一种堆钢异常识别方法、装置及电子设备与流程

本申请涉及图像处理领域，具体涉及一种堆钢异常识别方法、装置及电子设备。

背景技术：

1、在钢铁的冶炼环节中，需使用机架对堆钢条进行运输，或者使用飞剪机器对钢条进行裁剪。但在运输、裁剪过程中的钢料如果出现堆钢，将会导致产品在上产线上大量堆积，将对生产线产生很大的安全隐患，需及时警报并通知相关人员进行处理。

2、在现有技术中，缺少高效、准确的堆钢异常识别方法以实现自动判别，堆钢事故发生时主要依靠有经验的工人进行识别。然而，由于产线多，每条产线生产时间长，且堆钢形成速度极快，人工监控存在效率低、反馈不及时等弊端，为产线运作带来极大的安全隐患。

技术实现思路

1、鉴于以上所述相关技术的缺点，本申请提供一种堆钢异常识别方法、装置、电子设备及介质，以解决产线安全隐患的问题。

2、本申请提供了一种堆钢异常识别方法，所述方法包括：获取飞剪图像数据，将所述飞剪图像数据输入至堆钢异常识别模型，获得推理结果，所述推理结果包括分割结果和检测结果；对所述推理结果进行筛选，得到筛选结果；根据所述筛选结果进行直线拟合，得到拟合直线；计算每个筛选结果的质心与所述拟合直线的距离和，根据所述距离和判定所述飞剪图像数据是否发生堆钢。

3、于本申请的一实施例中，在获取飞剪图像数据之前，所述方法还包括：获取飞剪图像样本数据，并对所述飞剪图像样本数据中的钢料位置进行标注处理，得到训练数据集；根据所述飞剪图像样本数据，通过自编码器构建初始钢料位置分割模型，并通过训练数据集对所述初始钢料位置分割模型进行训练，得到钢料位置分割模型；根据所述飞剪图像样本数据，通过深度可分离卷积构建初始钢料位置检测模型，并通过训练数据集对所述初始钢料位置检测模型进行训练，得到钢料位置检测模型；其中，将所述钢料位置分割模型和所述钢料位置检测模型进行关联，得到堆钢异常识别模型。

4、于本申请的一实施例中，通过自编码器构建初始钢料位置分割模型，包括：所述的自编码器表达式为：

5、y＝h(x)

6、r＝f(y)＝f(h(x))

7、其中，x表示输入数据，y表示编码信息，h为编码函数；r为重构信息，f为解码函数。

8、于本申请的一实施例中，通过深度可分离卷积构建初始钢料位置检测模型，包括：

9、

10、其中，c2为深度可分离卷积层的参数量；dk表示卷积核的宽；m表示输入数据的通道数；n为所采用的卷积核数量；df为输入图像的尺度。

11、于本申请的一实施例中，所述推理结果包括所述检测结果的宽度和长度，在得到筛选结果之前，还包括：通过预设的扩充系数对所述宽度和长度进行扩充，得到扩充长度和扩充宽度；基于所述扩充长度和所述检测结果的中心点，计算扩充后的检测结果的左上角横坐标以及右下角横坐标，基于所述扩充宽度和所述检测结果的中心点，计算扩充后的检测结果的左上角纵坐标以及右下角纵坐标，以对所述推理结果的范围进行扩充；基于扩充后的推理结果的范围进行筛选，得到筛选结果。

12、于本申请的一实施例中，对所述扩充后的推理结果进行筛选，得到筛选结果，包括：通过以下公式对所述扩充后的推理结果进行筛选，得到筛选结果：

13、

14、

15、

16、

17、其中，rseg为分割结果；rdet为扩充后的检测结果；rsave为筛选结果；为分割结果的左上角坐标；为分割结果的右下角坐标；为扩充后的检测结果的左上角坐标；为扩充后的检测结果的右下角坐标；为筛选结果的左上角坐标；为筛选结果的右下角坐标。于本申请的一实施例中，根据所述筛选结果进行直线拟合，得到拟合直线，包括：提取所述筛选结果的轮廓点，得到轮廓点集合；基于所述轮廓点集合，得到最小化误差表达式：

18、

19、其中，n为轮廓点集合中的轮廓点数量，(xi,yi)为轮廓点集合中的第i个轮廓点，a为斜率，b为截距，e为误差和；对所述最小化误差表达式进行求导，得到所述斜率的估计值和所述截距的估计值；基于所述斜率的估计值和所述截距的估计值，得到拟合直线。

20、于本申请的一实施例中，根据所述距离和判定所述飞剪图像数据是否发生堆钢，包括：计算所有距离和的均值；若所述均值大于预设的报警阈值，则确定所述飞剪图像数据发生堆钢，并发出报警信号；若所述均值小于或等于预设的报警阈值，则输出运行结果。

21、本申请提供了一种堆钢异常识别装置，所述装置包括：获取模块，用于获取飞剪图像数据，将所述飞剪图像数据输入至堆钢异常识别模型，获得推理结果，所述推理结果包括钢料分割结果和钢料检测结果；筛选模块，用于对所述推理结果进行筛选，得到筛选结果；拟合模块，用于根据所述筛选结果进行直线拟合，得到拟合直线；判定模块，用于计算每个筛选结果的质心与所述拟合直线的距离和，根据所述距离和判定飞剪图像数据是否发生堆钢。

22、有益效果：本发明提供的一种堆钢异常识别方法、装置及电子设备，通过获取飞剪图像数据，将飞剪图像数据输入至堆钢异常识别模型，获得推理结果，推理结果包括钢料分割结果和钢料检测结果；对推理结果进行筛选，得到筛选结果；根据筛选结果进行直线拟合，得到拟合直线。基于深度学习的堆钢识别网络，能够实时监控生产线上飞剪的情况，保证了判断结果准确性，并且通过计算每个筛选结果质心与拟合直线的距离和，根据距离和判定是否发生堆钢，计算量小、适应性强，能够快速并且准确地判定出是否发生堆钢，实现对各个生产线钢料的实时监控，进而达到当出现堆钢事故时能够及时报警，将损失降低到最小。

23、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

技术特征：

1.一种堆钢异常识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的堆钢异常识别方法，其特征在于，在获取飞剪图像数据之前，所述方法还包括：

3.根据权利要求2所述的堆钢异常识别方法，其特征在于，通过自编码器构建初始钢料位置分割模型，包括：

4.根据权利要求2所述的堆钢异常识别方法，其特征在于，通过深度可分离卷积构建初始钢料位置检测模型，包括：

5.根据权利要求1所述的堆钢异常识别方法，其特征在于，所述推理结果包括所述检测结果的宽度和长度，在得到筛选结果之前，还包括：

6.根据权利要求5所述的堆钢异常识别方法，其特征在于，对所述扩充后的推理结果进行筛选，得到筛选结果，包括：

7.根据权利要求1所述的堆钢异常识别方法，其特征在于，根据所述筛选结果进行直线拟合，得到拟合直线，包括：

8.根据权利要求1所述的堆钢异常识别方法，其特征在于，根据所述距离和判定所述飞剪图像数据是否发生堆钢，包括：

9.一种堆钢异常识别装置，其特征在于，所述堆钢异常识别装置包括：

10.一种电子设备，其特征在于，所述电子设备包括：

技术总结
本发明提供一种堆钢异常识别方法、装置及电子设备，该方法包括：通过获取飞剪图像数据，将飞剪图像数据输入至堆钢异常识别模型，获得推理结果，推理结果包括钢料分割结果和钢料检测结果；对推理结果进行筛选，得到筛选结果；根据筛选结果进行直线拟合，得到拟合直线。基于深度学习的堆钢识别网络，能够实时监控生产线上飞剪的情况，保证了判断结果准确性，并且通过计算每个筛选结果质心与拟合直线的距离和，根据距离和判定是否发生堆钢，计算量小、适应性强，能够快速并且准确地判定出是否发生堆钢，实现对各个生产线钢料的实时监控，进而达到当出现堆钢事故时能够及时报警，将损失降低到最小。

技术研发人员：刘竞升,张晓辉,庞殊杨,陶涛,李强,罗乾豪
受保护的技术使用者：中冶赛迪信息技术（重庆）有限公司
技术研发日：
技术公布日：2024/4/29