CN112712077B - 一种钢流轮廓确定方法、系统、终端及介质 - Google Patents

一种钢流轮廓确定方法、系统、终端及介质 Download PDF

Info

Publication number
CN112712077B
CN112712077B CN202011609097.8A CN202011609097A CN112712077B CN 112712077 B CN112712077 B CN 112712077B CN 202011609097 A CN202011609097 A CN 202011609097A CN 112712077 B CN112712077 B CN 112712077B
Authority
CN
China
Prior art keywords
steel flow
image
steel
determining
profile
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
Application number
CN202011609097.8A
Other languages
English (en)
Other versions
CN112712077A (zh
Inventor
庞殊杨
毛尚伟
贾鸿盛
张超杰
李语桐
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 CN202011609097.8A priority Critical patent/CN112712077B/zh
Publication of CN112712077A publication Critical patent/CN112712077A/zh
Application granted granted Critical
Publication of CN112712077B publication Critical patent/CN112712077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种钢流轮廓确定方法、系统、终端及介质，该方法包括获取样本钢流图像，生成若干张样本钢流子图像，提取样本钢流子图像中的钢流特征并训练分类器，获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像，通过训练后的分类器对钢流块图像进行识别，确定各钢流块图像中的感兴趣区域，及各感兴趣区域的位置信息，根据位置信息确定待识别钢流图像中的钢流轮廓，可以有效的确定钢流轮廓，不再依赖于人工识别，提升了生产效率，安全性高，降低了对作业现场工人的身体健康的潜在风险，提升了钢流轮廓的确定准确性。

Description

一种钢流轮廓确定方法、系统、终端及介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种钢流轮廓确定方法、系统、终端及介质。
背景技术
在转炉出钢过程中，准确识别钢流图像，是确保从转炉中倒出的钢流是否准确倒入炉下钢包车中是一个至关重要的环节。如果不能准确识别钢流图像，可能会造成钢流没有准确倒入炉下钢包车中，进而造成转炉中的钢水泄露，毁坏现场设备，影响生产效率，重则引发安全事故。
在传统的转炉出钢系统中，钢流的图像往往通过作业现场工人借助防护眼镜来目测得到，这样一方面重度依赖于人工识别，生产效率低，安全性差，另一方面，存在影响作业现场工人的身体健康的潜在风险。
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钢流轮廓确定方法、系统、终端及介质，用于解决过传统方法中对于钢流图像依赖于人工识别，生产效率低、安全性差、存在影响作业现场工人身体健康的潜在风险的技术问题。
针对于上述问题，本发明提供了一种钢流轮廓确定方法，包括：
获取样本钢流图像，生成若干张样本钢流子图像，提取所述样本钢流子图像中的钢流特征并训练分类器；
获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像；
通过训练后的分类器分别对各所述钢流块图像进行识别，确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息；
根据所述位置信息确定所述待识别钢流图像中的钢流轮廓。
可选的，一个钢流块图像与相邻的钢流块图像存在重叠。
可选的，所述根据所述位置信息确定所述待识别钢流图像中的钢流轮廓包括：
分别根据各所述位置信息分别在所述待识别钢流图像中确定若干张所述感兴趣区域内的图像，并作为目标钢流图像；
将各所述目标钢流图像分别进行图像预处理，生成若干张黑白钢流图像；
根据各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓。
可选的，所述将各所述目标钢流图像分别进行图像预处理之后，生成若干张黑白钢流图像之前，还包括：
对经过图像预处理后的所述目标钢流图像进行中值滤波处理。
可选的，将所述目标钢流图像进行图像预处理包括，将所述目标钢流图像中的像素点的初始灰度值归一化为目标灰度值，所述目标灰度值的确定方式包括，
