一种基于深度多源信息融合的FeO含量检测方法

本发明涉及钢铁生产领域，尤其涉及一种基于深度多源信息融合的feo含量检测方法。

背景技术：

钢铁产业中，烧结矿是高铝冶炼中重要的入炉成分之一，相比于球团矿和块矿，烧结矿更经济实用，且由于近年来，钢铁原料进口价格的上涨，烧结矿在入炉成分中的比例逐年攀升。烧结矿物理化学性质对高炉冶炼性能的影响质量尤为突出，符合标准的烧结矿对于高炉冶炼具有极大的重要性。具体的包括，烧结矿的转鼓强度，碱度，低温还原粉化性，以及feo含量等。在这些指标中，烧结矿的feo含量是其中最关键的一种指标之一。因此，对feo含量的检测直接关系到高炉炼铁的质量。

目前，对feo含量判定中较为准确的是化学分析法，但是从取样到化验存在时滞，不能实时反应feo的含量变化。而对于烧结机尾图像的研究多集中在对烧结红层的直观图像特性进行判断，没有针对在烧结机尾恶劣的烟尘条件下，并结合烧结现场工况参数等特征综合地对烧结机尾视频进行分析的烧结矿质量衡量方法。

经对现有文献检索发现，最相近似的实现方案为中国专利申请号为：201410307470.2，名称为：一种烧结矿机尾断面feo含量的控制方法，其具体做法为：将可见光图像和红外图像同时作为输入，提取特征送入模糊聚类系统和神经网络系统以获得feo含量等级。但此方法图像特征简单，加之未考虑工况参数信息，而且网络结构简单，只能对feo含量进行定性的预测，无法做到定量的预测。专利申请号为：201910642094.5，名称为：一种烧结矿feo含量检测方法及系统，其具体做法为：利用红外图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像，之后通过多相热力学模型等进行及feo含量分类判断。但此方法只考虑关键帧图像，但此方法只提取了图像的人工特征信息，没有使用其深度特征信息对图像特征进行充分的提取，在表征图像信息方面存在局限性。

综上，现有技术有以下缺点：

(1)网络结构简单，难以对烧结矿feo含量进行定量的预测。

(2)只考虑了人工特征信息，未提取深度信息特征，对图像信息进行充分的表征。

(3)未将人工特征和现场的工况参数特征进行融合，利用多源信息进行烧结矿feo含量的检测。

因此，本领域的技术人员致力于开发一种基于深度多源信息融合的feo含量检测方法。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何更全面地提取信息特征来表征烧结矿的质量，并构建模型来对feo含量进行准确的定量预测。

为实现上述目的，本发明提供了一种基于深度多源信息融合的feo含量检测方法，其特征在于，包括以下步骤：

步骤1、提取掉落帧图像序列；

步骤2、图像预处理；

步骤3、深度图像特征及人工图像特征提取；

步骤4、多源信息特征融合；

步骤5、模型训练与测试。

进一步地，所述步骤1是指，通过图像的浅层形状特征和深层统计特征，确定所述掉落帧位置，构建所述掉落帧图像序列。

进一步地，所述步骤2包括以下步骤：

步骤2.1、使用双通道高斯滤波对图像进行滤波从而完成图像的去噪处理；

步骤2.2、对去噪的图像进行基于暗通道的图像去雾处理。

进一步地，所述步骤2的所述去噪处理使用的方法是双通道高斯滤波。

进一步地，所述步骤2的所述去雾处理使用的方法是基于暗通道的一种去雾方法。

进一步地，所述步骤3包括：

步骤3.1、对于所述人工图像特征，将去噪和去雾后的图像进行图像特征提取；

步骤3.2、对于所述深度图像特征，将去噪后的图像输入卷积神经网络中，提取其所述深度图像特征。

进一步地，所述步骤3.1提取的信息主要包括红层的厚度信息，亮度信息，以及气孔的厚度信息，亮度信息。

进一步地，所述步骤4包括：

步骤4.1、将待输入模型的图像数据输入到所述卷积神经网络结构通道内并进行卷积，得到第一路卷积层的输出，即所述深度图像特征；

步骤4.2、在最后一个全连接层输入所有特征信息进行融合。

进一步地，所述步骤4.2进行融合的特征信息主要有所述人工图像特征、所述深度图像特征以及烧结现场的工况特征信息。

进一步地，所述步骤5将所述卷积神经网络倒数第一个隐藏层的输出输入回归层，函数输出目标为所述feo含量的化验值，通过所述回归层进行对于所述feo含量的预测模型的训练和测试。

与现有技术方案相比，本发明的有益技术效果包括：

1)本方法使用双通道高斯进行图像的去噪处理，该方法不仅可以对图像进行去噪，还可以通过选取不同的阈值，提取红层图像和气孔图像，从而有利于之后的图像人工特征提取。

2)综合考虑了图像的人工特征，深度特征以及现场的工况特征，进行了基于多源信息融合的模型构建，模型更加准确和全面。

3)在全连接层加入人工提取的图像特征，可以提高网络的收敛速度，

4)通过深度学习模型，可以对视频中feo含量进行定量预测，评价更精确。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的流程示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

如图1所示，为本发明的一个较佳实施例的流程示意图，其包括以下步骤。

一种基于深度多源信息融合的feo含量检测方法，其特征在于，包括以下步骤：

步骤1、提取掉落帧图像序列；

步骤2、图像预处理；

步骤3、深度神经网络及人工图像特征提取；

步骤4、多源信息特征融合；

步骤5、模型训练与测试；

进一步地，所述步骤1包括：

通过图像的浅层形状特征和深层统计特征，确定掉落帧位置，构建掉落帧图像序列。

进一步地，所述步骤2包括：

使用双通道高斯滤波对图像进行滤波从而完成图像的去噪处理，得到去噪之后的图像，之后对于去噪的图像进行基于暗通道的图像去雾处理。

进一步地，所述步骤3包括：

步骤3.1、对于人工特征，将去噪和去雾后的图像进行图像特征提取，首先再次利用双通道高斯滤波，通过选取不同的阈值，提取红层图像和气孔图像，之后进行人工特征提取，包括红层的厚度信息，亮度信息，以及气孔的厚度信息，亮度信息；

步骤3.2、对于深度特征，将去噪后的图像输入卷积神经网络中，通过网络的训练，提取其深度特征；

进一步地，所述步骤4包括：

将所述待输入模型的图像数据输入到卷积神经网络(cnn)内并进行卷积，并对其进行向量化，得到图像的深度特征信息；并在最后一个全连接层输入向量化的人工图像特征，以及烧结现场的工况特征信息向量，进行融合。

步骤5、模型训练与测试；

将倒数第一个隐藏层的输出输入回归层，函数输出目标为烧结矿feo含量的化验值，通过回归层进行对于所述feo含量的预测模型的训练和测试；

综上，本发明提出的一种基于烧结机尾断面视频的feo含量预测算法，通过提取掉落帧图像序列，并对其进行一系列的图像预处理，以及人工图像特征和深度图像特征的提取，并考虑烧结工况参数，进行多源信息特征融合，构建深度学习模型，并通过模型训练进行烧结矿feo含量的定量检测。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。