【技术实现步骤摘要】
本专利技术涉及高炉冶炼工艺和图像处理，尤其涉及一种基于深度图像学习的溜槽角度识别方法及系统。
技术介绍
1、高炉冶炼是钢铁冶炼流程的关键环节，其生产成本占钢铁产品成本的60％以上。高炉操作制度是指高炉为达到优质、低耗、高产、长寿和高效益，在一定冶炼条件下所采取的一系列规则和手段的集合，具体包括：装料制度、送风制度、造渣制度和热制度。其中，溜槽α角(如图1所示)的控制是装料制度的重要内容。高炉正常生产中，合理调整溜槽角度，可以改变高炉的原燃料堆尖及炉料的分布，优化高炉煤气流分布，降低高炉能耗与铁水成本；高炉生产不正常时，调整好溜槽角度，能使高炉及时恢复正常，降低高炉能耗与铁水成本。
2、高炉溜槽角度可通过plc在中控计算机显示，炉顶也配有码盘显示。高炉炼铁生产中，由于设备磨损和数据信号漂移等原因，溜槽的实际角度与中控计算机显示值有可能出现偏差。高炉溜槽角度异常会影响高炉的布料制度，进而导致高炉炉况失常、燃料消耗增大、铁水成本升高等严重后果。
3、现有的溜槽角度校核技术可分为两类：
4、i)炉外机械装置接触式测量技术：主要利用高炉人孔将测量装置紧贴溜槽背面从而测量溜槽角度。但是人孔直径有限，上述装置多难以伸入，操作较复杂。此外，为保证测量精度，需保证测量装置与溜槽背面紧靠。但实际应用中往往难以观察是否满足上述要求，很难观察测量部件靠近斜槽，导致测量准确性和可信度不高。
5、ii)炉外激光非接触式测量技术：此类方法通过激光或红外测距仪对高炉溜槽上的点进行采样，从而间接地计算出溜槽角度。但
6、但上述方法均需要在高炉休风检修时进行高炉溜槽角度校核。高炉一般休风2-3次/年，当发现溜槽角度异常时，已经对高炉运行造成恶劣影响。因此亟待设计一种可以实时、正确识别溜槽角度的方法。
技术实现思路
1、为此，本专利技术实施例提供了一种基于深度图像学习的溜槽角度识别方法及系统，用于解决现有技术中现有的溜槽角度校核方法均需要在高炉休风检修时进行高炉溜槽角度校核，由于高炉一般休风2-3次/年，当发现溜槽角度异常时，已经对高炉运行造成恶劣影响，即当前研究方法在及时性、便捷性等方面存在不足的问题。
2、为了解决上述问题，本专利技术实施例提供一种基于深度图像学习的溜槽角度识别方法，所述方法包括：
3、步骤s1：通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度；
4、步骤s2：设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理；
5、步骤s3：基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集划分为训练样本集和测试样本集；
6、步骤s4：将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型；
7、步骤s5：使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能；
8、步骤s6：将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果；
9、步骤s7：将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。
10、优选地，在步骤s2中，设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理方法具体包括：
11、通过图像灰度一致性变换调整溜槽图像中每个像素的值，使得图像从三通道转换为单通道，不仅缩减了图像的大小，且增强了与溜槽角度识别相关的图像特征；
12、针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性。
13、优选地，所述图像灰度一致性变换具体包括：
14、如果高炉溜槽的图像为三通道图像，首先采用加权平均法转换为单通道图像：
15、
16、其中，i(i,j)是像素p(i,j)的灰度值；round()表示四舍五入为整数；r(i,j)、g(i,j)和b(i,j)是像素p(i,j)的rgb值；α、β、γ是它们的权重并且α+β+γ＝1；p是图像的像素集合；
17、对于输入的图像，统计图像中每个灰度级的像素数目，生成原始图像的直方图，假设图像的宽为w，高为h，像素灰度级别范围为[0,l-1]，则计算得到一个横轴为l，纵轴为h的直方图h(k)：
18、
19、式中，δi(i,j),k函数为当i(i,j)＝k时取值为1，否则为0；
20、然后，将溜槽原始图像的直方图进行累加，得到像素灰度值的累计分布函数cdf(k)：
21、
22、接着，将累计分布函数线性映射到0到l-1的灰度级别范围内，得到灰度映射函数t(k)：
23、t(k)＝round((l-1)×cdf(k))；
24、最后，原始图像的每个像素代入灰度映射函数生成新的灰度均衡化的图像inew：
25、
26、式中，inew(i,j)表示灰度一致性图像中像素p(i,j)的灰度值。
27、优选地，所述针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性的方法具体包括：
28、考虑到溜槽作业环境中存在大量的粉尘和气流，首先，通过图像雾化和云化的方式，在经过图像灰度一致性变换的溜槽图像中添加雾气和云层的视觉效果，从而模拟溜槽作业环境的风格；其次，使用不同的滤波技术对图像进行增强，从而去除溜槽图像中的噪声，增强溜槽轮廓等关键特征信息，及提高数据多样性。
29、优选地，所述滤波技术包括空域滤波技术和频域滤波技术，其中所述空域滤波技术包括高斯滤波、均值滤波、2-d中值滤波、最大-最小锐化，所述频域滤波技术包括巴特沃斯低通滤波、指数高通滤波、同态滤波。
30、优选地，在步骤s4中，将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型的方法具体包括：
31、将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中，首先采用特征提取网络提取溜槽图像的时空特征信息，输出表示溜槽角度图像的特征向量；然后利用全连接层将提取的特征向量映射为溜槽角度的类别，最后通过softmax函数对每个类别得分进行归一化，获得每个类别的概率，并输出最大概率的类别作为溜槽角度的预测值；
32、采用反向梯度传播方法对模型进行训练，利用交叉熵函数计算预测值和真实值的损失，保存损失函数收敛时的模型权重，得到训练好的基于深度图像学习的溜槽角度分类器模型。
<本文档来自技高网...【技术保护点】
1.一种基于深度图像学习的溜槽角度识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度图像学习的溜槽角度识别方法，其特征在于，在步骤S2中，设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理方法具体包括：
3.根据权利要求2所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述图像灰度一致性变换具体包括：
4.根据权利要求2所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性的方法具体包括：
5.根据权利要求4所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述滤波技术包括空域滤波技术和频域滤波技术，其中所述空域滤波技术包括高斯滤波、均值滤波、2-D中值滤波、最大-最小锐化，所述频域滤波技术包括巴特沃斯低通滤波、指数高通滤波、同态滤波。
6.根据权利要求1所述的基于深度图像学习的溜槽角度识别方法，其特征在于，在步骤S4中，将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得
7.根据权利要求6所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述特征提取网络的结构为：
8.一种基于深度图像学习的溜槽角度识别系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的基于深度图像学习的溜槽角度识别方法，具体包括：
9.一种电子装置，其特征在于，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的基于深度图像学习的溜槽角度识别方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的基于深度图像学习的溜槽角度识别方法。
...【技术特征摘要】
1.一种基于深度图像学习的溜槽角度识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度图像学习的溜槽角度识别方法，其特征在于，在步骤s2中，设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理方法具体包括：
3.根据权利要求2所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述图像灰度一致性变换具体包括：
4.根据权利要求2所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性的方法具体包括：
5.根据权利要求4所述的基于深度图像学习的溜槽角度识别方法，其特征在于，所述滤波技术包括空域滤波技术和频域滤波技术，其中所述空域滤波技术包括高斯滤波、均值滤波、2-d中值滤波、最大-最小锐化，所述频域滤波技术包括巴特沃斯低通滤波、指数高通滤波、同态滤波。
6.根据权利要求1所述的基于深度图像学习的溜槽角度识别方法，其特征在于，在步...
【专利技术属性】
技术研发人员：梁合兰，王广欣，何青辉，闫炳基，国宏伟，
申请(专利权)人：苏州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。