CN109697433A - 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 - Google Patents

一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 Download PDF

Info

Publication number
CN109697433A
CN109697433A CN201910002989.2A CN201910002989A CN109697433A CN 109697433 A CN109697433 A CN 109697433A CN 201910002989 A CN201910002989 A CN 201910002989A CN 109697433 A CN109697433 A CN 109697433A
Authority
CN
China
Prior art keywords
degree
superheat
module
video
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910002989.2A
Other languages
English (en)
Inventor
赵士伟
谢永芳
陈晓方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910002989.2A priority Critical patent/CN109697433A/zh
Publication of CN109697433A publication Critical patent/CN109697433A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明的目的在于解决现有铝电解槽过热度状态识别方法的不足，提出了一种基于3D卷积神经网络的铝电解槽过热度状态识别方法及系统，此方法及系统包括视频采集模块、数据处理模块及过热度状态识别模块，所述数据处理模块包括样本数据处理模块和在线数据处理模块，所述过热度状态识别模块包括离线学习模块和在线预测模块。本发明提出了一种基于3D卷积神经网络的铝电解槽过热度状态识别方法，在确保其适用性的同时，提高了过热度识别的准确率。

Description

一种基于3D卷积神经网络的铝电解槽过热度状态识别方法及 系统
技术领域
本发明涉及一种基于3D卷积神经网络的铝电解槽过热度状态识别方法及系统，可以应用于铝电解生产过程中过热度状态的识别，属于铝电解技术领域。
背景技术
铝电解工业经历数十年的发展，逐渐成为我国重要的基础产业，然而由于生产过程中耗电高，成为国家重点调控的产业之一。过热度(电解质温度与初晶温度之差)可以很好的反应铝电解槽的状态，具体为当过热度较高时，电流效率低，反之电流效率高，因此众多专家通过研究过热度的状态来间接观测铝电解槽运行状况，进而通过调控提高电流效率。
现有的过热度识别方法主要是通过现场工人观测火眼来判断，存在较大的主观性，随着研究的发展，一些学者通过机理分析发现铝电解生产过程中过热度的大小可以利用铝电解火眼视频中的动态特征来辨识，因此采用提取火眼视频中的运动特征，然后将提取的运动特征输入到传统的机器学习方法(如SVM， xgboost等)来对过热度进行识别，避免了人工判断的主观性，同时提高了过热度状态识别效率，然而该方法存在特征提取表征困难的问题，而且仅适用于无火苗和碳渣干扰的情况下，存在很大的局限性。
近年来随着深度学习的发展，其被广泛应用于图像识别、智慧医疗等方面，卷积神经网络引其具有局部感知等特点可以很好的应对火苗和碳渣的干扰，然而目前深度学习大多都是针对单幅图像的识别，过热度的大小在单幅图像下难以进行判断，3D卷积神经网络由于其考虑添加时间维度，可以更好的反应视频中运动特征随时间的动态变化，有助于识别过热度状态。因此考虑采用3D卷积神经网络对铝电解槽过热度进行识别。
发明内容
本发明的目的在于解决现有铝电解槽过热度状态识别方法的不足，提出了一种基于3D卷积神经网络的铝电解槽过热度状态识别方法及系统，此方法及系统包括视频采集模块、数据处理模块及过热度状态识别模块，所述数据处理模块包括样本数据处理模块和在线数据处理模块，所述过热度状态识别模块包括离线学习模块和在线预测模块。本发明提出了一种基于3D卷积神经网络的铝电解槽过热度状态识别方法，在确保其适用性的同时，提高了过热度识别的准确率。
为了解决上述技术问题，本发明的技术方案为：一种基于3D卷积神经网络的铝电解槽过热度状态识别方法及系统，包括视频采集模块、数据处理模块和过热度状态识别模块三部分组成；所述视频采集模块由工业相机和图像采集卡等组成，所述数据处理模块包括图像裁剪、图像组合等模块，所述过热度识别状态模块包括离线学习模块和在线估计模块。
所述视频采集模块按照如下步骤：
A1：人工手持工业相机采集火眼视频
A2：采集到的火眼视频保存到图像采集卡中
所述数据处理模块按照如下步骤：
B1：读取图像采集卡中的视频，将视频分解成若干帧RGB图像；
B2：去除人工拍摄过程中的抖动，并将去除抖动后的图像裁剪成固定大小；
B3：将裁剪后的视频中的连续若干帧进行组合，并结合对应视频的过热度状态作为一个样本；
B4：将图像数据归一化至[0,1]范围内，将过热度状态用0,1,2表示，并对其进行独热编码；
所述过热度状态识别中的离线学习模块按照如下步骤：
C1：按照上述数据处理模块中方法处理若干个铝电解槽火眼视频，得到若干训练样本；
C2：将训练样本按照训练集和测试集进行划分，划分比例为7:3；
C3：将训练集输入到网络中，选取一定大小的batch数据作为一组样本对网络进行训练，重复迭代若干次；
C4：用测试集对训练好的模型进行验证；
C5：验证的准确率高则保存模型及其参数，反之则重新切分数据集或者重新搭建网络模型，迭代上述 C1～C5步骤；
所述过热度状态识别中的在线估计模块按照如下步骤：
D1：导入离线学习模块中训练好的网络模型及参数；
D2：读取视频，并将读取的视频按照上述数据处理模块中的B1～B4步骤进行处理；
D3：选取处理后的若干个样本，依次输入到上述网络模型中，得到多个过热度状态识别结果集合，最终得到过热度识别结果；
进一步的，所述数据处理模块中的B2步骤，其具体步骤为：首先提取B1步骤中RGB图像中的R通道图像，对R通道图像进行阈值分割，将分割后的图像进行连续两次形态学处理中的腐蚀、膨胀操作，然后找出形态学处理后的最大封闭区间，从而确定了最大封闭区间的中心坐标，然后以该中心坐标为中心在对应的RGB图像中裁剪出大小为64*64*3的图片，其中阈值大小为230。
进一步的，所述离线学习模块中的C3步骤，网络为3D卷积神经网络，其卷积核的大小为3*3*3，池化层大小为2*2*2，网络总的训练参数为2155651，网络中采用了dropout技术。
进一步的，所述在线估计模块中的D3步骤，最终过热度识别结果采用多数表决的投票方法得到。
本发明针对铝电解槽火眼视频运动特征难以提取、表征和现有的深度学习方法难以处理连续视频等问题出发，引入3D卷积神经网络，由于3D卷积神经网络引入时间维度，不仅具有卷积神经网络的优点同时可以充分体现火眼视频中的运动特征。本发明一方面提高了过热度识别方法的全面性，同时提高了识别的准确率，由此可以优化生产，提高铝电解生产效率。
附图说明
图1为本发明一种基于3D卷积神经网络的铝电解槽过热度识别方法及系统模块图
图2为本发明一种基于3D卷积神经网络的铝电解槽过热度识别方法及系统的数据处理模块图
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，根据实际运行状况将铝电解槽过热度状态分为大、正常、小三类。
1.视频采集模块
从某铝电解工厂，通过手持工业相机拍摄22个不同过热度状态的视频，其中视频每帧图像的大小为1920*1080，每组视频的平均时长为80s，然后将采集的视频保存到图像采集卡中。
2.数据处理模块
从图像采集卡中读取采集的视频数据，将读入的视频数据分解成多帧RGB图像，选取每帧RGB 图像中的红色通道，对红色通道进行阈值分割，阈值大小为230，得到分割后的二值化图像A，对A 进行两次形态学上的腐蚀、膨胀操作得到图像B(如附图2)，然后寻找B中的最大封闭区间，根据找到的最大封闭区间确定封闭区间的上下左右边界，从而确定火眼中心位置，以火眼中心位置为中心，将对应的RGB图像裁剪成大小为64*64*3的图像，因为拍摄过程中火眼的大小保持不变，找到每帧图像中火眼的中心位置，然后按照固定大小进行裁剪就会得到无抖动的固定大小的图像序列。
将裁剪后的图像序列每连续五帧图像组合在一起，结合对应的火眼视频过热度标签，过热度标签用0,1,2表示，具体为0代表过热度小，1表示正常，2表示过热度大，得到全部的样本。
将所有图像的像素值除以255进行进行归一化处理值[0,1]范围内，对过热度标签进行独热编码，编码结果为0转换成[1,0,0]，1转换成[0,1,0]，2转换成[0,0,1]。
3.离线学习模块
将所有的训练样本按照7:3的比例划分成训练集和测试集；搭建含有两个隐层的3D卷积神经网络，其中网络的输入大小为64*64*3*5，所有卷积核的大小为3*3*3，池化大小为2*2*2，网络总训练参数为2155651，网络中采用了dropout技术，大小为0.5，采用relu激活函数，网络最后的全连接输出采用softmax函数，优化方法为随机梯度下降；选取batch大小为22，epoch大小为10对模型进行训练，直到模型的loss趋于一定值切训练准确率较高时，将测试集输入模型检测模型在测试集上的准确率，最终将训练好的模型及参数保存。
4.在线预测模块
将采集的无标签数据，按照上述数据处理模块中的处理方法，每连续5帧组合一起，得到若干个图像组合，从中选取10个组合放入训练好的网络模型中，得到10个过热度状态识别结果，然后对得到的10个结果采用多数表决的投票方法得到过热度状态的最终识别结果。

Claims (4)

1.一种基于3D卷积神经网络的铝电解槽过热度状态识别方法，包括视频采集模块、数据处理模块和过热度状态识别模块三部分组成；所述视频采集模块由工业相机和图像采集卡等组成，所述数据处理模块包括图像裁剪、图像组合等模块，所述过热度识别状态模块包括离线学习模块和在线估计模块。
所述视频采集模块按照如下步骤：
A1：人工手持工业相机采集火眼视频；
A2：采集到的火眼视频保存到图像采集卡中；
所述数据处理模块按照如下步骤：
B1：读取图像采集卡中的视频，将视频分解成若干帧RGB图像；
B2：去除人工拍摄过程中的抖动，并将去除抖动后的图像裁剪成固定大小；
B3：将裁剪后的视频中的连续若干帧进行组合，并结合对应视频的过热度状态作为一个样本；
B4：将图像数据归一化至[0,1]范围内，将过热度状态用0,1,2表示，并对其进行独热编码；
所述过热度状态识别中的离线学习模块按照如下步骤：
C1：按照上述数据处理模块中方法处理若干个铝电解槽火眼视频，得到若干训练样本；
C2：将训练样本按照训练集和测试集进行划分，划分比例为7:3；
C3：将训练集输入到网络中，选取一定大小的batch数据作为一组样本对网络进行训练，重复迭代若干次；
C4：用测试集对训练好的模型进行验证；
C5：验证的准确率高则保存模型及其参数，反之则重新切分数据集或者重新搭建网络模型，迭代上述C1～C5步骤；
所述过热度状态识别中的在线估计模块按照如下步骤：
D1：导入离线学习模块中训练好的网络模型及参数；
D2：读取视频，并将读取的视频按照上述数据处理模块中的B1～B4步骤进行处理；
D3：选取处理后的若干个样本，依次输入到上述网络模型中，得到多个过热度状态识别结果集合，最终得到过热度识别结果。
2.根据权利要求1所述数据处理模块中的B2步骤，其具体步骤为：首先提取B1步骤中RGB图像中的R通道图像，对R通道图像进行阈值分割，将分割后的图像进行连续两次形态学处理中的腐蚀、膨胀操作，然后找出形态学处理后的最大封闭区间，从而确定了最大封闭区间的中心坐标，然后以该中心坐标为中心在对应的RGB图像中裁剪出大小为64*64*3的图片，其中阈值大小为230。
3.根据权利要求1所述离线学习模块中的C3步骤，网络为3D卷积神经网络，其卷积核的大小为3*3*3，池化层大小为2*2*2，网络总的训练参数为2155651，网络中采用了dropout技术。
4.根据权利要求1所述在线估计模块中的D3步骤，最终过热度识别结果采用多数表决的投票方法得到。
CN201910002989.2A 2019-01-02 2019-01-02 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 Pending CN109697433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910002989.2A CN109697433A (zh) 2019-01-02 2019-01-02 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910002989.2A CN109697433A (zh) 2019-01-02 2019-01-02 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统

Publications (1)

Publication Number Publication Date
CN109697433A true CN109697433A (zh) 2019-04-30

Family

ID=66232533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910002989.2A Pending CN109697433A (zh) 2019-01-02 2019-01-02 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN109697433A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192221A (zh) * 2020-01-07 2020-05-22 中南大学 基于深度卷积生成对抗网络的铝电解火眼图像修补方法
CN115082734A (zh) * 2022-06-23 2022-09-20 中南大学 铝电解槽火眼视频巡检系统及过热度深度学习识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105463511A (zh) * 2015-05-28 2016-04-06 贵阳铝镁设计研究院有限公司 铝电解槽电解质温度在线监测方法及其装置
CN107204004A (zh) * 2017-04-26 2017-09-26 中南大学 一种铝电解槽火眼视频动态特征识别方法及系统
CN107248157A (zh) * 2017-06-30 2017-10-13 中南大学 一种铝电解槽自动看火的方法及其装置
CN107578433A (zh) * 2017-08-17 2018-01-12 中南大学 一种用于识别电解槽极板温度的方法
CN107767360A (zh) * 2017-08-17 2018-03-06 中南大学 一种用于电解槽极板故障的预警方法及检测装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105463511A (zh) * 2015-05-28 2016-04-06 贵阳铝镁设计研究院有限公司 铝电解槽电解质温度在线监测方法及其装置
CN107204004A (zh) * 2017-04-26 2017-09-26 中南大学 一种铝电解槽火眼视频动态特征识别方法及系统
CN107248157A (zh) * 2017-06-30 2017-10-13 中南大学 一种铝电解槽自动看火的方法及其装置
CN107578433A (zh) * 2017-08-17 2018-01-12 中南大学 一种用于识别电解槽极板温度的方法
CN107767360A (zh) * 2017-08-17 2018-03-06 中南大学 一种用于电解槽极板故障的预警方法及检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOFANG CHEN ET AL;: "《A feature extraction strategy of fire hole video based on VGG16 and migration learning 》", 《IEEE》 *
桂卫华 等；: "《流程工业知识自动化及其在铝电解生产中的应用》", 《控制理论与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192221A (zh) * 2020-01-07 2020-05-22 中南大学 基于深度卷积生成对抗网络的铝电解火眼图像修补方法
CN111192221B (zh) * 2020-01-07 2024-04-16 中南大学 基于深度卷积生成对抗网络的铝电解火眼图像修补方法
CN115082734A (zh) * 2022-06-23 2022-09-20 中南大学 铝电解槽火眼视频巡检系统及过热度深度学习识别方法
CN115082734B (zh) * 2022-06-23 2023-01-31 中南大学 铝电解槽火眼视频巡检系统及过热度深度学习识别方法

Similar Documents

Publication Publication Date Title
CN109359697A (zh) 一种电力设备巡检中使用的图形图像识别方法及巡查系统
CN112069921A (zh) 一种基于自监督知识迁移的小样本视觉目标识别方法
CN110533090B (zh) 开关刀闸状态检测方法及装置
CN109697433A (zh) 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统
CN110942450A (zh) 一种基于深度学习的多生产流水线实时缺陷检测方法
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN114529839A (zh) 一种面向无人机巡检的输电线金具异常检测方法及系统
CN107808391B (zh) 一种基于特征选择与光滑表示聚类的视频动态目标提取方法
CN112308128A (zh) 一种基于注意力机制神经网络的图像匹配方法
CN107545281B (zh) 一种基于深度学习的单一有害气体红外图像分类识别方法
CN107330440A (zh) 基于图像识别的海洋状态计算方法
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN112967271B (zh) 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN109948412A (zh) 基于深度卷积神经网络的违禁物品标识方法
CN116612438B (zh) 基于热成像的蒸汽锅炉燃烧状态实时监测系统
CN117095248A (zh) 一种基于生成式卷积神经网络的熔炉火焰氧浓度监测方法
CN108764126B (zh) 一种嵌入式活体人脸跟踪系统
CN104318267B (zh) 一种藏獒幼犬纯度的自动化识别系统
CN116503354A (zh) 基于多模态融合的光伏电池热斑检测及评估方法与装置
CN117677969A (zh) 一种缺陷检测的方法和装置
CN111754459B (zh) 基于统计深度特征的染色伪造图像检测方法及电子装置
Wei et al. Contrastive Domain Adaptation Via Delimitation Discriminator
CN110533636B (zh) 一种图像分析装置
Lan et al. PCB Defect Detection Algorithm of Improved YOLOv8

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190430

WD01 Invention patent application deemed withdrawn after publication