CN116689487B - 基于深度学习的超深冲板材的智能冷轧设备 - Google Patents
基于深度学习的超深冲板材的智能冷轧设备 Download PDFInfo
- Publication number
- CN116689487B CN116689487B CN202310597654.6A CN202310597654A CN116689487B CN 116689487 B CN116689487 B CN 116689487B CN 202310597654 A CN202310597654 A CN 202310597654A CN 116689487 B CN116689487 B CN 116689487B
- Authority
- CN
- China
- Prior art keywords
- deep
- image data
- rolling
- ultra
- learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000005097 cold rolling Methods 0.000 title claims abstract description 19
- 238000005096 rolling process Methods 0.000 claims abstract description 64
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 16
- 229910000831 Steel Inorganic materials 0.000 claims description 15
- 239000010959 steel Substances 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 235000013372 meat Nutrition 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 206010039509 Scab Diseases 0.000 claims description 3
- 230000002633 protecting effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 229910000655 Killed steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
- B21B1/28—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by cold-rolling, e.g. Steckel cold mill
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B39/00—Arrangements for moving, supporting, or positioning work, or controlling its movement, combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B39/14—Guiding, positioning or aligning work
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Metal Rolling (AREA)
Abstract
本发明涉及轧制工艺的技术领域,具体公开了基于深度学习的超深冲板材的智能冷轧设备,包括轧机机组;工业相机,工业相机固定于轧机机组末尾出料端,工业相机用于采集板材的图像数据,并对图像数据预处理;工业相机连接有服务器,服务器内设有深度学习网络模型,深度学习网络模型分别包括训练模型与预测模型;训练模型包括用于将工业相机采集图像数据利用卷积神经网络进行训练,生成分类器;预测模型包括用于将工业相机采集数据输入到训练模型训练后的卷积神经网络中,分类器对采集到图像数据进行分类、识别。本发明的目的在于提供基于深度学习的超深冲板材的智能冷轧设备,以解决传统轧制板材检测精准度低的技术问题。
Description
技术领域
本发明涉及轧制工艺的技术领域,具体公开了基于深度学习的超深冲板材的智能冷轧设备。
背景技术
近年来,随着汽车、家电、机械产业的高速发展以及钢铁行业竞争的加剧,对高附加值、高品质、高技术含量和低成本的品种钢需求日益增加,开发、制造超深冲钢可以为相关产业提供优良的制造原料,同时也可为钢铁企业创造良好的经济效益。冷轧超深冲用钢一般是指超低碳无间隙原子钢(IF钢),通过控制合金中的C、N含量并加入Nb、Ti等合金元素获得。
