一种基于深度学习的圆坯端面坯号方向分类方法和装置

本发明涉及智能冶金，尤其涉及基于深度学习的圆坯端面坯号方向分类方法和装置。

背景技术：

1、在圆坯生产过程中，特定的数字、字母或符号被喷涂在圆坯上，作为标识其批次的重要信息。钢坯作为钢铁生产的关键原材料，其质量至关重要，而坯号则成为质量追溯的重要索引，轧制前对这些标识的确认，是确保产品质量、避免装料错误和生产质量事故的关键步骤，同时标识信息可作为库存管理的数据以保障坯料出库、入库跟踪、调度和管理的自动化。随着自动化生产线的普及，当前市场上存在多种坯号字符识别系统技术，主流解决方案多采用视觉处理技术，结合传统方法与深度学习算法，实现更高效、准确的坯号识别。端面标号的检测与识别一般可以分为以下步骤：获取图像，判断图像中是否存在方坯端面坯号以及坯号是否完整，字符区域粗定位，矫正坯号字符行角度，进行单字符或字符行的检测与识别。

2、现场图像采集时，由于辊道移动速度的差异以及相机的采集灵敏度限制，原始图像中坯料位置不一，会出现端面坯号不存在或不完整的出现采集图像中的情况，且坯号的方向也存存在差异，尤其是圆坯坯号的方向差异更为明显。因此，在进行圆坯端面坯号检测与识别之前，应当先检测图像中是否坯号完整，进一步的，需要对坯号的文本行角度识别、矫正，将包含完整坯号图像中的坯号矫正到水平状态。

3、因此，如何准确、高效地检测到图像中坯号方向，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、本发明实施例的目的是提供一种基于深度学习的圆坯端面坯号方向分类方法和装置，能够解决现有技术中存在的无法准确、高效地检测到图像中坯号方向的问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、本发明实施例提供了一种基于深度学习的圆坯端面坯号方向分类方法，其中，该包括：

4、建立圆坯端面坯号数据集，其中，所述数据集中包含多张圆坯端面坯号图像；

5、将所述圆坯端面坯号数据集划分为训练数据集和测试数据集；

6、对所述训练数据集中的各图像进行预处理；

7、基于预处理后的图像对改进后的alexnet网络进行训练，得到分类模型；

8、基于所述测试数据集对所述分类模型进行测试，在测试结果为所述分类模型满足预设条件的情况下，确定所述分类模型训练完成；其中，所述改进后的alexnet网络中包含坯号文本方向分类功能；

9、基于训练完成的分类模型和文本识别单元，对待测试图像进行处理，以确定待测试图像中圆坯端面坯号方向所属类别。

10、可选地，所述建立圆坯端面坯号数据集的步骤，包括：

11、利用工业相机拍摄圆坯端面坯号图像；

12、针对每个所述圆坯端面坯号图像，对所述图像进行预设处理，建立圆坯端面坯号数据集；其中，所述预设处理包括：数据增强处理、人工标注，所述数据增强处理为将圆坯端面坯号图像按照预设旋转角度旋转多次，且每次旋转后保持旋转后的圆坯端面坯号图像。

13、可选地，对所述训练数据集中的各图像进行预处理的步骤，包括：

14、针对训练数据集中的每个图像，依次对图像进行灰度处理、滤波以及数据增强处理。

15、可选地，所述改进后的alexnet网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层、第二全连接层、第三全连接层；

16、所述第一卷积层、所述第二卷积层、所述第四卷积层均包括依次设置的卷积层、激活函数relu以及池化层；其中，所述第一卷积层与所述第二卷积层包含的卷积层与池化层之间添加有局部响应归一化层lrn；

17、所述第三卷积层包括依次设置的卷积层、激活函数relu；

18、所述第一全连接层、所述第二全连接层均包括依次设置的全连接层、relu以及随机失活dropout层；

19、所述第三全连接层包括依次设置的全连接层和softmax函数。

20、可选地，基于预处理后的图像对改进后的alexnet网络进行训练，得到分类模型的步骤，包括：

21、网络训练中，选用改进后的alexnet作为坯号方向分类模型，选用adamw优化器作为坯号方向分类识别模型训练的优化器；选用交叉熵损失函数作为坯号方向分类识别模型训练的损失函数。

22、可选地，基于训练完成的分类模型和文本识别单元，对待测试图像进行处理，以确定待测试图像中圆坯端面坯号方向所属类别的步骤，包括：

23、将带有圆坯端面坯号的待测试图像输入训练完成的分类模型中进行方向判断，圆坯端面坯号方向分类结果；

24、根据所述分类结果对所述待测试图像进行角度旋转矫正，并将矫正后的所述待测试图像输入文本识别单元进行识别得到圆坯端面坯号识别结果。

25、本发明实施例还提供了一种基于深度学习的圆坯端面坯号的方向分类装置，其中，该装置包括：

26、建立模块，用于建立圆坯端面坯号数据集，其中，所述数据集中包含多张圆坯端面坯号图像；

27、划分模块，用于将所述圆坯端面坯号数据集划分为训练数据集和测试数据集；

28、预处理模块，用于对所述训练数据集中的各图像进行预处理；

29、训练模块，用于基于预处理后的图像对改进后的alexnet网络进行训练，得到分类模型；

30、测试模块，用于基于所述测试数据集对所述分类模型进行测试，在测试结果为所述分类模型满足预设条件的情况下，确定所述分类模型训练完成；其中，所述改进后的alexnet网络中包含坯号文本方向分类功能；

31、预测模块，用于基于训练完成的分类模型和文本识别单元，对待测试图像进行处理，以确定待测试图像中圆坯端面坯号方向所属类别。

32、可选地，所述建立模块包括：

33、第一子模块，用于利用工业相机拍摄圆坯端面坯号图像；

34、第二子模块，用于针对每个所述圆坯端面坯号图像，对所述图像进行预设处理，建立圆坯端面坯号数据集；其中，所述预设处理包括：数据增强处理、人工标注，所述数据增强处理为将圆坯端面坯号图像按照预设旋转角度旋转多次，且每次旋转后保持旋转后的圆坯端面坯号图像。

35、可选地，所述预处理模块具体用于：

36、针对训练数据集中的每个图像，依次对图像进行灰度处理、滤波以及数据增强处理。

37、可选地，所述改进后的alexnet网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层、第二全连接层、第三全连接层；

38、所述第一卷积层、所述第二卷积层、所述第四卷积层均包括依次设置的卷积层、激活函数relu以及池化层；其中，所述第一卷积层与所述第二卷积层包含的卷积层与池化层之间添加有局部响应归一化层lrn；

39、所述第三卷积层包括依次设置的卷积层、激活函数relu；

40、所述第一全连接层、所述第二全连接层均包括依次设置的全连接层、relu以及随机失活dropout层；

41、所述第三全连接层包括依次设置的全连接层和softmax函数。

42、可选地，所述训练模块具体用于：

43、网络训练中，选用改进后的alexnet作为坯号方向分类模型，选用adamw优化器作为坯号方向分类识别模型训练的优化器；选用交叉熵损失函数作为坯号方向分类识别模型训练的损失函数。

44、可选地，所述预测模块包括：

45、第三子模块，用于将带有圆坯端面坯号的待测试图像输入训练完成的分类模型中进行方向判断，圆坯端面坯号方向分类结果；

46、第四子模块，用于根据所述分类结果对所述待测试图像进行角度旋转矫正，并将矫正后的所述待测试图像输入文本识别单元进行识别得到圆坯端面坯号识别结果。

47、本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述任意一种基于深度学习的圆坯端面坯号方向分类方法的步骤。

48、本技术实施例提供的基于深度学习的圆坯端面坯号方向分类方案，建立圆坯端面坯号数据集；将圆坯端面坯号数据集划分为训练数据集和测试数据集；对训练数据集中的各图像进行预处理；基于预处理后的图像对改进后的alexnet网络进行训练，得到分类模型；基于测试数据集对分类模型进行测试，在测试结果为分类模型满足预设条件的情况下，确定分类模型训练完成；

49、基于训练完成的分类模型和文本识别单元，对待测试图像进行处理，以确定待测试图像中圆坯端面坯号方向所属类别。本技术实施例提供的该方案，通过改进后的alexnet多层卷积从原始采集图像中提取特征，在训练分类模型时利用全连接层和softmax的提取全局特征对采集的图像进行分类最终预设条件的分类模型，基于训练完成的分类模型进行圆坯端面坯号方向分类，能够高效、准确地识别出圆坯端面坯号方向。