Figure BDA0002874202860000021
其中，dst(i,j)为目标钢流图像中的像素点归一化后的目标灰度值，src(i,j)为目标钢流图像中的像素点的初始灰度值，min(src(x,y))为目标钢流图像中最小灰度值，max(src(x,y))为目标钢流图像中最大灰度值，[min，max]为灰度值归一化的预设灰度值区间。
可选的，将所述目标钢流图像进行图像预处理还包括，根据所述目标灰度值确定黑白像素值，所述黑白像素值的确定方式包括，
Figure BDA0002874202860000022
其中，dst(x,y)为黑白像素值，255为白色像素值，0为黑色像素值，dst(i,j)为目标灰度值，thresh为预设像素阈值。
可选的，所述根据处理后的各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓包括：
获取若干个构成所述白色图像轮廓中轮廓像素点的横坐标值和纵坐标值；
根据所述横坐标值和所述纵坐标值将各所述轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点，确定所述钢流轮廓。
可选的，还包括：
根据钢流轮廓确定所述钢流的预判落点范围，并对应调整钢包车位置。
本发明还提供了一种钢流轮廓确定系统，包括：
训练模块，用于获取样本钢流图像，生成若干张样本钢流子图像，提取所述样本钢流子图像中的钢流特征并训练分类器；
生成模块，用于获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像；
识别模块，用于通过训练后的分类器分别对各所述钢流块图像进行识别，确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息；
确定模块，用于根据所述位置信息确定所述待识别钢流图像中的钢流轮廓。
本发明还提供了一种终端，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述任一项实施例所述的钢流轮廓确定方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序用于使所述计算机执行如上述任一项实施例所述的钢流轮廓确定方法。
如上所述，本发明提供的一种钢流轮廓确定方法、系统、终端及介质，具有以下有益效果：
通过获取样本钢流图像，生成若干张样本钢流子图像，提取样本钢流子图像中的钢流特征并训练分类器，获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像，通过训练后的分类器对钢流块图像进行识别，确定各钢流块图像中的感兴趣区域，及各感兴趣区域的位置信息，根据位置信息确定待识别钢流图像中的钢流轮廓，可以有效的确定钢流轮廓，不再依赖于人工识别，提升了生产效率，安全性高，降低了对作业现场工人的身体健康的潜在风险，提升了钢流轮廓的确定准确性。
附图说明
图1为本发明实施例一提供的钢流轮廓确定方法的一种流程示意图；
图2为本发明实施例一提供的训练样本的一种示意图；
图3为本发明实施例一提供的对待识别钢流图像沿钢流延伸方向分割成若干张钢流块图像的一种示意图；
图4为本发明实施例一提供的一种将各钢流块图像还原到待识别钢流图像中的位置示意图；
图5为本发明实施例一提供的对待识别钢流图像沿钢流延伸方向分割成若干张钢流块图像的另一种示意图；
图6为一张钢流块图像经训练后的分类器识别得到钢流的识别框的一种示例图；
图7为本发明实施例一提供的钢轮轮廓的一种示例图；
图8为本发明实施例一提供的黑白钢流图像的一种示例图；
图9为对图8中的黑白钢流图像进行中值滤波处理后的图像示意图；
图10为本发明实施例一提供的钢轮轮廓的另一种示例图；
图11为本发明实施例二提供的钢流轮廓确定系统的一种结构示意图；
图12为本发明实施例二提供的终端的一种结构示意图。
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，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。
实施例一
请参阅图1，本发明实施例提供的一种钢流轮廓确定方法，包括：
S101：获取样本钢流图像，生成若干张样本钢流子图像，提取样本钢流子图像中的钢流特征并训练分类器。
可选的，样本钢流图像可以通过预先在转炉出钢生产线上，用相机采集一系列清晰的钢流图像取得。
可选的，根据获取到的样本钢流图像生成若干张样本钢流子图像的方式包括但不限于如下方式：
将各样本钢流图像分割生成若干张预设尺寸的样本钢流子图像，该样本钢流子图像的至少两个相对的边缘包括钢流。
可选的，预设尺寸的大小可以由本领域技术人员根据需要进行设定，在此不做限定。
可选的，样本钢流图像可以存在若干张，至少一部分样本钢流图像中的钢流流动状态存在差异。这样可以尽可能使得样本更加全面，丰富。
可选的，相邻的样本钢流子图像在对应的样本钢流图像上可以存在重叠区域，也可以完全不重叠，在此不做限定。
可选的，并对所述钢流图像进行随机分割操作，作为级联分类器训练集样本。
