基于SE注意力机制的废钢分类评级方法

为了解决传统人工方法对废钢分类评级人为因素干扰大且效率低下等问题,提出基于挤压-激励(Squeeze-Excitation,SE)注意力机制构建废钢分类评级的深度学习网络模型,并对采集到的废钢卸载过程图像进行模型训练和验证.首先,搭建物理尺寸比例为1∶3废钢质量查验物理模型,采用高分辨率视觉传感器模拟采集货车卸载废钢作业场景下不同废钢的形貌特征;然后,对采集到的废钢图像使用跨阶段局部网络进行特征提取,利用空间金字塔结构解决特征丢失问题,采用注意力机制关注通道间的相关性;最后,在包含7个标签分类的两个数据集进行模型训练与验证.实验表明:该模型能够有效地对不同级别的废钢进行自动评级判定,全类别准确率达到83.7%,全类别平均精度为88.8%,在准确性方面相比于传统人工验质方法具有显著优势,解决了废钢入库过程中质量评价的公正性难题.

基于深度学习的废钢分类评级方法研究

废钢是现代钢铁工业重要的铁素来源,是钢企实现碳中和的重要原料。不同级别的废钢价格悬殊,其质量直接影响钢企的生产成本和产品质量。因此,废钢入炉前的分类和评级问题,受到钢企的普遍重视和高度关注。针对传统人工方法在废钢的分类评级中所出现的效率低、安全性和公正性差等问题,基于深度学习中的卷积注意力机制和加权双向特征融合网络构建废钢分类评级模型。首先,搭建废钢质量查验物理模型,模拟货车卸载废钢的生产作业场景,采用高分辨率视觉传感器采集不同类别的废钢图像。其次,设计了一种结合注意力与特征融合的废钢验质深度学习模型,将卷积注意力模块(convolutional block attention module,CBAM)加入主干网络对采集的废钢图像数据集进行特征提取,聚焦并保留图像的重要特征;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)平衡多尺度特征信息,进行多尺度特征融合。最后,在模型预测阶段,利用所构建的废钢质量验质模型进行废钢类别和质量判级,验证模型的精确性与检测效率。基于自制废钢验证数据集,与主流的目标检测模型Faster R–CNN、YOLOv4、YOLOv5系列以及YOLOv7进行性能比较。实验结果表明:本研究构建的废钢质量验质模型识别判级的准确率Acc达到了86.8%,所有类别平均精度m AP为89.2%,均高于对比的目标检测模型,在准确性、实时性以及识别评级效率方面可满足实际生产应用,解决废钢分类评级过程中的诸多难题,实现废钢的智能验质和公正判定。