CN112348791A - 基于机器视觉的废钢智能检判方法、系统、介质及终端 - Google Patents
基于机器视觉的废钢智能检判方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN112348791A CN112348791A CN202011217985.5A CN202011217985A CN112348791A CN 112348791 A CN112348791 A CN 112348791A CN 202011217985 A CN202011217985 A CN 202011217985A CN 112348791 A CN112348791 A CN 112348791A
- Authority
- CN
- China
- Prior art keywords
- scrap
- steel
- detection model
- scrap steel
- training
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Abstract
本发明提供一种基于机器视觉的废钢智能检判方法、介质及终端,方法包括:获取废钢料卸料现场的图像数据;进行标注,形成数据集;建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;实时获取图像输入至训练后的模型,完成对废钢级别的判定;本发明在废钢料场这一特殊工作场景下,在废钢检验远程监控、料型图片自动抓拍后,自动进行废钢智能检判,极大的减少了员工的劳动强度,降低了废钢料型掺杂、减少杂质等混装问题,提高了检验及卸车速度,做到废钢检验公平公正、精准高效,使生产高智能,且具有较高的准确度和可靠性。
Description
技术领域
本发明涉及冶金领域和图像识别领域,尤其涉及一种基于机器视觉的废钢智能检判方法、系统、介质及终端。
背景技术
在钢铁冶炼废钢料场景中,废钢检验在钢铁冶炼过程中特别重要的一项操作。在进行卸料时,对废钢总数目,种类,尺寸(长、宽、厚),碎料百分比的信息汇总和废钢级别的判断,是工业生产线中的重要步骤。
在现有技术中,存在人工检测的方法。由于卸料过程时间长,使用人工检测,难度较大,不能保证识别的准确性,且相对低效。因此,实现废钢料场卸料状态的自动化识别尤为重要。
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机器视觉的废钢智能检判方法、介质及终端,以解决上述技术问题。
本发明提供的基于机器视觉的废钢智能检判方法,包括:
获取废钢料卸料现场的图像数据;
对所述图像数据中的废钢进行标注,形成数据集;
根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
可选的,所述数据集包括训练集、测试集和验证集,所述训练集包括用于进行废钢品种分类训练的第一训练集,通过训练集中的有效信息对第一检测模型进行训练,所述有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度,所述标注信息包括用于标注废钢品种的类别的第一标注信息。
可选的,所述训练集还包括用于进行废钢轮廓分割训练的第二训练集,通过所述训练集中的有效信息对第二检测模型进行训练,所述标注信息还包括第二标注信息,所述第二标注信息包括废钢轮廓关键点坐标、废钢厚度,将所述废钢厚度作为所述标注信息的标签,进而获得废钢长度和宽度。
可选的,所述训练集还包括用于进行碎料识别训练的第三训练集,通过训练集中的有效信息对第三检测模型进行训练,所述标注信息还包括第三标注信息,所述第三标注信息包括图中物体种类,所述物体种类包括碎料或非碎料。
本发明还提供一种基于机器视觉的废钢智能检判系统,包括:
图像采集模块,用于获取废钢料卸料现场的图像数据;
标注模块,用于对所述图像数据中的废钢进行标注,形成数据集;
模型搭建及训练模块,用于根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
输入输出模块,用于将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
可选的,所述数据集包括训练集、测试集和验证集,所述训练集包括用于进行废钢品种分类训练的第一训练集,通过训练集中的有效信息对第一检测模型进行训练,所述有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度,所述标注信息包括用于标注废钢品种的类别的第一标注信息。
可选的,所述训练集还包括用于进行废钢轮廓分割训练的第二训练集,通过所述训练集中的有效信息对第二检测模型进行训练,所述标注信息还包括第二标注信息,所述第二标注信息包括废钢轮廓关键点坐标、废钢厚度,将所述废钢厚度作为所述标注信息的标签,进而获得废钢长度和宽度。
可选的,所述训练集还包括用于进行碎料识别训练的第三训练集,通过训练集中的有效信息对第三检测模型进行训练,所述标注信息还包括第三标注信息,所述第三标注信息包括图中物体种类,所述物体种类包括碎料或非碎料。
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,其特征在于:所述计算机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:本发明中的基于机器视觉的废钢智能检判方法、系统、介质及终端,利用卷积神经网络与机器视觉,在废钢料场这一特殊工作场景下,实现了在废钢检验远程监控、料型图片自动抓拍后,自动进行废钢智能检判,极大的减少了员工的劳动强度,降低了废钢料型掺杂、减少杂质等混装问题,提高了检验及卸车速度,做到废钢检验公平公正、精准高效,使生产高智能,且具有较高的准确度和可靠性。
附图说明
图1是本发明实施例中基于机器视觉的废钢智能检判方法的流程示意图。
图2是本发明实施例中基于机器视觉的废钢智能检判方法的应用场景中相机架设位置示意图。
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,本实施例中的基于机器视觉的废钢智能检判方法,包括:
S1.获取废钢料卸料现场的图像数据;
S2.对所述图像数据中的废钢进行标注,形成数据集;
S3.根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
S4.将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
在本实施例中,首先获取废钢料卸料现场的图像数据,可以通过在废钢料场内设置相机,可选的,本实施例中在钢铁冶炼废钢料场相机布置方式为装有废钢料的卡车正上方,从上方进行拍摄,在从货车上卸下废钢料过程中,对废钢进行抓拍,如图2所示,获得n张废钢特写图片,制作图片分类模型数据集,对在特定场景下拍摄获得的不同种类废钢进行图像标注。对于不同品种的废钢,标注label为其各自的品种类别。数据集分为三部分:训练集、测试集、验证集,用训练集的数据训练图片分类模型。
本实施例中,搭建废钢品种分类模型,即第一检测模型,制作包含不同类别废钢图片数据集并进行模型训练,通过调用图废钢品种分类模型,获得废钢品种。搭建废钢轮廓分割模型,即第二检测模型,制作含废钢轮廓关键点坐标的数据集并训练模型;通过调用废钢轮廓分割模型,获得每张图片中每块废钢的长度,宽度,标签(label)为厚度。搭建碎料识别模型,及第三检测模型,进行训练,制作废钢碎料图片数据集制造并进行模型训练;通过调用第三检测模型,识别目标图像中是否含有废钢破碎料。对上述识别步骤所得所有参数,即n张废钢特写图片中废钢总数目,种类,尺寸(长、宽、厚),碎料百分比进行汇总,并判定废钢等级。本实施例中的检测模型为基于深度学习的卷积神经网络模型。
在本实施例中,图像标注后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。图片基础属性有:文件名称,宽度,高度,图像深度。搭建废钢品种分类模型时,第一标注信息包括为废钢品种的类别。本实施例中,废钢品种包括:工业重废、工业重废Ⅱ、优质重废、工业重废毛料、工业重废Ⅱ毛料、剪切料毛料、破碎废钢Ⅱ、普通打包用废钢Ⅰ、普通打包用废钢Ⅱ、钢包切割块、工业重废Ⅱ毛料、工业重废毛料、剪切料毛料、精选废钢Ⅰ毛料、精选毛料、破碎废钢Ⅱ、普通打包用废钢Ⅱ、普通打包用废钢Ⅰ、优质重废毛料、重废毛料和底部料。
在本实施例中,搭建废钢轮廓分割模型,制作含废钢轮廓关键点坐标的数据集并训练模型,对在特定场景下拍摄获得钢材图片进行图像标注,第二标注信息主要包括作为标签label的废钢厚度,废钢轮廓上的关键点。通过这些信息,可计算获得废钢长度,宽度和厚度。本实施例中的废钢的标签为厚度,对于每一块废钢,输出信息包括用于分类的厚度label,计算而得的长度和宽度,例如:
废钢1 label:thicknessAmin~thicknessAmax longth1 width1
废钢2 label:thicknessBmin~thicknessBmax longth2 width2
废钢3 label:thicknessBmin~thicknessBmax longth3 width3
在本实施例中,搭建碎料识别模型进行训练,制作废钢碎料图片数据集制造并进行模型训练;首先制作碎料识别模型数据集:对在特定场景下拍摄获得的钢材碎料图片进行图像标注。同样将其分为三部分:训练集、测试集、验证集,用训练集的数据训练卸料装置目标检测模型。图像标注后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。图片基础属性有:文件名称,宽度,高度,图像深度。第三标注信息包括标注信息为图上物体种类,分类为为碎料或非碎料。
在本实施例中,对上述识别步骤所得所有参数,即n张废钢特写图片中废钢总数目,种类,尺寸(长、宽、厚),碎料百分比进行汇总,并判定废钢等级。通过汇总可以得到n张废钢特写图片中,有m件废钢及其各自种类和尺寸(长、宽、厚),以及碎料百分比,进而完成对废钢的智能检判。
相应的,本实施例还提供一种基于机器视觉的废钢智能检判系统,包括:
图像采集模块,用于获取废钢料卸料现场的图像数据;
标注模块,用于对所述图像数据中的废钢进行标注,形成数据集;
模型搭建及训练模块,用于根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
输入输出模块,用于将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
在本实施例中,数据集包括训练集、测试集和验证集,训练集包括用于进行废钢品种分类训练的第一训练集,通过训练集中的有效信息对第一检测模型进行训练,有效信息包括图像基础属性和标注信息,图片基础属性包括文件名称、宽度、高度、图像深度,标注信息包括用于标注废钢品种的类别的第一标注信息。训练集还包括用于进行废钢轮廓分割训练的第二训练集,通过训练集中的有效信息对第二检测模型进行训练,标注信息还包括第二标注信息,第二标注信息包括废钢轮廓关键点坐标、废钢厚度,将废钢厚度作为所述标注信息的标签,进而获得废钢长度和宽度。训练集还包括用于进行碎料识别训练的第三训练集,通过训练集中的有效信息对第三检测模型进行训练,标注信息还包括第三标注信息,第三标注信息包括图中物体种类,物体种类包括碎料或非碎料。
本实施例中的基于机器视觉的废钢智能检判系统通过上述方法,对废钢图像数据进行处理,完成对废钢级别的判定。
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本实施例中的任一项方法。
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,以使所述终端执行本实施例中的任一项方法。
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为: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储存于一计算机可读储存介质中。该程序在执行时,执行包括上述个方法实施例的步骤;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,是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,除非另外规定,否则通过使用“第一”、“第二”等序号对共同的对象进行描述,只表示其指代相同对象的不同实例,而非是采用表示被描述的对象必须采用给定的顺序,无论是时间地、空间地、排序地或任何其他方式。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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 (10)
1.一种基于机器视觉的废钢智能检判方法,其特征在于,包括:
获取废钢料卸料现场的图像数据;
对所述图像数据中的废钢进行标注,形成数据集;
根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
2.根据权利要求1所述的基于机器视觉的废钢智能检判方法,其特征在于,所述数据集包括训练集、测试集和验证集,所述训练集包括用于进行废钢品种分类训练的第一训练集,通过训练集中的有效信息对第一检测模型进行训练,所述有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度,所述标注信息包括用于标注废钢品种的类别的第一标注信息。
3.根据权利要求2所述的基于机器视觉的废钢智能检判方法,其特征在于,所述训练集还包括用于进行废钢轮廓分割训练的第二训练集,通过所述训练集中的有效信息对第二检测模型进行训练,所述标注信息还包括第二标注信息,所述第二标注信息包括废钢轮廓关键点坐标、废钢厚度,将所述废钢厚度作为所述标注信息的标签,进而获得废钢长度和宽度。
4.根据权利要求3所述的基于机器视觉的废钢智能检判方法,其特征在于,所述训练集还包括用于进行碎料识别训练的第三训练集,通过训练集中的有效信息对第三检测模型进行训练,所述标注信息还包括第三标注信息,所述第三标注信息包括图中物体种类,所述物体种类包括碎料或非碎料。
5.一种基于机器视觉的废钢智能检判系统,其特征在于,包括:
图像采集模块,用于获取废钢料卸料现场的图像数据;
标注模块,用于对所述图像数据中的废钢进行标注,形成数据集;
模型搭建及训练模块,用于根据所述数据集建立废钢检测模型,并对其进行训练,获取训练后的废钢检测模型,所述废钢检测模型包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型;
输入输出模块,用于将实时获取的废钢料卸料现场的图像数据图像数据输入至所述训练后的废钢检测模型,根据模型输出结果,完成对废钢级别的判定。
6.根据权利要求5所述的基于机器视觉的废钢智能检判系统,其特征在于,所述数据集包括训练集、测试集和验证集,所述训练集包括用于进行废钢品种分类训练的第一训练集,通过训练集中的有效信息对第一检测模型进行训练,所述有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度,所述标注信息包括用于标注废钢品种的类别的第一标注信息。
7.根据权利要求6所述的基于机器视觉的废钢智能检判系统,其特征在于,所述训练集还包括用于进行废钢轮廓分割训练的第二训练集,通过所述训练集中的有效信息对第二检测模型进行训练,所述标注信息还包括第二标注信息,所述第二标注信息包括废钢轮廓关键点坐标、废钢厚度,将所述废钢厚度作为所述标注信息的标签,进而获得废钢长度和宽度。
8.根据权利要求7所述的基于机器视觉的废钢智能检判系统,其特征在于,所述训练集还包括用于进行碎料识别训练的第三训练集,通过训练集中的有效信息对第三检测模型进行训练,所述标注信息还包括第三标注信息,所述第三标注信息包括图中物体种类,所述物体种类包括碎料或非碎料。
9.一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:所述计算机程序被处理器执行时实现权利要求1至4中任一项所述方法。
10.一种电子终端,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4中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217985.5A CN112348791B (zh) | 2020-11-04 | 2020-11-04 | 基于机器视觉的废钢智能检判方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217985.5A CN112348791B (zh) | 2020-11-04 | 2020-11-04 | 基于机器视觉的废钢智能检判方法、系统、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348791A true CN112348791A (zh) | 2021-02-09 |
CN112348791B CN112348791B (zh) | 2023-03-14 |
Family
ID=74428703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011217985.5A Active CN112348791B (zh) | 2020-11-04 | 2020-11-04 | 基于机器视觉的废钢智能检判方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348791B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516637A (zh) * | 2021-06-23 | 2021-10-19 | 深圳市小绿人网络信息技术有限公司 | 一种基于图像自动识别废钢种类的方法及装置 |
CN113743210A (zh) * | 2021-07-30 | 2021-12-03 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法和废钢等级的识别方法 |
CN113810605A (zh) * | 2021-08-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 目标对象处理方法及装置 |
CN113834428A (zh) * | 2021-07-29 | 2021-12-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 金属体厚度识别方法、系统、存储介质及电子设备 |
CN114414580A (zh) * | 2022-03-30 | 2022-04-29 | 新极技术(北京)有限公司 | 一种废钢上杂质的识别及扣重方法 |
CN115070162A (zh) * | 2022-07-19 | 2022-09-20 | 中冶节能环保有限责任公司 | 一种大块废钢智能环保切割方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1126860A1 (ru) * | 1983-06-29 | 1984-11-30 | Днепропетровский горный институт им.Артема | Устройство дл автоматического контрол крупности дробленного материала |
JP2007313405A (ja) * | 2006-05-24 | 2007-12-06 | Hitachi Constr Mach Co Ltd | 破砕処理システム及び破砕処理方法 |
CN102809520A (zh) * | 2011-05-31 | 2012-12-05 | 中原特钢股份有限公司 | 一种实现废钢验级的密度自动测量系统和测量方法 |
US20140029991A1 (en) * | 2012-07-26 | 2014-01-30 | Ricoh Company, Ltd. | Control method, fixing device and image forming apparatus incorporating same |
CN104515810A (zh) * | 2014-12-21 | 2015-04-15 | 中国人民解放军装甲兵工程学院 | 一种激光熔覆再制造零件缺陷类型超声检测分析方法 |
CN106964571A (zh) * | 2017-04-27 | 2017-07-21 | 武汉理工大学 | 有色金属破碎料热成像分选装置 |
JP2018128902A (ja) * | 2017-02-09 | 2018-08-16 | 株式会社サカエ | 屑処理装置及びこれを用いた屑管理システム |
CN108549748A (zh) * | 2018-03-27 | 2018-09-18 | 上海市城市建设设计研究总院(集团)有限公司 | 基于catia的混凝土构件表面单线形钢筋的建模方法 |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
CN110108206A (zh) * | 2019-05-16 | 2019-08-09 | 东北大学 | 一种废钢评级建库系统及方法 |
US20190299255A1 (en) * | 2018-03-27 | 2019-10-03 | Huron Valley Steel Corporation | Vision and analog sensing scrap sorting system and method |
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN110961431A (zh) * | 2019-12-16 | 2020-04-07 | 中国恩菲工程技术有限公司 | 废钢在线破碎综合回收系统 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
CN111507391A (zh) * | 2020-04-13 | 2020-08-07 | 武汉理工大学 | 一种基于机器视觉的有色金属破碎料智能识别方法 |
AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
-
2020
- 2020-11-04 CN CN202011217985.5A patent/CN112348791B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1126860A1 (ru) * | 1983-06-29 | 1984-11-30 | Днепропетровский горный институт им.Артема | Устройство дл автоматического контрол крупности дробленного материала |
JP2007313405A (ja) * | 2006-05-24 | 2007-12-06 | Hitachi Constr Mach Co Ltd | 破砕処理システム及び破砕処理方法 |
CN102809520A (zh) * | 2011-05-31 | 2012-12-05 | 中原特钢股份有限公司 | 一种实现废钢验级的密度自动测量系统和测量方法 |
US20140029991A1 (en) * | 2012-07-26 | 2014-01-30 | Ricoh Company, Ltd. | Control method, fixing device and image forming apparatus incorporating same |
CN104515810A (zh) * | 2014-12-21 | 2015-04-15 | 中国人民解放军装甲兵工程学院 | 一种激光熔覆再制造零件缺陷类型超声检测分析方法 |
JP2018128902A (ja) * | 2017-02-09 | 2018-08-16 | 株式会社サカエ | 屑処理装置及びこれを用いた屑管理システム |
CN106964571A (zh) * | 2017-04-27 | 2017-07-21 | 武汉理工大学 | 有色金属破碎料热成像分选装置 |
US20190299255A1 (en) * | 2018-03-27 | 2019-10-03 | Huron Valley Steel Corporation | Vision and analog sensing scrap sorting system and method |
CN108549748A (zh) * | 2018-03-27 | 2018-09-18 | 上海市城市建设设计研究总院(集团)有限公司 | 基于catia的混凝土构件表面单线形钢筋的建模方法 |
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
CN110108206A (zh) * | 2019-05-16 | 2019-08-09 | 东北大学 | 一种废钢评级建库系统及方法 |
