CN114943728A - 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 - Google Patents
铸坯等轴晶智能识别及性能判定方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114943728A CN114943728A CN202210746583.7A CN202210746583A CN114943728A CN 114943728 A CN114943728 A CN 114943728A CN 202210746583 A CN202210746583 A CN 202210746583A CN 114943728 A CN114943728 A CN 114943728A
- Authority
- CN
- China
- Prior art keywords
- equiaxed crystal
- equiaxed
- sample
- crystal
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013078 crystal Substances 0.000 title claims abstract description 395
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000005266 casting Methods 0.000 title claims abstract description 4
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 37
- 238000009749 continuous casting Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 6
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009865 steel metallurgy Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Continuous Casting (AREA)
Abstract
本说明书实施例公开一种铸坯等轴晶智能识别及性能判定方法、系统及存储介质，通过图像处理技术和语义分割技术，实现对等轴晶试样中等轴晶区域智能精准自动分割，结合计算机图形测量技术，实现对等轴晶区域自动测量、等轴晶率自动计算和等轴晶率分布评估，进一步的基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定，实现对试样等轴晶性能智能判定，解决现有等轴晶人工测量存在的效率差、准确性低、同一性差、不科学等问题。
Description
技术领域
本说明书实施例涉及钢铁冶金自动化及图像处理领域，尤其涉及一种铸坯等轴晶智能识别及性能判定方法、系统及存储介质。
背景技术
连铸是我国钢材生产的主要方法，连铸坯的质量在很大程度上直接决定了钢材成品质量。连铸坯的质量与其凝固组织密切相关，通常由三部分构成：表面的细小等轴晶部分、中部柱状晶和中心等轴晶。连铸坯的凝固组织对钢的加工性能和机械性能影响很大，除某些特殊用途的钢种要求柱状晶组织外，绝大部分钢种都希望获得等轴晶区大的铸坯组织，同时希望等轴晶细小、均匀。铸坯的等轴晶所占比率越大，钢材的综合力学性能越好。因此，铸坯的等轴晶率的高低是衡量铸坯质量好坏的关键因素。
目前，国内大多数钢厂技术人员通过观察铸坯的低倍组织，分析不同连铸工艺参数对铸坯中心等轴晶率的影响，从而实现连铸工艺参数优化。现有铸坯等轴晶率检测方法虽然可以对铸坯组织进行定量测量，但等轴晶区域划分、测量和评判主要依靠人工，还存在如下问题：
1.铸坯柱状晶区与中心等轴晶区、边部等轴晶区相交融，其边界并不是直线，而人工进行处理时常常采用直线进行划分，存在一定的分割误差，影响等轴晶率的测量结果；
2.基于人工划分区域，采用卷尺对不同晶粒区域尺寸进行人工测量，受制于不同测量人员的技能熟练程度，存在测量精度不高、测量效率低、测量和评判结果同一性较差等缺点；
3.铸坯组织性能不仅与等轴晶率高低有关，而且与等轴晶分布密切相关。目前，现有铸坯组织性能人工评判主要依据等轴晶率大小，对等轴晶分布没有相应的检测手段，缺少相应的评判方法，无法满足现场全面评判铸坯组织性能的需求。
发明内容
本说明书实施例提供及一种铸坯等轴晶智能识别及性能判定方法、系统及存储介质。
第一方面，本说明书实施例提供一种铸坯等轴晶智能识别及性能判定方法，所述方法包括：
获取等轴晶试样的等轴晶试样图像；
通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域；
对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布；
基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。
可选的，所述语义分割模型的训练方法为：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像；
获得等轴晶试样图像训练集，所述等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像；
基于所述等轴晶试样图像训练集对等轴晶分割网络模型进行训练；
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
可选的，所述对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布，包括：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积；
基于所述等轴晶区域面积和试样总面积，获得等轴晶率；
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
可选的，对等轴晶试样图像进行预处理，得到预处理图像，包括：
对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放处理，得到预处理图像。
第二方面，本发明实施例还提供了一种铸坯等轴晶智能识别及性能判定系统，所述系统包括等轴晶图像采集模块和等轴晶智能检测及判级模块；其中，
所述等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像；
所述等轴晶智能检测及判级模块包括等轴晶语义分割模块、等轴晶测量模块、铸坯参数模块、等轴晶判级模块；
所述等轴晶语义分割模块用于通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域；
所述等轴晶测量模块用于对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布；
所述铸坯参数模块用于存储铸坯生产的过程参数；
所述等轴晶判级模块用于基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。
可选的，所述等轴晶语义分割模块还用于：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像；
获得等轴晶试样图像训练集，所述等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像；
基于所述等轴晶试样图像训练集对等轴晶分割网络模型进行训练；
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
可选的，所述等轴晶测量模块具体用于：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积；
基于所述等轴晶区域面积和试样总面积，获得等轴晶率；
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
可选的，对等轴晶试样图像进行预处理，得到预处理图像，包括：
对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放处理，得到预处理图像。
可选的，所述系统还包括数据接口和连铸二级模块，
所述等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像；
所述数据接口用于连接所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块，以实现所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块之间的数据通讯；
所述连铸二级模块用于记录连铸生产过程中的数据。
第三方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
本说明书实施例有益效果如下：
本说明书实施例提供方案，通过获取等轴晶试样的等轴晶试样图像，通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域，对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布；基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。通过图像处理技术和语义分割技术，实现对等轴晶试样中等轴晶区域智能精准自动分割，结合计算机图形测量技术，实现对等轴晶区域自动测量、等轴晶率自动计算和等轴晶率分布评估，进一步的基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定，实现对试样等轴晶性能智能判定，解决现有等轴晶人工测量存在的效率差、准确性低、同一性差、不科学等问题。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本说明书实施例提供的一种铸坯等轴晶智能识别及性能判定方法流程图；
图2为本说明书实施例提供的一种铸坯等轴晶智能识别及性能判定系统的示意图。
图3为本说明书实施例提供的一种等轴晶区域语义分割流程图。
图4为本说明书实施例提供的一种等轴晶判级模块工作原理图。
图5是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505；等轴晶图像采集模块1；数据接口2；连铸二级模块3；等轴晶智能检测及判级模块4；等轴晶语义分割模块401；图像预处理模块4011；等轴晶分割数据集4012；分割网络模型4013；等轴晶测量模块402；等轴晶率计算模块4201；等轴晶分布模块4202；铸坯参数模块403；钢种4031；宽度4032；拉速4033；厚度4034；坯号4035；等轴晶判级模块404；等轴晶判级规则4041；等轴晶判级模型4042；数据存储模块4043。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。
如图1所示，为本说明书实施例提供的一种铸坯等轴晶智能识别及性能判定方法的流程图，该方法包括以下步骤：
S101：获取等轴晶试样的等轴晶试样图像。
S102：通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域。
S103：对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布。
在本发明实施例中，可以采用计算机图形测量技术对等轴晶区域进行测量。
S104：基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。
通过图像处理技术和语义分割技术，实现对等轴晶试样中等轴晶区域智能精准自动分割，结合计算机图形测量技术，实现对等轴晶区域自动测量、等轴晶率自动计算和等轴晶率分布评估，进一步的基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定，实现对试样等轴晶性能智能判定，解决现有等轴晶人工测量存在的效率差、准确性低、同一性差、不科学等问题。
作为进一步的，所述语义分割模型的训练方法为：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像。
获得等轴晶试样图像训练集，等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像。
基于等轴晶试样图像训练集对等轴晶分割网络模型进行训练。
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
在本发明实施例中，等轴晶分割网络模型是可以是语义分割模型，例如全卷积神经网络(Fully Convolutional Networks，FCN)。
作为进一步的，对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布，包括：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积。
基于所述等轴晶区域面积和试样总面积，获得等轴晶率。
其中，等轴晶率＝等轴晶区域面积/试样总面积。
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
在本发明实施例中，通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割的同时，提取出等轴晶区域轮廓的坐标信息。
具体的，基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布为：
横坐标区域x∈[x1,x2]，x1、x2的取值为任意数，也可以限定为实数，x1小于或者等于x2，等轴晶区域面积为s1，该区域等轴晶率为s1/((x2-x1)*h)，h为试样厚度。分布就是沿试样宽度方向离散，比如横坐标每5cm求其区间等轴晶率，将宽度方向分成若干个5cm区域，分别求取对应等轴晶率后将所有离散点及对应等轴晶率拟合，就可以获取等轴晶率沿试样宽度上的分布了。
作为进一步的，对等轴晶试样图像进行预处理，得到预处理图像，包括：
对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放处理，得到预处理图像。
作为进一步的，基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定，可以是：若等轴晶率大于第一设定值，确定铸坯试样的等级为优等品。若等轴晶率大于第二设定值且小于第一设定值，确定铸坯试样的等级为中等品。若等轴晶率小于第二设定值，确定铸坯试样的等级为次等品。第二设定值的取值比第一设定值小，第二设定值的取值可以是0.1、0.2、0.3、0.4、0.5，0.6、0.7,第一设定值的取值可以是0.5、0.6、0.7、0.8、0.9。
可选的，基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定，还可以是：基于等轴晶检测数据和现场检测技术人员经验，制定等轴晶判级规则，建立等轴晶判级模型，对试样等轴晶性能进行智能判定。等轴晶检测数据包括等轴晶率、等轴晶率分布、总体等轴晶率、等轴晶分布、最大等轴晶率、最小等轴晶率、二次等轴晶等数据。
在本发明实施例中，还会将上述方法所涉及的数据进行存储。
实施例2
基于上述提供的铸坯等轴晶智能识别及性能判定方法，本发明实施例提供了一种用于执行上述铸坯等轴晶智能识别及性能判定方法的执行主体，该执行主体是一种铸坯等轴晶智能识别及性能判定系统。所述系统包括等轴晶图像采集模块和等轴晶智能检测及判级模块。
其中，等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像。
等轴晶智能检测及判级模块包括等轴晶语义分割模块、等轴晶测量模块、铸坯参数模块、等轴晶判级模块。
等轴晶语义分割模块用于通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域。
等轴晶测量模块用于对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布。
铸坯参数模块用于存储铸坯生产的过程参数。
等轴晶判级模块用于基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定和数据存储。
可选的，所述系统还包括数据接口和连铸二级模块。其中，
等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像。
数据接口用于连接所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块，以实现所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块之间的数据通讯。
连铸二级模块用于记录连铸生产过程中的数据。
可选的，所述等轴晶语义分割模块还用于：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像。
获得等轴晶试样图像训练集，所述等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像。
基于所述等轴晶试样图像训练集对等轴晶分割网络模型进行训练。
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
作为进一步的，所述等轴晶测量模块具体用于：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积。
基于所述等轴晶区域面积和试样总面积，获得等轴晶率。
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
作为一种可选的实施例，以下结合图2对铸坯等轴晶智能识别及性能判定系统进行阐述。
铸坯等轴晶智能识别及性能判定系统包括：等轴晶图像采集模块1、数据接口2、连铸二级模块3和等轴晶智能检测及判级模块4四部分组成。其中，
上述等轴晶图像采集模块1用来获取等轴晶试样端面图像；
上述数据接口2用于实现等轴晶图像采集装置1、连铸二级模块3和等轴晶智能检测及判级模块4之间的数据通讯。
其中，数据接口2可以是TCP/IP、PROFIBUS、RS485等数据通讯模式。
上述连铸二级模块3用于记录连铸工艺数据、计划调度、生产实绩数据、设备传感器数据等连铸生产过程中的数据。
上述等轴晶智能检测及判级模块4包括等轴晶语义分割模块401、等轴晶测量模块402、铸坯参数模块403、等轴晶判级模块404。等轴晶语义分割模块401通过分割网络模型4013对等轴晶试样中等轴晶区域进行分割；等轴晶测量模块402通过等轴晶率计算模块4021对分割后的等轴晶区域进行测量，自动计算等轴晶率，并采用等轴晶分布模块4202定量评估等轴晶率分布情况；铸坯参数模块403用于存储铸坯生产的过程参数；等轴晶判级模块404通过等轴晶判级模型4042对试样等轴晶性能进行智能判定，数据存储模块4043完成数据自动存储。
等轴晶语义分割模块401根据收集的等轴晶试样图像，通过图像预处理模块4011对其图像进行预处理；完成试样图像中等轴晶区域标注，制作等轴晶分割数据集4012。
铸坯参数模块403用于存储钢种4031、宽度4032、拉速4033、厚度4034、坯号4035这些所需的过程参数。
等轴晶判级模块404基于等轴晶检测数据和现场检测技术人员经验，制定等轴晶判级规则4041。
其中，本发明实施例提供的铸坯等轴晶智能识别及性能判定系统的工作原理如下：
1、等轴晶图像采集模块1用来获取等轴晶试样端面图像，并通过数据接口2将试样图像传输到等轴晶语义分割模块401。
2、等轴晶语义分割模块401通过图像预处理模块4011，将等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放等处理。对预处理后的试样图像中等轴晶区域进行人工标注，制作等轴晶分割数据集4012。构造等轴晶分割网络模型4013，通过等轴晶分割数据集4012对等轴晶分割网络模型4013进行训练，完成等轴晶分割网络模型4013结构和参数优化，得到理想的等轴晶分割网络模型4013。利用训练好的等轴晶分割模型4013对待检测的等轴晶试样图像进行等轴晶区域分割，得到等轴晶区域像素坐标。
3、等轴晶测量模块402基于语义分割的等轴晶区域轮廓，利用计算机图形测量技术，通过等轴晶计算模块4021，可以方便地求取试样等轴晶区域面积和试样总面积，自动计算等轴晶率，并采用等轴晶分布模块4022，求取铸坯试样沿铸坯宽度方向上的等轴晶率，进而对等轴晶均匀性进行评估。
4、铸坯参数模块403通过数据接口2采集连铸二级模块3的钢种4031、宽度4032、拉速4033、厚度4034、坯号4035等数据，并完成数据存储和实时更新。
5、等轴晶判级模块404基于等轴晶检测数据和现场检测技术人员经验，制定等轴晶判级规则4041，建立等轴晶判级模型4042，对试样等轴晶性能进行智能判定，将过程中产生的数据通过数据存储模块4043进行存储，并将等轴晶核心检测判级数据传输至连铸二级模块3。
作为进一步的，参照图3对本发明实施例提供的一种等轴晶语义分割模块401进行说明：
等轴晶语义分割模块401通过数据接口2获取等轴晶试样图像，采用图像预处理4011对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放等处理；对预处理后的试样图像中等轴晶区域进行人工标注，制作等轴晶分割数据集4012。构造等轴晶分割网络模型4013，通过等轴晶分割数据集4012对等轴晶分割网络模型4013进行训练，完成等轴晶分割网络模型4013结构和参数优化，得到理想的等轴晶分割网络模型4013。利用训练好的等轴晶分割模型4013对待检测的等轴晶试样图像进行等轴晶区域分割，得到等轴晶区域像素坐标。
参照图4对本发明实施例提供的一种等轴晶判级模块404进行说明：
基于等轴晶检测历史数据和现场检测技术人员经验，将总体等轴晶率、等轴晶分布、最大等轴晶率、最小等轴晶率、二次等轴晶等变量作为评判依据，结合连铸生产工艺参数，制定等轴晶判级规则4041，并通过规则验证，完成判级规则优化；根据等轴晶判级规则4041建立等轴晶判级模型4042，将试样等轴晶性能检测结果输入等轴晶判级模型4042，完成试样等轴晶性能智能判定，将过程中产生的数据通过数据存储模块4043进行存储，并将等轴晶核心检测判级数据传输至连铸二级模块3。
关于上述装置，其中各个模块的具体功能已经在本说明书实施例提供的铸坯等轴晶智能识别及性能判定方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于与前述实施例中铸坯等轴晶智能识别及性能判定方法同样的发明构思，本说明书实施例还提供一种电子设备，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述铸坯等轴晶智能识别及性能判定方法的任一方法的步骤。
其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
基于与前述实施例中铸坯等轴晶智能识别及性能判定方法的发明构思，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述铸坯等轴晶智能识别及性能判定方法的任一方法的步骤。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。
Claims (10)
1.一种铸坯等轴晶智能识别及性能判定方法，其特征在于，所述方法包括：
获取等轴晶试样的等轴晶试样图像；
通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域；
对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布；
基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。
2.如权利要求1所述的方法，其特征在于，所述语义分割模型的训练方法为：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像；
获得等轴晶试样图像训练集，所述等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像；
基于所述等轴晶试样图像训练集对等轴晶分割网络模型进行训练；
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
3.如权利要求1所述的方法，其特征在于，所述对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布，包括：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积；
基于所述等轴晶区域面积和试样总面积，获得等轴晶率；
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
4.如权利要求2所述的方法，其特征在于，对等轴晶试样图像进行预处理，得到预处理图像，包括：
对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放处理，得到预处理图像。
5.一种铸坯等轴晶智能识别及性能判定系统，其特征在于，所述系统包括等轴晶图像采集模块和等轴晶智能检测及判级模块；其中，
所述等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像；
所述等轴晶智能检测及判级模块包括等轴晶语义分割模块、等轴晶测量模块、铸坯参数模块、等轴晶判级模块；
所述等轴晶语义分割模块用于通过预先训练好的语义分割模型对等轴晶试样的等轴晶试样图像进行分割，得到等轴晶区域；
所述等轴晶测量模块用于对等轴晶区域进行测量，获得等轴晶率和等轴晶率分布；
所述铸坯参数模块用于存储铸坯生产的过程参数；
所述等轴晶判级模块用于基于等轴晶率、等轴晶率分布对等轴晶试样的等轴晶性能进行判定。
6.如权利要求5所述的系统，其特征在于，所述等轴晶语义分割模块还用于：
对采集得到的等轴晶试样图像进行预处理，得到预处理图像；
获得等轴晶试样图像训练集，所述等轴晶试样图像训练集包括多张未进行标注的预处理图像和多张标注了等轴晶区域的预处理图像；
基于所述等轴晶试样图像训练集对等轴晶分割网络模型进行训练；
当等轴晶分割网络模型的损失函数收敛或训练次数达到预定值，结束对等轴晶分割网络模型进行训练，得到训练好的等轴晶分割网络模型。
7.如权利要求5所述的系统，其特征在于，所述等轴晶测量模块具体用于：
获得试样等轴晶区域面积和试样总面积；试样等轴晶区域面积为等轴晶试样图像中等轴晶区域的面积，试样总面积为等轴晶试样图像中试样铸坯所占的面积；
基于所述等轴晶区域面积和试样总面积，获得等轴晶率；
基于铸坯试样沿铸坯宽度方向上的等轴晶率获得等轴晶率分布。
8.如权利要求6所述的系统，其特征在于，对等轴晶试样图像进行预处理，得到预处理图像，包括：
对等轴晶试样图像进行灰度变换、倾角矫正、图像去噪、图像缩放处理，得到预处理图像。
9.如权利要求5所述的系统，其特征在于，所述系统还包括数据接口和连铸二级模块，
所述等轴晶图像采集模块用于，获取等轴晶试样的等轴晶试样图像；
所述数据接口用于连接所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块，以实现所述等轴晶图像采集模块、所述连铸二级模块和所述等轴晶智能检测及判级模块之间的数据通讯；
所述连铸二级模块用于记录连铸生产过程中的数据。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210746583.7A CN114943728B (zh) | 2022-06-28 | 2022-06-28 | 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210746583.7A CN114943728B (zh) | 2022-06-28 | 2022-06-28 | 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114943728A true CN114943728A (zh) | 2022-08-26 |
| CN114943728B CN114943728B (zh) | 2025-04-25 |
Family
ID=82911008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210746583.7A Active CN114943728B (zh) | 2022-06-28 | 2022-06-28 | 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114943728B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314081A (zh) * | 2024-03-14 | 2024-07-09 | 武汉科技大学 | 铸坯等轴晶的识别及判定方法、系统、存储介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030070786A1 (en) * | 1998-12-28 | 2003-04-17 | Shigenori Tanaka | Billet by continuous casting and manufacturing method for the same |
| KR100793559B1 (ko) * | 2006-07-10 | 2008-01-14 | 주식회사 포스코 | 페라이트계 스테인리스강 등축정율 평가방법 |
| CN107367510A (zh) * | 2016-05-12 | 2017-11-21 | 鞍钢股份有限公司 | 一种高碳钢连铸坯等轴晶率的测定方法 |
| CN111715859A (zh) * | 2020-07-08 | 2020-09-29 | 燕山大学 | 一种嵌套式线圈结晶器电磁搅拌器 |
| CN112881641A (zh) * | 2021-01-19 | 2021-06-01 | 广西柳钢华创科技研发有限公司 | 一种过共析钢连铸方坯等轴晶率的测定方法 |
| CN113486555A (zh) * | 2021-07-05 | 2021-10-08 | 东北大学 | 一种钢凝固糊状区等轴晶组织粘塑性挤压变形的计算方法 |
| CN114612456A (zh) * | 2022-03-21 | 2022-06-10 | 北京科技大学 | 一种基于深度学习的钢坯自动语义分割识别方法 |
-
2022
- 2022-06-28 CN CN202210746583.7A patent/CN114943728B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030070786A1 (en) * | 1998-12-28 | 2003-04-17 | Shigenori Tanaka | Billet by continuous casting and manufacturing method for the same |
| KR100793559B1 (ko) * | 2006-07-10 | 2008-01-14 | 주식회사 포스코 | 페라이트계 스테인리스강 등축정율 평가방법 |
| CN107367510A (zh) * | 2016-05-12 | 2017-11-21 | 鞍钢股份有限公司 | 一种高碳钢连铸坯等轴晶率的测定方法 |
| CN111715859A (zh) * | 2020-07-08 | 2020-09-29 | 燕山大学 | 一种嵌套式线圈结晶器电磁搅拌器 |
| CN112881641A (zh) * | 2021-01-19 | 2021-06-01 | 广西柳钢华创科技研发有限公司 | 一种过共析钢连铸方坯等轴晶率的测定方法 |
| CN113486555A (zh) * | 2021-07-05 | 2021-10-08 | 东北大学 | 一种钢凝固糊状区等轴晶组织粘塑性挤压变形的计算方法 |
| CN114612456A (zh) * | 2022-03-21 | 2022-06-10 | 北京科技大学 | 一种基于深度学习的钢坯自动语义分割识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314081A (zh) * | 2024-03-14 | 2024-07-09 | 武汉科技大学 | 铸坯等轴晶的识别及判定方法、系统、存储介质及设备 |
| CN118314081B (zh) * | 2024-03-14 | 2024-10-29 | 武汉科技大学 | 铸坯等轴晶的识别及判定方法、系统、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114943728B (zh) | 2025-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11506650B2 (en) | Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials | |
| CN104751288B (zh) | 一种钢卷分段多维在线质量判定系统及其方法 | |
| CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
| CN118246610B (zh) | 基于大数据的微藻浓度预测方法及系统 | |
| CN118608615B (zh) | 一种基于bim技术的钢结构施工可视化方法及系统 | |
| CN114943728A (zh) | 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 | |
| CN113312846A (zh) | 一种基于混合工艺过程的智能检测方法及系统 | |
| CN117131671A (zh) | 一种基于数字孪生的水利工程智能监测方法及系统 | |
| CN117109481A (zh) | 一种过流面混凝土整体平整度及过流能力检测评价方法 | |
| CN116402390A (zh) | 一种基于物元模型的道路施工区交通影响评价方法及系统 | |
| CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
| CN114594106A (zh) | 一种铜管电镀工艺的实时监测方法及系统 | |
| CN114638099A (zh) | 一种基于bim技术的工程施工进度在线监测分析系统 | |
| CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
| CN119662924A (zh) | 一种基于数字孪生的转炉冶炼参数优化设计方法及系统 | |
| CN116187830B (zh) | 基于熵权-理想解法的带钢冷连轧自动化率综合评价方法 | |
| CN117471565A (zh) | 一种智能机器人水下检测方法、系统及介质 | |
| CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
| WO2023085992A1 (en) | Image analysis of cut flowers | |
| CN115731519A (zh) | 一种非接触式全尾砂膏体搅拌均匀度监测方法及系统 | |
| CN114240946A (zh) | 一种定位器异常检测方法、系统、存储介质及计算设备 | |
| CN107578168A (zh) | 一种用于缺陷库移植的方法、装置及电子设备 | |
| Zhang et al. | Cascade method for water level measurement based on computer vision | |
| Gao et al. | Numerical detection of concrete slump by fusion of target segmentation and image classification network | |
| CN111400938B (zh) | 一种智能分油箱泄漏检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |