孫涼艷

一、 研究背景

廢鋼是一種綠色環(huán)保無污染，可供人類多次重復(fù)利用的能源。廢鋼的產(chǎn)生量是伴隨我國智能制造速度加快迅速增長的，因?yàn)殇撹F廠生產(chǎn)的品種、質(zhì)量和生產(chǎn)周期都和廢鋼的質(zhì)量和產(chǎn)量相關(guān)。因此，越來越多的鋼鐵企業(yè)開始關(guān)注如何進(jìn)行廢鋼質(zhì)量的智能判定和科學(xué)管理，而廢鋼等級(jí)的科學(xué)識(shí)別和判定是其中至關(guān)重要的一個(gè)環(huán)節(jié)。

根據(jù)相關(guān)統(tǒng)計(jì)，我國目前每年大約使用超過1億噸廢鋼，由于廢鋼種類多、實(shí)際檢測(cè)情景復(fù)雜、人工系統(tǒng)銜接難度大，現(xiàn)在大多數(shù)鋼鐵企業(yè)判定廢鋼等級(jí)主要由質(zhì)量管理人員目測(cè)和卡尺測(cè)量共同進(jìn)行判定。這種方法存在的主要問題包括人為因素影響大，流程和手續(xù)比較長。廢鋼鐵質(zhì)量檢測(cè)問題，一直困擾著鋼鐵企業(yè)。因此，解決廢鋼自動(dòng)公平判級(jí)問題是廢鋼行業(yè)多年未解決的難題。

如何在廢鋼驗(yàn)級(jí)中做到公開、公正、公平，拒絕“暗箱操作”及“感情驗(yàn)質(zhì)”，實(shí)現(xiàn)陽光操作，是廢鋼行業(yè)從業(yè)者一直在思考的問題。緊跟鋼鐵行業(yè)智能制造大趨勢(shì)，結(jié)合工業(yè)4.0及兩化融合新理念，廢鋼智能判級(jí)系統(tǒng)是目前丞待解決的科研課題。

二、相關(guān)技術(shù)

（一）神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)（ANN）作為一種經(jīng)典的智能機(jī)器學(xué)習(xí)算法，它的最終目的是通過訓(xùn)練集，最終使機(jī)器可以自主學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)稱為層，層又由數(shù)千個(gè)連接按照一定順序重疊交叉在一起，層與層之間可以形成無數(shù)個(gè)連接。通常認(rèn)為神經(jīng)元層與層之間的通信聯(lián)系主要通過輸入和輸出進(jìn)行。神經(jīng)元是該算法最簡單最基本的元件，每個(gè)原件的結(jié)構(gòu)和原理都是比較簡單易懂的，但數(shù)以千計(jì)的簡單神經(jīng)元相互作用和互聯(lián)，就形成了功能復(fù)雜的自適應(yīng)的非線性動(dòng)態(tài)交互的人工神經(jīng)網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)第一步工作就是學(xué)習(xí)，學(xué)習(xí)相關(guān)的準(zhǔn)則，通過一定的訓(xùn)練學(xué)習(xí)后才能進(jìn)行工作?，F(xiàn)在，我們舉一個(gè)人工神經(jīng)網(wǎng)絡(luò)工作的例子進(jìn)行說明，比如讓人工神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)和識(shí)別字母“A”、“B”，規(guī)則是，當(dāng)系統(tǒng)輸入“A”時(shí)，系統(tǒng)顯示是“1”，系統(tǒng)輸入為“B”時(shí)，系統(tǒng)顯示是“0”。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的準(zhǔn)則首先應(yīng)該確定：如果系統(tǒng)上次對(duì)輸入的判定是錯(cuò)誤的，下一步應(yīng)該通過網(wǎng)絡(luò)的不斷訓(xùn)練學(xué)習(xí)提升，降低犯同類錯(cuò)誤的概率。首先，我們需要將（0，1）區(qū)間內(nèi)的隨機(jī)值分配給神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值，然后在神經(jīng)網(wǎng)絡(luò)輸入層輸入“A”相應(yīng)的圖象模式、算法，然后通過對(duì)系統(tǒng)輸入模式加權(quán)求和，同門限做對(duì)比，并通過一系列復(fù)雜的非線性運(yùn)算，最后輸出層得到結(jié)果。通常，系統(tǒng)輸出層顯示“1”和“0”的可能性均是50%，通俗來講，系統(tǒng)的輸出是接近完全隨機(jī)概率的。系統(tǒng)輸出顯示為“1”（判定準(zhǔn)確），我們就調(diào)節(jié)系統(tǒng)，賦予連接權(quán)值更大值，當(dāng)神經(jīng)網(wǎng)絡(luò)輸入層再次為“A”模式時(shí)，系統(tǒng)還能輸出正確的結(jié)果。

（二）圖像識(shí)別技術(shù)

模式識(shí)別是圖像識(shí)別中的一種基本技術(shù)，它的基本原理是基于數(shù)據(jù)庫大量數(shù)據(jù)的基礎(chǔ)上結(jié)合現(xiàn)有的專家認(rèn)知和已有經(jīng)驗(yàn)，利用現(xiàn)代計(jì)算機(jī)互聯(lián)網(wǎng)大數(shù)據(jù)及數(shù)理統(tǒng)計(jì)等知識(shí)，自動(dòng)智能識(shí)別和解析字母、漢字字符和圖片等的過程。

模式識(shí)別工作過程主要分為兩個(gè)步驟，第一步是學(xué)習(xí)訓(xùn)練，這個(gè)過程主要是選擇樣本集中的數(shù)據(jù)特征，發(fā)現(xiàn)可以用來分類的明顯特征組合，第二步是依據(jù)第一步學(xué)習(xí)到的分類規(guī)律實(shí)現(xiàn)對(duì)新的未知樣本數(shù)據(jù)的自動(dòng)分類和智能識(shí)別。因?yàn)槟Ｊ阶R(shí)別的模板匹配數(shù)據(jù)模型通俗易懂，目前已經(jīng)在很多領(lǐng)域取得廣泛的應(yīng)用。

圖像識(shí)別的基本過程是：

1.收集原始數(shù)據(jù)：我們目前主要通過各種自動(dòng)化儀器設(shè)備包括傳感器等，將自動(dòng)收集到的各種光或者圖形聲音等各種數(shù)據(jù)識(shí)別轉(zhuǎn)化為電信息。

2.系統(tǒng)預(yù)處理：目前圖象預(yù)處理的方法主要包括二值化、形變換、修復(fù)增強(qiáng)等。

3.選擇關(guān)鍵特征：選擇關(guān)鍵特征是圖像模式識(shí)別工作中至關(guān)重要的一步，系統(tǒng)通過相關(guān)處理，從這些原始數(shù)據(jù)中抽取最能反映分類的關(guān)鍵特征。

4.實(shí)現(xiàn)分類器：該步主要完成的工作是通過原始數(shù)據(jù)集合的訓(xùn)練最終確定分類的基本規(guī)則，然后按照此類判決規(guī)則分類時(shí)，錯(cuò)誤率最低。

5.分類決策：在特征空間中對(duì)未知樣本進(jìn)行分類識(shí)別。

（三）遠(yuǎn)程監(jiān)控技術(shù)

遠(yuǎn)程監(jiān)控系列中，應(yīng)用頻繁的是遠(yuǎn)程視頻監(jiān)控，即通過網(wǎng)絡(luò)或者數(shù)據(jù)直接連接，能達(dá)到任何角落，控制鏡頭或者視頻監(jiān)控圖像。遠(yuǎn)程監(jiān)控組成部分是攝像機(jī)、PC端、寬帶或無線，缺一不可。這里我們就來看看遠(yuǎn)程監(jiān)控技術(shù)及其遠(yuǎn)程監(jiān)控實(shí)現(xiàn)方式，更深層次了解遠(yuǎn)程監(jiān)控發(fā)揮的作用和價(jià)值。

我們目前主要有三種技術(shù)方式實(shí)現(xiàn)遠(yuǎn)程監(jiān)控：

硬盤錄像機(jī)：我們可以通過多種瀏覽器查看相關(guān)錄像，同時(shí)硬件設(shè)備方面需要投資；

網(wǎng)絡(luò)視頻服務(wù)器：運(yùn)用這種方式，我們主要通過后臺(tái)服務(wù)器保存錄制數(shù)據(jù)；

網(wǎng)絡(luò)攝像機(jī)：這種方式很方便，用戶隨時(shí)可以通過接入Internet 迅速快捷的查看錄像。以目前的主流技術(shù)來看，越來越多的用戶傾向于選擇網(wǎng)絡(luò)攝像機(jī)這種模式，用戶隨時(shí)隨地可以掌握相關(guān)信息。

三、基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)判級(jí)系統(tǒng)設(shè)計(jì)

基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)判級(jí)系統(tǒng)的整體解決方案如下：系統(tǒng)能完成整車規(guī)整料型的評(píng)級(jí)工作，也能實(shí)現(xiàn)多厚度、混搭料型的精準(zhǔn)測(cè)算和評(píng)級(jí)扣重工作。運(yùn)輸廢鋼的車輛主要業(yè)務(wù)流程如下：車輛進(jìn)廠—>自動(dòng)遠(yuǎn)程計(jì)量—>檢驗(yàn)點(diǎn)聯(lián)合化驗(yàn)—>AI自動(dòng)判級(jí)—>卸料點(diǎn)卸料—>空車出廠，同時(shí)系統(tǒng)相關(guān)業(yè)務(wù)數(shù)據(jù)自動(dòng)發(fā)送到產(chǎn)銷等系統(tǒng)。

該系統(tǒng)的實(shí)現(xiàn)邏輯如下：廢鋼定級(jí)模型產(chǎn)生圖片和各類廢鋼的定量相似度，異物識(shí)別模型產(chǎn)生圖片中所含異物信息， 兩模型均內(nèi)置了神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法進(jìn)行深度機(jī)器學(xué)習(xí)，對(duì)廢鋼圖像進(jìn)行收集，建立廢鋼鐵樣本數(shù)據(jù)庫，并將收集的圖像分為訓(xùn)練圖像集和測(cè)試圖像集；對(duì)廢鋼圖像進(jìn)行預(yù)處理；輸入廢鋼鐵訓(xùn)練圖像，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器深度學(xué)習(xí)，提取廢鋼鐵圖像特征；根據(jù)訓(xùn)練結(jié)果，調(diào)整優(yōu)化參數(shù)，逐步建立基于神經(jīng)網(wǎng)絡(luò)的機(jī)器深度學(xué)習(xí)廢鋼鐵圖像分類模型。系統(tǒng)輸出結(jié)果及結(jié)構(gòu)化數(shù)據(jù)輸入業(yè)務(wù)判斷模型，輸出扣雜、降級(jí)和退貨指導(dǎo)。

該算法的特點(diǎn)是以圖像特征識(shí)別替代直接的厚度測(cè)量，以穩(wěn)定一致的人工定級(jí)結(jié)果作為定量結(jié)果產(chǎn)生的校對(duì)標(biāo)準(zhǔn)，同時(shí)可以進(jìn)行參數(shù)化的定級(jí)水位調(diào)整，算法整體具有較好的適應(yīng)性和魯棒性。系統(tǒng)實(shí)現(xiàn)了廢鋼鐵種類自動(dòng)識(shí)別。相較于人工識(shí)別分類方法，提高了廢鋼鐵識(shí)別的客觀性和規(guī)范性，而且識(shí)別速度快，準(zhǔn)確率高。

基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)判級(jí)系統(tǒng)整體采用人機(jī)平行運(yùn)行平滑上線技術(shù)，成功實(shí)現(xiàn)了運(yùn)行期的平穩(wěn)過渡，前期實(shí)現(xiàn)以人工為主導(dǎo)，機(jī)器自主學(xué)習(xí)為輔的運(yùn)行模式，在收集的樣本數(shù)量達(dá)到一定規(guī)模后，逐步平滑過渡到以機(jī)器自主學(xué)習(xí)為主導(dǎo)，人工判定為輔助手段，最后達(dá)到完全機(jī)器自主學(xué)習(xí)的模式。

四、結(jié)語

通過廢鋼智能判級(jí)系統(tǒng)內(nèi)置智能自適應(yīng)算法，不僅能完成整車規(guī)整料型的評(píng)級(jí)工作，也能實(shí)現(xiàn)多厚度、混搭料型的精準(zhǔn)測(cè)算和評(píng)級(jí)扣重工作。廢鋼運(yùn)輸車輛從進(jìn)廠到出廠全部業(yè)務(wù)及數(shù)據(jù)分發(fā)上傳產(chǎn)銷等系統(tǒng)全部自動(dòng)完成。系統(tǒng)整車評(píng)級(jí)準(zhǔn)確率超過90%，下一步將大面積替代人工評(píng)級(jí)工作，評(píng)級(jí)穩(wěn)定性、準(zhǔn)確性以及客觀性將極大提升，將為推動(dòng)鋼鐵廠廢鋼評(píng)級(jí)管理以及規(guī)范性做出積極貢獻(xiàn)。

作者單位：青島特殊鋼鐵有限公司