CN110796046A 基于卷积神经网络的智能钢渣检测方法和系统 （武汉科技大学）

基于卷积神经网络的智能钢渣检测方法和本发明公开了一种基于卷积神经神经网络的智能钢渣检测方法和系统，包括钢渣图像识进的AlexNet卷积神经网络的图像识别方法识别而准确检测出钢流夹渣情况；基于Lab颜色空间的K均值聚类算法对彩色图像进行预处理并采用2钢渣图像识别：利用红外探测器和摄像机，获钢流目标检测：对彩色钢渣图像中的钢流信息进彩色钢渣图像分割步骤：针对彩色钢渣图像目标与背景区域颜2.根据权利要求1所述的基于卷积神经神经网络的智能钢渣检测方法，其特征在于钢选取样本图片进行样本数据分类，样本图片中的一大部分作搭建tensorflow和keras深度学习框架，利用这两个框架来创建改进进行图片预处理，使用h5py存储数据集图片以实现灵活高效的I/O、高容量和复杂数3.根据权利要求1所述的基于卷积神经神经网络的智能钢渣检测方法，其特征在于钢后利用训练好的模型得到当前钢渣目标的包围框置信度，并对边界框中的物体进行分类；4.根据权利要求1所述的基于卷积神经神经网络的智能钢渣检测方法，其特征在于彩5.根据权利要求1所述的基于卷积神经神经网络的智能钢渣检测方法，其特征在于采3将图像分为背景和目标两类，计算目标和背景灰度均值，根据根据改进的最佳阈值选取公式，遍历灰度级，使函数取得最大值时的t即为最佳阈值6.根据权利要求1所述的基于卷积神经神经网络的智能钢渣检测方法，其特征在于利7.一种基于卷积神经网络的智能钢渣检测系统，其所述图像识别模块设置为利用基于改进的AlexNet卷积神经网络作为钢渣图像识别的所述目标检测模块设置为基于YOLOv3卷积神经网络模所述图像分割模块设置为利用基于Lab颜色空间的K均值聚类算法对目标检测模块处所述可视化用户界面系统设置为通过按钮可视化操作；4[0005]本发明要解决的技术问题是提供一种基于卷积神经神经网络的智能钢渣检测方5图像分割算法对预处理后的钢渣图像进行阈值分割，将钢渣较为准确的从钢流中分离出6[0036]所述图像识别模块设置为利用基于改进的AlexNet卷积神经网络作为钢渣图像识[0038]所述图像分割模块设置为利用基于Lab颜色空间的K均值聚类算法对目标检测模集能力和计算机的计算能力，采用基于改进的AlexNet网络的图像识别方法识别出钢渣图7[0044]1)钢流识别功能。基于改进的AlexNet卷积祌经网络的识别方法避免了繁杂的显是无法实现的。所以需要在Lab颜色空间利用K-means聚类算法对彩色钢渣图像进行预处[0059]图1-2为本发明实施例基于卷积神经网络的智能钢渣检测系统总体结构图；本实施例是利用红外探测器和摄像机(如图2的红外摄像头)采集钢渣视频图像，采用笔记本电8钢渣视频图像，采用笔记本电脑作为终端控制平台与显示硬件均在本发明的保护范围之深网络模型的深度以加强卷积神经网络对高层次特征的提取能力。但是随着网络的加深，[0069]所以本实施例利用AlexNet卷积神经网络作为钢渣图像识别的模型框架来学习、[0073]本实施例利用基于Lab颜色空间的K均值聚类算法对彩色图像进行预处理并提出9素点xi由表征其特征的b个数据构成。K均值聚类的目的是将n个像素点划分为k类并形成k[0079]将聚类中的每个子类统计一次则得到所有像素点到其所属类别的聚类中心的欧[0084]传统最大类间方差法的基本原理为：设一幅图像为I，图像灰度值的取值范围为[0098]其中ω,ω2分别表示为er(0)xi(0)和两项方差的权重系数。[0100]本发明提供的一种基于卷积神经网络的智能钢渣检测方法如图1所示，包括以下[0102]步骤2：利用基于改进的AlexNet卷积神经网络的图像识别方法对本图片进行识[0114]采集2000张图片(图3是2000张图片的部分数据可视化图)，其中1400张作为训练[0124]图4为本发明的AlexNet网络模型结构图，将AlexNet网络模型中的第一层卷积核原来单标签分类的Softmax分类器换成多标签分类的Logistic分类器来进行类别信息预尺度特征图之间的局部特征融合。最终输出的是特征图是深度为18的张量3×(4+1+1)=[0151]图6为本发明实施例的YOLOv3检测算法的检测效果图，图6(a)和图6(b)为铁水脱够准确识别出类别为“gangzha”，而没有识别成其它类别。结合置信度和类别信息表明信息截取出罐体及罐中的钢水与钢渣，目的是为了降低复杂背景对钢渣目标检测的影响。[0168]参见图9本发明实施例的K-means算法预处理效果图；利用k均值聚类算法对图像[0177]本实施例采用了两种类型图片，一种是铁水脱硫扒渣工艺流程中的图片(有罐