热轧棒材收集完成辊道落料检测方法、系统、介质及终端技术方案

本发明专利技术提供一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端，方法包括：获取热轧棒材收集完成辊道的图像信息；根据检查台架输出辊道的位置，设置感兴趣区域；对散落棒材进行标注，获取数据集；建立热轧棒材目标检测模型，并对其进行训练；获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果；根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测；本发明专利技术利用神经网络与深度学习，可以实时识别画面中的热轧棒材散落情况，在检测到散落棒材时返回警告信号，避免了人工识别带来的可能存在漏检、错检的情况，提高了热轧棒材收集完成辊道落料检测的安全性和准确性。

【技术实现步骤摘要】
热轧棒材收集完成辊道落料检测方法、系统、介质及终端
本专利技术涉及冶金领域和图像识别领域，尤其涉及一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端。
技术介绍
在热轧生产环节中，需对台架辊道上的棒材进行打捆，如果在收集完成辊道上出现了落料，则会影响棒材打捆的正常进行。为确保该环节的持续顺畅运行，需实时检查输出台架辊道中散落棒材的情况。目前，热轧棒材收集完成辊道落料检测主要通过有经验的工人识别。但由于产线较多、产线生产时间长，若仅仅依靠人工识别，可能存在漏检、错检的情况。因此，亟需一个自动检测系统，替代人工识别，实现对台架辊道上的散落棒材的实时检测，并在检测到散落棒材时返回警告信号，提醒操作人员进行处理。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术提供一种热轧棒材收集完成辊道落料检测方法、系统、介质及终端，以解决上述技术问题。本专利技术提供的热轧棒材收集完成辊道落料检测方法，包括：获取热轧棒材收集完成辊道的图像信息；根据所述图像信息中检查台架输出辊道的位置，设置感兴趣区域；对所述图像信息中的散落棒材进行标注，获取数据集；根据所述数据集，建立基于深度神经网络的热轧棒材目标检测模型，并对其进行训练；获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果，所述输出别结果包括检查台架输出辊道上热轧棒材的信息；根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测。可选的，所述对所述图像信息中的散落棒材进行标注，获取数据集包括：通过图像标注工具的矩形选框标出散落棒材的位置，进而形成散落棒材的数据集，将所述数据集划分为训练集、测试集、验证集，通过所述训练集中的数据对所述热轧棒材目标检测模型进行训练，通过学习所述训练集中每张热轧棒材图像中的标识框范围内的目标特征，得到所述热轧棒材目标检测模型。可选的，所述数据集的有效信息包括图像基础属性和标注信息，所述图片基础属性包括文件名称、宽度、高度、图像深度；所述标注信息包括目标物体的类别。可选的，将实时视频流数据输入至训练后的热轧棒材目标检测模型进行目标识别；获取辊道上散落棒材的位置信息，所述辊道上散落棒材的位置信息包括矩形目标框的左上、左下、右下、右上点，以及左上、左下、右下、右上点的坐标信息。获取目标棒材的实时位置信息和历史位置信息，并根据所述实时位置信息和历史位置信息，判定目标棒材的运动状态。可选的，所述实时位置信息包括：[BarPoint1(x1,y1),BarPoint2(x1,y1),BarPoint3(x1,y1),BarPoint4(x1,y1)]所述历史位置信息包括：[BarPoint1(x2,y2),BarPoint2(x2,y2),BarPoint3(x2,y2),BarPoint4(x2,y2)]其中，BarPoint1x1、BarPoint1y1分别为当前检测时间节点的目标识别框左上角的x、y坐标；BarPoint4x1、BarPoint4y1分别为当前检测时间节点的目标识别框右下角的x、y坐标；BarPoint1x2、BarPoint1y2分别为上一检测时间节点的目标识别框左上角的x、y坐标；BarPoint4x2、BarPoint4y2分别为上一检测时间节点的目标识别框右下角的x、y坐标。可选的，根据所述实时位置信息与历史位置信息，计算当前检测时间节点的目标识别框与上一检测时间节点的目标识别框之间的变化量，根据所述变化量判断目标棒材是否堆积静止在辊道上，进而判断目标棒材是否处于静止状态。可选的，通过如下判断条件对目标棒材是否处于静止状态进行判断：|BarPoint1x1-BarPoint1x2|<Dx|BarPoint1y1-BarPoint1y2|<Dy其中，|BarPoint1x1-BarPoint1x2|为当前检测时间节点的目标识别框左上角的x坐标与上一检测时间节点的目标识别框左上角的x坐标的差值的绝对值，|BarPoint1y1-BarPoint1y2|为当前检测时间节点的目标识别框左上角的y坐标与上一检测时间节点的目标识别框左上角的y坐标的差值的绝对值，Dx为预先设置的第一变化量阈值，Dy为预先设置的第二变化量阈值；连续判断n张图，当同时满足判断条件时，则判定目标棒材处于静止状态，完成对目标棒材散落状态的判定。可选的，当目标热轧棒材处于静止状态时，判定辊道上是否存在散落棒材，则反馈异常信号，并进行报警。本专利技术还提供一种热轧棒材定支分离检测系统，包括：图像采集模块，获取热轧棒材收集完成辊道的图像信息；图像处理模块，根据所述图像信息中检查台架输出辊道的位置，设置感兴趣区域，以及，对所述图像信息中的散落棒材进行标注，获取数据集；检测模型，根据所述数据集，建立基于深度神经网络的热轧棒材目标检测模型，并对其进行训练；获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果，所述输出别结果包括检查台架输出辊道上热轧棒材的信息；根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测。本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法。本专利技术还提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。本专利技术的有益效果：本专利技术中的热轧棒材收集完成辊道落料检测方法、系统、介质及终端，利用神经网络与深度学习，可以实时识别画面中的热轧棒材散落情况，通过对台架辊道上的散落棒材的实时检测，并在检测到散落棒材时返回警告信号，提醒操作人员进行处理，避免了人工识别带来的可能存在漏检、错检的情况，提高了热轧棒材收集完成辊道落料检测的安全性和准确性。附图说明图1是本专利技术实施例中热轧棒材收集完成辊道落料检测方法的整体流程示意图。图2是本专利技术实施例中热轧棒材收集完成辊道落料检测方法的具体检测流程示意图。图3是本专利技术实施例中热轧棒材收集完成辊道落料检测方法的的相机采集棒材图像示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实本文档来自技高网...

【技术保护点】
1.一种热轧棒材收集完成辊道落料检测方法，其特征在于，包括：/n获取热轧棒材收集完成辊道的图像信息；/n根据所述图像信息中检查台架输出辊道的位置，设置感兴趣区域；/n对所述图像信息中的散落棒材进行标注，获取数据集；/n根据所述数据集，建立基于深度神经网络的热轧棒材目标检测模型，并对其进行训练；/n获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果，所述输出别结果包括检查台架输出辊道上热轧棒材的信息；/n根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测。/n

【技术特征摘要】
1.一种热轧棒材收集完成辊道落料检测方法，其特征在于，包括：
获取热轧棒材收集完成辊道的图像信息；
根据所述图像信息中检查台架输出辊道的位置，设置感兴趣区域；
对所述图像信息中的散落棒材进行标注，获取数据集；
根据所述数据集，建立基于深度神经网络的热轧棒材目标检测模型，并对其进行训练；
获取实时图像数据，并输入至训练后的热轧棒材目标检测模型，获取识别结果，所述输出别结果包括检查台架输出辊道上热轧棒材的信息；
根据所述识别结果，判定检查台架输出辊道上是否存在散落棒材，完成热轧棒材收集完成辊道落料检测。


2.根据权利要求1所述的热轧棒材收集完成辊道落料检测方法，其特征在于，所述对所述图像信息中的散落棒材进行标注，获取数据集包括：通过图像标注工具的矩形选框标出散落棒材的位置，进而形成散落棒材的数据集，将所述数据集划分为训练集、测试集、验证集，通过所述训练集中的数据对所述热轧棒材目标检测模型进行训练，通过学习所述训练集中每张热轧棒材图像中的标识框范围内的目标特征，得到所述热轧棒材目标检测模型。


3.根据权利要求1所述的热轧棒材收集完成辊道落料检测方法，其特征在于，所述数据集的有效信息包括图像基础属性和标注信息，所述图片基础属性包括文件名称、宽度、高度、图像深度；所述标注信息包括目标物体的类别。


4.根据权利要求2所述的热轧棒材收集完成辊道落料检测方法，其特征在于，
将实时视频流数据输入至训练后的热轧棒材目标检测模型进行目标识别；
获取辊道上散落棒材的位置信息，所述辊道上散落棒材的位置信息包括矩形目标框的左上、左下、右下、右上点，以及左上、左下、右下、右上点的坐标信息。
获取目标棒材的实时位置信息和历史位置信息，并根据所述实时位置信息和历史位置信息，判定目标棒材的运动状态。


5.根据权利要求4所述的热轧棒材收集完成辊道落料检测方法，其特征在于，
所述实时位置信息包括：
[BarPoint1(x1,y1),BarPoint2(x1,y1),BarPoint3(x1,y1),BarPoint4(x1,y1)]
所述历史位置信息包括：
[BarPoint1(x2,y2),BarPoint2(x2,y2),BarPoint3(x2,y2),BarPoint4(x2,y2)]
其中，BarPoint1x1、BarPoint1y1分别为当前检测时间节点的目标识别框左上角的x、y坐标；
BarPoint4x1、BarPoint4y1分别为当前检测时间节点的目标识别框右下角的x、y坐标；
BarPoint1x2、BarPoint1y2分别为上一检测时间节...

【专利技术属性】
技术研发人员：庞殊杨，袁钰博，赵静，刘睿，贾鸿盛，王嘉骏，刘斌，毛尚伟，
申请(专利权)人：中冶赛迪重庆信息技术有限公司，
类型：发明
国别省市：重庆;50