图像识别预警系统

图像识别预警系统

王海波，黄波，王炜明，葛栋

（青岛特殊钢铁有限公司，山东 青岛 266000）

摘 要：高速线材厂由于产线跨度大，故监控点多，操作人员在进行生产操作时需观察监控点位是否出现异常状况。因生产轧制速度快的特点，当产线出现异常时，如果发现、处理不及时，会导致产线故障扩大化，增大设备的损坏率。如无法第一时间发现产线异常，会增加从发现问题到解决问题的周期时间，从而影响生产效率。当调控产线异常画面时，需要联合监控系统查找异常发生时的画面录像，没有一个整体的异常录像存储数据库。采用图像识别预警系统，将传统视觉方法结合深度学习和小样本训练法，针对One-Shot目标检测和小目标检测算法，进行深度优化​，远程部署​、一键部署，解决问题。

关键词：图像识别技术;人工智能; 目标检测; 小目标检测算法;

中图分类号:             文献标识码：A

1 项目背景

产线监控点多，监控人员身兼数职，实时监控难度太大，不能第一时间发现产线异常，避免产线故障，从而增加了设备的损坏率。调控异常画面时，需联合监控系统，没有独立的录像存储数据库。

2 图像识别预警系统

2.1智能化转型

用摄像机和边缘计算机代替传统的眼睛和大脑，如图1所示，.将图像识别算法嵌入生产的各个环节，为智能化转型赋能。

2.2 图像识别系统的流程

产线摄像机采集现场图像，将图像传输给边缘计算机，边缘计算机计算出结果后，将结果发送给系统服务器，然后给一级PLC控制器发送指令，一级PLC控制器反馈控制现场设备。如图2所示。

图1 图像识别系统流程图

2.3 图像识别系统的方案构架

图像识别系统的核心优势传统视觉方法结合深度学习和小样本训练法，针对One-Shot目标检测和小目标检测算法，进行深度优化​。远程部署​、一键部署，解决问题。方案构架如图2所示。

图2 图像识别系统的方案构架图

3 技术应用与实际效果展示

3.1钢坯弯曲/倾斜检测

业务场景描述：取刚机处判断钢坯是否弯曲或倾斜，如果钢坯弯曲超过一定程度，可能会卡在进料口。钢坯的倾斜过度会导致掉落，砸伤人或者设备。如图3所示。

算法名称：快速线检测算法（MLSD）

算法特点及优势：算法采用分块线检测方法，快速准确

异常处置措施：当钢坯位置出现倾斜或弯曲时及时报警，人工介入处理异常

图3 钢坯弯曲/倾斜检测

3.2飞剪空切检测

业务场景描述：检测飞剪是否会空切，如图4所示。

算法名称：基于深度学习的细分类算法。

算法特点及优势：算法针对飞剪场景进行优化，可以保证较高的准确率。

异常处置措施：当检测飞剪出现异常时，进行实时预警。

图4 飞剪空切检测

3.3集卷钩挂异常检测

业务场景描述：集卷的时候上下部分的线材都有可能会被挂住/拉住，如图5所示。

算法名称：基于深度学习的小样本分类算法。

算法特点及优势：算法在负样本极少的情况下设计了分类算法，取得了较高的分类精度。

图5 集卷钩挂异常检测

3.4运卷小车挂C型钩掉圈识别

业务场景描述：检测钢卷是否上卷成功，视频上卷失败，有部分钢卷掉落，如图6所示。

算法名称：基于深度特征的关键帧检测算法。

算法特点及优势：算法采用特征匹配的方法来提取掉圈的图像，从而完成掉圈检测。

异常处置措施：当检测C型钩掉圈时，作出紧急停车，预警告知操作人员处理。

图6 运卷小车挂C型钩掉圈识别

3.5 打包结/打包线检测

业务场景描述：检测打包结是否完好，检测保护垫是否安装，如图7所示。

算法名称：物体检测算法（yoloV5）。

算法特点及优势：根据现场场景优化检测器，在打包机特定环境下，有很好的效果。

异常处置措施：当检测打包结异常，保护垫缺失时进行预警。

图7 打包结/打包线检测

4 结语

采用图象识别预警系统后，人均生产效率提升15%，协同效率提升15%，异常检出率从原先85%提升到99%，停机时间减少15%，响应时间从原来的10s减少到2s，视频单独存储和回溯，数据分析和辅助决策，提升企业数字化水平，辅助或者替代传统人工，大幅降低用工成本，减少人工劳动强度，提高了生产过程中操作人员的安全性。

参考文献：

[1]李弼程，彭天强，彭波.智能图像处理技术[M].北京;电子工业出版社，1998.

[2]彭淑敏.神经网络图像识别技术研究与实现[D].北京:西安电子科技大学，2005.

[3]胡小峰，赵辉.Visual C++/MATLAB图形处理与识别应用案例精选[M].北京：电子工业出版社，2004.