可选的，对样本钢流图像进行随机分割操作，样本钢流图像尺寸大(Width1,Height1)，分割后样本钢流子图像尺寸大小为(Widthset1,Heightset1)。其中，Widthset1，Heightset1为根据，样本钢流图像尺寸大小进行设置的阈值，也即，Widthset1小于Width1，Heightset1小于Height1。
可选的，所述分割后的样本钢流子图像的上下边缘需为钢流，即分割后的样本钢流子图像为的完整钢流图像中的一段钢流块。
可选的，将根据若干张样本钢流图像生成若干张样本钢流子图像作为训练样本，参见图2，图2为训练样本的一种示意图，这些样本钢流子图像包括多种钢流形态，有助于后续对于分类器的训练，使得训练后的分类器的适用性准确信更佳。
在一些实施例中，通过对若干张样本钢流子图像进行归一化处理提取所述样本钢流子图像中的钢流特征等方式处理，得到训练集，基于该训练集对分类器进行训练，可以得到可用可以将输入的钢流图像中钢流所在位置作为感兴趣区域的分类器模型。
可选的，该分类器包括级联分类器。
S102：获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像。
在一些实施例中，钢流块图像的生成方式包括：
将待识别钢流图像沿钢流延伸方向分割成若干张钢流块图像，一个钢流块图像与相邻的其他钢流块图像存在重叠。
可选的，钢流延伸方向可以取钢流的大致延伸方向，包括但不限于从上到下或从左到右的等。
可选的，通常来说，钢流成像后，钢流在图像中的亮度较高，因此可以基于对待识别钢流图像进行初步亮度分布分析，获取亮度较高的像素点的分布情况，进而可以确定钢流延伸方向。
可选的，参见图3，钢流延伸方向为从上到下(图中未示出)，图3为对待识别钢流图像300沿钢流延伸方向分割成若干张钢流块图像301的一种示意图，其中，钢流块图像的宽度与待识别钢流图像的宽度一致，均为Width，各钢流块图像的高度与待识别钢流图像的高度一致，均为Heightset，且小于待识别钢流图像的高度Height。
需要说明的是，钢流块图像的宽度与待识别钢流图像的宽度一致时，一个钢流块图像与其相邻的钢流块图像的宽边重合，图3中右侧的多个钢流块图像为侧视图。
可选的，继续参见图3，各钢流块图像301均与相邻的钢流块图像301存在一定区域的重叠。
需要说明的是，若钢流块图像的宽度小于待识别钢流图像的宽度，则可以通过图像识别的方式，识别图像中亮度分布，沿较亮区域的延伸方向作为该钢流块图像的所在区域。
在一些实施例中，参见图4，以钢流在待识别钢流图像中的钢流(图中曲线所示)为从左上到右下为例，取钢流的延伸方向取从上到下，以从左到右的长度作为宽度，若钢流块图像的宽度小于待识别钢流图像的宽度，此时，各钢流块图像401还原到待识别钢流图像400中的位置可以参见图4所示。
可选的，继续参见图4，若钢流块图像为长方形，各钢流块图像的上下边缘皆存在钢流。当然，钢流块图像也可以是正方形等其他图形，在此不做限定。
可选的，相邻两张钢流块图像在宽度方向存在1/2宽度的重叠。例如，参见图5，待识别图像500尺寸大小为(width2，height2)，分割为N张尺寸大小为(width2，heightset2)竖直向上的钢流块图像501，相邻两张钢流块图像在高度有
Figure BDA0002874202860000061
的重合处，即N的数学表达式为：
Figure BDA0002874202860000062
可选的，钢流块图像的尺寸大于或等于样本钢流子图像的尺寸。以样本钢流子图像为长方形图像为例，钢流块图像的长、宽的尺寸大于或等于样本钢流子图像的长、宽尺寸。
S103：通过训练后的分类器分别对各钢流块图像进行识别，确定各钢流块图像中的感兴趣区域，及各感兴趣区域的位置信息。
可选的，感兴趣区域的位置信息可以通过钢流块图像中钢流的识别框所在的位置确定。
可选的，感兴趣区域也即钢流块图像中，钢流所在的区域，可以通过识别框来具象呈现。
请参见图6，图6为一张钢流块图像600经训练后的分类器识别得到钢流的识别框601，若该识别框为长方形，则可以取该识别框的对角(A和B，或C和D)的所在位置作为钢流块的位置信息，也可以取该识别框的至少三个定角所在位置作为感兴趣区域的位置信息。
可选的，识别框也可以是其他形状，以能够标识该识别框位置的信息作为钢流块的位置信息。例如，识别框为圆形，以识别框的圆心所在位置以及半径作为该钢流块的位置信息。
S104：根据位置信息确定待识别钢流图像中的钢流轮廓。
可选的，若位置信息至少包括识别框的左上角和右下角的坐标位置，则将各钢流块所对应的左上角坐标位置连线作为钢流的左侧轮廓，将各钢流块所对应的右上角坐标位置连线作为钢流的右侧轮廓。
可选的，若位置信息缺少识别框的左上角、右下角的坐标位置中任意一个，可以根据相关技术手段将其他顶点的位置信息换算得到缺少的顶点坐标位置，具体的换算方式可以根据识别框的形状特征进行确定，在此不做限定。
可选的，钢流块图像所对应的识别框顶点的位置信息与待识别钢流图像中的位置信息可以是基于同一个坐标系，也可以是基于不同的坐标系，在确定钢流轮廓时，可以将钢流块图像所对应的坐标系下的位置信息换算到待识别钢流图像对应的坐标系下的位置信息，进而实现基于待识别钢流图像对应的坐标系确定钢流轮廓。
