CN116563273B - 用于钢材缺陷的检测预警方法及系统 - Google Patents
用于钢材缺陷的检测预警方法及系统 Download PDFInfo
- Publication number
- CN116563273B CN116563273B CN202310786339.8A CN202310786339A CN116563273B CN 116563273 B CN116563273 B CN 116563273B CN 202310786339 A CN202310786339 A CN 202310786339A CN 116563273 B CN116563273 B CN 116563273B
- Authority
- CN
- China
- Prior art keywords
- defect
- module
- image
- channel
- detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 278
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 69
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 52
- 239000010959 steel Substances 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 108091006146 Channels Proteins 0.000 claims description 83
- 238000007781 pre-processing Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000008439 repair process Effects 0.000 claims description 23
- 230000010354 integration Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/10—Segmentation; 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
- G06T2207/20081—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]
-
- 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
- G06T2207/30232—Surveillance
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了用于钢材缺陷的检测预警方法及系统,涉及图像处理技术领域,调用目标监测记录并逐工艺节点分割,确定节点监测图像集,搭建缺陷检测模型,基于节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,缺陷告警信息为附加输出信息,对缺陷识别集进行复修评估,生成缺陷评估列表,将缺陷评估列表作为缺陷检测结果,解决现有技术中存在的对于钢材缺陷的检测准确度与完备性不足,较之钢材实际状态存在偏差的技术问题,针对多个检测维度分别构建检测双通道,分割生产检测图像并逐节点进行处理通道匹配检测,保障检测严谨度,最大限度提高缺陷检测的准确度与完备性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及用于钢材缺陷的检测预警方法及系统。
背景技术
钢材缺陷对产品外观与品质影响巨大,进行缺陷检测与批量生产调整为当前的主要问题,以遏制废品率,因此缺陷检测的精准度与完备性影响着后续生产质量。目前,主要辅助检测设备进行缺陷识别,例如轮廓仪等,检测设备的状态差异影响着钢材的检测结果。
现有技术对于钢材缺陷的检测方法存在技术局限,对于钢材缺陷的检测准确度与完备性不足,较之钢材实际状态存在偏差。
发明内容
本申请提供了用于钢材缺陷的检测预警方法及系统,用于针对解决现有技术中存在的对于钢材缺陷的检测准确度与完备性不足,较之钢材实际状态存在偏差的技术问题。
鉴于上述问题,本申请提供了用于钢材缺陷的检测预警方法及系统。
第一方面,本申请提供了用于钢材缺陷的检测预警方法,所述方法包括:
连接生产管理系统,调用目标监测记录;
对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
基于所述缺陷评估列表,确定缺陷检测结果。
第二方面,本申请提供了用于钢材缺陷的检测预警系统,所述系统包括:
记录调用模块,所述记录调用模块用于连接生产管理系统,调用目标监测记录;
