基于深度学习的废钢智能验质系统

基于深度学习的废钢智能验质系统
郭 锋
（建龙集团智能制造研究所 北京 100029）
摘　要：在钢铁企业中，废钢验质主要依靠人工进行，随意性很大。

对废钢验质全过程进行深入分析，设计了一套基于深度学习的全自动无人化废钢智能验质系统，在国内首次实现了钢铁行业关键原材料废钢使用过程中的全自动验判，彻底取代了人工验质，满足现代规模化钢铁冶金企业废钢采购和使用量化表征测试分析需求，钢铁企业实际数据的测试结果表明，所设计的系统避免了人工扣杂的主观性，能够为企业带来巨大的经济效益和社会效益。

关键词：废钢验质；深度学习；全自动无人化系统；效益
SCRAP INTELLIGENT QUALITY INSPECTION SYSTEM BASED ON DEEP LEARNING
Guo Feng
(Intelligent Manufacturing Research Institute of Jianlong group, Beijing 100029,China)
Abstract：In iron and steel enterprises, scrap quality inspection mainly depends on manual work, which is very random. In this paper, the whole process of scrap quality inspection is deeply analyzed, and a set of automatic and unmanned scrap intelligent quality inspection system based on deep learning is designed. It is the first time in China to realize the full-automatic quality inspection of scrap in the use of key raw materials in the iron and steel industry, completely replacing the manual quality inspection, and meeting the needs of modern large-scale iron and steel metallurgical enterprises for scrap procurement and quantitative characterization test and analysis. The test results of the actual data of iron and steel enterprises show that the system designed in this paper avoids the subjectivity of manual deduction, and can produce huge economic and social benefits for enterprises.
Key words：scrap quality inspection; deep learning; automatic unmanned system; benefit
0 前言
废钢铁炼钢有着重要的意义：一是再生资源，可以将社会的废弃物料通过冶炼、轧制再成为新的钢铁材料用于国民经济，既节省了资源，又处理了废料；二是用废钢炼钢是经济的工艺，符合国家节能降耗的要求，比用生铁炼钢可节约大量的人力、物力、财力，减少诸如采矿选矿、烧结、炼铁等多道生产环节，不仅节省矿石资源，也是降低能耗和成本的重要措施；三是减少污染，环保资料显示，使用废钢炼钢向大气排放的污染物比使用矿石减少86%，水污染减轻76%，废渣减少72%[1]，可见利用废钢炼钢会获得最大的经济效益和社会效益。

废钢铁已然成为炼钢厂的重要原料。

而且，废钢质量的好坏对炼钢生产的质量、产量都有重要影响。

那么，如何加强废钢质量控制，做好废钢验收等级判定，将成为钢铁企业研究的重要课题。

在钢铁行业废钢的验收中,普遍存在靠目测、卡尺测量及废钢检验人员经验判定，导致判定不准直接影响企业效益问题；存在供应商供废钢时，多
第一作者：郭锋，男，41岁，高级工程师收稿日期：2021-01-08
种料型混装及掺杂现象，增加验级和管理难度；存在废钢料型尺寸、成分超冶炼需求，影响冶炼钢种质量问题；存在进货量大，效率低、准确率低、人为因素，造成人力物力成本投入过高、卸车判定缓慢，影响炼钢生产节奏和冶炼操作的问题。

为此，针对钢铁行业普遍存在的废钢验收质量等级评价技术难题，我们设计并开发了废钢智能验证系统[2]。

1 废钢智能验质的总体架构
根据废钢在人工验收中的痛点，我们具体研究了人工验收的流程，并且结合了智能化算法，研究出了一套可靠、客观的验收流程。

人工验收，废钢等级识别的传统验质流程如图1所示。

针对整个验收流程梳理，结合现有计量系统、ERP 系统等系统关联，确认废钢等级智能识别验质流程图，客观切实的解决了废钢验收的流程复杂、人工干预较多的其他因素，具体流程如图2所示。

2 废钢智能验质的深度学习算法总体框架
在人工智能领域，深度学习其实是一种算法思维，其核心是对人脑思维深层次学习的模拟，通过
模拟人脑的深层次抽象认知过程，实现计算机对数据的复杂运算和优化。

深度学习采用的模型是深层神经网络（Deep Neural Networks，DNN）模型，即包含多个隐藏层（Hidden Layer，也称隐含层）的神经网络（Neural Networks，NN）[3]。

深度学习利用模型中的隐藏层，通过特征组合的方式，逐层将原始输入转化为浅层特征，中层特征，高层特征直至最终的任务目标。

深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。

深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。

训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出，为训练深层模型带来了希望，并在多个应用领域获得了成功。

具体的算法流程如图3所示。

3 废钢智能验质系统
我们通过对废钢验质流程、模型算法的研究，归纳出了具体的废钢智能验质系统，我们对整个系统的接入层、服务层、应用层、接受层进行了考量。

整个废钢智能验质系统如图4所示。

图1 人工传统废钢验质流程
供应商提供手工单据
门卫司机进厂与验质沟通电话沟通卸料点
磅秤废钢库
出厂过毛重
过皮重
手工将车号、废钢重量、等级录入到
ERP
驶入规定地点
验质员上车目测废钢
进行判定与供应商沟通废钢等级是否合格
双方同意判定等级、扣
杂量、收卸车
4 总 结
本系统借助深度学习算法和智能识别技术，可以实时抓拍废钢车辆的卸料过程并逐层采样，对卸
货过程进行单层判级和最终整车判级，识别不达标废钢和杂质、异物，计算出整车扣重的预估值，还能对异物报警提示。

冶金行业废钢种类繁多、料型复杂、判级漏洞难控、人工判级手段落后，要实现智能识别难度很大，是个行业难题。

废钢智能验质系统上线后，解决了人工废钢判级带来的识别不准、客观性无图3 废钢等级智能识别算法流程
图2 废钢等级智能识别验质流程图
供应商录入初检等级
门卫司机自动刷卡自动分配卸料
地点
收卡出厂磅秤废钢库
废钢大厅
过皮重
过毛重自动抛车号、废钢重量、等级到ERP
吸盘逐次卸料
刷卡请检驶入规定地点
远程监控
自动拍照（上、中、下）
自动终端现场显示判定等级、扣杂量
实时自动判定废钢等级、扣杂量
法保证等问题，同时也大大降低了员工的劳动强度，促进废钢检验工作的安全、精准、高效运行。

这一成果实现了废钢判级从人工现场判级到智能判级的跨越。

废钢图像获取
废钢图像标定废钢图像预处理废钢图像表征选取废钢等级识别A.车辆定位
B.识别是否有装料或空车
C.除磁盘吊
D.调整摄像机角度和焦距
A.剪切车辆护拦
B.标定废钢等级
C.标定废钢扣杂量
A.倾斜校正
B.去噪
C.二值化
D.分割
A.基础特征3×3卷积核
B.中级特征3×3卷积核
C.着色边缘特征7×7卷积核
D.纹理特征1×1卷积核
A.车辆定位
B.识别是否有装料或空车
C.除磁盘吊
D.调整摄像机角度和焦距
参考文献
[1] 丛力群. 工业 4.0 时代的工业软件[J]. 冶金自动化，2016，40（1）：1-2.
[2] 刘景钧. 践行两化融合 打造数字化、智能化钢铁企业-河钢唐钢两化融合做法成效及经验[J]. 冶金管理，2015（12）：30-35.
图4 废钢智能验质系统
[3] 中华人民共和国国务院. 中国制造 2025[R]. 北京：中华人民共和国国务院，2015.
[4] 工业和信息化部, 国家标准化管理委员会.国家智能制造标准体系建设指南（2015 年版）[R]. 北京
:2015.
石化技术. 2016, 23(3): 264.
[3] 李东芳. 超快冷条件下厚规格X80管线钢组织控制及断裂行为研究[D]. 沈阳:东北大学，2015.
[4]
张志明，韩秀林，姜金星，等. X80M 钢级准
φ1 219 mm×33 mm 管线钢管的开发[J]. 焊管. 2015, 38(9): 32-36.
[5] 李延丰. 西气东输二线管道工程用X80钢级φ1 219 mm 直
缝埋弧焊管的研发[J]. 中国冶金文摘. 2009, 23(5): 34-36.
[6] Xiao F, Liao B, Shan Y, et al. Challenge of Mechanical Properties of an Acicular Ferrite Pipeline Steel[J]. Materials Science and Engineering: A. 2006, 431(1-2): 41-52.
[7] 张国春，朱海宝，武会宾，等. 强韧X80管件钢的组织和力学性能[J]. 材料热处理学报. 2011, 32(4): 64-69.
（上接第38页）。