In combination with the process technology and equipment at Tangsteel Cold Rolling Mill's 3~# galvanized line,the mechanism of defect-formation of the strip surface in the hot dip galvanized coating has been analy...In combination with the process technology and equipment at Tangsteel Cold Rolling Mill's 3~# galvanized line,the mechanism of defect-formation of the strip surface in the hot dip galvanized coating has been analyzed.Through a series of reform about technology and equipment good solved the defects has been focused on in this paper.The strip surface quality in the hot dip galvanized coating has been improved a lot.展开更多
针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声...针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。展开更多
某炼钢厂利用连铸方坯在生产200 mm×200 mm GCr15轴承钢时,发现铸坯表面断断续续地出现纵向渣沟缺陷,对此类缺陷进行取样,并进行相关检测分析与工艺排查。结果表明:结晶器保护渣理化性能不合理引起的铸坯表面润滑不良是造成高碳铬G...某炼钢厂利用连铸方坯在生产200 mm×200 mm GCr15轴承钢时,发现铸坯表面断断续续地出现纵向渣沟缺陷,对此类缺陷进行取样,并进行相关检测分析与工艺排查。结果表明:结晶器保护渣理化性能不合理引起的铸坯表面润滑不良是造成高碳铬GCr15铸坯渣沟的主要原因。通过调整保护渣关键理化指标,确保结晶器内铸坯的良好润滑效果,经过长期实践验证,有效预防了连铸坯表面渣沟缺陷的发生。展开更多
文摘In combination with the process technology and equipment at Tangsteel Cold Rolling Mill's 3~# galvanized line,the mechanism of defect-formation of the strip surface in the hot dip galvanized coating has been analyzed.Through a series of reform about technology and equipment good solved the defects has been focused on in this paper.The strip surface quality in the hot dip galvanized coating has been improved a lot.
文摘针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。
文摘某炼钢厂利用连铸方坯在生产200 mm×200 mm GCr15轴承钢时,发现铸坯表面断断续续地出现纵向渣沟缺陷,对此类缺陷进行取样,并进行相关检测分析与工艺排查。结果表明:结晶器保护渣理化性能不合理引起的铸坯表面润滑不良是造成高碳铬GCr15铸坯渣沟的主要原因。通过调整保护渣关键理化指标,确保结晶器内铸坯的良好润滑效果,经过长期实践验证,有效预防了连铸坯表面渣沟缺陷的发生。