CN110487812A - 一种对钢包的洁净度进行评判的方法及装置 - Google Patents

Abstract

本发明涉及一种对钢包的洁净度进行评判的方法及装置，包括：对已确定洁净度等级的N张钢包图片样本进行信息提取，获得N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为N张钢包图片样本各自的训练样本；将N张钢包图片样本各自的训练样本输入评分模型，以对评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；对待确定洁净度等级的钢包图片进行图像处理，获得待确定洁净度等级的的钢包图片的图片特征信息；将待确定洁净度等级的钢包图片的图片特征信息输入等级确定模型，获得钢包的洁净度等级判级结果，采用图像处理技术和机器学习模型结合的方式，在对钢包的洁净度进行评判时，提高评判的准确性。

Description

一种对钢包的洁净度进行评判的方法及装置

技术领域

本发明涉及炼钢技术领域，尤其涉及一种对钢包的洁净度进行评判的方法及装置。

背景技术

随着炼钢冶炼产品的逐步升级，发现钢包内衬的洁净度对炼钢的钢水成分有重要影响，如何精准获得钢包内衬的洁净度，对提高钢水成分的精准命中，进而提高产品性能有重要意义，现有在判断钢包的洁净度时是存在洁净度评判不准确的技术问题，因此，难以准确获得钢包的洁净度，对钢水成分造成一定的影响。

因此，如何提高评判钢包的洁净度的准确性是目前亟待解决的技术问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的对钢包的洁净度进行评判的方法及装置。

一方面，本发明实施例提供了一种对钢包的洁净度进行评判的方法，包括：

对已确定洁净度等级的N张钢包图片样本进行信息提取，获得所述N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为所述N张钢包图片样本各自的训练样本；

将所述N张钢包图片样本各自的训练样本输入评分模型，以对所述评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；

对待确定洁净度等级的钢包图片进行图像处理，获得所述待确定洁净度等级的钢包图片的图片特征信息；

将所述待确定洁净度等级的钢包图片的图片特征信息输入所述等级确定模型，获得所述钢包的洁净度等级判级结果。

进一步地，所述图片特征信息具体包括：钢包内衬中的耐材砖的像素值信息、底吹砖像素值信息、耐材砖与低吹砖衔接处的围缘像素值信息。

进一步地，还包括：

对所述等级确定模型的判级结果准确度进行评判；

在评判获得所述判级结果准确度低于预设值时，对所述等级确定模型进行优化处理。

进一步地，所述对所述等级确定模型进行优化处理，具体包括：

获取所述N张钢包图片样本中不满足评判标准的钢包图片样本；

基于所述评判标准，对所述不满足评判标准的钢包图片样本所对应的训练样本进行校正，获得校正后的训练样本；

将所述校正后的训练样本输入所述评分模型，以对所述评分模型进行校正训练，得到优化后的等级确定模型。

进一步地，在对待确定洁净度等级的钢包图片进行图像处理之前，还包括：

检测所述钢水车与图像采集装置之间的距离；

在所述距离小于或等于第一预设距离时，生成第一控制指令，以控制所述钢水车的运行速度降低，并同时控制所述图像采集装置对所述钢水车所承载的钢包进行拍摄图片，获得所述待确定洁净度等级的钢包图片；

在所述距离达到第二预设距离时，生成第二控制指令，以控制所述钢水车的速度恢复至原速度，其中，所述第二预设距离大于所述第一预设距离。

进一步地，在对待确定洁净度等级的钢包图片进行图像处理，具体包括：

获取所述待确定洁净度等级的钢包图片中所有像素点的像素值；

获得所述所有像素点的像素值平均值，判断所述像素值平均值是否满足预设范围，所述预设范围用于表示所述钢包图片中有钢包存在时的像素值的范围；

在不满足所述预设范围时，确定所述待确定洁净度等级的钢包图片为无效图片，并过滤掉所述无效图片。

另一方面，本发明实施例还提供了一种对钢包的洁净度进行评判的装置，包括：

训练样本获得模块，用于对已确定洁净度等级的N张钢包图片样本进行信息提取，获得所述N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为所述N张钢包图片样本各自的训练样本；

等级确定模块，用于将所述N张钢包图片样本各自的训练样本输入评分模型，以对所述评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；

图像处理模块，用于对待确定洁净度等级的钢包图片进行图像处理，获得所述待确定洁净度等级的钢包图片的图片特征信息；

判级结果获得模块，用于将所述待确定洁净度等级的钢包图片的图片特征信息输入所述等级确定模型，获得所述钢包的洁净度等级判级结果。

进一步地，还包括：

判级准确度评判模块，用于对所述等级确定模型的判级结果准确度进行评判；

优化处理模块，用于在评判获得所述判级结果准确度低于预设值时，对所述等级确定模型进行优化处理。

进一步地，所述优化处理模块具体包括：

不满足评判标准的钢包图片样本获取单元，用于获取所述N张钢包图片样本中不满足评判标准的钢包图片样本；

校正后的训练样本获得单元，用于基于所述评判标准，对所述不满足评判标准的钢包图片样本所对应的训练样本进行校正，获得校正后的训练样本；

优化等级确定模型单元，用于将所述校正后的训练样本输入所述评分模型，以对所述评分模型进行校正训练，得到优化后的等级确定模型。

进一步地，还包括：

检测模块，用于检测所述钢水车与图像采集装置之间的距离；

第一控制指令生成模块，用于在所述距离小于或等于第一预设距离时，生成第一控制指令，以控制所述钢水车的运行速度降低，并同时控制所述图像采集装置对所述钢水车所承载的钢包进行拍摄图片，获得所述待确定洁净度等级的钢包图片；

第二控制指令生成模块，用于在所述距离达到第二预设距离时，生成第二控制指令，以控制所述钢水车的速度恢复至原速度，其中，所述第二预设距离大于所述第一预设距离。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供的一种对钢包的洁净度进行评判的方法，通过对已确定洁净度等级的N张钢包图片样本提取各自的训练样本，通过将这些训练样本输入评分模型，从而对该评分模型进行训练，来得到用于确定钢包的洁净度等级的等级确定模型，接着，对待确定洁净度等级的钢包图片进行图像处理，获得待确定洁净度等级的钢包图片的图片特征信息，将该待确定洁净度等级的钢包图片的图片特征信息输入该等级确定模型，获得钢包洁净度的判级结果，采用图像处理技术与机器学习模型相结合，将通过图像处理技术获得的图像特征信息和人为评判的钢包的洁净度等级作为训练样本，采用这样的训练样本对机器学习模型进行训练，来得到可确定钢包的洁净度等级的等级确定模型，这样，采用机器学习模型的方式，在对钢包的洁净度进行评判时，利用待确定洁净度等级的钢包图片中的图片特征信息作为该机器学习模型的输入，从而得到输出为钢包的洁净度等级的确定结果，提高了评判的准确性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中对钢包的洁净度进行评判的方法的步骤流程示意图；

图2示出了本发明实施例中对钢包的洁净度进行评判的装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

现有在对钢包的洁净度进行评判时，都是采用人工拍照和人工评判的，由于人为作用，主观性都比较强，获得的照片可能存在光线以及方位等等因素影响图片清晰度，评判时采用的标准也会有所变化，因此，评判的结果也有所不同，无法对钢包的洁净度进行准确评判。

因此，本发明实施例中提供了一种对钢包的洁净度进行评判的方法，采用机器学习模型，对所提供的钢包图片进行洁净度的判级。针对现有并没有采用对钢包内衬的不同部位的图像进行采集和分析处理的方式，同时又借助机器学习模型采用的算法，最终提高了对钢包的洁净度等级评判的准确性。

实施例一

本发明实施例一提供了一种对钢包的洁净度进行评判的方法，如图1所示，包括：S101，对已确定洁净度等级的N张钢包图片样本进行信息提取，获得N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为N张钢包图片样本各自的训练样本；S102，将该N张钢包样本各自的训练样本输入评分模型，以对评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；S103，对待确定洁净度等级的钢包图片进行图像处理，获得待确定洁净度等级的钢包图片的图片特征信息；S104，将待确定洁净度等级的钢包图片的图片特征信息输入该等级确定模型，获得钢包洁净度的判级结果。

S101，对已确定洁净度等级的N张钢包图片样本进行信息提取，获得N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为该N张钢包图片样本各自的训练样本。

在具体的实施方式中，该训练样本包括N张钢包图片样本中各自图片对应的图片特征信息以及各自图片对应的洁净度等级信息。N张钢包图片样本所对应的训练样本是前期通过经专业人员的分析所确定的洁净度等级信息。

其中，该图片特征信息具体包括：钢包的耐材砖特征信息、底吹砖特征信息、耐材砖与底吹砖衔接处的围缘特征信息。

具体地，通过采用图像分析技术对每张钢包图片中的钢包内衬的耐材砖的砖与砖之间的缝隙的像素值进行获取，获得耐材砖的特征信息；同时对钢包内衬的底吹砖的轮廓区域的像素值进行获取，获得底吹砖的特征信息；同时对围缘的轮廓的像素值进行获取，获得该围缘的特征信息。

基于统一的标准，通过对钢包图片进行图像分析之后，将钢包的洁净度分为多个等级，本发明实施例中具体是以分为4个等级为例进行详细描述，该4个等级具体是A级、B级、C级、D级。其中，被确定为A级的钢包整体是干净的状态，被确定为B级的钢包整体是较为干净的状态，被确定为为C级的钢包整体是不干净的状态，被确定为是D级的钢包整体是非常不干净的状态。

具体参见下表，对钢包图片的图片特征信息与4个等级的对应关系采用如下方式得到：

在实际运用中，钢包图片的图片特征信息还有很多种组合方式，当然，对应的等级还是上述的4种等级，在此就不再一一描述了，上述表格仅示意出一种情形的对应关系，并非是对本发明实施例的限定。

由上述方式获得N张钢包图片样本各自的训练样本，接着，执行S102，将该N张钢包图片样本各自的训练样本输入评分模型，以对该评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型。

具体地，将N张钢包图片样本各自的训练样本中每张钢包图片的图片特征信息输入该评分模型，将每张钢包图片所各自对应的洁净度等级信息作为该评分模型的输出，进行训练，训练后的评分模型为等级确定模型。

该评分模型具体可以采用卷积神经网络模型、递归神经网络模型、迭代的决策树算法模型中的任意一种，当然，还可以采用其他的机器学习模型，在本发明实施例中就不再详细赘述了。

在采用卷积神经网络模型时，将钢包图片中的钢包内衬的耐材砖特征信息、底吹砖特征信息、耐材砖与底吹砖衔接处的围缘特征信息输入该卷积神经网络模型，每个特征信息对应一个K维的向量，即每个特征信息对应K个特征结果(清晰可见、基本可见、轮廓不可见、模糊不清等等)，该卷积神经网络模型的输入可表示成n*k的矩阵。在经过该卷积神经网络模型进行训练时，通过一层卷积层、一层池化层，最后加上全连接层进行输出，训练的过程是将这些向量不断进行调整的过程，其中，卷积神经网络模型中使用的损失函数可采用交叉熵。

在获得该等级确定模型之后，且在执行S103之前，该包括：

检测钢水车与图像采集装置之间的距离；

在距离小于或等于第一预设距离时，生成第一控制指令，以控制钢水车的运行速度降低，并同时控制图像采集装置对钢水车所承载的钢包进行拍摄图片，获得待确定洁净度等级的钢包图片；

在该距离达到第二预设距离时，生成第二控制指令，以控制钢水车的速度恢复至原速度，其中，第二预设距离大于第一预设距离。

上述过程是为了实现更加清晰、准确的对空钢包拍照，因此，在接近拍照位置处通过控制钢水车的运行速度，采用激光测距仪在检测到钢水车与图像采集装置之间的距离达到第一预设距离时，通过生成第一控制指令，以控制钢包车的运行速度降低，以便于拍照，具体是同时控制图像采集装置对该钢水车所承载的钢包进行拍摄图片，获得该待确定洁净度等级的钢包图片。

具体地，对钢包进行拍摄图片时，具体是拍摄两张图片，一张是钢包的上方偏左侧方向拍摄，另一张是钢包的上方偏右侧方向拍摄，从而获得的两张钢包图片中，一张是钢包内衬的左下部分图片，另一张是钢包内衬的右下部分图片。将这两张图片合成一张钢包内部的整体图片。该钢包图片上包括钢包内部的底吹砖区域、耐材砖区域以及低吹转和耐材砖相接的围缘区域。

接着，在执行上述过程之后，该钢包车继续前行，通过激光测距仪在检测到钢水车与图像采集装置之间的距离达到第二预设距离时，就生成第二控制指令，以控制该钢水车的速度恢复至原速度，该原速度是钢包车未降低速度之前的速度。该控制恢复至原速度的过程必须是在控制钢包车的运行速度降低之后执行的。因此，该第二预设距离大于第一预设距离。

在获得该待确定洁净度等级的钢包图片之后，执行S103，对待确定洁净度等级的钢包图片进行图像处理，获得待确定洁净度等级的钢包图片的图片特征信息。

在该步骤中，通过先对待确定洁净度等级的钢包图片中所有像素点的像素值进行提取，过滤掉无用的图片。

在对该待确定洁净度等级的钢包图片进行图像处理，具体包括：

获取该待确定洁净度等级的钢包图片中所有的像素点的像素值；

获得所有的像素点的像素值平均值，判断该平均值是否满足预设范围，所述预设范围用于表示所述钢包图片中有钢包存在时的像素值的范围；

在不满足该预设范围时，确定该待确定洁净度等级的钢包图片为无效图片，并过滤掉所述无效图片。

由于在对钢包车上的钢包进行拍照时，钢包车常有不装载钢包的情况下经过相机拍照区域，因而导致相机误拍的情况，误拍的图像也会被存储，会占用存储空间，而且，由于拍摄的照片会对后期的图像处理过程造成一定的干扰，需将此类照片进行删除。

在本发明实施例中，以单通道图像数据的深度为8位为例，最大灰度数目为2的8次方，即256。从数据0到255像素点，从黑到白是一个渐变的过程，三通道的图像数据大小是单通道数据的3倍，单通道图像数据只有黑白的变化，而三通道图像数据是RGB颜色，即彩色图像，在钢包拍照时，钢包呈现的颜色基本是红色，即RGB中的R信号。通过以太网将相机传来的数据信息存储在内存中，通过如下编程实现：

void GetRGB(BYTE*pDstBuf,int nDstWidth,int nDstHeight,BYTE*pSrcBuf,int nRGB)；

for(inti＝0；i<nWidth*nHeight；i++){}

if(m_pImage>threshold)

其中，上述函数可以将R数据进行提取，通过遍历所有像素点，采用for循环；然后，计算平均值，当数据的平均值低于预设值(threshold)时，可以确定拍摄的照片是色的，进而认为该钢包车在没有装载钢包的情况下移动到了该相机采集区域，通过上述的图像处理过程，可以将空车导致的误触发过滤掉，保证了存储图片的正确性。

在本发明实施例中，钢包在进入转炉之前，需要对钢包进行拍照，从而获得钢包图片，并对该钢包图片进行命名并存储，并将该钢包图片与钢包对应的转炉号进行匹配，以便于将产生信息对应，为之后的查询和分析工作做好准备，钢包拍照与炉次号的匹配技术主要由三部分组成，包括按照预设规则进行命名，图片存储以及ADO访问SQLServer数据库。

在钢包进入转炉前，将该钢包对应的转炉号上传至SQLServer数据库，该数据库的名称是“Runtime”，将该转炉号上传至表“dbo.history”中的“value”列，同时，在列“datetime”中记录上传时间。每隔预设时间会对该表“dbo.history”中的数据进行查询，将时间最接近当前时刻的数据取出，从而确定为是当前钢包所对应的转炉号。

按照预设规则进行命名：在存储照片时，按照命名规则进行存储，命名是为“转炉号-日期-P/Q”，其中，P表示相机1拍摄的照片，Q表示相机2拍摄的照片，比如，转炉号为“18404457”，日期为“2018年7月18日”，时间为“20:06:24”，由相机1进行拍摄，则照片命名为“18404457-20180718200624-P”。

图像存储：具体是在硬盘上采用opencv中的图片存储技术，可以采用jpg格式存储，即JPEG格式。通过opencv中的cvCreateImage函数可以创建图像首地址，并分配存储空间，如IplImage*iplImage＝cvCreateImage()；再将图像的缓存传递给iplImage变量。通过cvCreateImage函数进行存储，从而在结束时，通过cvReleaseImage对空间释放。

ADO访问SQLServer数据库：ADO(ActiveX Data Objects)是基于组件的数据库编程接口，它是一个和编程语言无关的COM组件系统。采用该ADO操作数据库，通常先用Connection对象的Open方法打开一个库连接，然后才能进行数据库的操作。操作完成后，要关闭这个库连接，实现对数据库的访问。

在上述过滤掉无用的图片之后，还需要对钢包图片进行处理，具体地，是对钢包内衬中的耐材砖的像素值信息进行提取，对底吹砖像素值信息进行提取，对耐材砖和底吹砖衔接处的围缘像素值信息进行提取。

在提取这些位置处的像素值信息之前，需要先确定耐材砖、底吹砖、围缘所在的位置。由于耐材砖是指钢包内衬中侧壁的位置，底吹砖是指钢包内衬中底端的位置、围缘是指钢包内衬中侧壁与底端衔接处的位置。可以通过大致划分方位的方式确定钢包内衬中的各个位置，比如，将中间区域确定为底吹砖所在的位置，将该中间区域周围靠近整张图片边缘的区域确定为耐材砖所在的位置，将已确定为底吹砖的区域和已确定为耐材砖的区域衔接的地方确定为围缘所在的位置。接着，分别提取各个位置(耐材砖位置、底吹砖位置、围缘位置)的像素值信息。

接着，执行S104，将该待确定洁净度等级的钢包图片的图片特征信息输入等级确定模型，获得钢包洁净度的判级结果。

该S104是直接对训练好的等级确定模型进行应用。当然，在应用的过程中，可能会存在获得结果不准确的情况。

比如，在将待确定洁净度等级的钢包图片输入等级确定模型之后，获得的钢包洁净度的判级结果是A级，但是，实际上通过验证判级之后应该是B级。则此时需要对该等级确定模型进行优化。

具体地，包括：对等级确定模型的判级结果准确度进行评判；在评判获得判级结果准确度低于该预设值时，对该等级确定模型进行优化处理。

其中，对该等级确定模型进行优化处理，具体包括：

获取该N张钢包图片样本中不满足评判标准的钢包图片样本；

基于该评判标准，对该不满足评判标准的钢包图片样本中各自的训练样本进行校正，获得校正后的训练样本；

将该校正后的训练样本输入该评分模型，以对该评分模型进行训练校正，得到优化后的等级确定模型。

在具体的实施方式中，比如，根据上述的例子，先将通过验证的判级结果与通过采用等级确定模型获得的结果进行比较，得到不一样结果时，确定该钢包图片样本是不满足评判标准的钢包图片样本。然后，按照该验证判级的评判标准，将该不满足评判标准的钢包图片样本中对应的训练样本进行校正，具体是将其对应的洁净度等级信息校正为通过验证的判级结果之后得到的洁净度等级信息，即将A级修改为B级，从而获得校正后的训练样本。该校正后的训练样本重新放入评分模型进行训练，以对评分模型进行训练校正，得到优化后的等级确定模型。

当然，该优化过程还可以是通过对该等级确定模型的损失函数中的系数值进行更改，从而获得优化后的等级确定模型。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供的一种对钢包的洁净度进行评判的方法，通过对N张钢包图片样本提取各自的训练样本，通过将这些训练样本输入评分模型，从而对该评分模型进行训练，来得到用于确定钢包的洁净度等级的等级确定模型，接着，对待确定洁净度等级的钢包图片进行图像处理，获得待确定洁净度等级的钢包图片的图片特征信息，将该待确定洁净度等级的钢包图片的图片特征信息输入该等级确定模型，获得钢包洁净度等级判级结果，采用图像处理技术与机器学习模型相结合，将通过图像处理技术获得的图像特征信息和人为评判的钢包的洁净度等级作为训练样本，采用这样的训练样本对机器学习模型进行训练，来得到可确定钢包的洁净度等级的等级确定模型，这样，采用机器学习模型的方式，在对钢包的洁净度进行评判时，利用待确定洁净度等级的钢包图片中的图片特征信息作为该机器学习模型的输入，从而得到输出为钢包的洁净度等级的确定结果。

实施例二

本发明实施例提供了一种对钢包的洁净度进行评判的装置，如图2所示，包括：

训练样本获得模块，用于对已确定洁净度等级的N张钢包图片样本进行信息提取，获得所述N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为所述N张钢包图片样本各自的训练样本；

等级确定模块，用于将所述N张钢包图片样本各自的训练样本输入评分模型，以对所述评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；

图像处理模块，用于对待确定洁净度等级的钢包图片进行图像处理，获得所述待确定洁净度等级的钢包图片的图片特征信息；

判级结果获得模块，用于将所述待确定洁净度等级的钢包图片的图片特征信息输入所述等级确定模型，获得所述钢包的洁净度等级判级结果。

优选地，还包括：

判级准确度评判模块，用于对所述等级确定模型的判级结果准确度进行评判；

优化处理模块，用于在评判获得所述判级结果准确度低于预设值时，对所述等级确定模型进行优化处理。

优选地，所述优化处理模块具体包括：

不满足评判标准的钢包图片样本获取单元，用于获取所述N张钢包图片样本中不满足评判标准的钢包图片样本；

校正后的训练样本获得单元，用于基于所述评判标准，对所述不满足评判标准的钢包图片样本所对应的训练样本进行校正，获得校正后的训练样本；

优化等级确定模型单元，用于将所述校正后的训练样本输入所述评分模型，以对所述评分模型进行校正训练，得到优化后的等级确定模型。

优选地，还包括：

检测模块，用于检测所述钢水车与图像采集装置之间的距离；

第一控制指令生成模块，用于在所述距离小于或等于第一预设距离时，生成第一控制指令，以控制所述钢水车的运行速度降低，并同时控制所述图像采集装置对所述钢水车所承载的钢包进行拍摄图片，获得所述待确定洁净度等级的钢包图片；

第二控制指令生成模块，用于在所述距离达到第二预设距离时，生成第二控制指令，以控制所述钢水车的速度恢复至原速度，其中，所述第二预设距离大于所述第一预设距离。

优选地，所述图像处理模块具体包括：

获取单元，用于获取所述待确定洁净度等级的钢包图片中所有像素点的像素值；

获得单元，用于获得所述所有像素点的像素值的平均值，判断所述平均值是否满足预设范围，所述预设范围用于表示所述钢包图片中有钢包存在时的像素值的范围；

过滤单元，用于在不满足所述预设范围时，确定所述待确定洁净度等级的钢包图片为无效图片，并过滤所述无效图片。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种对钢包的洁净度进行评判的方法，其特征在于，包括：

对已确定洁净度等级的N张钢包图片样本进行信息提取，获得所述N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为所述N张钢包图片样本各自的训练样本；

将所述N张钢包图片样本各自的训练样本输入评分模型，以对所述评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；

对待确定洁净度等级的钢包图片进行图像处理，获得所述待确定洁净度等级的钢包图片的图片特征信息；

将所述待确定洁净度等级的钢包图片的图片特征信息输入所述等级确定模型，获得所述钢包的洁净度等级判级结果。

2.如权利要求1所述的方法，其特征在于，所述图片特征信息具体包括：钢包内衬中的耐材砖的像素值信息、底吹砖像素值信息、耐材砖与低吹砖衔接处的围缘像素值信息。

3.如权利要求1所述的方法，其特征在于，还包括：

对所述等级确定模型的判级结果准确度进行评判；

在评判获得所述判级结果准确度低于预设值时，对所述等级确定模型进行优化处理。

4.如权利要求3所述的方法，其特征在于，所述对所述等级确定模型进行优化处理，具体包括：

获取所述N张钢包图片样本中不满足评判标准的钢包图片样本；

基于所述评判标准，对所述不满足评判标准的钢包图片样本所对应的训练样本进行校正，获得校正后的训练样本；

将所述校正后的训练样本输入所述评分模型，以对所述评分模型进行校正训练，得到优化后的等级确定模型。

5.如权利要求1所述的方法，其特征在于，在对待确定洁净度等级的钢包图片进行图像处理之前，还包括：

检测所述钢水车与图像采集装置之间的距离；

在所述距离小于或等于第一预设距离时，生成第一控制指令，以控制所述钢水车的运行速度降低，并同时控制所述图像采集装置对所述钢水车所承载的钢包进行拍摄图片，获得所述待确定洁净度等级的钢包图片；

在所述距离达到第二预设距离时，生成第二控制指令，以控制所述钢水车的速度恢复至原速度，其中，所述第二预设距离大于所述第一预设距离。

6.如权利要求5所述的方法，其特征在于，在对待确定洁净度等级的钢包图片进行图像处理，具体包括：

获取所述待确定洁净度等级的钢包图片中所有像素点的像素值；

获得所述所有像素点的像素值平均值，判断所述像素值平均值是否满足预设范围，所述预设范围用于表示所述钢包图片中有钢包存在时的像素值的范围；

在不满足所述预设范围时，确定所述待确定洁净度等级的钢包图片为无效图片，并过滤掉所述无效图片。

7.一种对钢包的洁净度进行评判的装置，其特征在于，包括：

训练样本获得模块，用于对已确定洁净度等级的N张钢包图片样本进行信息提取，获得所述N张钢包图片样本中各自的图片特征信息以及各自的洁净度等级信息，作为所述N张钢包图片样本各自的训练样本；

等级确定模块，用于将所述N张钢包图片样本各自的训练样本输入评分模型，以对所述评分模型进行训练，得到用于确定钢包的洁净度等级的等级确定模型；

图像处理模块，用于对待确定洁净度等级的钢包图片进行图像处理，获得所述待确定洁净度等级的钢包图片的图片特征信息；

判级结果获得模块，用于将所述待确定洁净度等级的钢包图片的图片特征信息输入所述等级确定模型，获得所述钢包的洁净度等级判级结果。

8.如权利要求7所述的装置，其特征在于，还包括：

判级准确度评判模块，用于对所述等级确定模型的判级结果准确度进行评判；

优化处理模块，用于在评判获得所述判级结果准确度低于预设值时，对所述等级确定模型进行优化处理。

9.如权利要求8所述的装置，其特征在于，所述优化处理模块具体包括：

不满足评判标准的钢包图片样本获取单元，用于获取所述N张钢包图片样本中不满足评判标准的钢包图片样本；

校正后的训练样本获得单元，用于基于所述评判标准，对所述不满足评判标准的钢包图片样本所对应的训练样本进行校正，获得校正后的训练样本；

优化等级确定模型单元，用于将所述校正后的训练样本输入所述评分模型，以对所述评分模型进行校正训练，得到优化后的等级确定模型。

10.如权利要求1所述的装置，其特征在于，还包括：

检测模块，用于检测所述钢水车与图像采集装置之间的距离；

第一控制指令生成模块，用于在所述距离小于或等于第一预设距离时，生成第一控制指令，以控制所述钢水车的运行速度降低，并同时控制所述图像采集装置对所述钢水车所承载的钢包进行拍摄图片，获得所述待确定洁净度等级的钢包图片；

第二控制指令生成模块，用于在所述距离达到第二预设距离时，生成第二控制指令，以控制所述钢水车的速度恢复至原速度，其中，所述第二预设距离大于所述第一预设距离。