CN117671458B - 自动识别块状残极的块状残极检测模型构建方法及应用 - Google Patents
自动识别块状残极的块状残极检测模型构建方法及应用 Download PDFInfo
- Publication number
- CN117671458B CN117671458B CN202311762800.2A CN202311762800A CN117671458B CN 117671458 B CN117671458 B CN 117671458B CN 202311762800 A CN202311762800 A CN 202311762800A CN 117671458 B CN117671458 B CN 117671458B
- Authority
- CN
- China
- Prior art keywords
- anode scrap
- block
- anode
- push rod
- carbon
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000010276 construction Methods 0.000 title claims abstract description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 110
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 16
- 239000003792 electrolyte Substances 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000670 limiting effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005282 brightening Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 229910052782 aluminium Inorganic materials 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000005868 electrolysis reaction Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本申请实施例公开了一种自动识别块状残极的块状残极检测模型构建方法及应用,其中自动识别块状残极的块状残极检测模型构建方法包括:步骤1)采集传送带上包括残极炭块的图像,得到样本数据集;步骤2)对所述样本数据集进行预处理;步骤3)基于预处理后的样本数据集,利用图像标注工具对其图像中的残极炭块进行定位和分类标注,利用得到的标注文件及原始样本数据集构成模型训练所需的残极炭块定位和分类数据集;步骤4)在原始yolov5网络模型的特征融合网络中增加小目标检测层,得到改进yolov5网络模型;步骤5)利用所述残极炭块定位和分类数据集对改进yolov5网络模型进行训练,得到所述块状残极检测模型。
Description
技术领域
本申请涉及残极炭块检测技术领域,具体涉及一种自动识别块状残极的块状残极检测模型构建方法及应用。
背景技术
电解铝是指通过电解的方式提取铝金属的过程。在这个过程中,阳极炭块是一个重要的组成部分,其作用是提供电流和导电功能。然而,在长时间的电解过程中,阳极炭块会逐渐被消耗,形成残极。电解铝阳极炭块残极是电解铝生产过程中的一个不可避免的问题它会降低电解效率,增加操作难度,影响铝金属质量。通过定期更换阳极炭块、优化工艺参数和合理处理残极,可以有效减少残极的生成,提高电解效率和铝金属质量。这对于电解铝工业的可持续发展具有重要意义。
残极经过破碎、筛分,分成不同的粒度,在阳极炭块或阳极糊生产配料时,作为一种骨料加入,残极也可用作冶炼燃料,将残极作为一种生产炭素产品的原料,在一定程度上能提高炭素产品的质量。在电解铝生产过程中,目前行业对阳极残极炭块清理过程中未将掉落阳极托盘中的块状残极炭块进行识别以便于进行挑拣,致使阳极托盘中的块状残极炭块随电解质结壳块直接进入破碎系统,块状残极经破碎系统破碎后随破碎料进入电解槽中。由此,一方面直接造成残极销量减少,另一方面间接造成电解槽生产过程炭渣增多,残极还会增加阳极炭块与电解槽之间的接触电阻,进一步降低电解效率。
因此,需要一种能够自动识别块状残极炭块以便于进行分拣的方案。
发明内容
本申请的目的在于提供一种自动识别块状残极的块状残极检测模型构建方法及应用,用以解决现有技术中的对阳极残极炭块清理过程中未将掉落阳极托盘中的块状残极炭块进行识别以便于挑拣,致使阳极托盘中的块状残极炭块随电解质结壳块直接进入破碎系统,块状残极经破碎系统破碎后随破碎料进入电解槽中,一方面直接造成残极销量减少,另一方面间接造成电解槽生产过程炭渣增多,残极还会增加阳极炭块与电解槽之间的接触电阻,会进一步降低电解槽电流效率的问题。
为实现上述目的,本申请实施例提供一种自动识别块状残极的块状残极检测模型构建方法,包括以下步骤:步骤1)采集传送带上包括残极炭块的图像,得到样本数据集;
步骤2)对所述样本数据集进行预处理;
步骤3)基于预处理后的样本数据集,利用图像标注工具对其图像中的残极炭块进行定位和分类标注,利用得到的标注文件及原始样本数据集构成模型训练所需的残极炭块定位和分类数据集;
步骤4)在原始yolov5网络模型的特征融合网络中增加小目标检测层,得到改进yolov5网络模型;
步骤5)利用所述残极炭块定位和分类数据集对改进yolov5网络模型进行训练,得到所述块状残极检测模型。
可选地,在所述步骤2)中,所述预处理具体包括:
采用直方图均衡算法对所述样本数据集中的图像进行提亮处理,再用引导滤波去除噪声影响。
可选地,在所述步骤3)中,所述利用图像标注工具对其图像中的残极炭块进行定位和分类标注,具体包括:
将灰度值为180-255的白色区域,以及灰度值为100-180的灰色区域识别为电解质结壳块,将灰度值为0-100的黑灰色区域识别定位为残极炭块;
采用LableImg进行图像标注,将样本数据集图像中的残极炭块分类标注为大、中、小块形状。
可选地,在所述步骤4)中,还包括:
将所述残极炭块定位和分类数据集中的残极炭块表面图像按照3*3切割成9个小图进行重新标记,以获得小目标特征图并对所述小目标检测层进行训练。
可选地,所述切割成9个小图进行重新标记,具体包括:
切割时在两个相邻小图之间设置overlap重叠区域;将小图跑模型推理,得到推理结果;对所述推理结果中boxes位置进行坐标转换,转换为对应于原残极炭块表面图像中的位置;把各个小图推理结果用torch.cat进行合并;使用nms非极大值抑制过滤掉重复的框。
为实现上述目的,本申请还提供一种智能控制自动识别块状残极多级分拣系统,包括:
皮带输送机构、图像采集装置、块状残极检测系统、块状残极分拣装置、分拣箱,其中,
所述皮带输送机构包括传送带和驱动电机,皮带输送机构的上方安装有残极推杆固定支架;
所述图像采集装置包括多台摄像机,安装在所述残极推杆固定支架上,且分别位于皮带输送机构的上方和/或两侧,朝向所述传送带;
所述块状残极检测系统与所述图像采集装置通信连接,块状残极检测系统采用上述任一项所述的自动识别块状残极的块状残极检测模型构建方法所构建的块状残极检测模型,根据所述传送带上方多个面的图像进行视觉检测,判断并定位残极炭块位置;
所述块状残极分拣装置包括残极推杆,所述残极推杆的上端与残极推杆固定支架转动连接,根据块状残极检测系统识别出的残极炭块位置和分类,控制对应的残极推杆推动须分拣的残极炭块到所述分拣箱内。
可选地,所述块状残极检测系统定位残极炭块位置的方法为:当块状残极检测系统识别到残留残极炭块后,通过转换图像区域与物理区域,获得图像中残留残极炭块的物理坐标。
可选地,所述块状残极分拣装置还包括:
推杆铲,所述推杆铲连接在所述残极推杆的下端;
气缸和气动阀门,所述气缸设置在所述残极推杆固定支架上,且位于所述皮带输送机构的一侧,气缸的伸缩杆与残极推杆的中部连接,所述气动阀门与气缸连接,用于控制气缸伸缩杆的伸缩;
残极推杆固定支架还包括:限位横梁,所述限位横梁的中部设有沿长度方向延伸的通孔,所述残极推杆穿过所述通孔,所述气缸的伸缩杆的延伸方向与所述通孔的长度方向平行,所述通孔的长度方向指向所述分拣箱;
所述分拣箱位于所述传送带的一侧下方,且与所述气缸的伸缩杆相对设置。
可选地,所述块状残极分拣装置有多套,沿着所述传送带的长度方向依次设置,每套的块状残极分拣装置的所述推杆铲的大小不同。
本申请实施例具有如下优点:
本申请实施例提供一种自动识别块状残极的块状残极检测模型构建方法,包括:步骤1)采集传送带上包括残极炭块的图像,得到样本数据集;步骤2)对所述样本数据集进行预处理;步骤3)基于预处理后的样本数据集,利用图像标注工具对其图像中的残极炭块进行定位和分类标注,利用得到的标注文件及原始样本数据集构成模型训练所需的残极炭块定位和分类数据集;步骤4)在原始yolov5网络模型的特征融合网络中增加小目标检测层,得到改进yolov5网络模型;步骤5)利用所述残极炭块定位和分类数据集对改进yolov5网络模型进行训练,得到所述块状残极检测模型。
通过上述方法,采用改进的yolov5网络模型可以实现对传送带上包括电解质结壳块和残极炭块的物料中的残极炭块进行检测和定位,并进行分类,便于进行挑拣,可以将该方法应用于智能控制自动识别块状残极多级分拣系统中,从而解决了现有技术中的对阳极残极炭块清理过程中未将掉落阳极托盘中的块状残极炭块进行识别以便于挑拣,致使阳极托盘中的块状残极炭块随电解质结壳块直接进入破碎系统,块状残极经破碎系统破碎后随破碎料进入电解槽中,一方面直接造成残极销量减少,另一方面间接造成电解槽生产过程炭渣增多,残极还会增加阳极炭块与电解槽之间的接触电阻,会进一步降低电解槽电流效率的问题。
进一步,本申请提供的一种智能控制自动识别块状残极多级分拣系统,通过块状残极检测系统对皮带输送机构上的检块状残极自动传输并进行视觉检测,在经过残极分拣装置自动推动分拣,实现了块状残极从视觉检测到分拣过程的自动化过程,对块状残极进行回收,这样既可以减少资源的浪费,又可以降低生产成本。
进一步,本申请提供的一种智能控制自动识别块状残极多级分拣系统,采用图像采集装置(摄像机)和块状残极检测系统对块状残极多个面进行大小形状检测,取代传统人工观察,具有检测快速、准确和可持续性等优点,减少了人工成本。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中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示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种自动识别块状残极的块状残极检测模型构建方法的流程图;
图2为本申请实施例提供的一种智能控制自动识别块状残极多级分拣系统的结构图。
图中,1-皮带输送机构、2-图像采集装置、3-块状残极检测系统、4-块状残极分拣装置、5-分拣箱、6-残极推杆固定支架、41-残极推杆、42-推杆铲、43-气缸、61-限位横梁。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效,显然,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
除非另有明确的规定和限定,术语“设置”“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
此外,下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请一实施例提供一种自动识别块状残极的块状残极检测模型构建方法,参考图1,图1为本申请的一实施方式中提供的一种自动识别块状残极的块状残极检测模型构建方法的流程图,应当理解的是,该方法还可以包括未示出的附加框和/或可以省略所示出的框,本申请的范围在此方面不受限制。
在步骤1)处,采集传送带上包括残极炭块的图像,得到样本数据集。
在步骤2)处,对所述样本数据集进行预处理。
具体地,有色金属冶炼领域中,环境复杂,图像采集带来的噪声更多,采集后的图像对识别工作造成了不小的挑战。厂区采集图像主要不利因素包括光线暗,噪声多。因此在一些实施例中,在模型训练前,采用了直方图均衡算法对样本数据集中的图像进行提亮处理,再用引导滤波去除噪声影响,保持细节。
在步骤3)处,基于预处理后的样本数据集,利用图像标注工具对其图像中的残极炭块进行定位和分类标注,利用得到的标注文件及原始样本数据集构成模型训练所需的残极炭块定位和分类数据集。
具体地,在一些实施例中,采用LableImg进行图像标注,将样本数据集图像中的残极炭块分类标注为大、中、小块形状。在生产中,残极炭块在通过甩链清理后已去除大部分,留下残极炭块的分为大、中、小块,大块的大小直径为10cm-15cm范围内,中块为5cm-10cm,小块为0cm-5cm,据此进行标记分类后,便于后续的残极推杆41清理,例如使用所连接的不同大小的推杆铲42分拣不同大小的残极炭块。由于残极炭块大小表现形式为颜色(黑褐色),因此识别的电解质结壳块为白色和灰色,在一些实施例中,将灰度值为180-255的白色区域,以及灰度值为100-180的灰色区域识别为电解质结壳块,将灰度值为0-100的黑灰色区域识别定位为残极炭块。
在步骤4)处,在原始yolov5网络模型的特征融合网络中增加小目标检测层,用于识别小范围内图像特征,得到改进yolov5网络模型。
具体地,Yolov5中通过5次下采样,输出的特征图大小为20*20,40*40,80*80,其中80*80的特征图对应到640*640的原始图像中,对应的感受野大小为640/80=8*8。训练很难得到小目标特征图。因此在原有yolov5训练模型中增加小目标检测层,需要将残极炭块表面图像切割成3*3,9个小图进行重新标记,以获得小目标特征图并对小目标检测层进行训练。
在一些实施例中,切割时在两个相邻小图之间设置overlap重叠区域;将小图跑模型推理,得到推理结果pred;对pred的结果中boxes位置进行坐标转换,转换为对应于原残极炭块表面图像中的位置;把各个小图推理的结果用torch.cat来进行合并;使用nms非极大值抑制过滤掉重复的框。从而既可以得到小目标特征图,又不会重复、或者遗漏裁剪处小目标的检测。
此外,在实际项目中,由于采集的图像长宽比不同,YOLOv5通过缩放和填充的方式将图片大小修改为必要尺寸。然而,这种方法可能会导致填充过多,产生信息冗余,进而造成数据污染。为了解决这个问题,在一些实施例中,可以采用自适应图缩放的方法,对letterbox函数进行修改,对标注图像进行自适应添加黑边。这样可以使图像处理更加准确和有效,减少数据污染的可能性。
在步骤5)处,利用所述残极炭块定位和分类数据集对改进yolov5网络模型进行训练,得到所述块状残极检测模型。
通过上述方法,采用改进的yolov5网络模型可以实现对传送带上包括电解质结壳块和残极炭块的物料中的残极炭块进行检测和定位,并进行分类,便于进行挑拣,可以将该方法应用于智能控制自动识别块状残极多级分拣系统中,从而解决了现有技术中的对阳极残极炭块清理过程中未将掉落阳极托盘中的块状残极炭块进行识别以便于挑拣,致使阳极托盘中的块状残极炭块随电解质结壳块直接进入破碎系统,块状残极经破碎系统破碎后随破碎料进入电解槽中,一方面直接造成残极销量减少,另一方面间接造成电解槽生产过程炭渣增多,残极还会增加阳极炭块与电解槽之间的接触电阻,会进一步降低电解槽电流效率的问题。
图2为本申请实施例提供的一种智能控制自动识别块状残极多级分拣系统的结构图。该系统包括:皮带输送机构1、图像采集装置2、块状残极检测系统3、块状残极分拣装置4和分拣箱5。
皮带输送机构1包括传送带和驱动电机,皮带输送机构1的上方安装有残极推杆固定支架6。
具体地,皮带输送机构1用于输送块状残极及电解质结壳块,具体而言,可通过皮带输送机构1的传送带将电解质结壳块及残极炭块向块状残极分拣装置4方向运输,皮带输送机构1不断带动其向前移动,以通过块状残极分拣装置4将其中的残极炭块分拣到分拣箱5内。
图像采集装置2包括多台摄像机,安装在所述残极推杆固定支架6上,且分别位于皮带输送机构1的上方或两侧,朝向传送带,可采集所述传送带上方多个面的图像。
块状残极检测系统3与图像采集装置2通信连接,图像采集装置2可将采集的图像传输给块状残极检测系统3,由块状残极检测系统3识别和定位残极炭块位置。
具体地,块状残极检测系统采用前述自动识别块状残极的块状残极检测模型构建方法实施例中所述的自动识别块状残极的块状残极检测模型构建方法所构建的块状残极检测模型,根据所述传送带上方多个面的图像进行视觉检测,判断并定位残极炭块位置。具体实现方法参考前述方法实施例,此处不再赘述。
在一些实施例中,块状残极检测系统3定位残极炭块位置的方法为,当块状残极检测系统3识别到残留残极炭块后,通过转换图像区域与物理区域,获得图像中残留残极炭块的物理坐标(中心点的坐标)。
块状残极分拣装置4包括残极推杆41,残极推杆41的上端与残极推杆固定支架6转动连接,根据块状残极检测系统3识别出的残极炭块位置和分类,控制对应的残极推杆41对残极炭块进行依次分拣,具体分拣方式为推动须分拣的残极炭块到所述分拣箱5内。
在一些实施例中,块状残极分拣装置4还包括:
推杆铲42,所述推杆铲连接在所述残极推杆的下端。
在一些实施例中,块状残极分拣装置4还包括:
气缸43和气动阀门,所述气缸设置在残极推杆固定支架6上,且位于所述皮带输送机构1的一侧,气缸的伸缩杆与残极推杆的中部连接,所述气动阀门与气缸连接,用于控制气缸伸缩杆的伸缩。
在一些实施例中,残极推杆固定支架6还包括:限位横梁61,所述限位横梁61的中部设有沿长度方向延伸的通孔,所述残极推杆穿过所述通孔,所述气缸的伸缩杆的延伸方向与所述通孔的长度方向平行,所述通孔的长度方向指向所述分拣箱5。
在一些实施例中,所述分拣箱5位于所述传送带的一侧下方,且与所述气缸的伸缩杆相对设置。
在一些实施例中,所述块状残极分拣装置4有多套,沿着所述传送带的长度方向依次设置,每套的块状残极分拣装置4的推杆铲42的大小不同,以便于推动须分拣的不同大小的残极炭块。
上述智能控制自动识别块状残极多级分拣系统的工作原理如下:
通过皮带输送机将分拣后电解质结壳块及残极炭块运输至皮带输送机构1的上部,皮带输送机构1不断带动其向前移动。
图像采集装置2采集传送带上输送的物料的图像,并传输给块状残极检测系统3,由其识别出残极炭块位置和分类。
当皮带输送机构1将残极炭块输送至块状残极分拣装置4工位处时,在确定残极炭块位置同时,块状残极分拣装置4根据块状残极检测系统3传递的电信号打开气缸43的气动阀门,同时气缸伸缩杆推动残极推杆41,使残极推杆41下端的推杆铲42将残极炭块铲出皮带进入下料口后滑落至分拣箱5内。
此外,根据块状残极检测系统3识别出的残极炭块的位置和大小分类,控制连接有不同大小推杆铲42的残极推杆41对出现在传送带上不同分类的残极炭块进行依次分拣。
综上,本申请提供的一种智能控制自动识别块状残极多级分拣系统,通过块状残极检测系统对皮带输送机构上的检块状残极自动传输并进行视觉检测,在经过残极分拣装置自动推动分拣,实现了块状残极从视觉检测到分拣过程的自动化过程,对块状残极进行回收,这样既可以减少资源的浪费,又可以降低生产成本。
进一步,本申请提供的一种智能控制自动识别块状残极多级分拣系统,采用图像采集装置(摄像机)和块状残极检测系统对块状残极多个面进行大小形状检测,取代传统人工观察,具有检测快速、准确和可持续性等优点,减少了人工成本。
本申请可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然,上文中已经用一般性说明及具体实施例对本申请作了详尽的描述,但在本申请基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本申请精神的基础上所做的这些修改或改进,均属于本申请要求保护的范围。
Claims (7)
1.一种自动识别块状残极的块状残极检测模型构建方法,其特征在于,包括以下步骤:
步骤1)采集传送带上包括残极炭块的图像,得到样本数据集;
步骤2)对所述样本数据集进行预处理;
步骤3)基于预处理后的样本数据集,利用图像标注工具对其图像中的残极炭块进行定位和分类标注,利用得到的标注文件及原始样本数据集构成模型训练所需的残极炭块定位和分类数据集;
步骤4)在原始yolov5网络模型的特征融合网络中增加小目标检测层,得到改进yolov5网络模型,具体包括:将灰度值为180-255的白色区域,以及灰度值为100-180的灰色区域识别为电解质结壳块,将灰度值为0-100的黑灰色区域识别定位为残极炭块,
采用LableImg进行图像标注,将样本数据集图像中的残极炭块分类标注为大、中、小块形状,
将所述残极炭块定位和分类数据集中的残极炭块表面图像按照3*3切割成9个小图进行重新标记,以获得小目标特征图并对所述小目标检测层进行训练,所述切割成9个小图进行重新标记,具体包括:
切割时在两个相邻小图之间设置overlap重叠区域;将小图跑模型推理,得到推理结果;对所述推理结果中boxes位置进行坐标转换,转换为对应于原残极炭块表面图像中的位置;把各个小图推理结果用 torch .cat 进行合并;使用nms非极大值抑制过滤掉重复的框;
步骤5)利用所述残极炭块定位和分类数据集对改进yolov5网络模型进行训练,得到所述块状残极检测模型。
2.根据权利要求1所述的自动识别块状残极的块状残极检测模型构建方法,其特征在于,在所述步骤2)中,所述预处理具体包括:
采用直方图均衡算法对所述样本数据集中的图像进行提亮处理,再用引导滤波去除噪声影响。
3.一种智能控制自动识别块状残极多级分拣系统,其特征在于,包括:皮带输送机构、图像采集装置、块状残极检测系统、块状残极分拣装置、分拣箱,其中,
所述皮带输送机构包括传送带和驱动电机,皮带输送机构的上方安装有残极推杆固定支架;
所述图像采集装置包括多台摄像机,安装在所述残极推杆固定支架上,且分别位于皮带输送机构的上方和/或两侧,朝向所述传送带;
所述块状残极检测系统与所述图像采集装置通信连接,块状残极检测系统采用权利要求1至2任一项所述的自动识别块状残极的块状残极检测模型构建方法所构建的块状残极检测模型,根据所述传送带上方多个面的图像进行视觉检测,判断并定位残极炭块位置;
所述块状残极分拣装置包括残极推杆,所述残极推杆的上端与残极推杆固定支架转动连接,根据块状残极检测系统识别出的残极炭块位置和分类,控制对应的残极推杆推动分拣的残极炭块到所述分拣箱内。
4.根据权利要求3所述的智能控制自动识别块状残极多级分拣系统,其特征在于,
所述块状残极检测系统定位残极炭块位置的方法为:当块状残极检测系统识别到残留残极炭块后,通过转换图像区域与物理区域,获得图像中残留残极炭块的物理坐标。
5.根据权利要求3所述的智能控制自动识别块状残极多级分拣系统,其特征在于,所述块状残极分拣装置还包括:
推杆铲,所述推杆铲连接在所述残极推杆的下端;
气缸和气动阀门,所述气缸设置在所述残极推杆固定支架上,且位于所述皮带输送机构的一侧,气缸的伸缩杆与残极推杆的中部连接,所述气动阀门与气缸连接,用于控制气缸伸缩杆的伸缩;
残极推杆固定支架还包括:限位横梁,所述限位横梁的中部设有沿长度方向延伸的通孔,所述残极推杆穿过所述通孔,所述气缸的伸缩杆的延伸方向与所述通孔的长度方向平行,所述通孔的长度方向指向所述分拣箱;
所述分拣箱位于所述传送带的一侧下方,且与所述气缸的伸缩杆相对设置。
6.根据权利要求5所述的智能控制自动识别块状残极多级分拣系统,其特征在于,
所述块状残极分拣装置有多套,沿着所述传送带的长度方向依次设置,每套的块状残极分拣装置的所述推杆铲的大小不同。
7.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被机器执行时实现如权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311762800.2A CN117671458B (zh) | 2023-12-20 | 2023-12-20 | 自动识别块状残极的块状残极检测模型构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311762800.2A CN117671458B (zh) | 2023-12-20 | 2023-12-20 | 自动识别块状残极的块状残极检测模型构建方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671458A CN117671458A (zh) | 2024-03-08 |
CN117671458B true CN117671458B (zh) | 2024-06-14 |
Family
ID=90076986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311762800.2A Active CN117671458B (zh) | 2023-12-20 | 2023-12-20 | 自动识别块状残极的块状残极检测模型构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671458B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626208B (zh) * | 2020-05-27 | 2023-06-13 | 阿波罗智联(北京)科技有限公司 | 用于检测小目标的方法和装置 |
CN112270347B (zh) * | 2020-10-20 | 2024-07-02 | 南京中自启智科技有限公司 | 一种基于改进ssd的医疗废弃物分类检测方法 |
CN116543425A (zh) * | 2022-01-24 | 2023-08-04 | 广州麦仑信息科技有限公司 | 基于YOLOv4的手掌检测方法、装置、计算机设备及存储介质 |
CN114445706A (zh) * | 2022-01-25 | 2022-05-06 | 南京工程学院 | 一种基于特征融合的输电线路目标检测与识别方法 |
CN216889675U (zh) * | 2022-03-25 | 2022-07-05 | 云南神火铝业有限公司 | 一种铝电解残极更换用平衡叉 |
CN115439693A (zh) * | 2022-07-29 | 2022-12-06 | 中国科学院空天信息创新研究院 | 目标识别网络模型的训练方法、电子设备及程序产品 |
CN115908447A (zh) * | 2022-09-21 | 2023-04-04 | 章鱼博士智能技术(上海)有限公司 | 一种基于Yolov5算法分割极片待检测区域的方法 |
CN115471794A (zh) * | 2022-10-18 | 2022-12-13 | 陕西欧拉数学研究院有限公司 | 一种基于YOLOv5的智能电厂小目标检测方法及系统 |
CN115901795A (zh) * | 2022-11-16 | 2023-04-04 | 贵阳振兴铝镁科技产业发展有限公司 | 一种自动化在线电解残极炭块缺陷检测和修复处理系统 |
CN115830018B (zh) * | 2023-02-14 | 2023-05-09 | 山东科技大学 | 基于深度学习与双目视觉的碳素块检测方法及系统 |
CN116597438A (zh) * | 2023-03-29 | 2023-08-15 | 江苏天策机器人科技有限公司 | 一种基于Yolov5的改进型水果识别方法及识别系统 |
CN116542932A (zh) * | 2023-05-08 | 2023-08-04 | 江苏大学 | 一种基于改进的YOLOv5s的注塑件表面缺陷检测方法 |
-
2023
- 2023-12-20 CN CN202311762800.2A patent/CN117671458B/zh active Active
Non-Patent Citations (2)
Title |
---|
Zhang R 等.A Small Target Defect Detection Algorithm for Wind Turbine Blades Based on Improved YOLOv5.《Advanced Theory and Simulations》.2022,DOI:10.10 02/adts.202100631.. * |
胡臣辰 ; 陈贤富 ; .基于YOLO改进残差网络结构的车辆检测方法.信息技术与网络安全.2020,(第09期),第60-64页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117671458A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
Diaz-Romero et al. | Deep learning computer vision for the separation of Cast-and Wrought-Aluminum scrap | |
CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统 | |
CN111161292A (zh) | 一种矿石尺度测量方法及应用系统 | |
CN113159061B (zh) | 一种基于实例分割的实际隧道围岩碴片识别方法 | |
CN113674206B (zh) | 一种适用于深熔k-tig焊熔池和锁孔入口特征参数的提取方法 | |
CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
CN112183639B (zh) | 一种矿物图像识别与分类方法 | |
CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
US11748865B2 (en) | Hierarchical image decomposition for defect detection | |
CN114029237A (zh) | 一种铝型材表面缺陷实时分拣系统及方法 | |
CN112733882A (zh) | 基于深度学习的气缸套表面缺陷检测方法及系统和设备 | |
CN115829965A (zh) | 一种基于深度学习的x射线图像中气孔缺陷的检测方法 | |
CN117671458B (zh) | 自动识别块状残极的块状残极检测模型构建方法及应用 | |
CN112508935A (zh) | 基于深度学习的产品包装检测方法及系统和产品包装分拣系统 | |
CN114140380A (zh) | 一种基于图像视觉与电磁波融合的带式输送机异物识别方法 | |
CN115901795A (zh) | 一种自动化在线电解残极炭块缺陷检测和修复处理系统 | |
CN117680382A (zh) | 智能控制自动识别块状残极多级分拣系统 | |
CN116152606A (zh) | 样本生成方法、目标检测模型训练、目标检测方法及系统 | |
CN112101125A (zh) | 一种快递货物堆积程度的检测方法及装置 | |
CN107833222B (zh) | 一种非金属零件多余物检测装置及方法 | |
CN112734742B (zh) | 用于提高工业质检准确率的方法和系统 | |
CN214865320U (zh) | 一种质控流程卡自动检测回收装置 |
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 |