CN110781944A - 一种基于深度学习的铁水自动扒渣控制方法 - Google Patents

Abstract

本发明提出了一种基于深度学习的铁水自动扒渣控制方法。本发明将采集得到钢包液面图像进行特征提取,经过人工标注得到渣量等级,用以构建深度卷积神经网络的数据集；建立深度卷积神经网络框架，利用Adam算法对深度卷积神经网络模型进行训练优化，得到优化后网络模型；通过影响铁水脱硫生渣的因素构建因素类型，通过k近邻法选取渣量等级标准所属因素类别，并根据步骤1至步骤3获取不同因素类别的深度卷积神经网络模型；根据对应网络模型输出层数据确定整体渣量等级，根据模型输出由系统判断作出相应扒渣动作。本发明可充分挖掘现场图像信息数据及计算出最优扒渣工艺，并且模型鲁棒性强，能有效缩短扒渣时间，减少铁水浪费，提高企业生产效益。

Description

一种基于深度学习的铁水自动扒渣控制方法

技术领域

本发明涉及铁水脱硫扒渣技术领域，尤其涉及一种基于深度学习的铁水自动扒渣控制方法。

背景技术

随着钢厂对节能减排的日益重视，在各个工艺段都需高效、减少损失。在铁水脱硫和扒渣工艺段目前依旧存在铁水浪费和效率不高的现象，减少浪费提高效率成为了所有企业的发展目标。在这一工艺中，最重要的环节是渣量等级、渣厚和渣轮廓的判断，这决定了最终扒渣时间与扒渣精度。脱硫扒渣的扒渣时间和扒渣精度决定了此工艺段的铁水浪费多少和效率问题，因此对铁水表面图像处理的精确程度，提高效率减少浪费关键所在。

如今，随着自动化水平的提高，越来越多的钢企已经开始进行智能化改造。铁水扒渣的核心技术就是液面图像处理和渣量决策，深扒会带出大量的铁水，造成铁水浪费，少扒会造成转炉炼钢时回硫，影响钢水质量。

在人工智能高速发展的当代，将人工智能、深度学习应用于钢铁行业生产也是一个必然的趋势，并且钢企也迫切需要一种自动化程度高的自动扒渣系统来保证高效、高精度的扒渣过程，其核心就在于渣量等级判断与渣轮廓的提取。

发明内容

本发明的目的是针对于现有技术存在的问题，提供一种可精确判断渣量等级和渣轮廓信息提取的方法。该方法将自动扒渣系统中的图像处理部分由深度卷积神经网络所代替，直接预测出渣量等级并计算出渣轮廓位置信息。

具体技术方案为：

一种基于深度学习的铁水自动扒渣控制方法，包括如下步骤：

步骤1：将采集得到钢包液面图像进行特征提取,用以构建深度卷积神经网络的训练集和测试集，并经过人工标注得到渣量等级；

步骤2：建立深度卷积神经网络框架，各层之间采用Relu激活函数，模型使用交叉熵函数作为损失函数；

步骤3：利用训练集对深度卷积神经网络模型进行训练优化，使用L2正则化与Dropout算法来减少模型过拟合，利用Adam算法对模型权重进行训练调整，得到优化后深度卷积神经网络模型；

步骤4：通过影响铁水脱硫生成渣量的因素构建影响因素，通过k近邻法选取渣量等级标准所述影响因素类别，并根据步骤1至步骤3获取不同影响因素类别的深度卷积神经网络模型；

步骤5：结合不同影响因素类型的神经网络模型，根据神经网络输出层数据确定整体渣量等级；

步骤6：根据整体渣量等级，再由系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作；

作为优选，步骤1中所述将实时采集得到钢包液面图像进行特征提取具体为:

首先对其进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

式中：

R—图像红色通道

G—图像绿色通道

B—图像蓝色通道

M<i,j<N，其中M，N为图像横向和纵向分辨率大小；

进一步的，步骤1中特征提取中灰度处理后进行阈值处理为：

阈值处理即设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)，从而得到钢包液面二值化灰度图像image_i,j(0<i<900,0<j<900)，即图像分辨率大小设定为900*900；

上述步骤1中所述构建深度卷积神经网络的训练集和测试集如下：

该神经网络的输入层为经过特征提取后的钢包液面采集图像image_i,j，(0<i<900，0<j<900)，而输出层为渣量等级P_k，(0<k<K)；

在系统中将其分割得到m×n个图像区域数据

即将输入图像在网络中平均划分为m×n个图像区域，每个区域的图像信息都经过卷积神经网络进行输入，得到对应的渣量等级，故

对应m×n个区域的渣量等级，最后将获得数据集按2:8的比例分成测试集和训练集；

步骤1中所述经过人工标注得到渣量等级具体为：

根据人工经验及历史数据，首先采集图像信息进行人工标注作为深度卷积神经网络的数据集，根据图像上渣量多少，将渣量等级标准P分K个等级，即上述输出层符号P_k，(0<k<K)表示，则每个图像对应各自相应的渣量等级标准；

作为优选，步骤2中所述建立深度卷积神经网络框架为：

确定网络结构为卷积层N₁个，池化层N₂个，全连接层N₃个，输出层单元数为N₄个，即P_k，(0≤k<K)；

在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去；

进一步地，步骤2中Relu激活函数形式如下：

式中，y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置；

进一步地，上述步骤2中交叉熵作为损失函数具体如下：

交叉熵刻画了两个概率分布之间的距离，给定两个概率分布p和q，通过q来表示p的交叉熵为：

H(p,q)＝-∑p(x)logq(x)

式中，p代表正确答案，q代表的是预测值，交叉熵值越小，两个概率分布越接近；

在进行交叉熵之前，需对神经网络的输出值进行softmax回归，即将网络输出值由实数变为概率分布，形式如下：

原神经网络输出为P₁，...，P_k,(0<k<K)，经过softmax回归处理之后的输出为：

经过softmax回归之后的预测值为[y₀，y₁，...，y_k]。

作为优选，步骤3中所述利用训练集对深度卷积神经网络模型进行训练优化为：

利用训练集最小化模型交叉熵损失函数来对模型参数w，b进行训练，其中w表示各层之间的权重，b表示各层之间的可训练偏置；

交叉熵损失函数计算形式如下：

训练集中输出层为渣量等级P_k，(0<k<K)，K为10，估一共10个类别。

渣量等级为0级时表示为[1,0,...,0,0]；

渣量等级为1级时表示为[0,1,...,0,0]；

...

渣量等级为K级时表示为[0,0,...,0,1]；

经过交叉熵损失函数计算过程为：

H₀((1,0,...,0,0),(y₀，y₁，...，y_K))＝-(1×logy₀+0×logy₁+...+0×logy_K)

H₁((0,1,...,0,0),(y₀，y₁，...，y_K))＝-(0×logy₀+1×logy₁+...+0×logy_K)

...

H_K((0,0,...,0,1),(y₀，y₁，...，y_K))＝-(0×logy₀+0×logy₁+...+1×logy_K)

训练时，假设输入层图像对应标签渣量等级为1级时，即[1，0，...，0],模型预测值为[y₀，y₁，...，y_K]，则损失函数形式为：

H₁((0,0,...,0,1),(y₀，y₁，...，y_K))

＝-(0×logy₀+1×logy₁+...+0×logy_K)

此时神经网络模型通过Adam算法最小化交叉熵函数损失来训练模型权重参数；

进一步地，上述步骤3中Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，形式如下：

V_dw＝β₁V_dw+(1-β₁)dw

V_db＝β₁V_db+(1-β₁)db

S_dw＝β₂S_dw+(1-β₂)dw²，S_db＝β₂S_db+(1-β₂)db²

式中，

w—权重，dw—权重梯度；

b—偏置，db—偏置梯度；

V_dw—权重梯度的指数移动平均数，训练时初始化为0；

V_db—偏置梯度的指数移动平均数，训练时初始化为0；

S_dw—权重梯度平方的指数移动平均数，训练时初始化为0；

S_db—偏置梯度平方的指数移动平均数，训练时初始化为0；

—梯度均值的偏差纠正；

α—学习率也称为步长因子，它控制了权重的更新比率；需要调试；

β₁—一阶矩估计的指数衰率，dw的移动平均数，常用的缺省值为0.9；

β₁—二阶矩估计的指数衰率，计算dw²以及db²的移动加权平均值，常用的缺省值为0.999；

∈—该参数是非常小的数，其为了防止在实现中除以零(如10E-8)；

进一步地，所述L2正则化与Dropout算法形式如下：

L2正则化指在权重参数w添加L2范数惩罚项

与上述Adam算法相结合，参数优化公式为：

其中，α为学习率，相对于上述Adam算法中正常的梯度优化公式，对权重参数w乘以一个小于1的因子∈，从而使得w不断减小；

采用Dropout算法的深度神经网络的训练过程中形式如下：

r_j ^(l)～Bernoulli(p)

式中，Bernoulli函数是为了生成概率r向量，也就是随机生成一个0、1的向量；代码层面实现在向前传播时，对于某层网络单元，按照一定的概率让其乘以0，将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元；y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置；

作为优选，步骤4中所述通过影响铁水脱硫生成渣量的因素构建影响因素为：

data_l，0<l<L；

其中，data_l，表示第l个影响因素，L为影响因素的总数量，L＝5；

根据现场人工经验和实验室试验条件确定影响铁水脱硫生成渣量的因素，选择脱硫剂重量、铁水温度、钢种、钛含量、硅含量构建影响因素并据此划分不同的因素类别；

步骤4中所述通过k近邻法选取渣量等级标准所述影响因素类型为：

将影响成渣的各工艺参数data_l看作是空间模型中的各个维度，估由上述L个影响因素，可构成空间中L个维度，各参数对成渣量的等价作用程度作为各自维度不同的坐标步长；

已知影响成渣时的工艺参数时，即可在空间中找到对应点，通过求最近的空间欧式距离关系判断该批次扒渣应使用哪类因素类别下的渣量等级；

式中，

d，0<d<D，为第d类因素类别，一共D个因素类别；

data_l，0<l<L，为此次扒渣时第l个影响因素；

为第d种因素类别所对应第l个影响因素；

Dis_d为第d类因素类别中影响因素与此次扒渣影响因素之间的空间欧式距离；

通过对比Dis_d，0<d<D的大小，求的Dis_d最小值，Dis_d越小说明此次扒渣类型与第d类因素类别越接近。

Dis_min＝min(Dis_d，0<d<D)

对应第d种因素类型，使用相应数据集训练得到网络模型Model_d，为步骤4中所述不同影响因素类别的深度卷积神经网络模型；

作为优选，步骤5中所述根据神经网络输出层数据确定整体渣量等级为：

由第d种因素类别深度卷积神经网络模型即Model_d0<d<D，预测得到m×n个区域渣量等级数据P_d,k，(0<k<m×n)可以确定该区域内渣量；

对P_d,k进行由大到小排序，求得m×n个区域内,第d种因素类别深度卷积神经网络模型渣等级最大值为P_d,max，即步骤5中所述渣量等级最大值：

步骤5中所述最大渣量位置信息为区域max；

由m×n个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级P_d,ave：

其中，P_d,ave为步骤5中所述整体渣量等级；

作为优选，上述步骤6中系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作，具体如下：

if P_d,ave>P_sta，继续扒渣；

else if P_d,ave<P_sta，停止扒渣；

其中，P_d,ave为由m×n个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级，P_sta为标准阈值，即通过各工艺参数信息进行k近邻算法来选择最为接近该工艺参数下的渣量等级标准。

当P_d,ave等级低于阈值P_sta时，判定扒渣结束；当P_d,ave等级高于阈值P_sta时，继续扒渣，区域max为步骤5中所述渣量位置信息，并根据渣位置信息即区域max进行优先扒渣。

本发明的有益效果：本发明可充分挖掘现场图像信息数据及计算出最优扒渣工艺，并可以在使用过程中逐步积累渣量等级图像数据库，并且由于考虑到的影响因素较多，模型鲁棒性更强，能够有效的缩短扒渣时间，减少铁水浪费，提高企业生产效益。

附图说明

图1：是自动扒渣设备布置图；

图2：是本发明实施例流程图；

图3：是钢包口图像位置信息划分图；

图4：是各个激活函数对比图；

图5：是激活函数应用图；

图6：是扒渣前期和扒渣后期图像对比图；

图7：本发明方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1至图7介绍本发明的具体实施方式为一种基于深度学习的铁水自动扒渣控制方法，具体包括如下步骤：

步骤1：将采集得到钢包液面图像进行特征提取,用以构建深度卷积神经网络的训练集和测试集，并经过人工标注得到渣量等级；

步骤1中所述采集钢包液面图像具体为：

如图1所示，在钢包倾斜后正对口处安装摄像器实时采集钢包液面图像，并由工业以太网传输至PC机中，用于后续处理。整个系统由摄像器、软件模型、PLC系统和扒渣机组成。

进一步地，步骤1中所述将实时采集得到钢包液面图像进行特征提取具体为：

首先对其进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

式中：

R—图像红色通道

G—图像绿色通道

B—图像蓝色通道

M<i,j<N，其中M，N为图像横向和纵向分辨率大小；

进一步的，步骤1中特征提取中灰度处理后进行阈值处理为：

阈值处理即设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)，从而得到钢包液面二值化灰度图像image_i,j(0<i<900,0<j<900)，即图像分辨率大小设定为900×900；

上述步骤1中所述构建深度卷积神经网络的训练集和测试集如下：

该神经网络的输入层为经过特征提取后的钢包液面采集图像image_i,j，(0<i<900，0<j<900)，而输出层为渣量等级P_k，(0<k<10)；

在系统中将其分割得到3×3个图像区域数据

即将输入图像在网络中平均划分为3×3个图像区域，如图6所示。每个区域的图像信息都经过卷积神经网络进行输入，得到对应的渣量等级，故

对应3×3个区域的渣量等级，最后将获得数据集按2:8的比例分成测试集和训练集；

步骤1中所述经过人工标注得到渣量等级具体为：

根据人工经验及历史数据，首先采集图像信息进行人工标注作为深度卷积神经网络的数据集，根据图像上渣量多少，以0％、10％、20％...为例，将渣量等级标准P分10个等级，即上述输出层符号P_k，(0<k<10)表示，则每个图像对应各自相应的渣量等级标准；

步骤2：建立深度卷积神经网络框架，各层之间采用Relu激活函数，模型使用交叉熵函数作为损失函数；

步骤2中所述建立深度卷积神经网络框架为：

确定网络结构为卷积层2个，池化层2个，全连接层2个，输出层单元数为10个，即P_k，(0≤k<10)；

在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，如图4所示，为各个激活函数示意图，继续往下传递，如此循环下去；

进一步地，如图5所示，步骤2中Relu激活函数形式如下：

式中，y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置；

进一步地，上述步骤2中交叉熵作为损失函数具体如下：

交叉熵刻画了两个概率分布之间的距离，给定两个概率分布p和q，通过q来表示p的交叉熵为：

H(p,q)＝-∑p(x)logq(x)

式中，p代表正确答案，q代表的是预测值，交叉熵值越小，两个概率分布越接近；

在进行交叉熵之前，需对神经网络的输出值进行softmax回归，即将网络输出值由实数变为概率分布，形式如下：

原神经网络输出为P₁，...，P_k(k＝K),经过softmax回归处理之后的输出为：

经过softmax回归之后的预测值为[y₀，y₁，...，y_k]。

步骤3：利用训练集对深度卷积神经网络模型进行训练优化，使用L2正则化与Dropout算法来减少模型过拟合，利用Adam算法对模型权重进行训练调整，得到优化后深度卷积神经网络模型；

步骤3中所述利用训练集对深度卷积神经网络模型进行训练优化为：

利用训练集最小化模型交叉熵损失函数来对模型参数w，b进行训练，其中w表示各层之间的权重，b表示各层之间的可训练偏置；

交叉熵损失函数计算形式如下：

训练集中输出层为渣量等级P_k，(0<k<K)，一共K个类别。

渣量等级为0级时表示为[1,0,...,0,0]；

渣量等级为1级时表示为[0,1,...,0,0]；

...

渣量等级为K级时表示为[0,0,...,0,1]；

经过交叉熵损失函数计算过程为：

H₀((1,0,...,0,0),(y₀，y₁，...，y_K))＝-(1×logy₀+0×logy₁+...+0×logy_K)

H₁((0,1,...,0,0),(y₀，y₁，...，y_K))＝-(0×logy₀+1×logy₁+...+0×logy_K)

...

H_K((0,0,...,0,1),(y₀，y₁，...，y_K))＝-(0×logy₀+0×logy₁+...+1×logy_K)

训练时，假设输入层图像对应标签渣量等级为1级时，即[1，0，...，0],模型预测值为[y₀，y₁，...，y_K]，则损失函数形式为：

H₁((0,0,...,0,1),(y₀，y₁，...，y_K))

＝-(0×logy₀+1×logy₁+...+0×logy_K)

此时神经网络模型通过Adam算法最小化交叉熵函数损失来训练模型权重参数；

进一步地，上述步骤3中Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，形式如下：

V_dw＝β₁V_dw+(1-β₁)dw

V_db＝β₁V_db+(1-β₁)db

S_dw＝β₂S_dw+(1-β₂)dw²，S_db＝β₂S_db+(1-β₂)db²

式中，

w—权重，dw—权重梯度；

b—偏置，db—偏置梯度；

V_dw—权重梯度的指数移动平均数，训练时初始化为0；

V_db—偏置梯度的指数移动平均数，训练时初始化为0；

S_dw—权重梯度平方的指数移动平均数，训练时初始化为0；

S_db—偏置梯度平方的指数移动平均数，训练时初始化为0；

—梯度均值的偏差纠正；

α—学习率也称为步长因子，它控制了权重的更新比率；需要调试；

β₁—一阶矩估计的指数衰率，dw的移动平均数，常用的缺省值为0.9；

β₁—二阶矩估计的指数衰率，计算dw²以及db²的移动加权平均值，常用的缺省值为0.999；

∈—该参数是非常小的数，其为了防止在实现中除以零(如10E-8)；

进一步地，所述L2正则化与Dropout算法形式如下：

L2正则化指在权重参数w添加L2范数惩罚项

与上述Adam算法相结合，参数优化公式为：

其中，α为学习率，相对于上述Adam算法中正常的梯度优化公式，对权重参数w乘以一个小于1的因子∈，从而使得w不断减小；

采用Dropout算法的深度神经网络的训练过程中形式如下：

r_j ^(l)～Bernoulli(p)

式中，Bernoulli函数是为了生成概率r向量，也就是随机生成一个0、1的向量；代码层面实现在向前传播时，对于某层网络单元，按照一定的概率让其乘以0，将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元；y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置；

将深度神经网络的训练模块与预测模块分开，利用训练集对训练模块进行训练，将训练后的权重保存下来；由预测模块调用权重进行预测，对新采集到的图像信息预报各个区域内的渣量等级并根据各个区域渣量等级确定渣范围信息；

在深度学习模型训练好后，并不是一成不变的，随着生产的进行，新增数据集将增至网络模型中如图2，设定定量定时训练，即将该扒渣等级信息和液面图像信息存入待训练队列，设置队列为500个，待存够500个后一起进行训练；

步骤4：通过影响铁水脱硫生成渣量的因素构建影响因素，通过k近邻法选取渣量等级标准所述影响因素类别，并根据步骤1至步骤3获取不同影响因素类别的深度卷积神经网络模型；

步骤4中所述通过影响铁水脱硫生成渣量的因素构建影响因素为：

data_l，0<l<L；

其中，data_l，表示第l个影响因素，L为影响因素的总数量，L＝5；

根据现场人工经验和实验室试验条件确定影响铁水脱硫生成渣量的因素，选择脱硫剂重量、铁水温度、钢种、钛含量、硅含量构建影响因素并据此划分不同的因素类别；

步骤4中所述通过k近邻法选取渣量等级标准所述影响因素类型为：

将影响成渣的各工艺参数data_l看作是空间模型中的各个维度，估由上述5个影响因素，可构成空间中5个维度，各参数对成渣量的等价作用程度作为各自维度不同的坐标步长；

已知影响成渣时的工艺参数时，即可在空间中找到对应点，通过求最近的空间欧式距离关系判断该批次扒渣应使用哪类因素类别下的渣量等级；

式中，

d，0<d<D，为第d类因素类别，一共D个因素类别，D＝5；

data_l，0<l<L，为此次扒渣时第l个影响因素；

为第d种因素类别所对应第l个影响因素；

Dis_d为第d类因素类别中影响因素与此次扒渣影响因素之间的空间欧式距离；

通过对比Dis_d，0<d<D的大小，求的Dis_d最小值，Dis_d越小说明此次扒渣类型与第d类因素类别越接近。

Dis_min＝min(Dis_d，0<d<D)

对应第d种因素类型，使用相应数据集训练得到网络模型Model_d，为步骤4中所述不同影响因素类别的深度卷积神经网络模型；

步骤5：结合不同影响因素类型的神经网络模型，根据神经网络输出层数据确定整体渣量等级；

步骤5中所述根据神经网络输出层数据确定整体渣量等级为：

由第d种因素类别深度卷积神经网络模型即Model_d，0<d<5，预测得到3×3个区域渣量等级数据P_d,k，(0<k<3×3)可以确定该区域内渣量；

对P_d,k进行由大到小排序，求得3×3个区域内,第d种因素类别深度卷积神经网络模型渣等级最大值为P_d,max，即步骤5中所述渣量等级最大值：

步骤5中所述最大渣量位置信息为区域max；

由3×3个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级P_d,ave：

其中，P_d,ave为步骤5中所述整体渣量等级；

步骤6：根据整体渣量等级，再由系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作；

上述步骤6中系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作，具体如下：

if P_d,ave>P_sta，继续扒渣；

else if P_d,ave<P_sta，停止扒渣；

其中，P_d,ave为由3×3个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级，P_sta为标准阈值，即通过各工艺参数信息进行k近邻算法来选择最为接近该工艺参数下的渣量等级标准。

当P_d,ave等级低于阈值P_sta时，判定扒渣结束；当P_d,ave等级高于阈值P_sta时，继续扒渣，区域max为步骤5中所述渣量位置信息，并根据渣位置信息即区域max进行优先扒渣,依次类推，直至整体渣量等级P_d,ave低于阈值P_sta为止。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于深度学习的铁水自动扒渣控制方法，其特征在于，包括以下步骤：

步骤1：将采集得到钢包液面图像进行特征提取，用以构建深度卷积神经网络的训练集和测试集，并经过人工标注得到渣量等级；

步骤2：建立深度卷积神经网络框架，各层之间采用Relu激活函数，模型使用交叉熵函数作为损失函数；

步骤3：利用训练集对深度卷积神经网络模型进行训练优化，使用L2正则化与Dropout算法来减少模型过拟合，利用Adam算法对模型权重进行训练调整，得到优化后深度卷积神经网络模型；

步骤4：通过影响铁水脱硫生成渣量的因素构建影响因素，通过k近邻法选取渣量等级标准所述影响因素类别，并根据步骤1至步骤3获取不同影响因素类别的深度卷积神经网络模型；

步骤5：结合不同影响因素类型的神经网络模型，根据神经网络输出层数据确定整体渣量等级；

步骤6：根据整体渣量等级，再由系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作。

2.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，步骤1中所述将实时采集得到钢包液面图像进行特征提取具体为：

首先对其进行灰度处理，按下式对RGB三分量进行加权平均能得到灰度图像：

f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

式中：

R-图像红色通道

G-图像绿色通道

B-图像蓝色通道

M＜i，j＜N，其中M，N为图像横向和纵向分辨率大小；

进一步的，步骤1中特征提取中灰度处理后进行阈值处理为：

阈值处理即设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群；将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)，从而得到钢包液面二值化灰度图像image_i，j(0＜i＜900，0＜j＜900)，即图像分辨率大小设定为900*900；

步骤1中所述构建深度卷积神经网络的训练集和测试集如下：

该神经网络的输入层为经过特征提取后的钢包液面采集图像image_i，j，(0＜i＜900，0＜j＜900)，而输出层为渣量等级P_k，(0＜k＜K)；

在系统中将其分割得到m×n个图像区域数据InputImage_l(i，j)，

即将输入图像在网络中平均划分为m×n个图像区域，每个区域的图像信息都经过卷积神经网络进行输入，得到对应的渣量等级，故

对应m×n个区域的渣量等级，最后将获得数据集按2：8的比例分成测试集和训练集；

步骤1中所述经过人工标注得到渣量等级具体为：

根据人工经验及历史数据，首先采集图像信息进行人工标注作为深度卷积神经网络的数据集，根据图像上渣量多少，将渣量等级标准P分K个等级，即上述输出层符号P_k，(0＜k＜K)表示，则每个图像对应各自相应的渣量等级标准。

3.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，步骤2中所述建立深度卷积神经网络框架为：

确定网络结构为卷积层N₁个，池化层N₂个，全连接层N₃个，输出层单元数为N₄个，即P_k，(0≤k＜K)；

在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去；

进一步地，步骤2中Relu激活函数形式如下：

式中，y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置；

进一步地，上述步骤2中交叉熵作为损失函数具体如下：

交叉熵刻画了两个概率分布之间的距离，给定两个概率分布p和q，通过q来表示p的交叉熵为：

H(p，q)＝-∑p(x)logq(x)

式中，p代表正确答案，q代表的是预测值，交叉熵值越小，两个概率分布越接近；

在进行交叉熵之前，需对神经网络的输出值进行softmax回归，即将网络输出值由实数变为概率分布，形式如下：

原神经网络输出为P₁，…，P_k，(0＜k＜K)，经过softmax回归处理之后的输出为：

经过softmax回归之后的预测值为[y0，y₁，...，y_k]。

4.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，步骤3中所述利用训练集对深度卷积神经网络模型进行训练优化为：

利用训练集最小化模型交叉熵损失函数来对模型参数w，b进行训练，其中w表示各层之间的权重，b表示各层之间的可训练偏置；

交叉熵损失函数计算形式如下：

训练集中输出层为渣量等级P_k，(0＜k＜K)，K为10，估一共10个类别；

渣量等级为0级时表示为[1，0，...，0，0]；

渣量等级为1级时表示为[0，1，...，0，0]；

…

渣量等级为K级时表示为[0，0，...，0，1]；

经过交叉熵损失函数计算过程为：

H₀((1，0，...，0，0)，(y₀，y₁，...，y_K))＝-(1×logy₀+0×logy₁+…+0×logy_K)

H₁((0，1，...，0，0)，(y₀，y₁，...，y_K))＝-(0×logy₀+1×logy₁+…+0×logy_K)

…

H_K((0，0，...，0，1)，(y₀，y₁，...，y_K))＝-(0×logy₀+0×logy₁+…+1×logy_K)

训练时，假设输入层图像对应标签渣量等级为1级时，即[1，0，...，0]，模型预测值为[y₀，y₁，...，y_K]，则损失函数形式为：

H₁((0，0，...，0，1)，(y₀，y₁，...，y_K))

＝-(0×logy₀+1×logy₁+…+0×logy_K)

此时神经网络模型通过Adam算法最小化交叉熵函数损失来训练模型权重参数；

进一步地，上述步骤3中Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，形式如下：

V_dw＝β₁V_dw+(1-β₁)dw

V_db＝β₁V_db+(1-β₁)db

S_dw＝β₂S_dw+(1-β₂)dw²，S_db＝β₂S_db+(1-β₂)db²

式中，

w-权重，dw-权重梯度；

b-偏置，db-偏置梯度；

V_dw-权重梯度的指数移动平均数，训练时初始化为0；

V_db-偏置梯度的指数移动平均数，训练时初始化为0；

S_dw-权重梯度平方的指数移动平均数，训练时初始化为0；

S_db-偏置梯度平方的指数移动平均数，训练时初始化为0；

-梯度均值的偏差纠正；

α-学习率也称为步长因子，它控制了权重的更新比率；需要调试；

β₁-一阶矩估计的指数衰率，dw的移动平均数，常用的缺省值为0.9；

β₁-二阶矩估计的指数衰率，计算dw²以及db²的移动加权平均值，常用的缺省值为0.999；

∈-该参数是非常小的数，其为了防止在实现中除以零(如10E-8)；

进一步地，所述L2正则化与Dropout算法形式如下：

L2正则化指在权重参数w添加L2范数惩罚项

与上述Adam算法相结合，参数优化公式为：

其中，α为学习率，相对于上述Adam算法中正常的梯度优化公式，对权重参数w乘以一个小于1的因子∈，从而使得w不断减小；

采用Dropout算法的深度神经网络的训练过程中形式如下：

r_j ^(l)～Bernoulli(p)

式中，Bernoulli函数是为了生成概率r向量，也就是随机生成一个0、1的向量；代码层面实现在向前传播时，对于某层网络单元，按照一定的概率让其乘以0，将其暂时从网络中丢弃，令一个神经元的出现不依赖其他的神经元；y_i为各层神经元数据，w_i为神经元之间的权重，b_i为与权重相配合的偏置。

5.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，步骤4中所述通过影响铁水脱硫生成渣量的因素构建影响因素为：

data_l，0＜l＜L；

其中，data_l，表示第l个影响因素，L为影响因素的总数量，L＝5；

根据现场人工经验和实验室试验条件确定影响铁水脱硫生成渣量的因素，选择脱硫剂重量、铁水温度、钢种、钛含量、硅含量构建影响因素并据此划分不同的因素类别；

步骤4中所述通过k近邻法选取渣量等级标准所述影响因素类型为：

将影响成渣的各工艺参数data_l看作是空间模型中的各个维度，估由上述L个影响因素，可构成空间中L个维度，各参数对成渣量的等价作用程度作为各自维度不同的坐标步长；

已知影响成渣时的工艺参数时，即可在空间中找到对应点，通过求最近的空间欧式距离关系判断该批次扒渣应使用哪类因素类别下的渣量等级；

式中，

d，0＜d＜D，为第d类因素类别，一共D个因素类别；

data_l，0＜l＜L，为此次扒渣时第l个影响因素；

为第d种因素类别所对应第l个影响因素；

Dis_d为第d类因素类别中影响因素与此次扒渣影响因素之间的空间欧式距离；

通过对比Dis_d，0＜d＜D的大小，求的Dis_d最小值，Dis_d越小说明此次扒渣类型与第d类因素类别越接近；

Dis_min＝min(Dis_d，0＜d＜D)

对应第d种因素类型，使用相应数据集训练得到网络模型Model_d，为步骤4中所述不同影响因素类别的深度卷积神经网络模型。

6.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，步骤5中所述根据神经网络输出层数据确定整体渣量等级为：

由第d种因素类别深度卷积神经网络模型即Model_d0＜d＜D，预测得到m×n个区域渣量等级数据P_d，k，(0＜k＜m×n)可以确定该区域内渣量；

对P_d，k进行由大到小排序，求得m×n个区域内，第d种因素类别深度卷积神经网络模型渣等级最大值为P_d，max，即步骤5中所述渣量等级最大值：

步骤5中所述最大渣量位置信息为区域max；

由m×n个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级P_d，ave：

其中，P_d，ave为步骤5中所述整体渣量等级。

7.根据权利要求1所述的基于深度学习的铁水自动扒渣控制方法，其特征在于，上述步骤6中系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作，具体如下：

if P_d，ave＞P_sta，继续扒渣；

else if P_d，ave＜P_sta，停止扒渣；

其中，P_d，ave为由m×n个区域的渣量等级求得第的d种因素类别深度卷积神经网络模型整体渣量等级，P_sta为标准阈值，即通过各工艺参数信息进行k近邻算法来选择最为接近该工艺参数下的渣量等级标准；

当P_d，ave等级低于阈值P_sta时，判定扒渣结束；当P_d，ave等级高于阈值P_sta时，继续扒渣，区域max为步骤5中所述渣量位置信息，并根据渣位置信息即区域max进行优先扒渣。

Images