参见图7，将多个钢流块图像对应的识别框(图中的方框)还原到待识别钢流图像700中，形成的钢流的左侧轮廓(左侧的黑色直线)和钢流的右侧轮廓(右侧的黑色直线)。
在一些实施例中，根据位置信息确定待识别钢流图像中的钢流轮廓包括：
分别根据各位置信息分别在待识别钢流图像中确定若干张感兴趣区域内的图像，并作为目标钢流图像；
将各目标钢流图像依次分别进行图像预处理，生成若干张黑白钢流图像；
根据各黑白钢流图像中白色图像轮廓确定待识别钢流图像中的钢流轮廓。
可选的，继续参见图7，根据各位置信息分别在待识别钢流图像中确定若干张感兴趣区域内的图像，并作为目标钢流图像可以理解为：
根据位置信息确定该位置信息对应的识别框在待识别钢流图像中位置，识别框如图7中多个白色正方形方框所示，识别框区域内的图像也即目标钢流图像。
可选的，识别框在待识别钢流图像中的位置的确定方式包括：
[flowxmin,flowymin+0.5n×Heightset3,flowxmax,flowymax+0.5n×Heightset3]  公式(2)
其中，flowxmin,flowymin,flowxmax,flowymax分别表示识别框的左下角横坐标、左下角纵坐标、右上角横坐标与右上角纵坐标；Heightset3为钢流块图像的高度；n为该识别框对应的钢流块位于待识别钢流图像中从下到上的第n张图像。
可选的，可选的，图像预处理包括但不限于灰度处理、二值化处理，一个待识别钢流图像中包括若干个目标钢流图像，可以分别对各个目标钢流图像进行灰度处理后，再分别进行二值化处理，也可以是对一个目标钢流图像依次进行灰度处理、二值化处理，再对另一个目标钢流图像依次进行灰度处理、二值化处理直到所有的目标钢流图像均处理完成。当然，将目标钢流图像依次进行灰度处理和二值化处理，生成黑白钢流图像的过程也可以是本领域技术人员认为可行的其他方式，在此不做限定。
参见图8，图8为对一张目标钢流图像依次进行灰度处理、二值化处理后,生成的黑白钢流图像800的一种示意图。可以根据黑白钢流图像800中白色图像轮廓801确定待识别钢流图像中的钢流轮廓。
将各目标钢流图像依次分别进行图像预灰度处理和二值化处理之后，生成若干张黑白钢流图像之前，还包括：
对经过灰度处理和二值化图像预处理后的目标钢流图像进行中值滤波处理。
可选的，将目标钢流图像依次进行灰度处理和二值化处理之后，生成黑白钢流图像之前，还包括：
对经过灰度处理和二值化处理后的目标钢流图像进行中值滤波处理。
参见图9，图9为对图8中的黑白钢流图像进行中值滤波处理后的图像示意图。通过对灰度处理及二值化处理后生成的黑白钢流图像进行中值滤波处理，使黑白钢流图像边缘平滑，进而确定得到的钢流轮廓更加稳定。
可选的，也可以将多个目标钢流图像整合形成整体目标钢流图像，也即，将在待识别钢流图像中的各识别框所在的区域结合在一起，该区域内的图像作为整体目标钢流图像，进而对该整体目标钢流图像依次进行灰度处理、二值化处理以及中值滤波处理，生成黑白钢流图像。
在一些实施例中，将目标钢流图像进行图像预处理包括：将目标钢流图像中的像素点的初始灰度值归一化为目标灰度值。
可选的，目标灰度值的确定方式包括，
Figure BDA0002874202860000081
其中，dst(i,j)为目标钢流图像中的像素点归一化后的目标灰度值，src(i,j)为目标钢流图像中的像素点的初始灰度值，min(src(x,y))为目标钢流图像中最小灰度值，max(src(x,y))为目标钢流图像中最大灰度值，[min，max]为灰度值归一化的预设灰度值区间。
可选的，预设灰度值区间[min，max]可以由本领域技术人员根据需要进行设定，在此不做限定。
在一些实施例中，将目标钢流图像进行图像预处理还包括：
根据目标灰度值确定黑白像素值。
可选的，黑白像素值的确定方式包括，
Figure BDA0002874202860000091
其中，dst(x,y)为黑白像素值，255为白色像素值，0为黑色像素值，dst(i,j)为目标灰度值，thresh为预设像素阈值，otherwise为其他，也即，dst(i,j)≤thresh。
也即，将目标灰度值大于预设像素阈值的像素点的像素值设定为255，其余的像素点设定为0，这样可以将目标钢流图像转化为黑白图像，方便后续钢流轮廓的判定，也减少了其他干扰。
在一些实施例中，中值滤波处理的过程为：用一个有(2n-1)个点的移动窗口，将窗口中心点的值用窗口内各点的中值代替。若(2n-1)个点的值分别为x1，x2，x3，x4……xn……x2n-1，则此窗口内的各点的中值为xn，用xn代替中心点的像素值。
可选的，钢流轮廓的确定方式可以通过确定构成黑白钢流图像白色图像的所有轮廓的像素点的点集，并根据所有像素点的纵坐标确定上下边缘的像素点，删除掉上下边缘的像素点，得到钢流轮廓对应的像素点。可选的，根据所有轮廓的点的纵坐标Contoursy，删除上下边缘轮廓，若轮廓所有点的纵坐标范围为[Contoursymin,Contoursymax],剔除Contoursy为最大值Contoursymax及最小值Contoursymin,的点，即剔除了上下边缘轮廓。这样可以避免由于上下边缘轮廓的干扰，使得钢流轮廓的确定出现异常。
在一些实施例中，根据处理后的各黑白钢流图像中白色图像轮廓确定待识别钢流图像中的钢流轮廓包括：
获取若干个构成白色图像轮廓中轮廓像素点的横坐标值和纵坐标值；
根据横坐标值和纵坐标值将各轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点，确定钢流轮廓。
可选的，为使得钢流轮廓的确定更加准确，可以尽可能的获取更多的轮廓像素点的横坐标值和纵坐标值。例如，可以获取全部构成白色图像轮廓中轮廓像素点的横坐标值和纵坐标值，或者，可以按照一定规则间隔获取构成白色图像轮廓中轮廓像素点的横坐标值和纵坐标值。本领域技术人员还可以设定其他可行的轮廓像素点的横坐标值和纵坐标值的方式，在此不做限定。
可选的，轮廓像素点包括白色图像轮廓的左右边缘像素点，不包括白色图像轮廓的上下平齐的边缘像素点。可以通过遍历白色图像对应的各个像素点的坐标，以确定具有相同纵坐标不同横坐标的两个极值像素点作为轮廓像素点，也即，将具有相同纵坐标所对应的全部像素点集合的横坐标之中，最大横坐标和最小横坐标所对应的像素点作为轮廓像素点，若像素点集合中的横坐标均相等，则剔除该像素点，不讲该像素点作为轮廓像素点。当然，也可以将白色图像中各像素点的纵坐标的最大值所对应的各像素点剔除、白色图像中各像素点的纵坐标的最小值所对应的各像素点也剔除后，再确定轮廓像素点。
可选的，也可以通过黑白钢流图像中，黑色图像的黑轮廓像素点的横坐标值、纵坐标值来确定右钢流轮廓像素点和左钢流轮廓像素点，进而确定钢流轮廓，其方法与上述通过白色图像的轮廓像素点确定钢流轮廓的方式类似，在此不再赘述。本领域技术人员可以根据需要选取合适的方案。
可选的，根据横坐标值和纵坐标值将各轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点包括：
若相同纵坐标值对应至少两个轮廓像素点，将横坐标值小于标志值的轮廓像素点作为左钢流轮廓像素点，将横坐标值大于标志值的轮廓像素点作为右钢流轮廓像素点，标志值根据相同纵坐标值对应的各轮廓像素点的横坐标值确定。
可选的，根据取值精度的不同，可能存在若干个轮廓像素点具有相同的纵坐标值，但对应多个横坐标值。由于钢流在待识别钢流图像中成像时具有一定宽度，因此，可以通过计算各具有相同纵坐标值的轮廓像素点的横坐标值的平均值作为标志值，将横坐标值小于标志值的轮廓像素点作为左钢流轮廓像素点，将横坐标值大于标志值的轮廓像素点作为右钢流轮廓像素点。需要说明的是，若存在超出预设像素点阈值数量的轮廓像素点具有相同的纵坐标、不同的横坐标，且横坐标数值呈连续状态，则这些轮廓像素点构成了黑白钢流图像中钢流的上下边缘，是由于人为对待识别钢流图像分割造成的，由于我们需要确定的实质上是钢流的左右边缘轮廓，因此可以将这些轮廓像素点的数据全部剔除。
可选的，有可能获取到的某一轮廓像素点A的纵坐标值与其他轮廓像素点的纵坐标值均不相同，此时可以通过确定与该轮廓像素点A对应的目标轮廓像素点对，根据轮廓像素点A的横坐标值，目标轮廓像素点对的横坐标值来确定轮廓像素点A是右钢流轮廓像素点，还是左钢流轮廓像素点。其中，目标轮廓像素点对为具有相同纵坐标，不同横坐标的轮廓像素点B和轮廓像素点C，可以通过判断轮廓像素点A与轮廓像素点B和轮廓像素点C哪一个更为接近，进而根据轮廓像素点B和轮廓像素点C所归属右钢流轮廓像素点，还是左钢流轮廓像素点来确定轮廓像素点A的归属。例如，轮廓像素点A的位置信息为(10,15)，对应的轮廓像素点B的位置信息为(8,14)和轮廓像素点C(14,14)，此时，轮廓像素点B为左钢流轮廓像素点，且轮廓像素点A与轮廓像素点B更为接近，因此轮廓像素点A为左钢流轮廓像素点。需要说明的是，轮廓像素点B的纵坐标值与轮廓像素点A的纵坐标值之间的差值处于预设范围。若轮廓像素点A的纵坐标值与轮廓像素点B的纵坐标值相差太多，将可能会造成较大的误差，影响最终钢流轮廓的确定。其中，预设范围可以由本领域技术人员根据需要进行设定，在此不再赘述。
可选的，根据横坐标值和纵坐标值将各轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点包括：
分别获取各轮廓像素点中最大纵坐标值和最小纵坐标值，并将最大纵坐标值对应的轮廓像素点剔除，将最小纵坐标值对应的轮廓像素点剔除；
对所述剔除后各轮廓像素点进行右钢流轮廓像素点和左钢流轮廓像素点区分。可选的，对所述剔除后各轮廓像素点进行右钢流轮廓像素点和左钢流轮廓像素点区分包括：
每个轮廓像素点的横坐标为xn，计算全部n个轮廓像素点的横坐标的平均值
Figure BDA0002874202860000111
若
Figure BDA0002874202860000112
则该轮廓像素点为左钢流轮廓像素点；
若
Figure BDA0002874202860000113
则该轮廓像素点为右钢流轮廓像素点。
可选的，确定钢流轮廓包括：
对左钢流轮廓像素点进行直线拟合，生成钢流左侧轮廓；
对右钢流轮廓像素点进行直线拟合，生成钢流右侧轮廓。
