CN111429425B - 一种基于深度学习的轧机入口异常识别方法 - Google Patents
一种基于深度学习的轧机入口异常识别方法 Download PDFInfo
- Publication number
- CN111429425B CN111429425B CN202010201714.4A CN202010201714A CN111429425B CN 111429425 B CN111429425 B CN 111429425B CN 202010201714 A CN202010201714 A CN 202010201714A CN 111429425 B CN111429425 B CN 111429425B
- Authority
- CN
- China
- Prior art keywords
- rolling mill
- deep learning
- billet
- steel
- inlet
- 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
Images
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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度学习的轧机入口咬钢异常识别方法,包括:根据轧机入口的钢坯样本图像获取异常识别模型;将所述轧机入口的实时钢坯图像输入所述异常识别模型,获取钢坯在所述轧机入口处的移动状态,并根据所述移动状态获取异常信息;本发明可有效避免人工参与的一系列问题,准确识别异常,有效保障钢坯质量。
Description
技术领域
本发明涉及钢铁冶金领域,尤其涉及一种基于深度学习的轧机入口异常识别方法。
背景技术
在钢铁冶金领域的冶炼过程中,需要使用轧钢机对钢材进行热轧和冷轧处理,需要轧钢操作工操作轧钢机的输入输出辊道。在热轧和冷轧的过程中,会出现钢坯卡住停滞不前的情况,即轧机入口咬钢异常,一旦发生轧机入口咬钢异常的情况,必须要及时进行处理,避免影响整体工作效率。然而,目前针对轧机入口异常监测大多依赖人工,不仅效率低,而且由于人工的疏漏,也容易导致部分异常无法及时处理,影响钢坯质量。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于深度学习的轧机入口咬钢异常识别方法,主要解决轧机入口异常识别依赖人工且识别效率低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种基于深度学习的轧机入口咬钢异常识别方法,包括:
根据轧机入口的钢坯样本图像获取异常识别模型;
将所述轧机入口的实时钢坯图像输入所述异常识别模型,获取钢坯在所述轧机入口处的移动状态,并根据所述移动状态获取异常信息。
可选地,通过所述异常识别模型实时检测所述钢坯在轧机入口的位置,并根据连续多帧所述实时钢坯图像的位置确定钢坯的移动状态。
可选地,设置位置阈值,当连续多帧所述实时钢坯图像的位置中,钢坯尾部位置的差值不大于所述位置阈值时,判断轧机入口咬钢异常,启动预警信息。
可选地,通过所述钢坯样本图像创建训练数据集和测试数据集;
将所述训练数据集用于训练深度学习神经网络获取所述神经网络模型;
通过所述测试数据集优化所述神经网络模型的参数获取所述异常识别模型。
可选地,在进行模型训练之前,分别对所述训练数据集和所述测试数据集中样本图像进行归一化处理。
可选地,采用MobileNetV2网络替换SDD网络架构中的VGG-16,并去掉MobileNetV2网络最后的全局平均池化层、全连接层和Softmax层;将原VGG-16的最后两个全连接层改为卷积层,以此构建所述深度学习神经网络。
可选地,采用指数衰减法设置所述深度学习神经网络的学习率。
可选地,将所述深度学习神经网络的权重进行正则化后,引入到原SSD网络的代价函数中,创建新的代价函数。
可选地,可采用L2范数正则化,创建所述新的代价函数,表示为:
其中,C0为原SSD网络的代价函数,w为权重,λ为正则项的系数。
可选地,采用反向传播对所述深度学习神经网络的权重进行更新,更新公式如下:
其中,C0为原SSD网络的代价函数,w为权重,λ为正则项的系数,α和β为常系数。
如上所述,本发明一种基于深度学习的轧机入口咬钢异常识别方法,具有以下有益效果。
通过异常识别模型自动识别轧机入口的异常,避免由人工参与带来的一系列问题;通过模型识别可保障识别的实时性和准确性,提高异常处理效率,保证钢坯质量。
附图说明
图1为本发明一实施例中基于深度学习的轧机入口咬钢异常识别方法的流程图。
图2为MobileNetV2网络瓶颈层的结构示意图。
图3为SSD网络框架的结构示意图。
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。
请参阅图1,本发明提供一种基于深度学习的轧机入口咬钢异常识别方法,包括步骤S01-S02。
在步骤S01中,根据轧机入口的钢坯样本图像获取异常识别模型:
在一实施例中,可通过设置在轧机入口附近的摄像头等图像采集模块获取钢坯样本图像,并对采集的样本图像中的钢坯进行标注,以便根据标注信息采用监督学习方法检测钢坯位置。进一步地,可将经过标注的样本图像输入数据库中分别创建训练数据集和测试数据集。具体地,可按1:9的比例将样本图像分为测试数据集和训练数据集;也可根据实际需求设置样本图像的划分比例。
在一实施例中,可分别对训练数据集和测试数据集中的样本图像进行归一化处理,将图片的灰度值从0到255归一化至0到1。具体地,图像归一化可采用最大最小值归一化方法、对数函数转化方法或反余切函数转化方法等,这里以最大最小值归一化方法为例,公式如下:
其中,xi表示图像像素点值,max(x)和min(x)分别表示图像像素的最大和最小值。
在一实施例中,可对经过归一化处理的样本图像进行图像质量增强,具体地,可分别对样本图像进行裁剪、翻转、旋转、亮度调节、对比度调节、饱和度调节等,保障样本图像质量,提高钢坯检测的效率。
在一实施例中,将经过前述步骤处理的训练数据集用于训练深度学习神经网络,获取神经网络模型;并通过测试数据集对神经网络模型参数进行优化,获取最优的神经网络模型作为异常识别模型。
深度学习神经网络可采用MobileNetV2-SSD深度学习神经网络。MobileNetV2是对MobileNetV1的改进,它提出了两个新的概念:反转残差Inverted Residual和线性瓶颈Linear Bottleneck。反转残差Inverted Residual主要用来增加图像特征的提取以提高精度,而线性瓶颈Linear Bottleneck主要用来避免非线性函数ReLU的信息丢失。MobileNetV2的核心由17个Bottleneck组成,其网络结构请参阅表1(其中t为瓶颈层内部升维的倍数,c为输出特征的维数,n为重复的次数,s为卷积的步长,k为宽度缩放因子)。
表1
瓶颈层的具体结构请参阅表2。输入通过1×1的conv+ReLU层将维度从k维增加到tk维,之后通过3×3conv+ReLU可分离卷积对图像进行降采样(stride>1时),此时特征维度已经为tk维度,最后通过1×1conv(无ReLU)进行降维,维度从tk降低到k’维。
表2
此外,如图2所示,对于瓶颈层,当卷积步长stride=1时,将输入映射到输出中;当stride=2时,无shortcut连接输入和输出特征。ReLU_6函数作为激活函数,可表示为:
y=relu6(x)=min(max(x,0),6)
其中,x和y分别表示输入和输出。
SSD是一种single-stage的目标检测算法,利用不同尺度的特征图去预测不同框大小的目标。SSD网络结构分为两部分:基础网络+金字塔网络,其中基础网络是可以变换的。原始SSD的基础网络是VGG-16的前4层网络,金字塔网络是特征图逐渐变小的简单卷积网络由5部分构成。SSD的具体网络结构请参阅图3。
本实施例采用MobileNetV2网络替换SDD网络架构中的VGG-16,并去掉MobileNetV2网络最后的全局平均池化层、全连接层和Softmax层;将原VGG-16的最后两个全连接层改为卷积层,以此构建所述深度学***均池化、全连接层和Softmax层,用Conv6和Conv7分别替代了原VGG-16的FC6和FC7。MobileNetV2-SSD深度学习神经网络先用MobileNetV2网络提取图像特征输出特征图再用SSD目标检测算法对MobileNetV2网络输出的多个特征图上的信息进行检测。
在一实施例中,为了避免过拟合,可采用指数衰减法设置深度学习神经网络的学习率。
在一实施例中,可将深度学习神经网络的权重进行正则化后,引入到原SSD网络的代价函数中,创建新的代价函数。具体地,可采用L2范数正则化创建新的代价函数,表示为:
其中,C0为原SSD网络的代价函数,w为权重,λ为正则项的系数。
在一实施例中,采用反向传播对所述深度学习神经网络的权重进行更新,更新公式如下:
其中,C0为原SSD网络的代价函数,w为权重,λ为正则项的系数,α和β为常系数。
将训练数据集输入搭建好的深度学习神经网络中,根据训练数据集中标注的钢坯标签以及深度学习神经网络获取的预测框之间的误差训练神经网络模型,当训练网络通过多次迭代,预测值不断向标签和预测框误差方向进行收敛,然后反向传播根据链式法则将参数更新到每一层中。每次迭代都会根据梯度下降的优化方向,尽可能减少传播误差,最终得到数据集中所有钢坯图像最终的目标检测结果。进一步地,通过测试数据集上目标检测结果的准确率,获取准确率最高的神经网络模型作为异常识别模型。
在步骤S02中,将轧机入口的实时钢坯图像输入异常识别模型,获取钢坯在轧机入口处的移动状态,并根据移动状态获取异常信息。
在一实施例中,可从实时视频流中获取单帧钢坯图像作为异常识别模型的输入,并通过异常识别模型检测单帧图像中钢坯在轧机入口处的位置坐标。进一步地,经过多次识别,可获取连续多帧钢坯图像中钢坯位置坐标的变化,进而获取一定时间范围内钢坯的移动状态。如可通过异常识别模型检测钢坯坐标位置获取轧机入口钢坯在一段时间内移动的位移,判断是否发生轧机入口咬钢异常。正常情况下,轧机入口的钢坯会在固定的轧钢机的输入输出辊道上向前移动,即轧机入口的钢坯在一段时间内有一定的位移,此时钢坯识别框的颜色设置为绿色。若轧机入口的钢坯停滞不动,则说明发生轧机入口咬钢异常情况,此时钢坯识别框的颜色设置为红色,可通过模型识别出的现场实时视频中前后帧的轧机入口钢坯的坐标位置变化来判断是否发生轧机入口咬钢。具体地,可设置位置阈值,当连续多帧实时钢坯图像的位置中,钢坯尾部位置的差值不大于所述位置阈值时,判断轧机入口咬钢异常。如当现场实时视频中前后相隔80帧的轧机入口钢坯尾部的横坐标差值的绝对值不大于钢坯长度的2%。其中位置阈值的设置可根据实际情况进行调整。
在识别出咬钢异常后,触发启动预警信息,通知相关工作人员及时采取应对措施。
本发明可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
综上所述,本发明一种基于深度学习的轧机入口咬钢异常识别方法,实现无人工参与对工业场景下的轧机入口咬钢异常识别,识别准确率在99%以上,在实际炼钢的工业场景下,效果极佳,在对轧机入口咬钢异常识别的技术领域有了前所未有的飞跃,提高了钢厂的生产效率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
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 (8)
1.一种基于深度学习的轧机入口咬钢异常识别方法,其特征在于,包括:
根据轧机入口的钢坯样本图像获取异常识别模型;
将所述轧机入口的实时钢坯图像输入所述异常识别模型,获取钢坯在所述轧机入口处的移动状态,包括:通过所述异常识别模型实时检测所述钢坯在轧机入口的位置,并根据连续多帧所述实时钢坯图像的位置确定钢坯的移动状态,并根据所述移动状态获取异常信息,包括:设置位置阈值,当连续多帧所述实时钢坯图像的位置中,钢坯尾部位置的差值不大于所述位置阈值时,判断轧机入口咬钢异常,启动预警信息。
2.根据权利要求1所述的基于深度学习的轧机入口咬钢异常识别方法,其特征在于,通过所述钢坯样本图像创建训练数据集和测试数据集;
将所述训练数据集用于训练深度学习神经网络获取所述神经网络模型;
通过所述测试数据集优化所述神经网络模型的参数获取所述异常识别模型。
3.根据权利要求2所述的基于深度学习的轧机入口咬钢异常识别方法,其特征在于,在进行模型训练之前,分别对所述训练数据集和所述测试数据集中样本图像进行归一化处理。
4.根据权利要求2所述的基于深度学***均池化层、全连接层和Softmax层;将原VGG-16的最后两个全连接层改为卷积层,以此构建所述深度学习神经网络。
5.根据权利要求2所述的基于深度学习的轧机入口咬钢异常识别方法,其特征在于,采用指数衰减法设置所述深度学习神经网络的学习率。
6.根据权利要求4所述的基于深度学习的轧机入口咬钢异常识别方法,其特征在于,将所述深度学习神经网络的权重进行正则化后,引入到原SSD网络的代价函数中,创建新的代价函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010201714.4A CN111429425B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的轧机入口异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010201714.4A CN111429425B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的轧机入口异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429425A CN111429425A (zh) | 2020-07-17 |
CN111429425B true CN111429425B (zh) | 2023-04-07 |
Family
ID=71553469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010201714.4A Active CN111429425B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的轧机入口异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429425B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037199A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 |
CN112037197A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种热轧棒材冷剪物料堆积检测方法、***及介质 |
CN112053334B (zh) * | 2020-08-31 | 2023-04-28 | 中冶赛迪信息技术(重庆)有限公司 | 一种加热炉冷坯料台双钢识别方法、***及介质 |
CN112114571B (zh) * | 2020-09-24 | 2021-11-30 | 中冶赛迪重庆信息技术有限公司 | 一种工业数据处理方法、***及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011050990A (ja) * | 2009-09-02 | 2011-03-17 | Jfe Steel Corp | 熱間圧延ラインにおけるトラッキングセンサのオンライン診断方法 |
CN102836886A (zh) * | 2011-06-24 | 2012-12-26 | 宝山钢铁股份有限公司 | 热轧轧件头尾位置及运动方向的检测方法 |
CN103878184A (zh) * | 2012-12-24 | 2014-06-25 | 上海梅山钢铁股份有限公司 | 热轧轧线物料位置远程跟踪方法 |
JP2018161668A (ja) * | 2017-03-27 | 2018-10-18 | Jfeスチール株式会社 | 熱間圧延材のトラッキング装置及びトラッキング方法 |
CN108830903A (zh) * | 2018-04-28 | 2018-11-16 | 杨晓春 | 一种基于cnn的钢坯位置检测方法 |
CN108856303A (zh) * | 2017-05-16 | 2018-11-23 | 上海梅山钢铁股份有限公司 | 可靠的热连轧精轧机架咬钢信号控制方法 |
CN110059558A (zh) * | 2019-03-15 | 2019-07-26 | 江苏大学 | 一种基于改进ssd网络的果园障碍物实时检测方法 |
CN110280608A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢精确轧件跟踪处理方法 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估***及处理方法 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
-
2020
- 2020-03-20 CN CN202010201714.4A patent/CN111429425B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011050990A (ja) * | 2009-09-02 | 2011-03-17 | Jfe Steel Corp | 熱間圧延ラインにおけるトラッキングセンサのオンライン診断方法 |
CN102836886A (zh) * | 2011-06-24 | 2012-12-26 | 宝山钢铁股份有限公司 | 热轧轧件头尾位置及运动方向的检测方法 |
CN103878184A (zh) * | 2012-12-24 | 2014-06-25 | 上海梅山钢铁股份有限公司 | 热轧轧线物料位置远程跟踪方法 |
JP2018161668A (ja) * | 2017-03-27 | 2018-10-18 | Jfeスチール株式会社 | 熱間圧延材のトラッキング装置及びトラッキング方法 |
CN108856303A (zh) * | 2017-05-16 | 2018-11-23 | 上海梅山钢铁股份有限公司 | 可靠的热连轧精轧机架咬钢信号控制方法 |
CN108830903A (zh) * | 2018-04-28 | 2018-11-16 | 杨晓春 | 一种基于cnn的钢坯位置检测方法 |
CN110059558A (zh) * | 2019-03-15 | 2019-07-26 | 江苏大学 | 一种基于改进ssd网络的果园障碍物实时检测方法 |
CN110280608A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢精确轧件跟踪处理方法 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估***及处理方法 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
Non-Patent Citations (5)
Title |
---|
620mm热连轧窄带钢生产线快节奏轧制的全线跟踪;曹剑钊等;《中国冶金》;20131215;第23卷(第12期);第29-42页 * |
Fault detection and isolation of bearings in a drive reducer of a hot steel rolling mill;Marcello Farina 等;《Control Engineering Practice》;20150302;第35-44页 * |
物料跟踪在棒材生产中的实现;赵程;《柳钢科技》;20130815(第04期);第14-16页 * |
线、棒材轧机主轧线物料跟踪功能分析;李松辽等;《冶金自动化》;20010225(第02期);第24-28页 * |
轧钢过程仿真和跟踪***的设计;王维;《工业计量》;20121126;第22卷(第06期);第18-21+25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111429425A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429425B (zh) | 一种基于深度学习的轧机入口异常识别方法 | |
CN111429424B (zh) | 一种基于深度学习的加热炉入口异常识别方法 | |
CN111524112B (zh) | 追钢识别方法、***、设备及介质 | |
Li et al. | A multi-scale cucumber disease detection method in natural scenes based on YOLOv5 | |
CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、***及设备 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN115331172A (zh) | 一种基于监控视频的车间危险行为识别报警方法及*** | |
CN111310671A (zh) | 基于深度学习的加热炉底部积水坑异常识别方法、***及设备 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
CN115994900A (zh) | 基于迁移学习的无监督缺陷检测方法和***、存储介质 | |
CN112308825A (zh) | 一种基于SqueezeNet的农作物叶片病害识别方法 | |
CN116152254A (zh) | 工业泄露目标气体检测模型训练方法、检测方法、电子设备 | |
CN111724338B (zh) | 一种转盘异常识别方法、***、电子设备及介质 | |
Mirani et al. | Object recognition in different lighting conditions at various angles by deep learning method | |
CN116778482B (zh) | 胚胎图像卵裂球目标检测方法、计算机设备及存储介质 | |
CN113221812A (zh) | 人脸关键点检测模型的训练方法和人脸关键点检测方法 | |
CN112270370A (zh) | 一种车辆表观毁伤评估方法 | |
CN111047654A (zh) | 一种基于色彩信息的高清高速视频背景建模方法 | |
CN115908843A (zh) | 过热度识别模型训练方法、识别方法、设备及存储介质 | |
Mazni et al. | An investigation into real-time surface crack classification and measurement for structural health monitoring using transfer learning convolutional neural networks and Otsu method | |
CN111724337B (zh) | 一种冷床冲顶识别方法、***、电子设备及介质 | |
CN117670755B (zh) | 一种吊钩防脱装置检测方法、装置、存储介质及电子设备 | |
CN116777947B (zh) | 一种用户轨迹识别预测方法、装置及电子设备 | |
CN117333755A (zh) | 基于改进YOLOv5m的化工厂人员安全帽佩戴检测方法及*** |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |