废钢料型识别方法及系统、存储介质以及电子设备与流程

1.本发明涉及计算机视觉和智能制造技术领域，具体而言，涉及一种废钢料型识别方法、一种废钢料型识别系统、一种存储介质以及一种电子设备。


背景技术：

2.相关技术中，废钢智能判级系统已经在多家钢企广泛应用。钢铁企业在对废钢处理时，大部分钢铁企业会将厚度为4mm以下的废钢定为轻薄料型，厚度为4mm以上的废钢定为中重料型。这两种废钢料型有非常明显的差异。然而，废钢供应商并不会对这两种废钢进行刻意区分，无法针对性的对不同类型的废钢进行响应的处理，影响废钢的处理效率。


技术实现要素：

3.本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
4.为此，本发明的第一个目的在于提出一种废钢料型识别方法。
5.本发明的第二个目的在于提出了一种废钢料型识别系统。
6.本发明的第三个目的在于提出了一种存储介质。
7.本发明的第四个目的在于提出了一种电子设备。
8.有鉴于此，根据本发明的第一个目的，本发明提供了一种废钢料型识别方法，其中，废钢料型识别方法包括：获取第一废钢图像；对第一废钢图像进行裁切，得到多个子图像，且每个子图像之间有部分重叠；根据子图像和废钢识别模型确定子图像中废钢的废钢料型；根据多个所述子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
9.本发明提供废钢料型识别方法具体包括：在运输废钢的车辆进入卸料点后，对其进行拍摄从而获取第一废钢图像。然后对第一废钢图像进行裁切，将第一废钢图像裁切成多个子图像，其中，每个子图像之间有部分重叠。由于废钢识别模型在废钢料型识别时对子图像的中心区域关注度较高，对边缘部分关注度比较低，如果在将第一废钢图像裁切成子图像时进行均等裁切的话，则在裁切处附近的特征很难被利用到，实际的有效区域会更小，所以在将第一废钢图像裁切成子图像时进行了一部分的重叠，这样有效区域会更大，从而保证后续识别时废钢识别模型所利用到的特征更丰富，准确率更高。然后将每个子图像分别与废钢识别模型进行计算从而确定出每个子图像中废钢的废钢料型。最后，再根据每个子图像中废钢的废钢料型，得到第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而可以针对性的对不同料型的废钢进行处理，提高了废钢的处理效率。
10.本发明是一种基于计算机视觉的废钢料型识别方法，通过对废钢料型进行预定级，来指导后续的废钢单体识别。本发明通过将高清摄像头拍摄的整车废钢的图像进行了多次有重叠的裁切，然后对每个区域分别使用废钢识别模型进行识别，得到每个区域中废钢的废钢料型，最后将所有区域进行整合从而得到了整车废钢中不同废钢料型的废钢的占比以及不同废钢料型的废钢所处的区域。本发明使用了一种基于图像裁切的废钢料型识别
方法，将图像进行有重叠的裁切分开进行识别，从而使识别结果更准确。
11.另外，根据本发明上述技术方案提供的废钢料型识别方法还具有如下附加技术特征：
12.在上述技术方案中，根据子图像和废钢识别模型确定子图像中废钢的废钢料型的步骤，包括：将子图像输入到废钢识别模型中；通过废钢识别模型根据子图像中废钢的多个维度的长度，确定子图像中废钢的实际厚度；根据实际厚度确定子图像中废钢的废钢料型。
13.在该技术方案中，根据子图像和废钢识别模型确定子图像中废钢的废钢料型的步骤，包括：将子图像输入到废钢识别模型中，利用废钢识别模型对子图像中废钢的废钢料型进行识别。废钢识别模型对子图像中废钢的废钢料型进行识别的过程是先获取子图像中废钢的多个维度的长度，然后废钢识别模型会根据废钢的多个维度的长度确定子图像中废钢的实际厚度，进而根据废钢的实际厚度确定子图像中的废钢的废钢料型。如果直接利用废钢识别模型对第一废钢图像进行识别只能得到整车废钢属于哪一种废钢料型，从而使得识别出的结果不贴近真实情况。而通过对裁切后的子图像进行识别，然后再得到第一废钢图像中不同废钢料型的比例，从而可以使得对混料进行识别时更准确，更贴近真实的废钢现场。
14.在上述任一技术方案中，根据实际厚度确定子图像中废钢的废钢料型的步骤，具体包括：当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定子图像中废钢的废钢料型为轻薄料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定子图像中废钢的废钢料型为中重料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，且子图像中实际厚度小于第一厚度的废钢的数量大于第四阈值的情况下，确定子图像中废钢的废钢料型为混合料型；其中，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
15.在该技术方案中，根据实际厚度确定子图像中的废钢的废钢料型的步骤，具体包括：当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值时，即在子图像中大部分废钢的实际厚度都小于第一厚度时，则确定该子图像中的废钢的废钢料型为轻薄料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值时，即在子图像中大部分废钢的实际厚度都大于第二厚度，则确定该子图像中废钢的废钢料型为中重料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，并且实际厚度小于第一厚度的废钢的数量小于第四阈值时，则确定该子图像中的废钢的废钢料型为混合料型，说明在该子图像中轻薄料型的废钢和中重料型的废钢都存在，并且在数量上还相差较少。进一步地，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
16.在上述任一技术方案中，根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤，具体包括：将多个子图像重新整合成第一废钢图像；根据多个子图像中废钢的废钢料型确定第一废钢图像中不同区域的废钢的废钢料型；根据第一废钢图像中不同区域的废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
17.在该技术方案中，根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤，具体包括：首先按照之前对第一废钢图像进行裁切的形式，进行逆向处理，将多个子图像重新整合成第一废钢图像。然后再根据每个子图
像中的废钢的废钢料型确定出第一废钢图像中不同区域中的废钢的废钢料型。然后再根据各个区域中的废钢的废钢料型进行计算，从而能够得出第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而实现了对整车废钢的废钢料型的识别。
18.根据本发明的第二个目的，本发明提供了一种废钢料型识别系统，其中，废钢料型识别系统包括：第一获取模块，第一获取模块用于获取第一废钢图像；裁切模块，裁切模块用于对第一废钢图像进行裁切，得到多个子图像，且每个子图像之间有部分重叠；第一确定模块，第一确定模块用于根据子图像和废钢识别模型确定子图像中废钢的废钢料型；第二确定模块，第二确定模块用于根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
19.本发明提供废钢料型识别系统具体包括：第一获取模块、裁切模块、第一确定模块以及第二确定模块。其中，第一获取模块在运输废钢的车辆进入卸料点后，对其进行拍摄从而获取第一废钢图像。然后裁切模块对第一废钢图像进行裁切，将第一废钢图像裁切成多个子图像，其中，每个子图像之间有部分重叠。由于废钢识别模型在废钢料型识别时对子图像的中心区域关注度较高，对边缘部分关注度比较低，如果在将第一废钢图像裁切成子图像时进行均等裁切的话，则在裁切处附近的特征很难被利用到，实际的有效区域会更小，所以在将第一废钢图像裁切成子图像时进行了一部分的重叠，这样有效区域会更大，从而保证后续识别时废钢识别模型所利用到的特征更丰富，准确率更高。第一确定模块将每个子图像分别和废钢识别模型进行计算从而确定出每个子图像中废钢的废钢料型。最后，第二确定模块根据每个子图像中废钢的废钢料型，得到第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而可以针对性的对不同料型的废钢进行处理，提高了废钢的处理效率。
20.在上述技术方案中，第一确定模块包括：输入模块，输入模块用于将子图像输入到废钢识别模型中；第三确定模块，第三确定模块用于通过废钢识别模型根据子图像中废钢的多个维度的长度，确定子图像中废钢的实际厚度；第四确定模块，第四确定模块用于根据实际厚度确定子图像中废钢的废钢料型。
21.在该技术方案中，第一确定模块包括：输入模块、第三确定模块以及第四确定模块。其中，输入模块将子图像输入到废钢识别模型中，利用废钢识别模型对子图像中的废钢的废钢料型进行识别。第三确定模块通过废钢识别模型对子图像中废钢的废钢料型进行识别的过程是先获取子图像中废钢的多个维度的长度，然后废钢识别模型根据废钢的多个维度的长度确定子图像中废钢的实际厚度，进而第四确定模块根据废钢的实际厚度确定子图像中的废钢的废钢料型。如果直接利用废钢识别模型对第一废钢图像进行识别只能得到整车废钢属于哪一种废钢料型，从而使得识别出的结果不贴近真实情况。而通过对裁切后的子图像进行识别，然后再得到第一废钢图像中不同废钢料型的比例，从而可以使得对混料进行识别时更准确，更贴近真实的废钢现场。
22.在上述任一技术方案中，第四确定模块具体用于：当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定子图像中废钢的废钢料型为轻薄料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定子图像中废钢的废钢料型为中重料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，且子图像中实际厚度小于第一厚度的废钢的数量大于第四阈值的情况下，确定子图像中废
钢的废钢料型为混合料型；其中，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
23.在该技术方案中，第四确定模块具体用于当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值时，即在子图像中大部分废钢的实际厚度都小于第一厚度时，则确定该子图像中的废钢的废钢料型为轻薄料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值时，即在子图像中大部分废钢的实际厚度都大于第二厚度，则确定该子图像中废钢的废钢料型为中重料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，并且实际厚度小于第一厚度的废钢的数量小于第四阈值时，则确定该子图像中的废钢的废钢料型为混合料型，说明在该子图像中轻薄料型的废钢和中重料型的废钢都存在，并且在数量上还相差较少。进一步地，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
24.在上述任一实施例中，第二确定模块具体包括：整合模块，整合模块用于将多个子图像重新整合成第一废钢图像；第五确定模块，第五确定模块用于根据多个子图像中废钢的废钢料型确定第一废钢图像中不同区域的废钢的废钢料型；第六确定模块，第六确定模块用于根据第一废钢图像中不同区域的废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
25.在该实施例中，第二确定模块包括：整合模块、第五确定模块以及第六确定模块。其中，整合模块按照之前对第一废钢图像进行裁切的形式，进行逆向处理，将多个子图像重新整合成第一废钢图像。然后第五确定模块再根据每个子图像中的废钢的废钢料型确定出第一废钢图像中不同区域中的废钢的废钢料型。然后第六确定模块根据各个区域中的废钢的废钢料型进行计算，从而能够得出第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而实现了对整车废钢的废钢料型的识别。
26.根据本发明的第三个目的，提出了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案的废钢料型识别方法的步骤。
27.本发明提供的存储介质，计算机程序被处理器执行时实现如上述任一技术方案的废钢料型识别方法的步骤，因此该存储介质包括上述任一技术方案的废钢料型识别方法的全部有益效果。
28.根据本发明的第四个目的，提出了一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；处理器执行计算机程序时实现如上述任一技术方案的废钢料型识别方法的步骤。
29.本发明提供的电子设备，计算机程序被处理器执行时实现如上述任一技术方案的废钢料型识别方法的步骤，因此该电子设备包括上述任一技术方案的废钢料型识别方法的全部有益效果。
30.本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
31.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
32.图1示出了根据本发明的一个实施例的废钢料型识别方法的流程示意图；
33.图2示出了根据本发明的一个实施例的废钢料型识别方法中根据子图像和废钢识别模型确定子图像中废钢的废钢料型的步骤的流程示意图；
34.图3示出了根据本发明的一个实施例的废钢料型识别方法中根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤的流程示意图；
35.图4示出了根据本发明的一个实施例的废钢料型识别系统的示意框图；
36.图5示出了根据本发明的一个实施例的废钢料型识别系统中的第一确定模块的示意框图；
37.图6示出了根据本发明的一个实施例的废钢料型识别系统中的第二确定模块的示意框图；
38.图7示出了根据本发明的一个实施例的电子设备的示意框图；
39.图8示出了根据本发明的一个实施例的第一废钢图像的示意图之一；
40.图9示出了根据本发明的一个实施例的第一废钢图像的示意图之二；
41.图10示出了根据本发明的一个实施例的第一废钢图像的示意图之三；
42.图11示出了根据本发明的一个实施例的第一废钢图像的示意图之四。
具体实施方式
43.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
44.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
45.图1示出了根据本发明的一个实施例的废钢料型识别方法的流程示意图。如图1所示，废钢料型识别方法包括：
46.s102：获取第一废钢图像；
47.s104：对第一废钢图像进行裁切，得到多个子图像，且每个子图像之间有部分重叠；
48.s106：根据子图像和废钢识别模型确定子图像中废钢的废钢料型；
49.s108：根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
50.本发明提供废钢料型识别方法具体包括：在运输废钢的车辆进入卸料点后，对其进行拍摄从而获取第一废钢图像。然后对第一废钢图像进行裁切，将第一废钢图像裁切成多个子图像，其中，每个子图像之间有部分重叠。由于废钢识别模型在废钢料型识别时对子图像的中心区域关注度较高，对边缘部分关注度比较低，如果在将第一废钢图像裁切成子图像时进行均等裁切的话，则在裁切处附近的特征很难被利用到，实际的有效区域会更小，所以在将第一废钢图像裁切成子图像时进行了一部分的重叠，这样有效区域会更大，从而保证后续识别时废钢识别模型所利用到的特征更丰富，准确率更高。然后将每个子图像分
别与废钢识别模型进行计算从而确定出每个子图像中废钢的废钢料型。最后，再根据每个子图像中废钢的废钢料型，得到第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而完成了对整车废钢的废钢料型的识别，进而可以针对性的对不同料型的废钢进行处理，提高了废钢的处理效率。
51.具体地，图8示出了根据本发明的一个实施例的第一废钢图像的示意图之一；如图8所示，在装有废钢的车辆进入卸料点后，会通过枪球机配合拍摄一张废钢图像。图9示出了根据本发明的一个实施例的第一废钢图像的示意图之二；在得到废钢图像后，对废钢图像进行裁切，通过对裁切后的子图像进行识别来得到整张图像的废钢料型占比，当子图像裁切的过于小时，子图像的整体特征会有一定的损失，后续的识别准确性会有下降，当子图像裁切的过于大时得到的废钢料型占比不够精细，因此，为了同时保证识别的准确性和识别结果的精细，可以如图9所示，沿图9中的虚线框从左往右，从上到下滑动，一共可以裁剪出4个有重叠的子图像，并且每个子图像之间有部分重叠。
52.在本发明中基于有重叠区域的裁切子图像的方法可以使得识别结果更准确。具体地，废钢料型识别模型是一个神经网络模型，由于神经网络模型在识别时对图像中心区域关注度较高，对边缘部分关注度比较低。如图10所示，图10显示是对第一废钢图像进行均等切割后的图像，其中，黑框区域为子图像，可以看出图10中在裁切处附近的特征很难被废钢料型识别模型利用到，实际的有效区域也就是图10中黑框区域中的黑色部分是非常小的，因此最后产生的识别结果的准确性就是很小。如图11所示，图11显示的是在对第一废钢图像进行有一部分的重叠的裁切，其中，黑框区域为子图像，可以看到图11中的有效区域即黑框区域中的黑色部分的范围非常大，因此保证后续识别时废钢料型识别模型所利用到的特征更丰富，从而使得准确率更高。本发明是一种基于计算机视觉的废钢料型识别方法，通过对废钢料型进行预定级，来指导后续的废钢单体识别。本发明通过将高清摄像头拍摄的整车废钢的图像进行了多次有重叠的裁切，然后对每个区域分别使用废钢识别模型进行识别，得到每个区域中废钢的废钢料型，最后将所有区域进行整合从而得到了整车废钢中不同废钢料型的废钢的占比以及不同废钢料型的废钢所处的区域。本发明使用了一种基于图像裁切的废钢料型识别方法，将图像进行有重叠的裁切分开进行识别，从而使识别结果更准确。