AU2020102091A4 (en) * | 2019-10-17 | 2020-10-08 | Wuhan University Of Science And Technology | Intelligent steel slag detection method and system based on convolutional neural network |
CN110961431A (zh) * | 2019-12-16 | 2020-04-07 | 中国恩菲工程技术有限公司 | 废钢在线破碎综合回收系统 |
CN111507391A (zh) * | 2020-04-13 | 2020-08-07 | 武汉理工大学 | 一种基于机器视觉的有色金属破碎料智能识别方法 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
Non-Patent Citations (5)
Title |
---|
HUANG G等: ""Densely Connected Convolutional Networks "", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
庞殊杨等: ""基于残差神经网络实现转炉火焰状态识别"", 《冶金自动化》 * |
张涛等: ""高炉-转炉工艺高废钢比冶炼实践"", 《河北冶金》 * |
张豫川等: ""中冶赛迪绿色电弧炉高效智能控制技术"", 《冶金自动化》 * |
秦海涛: ""安钢废钢验收方法的创新与实践"", 《河南冶金》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516637A (zh) * | 2021-06-23 | 2021-10-19 | 深圳市小绿人网络信息技术有限公司 | 一种基于图像自动识别废钢种类的方法及装置 |
CN113834428A (zh) * | 2021-07-29 | 2021-12-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 金属体厚度识别方法、系统、存储介质及电子设备 |
CN113743210A (zh) * | 2021-07-30 | 2021-12-03 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法和废钢等级的识别方法 |
CN113810605A (zh) * | 2021-08-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 目标对象处理方法及装置 |
CN114414580A (zh) * | 2022-03-30 | 2022-04-29 | 新极技术(北京)有限公司 | 一种废钢上杂质的识别及扣重方法 |
CN115070162A (zh) * | 2022-07-19 | 2022-09-20 | 中冶节能环保有限责任公司 | 一种大块废钢智能环保切割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112348791B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348791B (zh) | 基于机器视觉的废钢智能检判方法、系统、介质及终端 | |
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
US20140169639A1 (en) | Image Detection Method and Device | |
Schlüter et al. | Vision-based identification service for remanufacturing sorting | |
CN109815856A (zh) | 目标车辆的状态标记方法、系统和计算机可读存储介质 | |
CN111401162A (zh) | 渣土车违法审核方法、电子装置、计算机设备和存储介质 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
CN113688965B (zh) | 一种自动仓储扫码检测的方法和货物管理系统 | |
CN116593479B (zh) | 电池盖板外观质量检测方法、装置、设备及存储介质 | |
CN110929626A (zh) | 确定库存货物件数的方法、仓库盘点方法、装置及设备 | |
CN111950368A (zh) | 货运车辆监控方法、装置、电子设备和介质 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN114764770A (zh) | 晶圆检测方法、装置、设备及存储介质 | |
EP4197656A1 (en) | Scrap discrimination system and scrap discrimination method | |
CN111967473B (zh) | 基于图像分割和模板匹配的粮库仓储情况监测方法、设备和介质 | |
TWI777527B (zh) | 廢料判別系統及廢料判別方法 | |
CN115809982A (zh) | 电芯压伤检测方法、装置及系统 | |
CN110889395B (zh) | 基于机器学习的机械运动识别方法及系统 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN110728712B (zh) | 基于机器视觉的炉口定位方法、装置、存储介质及电子终端 | |
CN114022070A (zh) | 盘库方法、装置、设备及存储介质 | |
Tzou et al. | Detect safety net on the construction site based on YOLO-v4 | |
CN112329849A (zh) | 基于机器视觉的废钢料场卸料状态识别方法、介质及终端 | |
Ji et al. | A Computer Vision-Based System for Metal Sheet Pick Counting. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |