近日,由宁波职业技术学院人工智能学院智领安全团队联合本地钢铁公司研发的“钢铁生产挂钩智能检测与防护系统”通过产线验证,这支平均年龄20岁的团队,用技术创新诠释着技能报国的青春担当,他们的项目为我国工业智能运维领域注入新生力量。
2024年1月当人工智能技术应用专业的钱振辉同学第一次走进钢厂时,他目睹工人师傅顶着高反光、多粉尘、高温等恶劣的环境,用对讲机沟通挂钩是否有问题时,他决定用自己所学知识改变现状;这支学生团队历时2年,用脚步丈量出10万组工业场景训练数据,他们在现有模型的基础上成功调试出“改进型YOLOv11+特征图融合模型”,将裂纹识别精度提升至0.3毫米级。学生团队负责人钱振辉同学介绍道:“我们开发的目标测试系统数据显示,系统召回率(Recall)达98.62%,平均精度(mAP)突破95.82%,目前已申请发明专利4项,软件著作权2项”。
面对吊钩表面微小裂纹、工人侧脸快速闪动等复杂场景,团队先后经历四次算法迭代的淬炼,第一次采用“人脸检测+CNN”传统架构,系统常因工人侧身操作漏检风险,小目标识别率仅54%。成员柳乐乐在监控视频中发现,当工人以45度角检查吊钩时,系统误判率高达62%,这相当于给安全检测蒙上眼罩!于是果断推翻初代方案。在引入CornerNet-Lite+SCSE无锚框检测模型后,通过注意力机制锁定关键区域,但钢厂高反光场景导致特征混淆,识别精度卡在76.2%。随后团队突破性采用YOLOv3+特征图融合架构,将底层细节与高层语义深度耦合,系统在3毫米级裂纹识别上取得95.07%准确率时,团队内部爆发出热烈的掌声。为了进一步提高精准度,团队在YOLOv11框架中集成动态特征增强技术,通过超参数进化找到最佳学习率曲线。最终模型在极端工况下仍保持98.62%召回率,较初代方案提升21.32个百分点。“每个百分点的提升,都是上千次失败迭代换来的。”项目指导教师潘婕老师展示着4个版本的检测对比图:从初代模型漏检的模糊光斑,到YOLOv11清晰标注的0.3毫米裂纹,这见证着技术的蜕变。
在合作钢铁厂的连铸生产线的半年实测中,该检测系统实时捕捉吊钩裂纹与人员违规操作,成功预警3次潜在重大事故,将安全隐患掐灭在萌芽。38%的不安全行为锐减,让工人卸下“高空走钢丝”的心理重担。该钢厂设备负责人评价道:“该系统将事后检修转变为事前预防,其金属应力预测模型达到国际先进水平,为行业数字化转型提供了新范式。”
钢铁生产挂钩智能检测与防护系统的成功研发,不仅展现了宁波职业技术学院人工智能学院学生团队高水平的创新能力和动手能力,也为当地钢铁产业工人的安全提供了坚固的保障,推动校企合作深入发展。团队已与3家钢铁企业达成合作协议,目前正多渠道推广到其他行业中。 (张颖超、潘婕)
