计数方法及系统 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN111311670B (zh) * | 2020-02-19 | 2023-09-19 | 中冶赛迪信息技术(重庆)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 |
CN111452045B (zh) * | 2020-03-30 | 2024-01-30 | 北京伟景智能科技有限公司 | 一种基于立体视觉的钢筋识别标记系统和方法 |
CN111539938B (zh) * | 2020-04-26 | 2022-12-16 | 中冶赛迪信息技术(重庆)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 |
-
2020
- 2020-08-31 CN CN202010894688.8A patent/CN112053336B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN109250186A (zh) * | 2018-09-05 | 2019-01-22 | 四川知创知识产权运营有限公司 | 一种钢筋智能识别系统 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112053336A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053336B (zh) | 一种棒材对齐检测方法、系统、设备及介质 | |
CN110621984B (zh) | 用于改进质量检查的方法和系统 | |
CN113378952A (zh) | 一种皮带机跑偏检测方法、系统、介质和终端 | |
CN112348791B (zh) | 基于机器视觉的废钢智能检判方法、系统、介质及终端 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
CN111325069B (zh) | 产线数据处理方法、装置、计算机设备和存储介质 | |
JPWO2010008074A1 (ja) | 木材の管理システム | |
CN112053333B (zh) | 一种基于机器视觉的方坯检测方法、系统、设备及介质 | |
CN112233120B (zh) | 一种基于点云数据处理的脱方检测方法及系统 | |
CN112288716A (zh) | 一种钢卷打捆状态检测方法、系统、终端及介质 | |
CN112052696B (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 | |
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 | |
JP6908445B2 (ja) | 変化検出装置及び鉄道設備部品の保守管理方法 | |
CN112037194B (zh) | 一种冷床乱钢检测方法、系统、设备及介质 | |
JP6960252B2 (ja) | 画像分析装置及び鉄道設備部品の保守管理方法 | |
CN102609804A (zh) | 管道管理方法 | |
CN112036232A (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN112053339B (zh) | 一种基于机器视觉的棒材成品库行车安全监测方法、装置及设备 | |
CN112037195B (zh) | 一种棒材长度异常的检测方法、系统、设备及介质 | |
CN112037199A (zh) | 热轧棒材收集完成辊道落料检测方法、系统、介质及终端 | |
CN107403429B (zh) | 一种周期序列图像模型参数的快速自动获取方法 | |
CN114819821A (zh) | 货物出库校验方法、装置、计算机设备和存储介质 | |
CN112053335B (zh) | 一种热轧棒材重叠检测方法、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 | |
CN114821444A (zh) | 一种基于视觉感知的无人天车作业区域安全检测方法 |
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: 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 |