一种出铁场渣量异常检测方法、系统、设备和介质与流程

1.本技术涉及智能化钢铁生产应用领域，尤其涉及一种出铁场渣量异常检测方法、系统、设备和介质。


背景技术：

2.在现有的出铁场出渣过程中，主要是通过技术人员观察来确定出铁场出渣状况，对渣沟是否发生堵塞、溢出或渣皮覆盖等异常状况难以即时处理；对异常状况严重程度的判断标准同样较为模糊，极大程度上依赖技术人员的过往经验；出渣结束后同样没有有效方法对历史结果进行追溯，缺乏客观数据依据；缺少一种可视化、智能化的实时操作系统，对出渣状况的整体运行情况进行监控与记录。


技术实现要素：

3.鉴于以上现有技术存在的问题，本技术提出一种出铁场渣量异常检测方法、系统、设备和介质，主要解决现有的出铁场出渣状况依赖于人工进行判断，劳动强度高且稳定性差的问题。
4.为了实现上述目的及其他目的，本技术采用的技术方案如下。
5.本技术提供一种出铁场渣量异常检测方法，包括：
6.获取出铁场渣沟区域的视频流，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域；
7.根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息；
8.根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息；
9.根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息；
10.根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询。
11.在本技术一实施例中，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域，包括：
12.对所述视频流进行采样，获取帧图像；
13.将所述帧图像输入预设的的第一识别模型，得到所述帧图像中渣流的位置；
14.将所述帧图像输入预设的的第二识别模型，得到所述帧图像中渣流的边界；
15.将所述帧图像输入预设的的第三识别模型，得到所述帧图像中红渣区域。
16.在本技术一实施例中，根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息，包括：
17.根据所述多帧图像的时序确定对应帧图像之间的渣流位置差；
18.根据所述渣流位置差确定所述渣流未持续前移或前移速率低于预设速率阈值，则所述渣沟发生堵塞，输出堵塞异常；
19.根据预设的前移速率与堵塞异常等级的映射关系生成当前堵塞异常的等级，并根据所述堵塞异常以及对应的等级生成所述第一警示信息，其中所述第一警示信息包括关联的所述多帧图像。
20.在本技术一实施例中，根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息，包括：
21.将所述渣流的边界与预设的渣沟边缘位置进行比对，若所述渣流边界超出所述渣沟边缘位置，则渣沟内渣流溢出，输出溢出异常；
22.根据预设的渣流溢出量与溢出异常等级的映射关系，确定当前渣流溢出异常的等级，并根据所述溢出异常以及对应的等级生成所述第二警示信息，其中所述第二警示信息包括关联的渣流边界对应的帧图像。
23.在本技术一实施例中，根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息，包括：
24.将所述红渣区域与预设的区域大小范围进行比对，若所述红渣区域小于所述预设区域范围，则输出渣沟内渣皮覆盖异常；
25.根据预设的红渣区域大小与渣皮覆盖异常等级的映射关系，确定当前渣皮覆盖异常的等级，并根据所述渣皮覆盖异常以及对应的等级生成所述第三警示信息，其中所述第三警示信息包括关联的红渣区域对应的帧图像。
26.在本技术一实施例中，根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询，包括：
27.将所述第一警示信息、第二警示信息和/或第三警示信息与出铁批次号进行关联，以生成对应出铁批次的炉渣异常记录；
28.响应于所述交互界面中的出铁批次号输出对应出铁批次的历史异常数据。
29.在本技术一实施例中，根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面之后，包括：
30.响应于所述交互界面的查询请求，输出对应的警示信息以及警示信息生成时间；
31.调用对应警示信息关联的帧图像反馈至所述交互界面进行异常展示。
32.本技术提供一种出铁场渣量异常检测系统，包括：
33.渣流识别模块，用于获取出铁场渣沟区域的视频流，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域；
34.流动检测模块，用于根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息；
35.溢渣检测模块，用于根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息；
36.覆盖异常检测模块，用于根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息；
37.异常记录模块，用于根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询。
38.本技术还提供一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的出铁场渣量异常
检测方法的步骤。
39.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的出铁场渣量异常检测方法的步骤。
40.如上所述，本技术一种出铁场渣量异常检测方法、系统、设备和介质，具有以下有益效果。
41.本技术通过获取出铁场渣沟区域的视频流，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域；根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息；根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息；根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息；根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询。本技术可自动生成识别出铁场出渣异常并生成对应的警示信息，避免人工重复劳动增加不必要的人工成本以及人工误判等问题，保证异常检测的准确性，为后续异常处理提供可靠且可追溯的支撑数据。
附图说明
42.图1为本技术一实施例中出铁场渣量异常检测方法的流程示意图。
43.图2为本技术一实施例中出铁场渣量异常检测系统的模块图。
44.图3为本技术一实施例中设备的结构示意图。
45.图4为本技术一实施例中交互界面异常展示的效果图。
具体实施方式
46.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
47.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本技术的基本构想，遂图式中仅显示与本技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
48.请参阅图1，本技术提供一种出铁场渣量异常检测方法，该方法包括以下步骤。
49.步骤s01，获取出铁场渣沟区域的视频流，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域。
50.在一实施例中，可在出铁场安装摄像头等图像采集设备，采集出铁场渣沟对应区域的视频流信息，以便根据采集的视频流信息进行出渣异常判断以及渣量实时跟踪检测等。具体图像采集设备安装位置可根据实际场景需求进行设置，以能够拍摄到渣沟区域正面图像为宜，具体位置这里不作限制。
51.在一实施例中，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域，包括：
52.对所述视频流进行采样，获取帧图像；
53.将所述帧图像输入预设的的第一识别模型，得到所述帧图像中渣流的位置；
54.将所述帧图像输入预设的的第二识别模型，得到所述帧图像中渣流的边界；
55.将所述帧图像输入预设的的第三识别模型，得到所述帧图像中红渣区域。
56.在一实施例中，获取视频流图像后可截取连续多帧图像进行出渣异常检测，也可根据预设的采样间隔从视频流中提取等间隔的多帧图像进行出渣异常检测，具体采样方式可根据实际应用需求进行选择，这里不作限制。
57.在一实施例中，可通过深度卷积神经网络构建图像识别网络架构，以预先标注了渣流位置信息的样本图像训练该图像识别网络架构，得到第一识别模型，将前述步骤得到的多帧图像输入所述第一识别模型便可得到对应帧图像中渣流的位置信息。具体卷积神经网络可采用alexnet网络、vggnet网络等网络架构，网络训练过程为现有技术，这里不再赘述。
58.在一实施例中，可采用边缘检测算法构建第二识别模型，具体的边缘检测算法可采用roberts算子、prewitt算子、sobel算子等算子提取边缘特征。将前述步骤得到的多帧图像分别输入第二识别模型，便可得到对应帧图像中的渣流边界信息。
59.在一实施例中，第三识别模型可采用卷积神经网络提取帧图像中的像素特征，将红色像素进行聚类构建红色像素的连通域，将连通域作为对应的红渣区域。具体卷积层结构以及聚类方式可根据实际应用需求进行选择。
60.步骤s02，根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息。
61.在一实施例中，根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息，包括：
62.根据所述多帧图像的时序确定对应帧图像之间的渣流位置差；
63.根据所述渣流位置差确定所述渣流未持续前移或前移速率低于预设速率阈值，则所述渣沟发生堵塞，输出堵塞异常；
64.根据预设的前移速率与堵塞异常等级的映射关系生成当前堵塞异常的等级，并根据所述堵塞异常以及对应的等级生成所述第一警示信息，其中所述第一警示信息包括关联的所述多帧图像。
65.在一实施例中，通过分析炉渣流动位置，当未发生堵塞时，炉渣前沿将持续前移；当发生堵塞时，炉渣前沿将受阻停滞，当炉渣前沿移动速率低于一定值后开始计时，当停滞时间高于阈值时判断发生渣无流动性并报警。进一步地，可预先设置不同的流动异常预警等级，每一个等级对应一个预设的渣流速率。示例性地，渣流速率为0时，设定等级为严重，渣流速率为a1时，设定等级为重度，渣流速率为a2时设定等级为轻度，其中a2》a1》0。以上仅示例性的给出一种等级设定方式，在另一实施例中，也可根据阻塞时长进行等级划分，具体等级划分可根据实际生产需求进行调整，这里不做限制。若判定流动异常，则可将检测到的渣流速率与对应等级的速度阈值进行比较，确定当前堵塞异常的等级。基于等级和异常信息生成第一警示信息，并可将对应的帧图像与异常信息进行关联，查阅异常信息的同时可查阅关联的帧图像，以便人员了解现场实际情况。
66.步骤s03，根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示
信息。
67.在一实施例中，根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息，包括：
68.将所述渣流的边界与预设的渣沟边缘位置进行比对，若所述渣流边界超出所述渣沟边缘位置，则渣沟内渣流溢出，输出溢出异常；
69.根据预设的渣流溢出量与溢出异常等级的映射关系，确定当前渣流溢出异常的等级，并根据所述溢出异常以及对应的等级生成所述第二警示信息，其中所述第二警示信息包括关联的渣流边界对应的帧图像。
70.在一实施例中，可将沟槽边缘位置作为参考线，计算实时帧图像中，若炉渣流的边缘位置超出沟槽边缘，则发生溢出现象。进一步地，可根据超出边缘线的量评估溢出异常的等级。假定设置三个等级，则每个等级对应一个位置差阈值，根据位置差阈值可判断当前帧图像中溢出异常对应的等级。基于溢出异常信息、对应的等级以及关联的帧图像生成对应的第二警示信息。
71.步骤s04，根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息。
72.在一实施例中，根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息，包括：
73.将所述红渣区域与预设的区域大小范围进行比对，若所述红渣区域小于所述预设区域范围，则输出渣沟内渣皮覆盖异常；
74.根据预设的红渣区域大小与渣皮覆盖异常等级的映射关系，确定当前渣皮覆盖异常的等级，并根据所述渣皮覆盖异常以及对应的等级生成所述第三警示信息，其中所述第三警示信息包括关联的红渣区域对应的帧图像。
75.在一实施例中，可预先设置每个渣皮覆盖异常等级对应一个红渣区域大小阈值，进而建立红渣区域大小与渣皮覆盖异常等级的映射关系。将当前帧图像中红渣区域与各等级的红渣区域大小阈值进行比较，可确定当前帧图像中渣皮覆盖异常的等级，根据渣皮覆盖异常信息、对应等级以及关联的帧图像生成对应的第三警示信息。
76.步骤s05，根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询。
77.在一实施例中，根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询，包括：
78.将所述第一警示信息、第二警示信息和/或第三警示信息与出铁批次号进行关联，以生成对应出铁批次的炉渣异常记录；
79.响应于所述交互界面中的出铁批次号输出对应出铁批次的历史异常数据。
80.在一实施例中，根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面之后，包括：
81.响应于所述交互界面的查询请求，输出对应的警示信息以及警示信息生成时间；
82.调用对应警示信息关联的帧图像反馈至所述交互界面进行异常展示。
83.在一实施例中，报警信息将被记录，并在历史记录页面按照从新到旧进行排列，用户可以选择对单号进行展开获得多次报警信息，并通过操作栏查看或导出炉渣流量曲线图
和各次报警的炉渣图片。在交互界面还可查看历史出渣流量，点击出渣量曲线图，展示该批次炉渣通过沟槽的流量随时间变化的历史折线图。通过交互界面的历史记录选项可以转到历史记录界面，历史信息界面通过点击画面顶端的选项可以选择展开对应批次号的所有报警信息。在历史报警记录中，可以查看出铁时间、出铁批次号、出渣时间、报警数量、报警类型、报警等级、报警时间以及查看操作等，如图3所示，点击操作栏的“查看报警图片”后，展示该批次出铁异常时的检测图片，对异常解决的批次可点击“删除”进行消除记录。
84.请参阅图2，本实施例提供了一种出铁场渣量异常检测系统，用于执行前述方法实施例中所述的出铁场渣量异常检测方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
85.在一实施例中，一种出铁场渣量异常检测方法，包括：渣流识别模块10，用于获取出铁场渣沟区域的视频流，根据所述视频流识别渣流的位置、渣流的边界以及红渣区域；流动检测模块11，用于根据所述视频流的多帧图像中所述渣流的位置进行炉渣流动性检测，检测到异常时输出第一警示信息；溢渣检测模块12，用于根据所述渣流的边界进行炉渣溢出检测，检测到异常时，输出第二警示信息；覆盖异常检测模块13，用于根据所述红渣区域进行渣皮覆盖异常检测，检测到异常时，输出第三警示信息；异常记录模块14，用于根据所述第一警示信息、第二警示信息和/或第三警示信息生成炉渣异常记录输出至预设的交互界面以供查询。
86.本技术实施例还提供了一种出铁场渣量异常检测设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、mp3(动态影像专家压缩标准语音层面3，moving picture experts group audio layer iii)播放器、mp4(动态影像专家压缩标准语音层面4，moving picture experts group audio layer iv)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本技术实施例对于具体的设备不加以限制。
87.本技术实施例还提供了一种计算机可读存储介质，该介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本技术实施例的图1中出铁场渣量异常检测方法所包含步骤的指令(instructions)。机器可读介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如：软盘、硬盘、磁带)、光介质(如：dvd)、或者半导体介质(如：固态硬盘solid state disk(ssd))等。
88.参阅图4，本实施例提供一种设备80，设备80可以是台式机、便携式电脑、智能手机等设备。详细的，设备80至少包括通过总线81连接的：存储器82、处理器83，其中，存储器82用于存储计算机程序，处理器83用于执行存储器82存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
89.上述提到的系统总线可以是外设部件互连标准(peripheral pomponent interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接
口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
90.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
91.上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。