CN115983687A - 一种冷轧带钢质量智能检测管理系统及方法 - Google Patents
一种冷轧带钢质量智能检测管理系统及方法 Download PDFInfo
- Publication number
- CN115983687A CN115983687A CN202211656177.8A CN202211656177A CN115983687A CN 115983687 A CN115983687 A CN 115983687A CN 202211656177 A CN202211656177 A CN 202211656177A CN 115983687 A CN115983687 A CN 115983687A
- Authority
- CN
- China
- Prior art keywords
- detection
- cold
- strip steel
- rolled strip
- quality
- 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
Images
Classifications
-
- 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
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种冷轧带钢质量智能检测管理系统及方法,属于质量检测技术领域;在前期对冷轧带钢表面实施清洁处理,来消除其表面异物对检测的结果造成影响,同时采用不同的检测手段来实施质量检测,最后将不同的检测结果进行整合来对冷轧带钢的质量进行整体评估和输出,可以有效提高冷轧带钢质量检测管理的整体效果;本发明用于解决现有方案中冷轧带钢质量检测前没有实施预处理,并且没有实施不同的检测方案并整合输出,导致冷轧带钢质量检测管理的整体效果不佳的技术问题。
Description
技术领域
本发明涉及质量检测技术领域,具体涉及一种冷轧带钢质量智能检测管理系统及方法。
背景技术
冷轧带钢是指以热轧带钢和钢板为原料,在常温下经冷轧机轧制成带钢和薄板;冷轧带材或板材具有表面光洁度好、平整性好、尺寸精度高和力学性能好等优点,通常产品都成卷,有很大一部分加工成涂层钢板。
现有的冷轧带钢质量检测管理方案在实施时存在一定的缺陷:通过人工目测与离线抽检相结合实施检测时,人工目测方式无法可靠捕获缺陷信息,导致产生大量漏检和误检;基于各种传感技术实施检测时,可检出的缺陷定量描述参数和缺陷种类都十分有限,无法综合评估产品的表面质量状况;基于机器视觉检测技术实施检测时,冷轧带钢表面附着的异物会对视觉检测结果产生影响,并且单一的视觉检测会产生一定的误差,导致冷轧带钢质量检测管理的整体效果不佳。
发明内容
本发明的目的在于提供一种冷轧带钢质量智能检测管理系统及方法,用于解决现有方案中冷轧带钢质量检测前没有实施预处理,并且没有实施不同的检测方案并整合输出,导致冷轧带钢质量检测管理的整体效果不佳的技术问题。
本发明的目的可以通过以下技术方案实现:
一种冷轧带钢质量智能检测管理系统,包括表面处理模块,用于对转动的冷轧带钢表面实施异物清理以及划分和标记得到目标检测集;
检测处理模块,用于对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
分析评估模块,用于从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到包含图像评估数据和状态评估数据的质量评估集;
整合输出模块,用于将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
优选地,表面处理模块的工作步骤包括:对转动的冷轧带钢表面实施异物清理得到表面洁净的冷轧带钢;
获取冷轧带钢的宽度,根据冷轧带钢的宽度以及预设的划分比例对冷轧带钢表面进行竖向的均等划分,并将划分后的若干区域设定为检测子区域;
将实时获取的冷轧带刚表面不同检测子区域的图像按摄像时间的顺序进行排序并编号;将实时获取的冷轧带刚表面不同检测子区域的超声波数据按检测时间的顺序进行排序并编号;
若干编号的检测子区域构成目标检测集。
优选地,通过图像处理单元对采集的图像检测数据进行处理时;
对摄像采集的图像进行预处理,得到处理图像;
根据冷轧带刚表面不同检测子区域获取处理图像上对应的图像并标记为划分图像,将若干划分图像按预设的顺序进行编号并排列组合,得到划分图像集;
依次对划分图像集中编号的划分图像进行形状特征识别和提取,并按对应的排列顺序进行组合,得到颜色特征数据。
优选地,依次对颜色特征数据中各个划分图像对应的特征进行遍历;
若不存在形状特征,则判定对应的划分图像正常并生成图正指令,根据图正指令将对应的检测子区标记为第一正常区域并不对其实施后续的追溯核验;
若存在形状特征,则判定对应的划分图像异常并生成图异指令,根据图异指令将对应的检测子区域标记为第一选中区域并对其异常进行追溯核验;
若干第一选中区域以及对应的颜色特征数据构成核验图像集。
优选地,通过超声波处理单元对采集的超声波数据进行处理时;
获取不同检测子区域的超声波数据,根据超声波数据将探测时间设定为横坐标、探测结果设定为纵坐标来构建探测曲线;
依次冷轧带刚表面不同检测子区域对应的探测曲线与数据库中预存储的标准探测曲线进行匹配。
优选地,若检测子区域对应的探测曲线与标准探测曲线完全相同,则判定对应检测子区域的表面状态正常并生成波正指令,根据波正指令将对应的检测子区域标记为第二正常区域并不对其实施后续的追溯核验;
若检测子区域对应的探测曲线与标准探测曲线不完全相同,则判定对应检测子区域的表面状态异常并生成波异指令,根据波异指令将对应的检测子区域标记为第二异常区域并对其异常进行追溯核验;
若干第二异常区域以及对应的探测曲线构成核验超声波集。
优选地,分析评估模块的工作步骤包括:通过图像评估单元对核验图像集中若干第一选中区域的异常进行分析时;
获取核验图像集中若干第一选中区域对应的颜色特征数据,获取颜色特征数据中若干特征的面积、长宽比以及总个数;
并将特征的面积、长宽比以及总个数分别标记;提取标记的各项数据的数值并联立整合获取第一选中区域对应的特征异常系数;
根据特征异常系数来对对应第一选中区域的异常进行分类时,获取数据库中预存储的图像异常表并对其包含的若干异常范围进行遍历匹配,得到包含核验信号和确认信号的图像评估数据。
优选地,通过超声波评估单元对核验超声波集中若干第二选中区域的异常进行分析时;
获取核验超声波集中若干第二选中区域对应的探测曲线,同时对探测曲线和标准探测曲线之间实施差异化统计;
获取探测曲线和标准探测曲线之间不重叠区域的总个数以及每个不重叠区域对应的区域面积并分别标记;提取标记的各项数据的数值并联立整合获取第二选中区域对应的状态异常系数;
根据状态异常系数来对对应第二选中区域的异常进行分类时,获取数据库中预存储的状态异常阈值并将其进行匹配分析,得到包含轻异信号、中异信号和高异信号的状态评估数据。
优选地,整合输出模块的工作步骤包括:
获取冷轧带钢表面不同检测子区域的图像评估数据和状态评估数据;
统计图像评估数据中轻度异常类别、中度异常类别和高度异常类别出现的总次数并分别标记,以及状态评估数据中轻度异常、中度异常和高度异常的检测子区域总数并分别标记;提取标记的各项数据的数值并联立整合获取冷轧带钢质量的整估值;
根据整估值来对冷轧带钢的整体质量进行分析评估,将整估值与预设的整估阈值进行匹配分析得到包含第一质估信号和第二质估信号的整合结果,根据整合结果中不同的质估信号自适应的对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
为了解决问题,本发明还公开了一种冷轧带钢质量智能检测管理方法,包括:
对转动的冷轧带钢表面实施异物清理以及划分和标记得到目标检测集;
对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到包含图像评估数据和状态评估数据的质量评估集;
将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
相比于现有方案,本发明实现的有益效果:
本发明在前期对冷轧带钢表面实施清洁处理,来消除其表面异物对检测的结果造成影响,同时采用不同的检测手段来实施质量检测,最后将不同的检测结果进行整合来对冷轧带钢的质量进行整体评估和输出,可以有效提高冷轧带钢质量检测管理的整体效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明一种冷轧带钢质量智能检测管理系统的模块框图。
图2为本发明一种冷轧带钢质量智能检测管理方法的流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
现有的基于机器视觉检测技术实施检测时,通过CCD行扫描摄像头对钢带表面进行逐行扫描来实时检测缺陷,从而完成整个钢卷的扫描检测,在钢带表面如有缺陷,会引起反射光线的变化,根据这个原理,通过检测摄像头拍摄图像里光强的变化,便可以检测出钢带表面上的一些物理缺陷;但是,对冷轧带钢实施检测的前期没有对其表面进行清洁处理,进而导致冷轧带钢表面粘连的一些异物影响检测的结果,同时也没有从不同的方面来对其实施质量检测,单一的图像检测存在检测管理的整体效果不佳的缺陷;本发明实施例中,在前期对冷轧带钢表面实施清洁处理,来消除其表面异物对检测的结果造成影响,同时采用不同的检测手段来实施质量检测,最后将不同的检测结果进行整合来对冷轧带钢的质量进行整体评估和输出,可以有效提高冷轧带钢质量检测管理的整体效果。
实施例一
如图1所示,本发明为一种冷轧带钢质量智能检测管理系统,包括表面处理模块、检测处理模块、分析评估模块、整合输出模块和数据库;
表面处理模块,用于对转动的冷轧带钢表面实施异物清理,得到表面洁净的冷轧带钢;
其中,可以在冷轧带钢的上表面设置有与其接触的清理装置,清理装置可以为刀片,通过冷轧带钢的转动来实现其表面异物被清理,避免异物对后续冷轧带钢表面的质量检测造成影响,可以提高冷轧带钢表面质量检测的准确性;
获取冷轧带钢的宽度,根据冷轧带钢的宽度以及预设的划分比例对冷轧带钢表面进行竖向的均等划分,并将划分后的若干区域设定为检测子区域;本发明实施例中可以将冷轧带钢表面均等划分成四等份,通过模块化的检测和分析,可以有效提高检测分析的效率;
将实时获取的冷轧带刚表面不同检测子区域的图像按摄像时间的顺序进行排序并编号;
将实时获取的冷轧带刚表面不同检测子区域的超声波数据按检测时间的顺序进行排序并编号;
若干编号的检测子区域构成目标检测集;
本发明实施例中,对不同检测子区域实施不同的检测方案进行编号的目的是便于快速定位到异常区域,同时,通过实施图像检测和超声波检测,可以有效提高冷轧带钢质量检测管理的整体效果;
检测处理模块,用于对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
通过图像处理单元对采集的图像检测数据进行处理时;
对摄像采集的图像进行预处理,得到处理图像;预处理包括降噪滤波处理、增强处理和光照补偿,均为常规的技术手段,具体的步骤这里不做赘述;
根据冷轧带刚表面不同检测子区域获取处理图像上对应的图像并标记为划分图像,将若干划分图像按预设的顺序进行编号并排列组合,得到划分图像集;
依次对划分图像集中编号的划分图像进行形状特征识别和提取,并按对应的排列顺序进行组合,得到颜色特征数据;其中,形状特征包含特征的面积、长宽比以及总个数;
依次对颜色特征数据中各个划分图像对应的特征进行遍历;
若不存在形状特征,则判定对应的划分图像正常并生成图正指令,根据图正指令将对应的检测子区标记为第一正常区域并不对其实施后续的追溯核验;
若存在形状特征,则判定对应的划分图像异常并生成图异指令,根据图异指令将对应的检测子区域标记为第一选中区域并对其异常进行追溯核验;
若干第一选中区域以及对应的颜色特征数据构成核验图像集;
本发明实施例中,基于图像识别获取的形状特征来对冷轧带钢表面的状态进行分析评估,通过先对是否存在形状特征进行判断来实施初步的筛选,以便后续可以对异常的检测子区域实施精准高效的分析评估,相比于现有方案中对冷轧带钢的表面进行整体的图像识别和分析,本发明实施例可以在图像检测方面实现更精准高效的检测效果;
通过超声波处理单元对采集的超声波数据进行处理时;
获取不同检测子区域的超声波数据,根据超声波数据将探测时间设定为横坐标、探测结果设定为纵坐标来构建探测曲线;
依次冷轧带刚表面不同检测子区域对应的探测曲线与数据库中预存储的标准探测曲线进行匹配;
若检测子区域对应的探测曲线与标准探测曲线完全相同,则判定对应检测子区域的表面状态正常并生成波正指令,根据波正指令将对应的检测子区域标记为第二正常区域并不对其实施后续的追溯核验;
若检测子区域对应的探测曲线与标准探测曲线不完全相同,则判定对应检测子区域的表面状态异常并生成波异指令,根据波异指令将对应的检测子区域标记为第二异常区域并对其异常进行追溯核验;
若干第二异常区域以及对应的探测曲线构成核验超声波集;
本发明实施例中,根据超声波探测数据构建探测曲线,通过将探测曲线与标准探测曲线进行匹配分析,从探测曲线整体方面判断对应检测子区域的表面状态是否正常来实现初步的筛选,以便后续可以异常的探测曲线实施更进一步的分析评估,可以从超声波探测方面提高冷轧带钢表面质量检测管理的整体效果;
分析评估模块,用于从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到质量评估集;包括:
通过图像评估单元对核验图像集中若干第一选中区域的异常进行分析时;
获取核验图像集中若干第一选中区域对应的颜色特征数据,获取颜色特征数据中若干特征的面积、长宽比以及总个数;
并将特征的面积、长宽比以及总个数分别标记为TM、CB和ZS;提取标记的各项数据的数值并联立整合,通过计算获取第一选中区域对应的特征异常系数TYX;特征异常系数TYX的计算公式为:
式中,g1、g2、g3为预设的不同比例系数且1<g3<g2<g1,g1可以取值为3.462,g2可以取值为2.396,g3可以取值为1.684;α为预设的特征补偿因子,取值范围为(0,3),可以取值为1.0254;
需要说明的是,特征异常系数是用于将图像上若干形状特征不同方面的数据进行联立整合来对其检测子区域的异常进行分类的数值;特征异常系数越大,对应的异常状态也就越严重;
根据特征异常系数来对对应第一选中区域的异常进行分类时,获取数据库中预存储的图像异常表并对其包含的若干异常范围进行遍历匹配;
若图像异常表中存在特征异常系数对应的异常范围,则生成核验信号并将该异常范围对应的异常类别与第一选中区域进行关联并标记,同时将异常类别出现的总次数加一;其中,异常类别包含轻度异常类别、中度异常类别和高度异常类别;
若图像异常表中不存在特征异常系数对应的异常范围,则生成确认信号并将其发送至人工进行审核确认;
特征异常系数以及对应的核验信号和确认信号构成图像评估数据;
本发明实施例中,通过将异常图像上的形状特征不同方面的数据进行联立整合获取特征异常系数,基于特征异常系数来从图像方面对对应检测子区域的异常状态进行整体分析评估,以便可以获取到对应的异常类别,提高了图像检测方面的检测效果;
通过超声波评估单元对核验超声波集中若干第二选中区域的异常进行分析时;
获取核验超声波集中若干第二选中区域对应的探测曲线,同时对探测曲线和标准探测曲线之间实施差异化统计;
获取探测曲线和标准探测曲线之间不重叠区域的总个数以及每个不重叠区域对应的区域面积并分别标记为QZ和QM;提取标记的各项数据的数值并联立整合,通过计算获取第二选中区域对应的状态异常系数ZYX;状态异常系数ZYX的计算公式为:
式中,f1、f2为预设的不同比例系数且1<f1<f2;f1可以取值为2.314,f2可以取值为4.273;β为预设的状态补偿因子,取值范围为(0,5),可以取值为1.5367;
需要说明的是,状态异常系数是用于将第二选中区域对应的探测曲线不同方面的数据进行联立整合来对其检测子区域的异常进行分类的数值;状态异常系数越大,对应的异常状态也就越严重;
根据状态异常系数来对对应第二选中区域的异常进行分类时,获取数据库中预存储的状态异常阈值并将其进行匹配分析;
若状态异常系数小于状态异常阈值,则判定对应第二选中区域的状态为轻度异常并生成轻异信号,并根据轻异信号将轻度异常的检测子区域总数加一;
若状态异常系数不小于状态异常阈值且不大于状态异常阈值的Y%,Y为大于一百的实数,则判定对应第二选中区域的状态为中度异常并生成中异信号,并根据中异信号将中度异常的检测子区域总数加一;
若状态异常系数大于状态异常阈值的Y%,则判定对应第二选中区域的状态为高度异常并生成高异信号,并根据高异信号将高度异常的检测子区域总数加一;
状态异常系数以及对应的轻异信号、中异信号和高异信号构成状态评估数据;
图像评估数据和状态评估数据构成质量评估集;
本发明实施例中,通过将探测曲线不同方面的数据进行联立整合获取状态异常系数,基于状态异常系数来从超声波探测方面对对应检测子区域的异常状态进行整体分析评估,以便可以获取到对应的异常类别,提高了超声波检测方面的检测效果;
整合输出模块,用于将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示;包括:
获取冷轧带钢表面不同检测子区域的图像评估数据和状态评估数据;
统计图像评估数据中轻度异常类别、中度异常类别和高度异常类别出现的总次数并分别标记为QL、ZL和GL,以及状态评估数据中轻度异常、中度异常和高度异常的检测子区域总数并分别标记为QY、ZY和GY;
提取标记的各项数据的数值并联立整合,通过计算获取冷轧带钢质量的整估值ZG;整估值ZG的计算公式为:
式中,z1、z2、z3、z4、z5、z6为均大于零的比例系数,且z6>z3>z5>z2>z4>z1;z1可以取值为1.325,z2可以取值为3.577,z3可以取值为5.328,z4可以取值为2.174,z5可以取值为4.392,z6可以取值为6.875;
需要说明的是,整估值是用于将不同检测方面的检测结果进行整合来对冷轧带钢的整体质量进行分析评估的数值;整估值越小,对应冷轧带钢的整体质量越优秀;
根据整估值来对冷轧带钢的整体质量进行分析评估,将整估值与预设的整估阈值进行匹配分析;
若整估值小于整估阈值,则判定冷轧带钢的整体质量合格并生成第一质估信号;
若整估值不小于整估阈值,则判定冷轧带钢的整体质量不合格并生成第二质估信号;
整估值以及对应的第一质估信号和第二质估信号构成整合结果,根据整合结果中不同的质估信号自适应的对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
本发明实施例中,通过将不同检测方案的检测分析结果进行整合来对冷轧带钢的整体质量进行分析评估并输出提示,可以有效消除单一检测方案存在的检测效率低、准确性低的缺陷,有效提高了冷轧带钢质量检测管理的整体效果;
