一种坩埚破损的识别方法及系统

技术领域

本发明属于识别技术领域，特别涉及一种坩埚破损的识别方法及系统。

背景技术

石墨坩埚在实际使用时通常处于高温环境中，有时温度会达到3000℃左右。高温使石墨坩埚强度降低、结构疏松，进而导致石墨坩埚产生裂纹或者破损。

目前坩埚破损主要是由人工巡检来发现，人工成本高且容易造成漏检，数据不易统计。

发明内容

针对上述问题，本发明提供一种坩埚破损的识别方法，所述方法包括：

对坩埚进行图像捕捉；

对捕捉的图像进行抽帧，生成坩埚表面的特征图像；

对特征图像进行坩埚分类检测，判断坩埚是否破损。

优选地，所述对坩埚进行图像捕捉之前还包括：

判断坩埚是否进入识别区域，若坩埚位于识别区域内，则对坩埚进行图像捕捉。

优选地，所述对特征图像进行坩埚分类检测，判断坩埚是否破损，包括：

将特征图像输入视频识别算法模型进行识别，判断特征图像是否符合破损坩埚的特征模型，若符合，则表示坩埚破损。

优选地，所述视频识别算法模型的构建方式，包括：

采集不同类型的破损坩埚样本，对破损部位进行标注，并通过MXNet深度学习框架进行模型训练，生成视频识别算法模型。

优选地，所述对破损部位进行标注，包括：

根据破损部位和破损类型对破损坩埚样本进行分类标注，从而生成不同的破损坩埚的特征模型。

本发明还提出一种坩埚破损识别系统，包括图像获取模块、图像处理模块和识别检测模块；

所述图像获取模块用于对坩埚进行图像捕捉；

所述图像处理模块用于对捕捉的图像进行抽帧，生成坩埚表面的特征图像；

所述识别检测模块用于对特征图像进行坩埚分类检测，判断坩埚是否破损。

优选地，所述判断模块用于判断坩埚是否进入识别区域，若坩埚位于识别区域内，则对坩埚进行图像捕捉。

优选地，所述识别检测模块用于对特征图像进行坩埚分类检测，判断坩埚是否破损，包括：

识别检测模块用于对特征图像进行坩埚分类检测，判断坩埚是否破损包括：

将特征图像输入视频识别算法模型进行识别，判断特征图像是否符合破损坩埚的特征模型，若符合，则表示坩埚破损。

本发明还提出一种电子设备，包括：

处理器以及存储器；

所述处理器调用所述存储器存储的计算机程序，以执行上述任意一项所述的坩埚破损的识别方法。

本发明还提出一种计算机可读存储介质，

所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器能够执行上述任一项所述的坩埚破损的识别方法。

本发明具有以下有益效果：

本发明将坩埚破损的检出由原来的人工巡检变为通过视频识别系统自动识别检出，实现24小时不间断识别，大大提高了破损坩埚的检出率，节约人工成本，提高生产效率，强化生产过程质量管控，从而提高产品质量。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本发明实施例中坩埚破损的识别方法图；

图2示出本发明实施例中MobileNet网络模型流程图；

图3示出本发明实施例中坩埚破损的识别装置图

图4示出本发明实施例中坩埚破损的识别方法流程图；

图5示出本发明实施例中坩埚破损的识别系统图；

图6示出本发明实施例中电子设备图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件单元或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

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例如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子模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或子模块，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子模块。

如图1所示，本发明提供一种坩埚破损的识别方法，所述方法包括以下步骤：

S1、对坩埚进行图像捕捉；

对坩埚进行图像捕捉之前还包括：

判断坩埚是否进入识别区域，若坩埚位于识别区域内，则对坩埚进行图像捕捉。

S2、对捕捉的图像进行抽帧，生成坩埚表面的特征图像；

S3、对特征图像进行坩埚分类检测，判断坩埚是否破损。

具体为，将特征图像输入视频识别算法模型进行识别，判断特征图像是否符合破损坩埚的特征模型，若符合，则表示坩埚破损。

其中，视频识别算法模型的构建方式，包括：

采集不同类型的破损坩埚样本，对破损部位进行标注，并通过MXNet深度学习框架进行模型训练，生成视频识别算法模型。

对破损部位进行标注，包括：

根据破损部位和破损类型对破损坩埚样本进行分类标注，从而生成不同的破损坩埚的特征模型。

具体地，识别算法模型使用MXNet框架下MobileNet网络模型，MXNet是一个轻量化分布式可移植深度学习计算平台，MobileNet网络结构是一个轻量级网络，通过Bottlenect处理单元的设计以及Dwise卷积的使用便于部署在小型移动设备上，为本发明的算法识别部分提供了极大的便捷性,同时拥有较好的性能。

主要结构Bottlenect是一个处理单元。其中，步长为1的block包括一个1*1的卷积层，使用Relu6作为激活函数；3*3的Dwise卷积层，rRelu6作为激活函数；1*1的卷积层，线性激活。步长为2的block包括一个1*1的卷积层，使用Relu6作为激活函数；3*3的Dwise卷积层，步长为2，rRelu6作为激活函数；1*1的卷积层，线性激活。模型中一共拥有1个完整卷积层和17个Bottleneck块。

如图2所示，过程如下：

使用输入为224*224像素的3维输入(即rgb)；

使用输出为32通道，步长为2的卷积层，输出结果为112*112*32；

使用一个步长为1的bottleneck层，输出通道为16；

使用一个步长为2的bottleneck层，中间输出通道倍增6倍(即96)，再使用一个步长为1的bottleneck层，输出通道为24；

使用一个步长为2的bottleneck层，中间输出通道倍增6倍，再使用两个步长为1的bottleneck层，输出通道为32；

使用一个步长为2的bottleneck层，中间输出通道倍增6倍，再使用三个步长为1的bottleneck层，输出通道为64；

使用一个步长为2的bottleneck层，中间输出通道倍增6倍，再使用两个步长为1的bottleneck层，输出通道为96；

使用两个步长为1的bottleneck层，输出通道为96；

使用一个步长为2的bottleneck层，中间输出通道倍增6倍，再使用两个步长为1的bottleneck层，输出通道为160；

使用一个步长为1的bottleneck层，输出通道为320；

使用一个步长为1的1*1卷积层，输出通道为1280；

使用一个7*7的平均池化层；

使用一个步长为1的1*1卷积层，输出通道为2.第0维表示完好，第1维表示有破损。

在本发明中使用MobileNet网络主要由以下三方面的优势：

使用了Dwise卷积层，首先对每一个通道进行各自的卷积操作，过滤器数量等于通道数量，之后对新的通道特征图(feature maps)进行1*1的跨通道的正常卷积操作，通过这种方式大大减少了计算量和参数量，同时可以得到更好的分类效果。与传统的卷积方式相比较，计算量比例如下：

其中，DK表示输入特征图的维度，M表示输入通道数，DF表示输出特征图的维数，N表示输出通道数。

引入残差结构，在Bottleneck先升维再降维，增强梯度的传播和特征学习能力；使用线性瓶颈结构，显著减少推理期间所需的内存占用，去掉Narrow layer低维度层后的ReLU，保留特征多样性，增强网络的表达能力。

网络为全卷积的，使得模型可以适应不同尺寸的图像，对布置的摄像机要求更加宽泛；使用RELU6(最高输出为6)激活函数，使得模型在低精度计算下具有更强的鲁棒性，更加适应在各种设备上的部署和使用。

如图3所示，坩埚进入识别区域后，产线控制系统向坩埚破损识别系统发送识别信号；算法服务器对摄像机捕捉的图像进行抽帧生成坩埚表面特征图像；算法服务器将获取的坩埚特征图像通过视频识别算法模型进行坩埚分类检测；如果识别出的坩埚特征符合破损坩埚的特征模型(输出结果为1)，则系统判断该坩埚破损，并向产线控制系统发送联动信号，进行破损坩埚的处置，完成破损坩埚识别过程。具体地，根据训练测试结果和实践发现，将模型训练结果置信度设置为0.7时分类效果最为理想，选择将模型预测分数大于0.7视作破损样本，同时利用两个摄像头联合检测，大大增加了模型预测的准确性。

如图4所示，本发明的坩埚破损识别系统包含：2台高清摄像机、具备GPU运算能力的算法服务器、视频识别算法模型，摄像机通过网络交换机接入算法服务器，算法服务器与产线控制系统进行数据交互，识别算法模型通过卷积神经网络模型的机器学习获得。

2台摄像机部署在坩埚识别区域的前后两个方向，可以完整捕捉坩埚四个面的表面特征信息，加载视频识别算法模型的识别系统部署在算法服务器。

如图5所示，本发明提供一种坩埚破损识别系统，包括图像获取模块1、图像处理模块2和识别检测模块3；

图像获取模块1用于对坩埚进行图像捕捉；

图像处理模块2用于对捕捉的图像进行抽帧，生成坩埚表面的特征图像；

识别检测模块3用于对特征图像进行坩埚分类检测，判断坩埚是否破损。

系统还包括判断模块，判断模块用于判断坩埚是否进入识别区域，若坩埚位于识别区域内，则对坩埚进行图像捕捉。

如图6所示，与上述提供的坩埚破损的识别方法相对应，本发明还提供一种电子设备。由于该设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的设备仅是示意性的。该设备可以包括：处理器(processor)10、存储器(memory)20和通信总线(即上述装置总线)以及查找引擎，其中，处理器10和存储器20通过通信总线完成相互间的通信，通过通信接口与外部进行通信。处理器10可以调用存储器20中的逻辑指令，以执行坩埚破损的识别方法。

此外，上述的存储器20中的逻辑指令可以通过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，本发明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(可以是个人计算机，服务器，或者网络设备等)执行本发明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：存储芯片、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序30，该计算机程序30被处理器10执行时实现以执行上述各实施例提供的坩埚破损的识别方法。

所述处理器可读存储介质可以是处理器10能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

本领域的普通技术人员应当理解：尽管参考前述实施例对本发明进行的详细说明，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。