一种基于深度学习的轧机入口异常识别方法技术

本发明专利技术提出一种基于深度学习的轧机入口咬钢异常识别方法，包括：根据轧机入口的钢坯样本图像获取异常识别模型；将所述轧机入口的实时钢坯图像输入所述异常识别模型，获取钢坯在所述轧机入口处的移动状态，并根据所述移动状态获取异常信息；本发明专利技术可有效避免人工参与的一系列问题，准确识别异常，有效保障钢坯质量。

【技术实现步骤摘要】
一种基于深度学习的轧机入口异常识别方法
本专利技术涉及钢铁冶金领域，尤其涉及一种基于深度学习的轧机入口异常识别方法。
技术介绍
在钢铁冶金领域的冶炼过程中，需要使用轧钢机对钢材进行热轧和冷轧处理，需要轧钢操作工操作轧钢机的输入输出辊道。在热轧和冷轧的过程中，会出现钢坯卡住停滞不前的情况，即轧机入口咬钢异常，一旦发生轧机入口咬钢异常的情况，必须要及时进行处理，避免影响整体工作效率。然而，目前针对轧机入口异常监测大多依赖人工，不仅效率低，而且由于人工的疏漏，也容易导致部分异常无法及时处理，影响钢坯质量。
技术实现思路
鉴于以上现有技术存在的问题，本专利技术提出一种基于深度学习的轧机入口咬钢异常识别方法，主要解决轧机入口异常识别依赖人工且识别效率低的问题。为了实现上述目的及其他目的，本专利技术采用的技术方案如下。一种基于深度学习的轧机入口咬钢异常识别方法，包括：根据轧机入口的钢坯样本图像获取异常识别模型；将所述轧机入口的实时钢坯图像输入所述异常识别模型，获取钢坯在所述轧机入口处的移动状态，并根据所述移动状态获取异常信息。可选地，通过所述异常识别模型实时检测所述钢坯在轧机入口的位置，并根据连续多帧所述实时钢坯图像的位置确定钢坯的移动状态。可选地，设置位置阈值，当连续多帧所述实时钢坯图像的位置中，钢坯尾部位置的差值不大于所述位置阈值时，判断轧机入口咬钢异常，启动预警信息。可选地，通过所述钢坯样本图像创建训练数据集和测试数据集；将所述训练数据集用于训练深度学习神经网络获取所述神经网络模型；通过所述测试数据集优化所述神经网络模型的参数获取所述异常识别模型。可选地，在进行模型训练之前，分别对所述训练数据集和所述测试数据集中样本图像进行归一化处理。可选地，采用MobileNetV2网络替换SDD网络架构中的VGG-16，并去掉MobileNetV2网络最后的全局平均池化层、全连接层和Softmax层；将原VGG-16的最后两个全连接层改为卷积层，以此构建所述深度学习神经网络。可选地，采用指数衰减法设置所述深度学习神经网络的学习率。可选地，将所述深度学习神经网络的权重进行正则化后，引入到原SSD网络的代价函数中，创建新的代价函数。可选地，可采用L2范数正则化，创建所述新的代价函数，表示为：其中，C0为原SSD网络的代价函数，w为权重，λ为正则项的系数。可选地，采用反向传播对所述深度学习神经网络的权重进行更新，更新公式如下：其中，C0为原SSD网络的代价函数，w为权重，λ为正则项的系数，α和β为常系数。如上所述，本专利技术一种基于深度学习的轧机入口咬钢异常识别方法，具有以下有益效果。通过异常识别模型自动识别轧机入口的异常，避免由人工参与带来的一系列问题；通过模型识别可保障识别的实时性和准确性，提高异常处理效率，保证钢坯质量。附图说明图1为本专利技术一实施例中基于深度学习的轧机入口咬钢异常识别方法的流程图。图2为MobileNetV2网络瓶颈层的结构示意图。图3为SSD网络框架的结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。请参阅图1，本专利技术提供一种基于深度学习的轧机入口咬钢异常识别方法，包括步骤S01-S02。在步骤S01中，根据轧机入口的钢坯样本图像获取异常识别模型：在一实施例中，可通过设置在轧机入口附近的摄像头等图像采集模块获取钢坯样本图像，并对采集的样本图像中的钢坯进行标注，以便根据标注信息采用监督学习方法检测钢坯位置。进一步地，可将经过标注的样本图像输入数据库中分别创建训练数据集和测试数据集。具体地，可按1:9的比例将样本图像分为测试数据集和训练数据集；也可根据实际需求设置样本图像的划分比例。在一实施例中，可分别对训练数据集和测试数据集中的样本图像进行归一化处理，将图片的灰度值从0到255归一化至0到1。具体地，图像归一化可采用最大最小值归一化方法、对数函数转化方法或反余切函数转化方法等，这里以最大最小值归一化方法为例，公式如下：其中，xi表示图像像素点值，max(x)和min(x)分别表示图像像素的最大和最小值。在一实施例中，可对经过归一化处理的样本图像进行图像质量增强，具体地，可分别对样本图像进行裁剪、翻转、旋转、亮度调节、对比度调节、饱和度调节等，保障样本图像质量，提高钢坯检测的效率。在一实施例中，将经过前述步骤处理的训练数据集用于训练深度学习神经网络，获取神经网络模型；并通过测试数据集对神经网络模型参数进行优化，获取最优的神经网络模型作为异常识别模型。深度学习神经网络可采用MobileNetV2-SSD深度学习神经网络。MobileNetV2是对MobileNetV1的改进，它提出了两个新的概念：反转残差InvertedResidual和线性瓶颈LinearBottleneck。反转残差InvertedResidual主要用来增加图像特征的提取以提高精度，而线性瓶颈LinearBottleneck主要用来避免非线性函数ReLU的信息丢失。MobileNetV2的核心由17个Bottleneck组成，其网络结构请参阅表1(其中t为瓶颈层内部升维的倍数，c为输出特征的维数，n为重复的次数，s为卷积的步长，k为宽度缩放因子)。表1瓶颈层的具体结构请参阅表2。输入通过1×1的conv+ReLU层将维度从k维增加到tk维，之后通过3×3conv+ReLU可分离卷积对图像进行降采样(stride>1时)，此时特征维度已经为tk维度，最后通过1×1conv(无ReLU)进行降维，维度从tk降低到k’维。表2此外，如图2所示，对于瓶颈层，当卷积步长stride＝1时，将输入映射到输出中；当stride＝2时，无shortcut连接输入和输出特征。ReLU_6函数作为激活函数，可表示为：y＝relu6(x)＝min(max(x,0),6)其中，x和y分别表示输入和输出。SSD是一种single-stage的目标检测算法，利用不同尺度的特征图去预测不同框大小的目标。SSD网络结构分为两部分：基础网络+金字塔网络，其中基础网络是可以变换的。原始SSD的基础本文档来自技高网...

【技术保护点】
1.一种基于深度学习的轧机入口咬钢异常识别方法，其特征在于，包括：/n根据轧机入口的钢坯样本图像获取异常识别模型；/n将所述轧机入口的实时钢坯图像输入所述异常识别模型，获取钢坯在所述轧机入口处的移动状态，并根据所述移动状态获取异常信息。/n

【技术特征摘要】
1.一种基于深度学习的轧机入口咬钢异常识别方法，其特征在于，包括：
根据轧机入口的钢坯样本图像获取异常识别模型；
将所述轧机入口的实时钢坯图像输入所述异常识别模型，获取钢坯在所述轧机入口处的移动状态，并根据所述移动状态获取异常信息。


2.根据权利要求1所述的基于深度学习的轧机入口咬钢异常识别方法，其特征在于，通过所述异常识别模型实时检测所述钢坯在轧机入口的位置，并根据连续多帧所述实时钢坯图像的位置确定钢坯的移动状态。


3.根据权利要求2所述的基于深度学习的轧机入口咬钢异常识别方法，其特征在于，设置位置阈值，当连续多帧所述实时钢坯图像的位置中，钢坯尾部位置的差值不大于所述位置阈值时，判断轧机入口咬钢异常，启动预警信息。


4.根据权利要求1所述的基于深度学习的轧机入口咬钢异常识别方法，其特征在于，通过所述钢坯样本图像创建训练数据集和测试数据集；
将所述训练数据集用于训练深度学习神经网络获取所述神经网络模型；
通过所述测试数据集优化所述神经网络模型的参数获取所述异常识别模型。


5.根据权利要求4所述的基于深度学习的轧机入口咬钢异常识别方法，其特征在于，在进行模型训练之前，分别对所述训练数据集和所述测试数据集中样本图像进行归一化处理。

<...

【专利技术属性】
技术研发人员：庞殊杨，刘睿，张超杰，卢莎，许怀文，贾鸿盛，毛尚伟，
申请(专利权)人：中冶赛迪重庆信息技术有限公司，
类型：发明
国别省市：重庆;50