本發明涉及鋼坯檢測，具體而言，涉及一種基于深度學習的鋼坯檢測方法。

背景技術：

1、鋼材作為現代工業的基石，廣泛滲透于建筑、機械制造、汽車、航空航天等眾多關鍵領域，其重要性不言而喻，已然成為支撐各行業蓬勃發展的核心材料。鋼材生產流程復雜，熱連軋工藝是其中的關鍵環節之一。在這一流程中，鋼坯需在加熱爐內充分受熱，達到特定工藝要求后，借助機械臂從加熱爐中拉出并放置于輥道，進而被順暢運送至后續工序。然而，此過程面臨諸多問題。一方面，機械臂在長期頻繁作業或受設備老化、參數校準不準確等因素影響下，定位精度大打折扣，難以精準抓取并穩定移送鋼坯；另一方面，加熱爐周邊環境惡劣復雜，高溫、強光、粉塵彌漫以及設備運行產生的震動等干擾因素交織，使得鋼坯所處的空間環境充滿不確定性，極易導致鋼坯實際位置與預設路線出現偏差。

2、一旦鋼坯位置精度失控，將會引發一系列嚴重后果，如鋼坯掉輥、脫輥事故頻發。這不僅會造成鋼材的大量損耗，延誤生產進度，增加生產成本，還可能對設備造成不可逆的損壞，甚至危及操作人員的人身安全。鑒于鋼坯位置精準把控對整個熱連軋生產流程的順暢性、穩定性以及安全性的重要影響，實時且精準的鋼坯位置檢測工作迫在眉睫。

技術實現思路

1、有鑒于此，本申請提供了一種基于深度學習的鋼坯檢測方法，主要旨在憑借深度學習技術的強大優勢，精準追蹤、定位鋼坯位置，解決當前熱連軋過程中鋼坯識別與位置實時檢測精度低、復雜環境應對能力差以及自動化程度偏低的問題。

2、為達到上述目的，本申請提供了一種基于深度學習的鋼坯檢測方法，包括：

3、s1、基于yolov8搭建初始深度學習網絡模型；所述模型包括backbone層、neck層、head層；backbone層網絡為多層特征提取結構，其輸入為預處理圖像，輸出為特征圖；neck層網絡的輸入為特征圖，輸出為特征融合圖；head層網絡的輸入為特征融合圖，輸出為預測的鋼坯位置信息、預測框和置信度；

4、s2、在多層特征提取結構中嵌入初始c2f模塊與混合注意力shuffle?attention模塊的融合csa模塊；

5、s3、在backbone層嵌入sppelan網絡；

6、s4、在模型中改進傳統的路徑聚合網絡；

7、s5、獲取包含鋼坯特征數據的訓練樣本，劃分為訓練集和驗證集；所述特征數據包括用于示意鋼坯位置和范圍的鋼坯真實框；

8、s6、將訓練集的特征數據輸入模型進行模型訓練，第一輪訓練完成后，利用驗證集的特征數據計算所述模型損失值進行模型驗證，再利用損失值執行梯度下降操作更新模型的參數；重復模型訓練和模型驗證過程，直至損失值不再下降或趨于動態平衡，訓練完成，得到鋼坯檢測網絡模型；

9、s7、將待檢測鋼坯的特征數據輸入鋼坯檢測網絡模型進行預測；鋼坯檢測網絡模型的輸出為預測的鋼坯位置信息、預測框和置信度。

10、在一些實施例中，多層特征提取結構的層數為五層，csa模塊的嵌入位置為多層特征提取結構的第三層、第四層和第五層的輸出端，其輸入為特征圖，輸出為自適應特征圖。

11、在一些實施例中，sppelan網絡的輸入為自適應特征圖，輸出為特征表示圖。

12、在一些實施例中，改進傳統的路徑聚合網絡可對自適應特征圖和特征表示圖進行采樣操作和融合，使模型更加關注不同尺度的鋼坯特征。

13、在一些實施例中，在多層特征提取結構中采用了殘差網絡結構進行圖像特征的提取。

14、在一些實施例中，將鋼坯真實框用基于中心點的方法選擇錨框。

15、在一些實施例中，損失值通過由ciou+dfl組成的損失函數進行計算。

16、在一些實施例中，步驟s6還包括對訓練完成的鋼坯檢測網絡模型進行評價；評價為：

17、將測試集數據輸入鋼坯檢測網絡模型進行預測，將預測結果與真實結果對比，通過precision、recall以及map評價指標分析所述鋼坯檢測網絡模型的檢測性能。

18、依據上述技術方案，本申請提供的一種基于深度學習的鋼坯檢測方法的自動化程度高，可直接實現從檢測圖片輸入到預測結果輸出的端到端網絡建立，解決了傳統方法檢測精度低、實時性差等問題；同時本申請也充分考慮了加熱爐出爐時鋼坯所處的復雜環境，根據實際工況改進網絡模型，如采用殘差網絡結構提取圖像特征以兼顧網絡復雜度和特征有效性的平衡、利用(改進panet網絡)提高模型對不同尺度的鋼坯特征的關注度等，提高了困難樣本的檢測精度和識別的準確度。

19、上述說明僅是本申請技術方案的概述，為了能夠更清楚了解本申請的技術手段，可依照說明書的內容予以實施，并且為了讓本申請的上述和其它目的、特征和優點能夠更明顯易懂，以下特舉本申請的具體實施方式。

技術特征：

1.一種基于深度學習的鋼坯檢測方法，其特征在于，包括：

2.根據權利1所述的一種基于深度學習的鋼坯檢測方法，其特征在于，所述多層特征提取結構的層數為五層，所述csa模塊的嵌入位置為所述多層特征提取結構的第三層、第四層和第五層的輸出端，其輸入為所述特征圖，輸出為自適應特征圖。

3.根據權利2所述的一種基于深度學習的鋼坯檢測方法，其特征在于，所述sppelan網絡的輸入為所述自適應特征圖，輸出為特征表示圖。

4.根據權利3所述的一種基于深度學習的鋼坯檢測方法，其特征在于，所述改進傳統的路徑聚合網絡可對所述自適應特征圖和所述特征表示圖進行采樣操作和融合，使所述模型更加關注不同尺度的鋼坯特征。

5.根據權利1所述的一種基于深度學習的鋼坯檢測方法，其特征在于，在所述多層特征提取結構中采用了殘差網絡結構進行圖像特征的提取。

6.根據權利1所述的一種基于深度學習的鋼坯檢測方法，其特征在于，將所述鋼坯真實框用基于中心點的方法選擇錨框。

7.根據權利1所述的一種基于深度學習的鋼坯檢測方法，其特征在于，所述損失值通過由ciou+dfl組成的損失函數進行計算。

8.根據權利1所述的一種基于深度學習的鋼坯檢測方法，其特征在于，所述步驟s6還包括對所述訓練完成的鋼坯檢測網絡模型進行評價；所述評價為：

技術總結
本申請公開了一種基于深度學習的鋼坯檢測方法，屬于鋼坯檢測技術領域，主要用于熱連軋加熱爐出爐過程中鋼坯的識別與定位。本申請方法的多層特征提取結構嵌入有CSA模塊、SPPELAN網絡和改進PANET網絡，充分考慮了鋼坯所處復雜環境，實現從檢測圖片輸入到預測結果輸出的端到端網絡構建，解決傳統方法精度低、實時性差問題。并且運用了殘差網絡提取圖像特征，較好地平衡了網絡復雜度與特征有效性，提高了模型對目標關注度與預測準確度。同時，改進的路徑聚合網絡也使模型更關注不同尺度的鋼坯特征，提升了檢測精度。故基于此，本申請方法的自動化和智能化程度較高，工業應用前景良好。

技術研發人員：田勇,金東正,黃錚迪,王澤昊,宋超偉,王斌,王丙興
受保護的技術使用者：東北大學
技術研發日：
技術公布日：2025/4/24