CN117115167A - 一种基于特征检测的卷钢移位判断方法及系统 - Google Patents

一种基于特征检测的卷钢移位判断方法及系统 Download PDF

Info

Publication number
CN117115167A
CN117115167A CN202311379769.4A CN202311379769A CN117115167A CN 117115167 A CN117115167 A CN 117115167A CN 202311379769 A CN202311379769 A CN 202311379769A CN 117115167 A CN117115167 A CN 117115167A
Authority
CN
China
Prior art keywords
data
steel
standard
saddle
plane
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
Application number
CN202311379769.4A
Other languages
English (en)
Other versions
CN117115167B (zh
Inventor
苏茂才
林仁辉
廖峪
孙操
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nobicam Artificial Intelligence Technology Chengdu Co ltd
Original Assignee
Nobicam Artificial Intelligence Technology Chengdu Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nobicam Artificial Intelligence Technology Chengdu Co ltd filed Critical Nobicam Artificial Intelligence Technology Chengdu Co ltd
Priority to CN202311379769.4A priority Critical patent/CN117115167B/zh
Publication of CN117115167A publication Critical patent/CN117115167A/zh
Application granted granted Critical
Publication of CN117115167B publication Critical patent/CN117115167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—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

Abstract

本发明公开了一种基于特征检测的卷钢移位判断方法及系统，包括以下步骤：包括以下步骤：获取卷钢鞍座上的第一力数据；获取卷钢鞍座上的第一图像数据；将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果。本发明选取卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征用于判断移位情况，增加了判断特征的维度，提高了判断客观性和准确性，移位判断通过神经网络构建的特征匹配函数进行自动化检测，判断解释强，过程简洁，符合卷钢移位判断对时效性的需求。

Description

一种基于特征检测的卷钢移位判断方法及系统
技术领域
本发明涉及卷钢移位检测技术领域，具体涉及一种基于特征检测的卷钢移位判断方法及系统。
背景技术
在钢铁厂中，钢带经冷轧收卷后需要移位搬运，均采用步进梁将钢卷托起一步一步地移动至每个V型鞍座上，最终到达指定位置。由于在移动搬运过程中，受到钢卷重心偏差和步进梁承载面倾斜的影响，时常会出现某些钢卷严重偏离步进梁中轴线的现象。一旦出现这样情况，在步进梁再次托起的过程中就很有可能会发生钢卷侧翻的生产事故。为了避免这种事件的发生，以往是依靠人工肉眼观测的方法进行监视，结果费工、费力，又不可靠。
现有技术中，利用单一特征进行卷钢移位的判断，使得卷钢移位判断的准确性完全取决于单一特征，判断可用信息有限，会降低判断结果的准确性。
发明内容
本发明的目的在于提供一种基于特征检测的卷钢移位判断方法及系统，以解决现有技术中利用单一特征进行卷钢移位的判断，使得卷钢移位判断的准确性完全取决于单一特征，判断可用信息有限，会降低判断结果的准确性的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于特征检测的卷钢移位判断方法，包括以下步骤：
获取卷钢鞍座上的第一力数据，所述第一力数据对应于卷钢对卷钢鞍座的施力，所述施力包括摩擦力、压力中的至少一种；
获取卷钢鞍座上的第一图像数据，所述第一图像数据对应于卷钢在卷钢鞍座平面形成的相对位置图像；
将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，其中，所述特征匹配函数为神经网络，所述标准立体特征数据由标准图像数据、标准力数据依据卷钢鞍座的平面坐标标定而成，所述标准图像数据对应于卷钢在卷钢鞍座平面形成的相对位置标准图像，所述标准力数据对应于卷钢对卷钢鞍座的标准施力。
作为本发明的一种优选方案，所述第一力数据由与卷钢接触的卷钢鞍座平面上的力传感器检测得到。
作为本发明的一种优选方案，所述第一图像数据由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到。
作为本发明的一种优选方案，所述将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
所述卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
作为本发明的一种优选方案，所述标准立体特征数据的构成，包括：
卷钢以标准姿态放置在卷钢鞍座上的情况下，由与卷钢接触的卷钢鞍座平面上的力传感器检测得到标准力数据，由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到标准图像数据；
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的标准力数据，标准图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的标准立体特征数据；
所述卷钢鞍座平面的标准立体特征数据的表达式为：PXY(Fc,Gc)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，Fc为PXY上的标准力数据，Gc为PXY上的标准图像数据。
作为本发明的一种优选方案，所述将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，所述损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
作为本发明的一种优选方案，所述标准力数据，标准图像数据与第一力数据，第一图像数据进行归一化处理。
作为本发明的一种优选方案，本发明提供了一种应用于所述的基于特征检测的卷钢移位判断方法的移位判断系统，包括：
下位机，包括力传感器、摄像头，用于获取标准力数据、第一力数据，标准图像数据以及第一图像数据；
上位机，用于将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将标准力数据和标准图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的标准立体特征数据；
以及将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果；
服务器，用于存储特征匹配函数。
作为本发明的一种优选方案，所述上位机将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
所述卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
作为本发明的一种优选方案，所述上位机将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，所述损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
本发明与现有技术相比较具有如下有益效果：
本发明选取卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征用于判断移位情况，增加了判断特征的维度，提高了判断客观性和准确性，移位判断通过神经网络构建的特征匹配函数进行自动化检测，判断解释强，过程简洁，符合卷钢移位判断对时效性的需求。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的基于特征检测的卷钢移位判断方法流程图；
图2为本发明实施例提供的移位判断系统框图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，利用单一特征进行卷钢移位的判断，使得卷钢移位判断的准确性完全取决于单一特征，判断可用信息有限，会降低判断结果的准确性。因此本发明提供一种基于特征检测的卷钢移位判断方法，增加了判断特征的维度，提高了判断客观性和准确性，移位判断通过神经网络构建的特征匹配函数进行自动化检测，判断解释强，过程简洁，符合卷钢移位判断对时效性的需求。
如图1所示，本发明提供了一种基于特征检测的卷钢移位判断方法，包括以下步骤：
获取卷钢鞍座上的第一力数据，第一力数据对应于卷钢对卷钢鞍座的施力，施力包括摩擦力、压力中的至少一种；
获取卷钢鞍座上的第一图像数据，第一图像数据对应于卷钢在卷钢鞍座平面形成的相对位置图像；
将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，其中，特征匹配函数为神经网络，标准立体特征数据由标准图像数据、标准力数据依据卷钢鞍座的平面坐标标定而成，标准图像数据对应于卷钢在卷钢鞍座平面形成的相对位置标准图像，标准力数据对应于卷钢对卷钢鞍座的标准施力。
本发明为了提高卷钢移位的判断准确性，选取了相互独立的两个维度特征，分别是卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征，其中，卷钢对卷钢鞍座的施力特征，通过触觉维度通过施力特征的改变与否，间接的反应出卷钢在卷钢鞍座上发生移位与否，卷钢在卷钢鞍座平面形成相对位置的图像特征，通过视觉维度通过相对位置的图像特征的改变与否，直接的反应出卷钢在卷钢鞍座上发生移位与否，实现从触觉维度和视觉维度进行卷钢移位的间接和直接判断，相比于单一维度判断，本发明两个独立维度丰富了移位判断的特征信息，可用信息增加提高卷钢移位的判断准确性，而且两个维度的特征信息在增加信息量的同时，并未过高的增加特征检测的运算负担，保证了卷钢移位的判断效率。
本发明为了进一步的提高卷钢移位的判断效率，满足卷钢移位判断对时效性的需求，即越快速的识别到移位，越及时的采取措施，避免更大的危险产生，利用孪生网络中的神经网络对实时监测得到的立体特征数据（两个独立维度融合标定得到的第一立体特征数据）进行特征提取，提取到实时监测得到的立体特征数据（第一立体特征数据）中可用于进行移位判断的特征信息，并将实时监测得到的立体特征数据（第一立体特征数据）中可用于进行移位判断的特征信息与卷钢稳定状态下的标准特征信息通过孪生网络的特征比较结构进行差异性量化，通过差异性判断出卷钢移位情况，孪生网络的特征比较结构相当于将可用于移位判断的特征信息进行标准化监测，可用于移位判断的特征信息不标准，则对应着卷钢移位，可用于移位判断的特征信息标准，则对应着卷钢不移位，利用神经网络的自动化判断，可解释性强，过程简洁直接，提高卷钢移位的判断效率。
本发明为了提高卷钢移位的判断准确性，选取了相互独立的两个维度特征，分别是卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征，并为了充分有效的利用相互独立的两个维度特征，本发明将相互独立的两个维度特征进行坐标标定构成三个维度（视觉维度、触觉维度和坐标维度）融合的立体数据，后续便于被神经网络进行特征提取，使得孪生网络的特征比较结构对可用于移位判断的特征信息进行标准化监测时，能够保留坐标特征使得特征信息依坐标对标，保证了标准化监测的准确性，具体如下：
第一力数据由与卷钢接触的卷钢鞍座平面上的力传感器检测得到。
第一图像数据由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到。
将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
标准立体特征数据的构成，包括：
卷钢以标准姿态放置在卷钢鞍座上的情况下，由与卷钢接触的卷钢鞍座平面上的力传感器检测得到标准力数据，由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到标准图像数据；
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的标准力数据，标准图像数据，依据位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的标准立体特征数据；
卷钢鞍座平面的标准立体特征数据的表达式为：PXY(Fc,Gc)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，Fc为PXY上的标准力数据，Gc为PXY上的标准图像数据。
本发明为了进一步的提高卷钢移位的判断效率，满足卷钢移位判断对时效性的需求，通过孪生网络的特征比较结构进行差异性量化，通过差异性判断出卷钢移位情况，具体如下：
将第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
标准力数据，标准图像数据与第一力数据，第一图像数据进行归一化处理。
本发明中孪生网络的特征比较结构相当于将可用于移位判断的特征信息进行标准化监测，即通过孪生网络的损失函数进行移位判断，孪生网络的损失函数比较的是第一立体特征数据的特征图与标准立体特征数据的特征图间的差异性，提取了第一立体特征数据的特征信息，与相当于标准特征信息的标准立体特征数据的特征信息进行比较，相当于对第一立体特征数据的特征信息进行标准性比较，标准特征信息代表着卷钢的标准稳定状态，差异性越大，说明第一立体特征数据对应的卷钢位置与卷钢标准稳定状态差别越大，则移位的可能性越高，实质上是利用孪生网络的比较结构实现移位判断的特征信息的标准性判断，包括可用于移位判断的特征信息不标准，则对应着卷钢移位，可用于移位判断的特征信息标准，则对应着卷钢不移位的整体过程，利用神经网络的自动化判断，神经网络移位判断的可解释性强，过程简洁直接，提高卷钢移位的判断效率。
如图2所示，本发明提供了一种应用于的基于特征检测的卷钢移位判断方法的移位判断系统，包括：
下位机，包括力传感器、摄像头，用于获取标准力数据、第一力数据，标准图像数据以及第一图像数据；
上位机，用于将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将标准力数据和标准图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的标准立体特征数据；
以及将第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果；
服务器，用于存储特征匹配函数，供上位机调用。
本发明为了提高卷钢移位的判断准确性，选取了相互独立的两个维度特征，分别是卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征，其中，卷钢对卷钢鞍座的施力特征，通过触觉维度通过施力特征的改变与否，间接的反应出卷钢在卷钢鞍座上发生移位与否，卷钢在卷钢鞍座平面形成相对位置的图像特征，通过视觉维度通过相对位置的图像特征的改变与否，直接的反应出卷钢在卷钢鞍座上发生移位与否，实现从触觉维度和视觉维度进行卷钢移位的间接和直接判断，相比于单一维度判断，本发明两个独立维度丰富了移位判断的特征信息，可用信息增加提高卷钢移位的判断准确性，而且两个维度的特征信息在增加信息量的同时，并未过高的增加特征检测的运算负担，保证了卷钢移位的判断效率。
上位机将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
本发明为了进一步的提高卷钢移位的判断效率，满足卷钢移位判断对时效性的需求，即越快速的识别到移位，越及时的采取措施，避免更大的危险产生，利用孪生网络中的神经网络对实时监测得到的立体特征数据（两个独立维度融合标定得到的第一立体特征数据）进行特征提取，提取到实时监测得到的立体特征数据（第一立体特征数据）中可用于进行移位判断的特征信息，并将实时监测得到的立体特征数据（第一立体特征数据）中可用于进行移位判断的特征信息与卷钢稳定状态下的标准特征信息通过孪生网络的特征比较结构进行差异性量化，通过差异性判断出卷钢移位情况，孪生网络的特征比较结构相当于将可用于移位判断的特征信息进行标准化监测，可用于移位判断的特征信息不标准，则对应着卷钢移位，可用于移位判断的特征信息标准，则对应着卷钢不移位，利用神经网络的自动化判断，可解释性强，过程简洁直接，提高卷钢移位的判断效率。
上位机将第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
本发明选取卷钢对卷钢鞍座的施力特征，卷钢在卷钢鞍座平面形成相对位置的图像特征用于判断移位情况，增加了判断特征的维度，提高了判断客观性和准确性，移位判断通过神经网络构建的特征匹配函数进行自动化检测，判断解释强，过程简洁，符合卷钢移位判断对时效性的需求。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于特征检测的卷钢移位判断方法，其特征在于：包括以下步骤：
获取卷钢鞍座上的第一力数据，所述第一力数据对应于卷钢对卷钢鞍座的施力，所述施力包括摩擦力、压力中的至少一种；
获取卷钢鞍座上的第一图像数据，所述第一图像数据对应于卷钢在卷钢鞍座平面形成的相对位置图像；
将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，其中，所述特征匹配函数为神经网络，所述标准立体特征数据由标准图像数据、标准力数据依据卷钢鞍座的平面坐标标定而成，所述标准图像数据对应于卷钢在卷钢鞍座平面形成的相对位置标准图像，所述标准力数据对应于卷钢对卷钢鞍座的标准施力。
2.根据权利要求1所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述第一力数据由与卷钢接触的卷钢鞍座平面上的力传感器检测得到。
3.根据权利要求1所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述第一图像数据由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到。
4.根据权利要求1所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
所述卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
5.根据权利要求4所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述标准立体特征数据的构成，包括：
卷钢以标准姿态放置在卷钢鞍座上的情况下，由与卷钢接触的卷钢鞍座平面上的力传感器检测得到标准力数据，由立于卷钢上方的摄像头朝向与卷钢接触的卷钢鞍座平面拍摄得到标准图像数据；
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的标准力数据，标准图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的标准立体特征数据；
所述卷钢鞍座平面的标准立体特征数据的表达式为：PXY(Fc,Gc)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，Fc为PXY上的标准力数据，Gc为PXY上的标准图像数据。
6.根据权利要求5所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，所述损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN 2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
7.根据权利要求1所述的一种基于特征检测的卷钢移位判断方法，其特征在于：所述标准力数据，标准图像数据与第一力数据，第一图像数据进行归一化处理。
8.一种应用于根据权利要求1-7任一项所述的一种基于特征检测的卷钢移位判断方法的移位判断系统，其特征在于，包括：
下位机，包括力传感器、摄像头，用于获取标准力数据、第一力数据，标准图像数据以及第一图像数据；
上位机，用于将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据；
将标准力数据和标准图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的标准立体特征数据；
以及将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果；
服务器，用于存储特征匹配函数。
9.根据权利要求8所述的一种移位判断系统，其特征在于：所述上位机将第一力数据和第一图像数据依据卷钢鞍座的平面坐标进行标定，得到卷钢鞍座平面的第一立体特征数据，包括：
将与卷钢接触的卷钢鞍座平面进行二维坐标化；
将与卷钢接触的卷钢鞍座平面上各个位点处的第一力数据，第一图像数据，依据所述位点对应排布至二维坐标化的卷钢鞍座平面上，得到卷钢鞍座平面的第一立体特征数据；
所述卷钢鞍座平面的第一立体特征数据的表达式为：PXY(F,G)，式中，PXY为卷钢鞍座平面的二维坐标，X为横向坐标，Y为纵向坐标，F为PXY上的第一力数据，G为PXY上的第一图像数据。
10.根据权利要求9所述的一种移位判断系统，其特征在于：所述上位机将所述第一立体特征数据、标准立体特征数据，通过特征匹配函数，确定出钢卷移位的判断结果，包括：
将第一立体特征数据作为孪生网络中第一CNN神经网络的输入，由第一CNN神经网络进行特征提取，得到第一立体特征数据的特征图；
将标准立体特征数据作为孪生网络中第二CNN神经网络的输入，由第二CNN神经网络进行特征提取，得到标准立体特征数据的特征图；
将第一立体特征数据的特征图与标准立体特征数据的特征图间均方误差作为孪生网络的损失函数，所述损失函数的表达式为：
loss=MSE(S,Sc)；
；
式中，loss为损失函数，MSE为均方误差运算符，MSE(S,Sc)为S和Sc的均方误差，PXY(F,G)为第一立体特征数据，S为第一立体特征数据的特征图，CNN1为孪生网络中第一CNN神经网络，PXY(Fc,Gc)为标准立体特征数据，Sc为标准立体特征数据的特征图，CNN 2为孪生网络中第二CNN神经网络；
将孪生网络的损失函数与损失阈值进行比较，其中，
当孪生网络的损失函数小于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为未移位；
当孪生网络的损失函数大于或等于损失阈值，则第一立体特征数据对应的钢卷移位的判断结果为已移位。
CN202311379769.4A 2023-10-24 2023-10-24 一种基于特征检测的卷钢移位判断方法及系统 Active CN117115167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311379769.4A CN117115167B (zh) 2023-10-24 2023-10-24 一种基于特征检测的卷钢移位判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311379769.4A CN117115167B (zh) 2023-10-24 2023-10-24 一种基于特征检测的卷钢移位判断方法及系统

Publications (2)

Publication Number Publication Date
CN117115167A true CN117115167A (zh) 2023-11-24
CN117115167B CN117115167B (zh) 2023-12-29

Family

ID=88796996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311379769.4A Active CN117115167B (zh) 2023-10-24 2023-10-24 一种基于特征检测的卷钢移位判断方法及系统

Country Status (1)

Country Link
CN (1) CN117115167B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253854A1 (en) * 2007-04-12 2008-10-16 Standard Car Truck Company Railroad car coil restraint system
US20110184454A1 (en) * 2010-01-27 2011-07-28 Penumbra, Inc. Embolic implants
CN102896155A (zh) * 2012-10-23 2013-01-30 鞍钢股份有限公司 一种冷连轧机带钢段数据同步的方法
CN102903197A (zh) * 2012-10-12 2013-01-30 广东欧浦钢铁物流股份有限公司 一种放在仓库中的卷板钢材防盗方法
CN102930414A (zh) * 2012-10-12 2013-02-13 广东欧浦钢铁物流股份有限公司 卷板钢材的入仓和出仓管理方法
CN104674945A (zh) * 2015-03-09 2015-06-03 中国建筑第八工程局有限公司 树形钢管柱结构及其施工方法
CN106623515A (zh) * 2016-12-30 2017-05-10 深圳赤湾胜宝旺工程有限公司 重型钢管匹配及组对方法与系统
CN108107479A (zh) * 2017-12-07 2018-06-01 华东交通大学 一种铁路运输卷刚货物状态监测装置
CN109508787A (zh) * 2018-10-16 2019-03-22 深圳大学 用于超声位移估计的神经网络模型训练方法及系统
CN109829934A (zh) * 2018-12-20 2019-05-31 北京以萨技术股份有限公司 一种新型基于孪生卷积网络的图像跟踪算法
CN109914408A (zh) * 2019-03-13 2019-06-21 江苏科技大学 一种打桩船及其姿态调整、定位控制和打桩方法
CN111455978A (zh) * 2020-05-14 2020-07-28 东莞市华科建筑科技有限公司 一种型钢水泥土搅拌墙在卵石层中的成桩方法
CN112070746A (zh) * 2020-09-09 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 钢带缺陷检测方法和装置
CN113458157A (zh) * 2020-03-31 2021-10-01 宝山钢铁股份有限公司 一种适用热轧带钢位置检测装置的同步拍摄与传输方法
CN113538320A (zh) * 2020-03-31 2021-10-22 宝山钢铁股份有限公司 一种用于热轧带钢跑偏量检测的灰度自适应方法
CN113821674A (zh) * 2021-11-23 2021-12-21 北京中超伟业信息安全技术股份有限公司 一种基于孪生神经网络的智能货物监管方法及系统
CN113933881A (zh) * 2021-12-20 2022-01-14 南京宝和大数据研究院有限公司 一种户外堆场卷钢的融合定位方法
CN114399624A (zh) * 2022-01-19 2022-04-26 华夏星光工业设计江苏有限公司 基于孪生网络的双目视觉图像焊缝位置匹配方法
CN114560396A (zh) * 2022-01-24 2022-05-31 杭州大杰智能传动科技有限公司 用于智能塔吊取放运动检测的传感物联网设备及方法
CN114604766A (zh) * 2022-01-24 2022-06-10 杭州大杰智能传动科技有限公司 用于智能塔吊的物料堆码空间图像识别分析方法和装置
CN115202477A (zh) * 2022-07-07 2022-10-18 合肥安达创展科技股份有限公司 基于异构孪生网络的ar观景互动方法及系统
CN116188376A (zh) * 2022-12-26 2023-05-30 苏州联视泰电子信息技术有限公司 一种基于孪生神经网络的数码印花步进道检测方法
CN116416234A (zh) * 2023-04-06 2023-07-11 中国地质大学（武汉） 一种轨道机车表面缺陷检测方法及系统

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253854A1 (en) * 2007-04-12 2008-10-16 Standard Car Truck Company Railroad car coil restraint system
US20110184454A1 (en) * 2010-01-27 2011-07-28 Penumbra, Inc. Embolic implants
CN102903197A (zh) * 2012-10-12 2013-01-30 广东欧浦钢铁物流股份有限公司 一种放在仓库中的卷板钢材防盗方法
CN102930414A (zh) * 2012-10-12 2013-02-13 广东欧浦钢铁物流股份有限公司 卷板钢材的入仓和出仓管理方法
CN102896155A (zh) * 2012-10-23 2013-01-30 鞍钢股份有限公司 一种冷连轧机带钢段数据同步的方法
CN104674945A (zh) * 2015-03-09 2015-06-03 中国建筑第八工程局有限公司 树形钢管柱结构及其施工方法
CN106623515A (zh) * 2016-12-30 2017-05-10 深圳赤湾胜宝旺工程有限公司 重型钢管匹配及组对方法与系统
CN108107479A (zh) * 2017-12-07 2018-06-01 华东交通大学 一种铁路运输卷刚货物状态监测装置
CN109508787A (zh) * 2018-10-16 2019-03-22 深圳大学 用于超声位移估计的神经网络模型训练方法及系统
CN109829934A (zh) * 2018-12-20 2019-05-31 北京以萨技术股份有限公司 一种新型基于孪生卷积网络的图像跟踪算法
CN109914408A (zh) * 2019-03-13 2019-06-21 江苏科技大学 一种打桩船及其姿态调整、定位控制和打桩方法
CN113458157A (zh) * 2020-03-31 2021-10-01 宝山钢铁股份有限公司 一种适用热轧带钢位置检测装置的同步拍摄与传输方法
CN113538320A (zh) * 2020-03-31 2021-10-22 宝山钢铁股份有限公司 一种用于热轧带钢跑偏量检测的灰度自适应方法
CN111455978A (zh) * 2020-05-14 2020-07-28 东莞市华科建筑科技有限公司 一种型钢水泥土搅拌墙在卵石层中的成桩方法
CN112070746A (zh) * 2020-09-09 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 钢带缺陷检测方法和装置
CN113821674A (zh) * 2021-11-23 2021-12-21 北京中超伟业信息安全技术股份有限公司 一种基于孪生神经网络的智能货物监管方法及系统
CN113933881A (zh) * 2021-12-20 2022-01-14 南京宝和大数据研究院有限公司 一种户外堆场卷钢的融合定位方法
CN114399624A (zh) * 2022-01-19 2022-04-26 华夏星光工业设计江苏有限公司 基于孪生网络的双目视觉图像焊缝位置匹配方法
CN114560396A (zh) * 2022-01-24 2022-05-31 杭州大杰智能传动科技有限公司 用于智能塔吊取放运动检测的传感物联网设备及方法
CN114604766A (zh) * 2022-01-24 2022-06-10 杭州大杰智能传动科技有限公司 用于智能塔吊的物料堆码空间图像识别分析方法和装置
CN115202477A (zh) * 2022-07-07 2022-10-18 合肥安达创展科技股份有限公司 基于异构孪生网络的ar观景互动方法及系统
CN116188376A (zh) * 2022-12-26 2023-05-30 苏州联视泰电子信息技术有限公司 一种基于孪生神经网络的数码印花步进道检测方法
CN116416234A (zh) * 2023-04-06 2023-07-11 中国地质大学（武汉） 一种轨道机车表面缺陷检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐宁;刘红艳;徐致让;: "WRS轧机工作辊横移方案及辊系变形研究", 安徽工业大学学报(自然科学版), no. 04, pages 46 - 48 *
马华平;: "卷钢运输风险控制分析研究及探讨", 太原铁道科技, no. 01, pages 23 - 25 *

Also Published As

Publication number Publication date
CN117115167B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN101271333B (zh) 移动机器人的定位方法
CN100507937C (zh) 基于局部图像纹理特征匹配的焊缝自动识别视觉方法
CN108470356B (zh) 一种基于双目视觉的目标对象快速测距方法
CN107218927B (zh) 一种基于tof相机的货物托盘检测系统和方法
CN115511889A (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
JP5063551B2 (ja) パターンマッチング方法、及び画像処理装置
CN112862881B (zh) 基于众包多车摄像头数据的道路地图构建与融合的方法
JP2007037011A (ja) 画像処理装置
CN117115167B (zh) 一种基于特征检测的卷钢移位判断方法及系统
CN113269775B (zh) 一种基于多尺度特征融合ssd的缺陷检测方法及设备
CN114677655A (zh) 多传感器目标检测方法、装置、电子设备以及存储介质
CN115546125A (zh) 一种基于点云信息的增材制造熔敷层的误差检测并对轨迹纠偏的方法
CN116228640B (zh) 基于深度图像的焊缝检测方法、系统、装置及存储介质
EP4231231A1 (en) Method and apparatus for determining weld seam quality inspection area, computer, and storage medium
CN107914067A (zh) 一种基于被动视觉传感的薄板焊接的焊枪偏差三维提取方法
CN114581446B (zh) 一种叠片电池的电芯异常检测方法及系统
CN111322963A (zh) 一种基于双目图像处理的零部件动态排列方法
CN113128247B (zh) 一种图像定位标识验证方法及服务器
CN112800890B (zh) 一种基于表面法向量的道路障碍检测方法
WO2021262778A1 (en) Semiconductor overlay measurements using machine learning
CN114136274A (zh) 基于计算机视觉的站台限界测量方法
CN113705497A (zh) 一种基于yolo的储油船板表面焊接飞溅物检测方法
CN113065483A (zh) 一种定位方法、装置、电子设备、介质及机器人
TWI741317B (zh) 行人辨識方法與系統
CN112364783B (zh) 一种零件检测方法、装置及计算机可读存储介质

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