CN113160112A - 一种基于机器学习的钢格板产品智能识别检测方法 - Google Patents
一种基于机器学习的钢格板产品智能识别检测方法 Download PDFInfo
- Publication number
- CN113160112A CN113160112A CN202011613770.5A CN202011613770A CN113160112A CN 113160112 A CN113160112 A CN 113160112A CN 202011613770 A CN202011613770 A CN 202011613770A CN 113160112 A CN113160112 A CN 113160112A
- Authority
- CN
- China
- Prior art keywords
- steel grating
- target steel
- target
- information
- edge
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 242
- 239000010959 steel Substances 0.000 title claims abstract description 242
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000005246 galvanizing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器学习的钢格板产品智能识别检测方法，涉及钢格板技术领域，该方法包括：采集目标钢格板的几何信息；将采集到的目标钢格板的几何信息转化为目标钢格板构件图；将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果；本方法解决了钢格板产品需要人工测量、检测效率低下，且容易发生漏检、错检的问题，由机器自动完成钢格板产品质量的检测与识别，无需人工测量，具有智能化、准确率高、检测效率高的优点，为企业节约了大量人力成本与时间成本，能为企业创造更多收益。
Description
技术领域
本发明涉及钢格板技术领域，尤其涉及一种基于机器学习的钢格板产品智能识别检测方法。
背景技术
钢格板是用扁钢按照一定的间距和横杆进行交叉排列，并且焊接成中间带有方形格子的一种钢铁制品，钢格板主要用来做水沟盖板，钢结构平台板，钢梯的踏步板等.横杆一般采用经过扭绞的方钢.钢格板一般采用碳钢制作，外表热镀锌，可以起到防止氧化的作用。也可以采用不锈钢制作.钢格板具有通风，采光，散热，防滑，防爆等性能。
由于钢格板具有开敞特性，不同的钢格板都具有网格结构，但网格大小不一，且钢格板还可能包括踢脚板、包边、防滑条等附加零件，因此钢格板产品构件多样性与不规则性，现有技术中目前只能依靠人工测量的方式对钢格板进行产品质量检测，效率低下，且容易发生漏检、错检的现象。除此之外，在钢格板的实际生产中，钢格板成品构件大多数都要表面镀锌，镀锌后构建编码被镀锌层被覆盖丢失，不易辨认，难以区分，需要人工逐渐测量重新标识，需要耗费极高的人力成本。
发明内容
针对上述技术问题，本发明提供一种基于机器学习的钢格板产品智能识别检测方法，需人工测量，具有智能化、准确率高、检测效率高的优点，能为企业节约了大量人力成本与时间成本，为企业创造更多收益。
为实现上述目的，本发明采取的技术方案为：
本发明提供的一种基于机器学习的钢格板产品智能识别检测方法，该方法包括以下步骤：采集目标钢格板的几何信息；将采集到的目标钢格板的几何信息转化为目标钢格板构件图；将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果。
优选地，所述步骤“采集目标钢格板的几何信息”具体为：采集目标钢格板的外轮廓信息、零件轮廓信息、网格轮廓信息。
优选地，所述步骤“采集目标钢格板的零件轮廓信息”包括：识别目标钢格板平行于橫杆的边缘是否连续；若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别；若目标钢格板平行于橫杆的边缘不连续，则目标钢格板不包括包边和防滑条，无包边和防滑条信息。
优选地，所述步骤“若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别”具体为：识别连续边缘部分的宽度是否大于等于20mm；若识别到目标钢格板平行于橫杆的连续边缘宽度大于等于20mm，则判定该零件为防滑条，采集防滑条轮廓信息；若识别到目标钢格板平行于橫杆的连续边缘宽度小于20mm，则判定该零件为包边，采集包边轮廓信息。
优选地，所述步骤“采集目标钢格板的零件轮廓信息”还包括：检测高度大于等于100mm处是否有零件；若检测到，则目标钢格板具有踢脚板，采集目标钢格板的踢脚板轮廓信息；若未检测到，则目标钢板板无踢脚板，无踢脚板轮廓信息。
优选地，所述步骤“将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果”具体为：
判断目标钢格板表面是否有构件编码；
若目标钢格板表面有构件编码，根据目标钢格板上的构件编码在数据库预先存储的设计图纸中检索出具有相同构件编码的设计图纸，并将目标钢格板构件图与具有相同构件编码设计图纸进行比较，分析目标钢格板是否合格；
若目标钢格板表面无构件编码，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高的设计图纸，得到目标钢格板型号信息，分析目标钢格板是否合格。
