CN115035117A - 基于人工智能的带钢重叠检测分析方法与系统 - Google Patents
基于人工智能的带钢重叠检测分析方法与系统 Download PDFInfo
- Publication number
- CN115035117A CN115035117A CN202210959659.4A CN202210959659A CN115035117A CN 115035117 A CN115035117 A CN 115035117A CN 202210959659 A CN202210959659 A CN 202210959659A CN 115035117 A CN115035117 A CN 115035117A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- line
- pixel point
- edge line
- main 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 115
- 239000010959 steel Substances 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000005452 bending Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005520 cutting process Methods 0.000 claims abstract description 15
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010310 metallurgical process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及视觉测量技术领域,具体涉及一种基于人工智能的带钢重叠检测分析方法与系统。该方法获取带钢图像中带钢的两条主边缘线,由主边缘线确认带钢存在带钢重叠时,获取带钢重叠对应的弯折主边缘线以得到两个弯折点对应的第一像素点和第二像素点;由第一像素点对应的表面弯折线和第一像素点得到带钢另一侧的第一对应像素点、由第二像素点对应的遮挡弯折线和第二像素点得到带钢另一侧的第二对应像素点;由第一像素点、第二像素点、第一对应像素点和第二对应像素点对带钢重叠区域进行切割。自适应分析检测出带钢重叠区域以及最佳切割点,有效降低人力成本的同时提高了检测和切割的准确性,能够避免将带钢重叠区域轧制进去造成的表面质量问题。
Description
技术领域
本发明涉及视觉测量技术领域,具体涉及一种基于人工智能的带钢重叠检测分析方法与系统。
背景技术
在冶金领域中,热轧带钢是指通过热轧方式生产的带材和板材,热轧带钢是冶金过程中极其重要的一个环节。其中带钢热轧机是生产热轧带钢的主要设备,具有生产效率高、产量高和质量好等优点。
目前困扰热轧带钢产品质量进一步提高的主要问题之一是表面质量问题,从目前的热轧带钢厂的情况看,热轧钢卷的问题有百分之八十以上是由于带钢表面质量问题造成的。带钢重叠是出现在与轧制方向成直角或者斜线方向的带钢整个宽度上的一种皱折或弯折,其形成原因为精轧机组中出现过度的活套,在带钢通过下一机架时活套被轧成重叠。这种情况下的带钢会被后续的带圈在卷取机中压扁并夹带进钢卷,从而导致钢卷出现严重的表面质量问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的带钢重叠检测分析方法与系统,所采用的技术方案具体如下:
本发明实施例提供了一种基于人工智能的带钢重叠检测分析方法,该方法包括以下具体步骤:
采集带钢轧制过程中的带钢图像,获取所述带钢图像的灰度图像,对所述灰度图像进行边缘检测和直线检测得到带钢的两条主边缘线;由所述主边缘线判断所述带钢是否存在带钢重叠;
当确认存在所述带钢重叠时,获取所述带钢重叠对应的弯折主边缘线;以距离相机最近的所述主边缘线为横轴、垂直于所述主边缘线的方向为纵轴建立直角坐标系,获取弯折主边缘线上的像素点在所述横轴上的投影点之间最远距离所对应的第一像素点和第二像素点,所述第一像素点和第二像素点为所述弯折主边缘线上的像素点;
获取同时与两条所述主边缘线相交的第一边缘线以得到所述带钢重叠形成的表面弯折线及其第一斜率;利用所述表面弯折线上的所述第一像素点和所述第一斜率得到所述带钢另一侧的第一对应像素点;由所述第一像素点的坐标值得到所述弯折主边缘线与所述横轴之间的夹角,根据所述夹角获取遮挡弯折线的第二斜率,由所述第二斜率和所述第二像素点得到所述带钢另一侧的第二对应像素点;所述表面弯折线和所述遮挡弯折线为带钢重叠区域的两条最边缘的弯折线;
由所述第一像素点、所述第二像素点、所述第一对应像素点和所述第二对应像素点对所述带钢重叠区域进行切割。
优选的,所述由所述主边缘线判断所述带钢是否存在带钢重叠的方法,包括:
让距离相机最近的所述主边缘线上的相邻像素点组成方向向量,当存在任意相邻的两个所述方向向量之间的夹角大于预设角度时,确定所述带钢出现带钢重叠。
优选的,所述获取所述带钢重叠对应的弯折主边缘线的方法,包括:
对所述主边缘线进行曲率求导得到对应的极值点集合,根据所述极值点集合中的极值点获取所述弯折主边缘线。
优选的,所述表面弯折线的获取方法,包括:
计算所述第一边缘线的极值点,根据所述极值点将所述第一边缘线进行分段,对分段后的第一边缘线进行膨胀操作得到膨胀边缘线;
计算所述第一边缘线与所述膨胀边缘线之间的交并比,当所述交并比大于交并比阈值时,保留该第一边缘线,并将保留的且包含所述第一像素点的所述第一边缘线作为所述表面弯折线。
优选的,所述第一斜率的获取方法,包括:
获取所述表面弯折线与两条所述主边缘线之间的两个交点,由两个所述交点确定一条交点直线,根据所述交点直线上的像素点获取所述交点直线的斜率,将所述斜率作为所述第一斜率。
优选的,所述夹角与所述第二斜率之间呈正相关关系。
进一步地,一种基于人工智能的带钢重叠检测分析系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少具有如下有益效果:自适应分析检测出带钢重叠区域以及最佳切割点,减轻了人力负担,且有效降低人力成本的同时提高了检测和切割的准确性,能够避免将带钢重叠区域轧制进去造成的表面质量问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的关于一种基于人工智能的带钢重叠检测分析方法的步骤流程图;
图2为本发明实施例所提供的关于带钢图像的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的带钢重叠检测分析方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的带钢重叠检测分析方法与系统的具体方案。
本发明实施例所针对的具体场景为:冶金领域内带钢轧制过程。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的带钢重叠检测分析方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集带钢轧制过程中的带钢图像,获取带钢图像的灰度图像,对灰度图像进行边缘检测和直线检测得到带钢的两条主边缘线;由主边缘线判断带钢是否存在带钢重叠。
具体的,参照附图2,本发明实施例提供了关于带钢图像的示意图。依照如图2所示的拍摄角度设置相机的拍摄角度以得到带钢轧制过程中的带钢图像,对带钢图像进行转换得到如图2所示的灰度图像,其灰度图像装换为公知技术,不再详细描述。
对灰度图像进行双边滤波,其原因在于该滤波方法既考虑像素之间的位置关系,又考虑像素之间的灰度关系,可以在滤除噪声和平滑图像的同时对边缘进行保存,则双边滤波的具体过程为:
(1)使用两个高斯滤波,一个高斯滤波负责计算空间临近度的权值,另一个高斯滤波负责计算像素值相似度的权值。
(2)通过各个像素点到中心像素点的空间临近度计算的各个权值进行优化,将其优化为空间临近度计算的权值和像素值相似度计算的权值之间的乘积,优化后的权值再与图像作卷积运算,从而达到保边去噪的效果。
对经过双边滤波后的灰度图像一方面使用霍夫直线检测方法检测图像中的直线,另一方面使用Canny边缘检测算法进行图像边缘提取,通过边缘检测和直线检测得到带钢的两条主边缘线,其霍夫直线检测过程为:
(1)将灰度图像中的每个像素点变换到霍夫空间,即笛卡尔直角坐标系中的一点对应霍夫空间中的一条曲线。
需要说明的是,霍夫空间内的像素点代表的是直线坐标系中的一条直线,像素点越亮说明落在这条直线上的像素点越多。
利用Canny边缘检测算法对灰度图像进行边缘检测,由于Canny边缘检测算法为公知技术,且不需要同霍夫直线检测一样对其中得到的边缘线进行角度筛选,因此本发明实施例中不在详细描述其过程。值得说明的是,对最后获得到的边缘线同样进行阈值筛选,以滤除那些存在于带钢表面的短边缘线,其中该阈值同样为。
利用得到的霍夫直线对获得的边缘线进行筛选,即使用获得的特定角度范围内的霍夫直线对得到的边缘线进行验证。其边缘线的筛选方法为:若在一条边缘线所对应的像素点集合中,由超过80%的像素点满足霍夫直线所对应的霍夫直线方程中,则保留该边缘线,否则将该边缘线进行滤除。
在保留的边缘线中,计算各边缘线的像素点集合之间的最短距离,在最短距离中选取距离最大所对应的两条边缘线,则这两条边缘线为带钢的两条主边缘线。
进一步地,由主边缘线判断带钢是否存在带钢重叠,其判断方法为:确认距离相机最近的一条主边缘线,为了方便表达将该主边缘线称为第一主边缘线。依次按照一个像素点的步长,计算第一主边缘线的单一方向上相邻像素点所组成的方向向量,遍历整个第一主边缘线,当存在任意相邻的两个方向向量之间的夹角大于预设角度时,则可确定带钢出现带钢重叠的情况,并需要及时进行预警提醒。
优选的,本发明实施例中预设角度为90度。
步骤S002,当确认存在带钢重叠时,获取带钢重叠对应的弯折主边缘线;以距离相机最近的主边缘线为横轴、垂直于主边缘线的方向为纵轴建立直角坐标系,获取在横轴上的投影点之间最远距离所对应的第一像素点和第二像素点,第一像素点和第二像素点为弯折主边缘线上的像素点。
具体的,根据第一主边缘线确认存在带钢重叠的情况,对第一主边缘线进行曲率求导得到相应的极值点集合,由该极值点集合中的初始极值点和末始极值点所对应的一部分第一主边缘线即为带钢重叠对应的弯折主边缘线。
以第一主边缘线为横轴、垂直于第一主边缘线的方向为纵轴建立直角坐标系,基于直角坐标系,获取弯折主边缘线上的每个像素点在横轴上的投影点,分别计算两个投影点之间的距离,获取最远距离所对应的第一像素点和第二像素点,且第一像素点和第二像素点为弯折主边缘线上的像素点。
步骤S003,获取同时与两条主边缘线相交的第一边缘线以得到带钢重叠形成的表面弯折线及其第一斜率;利用表面弯折线上的第一像素点和第一斜率得到带钢另一侧的第一对应像素点;由第一像素点的坐标值得到弯折主边缘线与横轴之间的夹角,根据夹角获取遮挡弯折线的第二斜率,由第二斜率和第二像素点得到带钢另一侧的第二对应像素点;表面弯折线和遮挡弯折线为带钢重叠区域的两条最边缘的弯折线。
具体的,根据先验知,当带钢出现带钢重叠时,带钢重叠区域会存在两条最边缘的弯折线,一条弯折线在带钢表面且能够检测到,则这样的弯折线称为表面弯折线,然后另一条弯折线由于被带钢遮挡存在带钢下面进而无法直接检测到,因此这样的弯折线称为遮挡弯折线。
利用带钢重叠区域的两个弯折线确定带钢重叠部分的最佳切割点。对于表面弯折线,保留同时与两条主边缘线相交的边缘线,且将该边缘线称为第一边缘线,同时滤除其他的边缘线。由于带钢重叠时会存在褶皱,导致带钢重叠形成的表面弯折线并非是直线,因此分别计算第一边缘线的极值点,根据极值点将第一边缘线进行分段,对分段后的第一边缘线进行统一的膨胀操作得到膨胀边缘线,计算第一边缘线与膨胀边缘线之间的交并比,设定交并比阈值,当计算的交并比大于交并比阈值时,将该第一边缘线进行保留,否则进行滤除,并且将保留的且包含第一像素点的第一边缘线作为带钢重叠形成的表面弯折线。
优选的,本发明实施例中交并比阈值为0.8。
获取表面弯折线与两条主边缘线之间的两个交点,由两个交点确定一条交点直线,根据该交点直线上的像素点获取该交点直线的斜率,将该斜率作为表面弯折线的第一斜率。
需要说明的是,当第一边缘线不存在极值点时,说明该第一边缘线是一条直线,则直接保留该第一边缘线,且该第一边缘线为表面弯折线时,第一斜率即为该第一边缘线的斜率。
由于第一像素点为表面弯折线上的像素点,因此根据第一像素点的坐标值和表面弯折线的第一斜率得到带钢另一侧的第一对应像素点。
对于遮挡弯折线,由于带钢重叠时弯折主边缘线与第一主边缘线(横轴)之间的夹角越大,其遮挡弯折线的第二斜率就越大,因此基于直角坐标系,由第一像素点的坐标值获取弯折主边缘线与横轴之间的夹角,即利用第一像素点的横纵坐标值并结合三角函数得到夹角,利用夹角得到遮挡弯折线的第二斜率,则第二斜率的数学表达式为:
由于第二像素点为遮挡弯折线上的像素点,因此根据第二像素点的坐标值和遮挡弯折线的第二效率得到带钢另一侧的第二对应像素点。
步骤S004,由第一像素点、第二像素点、第一对应像素点和第二对应像素点对带钢重叠的部分进行切割。
具体的,由步骤S003获取第一像素点、第二像素点、第一对应像素点和第二对应像素点,且第一像素点、第二像素点、第一对应像素点和第二对应像素点分别为带钢重叠区域的四个最佳切割点。为了保证将带钢重叠区域以最小损失的前提下切割掉且完全切割掉重叠的区域,分别计算第一像素点与第二像素点之间的第一距离、第一对应像素点和第二对应像素点之间的第二距离,对比第一距离和第二距离确认带钢重叠的最大宽度,根据最大宽度所对应的两个最佳切割点沿着带钢进行垂直切割。
综上所述,本发明实施例提供了一种基于人工智能的带钢重叠检测分析方法,该方法对采集的带钢图像进行灰度转换得到对应的灰度图像,检测灰度图像得到带钢的两条主边缘线;根据主边缘线确认带钢存在带钢重叠时,获取带钢重叠对应的弯折主边缘线,并以带钢建立直角坐标系,获取在横轴上的投影点之间最远距离所对应的第一像素点和第二像素点;根据第一像素点对应的表面弯折线及其第一斜率得到带钢另一侧的第一对应像素点,进而由第一像素点得到第二像素点所对应的遮挡弯折线的第二斜率,利用第二斜率得到带钢另一侧的第二对应像素点;由第一像素点、第二像素点、第一对应像素点和第二对应像素点对带钢重叠区域进行切割。自适应分析检测出带钢重叠区域以及最佳切割点,减轻了人力负担,且有效降低人力成本的同时提高了检测和切割的准确性,能够避免将带钢重叠区域轧制进去造成的表面质量问题。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的带钢重叠检测分析方法,其特征在于,该方法包括:
采集带钢轧制过程中的带钢图像,获取所述带钢图像的灰度图像,对所述灰度图像进行边缘检测和直线检测得到带钢的两条主边缘线;由所述主边缘线判断所述带钢是否存在带钢重叠;
当确认存在所述带钢重叠时,获取所述带钢重叠对应的弯折主边缘线;以距离相机最近的所述主边缘线为横轴、垂直于所述主边缘线的方向为纵轴建立直角坐标系,获取弯折主边缘线上的像素点在所述横轴上的投影点之间最远距离所对应的第一像素点和第二像素点,所述第一像素点和第二像素点为所述弯折主边缘线上的像素点;
获取同时与两条所述主边缘线相交的第一边缘线以得到所述带钢重叠形成的表面弯折线及其第一斜率;利用所述表面弯折线上的所述第一像素点和所述第一斜率得到所述带钢另一侧的第一对应像素点;由所述第一像素点的坐标值得到所述弯折主边缘线与所述横轴之间的夹角,根据所述夹角获取遮挡弯折线的第二斜率,由所述第二斜率和所述第二像素点得到所述带钢另一侧的第二对应像素点;所述表面弯折线和所述遮挡弯折线为带钢重叠区域的两条最边缘的弯折线;
由所述第一像素点、所述第二像素点、所述第一对应像素点和所述第二对应像素点对所述带钢重叠区域进行切割。
2.如权利要求1所述的一种基于人工智能的带钢重叠检测分析方法,其特征在于,所述由所述主边缘线判断所述带钢是否存在带钢重叠的方法,包括:
让距离相机最近的所述主边缘线上的相邻像素点组成方向向量,当存在任意相邻的两个所述方向向量之间的夹角大于预设角度时,确定所述带钢出现带钢重叠。
3.如权利要求1所述的一种基于人工智能的带钢重叠检测分析方法,其特征在于,所述获取所述带钢重叠对应的弯折主边缘线的方法,包括:
对所述主边缘线进行曲率求导得到对应的所述极值点集合,根据所述极值点集合中的极值点获取所述弯折主边缘线。
4.如权利要求1所述的一种基于人工智能的带钢重叠检测分析方法,其特征在于,所述表面弯折线的获取方法,包括:
计算所述第一边缘线的极值点,根据所述极值点将所述第一边缘线进行分段,对分段后的第一边缘线进行膨胀操作得到膨胀边缘线;
计算所述第一边缘线与所述膨胀边缘线之间的交并比,当所述交并比大于交并比阈值时,保留该第一边缘线,并将保留的且包含所述第一像素点的所述第一边缘线作为所述表面弯折线。
5.如权利要求1或4所述的一种基于人工智能的带钢重叠检测分析方法,其特征在于,所述第一斜率的获取方法,包括:
获取所述表面弯折线与两条所述主边缘线之间的两个交点,由两个所述交点确定一条交点直线,根据所述交点直线上的像素点获取所述交点直线的斜率,将所述斜率作为所述第一斜率。
6.如权利要求1所述的一种基于人工智能的带钢重叠检测分析方法,其特征在于,所述夹角与所述第二斜率之间呈正相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210959659.4A CN115035117B (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的带钢重叠检测分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210959659.4A CN115035117B (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的带钢重叠检测分析方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035117A true CN115035117A (zh) | 2022-09-09 |
CN115035117B CN115035117B (zh) | 2023-05-09 |
Family
ID=83131112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210959659.4A Active CN115035117B (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的带钢重叠检测分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035117B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908429A (zh) * | 2023-03-08 | 2023-04-04 | 山东歆悦药业有限公司 | 一种泡脚药粉研磨精度检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160133050A1 (en) * | 2014-11-11 | 2016-05-12 | Roland Dg Corporation | Slice data creation device, slice data creation method, program, and computer-readable recording medium |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN113112470A (zh) * | 2021-04-08 | 2021-07-13 | 西安道法数器信息科技有限公司 | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 |
CN113284154A (zh) * | 2021-05-25 | 2021-08-20 | 武汉钢铁有限公司 | 钢卷端面图像分割方法、装置及电子设备 |
-
2022
- 2022-08-11 CN CN202210959659.4A patent/CN115035117B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160133050A1 (en) * | 2014-11-11 | 2016-05-12 | Roland Dg Corporation | Slice data creation device, slice data creation method, program, and computer-readable recording medium |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN113112470A (zh) * | 2021-04-08 | 2021-07-13 | 西安道法数器信息科技有限公司 | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 |
CN113284154A (zh) * | 2021-05-25 | 2021-08-20 | 武汉钢铁有限公司 | 钢卷端面图像分割方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908429A (zh) * | 2023-03-08 | 2023-04-04 | 山东歆悦药业有限公司 | 一种泡脚药粉研磨精度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115035117B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN107798330A (zh) | 一种焊缝图像特征信息提取方法 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN107507208B (zh) | 一种基于轮廓上曲率估计的图像特征点提取方法 | |
CN104484667A (zh) | 一种基于亮度特征和轮廓完整性的轮廓提取方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN115965623B (zh) | 一种变压器生产中表面瑕疵检测方法及系统 | |
CN113112470B (zh) | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 | |
CN115035117A (zh) | 基于人工智能的带钢重叠检测分析方法与系统 | |
CN115082462A (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN114549529A (zh) | 基于计算机视觉的纸箱压痕质量检测方法及系统 | |
CN113284117B (zh) | 一种钢卷松卷识别方法、系统、介质和终端 | |
CN116977329A (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN113935953A (zh) | 基于图像处理的钢卷缺陷检测方法 | |
CN105678731A (zh) | 一种识别带钢瓢曲的方法 | |
JP4994955B2 (ja) | 移動体識別装置、移動体識別プログラム | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN113284115B (zh) | 一种钢卷塔形识别方法、系统、介质和终端 | |
CN114202487B (zh) | 一种定位孔的检测方法 | |
CN113762400B (zh) | 一种基于朴素贝叶斯分类器的焊缝位置的自主提取方法 | |
CN111723670B (zh) | 一种基于改进FastMBD的遥感目标检测算法 | |
CN113763359A (zh) | 一种金属近表面缺陷检测用智能检测与感知系统 | |
JP5138807B2 (ja) | 移動体識別装置、移動体識別プログラム | |
CN113936152B (zh) | 一种基于全局—局部双摄图像的丝束匹配定位方法 | |
CN117670916B (zh) | 一种基于深度学习的涂布边缘检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |