一、研究的背景与问题
随着国家双碳战略的进一步深化，国家环保要求的进一步趋向严格管控，同时，钢铁冶炼原材料铁矿石价格的不断攀升，长流程炼钢在工艺、成本、管理方面面对的挑战越来越大。废钢作为唯一可以代替铁矿石炼钢的绿色环保、可多次循环利用的再生铁素资源，将在后续钢铁冶炼中占据更重要的作用和地位，更加广泛的应用于钢铁冶炼。由于废钢使用量大，多料型掺杂混装，且时常发生废钢掺假等现象，为保证产品质量、提升钢铁产量，避免爆炸、钢水喷溅等事故的发生，需要对购买的废钢进行验质。传统废钢验质工作面临如下几个难题：
1、钢铁企业废钢验质过程，通常应用人工目测、卡尺测量等手段，受人为主观因素影响较大，缺乏统一的废钢分类定级标准，无法形成量化的评价结论及很好的数据分析，不易让供应商信服。
2、废钢验质作业环境较为恶劣，验质人员每次需要攀高四五米到大货车车顶，对车内废钢进行近距离观察，劳动强度大，作业风险高，效率低下。
3、卸货过程中，掺假、密闭容器未切割、超长超大件等，在人工验质过程中，经常存在漏验、错验等情况，异物无法及时提醒，可能会直接影响后续钢铁冶炼安全，发生重大的安全事故或生产事故。
4、废钢验质结果将直接决定废钢的回收价格，判级等级的差异直接影响钢铁企业的利益、供应商的利益，进而影响供应商的合作积极性。如何实现双赢，保障双方利益，也是传统验质工作执行难的重要难题。
结合钢铁企业现状，利用人工智能技术，建设贴合钢铁企业实际，实现废钢验质从人工验质到无人验质重大突破的智能废钢验质系统，对提升钢铁企业核心技术竞争力，推进钢铁行业废钢智能化整体水平，打造钢铁行业统一废钢标准，将有重大的战略意义。
二、解决问题的思路与技术方案
为了改进废钢验质过程中，过多依赖人为经验、错判率高等问题，河钢数字科技自主研发了基于人工智能技术的废钢智能验质系统。该系统主要利用机器视觉对废钢车辆卸料过程实时感知、逐层采样，通过人工智能技术（AI），在卸货过程中进行单层判级和整车判级，智能识别出不达标废钢、杂质和异物，最终通过AI算法计算出整车扣重的预估值，对危险物、异物及时做出预警。
平台采用分层架构，平台设备硬件、平台服务和算法服务高度解耦，均可单独部署及运行，满足平台具备支持多用户、高并发的能力；支持快速开发，迅速响应的要求；满足平台功能高扩展性，能够给当前常用技术予以支撑。系统整体架构包含网络信息化基础设备层、数据层、服务层、应用层。本系统研究内容主要集中在服务层、应用层，包含基于机器视觉的图像处理技术、废钢智能算法、废钢远程检测技术、智能人机交互技术。
图1：系统架构图
1、基于机器视觉的图像处理技术
钢铁企业废钢验质点部署硬件摄像头、刷卡一体机、交换机、NVR硬盘录像机等配套设备，实现卸货过程视频、图片的采集、传输、存储，为废钢智能验质系统提供数据支撑。
图2：验质点硬件设备安装方式
2、废钢智能算法
智能废钢验质系统采用人工智能技术，以深度学习技术为核心，应用神经网络算法，主要分为废钢区域提取、天车吸盘(抓斗)追踪、废钢识别、异物检测、扣重计算，5大AI算法模型。
（1）废钢区域提取AI算法。算法采用卷积神经网络，利用ResNet-FPN对废钢车图像进行多尺度特征提取，100+卷积层、千万量级参数。通过头部网络实现对车厢位置像素级的识别。能够实现自动识别车辆位置；并对车厢进行像素级识别提取，判断提取图像的质量，确保车厢图片清晰；自动识别车辆中是否装卸料，识别车中料位状况。
图3：废钢区域提取算法
（2）天车吸盘(抓斗)追踪AI算法。采用卷积神经网络，利用CSPdarknet53作为主干特征提取网络，结合SPP网络实现多尺度特征提取，70+卷积层、6千万参数提取抓斗特征，实时自动追踪废钢抓斗，模型具有很高的追踪速度，保证追踪抓斗的实时性，具有很高的定位精度，保证追踪抓斗的准确性。能够精准追踪抓斗和吸盘位置实现自动定位。
图4：废钢抓斗（吸盘）追踪算法
（3）废钢料型识别AI算法。采用卷积神经网络，利用空间金字塔池化模块和编码器-解码器结构的网络对废钢图像进行像素级多尺度特征提取，对大型、中型、小型废钢都可以精准识别，在保证识别速度的同时可以实现不同类型废钢像素级分割，预测出不同厚度类型废钢的占比。能够准确识别出废钢混料中不同类型废钢的数量、厚度、面积等特征信息,计算出混料不同类型重量占比。
图5：废钢识别算法
（4）异物检测AI算法。采用卷积神经网络，利用高效的多尺度特征融合和模型缩放相结合，对废钢图像进行特征提取，检测密闭容器、液压缸、爆炸物等危险品，对不同形状、大小的危险品能够实现高精度识别，在复杂背景下依然保持极高的识别速度，使异物检测更高效。能够准确识别密闭油缸、气缸、油桶、灭火器等密闭容器和超长件，并自动报警,自动识别碎渣、碎土、碎屑等信息，完成自动扣杂扣吨。
图6：废钢识别算法
（5）扣重计算AI算法。通过废钢识别算法模型和异物检测算法模型输出的结果，利用自学习特性实现对整车等级判定和扣重预测。
图7：扣杂算法
设计人工神经网络，对大量历史数据学习，通过多层神经网络对大量历史废钢占比、杂质、扣重数据学习，实现扣重智能计算。
3、智能人机交互技术
基于人工智能技术的废钢验质系统人机界面，是融合设备交互技术、视频、实时卸货数据信息，打造人与废钢验质系统相互交流、相互协同、智能决策的交互媒介。
图8：司机刷卡客户端
图9：小程序智能分析终端
图10：智能废钢验质系统页面
三、主要创新性成果
1、基于深度学习的废钢卸料变化区域自动识别技术
利用卷积神经网络构建废钢车厢定位模型，基于卷积神经网络构建废钢卸料抓斗追踪模型，高斯混合模型对背景建模，识别出废钢抓斗抓取后废钢车厢变化区域，并保存面积最大的变化区域。
2、基于空间金字塔结构语义分割算法的废钢料型识别技术
采用卷积神经网络，利用空间金字塔池化模块和编码器-解码器结构的网络对废钢图像进行像素级多尺度特征提取，对大型、中型、小型废钢都可以精准识别，在保证识别速度的同时可以实现不同类型废钢像素级分割，预测出不同厚度类型废钢的占比。
3、基于多尺度目标检测算法的废钢异物检测技术
采用卷积神经网络，利用CSPdarknet53作为主干特征提取网络，利用高效的多尺度特征融合和模型缩放相结合，对废钢图像进行特征提取，检测密闭容器、液压缸、爆炸物等危险品，对不同形状、大小的危险品能够实现高精度识别，在复杂背景下依然保持极高的识别速度，使异物检测更高效。
4、钢铁冶金行业废钢环节一车多点卸货交互系统及方法
通过概率计算，自动判断不同车道的车辆占比，计算出车辆较少的通道，实现卸车的自动推荐，解决传统废钢验质环节中，人工沟通较繁琐，司机现场卸货耗时耗力，无法做到最优时间卸货等问题。
四、应用情况与效果
本项目于2021年11月1日在河钢集团舞钢公司一炼钢厂、二炼钢厂成功上线运行，目前可实现年识别 200 万吨废钢体量的系统应用支撑，准确率方面，单一料型废钢判级准确率95%，土渣、水泥块、油渍识别准确率90%，整车废钢评级准确率95%以上，扣重偏差值 200kg 以内准确率达90%以上，整车的密闭容器、危险品的识别准确率≥90%，实现废钢验质从人工验质到无人验质的重大突破，达到国内领先水平。
本项目成功上线，实现验质流程标准化、透明化、可追溯、可复查，预计为产线节约成本数百万元，同时形成了量化的供应商评价体系，实现钢铁企业和供应商的双赢。项目已成功申报专利3项，软著4项。
