CN110633657A - 一种高炉崩料预测方法 - Google Patents

一种高炉崩料预测方法 Download PDF

Info

Publication number
CN110633657A
CN110633657A CN201910811704.XA CN201910811704A CN110633657A CN 110633657 A CN110633657 A CN 110633657A CN 201910811704 A CN201910811704 A CN 201910811704A CN 110633657 A CN110633657 A CN 110633657A
Authority
CN
China
Prior art keywords
image
sample
trained
blast furnace
brightness
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.)
Granted
Application number
CN201910811704.XA
Other languages
English (en)
Other versions
CN110633657B (zh
Inventor
储岳中
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.)
Suzhou Aimingsen Technology Co Ltd
Original Assignee
Suzhou Aimingsen Technology Co Ltd
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 Suzhou Aimingsen Technology Co Ltd filed Critical Suzhou Aimingsen Technology Co Ltd
Priority to CN201910811704.XA priority Critical patent/CN110633657B/zh
Publication of CN110633657A publication Critical patent/CN110633657A/zh
Application granted granted Critical
Publication of CN110633657B publication Critical patent/CN110633657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供一种高炉崩料预测方法，其步骤包括：获取基准图像；获取待识别图像，和基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；其中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。能够快速、准确的分析出高炉工作的当前阶段是否具有崩料趋势。

Description

一种高炉崩料预测方法
技术领域
本发明涉及一种高炉生产监控技术领域，尤其涉及一种高炉崩料预测方法。
背景技术
高炉崩料是由于炉内正常冶炼进程受阻，煤气流分布出现失常，处理不当而形成崩料；崩料可导致高炉炉顶设备受损、高炉炉凉等生产设备事故。高炉崩料的原因：(1)高炉送风制度不合理,高炉送风参数不适宜；(2)原、燃物料质量向差,炉内透气性恶化,高炉透气性指数异常；(3)高炉渣壳脱落,炉温急剧下滑；(4)高炉操作炉型不合理,高炉。
以前靠经验，现在是有各种传感器，还有摄像机对崩料现象进行监控，可以直观看到崩料现象，但通过传感器与摄像机监控，在监控过程中可能随时出现崩料，对高炉的生产已经造成了影响。因此，需要对崩料进行提前监控，在可能发生崩料前进行预测，确认不久后可能发生崩料现象，以让技术人员采取措施避免出现崩料。
因此，有必要提供一种高炉崩料预测方法来解决上述问题。
发明内容
为解决上述问题，本发明的目的是提供一种高炉崩料预测方法，可以识别高炉生产可能出现崩料现象。
为实现上述目的，本发明采用的技术方案如下：一种高炉崩料预测方法，其步骤包括：S1:获取多个基准图像；S2:获取待识别图像，和多个基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；其中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。
将所述样本基准图像输入到初始第一卷积层，将样本待识别图像输入到初始第二卷积层，将图像轮廓清晰度、样本亮度信息提取得到的结果分别输入生成式对抗网络，最终可以得到多个预测图像轮廓清晰度和预测亮度信息。
通过对比损失函数对不同的层进行训练，利用图像在亮度与图像轮廓清晰度上的欧氏距离作为误差，利用样本图像与临界图像亮度与图像轮廓清晰度对比，确认样本图像的亮度和轮廓清晰度与临界图像之间的欧氏距离L，采用误差反向传播算法训练GAN生成式网络，直至欧氏距离值L达到预设的范围值。
用MSE作为网络的损失函数，欧拉距离L为通GAN生成式网络生成对比图像Gθ(Vi)与指定样本图像Uo之间的欧氏距离平方之和，表达式为：
Figure BDA0002185235390000021
其中，Vi为第i张图像亮度或轮廓清晰度，Uo为对应的临界图像亮度或轮廓清晰度，n为训练样本的总数，θ为GAN生成式网络中的参数，临界图像为选定趋向崩料图像，其亮度或轮廓清晰度为一个定值。
通过MSE作为网络的损失函数，将待识别图像的图像亮度或轮廓清晰度与所有的基准图像做训练，确认欧拉距离L在预设的范围内；若欧拉距离L值小于等于预设值，则待识别图像表明可能出现崩料趋势；若欧拉距离L值大于预设值，则待识别图像表明处于正常燃烧状态。
与现有技术相比，本发明高炉崩料预测方法的有益效果在于：能够快速、准确的分析出高炉工作的当前阶段是否具有崩料趋势。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1是本发明高炉崩料预测方法的流程图；
图2是本发明获取基准图像的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了一种高炉崩料预测方法，该方法可以识别高炉生产可能出现崩料现象，其能够采用的硬件包括终端处理器、存储器，收发器、摄像机。
终端处理器，用于提取特征图像、确定待识别图像中与基准图像相匹配的区域的位置信息、计算匹配度、比较多个匹配度确定其中的最大值等处理。存储器，用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，终端还可以包括收发器、屏幕、图像拍摄部件、音频输出部件和音频输入部件等。收发器，可以用于与其它设备进行数据传输，例如，接收待识别图像和基准图像等，屏幕可以用于显示匹配度以及位置信息等。
请参见图1，为本发明高炉崩料预测方法的流程图，其步骤包括：
S1:获取多个基准图像；
S2:获取待识别图像，和多个基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势。
如图2所示，为本发明获取基准图像的流程图。
获取基准图像的方法包括：
具体的，存储器中保存大量崩料前一段时间(2-5分钟)前的图像与正常燃烧的图像，图像一般为出现不规则亮点形状，亮点逐渐真大，其亮度非常亮，边缘煤气流轮廓和中心煤逐渐不能分变；正常燃烧的图像：中心煤气流亮度大，边缘煤气流弧形轮廓比较清晰。存储器中储存大量正常燃烧和崩料前的火焰图像作为基准图像。高炉在工作过程中，摄像机不断获取工作状态中的待识别图像并传送至终端处理器。
在匹配前，需对崩料前图像多个特征进行特征提取作为模型训练。获取若干崩料前图像作为训练样本(超10000个样本)，每个训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度。将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络(Generative Adversarial Network,简称GAN)进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。
具体的，将样本基准图像输入到初始第一卷积层，将样本待识别图像输入到初始第二卷积层，将图像轮廓清晰度、样本亮度信息提取得到的结果分别输入生成式对抗网络，最终可以得到多个预测图像轮廓清晰度和预测亮度信息。
具体的，获取待识别图像和基准图像后，将基准图像输入亮度提取模型，经过特征提取，可以得到基准图像对应的亮度。同时，将待识别图像输入图像轮廓清晰度，经过图像轮廓清晰度的特征提取，可以得到多个候选物体的特征图像，以及每个候选物体在待识别图像中的图像轮廓清晰度。
通过对比损失函数对不同的层进行训练，已达到更好的训练效果，利用图像在亮度与图像轮廓清晰度上的欧氏距离作为误差，利用样本图像与临界图像亮度与图像轮廓清晰度对比，确认样本图像的亮度和轮廓清晰度与临界图像之间的欧氏距离L，采用误差反向传播算法训练GAN生成式网络，直至欧氏距离值L达到预设的范围值，从而获取多个符合崩料前图像的亮度与轮廓清晰度特征的图像，即为基准图像。
具体的，使用图像在亮度空间的欧氏距离L作为误差，并用MSE作为网络的损失函数，欧拉距离L为通GAN生成式网络生成对比图像Gθ(Vi)与指定样本图像Uo之间的欧氏距离平方之和，表达式为：
Figure BDA0002185235390000041
其中，Vi为第i张图像亮度或轮廓清晰度，Uo为对应的临界图像亮度或轮廓清晰度，n为训练样本的总数，θ为GAN生成式网络中的参数，临界图像为选定趋向崩料图像，其亮度或轮廓清晰度为一个定值。
当第i张获得的图像亮度或轮廓清晰度L值均达到预算的范围值内，第i张即做为基准图像。
和基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势，其包括：
通过MSE作为网络的损失函数，将待识别图像的图像亮度或轮廓清晰度与所有的基准图像做训练，确认欧拉距离L在预设的范围内。
若欧拉距离L值小于等于预设值，则待识别图像表明可能出现崩料趋势；若欧拉距离L值大于预设值，则待识别图像表明处于正常燃烧状态。
因此能够快速、分析出当前阶段是否具有崩料趋势。
当然，本技术领域内的一般技术人员应当认识到，上述实施例仅是用来说明本发明，而并非用作对本发明的限定，只要在本发明的实质精神范围内，对上述实施例的变化、变型都将落在本发明权利要求的范围内。

Claims (5)

1.一种高炉崩料预测方法，其特征在于，步骤包括：
S1:获取多个基准图像；
S2:获取待识别图像，和多个所述基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；
其中S1步骤中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络。
2.如权利要求1所述的高炉崩料预测方法，其特征在于，将所述样本基准图像输入到初始第一卷积层，将样本待识别图像输入到初始第二卷积层，将图像轮廓清晰度、样本亮度信息提取得到的结果分别输入生成式对抗网络，得到多个预测图像轮廓清晰度和预测亮度信息。
3.如权利要求2所述的高炉崩料预测方法，其特征在于，通过对比损失函数对不同的层进行训练，利用图像在亮度与图像轮廓清晰度上的欧氏距离作为误差，利用样本图像与临界图像亮度与图像轮廓清晰度对比，确认样本图像的亮度和轮廓清晰度与临界图像之间的欧氏距离L，采用误差反向传播算法训练GAN生成式网络，直至欧氏距离值L达到预设的范围值。
4.如权利要求3所述的高炉崩料预测方法，其特征在于，用MSE作为网络的损失函数，欧拉距离L为通GAN生成式网络生成对比图像Gθ(Vi)与指定样本图像Uo之间的欧氏距离平方之和，表达式为：
Figure FDA0002185235380000011
其中，Vi为第i张图像亮度或轮廓清晰度，Uo为对应的临界图像亮度或轮廓清晰度，n为训练样本的总数，θ为GAN生成式网络中的参数，临界图像为选定趋向崩料图像，其亮度或轮廓清晰度为一个定值。
5.如权利要求1所述的高炉崩料预测方法，其特征在于，其中S2步骤中，通过MSE作为网络的损失函数，将待识别图像的图像亮度或轮廓清晰度与所有的基准图像做训练，确认欧拉距离L在预设的范围内；若欧拉距离L值小于等于预设值，则待识别图像表明可能出现崩料趋势；若欧拉距离L值大于预设值，则待识别图像表明处于正常燃烧状态。
CN201910811704.XA 2019-08-30 2019-08-30 一种高炉崩料预测方法 Active CN110633657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910811704.XA CN110633657B (zh) 2019-08-30 2019-08-30 一种高炉崩料预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910811704.XA CN110633657B (zh) 2019-08-30 2019-08-30 一种高炉崩料预测方法

Publications (2)

Publication Number Publication Date
CN110633657A true CN110633657A (zh) 2019-12-31
CN110633657B CN110633657B (zh) 2023-03-24

Family

ID=68969535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910811704.XA Active CN110633657B (zh) 2019-08-30 2019-08-30 一种高炉崩料预测方法

Country Status (1)

Country Link
CN (1) CN110633657B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931823A (zh) * 2020-07-16 2020-11-13 平安科技（深圳）有限公司 一种细粒度图像分类模型处理方法和装置
CN112270237A (zh) * 2020-10-22 2021-01-26 中冶南方工程技术有限公司 一种高炉煤气流状态识别方法、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李福卫等: "基于卷积神经网络的图像清晰度识别方法", 《软件》 *
陈文兵等: "基于条件生成式对抗网络的数据增强方法", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931823A (zh) * 2020-07-16 2020-11-13 平安科技（深圳）有限公司 一种细粒度图像分类模型处理方法和装置
CN112270237A (zh) * 2020-10-22 2021-01-26 中冶南方工程技术有限公司 一种高炉煤气流状态识别方法、系统及存储介质
CN112270237B (zh) * 2020-10-22 2023-08-29 中冶南方工程技术有限公司 一种高炉煤气流状态识别方法、系统及存储介质

Also Published As

Publication number Publication date
CN110633657B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN116309537B (zh) 一种极耳模具表面油污的缺陷检测方法
EP4060607A1 (en) Information processing device, information processing method, and program
US20210281748A1 (en) Information processing apparatus
CN110633657B (zh) 一种高炉崩料预测方法
CN111986172A (zh) 一种面向电力设备的红外图像故障检测方法及装置
CN101299239B (zh) 文字区域图像的获取方法及装置、文字识别系统
US20200090319A1 (en) Machine learning method implemented in aoi device
CN110766711A (zh) 一种视频镜头分割方法、系统、装置和存储介质
CN102196153B (zh) 图像场景亮度差判断装置及亮度差判断方法
CN111630854A (zh) 用于图像信号处理器调谐的系统和方法
JP6327236B2 (ja) 高炉における溶銑温度予測方法
US20150172576A1 (en) Real time dynamic bad pixel restoration method
CN117576014A (zh) 陶瓷基板质量检测方法、系统、电子设备及存储介质
CN115442575A (zh) 一种基于视频质量评估的视频自适应传输方法及系统
KR101910268B1 (ko) 반도체 gp 예측 방법 및 시스템
CN114283089A (zh) 基于跳跃加速的深度恢复方法、电子设备及存储介质
CN110334652A (zh) 图像处理方法、电子设备及存储介质
CN109495778A (zh) 影片编辑方法、装置及系统
CN104427210A (zh) 一种随机异常闪烁点检测方法及装置
CN113486858B (zh) 一种人脸识别模型训练方法、装置、电子设备及存储介质
CN111524107B (zh) 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN112052727B (zh) 一种基于大数据的人像识别分析系统及方法
CN115330688A (zh) 一种考虑标签不确定性的图像异常检测方法
CN110930380A (zh) 一种缺陷观测机台及其的图像分析补偿方法
CN112529030A (zh) 学习模型生成装置、图像校正装置及其方法、记录媒体

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
GR01 Patent grant
GR01 Patent grant