CN111126206A - 基于深度学习的冶炼状态检测系统及检测方法 - Google Patents

基于深度学习的冶炼状态检测系统及检测方法 Download PDF

Info

Publication number
CN111126206A
CN111126206A CN201911273554.8A CN201911273554A CN111126206A CN 111126206 A CN111126206 A CN 111126206A CN 201911273554 A CN201911273554 A CN 201911273554A CN 111126206 A CN111126206 A CN 111126206A
Authority
CN
China
Prior art keywords
furnace mouth
mouth state
furnace
state
smelting
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
CN201911273554.8A
Other languages
English (en)
Other versions
CN111126206B (zh
Inventor
宋剑飞
张发恩
禹文扬
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.)
Innovation Qizhi (chengdu) Technology Co Ltd
Original Assignee
Innovation Qizhi (chengdu) 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 Innovation Qizhi (chengdu) Technology Co Ltd filed Critical Innovation Qizhi (chengdu) Technology Co Ltd
Priority to CN201911273554.8A priority Critical patent/CN111126206B/zh
Publication of CN111126206A publication Critical patent/CN111126206A/zh
Application granted granted Critical
Publication of CN111126206B publication Critical patent/CN111126206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种冶炼状态检测系统、方法，其中，系统包括自适应曝光成像模块，用于实时采集所述熔炉的炉口状态图像以及给出采集所述炉口状态图像采用的曝光值并输出；模型训练模块，连接所述自适应曝光成像模块，用于以各所述炉口状态图像和拍摄各所述炉口状态图像给出的所述曝光值作为训练样本，训练形成一炉口状态识别模型；炉口状态识别模块，连接所述模型训练模块，用于基于所述炉口状态识别模型，对实时采集的所述炉口状态图像进行炉口状态识别，得到所述熔炉的当前炉口状态并存储，本发明提高了炉口状态识别的准确度和识别速度，提高了冶炼工人处理炉口堵塞和及时填料的效率，缩短了空炉干烧和填料堵塞的时间，提高了熔炉的出水率。

Description

基于深度学习的冶炼状态检测系统及检测方法
技术领域
本发明涉及金属冶炼工业领域，具体涉及基于深度学习的冶炼状态检测系统及检测方法。
背景技术
目前，在金属冶炼过程中，熔炉内的原料熔化融合的状态全凭工厂一线冶炼工人在炉口附近肉眼观察并进行人为经验判断。人为判断结果受当值冶炼工人的工作积极性以及观察经验影响较大，所作出的判断结果往往并不准确。
另外，在冶炼过程中，熔炉基本处于两种功率状态：全功率熔炼原料状态和低功率保温状态。全功率熔炼原料状态是一种不断填料将原料熔化成液态再反复添加原料继续熔化直到熔炉内液面达到满炉状态的过程，空炉干烧和填料卡在炉口位置无法落入炉内熔化是影响冶炼进度的最为主要的原因。而冶炼过程中，每个熔炉全功率运转时能耗高达数千KW，人工监督观察炉口状态的方法无法避免工人因懈怠或疏忽导致巨大能量被白白浪费。同时由于冶炼过程中往往伴随着严重的噪音、粉尘、高温和高强度可见光以及红外辐射等有害物质污染，还有频繁发生的钢水爆溅和熔炉本身的高温状态对一线冶炼工人来说都是潜在的安全风险。
发明内容
本发明的目的在于提供一种基于深度学习的冶炼状态检测系统及检测方法，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于深度学习的冶炼状态检测系统，用于对熔炉的炉口状态进行图像实时采集和炉口状态识别检测，包括：
自适应曝光成像模块用于实时采集所述熔炉的炉口状态图像以及给出采集所述炉口状态图像采用的曝光值并输出；
模型训练模块，连接所述自适应曝光成像模块，用于以各所述炉口状态图像和拍摄各所述炉口状态图像给出的所述曝光值作为训练样本，训练形成一炉口状态识别模型；
炉口状态识别模块，连接所述模型训练模块，用于基于所述炉口状态识别模型，对实时采集的所述炉口状态图像进行炉口状态识别，得到所述熔炉的当前炉口状态并存储，所述炉口状态识别模块中具体包括：
炉口状态识别单元，用于基于炉口状态识别模型，对一连续帧范围内的各所述炉口状态图像进行逐一的炉口状态识别，得到每张所述炉口状态图像对应的所述炉口状态识别结果并存储；
赋权单元，连接所述炉口状态识别单元，用于为所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果赋予相对应的权重；
投票单元，分别连接所述炉口状态识别单元和所述赋权单元，用于根据各所述炉口状态图像对应的所述炉口状态识别结果以及各所述炉口状态识别结果分别对应的所述权重，对所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果以时序加权形式进行综合投票，得到对所述熔炉的炉口状态的投票结果；
所述炉口状态识别单元继续对所述连续帧范围外的下一帧的所述炉口状态图像进行炉口状态识别，得到下一帧的所述炉口状态图像对应的所述炉口状态识别结果并存储；
判断单元，分别连接所述炉口状态识别单元和所述投票单元，用于对投票得到的所述识别结果和对下一帧的所述炉口状态图像的所述炉口状态识别结果的一致性进行判断，
若识别结果一致，则将对下一帧的所述炉口状态图像对应的所述炉口状态识别结果作为所述熔炉的所述当前炉口状态输出；
若识别结果不一致，则继续对下一个所述连续帧范围内的各所述炉口状态图像进行炉口状态识别，直至识别输出所述熔炉的所述当前炉口状态。
作为本发明的一种优选方案，基于深度残差网络Resnet18训练形成所述炉口状态识别模型。
作为本发明的一种优选方案，所述自适应曝光成像模块为高动态范围相机。
作为本发明的一种优选方案，所述连续帧范围为所述自适应曝光成像模块连续采集的9张所述炉口状态图像。
本发明还提供了一种基于深度学习的冶炼状态检测方法，通过应用所述冶炼状态检测系统实现，包括如下步骤：
步骤S1，所述冶炼状态检测系统实时采集所述熔炉的所述炉口状态图像以及给出采集所述炉口状态图像采用的曝光值并输出；
步骤S2，所述冶炼状态检测系统以各所述炉口状态图像和拍摄各所述炉口状态图像给出的所述曝光值作为所述训练样本，训练形成所述炉口状态识别模型；
步骤S3，所述冶炼状态检测系统基于所述炉口状态识别模型，对实时采集的所述炉口状态图像进行炉口状态识别，得到所述熔炉的当前炉口状态并存储。
作为本发明的一种优选方案，所述步骤S3中，所述冶炼状态检测系统识别所述熔炉的所述当前炉口状态的具体步骤如下：
步骤S31，所述冶炼状态检测系统对所述连续帧范围内的各所述炉口状态图像进行逐一的炉口状态识别，得到每张所述炉口状态图像对应的所述炉口状态识别结果并存储；
步骤S32，所述冶炼状态检测系统为所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果赋予相对应的权重；
步骤S33，所述冶炼状态检测系统根据各所述炉口状态图像对应的所述炉口状态识别结果以及各所述炉口状态识别结果分别对应的所述权重，对所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果以时序加权形式进行综合投票，得到对所述熔炉的炉口状态的投票结果并存储；
步骤S34，所述冶炼状态检测系统对所述连续帧范围外的下一帧的所述炉口状态图像进行炉口状态识别，得到下一帧的所述炉口状态图像对应的所述炉口状态识别结果并存储；
步骤S35，所述冶炼状态检测系统判断投票得到的所述投票结果是否与所述步骤S34得到的所述炉口状态识别结果一致，
若一致，则将所述步骤S34识别得到的所述炉口状态识别结果作为所述熔炉的所述当前炉口状态输出；
若不一致，则返回所述步骤S31，对下一个所述连续帧范围内的各所述炉口状态图像进行炉口状态识别检测，直至识别输出所述熔炉的所述当前炉口状态。
作为本发明的一种优选方案，所述步骤S2中，基于深度残差网络Resnet18，训练形成所述炉口状态识别模型。
作为本发明的一种优选方案，所述步骤S31中的所述连续帧范围为所述冶炼状态检测系统连续采集的9张所述炉口状态图像。
本发明无需人工参与，即可实现对熔炉炉口状态的自动监测识别，提高了炉口状态识别的准确度和识别速度，提高了一线冶炼工人处理炉口堵塞和及时填料的效率，缩短了空炉干烧和填料堵塞的时间，提高了熔炉的出水率，有利于降低企业的生产能耗。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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他的附图。
图1是本发明一实施例所述的基于深度学习的冶炼状态检测系统的结构示意图；
图2是本发明一实施例所述的基于深度学习的冶炼状态检测系统中的炉口状态识别模块的结构示意图；
图3是本发明一实施例所述的基于深度学习的冶炼状态检测方法的方法步骤图；
图4是本发明一实施例所述的基于深度学习的冶炼状态检测方法中的所述步骤S3的分步骤图；
图5是本发明一实施例所述的基于深度学习的冶炼状态检测系统检测熔炉炉口状态的原理框图；
图6是本发明一实施例所述的基于深度学习的冶炼状态检测系统对熔炉当前炉口状态进行决策的决策流程框图；
图7是所述熔炉为满炉状态的示意图；
图8是所述熔炉为炉口将满状态的示意图；
图9是所述熔炉为空烧状态的示意图；
图10是所述熔炉为填料遮挡状态的示意图；
图11是所述熔炉为其他遮挡状态的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种基于视觉识别技术和深度学习技术的冶炼状态检测系统，用于对熔炉的炉口状态进行图像实时采集和炉口状态识别检测，请参照图1，该冶炼状态检测系统包括：
自适应曝光成像模块1，用于实时采集熔炉的炉口状态图像以及给出采集炉口状态图像采用的曝光值并输出；
模型训练模块2，连接自适应曝光成像模块1，用于以各炉口状态图像和拍摄各炉口状态图像给出的曝光值为训练样本，训练形成一炉口状态识别模型；
炉口状态识别模块3，连接模型训练模块2，用于基于炉口状态识别识别模型，对实时采集的炉口状态图像进行炉口状态识别，得到熔炉的当前炉口状态并存储。
上述技术方案中，相机优选采用120dB及以上的高动态范围相机。高动态范围相机能够有效抑制冶炼现场的强光辐射干扰，可以确保炉口状态在高温钢水满溢和低温原料填堵炉口两种辐射强度差异巨大的情形下，还能够拍摄到清晰稳定的炉口状态图像。
首先需要说明的是，炉口状态主要分为以下五种：
满炉，满炉状态示意图请参照图7；
炉口将满，炉口将满状态示意图请参照图8；
空炉燃烧(空烧)，空烧状态示意图请参照图9；
填料遮挡，填料遮挡状态请参照图10；
其他遮挡，其他遮挡为非填料遮挡的其他遮挡状态，其他遮挡状态请参照图11。
上述技术方案中，炉口状态识别模型优选通过卷积神经网络中的深度残差网络Resnet18训练而得，训练该炉口状态识别模型的训练样本为高动态范围相机采集的各炉口状态图像以及采集炉口状态图像时高动态范围相机给出的曝光值。以炉口状态图像和对应的曝光值作为深度残差网络Resnet18的双输入，训练得到炉口状态识别模型的方法为现有技术，所以训练炉口状态识别模型的具体过程在此不作阐述。
请继续参照图2，炉口状态识别模块3中具体包括：
炉口状态识别单元31，用于基于炉口状态识别模型，对一连续帧范围内的各炉口状态图像进行逐一的炉口状态识别，得到每张炉口状态图像对应的炉口状态识别结果并存储；
赋权单元32，连接炉口状态识别单元31，用于为连续帧范围内的各炉口状态图像对应的炉口状态识别结果赋予相对应的权重；
投票单元33，分别连接炉口状态识别单元31和赋权单元32，用于根据各炉口状态图像对应的炉口状态识别结果以及各炉口状态识别结果分别对应的权重，对连续帧范围内的各炉口状态图像对应的炉口状态识别结果以时序加权形式进行综合投票，得到对熔炉的炉口状态的投票结果；
炉口状态识别单元31继续对连续帧范围外的下一帧炉口状态图像进行炉口状态识别，得到下一帧的炉口状态图像对应的炉口状态识别结果并存储；
判断单元34，分别连接炉口状态识别单元31和投票单元33，用于对投票得到的投票结果和对下一帧炉口状态图像的炉口状态识别结果的一致性进行判断，
若识别结果一致，则将对下一帧的炉口状态图像对应的炉口状态识别结果作为熔炉的当前炉口状态输出；
若识别结果不一致，则继续对下一个连续帧范围内的的各炉口状态图像进行炉口状态识别，直至识别输出熔炉的当前炉口状态。
上述技术方案中，赋予连续帧范围内的各炉口状态图像对应的炉口状态识别结果相对应的权重的方法简述如下，
将在识别时间上更接近当前帧(连续帧范围外的下一帧)的炉口状态图像赋予更高的权重。比如连续帧范围为高动态范围相机连续拍摄的9张炉口状态图像，则连续帧范围内拍摄的第一张图像的权重最低，第一张到第九张炉口状态图像对应的权重逐渐增大，最接近当前帧的第九张图像对应的权重最大。
上述技术方案中，请参照图6，以时序加权形式对熔炉的炉口状态进行综合投票的过程如下：
具体而言，用英文A、B、C、D、E分别表示满炉、炉口将满、空炉燃烧、填料遮挡和其他遮挡五种炉口状态；连续帧范围内的九张炉口状态图像对应的炉口状态识别结果相对应的权重从第一到第九张分别为1.0、1.2、1.4、1.6、1.8、2.0、2.2、2.4、2.6；
若第一张到第五张炉口状态图像对应的炉口状态均为满炉，第六张到第九张炉口状态图像对应的炉口状态均为炉口将满，则系统判断在拍摄连续帧的炉口状态图像时，熔炉为满炉状态的概率值为，1.0A+1.2A+1.4A+1.6A+1.8A＝7.0A，熔炉为炉口将满的概率值为2.0B+2.2B+2.4B+2.6B＝9.2B，则系统最终判断得到熔炉的在拍摄连续帧炉口状态图像期间的的炉口状态为炉口将满。
然后系统进一步判断所识别的当前帧(也就是连续帧范围外的下一帧)的炉口状态图像对应的炉口状态是否为炉口未满，
若是，则将熔炉的当前炉口状态判定为炉口未满；
若不是，则继续对下一个连续帧范围内的各炉口状态图像对应的炉口状态进行时序加权投票，直至识别到熔炉的当前炉口状态。
上述技术方案中，连续帧范围优选为自适应曝光成像模块连续采集的9张炉口状态图像。
本发明实施例还提供了一种基于深度学习的冶炼状态检测方法，通过应用上述的冶炼状态检测系统实现，请参照图3和图5，该方法包括如下步骤：
步骤S1，冶炼状态检测系统实时采集熔炉的炉口状态图像以及给出采集炉口状态图像采用的曝光值并输出；
步骤S2，冶炼状态检测系统以各炉口状态图像和拍摄各炉口状态图像给出的曝光值作为训练样本，训练形成炉口状态识别模型；
步骤S3，冶炼状态检测系统基于炉口状态识别模型，对实时采集的炉口状态图像进行炉口状态识别，得到熔炉的当前炉口状态并存储。
为了提高对熔炉的当前炉口状态的识别准确度，更优选地，请参照图4，步骤S3中，冶炼状态检测系统识别熔炉的当前炉口状态的具体步骤如下：
步骤S31，冶炼状态检测系统对连续帧范围内的各炉口状态图像进行逐一的炉口状态识别，得到每张炉口状态图像对应的炉口状态识别结果并存储；
步骤S32，冶炼状态检测系统为连续帧范围内的各炉口状态图像对应的炉口状态识别结果赋予相对应的权重；
步骤S33，冶炼状态检测系统根据各炉口状态图像对应的炉口状态识别结果以及各炉口状态识别结果分别对应的权重，对连续帧范围内的各炉口状态图像对应的炉口状态识别结果以时序加权形式进行综合投票，得到对熔炉的炉口状态的投票结果并存储；
步骤S34，冶炼状态检测系统对连续帧范围外的下一帧的炉口状态图像进行炉口状态识别，得到下一帧的炉口状态图像对应的炉口状态识别结果并存储；
步骤S35，冶炼状态检测系统判断投票得到的投票结果是否与步骤S34得到的炉口状态识别结果一致，
若一致，则将所述步骤S34识别得到的所述炉口状态识别结果作为所述熔炉的所述当前炉口状态输出；
若不一致，则返回所述步骤S31，对下一个所述连续帧范围内的各所述炉口状态图像进行炉口状态识别检测，直至识别输出所述熔炉的所述当前炉口状态。
上述技术方案中，优选地所述步骤S2中，基于深度残差网络Resnet18，训练形成所述炉口状态识别模型。
上述技术方案中，优选地，步骤S31中的连续帧范围为冶炼状态检测系统采集的连续9帧炉口状态图像。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (8)

1.一种基于深度学习的冶炼状态检测系统，用于对熔炉的炉口状态进行图像实时采集和炉口状态识别检测，其特征在于，包括：
自适应曝光成像模块，用于实时采集所述熔炉的炉口状态图像以及给出采集所述炉口状态图像采用的曝光值并输出；
模型训练模块，连接所述自适应曝光成像模块，用于以各所述炉口状态图像和拍摄各所述炉口状态图像给出的所述曝光值作为训练样本，训练形成一炉口状态识别模型；
炉口状态识别模块，连接所述模型训练模块，用于基于所述炉口状态识别模型，对实时采集的所述炉口状态图像进行炉口状态识别，得到所述熔炉的当前炉口状态并存储，所述炉口状态识别模块中具体包括：
炉口状态识别单元，用于基于所述炉口状态识别模型，对一连续帧范围内的各所述炉口状态图像进行逐一的炉口状态识别，得到每张所述炉口状态图像对应的所述炉口状态识别结果并存储；
赋权单元，连接所述炉口状态识别单元，用于为所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果赋予相对应的权重；
投票单元，分别连接所述炉口状态识别单元和所述赋权单元，用于根据各所述炉口状态图像对应的所述炉口状态识别结果以及各所述炉口状态识别结果分别对应的所述权重，对所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果以时序加权形式进行综合投票，得到对所述熔炉的炉口状态的投票结果；
所述炉口状态识别单元继续对所述连续帧范围外的下一帧的所述炉口状态图像进行炉口状态识别，得到下一帧的所述炉口状态图像对应的所述炉口状态识别结果并存储；
判断单元，分别连接所述炉口状态识别单元和所述投票单元，用于对投票得到的所述投票结果和对下一帧的所述炉口状态图像的所述炉口状态识别结果的一致性进行判断，
若识别结果一致，则将对下一帧的所述炉口状态图像对应的所述炉口状态识别结果作为所述熔炉的所述当前炉口状态输出；
若识别结果不一致，则继续对下一个所述连续帧范围内的各所述炉口状态图像进行炉口状态识别，直至识别输出所述熔炉的所述当前炉口状态。
2.如权利要求1所述的冶炼状态检测系统，其特征在于，基于深度残差网络Resnet18训练形成所述炉口状态识别模型。
3.如权利要求1所述的冶炼状态检测系统，其特征在于，所述自适应曝光成像模块为高动态范围相机。
4.如权利要求1所述的冶炼状态检测系统，其特征在于，所述连续帧范围为所述自适应曝光成像模块连续采集的9张所述炉口状态图像。
5.一种基于深度学习的冶炼状态检测方法，通过应用如权1-4任意一项的所述冶炼状态检测系统实现，其特征在于，包括如下步骤：
步骤S1，所述冶炼状态检测系统实时采集所述熔炉的所述炉口状态图像以及给出采集所述炉口状态图像采用的曝光值并输出；
步骤S2，所述冶炼状态检测系统以各所述炉口状态图像和拍摄各所述炉口状态图像给出的所述曝光值作为所述训练样本，训练形成所述炉口状态识别模型；
步骤S3，所述冶炼状态检测系统基于所述炉口状态识别模型，对实时采集的所述炉口状态图像进行炉口状态识别，得到所述熔炉的当前炉口状态并存储。
6.如权利要求5所述的冶炼状态检测方法，其特征在于，所述步骤S3中，所述冶炼状态检测系统识别所述熔炉的所述当前炉口状态的具体步骤如下：
步骤S31，所述冶炼状态检测系统对所述连续帧范围内的各所述炉口状态图像进行逐一的炉口状态识别，得到每张所述炉口状态图像对应的所述炉口状态识别结果并存储；
步骤S32，所述冶炼状态检测系统为所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果赋予相对应的权重；
步骤S33，所述冶炼状态检测系统根据各所述炉口状态图像对应的所述炉口状态识别结果以及各所述炉口状态识别结果分别对应的所述权重，对所述连续帧范围内的各所述炉口状态图像对应的所述炉口状态识别结果以时序加权形式进行综合投票，得到对所述熔炉的炉口状态的投票结果并存储；
步骤S34，所述冶炼状态检测系统对所述连续帧范围外的下一帧的所述炉口状态图像进行炉口状态识别，得到下一帧的所述炉口状态图像对应的所述炉口状态识别结果并存储；
步骤S35，所述冶炼状态检测系统判断投票得到的所述投票结果是否与所述步骤S34得到的所述炉口状态识别结果一致，
若一致，则将所述步骤S34识别得到的所述炉口状态识别结果作为所述熔炉的所述当前炉口状态输出；
若不一致，则返回所述步骤S31，对下一个所述连续帧范围内的各所述炉口状态图像进行炉口状态识别检测，直至识别输出所述熔炉的所述当前炉口状态。
7.如权利要求5所述的冶炼状态检测方法，其特征在于，所述步骤S2中，基于深度残差网络Resnet18，训练形成所述炉口状态识别模型。
8.如权利要求6所述的冶炼状态检测方法，其特征在于，所述步骤S31中的所述连续帧范围为所述冶炼状态检测系统连续采集的9张所述炉口状态图像。
CN201911273554.8A 2019-12-12 2019-12-12 基于深度学习的冶炼状态检测系统及检测方法 Active CN111126206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911273554.8A CN111126206B (zh) 2019-12-12 2019-12-12 基于深度学习的冶炼状态检测系统及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911273554.8A CN111126206B (zh) 2019-12-12 2019-12-12 基于深度学习的冶炼状态检测系统及检测方法

