[发明专利]一种基于深度学习的废钢卸料变化区域自动识别方法

说明书

本发明公开了一种基于深度学习的废钢卸料变化区域自动识别方法，采用MaskR‑CNN算法实现快速识别视频图像里废钢车厢的位置，并对其进行实例分割，采用YOLO‑v4算法追踪废钢卸料抓斗，自动获取抓斗抓取废钢后车厢图像，通过高斯混合模型识别车厢中废钢变化区域。本发明解决了废钢验质人员在废钢卸料验质过程中缺乏评估废钢质量依据的问题，提升了废钢验质人员对废钢评估的效率及准确性。

技术领域

本发明涉及废钢铁回收加工技术领域，具体涉及一种基于深度学习的废钢卸料变化区域自动识别方法。

背景技术

在目前的钢铁生产过程中，为了降低成本、提高冶炼效率，通常要回收废旧钢铁进行回炉熔化再利用。但是由于废钢使用量大，多料型掺杂混装，且时常发生废钢掺假等现象，为保证产品质量、提升钢铁产量，避免爆炸、钢水喷溅等事故的发生，需要对购买的废钢进行验质。

传统的人工废钢验质受人为主观因素影响比较大，对人员要求比较高，一般要求熟悉标准，并有丰富经验才能判断；并且每个人判断存在差异，因疲劳、心情等可能会影响评价结果，没有量化的评价结论，无法形成很好的数据分析，不易让供应商信服。同时废钢验质作业环境较为恶劣，质检员每次需要攀高四五米到大货车车顶，对车内废钢进行近距离观察，劳动强度大，作业风险高。

当前深度学习和计算机视觉技术广泛应用于图像分割和图像识别领域，深度学习中的卷积神经网络在图像分割和图像目标识别方面取得较好的效果，将深度学习技术应用到自动识别废钢车卸料过程变化区域，可以自动保存每次抓斗卸料后车厢的变化区域图像，为工作人员提供废钢验质依据，减少工作量，保证工作安全。

目前存在以下两个挑战：(1)如何快速定位废钢车厢在图像视频中的位置，并对其准确分割；(2)如何在废钢抓斗每次抓取废钢之后，自动识别废钢车厢变化区域，并保存变化区域图像。

发明内容

本发明要解决的技术问题是针对现有技术的不足而提供一种基于深度学习的废钢卸料变化区域自动识别方法，能够快速定位废钢车厢在图像视频中的位置并对其准确分割，以及在废钢抓斗每次抓取废钢之后自动识别废钢车厢变化区域，并保存变化区域图像。

为解决上述技术问题，本发明的内容包括：

一种基于深度学习的废钢卸料变化区域自动识别方法，包括如下步骤：

S1：通过摄像头获取需检测的目标区域图像并传输给算法服务器；

S2：利用Mask R-CNN算法构建废钢车厢定位模型，将步骤S1获取的目标区域图像输入训练好的废钢车厢定位模型，识别出目标区域图像中废钢车厢位置，并提取废钢车厢区域像素范围；

S3：基于YOLO-v4算法构建废钢卸料抓斗追踪模型，利用训练好的废钢卸料抓斗追踪模型，在步骤S2提取的废钢车厢区域内追踪抓斗运行轨迹，当检测到抓斗离开废钢车厢区域时，以下降沿作为触发，从视频中抓拍抓斗抓取废钢后废钢车厢区域的多帧图像；

S4：利用高斯混合模型对背景建模，采用步骤S3中抓拍的上一次抓取后废钢车厢区域的多帧图像训练高斯混合模型，通过高斯混合模型与当前抓取后废钢车厢区域图像差分运算，识别出废钢抓斗抓取后废钢车厢变化区域，并保存面积最大的变化区域。

进一步的，所述步骤S2中，废钢车厢定位模型利用ResNet-FPN对目标区域图像进行多尺度特征提取，通过头部网络实现对废钢车厢位置像素级的识别。

进一步的，所述步骤S2中，所述废钢车厢定位模型的训练包括以下步骤：

S21：采集大规模废钢车图像数据和工业现场视频监控图像数据，对图像数据进行标注，制作训练集V_train、测试集V_test和验证集V_val；