火焰图像cnn识别建模的转炉炼钢终点判断方法及系统的制作方法

文档序号:9911697
火焰图像cnn识别建模的转炉炼钢终点判断方法及系统的制作方法
【技术领域】
[0001 ]本发明涉及火焰图像CNN识别建模的转炉炼钢终点判断方法及系统,属于人工智 能技术领域。
【背景技术】
[0002] 转炉吹炼的终点判断是转炉吹炼末期的重要操作,我国中小型钢厂转炉终点的预 测主要依靠人工经验和副枪探测。已有转炉炼钢主要依靠人工经验和副枪检测来判断转炉 终点,人工经验依靠工人目测观察转炉火焰的颜色、形状、纹理、频闪等特征,根据经验做出 转炉终点判断,但是实际情况中,操作工人观测转炉火焰时会受到主观影响且每个工人个 体间的判断会存在差异,导致终点判断的精度不高,需要多次倒炉进行补吹,造成原材料和 能源的浪费并且影响炼钢效率。副枪检测是利用副枪在熔池内接触探测,检测钢水内温度、 碳含量等指标,根据采集数据判断转炉终点,而副枪探测一般应用在120t以上的转炉,多次 检测会影响探头使用寿命,且无法进行实时连续测量。炉气分析检测方法是利用相关仪器 检测炉口气体成分,经过分析得到熔池内相应指标,该方法可以对吹炼数据连续测量,由于 长期使用在高温腐蚀的环境中造成此类设备的使用和维护成本较高。基于炉口辐射的方法 是利用转炉吹炼的不同时期的炉口光辐射能量变化来判断转炉终点,但由于转炉炼钢现场 存在的多个干扰辐射源会对辐射采集仪器产生影响。因此研究一种准确、实时的转炉炼钢 终点判断方法是亟待解决的问题。
[0003] 由于熔池内吹炼数据的变化必然表现在炉口火焰特征的变化,已有研究人员通过 分析炉口火焰图像特征对转炉终点进行判定,通过提取火焰图像的多种特征,例如色彩均 值、纹理信息、边缘信息等,然后根据特征构建识别模型并且选择若干样本图像训练该模 型,进而实现对转炉火焰图像进行终点判断。已有方法提取了火焰图像的某些特定信息,其 效果取决于特征表示和描述方法的准确性,基于特征的方法难以实现对火焰视觉感知特征 的完备性表达。

【发明内容】

[0004] 本发明提供了火焰图像CNN识别建模的转炉炼钢终点判断方法及系统,以用于解 决人工特征很难表示火焰吹炼的完备信息且具有主观性的缺点,以及解决不能实时准确的 对转炉炼钢终点进行判断的问题。
[0005] 本发明的技术方案是:火焰图像CNN识别建模的转炉炼钢终点判断方法,所述方法 的具体步骤如下:
[0006] Stepl、采集转炉炉口火焰图像,为下一步图像的处理提供数据;
[0007] Step2、先将采集来的火焰图像转换到HSI空间,HSI色彩空间和RGB色彩空间之间 关系如下式所示,其中R,G,B分别表示红、绿、蓝三个分量:
[0008]
[0009]
[0010]
[0011 ] Step3、分别在H、S、I分量下利用最大类间方差法进行阈值分割:
[0012]采用遍历法得到使类间方差最大的阈值T*,艮 用得到的阈值去分割图像;
[0013] 其中L为当前分量的灰度级;ω〇为火焰主体的像素点数占整幅图像的比例;为 背景的像素点数占整幅图像的比例;μ〇为火焰主体的平均像素值;的为背景的平均像素值;μ 为整幅图像的平均像素值;
[0014] Step4、合并分割后的图像,再去噪处理用贴标签的方法得到单连通的火焰图像部 分,去除因分割不佳造成的干扰点,得到分割后的图像;
[0015] Step5、预处理图像;在经分割后的图像中找寻火焰的中心点,然后以中心点为中 心,选择合适的正方形阈值窗口将图像从中截取出来,并压缩至合适大小,最后转换为灰度 图像,作为卷积神经网络的输入图像;
[0016] Step6、构建卷积神经网络识别模型,包括卷积神经网络的结构和关键参数,如隐 含层层数、隐含层内部的连接方式、卷积核个数、每层输出特征图的个数以及训练迭代次数 等;
[0017] Step7、将预处理后的图像直接输入卷积神经网络模型,根据之前设定的迭代次数 进行迭代,在离线状态下采用降梯度法对网络进行训练;
[0018] steps、将离线训练完毕的卷积神经网络模型进行在线判断,采集转炉火焰图像并 预处理后送入网络模型,模型输出判断结果。
[0019] 所述步骤Step7的具体步骤如下:
[0020] Step7.1、原始图片经过一系列预处理后输入到卷积神经网络的输入层;
[0021] Step7.2、用卷积核对输入层的图片进行卷积操作并且加上偏置项,最后经过 s i gmo i d函数,得到卷积层图像;
[0022] Step7.3、将卷积层的图像进行降采样,尺寸为原先的1/4大小,再加上权重系数, 最后经过s i gmo i d函数,得到采样层图像;
[0023] Step7.4、经过隐含层层数是否满足最初的设定值,如果满足则执行Step 7.5,如 果不满足则执行Step7 · 2;
[0024] Step7.5、将上层图像看成一列特征向量,输出层与上一层是全连接方式,上一层 的每个神经元的值乘以权值再求和即得到输出层的一个神经元的值,重复上述计算,直至 算出输出层的所有神经元的值。
[0025] Step7.6、CNN采用的是有监督式训练,每幅火焰图像都有着对应的标签,不仅根据 标签训练模型变量,而且还根据标签判断最终识别率,输出层为3个神经元,当输入一幅火 焰图像,输出层便输出3个值,从这些值中找到最大值并将其赋为1,其他值赋为0,将赋值完 毕的3个数值与输出标签进行对比,判断输入的火焰图像属于所处的类别。
[0026]火焰图像CNN识别建模的转炉炼钢终点判断系统,所述系统包括:
[0027]图像采集处理模块:采集转炉炉口火焰图像并将图像由RGB空间转换至HSI空间;
[0028 ]分割模块:分别在Η、S、I分量下利用最大类间方差法进行阈值分割,后将分割后图 像进行合并,再通过后期处理用贴标签的方法得到单连通的火焰图像部分,去除因分割不 佳造成的干扰点,得到分割后的图像;
[0029] 尺寸处理模块:在经分割后的图像中找寻火焰的中心点,然后以中心点为中心,选 择合适的正方形阈值窗口将图像从中截取出来,并压缩至合适大小,最后转换为灰度图像, 作为卷积神经网络模型的输入图像;
[0030] 识别模块:首先构建卷积神经网络结构和设定关键参数来建立卷积神经网络识别 模型,选取预处理过的图像直接输入模型进行离线训练,最后采集转炉火焰图像并预处理 后送入训练完毕的模型,模型在线输出判断结果。
[0031] 本发明的工作原理是:
[0032] 所述卷积神经网络识别模型如下:
[0033] 卷积神经网络(CNN)是参考视觉系统的结构而产生的。卷积神经网络是一种多层 的监督式学习网络,由输入层、隐藏层和输出层组成,其中隐藏层包括多个卷积层和采样 层。隐藏层的层数直接影响模式的识别效果,层数较小则影响提取出的特征向量类间方差, 进而难以区分不同类别的测试样本,考虑使用采用60X60大小的输入图片,采用三层隐含 层。
[0034] (1)输入层。在原始图像预处理的基础上,将火焰从背景中分离并灰度化,得到了 60 X 60大小的火焰图像,将此作为CNN模型的输入。
[0035] (2)卷积层。C1、C2和C3为卷积层。卷积层的主要作用是特征提取,是由多个二维特 征图组成,通过5X5大小的卷积核对上一层的图像进行卷积而获得。卷积核的尺寸直接决 定下一层神经元感受野的尺寸,实验中采用5 X 5大小的卷积核。卷积层的计算形式为:
再多了解一些
当前第1页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1