此外,上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的比例系数以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;比例系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于比例系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
实施例二
如图2所示,本发明为一种冷轧带钢质量智能检测管理方法,包括:
对转动的冷轧带钢表面实施异物清理以及划分和标记得到目标检测集;
对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到包含图像评估数据和状态评估数据的质量评估集;
将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,可以通过其它的方式实现。例如,以上所描述的发明实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的基本特征的情况下,能够以其他的具体形式实现本发明。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种冷轧带钢质量智能检测管理系统,其特征在于,包括表面处理模块,用于对转动的冷轧带钢表面实施异物清理以及划分和标记得到目标检测集;
检测处理模块,用于对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
分析评估模块,用于从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到包含图像评估数据和状态评估数据的质量评估集;
整合输出模块,用于将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
2.根据权利要求1所述的一种冷轧带钢质量智能检测管理系统,其特征在于,表面处理模块的工作步骤包括:对转动的冷轧带钢表面实施异物清理得到表面洁净的冷轧带钢;
获取冷轧带钢的宽度,根据冷轧带钢的宽度以及预设的划分比例对冷轧带钢表面进行竖向的均等划分,并将划分后的若干区域设定为检测子区域;
将实时获取的冷轧带刚表面不同检测子区域的图像按摄像时间的顺序进行排序并编号;将实时获取的冷轧带刚表面不同检测子区域的超声波数据按检测时间的顺序进行排序并编号;
若干编号的检测子区域构成目标检测集。
3.根据权利要求1所述的一种冷轧带钢质量智能检测管理系统,其特征在于,通过图像处理单元对采集的图像检测数据进行处理时;
对摄像采集的图像进行预处理,得到处理图像;
根据冷轧带刚表面不同检测子区域获取处理图像上对应的图像并标记为划分图像,将若干划分图像按预设的顺序进行编号并排列组合,得到划分图像集;
依次对划分图像集中编号的划分图像进行形状特征识别和提取,并按对应的排列顺序进行组合,得到颜色特征数据。
4.根据权利要求3所述的一种冷轧带钢质量智能检测管理系统,其特征在于,依次对颜色特征数据中各个划分图像对应的特征进行遍历;
若不存在形状特征,则判定对应的划分图像正常并生成图正指令,根据图正指令将对应的检测子区标记为第一正常区域并不对其实施后续的追溯核验;
若存在形状特征,则判定对应的划分图像异常并生成图异指令,根据图异指令将对应的检测子区域标记为第一选中区域并对其异常进行追溯核验;
若干第一选中区域以及对应的颜色特征数据构成核验图像集。
5.根据权利要求4所述的一种冷轧带钢质量智能检测管理系统,其特征在于,通过超声波处理单元对采集的超声波数据进行处理时;
获取不同检测子区域的超声波数据,根据超声波数据将探测时间设定为横坐标、探测结果设定为纵坐标来构建探测曲线;
依次冷轧带刚表面不同检测子区域对应的探测曲线与数据库中预存储的标准探测曲线进行匹配。
6.根据权利要求5所述的一种冷轧带钢质量智能检测管理系统,其特征在于,若检测子区域对应的探测曲线与标准探测曲线完全相同,则判定对应检测子区域的表面状态正常并生成波正指令,根据波正指令将对应的检测子区域标记为第二正常区域并不对其实施后续的追溯核验;
若检测子区域对应的探测曲线与标准探测曲线不完全相同,则判定对应检测子区域的表面状态异常并生成波异指令,根据波异指令将对应的检测子区域标记为第二异常区域并对其异常进行追溯核验;
若干第二异常区域以及对应的探测曲线构成核验超声波集。
7.根据权利要求1所述的一种冷轧带钢质量智能检测管理系统,其特征在于,分析评估模块的工作步骤包括:通过图像评估单元对核验图像集中若干第一选中区域的异常进行分析时;
获取核验图像集中若干第一选中区域对应的颜色特征数据,获取颜色特征数据中若干特征的面积、长宽比以及总个数;
并将特征的面积、长宽比以及总个数分别标记;提取标记的各项数据的数值并联立整合获取第一选中区域对应的特征异常系数;
根据特征异常系数来对对应第一选中区域的异常进行分类时,获取数据库中预存储的图像异常表并对其包含的若干异常范围进行遍历匹配,得到包含核验信号和确认信号的图像评估数据。
8.根据权利要求7所述的一种冷轧带钢质量智能检测管理系统,其特征在于,通过超声波评估单元对核验超声波集中若干第二选中区域的异常进行分析时;
获取核验超声波集中若干第二选中区域对应的探测曲线,同时对探测曲线和标准探测曲线之间实施差异化统计;
获取探测曲线和标准探测曲线之间不重叠区域的总个数以及每个不重叠区域对应的区域面积并分别标记;提取标记的各项数据的数值并联立整合获取第二选中区域对应的状态异常系数;
根据状态异常系数来对对应第二选中区域的异常进行分类时,获取数据库中预存储的状态异常阈值并将其进行匹配分析,得到包含轻异信号、中异信号和高异信号的状态评估数据。
9.根据权利要求1所述的一种冷轧带钢质量智能检测管理系统,其特征在于,整合输出模块的工作步骤包括:
获取冷轧带钢表面不同检测子区域的图像评估数据和状态评估数据;
统计图像评估数据中轻度异常类别、中度异常类别和高度异常类别出现的总次数并分别标记,以及状态评估数据中轻度异常、中度异常和高度异常的检测子区域总数并分别标记;提取标记的各项数据的数值并联立整合获取冷轧带钢质量的整估值;
根据整估值来对冷轧带钢的整体质量进行分析评估,将整估值与预设的整估阈值进行匹配分析得到包含第一质估信号和第二质估信号的整合结果,根据整合结果中不同的质估信号自适应的对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
10.一种冷轧带钢质量智能检测管理方法,应用于权利要求1-9任一项所述的一种冷轧带钢质量智能检测管理系统,其特征在于,包括:
对转动的冷轧带钢表面实施异物清理以及划分和标记得到目标检测集;
对目标检测集中清理后的冷轧带刚表面的各个检测子区域实施图像检测和超声波检测并进行数据处理,得到包含图像检测数据和超声波检测数据的检测集;
从不同的方面对冷轧带刚表面不同检测子区域的质量进行分析评估,得到包含图像评估数据和状态评估数据的质量评估集;
将图像检测方面和超声波检测方面的分析评估结果进行整合来对冷轧带钢表面的整体质量检测结果进行输出并动态提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656177.8A CN115983687B (zh) | 2022-12-22 | 2022-12-22 | 一种冷轧带钢质量智能检测管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656177.8A CN115983687B (zh) | 2022-12-22 | 2022-12-22 | 一种冷轧带钢质量智能检测管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983687A true CN115983687A (zh) | 2023-04-18 |
CN115983687B CN115983687B (zh) | 2023-09-29 |
Family
ID=85957440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211656177.8A Active CN115983687B (zh) | 2022-12-22 | 2022-12-22 | 一种冷轧带钢质量智能检测管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983687B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN116503365A (zh) * | 2023-05-04 | 2023-07-28 | 无锡化工装备股份有限公司 | 一种基于机器视觉的三维冷凝翅片管轧制实时监测方法 |
CN117911411A (zh) * | 2024-03-19 | 2024-04-19 | 南京认知物联网研究院有限公司 | 一种基于图片流并行检测的计算机视觉检测方法及装置 |
CN117911411B (zh) * | 2024-03-19 | 2024-05-24 | 南京认知物联网研究院有限公司 | 一种基于图片流并行检测的计算机视觉检测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136804A (zh) * | 2014-05-28 | 2015-12-09 | 宝山钢铁股份有限公司 | 高速带钢表面图像采集及图像处理装置和方法 |
CN107525813A (zh) * | 2017-09-21 | 2017-12-29 | 常州有恒智能装备科技有限公司 | 钢板缺陷在线智能视觉检测系统 |
CN109692877A (zh) * | 2018-12-29 | 2019-04-30 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测系统及方法 |
CN114459372A (zh) * | 2022-01-26 | 2022-05-10 | 江苏瑞成建筑科技有限公司 | 一种钢架构钢柱形变损坏在线智能预警方法 |
CN114636708A (zh) * | 2022-02-10 | 2022-06-17 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面清洁度在线检测系统 |
CN114878582A (zh) * | 2022-07-01 | 2022-08-09 | 苏州翔楼新材料股份有限公司 | 一种特钢的缺陷检测分析方法及系统 |
CN115239632A (zh) * | 2022-06-23 | 2022-10-25 | 西南交通大学 | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 |
CN115393346A (zh) * | 2022-09-30 | 2022-11-25 | 王建强 | 一种用于钢轨轨道表面探伤的探测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102401801B (zh) * | 2010-09-16 | 2014-09-03 | 鞍钢股份有限公司 | 一种冷轧带钢表面清洁度检测装置及方法 |
CN205270346U (zh) * | 2015-11-13 | 2016-06-01 | 重庆广际实业有限公司 | 一种冷轧带钢生产用辊道清理涂油机构 |
CN216397551U (zh) * | 2021-11-25 | 2022-04-29 | 德龙钢铁有限公司 | 一种热轧带钢表面异物清理装置 |
CN115266728A (zh) * | 2022-07-25 | 2022-11-01 | 马鞍山钢铁股份有限公司 | 一种冷轧带钢表面夹杂缺陷的识别方法 |
-
2022
- 2022-12-22 CN CN202211656177.8A patent/CN115983687B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136804A (zh) * | 2014-05-28 | 2015-12-09 | 宝山钢铁股份有限公司 | 高速带钢表面图像采集及图像处理装置和方法 |
CN107525813A (zh) * | 2017-09-21 | 2017-12-29 | 常州有恒智能装备科技有限公司 | 钢板缺陷在线智能视觉检测系统 |
CN109692877A (zh) * | 2018-12-29 | 2019-04-30 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测系统及方法 |
CN114459372A (zh) * | 2022-01-26 | 2022-05-10 | 江苏瑞成建筑科技有限公司 | 一种钢架构钢柱形变损坏在线智能预警方法 |
CN114636708A (zh) * | 2022-02-10 | 2022-06-17 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面清洁度在线检测系统 |
CN115239632A (zh) * | 2022-06-23 | 2022-10-25 | 西南交通大学 | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 |
CN114878582A (zh) * | 2022-07-01 | 2022-08-09 | 苏州翔楼新材料股份有限公司 | 一种特钢的缺陷检测分析方法及系统 |
CN115393346A (zh) * | 2022-09-30 | 2022-11-25 | 王建强 | 一种用于钢轨轨道表面探伤的探测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503365A (zh) * | 2023-05-04 | 2023-07-28 | 无锡化工装备股份有限公司 | 一种基于机器视觉的三维冷凝翅片管轧制实时监测方法 |
CN116310424A (zh) * | 2023-05-17 | 2023-06-23 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN116310424B (zh) * | 2023-05-17 | 2023-08-18 | 青岛创新奇智科技集团股份有限公司 | 基于图像识别的设备质量评估方法、装置、终端和介质 |
CN117911411A (zh) * | 2024-03-19 | 2024-04-19 | 南京认知物联网研究院有限公司 | 一种基于图片流并行检测的计算机视觉检测方法及装置 |
CN117911411B (zh) * | 2024-03-19 | 2024-05-24 | 南京认知物联网研究院有限公司 | 一种基于图片流并行检测的计算机视觉检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115983687B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983687A (zh) | 一种冷轧带钢质量智能检测管理系统及方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
TWI603074B (zh) | 光學薄膜缺陷辨識方法及其系統 | |
US7817845B2 (en) | Multi-frequency image processing for inspecting parts having complex geometric shapes | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN104914111A (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 | |
CN115082418A (zh) | 一种汽车零部件精密识别方法 | |
US20040044484A1 (en) | Method and apparatus for analyzing defect information | |
CN108318491A (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN113758524A (zh) | 一种电路板加工监测系统 | |
CN113720914B (zh) | 超声波探伤系统及超声波探伤方法 | |
CN117218114B (zh) | 一种基于图像数据处理的网状织物缺陷快速检测方法 | |
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 | |
Yoon et al. | Improved modified pressure imaging and software for egg micro-crack detection and egg quality grading | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
RU2426069C1 (ru) | Способ неразрушающего контроля качества поверхности рельсов | |
CN111062939B (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
CN113963291A (zh) | 基于视频图像质量的燃煤工况识别方法及其模型建模方法 | |
CN113155862A (zh) | 一种偏光膜卷材良率的模拟方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230907 Address after: 100024 unit 2, floor 9, building 2, courtyard 3, Changtong Road, Chaoyang District, Beijing 10006 Applicant after: Beijing Mitian Technology Co.,Ltd. Address before: Room 204, No. 14, Houjiao East 1st Street, Haizhu District, Guangzhou City, Guangdong Province, 510000 Applicant before: Guangzhou Haixiumen Network Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |