[发明专利]追钢识别方法、系统、设备及介质

权利要求书

1.一种追钢识别方法，其特征在于，所述方法包括以下步骤：

获取钢条图像；

以所述钢条图像为数据集训练深度学习神经网络得到目标检测模型；

利用所述目标检测模型识别待测的所述钢条图像中的钢条特征，所述钢条特征至少包括钢条在对应图像中的位置信息；

根据所述钢条的位置信息与所述钢条追钢的阈值条件判断所述钢条图像是否发生追钢；其中，所述钢条追钢的阈值条件包括：

当识别到所述钢条图像中钢条数量仅为一条时，所述钢条追钢的阈值条件为所述钢条对应的目标检测框大于输入的钢条图像宽度98％；

当识别到所述钢条图像中钢条数量大于一条时，计算所述钢条图像中每条钢条目标检测框的宽度与中心点的坐标位置，同时计算两两所述钢条之间的目标检测框的重叠率，所述钢条追钢的阈值条件包括相邻两个钢条的目标检测框重叠率小于10％、两个所述目标检测框中心点的纵坐标之差小于输入的钢条图像高度2％、两个所述目标检测框中心点的横坐标之差大于输入的钢条图像宽度8％以及两个所述目标检测框宽度之和大于输入的钢条图像宽度98％中的任意一种。

2.根据权利要求1所述的追钢识别方法，其特征在于，所述以所述钢条图像为数据集训练深度学习神经网络得到目标检测模型的步骤，包括：

标注获取的所述钢条图像得到数据集；

预处理所述数据集；

构建MobileNetV2-SSD深度学习神经网络，结合预处理后的所述数据集训练所述MobileNetV2-SSD深度学习神经网络得到目标检测模型。

3.根据权利要求2所述的追钢识别方法，其特征在于，所述预处理所述数据集的步骤，包括：

归一化处理所述数据集中钢条图像的灰度值，其中，归一化处理的数学表达式为：

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。

4.根据权利要求2或3所述的追钢识别方法，其特征在于，所述预处理所述数据集的步骤，还包括：

利用裁剪、翻转、旋转、亮度调节、对比度调节和饱和度调节对所述数据集中的钢条图像进行系列增强。

5.根据权利要求2所述的追钢识别方法，其特征在于，所述MobileNetV2-SSD深度学习神经网络包括MobileNetV2网络和SSD网络，其中，所述MobileNetV2网络包括用于提高图像特征精度的反转残差模块和用于防止非线性函数信息丢失的线性瓶颈模块，所述SSD网络包括基础网络和金字塔网络，其中基础网络是可以变换的。

6.根据权利要求5所述的追钢识别方法，其特征在于，所述线性瓶颈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，利用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，其中，该激活函数的表达式为：

ReLU_6＝min(max(x,0),6)

采样层，利用第二卷积核和激活函数将图像信息进行采样；

输出层，利用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。

7.根据权利要求5或6所述的追钢识别方法，其特征在于，在所述线性瓶颈模块神经网络层中，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，当卷积核的步长为2时，则利用无shortcut将神经网络层的输入连接至输出。

8.根据权利要求2所述的追钢识别方法，其特征在于，所述MobileNetV2-SSD深度学习神经网络包括：利用指数衰减法调节MobileNetV2-SSD深度学习神经网络的学习率，基于L2正则化更新训练模型参数；其中，L2正则化的数学表达式为：

其中，C表示为目标函数，C₀代表原始的代价函数，n是样本的个数，λ是正则项系数，w为正则项与C₀项的比重。