[发明专利]热轧棒材收集完成辊道落料检测方法、系统、介质及终端

说明书

本发明提供一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端，方法包括：获取热轧棒材收集完成辊道的图像信息；根据检查台架输出辊道的位置，设置感兴趣区域；对散落棒材进行标注，获取数据集；建立热轧棒材目标检测模型，并对其进行训练；获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果；根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测；本发明利用神经网络与深度学习，可以实时识别画面中的热轧棒材散落情况，在检测到散落棒材时返回警告信号，避免了人工识别带来的可能存在漏检、错检的情况，提高了热轧棒材收集完成辊道落料检测的安全性和准确性。

技术领域

本发明涉及冶金领域和图像识别领域，尤其涉及一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端。

背景技术

在热轧生产环节中，需对台架辊道上的棒材进行打捆，如果在收集完成辊道上出现了落料，则会影响棒材打捆的正常进行。为确保该环节的持续顺畅运行，需实时检查输出台架辊道中散落棒材的情况。

目前，热轧棒材收集完成辊道落料检测主要通过有经验的工人识别。但由于产线较多、产线生产时间长，若仅仅依靠人工识别，可能存在漏检、错检的情况。因此，亟需一个自动检测系统，替代人工识别，实现对台架辊道上的散落棒材的实时检测，并在检测到散落棒材时返回警告信号，提醒操作人员进行处理。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端，以解决上述技术问题。

本发明提供的热轧棒材收集完成辊道落料检测方法，包括：

获取热轧棒材收集完成辊道的图像信息；

根据所述图像信息中检查台架输出辊道的位置，设置感兴趣区域；

对所述图像信息中的散落棒材进行标注，获取数据集；

根据所述数据集，建立基于深度神经网络的热轧棒材目标检测模型，并对其进行训练；

获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果，所述输出别结果包括检查台架输出辊道上热轧棒材的信息；

根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测。

可选的，所述对所述图像信息中的散落棒材进行标注，获取数据集包括：通过图像标注工具的矩形选框标出散落棒材的位置，进而形成散落棒材的数据集，将所述数据集划分为训练集、测试集、验证集，通过所述训练集中的数据对所述热轧棒材目标检测模型进行训练，通过学习所述训练集中每张热轧棒材图像中的标识框范围内的目标特征，得到所述热轧棒材目标检测模型。

可选的，所述数据集的有效信息包括图像基础属性和标注信息，所述图片基础属性包括文件名称、宽度、高度、图像深度；所述标注信息包括目标物体的类别。

可选的，将实时视频流数据输入至训练后的热轧棒材目标检测模型进行目标识别；

获取辊道上散落棒材的位置信息，所述辊道上散落棒材的位置信息包括矩形目标框的左上、左下、右下、右上点，以及左上、左下、右下、右上点的坐标信息。

获取目标棒材的实时位置信息和历史位置信息，并根据所述实时位置信息和历史位置信息，判定目标棒材的运动状态。

可选的，所述实时位置信息包括：

[Bar Point1_(x1,y1),Bar Point2_(x1,y1),Bar Point3_(x1,y1),Bar Point4_(x1,y1)]

所述历史位置信息包括：