基于图像识别的废钢智能检判研究.pdfVIP

摘要

随着国家对钢铁企业在节能、减排和可持续发展方面更严格政策标准的制定，废钢

作为一种绿色环保且可循环利用的铁矿石替代资源，在钢铁行业中的重要性日益凸显。

废钢传统检判方法主要依赖现场工作人员经验判断，容易导致由人为干扰、视觉疲劳等

引发的误判现象。此外，废钢检判现场环境混乱复杂，给工作人员人身安全带来潜在风

险。针对这些问题，钢铁回收和冶炼行业亟待寻求一种更科学高效的废钢智能检判方法，

以适应行业发展。为此，论文采用图像识别等技术，针对废钢智能检判问题，研究图像

分类、目标检测与语义分割等算法，实现对废钢分类判级和对废钢中潜在危险品、混入

杂物等进行快速、准确的检测与扣除，提高废钢检判的准确性和安全性，为钢铁行业可

持续发展提供有力支持。

论文将废钢智能检判分解为三项任务：废钢分类、废钢危险品检测、废钢混入杂物

扣除分割。根据实际场景，将监控摄像头安装在钢铁企业废钢回收场地，构造合适的视

角，覆盖废钢回收作业区域，构建废钢检判图像数据集，并进行算法设计改进与验证。

针对废钢分类任务，设计图像分类算法，识别废钢现场图像中的废钢类别。论文设

计基于ConvNeXt的废钢分类识别算法。引入CA坐标注意力机制以提升网络特征提取

能力。针对样本不平衡问题，改进损失函数，提高分类网络在废钢图像分类任务上的性

能。设计对比试验与消融实验，验证算法的有效性。

针对废钢危险品检测任务，设计目标检测算法，对废钢现场图像中的危险品进行检

测判别。考虑到对模型精度和实时性要求，设计了一种基于YOLOv5的目标检测模型。

设计混合注意力策略，增强特征表达能力。利用BiFPN网络改进原始网络特征融合结

构，提高模型对多尺度目标特征的提取融合能力。通过增加困难样本在计算置信度损失

值时的权重占比，使网络关注废钢危险品检测中困难样本学习。采用通道剪枝策略，降

低模型参数量和运算量，提高模型推理速度。对比实验表明，优化方案满足废钢危险品

检测任务的需求。

针对废钢混入杂物扣除分割任务，设计语义分割算法，对废钢中混杂物进行语义分

割，估计杂物混入量。论文设计了基于DeepLabV3+的废钢混入杂物扣除分割网络模型，

将主干网络更换为MobileNetV2，提升网络的推理速度与分割精度。在空洞空间金字塔

中引入可变形卷积与带状池化，提升上下文特征信息的融合能力。对比实验表明，改进

算法在处理废钢中混入杂物扣除分割任务上的有效性。

关键词：废钢检判，图像识别，废钢分类，危险品检测，语义分割

Keywords:scrapsteelinspection,imagerecognition,scrapsteelclassification,hazardous

materialdetection,semanticsegmentation

目录

摘要I

AbstractIII

目录V

第一章绪论1

1.1研究背景与意义1

1.2研究现状2

1.2.1废钢分类技术研究现状2

1.2.2图像分类算法研究现状2

1.2.3目标检测算法研究现状4

1.2.4语义分割算法研究现状6

1.3研究内容8

1.4论文架构8

第二章基于ConvNeXt的废钢图像分类算法11

2.1ConvNeXt网络模型11

2.1.1ConvNeXt网络总体设计11

2.1.2ConvNeXt卷积模块设计12

2.1.3ConvNeXt网络细节设计14

2.2改进ConvNeXt废钢分类算法16

2.2.1坐标注意力机制16

2.2.2损失函数改进17

2.2.3模型训练改进18

2