CN112881412A - 一种废钢产品中非金属异物检测方法 - Google Patents

一种废钢产品中非金属异物检测方法 Download PDF

Info

Publication number
CN112881412A
CN112881412A CN202110134033.5A CN202110134033A CN112881412A CN 112881412 A CN112881412 A CN 112881412A CN 202110134033 A CN202110134033 A CN 202110134033A CN 112881412 A CN112881412 A CN 112881412A
Authority
CN
China
Prior art keywords
steel
deep learning
learning model
vision sensor
scrap
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110134033.5A
Other languages
English (en)
Other versions
CN112881412B (zh
Inventor
李桂东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Yuntong Technology Co ltd
Suzhou Yuntong Technology Co ltd
Original Assignee
Nanjing Yuntong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Yuntong Technology Co ltd filed Critical Nanjing Yuntong Technology Co ltd
Priority to CN202110134033.5A priority Critical patent/CN112881412B/zh
Publication of CN112881412A publication Critical patent/CN112881412A/zh
Application granted granted Critical
Publication of CN112881412B publication Critical patent/CN112881412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Remote Sensing (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种废钢产品中非金属异物检测方法，可以实现准确检测出废钢材料中的非金属异物，硬件装置包括：视觉传感器、高清中长焦镜头、运算服务器、5G模块组及数据存储器等，通过构建基于智能化技术的视觉监测系统，在场景内布置一定数量的视觉传感器进行实时数据采集，实现实时追踪车厢位置并监控车辆中废料状况，然后通过构建基于深度学习的异物检测技术，提取废钢中非金属杂志特征，自动化识别提取杂质轮廓，将识别信息实时推送至控制终端，为进一步生产做参考性指导，本发明自动化程度高，排除了人为因素的干扰，可高效准确的进行非金属异物检测。

Description

一种废钢产品中非金属异物检测方法
技术领域
本发明涉及废钢异物检测技术领域，具体涉及一种废钢产品中非金属异物检测方法。
背景技术
随着钢材需求的日益增长，废钢的回收再利用显得越来越重要。废钢，指的是钢铁厂生产过程中不成为产品的钢铁废料（如切边、切头等）以及使用后报废的设备、构件中的钢铁材料，成分为钢的叫废钢；成分为生铁的叫废铁，统称废钢。目前世界每年产生的废钢总量为3～4亿吨，约占钢总产量的45～50%，其中85～90%用作炼钢原料，10～15%用于铸造、炼铁和再生钢材。
目前冶金企业对废钢铁质量检验有两大难题，一是扣杂质，二是废钢铁定级问题。扣杂质主要是在卸废钢场地设立检斤秤，卸车后在验质人员的监督下回皮检斤，条件不具备可将卸车时剩余的杂质装在固定的容器中检斤扣量。质量检验主要对废钢铁场地实行封闭式定理，安装监控设施，严禁废钢供应商进入卸车现场，以免干扰质量检验人员的工作。要求废钢铁供应商分类进货，就是把重型、中型、小型、统料废钢分别装车，单独进货，这样就可以解决定级不准确的问题。
为了更好地利用废钢，需要对废钢材料中的非金属异物进行检测筛除。现阶段，针对废钢非金属异物检测等工作集中于指定堆料区，货车卸料后针对整堆废料进行粗略的非金属筛除等工作。基于人工的非金属异物检测方法主观性强，且只能基于堆钢外层进行检测，堆砌于内部的废钢非金属异物不能进行检测。该方法难以确保废钢材料非金属异物检测的有效性，为后续的钢材质量加工等工作带来了不可控制的因素，钢坯质量也会受到一定程度的影响。
发明内容
（一）解决的技术问题
本发明的目的在于提供一种废钢产品中非金属异物检测方法，以解决上述背景技术中提出的实际问题。
（二）技术方案
为实现上述目的，本发明提供如下技术方案：一种废钢产品中非金属异物检测方法，其特征在于，具体包括以下步骤：
（1）布置视觉传感器和高清中长焦镜头，将视觉传感器和高清中长焦镜头布置在废钢监测区域，应确保覆盖全面；
（2）进行数据采集，利用视觉传感器和高清中长焦镜头采集废钢材料的训练数据；
（3）构建非金属异物检测深度学习模型，搭建深度学习模型，将步骤（2）采集到的训练数据送入深度学习模型进行训练，得到训练好的完整模型；
（4）车厢位置识别，将视觉传感器采集到的实时数据信息送入深度学习模型中，通过运算服务器的运算实现车厢位置的实时识别，并定位车厢内非金属异物位置。
进一步的，所述视觉传感器为高精度DS-2XA8847F-LZSGLG监控相机。
进一步的，所述步骤（3）中搭建深度学习模型的过程具体包括：
步骤（a）：输入一张待检测图像；
步骤（b）：提取候选区域，利用Selective Search算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层；
步骤（c）： 区域归一化，对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征；
步骤（d）： 分类与回归，将提取到的特征输入全连接层，然后用Softmax进行分类，对候选区域的位置进行回归，完成深度学习模型的建立。
（三）有益效果
本发明可以自动化检测废钢材料中的非金属异物，降低人为主观性的干扰，这对于提升钢材产品质量，保证产品生产的可靠性，提升钢材生产流程中的智能化检测水平，减少劳动人员强度会有很大贡献。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是一种废钢产品中非金属异物检测方法与装置方法流程图。
图2是一种废钢产品中非金属异物检测方法与装置所采用的深度学习模型结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：本发明公开了一种废钢产品中非金属异物检测方法，具体包括以下步骤：
（1）布置视觉传感器和高清中长焦镜头，将视觉传感器和高清中长焦镜头布置在废钢监测区域，应确保覆盖全面；
（2）进行数据采集，利用视觉传感器和高清中长焦镜头采集废钢材料的训练数据；
（3）构建非金属异物检测深度学习模型，搭建深度学习模型，将步骤（2）采集到的训练数据送入深度学习模型进行训练，得到训练好的完整模型；
（4）车厢位置识别，将视觉传感器采集到的实时数据信息送入深度学习模型中，通过运算服务器的运算实现车厢位置的实时识别，并定位车厢内非金属异物位置。
步骤（3）中搭建深度学习模型的过程具体包括：
步骤（a）：输入一张待检测图像；
步骤（b）：提取候选区域，利用Selective Search算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层；
步骤（c）： 区域归一化，对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征；
步骤（d）： 分类与回归，将提取到的特征输入全连接层，然后用Softmax进行分类，对候选区域的位置进行回归，完成深度学习模型的建立。
其中硬件装置包括：视觉传感器、高清中长焦镜头、运算服务器、5G模块组以及数据存储器等。视觉传感器优选采用高精度DS-2XA8847F-LZSGLG监控相机，传感器覆盖整个废钢堆装车区域，用于完成数据采集，数据类型优选为各通用图片格式。
所述的高清中长焦镜头配合视觉传感器即监控相机完成数据采集、确定车厢位置以及后续的异物检测功能。
车厢位置追踪是基于深度学习进行的，可以实现车厢位置的实时检测与提取，确定车厢位置后可以根据车厢位置缩小废钢非金属异物检测区域，使非金属异物的检测更加高效。实现车厢位置追踪检测的核心是构建高效、准确的车厢位置自动化分割检测网络，准确提取车厢边界，废钢材料中非金属异物的检测是基于深度学习网络进行的，可以通过对废钢材料数据的分析，准确圈出非金属异物的位置，为解决视觉传感器只能采集表面数据的问题，采取边装车边采集的分层采集方式，也就是在废钢装载到车厢上时是一层一层的铺载的，实现视觉传感器可以对整个车厢内废钢进行实时监控检测非金属异物。
深度学习模型中的神经网络对于不同的输出层设计不同尺度的目标检测器，完成多尺度下的检测问题，且使用了特征图的去卷积层来代替input图像的上采样，可以大大减少内存占用，提高速度。运算服务器满足大量数据的运算，主要面向车厢位置识别和非金属异物检测所搭建的深度学习模型的运算。所述5G模组可以使数据更加高效地传输；所述数据存储器主要用于存储与管理数据。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种废钢产品中非金属异物检测方法，其特征在于，具体包括以下步骤：
（1）布置视觉传感器和高清中长焦镜头，将视觉传感器和高清中长焦镜头布置在废钢监测区域，应确保覆盖全面；
（2）进行数据采集，利用视觉传感器和高清中长焦镜头采集废钢材料的训练数据；
（3）构建非金属异物检测深度学习模型，搭建深度学习模型，将步骤（2）采集到的训练数据送入深度学习模型进行训练，得到训练好的完整模型；
（4）车厢位置识别，将视觉传感器采集到的实时数据信息送入深度学习模型中，通过运算服务器的运算实现车厢位置的实时识别，并定位车厢内非金属异物位置。
2.根据权利要求1所述的一种废钢产品中非金属异物检测方法，其特征在于：所述视觉传感器为高精度DS-2XA8847F-LZSGLG监控相机。
3.根据权利要求1所述的一种废钢产品中非金属异物检测方法，其特征在于，所述步骤（3）中搭建深度学习模型的过程具体包括：
步骤（a）：输入一张待检测图像；
步骤（b）：提取候选区域，利用Selective Search算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层；
步骤（c）： 区域归一化，对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征；
步骤（d）： 分类与回归，将提取到的特征输入全连接层，然后用Softmax进行分类，对候选区域的位置进行回归，完成深度学习模型的建立。
CN202110134033.5A 2021-02-01 2021-02-01 一种废钢产品中非金属异物检测方法 Active CN112881412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110134033.5A CN112881412B (zh) 2021-02-01 2021-02-01 一种废钢产品中非金属异物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110134033.5A CN112881412B (zh) 2021-02-01 2021-02-01 一种废钢产品中非金属异物检测方法

Publications (2)

Publication Number Publication Date
CN112881412A true CN112881412A (zh) 2021-06-01
CN112881412B CN112881412B (zh) 2023-03-10

Family

ID=76052213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110134033.5A Active CN112881412B (zh) 2021-02-01 2021-02-01 一种废钢产品中非金属异物检测方法

Country Status (1)

Country Link
CN (1) CN112881412B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627830A (zh) * 2021-09-08 2021-11-09 西安智者云集云计算有限公司 一种废钢的评级系统及方法
CN113810605A (zh) * 2021-08-17 2021-12-17 阿里巴巴达摩院(杭州)科技有限公司 目标对象处理方法及装置
CN116664957A (zh) * 2023-07-26 2023-08-29 宁德时代新能源科技股份有限公司 金属异物来源识别方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448058A (zh) * 2018-11-12 2019-03-08 北京拓疆者智能科技有限公司 装载位置三维坐标获取方法、系统及图像识别设备
CN109919243A (zh) * 2019-03-15 2019-06-21 天津拾起卖科技有限公司 一种基于cnn的废钢铁种类自动识别方法及装置
CN110717455A (zh) * 2019-10-10 2020-01-21 北京同创信通科技有限公司 一种收储中的废钢等级分类检测方法
CN111292026A (zh) * 2020-04-27 2020-06-16 江苏金恒信息科技股份有限公司 一种基于神经网络模型融合的废钢评级方法及装置
WO2020173036A1 (zh) * 2019-02-26 2020-09-03 博众精工科技股份有限公司 基于深度学习的定位方法和系统
CN112082999A (zh) * 2020-07-27 2020-12-15 深检数据科技(江苏)有限公司 一种工业产品缺陷检测方法和工业智能相机

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448058A (zh) * 2018-11-12 2019-03-08 北京拓疆者智能科技有限公司 装载位置三维坐标获取方法、系统及图像识别设备
WO2020173036A1 (zh) * 2019-02-26 2020-09-03 博众精工科技股份有限公司 基于深度学习的定位方法和系统
CN109919243A (zh) * 2019-03-15 2019-06-21 天津拾起卖科技有限公司 一种基于cnn的废钢铁种类自动识别方法及装置
CN110717455A (zh) * 2019-10-10 2020-01-21 北京同创信通科技有限公司 一种收储中的废钢等级分类检测方法
CN111292026A (zh) * 2020-04-27 2020-06-16 江苏金恒信息科技股份有限公司 一种基于神经网络模型融合的废钢评级方法及装置
CN112082999A (zh) * 2020-07-27 2020-12-15 深检数据科技(江苏)有限公司 一种工业产品缺陷检测方法和工业智能相机

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810605A (zh) * 2021-08-17 2021-12-17 阿里巴巴达摩院(杭州)科技有限公司 目标对象处理方法及装置
CN113627830A (zh) * 2021-09-08 2021-11-09 西安智者云集云计算有限公司 一种废钢的评级系统及方法
CN116664957A (zh) * 2023-07-26 2023-08-29 宁德时代新能源科技股份有限公司 金属异物来源识别方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN112881412B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN112881412B (zh) 一种废钢产品中非金属异物检测方法
US20220084186A1 (en) Automated inspection system and associated method for assessing the condition of shipping containers
CN113743210A (zh) 图像识别方法和废钢等级的识别方法
CN104914111A (zh) 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN109815856A (zh) 目标车辆的状态标记方法、系统和计算机可读存储介质
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN112465706A (zh) 一种闸口集装箱自动验残方法
Liu et al. A computer vision system for automatic steel surface inspection
CN110956180B (zh) 配重重量的检测方法与系统、获取方法与系统及起重机
CN113177605A (zh) 一种基于视频监控的废钢车厢等级判定方法
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN114972316A (zh) 基于改进YOLOv5的电池壳端面缺陷实时检测方法
CN115294089A (zh) 一种基于改进YOLOv5的钢材表面缺陷检测方法
CN110415221B (zh) 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法
Kuo et al. Inspection of sandblasting defect in investment castings by deep convolutional neural network
CN112257849A (zh) 基于深度学习的智能检测方法、系统、装置及其应用
Evstafev et al. Surface Defect Detection and Recognition Based on CNN
CN114445767B (zh) 一种传输带传输异物检测方法及系统
CN115830403A (zh) 一种基于深度学习的自动缺陷分类系统及方法
CN114299282A (zh) 一种自动化码头集装箱的箱型识别系统及其方法
CN116597364B (zh) 图像处理方法及装置
CN111626992A (zh) 一种智能道口验箱方法
Pandey et al. Casting Fault Detection by Deep Convolution Neural Networks
CN103714352A (zh) 一种基于图像认知区域的光晕抑制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210902

Address after: Room 2605, no.1698, Shuanglong Avenue, Jiangning District, Nanjing City, Jiangsu Province 211106

Applicant after: Nanjing Yuntong Technology Co.,Ltd.

Applicant after: Suzhou Yuntong Technology Co.,Ltd.

Address before: 211106 room 2605, 1698 Shuanglong Avenue, Jiangning District, Nanjing City, Jiangsu Province (Jiangning Development Zone)

Applicant before: Nanjing Yuntong Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant