一种铝电解槽火眼视频动态特征的提取方法与流程

本发明涉及工业控制领域，具体涉及一种铝电解槽火眼视频动态特征的提取方法。

背景技术：

铝电解槽电解质的过热度是指电解质温度与初晶温度的差值。过热度直接影响铝电解的电流效率，同时影响电解槽的炉膛形状及稳定性，进而影响电解槽的寿命。因此，有效的检测过热度的大小对于铝电解的生产过程具有很重要的指导作用。现有的过热度测量方法需要对电解质温度和初晶温度分别进行测量，电解质温度一般使用热电偶或者红外测温仪进行测量，而初晶温度的测量需要离线进行，首先要对电解质进行取样，放置在测量炉体中加热,使其熔化,然后将加热炉整体冷却,同时采集结晶过程的样品温度曲线来获得初晶温度。整个测量过程较为复杂，测量费用高，最重要的是测量时间长无法在线测量。因此在实际生产过程中多以有经验的工人观察火眼信息来判别过热度。由于人为的随意性和主观性导致电解状态不稳定，难以调节到最优的状态,导致电解效率不高，造成资源浪费。

技术实现要素：

本发明的目的在于克服现有技术中存在的缺陷，提供一种铝电解槽火眼视频动态特征的提取方法。

本发明采用以下技术方案：

一种铝电解槽火眼视频动态特征的提取方法，所述方法包括：

s1、对一个火眼视频从某个固定的时间节点采集连续的5帧图片，对所述图片进行阈值分割和去噪处理；

s2、对阈值分割和去噪处理后的图片，采用高斯模糊法进行去抖动；

s3、在去抖动后的图片中提取以火眼中心为中心，边长为400p的正方形的火眼图像；

s4、对所述火眼图像进行灰度化处理；

s5、将灰度化处理后的5帧火眼图像组合成一个样本；

s6、使用迁移学习和vgg16模型从样本数据中提取所述火眼视频的动态特征。

进一步，所述对图片进行阈值分割具体为：

对采集得到的图片中的r通道采用阈值法进行火眼分割。

进一步，所述去噪处理为：

采用“腐蚀”、“膨胀”法对分割提取的火眼部分进行去噪。

进一步，所述高斯模糊法为利用正太分布来分配权重。

进一步，灰度化处理公式为：

gray_1＝r*0.687+g*0.199+b*0.114

其中，r、g、b分别表示r、g、b三个通道的像素值，gray_1为灰度值。

进一步，所述s5包括：

将5帧火眼灰度图像及图像前后的差值组合成一个9通道的样本。

进一步，所述s6包括：

用卷积层将所述样本的通道数变换为3通道；

利用迁移学习初始化vgg16的权重；

将所述样本中的火眼数据当作训练集带入vgg16模型进行训练得到所述动态特征。

本发明的优点和有益效果在于：

本发明提供一种铝电解槽火眼视频动态特征的提取方法，首先将视频数据采集连续的5帧的图像数据，然后分割得到火眼图像，将图像灰度化组合成样本，代入改进后的vgg16模型，利用迁移学习初始化vgg16的权重，最后通过模型得到特征。本发明能获得到人工经验所不能得到的更深层次的火眼动态特征，且获取速度很快，准确率较高。

附图说明

图1为本发明提供的一种铝电解槽火眼视频动态特征的提取方法流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非采用手工设计的特征。而好的特征可以极大提高模式识别系统的性能。在过去模式识别的各种应用中，手工设计的特征处于统治地位。它主要依靠设计者的先验知识，很难利用大数据的优势。由于依赖手工调参数，特征的设计中只允许出现少量的参数。深度学习可以从大数据中自动学习特征的表示，其中可以包含成千上万的参数。手工设计出有效的特征是一个相当漫长的过程，而深度学习可以针对新的应用从训练数据中很快学习得到新的有效的特征表示。

由于基于单帧的识别方法只能获取到火眼图像的静态特征，而视频有抖动，而且火眼图像的像素为1080*1920，其中大部分都是背景，直接用基于cnn扩展网络的识别方法会使得训练时间长而且效果也不会很好。本发明考虑到过热度短时间内不会发生变化，一种基于深度学习的火眼视频动态特征的提取方法。

图1为本发明提供的一种铝电解槽火眼视频动态特征的提取方法流程示意图，所述方法包括：

s1、对一个火眼视频从某个固定的时间节点采集连续的5帧图片，对所述图片进行阈值分割和去噪处理；

s2、对阈值分割和去噪处理后的图片，采用高斯模糊法进行去抖动；

s3、在去抖动后的图片中提取以火眼中心为中心，边长为400p的正方形的火眼图像；

s4、对所述火眼图像进行灰度化处理；

s5、将灰度化处理后的5帧火眼图像组合成一个样本；

s6、使用迁移学习和vgg16模型从样本数据中提取所述火眼视频的动态特征。

下面对本发明的火眼视频动态特征的提取方法过程做进一步详细的阐述。

步骤一：对一个视频采集连续的5帧图片，通过对rgb三个通道图片的观察，可知r通道的亮度最高，故对r通道采用阈值法即可分割火眼，再通过r通道像素值直方图可设定阈值为130。通过阈值法分割出来的火眼有一定的噪声，这里采用传统的图像处理方法“腐蚀”、“膨胀”法对火眼进行去噪。

步骤二：由于获得的火眼视频是人工拍摄的，在拍摄过程中会有抖动，所以这里需要对火眼视频去抖动。由于我这里采用连续的5帧图片作为训练数据，而连续的5帧图片一般不会有太大的抖动，故这里采用高斯模糊进行去抖动。高斯模糊的原理如下，利用正太分布来分配权重。在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值：

步骤三：为了解决图像形状不同带来的影响，只取以火眼中心为中心，边长为400p的正方形的火眼图像，由于图像是二值图，可以直接获取到火眼部分的图像左下角(xl,yl)和右上角的坐标(xr,yr)。然后根据公式(xc,yc)＝((xl+xr)/2,(yl+yr)/2)可获得火眼中心坐标，最后提取图像的左下角坐标和右上角坐标为(xl-100,yl-100),(xl+100,yl+100)。

步骤四：为了减小火焰对带来的影响将图像转化为灰度图，将传统的公式转换为:

gray＝r*0.299+g*0.587+b*0.114(2)

gray_1＝r*0.687+g*0.199+b*0.114(3)

因为火焰部分在g通道的像素值比较高，故通过减小g通道所占比列来减弱火焰的影响。

步骤五：生成训练样本，将5帧的火眼灰度图像及图像前后的差值组合成一个9通道的样本。

步骤六：采用vgg16提取特征，由于vgg16的输入为3通道的数据，而火眼视频处理出来的数据为9通道，故先用卷积层将通道数变换为3通道。再采用归纳迁移中的共享参数的方法来训练模型，即用vgg16先在imagnet上训练好模型的参数，然后再将火眼数据当做训练集进行微调，这样不仅能更快收敛，而且能达到更好的效果。

本发明首先将视频数据采集连续的5帧的图像数据，然后分割得到火眼图像，将图像灰度化组合成样本，代入改进后的vgg16模型，利用迁移学习初始化vgg16的权重，最后通过模型得到特征。本发明能获得到人工经验所不能得到的更深层次的火眼动态特征，且获取速度很快，准确率较高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。