基于改进GoogLeNet的锌渣识别算法

针对目前热镀锌工艺中捞渣机器人工作效率低、缺乏选择性等问题,提出一种基于深度学习的锌渣识别算法,以提高捞渣生产线无人化水平。首先,在GoogLeNet网络基础上进行改进,并搭建了适用于实际生产环境的锌渣识别模型;其次,利用经验丰富的工作人员所标注的薄渣和厚渣这两类锌渣图片来建立数据库,完成锌渣分类模型的训练;最后,将工业相机采集到的锌渣图像进行分块处理,标记每张小图的位置,将分割后的小图输入到训练好的模型中完成分类,并得到待捞锌渣的位置。实验结果显示,本文方法在测试集上的识别准确率达到99.1%,高于对比算法,并且针对每张锌渣原始图像的平均识别时间为0.36 s,只有传统GoogLeNet模型的53%,这证明所提出的锌渣识别算法具有较好的工业应用前景。

基于卷积神经网络的锌渣识别方法研究

由于实际工业中工作池内钢水与表面锌渣存在部分重叠和边界不清以致识别较难的情况,提出了一种基于U-Net(U型神经网络)网络的锌渣识别方法。该方法先是把工业摄像头采集到的工作池图像进行灰度化,均值滤波等多种平滑模糊处理后,再采用完善的U-Net网络进行轮廓提取。接着将所得图像做二值化处理后,通过OpenCV(跨平台计算机视觉库)自带函数获得结果并对其进行分析。实验结果表明,基于U-Net的锌渣识别方法不仅能准确快速地区分钢水与表面锌渣,也能降低人工经验中存在的误差。