CN114998253A - 一种对于连铸坯内部裂纹评级的方法及系统 - Google Patents
一种对于连铸坯内部裂纹评级的方法及系统 Download PDFInfo
- Publication number
- CN114998253A CN114998253A CN202210605102.0A CN202210605102A CN114998253A CN 114998253 A CN114998253 A CN 114998253A CN 202210605102 A CN202210605102 A CN 202210605102A CN 114998253 A CN114998253 A CN 114998253A
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- cracks
- rating
- crack
- casting billet
- 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
- 238000009749 continuous casting Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005266 casting Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 25
- 239000010959 steel Substances 0.000 claims description 25
- 238000013136 deep learning model Methods 0.000 claims description 19
- 230000007797 corrosion Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000002253 acid Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000002436 steel type Substances 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005070 sampling 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种对于连铸坯内部裂纹评级的方法及系统,涉及连铸坯质量评价领域;通过深度学习技术与机器视觉技术的相结合,实现对连铸坯裂纹的分割及裂纹等级的计算,从而实现在识别裂纹时有着较高的准确率及效率,便于用户使用及数据采集,能够替代传统的人工评级方式,提高了评级效率与准确性,减少了主观因素的影响。针对裂纹在连铸坯中占比少,难以分割的问题,采用具有多尺度融合能力的pspnet对其进行分割,得到了精准的裂纹分割效果,通过构建连铸工艺参数及相应铸坯等级的数据库,便于用户对比数据,对连铸工艺进行优化。
Description
技术领域
本发明涉及连铸坯质量评价领域,具体涉及一种对于连铸坯内部裂纹评级的方法及系统。
背景技术
连铸是钢铁生产的主要技术手段,是钢铁生产中重要的环节。随着社会对钢铁要求越来越严格,连铸坯的质量越发重要。质量不合格的钢,其价格可能降低40%甚至报废,给钢厂带来巨大的经济损失。因此,对连铸坯的质量信息的追踪检测是现代化钢铁生产过程中必不可少的一部分。
铸坯内部裂纹是一种常见的内部缺陷,其对普通钢的影响较小。但当内部裂纹严重时,会造成铸坯厚度方向的力学性能变差,此外,内部裂纹还会导致在切割厚板时出现剪切裂纹。在钢的生产过程中,需对铸坯的内部裂纹进行分级,不同等级的铸坯应用于相应钢材的生产,以此提高钢厂效率及效益。对内部裂纹主要的检测方法为低倍检验,即通过放大倍数不大于10倍的放大镜或人眼检测钢内部宏观缺陷。通过对低倍质量的精确检测可起到优化连铸工艺,提高连铸坯质量,提高钢厂效益的作用。但是对内部裂纹的评级,目前大多采取人工评级,即评级人员将经酸浸腐蚀的铸坯图像与冶金行业标准YB/T 4003-2016《连铸钢板坯低倍组织缺陷评级图》上的评级图进行对比,得到相应的评级报告。然而,这种人工方法准确率较低,主观意愿较强,不能发挥出低倍检验在连铸坯生产应有的作用。且评级结果以报表形式存储,不能及时地通过数据分析,改进连铸工艺。
发明内容
为解决现有工艺的不足,本发明提供一种对于连铸坯内部裂纹评级的方法及系统,通过深度学习技术与机器视觉技术的相结合,实现对连铸坯裂纹的分割及裂纹等级的计算,从而实现在识别裂纹时有着较高的准确率及效率,便于用户使用及数据采集。
为实现上述目的,本发明采用如下技术方案:
一种对于连铸坯内部裂纹评级的方法,包括以下步骤:
S1:对连铸坯试样进行低倍热酸腐蚀,使用数码相机采集腐蚀后的连铸坯低倍试样图像;
S2:将采集的图像送往深度学习模型进行训练;
S3:设定待评价连铸坯的铸坯工艺信息及采集的包含待评价连铸坯低倍试样图像;所述铸坯工艺信息包括工艺参数及尺寸;
S4:利用已训练好的深度学习模型,将采集的图像中连铸坯低倍试样与背景进行分割,并统计连铸坯低倍试样等效矩形宽像素数为N1;
S5:利用已训练好的深度学习模型对待评价连铸坯低倍试样进行裂纹类别判断及分割,如存在裂纹,则对分割后的裂纹图像进行骨架化操作,并计算出中间裂纹、角部裂纹、三角区裂纹中骨架像素数最大值N2、N3、N4;
S6:根据S4、S5所得的N1、N2、N3、N4,得出连铸坯中间裂纹、角部裂纹、三角区裂纹相对比率W1=(N2/N1)*100%,W2=(N3/N1)*100%,W3=(N4/N1)*100%;通过铸坯实际宽度尺寸、铸坯图像像素数及裂纹骨架长计算得中间裂纹、角部裂纹、三角区裂纹实际长度L1=S*N2/N1、L2=S*N3/N1、L3=S*N4/N1;
S7:根据裂纹相对比率,结合冶金行业标准对所选连铸坯低倍试样图像进行评级,并将评级结果及裂纹实际长度输出;
S8:将铸坯工艺信息及评级结果记录至数据库,便于用户查找及对比,以此优化连铸工艺。
所述冶金行业标准采用YB/T 4003-2016。
所述S1中,热酸腐蚀包括以下步骤:
S1.1:截取一段连铸坯,进行加工打磨至连铸坯表面粗糙度Ra小于1.6μm;
S1.2:根据钢种及铸坯尺寸选择腐蚀液及腐蚀温度对连铸坯进行腐蚀;
S1.3:用热水清洗并吹干,拍摄照片采集样本。
所述S1中低倍试样为放大倍数不大于10的连铸坯腐蚀试样。
所述S2中,深度学习模型训练,包括以下步骤:
S2.1:采集连铸坯低倍试样图像,对低倍试样图像及裂纹图像进行标注,制作训练集Strain、测试集Stest及验证集Sval;
S2.2:对制作的数据集进行数据增强操作;
所述数据增强操作,采用连铸坯低倍试样图像的水平翻转、垂直翻转及平移操作中任选其中一种或多种;
S2.3:将数据集重设大小,其图像大小设为(H,W,C)后送至深度学习模型,其中H表示重设后图像的高,W表示重设后图像的宽,C表示重设后图像的通道数;
S2.4:在TensorFlow中采用cross entropy与自定义loss分别作为铸坯识别与裂纹识别损失函数,dice作为评价标准对模型进行训练,直至达到规定训练次数或损失函数低于设定值时停止训练;
S2.5:对训练好的模型进行测试,对评级指标dice大于设定阈值的模型进行保存,否则重复步骤S2.4继续训练。
所述评级指标dice设定阈值为0.6。
所述S4中深度学习模型采用改进的unet模型,选用了经四次下采样的unet模型,并在其中加入了BN层,激活函数选择为relu。
所述S5中对裂纹进行识别及分割方法为:将连铸坯低倍试样图像输入yolo v3模型进行检测,判别是否存在裂纹及裂纹类别。
若铸坯中包含裂纹,则将低倍图像送至pspnet模型中进行语义分割;若不包含,则输出不存在裂纹。
所述裂纹类别为中间裂纹、角部裂纹、三角区裂纹中的一种或多种。
另一方面,提出了一种对于连铸坯内部裂纹评级的系统,用于实现所述对于连铸坯内部裂纹评级的方法,包括推荐方案模块、样张处理模块、行业标准模块、历史数据查询模块、对历史评级数据进行更改、补充的评级修改模块及以图片的形式显示连铸坯处理结果的预测输出模块。
所述推荐方案模块:用户输入待评级连铸坯的尺寸及钢种,推荐输入连铸坯对应的酸浸腐蚀条件,实现定量的腐蚀效果。
所述样张处理模块:由选取试样参数、评级结果及情况分析组成。所述试样参数为,选择待评价连铸坯低倍试样照片及输入相应试样参数,包括铸坯尺寸、钢种、拉速、炉次、炉号、评级人、炉号、连铸机、过热度、电搅电流信息。在系统对输入照片评级完成后,将评级结果显示至该模块的评级结果部分,并对连铸坯内部裂纹产生原因进行分析,同时将评价结果及试样参数存储至数据库。
行业标准模块:对行业标准中裂纹的特征进行分析,并显示各级裂纹图片,对其进行定量化分析。
历史数据查询模块:选择起止时间、拉速、钢种、连铸机、裂纹级别对历史评级钢种进行筛选,对比连铸坯工艺参数,优化连铸工艺。
有益技术效果
1.本发明提供了一种对于连铸坯内部裂纹评级的方法及系统,能够替代传统的人工评级方式,提高了评级效率与准确性,减少了主观因素的影响。
2.针对裂纹在连铸坯中占比少,难以分割的问题,本发明采用具有多尺度融合能力的pspnet对其进行分割,得到了精准的裂纹分割效果。
3.本发明构建了连铸工艺参数及相应铸坯等级的数据库,便于用户对比数据,对连铸工艺进行优化。
附图说明
图1为本发明实施例提供的一种对于连铸坯内部裂纹评级的方法流程图;
图2为本发明实施例提供的模型的评价函数dice示意图;
图3为本发明实施例提供的深度学习模型yolo v3的基本构架示意图;
图4为本发明实施例提供的深度学习模型pspnet的基本构架示意图;
图5为本发明实施例提供的样张处理模块图;
图6为本发明实施例提供的裂纹划分结果展示图;
图7为本发明实施例提供的历史数据查询模块示意图;
图8为本发明实施例提供的一种对于连铸坯内部裂纹评级的系统结构示意图。
具体实施方式
为更好的阐述本发明,下面结合附图及实施例对本发明作进一步说明。
本实施例提供一种对于连铸坯内部裂纹评级的方法,如图1所示,包括以下步骤:
S1:对连铸坯试样进行低倍热酸腐蚀,使用数码相机采集腐蚀后的连铸坯低倍试样图像,具体包括以下步骤:
S1.1:截取一段连铸坯,并进行加工打磨至连铸坯表面粗糙度Ra小于1.6μm;
S1.2:根据钢种及铸坯尺寸选择合适的腐蚀液及腐蚀温度对连铸坯进行腐蚀;
S1.3:用热水清洗并吹干;
S2:将采集的图像送往深度学习模型进行训练,具体包括以下步骤:
S2.1:采集连铸坯低倍试样图像,人工对低倍试样图像及裂纹图像进行标注,制作训练集Strain、测试集Stest及验证集Sval;
S2.2:对制作的数据集进行数据增强,在深度学习中,一般要求样本的数量要充足,样本数量越多,训练出来的模型效果越好,模型的泛化能力越强;但由于连铸坯高质量的低倍试样图像较难获取,样本较少,这就要对连铸坯低倍试样图像做数据增强,以此提高数据集质量。本实施例中,采用的数据增强操作包含对连铸坯低倍试样图像的水平翻转、垂直翻转、平移;
S2.3:将数据集重设大小,其图像大小设为(H,W,C)后送至深度学习模型,其中H表示重设后图像的高,W表示重设后图像的宽,C表示重设后图像的通道数;
本实施例中,图像大小设为(1536,1536,3)时分割效果最好。
S2.4:在TensorFlow中采用cross entropy与自定义loss分别作为铸坯识别与裂纹识别损失函数,dice作为评价标准对模型进行训练,直至达到规定训练次数或损失函数低于设定值时停止训练;
cross entropy如式(1)所示:
自定义的Loss,如式(3)所示:
loss=Lbox+Lobj+Lcls (2)
其中,Lbox为检测误差,Lobj为置信度误差,Lcls为类别误差
dice定义,如图2所示,如式(3)所示:
其中,A是目标区域,B是模型预测区域。
S2.5:对训练好的模型进行测试,对评级指标dice大于设定阈值的模型进行保存,否则重复步骤S2.4继续训练;本实施例中,所述评级指标设定阈值为0.6。
S3:在系统界面上输入待评价连铸坯的工艺参数、尺寸及采集的包含待评价连铸坯低倍试样的图像;
本实施例中,低倍试样为是放大倍数不大于10的连铸坯腐蚀试样;
S4:利用已训练好的深度学习模型,将采集的图像中连铸坯低倍试样与背景进行分割,并统计连铸坯低倍试样等效矩形宽像素数为N1;
本实施例中,深度学习模型采用改进的unet模型,选用了经四次下采样的unet模型,并在其中加入了BN层,激活函数选择为relu;
S5:利用已训练好的深度学习模型对待评价连铸坯低倍试样进行裂纹类别判断及分割,如存在裂纹,则对分割后的裂纹图像进行骨架化操作,并计算出中间裂纹、角部裂纹、三角区裂纹中骨架像素数最大值N2、N3、N4;
所述裂纹进行识别及分割方法为:将连铸坯低倍试样图像输入yolo v3模型进行检测,判别是否存在裂纹及裂纹类别;
若铸坯中包含裂纹,则将低倍图像送至pspnet模型中进行语义分割;若不包含,则输出不存在裂纹。
所述裂纹类别为中间裂纹、角部裂纹、三角区裂纹中的一种或多种。
本实施例中,将连铸坯低倍试样图像送至yolo v3模型进行检测,判别是否存在裂纹及裂纹类别,yolo v3模型如图3所示;
如铸坯中包含裂纹,则将低倍图像送至pspnet模型中进行语义分割,如不包含,则输出不存在裂纹。所述pspnet模型如图4所示,能够聚合不同区域的上下文信息,从而提高获取全局信息的能力。所述裂纹类别为中间裂纹、角部裂纹、三角区裂纹中的一种或多种。
S6:根据S4、S5所得的N1、N2、N3、N4,得出连铸坯中间裂纹、角部裂纹、三角区裂纹相对比率W1=(N2/N1)*100%、W2=(N3/N1)*100%、W3=(N4/N1)*100%;通过铸坯实际宽度尺寸、铸坯图像像素数及裂纹骨架长计算得中间裂纹、角部裂纹、三角区裂纹实际长度L1=S*N2/N1、L2=S*N3/N1、L3=S*N4/N1;
S7::根据裂纹相对比率,结合量化的冶金行业标准YB/T 4003-2016对所选连铸坯低倍试样图像进行综合评级,并将评级结果及裂纹实际长度显示至界面,如图5所示,将对裂纹区的划分结果显示在系统的预测输出-裂纹模块,并便于用户观察,裂纹区域用方框标出,如图6所示,在该模块用户可自由的调整低倍图像尺寸,便于观察裂纹分割效果,可至评级修改模块对结果进行修改;
S8:将铸坯工艺信息及评级结果记录至数据库,为便于用户对数据进行查找及对比,本系统在界面设立历史数据查询模块,如图7所示,用户可选择起止时间、拉速、钢种、连铸机、各缺陷等级选项对历史评级钢种进行筛选,对比其工艺参数,优化连铸工艺。
另一方面,提出了一种对于连铸坯内部裂纹评级的系统,用于实现所述对于连铸坯内部裂纹评级的方法,如图8所示,包括推荐方案模块、样张处理模块、行业标准模块、历史数据查询模块、对历史评级数据进行更改、补充的评级修改模块及以图片的形式显示连铸坯处理结果的预测输出模块。
所述推荐方案模块:用户输入待评级连铸坯的尺寸及钢种,推荐输入连铸坯对应的酸浸腐蚀条件,实现定量的腐蚀效果。
所述样张处理模块:由选取试样参数、评级结果及情况分析组成。所述试样参数为,用户需选择待评价连铸坯低倍试样照片及输入相应试样参数如铸坯尺寸、钢种、拉速、炉次、炉号、评级人、炉号、连铸机、过热度、电搅电流信息。在系统对输入照片评级完成后,将评级结果显示至该模块的评级结果部分,并对连铸坯内部裂纹产生原因进行分析,同时将相应结果及试样参数存储至数据库。
行业标准模块:对行业标准中裂纹的特征进行分析,并显示各级裂纹图片,对其进行定量化分析。
历史数据查询模块:选择起止时间、拉速、钢种、连铸机、裂纹级别选项对历史评级钢种进行筛选,对比连铸坯工艺参数,优化连铸工艺。
Claims (10)
1.一种对于连铸坯内部裂纹评级的方法,其特征在于:包括以下步骤:
S1:对连铸坯试样进行低倍热酸腐蚀,使用数码相机采集腐蚀后的连铸坯低倍试样图像;
S2:将采集的图像送往深度学习模型进行训练;
S3:设定待评价连铸坯的铸坯工艺信息及采集的包含待评价连铸坯低倍试样图像;所述铸坯工艺信息包括工艺参数及尺寸;
S4:利用已训练好的深度学习模型,将采集的图像中连铸坯低倍试样与背景进行分割,并统计连铸坯低倍试样等效矩形宽像素数为N1;
S5:利用已训练好的深度学习模型对待评价连铸坯低倍试样进行裂纹类别判断及分割,如存在裂纹,则对分割后的裂纹图像进行骨架化操作,并计算出中间裂纹、角部裂纹、三角区裂纹中骨架像素数最大值N2、N3、N4;
S6:根据S4、S5所得的N1、N2、N3、N4,得出连铸坯中间裂纹、角部裂纹、三角区裂纹相对比率W1=(N2/N1)*100%,W2=(N3/N1)*100%,W3=(N4/N1)*100%;通过铸坯实际宽度尺寸、铸坯图像像素数及裂纹骨架长计算得中间裂纹、角部裂纹、三角区裂纹实际长度L1=S*N2/N1、L2=S*N3/N1、L3=S*N4/N1;
S7:根据裂纹相对比率,结合冶金行业标准对所选连铸坯低倍试样图像进行评级,并将评级结果及裂纹实际长度输出;
S8:将铸坯工艺信息及评级结果记录至数据库,便于用户查找及对比,以此优化连铸工艺。
2.根据权利要求1所述的对于连铸坯内部裂纹评级的方法,其特征在于:
所述S1中,热酸腐蚀包括以下步骤:
S1.1:截取一段连铸坯,进行加工打磨至连铸坯表面粗糙度Ra小于1.6μm;
S1.2:根据钢种及铸坯尺寸选择腐蚀液及腐蚀温度对连铸坯进行腐蚀;
S1.3:用热水清洗并吹干,拍摄照片采集样本。
3.根据权利要求1所述的对于连铸坯内部裂纹评级的方法,其特征在于:所述S1中低倍试样为放大倍数不大于10的连铸坯腐蚀试样,所述冶金行业标准采用YB/T 4003-2016。
4.根据权利要求1所述的对于连铸坯内部裂纹评级的方法,其特征在于:
所述S2中,深度学习模型训练,包括以下步骤:
S2.1:采集连铸坯低倍试样图像,对低倍试样图像及裂纹图像进行标注,制作训练集Strain、测试集Stest及验证集Sval;
S2.2:对制作的数据集进行数据增强操作。
5.根据权利要求4所述的对于连铸坯内部裂纹评级的方法,其特征在于:
所述数据增强操作,采用连铸坯低倍试样图像的水平翻转、垂直翻转及平移操作中任选其中一种或多种;
S2.3:将数据集重设大小,其图像大小设为(H,W,C)后送至深度学习模型,其中H表示重设后图像的高,W表示重设后图像的宽,C表示重设后图像的通道数;
S2.4:在TensorFlow中采用cross entropy与自定义loss分别作为铸坯识别与裂纹识别损失函数,dice作为评价标准对模型进行训练,直至达到规定训练次数或损失函数低于设定值时停止训练;
S2.5:对训练好的模型进行测试,对评级指标dice大于设定阈值的模型进行保存,否则重复步骤S2.4继续训练,所述评级指标dice设定阈值为0.6。
6.根据权利要求1所述的对于连铸坯内部裂纹评级的方法,其特征在于:
所述S4中深度学习模型采用改进的unet模型,选用了经四次下采样的unet模型,并在其中加入了BN层,激活函数选择为relu。
7.根据权利要求1所述的对于连铸坯内部裂纹评级的方法,其特征在于:所述S5中对裂纹进行识别及分割方法为:将连铸坯低倍试样图像输入yolo v3模型进行检测,判别是否存在裂纹及裂纹类别;
若铸坯中包含裂纹,则将低倍图像送至pspnet模型中进行语义分割;若不包含,则输出不存在裂纹。
8.根据权利要求7所述的对于连铸坯内部裂纹评级的方法,其特征在于:所述裂纹类别为中间裂纹、角部裂纹、三角区裂纹中的一种或多种。
9.一种对于连铸坯内部裂纹评级的系统,用于实现权利要求1所述对于连铸坯内部裂纹评级的方法,其特征在于:包括推荐方案模块、样张处理模块、行业标准模块、历史数据查询模块、对历史评级数据进行更改、补充的评级修改模块及以图片的形式显示连铸坯处理结果的预测输出模块。
10.根据权利要求9所述的对于连铸坯内部裂纹评级的系统,其特征在于:
所述推荐方案模块:用户输入待评级连铸坯的尺寸及钢种,推荐输入连铸坯对应的酸浸腐蚀条件,实现定量的腐蚀效果;
所述样张处理模块:由选取试样参数、评级结果及情况分析组成;所述试样参数为,选择待评价连铸坯低倍试样照片及输入相应试样参数,包括铸坯尺寸、钢种、拉速、炉次、炉号、评级人、炉号、连铸机、过热度、电搅电流信息;在系统对输入照片评级完成后,将评级结果显示至该模块的评级结果部分,并对连铸坯内部裂纹产生原因进行分析,同时将评价结果及试样参数存储至数据库;
行业标准模块:对行业标准中裂纹的特征进行分析,并显示各级裂纹图片,对其进行定量化分析;
历史数据查询模块:选择起止时间、拉速、钢种、连铸机、裂纹级别对历史评级钢种进行筛选,对比连铸坯工艺参数,优化连铸工艺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605102.0A CN114998253B (zh) | 2022-05-31 | 2022-05-31 | 一种对于连铸坯内部裂纹评级的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605102.0A CN114998253B (zh) | 2022-05-31 | 2022-05-31 | 一种对于连铸坯内部裂纹评级的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998253A true CN114998253A (zh) | 2022-09-02 |
CN114998253B CN114998253B (zh) | 2024-08-23 |
Family
ID=83030416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210605102.0A Active CN114998253B (zh) | 2022-05-31 | 2022-05-31 | 一种对于连铸坯内部裂纹评级的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998253B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309598A (zh) * | 2023-05-23 | 2023-06-23 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 |
CN117272761A (zh) * | 2023-11-21 | 2023-12-22 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
KR102272100B1 (ko) * | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | 이미지 학습을 통한 연속 주조의 면세로 크랙 탐지 방법 및 시스템 |
CN113610778A (zh) * | 2021-07-20 | 2021-11-05 | 武汉工程大学 | 一种基于语义分割的桥梁表面裂纹检测方法与系统 |
CN114119480A (zh) * | 2021-10-26 | 2022-03-01 | 北京临近空间飞行器系统工程研究所 | 一种基于深度学习的裂纹缺陷检测系统 |
CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
-
2022
- 2022-05-31 CN CN202210605102.0A patent/CN114998253B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
KR102272100B1 (ko) * | 2020-07-28 | 2021-07-02 | 현대제철 주식회사 | 이미지 학습을 통한 연속 주조의 면세로 크랙 탐지 방법 및 시스템 |
CN113610778A (zh) * | 2021-07-20 | 2021-11-05 | 武汉工程大学 | 一种基于语义分割的桥梁表面裂纹检测方法与系统 |
CN114119480A (zh) * | 2021-10-26 | 2022-03-01 | 北京临近空间飞行器系统工程研究所 | 一种基于深度学习的裂纹缺陷检测系统 |
CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309598A (zh) * | 2023-05-23 | 2023-06-23 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 |
CN117272761A (zh) * | 2023-11-21 | 2023-12-22 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
CN117272761B (zh) * | 2023-11-21 | 2024-04-26 | 北京科技大学 | 一种大方坯中间裂纹的监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114998253B (zh) | 2024-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998253B (zh) | 一种对于连铸坯内部裂纹评级的方法及系统 | |
KR102021944B1 (ko) | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 | |
CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
US20210109033A1 (en) | Methods and Systems for the Quantitative Measurement of Internal Defects in As-Cast Steel Products | |
CN111951249A (zh) | 基于多任务学习网络的手机导光板缺陷可视化检测方法 | |
CN113362285A (zh) | 一种钢轨表面伤损细粒度图像分类与检测方法 | |
CN115018782A (zh) | 一种应用于连铸坯凝固组织自动评级的方法及系统 | |
McLaughlin et al. | Combining deep learning and robotics for automated concrete delamination assessment | |
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及系统 | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN114998254B (zh) | 一种连铸坯中心偏析自动评级的方法及系统 | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
CN116883393A (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN115205193A (zh) | 一种基于微小缺陷yolo网络的钢板表面缺陷检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
Si et al. | Deep learning-based defect detection for hot-rolled strip steel | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN115112509B (zh) | 一种基于Mask R-CNN网络的材料表面压痕测量方法 | |
CN115661071A (zh) | 基于深度学习的复合材料加工表面缺陷检测及评价方法 | |
CN114677327A (zh) | 一种基于多尺度特征图的带钢缺陷检测方法 | |
Halim et al. | Automatic laser welding defect detection and classification using sobel-contour shape detection | |
Gao et al. | Numerical Detection of Concrete Slump by Fusion of Target Segmentation and Image Classification Network | |
CN112053357A (zh) | 一种基于fpn的钢材表面瑕疵检测方法 | |
CN117132580B (zh) | 一种基于枝晶低倍检验图像的凝固组织测量方法及系统 |
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 |