一种基于深度学习模型的多种类废钢重量预测方法及系统技术方案

本发明专利技术公开了一种基于深度学习模型的多种类废钢重量预测方法及系统，涉及废钢识别技术领域。该方法包括采集废钢图片；将多张废钢图片输入废钢种类检测模型进行废钢种类识别得到检测结果，检测结果为每张图片中每个废钢的种类和每个废钢的面积；根据检测结果统计出每个种类废钢的件数和此类废钢的面积和；将统计结果输入废钢重量预测模型得到预测结果，预测结果为每个种类废钢的重量；人工对预测结果进行矫正，得到最终的废钢重量预测结果报表。本发明专利技术利用深度学习替代人工进行废钢重量预测，降低了工人劳动强度和工作风险，提高了废钢重量预测的效率以及准确性和科学性，实现了废钢重量预测的自动化和智能化。废钢重量预测的自动化和智能化。废钢重量预测的自动化和智能化。

【技术实现步骤摘要】
一种基于深度学习模型的多种类废钢重量预测方法及系统


[0001]本专利技术涉及废钢识别以及废钢重量预测
，特别涉及一种基于深度学习模型的多种类废钢重量预测方法及系统。

技术介绍

[0002]我国是全球最大的钢铁生产国和最大的钢铁消费市场，是名副其实的“钢铁大国”，铁矿石是钢铁生产企业的重要原材料，虽然我国矿产资源比较丰富，但是铁矿是不可再生资源，而废钢作为绿色环保再生的生产原料，受到国家和钢铁生产企业的重视，但是由于废钢回收量大且种类繁多，普遍存在多料型混装及掺杂等问题，不同类别的废钢价格差异很大，因此对于不同种类废钢重量预测的准确率对钢厂经济效益有至关重要的影响。
[0003]现有废钢评级技术中常规的废钢验质主要依靠人工目测，依据质检员经验判断来估计每一种类废钢的重量，由于废钢种类繁多，质检员攀爬货车危险性大且效率低，且主观人为因素大，导致多种类废钢重量检测准确率低，判定效率低。

技术实现思路

[0004]1.专利技术要解决的技术问题：本专利技术的目的克服现有技术存在的不足，提出一种基于深度学习模型的多种类废钢重量预测方法及系统，有效解决上述
技术介绍
中提出的问题。
[0005]2.技术方案：为实现上述目的，本专利技术所采用的技术方案为：一种基于深度学习模型的多种类废钢重量预测方法，步骤包括：采集废钢图片；将废钢图片输入废钢种类检测模型，得到检测结果，检测结果为每张图片中每个废钢的种类和每个废钢的面积；根据检测结果统计出每个种类废钢的件数和此类废钢面积之和；将统计结果输入废钢重量预测模型，得到预测结果，预测结果为每个种类废钢的重量；人工对预测结果矫正，得到最终的废钢重量预测结果报表。
[0006]进一步地，所述采集废钢图片的方法包括：对废钢厂货车卸料过程进行记录，记录方式采取三摄像头方式，摄像头分别位于货车的左、右和后三个方位，记录过程中摄像头实时抓拍，每间隔3s拍摄一次图片并保存到相应文件夹中。
[0007]进一步地，所述将废钢图片输入废钢种类检测模型，得到检测结果方法包括：对上述采集的废钢图片进行旋转、镜像、裁剪等处理后缩放至指定大小，计算图片每个通道像素的均值和方差，对图片进行归一化处理；将处理后的废钢图片输入废钢种类检测模型进行检测，计算得到检测结果，即每张废钢图片中每个废钢的种类与每个废钢的面积，将检测结果保存在txt文档中。
[0008]进一步地，所述根据检测结果统计出每个种类废钢的件数和此类废钢面积之和的方法包括：对上述废钢种类检测模型的检测结果根据图片采集摄像头方位的不同分别进行统计，统计内容为每张图片中每个种类废钢的件数和此类废钢面积之和，将统计结果根据图片采集摄像头方位的不同分别存储于三个CSV文件中。
[0009]进一步地，所述将统计结果输入废钢重量预测模型，得到预测结果的方法包括：将上述三个保存统计结果的CSV文件输入废钢重量预测模型，模型读取CSV文件，根据每个种类废钢的件数和其对应的面积来预测重量；根据输入不同的CSV文件得到三个重量预测结果；由于摄像头位置不同，不同方位摄像头有相应的权重占比，将上述三个重量预测结果和各自的权重占比系数相乘并求和得到最终每种废钢的预测重量；将预测结果保存在废钢重量预测结果PDF报表文件中。
[0010]进一步地，所述废钢重量预测模型由全连接神经网络(多层感知机)所构建，利用计算出来的废钢件数和面积数据进行训练和验证：废钢重量预测模型首先读取每车废钢中各种废钢的真实件数和面积数据作为训练集，训练集数据如表1所示；对读取的数据进行预处理，数据预处理包括计算不同种类废钢数量和面积的均值与方差，对数据进行标准化；使用一个线性回归模型和损失函数来训练模型并使用Adam算法优化训练函数，同时使用K折交验验证来选择模型较优的超参数；使用一组未经调优的超参数并计算交叉验证误差，通过改动这些超参数尽可能减小平均测试误差；最后定义预测函数并对模型的权重文件进行保存。
[0011]本专利技术还提供一种基于深度学习模型的多种类废钢重量预测的系统，包括：图片采集模块，用于对废钢厂货车卸料过程进行记录，获取废钢图片；深度学习算法模块，此模块包含废钢种类检测模型和废钢重量预测模型，所述废钢种类检测模型用于检测废钢图片中每个废钢的种类与每个废钢的面积，所述废钢重量预测模型用于根据每种废钢的件数和面积预测该种废钢的重量；可控终端模块，用于现场操作人员实时操作，观察废钢卸车情况以及对废钢重量预测结果进行矫正。
[0012]3.与现有技术相比，本专利技术具有如下显著效果：本专利技术采用深度学习技术结合机器视觉技术针对废钢种类自动识别，并采用全连接神经网络对识别结果进行拟合从而预测出每个种类废钢的重量，能够很大程度解决当前人工进行废钢种类判别和废钢重量估测不准确带来的问题，实现了废钢检验远程监控，自动进行废钢种类判别和废钢重量估测，减少了员工的劳动强度，降低了员工工作风险，实现了废钢重量预测的自动化和智能化，提高了废钢重量预测的效率以及准确性和科学性，实现了智能制造降本增效。
附图说明
[0013]图1为本专利技术的工作流程示意图。
[0014]图2为本专利技术的三摄像头方案示意图。
[0015]图3为本专利技术的废钢检测结果案示意图。
[0016]图4为本专利技术的废钢重量预测结果PDF报表示意图。
具体实施方式
[0017]为使本专利技术的目的、技术方案以及突出优点更加清楚明白，下面将结合附图和具体实施方式对本专利技术进行详细说明，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例，基于本专利技术的实施例，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每个其他实施例，都属于本专利技术保护的范围。
[0018]如图1所示，本专利技术实施例中，一种基于深度学习模型的多种类废钢重量预测方法，其具体步骤包括：
[0019]S1采集废钢图片数据。
[0020]装载废钢的货车到达废钢厂指定位置后，现场通过爪机车抓取废钢完成卸车，在此过程中，摄像头完成实时记录卸料过程的任务，三个不同方位的摄像头，对同一车辆进行图片采集，生成三个不同方位的卸料记录图片，具体为将三个海康威视800万像素星光级8寸激光网络高清高速智能球机(iDS
‑
2DF8C840I5XS
‑
AFW/SP(T2B))摄像头，置于高度为10.2m
‑
10.5m的摄像头支架，分别位于货车左方、右方、后方，如图2所示，摄像头间隔固定时间3s(此时间可自行调整)进行一次拍照记录，三个摄像头拍摄的图片命名格式为时间_摄像头编号，例如摄像头1在2023年2月28号上午8点18分18秒拍摄的图片命名为：20230228081818_1.jpg。
[0021]S2将废钢图片输入废钢种类检测模型，得到检测结果，检测结果为每张图片中每个废钢的种类和每个废钢的面积。
[0022]废钢种类检测模型采取CSPNeXt网络作为主干进行特征提取，利用已标注废钢种类的废钢图片进行训练和验证，由于废钢的形状多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的多种类废钢重量预测方法，其特征在于，包括：采集废钢图片；将废钢图片输入废钢种类检测模型，得到检测结果，检测结果为每张图片中每个废钢的种类和每个废钢的面积；根据检测结果统计出每个种类废钢的件数和此类废钢面积之和；将统计结果输入废钢重量预测模型，得到预测结果，预测结果为每个种类废钢的重量；人工对预测结果矫正，得到最终的废钢重量预测结果报表。2.根据权利要求1所述一种基于深度学习模型的多种类废钢重量预测方法，其特征在于，所述采集废钢图片的具体方法包括：使用摄像设备对废钢厂货车卸料过程进行记录，记录方式采取三摄像头方式抓拍，三个摄像头分别位于货车的左、右和后三个方位，每间隔固定时间抓拍货车卸料过程并将采集到的废钢图片分别保存对应文件夹中。3.根据权利要求1所述一种基于深度学习模型的多种类废钢重量预测方法，其特征在于，所述将废钢图片输入废钢种类检测模型，得到检测结果的方法包括：对采集到的废钢图片进行预处理：对图片进行旋转、镜像、裁剪等处理后缩放至指定大小；计算图片每个通道像素的均值和方差，进行归一化处理；将处理后的废钢图片输入废钢种类检测模型进行检测，计算得到检测结果，即每张废钢图片中每个废钢的种类与每个废钢的面积，将检测结果保存到txt文档中。4.根据权利要求1所述一种基于深度学习模型的多种类废钢重量预测方法，其特征在于，所述根据检测结果统计出每个种类废钢的件数和此类废钢面积之和所采取的统计方法包括：利用python程序读取每个txt文档里的数据，累加每个废钢种类标签序号的数量，通过标签序号查询标签字典文件获得具体标签名称；通过废钢边界框的宽和高来计算每一个废钢的面积并对同一种类废钢的面积进行累加；对三个摄像头抓拍到的废钢照片检测结果分...

【专利技术属性】
技术研发人员：张妍，朱立光，许云峰，刘畅达，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：