CN112541427B - 一种优质重型废钢的识别和料量评估方法 - Google Patents
一种优质重型废钢的识别和料量评估方法 Download PDFInfo
- Publication number
- CN112541427B CN112541427B CN202011436832.XA CN202011436832A CN112541427B CN 112541427 B CN112541427 B CN 112541427B CN 202011436832 A CN202011436832 A CN 202011436832A CN 112541427 B CN112541427 B CN 112541427B
- Authority
- CN
- China
- Prior art keywords
- quality
- waste
- steel
- picture
- quality heavy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种优质重型废钢的识别和料量评估方法,属于废钢识别技术领域。本发明利用(1)拍摄目标料堆的图片;(2)将的图片进行处理并输入评估算法,计算得到优质重废占比;(3)利用优质重废占比和料堆总重计算优质重废的料量的步骤,将重型废钢输入到不同的模型中,分别识别出特征较明显的该类优质重废,将优质重废的特征提取出来,从而计算优质重废的占比及其料量。同时将卷积神经网络模型提取的特征与上游结果的预测特征合并,再将其输入评估算法,以获得当前图片中优质重废的占比,以此减少识别误差,使得到的结果更加准确。提高了识别准确度,避免了人为错估、评估结果缺乏标准化和一致性的问题。
Description
技术领域
本发明涉及废钢识别技术领域,更具体地说,涉及一种优质重型废钢的识别和料量评估方法。
背景技术
废钢是一种可无限循环使用的节能再生资源,多用一吨废钢铁可节约0.4吨焦炭或一吨原煤,可减少1.7吨精矿粉的消耗,减少4.3吨原矿开采,可减少1.6吨二氧化碳的排放。在废钢再利用行业,如果形成规模化、技术集成度高的产业链,则从事该产业的钢企在经济效益上不低于传统的转炉炼钢模式。
而废钢作为一种资源,其来源非常广泛。一般来说,废钢主要产生于炼钢、铸钢或钢加工车间,以及钢铁制品的制造加工环节,以上主要是钢料的切头、切尾、切屑、边角料等。废旧设备、废弃零件、钢构件、报废车辆等(也叫折旧废钢)也是废钢的重要来源。另外,生活用品中的废旧钢铁比如罐头盒等(也叫“社会废钢”或“垃圾废钢”)也是一种废钢资源。各种的废钢资源来源众多、差别很大,特别是对于炼钢企业来说,不同的废钢资源的入炉前处理、能源消耗、产出以及炼化收益都是不同的。所以钢企、废钢回收企业通常制定标准或根据已有标准评估进场的废钢。
其中优质重型废钢,简称优质重废,是废钢资源中最好的,主要包括大块的车辆轮毂、钢轨以及大块钢锭钢胚(一般为工字型钢或H型钢)等,种类不多,形态简单。传统的料堆优质重废估重一般是靠有经验的质检员目测等方式主观估计的,人为因素大、手续较繁琐、判级质量异议较多。目前使用机器视觉进行优质重废识别进而估重的方法,会因为优质重废的图像特征不明显,从而导致机器视觉识别优质重废时精度不高,进而导致比重估算错误。
经检索,中国专利申请号:202010340992.8,申请公布日:2020年6月16日,发明名称为:一种基于神经网络模型融合的废钢评级方法及装置,公开的方法,首先采集废钢的图片,进行数据预处理,获取待评级废钢图片;然后将待评级废钢图片输入至预先建立的神经网络融合模型中,神经网络融合模型基于VGG网络模型、ResNet网络模型及Inception网络模型建立,使用已标注类型的废钢图片完成训练及验证,VGG网络模型、ResNet网络模型及Inception网络模型均通过ImageNet数据集进行参数初始化;最后根据所述神经网络融合模型的输出结果,获取所述废钢的类型。上述方法中,利用融合了三种神经网络的模型对废钢图片进行评级,能够有效提高评级结果的准确率。但该申请案对所有废钢统一进行识别,识别过程复杂,时间过长,无法快速的对废钢进行检测。
发明内容
1.发明要解决的技术问题
鉴于目前使用人工对优质重废进行估重,准确度不高,而使用机器视觉进行优质重废识别,又会存在识别精度不高,优质重废比重估算错误的问题,本发明提供了一种优质重型废钢的识别和料量评估方法,对重型废钢进行分类识别,从而准确地识别出优质重废,保证优质重废料量估算准确。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种优质重型废钢的识别和料量评估方法,其步骤为:
步骤一、拍摄目标料堆的图片;
步骤二、将步骤一的图片进行处理并输入评估算法,计算得到优质重废占比;
步骤三、利用优质重废占比和料堆总重计算优质重废的料量。
更进一步地,所述的步骤一中,使用废钢料场网络视频监控***的摄像装置拍摄目标料堆的视频或图片,并将其输入AI平台,处理成为适合用于预测目标料堆的图片。
更进一步地,所述的步骤二中,利用卷积神经网络模型,提取步骤一中图片的深层语义信息作为有效图像特征。
更进一步地,所述的步骤二中,将步骤一获得的图片输入轮毂识别模型、钢轨识别模型和其他类优质重废识别模型,获得轮毂与其背景、车轨与其背景以及其他优质重废与其背景的图像信息作为上游结果。
更进一步地,将上游结果转化为数字信息,并将数字信息标准化,输出为预测特征。
更进一步地,将卷积神经网络模型输出的有效图像特征和经识别模型获得的上游结果的预测特征进行合并,将每类特征转化为1维向量,然后按照固定的顺序依次拼接各向量,构成总的1维特征向量,继而使其格式标准化,作为优质重废占比的评估算法的全部特征输入。
更进一步地,对全部特征进行异常值剔除/矫正以及数据标准化的调整,得到一组稳定特征。
更进一步地,将稳定特征输入训练好的评估算法模型,输出当前图片中优质重废的占比。
更进一步地,所述的评估算法模型为随机森林模型或神经网络模型。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)鉴于现有通过人工对优质重废的占比评估不准确,且机器视觉进行优质重废识别精度不高的问题,本发明提供的一种优质重型废钢的识别和料量评估方法,将重型废钢的图片输入到不同的识别模型中,在不同的识别模型中分别识别出特征较明显的该类优质重废,再将优质重废的特征提取出来,从而计算优质重废的占比及其料量,显著的提高了机器视觉识别优质重废的精确度。
(2)本发明的一种优质重型废钢的识别和料量评估方法,将卷积神经网络模型提取的特征与上游结果的预测特征合并,再将其输入评估算法,获得当前图片中优质重废的占比,以此减少识别误差,使得到的结果更加准确。同时利用异常值剔除/矫正以及数据标准化对全部特征进行调整,以增加模型的稳定性,并减少过拟合和随机误差的影响。
(3)本发明的一种优质重型废钢的识别和料量评估方法,使用视觉识别技术进行优质重废识别,减少了人工参与,同时提高了识别准确度,避免了人为错估、评估结果缺乏标准化和一致性的问题,提高了识别、评估效率,且实现了相关评估的标准化。
附图说明
图1为本发明方法的具体流程框图;
图2为卷积神经网络(CNN)模型的结构示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1,本实施例的一种优质重型废钢的识别和料量评估方法,在现有的废钢料场网络视频监控***的基础上,接入AI平台,在平台上运行各类优质重型废钢的识别和料量评估算法。本实施例使用视觉识别技术进行优质重废识别减少了人工参与,同时提高了识别准确度,避免了人为错估、评估结果缺乏标准化和一致性的问题,提高了识别、评估效率,且实现了相关评估的标准化。
其具体步骤如下:
步骤一、拍摄目标料堆的图片:
使用废钢料场网络视频监控***的摄像装置拍摄目标料堆的视频或图片,并将其输入AI平台,处理成为适合用于预测目标料堆的图片。
步骤二、将步骤一的图片进行处理并输入评估算法,计算得到优质重废占比:
(1)将步骤一中获得的图片输入卷积神经网络模型(CNN),提取其深层语义信息(高维特征)作为有效图像特征。卷积神经网络模型(CNN)结构如图2所示,包括两个由2个卷积层加1个池化层组成的第一部分,和三个由3个卷积层加1个池化层组成的第二部分,第二部分后接入三个全连接层。
(2)将步骤一中获得的图片分别输入轮毂识别模型、钢轨识别模型和其他类优质重废识别模型(主要识别大块钢锭钢胚,如工字钢或H型钢等),获得轮毂与其背景、车轨与其背景以及其他优质重废与其背景的图像信息作为上游结果。同时将轮毂、钢轨、其他优重的位置信息转化为有意义的数字信息,以用于之后的预测。对轮毂而言,提取图中轮毂数量(统计封闭轮毂区域个数)、轮毂总面积(计算轮毂区域占的像素总数)/面积占比(区域占整个图片的比例)、单个轮毂的平均面积/最大面积/最小面积(对应像素数量的平均值/最大值/最小值)。对钢轨而言,选取统计钢轨条数、长度(计算长度方向的像素数)/面积占比作为统计指标。对其他优重,选取面积占比、截面厚度(计算相应维度上的像素数)。本发明将重型废钢输入到不同的识别模型中,在不同的识别模型中分别识别出特征较明显的该类优质重废,再将优质重废的特征提取出来,从而计算优质重废的占比及其料量,显著的提高了机器视觉识别优质重废的精确度。
再设置标准化规则,将获得的数字信息标准化:计算出各特征的均值和标准差,对其进行标准化,即预测特征=(特征的实际值-特征的均值)/特征的标准差。另外,如果轮毂、钢轨、其他优重的面积占比与各自实际的占比存在较大差异,可以根据经验,设定轮毂、钢轨、其他优重参数,调整各面积占比输出更为准确的预测特征。
(3)将CNN模型输出的有效图像特征和经识别模型获得的上游结果的预测特征进行合并,将每类特征转化为1维向量,然后按照固定的顺序依次拼接各向量,构成总的1维特征向量,继而使其格式标准化,作为优质重废占比的评估算法的全部特征输入。本发明将卷积神经网络模型提取的特征与上游结果的预测特征合并,再将其输入评估算法,以获得当前图片中优质重废的占比,以此减少识别误差,使得到的结果更加准确。
(4)对全部特征进行微调,通过异常值剔除/矫正和数据标准化的手段增加模型稳定性,减少过拟合和随机误差的影响,得到一组稳定特征。
(5)将稳定特征输入训练好的评估算法模型,输出当前图片中优质重废的占比,其中评估算法模型为随机森林模型或神经网络模型。本实施例采用的模型为一个利用图片-占比样板训练好的深度学习神经网络模型。
步骤三、利用优质重废占比和料堆总重计算优质重废的料量。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (2)
1.一种优质重型废钢的识别和料量评估方法,其特征在于,其步骤为:
步骤一、拍摄目标料堆的图片;
步骤二、将步骤一的图片进行处理并输入评估算法,计算得到优质重废占比;
步骤三、利用优质重废占比和料堆总重计算优质重废的料量;所述的步骤一中,使用废钢料场网络视频监控***的摄像装置拍摄目标料堆的视频或图片,并将其输入AI平台,处理成为适合用于预测目标料堆的图片;所述的步骤二中,利用卷积神经网络模型,提取步骤一中图片的深层语义信息作为有效图像特征;;将步骤一获得的图片输入轮毂识别模型、钢轨识别模型和其他类优质重废识别模型,获得轮毂与其背景、车轨与其背景以及其他优质重废与其背景的图像信息作为上游结果;将上游结果转化为数字信息,对轮毂而言,提取图中轮毂数量、轮毂总面积或面积占比、单个轮毂的平均面积或最大面积或最小面积;对钢轨而言,选取统计钢轨条数、长度/面积占比作为统计指标;对其他优重,选取面积占比、截面厚度;并将数字信息标准化,输出为预测特征;
将卷积神经网络模型输出的有效图像特征和经识别模型获得的上游结果的预测特征进行合并,将每类特征转化为1维向量,然后按照固定的顺序依次拼接各向量,构成总的1维特征向量,继而使其格式标准化,作为优质重废占比的评估算法的全部特征输入;对全部特征进行异常值剔除或矫正以及数据标准化的调整,得到一组稳定特征;将稳定特征输入训练好的评估算法模型,输出当前图片中优质重废的占比。
2.根据权利要求1所述的一种优质重型废钢的识别和料量评估方法,其特征在于:所述的评估算法模型为随机森林模型或神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436832.XA CN112541427B (zh) | 2020-12-10 | 2020-12-10 | 一种优质重型废钢的识别和料量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436832.XA CN112541427B (zh) | 2020-12-10 | 2020-12-10 | 一种优质重型废钢的识别和料量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541427A CN112541427A (zh) | 2021-03-23 |
CN112541427B true CN112541427B (zh) | 2022-11-01 |
Family
ID=75019943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436832.XA Active CN112541427B (zh) | 2020-12-10 | 2020-12-10 | 一种优质重型废钢的识别和料量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541427B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810605A (zh) * | 2021-08-17 | 2021-12-17 | 阿里巴巴达摩院(杭州)科技有限公司 | 目标对象处理方法及装置 |
CN113963280B (zh) * | 2021-12-14 | 2022-03-01 | 深圳致星科技有限公司 | 用于料件智能检判的识别方法、装置及存储介质 |
CN114332511B (zh) * | 2022-03-14 | 2022-05-27 | 新极技术(北京)有限公司 | 一种废钢厚度占比的识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017508A1 (de) * | 2003-08-04 | 2005-02-24 | Basf Coatings Ag | Verfahren zur charakterisierung von oberflächenstrukturen und seine verwendung bei der modifizierung, neuentwicklung und herstellung von werkstoffen |
CN108564271A (zh) * | 2018-04-10 | 2018-09-21 | 西王金属科技有限公司 | 一种废钢质检统计*** |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
-
2020
- 2020-12-10 CN CN202011436832.XA patent/CN112541427B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017508A1 (de) * | 2003-08-04 | 2005-02-24 | Basf Coatings Ag | Verfahren zur charakterisierung von oberflächenstrukturen und seine verwendung bei der modifizierung, neuentwicklung und herstellung von werkstoffen |
CN108564271A (zh) * | 2018-04-10 | 2018-09-21 | 西王金属科技有限公司 | 一种废钢质检统计*** |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
Non-Patent Citations (2)
Title |
---|
A Weighted Variance Approach for Uncertainty Quantification in High Quality Steel Rolling;Peng Wang等;《2020 IEEE 23rd International Conference on Information Fusion (FUSION)》;20200910;全文 * |
级联优化CNN的手指静脉图像质量评估;曾军英等;《中国图象图形学报》;20190616(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541427A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541427B (zh) | 一种优质重型废钢的识别和料量评估方法 | |
CN110852395B (zh) | 一种基于自主学习和深度学习的矿石粒度检测方法和*** | |
CN104751288B (zh) | 一种钢卷分段多维在线质量判定***及其方法 | |
CN105956618B (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别***及方法 | |
CN109063358B (zh) | 一种新型高炉顺行评价的方法 | |
CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及*** | |
US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
CN106777652B (zh) | 一种预测高炉透气性的方法 | |
KR20220047535A (ko) | Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템 | |
CN116168270A (zh) | 基于并行深度残差网络的轻量化煤矸石检测模型及方法 | |
CN111680738A (zh) | 一种用于苹果品质检测的筛选装置及其检测方法 | |
CN111652403A (zh) | 一种基于反馈修正的工作平台任务工作量预测方法 | |
CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
CN112990591A (zh) | 一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及*** | |
CN114049543A (zh) | 一种基于深度学习的废钢卸料变化区域自动识别方法 | |
CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 | |
CN112766790A (zh) | 一种基于ahp-熵的钢铁企业绿色度评判方法 | |
CN112132088A (zh) | 一种巡检点位漏巡识别方法 | |
CN110992333A (zh) | COF Film缺陷AITraining数据库及应用 | |
CN116993721B (zh) | 基于弱监督神经网络的钢板表面缺陷检测方法 | |
CN115828926B (zh) | 施工质量隐患数据挖掘模型训练方法及挖掘*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |