廢鋼資源發(fā)展現(xiàn)狀及廢鋼分類(lèi)研究

周 婧，秦倫明

（上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306）

近年來(lái)廢鋼鐵資源增長(zhǎng)迅速，其重要性也與日俱增，然而鋼鐵企業(yè)對(duì)廢鋼鐵的科學(xué)管理水平仍然較低。實(shí)現(xiàn)廢鋼自動(dòng)分類(lèi)，有利于提高鋼鐵企業(yè)的管理水平和廢鋼的回收效率。

廢鋼分類(lèi)屬于細(xì)粒度圖像分類(lèi)（Fine-grained Image Categorization）問(wèn)題，即判斷圖像屬于同一基類(lèi)別下的哪個(gè)子類(lèi)的問(wèn)題。傳統(tǒng)圖像分類(lèi)主要采用手動(dòng)設(shè)計(jì)特征的方法，對(duì)于廢鋼分類(lèi)，人為設(shè)計(jì)特征的難度很大，因此運(yùn)用傳統(tǒng)圖像分類(lèi)方法來(lái)進(jìn)行廢鋼分類(lèi)十分困難。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）[1]是一種特殊的神經(jīng)網(wǎng)絡(luò)，它的結(jié)構(gòu)與特性有利于提取圖像的特征，很適合用于解決廢鋼分類(lèi)問(wèn)題。而實(shí)現(xiàn)高精度廢鋼分類(lèi)離不開(kāi)大量數(shù)據(jù)，遷移學(xué)習(xí)等方法可以用于提高小數(shù)據(jù)集下的識(shí)別準(zhǔn)確率，彌補(bǔ)廢鋼數(shù)據(jù)的不足。

1 廢鋼資源發(fā)展現(xiàn)狀

1.1 廢鋼資源的重要性

鐵礦石和廢鋼鐵是鋼鐵企業(yè)開(kāi)展生產(chǎn)的主要原料，其中廢鋼鐵資源按其來(lái)源可分為自產(chǎn)廢鋼、加工廢鋼和折舊廢鋼3類(lèi)。廢鋼鐵是可再生資源，在生產(chǎn)過(guò)程中，對(duì)廢鋼資源進(jìn)行合理管理與利用，提高廢鋼的回收利用率，可以節(jié)省鐵礦石的投入，有效降低資源和能源消耗，減少大量廢氣廢水排放[2]。

隨著鋼鐵工業(yè)的迅速發(fā)展，廢鋼鐵的需求量也在大幅增長(zhǎng)[3]。而目前鋼鐵企業(yè)的廢鋼資源管理還存在較多問(wèn)題，如廢鋼分類(lèi)回收混亂、利用率較低等。因此，實(shí)現(xiàn)廢鋼自動(dòng)分類(lèi)對(duì)于鋼鐵企業(yè)而言日益重要。

1.2 廢鋼資源增長(zhǎng)趨勢(shì)

根據(jù)中國(guó)廢鋼鐵應(yīng)用協(xié)會(huì)的統(tǒng)計(jì)，2018年全國(guó)廢鋼鐵資源總產(chǎn)量為2.1億t，同比增漲10%。2019年全國(guó)廢鋼總產(chǎn)量為2.4億t，同比增漲9%，廢鋼資源穩(wěn)定增長(zhǎng)。

根據(jù)有關(guān)數(shù)據(jù)的分析與預(yù)測(cè)，由于折舊廢鋼量的大增，2025年后廢鋼資源將進(jìn)一步快速增長(zhǎng)[4]，廢鋼將成為我國(guó)高速發(fā)展的鋼鐵工業(yè)的重要支柱。而這對(duì)鋼鐵企業(yè)的廢鋼管理與利用水平提出了更高要求。

2 廢鋼分類(lèi)研究綜述

2.1 廢鋼分類(lèi)研究分析

目前，國(guó)內(nèi)關(guān)于廢鋼分類(lèi)的研究還很少，僅有裴培等[5]人設(shè)計(jì)了廢鋼分類(lèi)計(jì)量與管理系統(tǒng)，有效提高了廢鋼數(shù)據(jù)信息傳輸效率。廢鋼分類(lèi)屬于細(xì)粒度圖像分類(lèi)問(wèn)題，由于細(xì)粒度圖像的種類(lèi)之間差距更小，實(shí)現(xiàn)廢鋼分類(lèi)比一般的圖像分類(lèi)更具有挑戰(zhàn)性。

2.2 傳統(tǒng)圖像分類(lèi)方法

傳統(tǒng)的圖像分類(lèi)方法，如詞包模型[6]（Bag of Words），其將圖像特征表示為人工特征描述子，并對(duì)測(cè)試圖像提取特征描述子后，與特征庫(kù)進(jìn)行匹配得到分類(lèi)結(jié)果。詞包模型使用全局特征來(lái)描述圖像，運(yùn)算簡(jiǎn)單快捷，消耗內(nèi)存小，但難以識(shí)別存在背景干擾的復(fù)雜圖像。

為了解決上述問(wèn)題，圖像分類(lèi)研宄方向轉(zhuǎn)向了圖像中的局部特征，基于局部特征的尺度不變模型被提出。常用的局部特征描述算子有SIFT特征[7]，HOG特征[8]，LBP特征[9]等?；诰植刻卣鞯哪Ｐ驮谟袕?fù)雜背景的圖像分類(lèi)上取得了更好的效果，但由于其不能利用圖像的空間位置信息，對(duì)于不同視角的同類(lèi)物體，局部特征模型的泛化能力較差。

近些年，學(xué)者又提出了基于語(yǔ)義特征的圖像分類(lèi)模型。模型首先從圖像中提取出相應(yīng)特征，并對(duì)特征進(jìn)行處理得到語(yǔ)義信息，然后將特征聚類(lèi)為一類(lèi)圖像的語(yǔ)義特征。基于語(yǔ)義特征的圖像分類(lèi)模型更符合人類(lèi)視覺(jué)對(duì)圖像的識(shí)別過(guò)程，但其同樣沒(méi)有利用圖像的空間位置信息。

對(duì)于廢鋼分類(lèi)問(wèn)題，由于細(xì)粒度圖像的子類(lèi)之間特征差異較小，傳統(tǒng)圖像分類(lèi)模型提取的特征對(duì)于子類(lèi)的分辨能力較弱。因此，傳統(tǒng)圖像分類(lèi)模型應(yīng)用于廢鋼分類(lèi)問(wèn)題的效果不夠理想。

2.3 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展綜述

近年來(lái)，深度學(xué)習(xí)[10]領(lǐng)域卷積神經(jīng)網(wǎng)絡(luò)發(fā)展迅速。1998年，Lecun提出了LeNet[11]。LeNet是一個(gè)結(jié)構(gòu)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，但在進(jìn)行手寫(xiě)數(shù)字識(shí)別時(shí)取得了98%以上的準(zhǔn)確率，從而引發(fā)了卷積神經(jīng)網(wǎng)絡(luò)的研究熱潮。

2012年，AlexNet[12]在ILSVRC（ImageNet Large Scale Visual Recognition Challenge）競(jìng)賽中獲得冠軍，正確率遠(yuǎn)超第二名。AlexNet包含5個(gè)卷積層和3個(gè)全連接層，采用ReLU（Rectified Linear Units）激活函數(shù)來(lái)加速訓(xùn)練，是第一個(gè)真正意義上的深度神經(jīng)網(wǎng)絡(luò)。

2014年，牛津大學(xué)的Visual Geometry Group提出的VGGNet[13]獲得ILSVRC競(jìng)賽亞軍。VGGNet在AlexNet的基礎(chǔ)上繼續(xù)發(fā)展，層數(shù)更深，網(wǎng)絡(luò)結(jié)構(gòu)更廣。同年，GoogLeNet[14]獲得ILSVRC競(jìng)賽冠軍，其通過(guò)構(gòu)建和組合多個(gè)Inception模塊，使得網(wǎng)絡(luò)更深更廣，同時(shí)減少了模型的參數(shù)量，解決了過(guò)擬合和梯度彌散（Gradient Vanishing）等問(wèn)題。

2015年，Kaiming He提出的ResNet[15]獲得ILSVRC競(jìng)賽冠軍。He提出了短路連接機(jī)制以解決深層網(wǎng)絡(luò)難以訓(xùn)練的問(wèn)題，使網(wǎng)絡(luò)的層數(shù)得以繼續(xù)加深。同年，Gao Huang等人借鑒ResNet的思想提出了DenseNet[16]。其特點(diǎn)是網(wǎng)絡(luò)的任意兩層之間直接連接，使用這種密集連接機(jī)制實(shí)現(xiàn)了特征重用，減少了參數(shù)量。

2019年，谷歌提出了EfficientNet[17]，同時(shí)提出了一種新的模型縮放方法，使用一個(gè)簡(jiǎn)單而高效的復(fù)合系數(shù)，從深度、廣度和輸入分辨率3個(gè)維度縮放網(wǎng)絡(luò)，從而同時(shí)兼顧模型的運(yùn)行速度與精度。

隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，其分類(lèi)速度與精度不斷提高，目前已逐漸成為圖像分類(lèi)的主流方法。卷積神經(jīng)網(wǎng)絡(luò)用于解決廢鋼分類(lèi)問(wèn)題具有可行性。

2.4 遷移學(xué)習(xí)方法

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量圖像數(shù)據(jù)，而廢鋼圖像數(shù)據(jù)量非常有限。圖像數(shù)據(jù)的不足將影響模型的分類(lèi)效果，為了在數(shù)據(jù)有限的前提下取得較高的分類(lèi)準(zhǔn)確率，考慮使用遷移學(xué)習(xí)等方法彌補(bǔ)數(shù)據(jù)的不足。

遷移學(xué)習(xí)[18]是將從一個(gè)領(lǐng)域中學(xué)習(xí)到的知識(shí)，遷移應(yīng)用到與之相關(guān)的新領(lǐng)域中的方法。深度神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的特征提取能力，但其訓(xùn)練需要大量標(biāo)注數(shù)據(jù)，如數(shù)據(jù)不足很容易陷入過(guò)擬合，難以取得理想的分類(lèi)效果。如先利用大型數(shù)據(jù)集初步訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，再將網(wǎng)絡(luò)習(xí)得的知識(shí)恰當(dāng)?shù)剡M(jìn)行遷移應(yīng)用，則可解決訓(xùn)練數(shù)據(jù)不足的問(wèn)題，克服過(guò)擬合現(xiàn)象，同時(shí)節(jié)省大量運(yùn)算成本，縮短訓(xùn)練時(shí)間。

遷移學(xué)習(xí)應(yīng)用于圖像分類(lèi)或識(shí)別問(wèn)題的具體實(shí)施方法為，使用在ImageNet數(shù)據(jù)集上訓(xùn)練的預(yù)訓(xùn)練模型（Pre-trained Model），將其特征提取層的結(jié)構(gòu)和權(quán)重進(jìn)行遷移，構(gòu)建遷移學(xué)習(xí)模型并在實(shí)際訓(xùn)練數(shù)據(jù)上進(jìn)行訓(xùn)練。ImageNet是一個(gè)包含1 500萬(wàn)張圖片的大型圖像分類(lèi)數(shù)據(jù)庫(kù)，共有2.2萬(wàn)個(gè)分類(lèi)。預(yù)訓(xùn)練模型擁有在ImageNet上學(xué)習(xí)到的知識(shí)，已學(xué)會(huì)提取一些低端特征，如輪廓特征、紋理特征等，使用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，可以使網(wǎng)絡(luò)更快更好地學(xué)習(xí)小數(shù)據(jù)集，發(fā)揮深度神經(jīng)網(wǎng)絡(luò)特征提取的優(yōu)勢(shì)，同時(shí)節(jié)省收集更多數(shù)據(jù)的人力物力。目前，遷移學(xué)習(xí)已廣泛應(yīng)用于小數(shù)據(jù)集的圖像分類(lèi)問(wèn)題中，如朱良寬等[19]人運(yùn)用遷移學(xué)習(xí)提高植物葉片分類(lèi)的準(zhǔn)確率，謝小紅等[20]人將遷移學(xué)習(xí)運(yùn)用于服裝分類(lèi)的研究等。

3 結(jié)束語(yǔ)

本文總結(jié)了近些年廢鋼資源的增長(zhǎng)趨勢(shì)和利用情況，分析了傳統(tǒng)圖像分類(lèi)方法不適用于廢鋼分類(lèi)的原因，并展望了卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于廢鋼分類(lèi)的可行性及運(yùn)用遷移學(xué)習(xí)等方法來(lái)彌補(bǔ)廢鋼圖像數(shù)據(jù)不足的可能性。