CN111968103B - 一种钢卷间距检测方法、***、介质及电子终端 - Google Patents
一种钢卷间距检测方法、***、介质及电子终端 Download PDFInfo
- Publication number
- CN111968103B CN111968103B CN202010878537.3A CN202010878537A CN111968103B CN 111968103 B CN111968103 B CN 111968103B CN 202010878537 A CN202010878537 A CN 202010878537A CN 111968103 B CN111968103 B CN 111968103B
- Authority
- CN
- China
- Prior art keywords
- target
- steel coil
- target steel
- real
- position information
- 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
- 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
- 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
- G06T2207/10—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
- G06T2207/20—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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种钢卷间距检测方法、***、介质及电子终端,方法包括:采集目标钢卷的初始图像信息,将初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;获取目标钢卷的实时图像信息,通过检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距距离;根据所述关联特征信息进行钢卷间距检测;本发明中的方法通过关联特征信息能够较好地对目标钢卷进行实时监测,实现对同一导轨上静止的目标钢卷之间的间距的实时监测,精确度较高,可操作性强。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种钢卷间距检测方法、***、介质及电子终端。
背景技术
在钢铁产品的生产中,钢卷是一种储存、运输较为方便的重要产品,在钢卷的堆放、运输过程中,可能出现打包完成的钢卷之间距离过近的情况,目前,通常采用人工的方式对钢卷之间的距离进行识别,不便于对钢卷之间的距离进行识别和监测,造成潜在的安全风险。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种钢卷间距检测方法、***、介质及电子终端,以解决现有技术中不便于对钢卷的间距进行实时识别与监测的问题。
本发明提供的钢卷间距检测方法,包括:
采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;
获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;
根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距距离;
根据所述关联特征信息进行钢卷间距检测。
可选的,采集目标钢卷的初始图像信息的步骤包括:采集目标钢卷的初始图像,对所述初始图像中的目标钢卷进行标注与框选,进而获取初始目标框的位置信息;根据所述初始目标框的位置信息,构建用于训练检测模型的数据集,完成对钢卷的初始图像信息的采集。
可选的,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型的步骤包括:
搭建基于深度学习的目标检测网络;
将初始图像信息输入所述目标检测网络进行训练,所述目标检测网络对初始图像中的目标钢卷特征进行提取学习,进而获取用于检测目标钢卷的位置的较优的检测模型。
可选的,获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息的步骤包括:
预先设置检测时间节点;
获取目标钢卷的视频流,提取所述视频流中的目标钢卷的实时图像;
通过检测模型对所述实时图像中的目标钢卷进行目标识别,框选出图像中目标钢卷的目标识别框,并对所述目标钢卷进行标注,进而获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息,所述实时位置信息为目标钢卷在当前检测时间节点的位置信息,所述历史位置信息为目标钢卷在上一检测时间节点的位置信息。
可选的,所述实时位置信息包括:
[xmin1,ymin1,xmax1,ymax1]
所述历史位置信息包括:
[xmin2,ymin2,xmax2,ymax2]
其中,xmin1、ymin1分别为当前检测时间节点的目标识别框左上角的x、y坐标;xmax1、ymax1分别为当前检测时间节点的目标识别框右下角的x、y坐标;xmin2,ymin2分别为上一检测时间节点的目标识别框左上角的x、y坐标;xmax2,ymax2分别为上一检测时间节点的目标识别框左上角的x、y坐标。
可选的,所述自由度为对目标钢卷的运动状态的判断结果,对所述目标钢卷的运动状态的判断方式为:
根据所述实时位置信息与历史位置信息,计算当前检测时间节点的目标识别框与上一检测时间节点的目标识别框之间的变化量,根据所述变化量判断目标钢卷是否处于静止状态,判断目标钢卷是否处于静止状态的数学表达为:
|xmin1-xmin2|<Cx
|ymin1-ymin2|<Cy
其中,|xmin1-xmin2|为当前检测时间节点的目标识别框左上角的x坐标与上一检测时间节点的目标识别框左上角的x坐标的差值的绝对值,|ymin1-ymin2|为当前检测时间节点的目标识别框左上角的y坐标与上一检测时间节点的目标识别框左上角的y坐标的差值的绝对值,Cx为预先设置的第一变化量阈值,Cy为预先设置的第二变化量阈值;
当同时满足以上数学表达时,则判定目标钢卷处于静止状态,完成对目标钢卷的自由度的确定。
可选的,所述同轴度为对不同的目标钢卷是否处于同一导轨的判断结果,对不同的目标钢卷是否处于同一导轨的判断方式为:
根据所述自由度和实时位置信息,计算处于静止状态的不同的目标钢卷的目标识别框的坐标差值,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨的数学表达为:
|ymina-yminb|<C1
其中,ymina为一目标钢卷在当前时间节点的目标识别框左上角的y坐标,yminb为另一目标钢卷在当前时间节点的目标识别框左上角的y坐标,|ymina-yminb|为处于静止状态的不同的目标钢卷的目标识别框左上角的y坐标之间的差值的绝对值,C1为预先设置的差值阈值;当满足以上数学表达时,则判定所述不同的目标钢卷处于同一导轨,完成对所述同轴度的确定。
可选的,所述间距距离为不同目标钢卷之间的间距的大小,根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断,所述根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断的判断方式为:
根据所述同轴度与实时位置信息,判断处于同一导轨且均处于静止状态的不同的目标钢卷之间的间距是否小于预设的间距阈值,该判断的数学表达为:
|xmina-xmaxb|<C2
其中,xmina为一目标钢卷在当前时间节点的目标识别框左上角的x坐标,xmaxb为另一目标钢卷在当前时间节点的目标识别框右下角的x坐标,|xmina-xmaxb|为所述不同的目标钢卷之间的间距,C2为预设的间距阈值;当满足以上数学表达时,则判定不同目标钢卷之间的间距异常,完成钢卷间距检测。
本发明还提供一种钢卷间距检测***,包括:
预处理模块,用于采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;
处理模块,用于获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;
判断模块,用于根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距信息;
检测模块,用于根据所述关联特征信息进行钢卷间距检测。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的钢卷间距检测方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述任一项所述的钢卷间距检测方法。
本发明的有益效果:本发明中的钢卷间距检测方法通过所述检测模型对实时图像中的目标钢卷进行目标识别,进而获取目标钢卷的实时位置信息和历史位置信息,根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,通过所述关联特征信息能够较好地对目标钢卷进行实时监测,实现对同一导轨上静止的目标钢卷之间的间距的实时监测,精确度较高,可操作性、稳定性强。
附图说明
图1是本发明实施例中钢卷间距检测方法的一流程示意图;
图2是本发明实施例中钢卷间距检测方法的另一流程示意图;
图3是本发明实施例中钢卷间距检测***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。
发明人发现,在工业生产中,钢卷作为一种储存、运输较为方便的重要产品,在钢卷的堆放、运输过程中,可能出现打包完成的钢卷之间距离过近的情况,采用人工的方式不便于对钢卷之间的距离进行识别和监测,造成潜在的安全风险,本发明提供的钢卷间距检测方法通过获取的目标钢卷的实时位置信息和历史位置信息,确定目标钢卷的关联特征信息,根据所述关联特征信息判断处于同一导轨且均处于静止状态的不同目标钢卷之间的距离是否异常,完成对钢卷间距的检测,能够有效解决现有技术中使用人工的方式不便于对目标钢卷之间的间距进行识别与监控的问题,精确度较高,可操作性强。
如图1所示,本实施例中的钢卷间距检测方法,包括:
S101:采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;通过对目标钢卷的初始图像信息的采集,并对初始图像中的目标钢卷进行标注与框选,进而构建数据集,通过搭建基于深度学习的目标检测网络,并将所述数据集作为初始图像信息输入所述目标检测网络进行训练,通过多次迭代训练能够得到较优的用于识别目标钢卷的位置的检测模型,例如:通过工业摄像头对钢卷的初始图像进行采集,并对初始图像中的目标钢卷进行标注与框选,进而构建目标钢卷的数据集,将所述数据集作为初始图像信息输入基于深度学习的目标检测网络进行训练,经过多次迭代训练,选择识别精确度最优的模型作为检测模型,所述检测模型用于检测目标钢卷的位置;
S102:获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;例如:从视频流中提取出目标钢卷的实时图像,通过检测模型对所述实时图像中的目标钢卷进行目标识别,进而获取目标钢卷的实时位置信息与历史位置信息;
S103:根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距信息;所述自由度为目标钢卷是否处于静止状态的判断结果,所述同轴度为不同目标钢卷是否处于同一导轨的判断结果,所述间距信息为不同目标钢卷之间的间距是否异常的判断结果;例如:通过目标钢卷的实时位置信息与历史位置信息,判断目标钢卷是否处于静止状态,确定目标钢卷的自由度,根据所述自由度与实时位置信息,判断处于静止状态的不同目标钢卷是否处于同一导轨,确定不同目标钢卷的同轴度,根据所述同轴度与实时位置信息,确定不同目标钢卷的间距距离;
S104:根据所述关联特征信息进行钢卷间距检测;例如:通过所述自由度、同轴度以及间距信息,判断处于同一导轨且均为静止状态的相邻目标钢卷之间的间距是否异常,完成钢卷间距检测,可选的,还可以对处于同一导轨且均为静止状态的不相邻的目标钢卷之间的间距是否异常进行判断,完成钢卷间距检测。
进一步地,如图2所示,本实施提供的钢卷间距检测方法,包括:
S201:采集目标钢卷的初始图像,对所述初始图像中的目标钢卷进行标注与框选,进而获取初始目标框的位置信息;根据所述初始目标框的位置信息,构建用于训练检测模型的数据集,完成对钢卷的初始图像信息的采集;例如:使用工业摄像头采集目标钢卷的图像,对所述图像中的目标钢卷进行标注与框选,进而获取目标钢卷的有效信息,所述有效信息包括:
filename,width,height,depth,xmin,ymin,xmax,ymax,class
其中,filename是图像名称,width,height,depth是图像对应的长、宽、深度信息,xmin、ymin分别为所述初始目标框在图像中的左上角的x、y坐标值,xmax、ymax分别为所述初始目标框在图像中的右下角的x、y坐标值,class为目标类别;根据所述有效信息构建目标钢卷的数据集,将所述数据集按训练集、测试集、验证集进行划分,所述数据集用于训练检测模型;在本实施例中,x轴的延伸方向与目标钢卷的导轨的延伸方向平行,y轴的延伸方向与目标钢卷的导轨的延伸方向垂直;所述初始目标框为矩形框;
S202:搭建基于深度学习的目标检测网络;
将初始图像信息输入所述目标检测网络进行训练,所述目标检测网络对初始图像中的目标钢卷特征进行提取学习,进而获取用于检测目标钢卷的位置的较优的检测模型;例如:将所述数据集作为初始图像信息输入目标检测网络进行训练,所述目标检测网络对初始图像信息中的目标钢卷特征进行提取学习,经过多次迭代训练,获取识别精确度最优的模型作为检测模型,所述检测模型用于识别目标钢卷的位置;
S203:预先设置检测时间节点;
获取目标钢卷的视频流,提取所述视频流中的目标钢卷的实时图像;
通过检测模型对所述实时图像中的目标钢卷进行目标识别,框选出图像中目标钢卷的目标识别框,并对所述目标钢卷进行标注,进而获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息,所述实时位置信息为目标钢卷在当前检测时间节点的位置信息,所述历史位置信息为目标钢卷在上一检测时间节点的位置信息;
在一些实施例中,所述实时位置信息包括:
[xmin1,ymin1,xmax1,ymax1]
所述历史位置信息包括:
[xmin2,ymin2,xmax2,ymax2]
其中,xmin1、ymin1分别为当前检测时间节点的目标识别框左上角的x、y坐标;xmax1、ymax1分别为当前检测时间节点的目标识别框右下角的x、y坐标;xmin2,ymin2分别为上一检测时间节点的目标识别框左上角的x、y坐标;xmax2,ymax2分别为上一检测时间节点的目标识别框左上角的x、y坐标;在本实施例中,x轴的延伸方向与目标钢卷的导轨的延伸方向平行,y轴的延伸方向与目标钢卷的导轨的延伸方向垂直;所述目标识别框为矩形框;
S204:根据所述实时位置信息与历史位置信息,计算当前检测时间节点的目标识别框与上一检测时间节点的目标识别框之间的变化量,根据所述变化量判断目标钢卷是否处于静止状态,判断目标钢卷是否处于静止状态的数学表达为:
|xmin1-xmin2|<Cx
|ymin1-ymin2|<Cy
其中,|xmin1-xmin2|为当前检测时间节点的目标识别框左上角的x坐标与上一检测时间节点的目标识别框左上角的x坐标的差值的绝对值,|ymin1-ymin2|为当前检测时间节点的目标识别框左上角的y坐标与上一检测时间节点的目标识别框左上角的y坐标的差值的绝对值,Cx为预先设置的第一变化量阈值,Cy为预先设置的第二变化量阈值;
当同时满足以上数学表达时,则判定目标钢卷处于静止状态,当未同时满足以上数学表达时,则判定目标钢卷未处于静止状态,完成对目标钢卷的自由度的确定,所述自由度为对目标钢卷的运动状态的判断结果;
S205:根据所述自由度和实时位置信息,计算处于静止状态的不同的目标钢卷的目标识别框的坐标差值,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨的数学表达为:
|ymina-yminb|<C1
其中,ymina为一目标钢卷在当前时间节点的目标识别框左上角的y坐标,yminb为另一目标钢卷在当前时间节点的目标识别框左上角的y坐标,|ymina-yminb|为处于静止状态的不同的目标钢卷的目标识别框左上角的y坐标之间的差值的绝对值,C1为预先设置的差值阈值;当满足以上数学表达时,则判定所述不同的目标钢卷处于同一导轨,当不满足以上数学表达时,则判定所述不同的目标钢卷未处于同一导轨,完成对所述同轴度的确定,所述同轴度为对不同的目标钢卷是否处于同一导轨的判断结果;
S206:根据所述同轴度与实时位置信息,判断处于同一导轨且均处于静止状态的不同的目标钢卷之间的间距是否小于预设的间距阈值,该判断的数学表达为:
|xmina-xmaxb|<C2
其中,xmina为一目标钢卷在当前时间节点的目标识别框左上角的x坐标,xmaxb为另一目标钢卷在当前时间节点的目标识别框右下角的x坐标,|xmina-xmaxb|为所述不同的目标钢卷之间的间距,C2为预设的间距阈值;通过上述数学表达,确定处于同一导轨且均为静止状态的不同目标钢卷的间距距离,当满足以上数学表达时,则判定不同目标钢卷之间的间距异常,当不满足以上数学表达时,则判定不同目标钢卷之间的间距无异常,完成钢卷间距检测,进而获取钢卷间距检测结果;
S207:反馈钢卷间距检测结果,并根据所述钢卷检测结果发出警报。
如图3所示,本实施例还提供一种钢卷间距检测***,包括:
预处理模块,用于采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;
处理模块,获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;
判断模块,用于根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距信息;
检测模块,用于根据所述关联特征信息进行钢卷间距检测;所述预处理模块、处理模块、判断模块及检测模块依次信号连接;通过所述关联特征信息能够较好地对目标钢卷进行实时监测,实现对同一导轨上静止的目标钢卷之间的间距的实时识别与监测,精确度较高,可操作性、稳定性强。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
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)
1.一种钢卷间距检测方法,其特征在于,包括:
采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;
获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;
根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距距离;
根据所述关联特征信息进行钢卷间距检测;
所述自由度为对目标钢卷的运动状态的判断结果,对所述目标钢卷的运动状态的判断方式为,根据所述实时位置信息与历史位置信息,计算当前检测时间节点的目标识别框与上一检测时间节点的目标识别框之间的变化量,根据所述变化量判断目标钢卷是否处于静止状态,判断目标钢卷是否处于静止状态的数学表达为,
|xmin1-xmin2|<Cx
|ymin1-ymin2|<Cy
其中,|xmin1-xmin2|为当前检测时间节点的目标识别框左上角的x坐标与上一检测时间节点的目标识别框左上角的x坐标的差值的绝对值,|ymin1-ymin2|为当前检测时间节点的目标识别框左上角的y坐标与上一检测时间节点的目标识别框左上角的y坐标的差值的绝对值,Cx为预先设置的第一变化量阈值,Cy为预先设置的第二变化量阈值;当同时满足以上数学表达时,则判定目标钢卷处于静止状态,完成对目标钢卷的自由度的确定;
所述同轴度为对不同的目标钢卷是否处于同一导轨的判断结果,对不同的目标钢卷是否处于同一导轨的判断方式为,根据所述自由度和实时位置信息,计算处于静止状态的不同的目标钢卷的目标识别框的坐标差值,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨的数学表达为,
|ymina-yminb|<C1
其中,ymina为一目标钢卷在当前时间节点的目标识别框左上角的y坐标,yminb为另一目标钢卷在当前时间节点的目标识别框左上角的y坐标,|ymina-yminb|为处于静止状态的不同的目标钢卷的目标识别框左上角的y坐标之间的差值的绝对值,C1为预先设置的差值阈值;当满足以上数学表达时,则判定所述不同的目标钢卷处于同一导轨,完成对所述同轴度的确定;
所述间距距离为不同目标钢卷之间的间距的大小,根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断,所述根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断的判断方式为,根据所述同轴度与实时位置信息,判断处于同一导轨且均处于静止状态的不同的目标钢卷之间的间距是否小于预设的间距阈值,该判断的数学表达为,
|xmina-xmaxb|<C2
其中,xmina为一目标钢卷在当前时间节点的目标识别框左上角的x坐标,xmaxb为另一目标钢卷在当前时间节点的目标识别框右下角的x坐标,|xmina-xmaxb|为所述不同的目标钢卷之间的间距,C2为预设的间距阈值;当满足以上数学表达时,则判定不同目标钢卷之间的间距异常,完成钢卷间距检测。
2.根据权利要求1所述的钢卷间距检测方法,其特征在于,采集目标钢卷的初始图像信息的步骤包括:采集目标钢卷的初始图像,对所述初始图像中的目标钢卷进行标注与框选,进而获取初始目标框的位置信息;根据所述初始目标框的位置信息,构建用于训练检测模型的数据集,完成对钢卷的初始图像信息的采集。
3.根据权利要求2所述的钢卷间距检测方法,其特征在于,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型的步骤包括:
搭建基于深度学习的目标检测网络;
将初始图像信息输入所述目标检测网络进行训练,所述目标检测网络对初始图像中的目标钢卷特征进行提取学习,进而获取用于检测目标钢卷的位置的较优的检测模型。
4.根据权利要求1所述的钢卷间距检测方法,其特征在于,获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息的步骤包括:
预先设置检测时间节点;
获取目标钢卷的视频流,提取所述视频流中的目标钢卷的实时图像;
通过检测模型对所述实时图像中的目标钢卷进行目标识别,框选出图像中目标钢卷的目标识别框,并对所述目标钢卷进行标注,进而获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息,所述实时位置信息为目标钢卷在当前检测时间节点的位置信息,所述历史位置信息为目标钢卷在上一检测时间节点的位置信息。
5.根据权利要求4所述的钢卷间距检测方法,其特征在于,
所述实时位置信息包括:
[xmin1,ymin1,xmax1,ymax1]
所述历史位置信息包括:
[xmin2,ymin2,xmax2,ymax2]
其中,xmin1、ymin1分别为当前检测时间节点的目标识别框左上角的x、y坐标;xmax1、ymax1分别为当前检测时间节点的目标识别框右下角的x、y坐标;xmin2,ymin2分别为上一检测时间节点的目标识别框左上角的x、y坐标;xmax2,ymax2分别为上一检测时间节点的目标识别框左上角的x、y坐标。
6.一种钢卷间距检测***,其特征在于,包括:
预处理模块,用于采集目标钢卷的初始图像信息,将所述初始图像信息输入目标检测网络进行训练,获取用于检测目标钢卷的位置的检测模型;
处理模块,用于获取目标钢卷的实时图像信息,通过所述检测模型对所述实时图像信息进行处理,进而获取目标钢卷的实时位置信息和历史位置信息;
判断模块,用于根据所述实时位置信息与历史位置信息,确定所述目标钢卷的关联特征信息,其中,所述关联特征信息至少包括以下之一:自由度、同轴度、间距信息;
检测模块,用于根据所述关联特征信息进行钢卷间距检测;
所述自由度为对目标钢卷的运动状态的判断结果,对所述目标钢卷的运动状态的判断方式为,根据所述实时位置信息与历史位置信息,计算当前检测时间节点的目标识别框与上一检测时间节点的目标识别框之间的变化量,根据所述变化量判断目标钢卷是否处于静止状态,判断目标钢卷是否处于静止状态的数学表达为,
|xmin1-xmin2|<Cx
|ymin1-ymin2|<Cy
其中,|xmin1-xmin2|为当前检测时间节点的目标识别框左上角的x坐标与上一检测时间节点的目标识别框左上角的x坐标的差值的绝对值,|ymin1-ymin2|为当前检测时间节点的目标识别框左上角的y坐标与上一检测时间节点的目标识别框左上角的y坐标的差值的绝对值,Cx为预先设置的第一变化量阈值,Cy为预先设置的第二变化量阈值;当同时满足以上数学表达时,则判定目标钢卷处于静止状态,完成对目标钢卷的自由度的确定;
所述同轴度为对不同的目标钢卷是否处于同一导轨的判断结果,对不同的目标钢卷是否处于同一导轨的判断方式为,根据所述自由度和实时位置信息,计算处于静止状态的不同的目标钢卷的目标识别框的坐标差值,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨,根据所述坐标差值判断所述不同的目标钢卷是否处于同一导轨的数学表达为,
|ymina-yminb|<C1
其中,ymina为一目标钢卷在当前时间节点的目标识别框左上角的y坐标,yminb为另一目标钢卷在当前时间节点的目标识别框左上角的y坐标,|ymina-yminb|为处于静止状态的不同的目标钢卷的目标识别框左上角的y坐标之间的差值的绝对值,C1为预先设置的差值阈值;当满足以上数学表达时,则判定所述不同的目标钢卷处于同一导轨,完成对所述同轴度的确定;
所述间距距离为不同目标钢卷之间的间距的大小,根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断,所述根据所述间距距离对不同目标钢卷之间的间距是否异常进行判断的判断方式为,根据所述同轴度与实时位置信息,判断处于同一导轨且均处于静止状态的不同的目标钢卷之间的间距是否小于预设的间距阈值,该判断的数学表达为,
|xmina-xmaxb|<C2
其中,xmina为一目标钢卷在当前时间节点的目标识别框左上角的x坐标,xmaxb为另一目标钢卷在当前时间节点的目标识别框右下角的x坐标,|xmina-xmaxb|为所述不同的目标钢卷之间的间距,C2为预设的间距阈值;当满足以上数学表达时,则判定不同目标钢卷之间的间距异常,完成钢卷间距检测。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5任一项所述的钢卷间距检测方法。
8.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至5任一项所述的钢卷间距检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878537.3A CN111968103B (zh) | 2020-08-27 | 2020-08-27 | 一种钢卷间距检测方法、***、介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878537.3A CN111968103B (zh) | 2020-08-27 | 2020-08-27 | 一种钢卷间距检测方法、***、介质及电子终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968103A CN111968103A (zh) | 2020-11-20 |
CN111968103B true CN111968103B (zh) | 2023-05-09 |
Family
ID=73399312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010878537.3A Active CN111968103B (zh) | 2020-08-27 | 2020-08-27 | 一种钢卷间距检测方法、***、介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968103B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284117B (zh) * | 2021-05-28 | 2022-10-18 | 中冶赛迪信息技术(重庆)有限公司 | 一种钢卷松卷识别方法、***、介质和终端 |
CN114998452B (zh) * | 2022-08-03 | 2022-12-02 | 深圳安智杰科技有限公司 | 一种车载摄像头在线标定方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672335A (zh) * | 2008-09-08 | 2010-03-17 | 洪涛 | 导向式牙嵌超越离合器 |
CN202393338U (zh) * | 2011-12-29 | 2012-08-22 | 南车洛阳机车有限公司 | 同轴度检测装置 |
CN103406804A (zh) * | 2013-08-16 | 2013-11-27 | 南通大学 | 在五轴机床上利用传感标签实现直线度误差的监测方法 |
CN104931004A (zh) * | 2015-06-19 | 2015-09-23 | 上海三达汽车配件有限公司 | 管件锥孔与外壁同轴度检测仪 |
JP2017015445A (ja) * | 2015-06-29 | 2017-01-19 | 成隆 柾 | 画像処理による計測方法及び計測プログラム |
CN206160918U (zh) * | 2016-10-20 | 2017-05-10 | 青岛华瑞汽车零部件股份有限公司 | 一种长距离孔同轴度检测装置 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110245663A (zh) * | 2019-06-26 | 2019-09-17 | 上海电器科学研究所(集团)有限公司 | 一种用于钢卷信息识别的方法 |
CN111524112A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 追钢识别方法、***、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6253280B2 (ja) * | 2013-07-04 | 2017-12-27 | キヤノン株式会社 | 撮像装置およびその制御方法 |
KR20190087455A (ko) * | 2016-11-22 | 2019-07-24 | 하이퍼파인 리서치, 인크. | 자기 공명 이미지들에서의 자동화된 검출을 위한 시스템들 및 방법들 |
EP3647207B1 (en) * | 2018-10-31 | 2021-01-06 | Aciturri Engineering S.L.U. | Method of aligning hardpoints in aeronautical structures |
-
2020
- 2020-08-27 CN CN202010878537.3A patent/CN111968103B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672335A (zh) * | 2008-09-08 | 2010-03-17 | 洪涛 | 导向式牙嵌超越离合器 |
WO2010034223A1 (zh) * | 2008-09-08 | 2010-04-01 | Hong Tao | 导向式牙嵌超越离合器 |
CN202393338U (zh) * | 2011-12-29 | 2012-08-22 | 南车洛阳机车有限公司 | 同轴度检测装置 |
CN103406804A (zh) * | 2013-08-16 | 2013-11-27 | 南通大学 | 在五轴机床上利用传感标签实现直线度误差的监测方法 |
CN104931004A (zh) * | 2015-06-19 | 2015-09-23 | 上海三达汽车配件有限公司 | 管件锥孔与外壁同轴度检测仪 |
JP2017015445A (ja) * | 2015-06-29 | 2017-01-19 | 成隆 柾 | 画像処理による計測方法及び計測プログラム |
CN206160918U (zh) * | 2016-10-20 | 2017-05-10 | 青岛华瑞汽车零部件股份有限公司 | 一种长距离孔同轴度检测装置 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110245663A (zh) * | 2019-06-26 | 2019-09-17 | 上海电器科学研究所(集团)有限公司 | 一种用于钢卷信息识别的方法 |
CN111524112A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 追钢识别方法、***、设备及介质 |
Non-Patent Citations (2)
Title |
---|
Remote position detection of steel coils using 2D laser scanners: Two-line-tracker;Kim,Y等;《IEEE》;20141218;第1056-1059页 * |
钢辊式圆捆机卷捆过程分析与试验研究;雷军乐;《中国博士学位论文全文数据库 农业科技辑》;20160415(第4期);第D044-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968103A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
EP3062263A1 (en) | Method and apparatus for work quality control | |
CN111968103B (zh) | 一种钢卷间距检测方法、***、介质及电子终端 | |
CN112001406B (zh) | 一种文本区域检测方法及装置 | |
CN111553950B (zh) | 一种钢卷对中判断方法、***、介质及电子终端 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
CN111666907A (zh) | 一种视频中对象信息的识别方法、装置及服务器 | |
CN109508571B (zh) | 一种条空定位方法、装置、电子设备及存储介质 | |
CN114022804A (zh) | 一种泄漏的检测方法、装置、***及存储介质 | |
CN113506293B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112037198B (zh) | 一种热轧棒材定支分离检测方法、***、介质及终端 | |
CN117710756A (zh) | 一种目标检测及模型训练方法、装置、设备、介质 | |
CN111968102A (zh) | 一种目标设备检测方法、***、介质及电子终端 | |
CN111814653A (zh) | 一种视频中异常行为的检测方法、装置、设备及存储介质 | |
CN116958266A (zh) | 闭环检测方法、装置、通信设备及存储介质 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN110765898A (zh) | 一种图像中物体及其关键点的确定方法和装置 | |
CN113327284B (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN113591543A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN116363656A (zh) | 包含多行文本的图像识别方法、装置及计算机设备 | |
CN114141298A (zh) | 一种磁盘故障检测方法、装置、***及可读存储介质 | |
CN112037199A (zh) | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 | |
CN116434221B (zh) | 工件形状识别方法、装置、终端设备以及计算机存储介质 | |
CN114239632A (zh) | 一种线棒材标签的识别方法、***、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: 20-24 / F, No.7 Longjing 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 |