-
公开(公告)号：CN117314904B
公开(公告)日：2024-02-23
申请号：CN202311597413.8
申请日：2023-11-28
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及图像处理领域，具体提供一种钢板表面缺陷检测方法，包括：获取钢板表面原始图像数据；根据原始图像数据，建立钢板表面缺陷标注数据集；根据训练集训练目标检测模型，以得到训练模型；将测试集导入训练模型，得到目标检测推理结果；根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像；生成二分类数据集，二分类数据集包括标注数据集中的缺陷图像以及误检背景图像；使用二分类数据集训练多个分类模型，以得到第一候选模型；组合第一候选模型以得到最优组合模型，并将目标检测推理结果代入最优组合模型以对目标检测推理结果进行优化。通过目标检测以及最优组合优化检测结果，达到提升缺陷的检出率，降低缺陷误检率的目的。
-
公开(公告)号：CN117371324A
公开(公告)日：2024-01-09
申请号：CN202311394970.X
申请日：2023-10-26
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06F30/27 , G06F18/214 , G06F18/23 , G06F119/02
Abstract: 本发明公开了一种基于机器学习的新钢种轧制力预测方法，步骤为：(1)采集已有钢种的化学成分和轧制过程中的生产数据；(2)对整理的数据进行异常值和缺失值的识别与填补；(3)对已有钢种的化学成分进行标准化聚类；(4)根据聚类结果对每个类别样本进行机器学习建模训练；(5)实时输入新钢种的化学成分和轧制过程的生产数据并进行清洗；(6)计算新钢种化学成分与各个聚类中心距离，选择距离最近的m个类别；(7)利用m个最近类别的训练模型分别进行轧制力预测，取其平均值作为新钢种预测的轧制力。本发明能更为精准的轧制力预测能更好的进行板材形状和性能控制，从而达到降低不合格产品的风险效用。
-
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：CN118996047A
公开(公告)日：2024-11-22
申请号：CN202410961741.X
申请日：2024-07-17
Applicant: 江苏金恒信息科技股份有限公司
Abstract: 本发明提供一种钢包精炼炉动态补加造渣料自动控制方法及系统，在 LF 炉精炼第一次加热化渣结束后，采集炉内钢水渣面图像，获得实时钢水渣面颜色；将实时钢水渣面颜色与钢水渣面标准颜色进行对比，得到需补加的造渣料种类及重量；从料仓控制器采集料仓内造渣料种类和剩余重量，判断是否满足补料条件；当满足补料条件时，将所述需补加的造渣料种类及重量下发至所述料仓控制器，所述料仓控制器根据需补加的造渣料种类及重量进行称量并投到钢包精炼炉内。本发明方法实现了 LF 炉造渣工序动态补造渣料的自动控制，提升了 LF 炉造渣脱硫效果，有效减少部分精炼钢包出钢钢水成分 S 含量不合格的情况，显著提升了造渣控制的自动化水平。
-
公开(公告)号：CN118116010A
公开(公告)日：2024-05-31
申请号：CN202211076650.5
申请日：2022-09-05
Applicant: 东南大学 , 江苏金恒信息科技股份有限公司
IPC: G06V30/24 , G06T7/73 , G06V30/148 , G06V10/82 , G06V10/764 , G06V30/19
Abstract: 本发明公开了一种基于卷积神经网络的钢板编号识别系统及方法，至少包括钢板编号定位模块、图像裁切模块和钢板编号识别模块，所述钢板编号定位模块基于Ret i naNet卷积神经网络，负责识别图像里钢板编号所在矩形框的位置，并将输出结果发送给图像裁切模块；所述图像裁切模块根据钢板编号定位模块输出的钢板编号位置，做边缘扩大后的图像裁切，并将裁切后的输出结果发送给钢板编号识别模块；所述钢板编号识别模块基于Mobi l eNet卷积神经网络，对图像裁切模块的输出结果进行图像中数字编号内容的识别，完成钢板编号的识别，适应钢板编号识别任务的特殊性，大大提高了准确率。
-
Patent Agency Ranking
公开(公告)号：CN117314904A
公开(公告)日：2023-12-29
申请号：CN202311597413.8
申请日：2023-11-28
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及图像处理领域，具体提供一种钢板表面缺陷检测方法，包括：获取钢板表面原始图像数据；根据原始图像数据，建立钢板表面缺陷标注数据集；根据训练集训练目标检测模型，以得到训练模型；将测试集导入训练模型，得到目标检测推理结果；根据误检的缺陷类型从所述目标检测推理结果中确定误检背景图像；生成二分类数据集，二分类数据集包括标注数据集中的缺陷图像以及误检背景图像；使用二分类数据集训练多个分类模型，以得到第一候选模型；组合第一候选模型以得到最优组合模型，并将目标检测推理结果代入最优组合模型以对目标检测推理结果进行优化。通过目标检测以及最优组合优化检测结果，达到提升缺陷的检出率，降低缺陷误检率的目的。
-
公开(公告)号：CN116934707A
公开(公告)日：2023-10-24
申请号：CN202310898355.6
申请日：2023-07-21
Applicant: 江苏金恒信息科技股份有限公司
IPC: G06T7/00 , G06V10/774 , G06V20/70 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464
Abstract: 本申请提供一种金属板表面缺陷检测方法，首先，利用相机扫描训练金属板，处理数据后得到多模态标注数据集；然后，构建待训练多模态融合网络；最后将多模态标注数据集送入待训练多模态融合网络进行训练，构建多模态融合网络；将待检测的多模态数据经数据对齐与预处理后，送入多模态融合网络进行推理，得到金属板表面缺陷检测结果。本申请采用复合的数据采集方案，有效弥补单一探测方案的表征信息不足的缺点，解决单一检测方案对金属板表面缺陷的判断准确性低的问题。
-
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。
-
公开(公告)号：CN111292026A
公开(公告)日：2020-06-16
申请号：CN202010340992.8
申请日：2020-04-27
Applicant: 江苏金恒信息科技股份有限公司
Abstract: 本申请涉及废钢评级技术领域，公开了一种基于神经网络模型融合的废钢评级方法及装置，该方法中，首先采集废钢的图片，进行数据预处理，获取待评级废钢图片；然后将待评级废钢图片输入至预先建立的神经网络融合模型中，神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，VGG网络模型、ResNet网络模型及Inception网络模型均通过ImageNet数据集进行参数初始化；最后根据所述神经网络融合模型的输出结果，获取所述废钢的类型。上述方法中，利用融合了三种神经网络的模型对废钢图片进行评级，能够有效提高评级结果的准确率。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.034 seconds)
