基于荧光磁粉成像的小方坯表面缺陷自动检测方法

荧光磁粉成像能放大和强化小方坯表面细微缺陷的显现效果.将小方坯荧光磁粉成像和机器视觉检测技术结合起来,设计1套自动化检测系统,实现小方坯的表面磁化及磁粉液喷淋、紫外线照明和荧光图像采集和处理,最终完成缺陷的定位和识别.该系统已经在工业现场得到稳定应用,提高了缺陷检测的效率和精度.     

连铸坯端面信息码智能识别系统

为了解决钢厂企业连铸坯信息跟踪的问题，以提高生产智能化水平，搭建了基于机器视觉的连铸坯端面信息码智能识别系统，并重点研究了该系统的识别方法。由于车间环境或连铸坯表面质量等因素对成像问题的影响，连铸坯端面信息码智能识别难度很大，针对现存的字符识别方法难以满足现场实际产线的需求，提出了一种多方向灰度共生矩阵的图像字符识别方法，该方法利用图像像素之间存在的灰度关系进行特征提取，建立了特征模板库，通过特征值比对进行连铸坯端面信息码的实时智能识别，并详细给出了该识别方法的原理及步骤。结果表明，本方法可有效解决连铸坯端面信息码的自动识别问题，提高了钢厂生产效率以及生产自动化和智能化水平。     

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法.该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别.详...     

特钢棒材标记方案设计与信息码识别

为了解决特钢棒材信息跟踪的问题,提高生产智能化水平,搭建了基于机器视觉的特钢棒材端面信息码识别系统。根据车间环境和特钢棒材端面特征,提出了水平双标志点的标记方案,并针对该标记方案提出了一种信息码图像识别方法。该识别方法提取了字符二值图像灰度共生矩阵与区域连通域面积两组特征,建立特征模板库,利用特征模板库对特钢棒材端面信息码进行识别。结果表明,基于水平双标志点的标记方案能够满足特钢棒材身份标记需求,信息码图像识别方法可有效解决特钢棒材端面信息码的自动识别问题,提高钢厂自动化和智能化水平。     

基于图像处理的贵金属破损识别方法研究

贵金属破损识别在质量鉴定和修复等领域具有应用价值,采用图像处理方法进行贵金属破损的视觉特征识别,提高识别准确性。提出一种基于角点检测和纹理跟踪的贵金属破损识别算法。首先对贵金属成品图像进行降噪处理,然后进行纹理特征提取,采用角点检测和纹理跟踪识别方法实现图像分割,实现图像识别。仿真结果表明,该识别方法精度较高,稳健性较好。     

实时高速棒材图像的识别与跟踪

针对高速生产线上棒材计数困难的问题,使用线扫描相机采集运动棒材图像,利用Blob分析算法识别出棒材端面的质心坐标,并计算其面积大小;利用图像帧间数据联系开发出一种启发式跟踪方法跟踪棒材端面运动.在实验室环境下,开发出高速实时棒材识别与跟踪的硬件与软件系统.首先搭建了硬件平台,确定了硬件的系统参数,而后基于Visual Studio 2035平台进行了软件系统开发.实验结果证明,该系统对生产线上高速运动的不粘连棒材,计数准确率接近100%,且识别时间为毫秒级.     

计算机质量跟踪系统在石钢CONCAST连铸机的应用分析

介绍了石钢小方坯连铸机质量控制系统的主要设备和质量跟踪系统的主要功能,分析了该系统对异常数据的分类及处理、控制模型的实现方法和控制效果。     

基于深度学习的高效火车号识别

基于高性能的YOLOv3目标检测算法,提出一种分阶段高效火车号识别算法。整个识别过程分为两个阶段:第一阶段在低分辨率全局图像中检测出火车号区域位置;第二阶段在局部高分辨率图像中检测出组成火车号的字符,根据字符的空间位置关系搜索得到12位火车号,并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号。另外,本文提出一种结合批一化因子和滤波器相关度的剪枝算法,通过对两个阶段检测模型的剪枝,在保证识别准确率不降（实验中略有提升）的条件下降低了存储空间占用率和计算复杂度。在现场采集的1072幅火车号图像上的实验结果表明,本文提出的火车号识别算法达到了96.92%的整车号识别正确率,平均识别时间仅为191 ms。      

基于BiLSTM-Attention的钢板表面手写板号识别算法

国内钢铁企业生产厂的信息化物料跟踪大都依赖于钢板号。由于生产流程复杂,急需高准确率的板号在线识别技术。自然场景下机器喷号的识别技术较成熟,但复杂场景下的手写板号难以实现自动识别。针对复杂工作场景下钢板表面手写板号特点,提出一种以BiLSTM-Attention为主体结构的深度学习算法。首先结合复杂场景,对图像数据进行预处理,保证模型输入图片质量;然后利用残差神经网络(ResNet)提取图片特征、利用双向长短期记忆网络(BiLSTM)提取基于图像的序列特征;最后基于注意力机制捕获序列内的信息流,对每个字符的特征进行整合,形成文本特征向量以预测输出序列。经现场测试,实现钢板表面手写板号识别任务准确率达86.15%,结果表明算法可行有效,满足实际生产需求。     

小方坯和板坯兼用连铸机

台湾烨联钢公司的现有小方坯连铸机改造成可生产小方坯和窄板坯的兼用连铸机。经改造后,该小方坯连铸机设有谐振式结晶器和组合式结晶器搅拌器。板坯铸流采用四偏心轮振动系统。板坯铸流至小方坯铸流的间距为1650mm。同时也可以1100mm间距按一机两流方式在板坯铸流上浇铸小方坯。板坯铸速0．8—1．2m／min。小方坯铸速1．1-2．2m／min。在设计方案中考虑了通过更换极少量部件和通过快速更换铸流导辊,形成板坯铸流浇铸方式,使调整时间大大缩短,与单一功能连铸机相似。除了可生产小方坯,该新的高度灵活兼用连铸机还可生产最大宽度1300mm的板坯,藉此钢厂可将板坯产量提高到150000t／a左右。     

一种连铸坯定尺控制新技术

针对连铸坯定尺中检测辊存在磨损、打滑等问题，提出了一种基于数字图像边缘检测技术的连铸坯定尺切割和铸机拉速动态跟踪方法。介绍了数字图像边缘检测原理和连铸坯位置动态跟踪原理，并给出了在Visual C＋＋环境下图像的获取、边缘检测算法的程序流程图。     

基于MATLAB图像识别的起重机自动识别电解槽号技术

阐述了基于MATLAB图像识别技术实现起重机自动识别电解槽号。通过在起重机上安装摄像头,将采集来的电解槽图像无线传输到上位机的MATLAB中进行识别,通过SURF特征算法实现特征对比,将电解槽图像数字区域定位截取出来,然后采用灰度图象处理的识别技术对电解槽号去噪,分割,数字归一化模板匹配识别进行提取槽号,然后传输给电车上的PLC进行数据交换实现电解槽号的自动识别。     

单支铸坯质量跟踪方法

本文阐述单支铸坯质量跟踪方法.利用PLC技术、无线通讯技术、红外定位技术、数据库技术、网页技术等,采用精密的伺服驱动硬件装置,用高级编程语言建立模型,对各流铸坯全程生产过程进行动态跟踪,进而实现单支铸坯生产全过程质量管控,为单根铸坯过程质量追溯、连铸坯缺陷过程质量诊断、在线质量预测、批次及过程质量评价、在线质量预警、在线质量判定及质量服务等提供基础数据支撑,在国内小方坯质量跟踪方面实现了突破。     

一种约束条件下有效识别障碍物的方法

设计一套障碍物自动识别算法,用于巡线机器人自主跨越障碍物过程中的识别问题.算法主要基于图像边缘信息,采用Hough变换和遗传算法的椭圆识别以及点统计等方法,将该算法应用于输电线路障碍物识别中.实验结果表明,该识别系统能在复杂背景及光照不均匀的情况下较准确可靠地识别出防震锤、悬垂线夹和跳线线夹,为约束条件下的实验室模拟输电线巡线机器人提供障碍物信息.     

小方坯连铸过程实时温度场预报模型的开发

基于凝固传热学基本理论和对小方坯连铸工况的分析,采用二维有限差分法建立了小方坯连铸过程实时温度场预报模型,并自主开发了计算程序。通过调试,验证了该模型的实用性和准确性,实现了生产过程中小方坯温度场的实时预报,为动态配水及动态轻压下技术的开发打下了基础。     

小方坯连铸机引锭杆自动跟踪系统改进

文章着重介绍了小方坯连铸机引锭杆自动跟踪系统的研究和改进，用比较简单的方法，避免了事故的重复发生，替代了跟踪系统的引进设备。     

小方坯连铸机引锭子杆自动跟踪系统改进

研究了小方坯连铸机引锭杆自动跟踪系统,介绍了引锭杆自动跟踪系统的改进方案,用比较简单的方法,避免了事故的重复发生。     

硫印照片自动判级系统的设计与实现

介绍宝钢对连铸坯内部质量进行检查的快速硫印方法及其人工判级过程。围绕如何应用计算机图像处理、模式识别技术 ,实现硫印照片中心偏析与内部裂纹的自动识别与判级 ,以及该系统在宝钢的使用情况等进行详细介绍。     

管道无损检测系统中基于色彩信息的焊缝识别方法

管道无损检测系统在色彩信息的焊缝识别方法使用过程中,如果所识别的图像对比度过低,在介绍管道无缝检测技术的基础上,分析管道无损检测系统焊缝识别的国内外研究现状,以及复杂背景下的管道焊缝识别原理,即如果所识别的图像对比度过低,就需要增加图像信息,建立相应类型的检测算法来实现图像缺陷的修复检测和图像目标的提取,因此进一步分析讨论图像处理的基本技术和彩色图像处理技术。     

复杂环境下一种基于SiamMask的时空预测移动目标跟踪算法

随着无人工厂、智能安监等技术在制造业领域的深入应用,以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中,操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点,在动态图像中的实时分割较为困难。针对此问题,提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合,根据目标时空关系的在线学习,预测新的目标位置并对SiamMask模型进行算法校正,实现视频序列中的目标快速识别。实验结果表明,所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响,将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧,比改进前的SiamMask模型帧率每秒提高3.2帧,算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求,对移动目标识别算法模型的复杂环境应用具有借鉴意义。