CN111104856B - 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 - Google Patents
一种转炉冶炼喷溅监控方法、系统、存储介质和设备 Download PDFInfo
- Publication number
- CN111104856B CN111104856B CN201911128372.1A CN201911128372A CN111104856B CN 111104856 B CN111104856 B CN 111104856B CN 201911128372 A CN201911128372 A CN 201911128372A CN 111104856 B CN111104856 B CN 111104856B
- Authority
- CN
- China
- Prior art keywords
- splash
- flame
- splashing
- image
- feature vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000003723 Smelting Methods 0.000 title claims abstract description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 38
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 38
- 239000001301 oxygen Substances 0.000 claims abstract description 38
- 238000007664 blowing Methods 0.000 claims abstract description 25
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052742 iron Inorganic materials 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004544 sputter deposition Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 206010053615 Thermal burn Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种转炉冶炼喷溅监控方法,所述识别方法包括:获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;基于所述火焰图像提取火焰的纹理特征;构建喷溅特征向量,所述特征向量至少包括以下之一:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;基于所述喷溅特征向量训练得到喷溅预测模型;根据所述喷溅预测模型对喷溅进行预测。本发明提出的喷溅监控及预警方法,基于实际工况,并且合理准确,能够成功替代人工观测来进行喷溅的实时监控及预测。
Description
技术领域
本发明涉及图像识别和机器学习的技术领域,尤其是一种转炉冶炼喷溅监控方法、系统、存储介质和设备。
背景技术
转炉冶炼时,喷溅是氧气顶吹过程中经常发生的一种现象,通常指的是从炉口溢出或者喷出炉渣与金属的现象。转炉冶炼中发生喷溅会造成环境污染、产量降低、设备损坏和增加炼钢成本,严重时会造成设备故障,危机人生安全。
研究得到,大的喷溅会造成金属损失大约3.6%,小的喷溅也会造成1.2%的损失,普遍认为喷溅造成的金属损失大概在0.5%—5%;除此之外,由于冶炼过程中意外喷溅的发生而导致的烧烫伤事故占炉前烧烫伤事故的80%以上;操作不当而产生的喷溅会严重冲刷炉衬,造成粘枪、烧枪、炉口和烟罩挂渣;大量炉渣在喷溅过程中出炉,从而造成对P、S等杂质元素脱除的影响,损失热量,限制供氧强度的进一步提高等。
转炉冶炼过程中的喷溅问题一直是一个关键和严重的问题,因此对冶炼过程中喷溅的实时监控和提前预感则显得尤为重要。当前转炉冶炼喷溅主要靠人为观测监控,这不仅增加了工人的工作量,而且也有一定的烫伤风险。
综上所述,急需一种能够自动识别并且监控预测转炉冶炼喷溅的方法。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种转炉冶炼喷溅监控方法、系统、存储介质和设备,用于解决现有技术的缺陷。
为实现上述目的及其他相关目的,本发明提供一种转炉冶炼喷溅监控方法,所述识别方法包括:
获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
基于所述火焰图像提取火焰的纹理特征;
构建喷溅特征向量,所述特征向量至少包括以下之一:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
基于所述喷溅特征向量训练得到喷溅预测模型;
根据所述喷溅预测模型对喷溅进行预测。
可选地,通过gabor滤波器提取所述火焰的纹理特征。
可选地,通过卷积神经网络CNN提取所述火焰的纹理特征。
可选地,所述喷溅预测模型为循环神经网络模型。
可选地,当采用gabor滤波器提取所述火焰的纹理特征,所述监控方法还包括对所述转炉炉口发生喷溅前的图像进行预处理,所述预处理至少包括灰度化处理。
为实现上述目的及其他相关目的,本发明提供一种转炉冶炼喷溅监控系统,所述监控系统包括:
图像获取模块,用于获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
特征提取模块,用于基于所述火焰图像提取火焰的纹理特征;
特征向量构建模块,用于构建喷溅特征向量,所述特征向量至少包括以下之一:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
训练模块,用于基于所述喷溅特征向量训练得到喷溅预测模型;
预测模块,用于根据所述喷溅预测模型对喷溅进行预测。
可选地,通过gabor滤波器提取所述火焰的纹理特征。
可选地,通过卷积神经网络CNN提取所述火焰的纹理特征。
可选地,所述喷溅预测模型为循环神经网络模型。
可选地,当采用gabor滤波器提取所述火焰的纹理特征,所述监控方法还包括对所述转炉炉口发生喷溅前的图像进行预处理,所述预处理至少包括灰度化处理。
为实现上述目的及其他相关目的,本发明提供一种存储介质,存储计算机程序,所述计算机程序被处理器运行时执行所述的方法。
为实现上述目的及其他相关目的,本发明提供一种设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述的方法。
如上所述,本发明的一种转炉冶炼喷溅监控方法、系统、存储介质和设备,具有以下有益效果:
本发明针对转炉冶炼中的喷溅监控情况,提出一种以铁水的温度、氧枪吹氧时间、吹氧量、喷溅前图像作为卷积—循环神经网络的输入量,同时加入时间因素。对于发生喷溅的情况,可以全程实时监控并且在喷溅前就发出预警。本发明提出的喷溅监控及预警方法,基于实际工况,并且合理准确,能够成功替代人工观测来进行喷溅的实时监控及预测。
附图说明
图1为本发明一实施例一种转炉冶炼喷溅监控方法的流程图;
图2为本发明一实施例中卷积神经网络CNN结构图;
图3为本发明一实施例中防喷溅监控方法整体结构框图;
图4为本发明一实施例一种转炉冶炼喷溅监控系统的框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,一种转炉冶炼喷溅监控方法,所述识别方法包括:
S1获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
具体地,转炉炉口发生喷溅前的图像以视频的方式逐帧获取。取拍摄图像正中间区域32*32像素,即输入大小统一为32,以达到要求的标准。
该图像可以通过工业相机直接获取,工业相机通过三脚架来进行固定和支撑,通过调节三脚架的高度和转度来获得较好的视觉方位。将工业相机至于隔热保护套中并保证其拍摄方位与人工看火的方位和角度保持一致。
由于是否发生喷溅可以通过火焰图像来进行反眏,因此,采集了转炉炉口发生喷溅前的图像,具体包括火焰图像。具体可以根据火焰的纹理特征来预测喷溅,因此,
S2基于所述火焰图像提取火焰的纹理特征;
火焰的纹理特征是火焰具有区别于背景色彩相似物而在颜色空间分布及组合上不同的特征,即纹理的不同。当火焰纹理特征判断为过软火焰时,则发出预警,能成功预测喷溅即将发生。
具体地,可以通过Gabor滤波器得到所述炉口火焰图像的纹理特征,Gabor滤波器的频率和方向与人类的视觉系统类似,适合于纹理表示与判别。Gabor特征主要依靠Gabor核在频率域上对信号进行加窗,从而能描述信号的局部频率信息。
在一实施例中,还可以通过卷积神经网络CNN(Convolutional Neural Networks,CNN)提取所述火焰的纹理特征。图2为卷积神经网络CNN结构图,卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)
在一实施例中,通过火焰的纹理特征判断火焰的软硬情况:
采集若干的火焰纹理特征,然后基于若干的火焰纹理特征通过参数优化建模,获得一个模型,通过该模型能区分出火焰的软硬。
在采集到新的火焰纹理特片,就可以基于上述模型判断火焰的软硬。一般来说,火焰纹理变化得杂乱,湍动大,则为软;否则为硬。
由于还可以通过铁水温度、氧枪吹氧时间、吹氧量来反映是否发生喷溅。因此,
S3构建喷溅特征向量,所述特征向量至少包括以下之一:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
S4基于所述喷溅特征向量训练得到喷溅预测模型;
具体地,采集若干样本数据形成样本集,样本集中包括了若干的铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征数据;采用样本集对神经网络进行训练得到训练好的喷溅预测模型。在本实施例中,采用循环神经网络RNN(Recurrent Neural Network,RNN),将样本集的数据作为神经网络的输入,训练循环神经网络RNN,更新RNN各层的权重,得到训练好的循环神经网络RNN模型。
循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
循环神经网络RNN由输入层、隐藏层、输出层构成,它不仅在神经细胞层之间有联系,而且在时间轴上也有相应的链接,是一种具有时间联结的前馈神经网络。
S5根据所述喷溅预测模型对喷溅进行预测。
具体地,将铁水温度、氧枪吹氧时间、吹氧量和火焰图像输入训练好的RNN中,从而达到转炉冶炼喷溅的实时监控和预测。
本发明针对转炉冶炼中的喷溅监控情况,提出一种以铁水的温度、氧枪吹氧时间、吹氧量、喷溅前图像作为卷积—循环神经网络的输入量,同时加入时间因素。对于发生喷溅的情况,可以全程实时监控并且在喷溅前就发出预警。本发明提出的喷溅监控及预警方法,基于实际工况,并且合理准确,能够成功替代人工观测来进行喷溅的实时监控及预测。
如图4所示,一种转炉冶炼喷溅监控系统,所述监控系统包括:
图像获取模块11,用于获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
特征提取模块12,用于基于所述火焰图像提取火焰的纹理特征;
特征向量构建模块13,用于构建喷溅特征向量,所述特征向量至少包括以下之一:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
训练模块14,用于基于所述喷溅特征向量训练得到喷溅预测模型;
预测模块15,用于根据所述喷溅预测模型对喷溅进行预测。
在一实施例中,通过gabor滤波器提取所述火焰的纹理特征。
在一实施例中,通过卷积神经网络CNN提取所述火焰的纹理特征。
在一实施例中,所述喷溅预测模型为循环神经网络模型。
在一实施例中,当采用gabor滤波器提取所述火焰的纹理特征,所述监控方法还包括对所述转炉炉口发生喷溅前的图像进行预处理,所述预处理至少包括灰度化处理。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种转炉冶炼喷溅监控方法,其特征在于,所述方法包括:
获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
基于所述火焰图像通过gabor滤波器或卷积神经网络CNN提取所述火焰的纹理特征;
构建喷溅特征向量,所述特征向量包括:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
基于所述喷溅特征向量训练得到喷溅预测模型;所述喷溅预测模型为循环神经网络模型;
根据所述喷溅预测模型对喷溅进行预测。
2.根据权利要求1所述的一种转炉冶炼喷溅监控方法,其特征在于,当采用gabor滤波器提取所述火焰的纹理特征,所述监控方法还包括对所述转炉炉口发生喷溅前的图像进行预处理,所述预处理至少包括灰度化处理。
3.一种执行如权利要求1或2所述的方法的转炉冶炼喷溅监控系统,其特征在于,所述监控系统包括:
图像获取模块,用于获取转炉炉口发生喷溅前的图像,所述转炉炉口发生喷溅前的图像至少包括火焰图像;
特征提取模块,用于基于所述火焰图像通过gabor滤波器或卷积神经网络CNN提取所述火焰的纹理特征;
特征向量构建模块,用于构建喷溅特征向量,所述特征向量包括:铁水温度、氧枪吹氧时间、吹氧量和所述火焰的纹理特征;
训练模块,用于基于所述喷溅特征向量训练得到喷溅预测模型;所述喷溅预测模型为循环神经网络模型;
预测模块,用于根据所述喷溅预测模型对喷溅进行预测。
4.根据权利要求3所述的一种转炉冶炼喷溅监控系统,其特征在于,当采用gabor滤波器提取所述火焰的纹理特征,对所述转炉炉口发生喷溅前的图像进行预处理,所述预处理至少包括灰度化处理。
5.一种存储介质,存储计算机程序,其特征在于,所述计算机程序被处理器运行时执行如权利要求1或2所述的方法。
6.一种设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128372.1A CN111104856B (zh) | 2019-11-18 | 2019-11-18 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128372.1A CN111104856B (zh) | 2019-11-18 | 2019-11-18 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104856A CN111104856A (zh) | 2020-05-05 |
CN111104856B true CN111104856B (zh) | 2023-06-30 |
Family
ID=70420525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128372.1A Active CN111104856B (zh) | 2019-11-18 | 2019-11-18 | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104856B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116083676A (zh) * | 2021-11-08 | 2023-05-09 | 清华大学 | 转炉炼钢过程监控方法、装置、设备和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108676955A (zh) * | 2018-05-02 | 2018-10-19 | 中南大学 | 一种转炉炼钢终点碳含量和温度控制方法 |
CN110309973A (zh) * | 2019-07-01 | 2019-10-08 | 中冶赛迪重庆信息技术有限公司 | 一种基于视频智能算法的转炉喷溅预测方法及系统 |
CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5694761B2 (ja) * | 2010-12-28 | 2015-04-01 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
CN105956618B (zh) * | 2016-04-27 | 2021-12-03 | 云南昆钢集团电子信息工程有限公司 | 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法 |
CN205845067U (zh) * | 2016-04-27 | 2016-12-28 | 云南昆钢集团电子信息工程有限公司 | 基于图像动静态特征的转炉炼钢吹炼状态识别系统 |
CN110110657A (zh) * | 2019-05-07 | 2019-08-09 | 中冶赛迪重庆信息技术有限公司 | 视觉识别危险的预警方法、装置、设备及存储介质 |
-
2019
- 2019-11-18 CN CN201911128372.1A patent/CN111104856B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108676955A (zh) * | 2018-05-02 | 2018-10-19 | 中南大学 | 一种转炉炼钢终点碳含量和温度控制方法 |
CN110309973A (zh) * | 2019-07-01 | 2019-10-08 | 中冶赛迪重庆信息技术有限公司 | 一种基于视频智能算法的转炉喷溅预测方法及系统 |
CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
CFD study on the effect of the oxygen lance inclination angle on the decarburization kinetics of liquid steel in the EAF;Ramirez-Argaez;et al.;《Metallurgical Research & Technology》;第118卷(第5期);全文 * |
基于AOD炉口火焰图像分析的喷溅测控方法研究;毛家怡;《中国优秀硕士学位论文全文数据库 工程科技I辑》;B023-196 * |
Also Published As
Publication number | Publication date |
---|---|
CN111104856A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309973B (zh) | 一种基于视频智能算法的转炉喷溅预测方法及系统 | |
CN102163358B (zh) | 一种基于视频图像分析的烟雾/火焰检测方法 | |
EP3063694B1 (en) | Cyber defense | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN111783744A (zh) | 一种操作现场安全防护检测方法及装置 | |
CN109413023B (zh) | 机器识别模型的训练及机器识别方法、装置、电子设备 | |
CN108512841A (zh) | 一种基于机器学习的智能防御系统及防御方法 | |
CN111104856B (zh) | 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 | |
CN110442712A (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
CN109978215B (zh) | 巡防管理方法和装置 | |
CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
CN107213635B (zh) | 视野显示方法和装置 | |
CN112364740A (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
CN106846304A (zh) | 基于红外检测的电气设备检测方法及装置 | |
CN113408464A (zh) | 一种行为检测方法、装置、电子设备及存储介质 | |
CN116567395A (zh) | 一种安防设备联动运行调控方法及计算机存储介质 | |
CN114937036A (zh) | 基于人工智能的高炉设备运行评估方法及系统 | |
CN112828275B (zh) | 一种自动扒渣方法、装置及系统 | |
CN111222360A (zh) | 硅料熔化状态的检测方法、设备及存储介质 | |
CN103425958A (zh) | 一种视频中不动物检测的方法 | |
CN112732817A (zh) | 一种物联网系统的大数据处理方法 | |
CN110443187A (zh) | 特征信息的记录方法及装置 | |
Lu et al. | Deep learning based fusion of RGB and infrared images for the detection of abnormal condition of fused magnesium furnace | |
CN113673811B (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
CN115100583A (zh) | 一种后厨食品安全实时监管的方法及系统 |
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 |