本发明专利技术公开了一种废钢智能判级装置，包括图像采集系统和图像处理系统，其中，所述的图像处理系统包括视频抽帧模块和废钢判级模块；所述的图像采集系统用于实时采集废钢卸车的视频并发送给视频抽帧模块，所述的视频抽帧模块用于将接收的视频进行抽帧后发送给废钢判级模块，所述的废钢判级模块使用深度学习技术检测视频帧中的废钢并自动对废钢进行判级；所述的视频抽帧模块中包含用于检测钢爪位置的目标检测算法以及用于检测卸货车辆位置的分割算法。利用本发明专利技术，可以实现高效准确的废钢自动化分类，降低人力物力消耗，帮助更有效的利用和管理快速增长的废钢资源。利用和管理快速增长的废钢资源。利用和管理快速增长的废钢资源。
【技术实现步骤摘要】
一种废钢智能判级装置
[0001]本专利技术属于图像处理领域，尤其是涉及一种废钢智能判级装置。
技术介绍
[0002]随着钢铁产量不断增加，每天也会有大量的废钢产生。所谓废钢，就是在生产生活的过程中，淘汰或者损坏的作为回收利用的废旧钢铁，分为废钢、废铁、冶金废渣、氧化废料等，这些都统称为废钢。
[0003]本着物尽其用的原则，废钢供应部门必须通过加工手段，把不同种类和不同规格的废钢，按照炼钢生产要求，加工成为规格对路的炉料。在加工的同时要把能够直接利用的型材、钢板等挑选出来，经过剪切、气割加工以后，作为直接生产用料，从而提高废钢的利用价值。
[0004]目前大部分钢铁公司的废钢的回收分类还是靠人力完成，凭借个人经验与主观判断来把废钢按照其外形尺寸(一般为厚度)分为重型废钢、中型废钢等。这种方法不但极其依赖判断者的经验和状态，还容易产生廉洁问题，影响回收分类的效率。
[0005]为了减少人力物力的消耗、提高回收分类的效率，可以将深度学习引入废钢判级中。现有的基于深度学习的废钢判级方法，如申请号为202110527787.7的中国专利文献公开了“一种人工智能废钢扣杂评级方法及系统”，申请号为202110527787.7的中国专利文献公开了一种基于视频监控的废钢车厢等级判定方法。以上两种方法均没有除去重复检测的结果(钢爪/吸盘每次只会抓取车厢中的部分废钢，因此同一块废钢可能出现在不同图片中)，而这会导致判级的错误率大大增加。
[0006]因此，需要设计一种操作简单、准确率高、安全性高、稳定性好的废钢智能判级装置。
技术实现思路
[0007]本专利技术提供了一种废钢智能判级装置，可以实现高效准确的废钢自动化分类，降低人力物力消耗，帮助更有效的利用和管理快速增长的废钢资源。
[0008]一种废钢智能判级装置，包括图像采集系统和图像处理系统，其中，所述的图像处理系统包括视频抽帧模块和废钢判级模块；
[0009]所述的图像采集系统用于实时采集废钢卸车的视频并发送给视频抽帧模块，所述的视频抽帧模块用于将接收的视频进行抽帧后发送给废钢判级模块，所述的废钢判级模块使用深度学习技术检测视频帧中的废钢并自动对废钢进行判级；
[0010]所述的视频抽帧模块中包含用于检测钢爪位置的目标检测算法以及用于检测卸货车辆位置的分割算法，具体抽帧过程如下：
[0011](1)由基于YOLOv3的目标检测算法得到钢爪位置(x,y,w,h)，将(x+w/2,y+h/2)作为钢爪位置(x0,y0)；
[0012](2)由基于Deeplab的分割算法检测车辆位置，将包含车辆信息的像素点赋值为1，
不包含车辆信息的像素点赋值为0，得到车辆预测二值结果图；
[0013](3)将钢爪位置(x0，y0)点乘车辆预测二值结果图，点乘结果作为钢爪与车辆相对位置值P；
[0014](4)重复以上步骤，记录钢爪与车辆相对位置值P的历史信息，当P值历史信息在2秒内保持为0时，计算当前图像的透射率，根据下式计算
[0015][0016]其中，上标“～”表示预估值，ω＝0.95，I(y)为暗通道，Ω(x)是以像素X为中心的一个9*9窗口，c表示彩色图像每个通道(即RGB三通道)，A为历史经验值，为透射率，当t小于0.5时则将当前图像输出为当前帧。
[0017]进一步地，所述的目标检测算法将YOLOv3网络中的Darknet替换为基于深度可分离卷积的MobileNet，MobileNet用于把标准卷积分解成深度卷积和逐点卷积，对于一个Same卷积层，假设输入特征图的尺寸为(n
H1
,n
W1
,n
C1
)，其中n
H1
×
n
W1
是特征图的大小，n
C1
是特征图的通道数，且输出特征图的通道为n
C2
；卷积核被分为(f,f,1,n
C1
)和(1,1,n
C1
,n
C2
)两种卷积核，前者滤波，后者改变通道数。
[0018]所述的分割算法基于Deeplab网络，在DeepLab网络Encoder主体部分中，将原图像使用灰度共生矩阵法提取图像共生矩阵和对应纹理特征，并将其作为特征合并到网络输出结果中进行降维；Encoder输出的特征图经过双线性上采样4倍得到跨度为4的特征图A，再取Encoder中对应着相同分辨率的特征层，经过1
×
1卷积降通道，此时输出特征图为B；两个特征图A和B做concat拼接，再经过一个3
×
3卷积细化特征，最终再双线性上采样4倍得到预测结果。
[0019]进一步地，所述的视频采集装置包括底部设有滑轮的机箱、固定在机箱上的可升降竖杆以及与可升降竖杆顶端固定的横梁，所述横梁的一端设有光学成像模块，另一端设有无线网桥；
[0020]光学成像模块拍摄的视频通过无线传输的方式发送给图像处理系统，图像处理系统检测废钢并自动判级。
[0021]所述的可升降竖杆采用气压升降，所述的机箱内设有气泵、蓄电池和配重块；所述的气泵用于将压力气体泵入可升降竖杆从而将竖杆各节升起；所述竖杆顶端设有四个挂钩。
[0022]所述的废钢智能判级装置还包括客户端，所述的客户端与图像处理系统之间保持TCP协议通讯，实时观测和控制废钢检测的状态；图像处理系统将处理整车的结果发送到客户端，在客户端可进行输出报告、结果查询核对操作。
[0023]所述的客户端由数台便携式计算机构成，便携计算机搭载了废钢智能判级装置的终端软件，用于显示废钢智能判级装置的运行状态，包括光学成像模块所采集的图像、废钢智能判级的结果和运行时状态、对应的车辆信息。
[0024]所述图像处理系统中的视频抽帧模块和废钢判级模块之间通过TCP协议进行传输，将待传输图像各像素点顺序转为int64格式信息，并在数据信息前添加传输协议信息；添加的传输协议信息包括数据包头包尾、命令域、数据长度域和校验码；其中，包头包尾信
息包括8位二进制数据，命令域包括3位二进制数据，数据长度域包括由int64组成的二进制数据，校验码为海明校验码。
[0025]与现有技术相比，本专利技术具有以下有益效果：
[0026]1、本专利技术与其他同类设备相比，基于可移动设计，移动电源和无线传输可以使得设备摆脱线缆的束缚；本专利技术采用可升降竖杆，能够保证整体稳定性的同时从更高的角度拍摄车厢情况，避免货车围栏的遮挡，可在无厂房场地下使用。
[0027]2、本专利技术可以检测到表层的大部分废钢，而被遮挡的底层废钢可以在卸车过程中通过多次拍照来解决，最终检测结果可以覆盖绝大多数的废钢，实现自动准确的废钢智能判级的同时还可识别出某些特定种类的物体，如非金属材料、带空腔的密闭容器等等，不仅降低了废钢回收的成本，为废钢回收提供安全环境，有利于废钢回收的发展，更降低人力物力消耗，帮助更有效的利用和管理快速增长的废钢本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种废钢智能判级装置，其特征在于，包括图像采集系统和图像处理系统，其中，所述的图像处理系统包括视频抽帧模块和废钢判级模块；所述的图像采集系统用于实时采集废钢卸车的视频并发送给视频抽帧模块，所述的视频抽帧模块用于将接收的视频进行抽帧后发送给废钢判级模块，所述的废钢判级模块使用深度学习技术检测视频帧中的废钢并自动对废钢进行判级；所述的视频抽帧模块中包含用于检测钢爪位置的目标检测算法以及用于检测卸货车辆位置的分割算法，具体抽帧过程如下：(1)由基于YOLOv3的目标检测算法得到钢爪位置(x,y,w,h)，将(x+w/2,y+h/2)作为钢爪位置(x0,y0)；(2)由基于Deeplab的分割算法检测车辆位置，将包含车辆信息的像素点赋值为1，不包含车辆信息的像素点赋值为0，得到车辆预测二值结果图；(3)将钢爪位置(x0,y0)点乘车辆预测二值结果图，点乘结果作为钢爪与车辆相对位置值P；(4)重复以上步骤，记录钢爪与车辆相对位置值P的历史信息，当P值历史信息在2秒内保持为0时，计算当前图像的透射率，根据下式计算保持为0时，计算当前图像的透射率，根据下式计算其中，上标“～”表示预估值，ω＝0.95，I(y)为暗通道，Ω(x)是以像素X为中心的一个9*9窗口，c表示彩色图像每个通道，A为历史经验值，为透射率，当t小于0.5时则将当前图像输出为当前帧。2.根据权利要求1所述的废钢智能判级装置，其特征在于，所述的目标检测算法将YOLOv3网络中的Darknet替换为基于深度可分离卷积的MobileNet，MobileNet用于把标准卷积分解成深度卷积和逐点卷积，对于一个Same卷积层，假设输入特征图的尺寸为(n
H1
,n
W1
,n
C1
)，其中n
H1
×
n
W1
是特征图的大小，n
C1
是特征图的通道数，且输出特征图的通道为n
C2
；卷积核被分为(f,f,1,n
C1
)和(1,1,n
C1
,n
C2
)两种卷积核，前者滤波，后者改变通道数。3.根据权利要求1所述的废钢智能...
【专利技术属性】
技术研发人员：刘东，吴雨涛，陈炜彬，胡晓波，
申请(专利权)人：浙江大学嘉兴研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。