一种基于神经网络模型融合的废钢评级方法及装置制造方法及图纸

本申请涉及废钢评级技术领域，公开了一种基于神经网络模型融合的废钢评级方法及装置，该方法中，首先采集废钢的图片，进行数据预处理，获取待评级废钢图片；然后将待评级废钢图片输入至预先建立的神经网络融合模型中，神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，VGG网络模型、ResNet网络模型及Inception网络模型均通过ImageNet数据集进行参数初始化；最后根据所述神经网络融合模型的输出结果，获取所述废钢的类型。上述方法中，利用融合了三种神经网络的模型对废钢图片进行评级，能够有效提高评级结果的准确率。

【技术实现步骤摘要】
一种基于神经网络模型融合的废钢评级方法及装置
本申请涉及废钢评级
，尤其涉及一种基于神经网络模型融合的废钢评级方法及装置。
技术介绍
废钢作为一种可循环利用的再生资源，是钢铁冶炼中主要的材料来源。通常，废钢包括重型废钢、中型废钢及小型废钢，不同类型的废钢需运输至不同车间进行冶炼，因此在冶炼前，必须先判定废钢的类型，即对废钢进行评级。传统的评级方法是利用人工评级，当一车废钢运输至钢厂时，由评级人员判定这一车废钢的类型，这种方法依赖于个人经验，无法确保准确率。目前，为了提高准确率，一些钢厂已使用神经网络模型进行废钢自动评级。当一车废钢运输至钢厂时，系统控制相机采集车厢中的废钢图片，然后将废钢图片输入至预先建立好的神经网络模型中，对废钢图片进行特征提取，进而获取废钢类型，其中，神经网络模型是根据大量已标注好类型的废钢图片进行训练及验证所建立的。实际应用中，一个车厢中可能会包含多种废钢，而且不同类型的废钢之间相似度高，同一类型的废钢之间尺寸及厚度各异，这些都将导致采集到的图片中，存在废钢杂乱密集且难以区分的问题。目前使用的自动评级方法中，通常仅通过单一神经网络模型提取图片特征，基于废钢图片的特殊性，这种评级方法的准确率仍旧较低。
技术实现思路
为了解决目前使用的自动评级方法中，由于仅通过单一神经网络模型提取图片特征，导致准确率仍旧较低的技术问题，本申请通过以下实施例公开了一种基于神经网络模型融合的废钢评级方法及装置。本申请第一方面公开了一种基于神经网络模型融合的废钢评级方法，包括：采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片；将所述待评级废钢图片输入至预先建立的神经网络融合模型中，所述神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型均通过ImageNet数据集进行参数初始化；根据所述神经网络融合模型的输出结果，获取所述废钢的类型。可选的，所述神经网络融合模型通过以下步骤建立：搭建所述神经网络融合模型的架构，所述架构依次包括用于提取所述待评级废钢图片特征的卷积层、全局平均池化层、用于对多个特征进行融合拼接的串联层、全连接层及输出层，其中，所述卷积层包括VGG子网络、ResNet子网络及Inception子网络，这三个子网络分别根据所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型所获取；将所述已标注类型的废钢图片输入至所述神经网络融合模型的架构中进行训练及验证。可选的，所述搭建所述神经网络融合模型的架构，包括：获取参数初始化后的所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型；分别将所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型的输出层删除，获取所述VGG子网络、所述ResNet子网络及所述Inception子网络，并将这三个子网络作为所述卷积层；将所述卷积层冻结，依次搭建所述全局平均池化层、所述串联层、所述全连接层及输出层。可选的，所述采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片，包括：使用相机分别采集车厢顶层、中层及底层废钢的图片；分别对顶层、中层及底层废钢的图片进行数据预处理，获取待评级废钢图片，所述待评级废钢图片包括顶层图片、中层图片及底层图片，所述数据预处理包括统一尺寸处理及归一化处理。可选的，所述根据所述神经网络融合模型的输出结果，获取所述废钢的类型，包括：对所述神经网络融合模型的输出结果进行多数表决，获取所述车厢中废钢的类型，所述输出结果包括顶层图片的评级结果、中层图片的评级结果及底层图片的评级结果。可选的，所述根据所述神经网络融合模型的输出结果，获取所述废钢的类型，包括：对所述神经网络融合模型的输出结果进行加权表决，获取所述车厢中废钢的类型，所述输出结果包括顶层图片的评级结果、中层图片的评级结果及底层图片的评级结果。本申请第二方面公开了一种基于神经网络模型融合的废钢评级装置，所述装置用于执行如本申请第一方面所述的一种基于神经网络模型融合的废钢评级方法，所述装置包括：图片采集处理模块，用于采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片；模型识别模块，用于将所述待评级废钢图片输入至预先建立的神经网络融合模型中，所述神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型均通过ImageNet数据集进行参数初始化；评级模块，用于根据所述神经网络融合模型的输出结果，获取所述废钢的类型。可选的，所述装置还包括用于预先建立所述神经网络融合模型的模型建立模块，所述模型建立模块包括：架构搭建单元，用于搭建所述神经网络融合模型的架构，所述架构依次包括用于提取所述待评级废钢图片特征的卷积层、全局平均池化层、用于对多个特征进行融合拼接的串联层、全连接层及输出层，其中，所述卷积层包括VGG子网络、ResNet子网络及Inception子网络，这三个子网络分别根据所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型所获取；训练验证单元，用于将所述已标注类型的废钢图片输入至所述神经网络融合模型的架构中进行训练及验证。可选的，所述架构搭建单元包括：网络模型获取子单元，用于获取参数初始化后的所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型；第一搭建子单元，用于分别将所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型的输出层删除，获取所述VGG子网络、所述ResNet子网络及所述Inception子网络，并将这三个子网络作为所述卷积层；第二搭建子单元，用于将所述卷积层冻结，依次搭建所述全局平均池化层、所述串联层、所述全连接层及输出层。可选的，所述图片采集处理模块包括：图片采集单元，用于使用相机分别采集车厢顶层、中层及底层废钢的图片；图片处理单元，用于分别对顶层、中层及底层废钢的图片进行数据预处理，获取待评级废钢图片，所述待评级废钢图片包括顶层图片、中层图片及底层图片，所述数据预处理包括统一尺寸处理及归一化处理。可选的，所述评级模块包括：多数表决单元，用于对所述神经网络融合模型的输出结果进行多数表决，获取所述车厢中废钢的类型，所述输出结果包括顶层图片的评级结果、中层图片的评级结果及底层图片的评级结果。可选的，所述评级模块包括：加权表决单元，用于对所述神经网络融合模型的输出结果进行加权表决，获取所述车厢中废钢的类型，所述输出结果包括顶层图片的评本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型融合的废钢评级方法，其特征在于，包括：/n采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片；/n将所述待评级废钢图片输入至预先建立的神经网络融合模型中，所述神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型均通过ImageNet数据集进行参数初始化；/n根据所述神经网络融合模型的输出结果，获取所述废钢的类型。/n

【技术特征摘要】
1.一种基于神经网络模型融合的废钢评级方法，其特征在于，包括：
采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片；
将所述待评级废钢图片输入至预先建立的神经网络融合模型中，所述神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立，使用已标注类型的废钢图片完成训练及验证，所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型均通过ImageNet数据集进行参数初始化；
根据所述神经网络融合模型的输出结果，获取所述废钢的类型。


2.根据权利要求1所述的方法，其特征在于，所述神经网络融合模型通过以下步骤建立：
搭建所述神经网络融合模型的架构，所述架构依次包括用于提取所述待评级废钢图片特征的卷积层、全局平均池化层、用于对多个特征进行融合拼接的串联层、全连接层及输出层，其中，所述卷积层包括VGG子网络、ResNet子网络及Inception子网络，这三个子网络分别根据所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型所获取；
将所述已标注类型的废钢图片输入至所述神经网络融合模型的架构中进行训练及验证。


3.根据权利要求2所述的方法，其特征在于，所述搭建所述神经网络融合模型的架构，包括：
获取参数初始化后的所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型；
分别将所述VGG网络模型、所述ResNet网络模型及所述Inception网络模型的输出层删除，获取所述VGG子网络、所述ResNet子网络及所述Inception子网络，并将这三个子网络作为所述卷积层；
将所述卷积层冻结，依次搭建所述全局平均池化层、所述串联层、所述全连接层及输出层。


4.根据权利要求1所述的方法，其特征在于，所述采集废钢的图片，并对所述图片进行数据预处理，获取待评级废钢图片，包括：
使用相机分别采集车厢顶层、中层及底层废钢的图片；
分别对顶层、中层及底层废钢的图片进行数据预处理，获取待评级废钢图片，所述待评级废钢图片包括顶层图片、中层图片及底层图片，所述数据预处理包括统一尺寸处理及归一化处理。


5.根据权利要求4所述的方法，其特征在于，所述根据所述神经网络融合模型的输出结果，获取所述废钢的类型，包括：
对所述神经网络融合模型的输出结果进行多数表决，获取所述车厢中废钢的类型，所述输出结果包括顶层图片的评级结果、中层图片的评级结果及底层图片的评级结果。


6.根据权利要求4所述的方法，其特征在于，所述根据所述神经网络融合模型的输出结果，获取所述废钢的类型，包括：
对...

【专利技术属性】
技术研发人员：孙茂杰，李福存，杨波，刘小华，谢伟建，杨爱玲，马超，
申请(专利权)人：江苏金恒信息科技股份有限公司，
类型：发明
国别省市：江苏;32