745,739
次編輯
變更
创建页面,内容为“ '''钢板号喷码字符识别技术'''智能制造冶金领域。 ==主要技术内容== ===技术背景和意义:=== 钢板字符包括面喷及侧…”
'''钢板号喷码字符识别技术'''智能制造冶金领域。
==主要技术内容==
===技术背景和意义:===
钢板字符包括面喷及侧喷字符;传统钢铁生产线的钢板号信息、标印质量需人工确认。当前,随着智能制造的不断推进,产线向无人化升级日益紧迫,钢板字符识别是产品质量管控流程的重要一环,如何利用图像识别技术进行多种钢板表面字符检测从而替代人工识别是钢铁生产智能化的攻关难点之一。
===技术要点和优势:===
基本原理采用深度学习技术设计算法模型,其算法可以实现端到端的多种形式(钢板表面喷印字符、钢板表面钢印字符、钢板侧面喷印字符)的钢板字符识别。利用图像采集系统,自动采集钢板字符(钢板表面喷印字符、钢板表面钢印字符、钢板侧面喷印字符)的图像,将图像进行标注并得到标注文件,数据集由多种钢板字符图像及对应的标注文件组成。设计由三级网络模块构成的一种基于多级网络融合的钢板字符检测方法。利用一级网络模块YOLOv3目标检测对钢板表面图像的字符区域进行检出、并对检出区域进行质量判断,为提高YOLOv3特征提取的能力、提高多尺度预测的感受野对YOLOv3的主干卷积神经网络Darknet53进行改进。利用二级网络模块DBNet语义分割网络,将步骤31检出的表面喷印字符区域和钢印字符区域分割得到字符行。利用三级级网络模块EfficientDet网络进行单个字符检测,在分割得到的钢板表面字符行基础上准确识别每一个字符。利用迁移学习训练多级网络模型算法,解决训练过程中容易造成过拟合的问题,提升网络训练效果,实现端到端、鲁棒性强、检测精度高的在线钢板字符检测。 该设计既能保证识别的精度、还能保证算法的鲁棒性,实现了有效对多种类的钢板字符进行识别。
==技术应用情况==
该技术在2021年应用于南京钢铁板卷厂加热炉集控、南京钢铁宽厚板厂精整车间后道识别、沙钢中板厂二级自动化改造、晋钢1450热轧炉前板坯识别等项目近30多套。该技术识别的钢板表面字符主要由 “0、1、2、3、4、5、6、7、8、9”阿拉伯数字、以及 “A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q、R、S、T、U、V、W、X、Y、Z”二十六个英文字母组成。相比于与传统构造人工特征提取器的OCR技术相比,本应用中用到的基于深度神经网络的多模型融合目标检测模型,其算法结构设计更为简单、能自动提取特征、检测精度高、鲁棒性更好。其中单个字符检测准确率大于99.7%,14位钢板号综合检测准确率大于98%。
==参考文献==
[[Category:500 社會科學類]]