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；
[0127] 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;
[0128] 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。
[0129] 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。
[0130]为了验证本发明所述方法及系统，将预处理后的图像直接输入本发明训练好的卷 积神经网络模型、基于颜色共生矩阵法的识别模型、基于灰度差分统计法的识别模型和基 于灰度共生矩阵法的识别模型;记录各模型最终识别率和识别耗时如表2所示：
[0131] 表2不同算法模型的性能对比
[0132]
[0133] 从表中可以看出，本发明采用的火焰图像CNN识别建模的转炉炼钢终点判断方法 识别时间较短短，识别率高，在实际应用中可实现节约原材料和能源且保证炼钢效率，有较 好的实际价值和意义。
[0134] 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：
[0135] 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；
[0136] 分割模块:分别在H、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；
[0137] 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；
[0138] 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。
[0139]上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 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： Stepl、采集转炉炉口火焰图像，为下一步图像的处理提供数据； 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：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： 采用遍历法得到使类间方差最大的阈值Τ'用得到的阈值去分割图像； 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；ωι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;讲为背景的平均像素值;μ为整 幅图像的平均像素值； 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； 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； 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； 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； 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。2. 根据权利要求1所述的火焰图像CNN识别建模的转炉炼钢终点判断方法，其特征在 于:所述步骤Step7的具体步骤如下： 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； 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sigmoid 函数，得到卷积层图像； 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sigmoid函数，得到采样层图像； 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; 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。 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。3.火焰图像CNN识别建模的转炉炼钢终点判断系统，其特征在于:所述系统包括： 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； 分割模块:分别在H、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； 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； 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。
【专利摘要】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，属人工智能领域。本发明首先将采集来的火焰图像转换到HSI空间；然后进行阈值分割；再合并分割后的图像，再通过后期处理得到单连通的火焰图像，去除因分割不佳造成的干扰点，得到分割后的图像，再把图像进行预处理；构建卷积神经网络识别模型；将预处理后的图像直接输入卷积神经网络模型，在离线状态下采用降梯度法对网络进行训练；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。本发明避免了工人观测转炉火焰受到的主观影响以及工人个体间判断终点存在的误差，并且实现了实时精确地判断转炉终点。
【IPC分类】G06K9/46, G06K9/62
【公开号】CN105678332
【申请号】CN201610009695
【发明人】刘辉, 江帆
【申请人】昆明理工大学
【公开日】2016年6月15日
【申请日】2016年1月8日