基于Yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法技术

本申请涉及基于Yolov11‑seg模型预设anchor的废钢斗入炉姿态快速识别方法，包括如下步骤：S1：摄像头位置确定以及视野调整；S2：将摄像头采集的视频流传输给NVR进行视频保存，再制作所需的数据集；S3：采用Yolov11‑seg检测模型，对摄像头进行实时废钢斗检测；S4：利用mask、检测框和预设anchor计算出占空比；S5：事件识别，判断废钢斗在炉前是准备入料，还是正在入料，还是入料完毕正在移除相机视野。本申请实施例提供的整体结构，实现了可用于入料计数和入炉废钢重量计算，为后续炼钢工艺提供数据支撑，采用视觉技术的废钢斗既能避免人身安全问题，基于废钢斗的mask和检测框，再结合左下角和右上角的预设anchor，可以快速计算出占空比，准确地计算出废钢斗的姿态。

【技术实现步骤摘要】

本申请涉及计算机软件，尤其涉及基于yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法。

技术介绍

1、钢是人类现在和将来使用和赖以生存的最重要的材料之一，轻质化、强度和韧性俱佳、长寿命是钢铁材料最重要的性能。转炉炼钢是一种重要的炼钢工艺，以铁水、废钢、铁合金为主要原料，将生铁中的碳及其他杂质(如硅、锰等)氧化，生产出物理、化学性能与力学性能更好的钢。随着深度学习技术的飞速发展，特别是在视觉领域取得的显著成果，深度学习视觉技术已经成为提升炼钢工艺自动化水平的强大工具。在转炉炼钢过程中，传统的废钢斗入料次数计数和废钢入炉重量计算工艺，智能化程度低，效率低下，人工参与度大，且存在安全隐患。基于视觉技术的入料自动化，可以在减少人工操作的同时，还可以得到客观、真实的入料各项参数，以此提高生产安全性和生成效率。

2、在现有技术条件下，尽管深度学习视觉技术具有诸多优势，但在炼钢环境中，由于光照条件差，训练出的状态识别模型对废钢入料状态识别率并不高，且识别速度也相对较慢。为了提高状态识别的精度，本文提出了一种基于yolov11-seg模型预本文档来自技高网...

【技术保护点】

1.基于Yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于Yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于：所述摄像头位置确定以及视野调整，包含如下过程：

3.根据权利要求1所述的基于Yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于：所述将摄像头采集的视频流传输给NVR进行视频保存，再制作所需的数据集还包含如下过程：

4.根据权利要求1所述的基于Yolov11-seg模型预设anchor的废钢斗入炉姿态快速识...

【技术特征摘要】

1.基于yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于：所述摄像头位置确定以及视野调整，包含如下过程：

3.根据权利要求1所述的基于yolov11-seg模型预设anchor的废钢斗入炉姿态快速识别方法，其特征在于：所述将摄像头采集的视频流传输给nvr进行视频保存，再制作所需的数据集还包含如下过程：

4.根据权利要求1所述的基于yolov11-seg模型...

【专利技术属性】
技术研发人员：马静超，周文涛，韩建辉，谢煜，郭振泳，刘立环，康媛，王鑫，韩文波，许春亮，
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：