CN116429170B - 一种板坯质量检测方法 - Google Patents
一种板坯质量检测方法 Download PDFInfo
- Publication number
- CN116429170B CN116429170B CN202310263632.6A CN202310263632A CN116429170B CN 116429170 B CN116429170 B CN 116429170B CN 202310263632 A CN202310263632 A CN 202310263632A CN 116429170 B CN116429170 B CN 116429170B
- Authority
- CN
- China
- Prior art keywords
- slab
- image
- detection result
- edge
- starting point
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 186
- 238000012544 monitoring process Methods 0.000 claims description 115
- 230000007547 defect Effects 0.000 claims description 111
- 238000012545 processing Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 9
- 238000007493 shaping process Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 3
- 238000009749 continuous casting Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种板坯质量检测方法,属于冶金数字化领域,通过多个维度对板坯进行全方位的检测和评价,可以实现在线判断板坯的质量,从而确定板坯是否可以热送,提高了板坯检测的效率,并且给工作人员调整连铸机的工艺参数提供参考,能够有效地辅助工厂提升板坯质量。
Description
技术领域
本发明属于冶金数字化领域,尤其涉及一种板坯质量检测方法。
背景技术
连铸生产过程中,铸坯质量为最终的目标。判断铸坯的质量一般会从铸坯的表面质量、平直度、镰刀弯、温度等多方面进行,但由于没有直接的检测手段,常规为现场取样,离线分析,倘若检测不及时,可能会导致有质量缺陷的产品会误入下一道工序。
发明内容
针对现有技术中的上述不足,本发明提供的一种板坯质量检测方法解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案如下。
一种板坯质量检测方法,包括:
获取板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据,并对板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据进行预处理,得到预处理后的板坯宽度监测图像、预处理后的板坯表面监测图像、预处理后的板坯厚度监测图像、预处理后的板坯侧面监测图像以及预处理后的板坯多点温度监测数据;
根据预处理后的板坯宽度监测图像,对所述板坯的宽度进行质量检测,获取板坯宽度质量检测结果;根据预处理后的板坯表面监测图像,对所述板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果;根据预处理后的板坯厚度检测图像,对所述板坯的厚度进行质量检测,获取板坯厚度健质量检测结果;根据预处理后的板坯侧面监测图像,对所述板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果;根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果;
根据所述板坯宽度质量检测结果、板坯表面缺陷检测结果、板坯厚度健质量检测结果、板坯侧面缺陷检测结果以及板坯温度检测结果,获取板坯质量检测结果。
在一种可能的实施方式中,根据预处理后的板坯宽度监测图像,对所述板坯的宽度进行质量检测,获取板坯宽度质量检测结果,包括:
对预处理后的板坯宽度监测图像进行边缘平滑处理,得到第一边缘平滑处理图像;
采用LoG算子对第一边缘平滑处理图像进行板坯边缘提取,得到第一板坯边缘图像;
以第一板坯边缘图像中任意一个角点为原点,构建第一图像坐标系,并确定第一板坯边缘图像中两条第一边缘上所有点的坐标,两条第一边缘之间的距离为板坯宽度;
获取第一板坯边缘图像中两条第一边缘与第一图像坐标系中坐标轴相交的第一起点以及第二起点,所述第一起点用于表征一条第一边缘与第一图像坐标系中坐标轴的相交点,所述第二起点用于表征另一条第一边缘与第一图像坐标系中坐标轴的相交点;
根据第一起点以及第二起点,对所述板坯的宽度进行监测,获取宽度检测结果为:
其中,D1表示宽度检测结果,x1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标,x2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标;当第一起点所对应第一边缘上点的数量多于第二起点所对应第一边缘上点的数量时,I表示第二起点所对应第一边缘上点的数量;当第一起点所对应第一边缘上点的数量少于第二起点所对应第一边缘上点的数量时,I表示第一起点所对应第一边缘上点的数量;
判断宽度检测结果D1是否大于预先设定的宽度阈值,若是,则判定板坯宽度质量检测结果为宽度异常,否则判定板坯宽度质量检测结果为宽度正常。
在一种可能的实施方式中,根据预处理后的板坯表面监测图像,对所述板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果,包括:
构建板坯表面缺陷检测模型以及损失函数;
以损失函数最小为目标,并对所述板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型;
采用训练完成的板坯表面缺陷检测模型对预处理后的板坯表面监测图像进行识别,得到缺陷检测结果图像,所述缺陷检测结果图像中存在缺陷或者不存在缺陷;
判断缺陷检测图像中是否存在缺陷,若是,则判定板坯表面缺陷检测结果为板坯表面存在异常,否则判定板坯表面缺陷检测结果为板坯表面正常。
在一种可能的实施方式中,所述板坯表面缺陷检测模型包括顺次连接的输入层、第一卷积层、第一图像处理模块、第二图像处理模块、第三图像处理模块、第一区块聚合层、第一视觉转换器模块、第二视觉转换器层、第一区块拓展层、第四图像处理模块、第五图像处理模块、第六图像处理模块、转置卷积层以及输出层;且第一图像处理模块的输出端与第六图像处理模块的输入端连接,第二图像处理模块的输出端与第五图像处理模块的输入端连接,第三图像处理模块的输出端与第四图像处理模块的输入端连接;
所述第一图像处理模块、第二图像处理模块以及第三图像处理模块的结构相同,且均包括顺次连接的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第二区块聚合层、第三视觉转换器模块、第四视觉转换器模块以及第一整形层;
所述第四图像处理模块、第五图像处理模块以及第六图像处理模块的结构相同,且均包括顺次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层、第二区块拓展层、第五视觉转换器模块、第六视觉转换器模块以及第二整形层。
在一种可能的实施方式中,所述损失函数为:
LS=λ1Lbce+λ2Liou+λ3Lssim
其中,LS表示损失值,λ1表示第一权重系数,λ2表示第二权重系数,λ3表示第三权重系数,Lbce表示交叉熵损失子函数,Liou表示边界交并比损失子函数,Lssim表示结构相似性损失子函数,G(x,y)表示真实标签图像中的像素点(x,y)是否属于缺陷,G(x,y)=1表示真实标签图像中的像素点(x,y)属于缺陷,G(x,y)=0表示真实标签图像中的像素点(x,y)不属于缺陷;S(x,y)表示缺陷预测图像中的像素点(x,y)为缺陷的概率,x=1,2,…,H,H表示x轴方向上的像素点个数,y=1,2,…,W,W表示y轴方向上的像素点个数,μx表示x坐标点像素值的均值,μy表示y坐标点像素值的均值,σx表示x坐标点像素值的标准差,σy表示y坐标点像素值的标准差,σxy表示x坐标像素值和y坐标像素值的协方差,C1表示第一常数,C2表示第二常数。
在一种可能的实施方式中,以损失函数最小为目标,并对所述板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型,包括:
根据损失函数,获取当前板坯表面缺陷检测模型对应的损失函数值,并判断该损失函数值是否小于设定阈值,若是,则将当前的板坯表面缺陷检测模型作为训练完成的板坯表面缺陷检测模型,否则,采用梯度下降法对板坯表面缺陷检测模型进行参数更新,并重复训练。
在一种可能的实施方式中,根据预处理后的板坯厚度检测图像,对所述板坯的厚度进行质量检测,获取板坯厚度健质量检测结果,包括:
对预处理后的板坯厚度检测图像进行边缘平滑处理,得到第二边缘平滑处理图像;
采用LoG算子对第二边缘平滑处理图像进行板坯边缘提取,得到第二板坯边缘图像;
以第二板坯边缘图像中任意一个角点为原点,构建第二图像坐标系,并确定第二板坯边缘图像中两条第二边缘上所有点的坐标,所述两条第二边缘之间的距离为板坯厚度;
获取第二板坯边缘图像中两条第二边缘与第二图像坐标系中坐标轴相交的第三起点以及第四起点,所述第三起点用于表征一条第二边缘与第二图像坐标系中坐标轴的相交点,所述第四起点用于表征另一条第二边缘与第二图像坐标系中坐标轴的相交点;
根据第三起点以及第四起点,对所述板坯的宽度进行监测,获取厚度检测结果为:
其中,D2表示厚度检测结果,x1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标,x2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标;当第三起点所对应第二边缘上点的数量多于第四起点所对应第二边缘上点的数量时,J表示第四起点所对应第二边缘上点的数量;当第三起点所对应第二边缘上点的数量少于第四起点所对应第二边缘上点的数量时,J表示第三起点所对应第二边缘上点的数量;
判断厚度检测结果D2是否大于预先设定的厚度阈值,若是,则判定板坯厚度质量检测结果为厚度异常,否则判定板坯厚度质量检测结果为厚度正常。
在一种可能的实施方式中,根据预处理后的板坯侧面监测图像,对所述板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果,包括:
采用BP神经网络构建镰刀弯识别模型;
训练镰刀弯识别模型,得到训练后的镰刀弯识别模型;
采用训练后的镰刀弯识别模型对预处理后的板坯侧面监测图像进行识别,得到板坯侧面缺陷检测结果,所述板坯侧面缺陷检测结果包括板坯侧面监测图像存在镰刀弯或板坯侧面监测图像不存在镰刀弯。
在一种可能的实施方式中,训练镰刀弯识别模型,得到训练后的镰刀弯识别模型,包括:
A1、令当前训练轮数为n=0,设置学习率上限C、训练轮数上限N以及训练结束阈值e,并随机初始化镰刀弯识别模型的权重;
A2、获取误差函数的梯度其中,g(0)表示第0轮训练时误差函数的梯度,/>表示梯度算子,/>表示在第n轮训练时的权重w(0)的基础上所得到的误差函数梯度;
A3、设置搜索方向d(0),d(0)=-g(0);
A4、根据所述第n轮训练时误差函数的梯度g(n),进行一维搜索其中,η表示范围搜索学习率,ηn表示搜索得到的学习率,E(w(n)+ηnd(n))表示权重更新为w(n)+ηnd(n)所对应的误差,E(w(n)+ηd(n))表示权重更新为w(n)+ηd(n)所对应的误差;
A5、根据一维搜索得到的第n轮训练时学习率ηn,调节镰刀弯识别模型的权重为:
w(n+1)=w(n)+ηnd(n)
其中,w(n+1)表示更新后的w(n),w(n)表示第n次训练时镰刀弯识别模型的权重;
A6、令当前训练轮数n的计数值加一,并判断E(w(n))是否小于训练结束阈值e,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A7;
A7、判断当前训练轮数n是否大于或者等于训练轮数上限N,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A8;
A8、获取误差函数的梯度以及方向因子/>其中,/>E(w(n))表示在第n轮训练时的权重w(n)的基础上所得到的误差函数梯度,g(n-1)表示第n-1轮训练时误差函数的梯度;
A9、获取搜索方向d(n)=-g(n)+βnd(n-1),其中,d(n-1)表示第n-1次训练时的搜索方向;
A10、返回步骤A4。
在一种可能的实施方式中,根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果,包括:获取预处理的板坯多点温度监测数据的方差,并判断该方差是否大于设定的温度阈值,若是,则判定板坯温度检测结果为温度异常,否则判定板坯温度检测结果为温度正常。
本发明提供了一种板坯质量检测方法,通过多个维度对板坯进行全方位的检测和评价,可以实现在线判断板坯的质量,从而确定板坯是否可以热送,提高了板坯检测的效率,并且给工作人员调整连铸机的工艺参数提供参考,能够有效地辅助工厂提升板坯质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本发明实施例提供的一种板坯质量检测方法的流程图。
图2为本发明实施例提供的板坯表面缺陷检测模型的结构示意图。
图3为本发明实施例提供的第一图像处理模块、第二图像处理模块以及第三图像处理模块的的结构示意图。
图4为本发明实施例提供的第四图像处理模块、第五图像处理模块以及第六图像处理模块的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种板坯质量检测方法,包括:
S1、获取板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据,并对板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据进行预处理,得到预处理后的板坯宽度监测图像、预处理后的板坯表面监测图像、预处理后的板坯厚度监测图像、预处理后的板坯侧面监测图像以及预处理后的板坯多点温度监测数据。
板坯宽度监测图像中应当包含与板坯宽度方向所垂直的两条边,这两条边的间距就表示板坯的宽度,因此只需要检测这两条半的宽度是否存在异变,就可以确定板坯宽度是否异常。板坯表面监测图像是展示板坯是否存在缺陷的直观数据,对其进行缺陷识别,就可以确定板坯上是否存在缺陷,若存在缺陷,则板坯就是不健康的。板坯厚度监测图像中应当包含与板坯厚度方向所垂直的两条边,这两条边的间距就表示板坯的厚度,因此只需要检测这两条半的厚度是否存在异变,就可以确定板坯厚度是否异常。板坯侧面监测图像主要是对可能出现镰刀弯所监测得到的图像,通过对板坯侧面监测图像中的镰刀弯特征进行识别,从而可以确定板坯是否存在该方面的异常。板坯多点温度监测数据可以是通过多个温度传感器所测量的板坯表面温度,且多个温度传感器均匀分布。
对板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像以及板坯侧面监测图像的预处理可以包括图像灰度化、图像灰度增强、图像平滑以及图像二值化。对板坯多点温度监测数据可以包括归一化处理。
S2、根据预处理后的板坯宽度监测图像,对板坯的宽度进行质量检测,获取板坯宽度质量检测结果;根据预处理后的板坯表面监测图像,对板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果;根据预处理后的板坯厚度检测图像,对板坯的厚度进行质量检测,获取板坯厚度健质量检测结果;根据预处理后的板坯侧面监测图像,对板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果;根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果。
S3、根据板坯宽度质量检测结果、板坯表面缺陷检测结果、板坯厚度健质量检测结果、板坯侧面缺陷检测结果以及板坯温度检测结果,获取板坯质量检测结果。
板坯宽度质量检测结果可以包括宽度正常或宽度异常,板坯表面缺陷检测结果可以包括存在缺陷或者不存在缺陷,板坯厚度健质量检测结果可以包括厚度正常或者厚度异常,板坯侧面缺陷检测结果可以包括存在镰刀弯或者不存在镰刀弯,板坯温度检测结果可以包括温度正常或温度异常。
可选的,为了便于工作人员能够更好的了解板坯的异常程度,可以为每个结果赋值,最后汇总赋值并展示。例如,宽度正常、存在缺陷、厚度正常、存在镰刀以及温度正常赋值1,宽度异常、不存在缺陷、厚度异常、不存在镰刀弯以及温度异常赋值0。因此可以通过最后的赋值总值来直观展示板坯质量。或者设置五个异常等级,每多一个维度存在异常,则异常等级增加一级。
在一种可能的实施方式中,根据预处理后的板坯宽度监测图像,对板坯的宽度进行质量检测,获取板坯宽度质量检测结果,包括:
对预处理后的板坯宽度监测图像进行边缘平滑处理,得到第一边缘平滑处理图像。
采用LoG算子(LaplacianofGassian,拉普拉斯高斯算法)对第一边缘平滑处理图像进行板坯边缘提取,得到第一板坯边缘图像。值得说明的是,除了采用LoG算子进行边缘检测之外,还可以采用其他算子进行边缘检测。
以第一板坯边缘图像中任意一个角点为原点,构建第一图像坐标系,并确定第一板坯边缘图像中两条第一边缘上所有点的坐标,两条第一边缘之间的距离为板坯宽度。
获取第一板坯边缘图像中两条第一边缘与第一图像坐标系中坐标轴相交的第一起点以及第二起点,第一起点用于表征一条第一边缘与第一图像坐标系中坐标轴的相交点,第二起点用于表征另一条第一边缘与第一图像坐标系中坐标轴的相交点。
由于两个第一边缘之间的距离代表板坯宽度,那么第一边缘就是平行于板坯在流水线上行进方向的边,且又由于板坯较长,因此拍摄时板坯的图像时,仅能够拍摄到板坯的一部分图像,第一边缘就会与图像边界相交,从而以角点构建坐标系时,第一边缘就会与坐标系中一个半轴相交。
根据第一起点以及第二起点,对板坯的宽度进行监测,获取宽度检测结果为:
其中,D1表示宽度检测结果,x1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标,x2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标。当第一起点所对应第一边缘上点的数量多于第二起点所对应第一边缘上点的数量时,I表示第二起点所对应第一边缘上点的数量。当第一起点所对应第一边缘上点的数量少于第二起点所对应第一边缘上点的数量时,I表示第一起点所对应第一边缘上点的数量。
判断宽度检测结果D1是否大于预先设定的宽度阈值,若是,则判定板坯宽度质量检测结果为宽度异常,否则判定板坯宽度质量检测结果为宽度正常。其中,宽度阈值设置为Ia表示常数。当宽度不存在异常时,第一起点与第二起点之间的间距就应该是板坯宽度,所有点的间距相加就应当是/>考虑采用图像识别,会产生一定的误差,因此可以设置常数a,在a范围内波动,则可以认为是图像采集所造成的误差。
可选的,可以根据第一图像坐标系中两条第一边缘上的各个点坐标,拟合两条直线,并判断是否存在连续坐标点游离于两条直线外,若是,则可以认为板坯的某处宽度发生了变化,从而可以判定板坯宽度质量检测结果为宽度异常,否则宽度始终保持不变。值得说明的是,由于相机是固定的,因此第一边缘所在的位置基本是确定的,若背景纯净,则板坯宽度监测图像中仅有两条第一边缘,可以直接识别。若背景不纯净,可以预先设定第一边缘所在的坐标范围,当该坐标范围内存在连续坐标点游离于两条直线外,则宽度发生变化。
在一种可能的实施方式中,根据预处理后的板坯表面监测图像,对板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果,包括:构建板坯表面缺陷检测模型以及损失函数;以损失函数最小为目标,并对板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型;采用训练完成的板坯表面缺陷检测模型对预处理后的板坯表面监测图像进行识别,得到缺陷检测结果图像,缺陷检测结果图像中存在缺陷或者不存在缺陷;判断缺陷检测图像中是否存在缺陷,若是,则判定板坯表面缺陷检测结果为板坯表面存在异常,否则判定板坯表面缺陷检测结果为板坯表面正常。
如图2所示,板坯表面缺陷检测模型包括顺次连接的输入层、第一卷积层、第一图像处理模块、第二图像处理模块、第三图像处理模块、第一区块聚合层(Patch Merging)、第一视觉转换器模块、第二视觉转换器层、第一区块拓展层(Patch Expanding)、第四图像处理模块、第五图像处理模块、第六图像处理模块、转置卷积层以及输出层。
可选的,第一图像处理模块、第二图像处理模块、第三图像处理模块、第四图像处理模块、第五图像处理模块以及第六图像处理模块均可以设置为FSTB,即结合卷积的SwinTransformer(视觉转换器)模块。
如图3所示,第一图像处理模块、第二图像处理模块以及第三图像处理模块的结构相同,且均包括顺次连接的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第二区块聚合层、第三视觉转换器模块、第四视觉转换器模块以及第一整形层。且第一图像处理模块的输出端与第六图像处理模块的输入端连接,第二图像处理模块的输出端与第五图像处理模块的输入端连接,第三图像处理模块的输出端与第四图像处理模块的输入端连接。
如图4所示,第四图像处理模块、第五图像处理模块以及第六图像处理模块的结构相同,且均包括顺次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层、第二区块拓展层、第五视觉转换器模块、第六视觉转换器模块以及第二整形层。
第一视觉转换器模块、第二视觉转换器层、第三视觉转换器模块以及第四视觉转换器模块可以设置为STB(SwinTransformer模块)。第一整形层以及第二整形层用于将SwinTransformer模块输出序列维度恢复至卷积层所需要的图像特征维度,以便输入到下一阶段FSTB的卷积层中。
在一种可能的实施方式中,损失函数为:
LS=λ1Lbce+λ2Liou+λ3Lssim
其中,LS表示损失值,λ1表示第一权重系数,λ2表示第二权重系数,λ3表示第三权重系数,Lbce表示交叉熵损失子函数,Liou表示边界交并比损失子函数,Lssim表示结构相似性损失子函数,G(x,y)表示真实标签图像中的像素点(x,y)是否属于缺陷,G(x,y)=1表示真实标签图像中的像素点(x,y)属于缺陷,G(x,y)=0表示真实标签图像中的像素点(x,y)不属于缺陷;S(x,y)表示缺陷预测图像中的像素点(x,y)为缺陷的概率,x=1,2,…,H,H表示x轴方向上的像素点个数,y=1,2,…,W,W表示y轴方向上的像素点个数,μx表示x坐标点像素值的均值,μy表示y坐标点像素值的均值,σx表示x坐标点像素值的标准差,σy表示y坐标点像素值的标准差,σxy表示x坐标像素值和y坐标像素值的协方差,C1表示第一常数,C2表示第二常数。
可选的,板坯表面缺陷检测模型也可以设置为图像分类神经网络,例如:可以采用BP(Back Propagation,反向传播)神经网络来确定板坯表面是否存在缺陷,通过对BP神经网络进行训练,使BP神经网络获得识别缺陷特征的能力,从而实现分类。
在一种可能的实施方式中,以损失函数最小为目标,并对板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型,包括:根据损失函数,获取当前板坯表面缺陷检测模型对应的损失函数值,并判断该损失函数值是否小于设定阈值,若是,则将当前的板坯表面缺陷检测模型作为训练完成的板坯表面缺陷检测模型,否则,采用梯度下降法对板坯表面缺陷检测模型进行参数更新,并重复训练。
在一种可能的实施方式中,根据预处理后的板坯厚度检测图像,对板坯的厚度进行质量检测,获取板坯厚度健质量检测结果,包括:
对预处理后的板坯厚度检测图像进行边缘平滑处理,得到第二边缘平滑处理图像。
采用LoG算子对第二边缘平滑处理图像进行板坯边缘提取,得到第二板坯边缘图像。
以第二板坯边缘图像中任意一个角点为原点,构建第二图像坐标系,并确定第二板坯边缘图像中两条第二边缘上所有点的坐标,两条第二边缘之间的距离为板坯厚度。
获取第二板坯边缘图像中两条第二边缘与第二图像坐标系中坐标轴相交的第三起点以及第四起点,第三起点用于表征一条第二边缘与第二图像坐标系中坐标轴的相交点,第四起点用于表征另一条第二边缘与第二图像坐标系中坐标轴的相交点。
由于两个第二边缘之间的距离代表板坯厚度,那么第二边缘就是平行于板坯在流水线上行进方向的边,且又由于板坯较长,因此拍摄时板坯的图像时,仅能够拍摄到板坯的一部分图像,第二边缘就会与图像边界相交,从而以角点构建坐标系时,第二边缘就会与坐标系中一个半轴相交。
根据第三起点以及第四起点,对板坯的宽度进行监测,获取厚度检测结果为:
其中,D2表示厚度检测结果,x1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标,x2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标。当第三起点所对应第二边缘上点的数量多于第四起点所对应第二边缘上点的数量时,J表示第四起点所对应第二边缘上点的数量。当第三起点所对应第二边缘上点的数量少于第四起点所对应第二边缘上点的数量时,J表示第三起点所对应第二边缘上点的数量。
判断厚度检测结果D2是否大于预先设定的厚度阈值,若是,则判定板坯厚度质量检测结果为厚度异常,否则判定板坯厚度质量检测结果为厚度正常。其中,厚度阈值设置为Jb表示常数。
当厚度不存在异常时,第三起点与第四起点之间的间距就应该是板坯厚度,所有点的间距相加就应当是考虑采用图像识别,会产生一定的误差,因此可以设置常数b,在b范围内波动,则可以认为是图像采集所造成的误差。
可选的,可以根据第二图像坐标系中两条第二边缘上的各个点坐标,拟合两条直线,并判断是否存在连续坐标点游离于两条直线外,若是,则可以认为板坯的某处厚度发生了变化,从而可以判定板坯厚度质量检测结果为厚度异常,否则厚度始终保持不变。值得说明的是,由于相机是固定的,因此第二边缘所在的位置基本是确定的,若背景纯净,则板坯厚度监测图像中仅有两条第二边缘,可以直接识别。若背景不纯净,可以预先设定第二边缘所在的坐标范围,当该坐标范围内存在连续坐标点游离于两条直线外,则厚度发生变化(如,板坯存在鼓肚,导致厚度发生变化)。
还可以在获取D2之后,将D2除以总数J,得到平均距离,然后获取(x1'j,y1'j)与(x2'j,y2'j)之间的多个距离dj,根据平均距离以及多个距离dj,获取距离方差值,当距离方差值大于一定阈值时,则可以判定板坯存在鼓包。
在一种可能的实施方式中,根据预处理后的板坯侧面监测图像,对板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果,包括:
采用BP神经网络构建镰刀弯识别模型。
训练镰刀弯识别模型,得到训练后的镰刀弯识别模型。
采用训练后的镰刀弯识别模型对预处理后的板坯侧面监测图像进行识别,得到板坯侧面缺陷检测结果,板坯侧面缺陷检测结果包括板坯侧面监测图像存在镰刀弯或板坯侧面监测图像不存在镰刀弯。
在一种可能的实施方式中,训练镰刀弯识别模型,得到训练后的镰刀弯识别模型,包括:
A1、令当前训练轮数为n=0,设置学习率上限C、训练轮数上限N以及训练结束阈值e,并随机初始化镰刀弯识别模型的权重。
A2、获取误差函数的梯度g(0)=▽E(w(0)),其中,g(0)表示第0轮训练时误差函数的梯度,▽表示梯度算子,▽E(w(0))表示在第n轮训练时的权重w(0)的基础上所得到的误差函数梯度。
A3、设置搜索方向d(0),d(0)=-g(0)。
A4、根据所述第n轮训练时误差函数的梯度g(n),进行一维搜索其中,η表示范围搜索学习率,ηn表示搜索得到的学习率,E(w(n)+ηnd(n))表示权重更新为w(n)+ηnd(n)所对应的误差,E(w(n)+ηd(n))表示权重更新为w(n)+ηd(n)所对应的误差。
A5、根据一维搜索得到的第n轮训练时学习率ηn,调节镰刀弯识别模型的权重为:
w(n+1)=w(n)+ηnd(n)
其中,w(n+1)表示更新后的w(n),w(n)表示第n次训练时镰刀弯识别模型的权重。
A6、令当前训练轮数n的计数值加一,并判断E(w(n))是否小于训练结束阈值e,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A7。
A7、判断当前训练轮数n是否大于或者等于训练轮数上限N,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A8。
A8、获取误差函数的梯度以及方向因子/>其中,/>E(w(n))表示在第n轮训练时的权重w(n)的基础上所得到的误差函数梯度,g(n-1)表示第n-1轮训练时误差函数的梯度。
A9、获取搜索方向d(n)=-g(n)+βnd(n-1),其中,d(n-1)表示第n-1次训练时的搜索方向。
A10、返回步骤A4。
在一种可能的实施方式中,根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果,包括:获取预处理的板坯多点温度监测数据的方差,并判断该方差是否大于设定的温度阈值,若是,则判定板坯温度检测结果为温度异常,否则判定板坯温度检测结果为温度正常。
可选的,还可以采用热成像技术来检测板坯是否存在温度异常的部位。
本发明提供了一种板坯质量检测方法,通过多个维度对板坯进行全方位的检测和评价,可以实现在线判断板坯的质量,从而确定板坯是否可以热送,提高了板坯检测的效率,并且给工作人员调整连铸机的工艺参数提供参考,能够有效地辅助工厂提升板坯质量。
值得说明的是,任何利用本发明构思的方法,都应该在本发明的保护范围内。本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种板坯质量检测方法,其特征在于,包括:
获取板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据,并对板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据进行预处理,得到预处理后的板坯宽度监测图像、预处理后的板坯表面监测图像、预处理后的板坯厚度监测图像、预处理后的板坯侧面监测图像以及预处理后的板坯多点温度监测数据;
根据预处理后的板坯宽度监测图像,对所述板坯的宽度进行质量检测,获取板坯宽度质量检测结果;根据预处理后的板坯表面监测图像,对所述板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果;根据预处理后的板坯厚度检测图像,对所述板坯的厚度进行质量检测,获取板坯厚度健质量检测结果;根据预处理后的板坯侧面监测图像,对所述板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果;根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果;
根据所述板坯宽度质量检测结果、板坯表面缺陷检测结果、板坯厚度健质量检测结果、板坯侧面缺陷检测结果以及板坯温度检测结果,获取板坯质量检测结果;
根据预处理后的板坯宽度监测图像,对所述板坯的宽度进行质量检测,获取板坯宽度质量检测结果,包括:
对预处理后的板坯宽度监测图像进行边缘平滑处理,得到第一边缘平滑处理图像;
采用LoG算子对第一边缘平滑处理图像进行板坯边缘提取,得到第一板坯边缘图像;
以第一板坯边缘图像中任意一个角点为原点,构建第一图像坐标系,并确定第一板坯边缘图像中两条第一边缘上所有点的坐标,两条第一边缘之间的距离为板坯宽度;
获取第一板坯边缘图像中两条第一边缘与第一图像坐标系中坐标轴相交的第一起点以及第二起点,所述第一起点用于表征一条第一边缘与第一图像坐标系中坐标轴的相交点,所述第二起点用于表征另一条第一边缘与第一图像坐标系中坐标轴的相交点;
根据第一起点以及第二起点,对所述板坯的宽度进行监测,获取宽度检测结果为:
其中,表示宽度检测结果,x1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标,x2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标,y2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标;当第一起点所对应第一边缘上点的数量多于第二起点所对应第一边缘上点的数量时,I表示第二起点所对应第一边缘上点的数量;当第一起点所对应第一边缘上点的数量少于第二起点所对应第一边缘上点的数量时,I表示第一起点所对应第一边缘上点的数量;
判断宽度检测结果D1是否大于预先设定的宽度阈值,若是,则判定板坯宽度质量检测结果为宽度异常,否则判定板坯宽度质量检测结果为宽度正常。
2.根据权利要求1所述的板坯质量检测方法,其特征在于,根据预处理后的板坯表面监测图像,对所述板坯的表面进行缺陷检测,获取板坯表面缺陷检测结果,包括:
构建板坯表面缺陷检测模型以及损失函数;
以损失函数最小为目标,并对所述板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型;
采用训练完成的板坯表面缺陷检测模型对预处理后的板坯表面监测图像进行识别,得到缺陷检测结果图像,所述缺陷检测结果图像中存在缺陷或者不存在缺陷;
判断缺陷检测图像中是否存在缺陷,若是,则判定板坯表面缺陷检测结果为板坯表面存在异常,否则判定板坯表面缺陷检测结果为板坯表面正常。
3.根据权利要求2所述的板坯质量检测方法,其特征在于,所述板坯表面缺陷检测模型包括顺次连接的输入层、第一卷积层、第一图像处理模块、第二图像处理模块、第三图像处理模块、第一区块聚合层、第一视觉转换器模块、第二视觉转换器层、第一区块拓展层、第四图像处理模块、第五图像处理模块、第六图像处理模块、转置卷积层以及输出层;且第一图像处理模块的输出端与第六图像处理模块的输入端连接,第二图像处理模块的输出端与第五图像处理模块的输入端连接,第三图像处理模块的输出端与第四图像处理模块的输入端连接;
所述第一图像处理模块、第二图像处理模块以及第三图像处理模块的结构相同,且均包括顺次连接的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第二区块聚合层、第三视觉转换器模块、第四视觉转换器模块以及第一整形层;
所述第四图像处理模块、第五图像处理模块以及第六图像处理模块的结构相同,且均包括顺次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层、第二区块拓展层、第五视觉转换器模块、第六视觉转换器模块以及第二整形层。
4.根据权利要求3所述的板坯质量检测方法,其特征在于,所述损失函数为:
其中,Ls表示损失值,λ1表示第一权重系数,λ2表示第二权重系数,λ3表示第三权重系数,Lbce表示交叉熵损失子函数,Liou表示边界交并比损失子函数,Lssim表示结构相似性损失子函数,G(x,y)表示真实标签图像中的像素点(x,y)是否属于缺陷,G(x,y) =1表示真实标签图像中的像素点(x,y)属于缺陷,G(x,y)=0表示真实标签图像中的像素点(x,y)不属于缺陷;S(x,y)表示缺陷预测图像中的像素点(x,y)为缺陷的概率,x=1,2,…,H,H表示x轴方向上的像素点个数,y=1,2,…,W,W表示y轴方向上的像素点个数,μx表示x坐标点像素值的均值,μy表示y坐标点像素值的均值,σx表示x坐标点像素值的标准差,σy表示y坐标点像素值的标准差,σxy表示x坐标像素值和y坐标像素值的协方差,C1表示第一常数,C2表示第二常数。
5.根据权利要求4所述的板坯质量检测方法,其特征在于,以损失函数最小为目标,并对所述板坯表面缺陷检测模型进行训练,得到训练完成的板坯表面缺陷检测模型,包括:
根据损失函数,获取当前板坯表面缺陷检测模型对应的损失函数值,并判断该损失函数值是否小于设定阈值,若是,则将当前的板坯表面缺陷检测模型作为训练完成的板坯表面缺陷检测模型,否则,采用梯度下降法对板坯表面缺陷检测模型进行参数更新,并重复训练。
6.根据权利要求1所述的板坯质量检测方法,其特征在于,根据预处理后的板坯厚度检测图像,对所述板坯的厚度进行质量检测,获取板坯厚度健质量检测结果,包括:
对预处理后的板坯厚度检测图像进行边缘平滑处理,得到第二边缘平滑处理图像;
采用LoG算子对第二边缘平滑处理图像进行板坯边缘提取,得到第二板坯边缘图像;
以第二板坯边缘图像中任意一个角点为原点,构建第二图像坐标系,并确定第二板坯边缘图像中两条第二边缘上所有点的坐标,所述两条第二边缘之间的距离为板坯厚度;
获取第二板坯边缘图像中两条第二边缘与第二图像坐标系中坐标轴相交的第三起点以及第四起点,所述第三起点用于表征一条第二边缘与第二图像坐标系中坐标轴的相交点,所述第四起点用于表征另一条第二边缘与第二图像坐标系中坐标轴的相交点;
根据第三起点以及第四起点,对所述板坯的宽度进行监测,获取厚度检测结果为:
其中,表示厚度检测结果,x1´j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y1´j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标,x2´j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标,y2´j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标;当第三起点所对应第二边缘上点的数量多于第四起点所对应第二边缘上点的数量时,J表示第四起点所对应第二边缘上点的数量;当第三起点所对应第二边缘上点的数量少于第四起点所对应第二边缘上点的数量时,J表示第三起点所对应第二边缘上点的数量;
判断厚度检测结果D2是否大于预先设定的厚度阈值,若是,则判定板坯厚度质量检测结果为厚度异常,否则判定板坯厚度质量检测结果为厚度正常。
7.根据权利要求1所述的板坯质量检测方法,其特征在于,根据预处理后的板坯侧面监测图像,对所述板坯的镰刀弯进行监测,获取板坯侧面缺陷检测结果,包括:
采用BP神经网络构建镰刀弯识别模型;
训练镰刀弯识别模型,得到训练后的镰刀弯识别模型;
采用训练后的镰刀弯识别模型对预处理后的板坯侧面监测图像进行识别,得到板坯侧面缺陷检测结果,所述板坯侧面缺陷检测结果包括板坯侧面监测图像存在镰刀弯或板坯侧面监测图像不存在镰刀弯。
8.根据权利要求7所述的板坯质量检测方法,其特征在于,训练镰刀弯识别模型,得到训练后的镰刀弯识别模型,包括:
A1、令当前训练轮数为n=0,设置学习率上限C、训练轮数上限N以及训练结束阈值e,并随机初始化镰刀弯识别模型的权重;
A2、获取误差函数的梯度,其中g(0),表示第0轮训练时误差函数的梯度,▽表示梯度算子,▽E(W(0))表示在第n轮训练时W(0)的权重的基础上所得到的误差函数梯度;
A3、设置搜索方向;
A4、根据所述第n轮训练时误差函数的梯度g(n),进行一维搜索;其中,η表示范围搜索学习率,ηn表示搜索得到的学习率,/>表示权重更新为/>所对应的误差,表示权重更新为/>所对应的误差;
A5、根据一维搜索得到的第n轮训练时学习率ηn,调节镰刀弯识别模型的权重为:
其中,w(n+1)表示更新后的w(n),w(n)表示第n次训练时镰刀弯识别模型的权重;
A6、令当前训练轮数n的计数值加一,并判断E(w(n))是否小于训练结束阈值e,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A7;
A7、判断当前训练轮数n是否大于或者等于训练轮数上限N,若是,则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型,否则进入步骤A8;
A8、获取误差函数的梯度以及方向因子/>,其中,表示在第n轮训练时的权重w(n)的基础上所得到的误差函数梯度,g(n-1)表示第n-1轮训练时误差函数的梯度;
A9、获取搜索方向,其中,d(n-1)表示第n-1次训练时的搜索方向;
A10、返回步骤A4。
9.根据权利要求1所述的板坯质量检测方法,其特征在于,根据预处理的板坯多点温度监测数据,对所处板坯的温度进行监测,得到板坯温度检测结果,包括:获取预处理的板坯多点温度监测数据的方差,并判断该方差是否大于设定的温度阈值,若是,则判定板坯温度检测结果为温度异常,否则判定板坯温度检测结果为温度正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263632.6A CN116429170B (zh) | 2023-03-18 | 2023-03-18 | 一种板坯质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263632.6A CN116429170B (zh) | 2023-03-18 | 2023-03-18 | 一种板坯质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116429170A CN116429170A (zh) | 2023-07-14 |
CN116429170B true CN116429170B (zh) | 2024-02-20 |
Family
ID=87089901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310263632.6A Active CN116429170B (zh) | 2023-03-18 | 2023-03-18 | 一种板坯质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116429170B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201593973U (zh) * | 2009-08-25 | 2010-09-29 | 周良川 | 板坯体积测量系统 |
CN106123800A (zh) * | 2016-05-09 | 2016-11-16 | 宝钢工程技术集团有限公司 | 板坯轮廓检测系统 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
CN111709325A (zh) * | 2020-05-29 | 2020-09-25 | 首钢京唐钢铁联合有限责任公司 | 一种热轧加热炉板坯的自动照合方法 |
CN112453073A (zh) * | 2020-10-23 | 2021-03-09 | 北京科技大学设计研究院有限公司 | 一种板坯垛板台自动下板坯控制方法 |
CN112880742A (zh) * | 2021-01-24 | 2021-06-01 | 宝钢工程技术集团有限公司 | 板坯多功能监测仪及其使用方法 |
CN115388956A (zh) * | 2022-10-26 | 2022-11-25 | 济南东方结晶器有限公司 | 一种基于连铸工艺流程的质量检测方法及系统 |
CN115494074A (zh) * | 2022-10-20 | 2022-12-20 | 上海金艺检测技术有限公司 | 用于连铸板坯表面缺陷的在线检测方法 |
CN115569994A (zh) * | 2021-06-21 | 2023-01-06 | 上海宝信软件股份有限公司 | 板坯镰刀弯自动检测系统及方法 |
CN115711893A (zh) * | 2022-11-07 | 2023-02-24 | 易安基自动化设备(北京)有限公司 | 一种在线钢板镰刀弯测量系统及测量方法 |
-
2023
- 2023-03-18 CN CN202310263632.6A patent/CN116429170B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201593973U (zh) * | 2009-08-25 | 2010-09-29 | 周良川 | 板坯体积测量系统 |
CN106123800A (zh) * | 2016-05-09 | 2016-11-16 | 宝钢工程技术集团有限公司 | 板坯轮廓检测系统 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
CN111709325A (zh) * | 2020-05-29 | 2020-09-25 | 首钢京唐钢铁联合有限责任公司 | 一种热轧加热炉板坯的自动照合方法 |
CN112453073A (zh) * | 2020-10-23 | 2021-03-09 | 北京科技大学设计研究院有限公司 | 一种板坯垛板台自动下板坯控制方法 |
CN112880742A (zh) * | 2021-01-24 | 2021-06-01 | 宝钢工程技术集团有限公司 | 板坯多功能监测仪及其使用方法 |
CN115569994A (zh) * | 2021-06-21 | 2023-01-06 | 上海宝信软件股份有限公司 | 板坯镰刀弯自动检测系统及方法 |
CN115494074A (zh) * | 2022-10-20 | 2022-12-20 | 上海金艺检测技术有限公司 | 用于连铸板坯表面缺陷的在线检测方法 |
CN115388956A (zh) * | 2022-10-26 | 2022-11-25 | 济南东方结晶器有限公司 | 一种基于连铸工艺流程的质量检测方法及系统 |
CN115711893A (zh) * | 2022-11-07 | 2023-02-24 | 易安基自动化设备(北京)有限公司 | 一种在线钢板镰刀弯测量系统及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116429170A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1430446B1 (en) | Image processing method for appearance inspection | |
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 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN113468479B (zh) | 一种基于数据驱动的冷连轧工业过程监测与异常检测方法 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN113538503B (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
CN113781585B (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
TW202126401A (zh) | 收縮產生預測系統 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115358301A (zh) | 配电网电压数据清洗平台及其清洗方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN114092478A (zh) | 一种异常检测方法 | |
CN116429170B (zh) | 一种板坯质量检测方法 | |
CN113947570A (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
CN116105606A (zh) | 一种钢铁宽厚板长度视觉测量系统和方法 | |
CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
CN114418983B (zh) | 基于智能物联网的设备风险检测方法 | |
CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 | |
CN112200856A (zh) | 一种基于事件相机的视觉测距方法 | |
Li et al. | Detection and diagnosis of repetitive surface defects for hot rolling processes | |
CN113610815B (zh) | 基于图像处理的结构件生产安全预警方法与系统 |
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 |