【技术实现步骤摘要】
一种基于实时检测结果的中厚板周期性缺陷控制方法
本专利技术涉及钢板缺陷控制方法
，特别是指具有周期性的中厚板表面缺陷控制方法。
技术介绍
中厚板产品主要有结构钢、汽车大梁板、桥梁板、高层建筑用钢、锅炉容器板、低合金钢、模具用钢等，广泛应用于冶金、机械、汽车、桥梁、船舶、电力、建筑等行业。其表面质量是影响中厚板产品质量的重要环节，对中厚板表面缺陷尤其是周期性缺陷进行实时有效地控制是高效优质生产中厚板的关键技术重点及难点，也是预防批量质量事故发生的决定性环节，受到了国内外学者的重视。由于高温和生产工艺的影响，传统的中厚板表面缺陷检测以人眼目测法为主。在目前的轧制生产过程中还没有很好的手段可在线监控到矫直机前后的钢板表面质量情况，一般通过钢板到达冷床降温后再进行抽检。当在冷床检查台降温后发现缺陷问题时，如果是轧机或者矫直机产生的轧制缺陷，则至少已经连续生产了25片钢板，这种连续缺陷的产生对后续工序产生极大影响，如果缺陷严重，还会产生极大的经济损失。钢板下表面难以直接检查，需通过翻板或者设置下表面反光镜并安排专门人员采用抽检的方式进行检测。将钢板吊离剪切线至翻板机翻...
【技术保护点】
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)表面缺陷检测系统并获取缺陷图像：通过安装在中厚板生产线上的表面缺陷检测系统获得中厚板的缺陷图像；(2)检测网络并初始化参数：用于中厚板表面常见缺陷检测的卷积神经网络模型及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...
【技术特征摘要】
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)表面缺陷检测系统并获取缺陷图像：通过安装在中厚板生产线上的表面缺陷检测系统获得中厚板的缺陷图像；(2)检测网络并初始化参数：用于中厚板表面常见缺陷检测的卷积神经网络模型及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)离线训练生成周期性缺陷检测模型：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训练数据集，对所述长短期记忆网络进行训练，以生成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)所述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时，由数据处理端将检测结果输入到控制终端的辅助控制台、主控台及MES生产系统，由主控台确定周期性缺陷控制方案，以明确由修磨工序消除周期性缺陷或停机换辊作业。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，包含上、下表面检测单元、并行计算机处理系统及各类服务器、控制台组成、冷却机构、网络数据交换机等；图像采集端由中厚板上、下表面检测单元等组成，由图像采集端实时获得中厚板上、下表面的图像。3.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：所述用于中厚板表面常见缺陷检测的卷积神经网络模型及用于周期性缺陷检测的长短期记忆网络模型，本发明所述的卷积神经网络由输入层、卷积层、池化层与全连接层共同组成，包含12个卷积层和3个池化...
【专利技术属性】
技术研发人员：徐科，周鹏，周东东，杨朝霖，王磊，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。