一种基于深度学习的钢铁厂中炉门检测方法及系统

技术领域

本发明属于机器视觉技术领域，具体的说是一种基于深度学习的钢铁厂中炉门检测方法及系统。

背景技术

随着大数据时代的到来以及GPU算力的不断增强，深度学习在计算机视觉各领域中逐渐展露其优势,尤其是目标检测任务。从21014年开始,基于深度学习的目标检测网络呈现井喷式爆发，先是二阶段的网络，如RCMN、Fast RCNN、MaskRCNN.等，自2016年 yolov1提出以来,开启了更轻更快的单阶段目标检测网络的新纪元，2020年，YOLOv5问世，以Y高140FPS的检测速度震惊世人，使其成为实时条件和移动部署环境上的理想候选者。

为了更好地提取检测目标的特征，许多优秀的卷积神经网络被应用于Backbone中，如VGG、ResNet 等，但这些网络训练和预测的代价太大，用于YOLO网络的特征提取会使其失去实时性，无法满足工业应用的要求。随着移动端部署的需求不断增强和模型应用场景的多样化发展,许多轻量化深度神经网络应运而生。MobileNet的基本单元是深度可分离卷积，把标准卷积拆分为深度卷积和点卷积，用较少的计算量获得了几乎无损的精度。ShuffleNet在此基础上，利用组卷积和通道混洗来进一步减少模型参数量。目前针对特定领域，对YOLOv5进行了轻量化改进，但几种模型均没有对一般数据集，如COCO、 PASCAL VOC等进行性能验证。同时，在实际工业应用中，发现YOLOv5s对边界框的回归不够精准，使用更深的YOLOv5m、YOLOv5l等又会受到硬件的制约，均难以满足对实时性和目标框回归准确率要求都很高的场景。

综上所述，目前针对特定领域、特定环境的目标检测方法仍存在一定的改进空间，如针对钢铁厂炉房内可视条件差、成像模糊、目标相互遮挡等缺陷无法进行较好的检测。

发明内容

为了弥补现有技术的不足，解决上述的技术问题；本发明提出了种基于深度学习的钢铁厂中炉门检测方法及系统。

一种基于深度学习的钢铁厂中炉门检测方法，所述方法应用于一种基于深度学习的钢铁厂中炉门检测系统，其特征在于：所述方法包括：

获取炉门的实时图像信息；

将炉门关闭后的实时图像信息输入训练模型进行训练，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述炉门关闭后的实时图像信息和预评价标准；

根据所述炉门关闭后的实时图像信息和预评价标准获得综合评价图像信息。

可选的，所述炉门的实时图像信息包括炉门关闭后的实时图像信息，具体包括如下步骤：

获取炉门的实时视频录像；

对所述炉门的实时视频录像进行截取，获得炉门关闭后的实时图像信息。

可选的，所述炉门关闭后的实时图像信息和预评价标准包括：

获得预评价标准；

将所述预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练。

一种基于深度学习的钢铁厂中炉门检测系统，所述系统包括：

第一获取单元，所述第一获取单元用于获取炉门的实时图像信息；

训练单元，所述训练模块用于将炉门关闭后的实时图像信息输入训练模型进行训练；

输出单元，所述输出单元用于输出综合评价图像信息。

可选的，所述第一获取单元包括：

视频获取模块，所述视频获取模块用于获取炉门的实时视频录像；

截取模块，所述截图单元用于对所述炉门的实时视频录像进行截取，获得炉门关闭后的实时图像信息。

可选的，所述训练单元包括：

获取模块，所述获取模块用于获得预评价标准；

输入模块，所述输入模块用于将所述预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练。

一种基于深度学习的钢铁厂中炉门检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

获取炉门的实时图像信息；

将炉门关闭后的实时图像信息输入训练模型进行训练，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述炉门关闭后的实时图像信息和预评价标准；

根据所述炉门关闭后的实时图像信息和预评价标准获得综合评价图像信息。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取炉门的实时图像信息；

将炉门关闭后的实时图像信息输入训练模型进行训练，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述炉门关闭后的实时图像信息和预评价标准；

根据所述炉门关闭后的实时图像信息和预评价标准获得综合评价图像信息。

本发明的有益效果如下：

本发明通过将炉门关闭后的实时图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括所述炉门关闭后的实时图像信息和预评价标准，而预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练，从而获得综合评价图像信息，进而检测判断炉门在关闭后是够严丝合缝，提高了对炉门进行关严检测的准确度的技术效果。

附图说明

下面结合附图对本发明作进一步说明。

图1是本发明中一种基于深度学习的钢铁厂中炉门检测方法的流程示意图；

图2是本发明中获取炉门的实时图像信息的流程示意图；

图3是本发明中获取炉门关闭后的实时图像信息和预评价标准的流程示意图；

图4是本发明中一种基于深度学习的钢铁厂中炉门检测系统的结构示意图；

图5是本发明中第一获取单元的结构示意图；

图6本发明中训练单元的结构示意图；

图中：第一获取单元1、视频获取模块11、截取模块12、训练单元2,、获取模块21、输入模块22、输出单元3。

具体实施方式

下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

为了解决背景技术中提出的技术问题，本发明的主要构思如下：

将炉门关闭后的实时图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括所述炉门关闭后的实时图像信息和预评价标准，而预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练，从而获得综合评价图像信息，进而检测判断炉门在关闭后是够严丝合缝，具体实施方式如下：

实施例一

图1-3为本发明实施例中一种基于深度学习的钢铁厂中炉门检测方法的流程示意图，所述方法应用于一种基于深度学习的钢铁厂中炉门检测系统，所述方法包括：

步骤110：获取炉门的实时图像信息，所述炉门的实时图像信息包括炉门关闭后的实时图像信息；

具体而言，炼钢炉所用的炉门，在实际使用的过程中，如果在使用过程中关闭不严，会造成炼钢炉内部的热量损失，从而提高了炼钢的损失，因此，需要获取炉门在在关闭后的实时图像信息，从而判断炉门是否关闭完整，具体包括如下步骤：

步骤1101：获取炉门的实时视频录像；

步骤1102：对所述炉门的实时视频录像进行截取，获得炉门关闭后的实时图像信息；

进一步的，通过获取炉门的实时录像，获取的方式可以通过摄像头等，然后对视频录像进行截取，或者炉门关闭后的实时图像信息，对视频录像进行截取的方式为现有技术，本发明在此不进行过多的阐述。

步骤120：将炉门关闭后的实时图像信息输入训练模型进行训练，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述炉门关闭后的实时图像信息和预评价标准；

其中，所述炉门关闭后的实时图像信息和预评价标准包括：

步骤1201：获得预评价标准；

步骤1202：将所述预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练；

步骤130：根据所述炉门关闭后的实时图像信息和预评价标准获得综合评价图像信息；

具体而言，训练模型即机器学习中的神经网络模型，即通过引入a-IOU损失函数，在保留原损失函数的全不特性的同时更加关注高IOU目标，并优化所有层次的目标创造了更多空间,实现不同水平的检测框回归精度。a-IOU损失函数是在原有的损失函数基础上增加一个a的幂指标。通过对a取值的调节可以实现现有的大多数IOU损失函数，更容易改进检测器效果，同时不会引入额外的参数，也不会增加数据训练时间；

且引入了CBAM注意力模块，CBAM模块同时关注空间和通道信息，在通道注意力模块上分别经过Y大池化和平均池化将尺寸为C*H*W的特征图便成为C*1*1，经过MLP转换，压缩通道数，再通过加和操作合并结果，并进行Sigmoid归一化，使得提取到的高层特征更加丰富；将通道注意力模块的输出当作输入进入空间注意力模块，同样经过Y大池化和平均池化，再通过Concat,操作将两者堆叠，只压缩通道维度而不压缩空间维度。关注重点在目标的位置信息，并专注于有用的目标对象。改进Bottleneck: Bottleneck为残差模块的核心，对特征的深度传递、抑制模型梯度消失都具有积极影响，但过于深入的残差模块容易造成无关背景多次叠加，计算开销增长，面对不同检测任务需重新适配残差模块深度。经过实验发现在Backbone与Neck结构中的残差模块里采用Bottleneck×1的数量级可以兼顾识别精度和检测速度。Ghost模块: Ghost模块的核心思想在于采用线性变换替代部分普通卷积层用以生成更多的特征图。

对于模型总的参数量和计算复杂度都有减少，Ghost模块先通过普通的卷积，将输入通道数减少，再通过一个深度卷积和恒等变换，生成Ghost 特征图；

所以，在本实施例中，将将炉门关闭后的实时图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括所述炉门关闭后的实时图像信息和预评价标准，而预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练，从而获得综合评价图像信息，进而检测判断炉门在关闭后是够严丝合缝，提高了对炉门进行关严检测的准确度的技术效果；

其中，预评价标准包括正确状态下，不同型号的炼钢炉的炉门完全关闭后的典型图像，作为预定标准，然后将炉门关闭后的实时图像信息作为输入数据，预评价标准作为监督数据，输入训练模型中进行训练，从而获得综合评价图像信息，即判断检测炼钢炉的炉门是否关闭完全的图像信息。

实施例二

基于与前述实施例一中一种基于深度学习的钢铁厂中炉门检测方法的发明构思，本发明还提供了一种基于深度学习的钢铁厂中炉门检测系统，如图4-6所示，所述系统包括：

第一获取单元1，所述第一获取单元1用于获取炉门的实时图像信息；

其中，第一获取单元1包括：

视频获取模块11，所述视频获取模块11用于获取炉门的实时视频录像；

截取模块12，所述截图单元12用于对所述炉门的实时视频录像进行截取，获得炉门关闭后的实时图像信息；

训练单元2，所述训练模块2用于将炉门关闭后的实时图像信息输入训练模型进行训练；

其中，训练单元2包括：

获取模块21，所述获取模块21用于获得预评价标准；

输入模块22，所述输入模块22用于将所述预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练；

输出单元3，所述输出单元3用于输出综合评价图像信息。

其中，前述图1实施例一中的一种基于深度学习的钢铁厂中炉门检测方法的各种变化方式和具体实例同样适用于本实施例的一种基于深度学习的钢铁厂中炉门检测系统，通过前述对一种基于深度学习的钢铁厂中炉门检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于深度学习的钢铁厂中炉门检测系统的实施方法，所以为了说明书的简洁易懂，在此不再详述。

实施例三

基于与前述实施例中一种基于深度学习的钢铁厂中炉门检测方法同样的发明构思，本发明还提供一种基于深度学习的钢铁厂中炉门检测装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于深度学习的钢铁厂中炉门检测方法的任一方法的步骤，具体如下：

其包括总线架构，总线可以包括任意数量的互联的总线和桥，总线将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器、传感器、摄像头和功率管理电路等之类的各种其他电路链接在一起，如通过摄像头获取炉门实时视频录像等，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。

总线接口在总线和接收器和发送器之间提供接口，接收器和发送器可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器负责管理总线和通常的处理，而存储器可以被用于存储处理器在执行操作时所使用的数据。

实施例四

基于与前述实施例中一种基于深度学习的钢铁厂中炉门检测方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取炉门的实时视频录像；对所述炉门的实时视频录像进行截取，获得炉门关闭后的实时图像信息；

将炉门关闭后的实时图像信息输入训练模型进行训练，其中，所述训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述炉门关闭后的实时图像信息和预评价标准；其中，所述炉门关闭后的实时图像信息和预评价标准包括：获得预评价标准；将所述预评价标准作为监督数据，输入所述每一组训练数据中，对所述炉门关闭后的实时图像信息进行训练；根据所述炉门关闭后的实时图像信息和预评价标准获得综合评价图像信息；

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。