CN112037199A - 热轧棒材收集完成辊道落料检测方法、***、介质及终端 - Google Patents
热轧棒材收集完成辊道落料检测方法、***、介质及终端 Download PDFInfo
- Publication number
- CN112037199A CN112037199A CN202010896107.4A CN202010896107A CN112037199A CN 112037199 A CN112037199 A CN 112037199A CN 202010896107 A CN202010896107 A CN 202010896107A CN 112037199 A CN112037199 A CN 112037199A
- Authority
- CN
- China
- Prior art keywords
- bar
- roller way
- hot
- target
- point1
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005098 hot rolling Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011895 specific detection Methods 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Image Analysis (AREA)
Abstract
本发明提供一种热轧棒材收集完成辊道落料检测方法、***、介质及终端,方法包括:获取热轧棒材收集完成辊道的图像信息;根据检查台架输出辊道的位置,设置感兴趣区域;对散落棒材进行标注,获取数据集;建立热轧棒材目标检测模型,并对其进行训练;获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果;根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测;本发明利用神经网络与深度学习,可以实时识别画面中的热轧棒材散落情况,在检测到散落棒材时返回警告信号,避免了人工识别带来的可能存在漏检、错检的情况,提高了热轧棒材收集完成辊道落料检测的安全性和准确性。
Description
技术领域
本发明涉及冶金领域和图像识别领域,尤其涉及一种热轧棒材收集完成辊道落料检测方法、***、介质及终端。
背景技术
在热轧生产环节中,需对台架辊道上的棒材进行打捆,如果在收集完成辊道上出现了落料,则会影响棒材打捆的正常进行。为确保该环节的持续顺畅运行,需实时检查输出台架辊道中散落棒材的情况。
目前,热轧棒材收集完成辊道落料检测主要通过有经验的工人识别。但由于产线较多、产线生产时间长,若仅仅依靠人工识别,可能存在漏检、错检的情况。因此,亟需一个自动检测***,替代人工识别,实现对台架辊道上的散落棒材的实时检测,并在检测到散落棒材时返回警告信号,提醒操作人员进行处理。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种热轧棒材收集完成辊道落料检测方法、***、介质及终端,以解决上述技术问题。
本发明提供的热轧棒材收集完成辊道落料检测方法,包括:
获取热轧棒材收集完成辊道的图像信息;
根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域;
对所述图像信息中的散落棒材进行标注,获取数据集;
根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
可选的,所述对所述图像信息中的散落棒材进行标注,获取数据集包括:通过图像标注工具的矩形选框标出散落棒材的位置,进而形成散落棒材的数据集,将所述数据集划分为训练集、测试集、验证集,通过所述训练集中的数据对所述热轧棒材目标检测模型进行训练,通过学习所述训练集中每张热轧棒材图像中的标识框范围内的目标特征,得到所述热轧棒材目标检测模型。
可选的,所述数据集的有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度;所述标注信息包括目标物体的类别。
可选的,将实时视频流数据输入至训练后的热轧棒材目标检测模型进行目标识别;
获取辊道上散落棒材的位置信息,所述辊道上散落棒材的位置信息包括矩形目标框的左上、左下、右下、右上点,以及左上、左下、右下、右上点的坐标信息。
获取目标棒材的实时位置信息和历史位置信息,并根据所述实时位置信息和历史位置信息,判定目标棒材的运动状态。
可选的,所述实时位置信息包括:
[Bar Point1(x1,y1),Bar Point2(x1,y1),Bar Point3(x1,y1),Bar Point4(x1,y1)]
所述历史位置信息包括:
[Bar Point1(x2,y2),Bar Point2(x2,y2),Bar Point3(x2,y2),Bar Point4(x2,y2)]
其中,Bar Point1x1、Bar Point1y1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;
Bar Point4x1、Bar Point4y1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;
Bar Point1x2、Bar Point1y2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;
Bar Point4x2、Bar Point4y2分别为上一检测时间节点的目标识别框右下角的x、y坐标。
可选的,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棒材是否堆积静止在辊道上,进而判断目标棒材是否处于静止状态。
可选的,通过如下判断条件对目标棒材是否处于静止状态进行判断:
|Bar Point1x1-Bar Point1x2|<Dx
|Bar Point1y1-Bar Point1y2|<Dy
其中,|Bar Point1x1-Bar Point1x2|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,|Bar Point1y1-Bar Point1y2|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,Dx为预先设置的第一变化量阈值,Dy为预先设置的第二变化量阈值;
连续判断n张图,当同时满足判断条件时,则判定目标棒材处于静止状态,完成对目标棒材散落状态的判定。
可选的,当目标热轧棒材处于静止状态时,判定辊道上是否存在散落棒材,则反馈异常信号,并进行报警。
本发明还提供一种热轧棒材定支分离检测***,包括:
图像采集模块,获取热轧棒材收集完成辊道的图像信息;
图像处理模块,根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域,以及,对所述图像信息中的散落棒材进行标注,获取数据集;
检测模型,根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
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,所述计算机程序被处理器执行时实现上述任一项所述方法。
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方法。
本发明的有益效果:本发明中的热轧棒材收集完成辊道落料检测方法、***、介质及终端,利用神经网络与深度学习,可以实时识别画面中的热轧棒材散落情况,通过对台架辊道上的散落棒材的实时检测,并在检测到散落棒材时返回警告信号,提醒操作人员进行处理,避免了人工识别带来的可能存在漏检、错检的情况,提高了热轧棒材收集完成辊道落料检测的安全性和准确性。
附图说明
图1是本发明实施例中热轧棒材收集完成辊道落料检测方法的整体流程示意图。
图2是本发明实施例中热轧棒材收集完成辊道落料检测方法的具体检测流程示意图。
图3是本发明实施例中热轧棒材收集完成辊道落料检测方法的的相机采集棒材图像示意图。
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。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
如图1所示,本实施例中的热轧棒材收集完成辊道落料检测方法,包括:
获取热轧棒材收集完成辊道的图像信息;
根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域;
对所述图像信息中的散落棒材进行标注,获取数据集;
根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
在本实施例中,如图2所示,首先需要在实际的工业场景中架设监控相机,利用所述相机采集热轧棒材样本图像,相机架设于精整区检查台架输出辊道上方。再对图像样本数据中散落棒材的情况进行标注。对在特定工业场景下拍摄获得的热轧棒材图片进行图像标注,并使用图像标注工具的矩形选框标出散落棒材的位置并制作成散落棒材数据集,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散落棒材目标检测模型。图像标注后热轧棒材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:class,即是否存在散落棒材。然后搭建基于深度神经网络的热轧棒材目标检测模型,输入采集到的样本图像数据进行训练,得到基于深度神经网络的热轧棒材目标检测模型。通过学习每张热轧棒材训练集图像中标识框范围内的目标特征,最终得到热轧棒材目标检测模型。可选的,本实施例中的神经网络采用了SSD-MobileNet神经网络,本领域技术人员可以直线,也可以采用其他的目标识别类神经网络实现与本实施例相近的效果,如R-CNN、Faster-RCNN与YOLO系列等,再此不再赘述。
在本实施例中,采集实时图像输入基于深度神经网络的热轧棒材目标检测模型,获得检查台架输出辊道上热轧棒材的信息。通过热轧棒材目标检测模型可以获得输入图像中所有的散落棒材信息。将采集到的实时图像数据输入热轧棒材目标检测模型中,模型输出得到辊道上散落棒材的位置信息。输出位置信息的格式与内容为:
[Bar Point1,Bar Point2,Bar Point3,Bar Point4]
该列表中的四个坐标分别对应矩形目标框的左上、左下、右下、右上点。
[Bar Point1(x,y),Bar Point2(x,y),Bar Point3(x,y),Bar Point4(x,y)]分别代表左上、左下、右下、右上点的横纵坐标。
实时位置信息包括:
[Bar Point1(x1,y1),Bar Point2(x1,y1),Bar Point3(x1,y1),Bar Point4(x1,y1)]
历史位置信息包括:
[Bar Point1(x2,y2),Bar Point2(x2,y2),Bar Point3(x2,y2),Bar Point4(x2,y2)]
其中,Bar Point1x1、Bar Point1y1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;
Bar Point4x1、Bar Point4y1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;
Bar Point1x2、Bar Point1y2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;
Bar Point4x2、Bar Point4y2分别为上一检测时间节点的目标识别框右下角的x、y坐标。
判定检查台架输出辊道上是否存在散落棒材,并反馈判定结果。
判定目标棒材的运动状态,对所述目标棒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棒材是否堆积静止在辊道上,判断目标棒材是否处于静止状态的数学表达为:
|Bar Point1x1-Bar Point1x2|<Dx
|Bar Point1y1-Bar Point1y2|<Dy
其中,|Bar Point1x1-Bar Point1x2|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,|Bar Point1y1-Bar Point1y2|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,Dx为预先设置的第一变化量阈值,Dy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,则判定目标棒材处于静止状态,即卡在辊道上面,完成对目标棒材散落状态的判定。
通过深度学习算法判定辊道上是否存在散落棒材。若存在散落棒材,则反馈异常信号;若不存在散落棒材,则反馈正常信号。
在本实施例中,当热轧棒材目标处于静止状态时,即卡在辊道上面时,可以通过声光报警等方式进行报警,输出异常信号,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***对该状况进行控制和处理。
相应地,本实施例还提供一种热轧棒材定支分离检测***,包括:
图像采集模块,获取热轧棒材收集完成辊道的图像信息;
图像处理模块,根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域,以及,对所述图像信息中的散落棒材进行标注,获取数据集;
检测模型,根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
在本实施例中,热轧棒材定支分离检测***通过上述方法,利用热轧棒材目标检测模型,对热轧棒材定支分离检测。
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。
在上述实施例中,除非另外规定,否则通过使用“第一”、“第二”等序号对共同的对象进行描述,只表示其指代相同对象的不同实例,而非是采用表示被描述的对象必须采用给定的顺序,无论是时间地、空间地、排序地或任何其他方式。
在上述实施例中,说明书对“本实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
上述实施例仅示例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,但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)
1.一种热轧棒材收集完成辊道落料检测方法,其特征在于,包括:
获取热轧棒材收集完成辊道的图像信息;
根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域;
对所述图像信息中的散落棒材进行标注,获取数据集;
根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
2.根据权利要求1所述的热轧棒材收集完成辊道落料检测方法,其特征在于,所述对所述图像信息中的散落棒材进行标注,获取数据集包括:通过图像标注工具的矩形选框标出散落棒材的位置,进而形成散落棒材的数据集,将所述数据集划分为训练集、测试集、验证集,通过所述训练集中的数据对所述热轧棒材目标检测模型进行训练,通过学习所述训练集中每张热轧棒材图像中的标识框范围内的目标特征,得到所述热轧棒材目标检测模型。
3.根据权利要求1所述的热轧棒材收集完成辊道落料检测方法,其特征在于,所述数据集的有效信息包括图像基础属性和标注信息,所述图片基础属性包括文件名称、宽度、高度、图像深度;所述标注信息包括目标物体的类别。
4.根据权利要求2所述的热轧棒材收集完成辊道落料检测方法,其特征在于,
将实时视频流数据输入至训练后的热轧棒材目标检测模型进行目标识别;
获取辊道上散落棒材的位置信息,所述辊道上散落棒材的位置信息包括矩形目标框的左上、左下、右下、右上点,以及左上、左下、右下、右上点的坐标信息。
获取目标棒材的实时位置信息和历史位置信息,并根据所述实时位置信息和历史位置信息,判定目标棒材的运动状态。
5.根据权利要求4所述的热轧棒材收集完成辊道落料检测方法,其特征在于,
所述实时位置信息包括:
[Bar Point1(x1,y1),Bar Point2(x1,y1),Bar Point3(x1,y1),Bar Point4(x1,y1)]
所述历史位置信息包括:
[Bar Point1(x2,y2),Bar Point2(x2,y2),Bar Point3(x2,y2),Bar Point4(x2,y2)]
其中,Bar Point1x1、Bar Point1y1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;
Bar Point4x1、Bar Point4y1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;
Bar Point1x2、Bar Point1y2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;
Bar Point4x2、Bar Point4y2分别为上一检测时间节点的目标识别框右下角的x、y坐标。
6.根据权利要求5所述的热轧棒材收集完成辊道落料检测方法,其特征在于,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棒材是否堆积静止在辊道上,进而判断目标棒材是否处于静止状态。
7.根据权利要求6所述的热轧棒材收集完成辊道落料检测方法,其特征在于,通过如下判断条件对目标棒材是否处于静止状态进行判断:
|Bar Point1x1-Bar Point1x2|<Dx
|Bar Point1y1-Bar Point1y2|<Dy
其中,|Bar Point1x1-Bar Point1x2|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,|Bar Point1y1-BarPoint1y2|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,Dx为预先设置的第一变化量阈值,Dy为预先设置的第二变化量阈值;
连续判断n张图,当同时满足判断条件时,则判定目标棒材处于静止状态,完成对目标棒材散落状态的判定。
8.根据权利要求1-7任一所述的热轧棒材收集完成辊道落料检测方法,其特征在于,当目标热轧棒材处于静止状态时,判定辊道上是否存在散落棒材,则反馈异常信号,并进行报警。
9.一种热轧棒材定支分离检测***,其特征在于,包括:
图像采集模块,获取热轧棒材收集完成辊道的图像信息;
图像处理模块,根据所述图像信息中检查台架输出辊道的位置,设置感兴趣区域,以及,对所述图像信息中的散落棒材进行标注,获取数据集;
检测模型,根据所述数据集,建立基于深度神经网络的热轧棒材目标检测模型,并对其进行训练;
获取实时图像数据,并输入至训练后的热轧棒材目标检测模型,获取识别结果,所述输出别结果包括检查台架输出辊道上热轧棒材的信息;
根据所述识别结果,判定检查台架输出辊道上是否存在散落棒材,完成热轧棒材收集完成辊道落料检测。
10.一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:所述计算机程序被处理器执行时实现权利要求1至9中任一项所述方法。
11.一种电子终端,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9中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896107.4A CN112037199A (zh) | 2020-08-31 | 2020-08-31 | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896107.4A CN112037199A (zh) | 2020-08-31 | 2020-08-31 | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037199A true CN112037199A (zh) | 2020-12-04 |
Family
ID=73585919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010896107.4A Pending CN112037199A (zh) | 2020-08-31 | 2020-08-31 | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037199A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490842A (zh) * | 2019-07-22 | 2019-11-22 | 同济大学 | 一种基于深度学习的带钢表面缺陷检测方法 |
CN110992325A (zh) * | 2019-11-27 | 2020-04-10 | 同济大学 | 基于深度学习的目标清点方法、装置和设备 |
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 |
CN111429424A (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加热炉入口异常识别方法 |
-
2020
- 2020-08-31 CN CN202010896107.4A patent/CN112037199A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490842A (zh) * | 2019-07-22 | 2019-11-22 | 同济大学 | 一种基于深度学习的带钢表面缺陷检测方法 |
CN110992325A (zh) * | 2019-11-27 | 2020-04-10 | 同济大学 | 基于深度学习的目标清点方法、装置和设备 |
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 |
CN111429424A (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加热炉入口异常识别方法 |
Non-Patent Citations (1)
Title |
---|
成鹏飞等: "基于机器视觉的钢棒自动计数***", 《冶金自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 |
CN112749735B (zh) * | 2020-12-30 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 |
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 | |
US10614391B2 (en) | Method and apparatus for work quality control | |
US11763463B2 (en) | Information processing apparatus, control method, and program | |
CN112348791B (zh) | 基于机器视觉的废钢智能检判方法、***、介质及终端 | |
JP2015041164A (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN113378952A (zh) | 一种皮带机跑偏检测方法、***、介质和终端 | |
CN111429424B (zh) | 一种基于深度学习的加热炉入口异常识别方法 | |
CN112766045B (zh) | 场景变化检测方法、***、电子装置及存储介质 | |
CN116593479B (zh) | 电池盖板外观质量检测方法、装置、设备及存储介质 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及*** | |
CN112037198B (zh) | 一种热轧棒材定支分离检测方法、***、介质及终端 | |
CN112037199A (zh) | 热轧棒材收集完成辊道落料检测方法、***、介质及终端 | |
CN113177941B (zh) | 一种钢卷边裂识别方法、***、介质和终端 | |
CN112053336B (zh) | 一种棒材对齐检测方法、***、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 | |
CN111968103B (zh) | 一种钢卷间距检测方法、***、介质及电子终端 | |
CN111968104B (zh) | 一种基于机器视觉的钢卷异常识别方法、***、设备及介质 | |
CN112053333A (zh) | 一种基于机器视觉的方坯检测方法、***、设备及介质 | |
CN113222977A (zh) | 一种行车作业过程中的棒线材标签识别方法、***、介质和终端 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN111860035A (zh) | 图书封面检测方法、装置及存储介质和电子设备 | |
CN112329849A (zh) | 基于机器视觉的废钢料场卸料状态识别方法、介质及终端 | |
CN112037195B (zh) | 一种棒材长度异常的检测方法、***、设备及介质 | |
JP2023018316A (ja) | 画像認識方法、画像認識装置、および画像認識プログラム | |
CN113326793A (zh) | 一种远距离行人位置识别方法、***及存储介质 |
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 | ||
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. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |