CN113743210A - 图像识别方法和废钢等级的识别方法 - Google Patents

图像识别方法和废钢等级的识别方法 Download PDF

Info

Publication number
CN113743210A
CN113743210A CN202110875813.5A CN202110875813A CN113743210A CN 113743210 A CN113743210 A CN 113743210A CN 202110875813 A CN202110875813 A CN 202110875813A CN 113743210 A CN113743210 A CN 113743210A
Authority
CN
China
Prior art keywords
image
detected
layer
grade
target
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.)
Pending
Application number
CN202110875813.5A
Other languages
English (en)
Inventor
陈伟璇
魏溪含
肖喜中
李珂
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.)
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Alibaba Damo Institute Hangzhou 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 Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority to CN202110875813.5A priority Critical patent/CN113743210A/zh
Publication of CN113743210A publication Critical patent/CN113743210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • 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
    • 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
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G01N21/94—Investigating contamination, e.g. dust
    • G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像识别方法和废钢等级的识别方法。其中，该方法应用于车辆识别中，车辆上设置有至少一层待检测材料，获取图像采集设备采集到的待识别图像，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料，对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级，根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。本申请解决了有技术中所存在的废钢等级检测不准的问题，实现了自动跟踪识别废钢并且定级的效果。

Description

图像识别方法和废钢等级的识别方法
技术领域
本申请涉及图像处理领域，具体而言，涉及图像识别方法和废钢等级的识别方法。
背景技术
废钢是在生产生活过程中淘汰或者损坏的作为回收利用的废旧钢铁。废钢铁主要包括一些报废的机器、设备、器械、结构件、建筑物以及生产生活中产生的报废钢锭、钢坯、切头切尾、钢铸件、钢轧辊、钢轨、车轴、电器件、日用品等。据测定，1吨废钢能炼出860千克钢材，相当于3-4吨铁矿石、1-1.5吨焦炭所炼的钢，其冶金价值相当于1吨原生铁，并能节约材料90％，减轻空气污染86％，减少采选及冶炼废弃物97％，减少水质污染76％，减少热能消耗75％，节约压缩空气86％及工业用水40％。可见废钢在冶金工业中的优势非常明显。
由于使用废钢参与冶炼具有简便、经济以及环保的优势，近几年废钢采购量越来越大，但是废钢的来料种类一致性差，现场作业环境复杂，长期依赖人工观察与个人经验作为质量评估的依据，难以量化和标准化。同时废钢作为重要生产资源，正确定级对于后续工艺的使用及原料成本的控制极其重要。
应用的精细化要求与功能的粗放型现状格格不入，并且人工方式确定废钢等级的方式存在很大的不稳定性以及权力寻租的风险，该方式也会增加质检员工作负荷，难以合理分配质检员工作时间的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像识别方法和废钢等级的识别方法，以至少解决有技术中所存在的废钢等级检测不准的技术问题。
根据本申请实施例的一个方面，提供了一种图像识别方法，应用于车辆识别中，车辆上设置有至少一层待检测材料，该方法包括：获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级；根据至少一层待检测材料所对应的识别结果，确定多层待检测材料所对应的目标识别结果，其中，目标识别结果表征了多层待检测材料的整体材料等级。
根据本申请实施例的另一方面，还提供了一种图像识别方法，应用于车辆识别中，车辆上设置有至少一层待检测材料，包括：读取图像采集设备采集到的待识别图像，并在图形用户界面中显示待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；在图形用户界面中显示对目标材料进行类型识别的第一识别结果，其中，目标材料为至少一层待检测材料中满足预设条件的材料；在图形用户界面显示对目标材料进行等级识别的第二识别结果，其中，第二识别结果表征至少一层待检测材料所对应的材料等级；在图形用户界面显示至少一层待检测材料所对应的目标识别结果，其中，目标识别结果是根据至少一层待检测材料所对应的识别结果确定得到的，目标识别结果表征了至少一层待检测材料所对应的整体材料等级。
根据本申请实施例的另一方面，还提供了一种图像识别方法，应用于车辆识别中，车辆上设置有至少一层待检测材料，包括：云服务器获取图像采集设备所采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；云服务器对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级；云服务器根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级；云服务器推送目标识别结果至客户端。
根据本申请实施例的另一方面，还提供一种废钢等级的识别方法，应用于车辆识别中，车辆上设置有至少一层废钢,包括：获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的废钢；从至少一层废钢所对应的待识别图像中提取目标区域图像，其中，目标区域图像至少包括对应层级的废钢；对目标区域图像进行识别，得到识别结果，其中，识别结果表征至少一层废钢所对应的废钢等级；根据至少一层废钢所对应的识别结果，确定至少一层废钢所对应的目标识别结果，其中，目标识别结果表征了至少一层废钢的整体废钢等级。
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的图像识别方法以及废钢等级的识别方法。
根据本申请实施例的另一方面，还提供了一种计算机设备，该计算机设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的图像识别方法以及废钢等级识别方法。
在本申请实施例中，采用自动跟踪车辆，对车辆进行抓拍，并对抓拍图像进行智能分析的方式，首先获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料，然后对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级，进而根据至少一层待检测材料所对应的识别结果，确定多层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
在上述过程中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的待检测材料，从而避免了因停车不当所导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，并且根据各层待检测材料的识别结果，综合分析得出整车的待检测材料的目标识别结果，进而判断整体的材料等级，避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级，减少企业经济损失的效果。
由此可见，本申请所提供的方案达到了准确判断整体材料等级的目的，从而实现了减少企业经济损失的技术效果，进而解决了有技术中所存在的废钢等级检测不准的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的用于实现图像识别方法的计算设备的硬件结构框图；
图2是根据本申请实施例的一种可选的图像识别方法流程图；
图3是根据本申请实施例的图像采集设备采集的图像；
图4是根据本申请实施例的图像采集设备采集的图像；
图5是根据本申请实施例的一种可选的图像识别方法示意图；
图6是根据本申请实施例的一种可选的图像识别方法流程图；
图7是根据本申请实施例的一种可选的图像识别方法流程图；
图8是是根据本申请实施例的一种可选的计算设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
地磅，也被称为汽车衡，是一种设置在地面上的大磅秤，通常用来称卡车的载货吨数。是厂矿、商家等用于大宗货物计量的主要称重设备；
过磅，一种将卡车开到地磅上进行称重操作方法；
扣重，一种识别未达标的废钢货物或拒收物件，并在货物重量中进行扣除的操作方法；
扣杂，一种识别废钢货物中存在水泥、沙石等非钢铁物质，并在货物重量中进行扣除的操作方法；
定级，废钢按照厚度划分不同的等级，系统需要对供应商上报的废钢等级进行识别，以确定等级是否一致，该操作过程即为定级；
异物，废钢货物中会存在的一些影响钢铁冶炼的拒收物品；
单层定级，按照车斗最上面一层废钢货物进行级别判定的操作过程；
整车定级，按照车斗各层的废钢货物级别综合对整车废钢货物进行级别判定的操作过程；
剩余重量，剩余重量＝称重重量-扣重扣杂重量；
废钢净重，车辆二次过地磅称重，去除掉车辆本身重量后的废钢重量，废钢净重＝剩余重量-车辆本身重量。
实施例1
根据本申请实施例，还提供了一种图像识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机设备或者类似的运算装置中执行。图1示出了一种用于实现图像识别方法的计算机设备(或移动设备)的硬件结构框图。如图1所示，计算机设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(BUS)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的图像识别方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像识别方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机设备10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机设备10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
另外，还需要说明的是，在本实施例中，智能化废钢定级系统可以作为本实施例中的图像识别方法的执行主体。其中，智能化废钢定级系统至少包括：图像采集设备和废钢定级应用软件，图像采集设备可以拍摄照片提供给智能化废钢定级系统进行分析，并反馈分析后的定级结果，实现废钢定级自动化；废钢定级应用软件，用于直观呈现整个智能化废钢定级系统，用户可以通过废钢定级应用软件，操作智能化废钢定级系统。
在上述运行环境下，本申请提供了如图2所示的图像识别方法。图2是根据本申请实施例1的图像识别方法的流程图，由图2可知，该方法包括如下步骤：
步骤S202，获取图像采集设备采集到的待识别图像。
在步骤S202中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料。其中，图像采集设备包括但不限于：高清云台摄像头以及带有固定摄像头的无人机等设备；采集参数包括但不限于：摄像头的视场角度、光学变焦倍率等参数；待检测材料可以为废钢或者水泥、沙石等非钢铁材料。
可选的，在货车卸料区域合适位置安装高清云台摄像头等图像采集设备，高清云台摄像头的采集参数与货车的移动位置相关联，对货车进行自动跟踪，并调整摄像头聚焦，以便获得符合要求的拍摄图像质量，当货车卸载待检测材料时，高清云台摄像头在卸料过程中进行图像拍摄。
需要注意到的是，在上述步骤中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备能够对车辆自动跟踪，检测车辆位置，并且调整采集参数，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题，进而实现了优化图像成像质量，提高图像采集效率的效果。
步骤S204，对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果。
在步骤S204中，识别结果表征至少一层待检测材料所对应的材料等级。其中，每层待检测的材料所对应的材料等级可以都不一样，甚至相差较大。可选的，材料等级受到废钢厚度、未达标物品数量、拒收物品数量、水泥等杂物数量等因素的影响。
可选的，如5所示，当货车停放完毕开始卸料时，图像采集设备拍摄待识别图像，对每层待检测材料所对应的待识别图像进行识别，图5中示出了共有N层图像，相应的得到N层识别结果。
需要注意到的是，在步骤S204中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，能够获取到每层待检测材料的等级信息，提高了数据的全面性以及准确性。
步骤S206，根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果。
在步骤S206中，目标识别结果表征了至少一层待检测材料的整体材料等级，目标识别结果至少包括了：整车的废钢等级结果、扣重结果以及扣杂结果。
可选的，如图5所示，对N层识别结果进行综合分析，得到整车的废钢等级、扣重、扣杂等目标识别结果。
需要注意的是，通过根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体多层的材料等级的效果。
基于上述步骤S202至步骤S206所限定的方案，可以获知，在本申请实施例中，采用自动跟踪车辆进行抓拍，并且对抓拍图像进行智能分析的方式，首先获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料，然后对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级，进而根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
容易注意到的是，在上述过程中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的待检测材料，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，并且根据各层待检测材料的识别结果，综合分析得出整车的待检测材料的目标识别结果，进而判断整体的材料等级，从而避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级，减少企业经济损失的效果。
由此可见，本申请所提供的方案达到了准确判断整体材料等级的目的，从而实现了减少企业经济损失的技术效果，进而解决了有技术中所存在的废钢等级检测不准的技术问题。
在一种可选的实施例中，在获取图像采集设备采集到的待识别图像之前，智能化废钢定级系统首先获取图像采集设备所采集到的初始图像，然后基于第一神经网络模型检测初始图像中是否包含车辆，当检测在检测到初始图像中包含车辆时，检测车辆在初始图像中的相对位置，如果检测到相对位置处于初始图像的有效区域范围内，确定初始图像为待识别图像；如果检测到相对位置处于初始图像的有效区域范围之外，对图像采集设备的采集参数进行调整，和/或，调整移动设备的移动位置，得到移动设备的目标位置，并控制图像采集设备在目标位置采集待识别图像，其中，采集参数至少包括：视场角度、光学变焦倍率，图像采集设备设置在移动设备上，移动设备跟随车辆移动。
可选的，第一神经网络可以选用YOLO(You only look once)算法以及MASK R-CNN系统，其中，MASK R-CNN系统为实例分割算法系统，可用来对输入的图片做分割处理；YOLO为基于卷积神经网络的物体检测算法。
可选的，利用YOLO算法和MASK R-CNN系统，当智能化废钢定级系统检测到车辆位置时，检测判断车辆在初始图像中的相对位置，如果车辆位置偏离初始图像的有效区域范围，例如，有效区域范围可以选取为：高1/3至2/3、宽1/3至2/3的区域，如果车辆的相对位置处于有效区域范围内，则确定初始图像为待识别的图像。
可选的，如图3所示，如果车辆的相对位置不处于有效区域范围，此时图像采集设备的采集参数需要进行调整，例如，智能化废钢定级系统可根据车辆位置计算图像采集设备需要调整的视场角度，光学变焦倍率，在重新调整后，对车辆进行再次检测，直至车辆位置位于有效区域范围内，此时图像采集设备的采集参数即保持不变，如图4所示，图像采集设备调整采集参数后采集到合适的初始图像。此外，每一车次的卸货作业开始，都会启动一次自动跟踪模块，卸货过程中图像采集设备的采集参数不再改变。
可选的，智能化废钢定级系统获取图像采集设备所采集到的初始图像后，基于第一神经网络模型检测初始图像中是否包含车辆，在检测到初始图像中包含车辆时，检测车辆在初始图像中的相对位置，如果检测到相对位置处于初始图像的有效区域范围内，则确定初始图像为待识别图像；如果检测到相对位置处于初始图像的有效区域范围之外，则调整移动设备的移动位置，得到移动设备的目标位置，其中，图像采集设备设置在移动设备上，移动设备跟随车辆移动，并且控制图像采集设备在目标位置采集待识别图像。
可选的，上述移动设备可以是无人机等设备，将摄像头一类的图像采集设备固定设置在无人机上，通过无人机的移动进行图像采集，如果检测到车辆的相对位置处于初始图像的有效区域之外，则可以通过调整无人机的移动位置，重新进行图像采集，直至采集到车辆位置处于有效区域之内的初始图像。
通过上述过程，可以不需要在卸料区域固定安装图像采集设备，对于不具备固定安装图像采集设备条件的区域，可以通过使用携带有图像采集设备的移动设备采集图像，该方案实现了适应更多复杂场景，降低设备安装成本的效果。
在一种可选的实施例中，智能化废钢定级系统能够获取图像采集设备采集待识别图像的环境信息，并且在环境信息下获取图像采集设备所采集到的初始图像，在初始图像的图像信息满足预设条件时，调整图像采集设备的采集参数，以对环境信息进行调整，其中，采集设备的采集参数还包括环境亮度。预设条件可以是检测初始图像的图像信息，在初始环境信息下，导致初始图像的图像信息识别困难。例如，检测初始图像的图像信息，该初始图像是在环境亮度较暗的初始环境下采集的，导致初始图像的图像信息无法正常识别。
可选的，智能化废钢定级系统在对图像采集设备所采集到的初始图像进行检测时，识别到该初始图像是在环境亮度较暗的初始环境下采集的，智能化废钢定级系统能够通过调整图像采集设备，例如，开启闪光灯，从而动态调整环境亮度，以便得到更好的拍照成像环境。
通过上述过程，避免了由于采集图像时环境条件不佳，导致的图像质量差，识别困难的问题，实现了优化成像质量，提高图像识别成功率的效果。
在一种可选的实施例中，智能化废钢定级系统在第二神经网络模型中对至少一层待检测材料所对应的待识别图像进行图像分割，得到目标区域图像，其中，目标区域图像至少包括待检测材料；然后在第二神经网络模型中对目标区域图像所包含的待检测材料进行等级识别，并计算每种等级的待检测材料的材料面积；从而根据每种等级的待检测材料的材料面积确定至少一层待检测材料的材料等级；进而根据至少一层待检测材料对应的材料等级，得到识别结果。
可选的，第二神经网络模型可以选用YOLACT(You only look At Coefficients)算法以及MASK R-CNN系统,其中YOLACT算法是一种深度学习图像实例分割算法。
可选的，如图6所示，图像采集设备采集到待识别图像后，智能化废钢定级系统在第二神经网络模型中，首先对货车装载有废钢的所对应的待识别图像进行图像分割，得到货车上装载的废钢区域的图像，除去货车周边区域的影响，为后续进行计算提供基础，然后第二神经网络模型对废钢区域的图像中的不同等级的废钢进行分割，识别对应的等级，并且计算每种等级的废钢的材料面积，从而根据材料面积确定每层废钢的等级，进而根据每层废钢的等级，得到识别结果，例如，废钢的种类。
在一种可选的实施例中，智能化废钢定级系统根据每种材料等级的待检测材料的材料面积确定至少一层待检测材料的材料等级时，比对每种材料等级的待检测材料的材料面积，确定材料面积最大的材料对应的材料等级为当前层级的待检测材料的材料等级。
可选的，车辆中装载有多层废钢，其中，通过上述的第二神经网络模型可以对每一层的废钢进行等级识别，并计算每种等级的废钢的面积，当一层废钢中存在有多个等级时，通过比对各个等级的废钢面积，并将废钢面积最大的废钢所对应的等级作为当前层的废钢等级。
容易注意到的是，由于面积最大的材料在当前层的材料中占比最大，使用面积最大的材料对应的材料等级作为当前层级的材料等级，可以最大程度的保证当前层级的材料对应的材料等级的准确性。
在一种可选的实施例中，智能化废钢定级系统对至少一层待检测材料对应的材料等级进行统计，得到第一材料的总面积与多层待检测材料的总面积的第一比例，其中，第一材料为材料质量不满足预设条件的材料，并且根据第一比例所处的比例范围确定目标识别结果。其中，预设条件可以是材料质量达标的最低标准，例如，预设条件可以设置为废钢的锈蚀部分的面积占废钢整体面积的30％以下，当废钢的锈蚀部分的面积超过了整体面积的30％，则不满足当前预设条件，判定为不达标的废钢，即第一材料。
可选的，在根据每层废钢的等级，得到识别结果后，智能化废钢定级系统对每层废钢的等级进行统计，操作人员可以预先设定一个等级，智能化废钢定级系统一方面会计算质量不满足预设条件的废钢的总面积，即第一材料的总面积，另一方面也会计算整车装载的多层废钢的总面积，从而可以计算得到质量不满足预设条件的废钢的总面积在多层废钢的总面积中的占比比例，进而根据占比比例确定整车废钢的目标识别结果，分析得出整车废钢的等级。
通过上述过程，实现了通过各层待检测材料的等级，综合分析得出整车的待检测材料的等级，提高了评估等级的准确率的效果。
在一种可选的实施例中，智能化废钢定级系统通过第二神经网络模型中的掩膜分支生成至少一层待检测材料所对应的待识别图像对应的掩膜区域，并且通过第二神经网络模型中目标检测分支预测待检测材料的位置信息，其中，目标检测分支与掩膜分支并联，然后根据位置信息对掩膜区域进行线性调整，得到目标区域，同时对目标区域和位置信息进行线性运算，得到目标区域图像。
可选的，第二神经网络模型中用于进行图像识别的算法，可以是YOLACT算法，也可以采用MASK-RCNN、SSD(Single Shot MultiBox Detector)、YOLO等图像实例分割算法，还可以采用分类深度神经网络算法，例如，分类深度神经网络算法1：resnet50，分类深度神经网络算法2：densenet。
可选的，图7是一种使用YOLACT算法进行图像识别的方法流程图，如图7所示，第二网络模型对图像进行识别，首先将图像分为C1至C5五层，并且对应处理生成P3至P7五层，实现图像的分层配准，然后通过YOLACT会在第二网络模型中添加一个掩膜分支，将整个任务分为目标检测分支和掩膜分支两个并联分支，其中，掩膜分支，是通过全卷积网络的网络结构生成的，这个过程中并不会涉及到单个实例；目标检测分支，可以对每个图像实例预测掩膜的系数，即根据位置信息对掩膜区域进行线性调整，通过筛选模块1从而得到图像中实例的位置，也就是目标区域，之后利用目标检测分支和掩膜分支对目标区域和位置信息进行线性计算，经过剪切模块和筛选模块2的处理，得到目标区域图像。
通过上述过程，利用YOLACT的深度学习图像实例分割算法，可以提高图像分割速度和分割质量，并且由于没有使用两阶段方法中的合并操作，可以获得无损失的特征信息，适用于大目标的分割场景，同时上述的掩膜分支和目标检测分支，可以添加到现有的神经网络模型中，具有通用性。
在一种可选的实施例中，智能化废钢定级系统根据识别结果从至少一层待检测材料中确定第二材料的材料图像，其中，第二材料的材料等级低于预设等级，同时对材料图像进行图像识别，确定第二材料的第一重量，在第二神经网络模型中对目标区域图像所包含的杂质区域进行识别，确定至少一层待检测材料所对应的杂质重量，获取称重设备对车辆和至少一层待检测材料进行称重所得到的第二重量，进而计算第二重量与第一重量、杂质重量的差值，得到目标重量。
可选的，如图6所示，智能化废钢定级系统可以检测到目标区域图像中的第二材料，并且对第二材料的区域进行分割，第二材料可以是低于预设等级的不达标废钢。杂质重量为水泥、沙石等杂质的重量，第一重量为不达标废钢或者拒收物品的重量，第二重量是包含车辆在内的整车废钢进行称重的重量，从而通过统计不达标废钢等级，确定不达标废钢的重量和杂质的重量，即得到了扣重和扣杂，结合整车废钢过的重量，计算得出目标重量。
可选的，智能化废钢定级系统对目标区域图像进行图像分割，得到目标区域图像中所包含的杂质区域，并且对杂质区域进行图像识别，确定杂质区域所包含的杂质类型以及杂质面积，进而根据杂质类型和杂质面积确定至少一层待检测材料所对应的杂质重量。
可选的，如图6所示，智能化废钢定级系统可以检测到目标区域图像中的各种杂物，并且实现杂质区域的分割，通过对每个杂物类型、面积的识别，进而估算每层废钢中包含的杂质类型和重量。
可选的，智能化废钢定级系统对每层待检测材料所对应的待识别图像进行图像分割，得到目标区域图像，其中，目标区域图像至少包括待检测材料，并且对目标区域图像进行特征提取，得到目标区域图像对应的图像特征，从而确定与图像特征对应的材料等级，得到识别结果。
进一步的，智能化废钢定级系统可以从预设等级数据库中确定与图像特征对应的材料等级，得到识别结果。首先智能化废钢定级系统根据得到目标区域图像对应的图像特征，通过预设等级数据库确定目标图像特征，目标图像特征为预设等级数据库中与图像特征的相似度最大的特征，从而确定与目标图像特征关联的目标材料等级为材料等级。其中，预设等级数据库中至少存储有材料等级、图像特征以及材料等级与图像特征之间的关联关系。
需要说明的是，上述过程中除了可以通过预设等级数据库确定目标图像特征外，还可以通过其他途径确定目标图像特征，例如，可以将多张对应不同的材料等级的图像存储在本地电脑或者智能手机等设备上，智能化废钢系统可以访问设备上存储的图像，从而搜索得到与目标区域图像的图像特征相似度最大的图像，从而关联确定目标区域图像中的材料对应的材料等级。操作人员可以随时对本地设备上的图像进行调整，包括增加、删除以及修改对应的材料等级。
在上述过程中，通过预设等级数据库等方式搜索查询与图像特征最相似的目标图像特征，进而得到材料等级，实现了即便在不具备神经网络模型的场景下，也可以通过图像对材料进行等级判断，有利于降低经济成本，提高工作效率。
可选的，智能化废钢定级系统在根据每层待检测材料所对应的识别结果确定多层待检测材料所对应的目标识别结果之后，通过检测整体材料等级是否与预设等级相匹配，得到检测结果，并且生成与检测结果对应的提示信息。
可选的，检测结果至少包括：当前整体材料等级符合预设等级、当前整体材料等级不符合预设等级。其中，提示信息可以是语音提示或者弹框文字提示。
通过生成提示信息，方便操作人员直观的了解检测结果，协助操作人员快速处理废钢定级，提高了工作效率。
由上述内容可知，在本申请中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的待检测材料，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，并且根据各层待检测材料的识别结果，综合分析得出整车的待检测材料的目标识别结果，进而判断整体的材料等级，从而避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级，减少企业经济损失的效果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的图像识别方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。
实施例2
根据本申请实施例，还提供了一种图像识别方法，该方法用于车辆中，车辆上设置有至少一层待检测材料，该方法包括如下步骤：
步骤S302，读取图像采集设备采集到的待识别图像，并在图形用户界面中显示待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料。
在步骤S302中，图形用户界面包括但不限于：台式计算机的显示界面、笔记本计算机的显示界面、智能手机的显示界面以及智能平板的显示界面。图像采集设备包括但不限于：高清云台摄像头以及带有固定摄像头的无人机等设备；采集参数包括但不限于：摄像头的视场角度、光学变焦倍率等参数；待检测材料可以为废钢或者水泥、沙石等非钢铁材料。
可选的，在货车卸料区域合适位置安装高清云台摄像头等图像采集设备，高清云台摄像头的采集参数与货车的移动位置相关联，对货车进行自动跟踪，并调整摄像头聚焦，以便获得符合要求的拍摄图像质量，当货车卸载待检测材料时，摄像头在卸料过程中进行图像拍摄。例如，图3是图形用户界面显示的图像采集设备采集的初始图像，图4是图形用户界面显示的图像采集设备调整采集参数后采集到的初始图像。
需要说明的是，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备能够对车辆自动跟踪，检测车辆位置，并且调整采集参数，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题，进而实现了优化图像成像质量，提高图像采集效率的效果。
步骤S304，在图形用户界面中显示对目标材料进行类型识别的第一识别结果。
在步骤S304中，目标材料为至少一层待检测材料中满足预设条件的材料。目标材料的材料类型可能不同，例如，废钢包括了报废的设备、结构件、废钢锭以及废钢铸件等多种类型，其中，预设条件可以是待检测材料中可以视为目标材料的材料类型，例如，上述废钢锭以及废钢铸件可以视为废钢，因此符合预设条件，水泥以及砖块则不可以视为废钢，因此不符合预设条件。
可选的，如4所示，当图形显示设备在显示图像采集设备采集到的待显示图像时，可以同时显示上述第一识别结果，即当前目标材料的类型。
步骤S306，在图形用户界面显示对目标材料进行等级识别的第二识别结果。
在步骤S306中，第二识别结果表征至少一待检测材料对应的材料等级。可选的，如图4所示，当图形显示设备在显示图像采集设备采集到的待显示图像时，可以同时显示上述第二识别结果，即当前目标材料的等级，其中，材料的等级受到多种因素的影响，例如，废钢的等级会受到废钢的生锈程度以及废钢中钢材所占比例等因素的影响。
需要注意到的是，上述步骤S304以及S306，可以在图形用户界面上直观的向操作人员展示当前目标材料的类型以及等级，有利于操作人员进行判断以及记录，提高了工作效率。
步骤S308，在图形用户界面显示至少一层待检测材料所对应的目标识别结果，其中，目标识别结果是根据至少一层待检测材料所对应的识别结果确定得到的，目标识别结果表征了至少一层待检测材料所对应的整体材料等级。
可选的，图形用户界面可以显示目标识别结果，其中，目标识别结果是根据上述第一识别结果以及第二识别结果得到的，目标识别结果可以表征待检测材料的材料等级。
需要注意的是，通过根据至少一层待检测材料所对应的识别结果，确定待检测材料所对应的目标识别结果，避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级的效果。
基于上述步骤S302至步骤S308所限定的方案，可以获知，在本申请实施例中，采用自动跟踪车辆进行抓拍，并且对抓拍图像进行智能分析的方式，首先获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料，然后对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级，进而根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
容易注意到的是，在上述过程中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的待检测材料，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，并且根据各层待检测材料的识别结果，综合分析得出整车的待检测材料的目标识别结果，进而判断整体的材料等级，从而避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级，减少企业经济损失的效果。
由此可见，本申请所提供的方案达到了准确判断整体材料等级的目的，从而实现了减少企业经济损失的技术效果，进而解决了有技术中所存在的废钢等级检测不准的技术问题。
另外，需要说明的是，根据图像采集设备采集到的待识别图像，确定待检测材料的等级的相关内容已在实施例1中进行说明，在此不再赘述。
实施例3
根据本申请实施例，还提供了一种图像识别方法，该方法应用于车辆识别中，车辆上设置有至少一层待检测材料，该方法包括如下步骤：
步骤S402，云服务器获取图像采集设备所采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置向关联，待识别图像中至少包括车辆以及对应层级的待检测材料。
在步骤S402中，图像采集设备包括但不限于：高清云台摄像头以及带有固定摄像头的无人机等设备；采集参数包括但不限于：摄像头的视场角度、光学变焦倍率等参数；待检测材料可以为废钢或者水泥、沙石等非钢铁材料。
可选的，在货车卸料区域合适位置安装高清云台摄像头等图像采集设备，高清云台摄像头的采集参数与货车的移动位置相关联，对货车进行自动跟踪，并调整摄像头聚焦，以便获得符合要求的拍摄图像质量，当货车卸载待检测材料时，摄像头在卸料过程中进行图像拍摄。
需要注意到的是，在上述步骤中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备能够对车辆自动跟踪，检测车辆位置，并且调整采集参数，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题，进而实现了优化图像成像质量，提高图像采集效率的效果。
步骤S404，云服务器对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级。
在步骤S404中，材料等级受到多种因素的影响，例如，废钢的等级会受到废钢的生锈程度以及废钢中钢材所占比例等因素的影响。
可选的，如5所示，当货车停放完毕开始卸料时，图像采集设备拍摄多张待识别图像，对至少一层待检测材料所对应的待识别图像进行识别，图5中示出了共有N层图像，相应的得到N层识别结果。
需要注意到的是，在步骤S404中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，能够获取到至少一层待检测材料中的每一层待检测材料的等级信息，提高了数据的全面性以及准确性。
步骤S406，云服务器根据至少一层待检测材料所对应的识别结果，确定多层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
需要注意的是，通过根据至少一层待检测材料所对应的识别结果，确定待检测材料所对应的目标识别结果，避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级的效果。
步骤S408，云服务器推送目标识别结果至客户端。
在步骤S408中，客户端可以是安装在计算机设备上的应用程序或者网页，其中，计算机设备可以是笔记本电脑、台式机电脑、智能手机或者智能平板。
需要说明的是，通过将识别结果推送至客户端，可以方便操作人员及时了解到具体的识别结果，提示操作人员进行下一步操作，提高工作效率以及用户使用体验。
基于上述步骤S402至步骤S408所限定的方案，可以获知，在本申请实施例中，采用自动跟踪车辆进行抓拍，并且对抓拍图像进行智能分析的方式，首先获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料，然后对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级，进而根据至少一层待检测材料所对应的识别结果，确定待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
容易注意到的是，在上述过程中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的待检测材料，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，并且根据各层待检测材料的识别结果，综合分析得出整车的待检测材料的目标识别结果，进而判断整体的材料等级，从而避免了由单张图像的识别结果认定整体的材料等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体材料等级，减少企业经济损失的效果。
由此可见，本申请所提供的方案达到了准确判断整体材料等级的目的，从而实现了减少企业经济损失的技术效果，进而解决了有技术中所存在的废钢等级检测不准的技术问题。
另外，需要说明的是，根据图像采集设备采集到的待识别图像，确定待检测材料的等级的相关内容已在实施例1中进行说明，在此不再赘述。
实施例4
根据本申请实施例，还提供了一种废钢等级的识别方法，该方法应用于车辆识别中，车辆上设置有至少一层废钢，该方法包括如下步骤：
步骤S502，获取图像采集设备采集到的待识别图像。
在步骤S502中，图像采集设备的采集参数与所述车辆的移动位置相关联，所述待识别图像中至少包括所述车辆以及对应层级的废钢，图像采集设备包括但不限于：高清云台摄像头以及带有固定摄像头的无人机等设备；采集参数包括但不限于：摄像头的视场角度、光学变焦倍率等参数。
可选的，在货车卸料区域合适位置安装高清云台摄像头等图像采集设备，高清云台摄像头的采集参数与货车的移动位置相关联，对货车进行自动跟踪，并调整摄像头聚焦，以便获得符合要求的拍摄图像质量，当货车卸载废钢时，摄像头在卸料过程中进行图像拍摄。
需要注意到的是，在上述步骤中，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备能够对车辆自动跟踪，检测车辆位置，并且调整采集参数，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题，进而实现了优化图像成像质量，提高图像采集效率的效果。
步骤S504，从至少一层废钢所对应的待识别图像中提取目标区域图像。
如图6所示，在步骤S504中，目标区域图像至少包括所述对应层级的废钢，其中，由于图像采集设备采集的待识别图像会包含车辆、车辆上的废钢以及车辆背景等多种信息，因此需要对待识别图像进行区域划分，并提取出至少包括有对应层级的废钢的目标区域图像。该步骤中，可以通过第二神经网络模型在待识别图像中提取目标区域图像。
需要注意到的，对待识别图像进行区域划分，提取目标区域图像，可以在后续过程中，只针对目标区域图像进行识别以及分析，可以有效提升对待识别图像的识别以及分析效率。
步骤S506，对所述目标区域图像进行识别，得到识别结果。
如图6所示，在步骤S506中，识别结果表征至少一层废钢所对应的废钢等级。其中，废钢等级受到多种因素的影响，例如，废钢的生锈程度以及废钢中钢材所占比例等因素都会影响废钢的等级。
可选的，如5所示，当货车停放完毕开始卸料时，图像采集设备拍摄多张待识别图像，对至少一层废钢所对应的待识别图像进行识别，图5中示出了共有N层废钢图像，相应的得到N层废钢的识别结果。
需要注意到的是，在步骤S506中，通过对至少一层废钢所对应的待识别图像进行识别，得到识别结果，能够获取到至少一层废钢中的每一层废钢的等级信息，提高了数据的全面性以及准确性。
步骤S508，第二神经网络模型根据至少一层废钢所对应的识别结果，确定至少一层废钢所对应的目标识别结果。可选的，如图5所示，对N层识别结果进行综合分析，得到整体废钢等级。
需要注意的是，通过根据至少一层废钢所对应的识别结果，确定至少一层废钢所对应的目标识别结果，避免了由单张图像的识别结果认定整体废钢等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体废钢等级的效果。
基于上述步骤S502至步骤S508可知，由于图像采集设备的采集参数与车辆的移动位置相关联，图像采集设备采集到的待识别图像中至少包括车辆和对应层级的废钢，从而避免了因停车不当，导致的图像采集不灵活以及容易出现识别错误或者失败的问题。而且，在本申请中，通过对至少一层废钢所对应的待识别图像进行识别，得到识别结果，并且根据识别结果，综合分析得出至少一层废钢所对应的目标识别结果，进而判断整体废钢等级，从而避免了由单张图像的识别结果认定整体废钢等级，导致的判断结果存在偏差，偶然性较大的问题，实现了准确判断整体废钢等级，减少企业经济损失的效果。
由此可见，本申请所提供的方案达到了准确判断整体废钢等级的目的，从而实现了减少企业经济损失的技术效果，进而解决了现有技术中所存在的废钢等级检测不准确的技术问题。
在一种可选的实施例中，废钢等级的识别方法还包括：在根据至少一层废钢所对应的识别结果，确定至少一层废钢所对应的目标识别结果之后，获取称重设备对至少一层废钢进行称重所得到的废钢重量；根据目标识别结果对至少一层废钢进行等级分割，得到预设等级的废钢；对预设等级的废钢进行杂质检测，得到至少一层废钢所包含的杂质的杂质重量；根据废钢重量以及杂质重量计算至少一层废钢所包含的钢材的钢材重量。
可选的，如图6所示，在废钢中可能会有包含有水泥、沙石等杂质，而在实际的废钢处理过程中，需要将杂质的重量进行扣除，即需要对废钢进行扣杂处理，具体过程包括：首先称重设备对至少一层废钢进行称重，得到废钢重量，此时废钢重量中包含有钢材重量以及杂质重量的总和，然后，智能化废钢定级系统中的第二神经网络模型根据目标识别结果对至少一层废钢进行等级分割，得到预设等级的废钢，并且对预设等级的废钢进行杂质检测，并从而对杂质进行称重，得到杂质重量，在废钢重量中扣除杂质重量以便得到钢材的钢材重量。
另外，如图6所示，在本方法实施例中，第二神经网络模型还可以识别未达标的废钢货物或拒收物件，并在货物重量中进行扣除，具体过程和上述扣杂过程相同，在得到预设等级的废钢后，对预设等级的废钢进行未达标的废钢货物或拒收物件的检测，并对其进行称重，进而在废钢重量中扣除该部分重量。
需要注意到的是，在上述过程中，通过对预设等级的废钢进行杂质检测，得到至少一层废钢所包含的杂质的重量，大大提高了扣杂处理的效率，同时通过技术手段进行杂质识别，可以有效规避人工判断杂质的方式所存在的权力寻租的风险以及判断不准确的问题。
需要说明的是，根据图像采集设备采集到的待识别图像，确定废钢的等级的相关内容已在实施例1中进行说明，在此不再赘述。
实施例5
本申请的实施例可以提供一种计算机设备，该计算机设备可以是计算机终端群中的任意一个计算机设备。可选地，在本实施例中，上述计算机设备也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机设备可以执行图像识别方法中以下步骤的程序代码：获取图像采集设备采集到的多张待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，每张待识别图像中至少包括车辆以及对应层级的待检测材料；对每层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征每层待检测材料所对应的材料等级；根据每层待检测材料所对应的识别结果，确定多层待检测材料所对应的目标识别结果，其中，目标识别结果表征了多层待检测材料的整体材料等级。
可选地，图8是根据本申请实施例的一种计算机设备的结构框图。如图8所示，该计算机设备10可以包括：一个或多个(图中仅示出一个)处理器1002、存储器1004、以及外设接口1006。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的图像识别方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像识别方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级；根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
可选的，上述处理器还可以执行上述实施例1中图像识别方法所对应的程序代码。
本领域普通技术人员可以理解，图8所示的结构仅为示意，计算机设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，计算机设备10还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例6
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的图像识别方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机设备中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取图像采集设备采集到的待识别图像，其中，图像采集设备的采集参数与车辆的移动位置相关联，待识别图像中至少包括车辆以及对应层级的待检测材料；对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，识别结果表征至少一层待检测材料所对应的材料等级；根据至少一层待检测材料所对应的识别结果，确定至少一层待检测材料所对应的目标识别结果，其中，目标识别结果表征了至少一层待检测材料的整体材料等级。
可选的，上述存储介质还可以被设置为存储用于执行上述实施例1中图像识别方法所对应的程序代码。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (14)

1.一种图像识别方法，其特征在于，应用于车辆识别中，车辆上设置有至少一层待检测材料，所述方法包括：
获取图像采集设备采集到的待识别图像，其中，所述图像采集设备的采集参数与所述车辆的移动位置相关联，所述待识别图像中至少包括所述车辆以及对应层级的待检测材料；
对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，所述识别结果表征所述至少一层待检测材料所对应的材料等级；
根据所述至少一层待检测材料所对应的识别结果，确定所述至少一层待检测材料所对应的目标识别结果，其中，所述目标识别结果表征了所述至少一层待检测材料的整体材料等级。
2.根据权利要求1所述的方法，其特征在于，在获取图像采集设备采集到的待识别图像之前，所述方法还包括：
获取所述图像采集设备所采集到的初始图像；
基于第一神经网络模型检测所述初始图像中是否包含所述车辆；
在检测到所述初始图像中包含所述车辆时，检测所述车辆在所述初始图像中的相对位置；
在检测到所述相对位置处于所述初始图像的有效区域范围内时，确定所述初始图像为所述待识别图像；
在检测到所述相对位置处于所述初始图像的有效区域范围之外时，对所述图像采集设备的采集参数进行调整，和/或，调整移动设备的移动位置，得到所述移动设备的目标位置，并控制所述图像采集设备在所述目标位置采集所述待识别图像，其中，所述采集参数至少包括：视场角度、光学变焦倍率，所述图像采集设备设置在所述移动设备上，所述移动设备跟随所述车辆移动。
3.根据权利要求1所述的方法，其特征在于，在获取图像采集设备采集到的待识别图像之前，所述方法还包括：
获取所述图像采集设备采集所述待识别图像的环境信息；
在所述环境信息下获取所述图像采集设备所采集到的初始图像；
在所述初始图像的图像信息满足预设条件时，调整所述图像采集设备的采集参数，以对所述环境信息进行调整，其中，所述采集设备的采集参数还包括环境亮度。
4.根据权利要求1所述的方法，其特征在于，对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，包括：
在第二神经网络模型中对所述至少一层待检测材料所对应的待识别图像进行图像分割，得到目标区域图像，其中，所述目标区域图像至少包括待检测材料；
在所述第二神经网络模型中对所述目标区域图像所包含的待检测材料进行等级识别，并计算每种材料等级的待检测材料的材料面积；
根据所述每种材料等级的待检测材料的材料面积确定所述至少一层待检测材料的材料等级；
根据所述至少一层待检测材料对应的材料等级，得到所述识别结果。
5.根据权利要求4所述的方法，其特征在于，根据所述每种材料等级的待检测材料的材料面积确定所述至少一层待检测材料的材料等级，包括：
比对所述每种材料等级的待检测材料的材料面积，确定所述材料面积最大的材料对应的材料等级为当前层级的待检测材料的材料等级。
6.根据权利要求4所述的方法，其特征在于，根据所述至少一层待检测材料所对应的识别结果，确定所述至少一层待检测材料所对应的目标识别结果，包括：
对所述至少一层待检测材料对应的材料等级进行统计，得到第一材料的总面积与所述至少一层待检测材料的总面积的第一比例，其中，所述第一材料为材料质量不满足预设条件的材料；
根据所述第一比例所处的比例范围确定所述目标识别结果。
7.根据权利要求4所述的方法，其特征在于，在第二神经网络模型中对所述至少一层待检测材料所对应的待识别图像进行图像分割，得到目标区域图像，包括：
通过所述第二神经网络模型中的掩膜分支生成所述至少一层待检测材料所对应的待识别图像对应的掩膜区域；
通过所述第二神经网络模型中目标检测分支预测所述待检测材料的位置信息，其中，所述目标检测分支与所述掩膜分支并联；
根据所述位置信息对所述掩膜区域进行线性调整，得到目标区域；
对所述目标区域和所述位置信息进行线性运算，得到所述目标区域图像。
8.根据权利要求4所述的方法，其特征在于，在根据所述至少一层待检测材料所对应的识别结果，确定所述至少一层待检测材料所对应的目标识别结果之后，所述方法还包括：
根据所述识别结果从所述至少一层待检测材料中确定第二材料的材料图像，其中，所述第二材料的材料等级低于预设等级；
对所述材料图像进行图像识别，确定所述第二材料的第一重量；
在所述第二神经网络模型中对所述目标区域图像所包含的杂质区域进行识别，确定所述至少一层待检测材料所对应的杂质重量；
获取称重设备对所述车辆和所述至少一层待检测材料进行称重所得到的第二重量；
计算所述第二重量与所述第一重量、所述杂质重量的差值，得到目标重量。
9.一种图像识别方法，其特征在于，应用于车辆识别中，车辆上设置有至少一层待检测材料，所述方法包括：
读取图像采集设备采集到的待识别图像，并在图形用户界面中显示所述待识别图像，其中，所述图像采集设备的采集参数与所述车辆的移动位置相关联，所述待识别图像中至少包括所述车辆以及对应层级的待检测材料；
在所述图形用户界面中显示对目标材料进行类型识别的第一识别结果，其中，所述目标材料为至少一层待检测材料中满足预设条件的材料；
在所述图形用户界面显示对所述目标材料进行等级识别的第二识别结果，其中，所述第二识别结果表征所述至少一层待检测材料所对应的材料等级；
在所述图形用户界面显示所述至少一层待检测材料所对应的目标识别结果，其中，所述目标识别结果是根据所述至少一层待检测材料所对应的识别结果确定得到的，所述目标识别结果表征了所述至少一层待检测材料所对应的整体材料等级。
10.一种图像识别方法，其特征在于，应用于车辆识别中，车辆上设置有至少一层待检测材料，所述方法包括：
云服务器获取图像采集设备所采集到的待识别图像，其中，所述图像采集设备的采集参数与所述车辆的移动位置相关联，所述待识别图像中至少包括所述车辆以及对应层级的待检测材料；
所述云服务器对至少一层待检测材料所对应的待识别图像进行识别，得到识别结果，其中，所述识别结果表征所述至少一层待检测材料所对应的材料等级；
所述云服务器根据所述至少一层待检测材料所对应的识别结果，确定所述至少一层待检测材料所对应的目标识别结果，其中，所述目标识别结果表征了所述至少一层待检测材料的整体材料等级；
所述云服务器推送所述目标识别结果至客户端。
11.一种废钢等级的识别方法，其特征在于，应用于车辆识别中，车辆上设置有至少一层废钢，所述方法包括：
获取图像采集设备采集到的待识别图像，其中，所述图像采集设备的采集参数与所述车辆的移动位置相关联，所述待识别图像中至少包括所述车辆以及对应层级的废钢；
从所述至少一层废钢所对应的待识别图像中提取目标区域图像，其中，所述目标区域图像至少包括所述对应层级的废钢；
对所述目标区域图像进行识别，得到识别结果，其中，所述识别结果表征所述至少一层废钢所对应的废钢等级；
根据所述至少一层废钢所对应的识别结果，确定所述至少一层废钢所对应的目标识别结果，其中，所述目标识别结果表征了所述至少一层废钢的整体废钢等级。
12.根据权利要求11所述的方法，其特征在于，在根据所述至少一层废钢所对应的识别结果，确定所述至少一层废钢所对应的目标识别结果之后，所述方法还包括：
获取称重设备对所述至少一层废钢进行称重所得到的废钢重量；
根据所述目标识别结果对所述至少一层废钢进行等级分割，得到预设等级的废钢；
对所述预设等级的废钢进行杂质检测，得到所述至少一层废钢所包含的杂质的杂质重量；
根据所述废钢重量以及所述杂质重量计算所述至少一层废钢所包含的钢材的钢材重量。
13.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至10任一项中所述的图像识别方法以及权利要求11至12中任意一项所述的废钢等级的识别方法。
14.一种计算机设备，其特征在于，所述计算机设备包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至10任一项中所述的图像识别方法以及权利要求11至12中任意一项中所述的废钢等级的识别方法。
CN202110875813.5A 2021-07-30 2021-07-30 图像识别方法和废钢等级的识别方法 Pending CN113743210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110875813.5A CN113743210A (zh) 2021-07-30 2021-07-30 图像识别方法和废钢等级的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110875813.5A CN113743210A (zh) 2021-07-30 2021-07-30 图像识别方法和废钢等级的识别方法

Publications (1)

Publication Number Publication Date
CN113743210A true CN113743210A (zh) 2021-12-03

Family

ID=78729677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110875813.5A Pending CN113743210A (zh) 2021-07-30 2021-07-30 图像识别方法和废钢等级的识别方法

Country Status (1)

Country Link
CN (1) CN113743210A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114078126A (zh) * 2022-01-19 2022-02-22 江苏金恒信息科技股份有限公司 一种基于机器学习的废钢评级方法及装置
CN114189629A (zh) * 2021-12-06 2022-03-15 用友网络科技股份有限公司 图像获取方法、图像获取装置和废钢智能判级系统
CN114332511A (zh) * 2022-03-14 2022-04-12 新极技术(北京)有限公司 一种废钢厚度占比的识别方法
CN114414580A (zh) * 2022-03-30 2022-04-29 新极技术(北京)有限公司 一种废钢上杂质的识别及扣重方法
CN114549940A (zh) * 2022-04-27 2022-05-27 阿里巴巴（中国）有限公司 图像处理方法
CN114860359A (zh) * 2022-04-06 2022-08-05 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、系统和存储介质
CN114859967A (zh) * 2022-04-24 2022-08-05 北京同创信通科技有限公司 一种自动控制无人飞机智能废钢验质系统及方法
CN114998716A (zh) * 2022-04-18 2022-09-02 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、装置、设备及存储介质
CN115032989A (zh) * 2022-05-18 2022-09-09 用友网络科技股份有限公司 移动式废钢判级系统控制方法和移动式废钢判级系统
CN115159150A (zh) * 2022-09-07 2022-10-11 江苏金恒信息科技股份有限公司 一种废钢进场控制方法、系统及计算机可读存储介质
CN115346208A (zh) * 2022-08-11 2022-11-15 新极技术(北京)有限公司 一种废钢定级中密闭件和其它违规件的识别方法
CN115753796A (zh) * 2022-11-18 2023-03-07 四川德胜集团钒钛有限公司 废钢评级方法及系统
CN117753680A (zh) * 2023-11-10 2024-03-26 深圳市小绿人网络信息技术有限公司 一种基于机器视觉识别的再生资源回收系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927878A (zh) * 2014-04-10 2014-07-16 中海网络科技股份有限公司 一种用于违章停车的自动抓拍装置及自动抓拍方法
CN104809876A (zh) * 2015-05-07 2015-07-29 吴柯维 一种违章停车检测联动抓拍系统及一体化摄像机
WO2018166836A1 (de) * 2017-03-17 2018-09-20 Sku Saale-Kies-Union Gmbh System und verfahren zur dokumentation von abkippvorgängen auf einer einlagerungsstätte
KR101981031B1 (ko) * 2018-05-18 2019-05-23 제이에이치데이터시스템 주식회사 인공지능 기반 철 스크랩 플랫폼
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
CN112348894A (zh) * 2020-11-03 2021-02-09 中冶赛迪重庆信息技术有限公司 废钢货车位置及状态识别方法、系统、设备及介质
CN112348791A (zh) * 2020-11-04 2021-02-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的废钢智能检判方法、系统、介质及终端
CN112801391A (zh) * 2021-02-04 2021-05-14 科大智能物联技术有限公司 一种人工智能废钢扣杂评级方法及系统
JP2021076711A (ja) * 2019-11-08 2021-05-20 株式会社神鋼エンジニアリング＆メンテナンス スクラップ画像撮影システム、スクラップ画像撮影方法、撮影支援装置、及びプログラム
CN113177605A (zh) * 2021-05-14 2021-07-27 南京耘瞳科技有限公司 一种基于视频监控的废钢车厢等级判定方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927878A (zh) * 2014-04-10 2014-07-16 中海网络科技股份有限公司 一种用于违章停车的自动抓拍装置及自动抓拍方法
CN104809876A (zh) * 2015-05-07 2015-07-29 吴柯维 一种违章停车检测联动抓拍系统及一体化摄像机
WO2018166836A1 (de) * 2017-03-17 2018-09-20 Sku Saale-Kies-Union Gmbh System und verfahren zur dokumentation von abkippvorgängen auf einer einlagerungsstätte
KR101981031B1 (ko) * 2018-05-18 2019-05-23 제이에이치데이터시스템 주식회사 인공지능 기반 철 스크랩 플랫폼
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
JP2021076711A (ja) * 2019-11-08 2021-05-20 株式会社神鋼エンジニアリング＆メンテナンス スクラップ画像撮影システム、スクラップ画像撮影方法、撮影支援装置、及びプログラム
CN112348894A (zh) * 2020-11-03 2021-02-09 中冶赛迪重庆信息技术有限公司 废钢货车位置及状态识别方法、系统、设备及介质
CN112348791A (zh) * 2020-11-04 2021-02-09 中冶赛迪重庆信息技术有限公司 基于机器视觉的废钢智能检判方法、系统、介质及终端
CN112801391A (zh) * 2021-02-04 2021-05-14 科大智能物联技术有限公司 一种人工智能废钢扣杂评级方法及系统
CN113177605A (zh) * 2021-05-14 2021-07-27 南京耘瞳科技有限公司 一种基于视频监控的废钢车厢等级判定方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114189629A (zh) * 2021-12-06 2022-03-15 用友网络科技股份有限公司 图像获取方法、图像获取装置和废钢智能判级系统
CN114078126A (zh) * 2022-01-19 2022-02-22 江苏金恒信息科技股份有限公司 一种基于机器学习的废钢评级方法及装置
CN114332511A (zh) * 2022-03-14 2022-04-12 新极技术(北京)有限公司 一种废钢厚度占比的识别方法
CN114332511B (zh) * 2022-03-14 2022-05-27 新极技术(北京)有限公司 一种废钢厚度占比的识别方法
CN114414580A (zh) * 2022-03-30 2022-04-29 新极技术(北京)有限公司 一种废钢上杂质的识别及扣重方法
CN114860359B (zh) * 2022-04-06 2024-05-14 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、系统和存储介质
CN114860359A (zh) * 2022-04-06 2022-08-05 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、系统和存储介质
CN114998716A (zh) * 2022-04-18 2022-09-02 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、装置、设备及存储介质
CN114859967A (zh) * 2022-04-24 2022-08-05 北京同创信通科技有限公司 一种自动控制无人飞机智能废钢验质系统及方法
CN114549940B (zh) * 2022-04-27 2022-09-09 阿里巴巴（中国）有限公司 图像处理方法
CN114549940A (zh) * 2022-04-27 2022-05-27 阿里巴巴（中国）有限公司 图像处理方法
CN115032989A (zh) * 2022-05-18 2022-09-09 用友网络科技股份有限公司 移动式废钢判级系统控制方法和移动式废钢判级系统
CN115346208A (zh) * 2022-08-11 2022-11-15 新极技术(北京)有限公司 一种废钢定级中密闭件和其它违规件的识别方法
CN115159150A (zh) * 2022-09-07 2022-10-11 江苏金恒信息科技股份有限公司 一种废钢进场控制方法、系统及计算机可读存储介质
CN115159150B (zh) * 2022-09-07 2022-12-20 江苏金恒信息科技股份有限公司 一种废钢进场控制方法、系统及计算机可读存储介质
CN115753796A (zh) * 2022-11-18 2023-03-07 四川德胜集团钒钛有限公司 废钢评级方法及系统
CN117753680A (zh) * 2023-11-10 2024-03-26 深圳市小绿人网络信息技术有限公司 一种基于机器视觉识别的再生资源回收系统

Similar Documents

Publication Publication Date Title
CN113743210A (zh) 图像识别方法和废钢等级的识别方法
CN112801391B (zh) 一种人工智能废钢扣杂评级方法及系统
CN112036755B (zh) 一种建筑工程质量检测的监管方法及系统
CN105551064B (zh) 一种基于图像特征估计堆料体积变化率的方法
CN112348791B (zh) 基于机器视觉的废钢智能检判方法、系统、介质及终端
CN113642539B (zh) 一种货物处理、废钢处理方法和装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN112881412B (zh) 一种废钢产品中非金属异物检测方法
CN113627830A (zh) 一种废钢的评级系统及方法
CN114155224A (zh) 获取废钢结算数据方法、装置、废钢结算系统及回收场
CN113688965B (zh) 一种自动仓储扫码检测的方法和货物管理系统
CN113177605A (zh) 一种基于视频监控的废钢车厢等级判定方法
CN113810605A (zh) 目标对象处理方法及装置
CN113869103A (zh) 对象的检测方法、存储介质和系统
KR20230029989A (ko) 스크랩 판별 시스템 및, 스크랩 판별 방법
KR20220131358A (ko) 스크랩 판별 시스템 및, 스크랩 판별 방법
CN114445767B (zh) 一种传输带传输异物检测方法及系统
CN116597364B (zh) 图像处理方法及装置
CN114240928B (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114549940B (zh) 图像处理方法
CN114755226A (zh) 一种锂电池负极的检测方法、装置和介质，一种检测系统
CN108629758A (zh) 一种基于云计算的汽车橡胶件的检查方法
CN116664871B (zh) 一种基于深度学习的智能化控制方法及系统
CN118192112B (zh) 基于ai的液晶屏故障检测方法、装置、设备及介质
CN117011273A (zh) 智能废钢判级方法、装置、设备及介质

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