CN112288716B - 一种钢卷打捆状态检测方法、***、终端及介质 - Google Patents

一种钢卷打捆状态检测方法、***、终端及介质 Download PDF

Info

Publication number
CN112288716B
CN112288716B CN202011174991.7A CN202011174991A CN112288716B CN 112288716 B CN112288716 B CN 112288716B CN 202011174991 A CN202011174991 A CN 202011174991A CN 112288716 B CN112288716 B CN 112288716B
Authority
CN
China
Prior art keywords
steel coil
target
binding band
detection result
image
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
CN202011174991.7A
Other languages
English (en)
Other versions
CN112288716A (zh
Inventor
庞殊杨
刘雨佳
冉星明
刘睿
杜一杰
张超杰
贾鸿盛
毛尚伟
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 CN202011174991.7A priority Critical patent/CN112288716B/zh
Publication of CN112288716A publication Critical patent/CN112288716A/zh
Application granted granted Critical
Publication of CN112288716B publication Critical patent/CN112288716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种钢卷打捆状态检测方法、***、终端及介质，该方法通过获取样本图像，分别根据样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练，获取当前待检测图像信息，并输入至钢卷目标检测模型，生成第一检测结果，将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果，根据第一检测结果、第二检测结果，确定钢卷打捆状态；解决了热轧线材钢卷打捆状态仍需要工人现场检测，不够及时、准确、全面检测，工人劳动风险大、成本高的技术问题，检测更加及时、准确，通过机器实现钢卷打捆状态检测，降低了工人劳动风险、降低了成本。

Description

一种钢卷打捆状态检测方法、***、终端及介质
技术领域
本发明涉及钢铁领域内的图像处理技术领域，特别是涉及一种钢卷打捆状态检测方法、***、终端及介质。
背景技术
在钢铁产品生产中，热轧线材钢卷是为了方便储存和运输的一种重要产品。在运输热轧线材钢卷前往往利用绑带将其打捆。绑带断裂或热轧线材钢卷漏绑等打捆异常情况将导致热轧线材钢卷严重松散。
现有钢卷打捆状态往往依靠人工识别，往往不能及时、准确、全面的检测到全部打捆状态异常的钢卷，工人劳动风险大、危险性高，热轧线材钢卷打捆状态检测成本高。
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钢卷打捆状态检测方法、***、终端及介质，用于解决热轧线材钢卷打捆状态仍需要工人现场检测，不够及时、准确、全面检测，工人劳动风险大、危险性高，成本高的技术问题。
针对于上述问题，本发明提供了一种钢卷打捆状态检测方法，包括：
获取样本图像，所述样本图像包括钢卷和钢卷绑带中至少之一；
分别根据所述样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练；
获取当前待检测图像信息，并输入至所述钢卷目标检测模型，生成第一检测结果；
将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型，生成第二检测结果；
根据所述第一检测结果、第二检测结果，确定钢卷打捆状态。
可选的，所述将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型，生成第二检测结果之前，还包括：
获取感兴趣区域的范围信息；
若根据所述第一检测结果、所述感兴趣区域的范围信息确定目标钢卷位于所述感兴趣区域内，将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型。
可选的，所述感兴趣区域所对应的现场区域设置有辅助识别背景板，若所述目标钢卷位于所述感兴趣区域内，所述当前待检测图像包括所述目标钢卷和所述辅助识别背景板，所述目标钢卷位于所述辅助识别背景板前，且所述目标钢卷位于所述辅助识别背景板范围内。
可选的，还包括在当前待检测图像中确定所述感兴趣区域对应的感兴趣矩形选框；在当前待检测图像中确定所述钢卷对应的当前钢卷矩形目标框；
所述目标钢卷位于所述感兴趣区域内时满足如下条件：
ROIxmin<Holexmin；Holexmax<ROIxmax
ROIymin<Holeymin；Holeymax<ROIymax
其中，ROIxmin为感兴趣矩形选框的左上角坐标，ROIymin为感兴趣矩形选框的左上角纵坐标，ROIxmax为感兴趣矩形选框的右下角横坐标，ROIymax为感兴趣矩形选框的右下角纵坐标，Holexmin为当前钢卷矩形目标框的左上角坐标，Holeymin为当前钢卷矩形目标框的左上角纵坐标，Holexmax为当前钢卷矩形目标框的右下角横坐标，Holeymax为当前钢卷矩形目标框的右下角纵坐标。
可选的，还包括，
根据所述样本图像建立基于深度神经网络的钢卷目标检测模型，并进行训练包括：标注获取的所述样本图像中的钢卷得到钢卷数据集，获取所述钢卷数据集中的钢卷有效信息，构建钢卷深度学习神经网络，结合所述钢卷有效信息训练所述钢卷深度学习神经网络，生成钢卷目标检测模型；
根据所述样本图像建立基于深度神经网络的钢卷绑带目标检测模型，并进行训练包括：标注获取的所述样本图像中的绑带得到绑带数据集，获取所述绑带数据集中的绑带有效信息，构建绑带深度学习神经网络，结合所述绑带有效信息训练所述绑带深度学习神经网络，生成钢卷绑带目标检测模型。
可选的标注获取的所述样本图像中的钢卷包括通过钢卷矩形选框标注钢卷侧面孔洞在所述样本图像中的位置，所述钢卷有效信息包括钢卷图像基础属性和钢卷标注信息，所述钢卷图像基础属性包括钢卷图像文件名称、钢卷宽度、钢卷高度和钢卷图像深度中至少之一，所述钢卷标注信息包括所述钢卷矩形选框的左上角横坐标、所述钢卷矩形选框的左上角纵坐标、所述钢卷矩形选框的右下角横坐标和所述钢卷矩形选框的右下角纵坐标；
标注获取的所述样本图像中的绑带包括通过绑带矩形选框标注绑带在所述样本图像中的位置，所述绑带有效信息包括绑带图像基础属性和绑带标注信息，所述绑带图像基础属性包括绑带图像文件名称、绑带宽度、绑带高度和绑带图像深度中至少之一，所述绑带标注信息包括所述绑带矩形选框的左上角横坐标、所述绑带矩形选框的左上角纵坐标、所述绑带矩形选框的右下角横坐标和所述绑带矩形选框的右下角纵坐标。
可选的，所述根据所述第一检测结果、第二检测结果，确定钢卷打捆状态包括以下任意之一：
若所述第二检测结果中当前钢卷绑带的位置信息为空，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量少于预设数量阈值，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量不少于预设数量阈值，获取各所述钢卷绑带的位置信息，将所述钢卷绑带的位置信息与预设位置信息进行匹配，若匹配失败，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量不少于预设数量阈值，获取各所述钢卷绑带的位置信息，将所述钢卷绑带的位置信息与预设位置信息进行匹配，若匹配成功，所述钢卷打捆状态异常。
本发明还提供了一种钢卷打捆状态检测***，包括：
图像获取模块，用于获取样本图像，所述样本图像包括钢卷和钢卷绑带中至少之一；
模型建立训练模块，用于分别根据所述样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练；
第一生成模块，用于获取当前待检测图像信息，并输入至所述钢卷目标检测模型，生成第一检测结果；
第二生成模块，用于将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型，生成第二检测结果；
确定模块，用于根据所述第一检测结果、第二检测结果，确定钢卷打捆状态。
本发明还提供了一种终端，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述实施例中一个或多个所述的钢卷打捆状态检测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序用于使所述计算机执行如上述实施例中任一项所述的钢卷打捆状态检测方法。
如上所述，本发明提供的一种钢卷打捆状态检测方法、***、终端及介质，具有以下有益效果：
通过获取样本图像，分别根据样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练，获取当前待检测图像信息，并输入至钢卷目标检测模型，生成第一检测结果，将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果，根据第一检测结果、第二检测结果，确定钢卷打捆状态；解决了热轧线材钢卷打捆状态仍需要工人现场检测，不够及时、准确、全面检测，工人劳动风险大、危险性高，成本高的技术问题，检测更加及时、准确，通过机器实现钢卷打捆状态检测，降低了工人劳动风险、危险性，降低了成本。
附图说明
图1为本发明实施例一提供的钢卷打捆状态检测方法的一种流程示意图；
图2为本发明实施例一提供的图像采集设备的镜头、钢卷侧面孔洞、辅助识别背景板的相对位置示意图；
图3为本发明实施例一提供的热轧线材钢卷打捆状态检测方法的一种具体的流程示意图；
图4为本发明实施例一提供的当前待检测图像的一种示意图；
图5为本发明实施例二提供的钢卷打捆状态检测***的一种结构示意图；
图6为本发明实施例二提供的终端的一种结构示意图。
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。
实施例一
请参阅图1，本发明实施例提供的钢卷打捆状态检测方法，包括：
S101：获取样本图像。
其中，样本图像可以利用摄像头或图像采集设备采集，也可以从其他数据库存储的图像或者视频调取，在此不做限定。
可选的，样本图像包括钢卷和钢卷绑带中至少之一，也即该样本图像包括多个子图像，子图像可以仅包括钢卷，也可以既包括钢卷又包括钢卷绑带。
可选的，样本图像包括将绑带正常捆绑在钢卷上的图像。
可选的，钢卷包括但不限于热轧线材钢卷等。
S102：分别根据样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练。
在一些实施例中，根据样本图像建立基于深度神经网络的钢卷目标检测模型，并进行训练包括：标注获取的样本图像中的钢卷得到钢卷数据集，获取钢卷数据集中的钢卷有效信息，构建钢卷深度学习神经网络，结合钢卷有效信息训练钢卷深度学习神经网络，生成钢卷目标检测模型。
可选的，对获取的样本图像中的钢卷进行标注，得到钢卷数据集，按照一定的比例将该钢卷数据集分为训练集、测试集、验证集，例如按照8:1:1等。利用训练集中的数据训练钢卷深度学习神经网络，生成钢卷目标检测模型。
可选的，钢卷数据集中的钢卷有效信息包括钢卷数据集中的训练集的钢卷有效信息。
可选的，标注获取的样本图像中的钢卷包括通过钢卷矩形选框标注钢卷侧面孔洞在样本图像中的位置，钢卷有效信息包括钢卷图像基础属性和钢卷标注信息，钢卷图像基础属性包括钢卷图像文件名称、钢卷宽度、钢卷高度和钢卷图像深度中至少之一，钢卷标注信息包括钢卷矩形选框的左上角横坐标yHolexmin、钢卷矩形选框的左上角纵坐标yHoleymin、钢卷矩形选框的右下角横坐标yHolexmax和钢卷矩形选框的右下角纵坐标yHoleymax。
可选的，标注获取的样本图像中的钢卷得到钢卷数据集包括：
将图像标注工具的矩形选框作为钢卷矩形选框，使用钢卷矩形选框标注出样本图像中钢卷侧面孔洞的位置，记录该钢卷矩形选框的位置，并形成钢卷数据集。
可选的，钢卷有效信息还包括目标物体的类别class。
可选的，结合钢卷有效信息训练钢卷深度学习神经网络，生成钢卷目标检测模型包括：
通过学习每张钢卷训练集图像中钢卷标识框范围内的钢卷目标特征，得到钢卷目标检测模型。
可选的，钢卷深度学习神经网络包括但不限于SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO系列神经网络等中任意之一。
在一些实施例中，根据样本图像建立基于深度神经网络的钢卷绑带目标检测模型，并进行训练包括：标注获取的样本图像中的绑带得到绑带数据集，获取绑带数据集中的绑带有效信息，构建绑带深度学习神经网络，结合绑带有效信息训练绑带深度学习神经网络，生成钢卷绑带目标检测模型。
可选的，对获取的样本图像中的绑带进行标注，得到绑带数据集，按照一定的比例将该绑带数据集分为训练集、测试集、验证集，例如按照8:1:1等。利用训练集中的数据训练绑带深度学习神经网络，生成钢卷绑带目标检测模型。
可选的，绑带数据集中的钢卷有效信息包括绑带数据集的训练集的绑带有效信息。
可选的，标注获取的样本图像中的绑带包括通过绑带矩形选框标注绑带在样本图像中的位置，绑带有效信息包括绑带图像基础属性和绑带标注信息，绑带图像基础属性包括绑带图像文件名称、绑带宽度、绑带高度和绑带图像深度中至少之一，绑带标注信息包括绑带矩形选框的左上角横坐标yBandxmin、绑带矩形选框的左上角纵坐标yBandymin、绑带矩形选框的右下角横坐标yBandxmax和绑带矩形选框的右下角纵坐标yBandymax。
可选的，标注获取的样本图像中的绑带得到绑带数据集包括：
将图像标注工具的矩形选框作为绑带矩形选框，使用绑带矩形选框标注出样本图像中绑带的位置，记录该绑带矩形选框的位置，并形成绑带数据集。
可选的，绑带有效信息还包括目标物体的类别class。
可选的，结合绑带有效信息训练绑带深度学习神经网络，生成钢卷绑带目标检测模型包括：
通过学习每张绑带训练集图像中绑带标识框范围内的绑带目标特征，得到钢卷绑带目标检测模型。
可选的，绑带深度学习神经网络包括但不限于SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO系列神经网络等中任意之一。
可选的，若样本图像包括钢卷和绑带，则在标注时可以分两次分别进行钢卷、绑带的标准，也可以在同一次标注过程对钢卷、绑带进行标注，在此不做限定。
S103：获取当前待检测图像信息，并输入至钢卷目标检测模型，生成第一检测结果。
需要说明的是，当前待检测图像信息可以是由实时监控图像所获取的。此时，依据实时监控的图像信息进行钢卷打捆状态监测，可以实时获取经过监控设备的目标钢卷的打捆状态。若当前待检测图像信息是由实时图像所提供的，则本实施例所提供的钢卷打捆状态监测方法可以实现实时监测。
可选的，第一检测结果包括但不限于前待检测图像中是否包括目标钢卷，若包括目标钢卷，一检测结果还包括目标钢卷所对应的当前钢卷矩形目标框的位置信息。
在一些实施例中，若第一检测结果为空，也即钢卷目标检测模型在当前待检测图像信息中并未检测到目标钢卷，此时目标钢卷打捆状态检测结束。可选的，若当前待检测图像为实时图像，可能此时该目标钢卷可能还未运动到最佳识别位置，可以间隔预设时间后重新获取新的当前待检测图像信息，重新进行目标钢卷打捆状态检测。其中，可选的，预设时间可以根据目标钢卷的运动状态来确定。
在一些实施例中，第一检测结果包括当前待检测图像中所有的目标钢卷侧面孔洞的位置信息。
可选的，第一检测结果的格式与内容包括：
[Holexmin,Holeymin,Holexmax,Holeymax],
上述四个坐标分别为目标钢卷侧面孔洞所对应的当前钢卷矩形目标框的左上、左下、右下、右上点的坐标。其中，Holexmin,Holeymin分别为左上角点的横、纵坐标；Holexmax,Holeymax分别为右下角点的横、纵坐标。
需要说明的是，第一检测结果可能包括一个或多个目标钢卷侧面孔洞，若第一检测结果包括多个目标钢卷侧面孔洞，第一检测结果的格式与内容如下所示：
若钢卷目标检测模型在当前待检测图像信息中并未检测到目标钢卷，上述第一检测结果为空，可以标识为【0,0,0,0】，标识方法还可以是其他方式，在此不做限定。
在一些实施例中，生成第一检测结果之后，将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果之前，还包括：
获取感兴趣区域的范围信息；
若根据第一检测结果、感兴趣区域的范围信息确定目标钢卷位于感兴趣区域内，将当前待检测图像信息输入至钢卷绑带目标检测模型。
可选的，在当前待检测图像中确定感兴趣区域对应的感兴趣矩形选框；在当前待检测图像中确定钢卷对应的当前钢卷矩形目标框，钢卷位于感兴趣区域内时满足如下条件：
ROIxmin<Holexmin；Holexmax<ROIxmax
ROIymin<Holeymin；Holeymax<ROIymax
其中，ROIxmin为感兴趣矩形选框的左上角坐标，ROIymin为感兴趣矩形选框的左上角纵坐标，ROIxmax为感兴趣矩形选框的右下角横坐标，ROIymax为感兴趣矩形选框的右下角纵坐标，Holexmin为当前钢卷矩形目标框的左上角坐标，Holeymin为当前钢卷矩形目标框的左上角纵坐标，Holexmax为当前钢卷矩形目标框的右下角横坐标，Holeymax为当前钢卷矩形目标框的右下角纵坐标。
若当前钢卷矩形目标框的位置不满足上述条件，目标钢卷位于感兴趣区域外，还没到达最佳的识别位置，还需等待运动到合适的位置。
可选的，感兴趣区域所对应的现场区域设置有辅助识别背景板，若目标钢卷位于感兴趣区域内，当前待检测图像包括目标钢卷和辅助识别背景板，目标钢卷位于辅助识别背景板前，且目标钢卷位于辅助识别背景板范围内。
可选的，辅助识别背景板包括纯色背景板。可以通过在现场区域设置纯色背景板以增强检测效果，如蓝色、红色或黄色等较鲜艳的颜色。此类颜色通常与工厂生产环境有较高的对比度，可以增强识别效果；此外，辅助识别背景板有一定的遮挡作用，能避免背景中复杂的工业场景对钢卷目标检测模型、钢卷绑带目标检测模型的训练过程产生影响，增强目标的一致性。
可选的，参见图2，样本图像、当前待检测图像的采集过程中，图像采集设备的视角垂直于辅助识别背景板，且图像采集设备的镜头1、钢卷侧面孔洞2的圆心与辅助识别背景板3的中心，三者基本位于同一条直线上。当然，图像采集设备的镜头、钢卷侧面孔洞的圆心与辅助识别背景板的中心，三者也可以不位于同一条直线上，存在一定角度的倾斜，此时，钢卷打捆状态检测方法还包括图像变换处理，通过图形变换使得样本图像、当前待检测图像中的钢卷侧面孔洞垂直于辅助识别背景板。
可选的，若在热轧线材钢卷圆形侧面正对相机时检测效果更加，将辅助识别背景板在图像采集设备所采集的图像成像的范围区域设置为感兴趣区域(Regionof Interest,简写为ROI)。在实际工业生产场景中，热轧线材钢卷的圆形侧面孔洞正对图像采集设备的镜头，钢卷目标检测模型也是通过识别钢卷侧面孔洞来实现目标检测。
可选的，热轧线材钢卷侧面孔洞的形状接近正圆形，在纯色背景板的衬托下目标明显，将热轧线材钢卷侧面孔洞作为钢卷目标识别模型的识别对象，在识别到该孔洞时即可判定为识别到钢卷。
可选的，钢卷侧面孔洞可以是靠近图像采集设备摄像头一侧的孔洞边缘，也可以是远离图像采集设备摄像头一侧的孔洞边缘，在此不做限定。
S104：将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果。
可选的，第二检测结果的格式与内容包括：
上述四个坐标分别对应当前绑带矩形目标框的左上、左下、右下、右上点的坐标。其中，Bandxmin,Bandymin分别为左上角点的横、纵坐标；Bandxmax,Bandymax分别为右下角点的横、纵坐标。
需要说明的是，上述第二检测结果的格式仅是一种示例性格式，可以根据绑带的数量灵活设置第二检测结果的格式。
需要说明的是，一卷钢卷可能由多个绑带进行捆绑，第二检测结果可能包括多个绑带的位置信息。
可选的，第二检测结果包括至少一个绑带的位置信息，若钢卷目标检测模型在当前待检测图像信息中并未检测到绑带，上述第二检测结果为空，可以标识为【0,0,0,0】，标识方法还可以是其他方式，在此不做限定。
S105：根据第一检测结果、第二检测结果，确定钢卷打捆状态。
可选的，根据第一检测结果、第二检测结果，确定钢卷打捆状态包括以下任意之一：
若第二检测结果中当前钢卷绑带的位置信息为空，钢卷打捆状态异常；
若第二检测结果中当前钢卷绑带的位置信息不为空，获取第二检测结果中钢卷绑带的数量，若数量少于预设数量阈值，钢卷打捆状态异常；
若第二检测结果中当前钢卷绑带的位置信息不为空，获取第二检测结果中钢卷绑带的数量，若数量不少于预设数量阈值，获取各钢卷绑带的位置信息，将钢卷绑带的位置信息与预设位置信息进行匹配，若匹配失败，钢卷打捆状态异常；
若第二检测结果中当前钢卷绑带的位置信息不为空，获取第二检测结果中钢卷绑带的数量，若数量不少于预设数量阈值，获取各钢卷绑带的位置信息，将钢卷绑带的位置信息与预设位置信息进行匹配，若匹配成功，钢卷打捆状态正常。
可选的，钢卷打捆状态检测方法还包括：
若钢卷打捆状态正常，输出各个绑带的位置信息与热轧线材钢卷打捆状态正常信息。
可选的，钢卷打捆状态检测方法还包括：
若钢卷打捆状态异常，发出异常提示。
其中，异常提示可以通过信息、语音、警示灯等方式发出。
可选的，预设数量阈值、预设位置信息可以由本领域技术人员根据需要进行设定，具体数值在此不做限定。其中预设位置信息可以根据需要，可以设定为多个位置范围，若某一绑带位置信息满足其中一个位置范围，则该绑带的位置信息匹配成功，若各个绑带的位置信息均匹配成功，或，超过某一数量的绑带的位置信息匹配成功，则该钢卷打捆状态正常。
可选的，若当前热轧线材钢卷位于感兴趣区域内时，调用训练得到的钢卷绑带目标检测模型：若检测到当前待检测图像中存在热轧线材钢卷绑带，则输出每一个绑带目标的位置信息与热轧线材钢卷打捆状态正常信息，若画面中没有检测到热轧线材钢卷绑带，则输出热轧线材钢卷打捆状态异常的信息。
可选的，若热轧线材钢卷还未进入或已经离开感兴趣区域，则等待直到有热轧线材钢卷进入感兴趣范围后，再将当前待检测图像信息输入至钢卷绑带目标检测模型。
本发明提供了一种钢卷打捆状态检测方法，通过获取样本图像，分别根据样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练，获取当前待检测图像信息，并输入至钢卷目标检测模型，生成第一检测结果，将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果，根据第一检测结果、第二检测结果，确定钢卷打捆状态；解决了热轧线材钢卷打捆状态仍需要工人现场检测，不够及时、准确、全面检测，工人劳动风险大、危险性高，成本高的技术问题，检测更加及时、准确，通过机器实现钢卷打捆状态检测，降低了工人劳动风险、危险性，降低了成本。
可选的，当存在多条生产线需要进行钢卷打捆状态检测时，可以通过设置分布在各生产线能够实现本实施例钢卷打捆状态检测的装置来实现钢卷打捆状态的检测，适用性强，检测更加全面，及时。
下面通过一个具体的实施例示例性的说明本实施提供的钢卷打捆状态检测方法，参见图3，一种热轧线材钢卷打捆状态检测方法包括：
S301：在指定工业场景下设置辅助识别背景板，并使用工业相机采集多张捆有绑带的热轧线材钢卷图像作为样本图像。
可选的，辅助识别背景板包括纯色背景板，通过在现场设置纯色背景板以增强检测效果，如蓝色、红色或黄色等较鲜艳的颜色。此类颜色通常与工厂生产环境有较高的对比度，增强算法的识别效果；辅助识别背景板有一定的遮挡作用，能避免背景中复杂的工业场景对钢卷目标检测模型、钢卷绑带目标检测模型的训练过程产生影响，增强目标的一致性。
S302：对样本图像中的钢卷和绑带分别进行标注，并制作热轧线材钢卷数据集、热轧线材钢卷绑带数据集。
可选的，对在特定工业场景下拍摄获得的样本图像进行图像标注，并使用图像标注工具的矩形选框作为钢卷矩形选框，标出热轧线材钢卷圆面侧面孔洞在图像中的位置、记录下钢卷矩形选框的位置信息并制作成热轧线材钢卷数据集，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热轧线材钢卷目标检测模型。
图像标注后热轧线材钢卷训练集可用于训练的有效信息包括钢卷图像基础属性与钢卷标注信息。钢卷图片基础属性有：filename-钢卷文件名称，width-钢卷宽度，height-钢卷高度，depth-钢卷图像深度。钢卷标注信息包括：xmin,ymin,xmax,ymax，分别代表热轧线材钢卷圆形侧面孔洞对应的钢卷矩形选框在样本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，目标物体的类别。
对在特定工业场景下拍摄获得的样本图像进行图像标注，并使用图像标注工具的矩形选框作为绑带矩形选框，标出所有绑带在样本图像中的位置、记录下绑带矩形选框的位置信息并制作成热轧线材钢卷绑带数据集，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热轧线材钢卷绑带目标检测模型。
图像标注后热轧线材钢卷绑带训练集可用于训练的有效信息包括绑带图像基础属性与绑带标注信息。绑带图片基础属性有：filename-绑带文件名称，width-绑带宽度，height-绑带高度，depth-绑带图像深度。绑带标注信息包括：xmin,ymin,xmax,ymax，分别代表热轧线材钢卷每一个绑带矩形选框在样本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，目标物体的类别。
S303：搭建神经网络并利用热轧线材钢卷数据集和热轧线材钢卷绑带分别进行训练，得到热轧线材钢卷目标检测模型与热轧线材钢卷绑带目标检测模型。
通过学习每张热轧线材钢卷训练集图像中钢卷矩形选框范围内的目标特征，最终得到热轧线材钢卷目标检测模型。通过学习每张热轧线材钢卷绑带训练集图像中绑带矩形选框范围内的目标特征，最终得到热轧线材钢卷绑带目标检测模型。其中，热轧线材钢卷训练集图像为标注有钢卷的样本图像，热轧线材钢卷绑带训练集图像为标注有绑带的样本图像。
可选的，神经网络包括SSD-MobileNet神经网络、R-CNN神经网络、Faster-RCNN神经网络、YOLO系列神经网络等其他的目标识别类神经网络。
S304：获取当前待检测图像信息，并输入至热轧线材钢卷目标检测模型，生成第一检测结果。
第一检测结果包括当前待检测图像中所有的热轧线材钢卷的位置信息。
第一检测结果的格式与内容包括：
[Holexmin,Holeymin,Holexmax,Holeymax],
该列表中的四个坐标分别对应当前钢卷矩形目标框的左上、左下、右下、右上点。Holexmin,Holeymin分别为左上角点的横、纵坐标；Holexmax,Holeymax分别为右下角点的横、纵坐标。
参见图4，图4为一种当前待检测图像的示意图，其包括，一个当前钢卷矩形目标框A和四个当前绑带矩形目标框B。
S305：将第一检测结果中的当前钢卷矩形目标框的位置信息与感兴趣区域比较，判断热轧线材钢卷是否位于感兴趣区域中。
可选的，可以通过对比热轧线材钢卷圆形侧面孔洞的位置信息(当前钢卷矩形目标框的位置信息)与感兴趣区域的范围进行比较，判断当前热轧线材钢卷是否位于适合检测的范围内。可选的，感兴趣区域在当前待检测图像中的范围由辅助识别背景板在当前待检测图像中的感兴趣矩形选框的左上角、与右下角点的坐标确定，其位置信息的内容与格式包括：
[ROIymin,ROIxmin,ROIymax,ROIxmax]
此时用于判断热轧线材钢卷是否位于感兴趣区域内的条件为：
ROIxmin<Holexmin；Holexmax<ROIxmax
ROIymin<Holeymin；Holeymax<ROIymax
其中，ROIxmin为感兴趣矩形选框的左上角坐标，ROIymin为感兴趣矩形选框的左上角纵坐标，ROIxmax为感兴趣矩形选框的右下角横坐标，ROIymax为感兴趣矩形选框的右下角纵坐标，Holexmin为当前钢卷矩形目标框的左上角坐标，Holeymin为当前钢卷矩形目标框的左上角纵坐标，Holexmax为当前钢卷矩形目标框的右下角横坐标，Holeymax为当前钢卷矩形目标框的右下角纵坐标。
满足以上条件，则热轧线材钢卷位于感兴趣区域内，可以调用热轧线材钢卷绑带目标检测模型进行下一步的识别；任一条件不满足，则热轧线材钢卷位于感兴趣区域外，还没到达最佳的识别位置，还需等待运动到合适的位置。
S306：将当前待检测图像信息输入至热轧线材钢卷绑带目标检测模型，生成第二检测结果。
可选的，热轧线材钢卷处于感兴趣区域中时，调用热轧线材钢卷绑带目标检测模型，将当前待检测图像信息输入至热轧线材钢卷绑带目标检测模型，生成第二检测结果。
可选的，若第二检测结果包括至少一个热轧线材钢卷绑带的位置信息，将检测到的热轧线材钢卷绑带的位置信息与热轧线材钢卷打捆状态正常信息一同输出。
可选的，若第二检测结果为空，即若没有检测到热轧线材钢卷绑带，输出热轧线材钢卷打捆状态异常的信息。
可选的，第二检测结果包括当前待检测图像中所有的热轧线材钢卷绑带的位置信息。第二检测结果输出位置信息的格式与内容包括：
该列表中的四个坐标分别对应当前绑带矩形目标框的左上、左下、右下、右上点。Bandxmin,Bandymin分别为左上角点的横、纵坐标；Bandxmax,Bandymax分别为右下角点的横、纵坐标。
可选的，当热轧线材钢卷位于感兴趣区域内时，调用训练得到的热轧线材钢卷绑带目标检测模型：若检测到当前待检测图像中存在热轧线材钢卷绑带，则输出每一个绑带的位置信息与热轧线材钢卷打捆状态正常信息，若当前待检测图像的画面中没有检测到热轧线材钢卷绑带，则输出热轧线材钢卷打捆状态异常的信息。若热轧线材钢卷还未进入或已经离开感兴趣区域，则等待直到有热轧线材钢卷进入感兴趣范围。
实施例二
请参阅图5，一种钢卷打捆状态检测***500，包括：
图像获取模块501，用于获取样本图像，所述样本图像包括钢卷和钢卷绑带中至少之一；
模型建立训练模块502，用于分别根据所述样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练；
第一生成模块503，用于获取当前待检测图像信息，并输入至钢卷目标检测模型，生成第一检测结果；
第二生成模块504，用于将当前待检测图像信息输入至钢卷绑带目标检测模型，生成第二检测结果；
确定模块505，用于根据第一检测结果、第二检测结果，确定钢卷打捆状态。
在本实施例中，该基于视觉伺服的长水口更换设备实质上是设置了多个模块用以执行上述实施例中的钢卷打捆状态检测方法，具体功能和技术效果参照上述实施例一即可，此处不再赘述。
参见图6，本发明实施例还提供了一种终端600，包括处理器601、存储器602和通信总线603；
通信总线603用于将处理器601和存储器连接602；
处理器601用于执行存储器602中存储的计算机程序，以实现如上述实施例一中的一个或多个所述的钢卷打捆状态检测更换方法。
本发明实施例还提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
计算机程序用于使计算机执行如上述实施例一中的任一项所述的钢卷打捆状态检测方法。
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实施例一所包含步骤的指令(instructions)。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
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 (9)

1.一种钢卷打捆状态检测方法，其特征在于，包括：
获取样本图像，所述样本图像包括钢卷和钢卷绑带中至少之一；
分别根据所述样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练；
获取当前待检测图像信息，并输入至所述钢卷目标检测模型，生成第一检测结果，所述第一检测结果包括所述当前待检测图像中是否包括目标钢卷，若所述当前待检测图像包括目标钢卷，所述第一检测结果还包括目标钢卷所对应的当前钢卷矩形目标框的位置信息；
获取感兴趣区域的范围信息；
若根据目标钢卷所对应的当前钢卷矩形目标框的位置信息、感兴趣区域的范围信息确定目标钢卷位于感兴趣区域内，将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型，生成第二检测结果；
若根据目标钢卷所对应的当前钢卷矩形目标框的位置信息、感兴趣区域的范围信息确定目标钢卷位于感兴趣区域外，且若当前待检测图像为实时图像，间隔预设时间后重新获取新的当前待检测图像信息，重新进行目标钢卷打捆状态检测，等待直到有钢卷进入感兴趣区域后，再将新采集的当前待检测图像信息输入至钢卷绑带目标检测模型，得到第二检测结果，其中，所述预设时间根据目标钢卷的运动状态来确定；
根据所述第一检测结果、第二检测结果，确定钢卷打捆状态。
2.根据权利要求1所述的钢卷打捆状态检测方法，其特征在于，所述感兴趣区域所对应的现场区域设置有辅助识别背景板，若所述目标钢卷位于所述感兴趣区域内，所述当前待检测图像包括所述目标钢卷和所述辅助识别背景板，所述目标钢卷位于所述辅助识别背景板前，且所述目标钢卷位于所述辅助识别背景板范围内。
3.根据权利要求1所述的钢卷打捆状态检测方法，其特征在于，还包括在当前待检测图像中确定所述感兴趣区域对应的感兴趣矩形选框；在当前待检测图像中确定所述目标钢卷对应的当前钢卷矩形目标框；
所述目标钢卷位于所述感兴趣区域内时满足如下条件：
ROIxmin<Holexmin；Holexmax<ROIxmax
ROIymin<Holeymin；Holeymax<ROIymax
其中，ROIxmin为感兴趣矩形选框的左上角坐标，ROIymin为感兴趣矩形选框的左上角纵坐标，ROIxmax为感兴趣矩形选框的右下角横坐标，ROIymax为感兴趣矩形选框的右下角纵坐标，Holexmin为当前钢卷矩形目标框的左上角坐标，Holeymin为当前钢卷矩形目标框的左上角纵坐标，Hole xmax为当前钢卷矩形目标框的右下角横坐标，Hole ymax为当前钢卷矩形目标框的右下角纵坐标。
4.根据权利要求1-3任一项所述的钢卷打捆状态检测方法，其特征在于，还包括，根据所述样本图像建立基于深度神经网络的钢卷目标检测模型，并进行训练包括：标注获取的所述样本图像中的钢卷得到钢卷数据集，获取所述钢卷数据集中的钢卷有效信息，构建钢卷深度学习神经网络，结合所述钢卷有效信息训练所述钢卷深度学习神经网络，生成钢卷目标检测模型；
根据所述样本图像建立基于深度神经网络的钢卷绑带目标检测模型，并进行训练包括：标注获取的所述样本图像中的绑带得到绑带数据集，获取所述绑带数据集中的绑带有效信息，构建绑带深度学习神经网络，结合所述绑带有效信息训练所述绑带深度学习神经网络，生成钢卷绑带目标检测模型。
5.根据权利要求4所述的钢卷打捆状态检测方法，其特征在于，
标注获取的所述样本图像中的钢卷包括通过钢卷矩形选框标注钢卷侧面孔洞在所述样本图像中的位置，所述钢卷有效信息包括钢卷图像基础属性和钢卷标注信息，所述钢卷图像基础属性包括钢卷图像文件名称、钢卷宽度、钢卷高度和钢卷图像深度中至少之一，所述钢卷标注信息包括所述钢卷矩形选框的左上角横坐标、所述钢卷矩形选框的左上角纵坐标、所述钢卷矩形选框的右下角横坐标和所述钢卷矩形选框的右下角纵坐标；
标注获取的所述样本图像中的绑带包括通过绑带矩形选框标注绑带在所述样本图像中的位置，所述绑带有效信息包括绑带图像基础属性和绑带标注信息，所述绑带图像基础属性包括绑带图像文件名称、绑带宽度、绑带高度和绑带图像深度中至少之一，所述绑带标注信息包括所述绑带矩形选框的左上角横坐标、所述绑带矩形选框的左上角纵坐标、所述绑带矩形选框的右下角横坐标和所述绑带矩形选框的右下角纵坐标。
6.根据权利要求1-3任一项所述的钢卷打捆状态检测方法，其特征在于，所述根据所述第一检测结果、第二检测结果，确定钢卷打捆状态包括以下任意之一：
若所述第二检测结果中当前钢卷绑带的位置信息为空，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量少于预设数量阈值，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量不少于预设数量阈值，获取各所述钢卷绑带的位置信息，将所述钢卷绑带的位置信息与预设位置信息进行匹配，若匹配失败，所述钢卷打捆状态异常；
若所述第二检测结果中当前钢卷绑带的位置信息不为空，获取所述第二检测结果中钢卷绑带的数量，若所述数量不少于预设数量阈值，获取各所述钢卷绑带的位置信息，将所述钢卷绑带的位置信息与预设位置信息进行匹配，若匹配成功，所述钢卷打捆状态异常。
7.一种钢卷打捆状态检测***，其特征在于，包括：
图像获取模块，用于获取样本图像，所述样本图像包括钢卷和钢卷绑带中至少之一；
模型建立训练模块，用于分别根据所述样本图像建立基于深度神经网络的钢卷目标检测模型、钢卷绑带目标检测模型，并进行训练；
第一生成模块，用于获取当前待检测图像信息，并输入至所述钢卷目标检测模型，生成第一检测结果，所述第一检测结果包括所述当前待检测图像中是否包括目标钢卷，若所述当前待检测图像包括目标钢卷，所述第一检测结果还包括目标钢卷所对应的当前钢卷矩形目标框的位置信息；
第二生成模块，用于获取感兴趣区域的范围信息，若根据目标钢卷所对应的当前钢卷矩形目标框的位置信息、感兴趣区域的范围信息确定目标钢卷位于感兴趣区域内，将所述当前待检测图像信息输入至所述钢卷绑带目标检测模型，生成第二检测结果，以及用于若根据目标钢卷所对应的当前钢卷矩形目标框的位置信息、感兴趣区域的范围信息确定目标钢卷位于感兴趣区域外，且若当前待检测图像为实时图像，间隔预设时间后重新获取新的当前待检测图像信息，重新进行目标钢卷打捆状态检测，等待直到有钢卷进入感兴趣区域后，再将新采集的当前待检测图像信息输入至钢卷绑带目标检测模型，得到第二检测结果，其中，所述预设时间根据目标钢卷的运动状态来确定；
确定模块，用于根据所述第一检测结果、第二检测结果，确定钢卷打捆状态。
8.一种终端，其特征在于，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求1-6中一个或多个所述的钢卷打捆状态检测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
所述计算机程序用于使所述计算机执行如权利要求1-6中任一项所述的钢卷打捆状态检测方法。
CN202011174991.7A 2020-10-28 2020-10-28 一种钢卷打捆状态检测方法、***、终端及介质 Active CN112288716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011174991.7A CN112288716B (zh) 2020-10-28 2020-10-28 一种钢卷打捆状态检测方法、***、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011174991.7A CN112288716B (zh) 2020-10-28 2020-10-28 一种钢卷打捆状态检测方法、***、终端及介质

Publications (2)

Publication Number Publication Date
CN112288716A CN112288716A (zh) 2021-01-29
CN112288716B true CN112288716B (zh) 2023-10-27

Family

ID=74372406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011174991.7A Active CN112288716B (zh) 2020-10-28 2020-10-28 一种钢卷打捆状态检测方法、***、终端及介质

Country Status (1)

Country Link
CN (1) CN112288716B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI787748B (zh) * 2021-03-03 2022-12-21 中國鋼鐵股份有限公司 帶狀產品之孔洞的缺陷預測方法及系統
CN113537199B (zh) * 2021-08-13 2023-05-02 上海淇玥信息技术有限公司 图像边界框筛选方法、***、电子装置及介质
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***
CN115049620B (zh) * 2022-06-17 2024-03-26 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017049163A1 (en) * 2015-09-18 2017-03-23 Auris Surgical Robotics, Inc. Navigation of tubular networks
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
CN110220914A (zh) * 2019-07-16 2019-09-10 中冶赛迪技术研究中心有限公司 高温钢卷打捆带在线检测***及方法
CN110363761A (zh) * 2019-07-22 2019-10-22 上海眼控科技股份有限公司 一种车辆底盘动态检测的起止标志检测***及方法
CN110781834A (zh) * 2019-10-28 2020-02-11 上海眼控科技股份有限公司 交通异常图像检测方法、装置、计算机设备及存储介质
CN111160824A (zh) * 2019-12-05 2020-05-15 深圳市铭华航电工艺技术有限公司 工程资料的检测方法、装置、计算机设备及存储介质
CN111428729A (zh) * 2019-01-09 2020-07-17 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN111553950A (zh) * 2020-04-30 2020-08-18 中冶赛迪重庆信息技术有限公司 一种钢卷对中判断方法、***、介质及电子终端
CN111652834A (zh) * 2019-03-02 2020-09-11 周口师范学院 一种基于支持向量机的钢卷捆扎带识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017049163A1 (en) * 2015-09-18 2017-03-23 Auris Surgical Robotics, Inc. Navigation of tubular networks
CN111428729A (zh) * 2019-01-09 2020-07-17 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN111652834A (zh) * 2019-03-02 2020-09-11 周口师范学院 一种基于支持向量机的钢卷捆扎带识别方法
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
CN110220914A (zh) * 2019-07-16 2019-09-10 中冶赛迪技术研究中心有限公司 高温钢卷打捆带在线检测***及方法
CN110363761A (zh) * 2019-07-22 2019-10-22 上海眼控科技股份有限公司 一种车辆底盘动态检测的起止标志检测***及方法
CN110781834A (zh) * 2019-10-28 2020-02-11 上海眼控科技股份有限公司 交通异常图像检测方法、装置、计算机设备及存储介质
CN111160824A (zh) * 2019-12-05 2020-05-15 深圳市铭华航电工艺技术有限公司 工程资料的检测方法、装置、计算机设备及存储介质
CN111553950A (zh) * 2020-04-30 2020-08-18 中冶赛迪重庆信息技术有限公司 一种钢卷对中判断方法、***、介质及电子终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AC loss measurements in HTS coil assemblies with hybrid coil structures;Zhenan Jiang 等;《Superconductor Science and Technology》;第29卷(第9期);1-13 *
基于计算机视觉检测技术自动计数***的研究与应用;骆志坚 等;仪表技术与传感器(第3期);19-20, 42 *
热轧带钢卷打捆机控制***的研究及应用;付英双 等;《冶金自动化》;297-301 *

Also Published As

Publication number Publication date
CN112288716A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288716B (zh) 一种钢卷打捆状态检测方法、***、终端及介质
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110705405B (zh) 目标标注的方法及装置
CN102930296B (zh) 一种图像识别方法及装置
CN103914802A (zh) 用于使用导入的深度信息的图像选择和掩蔽的***与方法
DE112020005377T5 (de) Systeme und verfahren zur automatischen kamerainstallationsführung (cig)
WO2019041516A1 (zh) 屏幕状态自动检测机器人、方法及计算机可读存储介质
CN112649436A (zh) 一种非固定场景的集装箱图像采集和验视***
CN107703937A (zh) 基于卷积神经网络的自动导航小车***及其冲突规避方法
US20160180201A1 (en) Image processing
CN113393448A (zh) 一种形变检测方法、装置、设备及计算机可读存储介质
CN110602446A (zh) 垃圾回收提醒方法、***及存储介质
CN114332004A (zh) 一种瓷砖表面缺陷检测方法、装置、电子设备及存储介质
KR20220064652A (ko) 지능형 영상분석을 활용하는 디지털 트윈 실시간 공정관제 시스템
CN112800887A (zh) 一种柱状目标物识别***
CN112967224A (zh) 一种基于人工智能的电子电路板检测***、方法及介质
CN104899854A (zh) 堆粮高度线的检测方法和装置
CN117094660A (zh) 一种基于数字孪生技术的施工监控方法及***
KR20210037199A (ko) 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치
CN104809438A (zh) 一种检测电子眼的方法和设备
CN114926429A (zh) 一种线迹长度检测方法、装置、设备及可读存储介质
CN114708192A (zh) 一种目标物计数方法、***、存储介质及计算机设备
CN115690573A (zh) 基站验收方法、装置、设备及存储介质
CN114170591A (zh) 一种基于Saas模式的智慧停车解决方法及***
CN114022843A (zh) 图片处理方法、装置、计算机设备和存储介质

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.

GR01 Patent grant
GR01 Patent grant