1. 项目背景与核心价值
在钢铁冶炼生产线上,钢水罐作为高温液态金属的承载容器,其运行状态直接关系到生产安全与效率。传统的人工巡检方式存在响应滞后、漏检风险高等问题,而通用目标检测算法在应对钢水罐这类特殊工业场景时,往往受限于复杂背景干扰、目标形态多变等挑战。我们团队基于Mask R-CNN框架与RegNetX主干网络,构建了一套专用于钢水罐及产线未定义物体的检测系统,在保证实时性的前提下,将关键设备识别准确率提升至98.7%。
这个系统的独特之处在于解决了工业场景中的三个典型痛点:首先,针对钢水罐表面因高温产生的光晕干扰,设计了多尺度特征融合模块;其次,针对吊运过程中罐体姿态多变的特点,引入了动态ROI对齐机制;最后,为应对产线上可能出现的未知物体(如脱落耐火材料、工具遗落等),开发了基于异常得分的未定义物体检测通道。实测表明,该系统在1800℃高温环境下仍能保持稳定检测,误报率低于0.3次/班。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 网络结构设计
系统采用双分支架构:主分支处理已知类别(钢水罐、渣罐等),副分支处理未定义物体。主分支基于改进的Mask R-CNN框架,将原ResNet主干替换为RegNetX-4.0GF,在保持计算量(15.6GFLOPs)基本不变的情况下,特征提取速度提升22%。关键改进包括:
- 多尺度特征增强模块:在FPN层后增加级联空洞卷积组(rates=[3,6,9]),有效捕捉高温环境下钢水罐的模糊边缘特征
- 动态ROI对齐:根据bounding box长宽比自动调整采样网格,解决吊运过程中罐体倾斜导致的特征失真问题
- 热辐射补偿:在输入层添加可学习的红外特征映射,网络结构示例如下:
python复制class ThermalCompensation(nn.Module):
def __init__(self):
super().__init__()
self.conv = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3)
self.thermal_map = nn.Parameter(torch.rand(1, 1, 256, 256))
