废钢评级方法及系统

技术领域

本发明涉及一种用于自动识别废钢等级的方法及系统。

背景技术

废钢处理方法因材质和形状而异。易碎的和形状不规则的大块物料，采用重锤击碎。特厚、特长的大型废钢，用切割器切割成合格尺寸。厚废钢板和型钢、条钢，采用剪切机进行剪切。废薄板边角料、废钢丝、废汽车壳体等容积比重较小的轻料，用打包机压缩成块体，打捆用作炼钢原料。不同级别的废钢差别很大，在废钢中混入低级别的废钢，也可能给钢厂带来巨很大的损失。

现有技术中，一般采用人工识别的方式来分辨废钢等级。而人为主观因素影响比较大，因疲劳、心情等可能会影响评价结果。其次每个人判断存在差异，没法统一。另外识别时间长，需要拉近后逐个仔细检查。

发明内容

有鉴于此，本发明提供一种废钢评级方法，用于自动分辨废钢等级。

为解决以上技术问题，本发明的技术方案为一种废钢评级方法，其特征在于包括：

采集废钢图像；

对废钢图像进行分割，提取废钢图像内的待识别目标；

计算每个待识别目标的尺寸，并通过待识别目标的尺寸进行废钢分类定级；

提取废钢图像中待识别目标的表面特征，并通过待识别目标的表面附着物判断废钢锈蚀程度；

通过待识别目标的分类定级和锈蚀程度对待识别目标进行废钢综合分类定级。

作为一种改进，所述提取废钢图像内的待识别目标的方法为：利用实例分割人工智能神经网络模型对图像中的待识别目标进行识别后框选。

作为一种改进，所述废钢分类定级的方法包括：

设定不同种类废钢的尺寸指标；

为不同种类废钢设定不同颜色；

利用废钢分级人工智能神经网络模型根据废钢的尺寸指标对分割出来的待识别目标进行种类识别，同时预测识别准确率；

若识别准确率大于等于阈值，则确认识别结果并将该待识别目标标注其等级对应的颜色；若识别准确率小于阈值，则获取更高分辨率的废钢图像后再进行识别，直到识别准确率大于等于阈值或者无法获取更高分辨率的废钢图像为止；

根据每种废钢所代表的颜色在图像中的占比计算各种废钢的占比，并根据各种废钢的占比对所有废钢进行整体评价。

作为一种优选，将无法识别的待识别目标判定为危险品或者杂质，进行人工干预识别。

作为一种改进，在对废钢图像进行分割之前将废钢运输车与周围环境剥离。

作为一种优选，利用锈蚀程度人工智能神经网络模型判定废钢锈蚀程度。

作为一种改进，由厚至薄的废钢类型设置由深至浅的颜色。

本发明还提供一种废钢评级系统，其特征在于包括：

图像采集模块，用于采集废钢图像；

实例分割模块，用于对废钢图像进行分割，提取废钢图像内的待识别目标；

废钢分类定级模块，计算每个待识别目标的尺寸，并通过待识别目标的尺寸进行废钢分类定级；

锈蚀程度评估模块，提取废钢图像中待识别目标的表面特征，并通过待识别目标的表面附着物判断废钢锈蚀程度；

综合评定模块，通过待识别目标的分类定级和锈蚀程度对待识别目标进行废钢综合分类定级。

作为一种改进，所述废钢分类定级模块包括：

设定模块，用于设定不同种类废钢的尺寸指标，并为不同种类废钢设定不同颜色；

识别评估模块，用于根据废钢的尺寸指标对分割出来的待识别目标进行种类识别，同时预测识别准确率；

判断模块，用于根据识别准确率与阈值的关系确认废钢种类并标注其等级对应的颜色；

整体评价模块，用于根据每种废钢所代表的颜色在图像中的占比计算各种废钢的占比，并根据各种废钢的占比对所有废钢进行整体评价。

作为一种改进，还包括：

环境剥离模块，用于在对废钢图像进行分割之前将废钢运输车与周围环境剥离。

本发明的有益之处在于：

1、将深度学习对废钢的分割与识别从二维空间扩展到三维空间，在原来特征提取的基础上创造性的加入颜色表示厚度的三维自由度，更符合废钢验级的实际需求。

2、根据色块面积计算不同种类废钢所占比例极大的提高了废钢验级的准确率。

3、根据图像中标注的废钢颜色增强了废钢的表面特征，为人工辅助验级提供了更为直观的特征。

4、可快速定位识别杂质和危险品，极大的提高了废钢验级的工作效率。

附图说明

图1为本发明的流程图。

图2为本发明的结构原理图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。

如图1所示，本发明一种废钢评级方法，其具体步骤包括：

S1采集废钢图像。

废钢车进入指定位置后，摄像头逐层获取车上废钢图像，即先获取顶层废钢的图像，然后通过吸盘将顶层废钢吸走再对下层废钢进行拍摄获取图像以此类推。获取的废钢图像中包括废钢、废钢运输车辆以及周围环境，为了提高效率降低系统开销，可进行下一步操作之前可以先对图像中废钢运输车辆与周围环境进行剥离，仅对废钢车辆进行后续处理。

S2对废钢图像进行分割，提取废钢图像内的待识别目标。

采集到废钢图像后，需要对图像中每块废钢进行分割便于后续识别。本实施例中，利用实例分割人工智能神经网络模型如Mask-RCNN对图像中的待识别目标进行识别后框选。

S3计算每个待识别目标的尺寸，并通过待识别目标的尺寸进行废钢分类定级，具体又包括：

S31设定不同种类废钢的尺寸指标；输入钢厂废钢种类，输入不同废钢种类所代表的厚度或尺寸，例如：废钢1厚度为8mm，剪料为50cm*50cm，轻薄压块厚度<2mm,钢筋直径>6mm……

S32为不同种类废钢设定不同颜色；输入废钢种类颜色，不同废钢用不同颜色。本实施例中，由厚至薄的废钢类型设置由深至浅的颜色。

S33利用废钢分级人工智能神经网络模型根据废钢的尺寸指标对分割出来的待识别目标进行种类识别，同时预测识别准确率。训练好模型以后，根据提取特征对分割后的每一块废钢进行分类，计算每块分割后的废钢的最小外接矩形，根据最小外接矩形定位废钢所在位置，并显示每一块废钢分类的准确率。

由于废钢的角度以及暴露面积不同，其识别准确率也不同。例如正对镜头并且暴露完整的废钢识别准确率可以达到95％以上，而角度较偏暴露不全的废钢识别准确率可能只有60％。

S34若识别准确率大于等于阈值，则确认识别结果并将该待识别目标标注其等级对应的颜色；若识别准确率小于阈值，则获取更高分辨率的废钢图像后再进行识别，直到识别准确率大于等于阈值或者无法获取更高分辨率的废钢图像为止。

本实施例中，阈值设置为80％。当是被准确率大于或者等于80％时，则认为识别结果可接收并对该废钢标注与其等级对应的颜色。如果是被准确率小于80％,则推近摄像头采集分辨率更高的图像进行识别，当然如果原始图像足够清晰也可直接放大图像再次识别，直到识别准确率大于或者等于80％确认识别结果，或者无法再获取更高分辨率的图像为止。识别准确率达不到80％的废钢被认为是危险品或者杂质，需要进行人工干预识别。而此时图像已被大部分标准了不同颜色，利用人工很容易将危险品和杂质从其中分辨出来，因此也降低了人工劳动的强度。

S35根据每种废钢所代表的颜色在图像中的占比计算各种废钢的占比，并根据各种废钢的占比对所有废钢进行整体评价。

对图像中废钢所在区域中每个像素的颜色进行统计，从而获得整车废钢中每个等级的占比，从而可对整车废钢进行等级评价。

S4提取废钢图像中待识别目标的表面特征，并通过待识别目标的表面附着物判断废钢锈蚀程度。

本实施例中，同样利用锈蚀程度人工智能神经网络模型判定废钢锈蚀程度。在训练好模型后，将提取的废钢图像中识别目标的表面特征输入模型，模型根据训练好的特征库进行匹配，从而判定废钢的锈蚀程度。

值得说明的是，步骤S3和步骤S4的执行并没有先后顺序，分别执行也可同时执行。

S5通过待识别目标的分类定级和锈蚀程度对待识别目标进行废钢综合分类定级。

废钢分类定级与锈蚀程度判定完成后，可根据二者的结果进行一个综合评定，评定标准根据实际情况进行设定，本发明中不再赘述。

如图2所示，本发明还提供一种废钢评级系统，包括：

图像采集模块，用于采集废钢图像；

环境剥离模块，用于在对废钢图像进行分割之前将废钢运输车与周围环境剥离；

实例分割模块，用于对废钢图像进行分割，提取废钢图像内的待识别目标；

废钢分类定级模块，计算每个待识别目标的尺寸，并通过待识别目标的尺寸进行废钢分类定级；

锈蚀程度评估模块，提取废钢图像中待识别目标的表面特征，并通过待识别目标的表面附着物判断废钢锈蚀程度；

综合评定模块，通过待识别目标的分类定级和锈蚀程度对待识别目标进行废钢综合分类定级。

所述废钢分类定级模块具体又包括：

设定模块，用于设定不同种类废钢的尺寸指标，并为不同种类废钢设定不同颜色；

识别评估模块，用于根据废钢的尺寸指标对分割出来的待识别目标进行种类识别，同时预测识别准确率；

判断模块，用于根据识别准确率与阈值的关系确认废钢种类并标注其等级对应的颜色；

整体评价模块，用于根据每种废钢所代表的颜色在图像中的占比计算各种废钢的占比，并根据各种废钢的占比对所有废钢进行整体评价。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。