-广告-

在钢铁生产厂中，钢包跟踪系统对优化钢包在各加工单元间的转运流程至关重要。目前采用的射频识别（RFID）等钢包跟踪技术，因维护成本高、在恶劣工况下性能不佳，导致自动化钢包跟踪系统的研发存在明显空白。本文提出两种创新解决方案以解决上述问题：一种基于计算机视觉的钢包跟踪系统，以及将预处理技术与光学字符识别（OCR）算法相结合的集成方法。第一种方法采用YOLOv8框架，从输入图像中检测钢包及其专属编号两类目标，该方法的目标检测精确率达0.983、召回率达0.998。第二种方法在应用OCR前执行多步预处理操作，适用于图像清晰度受影响的复杂作业环境，经增强预处理的EasyOCR算法提取钢包编号的置信度达0.9948。实验结果表明，基于机器视觉的自动化钢包跟踪技术在钢铁厂具备实际应用可行性，可提升生产运营效率、保障作业安全并减少人工干预。

01

引言

钢铁生产流程的核心集中在炼钢车间，该车间通过电弧炉（EAF）或碱性氧气转炉（BOF）对铁水、废钢等原料进行冶炼，并借助钢包实现熔融金属在各工序间的转运与精炼；随后通过钢包炉进行成分调整，并结合脱气装置提升钢水纯净度，最终输送至连铸机生产板坯、方坯和大方坯等钢坯产品。炼钢车间作业环境高温且复杂，钢包的调度与转运成为影响生产效率与安全的核心环节，通常依赖轨道车或起重设备完成各工序间的快速衔接，其中电动桥式起重机（EOT）在钢包吊运中发挥关键作用。传统钢包跟踪主要依赖人工监控，存在效率低、误差大及安全风险高等问题，而基于RFID的自动化系统虽已应用，但在高温（常超250℃）、强电磁干扰及粉尘环境下易出现失效、信号不稳定及维护成本高等问题，难以满足长期稳定运行需求。相比之下，现代数字化跟踪系统能够实现钢包位置与运行状态的实时监测与优化调度，不仅可减少转运拥堵、提升生产效率，还可结合温度与工艺参数优化能耗控制，避免因温降或过热带来的额外成本，从而在提升安全性的同时推动炼钢过程的智能化与高效化。

人工智能和机器学习技术的发展推动了工业自动化的变革，为钢铁生产中的预测性维护、缺陷检测和过程监控等环节提供了优化方案。为填补传统技术的空白，本文提出两种基于先进计算机视觉和OCR技术的钢包跟踪方法。相较于RFID系统，计算机视觉和OCR技术通过实时图像处理实现钢包无接触跟踪，是更优的解决方案。

本文提出的方法可实时检测钢包及其编号，实现炼钢流程的自动化，无需人工干预，且相比传统方法更可靠、高效。

02

提出的方法

2.1基于计算机视觉的钢包识别

本研究聚焦于为炼钢车间设计一种基于计算机视觉的高精度钢包识别方法，重点研究将目标检测技术与OCR技术相结合，在短时间内实现钢包及其专属编号的同步检测。为构建高精度的钢包编号识别目标检测模型，研究团队采集了带有清晰编号的钢包图像数据集，用于模型训练，核心目标是实现钢包的精准识别。

该方法的核心特点是为包含钢包及其编号的图像添加边界框，将OCR系统的识别区域限定在钢包编号所在位置，相较于扫描整幅图像的传统OCR系统，大幅提升了钢包编号的识别性能。本文提出的方法融合了目标检测模型与OCR系统，形成“先检测钢包，后提取编号”的两阶段处理流程：首先，模型从图像中检测出钢包和编号区域两类目标，并在目标周围生成边界框；随后，仅对编号区域的边界框应用OCR系统，实现编号的高精度提取。将该方法集成至工业软件中，可优化钢包的转运操作，提升钢铁制造行业的生产效率和运营管理水平。图1展示了该方法的工作流程，其中目标检测过程包含以下步骤：1）数据采集；2）图像标注；3）数据预处理；4）YAML文件配置；5）模型训练。

2.2基于预处理与OCR融合的钢包识别优化方法

本文提出的第二种方法是钢包识别的优化方案，专门解决第一种方法在复杂环境下钢包识别精度不足的问题，此类环境中钢包图像的清晰度易受影响。该优化方法在应用OCR前，增加了多环节的综合预处理流程，弥补了单纯依靠OCR技术实现钢包实时跟踪的局限性。

该方法的核心是构建完整的图像预处理流程，通过图像去噪、对比度增强等技术提升图像质量，为OCR识别奠定基础；同时采用腐蚀、膨胀等形态学操作，优化钢包轮廓、去除无用噪声，进一步提升OCR识别效果。经过预处理的图像清晰度和辨识度显著提升，再应用OCR算法可高效提取钢包表面的编号。该方法针对第一种方法的不足，通过强化图像预处理提升钢包表面的视觉辨识度，进而优化OCR提取效果，实现了预处理技术与OCR算法的无缝融合，为炼钢车间的钢包实时识别提供了更优解，有效提升车间生产效率和运营管理水平。

第二种方法的预处理流程包含以下步骤：1）灰度转换；2）直方图均衡化；3）模糊与锐化处理；4）二值化处理；5）轮廓检测与绘制；6）基于EasyOCR的编号提取。

03

结果与分析

本研究选取包含540个目标实例的169张图像作为测试集，对所提基于计算机视觉的钢包识别模型进行性能评估，并跟踪模型在10轮训练中的性能变化。模型基于YOLOv8目标检测架构训练，实验结果表明，随着训练轮数的增加，网络的边界框损失、类别损失和检测焦点损失持续降低，模型性能逐步提升。

研究采用精确率（P）、召回率（R）、交并比50%时的平均精度（mAP50）、交并比50%-95%的平均精度（mAP50-95）等指标评估模型性能。模型在第10轮训练时性能达到最优，精确率为0.983、召回率为0.998、mAP50为0.994、mAP50-95为0.826，表明该模型能以极低的误差成功检测钢包及其编号。

在测试集上对钢包和编号的检测性能进行单独评估发现：钢包识别的精确率和召回率接近100%；而编号识别的mAP50-95指标略低，原因是部分图像中的编号存在模糊、遮挡等问题，导致辨识度不足。具体来看，钢包检测的精确率为0.992、召回率为1.000、mAP50为0.995、mAP50-95为0.937；编号检测的精确率为0.974、召回率为0.996、mAP50为0.993、mAP50-95为0.713，模型训练结果详见表1。

上述结果表明，该模型完全适用于炼钢车间等复杂环境下的钢包实时跟踪。在检测出钢包和编号两类目标后，可对编号区域的边界框应用OCR算法提取编号，并通过该编号对钢包在钢铁厂各工序中的转运过程进行全程跟踪。目标检测与OCR的融合有效提升了识别精度，而编号检测的mAP50-95指标略有下降，说明图像质量的差异仍为模型识别的主要挑战。尽管如此，模型的高精确率和高召回率表明，随着训练轮数的增加，模型能不断提升对钢包和编号的特征学习与区分能力。

本文提出的第二种方法融合了图像预处理与OCR技术，通过提升钢包表面编号的分辨率和辨识度，进一步优化了钢包识别效果。钢包图像经灰度转换、直方图均衡化、模糊、锐化、轮廓检测等全流程预处理后，采用EasyOCR算法提取编号，实验结果表明，该算法能以高置信度准确识别钢包编号。例如，对编号为20的钢包输入图像，EasyOCR算法的识别置信度达0.9948。

该融合预处理技术的方法证明，在光学字符识别前应用先进的图像增强技术是可行的，尤其适用于恶劣工业环境下钢包编号辨识度受影响的场景。预处理技术对图像质量的提升，是OCR编号识别精度大幅提高的关键，为钢铁生产过程中钢包的实时监控提供了可靠手段。

04

结论

本文为钢铁厂的钢包跟踪与识别提出了一套高效的解决方案，包含两种核心方法：基于计算机视觉的钢包跟踪方法，以及经优化的预处理与OCR融合方法。第一种方法采用YOLOv8目标检测框架，在多项交叉验证指标中均表现出高精确率和高召回率，精确率达0.983、召回率达0.998，证明该模型即便在炼钢车间的复杂环境中，也能实现钢包的实时跟踪。第二种方法将预处理技术与EasyOCR算法融合，通过解决图像质量和编号辨识度问题，进一步提升了编号提取精度，经预处理后钢包编号的OCR提取置信度达0.9948，验证了该方法的有效性。

实验结果表明，两种方法均完全适用于钢包的实时监控与跟踪，可有效提升钢铁厂的运营效率、作业安全性和生产效率，同时大幅减少人工投入和人为失误，推动生产流程的自动化升级。

未来的研究方向可围绕以下方面展开：研发定制化的深度学习OCR模型，提升复杂环境下的编号识别精度；扩充数据集，采集不同光照条件下的钢包图像，提升模型的泛化能力；将该系统与起重机调度算法融合，进一步优化钢包的车间转运流程，实现资源利用效率的最大化。此外，该系统的技术框架可推广至其他需要实时目标检测与跟踪的工业流程，具备广泛的应用前景。

《世界金属导报》

2026年第8期 B07