53.进一步地，在进行废钢料型识别方法之前需要通过大量的废钢图像以及相应的标签(该废钢图像为中重料型或轻薄料型)对算法模型进行训练，从而得到合适的模型参数，然后将模型参数加入到算法模型中从而得到了最终的废钢料型识别模型，进而可以通过废钢料型识别模型对图像进行识别，从而图像中废钢的废钢料型。
54.图2示出了根据本发明的一个实施例的废钢料型识别方法中根据子图像和废钢识别模型确定子图像中废钢的废钢料型的步骤的流程示意图。如图2所示，根据子图像和废钢识别模型确定子图像中的废钢的废钢料型的步骤，具体包括：
55.s202：将子图像输入到废钢识别模型中；
56.s204：通过废钢识别模型根据子图像中废钢的多个维度的长度，确定子图像中废钢的实际厚度；
57.s206：根据实际厚度确定子图像中废钢的废钢料型。
58.在该实施例中，根据子图像和废钢识别模型确定子图像中废钢的废钢料型的步
骤，包括：将子图像输入到废钢识别模型中，利用废钢识别模型对子图像中废钢的废钢料型进行识别。废钢识别模型对子图像中废钢的废钢料型进行识别的过程是先获取子图像中废钢的多个维度的长度，然后废钢识别模型会根据废钢的多个维度的长度确定子图像中废钢的实际厚度，进而根据废钢的实际厚度确定子图像中的废钢的废钢料型。如果直接利用废钢识别模型对第一废钢图像进行识别只能得到整车废钢属于哪一种废钢料型，从而使得识别出的结果不贴近真实情况。而通过对裁切后的子图像进行识别，然后再得到第一废钢图像中不同废钢料型的比例，从而可以使得对混料进行识别时更准确，更贴近真实的废钢现场。
59.进一步地，根据实际厚度确定子图像中废钢的废钢料型的步骤，具体为：当子图像中所述实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定子图像中废钢的废钢料型为轻薄料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定子图像中废钢的废钢料型为中重料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，且子图像中实际厚度小于第一厚度的废钢的数量大于第四阈值的情况下，确定子图像中废钢的废钢料型为混合料型；其中，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
60.在该实施例中，根据实际厚度确定子图像中的废钢的废钢料型的步骤，具体包括：当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值时，即在子图像中大部分废钢的实际厚度都小于第一厚度时，则确定该子图像中的废钢的废钢料型为轻薄料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值时，即在子图像中大部分废钢的实际厚度都大于第二厚度，则确定该子图像中废钢的废钢料型为中重料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，并且实际厚度小于第一厚度的废钢的数量小于第四阈值时，则确定该子图像中的废钢的废钢料型为混合料型，说明在该子图像中轻薄料型的废钢和中重料型的废钢都存在，并且在数量上还相差较少。进一步地，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
61.图3示出了根据本发明的一个实施例的废钢料型识别方法中根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤的流程示意图。如图3所示，根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤，具体包括：
62.s302：将多个子图像重新整合成第一废钢图像；
63.s304：根据多个子图像中废钢的废钢料型确定第一废钢图像中不同区域的废钢的废钢料型；
64.s306：根据第一废钢图像中不同区域的废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
65.在该实施例中，根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤，具体包括：首先按照之前对第一废钢图像进行裁切的形式，进行逆向处理，将多个子图像重新整合成第一废钢图像。然后再根据每个子图像中的废钢的废钢料型确定出第一废钢图像中各个区域中的废钢的废钢料型。然后再根据各个区域中的废钢的废钢料型进行计算，从而能够得出第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而实现了对整车废钢的废钢料型的识别。
66.进一步地，本发明中对900张图像进行了验证。其中，300张图像中废钢的废钢料型为中重料型，300张图像的废钢的废钢料型为轻薄料型，300张图像中废钢的废钢料型为混合料型。本发明将每个图像裁切成4个子图像，然后将每个子图像输入到废钢料型识别模型中进行识别，进而得到了整个图像的废钢料型占比。其准确率如表1所示，可以发现本发明对中重料型、轻薄料型以及混合料型的识别准确率都非常高。
67.表1
[0068] 中重料型轻薄料型混合料型准确率98.16％99.24％95.45％
[0069]
图4示出了根据本发明的一个实施例的废钢料型识别系统的示意框图。如图4所示，废钢料型识别系统40具体包括：
[0070]
第一获取模块402，用于获取第一废钢图像；
[0071]
裁切模块404，用于对第一废钢图像进行裁切，得到多个子图像，且每个子图像之间有部分重叠；
[0072]
第一确定模块406，用于根据子图像和废钢识别模型确定子图像中废钢的废钢料型；
[0073]
第二确定模块408，用于根据多个子图像中废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
[0074]
本发明提供废钢料型识别系统40具体包括：第一获取模块402、裁切模块404、第一确定模块406以及第二确定模块408。其中，第一获取模块402在运输废钢的车辆进入卸料点后，对其进行拍摄从而获取第一废钢图像。然后裁切模块404对第一废钢图像进行裁切，将第一废钢图像裁切成多个子图像，其中，每个子图像之间有部分重叠。由于废钢识别模型在废钢料型识别时对子图像的中心区域关注度较高，对边缘部分关注度比较低，如果在将第一废钢图像裁切成子图像时进行均等裁切的话，则在裁切处附近的特征很难被利用到，实际的有效区域会更小，所以在在将第一废钢图像裁切成子图像时进行了一部分的重叠，这样有效区域会更大，从而保证后续识别时废钢识别模型所利用到的特征更丰富，准确率更高。第一确定模块406将每个子图像分别和废钢识别模型进行计算从而确定出每个子图像中废钢的废钢料型。最后，第二确定模块408根据每个子图像中废钢的废钢料型，得到第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而可以针对性的对不同料型的废钢进行处理，提高了废钢的处理效率。
[0075]
图5示出了根据本发明的一个实施例的废钢料型识别系统中的第一确定模块的示意框图。如图5所示，第一确定模块406具体包括：
[0076]
输入模块4062，用于将子图像输入到废钢识别模型中；
[0077]
第三确定模块4064，用于通过废钢识别模型根据子图像中废钢的多个维度的长度，确定子图像中废钢的实际厚度；
[0078]
第四确定模块4066，用于根据实际厚度确定子图像中废钢的废钢料型。
[0079]
在该实施例中，第一确定模块406包括：输入模块4062、第三确定模块4064以及第四确定模块4066。其中，输入模块4062将子图像输入到废钢识别模型中，第三确定模块4064利用废钢识别模型对子图像中的废钢的废钢料型进行识别。废钢识别模型对子图像中的废钢的废钢料型进行识别的过程是先获取子图像中废钢的多个维度的长度，然后利用废钢识
别模型根据废钢的多个维度的长度确定子图像中废钢的实际厚度，进而第四确定模块4066根据废钢的实际厚度确定子图像中的废钢的废钢料型。如果直接利用废钢识别模型对第一废钢图像进行识别只能得到整车废钢属于哪一种废钢料型，从而使得识别出的结果不贴近真实情况。而通过对裁切后的子图像进行识别，然后再得到第一废钢图像中不同废钢料型的比例，从而可以使得对混料进行识别时更准确，更贴近真实的废钢现场。
[0080]
进一步地，第四确定模块4066具体用于：当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定子图像中废钢的废钢料型为轻薄料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定子图像中废钢的废钢料型为中重料型；当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，且子图像中实际厚度小于第一厚度的废钢的数量大于第四阈值的情况下，确定子图像中废钢的废钢料型为混合料型；其中，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
[0081]
在该实施例中，第四确定模块4066具体用于当子图像中实际厚度小于第一厚度的废钢的数量大于第一阈值时，即在子图像中大部分废钢的实际厚度都小于第一厚度时，则确定该子图像中的废钢的废钢料型为轻薄料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第二阈值时，即在子图像中大部分废钢的实际厚度都大于第二厚度，则确定该子图像中的废钢的废钢料型为中重料型。当子图像中实际厚度大于第二厚度的废钢的数量大于第三阈值，并且实际厚度小于第一厚度的废钢的数量小于第四阈值时，则确定该子图像中的废钢的废钢料型为混合料型，说明在该子图像中轻薄料型的废钢和中重料型的废钢都存在，并且在数量上还相差较少。进一步地，第二厚度大于或等于第一厚度，第三阈值小于第二阈值，第四阈值小于第一阈值。
[0082]
图6示出了根据本发明的一个实施例的废钢料型识别系统中的第二确定模块的示意框图。如图6所示，第二确定模块408具体包括：
[0083]
整合模块4082，用于将多个子图像重新整合成第一废钢图像；
[0084]
第五确定模块4084，用于根据多个子图像中废钢的废钢料型确定第一废钢图像中不同区域的废钢的废钢料型；
[0085]
第六确定模块4086，用于根据第一废钢图像中不同区域的废钢的废钢料型确定第一废钢图像中不同废钢料型的废钢的占比以及所处区域。
[0086]
在该实施例中，第二确定模块408包括：整合模块4082、第五确定模块4084以及第六确定模块4086。其中，整合模块4082按照之前对第一废钢图像进行裁切的形式，进行逆向处理，将多个子图像重新整合成第一废钢图像。然后第五确定模块4084再根据每个子图像中的废钢的废钢料型确定出第一废钢图像中不同区域中的废钢的废钢料型。最后第六确定模块4086根据各个区域中的废钢的废钢料型进行计算，从而能够得出第一废钢图像中不同废钢料型的废钢的占比以及所处区域，进而实现了对整车废钢的废钢料型的识别。
[0087]
根据本发明的第三个目的，提出了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行实现如上述任一实施例的废钢料型识别方法的步骤。
[0088]
本发明提供的存储介质，计算机程序被处理器执行时实现如上述任一实施例的废钢料型识别方法的步骤，因此该存储介质包括上述任一实施例的废钢料型识别方法的全部有益效果。
[0089]
图7示出了根据本发明的一个实施例的电子设备的示意框图；如图7所示，电子设备70包括：包括：存储器702、处理器704以及存储在存储器702上并可在处理器704上运行的计算机程序；处理器704执行计算机程序时实现如上述任一技术方案的废钢料型识别方法的步骤。
[0090]
本发明提供的电子设备70，计算机程序被处理器704执行时实现如上述任一实施例的废钢料型识别方法的步骤，因此该电子设备70包括上述任一实施例废钢料型识别方法的全部有益效果。
[0091]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0092]
在本说明书的描述中，术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0093]
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0094]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种废钢料型识别方法，其特征在于，所述废钢料型识别方法包括：获取第一废钢图像；对所述第一废钢图像进行裁切，得到多个子图像，且每个所述子图像之间有部分重叠；根据所述子图像和废钢识别模型确定所述子图像中废钢的废钢料型；根据多个所述子图像中废钢的废钢料型确定所述第一废钢图像中不同废钢料型的废钢的占比以及所处区域。2.根据权利要求1所述的废钢料型识别方法，其特征在于，所述根据所述子图像和废钢识别模型确定所述子图像中废钢的废钢料型的步骤，包括：将所述子图像输入到所述废钢识别模型中；通过所述废钢识别模型根据所述子图像中废钢的多个维度的长度，确定所述子图像中废钢的实际厚度；根据所述实际厚度确定所述子图像中废钢的废钢料型。3.根据权利要求2所述的废钢料型识别方法，其特征在于，所述根据所述实际厚度确定所述子图像中废钢的废钢料型的步骤，具体包括：当所述子图像中所述实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定所述子图像中废钢的废钢料型为轻薄料型；当所述子图像中所述实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定所述子图像中废钢的废钢料型为中重料型；当所述子图像中所述实际厚度大于所述第二厚度的废钢的数量大于第三阈值，且所述子图像中所述实际厚度小于所述第一厚度的废钢的数量大于第四阈值的情况下，确定所述子图像中废钢的废钢料型为混合料型；其中，所述第二厚度大于或等于所述第一厚度，所述第三阈值小于所述第二阈值，所述第四阈值小于所述第一阈值。4.根据权利要求1所述的废钢料型识别方法，其特征在于，所述根据多个所述子图像中废钢的废钢料型确定所述第一废钢图像中不同废钢料型的废钢的占比以及所处区域的步骤，具体包括：将多个所述子图像重新整合成所述第一废钢图像；根据多个所述子图像中废钢的废钢料型确定所述第一废钢图像中不同区域的废钢的废钢料型；根据所述第一废钢图像中不同区域的废钢的废钢料型确定所述第一废钢图像中不同废钢料型的废钢的占比以及所处区域。5.一种废钢料型识别系统，其特征在于，所述废钢料型识别系统包括：第一获取模块，所述第一获取模块用于获取第一废钢图像；裁切模块，所述裁切模块用于对所述第一废钢图像进行裁切，得到多个子图像，且每个所述子图像之间有部分重叠；第一确定模块，所述第一确定模块用于根据所述子图像和废钢识别模型确定所述子图像中废钢的废钢料型；第二确定模块，所述第二确定模块用于根据多个所述子图像中废钢的所述废钢料型确定所述第一废钢图像中不同所述废钢料型的废钢的占比以及所处区域。
6.根据权利要求5所述的废钢料型识别系统，其特征在于，所述第一确定模块包括：输入模块，所述输入模块用于将所述子图像输入到所述废钢识别模型中；第三确定模块，所述第三确定模块用于通过所述废钢识别模型根据所述子图像中废钢的多个维度的长度，确定所述子图像中废钢的实际厚度；第四确定模块，所述第四确定模块用于根据所述实际厚度确定所述子图像中废钢的废钢料型。7.根据权利要求6所述的废钢料型识别系统，其特征在于，所述第四确定模块具体用于：当所述子图像中所述实际厚度小于第一厚度的废钢的数量大于第一阈值的情况下，确定所述子图像中废钢的废钢料型为轻薄料型；当所述子图像中所述实际厚度大于第二厚度的废钢的数量大于第二阈值的情况下，确定所述子图像中废钢的废钢料型为中重料型；当所述子图像中所述实际厚度大于所述第二厚度的废钢的数量大于第三阈值，且所述子图像中所述实际厚度小于所述第一厚度的废钢的数量大于第四阈值的情况下，确定所述子图像中废钢的废钢料型为混合料型；其中，所述第二厚度大于或等于所述第一厚度，所述第三阈值小于所述第二阈值，所述第四阈值小于所述第一阈值。8.根据权利要求5所述的废钢料型识别系统，其特征在于，所述第二确定模块具体包括：整合模块，所述整合模块用于将多个所述子图像重新整合成所述第一废钢图像；第五确定模块，所述第五确定模块用于根据多个所述子图像中废钢的废钢料型确定所述第一废钢图像中不同区域的废钢的废钢料型；第六确定模块，所述第六确定模块用于根据所述第一废钢图像中不同区域的废钢的废钢料型确定所述第一废钢图像中不同废钢料型的废钢的占比以及所处区域。9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的废钢料型识别方法的步骤。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的废钢料型识别方法的步骤。

技术总结
本发明提供了一种废钢料型识别方法及系统、存储介质以及电子设备。其中，废钢料型识别方法包括：获取第一废钢图像；对第一废钢图像进行裁切，得到多个子图像，且每个子图像之间有部分重叠；根据子图像和废钢识别模型确定子图像中废钢的料型；根据多个所述子图像中废钢的料型确定第一废钢图像中不同料型的废钢的占比以及所处区域。占比以及所处区域。占比以及所处区域。


技术研发人员：赵亚峰 余丹 叶琳
受保护的技术使用者：用友网络科技股份有限公司
技术研发日：2023.06.16
技术公布日：2023/10/5