CN114998254A - 一种连铸坯中心偏析自动评级的方法及系统 - Google Patents

一种连铸坯中心偏析自动评级的方法及系统 Download PDF

Info

Publication number
CN114998254A
CN114998254A CN202210605103.5A CN202210605103A CN114998254A CN 114998254 A CN114998254 A CN 114998254A CN 202210605103 A CN202210605103 A CN 202210605103A CN 114998254 A CN114998254 A CN 114998254A
Authority
CN
China
Prior art keywords
continuous casting
segregation
center segregation
rating
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
CN202210605103.5A
Other languages
English (en)
Inventor
罗森
宋翰凌
王卫领
朱苗勇
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210605103.5A priority Critical patent/CN114998254A/zh
Publication of CN114998254A publication Critical patent/CN114998254A/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G01B11/27—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30116—Casting
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Continuous Casting (AREA)

Abstract

本发明公开了一种连铸坯中心偏析自动评级的方法及系统,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，实现对连铸坯中心偏析的分割及偏析等级的计算，从而实现在识别中心偏析时有着较高的准确率及效率，便于用户使用及数据采集；对拍摄铸坯低倍试样图像中存在的光照不均现象采用光照补偿技术处理，提高了模型对中心偏析分割的准确性。因铸坯中不一定存在偏析，而识别偏析比分割耗时短，本发明对偏析的分割方式为先识别再分割，加强了系统效率，提高了系统准确率。为探究连铸工艺参数对中心偏析的影响，本发明对铸坯的连铸工艺参数与其偏析等级建立数据库，实现对铸坯质量的控制与监督。

