冷床区范围较大、结构紧凑、安装金属探测仪困难且成本较高,常用的自动化二级跟踪策略无法有效地完成对该场景下钢板的跟踪。通过利用改进的SOLO实例分割算法构建冷床区钢板检测的视觉模型,识别得到冷床区各个钢板对象的坐标位置和长宽...冷床区范围较大、结构紧凑、安装金属探测仪困难且成本较高,常用的自动化二级跟踪策略无法有效地完成对该场景下钢板的跟踪。通过利用改进的SOLO实例分割算法构建冷床区钢板检测的视觉模型,识别得到冷床区各个钢板对象的坐标位置和长宽尺寸;再结合逻辑跟踪模型形成多模型匹配跟踪策略,能够识别到行车下料、冷床卡钢等特殊情况,实现自动下料跟踪和异常预警。结果表明,改进的SOLO实例分割方法在6种不同的环境场景下平均mAP(mean average precision)提升到98.14%,平均mIoU(mean intersection over union)提升到98.72%,并且实现了29.1 fps的处理速率,满足了生产条件中对于准确率和实时性的要求。展开更多
文摘冷床区范围较大、结构紧凑、安装金属探测仪困难且成本较高,常用的自动化二级跟踪策略无法有效地完成对该场景下钢板的跟踪。通过利用改进的SOLO实例分割算法构建冷床区钢板检测的视觉模型,识别得到冷床区各个钢板对象的坐标位置和长宽尺寸;再结合逻辑跟踪模型形成多模型匹配跟踪策略,能够识别到行车下料、冷床卡钢等特殊情况,实现自动下料跟踪和异常预警。结果表明,改进的SOLO实例分割方法在6种不同的环境场景下平均mAP(mean average precision)提升到98.14%,平均mIoU(mean intersection over union)提升到98.72%,并且实现了29.1 fps的处理速率,满足了生产条件中对于准确率和实时性的要求。