记录分割模块,所述记录分割模块用于对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
模型生成模块,所述模型生成模块用于搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
数据检测模块,所述数据检测模块用于基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
复修评估模块,所述复修评估模块用于结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
结果确定模块,所述结果确定模块用于基于所述缺陷评估列表,确定缺陷检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的用于钢材缺陷的检测预警方法,连接生产管理系统,调用目标监测记录并逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像,搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,缺陷告警信息为附加输出信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本,将所述缺陷评估列表作为缺陷检测结果,解决现有技术中存在的对于钢材缺陷的检测准确度与完备性不足,较之钢材实际状态存在偏差的技术问题,针对多个检测维度分别构建检测双通道,分割生产检测图像并逐节点进行处理通道匹配检测,保障检测严谨度,最大限度提高缺陷检测的准确度与完备性。
附图说明
图1为本申请提供了用于钢材缺陷的检测预警方法流程示意图;
图2为本申请提供了用于钢材缺陷的检测预警方法中缺陷识别集获取流程示意图;
图3为本申请提供了用于钢材缺陷的检测预警方法中N个缺陷特征集获取流程示意图;
图4为本申请提供了用于钢材缺陷的检测预警系统结构示意图。
附图标记说明:记录调用模块11,记录分割模块12,模型生成模块13,数据检测模块14,复修评估模块15,结果确定模块16。
具体实施方式
本申请通过提供用于钢材缺陷的检测预警方法及系统,调用目标监测记录并逐工艺节点分割,确定节点监测图像集,搭建缺陷检测模型,基于节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,缺陷告警信息为附加输出信息,对缺陷识别集进行复修评估,生成缺陷评估列表,将缺陷评估列表作为缺陷检测结果,用于解决现有技术中存在的对于钢材缺陷的检测准确度与完备性不足,较之钢材实际状态存在偏差的技术问题。
实施例1
如图1所示,本申请提供了用于钢材缺陷的检测预警方法,所述方法包括:
步骤S100:连接生产管理系统,调用目标监测记录;
具体而言,钢材缺陷对产品外观与品质影响巨大,进行缺陷检测与批量生产调整为当前的主要问题,以遏制废品率,因此缺陷检测的精准度与完备性影响着后续生产质量。本申请提供的用于钢材缺陷的检测预警方法,逐工艺节点进行监测记录划分,匹配契合处理通道进行缺陷特征检测,精准识别钢材缺陷。具体的,所述生产管理系统为针对生产全周期的核心管理系统,收录有曾生产数据,连接所述生产管理系统,以待检测钢材为索引,对所述待检测钢材的生产监控数据进行搜索,调用搜索结果并进行生产监控数据的时序整合,作为所述目标监测记录,所述目标监测记录为进行所述待监测钢材缺陷检测的参考源。
步骤S200:对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
具体而言,对所述目标监测记录进行筛选,设定相邻两帧图像的边界位移阈值与像素变换阈值,即根据图像处理需求自定义设定的用于进行图像提取的标准,对时序推移下所述目标监测记录中相邻两帧图像进行分别进行边界位移值与像素变化识别,分别与所述边界位移阈值与所述像素变换阈值进行校对判定,若满足上述任一阈值标准,进行图像提取作为所述关键帧图像。结合所述待检测钢材的生产工艺,将各工艺节点作为划分标准,对筛选后的所述目标监测记录与各工艺节点进行匹配,确定各工艺节点对应的监测图像,作为所述节点监测图像集,针对所述节点监测图像集中各节点的归属监测图像分别进行缺陷特征检测。
步骤S300:搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
进一步而言,搭建特征识别模块,本申请步骤S300还包括:
步骤S310:构建表面缺陷识别域、内部缺陷识别域与外形尺寸缺陷识别域;
其中,所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域为基于SLOWFAST模型构建的双处理通道,包括SLOW通道与FAST通道,FAST通道侧向连接SLOW通道,所述协同评估模块与通道终端相接;
