CN113034442B - 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 - Google Patents
一种基于缺陷分布图谱的热轧带钢表面质量分级方法 Download PDFInfo
- Publication number
- CN113034442B CN113034442B CN202110238250.9A CN202110238250A CN113034442B CN 113034442 B CN113034442 B CN 113034442B CN 202110238250 A CN202110238250 A CN 202110238250A CN 113034442 B CN113034442 B CN 113034442B
- Authority
- CN
- China
- Prior art keywords
- defect
- strip steel
- defects
- defect distribution
- detection
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于缺陷分布图谱的热轧带钢表面质量分级方法,属于智能检测技术领域。该方法利用热轧带钢表面缺陷检测系统的缺陷数据,绘制出单个缺陷类别、交叉易混缺陷类别等多种缺陷分布图谱,针对不同类别组合的缺陷分布图谱,依据其所具有的内部特征,可对应的采用置信度检测、直线检测、周期检测、聚类检测、分布特征检测等方式从缺陷分布图谱中寻找出供分级判断的关键特征,整合各缺陷分布图谱得到的关键特征,形成接近于人感知的上层分析模式图,实现数据的降维和降伪,通过结合钢种、规格、工艺参数等信息,针对性调整不同缺陷分布图谱中关键特征的等级标准,采用严重级别高掩盖严重级别低的原则,得到最终的带钢质量等级。
Description
技术领域
本发明涉及智能检测技术领域,特别是指一种基于缺陷分布图谱的热轧带钢表面质量分级方法。
背景技术
带钢生产过程中因来料、工艺、机械老化等问题会造成其表面产生很多缺陷。早期通过人工开卷的方式判断缺陷信息并进行记录,这种方式效率较慢且检测疏漏较多;近几年来,多采用基于机器视觉的表面检测设备进行缺陷检测,可实现对表面缺陷的全面记录,但仍无法摆脱人工参与,需要人工复查检测缺陷信息,再通过综合判断得到带钢等级,并确定钢卷是否需要封锁。
研究发现造成带钢不能自动判级的主要原因是目前的表面缺陷检测系统对于单个缺陷的识别率只能达到85%左右,通过单一缺陷的判级方式会直接受识别率低的影响,导致判级准确率不高,而且由于缺陷形态多样,各缺陷类别之间会存在互相混淆的情况,给自动分级带来了很大困难。
发明内容
本发明要解决的技术问题是提供一种基于缺陷分布图谱的热轧带钢表面质量分级方法,该方法利用热轧带钢表面缺陷检测系统的缺陷数据,绘制出单个缺陷类别、交叉易混缺陷类别等多种缺陷分布图谱,采用图像处理的方式对缺陷分布图谱进行信息挖掘,提取得到对于带钢分级起决定性作用的关键特征信息,进而实现带钢的自动分级。
该方法具体包括步骤如下:
(1)利用带钢表面缺陷检测数据,按单独类别、易混类别分别进行数据组合,针对每一种数据组合依据缺陷的横向位置、纵向位置在预先设定的全黑背景图像上绘制各个缺陷点,形成不同类别组合的缺陷分布图谱;
(2)针对不同类别组合的缺陷分布图谱,依据其所具有的内部特征(包括形态、灰度、周期性、长度、宽度、面积、连续性、分布情况等),对应的采用置信度检测、直线检测、周期检测、聚类检测、分布特征检测从缺陷分布图谱中寻找出供分级判断的关键特征;
(3)整合各缺陷分布图谱得到的关键特征,形成接近于人感知的上层分析模式图,实现数据的降维和降伪;
(4)结合钢种、规格、工艺参数(如除磷、带钢温度等)信息,针对性调整不同缺陷分布图谱中关键特征的等级标准,采用严重级别高掩盖严重级别低的原则,保留关键特征中严重级别最高的等级作为最终的带钢质量等级。
其中,不同钢种的带钢分级标准不同,需要实际情况进行调整,例如有的钢种连续性缺陷达到1m需要降到B级,也有的钢种连续性缺陷需要达到2m才定为B级。带钢经过除磷工艺,铁鳞缺陷对分级影响较大;不经过除磷工艺的带钢,铁鳞缺陷对分级无影响。
上述,步骤(1)中将表面缺陷检测系统中的缺陷数据,在预定义大小的图像上进行绘制,缺陷统一绘制为10×10像素大小;
缺陷在图像上绘制的横向像素位置:
其中,Pd_w为缺陷在图像上绘制的横向像素位置,WI为图像宽度,默认为2048;Ws为带钢宽度,单位为mm;Ps_w为缺陷在带钢宽度方向上的位置;
缺陷在图像上绘制的纵向像素位置:
其中,Pd_l为缺陷在图像上绘制的纵向像素位置,LI为图像高度,默认为8192;LS为带钢长度,单位为mm;Ps_l为缺陷在带钢长度方向上的位置。
步骤(1)中首先针对不同类别的缺陷分别单独绘制缺陷分布图谱,然后对于缺陷识别时易混淆的缺陷类别进行组合,得到组合类别的缺陷分布图谱,其中,易混淆的缺陷类别包括辊印和斑点、重皮和划伤。
步骤(2)中对于不同类别组合的缺陷分布图谱分别寻找关键特征的具体过程如下:
对于单点缺陷,依赖于图像分类置信度和缺陷数量作为关键特征,单点缺陷包括结疤、边裂;
对于纵向连续性缺陷,通过对缺陷分布图谱进行阈值处理,即进行二值化处理,阈值为1;采用随机抽样一致算法寻找出图像中近乎直线的缺陷像素分布为关键特征加以保留,其余零散缺陷点忽略,纵向连续性缺陷包括划伤、狭缝;
对于周期性缺陷,在缺陷分布图谱上通过对横向位置一致的像素点根据间隔判断出是否存在周期,以及具体的周期值作为关键特征,其余零散缺陷点忽略;周期性缺陷包括辊印、压痕;
对于密集型缺陷,在缺陷分布图谱上首先采用图像像素聚类的方式,得到具有堆簇规律的区域,利用形态学变换将整个区域分割出,将区域像素面积超过指定大小(根据实际确定)的保留作为关键特征;密集型缺陷包括脱皮、夹杂;
对于分布型缺陷,将图像按长度方向均分成100个子区块,通过统计不同区块下缺陷像素点分布情况,确定出缺陷所占面积及分布离散度作为关键特征,分布型缺陷包括铁鳞、氧化铁皮。
其中,对于分布型缺陷统计时,针对每一子区块先进行二值化处理,然后计算缺陷所占面积比,公式如下:
其中,φ为缺陷所占面积比,Npix_nozero为缺陷所占像素个数;Npix_total为子区块的像素总个数;
将缺陷所占面积比大于指定阈值(需要根据实际情况确定,对于不同钢种设置值不一样)的子区块进行保留,然后将保留的子区块图再均匀切分成4×4个小图,依次统计各小图的平均灰度值,并计算16张小图平均灰度的方差,方差越大,表明区块中缺陷分布越集中,方差越小,表明区块中缺陷分布越离散。
步骤(3)中对存在关键特征的缺陷分布图谱进行合并,即可得到区别于传统表面检测缺陷信息的更加高级的特征信息,这些信息中只保留了对判级准确性起决定性因素的关键特征,实现了数据的降维和降伪。
步骤(3)中上层分析模式图为综合当前带钢提取到的关键特征的位置、大小及等级(不同缺陷分布图谱的关键特征等级划分有所不同,需要依据其特性,如长度、置信度、面积、分布情况等,并根据实际需求进行设定),在带钢模拟图对应位置绘制关键特征标识。
步骤(4)中按缺陷带钢质量等级划分为:C:严重,B:中度,A:一般。
本发明的上述技术方案的有益效果如下:
上述方案中,通过采用缺陷分布图谱分析的方式综合了不同类别中相似缺陷类间误报的问题,在传统缺陷统计的基础上,提取出对于带钢分级起决定性因素的关键特征,得到近乎人工判级的标准,可在一定程度上替换人工进行判级,减少了人工成本,弥补的表面检测系统的不足,提升了判级准确率。
附图说明
图1为本发明的基于缺陷分布图谱的热轧带钢表面质量分级方法原理图;
图2为本发明的带钢缺陷图形化分布关键特征检测原理图;
图3为本发明的带钢表面质量判级整体流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于缺陷分布图谱的热轧带钢表面质量分级方法。
如图1所示,该方法利用热轧带钢表面缺陷检测系统的缺陷数据,绘制出单个缺陷类别、交叉易混缺陷类别等多种缺陷分布图谱,采用图像处理的方式对缺陷分布图谱进行信息挖掘,提取得到对于带钢分级起决定性作用的关键特征信息,进而实现带钢的自动分级。具体包括步骤如下:
(1)利用带钢表面缺陷检测数据,按单独类别、易混类别分别进行数据组合,针对每一种数据组合依据缺陷的横向位置、纵向位置在预先设定的全黑背景图像上绘制各个缺陷点,形成不同类别组合的缺陷分布图谱;
(2)针对不同类别组合的缺陷分布图谱,依据其所具有的内部特征,对应的采用置信度检测、直线检测、周期检测、聚类检测、分布特征检测从缺陷分布图谱中寻找出供分级判断的关键特征;
(3)整合各缺陷分布图谱得到的关键特征,形成接近于人感知的上层分析模式图,实现数据的降维和降伪;
(4)结合钢种、规格、工艺参数信息,针对性调整不同缺陷分布图谱中关键特征的等级标准,采用严重级别高掩盖严重级别低的原则,得到最终的带钢质量等级。
下面结合具体实施例予以说明。
在具体应用中,利用表面缺陷检测数据(见表1),按单独类别、易混类别等方式分别进行数据组合,针对每一种数据组合依据缺陷的横向位置、纵向位置等信息在预先设定的全黑背景图像上绘制各个缺陷点,形成不同类别组合的缺陷分布图谱。
表1表面缺陷检测系统缺陷信息
将表面缺陷检测系统中的缺陷信息,在预定义大小的图像上进行绘制,缺陷统一绘制为10×10像素大小;
缺陷在图像上绘制的横向像素位置:
其中WI为图像宽度,默认为2048;Ws为带钢宽度,单位mm;Ps_w为缺陷在带钢宽度方向上的位置;
缺陷在图像上绘制的纵向像素位置:
其中LI为图像高度,默认为8192;LS为带钢长度,单位为mm;Ps_l为缺陷在带钢长度方向上的位置。
针对不同类别的缺陷分别单独绘制缺陷分布图谱,然后对于缺陷识别时易混淆的缺陷类别(例如辊印和斑点,重皮和划伤等)进行组合,得到组合类别的缺陷分布图谱,依据其所具有的内部特征,可对应的采用置信度检测、直线检测、周期检测、聚类检测、分布特征检测等方式从缺陷分布图谱中寻找出供分级判断的关键特征,如图2所示。
对于单点缺陷,如结疤、边裂等,本身特征明显,分类识别率较高,其检测置信度可充分反映缺陷的准确性,此类缺陷依赖于图像分类置信度和缺陷数量作为关键特征;
对于纵向连续性缺陷,如划伤、狭缝等,通过对缺陷分布图谱进行阈值处理,采用随机抽样一致算法寻找出图像中近乎直线的缺陷像素分布为关键特征加以保留,其余零散缺陷点忽略;
对于周期性缺陷,如辊印、压痕等,在缺陷分布图谱上通过对横向位置一致的像素点根据间隔判断出是否存在周期,以及具体的周期值作为关键特征,其余零散缺陷点忽略;
对于密集型缺陷,如脱皮、夹杂等,在缺陷分布图谱上首先采用图像像素聚类的方式,得到具有堆簇规律的区域,利用形态学变换等手段将整个区域分割出,将区域像素面积超过指定大小的保留作为关键特征;
对于分布型缺陷,如铁鳞、氧化铁皮等,将图像按长度方向均分成100个子区块,针对每一子区块先进行二值化处理,然后计算缺陷所占面积比:
其中Npix_nozero缺陷所占像素个数;Npix_total为子区块的像素总个数;
将缺陷所占面积比大于指定阈值的子区块进行保留,然后将保留的子区块图再均匀切分成4×4个小图,依次统计各小图的平均灰度值,并计算16张小图平均灰度的方差,方差越大,表明区块中缺陷分布越集中,方差越小,表明区块中缺陷分布越离散。
对存在关键特征的缺陷分布图谱进行合并,即可得到区别于传统表面检测缺陷信息的更加高级的特征信息,这些信息中只保留了对判级准确性起决定性因素的关键特征,实现了数据的降维和降伪,大大减少了单个缺陷检测准确率不足带来的分级影响。
通过结合钢种、规格、工艺参数等信息,依赖不同情况予以各缺陷分布图谱特征以一定的等级调整,并在最终判级过程中采用高严重度掩盖低严重度等级的方式,得到带钢的等级,如图3所示,其中C(严重)>B(中度)>A(一般)。获得带钢等级的同时保留用于判级的关键特征描述(见表2),利于判级信息的追溯。
表2带钢判级记录及关键特征描述
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:包括步骤如下:
(1)利用带钢表面缺陷检测数据,按单独类别、易混类别分别进行数据组合,针对每一种数据组合依据缺陷的横向位置、纵向位置在预先设定的全黑背景图像上绘制各个缺陷点,形成不同类别组合的缺陷分布图谱;
(2)针对不同类别组合的缺陷分布图谱,依据其所具有的内部特征,对应的采用置信度检测、直线检测、周期检测、聚类检测、分布特征检测从缺陷分布图谱中寻找出供分级判断的关键特征;
(3)整合各缺陷分布图谱得到的关键特征,形成接近于人感知的上层分析模式图,实现数据的降维和降伪;
(4)结合钢种、规格、工艺参数信息,针对性调整不同缺陷分布图谱中关键特征的等级标准,采用严重级别高掩盖严重级别低的原则,保留关键特征中严重级别最高的等级作为最终的带钢质量等级;
所述步骤(2)中对于不同类别组合的缺陷分布图谱分别寻找关键特征的具体过程如下:
对于单点缺陷,依赖于图像分类置信度和缺陷数量作为关键特征,单点缺陷包括结疤、边裂;
对于纵向连续性缺陷,通过对缺陷分布图谱进行阈值处理,即进行二值化处理,阈值为1;采用随机抽样一致算法寻找出图像中近乎直线的缺陷像素分布为关键特征加以保留,其余零散缺陷点忽略,纵向连续性缺陷包括划伤、狭缝;
对于周期性缺陷,在缺陷分布图谱上通过对横向位置一致的像素点根据间隔判断出是否存在周期,以及具体的周期值作为关键特征,其余零散缺陷点忽略;周期性缺陷包括辊印、压痕;
对于密集型缺陷,在缺陷分布图谱上首先采用图像像素聚类的方式,得到具有堆簇规律的区域,利用形态学变换将整个区域分割出,将区域像素面积超过指定大小的保留作为关键特征;密集型缺陷包括脱皮、夹杂;
对于分布型缺陷,将图像按长度方向均分成100个子区块,通过统计不同区块下缺陷像素点分布情况,确定出缺陷所占面积及分布离散度作为关键特征,分布型缺陷包括铁鳞、氧化铁皮;
所述步骤(3)中上层分析模式图为综合当前带钢提取到的关键特征的位置、大小及等级,在带钢模拟图对应位置绘制关键特征标识。
2.根据权利要求1所述的基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:所述步骤(1)中将表面缺陷检测系统中的缺陷数据,在预定义大小的图像上进行绘制,缺陷统一绘制为10×10像素大小;
缺陷在图像上绘制的横向像素位置:
其中,Pd_w为缺陷在图像上绘制的横向像素位置,WI为图像宽度,默认为2048;Ws为带钢宽度,单位为mm;Ps_w为缺陷在带钢宽度方向上的位置;
缺陷在图像上绘制的纵向像素位置:
其中,Pd_l为缺陷在图像上绘制的纵向像素位置,LI为图像高度,默认为8192;LS为带钢长度,单位为mm;Ps_l为缺陷在带钢长度方向上的位置。
3.根据权利要求1所述的基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:所述步骤(1)中首先针对不同类别的缺陷分别单独绘制缺陷分布图谱,然后对于缺陷识别时易混淆的缺陷类别进行组合,得到组合类别的缺陷分布图谱,其中,易混淆的缺陷类别包括辊印和斑点、重皮和划伤。
4.根据权利要求1所述的基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:所述步骤(2)中内部特征包括缺陷的形态、灰度、周期性、长度、宽度、面积、连续性、分布情况。
5.根据权利要求1所述的基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:对于分布型缺陷统计时,针对每一子区块先进行二值化处理,然后计算缺陷所占面积比,公式如下:
其中,φ为缺陷所占面积比,Npix_nozero为缺陷所占像素个数;Npix_total为子区块的像素总个数;
将缺陷所占面积比大于指定阈值的子区块进行保留,然后将保留的子区块图再均匀切分成4×4个小图,依次统计各小图的平均灰度值,并计算16张小图平均灰度的方差,方差越大,表明区块中缺陷分布越集中,方差越小,表明区块中缺陷分布越离散。
6.根据权利要求1所述的基于缺陷分布图谱的热轧带钢表面质量分级方法,其特征在于:所述步骤(4)中按缺陷带钢质量等级划分为:C:严重,B:中度,A:一般。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238250.9A CN113034442B (zh) | 2021-03-04 | 2021-03-04 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238250.9A CN113034442B (zh) | 2021-03-04 | 2021-03-04 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034442A CN113034442A (zh) | 2021-06-25 |
CN113034442B true CN113034442B (zh) | 2023-10-13 |
Family
ID=76466177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238250.9A Active CN113034442B (zh) | 2021-03-04 | 2021-03-04 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034442B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100188A (zh) * | 2022-07-28 | 2022-09-23 | 北京科技大学 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
CN115983687B (zh) * | 2022-12-22 | 2023-09-29 | 北京弥天科技有限公司 | 一种冷轧带钢质量智能检测管理系统及方法 |
CN116559183B (zh) * | 2023-07-11 | 2023-11-03 | 钛玛科(北京)工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072897A (en) * | 1997-09-18 | 2000-06-06 | Applied Materials, Inc. | Dimension error detection in object |
CN104792873A (zh) * | 2015-04-30 | 2015-07-22 | 南京迪威尔高端制造股份有限公司 | 一种钢锭内部缺陷的超声波b+c+d+s扫描识别方法 |
CN105259252A (zh) * | 2015-10-15 | 2016-01-20 | 浙江大学 | 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法 |
CN105701477A (zh) * | 2016-02-19 | 2016-06-22 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
CN106680693A (zh) * | 2016-12-22 | 2017-05-17 | 西安建筑科技大学 | 基于故障数据灰度图谱的半导体芯片批量测试方法 |
CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN110823735A (zh) * | 2019-11-22 | 2020-02-21 | 吉林大学 | 基于非均匀应力构筑表面硬度差异性的方法 |
CN111299318A (zh) * | 2020-03-02 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种热轧板带产品表面质量的自动判定方法 |
-
2021
- 2021-03-04 CN CN202110238250.9A patent/CN113034442B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6072897A (en) * | 1997-09-18 | 2000-06-06 | Applied Materials, Inc. | Dimension error detection in object |
CN104792873A (zh) * | 2015-04-30 | 2015-07-22 | 南京迪威尔高端制造股份有限公司 | 一种钢锭内部缺陷的超声波b+c+d+s扫描识别方法 |
CN105259252A (zh) * | 2015-10-15 | 2016-01-20 | 浙江大学 | 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法 |
WO2017063355A1 (zh) * | 2015-10-15 | 2017-04-20 | 浙江大学 | 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法 |
CN105701477A (zh) * | 2016-02-19 | 2016-06-22 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
CN106680693A (zh) * | 2016-12-22 | 2017-05-17 | 西安建筑科技大学 | 基于故障数据灰度图谱的半导体芯片批量测试方法 |
CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN110823735A (zh) * | 2019-11-22 | 2020-02-21 | 吉林大学 | 基于非均匀应力构筑表面硬度差异性的方法 |
CN111299318A (zh) * | 2020-03-02 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种热轧板带产品表面质量的自动判定方法 |
Non-Patent Citations (2)
Title |
---|
吴昆鹏.基于孪生网络的带钢表面周期性缺陷检测方法.冶金自动化.2020,第44卷(第6期),93-98. * |
王少,陈斌,司小明等.热轧板带表面质量智能化自动判定系统的开发应用.中国冶金.2019,第29卷(第7期),70-73+78. * |
Also Published As
Publication number | Publication date |
---|---|
CN113034442A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034442B (zh) | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115082418A (zh) | 一种汽车零部件精密识别方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN113362285A (zh) | 一种钢轨表面伤损细粒度图像分类与检测方法 | |
CN116092015A (zh) | 一种道路施工状态监测方法 | |
CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN112697803A (zh) | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 | |
CN115880304A (zh) | 基于复杂场景下的枕轨缺陷识别方法 | |
CN115018838A (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
CN113962997A (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN115272323A (zh) | 用于交通工程路面质量检测的数据智能调控采集方法 | |
CN113538421A (zh) | 一种基于视觉技术的接触网数据检测方法 | |
CN112986277B (zh) | 一种热轧带钢精轧辊印的检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |