【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种熔体分层界面在线识别检测方法、装置、设备及介质。
技术介绍
1、铜冶炼过程中，熔炼炉内熔体通常分为三层，分别为渣层、隔膜层和冰铜层，其中，渣层位于熔体顶部，主要由氧化物和杂质组成，通常浮在熔体表面，具有较低的密度；冰铜层位于熔体底部，是冶炼过程中沉淀的主要铜金属，一般具有较高纯度；隔膜层位于渣层和冰铜层之间，通常厚度较薄，包含一些未完全还原的金属和合金成分。冰铜层、隔膜层及渣层界面高度是反映熔炼炉状态的重要参数，通过对分层界面高度变化的分析，可以评估不同冶炼技术的效果，助冶炼工程师调整炉内操作参数，如温度、助熔剂的添加量等，从而推动工艺改进，优化冶炼效率和铜的纯度。
2、目前国内外对熔炼炉内各层界面高度的检测仍采用人工检尺方式，即将探杆(通常为锰钢材质)插入熔炼炉内，待炉内熔体在探杆上留下印记后再将其拔出，通过印记颜色、形态等特征进行观察，测量其对应的界面高度。熔炼炉内由于熔炼炉内充斥高温和有毒气体，作业环境差，劳动强度大，人工检尺测量本身存在观测误差，不同操作人员处理习惯的差异也会影响读数，且读取检尺测量数据时距离探杆太近，存在很大的安全隐患。
技术实现思路
1、有鉴于此，本专利技术的目的是为了克服现有技术中的不足，提供一种熔体分层界面在线识别检测方法、装置、设备及介质。
2、本专利技术提供如下技术方案：
3、第一方面，本公开实施例中提供了一种熔体分层界面在线识别检测方法，所述方法包括：
4、采集
5、标定各所述图像数据的分类类别，构建深度学习模型，通过所述深度学习模型对所述图像数据进行识别，得到识别结果，并根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署；
6、重新采集所述检尺杆的多张在线图像，利用部署后的深度学习模型识别各所述在线图像中的目标图像，对所述目标图像进行处理，得到熔体各分层界面上下界像素范围；
7、根据所述每个像素点的实际高度与熔体各分层界面上下界像素范围，计算熔体界面各层对应的实际高度。
8、可选地，所述检尺杆上放置有直尺，所述确定各所述图像数据中每个像素点的实际高度，包括：
9、获取各所述图像数据的上边沿所对应的直尺上的第一刻度，获取各所述图像数据的下边沿所对应的直尺上的第二刻度；
10、将所述第二刻度与第一刻度的差值的绝对值，作为各所述图像数据的纵向实际距离；
11、获取各所述图像数据的纵向像素数，将各所述图像数据的纵向实际距离以及对应的纵向像素数的商值，作为各所述图像数据中每个像素点的实际高度。
12、可选地，所述通过所述深度学习模型对所述图像数据进行识别，得到识别结果，包括：
13、将所有所述图像数据划分为训练数据与测试数据，利用所述训练数据训练所述深度学习模型；
14、通过训练后的深度学习模型对所述测试数据进行识别，得到所述测试数据的识别结果。
15、可选地，所述根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署，包括：
16、比较所述测试数据的识别结果以及对应的分类类别，得到多个比较结果以及对应的测试数据数量；
17、根据各所述比较结果以及对应的测试数据数量，计算所述训练后的深度学习模型的准确率和召回率；
18、判断所述准确率是否大于或等于预设准确率阈值，并判断所述召回率是否大于或等于预设召回率阈值；
19、若是，则生成所述部署后的深度学习模型。
20、可选地，所述判断所述训练后的深度学习模型的准确率是否大于预设准确率阈值，并判断所述训练后的深度学习模型的召回率是否大于预设召回率阈值之后，还包括：
21、若否，则重新选择所述深度学习模型，或调整所述深度学习模型的训练参数，直至满足所述准确率大于或等于所述预设准确率阈值且所述召回率大于或等于所述预设召回率阈值。
22、可选地，所述对所述目标图像进行处理，得到熔体各分层界面上下界像素范围，包括：
23、对所述目标图像进行空间转换，得到灰度图像，并利用图像分割算法将所述灰度图像划分为目标前景和背景；
24、确定所述目标前景的像素高度范围，并根据所述目标前景的像素高度范围确定所述熔体各分层界面上下界像素范围。
25、可选地，所述根据所述每个像素点的实际高度与熔体各分层界面上下界像素范围，计算熔体界面各层对应的实际高度，包括：
26、将所述每个像素点的实际高度与熔体各分层界面上下界像素范围的积值，作为所述熔体界面各层对应的实际高度。
27、第二方面，本公开实施例中提供了一种熔体分层界面在线识别检测装置，所述装置包括：
28、采集模块，用于采集检尺杆的多张图像数据，并确定各所述图像数据中每个像素点的实际高度；
29、构建模块，用于标定各所述图像数据的分类类别，构建深度学习模型，通过所述深度学习模型对所述图像数据进行识别，得到识别结果，并根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署；
30、处理模块，用于重新采集所述检尺杆的多张在线图像，利用部署后的深度学习模型识别各所述在线图像中的目标图像，对所述目标图像进行处理，得到熔体各分层界面上下界像素范围；
31、计算模块，用于根据所述每个像素点的实际高度与熔体各分层界面上下界像素范围，计算熔体界面各层对应的实际高度。
32、第三方面，本公开实施例中提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中所述的熔体分层界面在线识别检测方法的步骤。
33、第四方面，本公开实施例中提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中所述的熔体分层界面在线识别检测方法的步骤。
34、本申请的有益效果：
35、本申请实施例提供的熔体分层界面在线识别检测方法，方法包括：采集检尺杆的多张图像数据，并确定各所述图像数据中每个像素点的实际高度；标定各所述图像数据的分类类别，构建深度学习模型，通过所述深度学习模型对所述图像数据进行识别，得到识别结果，并根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署；重新采集所述检尺杆的多张在线图像，利用部署后的深度学习模型识别各所述在线图像中的目标图像，对所述目标图像进行处理，得到熔体各分层界面上下界像素范围；根据所述每个像素点的实际高度与熔体各分层界面上下界像素范围，计算熔体界面各层对应的实际高度。本申请利用面阵相机采集检尺杆图像数据，通过深度学习模型实现熔体分层界面在线识别检测与检测，以标准化的方式提高熔体分层界面的检测效率，降低人工观测造成的系统性偏差，同时本文档来自技高网...
【技术保护点】
1.一种熔体分层界面在线识别检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的熔体分层界面在线识别检测方法，其特征在于，所述检尺杆上放置有直尺，所述确定各所述图像数据中每个像素点的实际高度，包括：
3.根据权利要求1所述的熔体分层界面在线识别检测方法，其特征在于，所述通过所述深度学习模型对所述图像数据进行识别，得到识别结果，包括：
4.根据权利要求3所述的熔体分层界面在线识别检测方法，其特征在于，所述根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署，包括：
5.根据权利要求4所述的熔体分层界面在线识别检测方法，其特征在于，所述判断所述训练后的深度学习模型的准确率是否大于预设准确率阈值，并判断所述训练后的深度学习模型的召回率是否大于预设召回率阈值之后，还包括：
6.根据权利要求1所述的熔体分层界面在线识别检测方法，其特征在于，所述对所述目标图像进行处理，得到熔体各分层界面上下界像素范围，包括：
7.根据权利要求2所述的熔体分层界面在线识别检测方法，其特征在于，所述根据所述每个像
8.一种熔体分层界面在线识别检测装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的熔体分层界面在线识别检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的熔体分层界面在线识别检测方法的步骤。
...【技术特征摘要】
1.一种熔体分层界面在线识别检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的熔体分层界面在线识别检测方法，其特征在于，所述检尺杆上放置有直尺，所述确定各所述图像数据中每个像素点的实际高度，包括：
3.根据权利要求1所述的熔体分层界面在线识别检测方法，其特征在于，所述通过所述深度学习模型对所述图像数据进行识别，得到识别结果，包括：
4.根据权利要求3所述的熔体分层界面在线识别检测方法，其特征在于，所述根据所述图像数据的识别结果以及对应的分类类别对所述深度学习模型进行部署，包括：
5.根据权利要求4所述的熔体分层界面在线识别检测方法，其特征在于，所述判断所述训练后的深度学习模型的准确率是否大于预设准确率阈值，并判断所述训练后的深度学习模型的召回率是否大于预设召回率阈值之后，还包括：
6.根据...
【专利技术属性】
技术研发人员：赵宇，张逸飞，季波，余刚，赵建军，赵海利，张子悦，吴晨宇，郭万朋，
申请(专利权)人：矿冶科技集团有限公司，
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。