CN117611579B - 一种钢包内衬在线检测方法及在线检测系统 - Google Patents
一种钢包内衬在线检测方法及在线检测系统 Download PDFInfo
- Publication number
- CN117611579B CN117611579B CN202410064806.0A CN202410064806A CN117611579B CN 117611579 B CN117611579 B CN 117611579B CN 202410064806 A CN202410064806 A CN 202410064806A CN 117611579 B CN117611579 B CN 117611579B
- Authority
- CN
- China
- Prior art keywords
- ladle
- pixels
- image
- abnormal
- lining
- 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 165
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000004891 communication Methods 0.000 claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 41
- 239000010959 steel Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000010287 polarization Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001939 inductive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000002893 slag Substances 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 3
- 230000000052 comparative effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000009628 steelmaking Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010006784 Burning sensation Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013404 process transfer Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种钢包内衬在线检测方法及在线检测系统,方法包括:利用偏振相机对完成作业的钢包内衬采集偏振图像;对偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;若钢包底部/侧壁检测神经网络模型识别第一子图像/第二子图像的结果为异常,则确定钢包内衬在线检测结果为钢包异常;否则继续执行:分析钢包底部轮廓内部的第一型异常像素,提取对应的第一型连通区域;分析钢包侧壁局部轮廓内部的第二型异常像素,提取对应的第二型连通区域;根据第一型连通区域的面积特征和第二型连通区域的长度特征判定钢包正常或异常的检测结果。本发明能够克服强光干扰而对刚结束作业的钢包做在线破损检测。
Description
技术领域
本发明涉及冶金冶炼安全领域,尤其涉及一种钢包内衬在线检测方法及在线检测系统。
背景技术
钢水包简称钢包,其采用耐火材料制成,是用于盛接钢水、浇注钢水的重要设备,也是钢液(流体金属液)炉外精炼(现在也有着冶金功能)的关键容器。钢包内衬一般由保温层、永久层和工作层组成,其中,工作层直接与钢液、炉渣接触,容易受到化学侵蚀、机械冲刷、搅拌和急冷急热及周期性作业,会引起内衬局部的剥落。钢包作为炼钢的关键容器,其稳定运行直接影响着连续作业效率及现场作业人员的安全,若是在金属液钢包运行中穿漏包,容易发生群死群伤的重大安全事故。
钢铁及有色金属冶金冶炼过程中,采用钢包对流体金属进行工艺转运,而在钢包内钢水(流体金属液)清空时,需要对钢包内衬耐火砖状态(是否有漏点)进行检测。常规的做法是凭借炼钢人员经验采用肉眼观测的办法,看到的是刺眼的亮光对眼睛具有灼痛感;也有炼钢人员戴着炼钢观测用墨镜(光衰减作用)观测的办法,但是光衰减后的暗色光导致观测准确程度不高,会导致没有及时检测到钢包的破损发生钢包穿漏的事故。
以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案,其并不必然属于本专利申请的现有技术,也不必然会给出技术教导;在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本发明的目的是提供一种能够克服强光干扰而对刚结束作业的钢包做在线破损检测的方法和系统。
为达到上述目的,本发明采用的技术方案如下:
一种钢包内衬在线检测方法,包括以下步骤:
利用偏振相机对完成作业的钢包的内衬进行图像采集,得到偏振图像,其中,所述完成作业的钢包内无钢水、无钢渣;
利用计算处理模块对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;
将所述第一子图像输入预训练的钢包底部检测神经网络模型,将所述第二子图像输入预训练的钢包侧壁检测神经网络模型;
若所述钢包底部检测神经网络模型、钢包侧壁检测神经网络模型中任一者的输出结果为异常,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则继续执行以下步骤;
对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域;
计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值;
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
进一步地,承前所述的任一技术方案或多个技术方案的组合,用于训练所述钢包底部检测神经网络模型的学习样本通过以下方式获取:
在底部出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部出现破损的钢包的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在底部正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部正常的钢包的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
进一步地,承前所述的任一技术方案或多个技术方案的组合,用于训练所述钢包侧壁检测神经网络模型的学习样本通过以下方式获取:
在侧壁出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,并为处理后的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在侧壁正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,并为处理后的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式获取包含钢包底部轮廓的第一子图像:
在待识别的偏振图像遍历出灰度值低于相邻像素灰度值且灰度差值达到第三阈值的特征像素;
确定由所述特征像素中的部分像素形成的环状轮廓;
以其中最小的环状轮廓作为所述钢包底部轮廓;
在所述待识别的偏振图像中截取所述第一子图像,其至少包括所述最小的环状轮廓。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式获取包含钢包侧壁局部轮廓的第二子图像:
在确定由所述特征像素中的部分像素形成的环状轮廓之后,以其中最小的环状轮廓作为所述钢包侧壁局部轮廓的远端环轮廓;
以其中另一环状轮廓作为所述钢包侧壁局部轮廓的近端环轮廓,所述另一环状轮廓满足:与所述最小的环状轮廓的环间距大于预设距离值的所有环状轮廓中,其与所述最小的环状轮廓的环间距最小;
在所述待识别的偏振图像中截取所述第二子图像,其至少包括所述钢包侧壁局部轮廓的近端环轮廓。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式获取所述第一型异常像素:
计算所述第一子图像中钢包底部轮廓内部的像素的灰度平均值;
将所述钢包底部轮廓内部的灰度值偏离所述灰度平均值超过第四阈值的像素确定为第一型异常像素。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式获取所述第二型异常像素:
计算所述第二子图像中钢包侧壁局部轮廓的远端环轮廓与近端环轮廓之间区域的像素的灰度平均值;
将所述远端环轮廓与近端环轮廓之间区域的灰度值偏离所述灰度平均值超过第五阈值的像素确定为第二型异常像素。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式提取所述第一型连通区域和/或第二型连通区域:
遍历各个所述第一型异常像素,将任意相邻的两个第一型异常像素归纳至同一第一型连通区域,包括:以一目标第一型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第一型异常像素与所述目标第一型异常像素归纳至同一第一型连通区域;
和/或,遍历各个所述第二型异常像素,将任意相邻的两个第二型异常像素归纳至同一第二型连通区域,包括:以一目标第二型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第二型异常像素与所述目标第二型异常像素归纳至同一第二型连通区域。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式计算第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值:
统计各个第一型连通区域所占像素的数量,确定其中所占像素数量最大的第一型连通区域;并计数所述钢包底部轮廓内部区域所占像素的数量;
计算R 1=N max/N btm,其中,R 1为面积比值,N max为所占像素数量最大的第一型连通区域的所占像素数量,N btm为钢包底部轮廓内部区域所占像素的数量。
进一步地,承前所述的任一技术方案或多个技术方案的组合,通过以下方式计算第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值:
统计各个第二型连通区域中沿长度方向延伸的像素数量,确定其中延伸像素数量最大的第二型连通区域;并计数所述钢包侧壁局部区域的远端环轮廓或近端环轮廓周向排布的像素的数量;
计算R 2=L max/L cyl,其中,R 2为长度比值,L max为延伸像素数量最大的第二型连通区域的延伸像素数量,L cyl为远端环轮廓或近端环轮廓周向排布的像素的数量。
进一步地,承前所述的任一技术方案或多个技术方案的组合,在利用偏振相机对完成作业的钢包的内衬进行图像采集之前,还包括将所述钢包向第一方向翻转;
在结束检测之后,还包括通过以下步骤对钢包内衬进行复核:
将所述钢包复位到翻转前的位置,并向与第一方向不同的第二方向翻转;
重复执行如上所述的钢包内衬在线检测方法的步骤;
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包异常,则禁止所述钢包进入下一次作业;
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包正常,则允许所述钢包进入下一次作业。
进一步地,承前所述的任一技术方案或多个技术方案的组合,若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果不一致,则通过人工复核确认最终检测结果;
获取与所述最终检测结果不一致的情况下采集到的偏振图像,并根据所述人工复核的最终检测结果对其打标,生成一重点学习样本;
利用所述重点学习样本对钢包底部检测神经网络模型或钢包侧壁检测神经网络模型进行再训练,并更新再训练后的新模型。
根据本发明的另一方面,本发明提供了一种钢包内衬在线检测系统,包括以下模块:
偏振相机,其被配置为对完成作业的钢包的内衬进行图像采集,得到偏振图像,其中,所述完成作业的钢包内无钢水、无钢渣;
图像处理模块,其被配置为对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;
钢包底部检测神经网络模型,其被配置为对第一子图像识别,输出正常或异常的预测结果;
钢包侧壁检测神经网络模型,其被配置为对第二子图像识别,输出正常或异常的预测结果;
若所述钢包底部检测神经网络模型或钢包侧壁检测神经网络模型输出异常的预测结果,则确定钢包内衬在线检测结果为钢包异常,结束检测;
所述图像处理模块还被配置为在所述钢包底部检测神经网络模型且钢包侧壁检测神经网络模型均输出正常的预测结果的前提下,执行以下步骤:
对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域;
计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值;
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
进一步地,承前所述的任一技术方案或多个技术方案的组合,本发明提供的钢包内衬在线检测系统还包括支撑架和驱动机构,其中,所述支撑架被配置为支撑待检测的钢包;
所述驱动机构被配置为驱动所述钢包在所述支撑架上向第一方向翻转或向第二方向翻转,其中,第一方向与第二方向不同。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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本申请中记载的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的一个示例性实施例提供的钢包内衬在线检测方法的流程示意图;
图2为本发明的一个示例性实施例提供的钢包内衬在线检测系统的框架结构示意图;
图3为本发明的一个示例性实施例提供的待检测钢包内衬的偏振图像;
图4为对图3的偏振图像进行处理得到的第一子图像;
图5为对图3的偏振图像进行处理得到的第二子图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本发明的一个实施例中,提供了一种钢包内衬在线检测方法,参见图1,在线检测方法包括以下步骤:
步骤一、利用偏振相机对完成作业的钢包的内衬进行图像采集,得到偏振图像,如图3所示,其中,所述完成作业的钢包内无钢水、无钢渣。
具体地,可以将偏振相机设置在钢包的上方,在钢包倒出钢水或钢渣后,回到开口向上的位置,就对准偏振相机的镜头。
在其他实施例中,也可以将偏振相机设置在钢包的侧面,在钢包完成作业后,向第一方向翻转至钢包口对准偏振相机透镜的位置。
步骤二、利用计算处理模块对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像。
钢包底部轮廓被定义为底部边界的环,具体获取包含钢包底部轮廓的第一子图像的步骤如下:
在待识别的偏振图像遍历出灰度值低于相邻像素灰度值且灰度差值达到第三阈值的特征像素;确定由所述特征像素中的部分像素形成的环状轮廓;以其中最小的环状轮廓作为所述钢包底部轮廓;在所述待识别的偏振图像中截取所述第一子图像,如图4所示,其至少包括所述最小的环状轮廓。
钢包侧壁局部轮廓被定义为钢包侧壁的远端环轮廓与近端环轮廓,其中,远端环轮廓即为钢包底部轮廓,近端环轮廓被定义为侧壁上相对底部更靠近偏振相机的周向轮廓,本实施例中具体定义其为偏振图像中明暗交界处的环。获取包含钢包侧壁局部轮廓的第二子图像的步骤如下:
在确定由所述特征像素中的部分像素形成的环状轮廓之后,以其中最小的环状轮廓作为所述钢包侧壁局部轮廓的远端环轮廓;以其中另一环状轮廓作为所述钢包侧壁局部轮廓的近端环轮廓,所述另一环状轮廓满足:与所述最小的环状轮廓的环间距大于预设距离值的所有环状轮廓中,其与所述最小的环状轮廓的环间距最小,其中,环间距大于预设距离值用于排除钢包底部的成像出现“双环”现象而带来的误识别风险,在此前提下选取环间距最小的环状轮廓是用于排除误识别钢包开口边缘(位于偏振图像中暗区内的环)作为钢包侧壁局部轮廓的近端环轮廓的风险;在所述待识别的偏振图像中截取所述第二子图像,如图5所示,其至少包括所述钢包侧壁局部轮廓的近端环轮廓。
步骤三、将所述第一子图像输入预训练的钢包底部检测神经网络模型,将所述第二子图像输入预训练的钢包侧壁检测神经网络模型。
具体地,钢包底部检测神经网络模型和钢包侧壁检测神经网络模型可以均采用U-net卷积神经网络模型,其是一种应用于图像分割任务的神经网络模型,其特点是网络结构轻量化、所需训练集小、易于训练。
钢包底部检测神经网络模型的训练方法如下:先收集相应的学习样本,将其中75%作为训练集,其余25%作为验证集;利用训练集的样本对U-net卷积神经网络模型进行迭代学习,直至损失值降低到预设的阈值;再利用验证集对完成这一轮迭代学习的模型进行验证,如果模型的识别准确率未达到预设的分数,则将当前模型投入下一轮迭代学习,重复之前的迭代学习、收敛、验证的步骤,直至验证得到的识别准确率达到预设的分数,则模型训练完成,得到钢包底部检测神经网络模型。
具体地,用于训练所述钢包底部检测神经网络模型的学习样本通过以下方式获取:
在底部出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部出现破损的钢包的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在底部正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部正常的钢包的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
另外,钢包侧壁检测神经网络模型的训练方法与上述钢包底部检测神经网络模型的训练方法相同,区别在于训练所用学习样本有所不同,用于训练所述钢包侧壁检测神经网络模型的学习样本通过以下方式获取:
在侧壁出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,如图5所示,并为处理后的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在侧壁正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,如图5所示,并为处理后的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
本实施例中,采用两个检测模型各司其职于钢包不同部位的检测:钢包底部检测神经网络模型对应的学习样本的图像中75%以上为钢包底部区域的内容,以此来专注学习钢包底部异常的特征;
钢包侧壁检测神经网络模型对应的学习样本的图像中,将远端环轮廓内部和近端环轮廓外部均填充为与环间色有明显差异的颜色,目的是为了使模型专注学习远端环轮廓与近端环轮廓之间区域的异常特征。
本发明利用钢包底部异常与侧壁异常的区别,来组建不同的学习样本分别训练底部检测模型和侧壁检测模型,不仅可以使两个模型各自快速收敛而投入使用,还可以使得各自模型因高专注度学习而提高两个模型综合的检测精度。
对比例:同样采用U-net卷积神经网络模型,以拍摄钢包内部的偏振图像为学习样本图像执行相同的训练步骤,但与本申请实施例不同的是,不对该样本图像中的侧壁和底部进行分割和区分,样本标签仅标注样本图像中是否存在缺陷,但不区分缺陷出现的位置在钢包侧壁还是钢包底部。
对比例与本申请实施例的对比结果:对比例的迭代学习效率比本实施例低,即收敛速度慢,完成训练所耗时间长;利用相同的测试样本集分别对完成训练的对比例模型和本实施例模型进行识别测试,本实施例的钢包底部检测神经网络模型和钢包侧壁检测神经网络模型的检测结果准确率明显高于对比例模型的识别准确率,在训练集的样本数量在4000至5000范围的情况下,对比例模型的训练所需时间为本实施例中依次训练钢包底部检测神经网络模型、钢包侧壁检测神经网络模型训练耗费总时长的三倍以上;与本实施例模型检测精度相比,对比例模型的检测精度约低六个百分点。
若所述钢包底部检测神经网络模型、钢包侧壁检测神经网络模型中任一者的输出结果为异常,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则继续执行以下步骤;
步骤四、对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域。
具体通过以下方式获取所述第一型异常像素:
计算所述第一子图像中钢包底部轮廓内部的像素的灰度平均值;将所述钢包底部轮廓内部的灰度值偏离所述灰度平均值超过第四阈值的像素确定为第一型异常像素。
并且,遍历各个所述第一型异常像素,将任意相邻的两个第一型异常像素归纳至同一第一型连通区域,包括:以一目标第一型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第一型异常像素与所述目标第一型异常像素归纳至同一第一型连通区域。
具体通过以下方式获取所述第二型异常像素:
计算所述第二子图像中钢包侧壁局部轮廓的远端环轮廓与近端环轮廓之间区域的像素的灰度平均值;将所述远端环轮廓与近端环轮廓之间区域的灰度值偏离所述灰度平均值超过第五阈值的像素确定为第二型异常像素。
并且,遍历各个所述第二型异常像素,将任意相邻的两个第二型异常像素归纳至同一第二型连通区域,包括:以一目标第二型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第二型异常像素与所述目标第二型异常像素归纳至同一第二型连通区域。
步骤五、计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值。
具体地,通过以下方式计算第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值:
统计各个第一型连通区域所占像素的数量,确定其中所占像素数量最大的第一型连通区域;并计数所述钢包底部轮廓内部区域所占像素的数量;计算R 1=N max/N btm,其中,R 1为面积比值,N max为所占像素数量最大的第一型连通区域的所占像素数量,N btm为钢包底部轮廓内部区域所占像素的数量。
通过以下方式计算第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值:
统计各个第二型连通区域中沿长度方向延伸的像素数量,确定其中延伸像素数量最大的第二型连通区域;并计数所述钢包侧壁局部区域的远端环轮廓或近端环轮廓周向排布的像素的数量;计算R 2=L max/L cyl,其中,R 2为长度比值,L max为延伸像素数量最大的第二型连通区域的延伸像素数量,L cyl为远端环轮廓或近端环轮廓周向排布的像素的数量。
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
本发明利用钢包底部异常通常呈块状特性、而侧壁异常通常称缝状特性的区别,来设定第一型连通区域、第二型连通区域各自不同的判断条件,以此在神经网络模型漏检的情况下可以为检测结果查漏补缺,使得整体得到更精确的钢包破损检测结果。
在本发明的一个实施例中,在利用偏振相机对完成作业的钢包的内衬进行图像采集之前,还包括将所述钢包向第一方向翻转;
在结束检测之后,还包括通过以下步骤对钢包内衬进行复核:
将所述钢包复位到翻转前的位置,并向与第一方向不同的第二方向翻转(图2中示出了向两个不同方向翻转的钢包相对于偏振相机的不同方位);
重复执行如上所述的钢包内衬在线检测方法的步骤一至步骤五;
利用不同于第一方向的第二方向来复核钢包内衬的检测结果,可以避免钢包因特定角度成像局限性而导致检测结果不够客观准确,并且本发明不排除设置第三方向来进行二次复核,在此不再赘述。若两次检测结果一致,则确定其为最终检测结果,具体分为:
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包异常,则禁止所述钢包进入下一次作业;
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包正常,则允许所述钢包进入下一次作业。
还有另一种情况是两侧检测结果不一致,即所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果不一致,则通过人工复核确认最终检测结果;
获取与所述最终检测结果不一致的情况下采集到的偏振图像,并根据所述人工复核的最终检测结果对其打标,生成一重点学习样本;
利用所述重点学习样本对钢包底部检测神经网络模型或钢包侧壁检测神经网络模型进行再训练,并更新再训练后的新模型。
将确定当前检测结果有误的偏振图像处理成学习样本,用来继续训练神经网络模型,可以有效地提高模型识别结果的准确率。在本发明的一个实施例中,提供了一种钢包内衬在线检测系统,参见图2,包括以下模块:
偏振相机,其被配置为对完成作业的钢包的内衬进行图像采集,得到偏振图像,其中,所述完成作业的钢包内无钢水、无钢渣;
图像处理模块,其被配置为对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;
钢包底部检测神经网络模型,其被配置为对第一子图像识别,输出正常或异常的预测结果;
钢包侧壁检测神经网络模型,其被配置为对第二子图像识别,输出正常或异常的预测结果;
若所述钢包底部检测神经网络模型或钢包侧壁检测神经网络模型输出异常的预测结果,则确定钢包内衬在线检测结果为钢包异常,结束检测;
所述图像处理模块还被配置为在所述钢包底部检测神经网络模型且钢包侧壁检测神经网络模型均输出正常的预测结果的前提下,执行以下步骤:
对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域;
计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值;
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
进一步地,承前所述的任一技术方案或多个技术方案的组合,本发明提供的钢包内衬在线检测系统还包括支撑架和驱动机构,其中,所述支撑架被配置为支撑待检测的钢包;
所述驱动机构被配置为驱动所述钢包在所述支撑架上向第一方向翻转或向第二方向翻转,其中,第一方向与第二方向不同。
本发明实施例提供的钢包内衬在线检测系统实施例与上述实施例的钢包内衬在线检测系统方法属于相同的发明构思,在此将上述方法实施例的全部内容通过引用的方式并入本系统实施例;反之,本系统实施例提及的结构能够支撑上述方法实施例的实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种钢包内衬在线检测方法,其特征在于,包括以下步骤:
利用偏振相机对完成作业的钢包的内衬进行图像采集,得到偏振图像,其中,所述完成作业的钢包内无钢水、无钢渣;
利用计算处理模块对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;
将所述第一子图像输入预训练的钢包底部检测神经网络模型,将所述第二子图像输入预训练的钢包侧壁检测神经网络模型;
若所述钢包底部检测神经网络模型、钢包侧壁检测神经网络模型中任一者的输出结果为异常,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则继续执行以下步骤;
对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域;
计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值;
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
2.根据权利要求1所述的钢包内衬在线检测方法,其特征在于,用于训练所述钢包底部检测神经网络模型的学习样本通过以下方式获取:
在底部出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部出现破损的钢包的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在底部正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包底部的偏振图像,并使钢包底部区域在偏振图像上的占比达到75%以上;为底部正常的钢包的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
3.根据权利要求1所述的钢包内衬在线检测方法,其特征在于,用于训练所述钢包侧壁检测神经网络模型的学习样本通过以下方式获取:
在侧壁出现破损的钢包上模拟各种作业环境,且调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,并为处理后的各个偏振图像分别添加异常类型的标签,得到一部分学习样本;
在侧壁正常的钢包完成作业后,调节钢包与偏振相机的方位,拍摄多张钢包内部的偏振图像,并在偏振图像上确定钢包侧壁的远端环轮廓和近端环轮廓;将各个偏振图像中远端环轮廓内部和近端环轮廓外部的像素填充为统一色,并为处理后的各个偏振图像分别添加正常类型的标签,得到另一部分学习样本。
4.根据权利要求1所述的钢包内衬在线检测方法,其特征在于,通过以下方式获取包含钢包底部轮廓的第一子图像:
在待识别的偏振图像遍历出灰度值低于相邻像素灰度值且灰度差值达到第三阈值的特征像素;
确定由所述特征像素中的部分像素形成的环状轮廓;
以其中最小的环状轮廓作为所述钢包底部轮廓;
在所述待识别的偏振图像中截取所述第一子图像,其至少包括所述最小的环状轮廓。
5.根据权利要求4所述的钢包内衬在线检测方法,其特征在于,通过以下方式获取包含钢包侧壁局部轮廓的第二子图像:
在确定由所述特征像素中的部分像素形成的环状轮廓之后,以其中最小的环状轮廓作为所述钢包侧壁局部轮廓的远端环轮廓;
以其中另一环状轮廓作为所述钢包侧壁局部轮廓的近端环轮廓,所述另一环状轮廓满足:与所述最小的环状轮廓的环间距大于预设距离值的所有环状轮廓中,其与所述最小的环状轮廓的环间距最小;
在所述待识别的偏振图像中截取所述第二子图像,其至少包括所述钢包侧壁局部轮廓的近端环轮廓。
6.根据权利要求4所述的钢包内衬在线检测方法,其特征在于,通过以下方式获取所述第一型异常像素:
计算所述第一子图像中钢包底部轮廓内部的像素的灰度平均值;
将所述钢包底部轮廓内部的灰度值偏离所述灰度平均值超过第四阈值的像素确定为第一型异常像素。
7.根据权利要求5所述的钢包内衬在线检测方法,其特征在于,通过以下方式获取所述第二型异常像素:
计算所述第二子图像中钢包侧壁局部轮廓的远端环轮廓与近端环轮廓之间区域的像素的灰度平均值;
将所述远端环轮廓与近端环轮廓之间区域的灰度值偏离所述灰度平均值超过第五阈值的像素确定为第二型异常像素。
8.根据权利要求1至7中任一项所述的钢包内衬在线检测方法,其特征在于,通过以下方式提取所述第一型连通区域和/或第二型连通区域:
遍历各个所述第一型异常像素,将任意相邻的两个第一型异常像素归纳至同一第一型连通区域,包括:以一目标第一型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第一型异常像素与所述目标第一型异常像素归纳至同一第一型连通区域;
和/或,遍历各个所述第二型异常像素,将任意相邻的两个第二型异常像素归纳至同一第二型连通区域,包括:以一目标第二型异常像素为中心像素确定九宫格像素,将九宫格像素中周向排布的八个像素中属于第二型异常像素与所述目标第二型异常像素归纳至同一第二型连通区域。
9.根据权利要求8所述的钢包内衬在线检测方法,其特征在于,通过以下方式计算第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值:
统计各个第一型连通区域所占像素的数量,确定其中所占像素数量最大的第一型连通区域;并计数所述钢包底部轮廓内部区域所占像素的数量;
计算R 1=N max/N btm,其中,R 1为面积比值,N max为所占像素数量最大的第一型连通区域的所占像素数量,N btm为钢包底部轮廓内部区域所占像素的数量。
10.根据权利要求8所述的钢包内衬在线检测方法,其特征在于,通过以下方式计算第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值:
统计各个第二型连通区域中沿长度方向延伸的像素数量,确定其中延伸像素数量最大的第二型连通区域;并计数所述钢包侧壁局部区域的远端环轮廓或近端环轮廓周向排布的像素的数量;
计算R 2=L max/L cyl,其中,R 2为长度比值,L max为延伸像素数量最大的第二型连通区域的延伸像素数量,L cyl为远端环轮廓或近端环轮廓周向排布的像素的数量。
11.根据权利要求1至7中任一项所述的钢包内衬在线检测方法,其特征在于,在利用偏振相机对完成作业的钢包的内衬进行图像采集之前,还包括将所述钢包向第一方向翻转;
在结束检测之后,还包括通过以下步骤对钢包内衬进行复核:
将所述钢包复位到翻转前的位置,并向与第一方向不同的第二方向翻转;
重复执行如权利要求1所述的钢包内衬在线检测方法的步骤;
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包异常,则禁止所述钢包进入下一次作业;
若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果均为钢包正常,则允许所述钢包进入下一次作业。
12.根据权利要求11所述的钢包内衬在线检测方法,其特征在于,若所述钢包向第一方向翻转和向第二方向翻转情况下的钢包内衬在线检测结果不一致,则通过人工复核确认最终检测结果;
获取与所述最终检测结果不一致的情况下采集到的偏振图像,并根据所述人工复核的最终检测结果对其打标,生成一重点学习样本;
利用所述重点学习样本对钢包底部检测神经网络模型或钢包侧壁检测神经网络模型进行再训练,并更新再训练后的新模型。
13.一种钢包内衬在线检测系统,其特征在于,包括以下模块:
偏振相机,其被配置为对完成作业的钢包的内衬进行图像采集,得到偏振图像,其中,所述完成作业的钢包内无钢水、无钢渣;
图像处理模块,其被配置为对所述偏振图像进行轮廓识别,得到包含钢包底部轮廓的第一子图像及包含钢包侧壁局部轮廓的第二子图像;
钢包底部检测神经网络模型,其被配置为对第一子图像识别,输出正常或异常的预测结果;
钢包侧壁检测神经网络模型,其被配置为对第二子图像识别,输出正常或异常的预测结果;
若所述钢包底部检测神经网络模型或钢包侧壁检测神经网络模型输出异常的预测结果,则确定钢包内衬在线检测结果为钢包异常,结束检测;
所述图像处理模块还被配置为在所述钢包底部检测神经网络模型且钢包侧壁检测神经网络模型均输出正常的预测结果的前提下,执行以下步骤:
对所述第一子图像进行像素分析,得到所述钢包底部轮廓内部的第一型异常像素,提取相邻第一型异常像素所组成的一个或多个第一型连通区域;对所述第二子图像进行像素分析,得到所述钢包侧壁局部轮廓内部的第二型异常像素,提取相邻第二型异常像素所组成的一个或多个第二型连通区域;
计算各个第一型连通区域的面积与所述钢包底部轮廓内部区域面积的面积比值;计算各个第二型连通区域的长度与所述钢包侧壁局部轮廓长度的长度比值;
若所述面积比值达到预设的第一阈值,或所述长度比值达到预设的第二阈值,则确定钢包内衬在线检测结果为钢包异常,结束检测;否则确定钢包内衬在线检测结果为钢包正常,结束检测。
14.根据权利要求13所述的钢包内衬在线检测系统,其特征在于,还包括支撑架和驱动机构,其中,所述支撑架被配置为支撑待检测的钢包;
所述驱动机构被配置为驱动所述钢包在所述支撑架上向第一方向翻转或向第二方向翻转,其中,第一方向与第二方向不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064806.0A CN117611579B (zh) | 2024-01-17 | 2024-01-17 | 一种钢包内衬在线检测方法及在线检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064806.0A CN117611579B (zh) | 2024-01-17 | 2024-01-17 | 一种钢包内衬在线检测方法及在线检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611579A CN117611579A (zh) | 2024-02-27 |
CN117611579B true CN117611579B (zh) | 2024-04-02 |
Family
ID=89946533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064806.0A Active CN117611579B (zh) | 2024-01-17 | 2024-01-17 | 一种钢包内衬在线检测方法及在线检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611579B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051298A (zh) * | 2020-09-09 | 2020-12-08 | 飞础科智慧科技(上海)有限公司 | 钢包表面故障诊断方法及设备 |
CN113052828A (zh) * | 2021-04-01 | 2021-06-29 | 王生 | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 |
CN116977280A (zh) * | 2023-06-21 | 2023-10-31 | 兰州交通大学 | 基于改进UPerNet与连通域分析的轨面缺陷检测方法 |
-
2024
- 2024-01-17 CN CN202410064806.0A patent/CN117611579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051298A (zh) * | 2020-09-09 | 2020-12-08 | 飞础科智慧科技(上海)有限公司 | 钢包表面故障诊断方法及设备 |
CN113052828A (zh) * | 2021-04-01 | 2021-06-29 | 王生 | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 |
CN116977280A (zh) * | 2023-06-21 | 2023-10-31 | 兰州交通大学 | 基于改进UPerNet与连通域分析的轨面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117611579A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
US11605169B2 (en) | Method and system for detecting flow velocity of high-temperature molten fluid | |
CN112017145B (zh) | 一种高效的铁水预处理自动扒渣方法和系统 | |
CN106017691A (zh) | 非接触式熔融金属溶液温度连续检测方法及系统 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN115797358B (zh) | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 | |
EP2302358B1 (en) | Device for determining quality of steel material and method for determining quality of steel material | |
CN106670449A (zh) | 一种铁水扒渣测控方法 | |
CN110632110A (zh) | X荧光光谱仪钢铁样品表面缺陷的视觉识别装置及方法 | |
CN117611579B (zh) | 一种钢包内衬在线检测方法及在线检测系统 | |
KR20100128501A (ko) | 철강공정 내부 크랙 및 중심편석 판정 방법 | |
CN110956180B (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
US10677736B2 (en) | Method of determining a chemical composition of a slag portion | |
CN112458231B (zh) | 一种转炉下渣检测方法及系统 | |
CN113063474A (zh) | 一种渣液面实时检测方法、装置、设备及存储介质 | |
CN112091206B (zh) | 一种安全可靠的铁水预处理自动扒渣方法和系统 | |
CN114623935A (zh) | 基于红外热成像仪成像数据的钢包准投准停模型应用方法 | |
CN113714496B (zh) | 钢包底吹氩故障诊断方法、装置及存储介质 | |
CN114998254A (zh) | 一种连铸坯中心偏析自动评级的方法及系统 | |
JP7256365B2 (ja) | スラグの定量化方法 | |
CN114842383A (zh) | 一种基于dvrl-vst的电熔镁炉工况视频识别方法 | |
JP7356010B2 (ja) | 表面性状検査装置及び表面性状検査方法 | |
CN112501367A (zh) | 一种定量推定高炉出铁时铁水硅硫含量的方法和系统 | |
EP1558062B1 (en) | Method for monitoring wear of an electrode | |
CN111079537B (zh) | 转炉冶炼工况的识别方法、系统、机器可读介质及设备 |
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 |