【技术实现步骤摘要】
一种基于深度学习的废钢卸料变化区域自动识别方法
[0001]本专利技术涉及废钢铁回收加工
，具体涉及一种基于深度学习的废钢卸料变化区域自动识别方法。
技术介绍
[0002]在目前的钢铁生产过程中，为了降低成本、提高冶炼效率，通常要回收废旧钢铁进行回炉熔化再利用。但是由于废钢使用量大，多料型掺杂混装，且时常发生废钢掺假等现象，为保证产品质量、提升钢铁产量，避免爆炸、钢水喷溅等事故的发生，需要对购买的废钢进行验质。
[0003]传统的人工废钢验质受人为主观因素影响比较大，对人员要求比较高，一般要求熟悉标准，并有丰富经验才能判断；并且每个人判断存在差异，因疲劳、心情等可能会影响评价结果，没有量化的评价结论，无法形成很好的数据分析，不易让供应商信服。同时废钢验质作业环境较为恶劣，质检员每次需要攀高四五米到大货车车顶，对车内废钢进行近距离观察，劳动强度大，作业风险高。
[0004]当前深度学习和计算机视觉技术广泛应用于图像分割和图像识别领域，深度学习中的卷积神经网络在图像分割和图像目标识别方面取得较好的效果，将深...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的废钢卸料变化区域自动识别方法，其特征在于，所述方法包括如下步骤：S1：通过摄像头获取需检测的目标区域图像并传输给算法服务器；S2：利用Mask R
‑
CNN算法构建废钢车厢定位模型，将步骤S1获取的目标区域图像输入训练好的废钢车厢定位模型，识别出目标区域图像中废钢车厢位置，并提取废钢车厢区域像素范围；S3：基于YOLO
‑
v4算法构建废钢卸料抓斗追踪模型，利用训练好的废钢卸料抓斗追踪模型，在步骤S2提取的废钢车厢区域内追踪抓斗运行轨迹，当检测到抓斗离开废钢车厢区域时，以下降沿作为触发，从视频中抓拍抓斗抓取废钢后废钢车厢区域的多帧图像；S4：利用高斯混合模型对背景建模，采用步骤S3中抓拍的上一次抓取后废钢车厢区域的多帧图像训练高斯混合模型，通过高斯混合模型与当前抓取后废钢车厢区域图像差分运算，识别出废钢抓斗抓取后废钢车厢变化区域，并保存面积最大的变化区域。2.根据权利要求1所述的基于深度学习的废钢卸料变化区域自动识别方法，其特征在于，所述步骤S2中，废钢车厢定位模型利用ResNet
‑
FPN对目标区域图像进行多尺度特征提取，通过头部网络实现对废钢车厢位置像素级的识别。3.根据权利要求1所述的基于深度学习的废钢卸料变化区域自动识别方法，其特征在于，所述步骤S2中，所述废钢车厢定位模型的训练包括以下步骤：S21：采集大规模废钢车图像数据和工业现场视频监控图像数据，对图像数据进行标注，制作训练集V
train
、测试集V
test
和验证集V
val
；S22：利用优化函数求解模型中的参数，所述优化函数为TensorFlow中的adam optimizer函数，模型输入图像尺寸为img＝(512,512,3)；S23：对废钢车厢定位模型进行训练，当Loss值达到需求时停止训练：Loss＝L
cls
+L
box
+L
mask
其中，L
cls
为分类误差，L
box
为检测误差，L
mask
为分割误差；S24：对训练好的模型测试预测效果，若达到需求则保存模型，否则重复步骤S23过程继续训练。4.根据权利要求1所述的基于深度学习的废钢卸料变化区域自动识别方法，其特征在于，所述步骤S3中，废钢卸料抓斗追踪模型利用CSPdarknet53作为主干特征提取网络，结合SPP网络实现多尺度特征提取。5.根据权利要求1所述的基于深度学习的废钢卸料变化区域自动识别方法，其特征在于，所述步骤S3中，所述废钢卸料抓斗追踪模型的训练包括以下步骤：S31：采集大规模废钢抓斗图像数据，包括抓取前、抓取中、抓取后三种状态，对图像数据进行标注，制作训练集Q
train
、测试集Q
test
和验...
【专利技术属性】
技术研发人员：来博文，贾永坡，安宝，彭晶，王伟，冯兴，杨冬靓，
申请(专利权)人：河钢数字技术股份有限公司，
类型：发明
国别省市：
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。