基于神经网络的废钢自动判级实现

孙凉艳

一、 研究背景

废钢是一种绿色环保无污染，可供人类多次重复利用的能源。废钢的产生量是伴随我国智能制造速度加快迅速增长的，因为钢铁厂生产的品种、质量和生产周期都和废钢的质量和产量相关。因此，越来越多的钢铁企业开始关注如何进行废钢质量的智能判定和科学管理，而废钢等级的科学识别和判定是其中至关重要的一个环节。

根据相关统计，我国目前每年大约使用超过1亿吨废钢，由于废钢种类多、实际检测情景复杂、人工系统衔接难度大，现在大多数钢铁企业判定废钢等级主要由质量管理人员目测和卡尺测量共同进行判定。这种方法存在的主要问题包括人为因素影响大，流程和手续比较长。废钢铁质量检测问题，一直困扰着钢铁企业。因此，解决废钢自动公平判级问题是废钢行业多年未解决的难题。

如何在废钢验级中做到公开、公正、公平，拒绝“暗箱操作”及“感情验质”，实现阳光操作，是废钢行业从业者一直在思考的问题。紧跟钢铁行业智能制造大趋势，结合工业4.0及两化融合新理念，废钢智能判级系统是目前丞待解决的科研课题。

二、相关技术

（一）神经网络原理

人工神经网络（ANN）作为一种经典的智能机器学习算法，它的最终目的是通过训练集，最终使机器可以自主学习。人工神经网络的基本架构称为层，层又由数千个连接按照一定顺序重叠交叉在一起，层与层之间可以形成无数个连接。通常认为神经元层与层之间的通信联系主要通过输入和输出进行。神经元是该算法最简单最基本的元件，每个原件的结构和原理都是比较简单易懂的，但数以千计的简单神经元相互作用和互联，就形成了功能复杂的自适应的非线性动态交互的人工神经网络。

人工神经网络第一步工作就是学习，学习相关的准则，通过一定的训练学习后才能进行工作。现在，我们举一个人工神经网络工作的例子进行说明，比如让人工神经网络认识和识别字母“A”、“B”，规则是，当系统输入“A”时，系统显示是“1”，系统输入为“B”时，系统显示是“0”。

神经网络学习和训练的准则首先应该确定：如果系统上次对输入的判定是错误的，下一步应该通过网络的不断训练学习提升，降低犯同类错误的概率。首先，我们需要将（0，1）区间内的随机值分配给神经网络的各连接权值，然后在神经网络输入层输入“A”相应的图象模式、算法，然后通过对系统输入模式加权求和，同门限做对比，并通过一系列复杂的非线性运算，最后输出层得到结果。通常，系统输出层显示“1”和“0”的可能性均是50%，通俗来讲，系统的输出是接近完全随机概率的。系统输出显示为“1”（判定准确），我们就调节系统，赋予连接权值更大值，当神经网络输入层再次为“A”模式时，系统还能输出正确的结果。

（二）图像识别技术

模式识别是图像识别中的一种基本技术，它的基本原理是基于数据库大量数据的基础上结合现有的专家认知和已有经验，利用现代计算机互联网大数据及数理统计等知识，自动智能识别和解析字母、汉字字符和图片等的过程。

模式识别工作过程主要分为两个步骤，第一步是学习训练，这个过程主要是选择样本集中的数据特征，发现可以用来分类的明显特征组合，第二步是依据第一步学习到的分类规律实现对新的未知样本数据的自动分类和智能识别。因为模式识别的模板匹配数据模型通俗易懂，目前已经在很多领域取得广泛的应用。

图像识别的基本过程是：

1.收集原始数据：我们目前主要通过各种自动化仪器设备包括传感器等，将自动收集到的各种光或者图形声音等各种数据识别转化为电信息。

2.系统预处理：目前图象预处理的方法主要包括二值化、形变换、修复增强等。

3.选择关键特征：选择关键特征是图像模式识别工作中至关重要的一步，系统通过相关处理，从这些原始数据中抽取最能反映分类的关键特征。

4.实现分类器：该步主要完成的工作是通过原始数据集合的训练最终确定分类的基本规则，然后按照此类判决规则分类时，错误率最低。

5.分类决策：在特征空间中对未知样本进行分类识别。

（三）远程监控技术

远程监控系列中，应用频繁的是远程视频监控，即通过网络或者数据直接连接，能达到任何角落，控制镜头或者视频监控图像。远程监控组成部分是摄像机、PC端、宽带或无线，缺一不可。这里我们就来看看远程监控技术及其远程监控实现方式，更深层次了解远程监控发挥的作用和价值。

我们目前主要有三种技术方式实现远程监控：

硬盘录像机：我们可以通过多种浏览器查看相关录像，同时硬件设备方面需要投资；

网络视频服务器：运用这种方式，我们主要通过后台服务器保存录制数据；

网络摄像机：这种方式很方便，用户随时可以通过接入Internet 迅速快捷的查看录像。以目前的主流技术来看，越来越多的用户倾向于选择网络摄像机这种模式，用户随时随地可以掌握相关信息。

三、基于神经网络的自动判级系统设计

基于神经网络的自动判级系统的整体解决方案如下：系统能完成整车规整料型的评级工作，也能实现多厚度、混搭料型的精准测算和评级扣重工作。运输废钢的车辆主要业务流程如下：车辆进厂—>自动远程计量—>检验点联合化验—>AI自动判级—>卸料点卸料—>空车出厂，同时系统相关业务数据自动发送到产销等系统。

该系统的实现逻辑如下：废钢定级模型产生图片和各类废钢的定量相似度，异物识别模型产生图片中所含异物信息， 两模型均内置了神经网络机器学习算法进行深度机器学习，对废钢图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；对废钢图像进行预处理；输入废钢铁训练图像，通过神经网络进行机器深度学习，提取废钢铁图像特征；根据训练结果，调整优化参数，逐步建立基于神经网络的机器深度学习废钢铁图像分类模型。系统输出结果及结构化数据输入业务判断模型，输出扣杂、降级和退货指导。

該算法的特点是以图像特征识别替代直接的厚度测量，以稳定一致的人工定级结果作为定量结果产生的校对标准，同时可以进行参数化的定级水位调整，算法整体具有较好的适应性和鲁棒性。系统实现了废钢铁种类自动识别。相较于人工识别分类方法，提高了废钢铁识别的客观性和规范性，而且识别速度快，准确率高。

基于神经网络的自动判级系统整体采用人机平行运行平滑上线技术，成功实现了运行期的平稳过渡，前期实现以人工为主导，机器自主学习为辅的运行模式，在收集的样本数量达到一定规模后，逐步平滑过渡到以机器自主学习为主导，人工判定为辅助手段，最后达到完全机器自主学习的模式。

四、结语

通过废钢智能判级系统内置智能自适应算法，不仅能完成整车规整料型的评级工作，也能实现多厚度、混搭料型的精准测算和评级扣重工作。废钢运输车辆从进厂到出厂全部业务及数据分发上传产销等系统全部自动完成。系统整车评级准确率超过90%，下一步将大面积替代人工评级工作，评级稳定性、准确性以及客观性将极大提升，将为推动钢铁厂废钢评级管理以及规范性做出积极贡献。

作者单位：青岛特殊钢铁有限公司