目前针对超深冲板材的轧制通常采用轧辊轧机进行连铸连轧,例如中国实用新型专利(公开号:CN209953510U)公开了一种连续式超深冲六辊冷轧机,包括冷轧机固定底座、厚度调节装置、导向滑动装置、钢片放料装置、钢片回收装置、加热构件和水冷装置,把钢片缠绕到转动轴上,让钢片的另一端缠绕到缠绕辊上,转动螺纹腔可以调整轧辊I和轧辊II之间的距离。
由于在精轧生产过程中,影响精轧终轧温度的因素众多,如中间辊道的保温状态、高压除鳞模式、各个机架间的冷却水量、轧制速度和加速度等。采用工艺模型进行温度预报,要考虑非常多的因素,包括各种过程变量和各种传热学物理系数等,给准确性带来很大的不确定性。同时,也很难跟踪过程实时动态。
目前在冷轧板生产线上,为了保证质量和效率,需要对冷轧板进行实时检测和识别。例如在传统轧制过程中,常见有结疤、气泡、裂纹、翘曲等表面问题。传统的冷轧板检测方法主要包括人工检查、机器视觉检测等,这些方法虽然能够满足一定的检测要求,但是存在一些不足,例如人员素质要求较高、传统摄像机判断准确度低等问题。
发明内容
本发明的目的在于提供基于深度学习的超深冲板材的智能冷轧设备,以解决传统轧制板材检测精准度低的技术问题。
基于深度学习的超深冲板材的智能冷轧设备,包括轧机机组,所述轧机机组用于轧制超深冲板材;
工业相机,所述工业相机固定于所述轧机机组末尾出料端,所述工业相机用于采集板材的图像数据,并对所述图像数据预处理;
所述工业相机连接有服务器,所述服务器内设有深度学习网络模型,所述深度学习网络模型分别包括训练模型与预测模型;
所述训练模型包括用于将所述工业相机采集预处理图像数据利用卷积神经网络进行训练,生成分类器;
所述预测模型包括用于将所述工业相机采集预处理图像数据输入到所述训练模型训练后的卷积神经网络中,所述分类器对采集到图像数据进行分类、识别。
本基础方案的工作原理和有益效果在于:本发明采用了基于卷积神经网络的方法,利用训练模型对采集的冷轧板图像进行持续训练分析,实现了对冷轧板的自动分类和识别。进而实现在预测模型工作时能够使工业相机有效提高冷轧板识别的准确性和速度。本技术方案利用工业相机采集冷轧板的图像数据,并通过预处理、卷积神经网络训练、冷轧板识别等步骤,实现了对冷轧板的自动分类和识别。
相对于传统检测方法,本发明具有准确度高、速度快、自动化程度高等优点,具有广泛的应用前景和商业价值。
进一步,所述分类器采用Softmax分类器,所述分类器用于对图像数据进行分类识别。
有益效果:本技术方案通过采用Softmax分类器以实现解决多分类的技术效果。
进一步,所述深度学习网络模型采用DeeplabV3+卷积神经网络模型,模型对预处理图像数据的特征进行空洞卷积。
有益效果:本技术方案利用模型对预处理图像数据的特征进行空洞卷积,以实现在确保信息真实性的前提下,有效提高了深度学习网络模型对图像的判断感知能力,让每个卷积输出都包含较大范围的信息。
进一步,所述DeeplabV3+卷积神经网络模型分别对预处理的图像数据进行标记记录,标记记录包括图像数据的结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转标签,所述分类器生成有所对应的特征向量。
有益效果:本技术方案利用分类器以实现适用于超深冲板材常见问题的所对应的特征向量。
进一步,所述轧机机组包括若干轧机,所述轧机包括工作基座,所述工作基座顶部固定有机架,所述机架上转动连接有两根平行的支撑辊,所述机架还转动连接有两根平行的工作辊,两根所述工作辊位均于两根所述支撑辊之间。
有益效果:本技术方案利用工作辊实现对超深冲板材的轧制作用,在轧制的过程中,支撑辊起到对工作辊支撑承载的作用。
进一步,相邻轧机的所述机架之间固定有导向杆,所述导向杆轴向平行于所述轧机的轧制方向,所述导向杆沿轴向滑动连接有若干滑块,所述滑块的底端转动连接有保护板,相邻所述保护板之间相互铰接;所述轧机侧壁还水平固定有伸缩气缸,所述伸缩气缸的伸缩端固定连接于最外端的所述滑块,所述伸缩气缸连接有控制模块,所述控制模块用于在根据所述图像数据控制所述伸缩气缸的伸缩。
有益效果:本技术方案通过利用导向杆实现对滑块的导向作用,滑块在收缩紧密排列的状态下,若干保护板也随之进行堆叠,以达到在不使用的状态下,降低保护板占用空间的技术效果。当伸缩气缸进行伸缩的过程中,伸缩气缸带动最外端的滑块向外侧移动,在滑块移动的过程中,最外侧的保护板也随之水平移动,同时由于相邻的保护板之间相互铰接,因此在最外端滑块移动的过程中,保护板也随之依次展开。当最外侧滑块移动至另一端时,保护板也随之伸展,并且达到将相邻轧机之间的间隙遮挡保护的作用。
在面对轧件两侧延伸不一致而导致的抛钢、轧件跑偏甩尾状态时,控制模块能够第一时间控制伸缩气缸进行延伸,进而第一时间将保护板展开实现保护作用。
相比于现有技术,本技术方案一方面能够在轧机机组正常工作的状态下,使冷轧板暴露在外部,便于操作人员直观判断冷轧板的轧制情况。同时在遇到抛钢、轧件跑偏甩尾状态时,控制模块能够第一时间控制伸缩气缸伸展,使保护板及时将相邻轧机之间的缝隙合拢,有效避免轧机甩尾时飞出轧机,造成人员受伤的情况发生。
进一步,相邻所述机架之间相向面分别开有收纳槽,所述收纳槽宽度大于所述保护板宽度。
有益效果:本技术方案利用收纳槽实现对保护板的隐藏收纳功能。
进一步,所述DeeplabV3+卷积神经网络模型在接收裂纹、翘曲或翘曲标签后,所述控制模块接收DeeplabV3+卷积神经网络模型的裂纹、翘曲或翘曲标签后控制所述伸缩气缸延伸。
有益效果:本技术方案利用DeeplabV3+卷积神经网络模型进行高精准度的识别判断,在遇到裂纹、翘曲或翘曲,预先控制伸缩气缸伸展保护,达到在事故发生前阻挡的技术效果。
进一步,所述保护板的开有若干观察孔。
有益效果:本技术方案一方面利用保护板实现保护的作用,另一方面还能够便于操作人员利用观察孔观察被保护后的内部的情况。
进一步,所述轧机机组末尾出料端固定有同所述工业相机同轴的光源。
有益效果:本技术方案通过设置同轴光源,以提高工业相机拍摄图像的清晰度。
附图说明
图1为本发明实施例一的基于深度学习的超深冲板材的智能冷轧设备的使用流程图;
图2为本发明实施例一的轧机机组及工业相机的结构示意图;
图3为图2中A处的局部放大示意图;
图4为图2中B处的局部放大示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:工作基座1、机架2、支撑辊3、工作辊4、中间辊5、第一轴承座6、第二轴承座7、第三轴承座8、楔形座9、调节块10、收纳槽11、保护板12、导向杆13、滑块14、伸缩气缸15、第一伸缩油缸16、工业相机17。
实施例一
基本如附图1、附图2所示:基于深度学习的超深冲板材的智能冷轧设备,包括轧机机组,轧机机组包括两台六辊轧机,所述六辊轧机用于轧制超深冲板材。在本实施例中,六辊轧机将退火后的3.1mm厚超深冲板材铝镇静钢板原料进行轧制到2.05mm。
如附图3所示,六辊轧机包括工作基座1,工作基座1的顶部在相对的两侧分别焊接固定有机架2。两个机架2之间上由外向内分别转动连接两根支撑辊3、两根中间辊5以及两根工作辊4。其中两根工作辊4分别同轴固定连接有驱动机构,驱动机构用于驱动两根工作辊4周向转动。工作辊4的转动轴同轴转动连接有第一轴承座6,第一轴承座6水平滑动连接于机架2,机架2侧壁固定连接有水平伸缩的第一伸缩油缸16,第一伸缩油缸16的伸缩端固定连接于第一轴承座6侧壁。中间辊5的转动轴同轴转动连接有第二轴承座7,第二轴承座7水平滑动连接于机架2,第二轴承座7的滑动方向垂直于第一轴承座6的滑动方向。
支撑辊3转动轴同轴固定连接有第三轴承座8,第三轴承座8沿竖直方向滑动连接于机架2。机架2在第三轴承座8的下方固定连接有楔形座9,楔形座9的顶部为第一楔面,楔形座9的顶面滑动连接有调节块10,调节块10的顶部水平滑动连接于第三轴承座8的底面。调节块10的侧壁固定有用于控制调节块10水平移动的伸缩调节装置。
如附图4所示,相邻机架2之间相向面分别开有收纳槽11,收纳槽11宽度大于保护板12宽度。两个收纳槽11之间焊接固定有导向杆13,导向杆13的轴向平行于轧机的轧制方向。导向杆13沿轴向滑动连接有八个滑块14,每个滑块14的底端均自由转动连接有保护板12,相邻的保护板12之间相互铰接。轧机侧壁还水平固定有伸缩气缸15,伸缩气缸15的伸缩端固定连接于最外端的滑块14,伸缩气缸15连接有控制模块,控制模块用于在根据图像数据控制伸缩气缸15的伸缩。控制模块可采用STM32F030F4单片机。
工业相机17,工业相机17固定于六辊轧机出料端,工业相机17用于采集板材的图像数据,并对图像数据预处理。在本实施例中,工业相机17采用高分辨率线阵相机。相邻工业相机17的一侧还螺栓固定有光源灯,光源灯的发光方向同工业相机17的拍摄方向同轴。
工业相机17连接有处理器内设有深度学习网络模型,深度学习网络模型用于将工业相机17采集预处理图像数据利用卷积神经网络进行训练,生成分类器。
在本实施例中,深度学习网络模型可采用DeeplabV3+模型,模型对预处理图像数据的特征进行空洞卷积,以实现在确保信息真实性的前提下,有效提高了深度学习网络模型对图像的判断感知能力,让每个卷积输出都包含较大范围的信息。