步骤S320:对所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域平行布设,构成所述特征识别模块。
具体而言,所述缺陷检测模型为自建的用于进行图像缺陷检测识别的辅助工具,包括前后置衔接的所述特征识别模块与所述协同评估模块。搭建所述特征识别模块,具体的,基于所述SLOWFAST模型,构建SLOW通道与FAST通道,示例性的,所述SLOW通道与所述FAST通道可基于样本数据进行神经网络训练生成,用于进行卷积特征提取,具体构建方式一致,存在训练样本差异,其中,所述FAST通道卷积核数量较少,用于进行动态特征提取,例如生产动作,包括设备运作与钢材状态变换,所述SLOW通道卷积核数量较多,用于进行静态特征提取,例如可视化瑕疵等,构成双处理通道。
对所述双处理通道进行处理功能赋予,具体的,针对所述样本数据,将表面缺陷特征作为检测目标,对所述样本数据进行处理,识别样本表面缺陷特征并进行样本关联,进而分别进行上述SLOW通道与FAST通道的训练生成,对训练完成的所述SLOW通道与所述FAST通道进行双通道平行归置。所述FAST通道侧向连接所述SLOW通道,可将所述FAST通道的数据送入所述SLOW通道,了解对用平行通道的处理结果,保障通道处理精准度,构成所述表面缺陷识别域;同理,针对所述样本数据,将内部缺陷作为检测目标,进行双通道训练与归置,生成所述内部缺陷识别域;针对所述样本数据,将外形尺寸缺陷作为检测目标,进行双通道训练与归置,生成所述外形尺寸缺陷识别域。对通道终端与所述协同评估模块连接,使得所述通道处理后的缺陷卷积特征可直接流转入所述协同分析模块中进行后步处理分析。
进一步的,对所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域平行布设,构成所述特征识别模块。进一步的,对所述样本数据识别确定的多维卷积特征作为样本输入数据,对样本输入数据进行关联工艺节点划分,例如切割节点与磨削节点存在互影响,磨削工艺处理会对钢材切割结果的部分存在性特征进行影响,将其作为关联工艺节点,针对关联工艺节点对应的卷积特征进行协同分析,识别综合性特征可视化状态,作为样本协同处理结果,对所述样本输入数据与所述样本协同处理结果进行映射,作为训练数据进行神经网络训练,生成所述协同评估模块,同时,将所述协同评估模块后置于所述特征识别模块,并与通道终端连接,生成所述缺陷检测模型,基于所述缺陷检测模型进行所述节点监测图像集的缺陷特征识别分析。
步骤S400:基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
进一步而言,如图2所示,所述输入所述缺陷检测模型中,获取缺陷识别集,本申请步骤S400还包括:
步骤S410:对所述待检源数据执行预处理,获取待输入信息;
步骤S420:将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,N为大于等于0,小于等于3的整数;
步骤S430:将所述N个缺陷特征集存入所述协同评估模块;
步骤S440:基于所述节点监测图像集,确定M组缺陷特征集,各组缺陷特征集分别包括映射对应的所述N个缺陷特征集;
步骤S450:于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,生成所述缺陷识别集。
进一步而言,对所述待检源数据执行预处理,本申请步骤S410还包括:
步骤S411:基于第一步幅与第二步幅,于所述待检源数据中择取第一待检图像集与第二待检图像集,所述第一步幅与所述第二步幅比率为8;
步骤S412:对所述第一待检图像执行下采样处理,确定第一预处理图像;
步骤S413:对所述第二待检图像执行图像分割处理,框选第二预处理图像;
步骤S414:配置所述第一预处理图像与所述第二预处理图像的后步执行信息。
进一步而言,配置所述第一预处理图像与所述第二预处理图像的后步执行信息,本申请步骤S414还包括:
步骤S4141:对所述第一预处理图像与所述第二预处理图像进行识别维度匹配,确定主识别域与辅识别域,所述主识别域为至少一个,所述辅识别域可以为空;
步骤S4142:针对所述主识别域生成双通道激活指令;
步骤S4143:若所述辅识别域非空,生成单通道激活指令;
步骤S4144:将所述双通道激活指令与所述单通道激活指令作为所述后步执行信息,联合所述第一预处理图像与所述第二预处理图像,确定待输入信息。
进一步而言,如图3所示,将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,本申请步骤S420还包括:
步骤S421:将所述待输入信息导入所述特征识别模块;
步骤S422:基于所述单通道激活指令与所述双通道激活指令,启用目标处理通道;
步骤S423:将所述第一预处理图像与所述第二预处理图像导入所述目标处理通道,确定N个缺陷特征集,所述N个缺陷特征集与所述目标处理通道数量一致。
进一步而言,于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,本申请步骤S450还包括:
步骤S451:针对互影响工艺节点,对所述M组缺陷特征集进行归属,划定多个阶段特征组;
步骤S452:基于所述多个阶段特征组,针对同组缺陷特征进行协同影响分析,获取协同分析结果;
步骤S453:整合协同分析结果,生成所述缺陷识别集。
具体而言,确定待检测工艺节点,例如初始工艺节点,基于所述节点监测图像集,提取所述待检测工艺节点对应的监测图像,作为所述待检源数据,对所述待检源数据进行预处理,进而输入所述缺陷检测模型中,输出所述缺陷识别集。
对所述待检源数据进行预处理,获取所述待输入信息。具体的,所述第一步幅与所述第二步幅为针对所述FAST通道与所述SLOW通道处理需求的图像筛选标准,例如将所述第一步幅设定为16,即隔16张图像提取,则所述第二步幅为2,即隔2张图像提取,基于所述第一步幅与所述第二步幅对所述待检源数据进行图像抽取,确定所述第一待检图像集与所述第二待检图像集。所述第一待检图像用于输入所述FAST通道进行特征识别处理,对所述第一待检图像执行下采样处理,以降低图像分辨率,便于进行动态特征捕捉,获取所述第一预处理图像;所述第二待检图像用于输入所述SLOW通道进行特征识别处理,则钢材区域为图像待检测区域,对所述第二待检图像识别钢材区域边界并执行图像分割处理,进行区域框选确定所述第二预处理图像。
进一步针对所述第一预处理图像与所述第二预处理图像进行处理通道分析匹配并配置所述后步执行信息。具体的,对所述第一预处理图像与所述第二预处理图像进行缺陷特征的识别维度匹配,确定所述主识别域与所述辅识别域,即待进行图像特征处理的识别域,例如针对钢材切割工艺节点,将所述外形尺寸缺陷识别域作为主识别域,将所述表面缺陷识别域作为辅识别域;针对熔炼工艺节点,将内部缺陷识别域作为主识别域,无需配置辅识别域,其中,所述主识别域为至少一个,所述辅识别域可以为空。针对所述主识别域,执行双通道处理,针对所述辅识别域,执行单通道处理,所述单通道指代对应的SLOW通道。针对所述主识别域,生成所述双通道激活指令,对所述辅识别域进行存在性判断,若所述辅识别域非空是,生成所述单通道激活指令。将所述双通道激活指令与所述单通道激活指令作为所述后步执行信息,并联合所述第一预处理图像与所述第二预处理图像进行映射关联,生成所述待输入信息。
进一步将所述待输入信息导入所述特征识别模块中进行缺陷卷积特征识别,具体的,于所述特征识别模块中,对所述待输入信息进行执行处理,对所述单通道激活指令、所述双通道激活指令与所述表面缺陷检测域、所述内部缺陷识别域、所述外形尺寸缺陷识别域进行激活通道匹配,确定待处理通道,作为所述目标处理通道,同步进行通道激活。进一步对所述目标处理通道与所述第一预处理图像、所述第二预处理图像进行匹配,基于匹配结果进行图像导入,执行导入图像的缺陷卷积特征识别检测,进行通道处理结果集成作为缺陷特征集,获取与所述目标处理通道数量一致的所述N个缺陷特征集,N为大于等于0,小于等于3的整数。
进一步的,将所述N个缺陷特征集存入所述协同评估模块中,继续针对下位工艺节点进行待检源数据提取与缺陷特征识别处理,生成对应的N个缺陷特征集并存入所述协同评估模块中,直至完成所述节点检测图像集的处理,获取所述M组缺陷特征集,包括各工艺节点提取待检源数据的N个缺陷特征集。进而,于所述协同评估模块中,对所述M组缺陷特征集进行叠加分析与整合。
具体的,进行工艺节点间的互影响分析,即当前工艺节点的加工状态会造成后步加工影响,为存在互影响性,进行工艺节点划分归属,确定存在至少两个工艺节点的多组互影响工艺节点,对所述协同评估模块存入的所述M组缺陷特征集进行组类归属,划定所述多个阶段特征组,各阶段特征组包括存在互影响性的工艺节点的缺陷特征总和。基于所述多个阶段特征组,对各阶段特征组进行协同影响分析,即基于同缺陷特征的逐步加工状态确定最终的缺陷特征表征状态,获取多个单项缺陷特征的特征状态,作为所述协同分析结果。集成所述协同分析结果,作为所述缺陷识别集,精准识别所述待检测钢材的缺陷特征,避免存在检测遗漏。
进一步的,针对所述缺陷识别集,基于各钢材缺陷覆盖面积、层深、应用影响度等进行缺陷等级判定,针对缺陷等级生成缺陷告警信息,优选的,针对不同特征维度配置不同类型告警信息,所述缺陷等级与所述缺陷告警信息正相关,将所述缺陷告警信息作为附加输出信息,与所述缺陷识别集同步输出。
步骤S500:结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
步骤S600:基于所述缺陷评估列表,确定缺陷检测结果。
具体而言,所述缺陷告警信息与所述缺陷识别集一一对应,对所述缺陷识别集中各缺陷分别进行再修复成本分析,将人力成本、时间成本与修复损耗作为成本评估标准,针对映射对应的缺陷告警信息与钢材缺陷,分别进行人力成本、时间成本与修复损耗的计量,例如,可将历史修复数据作为参考进行成本评估,针对评估结果进行多维成本加和,作为修复成本。确定各钢材缺陷的修复成本,与所述缺陷识别集进行映射对应,针对映射结果进行各缺陷的修复成本标识,生成多个缺陷特征-修复成本的表征序列,进行序列集成生成所述缺陷评估列表。将所述缺陷评估列表作为所述待检测钢材的缺陷检测结果,将所述缺陷检测结果作为后续钢材修复依据与生产调整依据。
实施例2
基于与前述实施例中用于钢材缺陷的检测预警方法相同的发明构思,如图4所示,本申请提供了用于钢材缺陷的检测预警系统,所述系统包括:
记录调用模块11,所述记录调用模块11用于连接生产管理系统,调用目标监测记录;
记录分割模块12,所述记录分割模块12用于对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
模型生成模块13,所述模型生成模块13用于搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
数据检测模块14,所述数据检测模块14用于基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
复修评估模块15,所述复修评估模块15用于结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
结果确定模块16,所述结果确定模块16用于基于所述缺陷评估列表,确定缺陷检测结果。
进一步而言,所述系统还包括:
数据预处理模块,所述数据预处理模块用于对所述待检源数据执行预处理,获取待输入信息;
缺陷特征识别模块,所述缺陷特征识别模块用于将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,N为大于等于0,小于等于3的整数;
特征存入模块,所述特征存入模块用于将所述N个缺陷特征集存入所述协同评估模块;
特征集确定模块,所述特征集确定模块用于基于所述节点监测图像集,确定M组缺陷特征集,各组缺陷特征集分别包括映射对应的所述N个缺陷特征集;
分析整合模块,所述分析整合模块用于于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,生成所述缺陷识别集。
进一步而言,所述系统还包括:
图像择取模块,所述图像择取模块用于基于第一步幅与第二步幅,于所述待检源数据中择取第一待检图像集与第二待检图像集,所述第一步幅与所述第二步幅比率为8;
下采样处理模块,所述下采样处理模块用于对所述第一待检图像执行下采样处理,确定第一预处理图像;
图像分割处理模块,所述图像分割处理模块用于对所述第二待检图像执行图像分割处理,框选第二预处理图像;
信息配置模块,所述信息配置模块用于配置所述第一预处理图像与所述第二预处理图像的后步执行信息。
进一步而言,所述系统还包括:
匹配模块,所述匹配模块用于对所述第一预处理图像与所述第二预处理图像进行识别维度匹配,确定主识别域与辅识别域,所述主识别域为至少一个,所述辅识别域可以为空;
双通道激活指令生成模块,所述双通道激活指令生成模块用于针对所述主识别域生成双通道激活指令;
单通道激活指令生成模块,所述单通道激活指令生成模块用于若所述辅识别域非空,生成单通道激活指令;
待输入信息确定模块,所述待输入信息确定模块用于将所述双通道激活指令与所述单通道激活指令作为所述后步执行信息,联合所述第一预处理图像与所述第二预处理图像,确定待输入信息。
进一步而言,所述系统还包括:
信息导入模块,所述信息导入模块用于将所述待输入信息导入所述特征识别模块;
通道启用模块,所述通道启用模块用于基于所述单通道激活指令与所述双通道激活指令,启用目标处理通道;
图像处理模块,所述图像处理模块用于将所述第一预处理图像与所述第二预处理图像导入所述目标处理通道,确定N个缺陷特征集,所述N个缺陷特征集与所述目标处理通道数量一致。
进一步而言,所述系统还包括:
识别域构建模块,所述识别域构建模块用于构建表面缺陷识别域、内部缺陷识别域与外形尺寸缺陷识别域;
其中,所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域为基于SLOWFAST模型构建的双处理通道,包括SLOW通道与FAST通道,FAST通道侧向连接SLOW通道,所述协同评估模块与通道终端相接;
识别域布设模块,所述识别域布设模块用于对所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域平行布设,构成所述特征识别模块。
进一步而言,所述系统还包括:
特征集归属模块,所述特征集归属模块用于针对互影响工艺节点,对所述M组缺陷特征集进行归属,划定多个阶段特征组;
协同影响分析模块,所述协同影响分析模块用于基于所述多个阶段特征组,针对同组缺陷特征进行协同影响分析,获取协同分析结果;
结果整合模块,所述结果整合模块用于整合协同分析结果,生成所述缺陷识别集。
本说明书通过前述对用于钢材缺陷的检测预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于钢材缺陷的检测预警方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.用于钢材缺陷的检测预警方法,其特征在于,所述方法包括:
连接生产管理系统,调用目标监测记录;
对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
基于所述缺陷评估列表,确定缺陷检测结果;
其中,所述输入所述缺陷检测模型中,获取缺陷识别集,方法包括:
对所述待检源数据执行预处理,获取待输入信息;
将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,N为大于等于0,小于等于3的整数;
将所述N个缺陷特征集存入所述协同评估模块;
基于所述节点监测图像集,确定M组缺陷特征集,各组缺陷特征集分别包括映射对应的所述N个缺陷特征集;
于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,生成所述缺陷识别集;
其中,对所述待检源数据执行预处理,方法包括:
基于第一步幅与第二步幅,于所述待检源数据中择取第一待检图像集与第二待检图像集,所述第一步幅与所述第二步幅比率为8;
对所述第一待检图像执行下采样处理,确定第一预处理图像;
对所述第二待检图像执行图像分割处理,框选第二预处理图像;
配置所述第一预处理图像与所述第二预处理图像的后步执行信息;
配置所述第一预处理图像与所述第二预处理图像的后步执行信息,方法包括:
对所述第一预处理图像与所述第二预处理图像进行识别维度匹配,确定主识别域与辅识别域,所述主识别域为至少一个,所述辅识别域可以为空;
针对所述主识别域生成双通道激活指令;
若所述辅识别域非空,生成单通道激活指令;
将所述双通道激活指令与所述单通道激活指令作为所述后步执行信息,联合所述第一预处理图像与所述第二预处理图像,确定待输入信息;
其中,将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,方法包括:
将所述待输入信息导入所述特征识别模块;
基于所述单通道激活指令与所述双通道激活指令,启用目标处理通道;
将所述第一预处理图像与所述第二预处理图像导入所述目标处理通道,确定N个缺陷特征集,所述N个缺陷特征集与所述目标处理通道数量一致;
基于SLOWFAST模型构建的双处理通道,包括SLOW通道与FAST通道,FAST通道侧向连接SLOW通道;
所述第一步幅与所述第二步幅为针对所述FAST通道与所述SLOW通道处理需求的图像筛选标准;
针对所述主识别域,执行双通道处理,针对所述辅识别域,执行单通道处理,所述单通道指代对应的SLOW通道。
2.如权利要求1所述的方法,其特征在于,搭建特征识别模块,方法包括:
构建表面缺陷识别域、内部缺陷识别域与外形尺寸缺陷识别域;
其中,所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域为基于SLOWFAST模型构建的双处理通道,包括SLOW通道与FAST通道,FAST通道侧向连接SLOW通道,所述协同评估模块与通道终端相接;
对所述表面缺陷识别域、所述内部缺陷识别域与所述外形尺寸缺陷识别域平行布设,构成所述特征识别模块。
3.如权利要求1所述的方法,其特征在于,于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,方法包括:
针对互影响工艺节点,对所述M组缺陷特征集进行归属,划定多个阶段特征组;
基于所述多个阶段特征组,针对同组缺陷特征进行协同影响分析,获取协同分析结果;
整合协同分析结果,生成所述缺陷识别集。
4.用于钢材缺陷的检测预警系统,其特征在于,所述系统用于执行权利要求1至3任意一项所述的方法,所述系统包括:
记录调用模块,所述记录调用模块用于连接生产管理系统,调用目标监测记录;
记录分割模块,所述记录分割模块用于对所述目标监测记录逐工艺节点分割,确定节点监测图像集,所述节点监测图像集为筛选的关键帧图像;
模型生成模块,所述模型生成模块用于搭建特征识别模块与协同评估模块,进行模块衔接生成缺陷检测模型;
数据检测模块,所述数据检测模块用于基于所述节点监测图像集提取待检源数据,输入所述缺陷检测模型中,获取缺陷识别集,其中,缺陷告警信息为附加输出信息;
复修评估模块,所述复修评估模块用于结合所述缺陷告警信息,对所述缺陷识别集进行复修评估,生成缺陷评估列表,所述缺陷评估列表标识有修复成本;
结果确定模块,所述结果确定模块用于基于所述缺陷识别集与所述缺陷评估列表,确定缺陷检测结果;
数据预处理模块,所述数据预处理模块用于对所述待检源数据执行预处理,获取待输入信息;
缺陷特征识别模块,所述缺陷特征识别模块用于将所述待输入信息导入所述特征识别模块,输出N个缺陷特征集,N为大于等于0,小于等于3的整数;
特征存入模块,所述特征存入模块用于将所述N个缺陷特征集存入所述协同评估模块;
特征集确定模块,所述特征集确定模块用于基于所述节点监测图像集,确定M组缺陷特征集,各组缺陷特征集分别包括映射对应的所述N个缺陷特征集;
分析整合模块,所述分析整合模块用于于所述协同评估模块对所述M组缺陷特征集进行叠加分析与整合,生成所述缺陷识别集;
图像择取模块,所述图像择取模块用于基于第一步幅与第二步幅,于所述待检源数据中择取第一待检图像集与第二待检图像集,所述第一步幅与所述第二步幅比率为8;
下采样处理模块,所述下采样处理模块用于对所述第一待检图像执行下采样处理,确定第一预处理图像;
图像分割处理模块,所述图像分割处理模块用于对所述第二待检图像执行图像分割处理,框选第二预处理图像;
信息配置模块,所述信息配置模块用于配置所述第一预处理图像与所述第二预处理图像的后步执行信息;
匹配模块,所述匹配模块用于对所述第一预处理图像与所述第二预处理图像进行识别维度匹配,确定主识别域与辅识别域,所述主识别域为至少一个,所述辅识别域可以为空;
双通道激活指令生成模块,所述双通道激活指令生成模块用于针对所述主识别域生成双通道激活指令;
单通道激活指令生成模块,所述单通道激活指令生成模块用于若所述辅识别域非空,生成单通道激活指令;
待输入信息确定模块,所述待输入信息确定模块用于将所述双通道激活指令与所述单通道激活指令作为所述后步执行信息,联合所述第一预处理图像与所述第二预处理图像,确定待输入信息;
信息导入模块,所述信息导入模块用于将所述待输入信息导入所述特征识别模块;
通道启用模块,所述通道启用模块用于基于所述单通道激活指令与所述双通道激活指令,启用目标处理通道;
图像处理模块,所述图像处理模块用于将所述第一预处理图像与所述第二预处理图像导入所述目标处理通道,确定N个缺陷特征集,所述N个缺陷特征集与所述目标处理通道数量一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786339.8A CN116563273B (zh) | 2023-06-30 | 2023-06-30 | 用于钢材缺陷的检测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786339.8A CN116563273B (zh) | 2023-06-30 | 2023-06-30 | 用于钢材缺陷的检测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563273A CN116563273A (zh) | 2023-08-08 |
CN116563273B true CN116563273B (zh) | 2023-10-27 |
Family
ID=87491796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310786339.8A Active CN116563273B (zh) | 2023-06-30 | 2023-06-30 | 用于钢材缺陷的检测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563273B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074419B (zh) * | 2023-08-25 | 2024-04-09 | 江苏广兴丰茂科技有限公司 | 一种发动机齿圈型钢的缺陷检测方法及系统 |
CN117094605B (zh) * | 2023-10-18 | 2023-12-22 | 南通钢安机械制造有限公司 | 一种铸件质量控制方法及系统 |
CN117152150B (zh) * | 2023-10-31 | 2024-03-01 | 张家港广大特材股份有限公司 | 用于特种钢材的服役寿命评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768380A (zh) * | 2020-06-29 | 2020-10-13 | 上海仪电(集团)有限公司中央研究院 | 一种工业零配件表面缺陷检测方法 |
CN114782391A (zh) * | 2022-04-29 | 2022-07-22 | 广州大学 | 少样本工业图像缺陷检测模型构建方法、系统及装置 |
CN114943733A (zh) * | 2022-07-20 | 2022-08-26 | 张家港华程机车精密制管有限公司 | 一种钢管打磨质量评估方法及系统 |
CN114994061A (zh) * | 2022-08-01 | 2022-09-02 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于机器视觉的钢轨智能化检测方法及系统 |
CN116205922A (zh) * | 2023-05-05 | 2023-06-02 | 张家港广大特材股份有限公司 | 一种基于钢材内部缺陷数据挖掘的冶炼控制方法及系统 |
-
2023
- 2023-06-30 CN CN202310786339.8A patent/CN116563273B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768380A (zh) * | 2020-06-29 | 2020-10-13 | 上海仪电(集团)有限公司中央研究院 | 一种工业零配件表面缺陷检测方法 |
CN114782391A (zh) * | 2022-04-29 | 2022-07-22 | 广州大学 | 少样本工业图像缺陷检测模型构建方法、系统及装置 |
CN114943733A (zh) * | 2022-07-20 | 2022-08-26 | 张家港华程机车精密制管有限公司 | 一种钢管打磨质量评估方法及系统 |
CN114994061A (zh) * | 2022-08-01 | 2022-09-02 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于机器视觉的钢轨智能化检测方法及系统 |
CN116205922A (zh) * | 2023-05-05 | 2023-06-02 | 张家港广大特材股份有限公司 | 一种基于钢材内部缺陷数据挖掘的冶炼控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116563273A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116563273B (zh) | 用于钢材缺陷的检测预警方法及系统 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN111855810B (zh) | 一种基于循环神经网络的轨底伤损识别方法及系统 | |
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN102914545A (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
JP2021119341A5 (zh) | ||
CN103544703A (zh) | 数字图像拼接检测方法 | |
JP2012018066A (ja) | 異常検査装置 | |
CN108204892B (zh) | 基于柔性阵列式压力传感器的辊轮组设备故障检测方法 | |
He et al. | Enhancing the monitoring of 3D scanned manufactured parts through projections and spatiotemporal control charts | |
CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
CN112147221A (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN117252864B (zh) | 基于标识解析的钢铁生产器件光滑度检测系统 | |
CN113723521A (zh) | 一种电机异响识别方法和识别系统 | |
CN110596233B (zh) | 一种连续采样下钢丝绳漏磁成像实时处理方法 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN113971651A (zh) | 检测方法以及检测装置、电子设备和存储介质 | |
CN103208013B (zh) | 一种基于图像噪声分析的照片来源识别方法 | |
CN112116195B (zh) | 基于实例分割的铁路梁生产工序识别方法 | |
CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
CN113096099A (zh) | 基于颜色通道合并的透水沥青混合料连通空隙识别方法 | |
KR20200125131A (ko) | 인공지능 기반 영상 두께 측정 방법 및 시스템 | |
KR102658479B1 (ko) | 품질 검사 서버 및 이의 실행 방법 |
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 |