优选地，所述步骤“目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高设计图纸，得到目标钢格板型号信息，并判断目标钢格板是否合格”还包括：目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，若未找到与目标钢格板匹配的设计图纸，判定目标钢格板不合格。
上述技术方案具有如下优点或者有益效果：
本发明提供一种基于机器学习的钢格板产品智能识别检测方法，涉及钢格板技术领域，该方法包括：采集目标钢格板的几何信息；将采集到的目标钢格板的几何信息转化为目标钢格板构件图；将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到识别及检测结果；本方法解决了钢格板产品人工测量、检测效率低下，且容易发生漏检、错检的问题，由机器自动完成钢格板产品质量的检测与识别，无需人工测量，具有智能化、准确率高、检测效率高的优点，为企业节约了大量人力成本与时间成本，能为企业创造更多收益。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。
图1是本发明实施例1提供的一种基于机器学习的钢格板产品智能识别检测方法的简要流程图；
图2是本发明实施例1提供的一种基于机器学习的钢格板产品智能识别检测方法的又一简要流程图；
图3是本发明实施例1提供的一种基于机器学习的钢格板产品智能识别检测方法的又一简要流程图；
图4是基于本发明实施例1提供的基于机器学习的钢格板产品智能识别检测方法的装置简要结构示意图；
图5是基于本发明实施例1提供的基于机器学习的钢格板产品智能识别检测方法的装置电性关系示意图。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。
实施例1：
本发明实施例1提供的一种基于机器学习的钢格板产品智能识别检测方法，参照图1，包括以下步骤：
S101采集目标钢格板的几何信息；
S111将采集到的目标钢格板的几何信息转化为目标钢格板构件图；
S121将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果。
本发明实施例1提供的基于机器学习的钢格板产品智识别检测方法在实施时具体采用的装置，参照图4及图5，包括用于采集目标钢格板几何信息的信息采集装置1、用于将钢格板几何信息转化为钢格板构件图的数据处理成像装置2、用于显示目标钢格板检测识别结果的结果显示装置3和用于放置目标钢格板的检测平台4；检测平台4上铺设有传送带41；信息采集装置1设置于检测平台4上；信息采集装置1和数据处理成像装置2电性连接；数据处理成像装置2和结果显示装置3电性连接。信息采集装置1包括用于在目标钢格板宽度方向识别目标钢格板的几何信息的第一红外摄像装置11、用于在目标钢格板长度和高度方向获取目标钢格板几何信息的第二红外摄像装置12和信息接收装置13；第一红外摄像装置11、第二红外摄像装置12、数据处理成像装置2均与信息接收装置13电性连接。第一红外摄像装置11包括若干沿平行于检测平台4的宽的方向等距排列的第一红外摄像头111；若干第一红外摄像头111发出的红外光线垂直于检测平台4，且若干第一红外摄像头111发出的垂直红外光沿平行于检测平台4的宽的方向在检测平台4上形成一条检测线；检测线的长度不小于检测平台4的宽长。第二红外摄像装置12包括第二红外摄像头121和第三红外摄像头122；第二红外摄像头121位于检测平台4长边上方15mm处；第三红外摄像头122位于检测平台4长边上方100mm处；第二红外摄像头121和第三红外摄像头122发出的红外光与第一红外摄像头111的检测线平行，且第二红外摄像头121和第三红外摄像头122发出的红外光所在的平面垂直于检测平台4。将目标钢格板水平放置在检测平台4上，目标钢格板的网格面平行于检测平台4，目标钢格板的长边平行于检测平台4的长边，目标钢格板的宽边平行于检测平台4的宽边，传送带41带动目标钢格板沿着检测平台4的长度方向进行缓慢运动，经过第一红外摄像装置11的检测线时若干第一红外摄像头111对目标钢格板进行持续检测，直至目标钢格板完全经过该检测线时，第一红外摄像装置11即可完整的记录下目标钢格板的外轮廓信息、网格信息，其中外轮廓信息也包括扭脚杆。当传送带41带动目标钢格板沿着检测平台4的长度方向进行缓慢运动，经过第一红外摄像装置11时，第二红外摄像装置12也同时在长度与高度方向对目标钢格板进行探测，当目标钢格板完全经过第一红外摄像装置11与第二红外摄像装置12时，第二红外摄像装置12即可获得目标钢格板完整的长度信息以及零件与钢格板本体的位置关系。将采集到的目标钢格板的几何信息传输给数据处理成像装置2，由数据处理成像装置2根据目标钢格板的几何信息绘制出构件图，并将得到的目标钢格板的构件图与后台数据库预先存储的设计图纸进行比对，找到与目标钢格板匹配度最高的设计图纸，得到其型号，并将目标钢格板的零件数量、零件信息、零件与钢格板本体的位置关系与设计图纸进行比较，根据目标钢格板的上述参数是否匹配或在误差范围内判断目标钢格板是否合格。该方法由机器自动完成，无需人工测量，具有智能化、准确率高、检测效率高的优点，为企业节约了大量人力成本与时间成本，能为企业创造更多收益。
优选地，步骤S101“采集目标钢格板的几何信息”具体为：采集目标钢格板的外轮廓信息、零件轮廓信息、网格轮廓信息。由于钢格板具有开敞特性，不同的钢格板都具有网格结构，但网格大小不一，且钢格板还可能包括踢脚板、包边、防滑条等附加零件，因此钢格板产品构件多样性与不规则性，为了精准识别钢格板的型号提高检测的准确性与可靠性，需要全面地对钢格板的外轮廓、零件轮廓以及网格轮廓进行信息采集。
进一步地，参照图2，步骤“采集目标钢格板的零件轮廓信息”包括：S102识别目标钢格板平行于橫杆的边缘是否连续；S103若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别；S104若目标钢格板平行于橫杆的边缘不连续，则目标钢格板不包括包边和防滑条，无包边和防滑条信息。钢格板是由承载扁钢与横杆按照一定的间距正交组合，通过焊接或压索加以固定的网格状板式钢构件，钢格板平行于橫杆的边缘可能设置有包边，也可能设置有防滑条，或两者皆不设置，当平行于横杆的边缘设置了包边或防滑条时，钢格板的边缘即为连续，当钢格板平行于横杆的边缘什么都未设置时，边缘即为若干间隔的承载扁钢的端部，是不连续的，因此可通过目标钢格板平行于横杆的边缘是否连续判断目标钢格板是否设置有包边或防滑条。
参照图2，步骤S103“若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别”具体为：S105识别连续边缘部分的宽度是否小于20mm；S106若识别到目标钢格板平行于橫杆的连续边缘宽度大于等于20mm，则判定该零件为防滑条，采集防滑条轮廓信息；S107若识别到目标钢格板平行于橫杆的连续边缘宽度小于20mm，则判定该零件为包边，采集包边轮廓信息；由于常见的防滑条的宽度大于等于25mm，包边的宽度小于13mm，因此选择居中的20mm作为判断防滑条与包边的基点，当第一摄像装置11识别到目标钢格板平行于橫杆的边缘连续，且连续部分的宽度大于等于20mm，则说明目标钢格板平行于橫杆的边缘设置有防滑条；当第一摄像装置11识别到目标钢格板平行于橫杆的边缘连续，且连续部分的宽度小于20mm，则说明目标钢格板平行于橫杆的边缘设置有包边。
优选地，步骤“采集目标钢格板的零件轮廓信息”还包括：检测高度大于等于100mm处是否有零件；若检测到，则目标钢格板具有踢脚板，采集目标钢格板的踢脚板轮廓信息；若未检测到，则目标钢板板无踢脚板，无踢脚板轮廓信息。钢格板的高度通常在25mm左右，上下浮动5mm，踢脚板的高度通常大于125mm，因此在100mm处的第三红外摄像头122可检测到踢脚板。第二红外摄像头121主要用来识别目标钢格板的长度信息。
参照图3，所述步骤S121“将目标钢格板构件图与后台数据库预存的设计纸进行比对，分析得到目标钢格板型号及质量检测结果”具体为：
S122判断目标钢格板表面是否有构件编码；
S123若目标钢格板表面有构件编码，根据目标钢格板上的构件编码在数据库预先存储的设计图纸中检索出具有相同构件编码的设计图纸，并将目标钢格板构件图与具有相同构件编码设计图纸进行比较，分析目标钢格板是否合格；
S124若目标钢格板表面无构件编码，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高的设计图纸，得到目标钢格板型号信息，分析目标钢格板是否合格。
数据处理成像装置2将目标钢格板的几何信息转换为构件图之后，如果无选择地都进行地毯式探索，直接与数据库所有的设计图纸进行依次比较，对于表面有完整清晰的构件编码的目标钢格板来说，还是会造成不必要的时间成本的浪费，因此，在钢格板表面有清晰完整的构件编码的情况下，可以由操作人员直接在后台操作系统中输入该构件编码，系统自动在后台数据库查找具有相同构件编码的设计图纸，将目标钢格板构件图与具有相同构件编码设计图纸进行比较，如果目标钢格板构件图显示的相关规格参数与设计图纸中的规格参数在误差范围内即为合格，如果超出误差范围即不合格。在目标钢格板无构件编码或构件编码不完整的情况下才直接与数据库的所有设计图纸进行依次比对，找到与目标钢格板匹配度最高的设计图纸后再判断参数误差是否合格。这样一来，本发明提供的基于机器学习的钢格板产品智能识别检测方法能够进一步简化工作流程，提高钢格板产品的检测效率。
进一步地，参照图4，步骤S124“目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高设计图纸，得到目标钢格板型号信息，并判断目标钢格板是否合格”还包括：S125目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，若未找到与目标钢格板匹配的设计图纸，判定目标钢格板不合格。
以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (7)
1.一种基于机器学习的钢格板产品智能识别检测方法，其特征在于，该方法包括以下步骤：
采集目标钢格板的几何信息；
将采集到的目标钢格板的几何信息转化为目标钢格板构件图；
将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果。
2.如权利要求1所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“采集目标钢格板的几何信息”具体为：采集目标钢格板的外轮廓信息、零件轮廓信息、网格轮廓信息。
3.如权利要求2所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“采集目标钢格板的零件轮廓信息”包括：识别目标钢格板平行于橫杆的边缘是否连续；若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别；若目标钢格板平行于橫杆的边缘不连续，则目标钢格板不包括包边和防滑条，无包边和防滑条信息。
4.如权利要求3所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“若目标钢格板平行于橫杆的边缘连续，则目标钢格板包括包边或防滑条，进行进一步识别”具体为：识别连续边缘部分的宽度是否大于等于20mm；若识别到目标钢格板平行于橫杆的连续边缘宽度大于等于20mm，则判定该零件为防滑条，采集防滑条轮廓信息；若识别到目标钢格板平行于橫杆的连续边缘宽度小于20mm，则判定该零件为包边，采集包边轮廓信息。
5.如权利要求2所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“采集目标钢格板的零件轮廓信息”还包括：检测高度大于等于100mm处是否有零件；若检测到，则目标钢格板具有踢脚板，采集目标钢格板的踢脚板轮廓信息；若未检测到，则目标钢板板无踢脚板，无踢脚板轮廓信息。
6.如权利要求1所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“将目标钢格板构件图与后台数据库预存的设计图纸进行比对，分析得到目标钢格板型号及质量检测结果”具体为：
判断目标钢格板表面是否有构件编码；
若目标钢格板表面有构件编码，根据目标钢格板上的构件编码在数据库预先存储的设计图纸中检索出具有相同构件编码的设计图纸，并将目标钢格板构件图与具有相同构件编码设计图纸进行比较，分析目标钢格板是否合格；
若目标钢格板表面无构件编码，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高的设计图纸，得到目标钢格板型号信息，分析目标钢格板是否合格。
7.如权利要求6所述的基于机器学习的钢格板产品智能识别检测方法，其特征在于，所述步骤“目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，找到与目标钢格板匹配度最高设计图纸，得到目标钢格板型号信息，并判断目标钢格板是否合格”还包括：目标钢格板表面无构件编码的，将目标钢格板构件图与数据库所有的设计图纸进行依次比较，若未找到与目标钢格板匹配的设计图纸，判定目标钢格板不合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613770.5A CN113160112B (zh) | 2020-12-30 | 2020-12-30 | 基于机器学习的钢格板产品智能识别检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613770.5A CN113160112B (zh) | 2020-12-30 | 2020-12-30 | 基于机器学习的钢格板产品智能识别检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160112A true CN113160112A (zh) | 2021-07-23 |
| CN113160112B CN113160112B (zh) | 2024-02-02 |
Family
ID=76878274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011613770.5A Active CN113160112B (zh) | 2020-12-30 | 2020-12-30 | 基于机器学习的钢格板产品智能识别检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160112B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686340A (zh) * | 2024-02-04 | 2024-03-12 | 菲普新材料科技(深圳)有限公司 | 一种沟渠盖的强度检测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
| CN104806024A (zh) * | 2015-03-04 | 2015-07-29 | 南京南化建设有限公司 | 一种花纹钢板无缝无焊施工工法 |
| CN107209128A (zh) * | 2015-02-10 | 2017-09-26 | 宰体有限公司 | 元件处理器和视觉检测方法 |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| CN109916913A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 一种基于机器视觉的智能制造产品识别与检测方法 |
| CN111143915A (zh) * | 2019-11-18 | 2020-05-12 | 中国化学工程第六建设有限公司 | 基于Tekla软件平台的钢结构模块化安装方法 |
| CN111179232A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 基于图像处理的钢筋尺寸检测系统及方法 |
| US20200279364A1 (en) * | 2019-02-28 | 2020-09-03 | Skidmore Owings & Merrill Llp | Machine learning tool for structures |
-
2020
- 2020-12-30 CN CN202011613770.5A patent/CN113160112B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
| CN107209128A (zh) * | 2015-02-10 | 2017-09-26 | 宰体有限公司 | 元件处理器和视觉检测方法 |
| CN104806024A (zh) * | 2015-03-04 | 2015-07-29 | 南京南化建设有限公司 | 一种花纹钢板无缝无焊施工工法 |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| US20200279364A1 (en) * | 2019-02-28 | 2020-09-03 | Skidmore Owings & Merrill Llp | Machine learning tool for structures |
| CN109916913A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 一种基于机器视觉的智能制造产品识别与检测方法 |
| CN111143915A (zh) * | 2019-11-18 | 2020-05-12 | 中国化学工程第六建设有限公司 | 基于Tekla软件平台的钢结构模块化安装方法 |
| CN111179232A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 基于图像处理的钢筋尺寸检测系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686340A (zh) * | 2024-02-04 | 2024-03-12 | 菲普新材料科技(深圳)有限公司 | 一种沟渠盖的强度检测系统 |
| CN117686340B (zh) * | 2024-02-04 | 2024-04-16 | 菲普新材料科技(深圳)有限公司 | 一种沟渠盖的强度检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160112B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357630B (zh) | 一种多类型工件批量视觉测量系统及方法 | |
| AU2018208312B2 (en) | Mobile and automated apparatus for the detection and classification of damages on the body of a vehicle | |
| EP1750089B1 (en) | Tire projection-and-recess figure examining method and tire projection-and-recess figure examining device | |
| EP0833146A2 (en) | Method and apparatus for detecting and measuring laps and gaps in composite materials | |
| JP2015528569A5 (zh) | ||
| EP0806650A3 (en) | Method and apparatus for measuring internal property distribution | |
| CN113160112A (zh) | 一种基于机器学习的钢格板产品智能识别检测方法 | |
| EP0917649A1 (en) | Apparatus and method for detecting surface defects | |
| KR20140141027A (ko) | 이미지에서 반복 패턴을 검출하는 방법 및 장치 | |
| CN115255567B (zh) | 一种基于频域和时频域特征的焊偏实时检测方法及系统 | |
| CN111222541B (zh) | 一种基于深度卷积神经网络的外表箱类型识别方法 | |
| CN104062008B (zh) | 一种考虑整体度量的实测光谱曲线中异常光谱的剔除方法 | |
| CN213781028U (zh) | 基于机器学习的钢格板产品智能检测识别装置 | |
| CN111468427A (zh) | 锯材分等设备及分等方法 | |
| CN112991327B (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
| CN110045354B (zh) | 雷达性能评测的方法及装置 | |
| US20030090056A1 (en) | Method for detecting the alignment of document in an automatic document feeder | |
| CN110930359A (zh) | 一种检测汽车拨叉的方法及系统 | |
| CN114062505B (zh) | 果实成熟度检测方法、装置、电子设备及存储介质 | |
| CN112184125B (zh) | 一种基于rfid技术的档案进出库的自动判断系统 | |
| CN116263402A (zh) | 一种气体泄漏检测方法及系统 | |
| US6480290B1 (en) | Method and apparatus to measure the cross-sectional area of an object | |
| EP3844695B1 (en) | Method and system for enhancing traceability in a production line by creating a time-based fingerprint | |
| IT202000008848A1 (it) | Metodo e apparato per la caratterizzazione e tracciatura di pelli o pezze di pelli | |
| CN116703922B (zh) | 一种锯木缺陷位置智能定位方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |