本发明涉及冶金领域和图像识别领域，具体地，涉及智能型再生钢铁判级装置及方法，更为具体地，涉及基于机器视觉、深度学习、三维重建的智能型再生钢铁检判装置及方法。
背景技术：
1、目前众多的再生钢铁智能检判方法都局限于基于机器视觉、深度学习的标注识别类检判方法，此方法仅采用二维图片作为测量依据，不可避免的将存在部分再生钢铁由于位置姿态、光照等情况无法进行测量，其检判结果无法令人信服。
2、专利文献cn112348791b(申请号：202011217985.5)公开了一种基于机器视觉的废钢智能检判方法、介质及终端，方法包括：获取废钢料卸料现场的图像数据；进行标注，形成数据集；建立废钢检测模型，并对其进行训练，获取训练后的废钢检测模型，包括用于识别废钢种类的第一检测模型、用于识别废钢轮廓的第二检测模型以及用于识别废钢破碎料的第三检测模型；实时获取图像输入至训练后的模型，完成对废钢级别的判定。该专利虽然能够进行再生钢铁的无接触式检判，但由于其仅采用平面二维图形作为检判厚度依据，存在钢块倾斜和相互遮挡的情况，不能保障其检判结果的精确性和全面性。
技术实现思路
1、针对现有技术中的缺陷，本发明的目的是提供一种智能型再生钢铁判级装置及方法。
2、根据本发明提供的一种智能型再生钢铁判级方法，包括：
3、步骤s1：运载车辆进入预检工位进行预检时，对运载车辆载货区域进行拍摄，并利用拍摄的二维图片构建三角化模型；基于运载车辆载货区域的二维图片和三角化模型对运载车辆载货区域表层钢料进行预检，并针对表层钢料厚度进行初判，生成钢料表层初判信息；
4、步骤s2：检判服务器获取钢料表层初判信息后生成卸料点检判信息；
5、步骤s3：检判服务器驱动相机对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息控制相机对抓取点进行拍摄，并根据拍摄的图片构建三角化模型；根据提取的三角化模型以及抓取点的二维图片，对抓取点下方钢堆的表层钢料进行检测，并对抓取点下方钢堆进行厚度测量；利用抓取装置基于当前抓取点将当前表层钢料抓取至卸料区；重复触发步骤s3，直至运载车辆载货区域的钢料抓取完；获取阶梯式厚度信息。
6、优选地，所述步骤s1采用：检判服务器获取运载车辆预检时的三维点云，并对采集到的三维点云进行预处理得到预处理后的三维点云；基于预处理后的三维点云对运载车辆的车头位置、车尾位置和车体宽度信息进行解算，控制相机滑动阵列对运载车辆载货区域进行拍摄。
7、优选地，所述步骤s3采用：检判服务器驱动卸料点相机阵列对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息推算水平旋转角、垂直旋转角和放大倍数；检判服务器根据水平旋转角、垂直旋转角和放大倍数控制相机动态对焦至抓取点处进行拍摄。
8、优选地，检判服务器接收调度服务器的检判信息，解析检判信息获取车辆车牌信息，同时获取磅房地磅记录的运载车辆入磅重量信息；
9、检判服务器采集运载车辆预检时的三维点云，并对采集到的三维点云进行预处理，得到预处理后的三维点云；
10、检判服务器接收调度服务器的运载车辆出磅计量信息，解析运载车辆出磅计量信息，获取磅房地磅记录的运载车辆出磅信息；
11、检判服务器采集运载车辆空车时的三维点云，并对采集到的三维点云进行预处理，得到预处理后的三维点云；
12、基于运载车辆预检时预处理后的三维点云和运载车辆空车时预处理后的三维点云计算运载车辆载货体积；
13、检判服务器解析运载车辆载货体积，根据运载车辆的出入磅信息计算再生钢铁的对比重信息。
14、优选地，所述再生钢铁的对比重信息采用：
15、
16、其中，buckdensity表示运载车辆所载的再生钢铁堆比重，g入场表示运载车辆载货毛重，g出厂表示运载车辆空车净重，v再生钢铁表示载货体积。
17、根据本发明提供的一种智能型再生钢铁判级系统，其特征在于，包括：
18、模块m1：运载车辆进入预检工位进行预检时，对运载车辆载货区域进行拍摄，并利用拍摄的二维图片构建三角化模型；基于运载车辆载货区域的二维图片和三角化模型对运载车辆载货区域表层钢料进行预检，并针对表层钢料厚度进行初判，生成钢料表层初判信息；
19、模块m2：检判服务器获取钢料表层初判信息后生成卸料点检判信息；
20、模块m3：检判服务器驱动相机对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息控制相机对抓取点进行拍摄，并根据拍摄的图片构建三角化模型；根据提取的三角化模型以及抓取点的二维图片，对抓取点下方钢堆的表层钢料进行检测，并对抓取点下方钢堆进行厚度测量；利用抓取装置基于当前抓取点将当前表层钢料抓取至卸料区；重复触发模块m3，直至运载车辆载货区域的钢料抓取完；获取阶梯式厚度信息。
21、优选地，所述模块m1采用：检判服务器获取运载车辆预检时的三维点云，并对采集到的三维点云进行预处理得到预处理后的三维点云；基于预处理后的三维点云对运载车辆的车头位置、车尾位置和车体宽度信息进行解算，控制相机滑动阵列对运载车辆载货区域进行拍摄。
22、优选地，所述模块m3采用：检判服务器驱动卸料点相机阵列对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息推算水平旋转角、垂直旋转角和放大倍数；检判服务器根据水平旋转角、垂直旋转角和放大倍数控制相机动态对焦至抓取点处进行拍摄。
23、优选地，检判服务器接收调度服务器的检判信息，解析检判信息获取车辆车牌信息，同时获取磅房地磅记录的运载车辆入磅重量信息；
24、检判服务器采集运载车辆预检时的三维点云，并对采集到的三维点云进行预处理，得到预处理后的三维点云；
25、检判服务器接收调度服务器的运载车辆出磅计量信息，解析运载车辆出磅计量信息，获取磅房地磅记录的运载车辆出磅信息；
26、检判服务器采集运载车辆空车时的三维点云，并对采集到的三维点云进行预处理，得到预处理后的三维点云；
27、基于运载车辆预检时预处理后的三维点云和运载车辆空车时预处理后的三维点云计算运载车辆载货体积；
28、检判服务器解析运载车辆载货体积，根据运载车辆的出入磅信息计算再生钢铁的对比重信息。
29、优选地，所述再生钢铁的对比重信息采用：
30、
31、其中，buckdensity表示运载车辆所载的再生钢铁堆比重，g入场表示运载车辆载货毛重，g出厂表示运载车辆空车净重，v再生钢铁表示载货体积。
32、与现有技术相比，本发明具有如下的有益效果：
33、1、本发明通过构建再生钢铁智能检判信息化系统，结合资源系统等外部接口，实现了全流程自动化检判，解决了人工检判带来的信息迟滞和不对称性；
34、2、本发明通过使用二维图片、三维点云和三角化模型相结合的模式，采用多维信息组合，有效还原了再生钢铁的颜色、姿态、位置信息，实现对再生钢铁质量判定；
35、3、本发明通过采用激光点云匹配方法，实现了对再生钢铁运载货物的堆比重测量，丰富了再生钢铁检判依据；
36、4、本发明通过构建车辆入场-预检-复检-出场流程，构建智能检判业务流程，实现了再生钢铁从入场至落地全流程检判信息记录，解决了现有检判流程中信息分散、缺失的问题；
37、5、本发明通过基于深度学习的卸料装置识别、追踪方法及摄像机控制，实现了自动对每次卸料区域采集图片并存储，解决了人工检判过程中判级依据缺少的问题；
38、6、通过全流程作业料场无人化的运行模式，仅需要在集中检判室中完成异常件人工确认操作，解决了现有人工再生钢铁判级中存在的作业安全隐患的问题；
39、7、通过基于机器视觉的异常件检判流程，解决了下游钢厂端使用再生钢铁时存在异常件的卡炉、炸炉等生产安全问题，保障了钢厂端的生产安全及效率。
1.一种智能型再生钢铁判级方法，其特征在于，包括：
2.根据权利要求1所述的智能型再生钢铁判级方法，其特征在于，所述步骤s1采用：检判服务器获取运载车辆预检时的三维点云，并对采集到的三维点云进行预处理得到预处理后的三维点云；基于预处理后的三维点云对运载车辆的车头位置、车尾位置和车体宽度信息进行解算，控制相机滑动阵列对运载车辆载货区域进行拍摄。
3.根据权利要求1所述的智能型再生钢铁判级方法，其特征在于，所述步骤s3采用：检判服务器驱动卸料点相机阵列对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息推算水平旋转角、垂直旋转角和放大倍数；检判服务器根据水平旋转角、垂直旋转角和放大倍数控制相机动态对焦至抓取点处进行拍摄。
4.根据权利要求1所述的智能型再生钢铁判级方法，其特征在于，检判服务器接收调度服务器的检判信息，解析检判信息获取车辆车牌信息，同时获取磅房地磅记录的运载车辆入磅重量信息；
5.根据权利要求4所述的智能型再生钢铁判级方法，，其特征在于，所述再生钢铁的对比重信息采用：
6.一种智能型再生钢铁判级系统，其特征在于，包括：
7.根据权利要求6所述的智能型再生钢铁判级系统，其特征在于，所述模块m1采用：检判服务器获取运载车辆预检时的三维点云，并对采集到的三维点云进行预处理得到预处理后的三维点云；基于预处理后的三维点云对运载车辆的车头位置、车尾位置和车体宽度信息进行解算，控制相机滑动阵列对运载车辆载货区域进行拍摄。
8.根据权利要求6所述的智能型再生钢铁判级系统，其特征在于，所述模块m3采用：检判服务器驱动卸料点相机阵列对车辆进行拍摄，基于当前拍摄的二维图像获取抓取点提取信息；根据抓取点提取信息推算水平旋转角、垂直旋转角和放大倍数；检判服务器根据水平旋转角、垂直旋转角和放大倍数控制相机动态对焦至抓取点处进行拍摄。
9.根据权利要求6所述的智能型再生钢铁判级系统，其特征在于，检判服务器接收调度服务器的检判信息，解析检判信息获取车辆车牌信息，同时获取磅房地磅记录的运载车辆入磅重量信息；
10.根据权利要求9所述的智能型再生钢铁判级系统，其特征在于，所述再生钢铁的对比重信息采用：