在本实施例中,分类器可采用Softmax分类器,该分类器具有良好的泛化性能,能够准确地对新的冷轧板图像进行分类识别,分类器生成有正常、结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转的适用于超深冲板材常见问题的所对应的特征向量。
冷轧板识别:将采集到的新的冷轧板图像输入到训练后的DeeplabV3+卷积神经网络模型中,利用Softmax分类器生成的分类器对图像进行分类、识别,判断该冷轧板是否符合要求。
在本实施例中,DeeplabV3+卷积神经网络模型分别结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转的标签在图像数据中通过文字信息展示,以实现对操作人员及时警告的技术效果。
具体实施过程如下:首先在超深冲板材轧制的过程中,板材依次经过两个六辊轧机,并且经过两个轧机轧制后的冷轧板经过工业相机17的正下方,工业相机17对超深冲板材的表面进行拍摄。工业相机17将采集的图像数据进行预处理,并且将预处理的图像数据上传至设有DeeplabV3+模型的服务器内。模型对预处理图像数据的特征进行空洞卷积,分类器对冷轧板图像进行分类识别,分类器生成有正常、结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转的适用于超深冲板材常见问题的所对应的特征向量。
接着将采集到的新的冷轧板图像输入到训练后的DeeplabV3+卷积神经网络模型中,利用Softmax分类器生成的分类器对图像进行分类、识别,判断该冷轧板是否符合要求。DeeplabV3+卷积神经网络模型分别结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转的标签在图像数据中通过文字信息展示。
在正常轧制状态下,伸缩气缸15处于收缩状态,保护板12均位于收纳槽11内部。当控制模块接收到来自DeeplabV3+卷积神经网络模型监测到图像数据中出现裂纹、翘曲或翘曲标签信号后,控制模块控制伸缩气缸15进行延伸。在伸缩气缸15的延伸作用下,伸缩气缸15带动最外端的滑块14向外侧移动,在滑块14移动的过程中,最外侧的保护板12也随之水平移动,同时由于相邻的保护板12之间相互铰接,因此在最外端滑块14移动的过程中,保护板12也随之依次展开。当最外侧滑块14移动至另一端时,保护板12也随之伸展,并且达到将相邻轧机之间的间隙遮挡保护的作用。
在面对轧件两侧延伸不一致而导致的抛钢、轧件跑偏甩尾状态时,控制模块能够第一时间控制伸缩气缸15进行延伸,进而第一时间将保护板12展开实现保护作用。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于深度学习的超深冲板材的智能冷轧设备,其特征在于,包括轧机机组,所述轧机机组用于轧制超深冲板材;
工业相机,所述工业相机固定于所述轧机机组末尾出料端,所述工业相机用于采集板材的图像数据,并对所述图像数据预处理;
所述工业相机连接有服务器,所述服务器内设有深度学习网络模型,所述深度学习网络模型分别包括训练模型与预测模型;
所述训练模型包括用于将所述工业相机采集预处理图像数据利用卷积神经网络进行训练,生成分类器;
所述预测模型包括用于将所述工业相机采集预处理图像数据输入到所述训练模型训练后的卷积神经网络中,所述分类器对采集到图像数据进行分类、识别;
所述轧机机组包括若干轧机,所述轧机包括工作基座,所述工作基座顶部固定有机架,所述机架上转动连接有两根平行的支撑辊,所述机架还转动连接有两根平行的工作辊,两根所述工作辊位均于两根所述支撑辊之间;
相邻轧机的所述机架之间固定有导向杆,所述导向杆轴向平行于所述轧机的轧制方向,所述导向杆沿轴向滑动连接有若干滑块,所述滑块的底端转动连接有保护板,相邻所述保护板之间相互铰接;所述轧机侧壁还水平固定有伸缩气缸,所述伸缩气缸的伸缩端固定连接于最外端的所述滑块,所述伸缩气缸连接有控制模块,所述控制模块用于在根据所述图像数据控制所述伸缩气缸的伸缩;
当控制模块接收到信号后,控制模块控制伸缩气缸进行延伸,在伸缩气缸的延伸作用下,伸缩气缸带动最外端的滑块向外侧移动,在滑块移动的过程中,最外侧的保护板也随之水平移动,同时由于相邻的保护板之间相互铰接,因此在最外端滑块移动的过程中,保护板也随之依次展开,当最外侧滑块移动至另一端时,保护板也随之伸展,并且达到将相邻轧机之间的间隙遮挡保护的作用,在面对轧件两侧延伸不一致而导致的抛钢、轧件跑偏甩尾状态时,控制模块能够第一时间控制伸缩气缸进行延伸,进而第一时间将保护板展开实现保护作用。
2.根据权利要求1所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述分类器采用Softmax分类器,所述分类器用于对图像数据进行分类识别。
3.根据权利要求1所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述深度学习网络模型采用DeeplabV3+卷积神经网络模型,模型对预处理图像数据的特征进行空洞卷积。
4.根据权利要求3所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述DeeplabV3+卷积神经网络模型分别对预处理的图像数据进行标记记录,标记记录包括图像数据的结疤、气泡、裂纹、翘曲、缺肉、耳子、矫裂以及扭转标签,所述分类器生成有所对应的特征向量。
5.根据权利要求1所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:相邻所述机架之间相向面分别开有收纳槽,所述收纳槽宽度大于所述保护板宽度。
6.根据权利要求4所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述DeeplabV3+卷积神经网络模型在接收裂纹、翘曲或翘曲标签后,所述控制模块接收DeeplabV3+卷积神经网络模型的裂纹、翘曲或翘曲标签后控制所述伸缩气缸延伸。
7.根据权利要求6所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述保护板的开有若干观察孔。
8.根据权利要求1-7中任一所述的基于深度学习的超深冲板材的智能冷轧设备,其特征在于:所述轧机机组末尾出料端固定有同所述工业相机同轴的光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597654.6A CN116689487B (zh) | 2023-05-25 | 2023-05-25 | 基于深度学习的超深冲板材的智能冷轧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597654.6A CN116689487B (zh) | 2023-05-25 | 2023-05-25 | 基于深度学习的超深冲板材的智能冷轧设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116689487A CN116689487A (zh) | 2023-09-05 |
CN116689487B true CN116689487B (zh) | 2024-05-28 |
Family
ID=87836633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310597654.6A Active CN116689487B (zh) | 2023-05-25 | 2023-05-25 | 基于深度学习的超深冲板材的智能冷轧设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116689487B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB190511299A (en) * | 1905-05-30 | 1906-03-01 | George Pilkington Mills | Improvements in Safety Guards for Stamping and Drawing Presses, or for like Tools. |
GB920950A (en) * | 1960-11-25 | 1963-03-13 | Planeta Veb Druckmasch Werke | Safety device for rotating cylinders, especially but not solely in printing machines |
CA2696903A1 (en) * | 2000-12-21 | 2002-06-27 | Arcelormittal Dofasco Inc. | Roll defect management process |
CN201410496Y (zh) * | 2009-05-11 | 2010-02-24 | 湖北江重机械制造有限公司 | 全液压正八辊冷连轧机 |
CN101914725A (zh) * | 2010-09-02 | 2010-12-15 | 唐山国丰钢铁有限公司 | 低碳超深冲冷轧钢板及其生产方法 |
CN101970138A (zh) * | 2008-03-11 | 2011-02-09 | 新日本制铁株式会社 | 轧板机和轧板方法 |
CN202571083U (zh) * | 2012-03-28 | 2012-12-05 | 苏州腾宇电子有限公司 | 带安全防护装置的冲压机床 |
CN103350109A (zh) * | 2013-07-04 | 2013-10-16 | 北京京诚之星科技开发有限公司 | 一种冷轧带材轧机 |
CN107583953A (zh) * | 2017-10-25 | 2018-01-16 | 石家庄铁能机电设备有限公司 | 冷弯轧制角钢生产线 |
JP2018039648A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社タダノ | 画像表示システム |
CN208495570U (zh) * | 2018-07-19 | 2019-02-15 | 旭立欣(厦门)电子科技有限公司 | 一种模具安全防护装置 |
CN212329253U (zh) * | 2020-04-08 | 2021-01-12 | 江苏中基复合材料有限公司 | 一种新型用于单零铝箔生产的箔轧机组 |
CN212397912U (zh) * | 2020-05-20 | 2021-01-26 | 令宝福 | 一种多用铝型材加工护板装置 |
CN213826768U (zh) * | 2020-09-18 | 2021-07-30 | 日照海利威电子工程有限公司 | 一种机械加工用冲床 |
CN113592024A (zh) * | 2021-08-12 | 2021-11-02 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 |
CN114038318A (zh) * | 2021-11-09 | 2022-02-11 | 广州励丰文化科技股份有限公司 | 一种展览展示视觉呈现设备 |
CN216881548U (zh) * | 2021-12-13 | 2022-07-05 | 沈阳轶晨机械有限公司 | 一种五金件加工用安全型锻造装置 |
CN216881058U (zh) * | 2022-03-04 | 2022-07-05 | 河南鑫昊晟达实业有限公司 | 一种用于三辊铸带机作业防护装置 |
CN218425285U (zh) * | 2022-10-31 | 2023-02-03 | 常州禾川机械有限公司 | 一种机床冲压防护装置 |
-
2023
- 2023-05-25 CN CN202310597654.6A patent/CN116689487B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB190511299A (en) * | 1905-05-30 | 1906-03-01 | George Pilkington Mills | Improvements in Safety Guards for Stamping and Drawing Presses, or for like Tools. |
GB920950A (en) * | 1960-11-25 | 1963-03-13 | Planeta Veb Druckmasch Werke | Safety device for rotating cylinders, especially but not solely in printing machines |
CA2696903A1 (en) * | 2000-12-21 | 2002-06-27 | Arcelormittal Dofasco Inc. | Roll defect management process |
CN101970138A (zh) * | 2008-03-11 | 2011-02-09 | 新日本制铁株式会社 | 轧板机和轧板方法 |
CN201410496Y (zh) * | 2009-05-11 | 2010-02-24 | 湖北江重机械制造有限公司 | 全液压正八辊冷连轧机 |
CN101914725A (zh) * | 2010-09-02 | 2010-12-15 | 唐山国丰钢铁有限公司 | 低碳超深冲冷轧钢板及其生产方法 |
CN202571083U (zh) * | 2012-03-28 | 2012-12-05 | 苏州腾宇电子有限公司 | 带安全防护装置的冲压机床 |
CN103350109A (zh) * | 2013-07-04 | 2013-10-16 | 北京京诚之星科技开发有限公司 | 一种冷轧带材轧机 |
JP2018039648A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社タダノ | 画像表示システム |
