CN111968104B - 一种基于机器视觉的钢卷异常识别方法、***、设备及介质 - Google Patents

一种基于机器视觉的钢卷异常识别方法、***、设备及介质 Download PDF

Info

Publication number
CN111968104B
CN111968104B CN202010878551.3A CN202010878551A CN111968104B CN 111968104 B CN111968104 B CN 111968104B CN 202010878551 A CN202010878551 A CN 202010878551A CN 111968104 B CN111968104 B CN 111968104B
Authority
CN
China
Prior art keywords
steel coil
target
target steel
picture
width
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
CN202010878551.3A
Other languages
English (en)
Other versions
CN111968104A (zh
Inventor
庞殊杨
刘雨佳
冉星明
刘睿
张超杰
贾鸿盛
毛尚伟
唐安琪
杜一杰
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 CN202010878551.3A priority Critical patent/CN111968104B/zh
Publication of CN111968104A publication Critical patent/CN111968104A/zh
Application granted granted Critical
Publication of CN111968104B publication Critical patent/CN111968104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于机器视觉的钢卷异常识别方法、***、设备及介质，所述的方法包括：获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；根据所述位置信息与预设的感兴趣区域进行对比，判断所述目标钢卷是否在指定区域；若所述目标钢卷在指定区域，则识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号。对目标钢卷的钢卷图片进行标注，确定图中钢卷特征并记录对应的位置信息，对钢卷特征进行提取学习，获取识别模型，通过识别模型对钢卷进行识别，识别目标钢卷是否在指定区域、检测目标钢卷的宽度是否异常以及识别目标钢卷的对应序号，实现对钢卷异常的识别和监控，避免造成潜在的安全风险。

