(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210515716.X (22)申请日 2022.05.11 (71)申请人 河钢数字技 术股份有限公司 地址 050000 河北省石家庄市高新区黄河 大道136号科技中心1号楼 (72)发明人 李毅仁　申培　李玉涛　林亚团　 来博文　陈云朋　冯兴　许春亮　 (74)专利代理 机构 石家庄知住优创知识产权代 理事务所(普通 合伙) 13131 专利代理师 王丽巧 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的废钢料型占比识别方 法 (57)摘要 本发明公开了一种基于深度学习的废钢料 型占比识别方法， 包括以下步骤： 步骤一、 基于深 度残差网络和注意力模块构建特征提取主干网 络， 通过主干网络对 给定废钢图像进行多尺度特 征提取， 得到有效特征层和基础特征层； 步骤二、 融合有效特征层和基础特征层进行特征融合得 到融合特征层， 通过融合特征层预测每个像素点 的废钢类别， 得到废钢料型的语义特征信息； 步 骤三、 融合基础特征信息和语义特征信息， 预测 不同类型废钢的占比； 本发明提出的废钢特征提 取主干网络， 结合深度残差网络和注意力机制， 能够提取更深层次的不同类型废钢特征， 同时注 意力机制使废钢料型特征提取过程中更能关注 不同类型废钢特征， 从而废钢料型特征提取过程 更加有效。 权利要求书1页 说明书4页 附图3页 CN 115100403 A 2022.09.23 CN 115100403 A 1.一种基于深度学习的废钢料 型占比识别方法， 其特 征在于： 包括以下步骤： S1、 基于深度残差网络和注意力模块构建特征提取主干网络， 通过主干网络对给定废 钢图像进行多尺度特 征提取， 得到有效特 征层和基础特 征层； S2、 融合有效特征层和基础特征层进行特征融合得到融合特征层， 通过融合特征层预 测每个像素点的废钢类别， 得到废钢料 型的语义特 征信息； S3、 融合基础特 征信息和语义特 征信息， 预测不同类型废钢的占比。 2.根据权利要求1所述的一种基于深度 学习的废钢料型占比识别方法， 其特征在于： 所 述步骤S1具体包括以下步骤： S11、 在深度残差网络选用4个残差块， 第1个残差块由1个卷积残差块和1个恒等残差块 组成， 第2个残差块由1个卷积残差块和3个恒等残差块组成， 第3个残差块由1个卷积残差块 和10个恒等残差块组成， 第4个残差块由1个卷积残差块和2个恒等残差块组成， 以此增加废 钢特征提取主干网络的深度； S12、 在每个残差块后接一个注意力 机制模块， 利用注意力 机制模块中的通道注意力模 块和空间注意力模块， 更有效提取不同类型废钢的特 征； S13、 通过主干 网络的4个残差块， 每个残差块经过注意力机制模块后， 共生成第一、 二、 三个不同尺度的有效特 征层和一个 基础特征层； 3.根据权利要求1所述的一种基于深度 学习的废钢料型占比识别方法， 其特征在于： 所 述步骤S2具体包括以下步骤： S21、 通过对基础特征层上采样， 然后与第三个有效特征层融合形成新的特征层， 再次 对新的特征层上采样， 然后与第二个有效特征层融合形成新的特征层， 重复此过程， 最 终融 合基础特 征层和三个有效特 征层形成与输入尺寸 一样的融合特 征层； S22、 通过融合特 征层预测每 个像素点的废钢类别， 得到废钢料 型的语义特 征层。 4.根据权利要求1所述的一种基于深度 学习的废钢料型占比识别方法， 其特征在于： 所 述步骤S3具体包括以下步骤： S31、 将提取到的多维废钢类别基础特征层和语义特征层展平为一维特征， 将一维基础 特征和语义特 征进行拼接融合； S32、 构建多层感知器， 将拼接融合的一维废钢类别特征输入多层感知器， 预测不同类 型废钢的占比。权　利　要　求　书 1/1 页 2 CN 115100403 A 2一种基于深度学习的废钢料型占比识别方 法 技术领域 [0001]本发明属于炼钢设备废钢管理技术领域， 具体涉及一种基于深度学习的废钢料型 占比识别方法。 背景技术 [0002]目前炼钢设备以转炉和电炉为主， 其在主要的原料(生铁、 废钢)配比有一定的差 异， 电炉较转炉工艺消耗更多废钢， 对废钢管理和质量的好坏程度将影响电耗和钢 产量， 所 以加强对废钢料的质量管理有利于促进增钢和节电； [0003]由于废钢使用量大， 多料型掺杂混装， 需要对购买的废钢进行不 同料型废钢占比 的验质； 传统废钢验质受人为主观因素影响比较大， 需丰富经验才能判断， 同时废钢验质作 业环境较为恶劣， 质检员每次需要攀高四五米到大货车车顶， 对车内废钢进行近距离观察， 劳动强度大， 作业 风险高； [0004]当前深度学习和计算机视觉技术广泛应用于图像分割和图像识别领域， 深度学习 中的卷积神经网络在图像分割和图像目标识别方面取得较好的效果， 将深度学习技术应用 到自动识别废钢车厢所运载废钢的不同料型占比， 为工作人员提供废钢料型占比验质依 据， 减少工作量， 保证工作安全； [0005]目前存在以下两个挑战： [0006](1)采用传统图像分割方法预测料型占比需要巨大的图像分割数据标注工作量， 模型成型时间较慢， 基于图像分割标注一张废钢图像往 往需要一小时以上的时间； [0007](2)由于废钢料型极为复杂， 存在大目标废钢和极小目标废钢等多种形态， 采用传 统图像分割方法在 对小型混杂废钢标注时， 由于其边界不清晰导致无法准确对小 型混杂废 钢像素区域标注， 从而导 致小型混杂废钢识别效果 不理想。 发明内容 [0008]本发明构建了一个废钢检测卷积神经网络(Scrap  steel Detection Convolution  Neural Network,SDCNN)模型， 完成对废钢车辆中不同类型废钢占比的准确 识别， 为此， 本发明首先提出一种基于深度残差网络(Deep  Residual Network,ResNet)和 注意力机制模块(Convolutional  Block Attention  Module, CBAM)构建特征提取主干 网 络， 其次， 本发明基于主干网络所提取的四个特征层进 行上采样并特征融合， 得到一个融合 特征层， 通过融合特征层对每个像素点进行分类预测， 得到废钢料型 的语义信息， 最后， 将 主干网络提取的基础特征信息和融合特征层提取的语义特征信息进行融合， 实现对不同类 型废钢占比的预测。 [0009]为实现上述目的， 本发明提供如下技术方案： 一种基于深度学习的废钢料型占比 识别方法， 包括以下步骤： [0010]步骤一、 基于深度残差网络和注意力模块构建特征提取主干网络， 通过主干网络 对给定废钢图像进行多尺度特 征提取， 得到有效特 征层和基础特 征层；说　明　书 1/4 页 3 CN 115100403 A 3