基于深度学习的罐式炼炉送料口视觉检测与跟踪方法

通过计算机视觉技术实现送料口的准确检测及跟踪成为罐式炼炉自动控制的关键。但传统视觉检测和跟踪算法受炼炉高温产生烟雾的影响,易导致送料口检测和跟踪失效,为了更好地检测与跟踪视频流中送料口,提出了一种基于Yolo v3深度学习的检测及跟踪方法。基于自建的大量有烟雾干扰的图片样本,通过使用K-means聚类方法对数据集进行聚类分析,对送料口的检测与跟踪展开研究。实验结果表明:改进后的Yolo v3算法对实验目标准确率达到97.20%,检测速率达到了30帧/s,能实时检测和跟踪实际情况下送料口的位置信息,且具有较高的准确性和鲁棒性。其检测准确率和检测速率相比传统目标检测方法有所提高,准确性和实时性均满足自动控制生产要求,说明将深度学习技术应用到工业生产有着巨大的应用前景。