首页|废钢料型智能识别的语义分割模型选择与实现

废钢料型智能识别的语义分割模型选择与实现

Selection and implementation of semantic segmentation model for intelligent recognition of scrap type

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目前业界对废钢智能评级和扣杂的方案都是基于目标识别模型,但是目标识别模型与语义分割模型相比其无法精确刻画废钢的边界,造成对废钢的面积估计和特征采集不精准.然而当前语义分割模型众多,如何选择一种适合废钢判级场景的模型是亟待解决的问题.针对该问题,首先在实验室建立1∶3物理模型,模拟不同类型废钢入厂验质场景;然后,用2K分辨率摄像头采集图像数据;最后,将主流的20种语义分割模型进行对比分析.试验表明,在139张废钢数据集上应使用全卷积神经网络(fully convolutional network,FCN)模型搭配高分辨率网络(high-resolution net,HRNet)对废钢进行语义分割;在图像增强的1 529张废钢数据集上应使用基于Transformer改进的高效语义分割模型SegFormer-B5对废钢进行预测分类;从平均交并比(mean intersection over union,mIoU)评价指标来看,FCN和基于上下文表示的语义分割网络(object-contextual repre-sentations network,OCRNet)使用HRNet主干网络比残差主干网络(residual network,ResNet)平均提高6.6个百分点.

朱立光、陈泊羽、肖鹏程、张妍、许云峰

展开 >

华北理工大学冶金与能源学院,河北唐山063210

河北科技大学材料科学与工程学院,河北石家庄050021

河北科技大学信息科学与工程学院,河北石家庄050021

废钢 语义分割 FCN OCRNet SegFormer-B5 Deeplabv3P

国家自然科学基金青年科学基金河北省自然科学基金优秀青年科学基金河北省自然科学基金优秀青年科学基金河北省高等学校科学技术研究项目河北省"三三三人才工程"资助项目唐山市人才资助重点项目

51904107E2020209005E2021209094BJ2019041A202102002A202010004

2023

10.3969/j.issn.1000-7059.2023.03.009

冶金自动化
冶金自动化研究设计院

冶金自动化

影响因子：0.685
ISSN：1000-7059
年,卷(期)：2023.47(3)
  • 1