CN113240628A - 一种钢卷质量的判定方法、装置及系统 - Google Patents
一种钢卷质量的判定方法、装置及系统 Download PDFInfo
- Publication number
- CN113240628A CN113240628A CN202110401649.4A CN202110401649A CN113240628A CN 113240628 A CN113240628 A CN 113240628A CN 202110401649 A CN202110401649 A CN 202110401649A CN 113240628 A CN113240628 A CN 113240628A
- Authority
- CN
- China
- Prior art keywords
- steel coil
- defect
- defects
- images
- model
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 217
- 239000010959 steel Substances 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 174
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229940040145 liniment Drugs 0.000 description 1
- 239000000865 liniment Substances 0.000 description 1
- 230000002093 peripheral effect Effects 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
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及钢卷缺陷检测技术领域,尤其涉及一种钢卷端质量的判定方法、装置及系统,该方法包括:获取N个钢卷端部图片,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;对N个钢卷端部图片进行缺陷特征处理,获得N个钢卷端部图片各自的训练样本;将训练样本输入分类模型,以对分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;将待分类的钢卷端部图片输入用于对钢卷端部缺陷进行分类的模型中,获得待分类钢卷端部缺陷的缺陷分类结果,缺陷分类结果包括缺陷类型和缺陷位置;基于缺陷分类结果,获得钢卷的质量等级,进而利用深度学习网络提高了钢卷端部缺陷的识别准确性以及识别效率,对质量评估提供准确的依据。
Description
技术领域
本发明涉及钢卷缺陷检测技术领域,尤其涉及一种钢卷端质量的判定方法、装置及系统。
背景技术
目前钢卷端部缺陷的在线检测大都通过人工检测的方法来实现的,钢卷端部的质量等级判断随着检测人员的不同,相同程度的端部缺陷,所判等级也不尽相同。由于人工检测的主观性强,无法客观地给出所有钢卷的端部一个统一的质量标准,而且效率也低,热轧带钢的温度也较高,容易对工作人员的人身安全造成威胁。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的钢卷质量的判定方法、装置及系统。
第一方面,本发明提供了一种钢卷质量的判定方法,包括:
获取N个钢卷端部图片,N为正整数,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;
对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本;
将所述N个钢卷端部图片各自的训练样本输入分类模型,以对所述分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;
将待分类的钢卷端部图片输入所述用于对钢卷端部缺陷进行分类的模型中,获得所述待分类钢卷端部缺陷的缺陷分类结果,所述缺陷分类结果包括缺陷类型和缺陷位置;
基于所述缺陷分类结果,获得所述钢卷的质量等级。
优选地,所述对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本,包括:
对所述N个钢卷端部图片中的缺陷特征进行分类,并对每个分类标记缺陷类型代码;
将所述N个钢卷端部图片中的所述缺陷特征作为输入样本,将所述缺陷类型代码作为输出样本,并将所述输入样本和所述输出样本作为所述N个钢卷端部图片各自的训练样本。
优选地,所述训练样本包括训练子样本和测试子样本。
优选地,所述缺陷类型包括如下一种或多种:
毛刺、扁卷、边裂。
优选地,在基于所述缺陷分类结果,获得所述钢卷的质量等级,包括:
获得所述钢卷的缺陷严重程度、缺陷的数量;
基于所述钢卷的缺陷分类结果、缺陷严重程度以及缺陷的数量,获得所述钢卷的质量等级。
第二方面,本发明还提供了一种钢卷质量的判定装置,包括:
图片获取模块,用于获取N个钢卷端部图片,N为正整数,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;
训练样本获得模块,用于对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本;
模型得到模块,用于将所述N个钢卷端部图片各自的训练样本输入分类模型,以对所述分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;
缺陷分类结果获得模块,用于将待分类的钢卷端部图片输入所述用于对钢卷端部缺陷进行分类的模型中,获得所述待分类钢卷端部缺陷的缺陷分类结果,所述缺陷分类结果包括缺陷类型和缺陷的位置;
质量等级获得模块,用于基于所述缺陷分类结果,获得所述钢卷的质量等级。
第三方面,本发明还提供了一种钢卷质量的判定系统,包括:
光源,用于将产生的光线照射至钢卷端部;
图片采集装置,位于经所述钢卷端部反射的光路上,用于采集所述钢卷端部图片;
如权利要求6所述的判定装置,与所述图片采集装置连接,用于基于所述钢卷端部图片,获得所述钢卷的质量等级。
优选地,还包括:
显示模块,与所述判定装置连接,用于显示所述钢卷的质量等级。
第四方面,本发明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上述的方法步骤。
第五方面,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法步骤。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供的钢卷质量的判定方法,包括:获取N个钢卷端部图片,N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置,然后,对N个钢卷端部图片进行缺陷特征处理,获得N个钢卷端部图片各自的训练样本,将N个钢卷端部图片各自的训练样本输入分类模型,以对分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型,将待分类的钢卷端部图片输入该用于对钢卷端部缺陷进行分类的模型中,获得待分类钢卷端部缺陷的缺陷分类结果,基于该分类结果,获得钢卷的质量等级,进而利用深度学习网络提高了钢卷端部缺陷的识别准确性以及识别效率,对质量评估提供准确的依据。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考图形表示相同的部件。在附图中:
图1示出了本发明实施例中钢卷质量的判定方法的步骤流程示意图;
图2示出了本发明实施例中分类模型的结构示意图;
图3示出了本发明实施例中钢卷质量的判定装置的结构示意图;
图4示出了本发明实施例中钢卷质量的判定系统的结构示意图;
图5示出了本发明实施例中实现钢卷质量的判定方法的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本发明的第一实施例提供了一种钢卷质量的判定方法,如图1所示,包括:
S101,获取N个钢卷端部图片,N为正整数,N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置。
S102,对N个钢卷端部图片进行缺陷特征处理,获得N个钢卷端部图片各自的训练样本。
S103,将N个钢卷端部图片各自的训练样本输入分类模型,以对分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型。
S104,将待分类的钢卷端部图片输入用于对钢卷端部缺陷进行分类的模型中,获得待分类钢卷端部缺陷的缺陷分类结果,缺陷分类结果包括缺陷类型和缺陷位置。
S105,基于缺陷分类结果,获得钢卷的质量等级。
首先,在获取钢卷端部图片时,具体是通过向钢卷照射光,然后在光线反射的光路上对钢卷端部进行拍照,从而获得钢卷端部图片,其中,该钢卷端部图片中标记有钢卷端部的缺陷以及缺陷位置。
具体地,S101中是获取N个钢卷端部图片,其中,N为正整数。
接着,S102中,对N个钢卷端部图片进行缺陷特征处理,获得N个钢卷端部图片各自的训练样本。
在一种可选的实施方式中,对N个钢卷端部图片中的缺陷特征进行分类,并对每个分类标记缺陷类型代码;将N各钢卷端部图片中的缺陷特征作为输入样本,将缺陷类型代码作为输出样本,并将输入样本和输出样本作为N个钢卷端部图片各自的训练样本。
也就是说,N个钢卷端部图片各自的训练样本包括输入样本和输出样本。
其中,输入样本为钢卷端部的缺陷特征,输出样本为钢卷端部的缺陷类型代码。
在获得该训练样本之后,该训练样本包括训练子样本和测试子样本,其中,训练子样本数量占训练样本80%,测试子样本占训练样本20%,当然,还可以按照其他比例进行分配,该训练子样本用于对分类模型进行训练,该测试子样本对该分类模型进行测试。
这里的训练样本需要经过批量处理,使其符合规定格式,写入到txt文件中,以便于后期的训练。
接着,执行S103,将N个钢卷端部图片各自的训练样本输入分类模型,以对分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型。
