language version
    【解析】废钢智能判级技术篇大揭秘!
     时间:2022-06-29 09:27:58 | 作者:华体会网页链接 | 来源:华体会官方 |阅读次数:56

      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。随着“碳中和、碳达峰”目标的实施,钢铁企业绿色发展势在必行,加之钢铁产业“十四五”发展规划提出, 到“十四五”末全国炼钢综合废钢比达到30%,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,如何进行废钢质量的智能判定和科学管理?这对废钢判级提出了更高要求!

      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。如何在废钢验级中做到公开、公正、公平,拒绝“暗箱操作”及“感情验质”,实现阳光操作,是废钢行业从业者一直在思考的问题。

      艾钢云智能废钢判级系统实现前端作业图像自动采集、图像预处理、吸盘追踪、车辆定位技术,智能图像识别技术,记录车辆卸载废钢过程,实现废钢智能检测,为企业解决废钢质检难题。废钢质检要实现精准的智能判级自然离不开创新技术,今天小编来和大家一起盘点一下废钢智能判级系统的相关技术:

      智能机器深度学习中有不同的神经网络(如卷积神经网络CNN、循环神经网络RNN、人工神经网络ANN)这些不同类型的神经网络是深度学习革命的核心,为无人机、自动驾驶汽车、语音识别等应用提供了推动力。

      今天我们要介绍的是卷积神经网络(CNN),它是当下深度学习领域非常热门算法模型,可以被应用于不同的应用和领域,在图像和视频处理项目中尤其普遍。

      使用卷积神经网络可以很好地解决上面的三个问题。与常规神经网络不同,卷积神经网络的各层中的神经元是3维排列的:宽度、高度和深度。

      卷积神经网络主要由输入层、卷积层,ReLU层、池化(Pooling)层和全连接层(全连接层和常规神经网络中的一样)这几个层构成。将以上几种层相互交叠使用,形成一个较深层的卷机神经网络,便成为了深度学习。数据在其中几种层中间流动计算,通过与标定图片的对比,设定损失函数,通过微调卷基层中的参数来降低损失函数,最终使我们能够确定待识别物体的分类或者待确定事物的逻辑。

      在传统图像处理方法中,特征的提取和整理靠的是人工经验来完成,但在cnn中,这个过程可以不需要人工,靠卷积配合池化,让网络模型自己寻找特征,神经网络从原始图像开始卷积,到最后的模型输出,每一层都对应不同的权重和偏执,为了使网络模型能够识别出物体,需要不断更新每一层的权重和偏执,使提取出的特征最优,使最终识别的物体类别更加准确。

      具体应用在废钢智能判级系统中,机器学习算法,就是要针对大量的废钢图片进行标注、学习、训练以提升对不同分类、不同大小废钢判级的准确率。

      模式识别是图像识别中的一种基本技术,它的基本原理是基于数据库大量数据的基础上结合现有的专家认知和已有经验,利用现代计算机互联网大数据及数理统计等知识,自动智能识别和解析字母、汉字字符和图片等的过程。

      模式识别工作过程主要分为两个步骤,第一步是学习训练,这个过程主要是选择样本集中的数据特征,发现可以用来分类的明显特征组合,第二步是依据第一步学习到的分类规律实现对新的未知样本数据的自动分类和智能识别。

      1). 收集原始数据:通过各种自动化仪器设备包括传感器等,将自动收集到的各种光或者图形声音等各种数据识别转化为电信息。

      2). 系统预处理:通过规则清洗、畸变校正、图像增强等技术与样本均衡实现基准统一(如光线明暗、天气变化等)

      3). 选择关键特征:系统通过相关处理,从这些原始数据中抽取最能反映分类的关键特征。

      4). 实现分类器:通过原始数据集合的训练最终确定分类的基本规则,然后按照此类判决规则分类时,错误率最低。

      图像语义分割(semantic segmentation),从字面意思上理解就是让计算机根据图像的语义来进行分割,例如让计算机在输入下面左图的情况下,能够输出右图。

      在图像领域,语义指的是图像的内容,对图片意思的理解,比如左图的语义就是三个人骑着三辆自行车;分割的意思是从像素的角度分割出图片中的不同对象,对原图中的每个像素都进行标注,比如右图中粉红色代表人,绿色代表自行车。

      废钢传统的图像语义分割主要采用阈值、边缘、区域图像分割方法,艾钢云采用基于卷积神经网络的深度学习技术,与之相比有更高的识别准确率。

      远程视频监控:即通过网络或者数据直接连接,能达到任何角落,控制镜头或者视频监控图像。远程监控组成部分是高清摄像机、PC端、5G无线网络

      远程操控技术:操作人员可在远程操控椅上实时操控炼钢区废钢跨天车,进行卸车、吊运装槽、配合检修等作业。5G技术提供了低至20ms的时延,为天车指令下发和指令执行提供“零”延迟体验,同时高达1.2Gbps的下载速率,为操作员提供第一视角的高清视频,保障了远程操控精准、实时操控性。

      (1)废钢定级模型产生图片和各类废钢的定量相似度,异物识别模型产生图片中所含异物信息,两模型均内置了神经网络机器学习算法进行深度机器学习,对废钢图像进行收集,建立废钢铁样本数据库,并将收集的图像分为训练图像集和测试图像集;

      (3)输入废钢铁训练图像,通过神经网络进行机器深度学习,提取废钢铁图像特征;根据训练结果,调整优化参数,逐步建立基于神经网络的机器深度学习废钢铁图像分类模型。

      (4)系统输出结果及结构化数据输入业务判断模型,输出扣杂、降级和退货指导。

      艾钢云废钢智能判级系统通过实现前端作业图像自动采集、 图像预处理、吸盘追踪、车辆定位技术,结合深度学习图像识别技术,记录车辆卸载废钢过程,进行废钢智能判级。

      系统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,目前已经实现了重型、中型准确度与精准度超过90%;扣重、扣杂率超过80%;危险品&密闭容器检测精准度不低于85%。降低人为检测主观干扰因素、人工作业强度和安全隐患,提高了生产效率及作业协同。有效解决了传统的废钢判级,只能由人工借助简易的测量工具进行,工作效率低、人为干扰因素大,存在风险防控难、物料追溯难、质量异议处理难等难题。返回搜狐,查看更多