-
公开(公告)号：CN110321658B
公开(公告)日：2023-09-01
申请号：CN201910626875.5
申请日：2019-07-10
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06F30/20
Abstract: 本申请提供了一种板材性能的预测方法及装置。所述方法包括：获取待预测板材的生产数据，针对任一类型的性能指标，根据性能指标的类型，以及预先存储的性能指标的类型与预测模型的对应关系，确定多个候选预测模型，进而根据多个候选预测模型以及预先设置的候选预测模型的权重值，确定组合模型，以及将待预测板材的生产数据输入组合模型中，得到性能指标对应的预测性能数据。采用上述方法对板材进行性能预测时，一方面能够减少频繁取样的操作步骤，缩短等待性能检测的时间，进而可以加快生产节奏，提高生产效率；另一方面，该方法综合考虑了多个预测模型，从而能够进一步提高板材性能的预测准确率。
-
公开(公告)号：CN115909351B
公开(公告)日：2023-06-13
申请号：CN202310079036.2
申请日：2023-02-08
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06V30/148 , G06V10/82 , G06V10/774 , G06V10/22
Abstract: 本申请提供一种基于深度学习的容器编号识别方法及装置，所述方法包括：控制图像采集模块采集待识别容器的灰度图片；标注采集到的灰度图片并选取包含识别标签的有效图片；将有效图片输入目标检测模型和文本识别模型；利用目标检测模型获得有效图片的数字孔区域，利用文本识别模型识别数字孔数值，利用目标检测模型识别有效图片中的校验码孔数值；若数字孔数值和校验码孔数值一致，则根据数字孔数值和校验码孔数值获得待识别容器编号。所述装置包括红外热成像相机、控制器和电控箱，该装置采用上述基于深度学习的容器编号识别方法对容器编号进行识别，可及时发现识别错误并进行追踪和纠正，能够对识别的编号进行校验，提高对容器编号识别的成功率。
-
公开(公告)号：CN113822889B
公开(公告)日：2022-02-15
申请号：CN202111397969.3
申请日：2021-11-24
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06T7/00 , G06N3/04 , G06K9/62 , G06V10/82 , G06V10/774
Abstract: 本申请涉及热轧钢板表面缺陷检测技术领域，提供一种热轧钢板表面缺陷检测方法，该方法包括采集热轧钢板的缺陷图片，对缺陷图片中缺陷坐标和缺陷类别进行标注，再进行数据扩增和数据增强，然后对预先建立的YOLOSteel模型进行训练，得到训练后的YOLOSteel模型，根据训练后的YOLOSteel模型对存在缺陷的热轧钢板进行缺陷定位和缺陷分类。YOLOSteel模型为基于YOLOv4网络模型的改进模型，采用YOLOSteel模型进行热轧钢板表面缺陷检测，一方面降低了模型的参数量和运算量，提高了检测速度，满足工业生产中热轧钢板缺陷检测的实时性，另一方面提高了对热轧钢板的特征提取能力。
-
公开(公告)号：CN113822889A
公开(公告)日：2021-12-21
申请号：CN202111397969.3
申请日：2021-11-24
Applicant: 江苏金恒信息科技股份有限公司
Abstract: 本申请涉及热轧钢板表面缺陷检测技术领域，提供一种热轧钢板表面缺陷检测方法，该方法包括采集热轧钢板的缺陷图片，对缺陷图片中缺陷坐标和缺陷类别进行标注，再进行数据扩增和数据增强，然后对预先建立的YOLOSteel模型进行训练，得到训练后的YOLOSteel模型，根据训练后的YOLOSteel模型对存在缺陷的热轧钢板进行缺陷定位和缺陷分类。YOLOSteel模型为基于YOLOv4网络模型的改进模型，采用YOLOSteel模型进行热轧钢板表面缺陷检测，一方面降低了模型的参数量和运算量，提高了检测速度，满足工业生产中热轧钢板缺陷检测的实时性，另一方面提高了对热轧钢板的特征提取能力。
-
公开(公告)号：CN114078126B
公开(公告)日：2022-04-26
申请号：CN202210057076.2
申请日：2022-01-19
Applicant: 江苏金恒信息科技股份有限公司
Abstract: 本申请实施例提供一种基于机器学习的废钢评级方法及装置，废钢评级方法包括获取多张废钢图片；从多张废钢图片中筛选多张有效图片；将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果。如此，通过对有效图片的处理，获得运输车车厢中装载的待评级废钢的评级结果，提高了废钢评级的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114078126A
公开(公告)日：2022-02-22
申请号：CN202210057076.2
申请日：2022-01-19
Applicant: 江苏金恒信息科技股份有限公司
Abstract: 本申请实施例提供一种基于机器学习的废钢评级方法及装置，废钢评级方法包括获取多张废钢图片；从多张废钢图片中筛选多张有效图片；将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果。如此，通过对有效图片的处理，获得运输车车厢中装载的待评级废钢的评级结果，提高了废钢评级的准确性。
-
公开(公告)号：CN110321658A
公开(公告)日：2019-10-11
申请号：CN201910626875.5
申请日：2019-07-10
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06F17/50
Abstract: 本申请提供了一种板材性能的预测方法及装置。所述方法包括：获取待预测板材的生产数据，针对任一类型的性能指标，根据性能指标的类型，以及预先存储的性能指标的类型与预测模型的对应关系，确定多个候选预测模型，进而根据多个候选预测模型以及预先设置的候选预测模型的权重值，确定组合模型，以及将待预测板材的生产数据输入组合模型中，得到性能指标对应的预测性能数据。采用上述方法对板材进行性能预测时，一方面能够减少频繁取样的操作步骤，缩短等待性能检测的时间，进而可以加快生产节奏，提高生产效率；另一方面，该方法综合考虑了多个预测模型，从而能够进一步提高板材性能的预测准确率。
-
公开(公告)号：CN119888587A
公开(公告)日：2025-04-25
申请号：CN202510001870.9
申请日：2025-01-02
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06V20/50 , G06V10/762 , G06V10/82 , G06V10/25
Abstract: 本申请提供一种高线钢材生产过程物料识别方法及系统，所述方法包括：获取物料输送设备的图像；根据图像，获取物料输送设备的编号；基于图像，利用yolo算法，得到图像的目标边界框；基于目标边界框，利用k‑means聚类算法，得到图像的目标簇；基于目标簇，利用模型库，获取物料输送设备的挂料状态；模型库包括：不同挂料状态的物料输送设备的图像；根据物料输送设备的编号和挂料状态，得到物料输送设备的识别结果，以解决目前设置于C型钩上的RFID标签存在脱落的风险，RFID标签处于高温环境下还存在信号波动的影响，造成RFID标签识别错误的问题，且负责感知料卷状态的传感器会因为温度变化导致感应结果不准确的问题。
-
公开(公告)号：CN115618751B
公开(公告)日：2023-04-07
申请号：CN202211619454.8
申请日：2022-12-16
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N20/20 , G06F119/14
Abstract: 本发明涉及一种钢板力学性能预测方法，其包括：由制造执行系统中导出钢板数据；采集得到的钢板数据进行清洗并划为训练集和测试集；通过训练集对卷积神经网络进行训练得到训练后的卷积神经网络模型，再将训练集和测试集放入训练后的卷积神经网络模型输出新训练集和新测试集；通过新训练集对集成学习模型进行训练，所得到的训练后的集成学习模型经新测试集评估对比合格即将训练后的集成学习模型作为预测模型；进行钢板力学性能预测时只需导入新的钢板的生产过程数据、依次经卷积神经网络模型和集成学习模型处理后即可对其力学性能进行预测。本申请将卷积神经网络模型和集成学习模型的优点结合，可准确预测钢板力学性能，同时降低试验成本。
-
公开(公告)号：CN115618751A
公开(公告)日：2023-01-17
申请号：CN202211619454.8
申请日：2022-12-16
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06N20/20 , G06F119/14
Abstract: 本发明涉及一种钢板力学性能预测方法，其包括：由制造执行系统中导出钢板数据；采集得到的钢板数据进行清洗并划为训练集和测试集；通过训练集对卷积神经网络进行训练得到训练后的卷积神经网络模型，再将训练集和测试集放入训练后的卷积神经网络模型输出新训练集和新测试集；通过新训练集对集成学习模型进行训练，所得到的训练后的集成学习模型经新测试集评估对比合格即将训练后的集成学习模型作为预测模型；进行钢板力学性能预测时只需导入新的钢板的生产过程数据、依次经卷积神经网络模型和集成学习模型处理后即可对其力学性能进行预测。本申请将卷积神经网络模型和集成学习模型的优点结合，可准确预测钢板力学性能，同时降低试验成本。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.033 seconds)