CN107583953A (zh) * | 2017-10-25 | 2018-01-16 | 石家庄铁能机电设备有限公司 | 冷弯轧制角钢生产线 |
CN208495570U (zh) * | 2018-07-19 | 2019-02-15 | 旭立欣(厦门)电子科技有限公司 | 一种模具安全防护装置 |
CN212329253U (zh) * | 2020-04-08 | 2021-01-12 | 江苏中基复合材料有限公司 | 一种新型用于单零铝箔生产的箔轧机组 |
CN212397912U (zh) * | 2020-05-20 | 2021-01-26 | 令宝福 | 一种多用铝型材加工护板装置 |
CN213826768U (zh) * | 2020-09-18 | 2021-07-30 | 日照海利威电子工程有限公司 | 一种机械加工用冲床 |
CN113592024A (zh) * | 2021-08-12 | 2021-11-02 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 |
CN114038318A (zh) * | 2021-11-09 | 2022-02-11 | 广州励丰文化科技股份有限公司 | 一种展览展示视觉呈现设备 |
CN216881548U (zh) * | 2021-12-13 | 2022-07-05 | 沈阳轶晨机械有限公司 | 一种五金件加工用安全型锻造装置 |
CN216881058U (zh) * | 2022-03-04 | 2022-07-05 | 河南鑫昊晟达实业有限公司 | 一种用于三辊铸带机作业防护装置 |
CN218425285U (zh) * | 2022-10-31 | 2023-02-03 | 常州禾川机械有限公司 | 一种机床冲压防护装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116689487A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8834636B2 (en) | Apparatus and method for the continuous pickling of steel strip | |
CN112570466B (zh) | 解决高表面薄规格带钢输送辊道划伤的控制方法 | |
CN1189258C (zh) | 平直度的测量方法及其装置 | |
CN107597880A (zh) | 一种降低耐磨板磨损的卷取机侧导板控制方法 | |
CN104415968B (zh) | 一种热轧高速工具钢棒线材生产工艺 | |
CN116689487B (zh) | 基于深度学习的超深冲板材的智能冷轧设备 | |
CN112474797B (zh) | 一种2.0mm耐腐蚀热轧卷板轧制工艺 | |
CN116037654B (zh) | 一种超薄铜铝复合箔轧制方法及轧制设备 | |
CN220131526U (zh) | 一种箔分切后错层检测装置 | |
CN201067842Y (zh) | 高精度的平整拉弯矫复合机 | |
CN211161207U (zh) | 一种用于小型轧机的入口导卫装置 | |
CN216117378U (zh) | 一种钢板表面缺陷分类及检测装置 | |
KR101587739B1 (ko) | 스트립 표면 오일 제거장치 | |
CN217032418U (zh) | 一种热轧板板厚多点测量装置 | |
CN115112664A (zh) | 一种基于热眼设备的盘条表面缺陷精准高效的管控方法 | |
KR101951945B1 (ko) | 광휘 소둔 라인의 루퍼 장치 | |
CN220983147U (zh) | 一种碳纤维织物表面瑕疵检测装置 | |
CN220461754U (zh) | 一种钢卷反弯装置及具有该反弯装置的开卷机 | |
CN111912845A (zh) | 一种小型冷轧不锈钢带表面缺陷检测装置 | |
CN217331221U (zh) | 一种精轧机后在线检查台装置 | |
CN214441859U (zh) | 一种热轧不锈钢带钢下表面缺陷检测装置 | |
CN108274381A (zh) | 铝板带材加工方法 | |
CN103962398A (zh) | 一种冷轧带钢生产工艺 | |
CN208662134U (zh) | 一种测厚仪防护装置 | |
CN214321314U (zh) | 一种多方向测量冷轧带钢厚度机构 |
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 |