钢线圈头部检测识别方法技术

本发明专利技术提出一种钢线圈头部检测识别方法，将数字图像处理技术与Faster RCNN目标检测算法相结合，通过数字图像处理技术获得图片中钢线圈头部梯度信息，并将梯度信息作为先验知识加入原图中，强化图片中钢线圈头部的像素值信息；将带有先验知识的图片输入Faster RCNN目标检测算法中，带有先验知识的图片可以加强目标检测算法在钢线圈头部的特征提取，提高算法检测识别钢线圈头部的精度，此方法稳定可靠，能够提高检测精度完成预定工作任务。能够提高检测精度完成预定工作任务。能够提高检测精度完成预定工作任务。

Detection and identification method of steel coil head

【技术实现步骤摘要】
钢线圈头部检测识别方法


[0001]本专利技术属于钢线圈头部检测识别
，尤其涉及一种钢线圈头部检测识别方法。

技术介绍

[0002]钢线圈是建筑行业必不可少的原材料，是钢铁企业重要的产品，钢线圈在轧制生成过程中，一捆线圈的头部轧后送入夹送锟中，此时，冷却水箱才开启，头部数圈没有经过穿水处理，导致钢线圈内部铁素体晶粒长大、内部组织成分不均匀，抗拉强度等力学性能不稳定，使用时，各项指标达不到所要求的标准。因此，在精整工序中需要将头部几圈按照企业规定剪除，而这一工序中如何识别钢线圈头部成为关键。目前，主流钢线圈头部切除仍是人工操作，具体操作流程如下：成捆的钢线圈在C型钩上输送过来，工人首先观察找到钢线圈头部的位置，如果观察没有发现，需要对成捆的钢线圈进行分拨，找到钢线圈头部后，按照线圈的直径规格依据工厂标准对钢线圈进行剪除。
[0003]工人剪切钢线圈主要存在以下问题：首先，工厂中这一工作完全由工人师傅手工完成，效率低，随着人工成本增高，影响企业的生产效益；其次，此工作由工人师傅手工完成，是生产线自动化生产的短板，无法实现钢线圈生产过程的全过程自动化；最后，工厂环境恶劣、高热高危、枯燥重复，不适宜工人长时间连续工作。因此，人工操作已经影响企业的生产效率和生产效益，亟需解决。

技术实现思路

[0004]为了弥补现有技术的空白和不足，本专利技术提出一种钢线圈头部检测识别方法。其从实际工程需要出发，分析钢线圈头部特征特点，将钢线圈头部梯度信息作为先验知识加入深度学习目标检测算法中，提高目标检测算法识别钢线圈头部的精确度和准确度，通过识别钢线圈头部在图片中的位置可以定位其空间坐标，最终可以实现通过引导机械手完成钢线圈头部的抓取动作。
[0005]为了提高钢铁产业自动化水平，实现钢线圈生产自动化、智能化，本专利技术提出了钢线圈头部检测识别方法，此方法将数字图像处理技术与Faster RCNN目标检测算法相结合，通过数字图像处理技术获得图片中钢线圈头部梯度信息，并将梯度信息作为先验知识加入原图中，强化图片中钢线圈头部的像素值信息；将带有先验知识的图片输入Faster RCNN目标检测算法中，带有先验知识的图片可以加强目标检测算法在钢线圈头部的特征提取，提高算法检测识别钢线圈头部的精度，此方法稳定可靠，能够提高检测精度完成预定工作任务。
[0006]本专利技术具体采用以下技术方案：
[0007]一种钢线圈头部检测识别方法，其特征在于，包括以下步骤：步骤S1：对带有钢线圈头部的钢线圈图像样本数据集使用sobel算子提取钢线圈头部的梯度信息，并将提取到的钢线圈头部梯度信息作为先验知识加入原图中；步骤S2：将含有先验知识的钢线圈图片
输入深度学习目标检测算法中，根据深度学习目标检测算法识别图片中钢线圈头部位置。
[0008]进一步地，所述使用sobel算子提取钢线圈头部的梯度信息通过y方向梯度与x方向梯度相减滤除倾斜线圈梯度，从而获得单一的钢线圈头部梯度，初步定位钢线圈头部位置。
[0009]进一步地，步骤S1具体包括以下步骤：
[0010]步骤S11：分别对输入图片使用sobel算子卷积提取y方向、x方向梯度信息，得到两张分别含有钢线圈y方向和x方向梯度信息图像；
[0011]步骤S12：分别对提取的y方向、x方向梯度信息进行Otsu阈值处理，将两幅梯度信息图像处理为黑白图像，用含有y方向的梯度图片与含有x方向的梯度图片逐像素相减，以去除倾斜放置的钢线圈在y方向的梯度信息，得到含有钢线圈头部梯度信息和部分噪声的图片；
[0012]步骤S13：对得到的图片使用3
×
3的核函数进行形态学开运算处理，以去除含有梯度信息图片中的噪声信息，且不损失钢线圈头部梯度信息；所述形态学开运算处理时对图片先进行腐蚀处理再进行膨胀处理，腐蚀处理根据核函数的大小将目标前景处理成背景，膨胀处理则根据核函数大小将目标前景边缘的背景处理为前景；
[0013]步骤S14：将得到的含有钢线圈头部信息的图片与原图进行逐像素相加处理，将钢线圈头部梯度信息作为先验知识加入原图中。
[0014]进一步地，所述深度学习目标检测算法包括：主干特征提取模块、区域建议网络、感兴趣区域池化模块和分类与回归模块；
[0015]所述主干特征提取模块用于根据选定的卷积神经网络提取输入的钢线圈图片的特征，输出得到特征图；采用ResNet50作为特征提取主干；输入的钢线圈图片经过以ResNet50为主干的特征提取模块后得到通道数为512的特征图；
[0016]所述区域建议网络用于根据设定的参数生成不同尺寸的锚框，并将生成的锚框映射到主干特征提取网络提取的钢线圈特征图上，初步预测每个锚框是否为钢线圈头部和每个锚框相对于Ground Truth偏移量，同时划分正负样本；训练时对预测锚框形成的Proposal进行筛选得到RoI；
[0017]所述感兴趣区域池化模块模块用于将映射在特征图上的不同尺寸的锚框进行池化处理成统一大小、固定维度；
[0018]所述分类与回归模块用于对钢线圈头部进行预测与位置回归，并计算下式的损失函数值，通过使损失函数值最小化优化模型：
[0019][0020]其中：i为anchor的索引；p
i
为anchor被预测为目标的概率；为类别标签，存在目标时为1，反之为0；t
i
为位置回归的预测值；为位置回归的标签值；λ为权重平衡值；N
cls
和N
reg
分别为分类损失和回归损失的归一化值；L
cls
为分类对数损失；L
reg
为位置回归损失。
[0021]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的钢线圈头部检测识别方法。
[0022]一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的钢线圈头部检测识别方法。
[0023]与现有技术相比，本专利技术及其优选方案首先通过数字图像处理技术获得钢线圈头部的梯度信息，并进行形态学开运算去除梯度图片中的噪声；其次通过逐像素相加的方法增强钢线圈头部像素值，从而加强钢线圈头部的特征；最后将经过强化特征的图片输入Faster RCNN目标检测算法中，通过算法模型识别图片中钢线圈头部位置，提高算法检测精度。该方法的优点是通过数字图像处理技术强化图片中钢线圈头部特征，从而提高深度学习目标检测算法检测识别钢线圈头部的精度；将数字图像处理中的图片梯度获取、自适应阈值处理、形态学运算用于目标检测算法图片预处理中，通过加强图片中目标的特征提高Faster RCNN的检测识别精度。实验证明该方法提高了检测精度，通过该方法能够更精确的识别图片中的钢线圈头部，从而定位钢线圈头部的空间位置。
[0024]以便于可以将钢线圈头部位置信息传送给机械臂，辅助机械臂更好的完成钢线圈头部的抓取和钢线圈头本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢线圈头部检测识别方法，其特征在于，包括以下步骤：步骤S1：对带有钢线圈头部的钢线圈图像样本数据集使用sobel算子提取钢线圈头部的梯度信息，并将提取到的钢线圈头部梯度信息作为先验知识加入原图中；步骤S2：将含有先验知识的钢线圈图片输入深度学习目标检测算法中，根据深度学习目标检测算法识别图片中钢线圈头部位置。2.根据权利要求1所述的钢线圈头部检测识别方法，其特征在于：所述使用sobel算子提取钢线圈头部的梯度信息通过y方向梯度与x方向梯度相减滤除倾斜线圈梯度，从而获得单一的钢线圈头部梯度，初步定位钢线圈头部位置。3.根据权利要求1所述的钢线圈头部检测识别方法，其特征在于：步骤S1具体包括以下步骤：步骤S11：分别对输入图片使用sobel算子卷积提取y方向、x方向梯度信息，得到两张分别含有钢线圈y方向和x方向梯度信息图像；步骤S12：分别对提取的y方向、x方向梯度信息进行Otsu阈值处理，将两幅梯度信息图像处理为黑白图像，用含有y方向的梯度图片与含有x方向的梯度图片逐像素相减，以去除倾斜放置的钢线圈在y方向的梯度信息，得到含有钢线圈头部梯度信息和部分噪声的图片；步骤S13：对得到的图片使用3
×
3的核函数进行形态学开运算处理，以去除含有梯度信息图片中的噪声信息，且不损失钢线圈头部梯度信息；所述形态学开运算处理时对图片先进行腐蚀处理再进行膨胀处理，腐蚀处理根据核函数的大小将目标前景处理成背景，膨胀处理则根据核函数大小将目标前景边缘的背景处理为前景；步骤S14：将得到的含有钢线圈头部信息的图片与原图进行逐像素相加处理，将钢线圈头部梯度信息作为先验知识加入原图中。4.根据权利要求2所述的钢线圈头部检测识别方法，其特征在于：所述深度学习目标检测算法包括：主干特征提取模块、区域建议网络、感兴趣区域池化...

【专利技术属性】
技术研发人员：吴龙，汤文虎，黎尧，
申请(专利权)人：福州大学，
类型：发明
国别省市：