[发明专利]一种转盘异常识别方法、系统、电子设备及介质

说明书

本发明提供一种转盘异常识别方法、系统、电子设备及介质，所述的方法包括：采集转盘的图像信息，并对所述图像信息中钢条进行标注，获取数据集；对所述数据集中的图像信息进行归一化处理；提供神经网络，所述神经网络包括SSD网络；将归一化处理后的数据集中的图像信息分别输入所述神经网络进行训练，获取训练模型；通过所述训练模型确定所述钢条在图像信息中位置，并通过所述钢条的位置判断所述转盘是否发生异常。通过识别钢条在图像信息中的位置，可以确定钢条的转动角度，设定阈值，当钢条的转动超过该设定阈值时，则判定钢条发生了异常转动以及判定转盘发生了异常传送，提高了识别效率和效应速度，避免了人工识别存在误差。

技术领域

本发明涉及检测技术领域，特别是涉及一种转盘异常识别方法、系统、电子设备及介质。

背景技术

在钢铁冶金领域的冶炼过程中，需要使用转盘对钢材进行传送。在传送钢材的过程中，会出现转盘异常传送钢条的情况，一旦发生转盘异常传送的情况，必须要及时进行处理。目前，采用人工检测的方式容易出现人为观测的误差，而且容易造成响应不及时以及由此引发的安全事故。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种转盘异常识别方法、系统、电子设备及介质，用于解决现有技术中不便于识别转盘异常的问题。

为实现上述目的及其他相关目的，本发明提供一种转盘异常识别方法，包括：采集转盘的图像信息，并对所述图像信息中钢条进行标注，获取数据集；对所述数据集中的图像信息进行归一化处理；提供神经网络，所述神经网络包括SSD网络；将归一化处理后的数据集中的图像信息分别输入所述神经网络进行训练，获取训练模型；通过所述训练模型确定所述钢条在图像信息中位置，并通过所述钢条的位置判断所述转盘是否发生异常。

可选的，对所述数据集中的图像信息进行归一化处理的步骤包括：对所述数据集中的图像信息进行归一化处理的步骤包括：将图像信息的灰度值从0至255归一化为0至1。

可选的，对所述数据集中的图像信息进行归一化处理的数学表达为：

其中，其中xi表示图像像素点灰度值，max(x)表示图像像素灰度值的最大值，max(x)表示为图像像素灰度值的最小值。

可选的，提供神经网络的步骤包括：提供SSD网络，所述SSD网络包括基础网络和金字塔网络；所述基础网络包括MobileNetV2网络。

可选的，所述MobileNetV2网络包括用于增强图像特征的Inverted Residual模块和用于捕捉信息的Linear Bottleneck模块。

可选的，所述Linear Bottleneck模块包括用于增加维度的维度层、用于采样的采样层以及用于降低维度的输出层；维度层通过第一卷积核和激活函数将图像信息维度由k维增加至tk维；采样层通过第二卷积核和激活函数将图像信息进行采样；输出层通过第三卷积核将图像信息进行降低维度，图像信息的维度由tk维降低至k’维。

可选的，在Linear Bottleneck模块的神经网络层中，当卷积核的步长为1时，则将神经网络层的输入连接至输出。

可选的，激活函数的数学表达为：

ReLU_6＝min(max(x,0),6)

可选的，将归一化处理后的数据集中的图像信息分别输入所述神经网络进行训练的步骤还包括：通过指数衰减法设置神经网络学习率，并通过L2正则化对训练模型的参数进行更新。

可选的，L2正则化的数学表达为：