一种无人天车钢卷层数检测方法技术

本发明专利技术涉及一种无人天车钢卷层数检测方法，属于冶金自动化生产方法技术领域。本发明专利技术的技术方案是：通过天车下摄像头获取钢卷图像，基于深度学习的图像分类方法，采用目前图像分类领域精准度领先的卷积神经网络模型，结合不同层数钢卷图像数据集进行模型训练，使得该系统在无人天车将钢卷进行卸货前，能够快速精准地检测出卸货点的钢卷层数，并将层数信息发送给无人天车系统。本发明专利技术的有益效果是：防止无人天车系统中的默认层数和实际场景中的钢卷层数判定冲突，导致钢卷被快速放下引起损坏。坏。坏。

【技术实现步骤摘要】
一种无人天车钢卷层数检测方法


[0001]本专利技术涉及一种无人天车钢卷层数检测方法，属于冶金自动化生产方法


技术介绍

[0002]无人天车是以全自动天车运行代替人工操作天车的一种全新的天车作业方式。无人天车控制方法是随企业物流的发展，信息化的逐步完善的产物，无人天车自动化技术的提高，可以显著提高生产及运输效率。而无人天车系统存在在钢卷卸货过程中，无人天车系统内钢卷层数和库区实际钢卷层数可能存在差异。在钢卷卸货时系统中默认钢卷层数和实际场景中的层数可能存在差异的情况下，如果无法及时发现并且调整钢卷卸货位置，可能会造成钢卷损坏、天车损坏的问题隐患。

技术实现思路

[0003]本专利技术目的是提供一种无人天车钢卷层数检测方法，通过在厂区及无人天车下方加装摄像头，使得天车钢卷卸货时系统中默认钢卷层数和实际场景中的层数可能存在差异时，及时检测出钢卷层数状态并发送信号，防止钢卷被快速放下引起损坏，有效地解决了
技术介绍
中存在的上述问题。
[0004]本专利技术的技术方案是：一种无人天车钢卷层数检测方法，包含以下步骤：通过天车下摄像头获取钢卷图像，基于深度学习的图像分类方法，采用目前图像分类领域精准度领先的卷积神经网络模型，结合不同层数钢卷图像数据集进行模型训练，使得该系统在无人天车将钢卷进行卸货前，能够快速精准地检测出卸货点的钢卷层数，并将层数信息发送给无人天车系统，防止无人天车系统中的默认层数和实际场景中的钢卷层数判定冲突，导致钢卷被快速放下引起损坏。
[0005]具体步骤如下：步骤a、当无人天车移动至所要钢卷卸货或所要放卷的位置后，给系统发送信号，系统接收信号并拍摄正下方图像，根据预先计算好的位置偏差，对于该图像进行固定尺度裁剪，获得正下方钢卷的图像。
[0006]步骤b、利用卷积层提取图像中的各种特征，包括边缘，线条，纹理等底层特征。
[0007]步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接。
[0008]步骤d、对最终得到的特征图进行全连接，获取多维的特征向量，利用该特征向量进行多分类钢卷层数识别，判断正下方钢卷为何种状态。
[0009]步骤e、对于网络中的输出，通过信号方式送给无人天车系统，产生钢卷层数信号。
[0010]所述步骤b中，采用基于深度学习的卷积神经网络模型算法，应用基于残差网络的卷积神经网络模型进行钢卷特征的提取.所述步骤c中，利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的
训练与计算，保证实现精准快速的钢卷倾斜检测。
[0011]所述步骤d中，钢卷状态包含没有钢卷、1层钢卷或者2层钢卷。
[0012]本专利技术的有益效果是：通过在厂区及无人天车下方加装摄像头，使得天车钢卷卸货时系统中默认钢卷层数和实际场景中的层数可能存在差异时，及时检测出钢卷层数状态并发送信号，防止钢卷被快速放下引起损坏。
附图说明
[0013]图1是本专利技术实施例的作业区域摄像头捕获的实时视频流图像；图2是本专利技术实施例的检测钢卷层数的卷积神经网络模型组成架构图；图3是本专利技术的系统流程图。
具体实施方式
[0014]为了使专利技术实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本专利技术实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本专利技术一小部分实施案例，而不是全部的实施案例，基于本专利技术中的实施案例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都属于本专利技术保护范围。
[0015]一种无人天车钢卷层数检测方法，包含以下步骤：通过天车下摄像头获取钢卷图像，基于深度学习的图像分类方法，采用目前图像分类领域精准度领先的卷积神经网络模型，结合不同层数钢卷图像数据集进行模型训练，使得该系统在无人天车将钢卷进行卸货前，能够快速精准地检测出卸货点的钢卷层数，并将层数信息发送给无人天车系统，防止无人天车系统中的默认层数和实际场景中的钢卷层数判定冲突，导致钢卷被快速放下引起损坏。
[0016]具体步骤如下：步骤a、当无人天车移动至所要钢卷卸货或所要放卷的位置后，给系统发送信号，系统接收信号并拍摄正下方图像，根据预先计算好的位置偏差，对于该图像进行固定尺度裁剪，获得正下方钢卷的图像。
[0017]步骤b、利用卷积层提取图像中的各种特征，包括边缘，线条，纹理等底层特征。
[0018]步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接。
[0019]步骤d、对最终得到的特征图进行全连接，获取多维的特征向量，利用该特征向量进行多分类钢卷层数识别，判断正下方钢卷为何种状态。
[0020]步骤e、对于网络中的输出，通过信号方式送给无人天车系统，产生钢卷层数信号。
[0021]所述步骤b中，采用基于深度学习的卷积神经网络模型算法，应用基于残差网络的卷积神经网络模型进行钢卷特征的提取.所述步骤c中，利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的训练与计算，保证实现精准快速的钢卷倾斜检测。
[0022]所述步骤d中，钢卷状态包含没有钢卷、1层钢卷或者2层钢卷。
[0023]在实际应用中，本专利技术应用C语言编程开发，通过天车下摄像头获取钢卷图像，通
过基于深度学习的图像分类方法，采用目前图像分类领域精准度领先的卷积神经网络模型，结合钢卷层数图像数据集进行模型训练，使得钢卷卸货时系统中默认钢卷层数和实际场景中的层数可能存在差异的情况时，及时检测出钢卷层数状态并发送信号，防止钢卷被快速放下引起损坏。
[0024]包括如下步骤：步骤a、当无人天车移动至所要钢卷卸货或所要放卷的位置后，给本系统发送信号，本系统接收信号并拍摄正下方图像，根据预先计算好的位置偏差，对于该图像进行固定尺度裁剪，获得正下方钢卷的图像。
[0025]主要代码如下：sprintf(logfp, "UnLoading:danger_dn[%d]safesys_dn[%d]safe[%d]",
ꢀꢀ
count_dn,safe_count_dn,count);
ꢀꢀꢀꢀꢀ
_LOG_PRINT(APPNAME, 'I', "Safejpasspnt", logfp);
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
if(count_dn + count+safe_count_dn> 5)
ꢀꢀꢀꢀꢀ
if(count+safe_count_dn> 5)
ꢀꢀꢀꢀꢀ
{
ꢀꢀ
sprintf(logfp, "passdn point is full,error.count_dn[%d]safe_count[%d]",count_dn,count);
ꢀꢀꢀꢀꢀꢀꢀꢀ
_LOG_PRINT(APPNAME, 'E', "Safejpasspnt",本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人天车钢卷层数检测方法，其特征在于包含以下步骤：通过天车下摄像头获取钢卷图像，基于深度学习的图像分类方法，采用目前图像分类领域精准度领先的卷积神经网络模型，结合不同层数钢卷图像数据集进行模型训练，使得该系统在无人天车将钢卷进行卸货前，能够快速精准地检测出卸货点的钢卷层数，并将层数信息发送给无人天车系统，防止无人天车系统中的默认层数和实际场景中的钢卷层数判定冲突，导致钢卷被快速放下引起损坏。2.根据权利要求1所述的一种无人天车钢卷层数检测方法，其特征在于：具体步骤如下：步骤a、当无人天车移动至所要钢卷卸货或所要放卷的位置后，给系统发送信号，系统接收信号并拍摄正下方图像，根据预先计算好的位置偏差，对于该图像进行固定尺度裁剪，获得正下方钢卷的图像；步骤b、利用卷积层提取图像中的各种特征，包括边缘，线条，纹理等底层特征；步骤c、每个特征进行降采样,...

【专利技术属性】
技术研发人员：张科科，王映红，李明宇，侯利，孙博，李福印，刘复生，刘颖，熊山威，袁锴，
申请(专利权)人：河钢乐亭钢铁有限公司河钢股份有限公司唐山分公司，
类型：发明
国别省市：