如图2所示,这里的分类模型,包括输入层、卷积层、RPN(Region-Proposal-Network)网络、RolPooling(Region-of-Interest-Pooling)层、全连接层以及输出层。
其中,输入层用于输入训练子样本中的输入样本(M×N图片),该输出层包括多个径向基函数单元。输出层将训练子样本中的输出样本作为输出。
该卷积层有十六层,每一层卷积层均会获得一个特征图,每个特征图均是通过一种卷积滤波器从钢卷端口图片中所提取的。
RPN网络包括多个卷积层和多个全连接层,每个卷积层均有特定的卷积滤波器,每层全连接层均包括多个神经元。
RolPooling层包括多个卷积层和池化层,每层卷积层均有特定的卷积滤波器,每层池化层均含有特定的池化窗口。
全连接层,即FC层,有多层,每层全连接层均含有多个神经元。
在将N个钢卷端部图片各自的训练样本输入分类模型,具体是将训练子样本输入该分类模型,由此来训练该分类模型,从而得到用于对钢卷端部缺陷进行分类的模型。其中,具体是对该分类模型中的特征图数量、卷积核大小、步长、输出通道数量、神经元的数量、各神经元之间的权重系数、偏置量、学习率以及训练世代数等参数进行训练,以得到合适的参数。
在采用该训练子样本对该分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型之后,采用该测试子样本对该分类模型进行测试,具体是将该测试子样本中的输入样本输入该分类模型中,将输出结果与该测试子样本中的输出样本进行比对,如果该输出结果与输出样本不相同,则需要对上述的分类模型的参数进行调整,以使得该输出结果与输出样本相同,从而得到稳定的用于对钢卷端部缺陷进行分类的模型。
具体地,该用于对钢卷端部缺陷进行分类的模型是基于TensorFLow或者Caffe框架在CUDA混合计算平台构建的。
在获得该用于对钢卷端部缺陷进行分类的模型之后,执行S104,将待分类的钢卷端部图片输入该用于对钢卷端部缺陷进行分类的模型中,获得待分类钢卷端部缺陷分类结果,该缺陷分类结果包括缺陷类型和缺陷位置。
该步骤是对该用于对钢卷端部缺陷进行分类的模型的应用过程,即将待分类的钢卷端部图片直接输入该模型中,由该模型输出缺陷分类结果,该缺陷分类结果包括缺陷类型和缺陷位置。
这里的缺陷类型具体为如下的一种或者多种,毛刺、扁卷、边裂。
在获得缺陷分类结果之后,执行S105,基于该缺陷分类结果,获得钢卷的质量等级。
具体地,先获得钢卷的缺陷严重程度以及缺陷的数量,然后,基于该钢卷的缺陷分类结果、缺陷严重程度以及缺陷的数量,获得钢卷的质量等级。
其中,钢卷的严重程度是有经验的技术人员判断的,该缺陷的数量可以通过软件统计获得,在钢卷的缺陷分类结果、缺陷严重程度以及缺陷的数量都获得之后,针对不同的钢卷类型,获得钢卷的质量等级。
比如,在钢卷类型为1类时,对应的缺陷不会对该类型钢卷造成影响,因此,判定该钢卷的质量等级较高。
在钢卷类型为2类时,同样的缺陷,会对该类型钢卷造成影响,因此,判定该钢卷的质量等级较低。
判定的规则就不再详细赘述了,具体根据钢卷的类型进行判定。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供的钢卷质量的判定方法,包括:获取N个钢卷端部图片,N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置,然后,对N个钢卷端部图片进行缺陷特征处理,获得N个钢卷端部图片各自的训练样本,将N个钢卷端部图片各自的训练样本输入分类模型,以对分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型,将待分类的钢卷端部图片输入该用于对钢卷端部缺陷进行分类的模型中,获得待分类钢卷端部缺陷的缺陷分类结果,基于该分类结果,获得钢卷的质量等级,进而利用深度学习网络提高了钢卷端部缺陷的识别准确性以及识别效率,对质量评估提供准确的依据。
实施例二
基于相同的发明构思,本发明实施例还提供了一种钢卷质量的判定装置,如图3所示,包括:
图片获取模块301,用于获取N个钢卷端部图片,N为正整数,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;
训练样本获得模块302,用于对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本;
模型得到模块303,用于将所述N个钢卷端部图片各自的训练样本输入分类模型,以对所述分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;
缺陷分类结果获得模块304,用于将待分类的钢卷端部图片输入所述用于对钢卷端部缺陷进行分类的模型中,获得所述待分类钢卷端部缺陷的缺陷分类结果,所述缺陷分类结果包括缺陷类型和缺陷的位置;
质量等级获得模块305,用于基于所述缺陷分类结果,获得所述钢卷的质量等级。
在一种可选的实施方式中,该训练样本获得模块302,包括:
标记单元,用于对所述N个钢卷端部图片中的缺陷特征进行分类,并对每个分类标记缺陷类型代码;
输入输出样本分类单元,用于将所述N个钢卷端部图片中的所述缺陷特征作为输入样本,将所述缺陷类型代码作为输出样本,并将所述输入样本和所述输出样本作为所述N个钢卷端部图片各自的训练样本。
在一种可选的实施方式中,该训练样本包括训练子样本和测试子样本。
该训练子样本用于对分类模块进行训练,该测试子样本用于对分类模块进行测试,由此得到该用于对钢卷端部缺陷进行分类的模型。
在一种可选的实施方式中,该缺陷类型包括如下任意一种或多种:毛刺、扁卷、边裂。
在一种可选的实施方式中,质量等级获得模块305,包括:
第一获得单元,用于获得所述钢卷的缺陷严重程度、缺陷的数量;
第二获得单元,用于基于所述钢卷的缺陷分类结果、缺陷严重程度以及缺陷的数量,获得所述钢卷的质量等级。
实施例三
基于相同的发明构思,本发明还提供了一种钢卷质量的判定系统,如图4所示,包括:
光源401,用于将产生的光线照射至钢卷A端部。
图片采集装置402,位于经钢卷A端部反射的光路上,用于采集钢卷端部图片;
如实施例二所述的判定装置403,与该图像采集装置402连接,用于基于该钢卷端部图片,获得钢卷A的质量等级。
在一种可选的实施方式中,该判定系统还包括:显示模块404,与该判定装置403连接,用于显示该钢卷A的质量等级。
其中,该光源401具体为LED照明光源,该图片采集装置402具体为工业相机。
在需要对钢卷的多个端部擦剂图片时,可以在钢卷的多个端部设置相应的光源401和图片采集装置402.
实施例四
基于相同的发明构思,本发明实施例四提供了一种电子设备,如图5所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现上述钢卷质量的判定方法的步骤。
其中,在图5中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
实施例五
基于相同的发明构思,本发明实施例五提供了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上述钢卷质量的判定方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的钢卷质量的判定装置、电子设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种钢卷质量的判定方法,其特征在于,包括:
获取N个钢卷端部图片,N为正整数,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;
对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本;
将所述N个钢卷端部图片各自的训练样本输入分类模型,以对所述分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;
将待分类的钢卷端部图片输入所述用于对钢卷端部缺陷进行分类的模型中,获得所述待分类钢卷端部缺陷的缺陷分类结果,所述缺陷分类结果包括缺陷类型和缺陷位置;
基于所述缺陷分类结果,获得所述钢卷的质量等级。
2.如权利要求1所述的方法,其特征在于,所述对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本,包括:
对所述N个钢卷端部图片中的缺陷特征进行分类,并对每个分类标记缺陷类型代码;
将所述N个钢卷端部图片中的所述缺陷特征作为输入样本,将所述缺陷类型代码作为输出样本,并将所述输入样本和所述输出样本作为所述N个钢卷端部图片各自的训练样本。
3.如权利要求2所述的方法,其特征在于,所述训练样本包括训练子样本和测试子样本。
4.如权利要求1所述的方法,其特征在于,所述缺陷类型包括如下一种或多种:
毛刺、扁卷、边裂。
5.如权利要求1所述的方法,其特征在于,在基于所述缺陷分类结果,获得所述钢卷的质量等级,包括:
获得所述钢卷的缺陷严重程度、缺陷的数量;
基于所述钢卷的缺陷分类结果、缺陷严重程度以及缺陷的数量,获得所述钢卷的质量等级。
6.一种钢卷质量的判定装置,其特征在于,包括:
图片获取模块,用于获取N个钢卷端部图片,N为正整数,所述N个钢卷端部图片中均标记有钢卷端部的缺陷以及缺陷位置;
训练样本获得模块,用于对所述N个钢卷端部图片进行缺陷特征处理,获得所述N个钢卷端部图片各自的训练样本;
模型得到模块,用于将所述N个钢卷端部图片各自的训练样本输入分类模型,以对所述分类模型进行训练,得到用于对钢卷端部缺陷进行分类的模型;
缺陷分类结果获得模块,用于将待分类的钢卷端部图片输入所述用于对钢卷端部缺陷进行分类的模型中,获得所述待分类钢卷端部缺陷的缺陷分类结果,所述缺陷分类结果包括缺陷类型和缺陷的位置;
质量等级获得模块,用于基于所述缺陷分类结果,获得所述钢卷的质量等级。
7.一种钢卷质量的判定系统,其特征在于,包括:
光源,用于将产生的光线照射至钢卷端部;
图片采集装置,位于经所述钢卷端部反射的光路上,用于采集所述钢卷端部图片;
如权利要求6所述的判定装置,与所述图片采集装置连接,用于基于所述钢卷端部图片,获得所述钢卷的质量等级。
8.如权利要求7所述的判定系统,其特征在于,还包括:
显示模块,与所述判定装置连接,用于显示所述钢卷的质量等级。
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,该程序被处理器执行时实现如权利要求1-5中任一权利要求所述的方法步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一权利要求所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401649.4A CN113240628A (zh) | 2021-04-14 | 2021-04-14 | 一种钢卷质量的判定方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401649.4A CN113240628A (zh) | 2021-04-14 | 2021-04-14 | 一种钢卷质量的判定方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240628A true CN113240628A (zh) | 2021-08-10 |
Family
ID=77128298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401649.4A Pending CN113240628A (zh) | 2021-04-14 | 2021-04-14 | 一种钢卷质量的判定方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781456A (zh) * | 2021-09-16 | 2021-12-10 | 欧冶云商股份有限公司 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN112233067A (zh) * | 2020-09-21 | 2021-01-15 | 武汉钢铁有限公司 | 一种热轧钢卷端面质量检测方法及系统 |
-
2021
- 2021-04-14 CN CN202110401649.4A patent/CN113240628A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN112233067A (zh) * | 2020-09-21 | 2021-01-15 | 武汉钢铁有限公司 | 一种热轧钢卷端面质量检测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781456A (zh) * | 2021-09-16 | 2021-12-10 | 欧冶云商股份有限公司 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
CN113095438A (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN109934223B (zh) | 实例分割结果评价参数确定方法及装置 | |
CN113780435B (zh) | 车辆损伤检测方法、装置、设备及存储介质 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN111311546A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN104252056A (zh) | 一种基板的检测方法及装置 | |
CN111311545A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
CN113240628A (zh) | 一种钢卷质量的判定方法、装置及系统 | |
CN115495608A (zh) | 基于模型的缺陷检测方法及系统 | |
CN110567967B (zh) | 显示面板检测方法、系统、终端设备及计算机可读介质 | |
CN111275682A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN110751170A (zh) | 面板质量检测方法、系统、终端设备及计算机可读介质 | |
CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
CN111612021B (zh) | 一种错误样本识别方法、装置及终端 | |
CN113516328B (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
CN115063113A (zh) | 一种遥感影像的影像质量评价方法和装置 | |
CN115861160A (zh) | 一种手机电源接口表面缺陷检测方法、装置和存储介质 | |
US20240193460A1 (en) | Data processing method and data processing apparatus | |
CN112016012B (zh) | 资源服务质量智能拨测方法及装置 |
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 |