可选的，参见图10，图10为一种钢轮轮廓的示意图。其中，左侧线条为钢流左侧轮廓，右侧线条为钢流右侧轮廓。
在一些实施例中，钢流轮廓确定方法还包括：
根据钢流轮廓确定钢流的预判落点范围，并对应调整钢包车位置。
可选的，可以通过构成钢流轮廓的各轮廓像素点的横坐标值和纵坐标值拟合得到钢流左侧轮廓曲线和钢流右侧轮廓曲线，进而确定落点范围。
可选的，在根据钢流轮廓确定钢流的预判落点范围之后，对应调整钢包车位置之前，还包括：
提示钢包车调整策略。
可选的，钢包车调整策略包括但不限于调整方向、调整距离等。
通过根据钢流轮廓确定钢流的预判落点范围，并对应调整钢包车位置可以实现自动根据钢流位置调整钢包车位置，不再需要工人人工操作，可以提升工作效率，节约人力成本，同时也能有效的保护作业现场工作人员的身体健康。
本发明实施例提供了一种钢流轮廓确定方法，包括获取样本钢流图像，生成若干张样本钢流子图像，提取所述样本钢流子图像中的钢流特征并训练分类器，获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像，通过训练后的分类器分别对各所述钢流块图像进行识别，确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息，根据所述位置信息确定所述待识别钢流图像中的钢流轮廓，可以有效的确定钢流轮廓，不再依赖于人工识别，提升了生产效率，安全性高，降低了对作业现场工人的身体健康的潜在风险，提升了钢流轮廓的确定准确性。
实施例二
请参阅图11，一种钢流轮廓确定系统1000，包括：
训练模块1001，用于获取样本钢流图像，生成若干张样本钢流子图像，提取样本钢流子图像中的钢流特征并训练分类器；
生成模块1002，用于获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像；
识别模块1003，用于通过训练后的分类器分别对各钢流块图像进行识别，确定确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息；
确定模块1004，用于根据位置信息确定待识别钢流图像中的钢流轮廓。
在本实施例中，该钢流轮廓确定系统实质上是设置了多个模块用以执行上述实施例中的钢流轮廓确定方法，具体功能和技术效果参照上述实施例一即可，此处不再赘述。
参见图6，本发明实施例还提供了一种终端1100，包括处理器1101、存储器1102和通信总线1103；
通信总线1103用于将处理器1101和存储器连接1102；
处理器1101用于执行存储器1102中存储的计算机程序，以实现如上述实施例一中的任一个所述的钢流轮廓确定方法。
本发明实施例还提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
计算机程序用于使计算机执行如上述实施例一中的任一项所述的钢流轮廓确定方法。
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实施例一所包含步骤的指令(instructions)。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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 (9)

1.一种钢流轮廓确定方法，其特征在于，包括：
获取样本钢流图像，生成若干张样本钢流子图像，提取所述样本钢流子图像中的钢流特征并训练分类器；
获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像；
通过训练后的分类器分别对各所述钢流块图像进行识别，确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息；
根据所述位置信息确定所述待识别钢流图像中的钢流轮廓，所述根据所述位置信息确定所述待识别钢流图像中的钢流轮廓包括，分别根据各所述位置信息分别在所述待识别钢流图像中确定若干张所述感兴趣区域内的图像，并作为目标钢流图像；将各所述目标钢流图像分别进行图像预处理，生成若干张黑白钢流图像；根据各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓；
其中，所述根据处理后的各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓包括，获取若干个构成所述白色图像轮廓中轮廓像素点的横坐标值和纵坐标值；根据所述横坐标值和所述纵坐标值将各所述轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点，确定所述钢流轮廓。
2.根据权利要求1所述的钢流轮廓确定方法，其特征在于，
一个钢流块图像与相邻的钢流块图像存在重叠。
3.根据权利要求1所述的钢流轮廓确定方法，其特征在于，所述将各所述目标钢流图像分别进行图像预处理之后，生成若干张黑白钢流图像之前，还包括：
对经过图像预处理后的所述目标钢流图像进行中值滤波处理。
4.根据权利要求1所述的钢流轮廓确定方法，其特征在于，
将所述目标钢流图像进行图像预处理包括，将所述目标钢流图像中的像素点的初始灰度值归一化为目标灰度值，所述目标灰度值的确定方式包括，
Figure FDA0003956214690000011
其中，dst(i,j)为目标钢流图像中的像素点归一化后的目标灰度值，src(i,j)为目标钢流图像中的像素点的初始灰度值，min(src(x,y))为目标钢流图像中最小灰度值，max(src(x,y))为目标钢流图像中最大灰度值，[min，max]为灰度值归一化的预设灰度值区间。
5.根据权利要求4所述的钢流轮廓确定方法，其特征在于，
将所述目标钢流图像进行图像预处理还包括，根据所述目标灰度值确定黑白像素值，所述黑白像素值的确定方式包括，
Figure FDA0003956214690000021
其中，dst(x,y)为黑白像素值，255为白色像素值，0为黑色像素值，dst(i,j)为目标灰度值，thresh为预设像素阈值。
6.根据权利要求1或2任一项所述的钢流轮廓确定方法，其特征在于，还包括：
根据钢流轮廓确定所述钢流的预判落点范围，并对应调整钢包车位置。
7.一种钢流轮廓确定系统，其特征在于，包括：
训练模块，用于获取样本钢流图像，生成若干张样本钢流子图像，提取所述样本钢流子图像中的钢流特征并训练分类器；
生成模块，用于获取待识别钢流图像，并沿钢流延伸方向分割生成若干张钢流块图像；
识别模块，用于通过训练后的分类器分别对各所述钢流块图像进行识别，确定各所述钢流块图像中的感兴趣区域，及各所述感兴趣区域的位置信息；
确定模块，用于根据所述位置信息确定所述待识别钢流图像中的钢流轮廓，所述根据所述位置信息确定所述待识别钢流图像中的钢流轮廓包括，分别根据各所述位置信息分别在所述待识别钢流图像中确定若干张所述感兴趣区域内的图像，并作为目标钢流图像；将各所述目标钢流图像分别进行图像预处理，生成若干张黑白钢流图像；根据各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓；其中，所述根据处理后的各所述黑白钢流图像中白色图像轮廓确定所述待识别钢流图像中的钢流轮廓包括，获取若干个构成所述白色图像轮廓中轮廓像素点的横坐标值和纵坐标值；根据所述横坐标值和所述纵坐标值将各所述轮廓像素点分为右钢流轮廓像素点和左钢流轮廓像素点，确定所述钢流轮廓。
8.一种终端，其特征在于，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求1-6中任一个所述的钢流轮廓确定方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序用于使所述计算机执行如权利要求1-6中任一项所述的钢流轮廓确定方法。
CN202011609097.8A 2020-12-30 2020-12-30 一种钢流轮廓确定方法、系统、终端及介质 Active CN112712077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011609097.8A CN112712077B (zh) 2020-12-30 2020-12-30 一种钢流轮廓确定方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609097.8A CN112712077B (zh) 2020-12-30 2020-12-30 一种钢流轮廓确定方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN112712077A CN112712077A (zh) 2021-04-27
CN112712077B true CN112712077B (zh) 2023-04-07

Family

ID=75547230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609097.8A Active CN112712077B (zh) 2020-12-30 2020-12-30 一种钢流轮廓确定方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN112712077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674302B (zh) * 2021-08-26 2024-03-05 中冶赛迪信息技术(重庆)有限公司 一种皮带机料面偏移识别方法、系统、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN103048329A (zh) * 2012-12-11 2013-04-17 北京恒达锦程图像技术有限公司 一种基于主动轮廓模型的路面裂缝检测方法
GB201710692D0 (en) * 2017-07-04 2017-08-16 Daimler Ag Inspection system and method for automatic visual inspection of a motor vehicle
CN111753692A (zh) * 2020-06-15 2020-10-09 珠海格力电器股份有限公司 目标对象提取方法、产品检测方法、装置、计算机和介质
CN112085721A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于人工智能的水淹车定损方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102585216B1 (ko) * 2017-12-14 2023-10-05 삼성전자주식회사 영상 인식 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN103048329A (zh) * 2012-12-11 2013-04-17 北京恒达锦程图像技术有限公司 一种基于主动轮廓模型的路面裂缝检测方法
GB201710692D0 (en) * 2017-07-04 2017-08-16 Daimler Ag Inspection system and method for automatic visual inspection of a motor vehicle
CN111753692A (zh) * 2020-06-15 2020-10-09 珠海格力电器股份有限公司 目标对象提取方法、产品检测方法、装置、计算机和介质
CN112085721A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于人工智能的水淹车定损方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Segmentation and recognition of vocalized outlines in Pitman shorthand;M. Yang 等;《Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004》;20040920;1-4 *
一种改进的转炉出钢下渣检测方法及其应用;陈灵光 等;《钢铁研究学报》;20121130;第24卷(第11期);56-62 *
基于机器视觉的钢流夹渣检测方法的研究;邢炜光;《中国优秀硕士学位论文全文数据库信息科技辑》;20140715(第(2014)07期);I138-769 *

Also Published As

Publication number Publication date
CN112712077A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN110502983B (zh) 一种检测高速公路中障碍物的方法、装置及计算机设备
CN110210440B (zh) 一种表格图像版面分析方法及系统
CN111507411B (zh) 一种图像比对的方法及系统
CN112329782A (zh) 一种原料粒度确定方法、系统、终端及介质
CN111460988A (zh) 一种违规行为识别方法及装置
CN112686264A (zh) 数字式仪表读数方法、装置、计算机设备和存储介质
CN111062331A (zh) 图像的马赛克检测方法、装置、电子设备及存储介质
CN112712077B (zh) 一种钢流轮廓确定方法、系统、终端及介质
CN111899270A (zh) 卡片边框检测方法、装置、设备及可读存储介质
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN113592839B (zh) 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
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
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
CN105844260A (zh) 一种多功能智能清洁机器人装置
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN112668564B (zh) 一种车位图智能识别系统
CN113315995B (zh) 提高视频质量的方法、装置、可读存储介质及电子设备
CN115471650A (zh) 一种气体压力仪表读数方法、装置、设备及介质
CN112733841B (zh) 钢卷内部紊乱判断方法、系统、设备及介质
CN115272852A (zh) 一种输电线路保护区隐患识别方法、设备及介质
CN115731458A (zh) 一种遥感影像的处理方法、装置和电子设备
CN105933698A (zh) 一种智能卫星数字电视节目播放质量检测系统
CN115984806B (zh) 道路标线破损动态检测系统

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
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