CN112037197A - 一种热轧棒材冷剪物料堆积检测方法、***及介质 - Google Patents
一种热轧棒材冷剪物料堆积检测方法、***及介质 Download PDFInfo
- Publication number
- CN112037197A CN112037197A CN202010894749.0A CN202010894749A CN112037197A CN 112037197 A CN112037197 A CN 112037197A CN 202010894749 A CN202010894749 A CN 202010894749A CN 112037197 A CN112037197 A CN 112037197A
- Authority
- CN
- China
- Prior art keywords
- position information
- module
- variation
- cold
- accumulation
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 166
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000009825 accumulation Methods 0.000 title claims abstract description 32
- 238000010008 shearing Methods 0.000 title abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005098 hot rolling Methods 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 238000002372 labelling Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Metal Rolling (AREA)
Abstract
本发明提出一种热轧棒材冷剪物料堆积检测方法、***及介质,包括:采集冷剪机对应的滑道的多帧图像;通过物料检测模型判断所述图像中是否存在物料;当存在物料时,获取所述物料的位置信息,并根据所述物料位置信息的变化量输出识别结果;本发明可有效提高物料堆积检测的准确性,保障冷剪机安全运行环境。
Description
技术领域
本发明涉及智能冶金领域,尤其涉及一种热轧棒材冷剪物料堆积检测方法、***及介质。
背景技术
在钢铁产品生产中,热轧棒材冷剪是一道重要工序。在热轧棒材冷剪后,如果出现废钢堆积在滑道上,则会影响到后续冷剪的正常生产。由于多条产线需要长时间运行,且设备往复运动、存在人身安全风险,若仅仅依靠人工识别,势必存在漏检、错检的情况,甚至导致热轧棒材冷剪物料堆积识别成本大幅度上升。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种热轧棒材冷剪物料堆积检测方法、***及介质,主要解决传统人工检测方法存在较大错漏风险的问题。
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。
一种热轧棒材冷剪物料堆积检测方法,包括:
采集冷剪机对应的滑道的多帧图像;
通过物料检测模型判断所述图像中是否存在物料;
当存在物料时,获取所述物料的位置信息,并根据所述物料位置信息的变化量输出识别结果。
可选地,当存在物料时,通过所述物料检测模型获取所述物料在所述多帧图像中的位置信息;
若所述物料在所述多帧图像中的位置信息的变化量超出预设的阈值范围,则所述物料运动;
若所述物料在所述多帧图像中的位置信息的变化量未超出预设的阈值范围,则所述物料静止。
可选地,通过预设的摄像模块采集所述滑道的多帧图像,其中,所述摄像模块的图像采集范围覆盖整个所述滑道,且所述摄像模块的视角与所述滑道垂直。
可选地,当所述滑道中存在物料,且所述物料处于静止状态时,输出异常识别结果,并启动预警信息。
可选地,通过所述物料检测模型当前时刻输出的物料的位置信息,与前一个或多个时刻输出的同一物料的位置信息之间的差值获取所述位置信息的变化量。
可选地,还包括:获取相同应用场景下的滑道图像,并对所述滑道图像进行标注,获取标注数据集,其中,标注信息至少包括:物料的外形边框及边框坐标、物料的类型、物料编号;
将所述数据集划分为训练集、测试集和验证集,用于训练神经网络,获取物料检测模型。
可选地,所述神经网络包括以下之一:SSD-MobileNet、R-CNN、Faster-RCNN、YOLO。
一种热轧棒材冷剪物料堆积检测***,包括:
图像采集模块,用于采集冷剪机对应的滑道的多帧图像;
物料识别模块,用于通过物料检测模型判断所述图像中是否存在物料;
异常检测模块,用于当存在物料时,获取所述物料的位置信息,并根据所述物料位置信息的变化量输出识别结果。
可选地,还包括运动判别模块,所述运动判别模块一端与所述物料识别模块连接,另一端与所述异常检测模块连接;所述运动判别模块用于所述当存在物料时,通过所述物料检测模型获取所述物料在所述多帧图像中的位置信息;
若所述物料在所述多帧图像中的位置信息的变化量超出预设的阈值范围,则所述物料运动;
若所述物料在所述多帧图像中的位置信息的变化量未超出预设的阈值范围,则所述物料静止。
可选地,所述运动判别模块包括变化量获取单元,用于通过所述物料检测模型当前时刻输出的物料的位置信息,与前一个或多个时刻输出的同一物料的位置信息之间的差值获取所述位置信息的变化量。
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,使得设备执行所述的热轧棒材冷剪物料堆积检测方法。
如上所述,本发明一种热轧棒材冷剪物料堆积检测方法及***,具有以下有益效果。
通过物料检测模型可实时高效的检测滑道上物料堆积情况,针对异常进行及时报警,保障监测准确性和及时性的同时,有效保证生产安全。
附图说明
图1为本发明一实施例中热轧棒材冷剪物料堆积检测方法的流程图。
图2为本发明一实施例中热轧棒材冷剪物料堆积检测***的模块图。
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,本发明提供热轧棒材冷剪物料堆积检测方法,包括步骤S01-S03。
在步骤S01中,采集冷剪机对应的滑道的多帧图像:
在一实施例中,可通过预设的摄像模块采集滑道的多帧图像,其中,摄像模块的图像采集范围覆盖整个滑道,且摄像模块的视角与所述滑道垂直。可选地,摄像模块可采用摄像头、工业相机、深度相机等,将工业摄像机置于能清晰排到滑道处的地方,相机放置于滑道正侧面,相机视角垂直于滑道,保证工业摄像机可采集包含完整滑道的图像信息。
在步骤S02中,通过物料检测模型判断图像中是否存在物料:
在一实施例中,可采集某一时间段对应应用场景下滑道图像,并对滑道图像进行标注,获取标注数据集。其中,标注信息至少包括:物料的外形边框及边框坐标、物料的类型、物料编号等。
对在特定工业场景下拍摄获得的热轧棒材冷剪物料图像进行图像标注,并使用图像标注工具的矩形选框标出热轧棒材冷剪物料在图像中的位置、记录下目标框的位置信息并制作成热轧棒材冷剪物料堆积数据集,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初始检测模型,通过测试集和验证集对初始检测模型进行微调,获取物料检测模型。
图像标注后标注数据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:point1,point2,point3,point4,分别代表热轧棒材冷剪物料外形边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;class,即物料的类别。
在一实施例中,搭建神经网络并利用标注数据集训练,得到物料检测模型;
通过学习每张滑道图像中外形边框范围内的目标特征,最终得到物料检测模型。其中,神经网络可采用SSD-MobileNet神经网络、R-CNN、Faster-RCNN或YOLO系列等中的一种。
在一实施例中,调用基于深度学习的物料检测模型,识别输入的实时图像中是否存在物料。
算法调用该模型后可以获得输入图像中所有的热轧棒材冷剪物料堆积的位置信息。输出位置信息的格式与内容为:
[Materialpoint1,Materialpoint2,Materialpoin,Materialpoint4],
该列表中的四个坐标分别对应矩形边框的左上角坐标、左下角坐标、右下角坐标、右上角坐标。
在步骤S03中,当存在物料时,获取物料的位置信息,并根据物料位置信息的变化量输出识别结果:
在一实施例中,若检测到滑道上有冷剪物料,将实时图片中钢材位置信息与历史图片中钢材位置信息进行对比;
对所述目标钢材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材是否堆积静止在滑道上,判断目标钢材是否处于静止状态的数学表达为:
|Material Point1x1-Material Point1x2|<Dx
|Material Point1y1-Material Point1y2|<Dy
其中,|Material Point1x1-Material Point1x2|为当前检测时间节点的矩形边框左上角的x坐标与上一检测时间节点的矩形边框左上角的x坐标的差值的绝对值,|Material Point1y1-Material Point1y2|为当前检测时间节点的矩形边框左上角的y坐标与上一检测时间节点的矩形边框左上角的y坐标的差值的绝对值,D为预先设置的第一变化量阈值,为预先设置的第二变化量阈值;
连续判断n张图,当同时满足以上数学表达时,则判定目标钢材处于静止状态,即卡在滑道上面,完成对目标钢材的堆积判断。
在一实施例中,当滑道中存在物料,且物料处于静止状态时,输出异常识别结果,并启动预警信息。具体地,若对比结果为滑道上有冷剪物料堆积,输出异常并触发声光报警***或者触发L1***进行处理,若无,则表示此冷剪环节正常。
请参阅图2,本实施例提供了一种热轧棒材冷剪物料堆积检测***,用于执行前述方法实施例中所述的热轧棒材冷剪物料堆积检测方法。由于***实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,热轧棒材冷剪物料堆积检测***包括图像采集模块10、物料识别模块11和异常检测模块12;图像采集模块10用于辅助执行前述方法实施例介绍的步骤S01物料识别模块11用于辅助执行前述方法实施例介绍的步骤S02;异常检测模块12用于辅助执行前述方法实施例介绍的步骤S03。
在一实施例中,***还包括运动判别模块,运动判别模块一端与物料识别模块连接,另一端与异常检测模块连接;运动判别模块用于当存在物料时,通过物料检测模型获取物料在多帧图像中的位置信息;
若物料在多帧图像中的位置信息的变化量超出预设的阈值范围,则物料运动;
若物料在多帧图像中的位置信息的变化量未超出预设的阈值范围,则物料静止。
在一实施例中,运动判别模块包括变化量获取单元,用于通过物料检测模型当前时刻输出的物料的位置信息,与前一个或多个时刻输出的同一物料的位置信息之间的差值获取位置信息的变化量。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图1中热轧棒材冷剪物料堆积检测方法所包含步骤的指令(instructions)。
综上所述,本发明一种热轧棒材冷剪物料堆积检测方法及***,基于深度学习,利用神经网络与机器视觉,设计了一套能够检测热轧棒材冷剪物料堆积的算法。该算法能够实时检测到画面中的滑道上是否有热轧冷剪物料堆积,并及时进行声光报警或者报送L1***处理,可有效避免人工检测的错漏问题,提高监测效率和精度,保证冷剪机的安全工作环境,保障人身安全。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 (11)
1.一种热轧棒材冷剪物料堆积检测方法,其特征在于,包括:
采集冷剪机对应的滑道的多帧图像;
通过物料检测模型判断所述图像中是否存在物料;
当存在物料时,获取所述物料的位置信息,并根据所述物料位置信息的变化量输出识别结果。
2.根据权利要求1所述的热轧棒材冷剪物料堆积检测方法,其特征在于,当存在物料时,通过所述物料检测模型获取所述物料在所述多帧图像中的位置信息;
若所述物料在所述多帧图像中的位置信息的变化量超出预设的阈值范围,则所述物料运动;
若所述物料在所述多帧图像中的位置信息的变化量未超出预设的阈值范围,则所述物料静止。
3.根据权利要求1所述的热轧棒材冷剪物料堆积检测方法,其特征在于,通过预设的摄像模块采集所述滑道的多帧图像,其中,所述摄像模块的图像采集范围覆盖整个所述滑道,且所述摄像模块的视角与所述滑道垂直。
4.根据权利要求2所述的热轧棒材冷剪物料堆积检测方法,其特征在于,当所述滑道中存在物料,且所述物料处于静止状态时,输出异常识别结果,并启动预警信息。
5.根据权利要求2所述的热轧棒材冷剪物料堆积检测方法,其特征在于,通过所述物料检测模型当前时刻输出的物料的位置信息,与前一个或多个时刻输出的同一物料的位置信息之间的差值获取所述位置信息的变化量。
6.根据权利要求1所述的热轧棒材冷剪物料堆积检测方法,其特征在于,还包括:获取相同应用场景下的滑道图像,并对所述滑道图像进行标注,获取标注数据集,其中,标注信息至少包括:物料的外形边框及边框坐标、物料的类型、物料编号;
将所述数据集划分为训练集、测试集和验证集,用于训练神经网络,获取物料检测模型。
7.根据权利要求5所述的热轧棒材冷剪物料堆积检测方法,其特征在于,所述神经网络包括以下之一:SSD-MobileNet、R-CNN、Faster-RCNN、YOLO。
8.一种热轧棒材冷剪物料堆积检测***,其特征在于,包括:
图像采集模块,用于采集冷剪机对应的滑道的多帧图像;
物料识别模块,用于通过物料检测模型判断所述图像中是否存在物料;
异常检测模块,用于当存在物料时,获取所述物料的位置信息,并根据所述物料位置信息的变化量输出识别结果。
9.根据权利要求8所述的热轧棒材冷剪物料堆积检测***,其特征在于,还包括运动判别模块,所述运动判别模块一端与所述物料识别模块连接,另一端与所述异常检测模块连接;所述运动判别模块用于所述当存在物料时,通过所述物料检测模型获取所述物料在所述多帧图像中的位置信息;
若所述物料在所述多帧图像中的位置信息的变化量超出预设的阈值范围,则所述物料运动;
若所述物料在所述多帧图像中的位置信息的变化量未超出预设的阈值范围,则所述物料静止。
10.根据权利要求9所述的热轧棒材冷剪物料堆积检测***,其特征在于,所述运动判别模块包括变化量获取单元,用于通过所述物料检测模型当前时刻输出的物料的位置信息,与前一个或多个时刻输出的同一物料的位置信息之间的差值获取所述位置信息的变化量。
11.一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1-7中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894749.0A CN112037197A (zh) | 2020-08-31 | 2020-08-31 | 一种热轧棒材冷剪物料堆积检测方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894749.0A CN112037197A (zh) | 2020-08-31 | 2020-08-31 | 一种热轧棒材冷剪物料堆积检测方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037197A true CN112037197A (zh) | 2020-12-04 |
Family
ID=73587672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894749.0A Pending CN112037197A (zh) | 2020-08-31 | 2020-08-31 | 一种热轧棒材冷剪物料堆积检测方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140735A (zh) * | 2021-07-12 | 2022-03-04 | 苏州万店掌网络科技有限公司 | 一种基于深度学习的货道堆积检测方法、***及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530660A (zh) * | 2013-10-31 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种带钢张力传感器故障早期诊断方法 |
CN108764202A (zh) * | 2018-06-06 | 2018-11-06 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
CN109019210A (zh) * | 2018-06-29 | 2018-12-18 | 中国矿业大学 | 基于卷积神经网络的提升***尾绳健康监测***及方法 |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、***及设备 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111429425A (zh) * | 2020-03-20 | 2020-07-17 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的轧机入口异常识别方法 |
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 |
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 |
-
2020
- 2020-08-31 CN CN202010894749.0A patent/CN112037197A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530660A (zh) * | 2013-10-31 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种带钢张力传感器故障早期诊断方法 |
CN108764202A (zh) * | 2018-06-06 | 2018-11-06 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
CN109019210A (zh) * | 2018-06-29 | 2018-12-18 | 中国矿业大学 | 基于卷积神经网络的提升***尾绳健康监测***及方法 |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、***及设备 |
CN111429425A (zh) * | 2020-03-20 | 2020-07-17 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的轧机入口异常识别方法 |
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 |
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 |
---|
SHENGPING WEN 等: "Vision-Based Surface Inspection System for Bearing Rollers Using Convolutional Neural Networks", 《APPLIED SCIENCES》 * |
占启安: "基于火焰图像识别的辊道窑智能网络控制***", 《中国陶瓷》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140735A (zh) * | 2021-07-12 | 2022-03-04 | 苏州万店掌网络科技有限公司 | 一种基于深度学习的货道堆积检测方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪***及方法 | |
CN112419297B (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
CN111310645B (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
US9864908B2 (en) | Slow change detection system | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
CN103196514A (zh) | 一种基于图像的微化工过程液位检测方法 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN111539938A (zh) | 一种轧带钢带头曲度检测方法、***、介质及电子终端 | |
CN108009574A (zh) | 一种轨道扣件检测方法 | |
CN111860143A (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN111523429A (zh) | 基于深度学习的堆钢识别方法 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN115423755A (zh) | 晶圆微加工结构缺陷检测方法及其装置、设备、介质 | |
CN115423743A (zh) | 一种基于改进YOLOv5的热轧带钢表面缺陷检测方法 | |
CN112037197A (zh) | 一种热轧棒材冷剪物料堆积检测方法、***及介质 | |
CN117372377B (zh) | 一种单晶硅棱线的断线检测方法、装置及电子设备 | |
CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
CN117471565A (zh) | 一种智能机器人水下检测方法、***及介质 | |
CN117975057A (zh) | 一种基于特征比对的工厂环境异常检测方法 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN110060339B (zh) | 一种基于云计算图形图像的三维建模方法 | |
CN113020428B (zh) | 级进模的加工监控方法、装置、设备及存储介质 | |
CN115494074A (zh) | 用于连铸板坯表面缺陷的在线检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |