基于深度学习的罐式炼炉送料口视觉检测与跟踪方法

闫 河，李 焕，罗 成

（1.重庆理工大学，重庆 400054；2.重庆市两江人工智能学院，重庆 401135）

在机械控制生产中，钟料罐是必不可少的设备，而在视频流中能够准确、鲁棒性地检测与跟踪送料口成为工业生产的重中之重。同时炼炉罐的负荷存在变化，转速并非均匀。而且炼炉罐高温易产生大量的烟雾，对送料口的检测与跟踪会有一定的干扰。

传统图像处理的目标检测方法是通过手工设计特征来实现的，代表的特征有方向梯度直方图HOG［1］、局部二值特征LBP［2］、尺度不变特征变换SIFT［3］等。分类器常见的有支持向量机SVM［4］、DPM［5］等。传统的目标检测存在2个主要的问题：一是需要手工的设计特征，滑动窗口的选择往往没有针对性，提取的特征不够，最后检测出来的目标存在漏检及误检的问题，准确率低；二是对于多样变化的物体，手工设计的特征鲁棒性低。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。

近年来，随着AlexNet［6］网络在ILS-VRC-2012比赛中取得胜利，深度学习中卷积神经网络（CNN）［7］逐渐的走入研究者的视线中，卷积神经网络具有快速特征提取和分类的特点。相比较于传统的目标检测，深度学习提取到的特征更多更丰富。基于此特征，研究人员提出了一系列目标检测算法。在2014年Girshick等［8］提出了区域卷积神经网络（RCNN），该网络首次使用候选区域（region proposal）网络代替传统目标中使用的滑动窗口的方法，使用卷积神经网络提取特征，输入到支持向量机中训练。该网络训练速度慢、占用磁盘空间大。……