[发明专利]一种基于实时检测结果的中厚板周期性缺陷控制方法有效

专利信息
申请号: 201910514268.X 申请日: 2019-06-14
公开(公告)号: CN110174409B 公开(公告)日: 2021-01-12
发明(设计)人: 徐科;周鹏;周东东;杨朝霖;王磊 申请(专利权)人: 北京科技大学
主分类号: G01N21/88 分类号: G01N21/88
代理公司: 北京金智普华知识产权代理有限公司 11401 代理人: 皋吉甫
地址: 100083*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 实时 检测 结果 厚板 周期性 缺陷 控制 方法
【权利要求书】:

1.一种基于实时检测结果的中厚板周期性缺陷控制方法,其特征在于:包括如下步骤:

(1)中厚板表面缺陷检测系统获取缺陷图像:表面缺陷检测系统由图像采集端、数据处理端与控制终端组成,图像采集端由中厚板上、下表面检测单元组成,由通过安装在中厚板生产线上的表面缺陷检测系统实时获得中厚板的缺陷图像;控制终端由辅助控制台、主控台组成,与MES生产系统连接;

(2)检测网络并初始化参数:检测模型由两个单独的网络模型组成,第一个模型是用于中厚板表面常见缺陷检测的卷积神经网络模型,第二个检测模型是用于周期性缺陷检测的长短期记忆网络模型,长短期记忆网络算法中加入输入门、遗忘门和输出门,三个门利用sigmoid激活函数来控制网络中信息传递,并对两个网络进行初始化参数设置;

(3)获取中厚板表面常见缺陷数据:采用卷积神经网络提取中厚板图像中表面缺陷的特征并分类,获得中厚板表面常见缺陷类型、位置、大小、数量数据;

(4)离线训练生成中厚板周期性缺陷辊印、划伤及麻点检测模型:将步骤(3)卷积神经网络获得的辊印、划伤及麻点缺陷数据作为中厚板周期性缺陷数据集,对所述长短期记忆网络进行训练,以生成中厚板周期性缺陷检测模型;

(5)中厚板周期性缺陷实时检测:将步骤(3)实时在线获取的中厚板缺陷数据输入至步骤(4)中的基于长短期记忆网络的周期性缺陷检测模型中,得到中厚板周期性缺陷辊印、划伤及麻点的类型、位置、大小、数量的检测结果;

(6)中厚板周期性缺陷控制方法:当检测到周期性缺陷辊印、划伤及麻点缺陷的类型、位置、大小、数量信息时,由数据处理端将检测结果输入到控制终端,控制终端由辅助控制台、主控台组成,与MES生产系统连接,由主控台确定周期性缺陷控制方案,如出现辊印时,则由主控台发出停机换辊的指令,以消除辊印对后续批次中厚板质量的影响;如出现划伤时,也应当停机检查并消除划伤的设备因素,并明确后续修磨工序消除周期性缺陷的方案。

2.根据权利要求1所述的一种基于实时检测结果的中厚板周期性缺陷控制方法,其特征在于:所述周期性缺陷检测模型由离线训练生成,将卷积神经网络获得的辊印、划伤及麻点缺陷数据作为训练数据集进行分组,将分组过后的特征向量按照时间戳输入长短期记忆网络。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京科技大学,未经北京科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910514268.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top