[發明專利]基于深度學習的板坯空洞識別方法、系統、介質及終端

有效

• 申請號: 202010488519.4
• 申請日: 2020-06-02
• 公開（公告）號: CN111652869B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 龐殊楊;王嘉駿;賈鴻盛;毛尚偉;李語桐
• 申請（專利權）人: 中冶賽迪信息技術（重慶）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/194;G06N3/0464;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 代玲

本發明提供一種基于深度學習的板坯空洞識別方法、系統、介質及終端，方法包括：采集板坯圖像數據，并對所述板坯圖像數據中板坯的位置進行標注，形成圖像數據集；根據所述圖像數據集建立板坯位置識別網絡模型，并對其進行訓練；實時檢測板坯，并將檢測的板坯圖像信息輸入至板坯位置識別網絡模型，獲取輸出結果；根據輸出結果中的板坯的位置信息，判斷板坯中是否存在空洞；本發明無需人工參與，提升了工作效率，通過機器學習采用深度神經網絡SSD?Mobilenet識別板坯在生產線中的位置，并切割出圖像，采用圖像增強和圖像二值化算法來判斷板坯中是否存在空洞，用機器代替人眼做識別，解決了現有的板坯空洞識別效率及準確率低下的問題，降低了人工參與的成本。

技術領域

本發明涉及電冶金領域，尤其涉及一種基于深度學習的板坯空洞識別方法、系統、介質及終端。

背景技術

在鋼鐵冶煉領域板坯連鑄、軋鋼的過程中，需要對燒結工藝完成后的板坯進行檢測，判斷其中是否存在空洞，這種空洞在預燒中不能消除，在燒結中容易形成分層的內部缺陷，一旦板坯中存在空洞，會對最終板材質量產生波動，影響板坯的使用價值，因此板坯中空洞的識別顯得尤其重要。

但是，目前針對板坯中的空洞判斷通常還是依然采用人工進行觀測的方式進行判斷，不僅工作效率較低，而且還無法保證識別結果的精確度，這會影響煉鋼過程中板坯的質量。因此需要一種新的板坯空洞識別的方式，能夠實現工業場景的智能化，精準化，高效化，保證煉鋼過程中板坯的質量。

發明內容

鑒于以上所述現有技術的缺點，本發明提供一種基于深度學習的板坯空洞識別方法、系統、介質及終端，以解決上述技術問題。

本發明提供的基于深度學習的板坯空洞識別方法，包括：

采集板坯圖像數據，并對所述板坯圖像數據中板坯的位置進行標注，形成圖像數據集；

根據所述圖像數據集建立板坯位置識別網絡模型，并對其進行訓練；

實時檢測板坯，并將檢測的板坯圖像信息輸入至板坯位置識別網絡模型，獲取輸出結果；

根據輸出結果中的板坯的位置信息，判斷板坯中是否存在空洞。

可選的，根據板坯位置識別網絡模型的輸出結果中板坯的位置信息，對圖像進行切割處理，獲取板坯部分圖像；

預先設置灰度閾值，并根據所述灰度閾值對所述板坯部分圖像進行二值化處理；

將二值化處理結果中的黑色部分的面積與預先設置的面積閾值進行比較，判斷是否存在空洞。

可選的，所述板坯位置識別網絡模型包括：

卷積神經網絡，用于提取圖像特征；

多尺度特征檢測網絡，用于對所述卷積神經網絡提取出的特征圖進行池化操作，通過不同卷積層的多個特征圖對物體分類并回歸目標框的偏移，獲取輸出結果。

可選的，所述卷積神經網絡通過如下方式進行：

D×D×C×H×W+C×N×H×W

其中，H為輸入數據的高，W為輸入數據的寬，C為輸入的通道數，D為卷積核的寬和高，N為卷積核數量，所述卷積神經網絡使用與通道數相同的卷積核進行卷積操作。

可選的，將所述板坯部分圖像中的像素點的灰度與所述灰度閾值進行比較，

當像素點的灰度大于等于灰度閾值時，判定其為特定物體，并將其灰度值置為255；

當像素點的灰度小于灰度閾值時，判定其為背景，并將其灰度值置為0。