CN114078126A - 一种基于机器学习的废钢评级方法及装置 - Google Patents
一种基于机器学习的废钢评级方法及装置 Download PDFInfo
- Publication number
- CN114078126A CN114078126A CN202210057076.2A CN202210057076A CN114078126A CN 114078126 A CN114078126 A CN 114078126A CN 202210057076 A CN202210057076 A CN 202210057076A CN 114078126 A CN114078126 A CN 114078126A
- Authority
- CN
- China
- Prior art keywords
- steel
- scrap
- target
- picture
- scrap steel
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于机器学习的废钢评级方法及装置，废钢评级方法包括获取多张废钢图片；从多张废钢图片中筛选多张有效图片；将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果。如此，通过对有效图片的处理，获得运输车车厢中装载的待评级废钢的评级结果，提高了废钢评级的准确性。
Description
技术领域
本申请涉及废钢评级技术领域，尤其涉及一种基于机器学习的废钢评级方法及装置。
背景技术
废钢是一种再生钢铁原料，也是唯一可以替代铁矿石炼钢的铁素资源。由于废钢的来源、类型不一，且不同类型的废钢需要不同的冶炼方法，因此，钢铁企业在收购废钢后，需要先对废钢进行分类，即对废钢进行评级。钢铁企业通用的评级标准将废钢等级分为规则废钢、不规则废钢和杂质，其中，规则废钢按照废钢的厚度可以分为2mm废钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块。完成废钢评级之后，钢铁企业回收规则废钢和不规则废钢，并将杂质从废钢中分离出来。目前，钢铁企业的废钢评级工作主要依靠人工目测进行，这种方法主观性较高，导致废钢评级结果准确率较低。为了克服人工判级的缺陷，还可以利用电子设备对废钢进行自动评级，即可以将获取的废钢图像与预先录入数据库中的图片信息进行比对，将数据库中相似度较高的图片所对应的预设废钢种类作为废钢图像所对应的废钢种类，其中，废钢图像是指从预设的角度拍摄到的废钢运输车上所运输的所有废钢的整体表面图像。
然而，废钢运输车上所运输的所有废钢通常包括多种等级，前述方法将废钢图像所匹配到的废钢种类作为所有废钢的等级评定结果，会造成等级评定结果与废钢的实际种类不符，进而评级的准确性较低。
发明内容
本申请实施例提供了一种基于机器学习的废钢评级方法及装置，可用于解决现有废钢评级方法的评级准确性较低的技术问题。
第一方面，本申请实施例提供一种基于机器学习的废钢评级方法，包括：
获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；
从多张废钢图片中筛选多张有效图片；
将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
在第一方面的一种可实现方式中，所述从多张废钢图片中筛选多张有效图片，包括：
针对多张废钢图片中任意一张当前废钢图片，根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，所述当前对照集为获取时间在所述当前废钢图片之前，并且与所述当前废钢图片的获取时间最接近的预设数量的有效图片所组成的集合；
如果所述当前废钢图片的加权平均值小于预设相似度阈值，则确定所述当前废钢图片为有效图片。
在第一方面的一种可实现方式中，所述根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，包括根据以下公式确定所述当前废钢图片的加权平均值：
其中，SSIM_W-AVGm为所述当前废钢图片的加权平均值，SSIM为所述预设结构相似性算法，m为所述预设数量，k m 为当前对照集中第m张有效图片的权重，set_layer_m为所述当前对照集中的预设数量的有效图片，所述pic_n为所述当前废钢图片。
在第一方面的一种可实现方式中，在从多张废钢图片中筛选多张有效图片之后，将目标有效图片输入预先搭建的实例分割模型之前，所述废钢评级方法还包括：
获取有效图片的数量；
根据所述有效图片的数量，以及所述废钢图片的数量，确定有效图片的数量占比；
如果所述有效图片的数量占比小于预设有效图片数量阈值，则中止当前废钢评级，并执行预设备选评级方案。
在第一方面的一种可实现方式中，所述实例分割模型通过以下方式搭建：
搭建所述实例分割模型的架构，所述实例分割模型的架构依次包括主干网络、区域建议网络、候选框分类器、边界框回归器和分割掩码分支；
利用已标注废钢等级的废钢图片对所述实例分割模型的架构进行训练和验证。
在第一方面的一种可实现方式中，所述将目标有效图片输入预先搭建的实例分割模型中，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，包括：
对目标有效图片进行图像分割，得到所述目标有效图片中的多个识别对象；
对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象；
对所述待预测识别对象进行分类预测，得到每个待预测识别对象所对应的废钢等级。
在第一方面的一种可实现方式中，所述对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象，包括：
将所述目标有效图片中的多个识别对象确定为目标对象集；
将所述目标有效图片之前所有有效图片中的识别对象作为识别对象集；
根据以下公式完成对多个识别对象进行去重：
C=（A-（A∩B））+B
其中，集合A为所述目标对象集，集合B为所述识别对象集，集合C为去重后的所述目标对象集；
将集合C中的所有识别对象确定为待预测识别对象。
在第一方面的一种可实现方式中，所述废钢评级方法还包括：
根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，所述目标废钢等级为所述目标有效图片中识别出的所有废钢等级中任一废钢等级；
根据所述目标有效图片中各个目标识别对象的面积占比，以及所述目标层待评级废钢的总面积，生成所述目标层待评级废钢中与各个目标识别对象相对应的待评级废钢的实际面积。
在第一方面的一种可实现方式中，所述根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，包括：
通过以下公式确定所述目标识别对象在所述目标有效图片中的面积占比：
其中，a i 为所述目标识别对象在所述目标有效图片中的面积占比；j为废钢等级，
所述废钢等级包括规则废钢、不规则废钢和杂质，其中，规则废钢包括2mm废钢、4mm废钢、
6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块；S i
为目标废钢等级所对应的目标识别对象的像素个数；
为所述目标有效图片的像素总
数。
在第一方面的一种可实现方式中，所述废钢评级方法还包括：
获取废钢运输车及其所载货物的总重量；
获取空载的废钢运输车的空车重量；
根据所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比和个数，以及预设弹性网络回归模型确定废钢运输车中所载的杂质重量，所述预设弹性网络回归模型为Eltastic Net回归模型，利用预设时间段内的历史废钢等级信息进行训练和验证；
根据所述总重量、所述空车重量以及所述杂质重量，确定废钢运输车中所载的废钢净重量；
根据所述废钢净重量和所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比，确定各目标废钢等级中废钢的重量；
根据所述各目标废钢等级中废钢的重量和目标废钢等级中废钢的预设收购单价，确定废钢运输车中所载的废钢的总价格。
第二方面，本申请实施例提供一种基于机器学习的废钢评级装置，所述装置用于执行第一方面及各种可实现方式中的基于机器学习的废钢评级的方法，所述废钢评级装置包括：
废钢图片获取模块，用于获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；
有效图片筛选模块，用于从多张废钢图片中筛选多张有效图片；
有效图片评级模块，用于将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
废钢评级获取模块，用于根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
本申请实施例提供一种基于机器学习的废钢评级方法及装置，废钢评级方法包括获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；从多张废钢图片中筛选多张有效图片；将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。如此，根据有效图片中各个识别对象所对应的废钢等级，获取待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，对运输车车厢中装载的待评级废钢进行精准地评级，提高了废钢评级的准确性。
附图说明
图1为本申请第一实施例提供的一种基于机器学习的废钢评级方法的流程示意图；
图2为本申请第一实施例提供的装载过程中的多张废钢图片获取示意图；
图3为本申请第一实施例提供的卸货过程中的多张废钢图片获取示意图；
图4为本申请第一实施例提供的筛选多张有效图片的过程示意图；
图5为本申请第一实施例提供的目标有效图片中的多个识别对象示意图；
图6为本申请第一实施例提供的对所述目标有效图片中的多个识别对象进行去重的示意图；
图7为本申请第一实施例提供的分类预测所述待预测识别对象的示意图；
图8为本申请第一实施例提供的废钢总价格确定流程示意图；
图9为本申请第一实施例提供的Eltastic Net回归模型的训练示意图；
图10为本申请第二实施例提供的一种基于机器学习的废钢评级装置的组织结构示意图。
图10中，10为废钢图片获取模块，20为有效图片筛选模块，30为有效图片评级模块，40为废钢评级获取模块。
具体实施方式
使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请以下各实施例中，“至少一个”、“一个或多个”是指一个、两个或两个以上，“多个”是指两个或者两个以上。术语“和/或”，用于描述关联对象的关联关系， 表示可以存在三种关系；例如，A 和/或 B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请第一实施例公开了一种基于机器学习的废钢评级方法，下面结合附图对本申请第一实施例公开的一种基于机器学习的废钢评级方法进行具体说明。
图1为本申请第一实施例提供的一种基于机器学习的废钢评级方法的流程示意图，如图1所示，本申请第一实施例提供的一种基于机器学习的废钢评级方法包括：
步骤101，获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片。
本申请第一实施例提供的所述废钢评级方法主要用于在装载或卸货的过程中，通过对多张废钢图片进行处理，来判断多张废钢图片对应的多层待评级废钢的品级，装载过程中的废钢评级便于向各废钢接收方传递废钢的评级信息，卸货过程中的废钢评级则是为了方便对废钢进行分类堆放。
具体地，参见图2，为本申请第一实施例提供的装载过程中的多张废钢图片获取示意图，在装载过程中，多张废钢图片为在装卸货装置从所述废钢运输车车厢中每次装载之后，所有待评级废钢的顶面所对应的图片；参见图3，为本申请第一实施例提供的卸货过程中的多张废钢图片获取示意图，在卸货过程中，多张废钢图片包括初始图片和多张中间图片，所述初始图片为废钢运输车车厢中装载的待评级废钢的顶面所对应的图片，所述中间图片为在装卸货装置从所述废钢运输车车厢中每次卸货之后，剩余待评级废钢的顶面所对应的图片；
优选地，由于所述废钢图片的数量越多，所述待评级废钢的评级结果越准确，因此，所述废钢图片的数量大于等于五十。
步骤102，从多张废钢图片中筛选多张有效图片。
在步骤102的一种可实现方式中，所述从多张废钢图片中筛选多张有效图片，包括：
针对多张废钢图片中任意一张当前废钢图片，根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，所述当前对照集为获取时间在所述当前废钢图片之前，并且与所述当前废钢图片的获取时间最接近的预设数量的有效图片所组成的集合；
如果所述当前废钢图片的加权平均值小于预设相似度阈值，则确定所述当前废钢图片为有效图片。
可选地，所述根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，包括根据以下公式确定所述当前废钢图片的加权平均值：
其中，SSIM_W-AVGm为所述当前废钢图片的加权平均值，SSIM为所述预设结构相似性算法，m为所述预设数量，k m 为所述当前对照集中第m张有效图片的权重，set_layer_m为所述当前对照集中的预设数量的有效图片，所述pic_n为所述当前废钢图片。
具体地，参见图4，为本申请第一实施例提供的筛选多张有效图片的过程示意图，如图4中（a）所示，根据所述当前废钢图片n、当前对照集（废钢图片n-m至废钢图片n-1）以及预设结构相似性算法，确定所述当前废钢图片n的加权平均值；如图4中（b）所示，如果所述当前废钢图片n的加权平均值小于预设相似度阈值，则确定所述当前废钢图片n为有效图片，并将当前废钢图片n收入当前对照集，当前对照集中的原第一张废钢图片n-(m-1)移出当前对照集，此时的当前对照集为废钢图片n-(m-1)至废钢图片n；如图4中（c）所示，如果所述当前废钢图片n的加权平均值大于或等于预设相似度阈值，则确定所述当前废钢图片n为无效图片，并抛弃所述废钢图片n，将废钢图片n+1作为新的当前废钢图片，再重复上述步骤，直至所有废钢图片判断完成。
在第一方面的一种可实现方式中，在从多张废钢图片中筛选多张有效图片之后，将目标有效图片输入预先搭建的实例分割模型之前，所述废钢评级方法还包括：
获取有效图片的数量；
根据所述有效图片的数量，以及所述废钢图片的数量，确定有效图片的数量占比；
如果所述有效图片的数量占比小于预设有效图片数量阈值，则中止当前废钢评级，并执行预设备选评级方案。
优选地，所述预设有效图片数量阈值为60%。
优选地，所述预设备选评级方案为，安排人工继续废钢评级工作。
步骤103，将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
在步骤103的一种可实现方式中，所述实例分割模型通过以下方式搭建：
搭建所述实例分割模型的架构，所述实例分割模型的架构依次包括主干网络、区域建议网络、候选框分类器、边界框回归器和分割掩码分支；
利用已标注废钢等级的废钢图片对所述实例分割模型的架构进行训练和验证。
在步骤103的一种可实现方式中，所述将目标有效图片输入预先搭建的实例分割模型中，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，包括：
对目标有效图片进行图像分割，得到所述目标有效图片中的多个识别对象；
对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象；
对所述待预测识别对象进行分类预测，得到每个待预测识别对象所对应的废钢等级。
具体地，参见图5，为本申请第一实施例提供的目标有效图片中的多个识别对象示意图，如图5所示，所述实例分割模型对目标有效图片进行图像分割后，用描边并标号的方式标出所述目标有效图片中的多个识别对象。
具体地，参见，所述对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象，包括：
将所述目标有效图片中的多个识别对象确定为目标对象集；
将所述目标有效图片之前所有有效图片中的识别对象作为识别对象集；
根据以下公式完成对多个识别对象进行去重：
C=（A-（A∩B））+B（2）
参见图6为本申请第一实施例提供的对所述目标有效图片中的多个识别对象进行去重的示意图，其中，D表示识别对象，集合A为所述目标对象集，集合A中包括D1、D4、D7、D8、D9和D10，集合B为所述识别对象集，集合B中包括D1、D2、D3、D4、D5和D6，A∩B包括D1和D4，集合C为去重后的所述目标对象集，集合C中包括D1、D2、D3、D4、D5、D6、D7、D8、D9和D10；
将集合C中的所有识别对象确定为待预测识别对象。
具体地，参见图7，为本申请第一实施例提供的分类预测所述待预测识别对象的示意图，如图7所示，所述实例分割模型对所述待预测识别对象进行图像分割提取轮廓信息和分类预测，得到每个待预测识别对象所对应的废钢等级。
进一步地，由于待评级废钢中的非金属物质、铸铁件及镀锌件等杂质含量较高，且可能存在密闭容器及易燃易爆物等危险品，所以，在所述对所述待预测识别对象进行分类预测，得到每个待预测识别对象所对应的废钢等级的同时，还应进行危险品筛查。在进行实际的废钢评级工作时，工作人员在预设废钢等级中增设危险品等级，识别到危险品时，进行报警处理。
步骤104，根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
进一步地，所述废钢评级方法还包括：
根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，所述目标废钢等级为所述目标有效图片中识别出的所有废钢等级中任一废钢等级，所述目标识别对象的个数为一个或多个；
根据所述目标有效图片中各个目标识别对象的面积占比，以及所述目标层待评级废钢的总面积，生成所述目标层待评级废钢中与各个目标识别对象相对应的待评级废钢的实际面积。
在第一方面的一种可实现方式中，所述根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，包括：
通过以下公式确定所述目标识别对象在所述目标有效图片中的面积占比：
其中，a i 为所述目标识别对象在所述目标有效图片中的面积占比；j为废钢等级，
所述废钢等级包括规则废钢、不规则废钢和杂质，其中，规则废钢包括2mm废钢、4mm废钢、
6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块；S i
为目标废钢等级所对应的目标识别对象的像素个数；
为所述目标有效图片的像素总
数。
具体地，所述规则废钢、所述不规则废钢和所述杂质是所述废钢等级的大分类，在进行废钢评级时，应该具体到每个大分类的小类，即，最终废钢评级的等级包括2mm废钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢、大于或等于20mm废钢，破碎料，包块，以及杂质。
进一步地，参见图8，为本申请第一实施例提供的废钢总价格确定流程示意图，如图8所示，所述废钢评级方法还包括：
步骤801，获取废钢运输车及其所载货物的总重量W 1 。
步骤802，获取空载的废钢运输车的空车重量W 2 。
步骤803，根据所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比和个数，以及预设弹性网络回归模型确定废钢运输车中所载的杂质重量W 3 ；
具体地，根据以下公式确定所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比A i ：
其中，A i 为所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占
比；k为所述有效图片的数量；j为废钢等级，所述废钢等级包括规则废钢、不规则废钢和杂
质，其中，规则废钢包括2mm废钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢以及大于或等于
20mm废钢，不规则废钢包括破碎料和包块；
为所有有效图片中所述目标废钢等级所
对应的所述目标识别对象的总面积；
为所有有效图片中所有识别对象的总面积。
具体地，根据以下公式确定所有有效图片中目标废钢等级所对应的所述目标识别对象的个数Ni：
其中，Ni为所有有效图片中目标废钢等级所对应的所述目标识别对象的个数，k为所述有效图片的数量，j为废钢等级，所述废钢等级包括规则废钢、不规则废钢和杂质，其中，规则废钢包括2mm废钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块；为第k个目标废钢等级对应的所述目标识别对象的个数。
具体地，所述预设弹性网络回归模型为Eltastic Net回归模型，利用预设时间段内的历史废钢等级信息进行训练和验证。
优选地，预设时间段为一年，所述历史废钢等级信息为一年内以车为单位的废钢的历史评级数据。
参见图9，为本申请第一实施例提供的Eltastic Net回归模型的训练示意图，如图9所示，每一行代表一条历史评级数据，包括一辆废钢运输车所载的各等级废钢的面积占比和个数、杂质的面积占比和个数以及杂质重量。历史评级数据中各等级废钢的面积占比和个数、杂质的面积占比和个数是通过所述实例分割模型确定的，杂质重量是通过人工判级获得的杂质重量。
Eltastic Net回归模型的目标函数如下：
其中，
为目标函数最优的参数；
为目标函数的参数集；y i 为模型的标签，包括
人工判级获得的杂质重量；
为
的转置矩阵；x i 为输入特征，包括公式（4）得到的A i 和公
式（5）得到的N i ；
为目标函数参数
的L1正则化项的比例系数；
为目标函数参数
的
L2正则化项的比例系数；
为目标函数参数
的L1正则化项；
为目标函数参数
的L2正则化项。
利用ElasticNet弹性网络回归模型学习人工判级的扣杂经验，通过收集大量的数据，经过多轮训练，EltasticNet弹性网络回归模型线能够输出准确的整车杂质的重量。
进一步地，获取历史评级数据后，首先进行预处理，去除历史评级数据中的空值、异常值，预处理后的历史评级数据至少在一千条以上；然后将预处理后的历史评级数据转换成CSV格式，并按照7:3的比例划分成训练集和测试集，对Eltastic Net回归模型进行训练。
具体地，使用基于python的机器学习库scikit-learn对Eltastic Net回归模型进行训练，使用网格搜索（GridSearch）的策略进行调参,包括alpha、l1_ratio、max_iter。
Eltastic Net回归模型的默认参数为：ElasticNet(alpha=1.0, l1_ratio=0.5,fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=0.0001, warm_start=False, positive=False, random_state=None,selection='cyclic')。
进一步地，利用测试集对Eltastic Net回归模型进行评估，选择相关系数R2得分高的模型作为最终的Eltastic Net回归模型。R2是拟合回归效果的一个指标，R2越接近1，则拟合效果越好，说明模型学习到判级师傅的经验效果越好，模型对废钢杂质的预测越准确。
R2定义如下：
其中，
为真实值，
为真实值的均值，
为预测值，R2为相关系数。
步骤804，根据以下公式确定废钢运输车中所载的废钢净重量W 0 ：
其中，W 0 为废钢净重量，W 1 为废钢运输车及其所载货物的总重量，W 2 为空载的废钢运输车的空车重量，W 3 为杂质重量。
步骤805，根据以下公式确定各目标废钢等级中废钢的重量W i ：
其中，W i 为目标废钢等级中废钢的重量，W 0 为废钢净重量，k为所述有效图片的数
量，i、j为废钢等级，所述废钢等级包括规则废钢和不规则废钢，其中，规则废钢包括2mm废
钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎
料和包块；
为所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比，
为所有有效图片中所述目标废钢等级所对应的所述目标识别对象的总面积；
为所有有效图片中所有识别对象的总面积。
步骤806，根据以下公式确定废钢运输车中所载的废钢的总价格M：
其中，M为废钢运输车中所载的废钢的总价格，P i 为目标废钢等级中废钢的预设收购单价，W i 为目标废钢等级中废钢的重量，i为废钢等级，所述废钢等级包括规则废钢和不规则废钢，其中，规则废钢包括2mm废钢、4mm废钢、6mm废钢、8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块。
本申请第二实施例公开了一种基于机器学习的废钢评级装置，用于执行第一方面及各种可实现方式中的基于机器学习的废钢评级的方法，参见图10，为本申请第二实施例提供的一种基于机器学习的废钢评级装置的组织结构示意图，所述废钢评级装置包括：
废钢图片获取模块10，用于获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；
有效图片筛选模块20，用于从多张废钢图片中筛选多张有效图片；
有效图片评级模块30，用于将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
废钢评级获取模块40，用于根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
本申请实施例提供一种基于机器学习的废钢评级方法及装置，废钢评级方法包括获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；从多张废钢图片中筛选多张有效图片；将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。如此，根据有效图片中各个识别对象所对应的废钢等级，获取待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，对运输车车厢中装载的待评级废钢进行精准地评级，提高了废钢评级的准确性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段；说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变；本发明的范围仅由所附的权利要求来限制。
Claims (11)
1.一种基于机器学习的废钢评级方法，其特征在于，所述废钢评级方法包括：
获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；
从多张废钢图片中筛选多张有效图片；
将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
2.根据权利要求1所述的废钢评级方法，其特征在于，所述从多张废钢图片中筛选多张有效图片，包括：
针对多张废钢图片中任意一张当前废钢图片，根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，所述当前对照集为获取时间在所述当前废钢图片之前，并且与所述当前废钢图片的获取时间最接近的预设数量的有效图片所组成的集合；
如果所述当前废钢图片的加权平均值小于预设相似度阈值，则确定所述当前废钢图片为有效图片。
3.根据权利要求2所述的废钢评级方法，其特征在于，所述根据所述当前废钢图片、当前对照集以及预设结构相似性算法，确定所述当前废钢图片的加权平均值，包括根据以下公式确定所述当前废钢图片的加权平均值：
其中，SSIM_W-AVGm为所述当前废钢图片的加权平均值，SSIM为所述预设结构相似性算法，m为所述预设数量，k m 为所述当前对照集中第m张有效图片的权重，set_layer_m为所述当前对照集中的预设数量的有效图片，所述pic_n为所述当前废钢图片。
4.根据权利要求1所述的废钢评级方法，其特征在于，在从多张废钢图片中筛选多张有效图片之后，将目标有效图片输入预先搭建的实例分割模型之前，所述废钢评级方法还包括：
获取有效图片的数量；
根据所述有效图片的数量，以及所述废钢图片的数量，确定有效图片的数量占比；
如果所述有效图片的数量占比小于预设有效图片数量阈值，则中止当前废钢评级，并执行预设备选评级方案。
5.根据权利要求1所述的废钢评级方法，其特征在于，所述实例分割模型通过以下方式搭建：
搭建所述实例分割模型的架构，所述实例分割模型的架构依次包括主干网络、区域建议网络、候选框分类器、边界框回归器和分割掩码分支；
利用已标注废钢等级的废钢图片对所述实例分割模型的架构进行训练和验证。
6.根据权利要求1所述的废钢评级方法，其特征在于，所述将目标有效图片输入预先搭建的实例分割模型中，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，包括：
对目标有效图片进行图像分割，得到所述目标有效图片中的多个识别对象；
对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象；
对所述待预测识别对象进行分类预测，得到每个待预测识别对象所对应的废钢等级。
7.根据权力要求6所述的废钢评级方法，其特征在于，所述对所述目标有效图片中的多个识别对象进行去重，得到多个待预测识别对象，包括：
将所述目标有效图片中的多个识别对象确定为目标对象集；
将所述目标有效图片之前所有有效图片中的识别对象作为识别对象集；
根据以下公式完成对多个识别对象进行去重：
C=（A-（A∩B））+B
其中，集合A为所述目标对象集，集合B为所述识别对象集，集合C为去重后的所述目标对象集；
将集合C中的所有识别对象确定为待预测识别对象。
8.根据权利要求1所述的废钢评级方法，其特征在于，所述废钢评级方法还包括：
根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，所述目标废钢等级为所述目标有效图片中识别出的所有废钢等级中任一废钢等级；
根据所述目标有效图片中各个目标识别对象的面积占比，以及所述目标层待评级废钢的总面积，生成所述目标层待评级废钢中与各个目标识别对象相对应的待评级废钢的实际面积。
9.根据权利要求8所述的废钢评级方法，其特征在于，所述根据目标废钢等级所对应的目标识别对象的像素个数，以及所述目标有效图片的像素总数，确定所述目标识别对象在所述目标有效图片中的面积占比，包括：
通过以下公式确定所述目标识别对象在所述目标有效图片中的面积占比：
其中，a i 为所述目标识别对象在所述目标有效图片中的面积占比；j为废钢等级，所述废
钢等级包括规则废钢、不规则废钢和杂质，其中，规则废钢包括2mm废钢、4mm废钢、6mm废钢、
8mm废钢、10mm废钢以及大于或等于20mm废钢，不规则废钢包括破碎料和包块；S i 为目标废
钢等级所对应的目标识别对象的像素个数；
为所述目标有效图片的像素总数。
10.根据权利要求9所述的废钢评级方法，其特征在于，所述废钢评级方法还包括：
获取废钢运输车及其所载货物的总重量；
获取空载的废钢运输车的空车重量；
根据所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比和个数，以及预设弹性网络回归模型确定废钢运输车中所载的杂质重量，所述预设弹性网络回归模型为Eltastic Net回归模型，利用预设时间段内的历史废钢等级信息进行训练和验证；
根据所述总重量、所述空车重量以及所述杂质重量，确定废钢运输车中所载的废钢净重量；
根据所述废钢净重量和所有有效图片中目标废钢等级所对应的所述目标识别对象的总面积占比，确定各目标废钢等级中废钢的重量；
根据所述各目标废钢等级中废钢的重量和目标废钢等级中废钢的预设收购单价，确定废钢运输车中所载的废钢的总价格。
11.一种基于机器学习的废钢评级装置，其特征在于，所述装置用于执行如权利要求1-10任一项所述的一种基于机器学习的废钢评级的方法，所述废钢评级装置包括：
废钢图片获取模块，用于获取多张废钢图片，多张废钢图片为废钢运输车车厢中装载的多层待评级废钢对应的图片；
有效图片筛选模块，用于从多张废钢图片中筛选多张有效图片；
有效图片评级模块，用于将目标有效图片输入预先搭建的实例分割模型，得到所述目标有效图片中的多个识别对象，以及每个识别对象所对应的废钢等级，所述目标有效图片为多张有效图片中的任意一张，所述实例分割模型基于主干网络、区域建议网络、候选框分类器、边界框回归器、和分割掩码分支建立，利用已标注废钢等级的废钢图片进行训练和验证；
废钢评级获取模块，用于根据所述目标有效图片中各个识别对象所对应的废钢等级，生成目标层待评级废钢中与各个识别对象相对应的待评级废钢的评级结果，所述目标层待评级废钢为所述目标有效图片所对应的待评级废钢。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057076.2A CN114078126B (zh) | 2022-01-19 | 2022-01-19 | 一种基于机器学习的废钢评级方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210057076.2A CN114078126B (zh) | 2022-01-19 | 2022-01-19 | 一种基于机器学习的废钢评级方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114078126A true CN114078126A (zh) | 2022-02-22 |
| CN114078126B CN114078126B (zh) | 2022-04-26 |
Family
ID=80284511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210057076.2A Active CN114078126B (zh) | 2022-01-19 | 2022-01-19 | 一种基于机器学习的废钢评级方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114078126B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN115830008A (zh) * | 2023-02-06 | 2023-03-21 | 上海爱梵达云计算有限公司 | 基于图像分析比对判断废钢废弃程度分析系统 |
| CN116597364A (zh) * | 2023-03-29 | 2023-08-15 | 阿里巴巴（中国）有限公司 | 图像处理方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504373A (zh) * | 2014-12-18 | 2015-04-08 | 电子科技大学 | 一种用于fmri数据的特征选择方法 |
| CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技（深圳）有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
| CN109726765A (zh) * | 2019-01-02 | 2019-05-07 | 京东方科技集团股份有限公司 | 一种视频分类问题的样本提取方法及装置 |
| 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 |
| CN111507179A (zh) * | 2020-03-04 | 2020-08-07 | 杭州电子科技大学 | 一种生猪采食行为分析方法 |
| CN112256526A (zh) * | 2020-10-14 | 2021-01-22 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
| CN112419239A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的线上翡翠评级方法 |
| CN112602089A (zh) * | 2018-08-17 | 2021-04-02 | 3M创新有限公司 | 用于机器辨识的路径制品中的结构化纹理嵌入 |
| CN113077450A (zh) * | 2021-04-12 | 2021-07-06 | 大连大学 | 基于深度卷积神经网络的樱桃分级检测方法及系统 |
| CN113269795A (zh) * | 2021-06-03 | 2021-08-17 | 南京耘瞳科技有限公司 | 一种基于废钢车厢区域的识别方法 |
| CN113556442A (zh) * | 2020-04-23 | 2021-10-26 | 北京金山云网络技术有限公司 | 视频去噪方法、装置、电子设备及计算机可读存储介质 |
| CN113743210A (zh) * | 2021-07-30 | 2021-12-03 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法和废钢等级的识别方法 |
| CN113837073A (zh) * | 2021-09-22 | 2021-12-24 | 广西大学 | 一种基于卷积神经网络的核桃虫害识别系统及检测方法 |
-
2022
- 2022-01-19 CN CN202210057076.2A patent/CN114078126B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504373A (zh) * | 2014-12-18 | 2015-04-08 | 电子科技大学 | 一种用于fmri数据的特征选择方法 |
| CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技（深圳）有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
| CN112602089A (zh) * | 2018-08-17 | 2021-04-02 | 3M创新有限公司 | 用于机器辨识的路径制品中的结构化纹理嵌入 |
| CN109726765A (zh) * | 2019-01-02 | 2019-05-07 | 京东方科技集团股份有限公司 | 一种视频分类问题的样本提取方法及装置 |
| 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 |
| CN111507179A (zh) * | 2020-03-04 | 2020-08-07 | 杭州电子科技大学 | 一种生猪采食行为分析方法 |
| CN113556442A (zh) * | 2020-04-23 | 2021-10-26 | 北京金山云网络技术有限公司 | 视频去噪方法、装置、电子设备及计算机可读存储介质 |
| CN112256526A (zh) * | 2020-10-14 | 2021-01-22 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
| CN112419239A (zh) * | 2020-11-03 | 2021-02-26 | 深圳市对庄科技有限公司 | 基于深度学习的线上翡翠评级方法 |
| CN113077450A (zh) * | 2021-04-12 | 2021-07-06 | 大连大学 | 基于深度卷积神经网络的樱桃分级检测方法及系统 |
| CN113269795A (zh) * | 2021-06-03 | 2021-08-17 | 南京耘瞳科技有限公司 | 一种基于废钢车厢区域的识别方法 |
| CN113743210A (zh) * | 2021-07-30 | 2021-12-03 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法和废钢等级的识别方法 |
| CN113837073A (zh) * | 2021-09-22 | 2021-12-24 | 广西大学 | 一种基于卷积神经网络的核桃虫害识别系统及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI C等: "A new image fusion quality assessment method based on contourlet and SSIM", 《2010 3RD INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND INFORMATION TECHNOLOGY》 * |
| 孙凉艳: "基于神经网络的废钢自动判级实现", 《中国信息化》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114549940B (zh) * | 2022-04-27 | 2022-09-09 | 阿里巴巴（中国）有限公司 | 图像处理方法 |
| 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 |
| CN115830008A (zh) * | 2023-02-06 | 2023-03-21 | 上海爱梵达云计算有限公司 | 基于图像分析比对判断废钢废弃程度分析系统 |
| CN116597364A (zh) * | 2023-03-29 | 2023-08-15 | 阿里巴巴（中国）有限公司 | 图像处理方法及装置 |
| CN116597364B (zh) * | 2023-03-29 | 2024-03-29 | 阿里巴巴（中国）有限公司 | 图像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114078126B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114078126B (zh) | 一种基于机器学习的废钢评级方法及装置 | |
| US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
| WO2020124247A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
| CN108885700A (zh) | 数据集半自动标记 | |
| CN112801391A (zh) | 一种人工智能废钢扣杂评级方法及系统 | |
| CN110766039B (zh) | 渣土车运输状态识别方法、介质、设备及渣土车 | |
| CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| US11410287B2 (en) | System and method for artificial intelligence based determination of damage to physical structures | |
| CN112881412B (zh) | 一种废钢产品中非金属异物检测方法 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN113177605A (zh) | 一种基于视频监控的废钢车厢等级判定方法 | |
| CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
| Wu et al. | Research on approaches for computer aided detection of casting defects in X-ray images with feature engineering and machine learning | |
| CN115131738A (zh) | 输送机传送带撕裂预警方法与装置 | |
| US20230316489A1 (en) | Scrap discrimination system and scrap discrimination method | |
| CN112419278B (zh) | 一种基于深度学习的实木地板分类方法 | |
| CN113869433A (zh) | 一种对混凝土损伤进行快速检测和分类的深度学习方法 | |
| CN115359306B (zh) | 一种铁路货检高清图像智能识别方法和系统 | |
| CN114445767B (zh) | 一种传输带传输异物检测方法及系统 | |
| JP7311455B2 (ja) | スクラップ等級判定システム、スクラップ等級判定方法、推定装置、学習装置、学習済みモデルの生成方法、及びプログラム | |
| CN116597364B (zh) | 图像处理方法及装置 | |
| Chen et al. | Deep learning for hot rolled steel surface rust defects detection | |
| CN112257493B (zh) | 物品异常分拣的识别方法、装置、设备及存储介质 | |
| CN114549940B (zh) | 图像处理方法 | |
| Aravapalli | An automatic inspection approach for remanufacturing components using object detection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |