基于深度学习的堆钢识别方法技术

本发明专利技术提供一种基于深度学习的堆钢识别方法，包括：获取钢条图像数据，根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型；采集当前场景下的钢条图像数据；将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别，获取堆钢识别结果；本发明专利技术无需人工参与，通过机器识别堆钢特征，解决现有堆钢识别效率低影响轧制轨道工作的问题，避免了由人工参与带来的一系列问题，大大提升了工作效率，本发明专利技术通过深度学习网络实现了对钢条的图像分割，解决了钢条图像分割算法容易出现的过度拟合的问题，提高了图像分割的效率和准确率，提升了在实际工业场景下对钢条追钢识别的效果。

【技术实现步骤摘要】
基于深度学习的堆钢识别方法
本专利技术涉及冶金领域和数字图像处理领域，尤其涉及一种基于深度学习的堆钢识别方法。
技术介绍
在钢铁冶金领域的冶炼过程中，高速线材在轧制过程中，由于轧制速度和轧辊直径设定不正确、钢温波动太大、轧辊突然断裂等原因，会出现堆钢现象，一旦发生堆钢的情况，必须要及时进行处理。当堆钢发生时，线材可能会大规模溢出轧制轨道，如果人工近距离观测，存在意外安全事故发生的风险，因此如何对堆钢进行识别监控，与高速线材在轧制的安全生产密切相关。目前，现有的堆钢的监测仍然主要靠人工来进行监测，而其他一些非人工参与的检测方式，大部分需要接入现有的控制系统，并需要对现有的控制系统进行改造，而在对普通的轧钢生产线加装监测系统通常需要较长的调试改造时间，影响生产，另一方面，也存在着可靠性不高的因素，无法保证炼钢质量，因此，需要一种新的堆钢识别方法，以实现工业场景智能化，效率化，精准化。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术提供一种基于深度学习的堆钢识别方法，以解决上述技术问题。本专利技术提供的基于深本文档来自技高网...

【技术保护点】
1.一种基于深度学习的堆钢识别方法，其特征在于，包括：/n获取钢条图像数据，根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型；/n采集当前场景下的钢条图像数据；/n将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别，获取堆钢识别结果。/n

【技术特征摘要】
1.一种基于深度学习的堆钢识别方法，其特征在于，包括：
获取钢条图像数据，根据所述钢条图像数据建立基于深度学习的堆钢图像分割神经网络模型；
采集当前场景下的钢条图像数据；
将当前场景下的钢条图像数据输入至所述堆钢图像分割神经网络模型进行识别，获取堆钢识别结果。


2.根据权利要求1所述的基于深度学习的堆钢识别方法，其特征在于，获取钢条图像数据后，对所述钢条图像数据进行标注，并按预设的比例将标注后的数据划分为测试数据集和训练数据集。


3.根据权利要求1所述的基于深度学习的堆钢识别方法，其特征在于，根据所述训练数据集对堆钢图像分割神经网络模型进行有监督训练，学习相应的钢条图像特征，并输出图像分割结果，根据分割结果，判断是否发生堆钢。


4.根据权利要求3所述的基于深度学习的堆钢识别方法，其特征在于，根据所述分割结果中目标钢条最外围轮廓，获取检测目标轮廓的边界矩形框和检测目标边界矩形框的坐标位置，进而获取检测目标的特征信息，根据所述特征信息，判断是否发生堆钢。


5.根据权利要求4所述的基于深度学习的堆钢识别方法，其特征在于，所述特征信息包括检测目标边界矩形框的宽度、高度、面积，当所述特征信息的特征值超过预设的阈值时，则判断发生堆钢，并进行报警。


6.根据权利要求2所述的基于深度学习的堆钢识别方法，其特征在于，所述堆钢图像分割神经网络模型包括：
收缩路径，用于捕捉堆钢图像中的上下文信息；
扩展路径，用于对堆钢图像中所需要分割出来的部分进行精准定位。


7.根据权利要求6所述的基于...

【专利技术属性】
技术研发人员：庞殊杨，刘睿，张超杰，王昊，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