CN111311670B - 一种基于图像识别的冷床冲顶识别方法、***及设备 - Google Patents

一种基于图像识别的冷床冲顶识别方法、***及设备 Download PDF

Info

Publication number
CN111311670B
CN111311670B CN202010101697.7A CN202010101697A CN111311670B CN 111311670 B CN111311670 B CN 111311670B CN 202010101697 A CN202010101697 A CN 202010101697A CN 111311670 B CN111311670 B CN 111311670B
Authority
CN
China
Prior art keywords
detection
region
cold bed
image
target
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
Application number
CN202010101697.7A
Other languages
English (en)
Other versions
CN111311670A (zh
Inventor
庞殊杨
刘睿
张超杰
芦莎
许怀文
贾鸿盛
毛尚伟
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology 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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202010101697.7A priority Critical patent/CN111311670B/zh
Publication of CN111311670A publication Critical patent/CN111311670A/zh
Application granted granted Critical
Publication of CN111311670B publication Critical patent/CN111311670B/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
    • G06T7/60—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的冷床冲顶识别方法，包括：获取目标区域的图像；根据获取的目标区域的图像设置感兴趣区域；对所述感兴趣区域进行目标检测，获得一个或多个检测目标；确定所述一个或多个检测目标在所述感兴趣区域中的位置；根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶。本发明无需人工参与，对于先前主要依靠人工目测的冷床冲顶识别方法大大提升了工作效率，通过视觉算法进行一系列图像处理实现冷床出钢钢材的识别，解决现有冷床冲顶识别效率低影响冷床出钢的钢材质量的问题，避免了由人工参与带来的一系列问题。

Description

一种基于图像识别的冷床冲顶识别方法、***及设备
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种基于图像识别的冷床冲顶识别方法及***。
背景技术
在钢铁冶金领域的冶炼过程中，冷床是生产中的关键设备，它能将轧机轧制后经飞剪剪切成倍尺长度的棒材,输送并卸到冷床齿条上冷却，一旦发生故障或误操作，就会造成全线停车停产，使得生产不能正常进行。在使用冷床对轧制产品如螺纹钢和钢管的过程中，会出现冷床出钢的钢材冲顶的情况，即冷床冲顶，一旦发生冷床冲顶的情况，必须要及时进行处理。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于图像识别的冷床冲顶识别方法及***，用于解决现有技术的缺陷。
为实现上述目的及其他相关目的，本发明提供一种基于图像识别的冷床冲顶识别方法，包括：
获取目标区域的图像；
根据获取的目标区域的图像设置感兴趣区域；
对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
确定所述一个或多个检测目标在所述感兴趣区域中的位置；
根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶。
可选地，当冷床出钢的钢材长度大于冷床的长度，则说明发生冷床冲顶的情况。
可选地，还包括：
对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
获取所述检测目标的一个或多个二值化图像的最***轮廓。
可选地，还包括：
计算所述一个或多个检测目标的最***轮廓的轮廓面积；
根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
获取符合所述预设条件的轮廓的边界矩形框；
根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
可选地，所述预设条件为检测目标的最***轮廓的轮廓面积大于设定像素点。
可选地，基于所述检测目标的最***轮廓的拐点信息得到每个最***轮廓的轮廓面积。
为实现上述目的及其他相关目的，本发明提供一种基于图像识别的冷床冲顶识别***，包括：
图像获取模块，用于获取目标区域的图像；
设置模块，用于根据获取的目标区域的图像设置感兴趣区域；
目标检测模块，用于对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
第一位置确定模块，用于确定所述一个或多个检测目标在所述感兴趣区域中的位置；
出钢长度获取模块，用于根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
判断模块，用于根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶。
可选地，还包括：
灰度处理模块，用于对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
二值化处理模块，用于对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
轮廓获取模块，用于获取所述检测目标的一个或多个二值化图像的最***轮廓。
可选地，还包括：
轮廓检测模块，用于计算所述一个或多个检测目标的最***轮廓的轮廓面积；
筛选模块，用于根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
边界获取模块，用于获取符合所述预设条件的轮廓的边界矩形框；
第二位置确定模块，用于根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
为实现上述目的及其他相关目的，本发明提供一种设备，包括：
处理器；和
其上存储有指令的机器可读介质，当所述处理器执行时，使得所述设备执行所述的方法。
如上所述，本发明的一种基于图像识别的冷床冲顶识别方法及***，具有以下有益效果：
本发明无需人工参与，对于先前主要依靠人工目测的冷床冲顶识别方法大大提升了工作效率，通过视觉算法进行一系列图像处理实现冷床出钢钢材的识别，解决现有冷床冲顶识别效率低影响冷床出钢的钢材质量的问题，避免了由人工参与带来的一系列问题，代替人工对冷床冲顶异常情况的识别判断并进行快速、准确的检测识别，无需人工参与，实现了工业场景智能化、效率化、精准化。
附图说明
图1为本发明一实施例一种基于图像识别的冷床冲顶识别方法的流程图；
图2为本发明另一实施例一种基于图像识别的冷床冲顶识别方法的示意图；
图3为本发明又一实施例一种基于图像识别的冷床冲顶识别方法的示意图；
图4为本发明一实施例一种基于图像识别的冷床冲顶识别***的示意图；
图5为本发明另一实施例一种基于图像识别的冷床冲顶识别***的示意图；
图6为本发明又一实施例一种基于图像识别的冷床冲顶识别***的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本实施例中的一种基于图像识别的冷床冲顶识别方法，包括：
S11获取目标区域的图像；
S12根据获取的目标区域的图像设置感兴趣区域；
S13对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
S14确定所述一个或多个检测目标在所述感兴趣区域中的位置；
S15根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
S16根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶。
本发明使用的基于图像识别的视觉算法，能够较好地提取输入图像的特征，对该场景状态下的钢材图像能够准确流畅地进行识别，根据识别出的钢材坐标位置获取冷床出钢的长度，判断是否发生冷床钢材冲顶，实现炼钢过程中冷床冲顶情况的及时报警，效果极佳。
在本实施例中，目标区域为包含了整个冷床的区域。可以通过摄像机等图像采集装置对监控区域进行图像采集。
在本实施例中，基于获取的目标区域图像设置感兴趣区域，感兴趣区域为冷床出钢区域。
由于，本发明是判断冷床钢材是否发生冲顶的情况，因此，需要检测出具体的钢材。在本实施例中，将钢材作为检测目标，检测具体的钢材就是检测感兴趣区域中的一个或多个检测目标。
在本实施例中，判断是否发生冷床钢材冲顶的情况就是判断冷床出钢的钢材长度与冷床的长度的大小，若冷床出钢的钢材长度大于冷床的长度，则说明发生冷床冲顶的情况。若发生冷床冲顶的情况，则要及时报警并进行处理。
在一实施例中，如图2所示，冷床冲顶识别方法还包括：
S21对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
S22对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
S23获取所述检测目标的一个或多个二值化图像的最***轮廓。
在一实施例中，所述图像二值化处理包括：
图像二值化处理方法是通过遍历灰度图中的所有像素点，将图像信息二值化，处理过后的图片只有黑白两种颜色。当灰度图中像素点的灰度值大于设定阈值时，灰度值取最大阈值maxval，一般为255对应颜色为白色，否则设置灰度值取0，对应颜色为黑色，具体的公式如下：
其中，dst表示得到的结果图像，x表示当前像素点的横坐标，y表示当前像素点的纵坐标，maxvl表示最大阈值，一般为255，src表示输入的原单通道图像，thresh表示设置的阈值。
在一实施例中，如图3所示，冷床冲顶识别方法还包括：
S31计算所述一个或多个检测目标的最***轮廓的轮廓面积；
S32根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
S33获取符合所述预设条件的轮廓的边界矩形框；
S34根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
其中，所述预设条件为检测目标的最***轮廓的轮廓面积大于设定像素点。
在一实施例中，基于所述检测目标的最***轮廓的拐点信息得到每个最***轮廓的轮廓面积。
检测二值化处理后的检测目标的最***轮廓，忽略轮廓内的内围轮廓，然后只保存轮廓的拐点信息，根据得到的轮廓拐点信息计算每个最***轮廓的轮廓面积，最后根据轮廓面积与预设条件筛选出符合要求的轮廓。删除像素点个数小于或等于n的最***轮廓，保留像素点个数大于n的最***轮廓，具体的筛选条件即n的取值需根据具体的工业场景状态设定，例如本实施案例中n的取值设为500，最终保留了大于500个像素点的最***轮廓。
在本实施例中，首先通过摄像头实时获取图片，将单幅该场景下的钢材图像作为输入，通过图像识别算法自动对图像进行处理，识别钢材特征，最终输出该冷床出钢钢材的坐标位置。根据识别出的钢材坐标位置获取冷床出钢的钢材长度，判断是否发生冷床钢材冲顶的异常情况。若冷床出钢的钢材长度大于冷床的长度，则说明发生冷床冲顶情况。当现场实时视频中识别出的冷床出钢的钢材长度，即识别矩形框的宽度不小于原输入图像宽度的98％(具体的阈值条件可根据具体的工业场景情况进行调整)，则视为冷床冲顶情况，实现了冷床钢材冲顶的及时报警。
本发明基于图像识别的冷床冲顶识别方法，实现无人工参与对工业场景下的冷床钢材冲顶识别，冷床钢材冲顶的识别准确率在99％以上，在实际使用冷床对轧制产品有效进行冷却的工业场景下，效果显著，在对冷床冲顶识别的技术领域有了前所未有的飞跃，提高了钢厂炼钢的质量和生产效率。
如图4所示，一种基于图像识别的冷床冲顶识别***，包括：
图像获取模块11，用于获取目标区域的图像；
设置模块12，用于根据获取的目标区域的图像设置感兴趣区域；
目标检测模块13，用于对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
第一位置确定模块14，用于确定所述一个或多个检测目标在所述感兴趣区域中的位置；
出钢长度获取模块15，用于根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
判断模块16，用于根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶。
在一实施例中，如图5所示，冷床冲顶识别***还包括：
灰度处理模块21，用于对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
二值化处理模块22，用于对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
轮廓获取模块23，用于获取所述检测目标的一个或多个二值化图像的最***轮廓。
在一实施例中，如图6所示，冷床冲顶识别***还包括：
轮廓检测模块31，用于计算所述一个或多个检测目标的最***轮廓的轮廓面积；
筛选模块32，用于根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
边界获取模块33，用于获取符合所述预设条件的轮廓的边界矩形框；
第二位置确定模块34，用于根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例的内容请参见方法部分的实施例的描述，这里暂不赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种基于图像识别的冷床冲顶识别方法，其特征在于，包括：
获取目标区域的图像；
根据获取的目标区域的图像设置感兴趣区域；
对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
确定所述一个或多个检测目标在所述感兴趣区域中的位置；
根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶；
当冷床出钢的钢材长度大于冷床的长度，则说明发生冷床冲顶的情况。
2.根据权利要求1所述的基于图像识别的冷床冲顶识别方法，其特征在于，还包括：
对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
获取所述检测目标的一个或多个二值化图像的最***轮廓。
3.根据权利要求2所述的基于图像识别的冷床冲顶识别方法，其特征在于，还包括：
计算所述一个或多个检测目标的最***轮廓的轮廓面积；
根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
获取符合所述预设条件的轮廓的边界矩形框；
根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
4.根据权利要求3所述的基于图像识别的冷床冲顶识别方法，其特征在于，所述预设条件为检测目标的最***轮廓的轮廓面积大于设定像素点。
5.根据权利要求3所述的基于图像识别的冷床冲顶识别方法，其特征在于，基于所述检测目标的最***轮廓的拐点信息得到每个最***轮廓的轮廓面积。
6.一种基于图像识别的冷床冲顶识别***，其特征在于，包括：
图像获取模块，用于获取目标区域的图像；
设置模块，用于根据获取的目标区域的图像设置感兴趣区域；
目标检测模块，用于对所述感兴趣区域进行目标检测，获得一个或多个检测目标；
第一位置确定模块，用于确定所述一个或多个检测目标在所述感兴趣区域中的位置；
出钢长度获取模块，用于根据所述一个或多个检测目标在感兴趣区域中的位置获取冷床出钢的长度；
判断模块，用于根据冷床出钢的钢材长度判断是否发生冷床钢材冲顶，当冷床出钢的钢材长度大于冷床的长度，则说明发生冷床冲顶的情况。
7.根据权利要求6所述的基于图像识别的冷床冲顶识别***，其特征在于，还包括：
灰度处理模块，用于对所述一个或多个检测目标进行灰度化处理，得到检测目标的一个或多个灰度图；
二值化处理模块，用于对所述检测目标的一个或多个灰度图进行图像二值化处理，得检测目标的一个或多个二值化图像；
轮廓获取模块，用于获取所述检测目标的一个或多个二值化图像的最***轮廓。
8.根据权利要求7所述的基于图像识别的冷床冲顶识别***，其特征在于，还包括：
轮廓检测模块，用于计算所述一个或多个检测目标的最***轮廓的轮廓面积；
筛选模块，用于根据所述一个或多个检测目标的最***轮廓的轮廓面积筛选出符合预设条件的轮廓；
边界获取模块，用于获取符合所述预设条件的轮廓的边界矩形框；
第二位置确定模块，用于根据符合所述预设条件的轮廓的边界矩形框得到一个或多个检测目标在感兴趣区域中的位置。
9.一种电子设备，其特征在于，包括：
处理器；和
其上存储有指令的机器可读介质，当所述处理器执行时，使得所述设备执行如权利要求1-5中所述的方法。
CN202010101697.7A 2020-02-19 2020-02-19 一种基于图像识别的冷床冲顶识别方法、***及设备 Active CN111311670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101697.7A CN111311670B (zh) 2020-02-19 2020-02-19 一种基于图像识别的冷床冲顶识别方法、***及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101697.7A CN111311670B (zh) 2020-02-19 2020-02-19 一种基于图像识别的冷床冲顶识别方法、***及设备

Publications (2)

Publication Number Publication Date
CN111311670A CN111311670A (zh) 2020-06-19
CN111311670B true CN111311670B (zh) 2023-09-19

Family

ID=71149213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101697.7A Active CN111311670B (zh) 2020-02-19 2020-02-19 一种基于图像识别的冷床冲顶识别方法、***及设备

Country Status (1)

Country Link
CN (1) CN111311670B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968104B (zh) * 2020-08-27 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种基于机器视觉的钢卷异常识别方法、***、设备及介质
CN112037194B (zh) * 2020-08-31 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种冷床乱钢检测方法、***、设备及介质
CN112053336B (zh) * 2020-08-31 2023-05-26 中冶赛迪信息技术(重庆)有限公司 一种棒材对齐检测方法、***、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1919712A (zh) * 2006-09-20 2007-02-28 浙江工业大学 基于图像识别技术的电梯安全防范装置
WO2012006617A2 (en) * 2010-07-09 2012-01-12 Methode Electronics, Inc. Optical analyte measurement
TW201351178A (zh) * 2012-06-04 2013-12-16 China Steel Corp 小鋼胚剝片偵測方法
CN103466480A (zh) * 2012-09-27 2013-12-25 中联重科股份有限公司 监测吊钩位置及防止吊钩冲顶的方法、***及起重机
CN108356422A (zh) * 2017-01-23 2018-08-03 宝山钢铁股份有限公司 带卷连续激光落料用在线测量、废料掉落及成品分离识别方法
CN109520711A (zh) * 2017-09-19 2019-03-26 宝山钢铁股份有限公司 一种检测激光刻痕设备中异常镜片的方法
CN110293138A (zh) * 2019-07-17 2019-10-01 山东钢铁集团有限公司 一种在线测量轧制后热态钢板长度的***及方法
CN110378218A (zh) * 2019-06-13 2019-10-25 大亚湾核电运营管理有限责任公司 一种图像处理方法、装置及终端设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6664163B2 (ja) * 2015-08-05 2020-03-13 キヤノン株式会社 画像識別方法、画像識別装置及びプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1919712A (zh) * 2006-09-20 2007-02-28 浙江工业大学 基于图像识别技术的电梯安全防范装置
WO2012006617A2 (en) * 2010-07-09 2012-01-12 Methode Electronics, Inc. Optical analyte measurement
TW201351178A (zh) * 2012-06-04 2013-12-16 China Steel Corp 小鋼胚剝片偵測方法
CN103466480A (zh) * 2012-09-27 2013-12-25 中联重科股份有限公司 监测吊钩位置及防止吊钩冲顶的方法、***及起重机
CN108356422A (zh) * 2017-01-23 2018-08-03 宝山钢铁股份有限公司 带卷连续激光落料用在线测量、废料掉落及成品分离识别方法
CN109520711A (zh) * 2017-09-19 2019-03-26 宝山钢铁股份有限公司 一种检测激光刻痕设备中异常镜片的方法
CN110378218A (zh) * 2019-06-13 2019-10-25 大亚湾核电运营管理有限责任公司 一种图像处理方法、装置及终端设备
CN110293138A (zh) * 2019-07-17 2019-10-01 山东钢铁集团有限公司 一种在线测量轧制后热态钢板长度的***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于结构光的棒材自动计数技术;梁治国 等;《钢铁》;第40卷(第10期);55-58 *

Also Published As

Publication number Publication date
CN111311670A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111311670B (zh) 一种基于图像识别的冷床冲顶识别方法、***及设备
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN112348784A (zh) 相机镜头的状态检测方法、装置、设备及存储介质
CN109724776B (zh) 一种烧结机台车的篦条损坏程度的确定方法及装置
CN113808087A (zh) 钢板表面的缺陷管控方法、装置及计算机可读存储介质
CN112364740A (zh) 一种基于计算机视觉的无人机房监控方法及***
CN113781396A (zh) 屏幕缺陷检测方法、装置、设备和存储介质
CN111583258B (zh) 缺陷检测方法、装置、***及存储介质
CN116152261A (zh) 一种印刷制品质量的视觉检测***
CN109954854B (zh) 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端
CN114581415A (zh) Pcb缺陷的检测方法、装置、计算机设备及存储介质
CN111681227B (zh) 一种飞剪机器异常的判断方法、***、电子设备及介质
CN116434346B (zh) 无人值守商店内顾客行为的检测方法、装置及存储介质
CN111768390B (zh) 一种基于图像识别的篦冷机红河识别方法
CN113063474A (zh) 一种渣液面实时检测方法、装置、设备及存储介质
CN112364884A (zh) 一种移动物体侦测的方法
CN115761611A (zh) 基于图像对比异常检测的多阶段多底图图像差异过滤方法
CN113284115B (zh) 一种钢卷塔形识别方法、***、介质和终端
CN115861236A (zh) 滴漏事件的确定方法及装置、存储介质、电子装置
CN111935480B (zh) 一种用于图像获取装置的检测方法及相关装置
CN114723728A (zh) 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及***
CN110310223B (zh) 一种紫外光与可见光图像的融合方法
CN114943720A (zh) 一种电力图像处理方法及装置
CN112308848A (zh) 一种废钢货车挡板状态识别方法、***、电子设备及介质

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
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant