通过对我国废钢铁利用现状、废钢铁分类情况及分类标准进行分析,探讨了目前我国废钢铁利用及分类分拣概况,提出了存在的问题。在此基础上,对废钢智能识别系统、废钢铁快速检测技术的发展及应用情况进行分析,认为目前废钢铁分类分拣技术的发展水平与钢铁企业的实际需求仍有较大差距,未来要实现电炉智能化冶炼必须做到两种技术的耦合。我国对废钢铁的分类分拣仍相对初级和粗放,还不能做到对废钢铁成分的快速有效识别;在“双碳”背景下,随着我国钢铁工业由规模化高速发展阶段转向绿色低碳、高质量发展的新阶段,废钢铁质量的重要性日渐凸显,我国废钢铁利用水平要尽快得到提升,不仅要提高炼钢废钢比,更要提高废钢铁分类分拣的技术水平,为实现电炉冶炼智能化奠定基础。

废钢质量检验一直是困扰各大钢铁企业重要问题。为解决废钢验质过程中存在的主观因素影响大、判级过程难追溯、质量异议等问题,基于人工智能技术的废钢智能判级系统应运而生,并且在钢铁行业得到了极大的关注。作为新鲜事物,很多企业对废钢智能判级系统的理解存在疑虑、不全面、不科学,甚至存在误解。在技术原理和技术架构功能基础上,阐述在图片自动采集、标准统一、压块等特殊料型智能判级、智能扣杂方面的关键技术突破,同时指出在化学成分识别、细小料型识别、压块内部质量检测等方面面临工程化挑战,最后提出废钢智能判级系统在企业应用发展过程和未来趋势。

废钢压块虽有诸多优点,然而废钢种类的多样性却对冶炼产生了影响。考虑到钢厂环境的复杂性以及当前废钢种类识别技术的复杂性,利用移动设备在复杂场景下实现对废钢压块的准确识别,对于提高冶炼模型的精度和生产效率有着至关重要的意义。通过在原有数据集里新增复杂光照场景下的压块图片,对数据集进行了丰富,并运用改进后的混合网络模型来研究压块识别算法。研究结果显示,改进后的EdgeNext混合模型在识别场景中有着更出色的表现。在试验数据集上,其测试准确率相较于Mobilenetv3提高了2.81%;一个训练耗时与视觉自注意力模型(visiontransformer,viT)模型相比减少了12ms;而且在训练过程中,该模型在收敛速度和震荡幅度方面均呈现出更优的状态。综上所述,改进后的EdgeNext模型为提高废钢压块的智能识别水平提供了坚实的理论支持

基于激光烧蚀过程中光谱强度和烧蚀坑形貌有规律变化的特点 , 利用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBs) 技术对废钢表面金属镀层厚度进行了半定量检测的研究 。首先通过研究激光烧蚀 坑形貌 ,建立烧蚀坑深度与激光脉冲数的数学模型 ,再结合激光穿透镀层的临界点判断 ,实现对废钢表面的金 属镀层厚度进行量化计算 ,为废钢表面镀层厚度的快速评估提供了一种新方法 。

实时对废钢料线厚度识别对其运输及电炉炼钢过程具有重要作用,目前尚未有基于深度学习的方法对该场景下的算法进行研究。针对上述问题,通过试验对比当前主流的分割模型网络,并提出采用PP-Liteseg进行废钢边缘轮廓分割。进一步引入骰子损失函数(Dice loss)、LovasZsoftmax损失函数(LovasZsoftmax loss)等优化策略,对PP-Liteseg原始交叉熵损失函数进行改进,实现了全局监督与局部细节优化的最佳平衡,分割平均交并比(mIoU)达到81.11%。最后,基于优化后的模型设计了利用分割结果提取关键参考线的废钢料线厚度计算方法,实现对废钢堆积最大及平均厚度的实时监测与量化评估。试验结果表明,该方法在复杂工况下具备高精度分割能力和针对不同点位的优良泛化性能,为电炉炼钢过程中废钢料线厚度的准确识别提供了可靠技术支撑。

本研究利用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBS) 技术,分析了有镀层和无镀层废钢的光谱特征随激光脉冲数的演变规律。研究发现,对于有镀层废钢,镀层元素的谱线强度随脉冲数增加先上升后下降,而Fe元素谱线强度则逐渐增加;对于无镀层废钢,Fe元素谱线强度在初始脉冲后快速增加,随后趋于稳定。基于这些规律,研究提出通过Fe元素归一化强度的标准差阈值(设定为0.02)来识别废钢表面是否存在镀层。此外,通过分析镀层元素归一化强度的变化,研究提出了一种基于谱线归一化强度累加值的方法,用于确定镀层元素的种类,即最大累加值对应的元素为镀层元素。该方法为废钢表面镀层的快速识别和分类提供了有效的技术手段。

废钢智能判级可以优化钢铁企业、废钢基地在采购废钢过程中废钢判级流程,提高废钢判级效率,减少废钢判级感情验质。针对废钢智能判级,基于原有只采用目标检测算法而言,提出了一种基于目标跟踪算法来优化在废钢智能判级过程中实现自动结束判级功能的方法,通过目标检测算法先检测识别枪型摄像机(枪机)画面中出现的判级车辆,可能会出现车辆不全、多个判级车辆等情况,尤其是在这些特殊情况中,需要针对性设计出一个针对车辆识别的目标跟踪算法,以提高识别待判级的废钢车辆的准确性。采用目标跟踪算法来实现废钢智能判级系统自动结束功能,相较于原有的单一目标检测算法而言,通过卡尔曼滤波、匈牙利算法来对图像中检测到的目标分别解决状态预测、轨迹匹配关联,来提高在复杂场景下目标跟踪算法的鲁棒性。废钢智能判级系统自动解决功能的准确率由原来的86%提升至93%,其中探索研究的通过关联每个检测框进行多目标跟踪(multi-object tracking by associating every detection box ,ByteTrack) 算法相较在多目标跟踪精度(multiple object tracking accuracy,MOTA) 评价指标分别提高17.5%、15.3%,IDF1评价指标分别提高16.1%、9.9%。基于目标跟踪算法实现自动结束功能,尤其是在复杂场景下,更能提高其准确性,更加准确地判断判级车辆是否移动,以触发是否需要结束当前车辆的废钢判级。