CN112749735A - 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 - Google Patents

基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 Download PDF

Info

Publication number
CN112749735A
CN112749735A CN202011607685.8A CN202011607685A CN112749735A CN 112749735 A CN112749735 A CN 112749735A CN 202011607685 A CN202011607685 A CN 202011607685A CN 112749735 A CN112749735 A CN 112749735A
Authority
CN
China
Prior art keywords
flow
steel flow
steel
image
deep learning
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
CN202011607685.8A
Other languages
English (en)
Other versions
CN112749735B (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 CN202011607685.8A priority Critical patent/CN112749735B/zh
Publication of CN112749735A publication Critical patent/CN112749735A/zh
Application granted granted Critical
Publication of CN112749735B publication Critical patent/CN112749735B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于深度学习的转炉出钢钢流识别方法、系统、介质及终端，方法包括：获取转炉出钢钢流原始图像信息，并进行标注，形成数据集；建立钢流目标检测模型，并根据数据集对钢流目标检测模型进行训练；将实时图像信息输入至训练后的模型，获取检测结果，检测结果包括是否存在钢流和存在钢流的位置信息；根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断；本发明中基于深度学习、卷积神经网络，再通过图像灰度值归一化、图像二值化等图像处理方法，能够有效地识别图像中钢流的位置信息，并将判断钢流流向及倾斜程度，将钢流位置传输给控制系统，本发明避免了人工参与，提高了生产效率与识别的准确率。

Description

基于深度学习的转炉出钢钢流识别方法、系统、介质及终端
技术领域
本发明涉及钢铁冶炼领域及图像处理领域，尤其涉及一种基于深度学习的转炉出钢钢流识别方法、系统、介质及终端。
背景技术
在转炉出钢过程中，判断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。如果钢流没有准确倒入炉下钢包车中，会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，该过程由现场工人戴上防护眼镜从转炉边上的控制室窗口探出头去目测钢包车与钢流落点的相对位置，进而控制钢包车在指定方向上的移动，使得钢流能够倒入钢包车中。
但是，人工监控的方式效率较低，安全性低，，因此，需要一种新的监控方式，能够有效地识别图像中钢流的位置信息，并将判断钢流流向及倾斜程度，将钢流位置传输给控制系统，避免人工参与，从而实现提高生产效率与识别的准确率。
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深度学习的转炉出钢钢流识别方法、系统、介质及终端，以解决上述技术问题。
本发明提供的基于深度学习的转炉出钢钢流识别方法，包括：
获取转炉出钢钢流原始图像信息，并对所述原始图像信息进行标注，形成数据集；
建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；
将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
可选的，在转炉出钢生产线上采集到的钢流原始图像信息进行标注，框选出钢流图像中钢流的具体位置，并记录所框选的目标框的位置信息制作为所述数据集，并将所述数据集分为训练集、测试集、验证集，对所述钢流目标检测模型进行训练。
可选的，标注的目标框的位置信息包括钢流的目标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；检测结果中的钢流的位置信息包括：
[flowxmin,flowymin,flowxmax,flowymax]
其中，flowxmin,flowymin,flowxmax,flowymax分别为识别到的结果框的左下角横坐标、左下角纵坐标、右上角横坐标与右上角纵坐标；
根据钢流位置信息在原图中切割出钢流图像，切割后图像的大小为[flowxmax-flowxmin，flowymax-flowymin]。
可选的，对所述切割出钢流图像进行图像处理，获取钢流的图像特征，所述图像处理包括灰度值归一化，所述灰度值归一化通过如下方式：
Figure BDA0002872243730000021
其中，dst(i,j)为图像中每个像素点归一化后的灰度值，src(i,j)为原始图像每个像素点的灰度值，min(src(x,y))为原始图像中最小灰度值，max(src(x,y))为原始图像中最大灰度值[min,max]为灰度值归一化的指定区间。
可选的，所述图像处理还包括对灰度值归一化处理后的图像进行图像二值化处理，所述图像二值化通过如下方式：
Figure BDA0002872243730000022
其中，dst(x,y)为二值化阈值计算后的像素值，255为白色像素值，0为黑色像素值，src(x,y)为待处理原像素值，thresh为所设阈值。
可选的，若点(flowxmin,flowymin)以及点(flowxmax,flowymax)的灰度值为0，则判定钢流在目标框内的倾斜方向为从右上至左下；
若点(flowxmin,flowymax)以及点(flowxmax,flowymin)的灰度值为0，则判定钢流目标框内的倾斜方向为从左上至右下；
根据钢流的倾斜方向获取倾斜程度，进而完成钢流流向判断。
可选的，所述倾斜程度通过如下方式获取，
若钢流在目标框内从右上至左下倾斜，倾斜程度K表示为：
Figure BDA0002872243730000023
若钢流在目标框内从左上至右下倾斜，倾斜程度K表示为：
Figure BDA0002872243730000024
本发明还提供一种基于深度学习的转炉出钢钢流识别系统，包括：
图像采集模块，用于获取转炉出钢钢流原始图像信息和实时图像信息；
图像标注模块，用于对所述原始图像信息进行标注，形成数据集；
图像检测模块，用于建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
流向判断模块，用于根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
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，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：本发明中的基于深度学习的转炉出钢钢流识别方法、系统、介质及终端，基于深度学习、卷积神经网络，再通过图像灰度值归一化、图像二值化等图像处理方法，能够有效地识别图像中钢流的位置信息，并将判断钢流流向及倾斜程度，将钢流位置传输给控制系统，本发明避免了人工参与，提高了生产效率与识别的准确率。
附图说明
图1是本发明实施例中基于深度学习的转炉出钢钢流识别方法中转炉出钢钢流的场景示意图。
图2是本发明实施例中基于深度学习的转炉出钢钢流识别方法中切割出的钢流图像的示意图。
图3是本发明实施例中基于深度学习的转炉出钢钢流识别方法中经图像处理后的图像意图。
图4是本发明实施例中基于深度学习的转炉出钢钢流识别方法中钢流流向判断示意图。
图5是本发明实施例中基于深度学习的转炉出钢钢流识别方法的流程示意图。
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5所示，本实施例中的基于深度学习的转炉出钢钢流识别方法，包括：
S1.获取转炉出钢钢流原始图像信息，并对所述原始图像信息进行标注，形成数据集；
S2.建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；
S3.将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
S4.根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
在本实施例的步骤S1中，首先可以通过在转炉出钢生产线上设置相机，采集清晰的、有变化的钢流原始图像，如图1所示。本实施例中对在转炉出钢生产线上采集到的钢流图像进行标注，框选出钢流图像中钢流的具体位置，并记录所框选的目标框的位置信息制作为钢流图像的数据集，并将其分为训练集、测试集、验证集三部分，其中，训练集的数据用于训练钢流目标检测模型，并用于识别钢流。图像标注后可用于训练的标注信息为：objectxmin,objectymin,objectxmax,objectymax，分别代表每一个钢流的目标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。
在本实施例的步骤S2中，将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，检测结果包括是否存在钢流和存在钢流的位置信息。本实施例中的钢流目标检测模型是基于深度学习的卷积神经网络，例如SSD-MobileNet、R-CNN、Faster-RCNN与YOLO系列等。
在本实施例的步骤S3中，将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，检测结果包括是否存在钢流和存在钢流的位置信息。通过目标检测模型可以获得输入图像中所有的模型识别得到的钢流的状态信息，且存在钢流时，输出钢流的坐标位置信息。对目标检测模型检测到的钢流的位置坐标信息记录的内容及格式为：
[flowxmin,flowymin,flowxmax,flowymax]
其中，flowxmin,flowymin,flowxmax,flowymax分别表示每一个识别到的结果框的左下角横坐标、左下角纵坐标、右上角横坐标与右上角纵坐标。
在本实施例中，根据钢流位置信息在原图中切割出钢流图像，切割后图像的大小为[flowxmax-flowxmin，flowymax-flowymin]，如图2所示。再将切割后的图像进行图像处理，本实施例中的图像处理主要包括灰度值归一化及图像二值化处理，以提高钢流的图像特征，利于判断倾斜程度及钢流流向。具体地：
对目标检测模型识别所得的钢流图像进行灰度值归一化处理，使每张图像的灰度值归一化到指定区间[min,max],以确保图像二值化结果的准确性。图像灰度值归一化的表达式为：
Figure BDA0002872243730000051
其中，dst(i,j)为图像中每个像素点归一化后的灰度值，src(i,j)为原始图像每个像素点的灰度值，min(src(x,y))为原始图像中最小灰度值，max(src(x,y))为原始图像中最大灰度值[min,max]为灰度值归一化的指定区间。
再对灰度值归一化处理后的图像的每个像素点进行图像二值化处理，以提高钢流的图像特征。图像二值化处理的表达式为：
Figure BDA0002872243730000052
其中，dst(x,y)为二值化阈值计算后的像素值，255为白色像素值，0为黑色像素值，src(x,y)为待处理原像素值，thresh为所设阈值。经图像处理后所得的图像如图3所示。
在本实施例中，通过深度学习的模型检测得到的钢流位置信息及二值化后图像像素点灰度值，计算钢流目标框内的倾斜程度以判断钢流流向，如图4所示：
钢流位置信息为[flowxmin,flowymin,flowxmax,flowymax]，
若点(flowxmin,flowymin)以及点(flowxmax,flowymax)的灰度值为0，则钢流在目标框内的倾斜方向为从右上至左下；
若点(flowxmin,flowymax)以及点(flowxmax,flowymin)的灰度值为0，则钢流目标框内的倾斜方向为从左上至右下。
根据钢流的倾斜方向计算其倾斜程度，
若钢流在目标框内从右上至左下倾斜，倾斜程度K表示为：
Figure BDA0002872243730000061
若钢流在目标框内从左上至右下倾斜，倾斜程度K表示为：
Figure BDA0002872243730000062
相应的，本实施例还提供一种基于深度学习的转炉出钢钢流识别系统，包括：
图像采集模块，用于获取转炉出钢钢流原始图像信息和实时图像信息；
图像标注模块，用于对所述原始图像信息进行标注，形成数据集；
图像检测模块，用于建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
流向判断模块，用于根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
本实施例中的基于深度学习的转炉出钢钢流识别系统通过上述方法，能够有效地识别图像中钢流的位置信息，并将判断钢流流向及倾斜程度，将钢流位置传输给控制系统，避免了人工参与，提高了生产效率与识别的准确率。
本实施例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。
本实施例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：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存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种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，使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，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)

1.一种基于深度学习的转炉出钢钢流识别方法，其特征在于，包括：
获取转炉出钢钢流原始图像信息，并对所述原始图像信息进行标注，形成数据集；
建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；
将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
2.根据权利要求1所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，在转炉出钢生产线上采集到的钢流原始图像信息进行标注，框选出钢流图像中钢流的具体位置，并记录所框选的目标框的位置信息制作为所述数据集，并将所述数据集分为训练集、测试集、验证集，对所述钢流目标检测模型进行训练。
3.根据权利要求2所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，标注的目标框的位置信息包括钢流的目标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；检测结果中的钢流的位置信息包括：
[flowxmin，flowymin，flowxmax，flowymax]
其中，flowxmin，flowymin，flowxmax，flowymax分别为识别到的结果框的左下角横坐标、左下角纵坐标、右上角横坐标与右上角纵坐标；
根据钢流位置信息在原图中切割出钢流图像，切割后图像的大小为[flowxmax-flowxmin，flowymax-flowymin]。
4.根据权利要求3所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，对所述切割出钢流图像进行图像处理，获取钢流的图像特征，所述图像处理包括灰度值归一化，所述灰度值归一化通过如下方式：
Figure FDA0002872243720000011
其中，dst(i，j)为图像中每个像素点归一化后的灰度值，src(i，j)为原始图像每个像素点的灰度值，min(src(x，y))为原始图像中最小灰度值，max(src(x，y))为原始图像中最大灰度值[min，max]为灰度值归一化的指定区间。
5.根据权利要求4所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，所述图像处理还包括对灰度值归一化处理后的图像进行图像二值化处理，所述图像二值化通过如下方式：
Figure FDA0002872243720000021
其中，dst(x，y)为二值化阈值计算后的像素值，255为白色像素值，0为黑色像素值，src(x，y)为待处理原像素值，thresh为所设阈值。
6.根据权利要求5所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，
若点(flowxmin，flowymin)以及点(flowxmax，flowymax)的灰度值为0，则判定钢流在目标框内的倾斜方向为从右上至左下；
若点(flowxmin，flowymax)以及点(flowxmax，flowymin)的灰度值为0，则判定钢流目标框内的倾斜方向为从左上至右下；
根据钢流的倾斜方向获取倾斜程度，进而完成钢流流向判断。
7.根据权利要求6所述的基于深度学习的转炉出钢钢流识别方法，其特征在于，所述倾斜程度通过如下方式获取，
若钢流在目标框内从右上至左下倾斜，倾斜程度K表示为：
Figure FDA0002872243720000022
若钢流在目标框内从左上至右下倾斜，倾斜程度K表示为：
Figure FDA0002872243720000023
8.一种基于深度学习的转炉出钢钢流识别系统，其特征在于，
图像采集模块，用于获取转炉出钢钢流原始图像信息和实时图像信息；
图像标注模块，用于对所述原始图像信息进行标注，形成数据集；
图像检测模块，用于建立钢流目标检测模型，并根据所述数据集对钢流目标检测模型进行训练；将实时图像信息输入至训练后的钢流目标检测模型，获取检测结果，所述检测结果包括是否存在钢流和存在钢流的位置信息；
流向判断模块，用于根据所述钢流的位置信息，获取钢流倾斜程度，完成钢流流向判断。
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7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7中任一项所述方法。
CN202011607685.8A 2020-12-30 2020-12-30 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 Active CN112749735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011607685.8A CN112749735B (zh) 2020-12-30 2020-12-30 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011607685.8A CN112749735B (zh) 2020-12-30 2020-12-30 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端

Publications (2)

Publication Number Publication Date
CN112749735A true CN112749735A (zh) 2021-05-04
CN112749735B CN112749735B (zh) 2023-04-07

Family

ID=75649454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011607685.8A Active CN112749735B (zh) 2020-12-30 2020-12-30 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN112749735B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221827A (zh) * 2021-05-31 2021-08-06 中冶赛迪重庆信息技术有限公司 一种智能转炉火焰状态识别及复检方法、系统、介质和终端
CN113269759A (zh) * 2021-05-28 2021-08-17 中冶赛迪重庆信息技术有限公司 一种基于图像识别的钢卷信息检测方法、系统、介质和终端

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080264598A1 (en) * 2007-04-26 2008-10-30 Nucor Corporation Method and system for tracking and positioning continuous cast slabs
CN102181598A (zh) * 2011-03-04 2011-09-14 浙江大学 基于热图像的转炉出钢下渣预判及控制方法
CN102708356A (zh) * 2012-03-09 2012-10-03 沈阳工业大学 一种基于复杂背景下的车牌自动定位和识别方法
CN109214380A (zh) * 2018-09-12 2019-01-15 湖北民族学院 车牌倾斜校正方法
CN109308478A (zh) * 2018-09-26 2019-02-05 新华三信息安全技术有限公司 一种字符识别方法及装置
CN110020650A (zh) * 2019-03-26 2019-07-16 武汉大学 一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN110543822A (zh) * 2019-07-29 2019-12-06 浙江理工大学 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN110852233A (zh) * 2019-11-05 2020-02-28 上海眼控科技股份有限公司 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统
US20200134313A1 (en) * 2018-10-30 2020-04-30 Fujitsu Limited Detection method and detection device
CN111144322A (zh) * 2019-12-28 2020-05-12 广东拓斯达科技股份有限公司 一种分拣方法、装置、设备和存储介质
CN111507958A (zh) * 2020-04-15 2020-08-07 全球能源互联网研究院有限公司 目标检测方法、检测模型的训练方法及电子设备
CN111553950A (zh) * 2020-04-30 2020-08-18 中冶赛迪重庆信息技术有限公司 一种钢卷对中判断方法、系统、介质及电子终端
CN112037199A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 热轧棒材收集完成辊道落料检测方法、系统、介质及终端
CN112037194A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种冷床乱钢检测方法、系统、设备及介质
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

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080264598A1 (en) * 2007-04-26 2008-10-30 Nucor Corporation Method and system for tracking and positioning continuous cast slabs
CN102181598A (zh) * 2011-03-04 2011-09-14 浙江大学 基于热图像的转炉出钢下渣预判及控制方法
CN102708356A (zh) * 2012-03-09 2012-10-03 沈阳工业大学 一种基于复杂背景下的车牌自动定位和识别方法
CN109214380A (zh) * 2018-09-12 2019-01-15 湖北民族学院 车牌倾斜校正方法
CN109308478A (zh) * 2018-09-26 2019-02-05 新华三信息安全技术有限公司 一种字符识别方法及装置
US20200134313A1 (en) * 2018-10-30 2020-04-30 Fujitsu Limited Detection method and detection device
CN110020650A (zh) * 2019-03-26 2019-07-16 武汉大学 一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置
CN110543822A (zh) * 2019-07-29 2019-12-06 浙江理工大学 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN110852233A (zh) * 2019-11-05 2020-02-28 上海眼控科技股份有限公司 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统
CN111144322A (zh) * 2019-12-28 2020-05-12 广东拓斯达科技股份有限公司 一种分拣方法、装置、设备和存储介质
CN111507958A (zh) * 2020-04-15 2020-08-07 全球能源互联网研究院有限公司 目标检测方法、检测模型的训练方法及电子设备
CN111553950A (zh) * 2020-04-30 2020-08-18 中冶赛迪重庆信息技术有限公司 一种钢卷对中判断方法、系统、介质及电子终端
CN112037199A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 热轧棒材收集完成辊道落料检测方法、系统、介质及终端
CN112037194A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种冷床乱钢检测方法、系统、设备及介质
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 (4)

* Cited by examiner, † Cited by third party
Title
NARGES DIALAMI等: "Effect of the Tool Tilt Angle on the Heat Generation and the Material Flow in Friction Stir Welding", 《METALS》 *
SEUNG-JIN LEE等: "New Idea of Suppressing Free Surface Vortex During Tapping Liquid Steel from Converter", 《METALS AND MATERIALS INTERNATIONAL》 *
张宾: "转炉出钢注流目标跟踪系统设计与卷渣过程数值模拟", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
易剑松: "生产线钢坯实时检测识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269759A (zh) * 2021-05-28 2021-08-17 中冶赛迪重庆信息技术有限公司 一种基于图像识别的钢卷信息检测方法、系统、介质和终端
CN113221827A (zh) * 2021-05-31 2021-08-06 中冶赛迪重庆信息技术有限公司 一种智能转炉火焰状态识别及复检方法、系统、介质和终端

Also Published As

Publication number Publication date
CN112749735B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112633144A (zh) 人脸遮挡检测方法、系统、设备及存储介质
US11790499B2 (en) Certificate image extraction method and terminal device
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
CN111539938B (zh) 一种轧带钢带头曲度检测方法、系统、介质及电子终端
CN111340027A (zh) 一种堆钢识别方法、系统、电子设备及介质
CN112052730B (zh) 一种3d动态人像识别监控设备及方法
CN112085721A (zh) 基于人工智能的水淹车定损方法、装置、设备及存储介质
CN116259002A (zh) 一种基于视频的人体危险行为分析方法
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN112001336A (zh) 行人越界报警方法、装置、设备及系统
CN112308848A (zh) 一种废钢货车挡板状态识别方法、系统、电子设备及介质
CN112053333A (zh) 一种基于机器视觉的方坯检测方法、系统、设备及介质
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN112733841B (zh) 钢卷内部紊乱判断方法、系统、设备及介质
CN112634382B (zh) 一种非自然对象的图像识别、替换方法和装置
CN113284115B (zh) 一种钢卷塔形识别方法、系统、介质和终端
CN112686851B (zh) 一种图像检测方法、装置及存储介质
CN112967226A (zh) 一种基于人工智能的高反光制品检测系统、方法及介质
CN116883880B (zh) 一种基于ar技术的起重机识别方法、装置和电子设备
CN112233094B (zh) 一种基于图像处理的车钩托梁折断检测方法、系统及装置
CN117726239B (zh) 工程质量验收实测实量方法及系统
CN115713758B (zh) 一种车厢识别方法、系统、装置及存储介质
CN108510469A (zh) 一种腕臂检测方法及装置
CN112730427B (zh) 一种基于机器视觉的产品表面缺陷检测方法及系统

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
GR01 Patent grant
GR01 Patent grant