CN116468664A - 一种辊底热处理炉钢板跑偏检测的*** - Google Patents
一种辊底热处理炉钢板跑偏检测的*** Download PDFInfo
- Publication number
- CN116468664A CN116468664A CN202310241459.XA CN202310241459A CN116468664A CN 116468664 A CN116468664 A CN 116468664A CN 202310241459 A CN202310241459 A CN 202310241459A CN 116468664 A CN116468664 A CN 116468664A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- furnace
- layer
- offset
- heat treatment
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 106
- 239000010959 steel Substances 0.000 title claims abstract description 106
- 238000010438 heat treatment Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010926 purge Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种辊底热处理炉钢板跑偏检测的***,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:检测摄像设,用于通过多个检测摄像设备获取炉内钢板位置图片;图像预处理单元,用于对获取炉内钢板位置图片进行预处理;图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;偏移量预测单元,用于预测钢板出口位置的偏移量。本发明解决了传统辊底式热处理炉中,钢板偏移量难以检测的问题。
Description
技术领域
本发明涉及的是热处理炉领域,特别涉及一种辊底热处理炉钢板跑偏检测的***。
背景技术
在辊底式热处理炉中,由于钢板是通过其与辊面之间的静摩擦力进行传动,因此辊面的平整度、钢板的平整度,转速等诸多因素都会影响钢坯的运行,会导致钢坯往炉墙一侧偏移,从而产生与炉墙发生碰撞的风险。这不仅会影响钢坯的品质,更严重的会影响热处理炉的正常运行。一般辊底热处理炉都会设置观察孔,但是这需要操作工进行现场观察,并且无法具体得知准确的钢板偏移量。而如果采用一般的工业电视,当钢板还未加热到足够温度时,通过图像不能很好地区分钢板边缘和侧边炉墙的距离关系,达到不检测的目的。
随着自动化水平的提高,特别对于连续辊底式热处理线,各大钢厂急需一种钢坯跑偏在线检测设备,以满足生产需求。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种辊底热处理炉钢板跑偏检测的***。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种辊底热处理炉钢板跑偏检测的***,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:
检测摄像设,安装于热处理炉内预设位置,用于通过多个检测摄像设备获取炉内钢板位置图片;
图像预处理单元,用于对获取炉内钢板位置图片进行预处理,然后将预处理后的钢板位置图片输入到图片处理单元;
图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;
偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;
偏移量预测单元,用于根据多个检测摄像设备的位置信息和对应的偏移量,通过线性回归的方式,建立钢板运动位置和偏移量之间的关系,预测钢板出口位置的偏移量。
进一步地,检测摄像设,安装于热处理炉内预设位置,具体安装位置为:在炉宽中心位置布置检测拍摄设备,并在沿炉长方向设置多个同样设备。
进一步地,钢板在入热处理炉之前,通过对中装置对钢板进行对中,当钢板两侧边缘与两侧炉墙的距离相等时,此时偏移量为0,钢板对中成功。
进一步地,炉内检测摄像设备通过耐热保护套垂直伸入炉内观测,并采用冷气体吹扫的方式进行冷却。
进一步地,图像预处理单元,获取炉内钢板位置图片像素长宽保持一致,并采用去均值和归一化方式对图片进行预处理。
进一步地,图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;其中:卷积神经网络结构及其相关参数为:第一层为卷积层,卷积核大小为3*3;第二层为池化层;第三层为卷积层,卷积核大小为3*3;第四层为池化层;第五层为全连接层;第六层为全连接层;第七层为Softmax层。
进一步地,卷积神经网络中,卷积层和池化层之间采用relu函数;第二层池化采用均值方式,第四层池化采用最大值方式。
进一步地,偏移量预测单元,得到相应的偏移量的具体方法为:首先获取炉辊的长度,然后根据识别的钢板及炉辊的轮廓,确定钢板两端与炉辊两侧距离分别为L1和L2,则相应的偏移量Δx=|L1-L2|/2。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开的一种辊底热处理炉钢板跑偏检测的***,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:检测摄像设,安装于热处理炉内预设位置,用于通过多个检测摄像设备获取炉内钢板位置图片;图像预处理单元,用于对获取炉内钢板位置图片进行预处理,然后将预处理后的钢板位置图片输入到图片处理单元;图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;偏移量预测单元,用于根据多个检测摄像设备的位置信息和对应的偏移量,通过线性回归的方式,建立钢板运动位置和偏移量之间的关系,预测钢板出口位置的偏移量。解决了传统辊底式热处理炉中,钢板偏移量难以检测的问题。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,一种辊底热处理炉钢板跑偏检测的***的结构图;
图2为本发明实施例1中,检测摄像设备安装示意图;
图3为本发明实施例1中,钢板偏移量测量示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种辊底热处理炉钢板跑偏检测的***。
实施例1
本实施例公开了一种辊底热处理炉钢板跑偏检测的***,如图1,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:
检测摄像设,安装于热处理炉内预设位置,用于通过多个检测摄像设备获取炉内钢板位置图片;
在本实施例中,在热处理炉内预设位置安装多个检测摄像设备,具体方法为:在炉宽中心位置布置检测拍摄设备,并在沿炉长方向设置多个同样设备。具体的,如图2,炉内检测摄像设备布置在热处理炉前半段,可根据工艺、炉长、板长等因素布置若干检测点,一般布置3处。根据经验,当钢坯被完全加热后,钢板会产生一定的形变,与炉辊接触面积变大,从而导致附着力增强,因此,钢板跑偏一般发生在热处理炉前半段。
在一些优选实施例中,钢板在入热处理炉之前,通过对中装置对钢板进行对中,当钢板两侧边缘与两侧炉墙的距离相等时,此时偏移量为0,钢板对中成功。
在一些优选实施例中,炉内检测摄像设备通过耐热保护套垂直伸入炉内观测,并采用冷气体吹扫的方式进行冷却。
图像预处理单元,用于对获取炉内钢板位置图片进行预处理,然后将预处理后的钢板位置图片输入到图片处理单元;
在本实施例中,图像预处理单元获取炉内钢板位置图片像素长宽保持一致,并采用去均值和归一化方式对图片进行预处理。具体的,检测摄像设备拍摄的红外灰度值照片像素长宽保持一致,且沿炉长方向的像素点个数在满足需求的情况下尽量小,方便后期快速处理。同时,图片需要进行预处理,如采用去均值和归一化方式处理。输入数据单位不一样,可能会导致神经网络收敛速度慢,训练时间长。数据范围大的输入在模式分类中的作用可能偏大,而数据范围小的作用就有可能偏小由于神经网络中存在的激活函数是有值域限制的,因此需要将网络训练的目标数据映射到激活函数的值域。
图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;
在本实施例中,通过之前采集类似环境的图片,并人为标记轮廓,有10000张图片,其中70%作为训练集,30%作为验证集,得到训练成功的卷积神经网络。其中,卷积神经网络结构及其相关参数为:第一层为卷积层,卷积核大小为3*3;第二层为池化层;第三层为卷积层,卷积核大小为3*3;第四层为池化层;第五层为全连接层;第六层为全连接层;第七层为Softmax层。
在一些优选实施例中,卷积层和池化层之间采用relu函数;第二层池化采用均值方式,第四层池化采用最大值方式。
偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;
在本实施例中,偏移量获取单元得到相应的偏移量的具体方法为:首先获取炉辊的长度,然后根据识别的钢板及炉辊的轮廓,确定钢板两端与炉辊两侧距离分别为L1和L2,则相应的偏移量Δx=|L1-L2|/2。
偏移量预测单元,用于根据多个检测摄像设备的位置信息和对应的偏移量,通过线性回归的方式,建立钢板运动位置和偏移量之间的关系,预测钢板出口位置的偏移量。
具体的,偏移量预测单元预测钢板出口位置的偏移量的方法为:获将距离入口位置最近的测量点编号为1,依次类推,2,3。由于这些测量点的位置信息是已知的,同时它们的偏差Δx1,Δx2,Δx3…,也是已知的,因此可以通过线性回归的方式,建立钢板运动位置和偏差量之间的关系,从而预测钢板出口位置的偏移量。
本实施例公开的一种辊底热处理炉钢板跑偏检测的***,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:检测摄像设,安装于热处理炉内预设位置,用于通过多个检测摄像设备获取炉内钢板位置图片;图像预处理单元,用于对获取炉内钢板位置图片进行预处理,然后将预处理后的钢板位置图片输入到图片处理单元;图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;偏移量预测单元,用于根据多个检测摄像设备的位置信息和对应的偏移量,通过线性回归的方式,建立钢板运动位置和偏移量之间的关系,预测钢板出口位置的偏移量。解决了传统辊底式热处理炉中,钢板偏移量难以检测的问题。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (8)
1.一种辊底热处理炉钢板跑偏检测的***,其特征在于,包括:检测摄像设备、图像预处理单元、图像处理单元、偏移量获取单元、偏移量预测单元;其中:
检测摄像设,安装于热处理炉内预设位置,用于通过多个检测摄像设备获取炉内钢板位置图片;
图像预处理单元,用于对获取炉内钢板位置图片进行预处理,然后将预处理后的钢板位置图片输入到图片处理单元;
图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;
偏移量获取单元,根据已知的炉辊的长度和识别出钢板及炉辊的轮廓,建立像素点和实际长度之间的关系,得到相应的偏移量;
偏移量预测单元,用于根据多个检测摄像设备的位置信息和对应的偏移量,通过线性回归的方式,建立钢板运动位置和偏移量之间的关系,预测钢板出口位置的偏移量。
2.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,检测摄像设,安装于热处理炉内预设位置,具体安装位置为:在炉宽中心位置布置检测拍摄设备,并在沿炉长方向设置多个同样设备。
3.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,钢板在入热处理炉之前,通过对中装置对钢板进行对中,当钢板两侧边缘与两侧炉墙的距离相等时,此时偏移量为0,钢板对中成功。
4.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,炉内检测摄像设备通过耐热保护套垂直伸入炉内观测,并采用冷气体吹扫的方式进行冷却。
5.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,图像预处理单元,获取炉内钢板位置图片像素长宽保持一致,并采用去均值和归一化方式对图片进行预处理。
6.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,图片处理单元,用于利用训练成功的卷积神经网络结构,对钢板位置图片进行识别,识别出钢板及炉辊的轮廓;其中:卷积神经网络结构及其相关参数为:第一层为卷积层,卷积核大小为3*3;第二层为池化层;第三层为卷积层,卷积核大小为3*3;第四层为池化层;第五层为全连接层;第六层为全连接层;第七层为Softmax层。
7.如权利要求6所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,卷积神经网络中,卷积层和池化层之间采用relu函数;第二层池化采用均值方式,第四层池化采用最大值方式。
8.如权利要求1所述的一种辊底热处理炉钢板跑偏检测的***,其特征在于,偏移量预测单元,得到相应的偏移量的具体方法为:首先获取炉辊的长度,然后根据识别的钢板及炉辊的轮廓,确定钢板两端与炉辊两侧距离分别为L1和L2,则相应的偏移量Δx=|L1-L2|/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241459.XA CN116468664A (zh) | 2023-03-14 | 2023-03-14 | 一种辊底热处理炉钢板跑偏检测的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241459.XA CN116468664A (zh) | 2023-03-14 | 2023-03-14 | 一种辊底热处理炉钢板跑偏检测的*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468664A true CN116468664A (zh) | 2023-07-21 |
Family
ID=87181388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310241459.XA Pending CN116468664A (zh) | 2023-03-14 | 2023-03-14 | 一种辊底热处理炉钢板跑偏检测的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468664A (zh) |
-
2023
- 2023-03-14 CN CN202310241459.XA patent/CN116468664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4913264B2 (ja) | 材料の欠陥検出方法およびそのシステム | |
CN116468665A (zh) | 一种辊底热处理炉钢板跑偏检测的方法 | |
CN111521129A (zh) | 基于机器视觉的板坯翘曲检测装置及方法 | |
JP2007132757A (ja) | 外観検査方法および同装置 | |
WO2012171627A1 (en) | Method and device of determining a tracking characteristic and/or strip width of a moving strip | |
CN112122366A (zh) | 一种热轧辊面在线检测***及其检测方法 | |
JP2014048226A (ja) | 条鋼材の形状検査装置及び条鋼材の形状検査方法 | |
CN114126776A (zh) | 热轧钢带的蛇行控制方法、蛇行控制装置以及热轧设备 | |
CN114119483A (zh) | 基于图像处理技术的建筑用轻质墙板质量检测方法及装置 | |
CN116468664A (zh) | 一种辊底热处理炉钢板跑偏检测的*** | |
US6232617B1 (en) | Apparatus for detecting surface defects on running metal strip | |
JP3724720B2 (ja) | 反り形状計測方法及び装置 | |
CN117475205A (zh) | 缺陷类型识别方法、识别装置、控制设备及存储介质 | |
JP3300546B2 (ja) | 鋼板の疵検出方法 | |
CN116460151A (zh) | 一种基于机器视觉的低延时带钢跑偏量检测方法 | |
JP5760462B2 (ja) | 尾端クロップ検出装置 | |
CN114581447B (zh) | 一种基于机器视觉的运输皮带跑偏识别方法和装置 | |
JPH07311161A (ja) | 鋼片の表面疵検査方法及び装置 | |
JP7111142B2 (ja) | 圧延材の入射角検出方法及び装置 | |
CN112361985B (zh) | 一种基于机器视觉的坯料弯曲度检测方法 | |
CN112313019B (zh) | 钢材非压下部宽度检测装置及其检测方法 | |
KR100523099B1 (ko) | 선재압연소재의 단면형상 측정방법 | |
CN110823134B (zh) | 一种靶线计算及工业传感器安装检测方法 | |
JP6521014B2 (ja) | スラブ照合方法およびスラブ照合システム | |
CN115615998B (zh) | 一种圆形磁芯侧面缺陷检测装置及其方法 |
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 |