基于深度学习的渣量检测方法及系统

    公开(公告)号:CN118864348A

    公开(公告)日:2024-10-29

    申请号:CN202410015018.2

    申请日:2024-01-04

    Abstract: 本发明提供了一种基于深度学习的渣量检测方法及系统,方法包括:步骤S1:采集数据,对实际场景中的数据进行预处理,对数据进行标注并进行数据集扩充增广,得到用于图像分割网络训练用数据集;步骤S2:使用图像分割网络对数据集进行训练,得到分割模型;步骤S3:使用所述分割模型得到数据的液面区域mask;步骤S4:对所述液面区域mask进行灰度值分析,获取到液面区域的灰度图统计规律,对液面区域进行区分,最后计算渣量占比。本发明能够通过采用神经网络的网络结构,对大量渣面进行多层级特征训练,解决以往传统视觉方法处理扒渣液面是因为图像对比度差异、遮挡,烟雾等干扰造成无法有效识别液面的问题。

    基于机器视觉的圆盘剪卡钢和跑偏检测方法和系统及设备

    公开(公告)号:CN116105595A

    公开(公告)日:2023-05-12

    申请号:CN202111322206.2

    申请日:2021-11-09

    Abstract: 本发明提供了一种基于机器视觉的圆盘剪卡钢和跑偏检测方法和系统及设备,包括:边缘设备、图像采集模块;所述边缘设备包括控制模块、图像识别模块;控制模块和图像采集模块通讯连接,控制模块和图像识别模块通讯连接,图像采集模块和图像识别模块通讯连接、控制模块和生产机组通讯连接;图像采集模块采集带钢边丝废料的图像,控制模块根据所述带钢边丝落料的图像在带钢异常状态时向生产机组报警。本发明提供的是能够同时自动检测圆盘剪卡钢和跑偏两种生产异常情况的检测方案,利用无侵入的视觉技术对圆盘剪剪切带钢的边丝废料落下的异常状态进行高效识别,从而避免卡钢和跑偏事故的发生。

Patent Agency Ranking