CN112037195A - 一种棒材长度异常的检测方法、***、设备及介质 - Google Patents
一种棒材长度异常的检测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN112037195A CN112037195A CN202010894654.9A CN202010894654A CN112037195A CN 112037195 A CN112037195 A CN 112037195A CN 202010894654 A CN202010894654 A CN 202010894654A CN 112037195 A CN112037195 A CN 112037195A
- Authority
- CN
- China
- Prior art keywords
- bar
- length
- acquiring
- image
- associated 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.)
- Granted
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
- G06N3/08—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
- 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
- G06T2207/30204—Marker
-
- 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)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种棒材长度异常的检测方法、***、设备及介质,所述的方法包括:采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;通过识别网络对所述目标数据集进行训练,获取识别模型;通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;通过所述关联信息特征确定异常的棒材对应的编号及长度。通过识别模型对实时的棒材图像进行检测获取棒材的关联信息特征,依据获取棒材的关联信息特征进行判定,获取棒材长度异常的棒材对应的编号和长度,提高了检测效率和时效性,避免人工判定时造成的人为误差以及危害施工安全情况发生。
Description
技术领域
本发明涉及检测技术领域,特别是涉及一种棒材长度异常的检测方法、***、设备及介质。
背景技术
在热轧生产环节中的短尺分离检测点,需对不符合规定长度的棒材进行分拣,确保棒材质量。目前主要通过人工对该类情况进行判断和识别。而面对长期运转的生产线,若仅依靠人工对棒材进行检测,必定会出现错检、漏检的情况,且不具备实时性。同时,现场工作环境极为恶劣,存在巨大的安全隐患。
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棒材长度异常的检测方法、***、设备及介质,用于解决现有技术中棒材长度异常检测不便的问题。
为实现上述目的及其他相关目的,本发明提供一种棒材长度异常的检测方法,包括:
采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
通过识别网络对所述目标数据集进行训练,获取识别模型;
通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
通过所述关联信息特征确定异常的棒材对应的编号及长度。
可选的,通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征的步骤包括:
通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;根据目标框的位置坐标,确定对应编号的棒材的长度。
可选的,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
可选的,通过所述关联信息特征确定异常的棒材对应的编号及长度的数学表达为:
K*|Wn-Wi|≥D
其中,Wi为编号为i的棒材的长度,D为棒材长度的差异阈值。
可选的,采集棒材图像的步骤包括:在所述棒材的上方设置摄像设备,当所述棒材经过所述摄像设备的正上方时,获取所述棒材图像。
可选的,通过所述关联信息特征确定异常的棒材对应的编号及长度的步骤之后还包括:
当出现异常的棒材时,进行***报警;
并将所述异常的棒材进行分离。
一种棒材长度异常的检测***,包括:
采集模块,用于采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
模型模块,用于通过识别网络对所述目标数据集进行训练,获取识别模型;
识别模块,用于通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
判定模块,用于通过所述关联信息特征确定异常的棒材对应的编号及长度。
可选的,通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;根据目标框的位置坐标,确定对应编号的棒材的长度,其中,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
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,使得所述设备执行如权利要求1-6中一个或多个所述的方法。
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,使得设备执行一个或多个所述的方法。
如上所述,本发明的棒材长度异常的检测方法、***、设备及介质,具有以下有益效果:
通过摄像设备采集棒材图像,在该图像中对棒材的目标进行标注,将完成标注的棒材图像输入到识别网络中进行训练,获取识别率较高的识别模型,进而通过识别模型对实时的棒材图像进行检测获取棒材的关联信息特征,依据获取棒材的关联信息特征进行判定,获取棒材长度异常的棒材对应的编号和长度,提高了检测效率和时效性,避免人工判定时造成的人为误差以及危害施工安全情况发生。
附图说明
图1显示为本发明实施例的棒材的结构示意图。
图2显示为本发明实施例的棒材长度异常的检测方法的示意图。
图3显示为本发明实施例的棒材长度异常的检测***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。
请参考图1和图2,本发明提供一种棒材长度异常的检测方法,包括:
S1:采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
S2:通过识别网络对所述目标数据集进行训练,获取识别模型;
S3:通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
S4:通过所述关联信息特征确定异常的棒材对应的编号及长度。通过摄像设备采集棒材图像,在该图像中对棒材的目标进行标注,将完成标注的棒材图像输入到识别网络中进行训练,获取识别率较高的识别模型,进而通过识别模型对实时的棒材图像进行检测获取棒材的关联信息特征,依据获取棒材的关联信息特征进行判定,获取棒材长度异常的棒材对应的编号和长度,提高了检测效率和时效性,避免人工判定时造成的人为误差以及危害施工安全情况发生。
对在特定的工业场景下拍摄的棒材进行标注,并使用图像标注工具的矩形选框标出整个棒材的长度,记录下目标框的坐标信息,并制成数据集,并将其分为三部分:训练集、测试集、验证集,用训练集的数据训练棒材长度目标检测模型。图像标注后棒材长度训练集可用于训练的有效信息包括图像基础属性与标注信息。图片基础属性有:filename-文件名称,width-宽度,height-高度,depth-图像深度。标注信息包括:标注信息包括:xmin,ymin,xmax,ymax,分别代表棒材长度目标框在图像中的左上角横坐标、左上角纵坐标、右下角横坐标与右下角纵坐标。通过学习每张棒材长度训练集图像中标识框范围内的目标特征,最终得到棒材长度目标检测模型。可以选用SSD-MobileNet神经网络,还可以选用R-CNN、Faster-RCNN与YOLO系列等神经网络。
在一些实施过程中,通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征的步骤包括:
通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;根据目标框的位置坐标,确定对应编号的棒材的长度。
在一些实施过程中,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
可选的,通过所述关联信息特征确定异常的棒材对应的编号及长度的数学表达为:
K*|Wn-Wi|≥D
其中,Wi为编号为i的棒材的长度,D为棒材长度的差异阈值,当K*|Wn-Wi|<D时,说明棒材的长度未处于异常状态。
在一些实施过程中,采集棒材图像的步骤包括:在所述棒材的上方设置摄像设备,当所述棒材经过所述摄像设备的正上方时,获取所述棒材图像。例如,摄像设备是用于精整区短尺输送辊道上棒材的拍摄,架设于棒材正上方,竖直往下拍摄,当相机处于棒材竖直上方时,才能确保所有长度的棒材在拍摄区域中,且保证所拍摄棒材的长度与真实长度保持一致。便于通过识别棒材的整体图像来实现对棒材的目标识别,为计算棒材的真实长度,因此需将整个棒材全部拍摄下来,作为目标识别的对象。
可选的,通过所述关联信息特征确定异常的棒材对应的编号及长度的步骤之后还包括:
当出现异常的棒材时,进行***报警;
并将所述异常的棒材进行分离。可选用通过声光报警的方式,提醒工人处理。其他异常反馈情况亦可实现相似效果,如通过传输异常信号至***,由***对该状况进行处理。
请参考图3,本发明还提供一种棒材长度异常的检测***,包括:
采集模块,用于采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
模型模块,用于通过识别网络对所述目标数据集进行训练,获取识别模型;
识别模块,用于通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
判定模块,用于通过所述关联信息特征确定异常的棒材对应的编号及长度。
可选的,通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;根据目标框的位置坐标,确定对应编号的棒材的长度,其中,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
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 (10)
1.一种棒材长度异常的检测方法,其特征在于,包括:
采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
通过识别网络对所述目标数据集进行训练,获取识别模型;
通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
通过所述关联信息特征确定异常的棒材对应的编号及长度。
2.根据权利要求1所述的棒材长度异常的检测方法,其特征在于,通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征的步骤包括:
通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;
根据目标框的位置坐标,确定对应编号的棒材的长度。
3.根据权利要求2所述的棒材长度异常的检测方法,其特征在于,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
4.根据权利要求3所述的棒材长度异常的检测方法,其特征在于,通过所述关联信息特征确定异常的棒材对应的编号及长度的数学表达为:
K*|Wn-Wi|≥D
其中,Wi为编号为i的棒材的长度,D为棒材长度的差异阈值。
5.根据权利要求1所述的棒材长度异常的检测方法,其特征在于,采集棒材图像的步骤包括:在所述棒材的上方设置摄像设备,当所述棒材经过所述摄像设备的正上方时,获取所述棒材图像。
6.根据权利要求1所述的棒材长度异常的检测方法,其特征在于,通过所述关联信息特征确定异常的棒材对应的编号及长度的步骤之后还包括:
当出现异常的棒材时,进行***报警;
并将所述异常的棒材进行分离。
7.一种棒材长度异常的检测***,其特征在于,包括:
采集模块,用于采集棒材图像,并对所述棒材图像中的棒材进行标注,获取目标数据集;
模型模块,用于通过识别网络对所述目标数据集进行训练,获取识别模型;
识别模块,用于通过所述识别模型对实时的棒材图像进行检测,获取棒材的关联信息特征,所述关联信息特征包括:编号、长度;
判定模块,用于通过所述关联信息特征确定异常的棒材对应的编号及长度。
8.根据权利要求7所述的棒材长度异常的检测***,其特征在于,通过所述识别模型获取实时的棒材图像中棒材的目标框,并获取所述目标框的位置坐标;根据目标框的位置坐标,确定对应编号的棒材的长度,其中,根据目标框的位置坐标,确定对应编号的棒材的长度的数学表达为:
|BarLocationxmax-BarLocationxmin|=K*Wn
其中,BarLocationxmin为目标框X轴坐标的最小值,BarLocationxmax为目标框X轴坐标的最大值,K为坐标比例系数,Wn为编号为n的棒材的长度。
9.一种设备,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,使得所述设备执行如权利要求1-6中一个或多个所述的方法。
10.一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1-6中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894654.9A CN112037195B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材长度异常的检测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894654.9A CN112037195B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材长度异常的检测方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037195A true CN112037195A (zh) | 2020-12-04 |
CN112037195B CN112037195B (zh) | 2023-04-07 |
Family
ID=73587494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894654.9A Active CN112037195B (zh) | 2020-08-31 | 2020-08-31 | 一种棒材长度异常的检测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037195B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000198510A (ja) * | 1998-12-28 | 2000-07-18 | Amada Co Ltd | 棒鋼端尺材の在庫管理方法およびその装置 |
US20130034270A1 (en) * | 2010-06-29 | 2013-02-07 | Fujifilm Corporation | Method and device for shape extraction, and size measuring device and distance measuring device |
CN105513082A (zh) * | 2015-12-28 | 2016-04-20 | 中建三局第一建设工程有限责任公司 | 一种成捆棒材识别计数方法和装置 |
CN108151808A (zh) * | 2018-01-09 | 2018-06-12 | 湖北汽车工业学院 | 一种基于图像处理的钢管测量装置和方法 |
CN207946065U (zh) * | 2018-04-08 | 2018-10-09 | 河北科技大学 | 成捆圆钢多目视觉识别*** |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及*** |
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN110097087A (zh) * | 2019-04-04 | 2019-08-06 | 浙江科技学院 | 一种自动钢筋捆扎位置识别方法 |
CN110706210A (zh) * | 2019-09-18 | 2020-01-17 | 五邑大学 | 一种基于深度学习的钢筋计数方法及装置 |
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 |
CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111127457A (zh) * | 2019-12-25 | 2020-05-08 | 上海找钢网信息科技股份有限公司 | 钢筋数目统计模型训练方法、统计方法、装置及设备 |
CN111512115A (zh) * | 2018-09-17 | 2020-08-07 | 数据储存有限责任公司 | 原木检尺***及相关方法 |
CN111523535A (zh) * | 2020-04-01 | 2020-08-11 | 南通大学 | 基于机器视觉与深度学习的类圆对象识别计数检测算法 |
CN111523429A (zh) * | 2020-04-16 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的堆钢识别方法 |
-
2020
- 2020-08-31 CN CN202010894654.9A patent/CN112037195B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000198510A (ja) * | 1998-12-28 | 2000-07-18 | Amada Co Ltd | 棒鋼端尺材の在庫管理方法およびその装置 |
US20130034270A1 (en) * | 2010-06-29 | 2013-02-07 | Fujifilm Corporation | Method and device for shape extraction, and size measuring device and distance measuring device |
CN105513082A (zh) * | 2015-12-28 | 2016-04-20 | 中建三局第一建设工程有限责任公司 | 一种成捆棒材识别计数方法和装置 |
CN108151808A (zh) * | 2018-01-09 | 2018-06-12 | 湖北汽车工业学院 | 一种基于图像处理的钢管测量装置和方法 |
CN207946065U (zh) * | 2018-04-08 | 2018-10-09 | 河北科技大学 | 成捆圆钢多目视觉识别*** |
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN111512115A (zh) * | 2018-09-17 | 2020-08-07 | 数据储存有限责任公司 | 原木检尺***及相关方法 |
CN109215048A (zh) * | 2018-09-21 | 2019-01-15 | 云南中烟工业有限责任公司 | 基于机器视觉的烟丝长度确定方法及*** |
CN110097087A (zh) * | 2019-04-04 | 2019-08-06 | 浙江科技学院 | 一种自动钢筋捆扎位置识别方法 |
CN110706210A (zh) * | 2019-09-18 | 2020-01-17 | 五邑大学 | 一种基于深度学习的钢筋计数方法及装置 |
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 |
CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111127457A (zh) * | 2019-12-25 | 2020-05-08 | 上海找钢网信息科技股份有限公司 | 钢筋数目统计模型训练方法、统计方法、装置及设备 |
CN111523535A (zh) * | 2020-04-01 | 2020-08-11 | 南通大学 | 基于机器视觉与深度学习的类圆对象识别计数检测算法 |
CN111523429A (zh) * | 2020-04-16 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的堆钢识别方法 |
Non-Patent Citations (3)
Title |
---|
HAN YANG 等: "Quantity Detection of Steel Bars Based on Deep Learning", 《OPEN ACCESS LIBRARY JOURNAL》 * |
刘昶 等: "基于SVM的捆装圆棒材计数方法", 《包装工程》 * |
林耀海 等: "结合深度学习与 Hough 变换的等长原木材积检测***", 《林业工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037195B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN109685066B (zh) | 一种基于深度卷积神经网络的矿井目标检测与识别方法 | |
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 | |
WO2010008074A1 (ja) | 木材の管理システム | |
CN111340027A (zh) | 一种堆钢识别方法、***、电子设备及介质 | |
CN113378952A (zh) | 一种皮带机跑偏检测方法、***、介质和终端 | |
CN112432641B (zh) | 基于点云数字孪生技术的变电站操作票执行方法 | |
CN110992305A (zh) | 基于深度学习和多目标跟踪技术的包裹计数方法及*** | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
CN112053333B (zh) | 一种基于机器视觉的方坯检测方法、***、设备及介质 | |
CN111274934A (zh) | 在仓储管理中智能监控叉车运行轨迹的实现方法和*** | |
CN112053336B (zh) | 一种棒材对齐检测方法、***、设备及介质 | |
CN113343779A (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN111597857A (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
CN112052696A (zh) | 一种基于机器视觉的棒材成品库出库标签识别方法、装置及设备 | |
CN111968104B (zh) | 一种基于机器视觉的钢卷异常识别方法、***、设备及介质 | |
CN112053339B (zh) | 一种基于机器视觉的棒材成品库行车安全监测方法、装置及设备 | |
CN111091104A (zh) | 一种目标物体的防护检测方法、装置、设备及存储介质 | |
CN112037195B (zh) | 一种棒材长度异常的检测方法、***、设备及介质 | |
CN112037198B (zh) | 一种热轧棒材定支分离检测方法、***、介质及终端 | |
CN112749735A (zh) | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 | |
CN111985266B (zh) | 尺度图确定方法、装置、设备及存储介质 | |
CN112037194A (zh) | 一种冷床乱钢检测方法、***、设备及介质 | |
CN116453212A (zh) | 一种适用于电力施工场景下违章行为检测方法 | |
CN112037199A (zh) | 热轧棒材收集完成辊道落料检测方法、***、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 |