CN114638783A - 一种基于图像识别的钢卷高度对中系统 - Google Patents

一种基于图像识别的钢卷高度对中系统 Download PDF

Info

Publication number
CN114638783A
CN114638783A CN202210125457.XA CN202210125457A CN114638783A CN 114638783 A CN114638783 A CN 114638783A CN 202210125457 A CN202210125457 A CN 202210125457A CN 114638783 A CN114638783 A CN 114638783A
Authority
CN
China
Prior art keywords
steel coil
centering
height centering
coil height
image
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
Application number
CN202210125457.XA
Other languages
English (en)
Inventor
夏志
张毅
唐文
周云根
徐启发
熊俊伟
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.)
Wisdri Engineering and Research Incorporation Ltd
Original Assignee
Wisdri Engineering and Research Incorporation 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 Wisdri Engineering and Research Incorporation Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN202210125457.XA priority Critical patent/CN114638783A/zh
Publication of CN114638783A publication Critical patent/CN114638783A/zh
Priority to PCT/CN2022/112413 priority patent/WO2023151248A1/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像识别的钢卷高度对中系统，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:钢卷图像获取单元，用于拍摄钢卷高度对中图片；钢卷高度对中识别单元，用于对钢卷高度对中图片进行识别；钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果进行输出。系统基于相机拍摄对中图像，通过图像识别是否完成高度对中，可视化程度高；系统可识别钢卷内圈是否松卷，Yolo模型可重新训练，增加对更多异常工况的识别；系统通过动态调节相机曝光时间和增益来保证对中图像平均灰度值在合适的范围内，减小因季节、早晚和天车运行等造成的图像灰度差异。

Description

一种基于图像识别的钢卷高度对中系统
技术领域
本发明涉及的是冷轧处理线领域，特别涉及一种基于图像识别的钢卷高度对中系统。
背景技术
在冷轧处理线上，上卷小车从鞍座位取钢卷，然后将钢卷运送到开卷机附近进行高度对中，使钢卷高度中心位与开卷机芯轴的中心位一致，最后将钢卷插入到开卷机芯轴上。
目前，自动高度对中系统多采用光电开关检测钢卷外圈换算求出钢卷中心位，在实际生产过程中，钢卷内圈和外圈存在松卷或其他异常状态，高度对中难以得到保证，可能产生翻卷事故，导致设备损坏，甚至危及操作工安全。
在人工对中模式中，操作工通过眼睛观察是否可透过钢卷内圈看到开卷机芯轴判断是否实现高度对中，然而，采用人工进行钢卷高度对中检测，存在效率低、准确度低和工作强度大等问题。借鉴人工对中模式，本发明设计一种基于图像识别的钢卷高度对中系统解决传统基于光电开关实现高度对中方法存在的问题。
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一种基于图像识别的钢卷高度对中系统。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于图像识别的钢卷高度对中系统，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:
钢卷图像获取单元，用于拍摄钢卷高度对中图片，并将钢卷高度对中图片传输给钢卷高度对中识别单元；
钢卷高度对中识别单元，用于接收钢卷高度对中图片，对钢卷高度对中图片进行识别，向钢卷高度对中识别结果输出单元输出高度对中结果；
钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果向用户进行输出。
进一步地，图像获取单元包括相机支架、镜头和相机，其中，相机支架用于为镜头、相机提供支撑和防护，相机用于拍摄钢卷高度对中图片，通过网线将拍摄钢卷高度对中图片发送给钢卷高度对中识别单元。
进一步地，钢卷高度对中识别单元包括图像数据采集与可视化子单元、相机参数动态调节子单元和对中图像识别子单元组成；其中：
图像数据采集与可视化子单元通过网线从相机读取拍摄的对中图像，存储到计算机主机硬盘并在计算机显示器上可视化显示；相机参数动态调节子单元针对现场因季节、早晚和天车运行造成的图像灰度差异进行处理；对中图像识别子单元调用定制的训练好的Yolo目标检测模型，识别钢卷内圈是否存在松卷并定位钢卷内圈和开卷机芯轴位置，通过计算钢卷内圈边框矩形中心位置和开卷机芯轴边框矩形中心位置之差，完成钢卷高度对中图像识别处理。
进一步地，相机参数动态调节子单元通过动态调节相机曝光时间和增益，确保相机拍摄的对中图像平均灰度值在合适的范围内，如果灰度值偏高，则减小曝光时间和增益，灰度值偏小，则增大曝光时间和增益。
进一步地，Yolo目标检测模型训练的具体方法为：在计算机主机上搭建Darknet或其他深度学习环境，浏览采集的大量图片，从中筛选合适且足量的的图片作为Yolo模型训练样本，利用LabelImg软件进行目标标记，基于标记好的样本图片，利用Darknet或其他深度学习环境对Yolo目标检测模型在计算机主机C4上通过GPU进行训练，直至误差控制在允许范围内。
进一步地，钢卷高度对中识别结果输出单元，包括显示器和音箱，分别通过显示器和音箱将对中识别结果进行可视化和语音进行输出。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开的一种基于图像识别的钢卷高度对中系统，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:钢卷图像获取单元，用于拍摄钢卷高度对中图片，并将钢卷高度对中图片传输给钢卷高度对中识别单元；钢卷高度对中识别单元，用于接收钢卷高度对中图片，对钢卷高度对中图片进行识别，向钢卷高度对中识别结果输出单元输出高度对中结果；钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果向用户进行输出。本系统基于相机拍摄对中图像，通过图像识别是否完成高度对中，可视化程度高；系统可识别钢卷内圈是否松卷，Yolo模型可重新训练，增加对更多异常工况的识别；系统通过动态调节相机曝光时间和增益来保证对中图像平均灰度值在合适的范围内，减小现场因季节、早晚和天车运行等造成的图像灰度差异；
系统通过计算机显示器进行可视化提示，通过音箱进行语音提示，交互性好。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于图像识别的钢卷高度对中系统的结构图；
图2为本发明实施例1中，一种基于图像识别的钢卷高度对中系统的Yolo目标检测模型训练误差图；
图3为本发明实施例2中，钢卷高度对中识别单元识别结果图。
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。
为了解决现有技术中存在的问题，本发明实施例提供一种基于图像识别的钢卷高度对中系统。
实施例1
本实施例公开了一种基于图像识别的钢卷高度对中系统，如图1，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:
钢卷图像获取单元，用于拍摄钢卷高度对中图片，并将钢卷高度对中图片传输给钢卷高度对中识别单元；在本实施例中，图像获取单元包括相机支架、镜头和相机，其中，相机支架用于为镜头、相机提供支撑和防护，相机用于拍摄钢卷高度对中图片，通过网线将拍摄钢卷高度对中图片发送给钢卷高度对中识别单元。在一些优选实施例中，相机采用面阵相机，网线采用GIGE网线用于图像传输，在生产过程中，相机持续进行图像采集，采集不同时段、不同规格、不同内圈形态的对中图像。
钢卷高度对中识别单元，用于接收钢卷高度对中图片，对钢卷高度对中图片进行识别，向钢卷高度对中识别结果输出单元输出高度对中结果；
具体的，钢卷高度对中识别单元包括图像数据采集与可视化子单元、相机参数动态调节子单元和对中图像识别子单元组成；其中：
图像数据采集与可视化子单元通过网线从相机读取拍摄的对中图像，存储到计算机主机硬盘并在计算机显示器上可视化显示；相机参数动态调节子单元针对现场因季节、早晚和天车运行造成的图像灰度差异进行处理；对中图像识别子单元调用定制的训练好的Yolo目标检测模型，识别钢卷内圈是否存在松卷并定位钢卷内圈和开卷机芯轴位置，通过计算钢卷内圈边框矩形中心位置和开卷机芯轴边框矩形中心位置之差，完成钢卷高度对中图像识别处理。
在本实施例中，相机参数动态调节子单元通过动态调节相机曝光时间和增益，确保相机拍摄的对中图像平均灰度值在合适的范围内，如果灰度值偏高，则减小曝光时间和增益，灰度值偏小，则增大曝光时间和增益。Yolo目标检测模型训练的具体方法为：在计算机主机上搭建Darknet或其他深度学习环境，浏览采集的大量图片，从中筛选合适且足量的的图片作为Yolo模型训练样本，利用LabelImg软件进行目标标记，基于标记好的样本图片，利用Darknet或其他深度学习环境对Yolo目标检测模型在计算机主机C4上通过GPU进行训练，直至误差控制在允许范围内，训练误差曲线如图2所示。
钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果向用户进行输出。在本实施例中，钢卷高度对中识别结果输出单元，包括显示器和音箱，分别通过显示器和音箱将对中识别结果进行可视化和语音进行输出。
在一些优选实施例中，当钢卷高度对中识别单元进行工作，调用定制的训练好的Yolo目标检测模型，识别钢卷内圈是否存在松卷并定位钢卷内圈和开卷机芯轴位置，位置数据见表1，识别结果如图3所示，通过计算钢卷内圈边框矩形中心位置和开卷机芯轴边框矩形中心位置之差，如果中心位置只差在生产允许范围内，则判定完成对中，并通过计算机显示器给出画面提示，通过音箱给出语音提示，指导入口上卷操作。在基于图像识别的钢卷高度对中系统基础之上，综合带钢来料特性，可统计分析不同钢种和不同规格钢卷内圈松卷情况，给出内圈松卷质量改进建议。
表1目标位置数据
目标名称 左上角X坐标 左上角Y坐标 宽度 高度 置信度
drum 258 296 520 533 0.9999998
inner 85 77 866 880 0.999999
callapse 775 281 143 617 0.9066179
本实施例公开的一种基于图像识别的钢卷高度对中系统，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:钢卷图像获取单元，用于拍摄钢卷高度对中图片，并将钢卷高度对中图片传输给钢卷高度对中识别单元；钢卷高度对中识别单元，用于接收钢卷高度对中图片，对钢卷高度对中图片进行识别，向钢卷高度对中识别结果输出单元输出高度对中结果；钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果向用户进行输出。本系统基于相机拍摄对中图像，通过图像识别是否完成高度对中，可视化程度高；系统可识别钢卷内圈是否松卷，Yolo模型可重新训练，增加对更多异常工况的识别；系统通过动态调节相机曝光时间和增益来保证对中图像平均灰度值在合适的范围内，减小现场因季节、早晚和天车运行等造成的图像灰度差异；系统通过计算机显示器进行可视化提示，通过音箱进行语音提示，交互性好。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (6)

1.一种基于图像识别的钢卷高度对中系统，其特征在于，包括：钢卷高度对中图像获取单元、钢卷高度对中识别单元和钢卷高度对中识别结果输出单元；其中:
钢卷图像获取单元，用于拍摄钢卷高度对中图片，并将钢卷高度对中图片传输给钢卷高度对中识别单元；
钢卷高度对中识别单元，用于接收钢卷高度对中图片，对钢卷高度对中图片进行识别，向钢卷高度对中识别结果输出单元输出高度对中结果；
钢卷高度对中识别结果输出单元，接收钢卷高度对中识别单元发送的高度对中结果，并通过多种方式将高度对中结果向用户进行输出。
2.如权利要求1所述的一种基于图像识别的钢卷高度对中系统，其特征在于，图像获取单元包括相机支架、镜头和相机，其中，相机支架用于为镜头、相机提供支撑和防护，相机用于拍摄钢卷高度对中图片，通过网线将拍摄钢卷高度对中图片发送给钢卷高度对中识别单元。
3.如权利要求1所述的一种基于图像识别的钢卷高度对中系统，其特征在于，钢卷高度对中识别单元包括图像数据采集与可视化子单元、相机参数动态调节子单元和对中图像识别子单元组成；其中：
图像数据采集与可视化子单元通过网线从相机读取拍摄的对中图像，存储到计算机主机硬盘并在计算机显示器上可视化显示；相机参数动态调节子单元针对现场因季节、早晚和天车运行造成的图像灰度差异进行处理；对中图像识别子单元调用定制的训练好的Yolo目标检测模型，识别钢卷内圈是否存在松卷并定位钢卷内圈和开卷机芯轴位置，通过计算钢卷内圈边框矩形中心位置和开卷机芯轴边框矩形中心位置之差，完成钢卷高度对中图像识别处理。
4.如权利要求3所述的一种基于图像识别的钢卷高度对中系统，其特征在于，相机参数动态调节子单元通过动态调节相机曝光时间和增益，确保相机拍摄的对中图像平均灰度值在合适的范围内，如果灰度值偏高，则减小曝光时间和增益，灰度值偏小，则增大曝光时间和增益。
5.如权利要求3所述的一种基于图像识别的钢卷高度对中系统，其特征在于，Yolo目标检测模型训练的具体方法为：在计算机主机上搭建Darknet或其他深度学习环境，浏览采集的大量图片，从中筛选合适且足量的的图片作为Yolo模型训练样本，利用LabelImg软件进行目标标记，基于标记好的样本图片，利用Darknet或其他深度学习环境对Yolo目标检测模型在计算机主机C4上通过GPU进行训练，直至误差控制在允许范围内。
6.如权利要求1所述的一种基于图像识别的钢卷高度对中系统，其特征在于，钢卷高度对中识别结果输出单元，包括显示器和音箱，分别通过显示器和音箱将对中识别结果进行可视化和语音进行输出。
CN202210125457.XA 2022-02-10 2022-02-10 一种基于图像识别的钢卷高度对中系统 Pending CN114638783A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210125457.XA CN114638783A (zh) 2022-02-10 2022-02-10 一种基于图像识别的钢卷高度对中系统
PCT/CN2022/112413 WO2023151248A1 (zh) 2022-02-10 2022-08-15 一种基于图像识别的钢卷高度对中系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125457.XA CN114638783A (zh) 2022-02-10 2022-02-10 一种基于图像识别的钢卷高度对中系统

Publications (1)

Publication Number Publication Date
CN114638783A true CN114638783A (zh) 2022-06-17

Family

ID=81946237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125457.XA Pending CN114638783A (zh) 2022-02-10 2022-02-10 一种基于图像识别的钢卷高度对中系统

Country Status (2)

Country Link
CN (1) CN114638783A (zh)
WO (1) WO2023151248A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402784A (zh) * 2023-03-29 2023-07-07 湖北工业大学 基于机器视觉的辅助对中方法、系统、设备及存储介质
WO2023151248A1 (zh) * 2022-02-10 2023-08-17 中冶南方工程技术有限公司 一种基于图像识别的钢卷高度对中系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844770A (zh) * 2017-11-03 2018-03-27 东北大学 一种基于视频的电熔镁炉异常工况自动识别系统
CN110436349A (zh) * 2019-07-19 2019-11-12 上海宝信软件股份有限公司 基于图像识别的无人全自动行车夹钳对中调整系统及方法
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
CN112288716A (zh) * 2020-10-28 2021-01-29 中冶赛迪重庆信息技术有限公司 一种钢卷打捆状态检测方法、系统、终端及介质
CN113052133A (zh) * 2021-04-20 2021-06-29 平安普惠企业管理有限公司 一种基于YOLOv3的安全帽识别方法、装置、介质及设备
CN113177941A (zh) * 2021-05-31 2021-07-27 中冶赛迪重庆信息技术有限公司 一种钢卷边裂识别方法、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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968104B (zh) * 2020-08-27 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种基于机器视觉的钢卷异常识别方法、系统、设备及介质
CN114638783A (zh) * 2022-02-10 2022-06-17 中冶南方工程技术有限公司 一种基于图像识别的钢卷高度对中系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844770A (zh) * 2017-11-03 2018-03-27 东北大学 一种基于视频的电熔镁炉异常工况自动识别系统
CN110436349A (zh) * 2019-07-19 2019-11-12 上海宝信软件股份有限公司 基于图像识别的无人全自动行车夹钳对中调整系统及方法
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
CN112288716A (zh) * 2020-10-28 2021-01-29 中冶赛迪重庆信息技术有限公司 一种钢卷打捆状态检测方法、系统、终端及介质
CN113052133A (zh) * 2021-04-20 2021-06-29 平安普惠企业管理有限公司 一种基于YOLOv3的安全帽识别方法、装置、介质及设备
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
CN113177941A (zh) * 2021-05-31 2021-07-27 中冶赛迪重庆信息技术有限公司 一种钢卷边裂识别方法、系统、介质和终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023151248A1 (zh) * 2022-02-10 2023-08-17 中冶南方工程技术有限公司 一种基于图像识别的钢卷高度对中系统
CN116402784A (zh) * 2023-03-29 2023-07-07 湖北工业大学 基于机器视觉的辅助对中方法、系统、设备及存储介质

Also Published As

Publication number Publication date
WO2023151248A1 (zh) 2023-08-17

Similar Documents

Publication Publication Date Title
CN114638783A (zh) 一种基于图像识别的钢卷高度对中系统
CN102521560A (zh) 高鲁棒仪表指针图像识别方法
CN103400124A (zh) 一种试卷识别方法及装置
CN111191546A (zh) 基于机器视觉识别的产品智能装配方法
EP1590714B1 (de) Projektion von synthetischer information
CN109086763B (zh) 一种指针式仪表读取方法及装置
CN104866847A (zh) 一种快速的鲁棒答题卡识别方法
CN117330156A (zh) 一种气体流量计故障自动检测分析装置
CN116205982A (zh) 基于图像分析的微生物计数方法、装置、设备及存储介质
CN110782484A (zh) 一种无人机视频人员识别追踪的方法
CN109683282B (zh) 一种低畸变广角定焦线扫机器视觉镜头光学系统
CN111275671A (zh) 一种机器人配合3d技术视觉识别方法
CN112734966B (zh) 一种融合WiFi数据与人脸识别的课堂点名方法
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
CN107197404B (zh) 一种音效自动调节方法、装置和一种录播系统
CN107131934A (zh) 一种货物计重装置及船舶货物计重系统
CN115457276B (zh) 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法
CN116843761A (zh) 螺栓尺寸测量方法和装置、电子设备及存储介质
CN113639657B (zh) 方坯弯曲检测方法及装置、棒线材原料坯弯曲检测系统
CN116380193A (zh) 一种用于实现智能车间的物料位状态检测系统
CN113406920A (zh) 一种基于机器视觉的箱体定位控制系统及其方法
CN110611749A (zh) 一种图像处理方法及装置
CN113554635A (zh) 基于人工智能的钢卷松卷自动检测方法和装置
CN112149768A (zh) 一种融合视频监控和射频识别统计影院观众数目的方法
JP7512451B2 (ja) メータ読み取り作業支援システムおよび方法

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