关键词:
废钢识别与分类
目标检测
卷积神经网络
光学图像YOLOv3算法
摘要:
废钢铁在固废中是最有回收价值的一类可循环利用的资源,也是炼钢的原材料之一。在对废钢的循环再利用中,首先遇到的问题就是对废钢的分类处理,但目前尚没有成系统的处理废钢的机械化设备,这主要是由于废钢的种类极其多样,导致没有统一的分类标准。但区分废钢的种类对后续的处理是非常有必要的,目前这一类的工作主要依靠人工现场目测分类完成,这就会出现人员因人为因素掺假以及视觉疲劳等问题引起的废钢等级误判,从而造成非常大的经济损失。本论文使用光学图像处理方法,解决轻中重型废钢的自动化识别分类问题。首先设计相关算法进行废钢的识别分类,其次对这一类固废的统计资料进行存档,这一步骤对于鉴别某一回收站的废钢类型以及后续的处理都有积极意义。论文涉及到了图像处理技术和卷积神经网络的原理,通过对多个主流网络的分析对比,最终选取实时性和检测精确度都占优势的YOLOv3网络模型作为废钢分类系统的基础模型,对其模型网络进行改进后,应用于废钢分类系统,论文主要完成的工作如下:(1)对废钢光学图像进行预处理后构建训练数据集。预处理的步骤包括:对废钢图像进行高斯去噪、对图像进行边缘检测,输出目标物体的轮廓结果后对闭合轮廓做外接圆,再进行图像分块、分割后输出大量只含有单个目标的图像。预处理既起到了扩充数据集的作用,也起到了便于直接将训练数据输入到卷积神经网络模型中的作用;其次通过建立数据标注系统实现对所有数据样本的标签标定,最终完成训练数据集的构建。(2)结合废钢光学图像设计优化后的YOLOv3网络,以解决对小目标检测不够精确的问题。提出一种增加了第4尺度目标检测的改进模型,是在YOLOv3网络的多尺度特征融合网络结构上进行优化。原网络模型的目标检测是利用最后三个卷积模块特征融合后输出三个不同尺度,本文则采用最后四个卷积模块进行特征融合,进一步将倒数第三个卷积模块输出的52×52尺度特征图通过上采样,和倒数第四个卷积模块输出的104×104尺度特征图进行深度拼接,作为第4个尺度输出,从而起到扩充张量维度的目的,提升小目标的检测性能。(3)对废钢光学图像分类的YOLOv3网络损失函数进行优化。针对相交比不能准确反映预测框和真实框的距离和重合方式,提出使用广义交并比去计算边界框的回归损失函数;针对传统交叉熵的损失函数公式对所有样本都赋予相同权重这个问题,提出采用焦点损失代替置信度损失函数,对难分样本添加更多关注,减少易分样本的权重,从而进行有效的训练。本论文将相同的训练集与测试集输入到针对废钢光学图像设计的改进网络模型中,进行对比实验,分别对原YOLOv3网络模型与改进的YOLOv3模型的训练效果、性能、检测效果进行分析对比。由对比实验分析可知,改进后的YOLOv3网络模型在经过7000轮训练后,损失函数最终的收敛值从11下降到了8左右,精度值(AP)由90.2%提升到95.05%,平均精度值(m AP)从82.73%提升到94.61%,性能高于原YOLOv3网络模型结构,这一结果为废钢的自动化识别分类与统计提供进一步研究的参考。