基于SE注意力机制的废钢分类评级方法_肖鹏程.pdf

基于 SE 注意力机制的废钢分类评级方法肖鹏程1,2)，徐文广1)，张妍1,3)，朱立光2,4)，朱荣2)，许云峰3)1)华北理工大学冶金与能源学院，唐山0632102)北京科技大学冶金与生态学院，北京1000833)河北科技大学信息科学与工程学院，石家庄0500004)河北科技大学材料科学与工程学院，石家庄050018通信作者，E-mail:摘要为了解决传统人工方法对废钢分类评级人为因素干扰大且效率低下等问题，提出基于挤压激励（SqueezeExcitation，SE）注意力机制构建废钢分类评级的深度学习网络模型，并对采集到的废钢卸载过程图像进行模型训练和验证.首先，搭建物理尺寸比例为 13 废钢质量查验物理模型，采用高分辨率视觉传感器模拟采集货车卸载废钢作业场景下不同废钢的形貌特征；然后，对采集到的废钢图像使用跨阶段局部网络进行特征提取，利用空间金字塔结构解决特征丢失问题，采用注意力机制关注通道间的相关性；最后，在包含 7 个标签分类的两个数据集进行模型训练与验证.实验表明：该模型能够有效地对不同级别的废钢进行自动评级判定，全类别准确率达到 83.7%，全类别平均精度为 88.8%，在准确性方面相比于传统人工验质方法具有显著优势，解决了废钢入库过程中质量评价的公正性难题.关键词再生钢铁原料；废钢智能评级；深度学习；注意力机制；跨阶段局部网络分类号TP274+.5ResearchonscrapclassificationandratingmethodbasedonSEattentionmechanismXIAO Peng-cheng1,2)，XU Wen-guang1)，ZHANG Yan1,3)，ZHU Li-guang2,4)，ZHU Rong2)，XU Yun-feng3)1)CollegeofMetallurgyandEnergy,NorthChinaUniversityofScienceandTechnologyUniversity,Tangshan063210,China2)CollegeofInformationScienceandEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang050000,China3)MetallurgicalandEcologicalEngineeringSchool,UniversityofScienceandTechnologyBeijing,Beijing100083,China4)CollegeofMaterialsScienceandEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang050018,ChinaCorrespondingauthor,E-mail:ABSTRACTNotonlyisscrapsteelanindispensableferriticrawmaterialforthemodernsteelindustry,butitisalsotheonlygreenrawmaterialthatcanreplaceironoreinlargequantities.Thequalityofthescrapsteeldirectlyaffectsthequalityofmoltensteel,whichmakesitnecessarytosortandgradescrapsteelbeforeitentersthefurnace.Mostironandsteelenterprisesdeterminethegradeofscrapsteelmainlybyvisualinspectionandcaliper-basedmeasurementsbyqualitymanagementpersonnel.Asaresult,thisprocessispronetohumanerrorsandlowefficiency.Therefore,giventhatthemajorchallengesofscrapinspectionincludethemanycategoriesofscrap,complexactualdetectionscenarios,andchallengesinmanualsystemconnection,adeeplearningnetworkmodelCSSNetwasproposedforscrapclassificationandratingbasedontheSqueeze-Excitation(SE)attentionmechanism,andimagesofthescrapunloadingprocesswerecollectedformodeltrainingandvalidation.First,a13physicalmodelofscrapsteelqualityinspectionwasbuilttosimulatethisprocess.High-resolutionvisualsensorswereusedtocollectimagesofdiversetypesofscrapsteelinthesceneoftrucksunloadingscrapsteel.Then,across-stagelocalnetworkwasusedtoextractthefeaturesofthecollectedscrapimages,thespatialpyramidstructurewasusedtosolvetheproblemoffeatureloss,andtheattentionmechanismwasusedtofocusonthecorrelationbetweenchannelsandretain收稿日期:20220610基金项目:国家自然科学基金资助项目（51904107）；河北省自然科学基金资助项目（E2020209005，E2021209094）；河北省高等学校科学技术研究项目（BJ2019041）；河北省“三三三人才工程”资助项目（A202102002）；唐山市人才资助重点项目（A202010004）工程科学学报，第45卷，第8期：13421352，2023年8月ChineseJournalofEngineering,Vol.45,No.8:13421352,August2023https:/doi.org/10.13374/j.issn2095-9389.2022.06.10.002;http:/thechannelwiththemostfeatureinformation.Finally,modeltrainingandvalidationweredoneusingtwodatasetscontainingsevenlabelsforclassification.Inthemodelpredictionstage,theconstructedscrapsteelqualityinspectionmodelCSSNetwasusedtojudgethescrap steel category and quality to verify the accuracy and detection efficiency of the model.Based on the self-made scrap steelvalidationdataset,itsperformancewascomparedwithmainstreamsingle-stageobjectdetectionpackagessuchasYOLOv4,YOLOv5s,andthetwo-stageobjectdetectionmodelFasterR-CNN.Themodelwasfoundtobeabletoeffectivelyratedifferentgradesofscrapsteel,withtheclassificationaccuracyrateofallcategorieshasreached83.7%andanmAPvalueof88.8%.TheperformanceoftheCSSNetmodelisbetterthantheotherthreetargetdetectionmodels.CSSNetcannotonlyfullymeettheneedsoftheactualproductionapplicationsintermsofaccuracy,real-timeperformance,andidentificationandratingefficiencybutalsosurpassthetraditionalmanualscrapqualityinspectionmethod,addressmultipleissuesintheevaluationofscrapsteelquality,andrealizeautomatedscrapsteelqualitytesting.KEYWORDSrecycledironandsteelrawmaterials；scrapintelligentrating；deeplearning；attentionmechanism；crossstagepartialnetworks钢铁材料是我国制造业的重要基础材料.废钢是一种可以循环利用的再生资源，是现代钢铁工业的重要原料12.近年来，由于地条钢的取缔、社会钢铁蓄积量的增加以及再生钢铁原料进口政策的调整，我国废钢供给量逐年增多，为钢铁工业的低碳发展提供了重要的资源保障35.炼钢过程中，铁元素的收得率与废钢质量等级有着密切的关系.例如，在电炉冶炼中厚度为 6mm 以上的重型废钢收得率可达 98%99%，而厚度为 3mm 以下薄料型废钢收得率仅为 90%左右.目前钢企对于废钢的分类评级仍以人工查验为主，存在着危险性高、评级精度低、公正性易受到质疑等诸多困难.随着未来我国废钢回收量和进口量的逐步提升，钢企废钢验收过程中质量评价难题将会进一步加剧6.因此，开发基于人工智能的废钢自动验质系统，是钢铁工业面对原料采购难题的迫切需要，是钢企原料管理数字化、智能化转型的必然途径.目前，国内外对于废钢的分类评级研究较少，且仅涉及到废金属和有色金属图像分类相关方法.对于废金属图像分类的任务，Smirnov 和 Rybin7提出在深度学习模型中使用凸四边形自动裁剪废金属图像的方法，并将该方法应用于装有废金属的铁路车辆照片.在检测和分离有色金属方面，Gao等8采用光学识别技术和深度学习相结合的方法，并利用卷积神经网络(CNNs)来优化检测铜金属最小化表面不均匀性等影响.而对于轻金属废料自动分选的任务，Koyanaka 等9开发出一种自动分拣轻质金属废料的新方法，以帮助回收废金属，该方法根据金属件的表观密度和三维形状的不同，进而从废钢中分离出铸铝、锻铝和镁的混合碎片.在合金分类任务中，Daz-Romero 等10使用迁移学习方法（例如微调和特征提取）对带有传送带的实时系统中的铸造和锻造（C&W）合金进行分类.在废金属分类任务中，Li 等11提出一种针对不同有色金属废料的识别方法，促进有色金属废料的进一步分离，实现更好的再生金属资源管理，提高可持续性.Chen 等12采用传统的图像识别模型和基于深度学习和迁移学习的小样本多目标检测模型（可同时检测多个目标）对有色金属材料进行识别.Ramsurun 等13研究提出了一种深度学习方法，使用计算机视觉自动识别废物的类型，并将其分为五类：塑料、金属、纸张、纸板和玻璃.梅亚光14采用激光诱导击穿光谱（LIBS）技术利用光谱仪对生锈的、带镀层的再生钢铁原料进行相关元素的分析和分类，实现对钢铁原料合金元素的检测.在自动判级的任务中，徐钢等15利用机器学习实现深冲钢产品质量在线自