Description

一种基于机器视觉的钢卷异常识别方法、***、设备及介质
技术领域
本发明涉及检测技术领域，特别是涉及一种基于机器视觉的钢卷异常识别方法、***、设备及介质。
背景技术
在钢铁产品生产中，钢卷是为了方便储存和运输的一种重要产品。在钢卷精整打包的过程中，很容易发生钢卷打包后，钢卷宽度超标，卷形异常的情况。受现场工况条件影响，钢卷异常不便于识别和监控，进而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，本发明的目的在于提供一种基于机器视觉的钢卷异常识别方法、***、设备及介质，用于解决现有技术中钢卷异常不便于识别和监控的问题。
为实现上述目的及其他相关目的，本发明提供一种基于机器视觉的钢卷异常识别方法，包括：
获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
根据所述位置信息与预设的感兴趣区域进行对比，判断所述目标钢卷是否在指定区域；
若所述目标钢卷在指定区域，则识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号。
可选的，获取目标钢卷的关联特征信息的步骤包括：通过目标检测卷积神经网络识别钢卷图片中的目标钢卷及对应的外接矩形框，通过所述外接矩形框确定关联特征信息。
可选的，所述关联特征信息包括：
filename,width,height,depth,xmin,ymin,xmax,ymax，class
其中，filename是钢卷图片名称，width,height,depth是钢卷图片对应的长、宽、深度信息，xmin、ymin分别为外接矩形框在钢卷图片中的左上角x、y坐标值，xmax、ymax分别为外接矩形框在钢卷图片中的右下角x、y坐标值，class为目标类别。
可选的，判断所述目标钢卷是否在指定区域的步骤包括：
判断目标钢卷的中心线是否落入预设的感兴趣区域内，若是，则所述目标钢卷在指定区域，其中，判断目标钢卷的中心线是否落入预设的感兴趣区域内的数学表达为：
yminR<liney<ymaxR
liney＝(ymin+ymax)/2
[yminR,xminR,ymaxR,xmaxR]
其中，yminR、xminR、ymaxR、xmaxR为预设的感兴趣区域的坐标值，ymin为外接矩形框在钢卷图片中的左上角y坐标值，ymax分别为外接矩形框在钢卷图片中的右下角y坐标值，liney为目标钢卷的中心线的坐标。
可选的，识别所述目标钢卷的对应序号的步骤包括：
识别指定区域的目标钢卷的数字，并依次进行对比，记两位数字为数字a、b，数字a、数字b的位置信息分别为：
[ymina,xmina,ymaxa,xmaxa]
[yminb,xminb,ymaxb,xmaxb]
当数字a、数字b的位置信息满足合并映射时，通过数字确定目标钢卷的所述对应序
号，所述合并映射的数学表达为：
|xmaxa-xminb|<threshold1
|ymina-yminb|<threshold2
|ymaxa-ymaxb|<threshold3
其中，ymina、xmina、ymaxa、xmaxa为数字a的坐标，yminb、xminb、ymaxb、xmaxb为数字b的坐标，threshold1、threshold2、threshold3分别为第一阈值、第二阈值和第三阈值。
可选的，识别所述目标钢卷的宽度异常的步骤包括：
|xmax-xmin|>threshold4
其中，xmin为外接矩形框在钢卷图片中的左上角x坐标值，xmax为外接矩形框在钢卷图片中的右下角x坐标值，|xmax-xmin|为目标钢卷的宽度，threshold4为钢卷的宽度阈值。
可选的，所述目标检测卷积神经网络包括SSD卷积神经网络、Yolo卷积神经网络或Faster-RCNN卷积神经网络。
一种基于机器视觉的钢卷异常识别***，包括：
采集模块，用于获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
对比模块，用于对比目标钢卷的位置信息与预设的感兴趣区域，判断所述目标钢卷是否在指定区域；
判定模块，用于识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号。
一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。
一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行一个或多个所述的方法。
如上所述，本发明的基于机器视觉的钢卷异常识别方法、***、设备及介质，具有以下有益效果：
对目标钢卷的钢卷图片进行标注，确定图中钢卷特征并记录对应的位置信息，并将钢卷图片的数据集按训练集、测试集、验证集进行划分，对钢卷特征进行提取学习，获取识别模型，通过识别模型对工业生产场景下钢卷进行识别，识别目标钢卷是否在指定区域、检测目标钢卷的宽度是否异常以及识别目标钢卷的对应序号，实现对钢卷异常的识别和监控，避免造成潜在的安全风险。
附图说明
图1显示为本发明实施例的基于机器视觉的钢卷异常识别方法的示意图。
图2显示为本发明实施例的基于机器视觉的钢卷异常识别***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。
需要说明的是，本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。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1，本发明提供一种基于机器视觉的钢卷异常识别方法，包括：
S1：获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
S2：根据所述位置信息与预设的感兴趣区域进行对比，判断所述目标钢卷是否在指定区域；
S3：若所述目标钢卷在指定区域，则识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号。例如，通过工业场景摄像头截取目标钢卷的钢卷图片进行标注，确定图中钢卷特征并记录对应的位置信息，并将钢卷图片的数据集按训练集、测试集、验证集进行划分，对钢卷特征进行提取学习，直到获得优选的识别模型，通过识别模型对工业生产场景下钢卷进行识别，识别目标钢卷是否在指定区域、检测目标钢卷的宽度是否异常以及识别目标钢卷的对应序号，实现对钢卷异常的识别和监控，避免造成潜在的安全风险。
在一些实施过程中，获取目标钢卷的关联特征信息的步骤包括：通过目标检测卷积神经网络识别钢卷图片中的目标钢卷及对应的外接矩形框，通过所述外接矩形框确定关联特征信息，其中，所述目标检测卷积神经网络包括SSD卷积神经网络、Yolo卷积神经网络或Faster-RCNN卷积神经网络，通过目标检测卷积神经网络获取的所述关联特征信息包括：
filename,width,height,depth,xmin,ymin,xmax,ymax,class
其中，filename是钢卷图片名称，width,height,depth是钢卷图片对应的长、宽、深度信息，xmin、ymin分别为外接矩形框在钢卷图片中的左上角x、y坐标值，xmax、ymax分别为外接矩形框在钢卷图片中的右下角x、y坐标值，class为目标类别。
调用识别模型获取钢卷图像中钢卷特征的位置信息、目标类别和置信度，设置指定的置信度阈值，当检测出来的目标的置信度大于阈值时，则视为钢卷图像中检测到目标钢卷，返回目标钢卷的位置信息、目标类别和置信度，位置信息的格式与内容为：
[xmin,ymin,xmax,ymax]
其中，xmin、ymin分别为外接矩形框在钢卷图片中的左上角的横、纵坐标值；xmax、ymax分别为外接矩形框在钢卷图片中右下角的横、纵坐标值。
在一些实施过程中，判断所述目标钢卷是否在指定区域的步骤包括：
判断目标钢卷的中心线是否落入预设的感兴趣区域ROI内，若是，则所述目标钢卷在指定区域，其中，判断目标钢卷的中心线是否落入预设的感兴趣区域内的数学表达为：
yminR<liney<ymaxR
liney＝(ymin+ymax)/2
[yminR,xminR,ymaxR,xmaxR]
其中，yminR、xminR、ymaxR、xmaxR为预设的感兴趣区域的坐标值，ymin为外接矩形框在钢卷图片中的左上角y坐标值，ymax分别为外接矩形框在钢卷图片中的右下角y坐标值，liney为目标钢卷的中心线的坐标；
当不满足上述数学表达，则可以判定目标钢卷未在指定区域。
在一些实施过程中，识别所述目标钢卷的对应序号的步骤包括：
识别指定区域的目标钢卷的数字，并依次进行对比，记两位数字为数字a、b，数字a、数字b的位置信息分别为：
[ymina,xmina,ymaxa,xmaxa]
[yminb,xminb,ymaxb,xmaxb]
当数字a、数字b的位置信息满足合并映射时，通过数字确定目标钢卷的所述对应序
号，所述合并映射的数学表达为：
|xmaxa-xminb|<threshold1
|ymina-yminb|<threshold2
|ymaxa-ymaxb|<threshold3
其中，ymina、xmina、ymaxa、xmaxa为数字a的坐标，yminb、xminb、ymaxb、xmaxb为数字b的坐标，threshold1、threshold2、threshold3分别为第一阈值、第二阈值和第三阈值，即当两个数字同时满足左右距离小于阈值1，上边界距离与下边界距离分别小于阈值2、阈值3时，认定这两个数字是同一组序号中的不同数字对象，在数字a、b满足合并规则后，合并数字a与数字b信息，更新数字类别为ab，以数字ab为对象，对余下数字重复该过程，完成数字与钢卷的对应。
在一些实施过程中，识别所述目标钢卷的宽度异常的步骤包括：
|xmax-xmin|>threshold4
其中，xmin为外接矩形框在钢卷图片中的左上角x坐标值，xmax为外接矩形框在钢卷图片中的右下角x坐标值，threshold4为钢卷的宽度阈值，当目标钢卷的宽度|xmax-xmin|大于钢卷的宽度阈值threshold4时，则判定钢卷宽度异常，并将识别结果进行报警和处理。
请参阅图2，一种基于机器视觉的钢卷异常识别***，包括：
采集模块10，用于获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
对比模块20，用于对比目标钢卷的位置信息与预设的感兴趣区域，判断所述目标钢卷是否在指定区域；
判定模块30，用于识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号。通过工业场景摄像头截取目标钢卷的钢卷图片进行标注，确定图中钢卷特征并记录对应的位置信息，并将钢卷图片的数据集按训练集、测试集、验证集进行划分，对钢卷特征进行提取学习，直到获得优选的识别模型，通过识别模型对工业生产场景下钢卷进行识别，识别目标钢卷是否在指定区域、检测目标钢卷的宽度是否异常以及识别目标钢卷的对应序号，实现对钢卷异常的识别和监控，避免造成潜在的安全风险。
可选的，获取目标钢卷的关联特征信息的步骤包括：通过目标检测卷积神经网络识别钢卷图片中的目标钢卷及对应的外接矩形框，通过所述外接矩形框确定关联特征信息。
可选的，所述关联特征信息包括：
filename,width,height,depth,xmin,ymin,xmax,ymax,class
其中，filename是钢卷图片名称，width,height,depth是钢卷图片对应的长、宽、深度信息，xmin、ymin分别为外接矩形框在钢卷图片中的左上角x、y坐标值，xmax、ymax分别为外接矩形框在钢卷图片中的右下角x、y坐标值，class为目标类别。
可选的，判断所述目标钢卷是否在指定区域的步骤包括：
判断目标钢卷的中心线是否落入预设的感兴趣区域内，若是，则所述目标钢卷在指定区域，其中，判断目标钢卷的中心线是否落入预设的感兴趣区域内的数学表达为：
yminR<liney<ymaxR
liney＝(ymin+ymax)/2
[yminR,xminR,ymaxR,xmaxR]
其中，yminR、xminR、ymaxR、xmaxR为预设的感兴趣区域的坐标值，ymin为外接矩形框在钢卷图片中的左上角y坐标值，ymax分别为外接矩形框在钢卷图片中的右下角y坐标值，liney为目标钢卷的中心线的坐标。
可选的，识别所述目标钢卷的对应序号的步骤包括：
识别指定区域的目标钢卷的数字，并依次进行对比，记两位数字为数字a、b，数字a、数字b的位置信息分别为：
[ymina,xmina,ymaxa,xmaxa]
[yminb,xminb,ymaxb,xmaxb]
当数字a、数字b的位置信息满足合并映射时，通过数字确定目标钢卷的所述对应序号，所述合并映射的数学表达为：
|xmaxa-xminb|<threshold1
|ymina-yminb|<threshold2
|ymaxa-ymaxb|<threshold3
其中，ymina、xmina、ymaxa、xmaxa为数字a的坐标，yminb、xminb、ymaxb、xmaxb为数字b的坐标，threshold1、threshold2、threshold3分别为第一阈值、第二阈值和第三阈值。
可选的，识别所述目标钢卷的宽度异常的步骤包括：
|xmax-xmin|>threshold4
其中，xmin为外接矩形框在钢卷图片中的左上角x坐标值，xmax为外接矩形框在钢卷图片中的右下角x坐标值，|xmax-xmin|为目标钢卷的宽度，threshold4为钢卷的宽度阈值。
可选的，所述目标检测卷积神经网络包括SSD卷积神经网络、Yolo卷积神经网络或Faster-RCNN卷积神经网络。
本发明实施例提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。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。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。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。
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)

1.一种基于机器视觉的钢卷异常识别方法，其特征在于，包括：
获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
根据所述位置信息与预设的感兴趣区域进行对比，判断所述目标钢卷是否在指定区域；
若所述目标钢卷在指定区域，则识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号；
判断所述目标钢卷是否在指定区域的步骤包括：
判断目标钢卷的中心线是否落入预设的感兴趣区域内，若是，则所述目标钢卷在指定区域，其中，判断目标钢卷的中心线是否落入预设的感兴趣区域内的数学表达为：
其中，为预设的感兴趣区域的坐标值，ymin为外接矩形框在钢卷图片中的左上角y坐标值，ymax分别为外接矩形框在钢卷图片中的右下角y坐标值，liney为目标钢卷的中心线的坐标；
识别所述目标钢卷的宽度异常的步骤包括：
其中，xmin为外接矩形框在钢卷图片中的左上角x坐标值，xmax为外接矩形框在钢卷图片中的右下角x坐标值，为目标钢卷的宽度，threshold4为钢卷的宽度阈值。
2.根据权利要求1所述的基于机器视觉的钢卷异常识别方法，其特征在于，获取目标钢卷的关联特征信息的步骤包括：通过目标检测卷积神经网络识别钢卷图片中的目标钢卷及对应的外接矩形框，通过所述外接矩形框确定关联特征信息。
3.根据权利要求1或者2所述的基于机器视觉的钢卷异常识别方法，其特征在于，所述关联特征信息包括：
其中，filename是钢卷图片名称，width,height,depth 是钢卷图片对应的长、宽、深度信息，xmin、ymin分别为外接矩形框在钢卷图片中的左上角x、y坐标值，xmax、ymax分别为外接矩形框在钢卷图片中的右下角x、y坐标值，class为目标类别。
4.根据权利要求1所述的基于机器视觉的钢卷异常识别方法，其特征在于，识别所述目标钢卷的对应序号的步骤包括：
识别指定区域的目标钢卷的数字，并依次进行对比，记两位数字为数字a、b，数字a、数字b的位置信息分别为：
当数字a、数字b的位置信息满足合并映射时，通过数字确定目标钢卷的所述对应序号，所述合并映射的数学表达为：
其中，为数字a的坐标，为数字b的坐标，分别为第一阈值、第二阈值和第三阈值。
5.根据权利要求2所述的基于机器视觉的钢卷异常识别方法，其特征在于，所述目标检测卷积神经网络包括SSD卷积神经网络、Yolo卷积神经网络或Faster-RCNN卷积神经网络。
6.一种基于机器视觉的钢卷异常识别***，其特征在于，包括：
采集模块，用于获取目标钢卷的关联特征信息，所述关联特征信息包括目标钢卷的位置信息；
对比模块，用于对比目标钢卷的位置信息与预设的感兴趣区域，判断所述目标钢卷是否在指定区域，判断所述目标钢卷是否在指定区域的步骤包括：判断目标钢卷的中心线是否落入预设的感兴趣区域内，若是，则所述目标钢卷在指定区域，其中，判断目标钢卷的中心线是否落入预设的感兴趣区域内的数学表达为：
其中，为预设的感兴趣区域的坐标值，ymin为外接矩形框在钢卷图片中的左上角y坐标值，ymax分别为外接矩形框在钢卷图片中的右下角y坐标值，liney为目标钢卷的中心线的坐标；
判定模块，用于识别所述目标钢卷的对应序号、宽度，确定宽度异常的目标钢卷及对应序号，识别所述目标钢卷的宽度异常的步骤包括：
其中，xmin为外接矩形框在钢卷图片中的左上角x坐标值，xmax为外接矩形框在钢卷图片中的右下角x坐标值，为目标钢卷的宽度，threshold4为钢卷的宽度阈值。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-5中一个或多个所述的方法。
8.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-5中一个或多个所述的方法。
CN202010878551.3A 2020-08-27 2020-08-27 一种基于机器视觉的钢卷异常识别方法、***、设备及介质 Active CN111968104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010878551.3A CN111968104B (zh) 2020-08-27 2020-08-27 一种基于机器视觉的钢卷异常识别方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010878551.3A CN111968104B (zh) 2020-08-27 2020-08-27 一种基于机器视觉的钢卷异常识别方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN111968104A CN111968104A (zh) 2020-11-20
CN111968104B true CN111968104B (zh) 2023-04-07

Family

ID=73399359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010878551.3A Active CN111968104B (zh) 2020-08-27 2020-08-27 一种基于机器视觉的钢卷异常识别方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN111968104B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733841B (zh) * 2020-12-30 2022-12-16 中冶赛迪信息技术(重庆)有限公司 钢卷内部紊乱判断方法、***、设备及介质
CN114638783A (zh) * 2022-02-10 2022-06-17 中冶南方工程技术有限公司 一种基于图像识别的钢卷高度对中***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200848175A (en) * 2007-06-08 2008-12-16 China Steel Corp Control system of edge guider and method used thereby
CN109002974A (zh) * 2018-06-29 2018-12-14 首钢京唐钢铁联合有限责任公司 一种钢卷表面质量分级判定方法及装置
CN109816645A (zh) * 2019-01-18 2019-05-28 创新奇智(广州)科技有限公司 一种钢卷松卷的自动检测方法
CN110929756A (zh) * 2019-10-23 2020-03-27 广物智钢数据服务(广州)有限公司 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN111259908A (zh) * 2020-03-24 2020-06-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的钢卷号识别方法、***、设备及存储介质
CN111311670A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 一种基于图像识别的冷床冲顶识别方法、***及设备
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、***、电子设备及介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4796209A (en) * 1986-06-26 1989-01-03 Allegheny Ludlum Corporation Random inventory system
CN102814340B (zh) * 2011-06-08 2014-07-09 鞍钢股份有限公司 热轧带钢宽度控制模型智能学习***及自学习方法
CN102722711B (zh) * 2012-05-31 2014-05-07 信帧电子技术（北京）有限公司 一种车牌类型识别中的车牌字符序列识别方法及装置
CN104951741A (zh) * 2014-03-31 2015-09-30 阿里巴巴集团控股有限公司 一种文字识别方法及装置
CN104683786B (zh) * 2015-02-28 2017-06-16 上海玮舟微电子科技有限公司 裸眼3d设备的人眼跟踪方法及装置
CN105469087B (zh) * 2015-07-13 2017-04-19 百度在线网络技术（北京）有限公司 识别服饰图片的方法、服饰图片的标注方法及装置
CN111232845A (zh) * 2018-11-28 2020-06-05 周口师范学院 一种基于机器视觉的钢卷吊自动抓取算法
CN110070281B (zh) * 2019-04-12 2023-06-02 首钢京唐钢铁联合有限责任公司 一种立式退火炉计划审核方法和装置
CN110110657A (zh) * 2019-05-07 2019-08-09 中冶赛迪重庆信息技术有限公司 视觉识别危险的预警方法、装置、设备及存储介质
CN110414529A (zh) * 2019-06-26 2019-11-05 深圳中兴网信科技有限公司 试卷信息提取方法、***及计算机可读存储介质
CN110695132B (zh) * 2019-10-18 2021-04-13 首钢智新迁安电磁材料有限公司 卷取机倒卷方法及装置
CN111161260A (zh) * 2020-01-02 2020-05-15 中冶赛迪重庆信息技术有限公司 一种基于深度学习的热轧带钢表面缺陷检测方法及装置
CN111524113A (zh) * 2020-04-17 2020-08-11 中冶赛迪重庆信息技术有限公司 提升链异常识别方法、***、设备及介质
CN111553950B (zh) * 2020-04-30 2023-04-18 中冶赛迪信息技术(重庆)有限公司 一种钢卷对中判断方法、***、介质及电子终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200848175A (en) * 2007-06-08 2008-12-16 China Steel Corp Control system of edge guider and method used thereby
CN109002974A (zh) * 2018-06-29 2018-12-14 首钢京唐钢铁联合有限责任公司 一种钢卷表面质量分级判定方法及装置
CN109816645A (zh) * 2019-01-18 2019-05-28 创新奇智(广州)科技有限公司 一种钢卷松卷的自动检测方法
CN110929756A (zh) * 2019-10-23 2020-03-27 广物智钢数据服务(广州)有限公司 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN111311670A (zh) * 2020-02-19 2020-06-19 中冶赛迪重庆信息技术有限公司 一种基于图像识别的冷床冲顶识别方法、***及设备
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、***、电子设备及介质
CN111259908A (zh) * 2020-03-24 2020-06-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的钢卷号识别方法、***、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Ying Liang等.Mask Gradient Response-Based Threshold Segmentation for Surface Defect Detection of Milled Aluminum Ingot.《sensors》.2020,第20卷第1-22页. *
冯谦等.基于EAST 与CNN 的钢材表面字符检测与识别方法.《图形图像》.2019,第71-74、79页. *
张轶鑫.基于图像分割和模式识别的钢材断口图像分析方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2018,(第（2018）02期),I138-1957. *
王少等.热轧板带表面质量智能化自动判定***的开发应用.《中国冶金》.2019,第29卷(第7期),第70-73、78页. *
陈刚.伞杆加工过程中的机器视觉检测***研究.《中国优秀硕士学位论文全文数据库 工程科技I辑》.2020,(第（2020）08期),B024-691. *

Also Published As

Publication number Publication date
CN111968104A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN111968104B (zh) 一种基于机器视觉的钢卷异常识别方法、***、设备及介质
CN110738236B (zh) 图像匹配方法、装置、计算机设备及存储介质
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
CN111340027A (zh) 一种堆钢识别方法、***、电子设备及介质
CN113962306A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN112085753A (zh) 基于图像处理的水位监测方法、设备、介质及监测***
CN112132523A (zh) 一种货物数量确定方法、***和装置
CN112766045B (zh) 场景变化检测方法、***、电子装置及存储介质
CN111539938A (zh) 一种轧带钢带头曲度检测方法、***、介质及电子终端
CN111898610B (zh) 卡片缺角检测方法、装置、计算机设备及存储介质
CN112525925A (zh) 一种键盘检测方法、***、电子设备及介质
CN110991201B (zh) 条码检测方法及相关装置
CN112683169A (zh) 物体尺寸测量方法、装置、设备及存储介质
CN112053333B (zh) 一种基于机器视觉的方坯检测方法、***、设备及介质
CN112749735B (zh) 基于深度学习的转炉出钢钢流识别方法、***、介质及终端
CN114359172A (zh) 一种库存或陈列场景下的条烟多面检测识别方法及***
CN113177941A (zh) 一种钢卷边裂识别方法、***、介质和终端
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
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN115619791B (zh) 一种物品陈列检测方法、装置、设备及可读存储介质
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112053336B (zh) 一种棒材对齐检测方法、***、设备及介质
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、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

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