-
公开(公告)号：CN113344905B
公开(公告)日：2024-05-28
申请号：CN202110722626.3
申请日：2021-06-28
Applicant: 燕山大学
IPC: G06T7/00 , G06T7/11 , G06T7/181 , G06T7/70 , G06N3/0464
Abstract: 本发明涉及一种带材跑偏量检测方法及系统，先获取生产现场的带材跑偏图像，然后对带材跑偏图像进行预处理，得到预处理后图像。再将预处理后图像作为输入，利用分割模型得到辊道和带材的分割结果图像，并对分割结果图像进行边缘提取，得到边缘提取图像，最后根据边缘提取图像，计算带材的跑偏量。本发明所提供的检测方法及系统无需在生产带材的生产线上额外安装传感器设备，直接基于生产现场所安装的监控摄像头获取带材跑偏图像，再对带材跑偏图像进行图像处理即可进行带材跑偏量的检测，该方法无需复杂的安装机构，成本低，通用性强。
-
公开(公告)号：CN112597865A
公开(公告)日：2021-04-02
申请号：CN202011489459.4
申请日：2020-12-16
Applicant: 燕山大学
Abstract: 本发明提供一种热轧带钢边部缺陷智能识别方法，旨在提高热轧带钢边部缺陷检测能力。本发明首先对常见的边部缺陷进行科学分类，在此基础上建立边部缺陷图像数据集，其次以卷积神经网络为核心，设计了一种全新的网络结构，并以此建立了热轧带钢边部缺陷智能识别模型，最终将该模型嵌入表检系统参与指导生产。步骤包括：1、边部缺陷图像数据的采集与预处理；2、热轧带钢边部缺陷智能识别模型的建立；3、识别模型的训练、验证、调优和预测；4、最优识别模型与表检系统的协同融合。本发明方法具有模型结构简单、响应速度快、识别精度高等特点，对提高热轧带钢表面质量具有重要意义。
-
公开(公告)号：CN112036626B
公开(公告)日：2023-08-22
申请号：CN202010852476.3
申请日：2020-08-21
Applicant: 燕山大学
Abstract: 本发明公开了一种热轧带钢边部线状缺陷在线预报方法，其主要步骤包括：1、收集热轧带钢生产数据作为样本数据并对样本数据预处理；2、根据GA‑DNN神经网络建立热轧带钢边部线状缺陷预报模型；3、对热轧带钢边部线状缺陷预报模型进行训练与验证；4、GA‑DNN神经网络热轧带钢边部线状缺陷预报模型在线预报与分析。该方法具有预测精度高、响应速度快、能够实时在线参与控制等特点，对热轧带钢表面质量控制具有重要意义。
-
公开(公告)号：CN112792142A
公开(公告)日：2021-05-14
申请号：CN202011485673.2
申请日：2020-12-16
Applicant: 燕山大学
Abstract: 本发明提出了一种基于板形检测数据的带材跑偏量识别方法。该方法的主要步骤包括：获取板形仪参数、带材参数和板形仪检测的带材板形数据；利用分段线性插值法求解带材发生跑偏时的板形值分布；提出板形平滑性指标概念，并以此建立求解带材跑偏量的目标优化函数；利用现代优化设计方法求解最优的带材跑偏量。本发明方法是通过板形仪的检测数据来实时识别带材跑偏量，该方法执行可靠，所需参数少，识别速度快，稳定性强，对提高冷轧带材板形检测与控制精度具有重要意义。
-
-
Patent Agency Ranking
公开(公告)号：CN112792142B
公开(公告)日：2021-11-09
申请号：CN202011485673.2
申请日：2020-12-16
Applicant: 燕山大学
Abstract: 本发明提出了一种基于板形检测数据的带材跑偏量识别方法。该方法的主要步骤包括：获取板形仪参数、带材参数和板形仪检测的带材板形数据；利用分段线性插值法求解带材发生跑偏时的板形值分布；提出板形平滑性指标概念，并以此建立求解带材跑偏量的目标优化函数；利用现代优化设计方法求解最优的带材跑偏量。本发明方法是通过板形仪的检测数据来实时识别带材跑偏量，该方法执行可靠，所需参数少，识别速度快，稳定性强，对提高冷轧带材板形检测与控制精度具有重要意义。
-
公开(公告)号：CN113592024A
公开(公告)日：2021-11-02
申请号：CN202110922763.1
申请日：2021-08-12
Applicant: 燕山大学
Abstract: 本发明涉及一种冷轧铜带表面缺陷识别模型训练方法，该训练方法包括：建立冷轧铜带的表面缺陷数据集，该表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像。然后构建初始识别模型，该初始识别模型为深度卷积神经网络模型。最后利用表面缺陷数据集对初始识别模型进行训练，得到识别模型，进而所建立的识别模型能够对多种缺陷类别进行识别，实际应用效果好。本发明还用于提供一种冷轧铜带表面缺陷识别方法及系统，利用上述训练方法训练得到的识别模型对待识别图像进行识别，得到待识别图像对应的表面缺陷类别，识别精度高且识别速度快，可以实时在线检测表面缺陷类别。
-
公开(公告)号：CN113172097A
公开(公告)日：2021-07-27
申请号：CN202110587448.8
申请日：2021-05-27
Applicant: 燕山大学
Abstract: 本发明公开了一种基于深度自编码的冷轧带材板形模式识别方法及系统，其包括：1、收集冷轧带材生产过程中的板形数据作为样本数据并进行预处理；2、建立深度自编码神经网络冷轧带材板形模式识别模型Autoencoder；3、深度自编码神经网络带材板形模式识别模型的训练与预测；4、根据训练结果对模型的训练参数进行调优；5、保存训练后的模型参数，获得深度自编码神经网络冷材带钢板形模式识别模型RM；6、将冷轧带材板形模式识别模型RM嵌入板形检测与控制系统中，获得的板形模式分量反馈于板形控制系统。该方法基于无监督深度自编码神经网络对板形数据进行特征提取并获得5种板形基本模式，它能够准确、快速的识别板形，对板形控制具有重要意义。
-
公开(公告)号：CN113592024B
公开(公告)日：2024-05-28
申请号：CN202110922763.1
申请日：2021-08-12
Applicant: 燕山大学
IPC: G06V10/764 , G06V10/774 , G06T7/00 , G06V10/82 , G06N3/0464 , G01N21/01 , G01N21/88 , G01N21/95
Abstract: 本发明涉及一种冷轧铜带表面缺陷识别模型训练方法，该训练方法包括：建立冷轧铜带的表面缺陷数据集，该表面缺陷数据集包括多种表面缺陷类别各自对应的多张训练用图像。然后构建初始识别模型，该初始识别模型为深度卷积神经网络模型。最后利用表面缺陷数据集对初始识别模型进行训练，得到识别模型，进而所建立的识别模型能够对多种缺陷类别进行识别，实际应用效果好。本发明还用于提供一种冷轧铜带表面缺陷识别方法及系统，利用上述训练方法训练得到的识别模型对待识别图像进行识别，得到待识别图像对应的表面缺陷类别，识别精度高且识别速度快，可以实时在线检测表面缺陷类别。
-
公开(公告)号：CN113172097B
公开(公告)日：2022-07-29
申请号：CN202110587448.8
申请日：2021-05-27
Applicant: 燕山大学
Abstract: 本发明公开了一种基于深度自编码的冷轧带材板形模式识别方法及系统，其包括：1、收集冷轧带材生产过程中的板形数据作为样本数据并进行预处理；2、建立深度自编码神经网络冷轧带材板形模式识别模型Autoencoder；3、深度自编码神经网络带材板形模式识别模型的训练与预测；4、根据训练结果对模型的训练参数进行调优；5、保存训练后的模型参数，获得深度自编码神经网络冷材带钢板形模式识别模型RM；6、将冷轧带材板形模式识别模型RM嵌入板形检测与控制系统中，获得的板形模式分量反馈于板形控制系统。该方法基于无监督深度自编码神经网络对板形数据进行特征提取并获得5种板形基本模式，它能够准确、快速的识别板形，对板形控制具有重要意义。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.017 seconds)