Description

一种连铸坯中心偏析自动评级的方法及系统
技术领域
本发明涉及连铸坯质量评价领域，具体涉及一种连铸坯中心偏析自动评级的方法及系统。
背景技术
由于高效性及低成本，连铸已成为世界最重要的炼钢工艺路线。而随着行业竞争的加剧、客户对钢种性能要求不断提高，连铸坯质量问题愈发受到重视。出现质量问题的铸坯，其价格可能会下降40％，或报废，造成经济损失。对铸坯质量的控制与监督为现代化钢厂不可或缺的环节。
对铸坯质量的控制与监督的主要手段之一为低倍检验。其通过检验不同工艺条件下铸坯低倍质量，能起到改进连铸工艺参数、指导新钢种的研发、改善铸坯质量及监督设备状况的作用。中心偏析作为最为常见的低倍缺陷，其对钢的影响很大。严重时，会导致钢板分层，降低钢材的耐性。但是对中心偏析的评级，目前大多采取人工评级，即评级人员由目测的方法对经低倍腐蚀的铸坯的照片与冶金行业标准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，得到偏析评级结果，从而对连铸工艺进行优化。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。因此，需设计一种对中心偏析的自动评级方法。
发明内容
为解决现有工艺的不足，本发明的目的是提供一种连铸坯中心偏析自动评级的方法及系统，通过深度学习技术与机器视觉技术的相结合，实现对连铸坯中心偏析的分割及偏析等级的计算，从而实现在识别中心偏析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：
一种连铸坯中心偏析自动评级的方法，包括以下步骤：
S1：对拍摄的连铸坯低倍试样图像进行预处理；所述预处理包括光照补偿操作及中值滤波降噪处理；
S2：将连铸坯低倍试样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的图像；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，对待评价连铸坯低倍试样图像与背景进行识别及分割，并统计连铸坯低倍试样等效矩形宽像素数为N1；对待评价连铸坯低倍试样图像的中心偏析进行识别及分割，统计各偏析区域等效矩形宽度的像素数，计算五个等效矩形宽度最大的偏析区域宽度平均值为N2；
S5：根据连铸坯低倍试样等效矩形宽像素数N1及宽度最大的偏析区域宽度平均值N2，计算得到偏析厚度比率：W＝(N2/N1)*100％；根据设定的连铸坯钢宽度S计算得偏析实际厚度d＝W*S；
S6：系统根据偏析厚度比率，结合冶金行业标准对所选连铸坯低倍试样图像进行综合评级，并将评级结果及偏析实际厚度输出；
S7：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。
所述低倍试样图像，对连铸坯试样进行热酸腐蚀，使用数码相机采集连铸坯腐蚀后的图像，所述低倍试样为是放大倍数不大于10的连铸坯腐蚀试样。
所述S2具体包括以下步骤：
S2.1：采集连铸坯低倍试样图像，对低倍试样图像及中心偏析图像进行标注，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，
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：选择TensorFlow中的binary_crossentropy与自定义loss分别作为铸坯识别与中心偏析识别损失函数，iou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iou大于设定阈值的模型进行保存，否则重复步骤S24继续训练；
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一种或多种；
所述评级指标iou设定为0.7。
所述冶金行业标准采用YB/T 4003-2016。
所述S4中深度学习模型为改进的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S4中对中心偏析进行识别及分割方法为：将连铸坯低倍试样图像送至yolov3模型进行检测，判别是否存在中心偏析及中心偏析类别。若铸坯中包含中心偏析，则将低倍图像送至res-unet模型中进行语义分割，若不包含，则输出不存在偏析。
所述res-unet模型选用了经六次下采样的unet模型为基准模型，加入BN层，及resnets的残差块(residual block)，激活函数选择为relu。
另一方面，提出了一种连铸坯中心偏析自动评级的系统，用于实现所述连铸坯中心偏析自动评级的方法，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；在试样参数部分，用户需选择待评价连铸坯低倍腐蚀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；对输入照片评级完成后，将评级结果显示至评级结果部分，并对连铸坯缺陷产生原因进行分析，同时将评价结果及试样参数存储至数据库；
所述标准模块：对标准中中心偏析的特征进行分析，并显示各级中心偏析图片，对其进行定量化分析；
所述历史数据查询模块：设定起止时间、拉速、钢种、连铸机、中心偏析级别对历史评级钢种进行筛选，对比工艺参数，以此优化连铸工艺。
本发明的有益效果：
1.本发明提供了一种基于深度学习模型的连铸坯中心偏析自动评级的方法及系统，在获取铸坯低倍腐蚀图像及连铸工艺参数后，由系统全自动处理，最大程度上保障了评级的客观性、准确性，减轻了人工劳动强度。
2.对拍摄铸坯低倍试样图像中存在的光照不均现象采用光照补偿技术处理，提高了模型对中心偏析分割的准确性。
3.因铸坯中不一定存在偏析，而识别偏析比分割耗时短，本发明对偏析的分割方式为先识别再分割，加强了系统效率，提高了系统准确率。
4.为探究连铸工艺参数对中心偏析的影响，本发明对铸坯的连铸工艺参数与其偏析等级建立数据库，实现对铸坯质量的控制与监督。
附图说明
图1为本发明实施例提供的一种连铸坯中心偏析自动评级的方法流程图；
图2为本发明实施例提供的图像预处理效果图；
其中，图2(a)为低倍图像原图示意图，图2(b)为经预处理的低倍试样示意图；
图3为本发明实施例提供的数据增强效果图；
其中，图3(a)为低倍图像原图示意图，图3(b)为经水平翻转的图像示意图，图3(c)为经垂直翻转的图像示意图，图3(d)为经平移的图像示意图；
图4为本发明实施例提供的模型的评级函数iou示意图；
图5为本发明实施例提供的深度学习模型yolo v3的基本构架；
图6为本发明实施例提供的向unet中添加的residual block；
图7为本发明实施例提供的分割效果图；
其中，图7(a)为连铸坯低倍试样原图，图7(b)为人工标注图，图7(c)为模型预测图；
图8为本发明实施例提供的一种连铸坯中心偏析自动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进一步说明。
一种连铸坯中心偏析自动评级的方法，如图1所示，包括以下步骤：
S1：对拍摄的连铸坯低倍试样图像进行预处理；图2(a)为处理前图像，图2(b)为处理后图像，所述预处理包括光照补偿操作及中值滤波降噪处理；
所述低倍试样图像，对连铸坯试样进行热酸腐蚀，使用数码相机采集连铸坯腐蚀后的图像，本实施例中，所述低倍试样为是放大倍数不大于10的连铸坯腐蚀试样。
S2：将连铸坯低倍试样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偏析图像进行标注，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图像较难获取，样本较少，这就要对连铸坯低倍图像做数据增强，以此提高数据集质量。本发明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，其增强效果如图3(a)-图3(d)所示；
S2.3：将数据集重设大小，经实验其图像大小设为(1536，1536，3)时分割效果最好，之后送至深度学习模型；
S2.4：选择TensorFlow中的binary crossentropy及自定义Loss作为损失函数，iou作为评价函数对模型进行训练，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；
binary crossentropy如式(1)所示：
Figure BDA0003671017210000051
其中，yi为目标真实值，yi∈(0,1)；yi为模型预测值，yi∈(0,1)；loss为衡量预测值与真实值的差异的函数。
自定义的Loss如式(2)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
iou定义如图4所示，如式(3)所示：
Figure BDA0003671017210000052
其中，A是目标区域，B是模型预测区域，iou是用来度量图像分割中模型分割图像与真实图像的重叠程度。
S2.5：对训练好的模型进行测试，如测试结果评级指标满足0.7则保存模型，否则重复步骤2.4继续训练。
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的图像；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，对待评价连铸坯低倍试样图像与背景进行识别及分割，并统计连铸坯低倍试样等效矩形宽像素数为N1；对待评价连铸坯低倍试样图像的中心偏析进行识别及分割，统计各偏析区域等效矩形宽度的像素数，计算五个等效矩形宽度最大的偏析区域宽度平均值为N2；
所述识别及分割方法为：将连铸坯低倍试样图像送至yolo v3模型进行类别判断，进行感兴趣区域提取，yolo v3模型如图5所示。若铸坯中包含中心偏析，则将低倍图像送至res-unet模型中进行语义分割，若不包含，则输出不存在偏析。所述res-unet模型选用经六次下采样的unet模型为基准模型，并加入BN层，将unet中每个池化层与上采样层前两个卷积层替换成resnets的残差块(residual block)，激活函数选择为relu。residual block，如图6所示：输入特征图x经过一次卷积操作后，由relu函数激活，再进行卷积得到特征图F(x)，之后与x相加，经relu函数激活后得到输出特征图送往池化层或上采样层作为输入。residual block起到了差分放大器的作用，能有效的解决随模型深度加深，出现的模型退化问题，增强模型的鲁棒性、泛化性及学习能力。
S5：根据连铸坯低倍试样等效矩形宽像素数N1及宽度最大的偏析区域宽度平均值N2，计算得到偏析厚度比率：W＝(N2/N1)*100％；根据设定的连铸坯钢宽度S计算得偏析实际厚度d＝W*S；
S6：系统根据偏析厚度比率，结合冶金行业标准对所选连铸坯低倍试样图像进行综合评级，并将评级结果及偏析实际厚度输出；
本实施例中，所述冶金行业标准采用YB/T 4003-2016；
S7：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。
本实施例对中心偏析的分割效果较好。如图7(a)-(c)所示，分别为连铸坯低倍试样原图，人工标注图及模型预测图。
另一方面，提出了一种连铸坯中心偏析自动评级的系统，如图8所示，用于实现所述连铸坯中心偏析自动评级的方法，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。
样张处理模块：由选取试样参数、评级结果及情况分析组成；在试样参数部分，用户需选择待评价连铸坯低倍腐蚀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；对输入照片评级完成后，将评级结果显示至评级结果部分，并对连铸坯缺陷产生原因进行分析，同时将评价结果及试样参数存储至数据库；
标准模块：对标准中中心偏析的特征进行分析，并显示各级中心偏析图片，对其进行定量化分析；
历史数据查询模块：设定起止时间、拉速、钢种、连铸机、中心偏析级别对历史评级钢种进行筛选，对比工艺参数，以此优化连铸工艺。

Claims (10)

1.一种连铸坯中心偏析自动评级的方法，其特征在于：包括以下步骤：
S1：对拍摄的连铸坯低倍试样图像进行预处理；所述预处理包括光照补偿操作及中值滤波降噪处理；
S2：将连铸坯低倍试样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的图像；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，对待评价连铸坯低倍试样图像与背景进行识别及分割，并统计连铸坯低倍试样等效矩形宽像素数为N1；对待评价连铸坯低倍试样图像的中心偏析进行识别及分割，统计各偏析区域等效矩形宽度的像素数，计算五个等效矩形宽度最大的偏析区域宽度平均值为N2；
S5：根据连铸坯低倍试样等效矩形宽像素数N1及宽度最大的偏析区域宽度平均值N2，计算得到偏析厚度比率：W＝(N2/N1)*100％；根据设定的连铸坯钢宽度S计算得偏析实际厚度d＝W*S；
S6：系统根据偏析厚度比率，结合冶金行业标准对所选连铸坯低倍试样图像进行综合评级，并将评级结果及偏析实际厚度输出；
S7：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所述的连铸坯中心偏析自动评级的方法，其特征在于：所述低倍试样图像，对连铸坯试样进行热酸腐蚀，使用数码相机采集连铸坯腐蚀后的图像，所述低倍试样为是放大倍数不大于10的连铸坯腐蚀试样。
3.根据权利要求1所述的连铸坯中心偏析自动评级的方法，其特征在于：所述冶金行业标准采用YB/T 4003-2016。
4.根据权利要求1所述的连铸坯中心偏析自动评级的方法，其特征在于：所述S2具体包括以下步骤：
S2.1：采集连铸坯低倍试样图像，对低倍试样图像及中心偏析图像进行标注，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，
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：选择TensorFlow中的binary_crossentropy与自定义loss分别作为铸坯识别与中心偏析识别损失函数，iou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iou大于设定阈值的模型进行保存，否则重复步骤S24继续训练。
5.根据权利要求4所述的连铸坯中心偏析自动评级的方法，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一种或多种。
6.根据权利要求4所述的连铸坯中心偏析自动评级的方法，其特征在于：所述评级指标iou设定为0.7。
7.根据权利要求1所述的连铸坯中心偏析自动评级的方法，其特征在于：所述S4中深度学习模型为改进的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。
8.根据权利要求1所述的连铸坯中心偏析自动评级的方法，其特征在于：所述S4中对中心偏析进行识别及分割方法为：将连铸坯低倍试样图像送至yolo v3模型进行检测，判别是否存在中心偏析及中心偏析类别；若铸坯中包含中心偏析，则将低倍图像送至res-unet模型中进行语义分割，若不包含，则输出不存在偏析；
所述res-unet模型选用了经六次下采样的unet模型为基准模型，加入BN层，及resnets的残差块(residual block)，激活函数选择为relu。
9.一种连铸坯中心偏析自动评级的系统，用于实现权利要求1所述的连铸坯中心偏析自动评级的方法，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所述的连铸坯中心偏析自动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；在试样参数部分，用户需选择待评价连铸坯低倍腐蚀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；对输入照片评级完成后，将评级结果显示至评级结果部分，并对连铸坯缺陷产生原因进行分析，同时将评价结果及试样参数存储至数据库；
所述标准模块：对标准中中心偏析的特征进行分析，并显示各级中心偏析图片，对其进行定量化分析；
所述历史数据查询模块：设定起止时间、拉速、钢种、连铸机、中心偏析级别对历史评级钢种进行筛选，对比工艺参数，以此优化连铸工艺。
CN202210605103.5A 2022-05-31 2022-05-31 一种连铸坯中心偏析自动评级的方法及系统 Pending CN114998254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605103.5A CN114998254A (zh) 2022-05-31 2022-05-31 一种连铸坯中心偏析自动评级的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605103.5A CN114998254A (zh) 2022-05-31 2022-05-31 一种连铸坯中心偏析自动评级的方法及系统

Publications (1)

Publication Number Publication Date
CN114998254A true CN114998254A (zh) 2022-09-02

Family

ID=83031679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605103.5A Pending CN114998254A (zh) 2022-05-31 2022-05-31 一种连铸坯中心偏析自动评级的方法及系统

Country Status (1)

Country Link
CN (1) CN114998254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115615990A (zh) * 2022-12-16 2023-01-17 北京科技大学 一种帘线钢铸坯碳偏析的研究方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115615990A (zh) * 2022-12-16 2023-01-17 北京科技大学 一种帘线钢铸坯碳偏析的研究方法

Similar Documents

Publication Publication Date Title
CN107607554A (zh) 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
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
CN114240821A (zh) 一种基于改进型yolox的焊缝缺陷检测方法
CN106934801A (zh) 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法
CN111242185A (zh) 一种基于深度学习的缺陷快速初筛方法及系统
CN114998253A (zh) 一种对于连铸坯内部裂纹评级的方法及系统
CN114998254A (zh) 一种连铸坯中心偏析自动评级的方法及系统
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN112991271A (zh) 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN115541601A (zh) 一种基于机器视觉的钢材低倍数字化检测方法
KR101045393B1 (ko) 철강공정 내부 크랙 및 중심편석 판정 방법
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
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
CN117252864B (zh) 基于标识解析的钢铁生产器件光滑度检测系统
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN113869433A (zh) 一种对混凝土损伤进行快速检测和分类的深度学习方法
CN115953387A (zh) 一种基于深度学习的射线图像焊缝缺陷检测方法
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及系统
CN116206155A (zh) 基于YOLOv5网络的废钢分类识别方法
CN114742770A (zh) 一种电解铜板铜瘤子缺陷检测方法、训练方法及系统
CN115018782A (zh) 一种应用于连铸坯凝固组织自动评级的方法及系统
CN114092462A (zh) 基于语义分割和目标检测融合模型的复合缺陷检测方法
CN114863277A (zh) 一种基于机器视觉的不规则颗粒群超限颗粒快速检测方法
CN113935981A (zh) 一种基于aoi检测的瑕疵量化评估方法
CN113270156B (zh) 基于图像处理的机制砂石粉的检测建模、检测方法及系统

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