一种废钢定级中密闭件和其它违规件的识别方法与流程

1.本发明涉及废钢定级技术领域，具体是一种废钢定级中密闭件和其它违规件的识别方法。


背景技术：

2.废钢是一种绿色资源，对于钢铁生产行业来讲具有很高的环保价值，废铁也是唯一的可替代铁矿石炼钢的资源。这就要求钢铁企业逐步加大废钢采购量，钢铁厂生产的品种、质量和生产周期都和废钢的质量和产量相关。
3.废钢种类多、实际检测情景复杂、人工系统衔接难度大，现在大多数钢铁企业判定废钢等级主要由质量管理人员目测和卡尺测量共同进行判定，传统废钢定级主要依靠肉眼识别，难以标准化。此外，质检员攀车作业，工作劳累导致专注度下降，影响废钢识别精准度，质量判级异议多。特别是废钢中混入爆炸物、放射源、密闭容器等危险品，如果没有及时发现和识别，对后期生产作业造成极大的安全隐患。


技术实现要素：

4.本发明的目的在于提供一种废钢定级中密闭件和其它违规件的识别方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种废钢定级中密闭件和其它违规件的识别方法，包括：图像采集，车辆驶入卸料场后，无需固定停车位置，卸料场区布置的高清摄像头直接锁定卸货车辆进行全自动图像采集，智能拍照算法实现对待检判区域100%的覆盖拍照；逐层密集采样和图片处理，并实时上传到检判系统；读取图像采集设备采集到的待识别图像，并在图形用户界面中显示待识别图像，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；在所述图形用户界面中显示对目标材料进行类型识别的第一识别结果；在所述图形用户界面显示对目标材料进行等级识别的第二识别结果；依此类推，在所述图形用户界面显示所述至少一层待检测材料所对应的目标识别结果；采用深度机器学习算法和图像识别技术，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对密闭件和其它违规件给予报警提示；生成每车废钢的可视化定级图表，包含车辆状态，车牌信息，卸车时长，废钢等级，扣杂，不合格料报警等信息。
6.进一步地，所述逐层密集采样和图片处理通过利用图像分割算法对实时采集的大量废钢图像精确识别，包含颜色、废钢个体样式、废钢体积，并进行像素级分析，同时将料型重量、数量等参数实时录入数据库。
7.进一步地，所述图像采集处理通过建立卷积神经网络，采用层次模型分类算法进行控制，进行机器深度学习，提取废钢铁图像特征。
8.进一步地，所述建立卷积神经网络是将处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；将上一层的输出结果输入到卷积神经网络中的子网络；将子网络的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；将输出结果输入到卷积神经网络中的全连接层；将上一层的输出结果输入到卷积神经网络中的最后一层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出废钢铁图像分类结果。
9.与现有技术相比，本发明的有益效果是：本发明自动采集废钢卸料全流程图像数据，逐层密集采样和图片处理，并实时上传到检判系统。采用深度机器学习算法和图像识别技术，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对不合格料给予报警提示。等级结果实时上传并长期保存，重要数据可监督、可追溯，全车定级结果秒级完成，可有效为企业提升工作效率，规避安全隐患。
附图说明
10.图1为本发明一种废钢定级中密闭件和其它违规件的识别方法流程示意图。
具体实施方式
11.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。
12.实施例1请参阅图1，本发明实施例中，一种废钢定级中密闭件和其它违规件的识别方法，包括：图像采集s1，车辆驶入卸料场后，无需固定停车位置，卸料场区布置的高清摄像头直接锁定卸货车辆进行全自动图像采集，智能拍照算法实现对待检判区域100%的覆盖拍照；逐层密集采样和图片处理s1，并实时上传到检判系统；读取图像采集设备采集到的待识别图像s2，并在图形用户界面中显示待识别图像，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；在所述图形用户界面中显示对目标材料进行类型识别的第一识别结果；在所述图形用户界面显示对目标材料进行等级识别的第二识别结果；依此类推，在所述图形用户界面显示所述至少一层待检测材料所对应的目标识别结果；采用深度机器学习算法和图像识别技术s3，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对密闭件和其它违规件给予报警提示；生成每车废钢的可视化定级图表s4，包含车辆状态，车牌信息，卸车时长，废钢等
级，扣杂，不合格料报警等信息。
13.在该实施例中，逐层密集采样和图片处理通过利用图像分割算法对实时采集的大量废钢图像精确识别，包含颜色、废钢个体样式、废钢体积，并进行像素级分析，同时将料型重量、数量等参数实时录入数据库。
14.实施例2一种废钢定级中密闭件和其它违规件的识别方法，包括：图像采集s1，车辆驶入卸料场后，无需固定停车位置，卸料场区布置的高清摄像头直接锁定卸货车辆进行全自动图像采集，智能拍照算法实现对待检判区域100%的覆盖拍照；逐层密集采样和图片处理s1，并实时上传到检判系统；读取图像采集设备采集到的待识别图像s2，并在图形用户界面中显示待识别图像，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；在所述图形用户界面中显示对目标材料进行类型识别的第一识别结果；在所述图形用户界面显示对目标材料进行等级识别的第二识别结果；依此类推，在所述图形用户界面显示所述至少一层待检测材料所对应的目标识别结果；采用深度机器学习算法和图像识别技术s3，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对密闭件和其它违规件给予报警提示；生成每车废钢的可视化定级图表s4，包含车辆状态，车牌信息，卸车时长，废钢等级，扣杂，不合格料报警等信息。
15.在该实施例中，图像采集处理通过建立卷积神经网络，采用层次模型分类算法进行控制，进行机器深度学习，提取废钢铁图像特征。
16.实施例3一种废钢定级中密闭件和其它违规件的识别方法，包括：图像采集s1，车辆驶入卸料场后，无需固定停车位置，卸料场区布置的高清摄像头直接锁定卸货车辆进行全自动图像采集，智能拍照算法实现对待检判区域100%的覆盖拍照；逐层密集采样和图片处理s1，并实时上传到检判系统；读取图像采集设备采集到的待识别图像s2，并在图形用户界面中显示待识别图像，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；在所述图形用户界面中显示对目标材料进行类型识别的第一识别结果；在所述图形用户界面显示对目标材料进行等级识别的第二识别结果；依此类推，在所述图形用户界面显示所述至少一层待检测材料所对应的目标识别结果；采用深度机器学习算法和图像识别技术s3，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对密闭件和其它违规件给予报警提示；生成每车废钢的可视化定级图表s4，包含车辆状态，车牌信息，卸车时长，废钢等级，扣杂，不合格料报警等信息。
17.图像采集处理通过建立卷积神经网络，采用层次模型分类算法进行控制，进行机
器深度学习，具体步骤如下：提取废钢铁图像特征所述建立卷积神经网络是将处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；将上一层的输出结果输入到卷积神经网络中的子网络；将子网络的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；将输出结果输入到卷积神经网络中的全连接层；将上一层的输出结果输入到卷积神经网络中的最后一层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出废钢铁图像分类结果。
18.通过上述实施例，本发明自动采集废钢卸料全流程图像数据，逐层密集采样和图片处理，并实时上传到检判系统。采用深度机器学习算法和图像识别技术，进行整车定级，基于实时识别到的不合格料，计算出整车扣重的预估值，同时对不合格料给予报警提示。等级结果实时上传并长期保存，重要数据可监督、可追溯，全车定级结果秒级完成，可有效为企业提升工作效率，规避安全隐患。
19.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
20.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。