基于深度学习的高温高粉尘铁水车液面识别

在炼钢过程中,高炉冶炼的铁水需经过通过高炉铁口、铁沟、摆动溜槽后装入铁水罐中以便将铁水运输到转炉环节,铁水装罐是一个关键的过程,为了确保安全和准确性,通常是通过人眼经验操作或远程相机监控来进行。手动控制存在安全隐患,而远程相机监控在铁水倾倒时可能受到高温光亮和烟雾遮挡等因素的限制,难以精准操作或实现自动化控制。针对高温的难点,提出一种基于深度学习的视觉识别方法,通过对铁水液面实时分割来间接计算铁水液位,达到铁水自动装罐的目的;针对烟雾遮挡的难点,提出通过去雾算法对采集到的图像进行预处理得到较为清晰的图片;针对铁水装罐过程中的液面特征,通过对YOLOV7实例分割算法进行改进,改进一是通过添加CrissCrossAttention注意力机制,降低背景的影响,使网络专注于被测目标,让检测的效果更好;二是参考了SPPF的思想,通过将SPPCSPC结构替换为SPPFCSPC结构,我们能够在保持感受野不变的情况下减少模型的参数量和计算量,从而实现速度的提升。同一数据集上的实验表明:相比改进前,该算法的掩膜与预测框 mAP 都提高了,检测没有训练的新样本,结果该模型速度比原YOLOv7快,可以快速精准的实现对铁水液面的检测与分割,证明了改进算法的优异性。