百度飞桨联合华院计算,保障钢铁制造安全

2023-10-28 03:30

本文主要是介绍百度飞桨联合华院计算,保障钢铁制造安全,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击左上方蓝字关注我们

钢铁制造水平及产量,是经济学家们衡量各国经济实力的一项重要指标。我国作为钢铁制造大国、强国,长期以来都非常重视钢铁制造工艺质量及安全。热轧作为钢铁制造领域一项重要的工艺,也一直受到业界的关注。

钢坯的生产一般需要使用加热炉将钢坯加热到设定温度并传送到下一环节进行轧制(本篇我们所涉及的是热轧)、切边,最终成为钢板。目前大多数加热炉采用的是步进式加热炉,靠炉底或水冷金属梁的上升、前进、下降、后退的动作把料坯一步一步地移送前进的连续加热。

图1:步进式加热炉

当炉门抬起来的时候,步进装置托着钢坯在加热炉内移动,而钢坯何时完全从炉中移动出来是一个非常关键的时刻,因为如果钢坯还没有完全从炉门移出或部分移出就将炉门关闭,就会出现下落的炉门撞击钢坯的情况,造成钢坯或炉门损坏等一系列事故,进而导致停工停产,造成企业巨大的经济损失。图1是整个钢坯出炉的过程图。

图2 钢坯出炉历程

随着技术的发展,人工智能逐渐赋能应用在一线制造业的生产环节中,如何实时检测钢坯的位置来判断钢坯是否完全出炉,对于保障热轧工艺过程中的安全尤为重要。

为了更好的检测钢坯完全出炉,一线工作者做了很多的工作,诸如利用距离传感器来计算钢坯的位置;利用工业/监控+图像处理算法检测钢坯的位置,但是这两种方法都存在一定的不足:

  • 使用激光传感器进行检测:由于炉内温度很高(高达1650℃),对射传感器的安装很容易造成贴近炉内的传感器经受不住高温而失效。并且由于高温的钢坯本身就可以辐射红外光线,很容易造成传感器检测不准,出现误报的情况。

  • 使用传统图像处理算法来检测:利用相机拍摄图片,调用OpenCV函数库进行检测。但是传统的图像处理算子往往依赖于灰度等形态学特征,很难适用于工厂的复杂环境,当工厂的光照条件发生较大的变化时,会较容易出现检测不准确的情况。

基于飞桨高性能实例分割算法

SOLOv2的解决方案

随着计算机视觉技术的发展,传统的制造业逐渐开始拥抱AI,华院计算和某钢厂合作,利用百度飞桨目标检测开发套件PaddleDetection中的高性能实例分割算法SOLOv2来进行钢坯位置检测,取得了非常好的效果。下面这个视频展示的就是该钢厂内的一个实时检测过程。

可以看到,绿色检测框和Mask实时检测出了钢坯的位置、形状,而这些信息指导炉门在正确的时间关闭,从而保障了生产环节安全、顺畅地进行。

而所使用的算法SOLOv2,由于其出色的兼顾了精度和速度,在自动驾驶、机器人抓取控制、医疗影像分割、工业质检和遥感图像分析等领域也被广泛的应用。而飞桨目标检测开发套件PaddleDetection提供的SOLOv2算法又是业界最佳的,它在COCO minival数据集上的mask AP(mAP)达到38.8%,在单张Tesla V100上单卡预测速度达到38.6FPS。相比于原论文,精度提升了2.4%,预测速度提升31.2%。

图3 精度-速度曲线

详细的优化过程及完整的算法源码,请参见:

https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.0-beta/configs/solov2

项目实施历程

  1. 数据集准备

从实际业务线中抓取一定数量的图片,使用Labelme开源标注软件对于图片中的炉门、钢坯、间隙分别进行如图4所示标注。然后将标注后的数据集按照7:3的比例划分为训练集和验证集。

图4 标注示例

  1. 模型训练和优化

采用PaddleDetection提供的solo_v2light_r50_vd_fpn_dcn_512_3x配置文件进行模型的快速训练,最终在测试集上mAP达到90.11,单帧的推理时间低至28ms,对于FPS35的视频实现了实时流畅的推理。

  1. 判别策略

当模型训练完成后,需要编写一些策略判别钢坯是否已经离开加热炉。如图5所示,我们通过SOLOv2给出的钢坯标定,分别计算出钢坯的最左侧(A)和最右侧(B)的角点坐标,连接两点作为分界线,用于区分炉门和辊道区域。当系统发现角点位置落在标定的分界线左侧时,则认为钢坯完全离开炉门,处于安全区域,炉门随之落下。

图5 实现原理

  1. 模型部署

一个工厂里面一般有多个加热炉,那么如何对这些加热炉更好的实现集中管理呢?如图6所示,本项目采用Paddle Serving将模型部署在V100服务器上,然后将多个加热炉检测的摄像头通过网络交换机接到一起,数据回传后,由部署在服务器上的算法进行检测,实现厂区的全局管理。

图6 部署方案

华院计算介绍

华院计算技术(上海)股份有限公司(以下简称:华院计算)成立于2002年,国内创新的数据智能公司。

华院计算以算法研究和创新应用为核心,着力发展认知智能技术,为金融、零售、社会治理、工业制造和医疗教育等行业提供智能化的产品和服务,推动行业智能化的转型和升级。致力于数学应用与计算技术发展,提供底层智能引擎,引领算法自主创新,让世界更智慧。

写到这里,你还不心动嘛!赶紧前往飞桨PaddleDetection项目地址,学习、试用吧!!!记得顺手帮我们点亮Star哦~

GitHub链接: 

https://github.com/PaddlePaddle/PaddleDetection

Gitee链接: 

https://gitee.com/paddlepaddle/PaddleDetection

感兴趣的小伙伴也可以加入SOLOv2技术交流群,与业界开发者一同交流学习。

如在使用过程中有问题,可加入官方QQ群进行交流:778260830。

如果您想详细了解更多飞桨的相关内容,请参阅以下文档。

·飞桨官网地址·

https://www.paddlepaddle.org.cn/

·飞桨开源框架项目地址·

GitHub: https://github.com/PaddlePaddle/Paddle 

Gitee: https://gitee.com/paddlepaddle/Paddle

精彩活动

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础,是中国首个开源开放、技术领先、功能完备的产业级深度学习平台,包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件,持续开源核心能力,为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台,针对企业级需求增强了相应特性,包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业,提供零门槛、预置丰富网络和模型、便捷高效的开发平台;BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。

END

这篇关于百度飞桨联合华院计算,保障钢铁制造安全的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/290383

相关文章

百度/小米/滴滴/京东,中台架构比较

小米中台建设实践 01 小米的三大中台建设:业务+数据+技术 业务中台--从业务说起 在中台建设中,需要规范化的服务接口、一致整合化的数据、容器化的技术组件以及弹性的基础设施。并结合业务情况,判定是否真的需要中台。 小米参考了业界优秀的案例包括移动中台、数据中台、业务中台、技术中台等,再结合其业务发展历程及业务现状,整理了中台架构的核心方法论,一是企业如何共享服务,二是如何为业务提供便利。

客户案例:安全海外中继助力知名家电企业化解海外通邮困境

1、客户背景 广东格兰仕集团有限公司(以下简称“格兰仕”),成立于1978年,是中国家电行业的领军企业之一。作为全球最大的微波炉生产基地,格兰仕拥有多项国际领先的家电制造技术,连续多年位列中国家电出口前列。格兰仕不仅注重业务的全球拓展,更重视业务流程的高效与顺畅,以确保在国际舞台上的竞争力。 2、需求痛点 随着格兰仕全球化战略的深入实施,其海外业务快速增长,电子邮件成为了关键的沟通工具。

poj 1113 凸包+简单几何计算

题意: 给N个平面上的点,现在要在离点外L米处建城墙,使得城墙把所有点都包含进去且城墙的长度最短。 解析: 韬哥出的某次训练赛上A出的第一道计算几何,算是大水题吧。 用convexhull算法把凸包求出来,然后加加减减就A了。 计算见下图: 好久没玩画图了啊好开心。 代码: #include <iostream>#include <cstdio>#inclu

uva 1342 欧拉定理(计算几何模板)

题意: 给几个点,把这几个点用直线连起来,求这些直线把平面分成了几个。 解析: 欧拉定理: 顶点数 + 面数 - 边数= 2。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#inc

uva 11178 计算集合模板题

题意: 求三角形行三个角三等分点射线交出的内三角形坐标。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#include <stack>#include <vector>#include <

安全管理体系化的智慧油站开源了。

AI视频监控平台简介 AI视频监控平台是一款功能强大且简单易用的实时算法视频监控系统。它的愿景是最底层打通各大芯片厂商相互间的壁垒,省去繁琐重复的适配流程,实现芯片、算法、应用的全流程组合,从而大大减少企业级应用约95%的开发成本。用户只需在界面上进行简单的操作,就可以实现全视频的接入及布控。摄像头管理模块用于多种终端设备、智能设备的接入及管理。平台支持包括摄像头等终端感知设备接入,为整个平台提

XTU 1237 计算几何

题面: Magic Triangle Problem Description: Huangriq is a respectful acmer in ACM team of XTU because he brought the best place in regional contest in history of XTU. Huangriq works in a big compa

2024网安周今日开幕,亚信安全亮相30城

2024年国家网络安全宣传周今天在广州拉开帷幕。今年网安周继续以“网络安全为人民,网络安全靠人民”为主题。2024年国家网络安全宣传周涵盖了1场开幕式、1场高峰论坛、5个重要活动、15场分论坛/座谈会/闭门会、6个主题日活动和网络安全“六进”活动。亚信安全出席2024年国家网络安全宣传周开幕式和主论坛,并将通过线下宣讲、创意科普、成果展示等多种形式,让广大民众看得懂、记得住安全知识,同时还

Java 后端接口入参 - 联合前端VUE 使用AES完成入参出参加密解密

加密效果: 解密后的数据就是正常数据: 后端:使用的是spring-cloud框架,在gateway模块进行操作 <dependency><groupId>com.google.guava</groupId><artifactId>guava</artifactId><version>30.0-jre</version></dependency> 编写一个AES加密

音视频入门基础:WAV专题(10)——FFmpeg源码中计算WAV音频文件每个packet的pts、dts的实现

一、引言 从文章《音视频入门基础:WAV专题(6)——通过FFprobe显示WAV音频文件每个数据包的信息》中我们可以知道,通过FFprobe命令可以打印WAV音频文件每个packet(也称为数据包或多媒体包)的信息,这些信息包含该packet的pts、dts: 打印出来的“pts”实际是AVPacket结构体中的成员变量pts,是以AVStream->time_base为单位的显