关键词:
废钢检测
深度学习
卷积神经网络
YOLO
摘要:
随着科技的快速发展,人们的生活越来越趋向于智能化。工业智能化将成大势所趋,我国十三五发展规划明确提出,要促进人工智能在经济社会重点领域的推广应用。废钢等级智能评级能够实现基于订单的废钢回收全过程监控。在废钢回收过程中,受天气情况、光照强度以及卸料过程中难以避免的废钢与废钢之间存在遮挡现象的影响,对图像中的废钢目标物实现精确定位及类别判定有一定的难度。卷积神经网络利用卷积运算提取到待检图像内的特征。本文主要研究YOLO系列算法,分析比较YOLOv1、YOLOv2和YOLOv3三个算法的区别,对YOLOv3的网络结构进行优化,可视化废钢等级评价结果,实现废钢回收过程中废钢的准确识别和判定,主要研究内容如下:首先,研究基于深度学习的目标检测算法,分析各类算法的优缺点。在此过程中分析卷积神经网络的工作原理,对卷积神经网络提取特征的机制有了一定的了解。结合废钢等级评价的实际问题:废钢的检测应具备较好的时效性、在存在遮挡的情况下应尽量准确地识别出目标物,我们选择基于卷积神经网络的YOLOv3算法,这是一个基于回归的算法,能够直接判定输入图像内废钢的类别,在检测过程中不需要太长的时间。根据废钢回收的实际情况,对YOLOv3网络结构做了改进,优化了图像雾化收敛算法,改进非极大值抑制算法。借助VOC数据集,对比YOLOv2、YOLOv3及改进的YOLOv3算法的表现,基于改进的YOLO3算法能够满足废钢等级评价的要求。然后,创建废钢数据集。废钢数据集内的图像来自废钢卸料现场的监控抓拍、废钢公司提供的废钢相片以及部分从互联网检索到的废钢图片。对废钢图像的标记,选择开源的LabelImg软件。为了提高现场采集图像的相片质量,对所有待检输入图像进行图像降噪处理,由于收集到的废钢图像数据集规模有限,我们通过水平翻转、固定角度旋转以及多张图像叠加等图像增广方式,扩大废钢数据集的规模。最后,可视化废钢等级评价结果。为给废钢回收企业、废钢提供方提供智能化的辅助参考服务,我们利用Microsoft Visual Studio 2017编程环境与OpenCV开源库,设计了简洁明了的废钢等级评价系统。该系统主要包括图像数据导入模块、图像预处理模块、废钢等级评价模块和检测信息输出模块,能够对输入图像内的废钢进行检测,并将检测结果可视化在废钢等级评价系统中,方便用户实时查询废钢检测结果。