[发明专利]一种基于视觉感知的钢卷层数检测方法

说明书

本发明公开了一种基于视觉感知的钢卷层数检测方法，涉及钢卷层数检测技术领域。该基于视觉感知的钢卷层数检测方法，所述步骤二中在Non‑local算子的公式中，响应值是通过计算不同区域之间的关系得到，而在在非局部关系建模中，是通过赋予每个成对的局部关系一个可学习的权重，利用钢厂现场摄像头中产生的图片标注产生用于微调模型的特定场景数据集，同时在模型训练的阶段，利用Grad‑CAM来对不同的特征图的重要性差异进行建模，从而在训练分类器的同时，还可以关注到影响分类结果的关键区域以能够地进一步提升分类精度。这不仅在一定程度上增加了深度学习模型对于工作人员的透明度和友好程度，也解放了钢厂工作人员的劳动力。

技术领域

本发明涉及钢卷层数检测技术领域，具体为一种基于视觉感知的钢卷层数检测方法。

背景技术

随着人工智能技术中的不断发展，依赖于计算机视觉技术的无人天车系统在钢厂中得到了越来越广泛的应用。无人天车系统基于传统的人工天车系统将视觉技术、信息技术和网络技术结合在一起形成一套完整的基于视觉感知的无人化作业的库区综合管理系统。目前无人天车系统已相对成熟，然而在钢卷层数检测方面仍需要一定的人力成本，例如天车吊钩在置放钢卷的时候需要人为地设定置放高度，这在一定程度上限制了天车的全自动化管理。面对此视觉场景，理想的无人天车系统需要自动地对钢厂中钢卷层数检测任务进行建模、分析和判断，同时将观察信息传递到后台，后台驱动控制电机来自动调整吊钩的置放高度。目前已经有大量先进且成熟的基于视觉感知的检测技术可以用于场景识别，然而这些方法存在以下的几点不足：

(1)、这些方法通常使用多种场景下的图像对模型进行训练，这会导致模型无法对一些特定的视觉场景定向地识别和理解，因此使用包含特定场景的图像对模型进行重新调整是必要的；

(2)、目前的场景识别模型缺少较好的可解释性，对于背景信息和前景信息不容易区分的场景，训练好的模型很难关注到真正影响识别结果的关键区域，因此通过模型训练过程中产生的梯度信息定位到图像中的关键区域并以此进一步增强场景识别能力；

(3)、现有的分类模型对图像的处理一般是采用卷积网络，卷积网络通过对局部邻近像素点进行线性组合来实现信息的聚合，然而这忽略了非局部像素点之间的关系。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于视觉感知的钢卷层数检测方法，解决了上述背景技术中提出的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于视觉感知的钢卷层数检测方法，该基于视觉感知的钢卷层数检测方法，包括以下步骤：

S1、对收集到的检测钢卷层数的视频进行抽帧处理，获取用于对钢卷监测模型进行优化的特定场景数据集；

S2、拿到钢卷厂数据后，基于AlexNet图像分类模型做进一步的优化，在已经加载预训练权重的基础上，用收集到的包含钢卷场景专用数据集进行微调，加强其在特定钢厂场景中的应用效果；

S3、该权重对当前特征图进行加权求和，经过ReLU激活函数得到σ_r：

S4、将计算机视觉技术与网络技术有机地融为一体。

优选的，所述S3中经过Grad-CAM操作，最初的特征图经过加权调整进行更新，包括了不同区域的重要性程度。

优选的，所述S2的过程中还包括：