Publications (2)

Publication Number Publication Date
CN111126206A true CN111126206A (zh) 2020-05-08
CN111126206B CN111126206B (zh) 2023-04-07

Family

ID=70499832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911273554.8A Active CN111126206B (zh) 2019-12-12 2019-12-12 基于深度学习的冶炼状态检测系统及检测方法

Country Status (1)

Country Link
CN (1) CN111126206B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783718A (zh) * 2020-07-10 2020-10-16 浙江大华技术股份有限公司 目标对象状态识别方法、装置、存储介质及电子装置
CN113422931A (zh) * 2021-06-22 2021-09-21 深圳英飞拓智能技术有限公司 钢铁厂的视频监控方法及其系统
CN113487520A (zh) * 2021-09-07 2021-10-08 南通宏耀锅炉辅机有限公司 基于转炉温度测量的高动态范围图像生成方法及系统
CN115679042A (zh) * 2022-11-04 2023-02-03 唐山惠唐物联科技有限公司 一种lf炉精炼过程冶炼状态监控的方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200919210A (en) * 2007-07-18 2009-05-01 Steven Kays Adaptive electronic design
CN108216252A (zh) * 2017-12-29 2018-06-29 中车工业研究院有限公司 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN109167998A (zh) * 2018-11-19 2019-01-08 深兰科技（上海）有限公司 检测相机状态的方法及装置、电子设备、存储介质
CN109325417A (zh) * 2018-08-23 2019-02-12 东北大学 一种基于深度神经网络的工业过程故障工况诊断方法
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN109754019A (zh) * 2019-01-10 2019-05-14 燕山大学 一种连续监测锅炉燃烧状况的方法
CN109975507A (zh) * 2019-04-28 2019-07-05 华北理工大学 一种炼钢后期钢水碳含量与温度值的实时确定方法及系统
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
CN110348622A (zh) * 2019-07-02 2019-10-18 创新奇智(成都)科技有限公司 一种基于机器学习的时间序列预测方法、系统及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200919210A (en) * 2007-07-18 2009-05-01 Steven Kays Adaptive electronic design
CN108216252A (zh) * 2017-12-29 2018-06-29 中车工业研究院有限公司 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN109325417A (zh) * 2018-08-23 2019-02-12 东北大学 一种基于深度神经网络的工业过程故障工况诊断方法
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN109167998A (zh) * 2018-11-19 2019-01-08 深兰科技（上海）有限公司 检测相机状态的方法及装置、电子设备、存储介质
CN109754019A (zh) * 2019-01-10 2019-05-14 燕山大学 一种连续监测锅炉燃烧状况的方法
CN109975507A (zh) * 2019-04-28 2019-07-05 华北理工大学 一种炼钢后期钢水碳含量与温度值的实时确定方法及系统
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
CN110348622A (zh) * 2019-07-02 2019-10-18 创新奇智(成都)科技有限公司 一种基于机器学习的时间序列预测方法、系统及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
付丽琴等: "基于改进的排序式选举算法的语音情感融合识别", 《计算机应用》 *
李军朋等: "基于机理、数据和知识的大型高炉冶炼过程建模研究", 《上海交通大学学报》 *
韩博等: "高炉炉顶红外视频图像的智能化处理技术研究", 《内蒙古科技大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783718A (zh) * 2020-07-10 2020-10-16 浙江大华技术股份有限公司 目标对象状态识别方法、装置、存储介质及电子装置
CN113422931A (zh) * 2021-06-22 2021-09-21 深圳英飞拓智能技术有限公司 钢铁厂的视频监控方法及其系统
CN113487520A (zh) * 2021-09-07 2021-10-08 南通宏耀锅炉辅机有限公司 基于转炉温度测量的高动态范围图像生成方法及系统
CN113487520B (zh) * 2021-09-07 2021-11-05 南通宏耀锅炉辅机有限公司 基于转炉温度测量的高动态范围图像生成方法及系统
CN115679042A (zh) * 2022-11-04 2023-02-03 唐山惠唐物联科技有限公司 一种lf炉精炼过程冶炼状态监控的方法和系统

Also Published As

Publication number Publication date
CN111126206B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111126206B (zh) 基于深度学习的冶炼状态检测系统及检测方法
CN105956618B (zh) 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
CN110472698B (zh) 基于深度和迁移学习的金属增材成形熔深实时预测方法
CN110438284B (zh) 一种转炉智能出钢装置及控制方法
CN202865254U (zh) 一种转炉火焰温度检测系统
CN107844770A (zh) 一种基于视频的电熔镁炉异常工况自动识别系统
CN102876838B (zh) 一种转炉内碳含量和温度检测系统
CN102322434B (zh) 一种用于工频熔炼炉除尘风机节能的控制方法及其控制系统
CN103571994B (zh) 转炉红外钢渣探测方法
CN109829895A (zh) 一种基于gan的aoi缺陷检测方法
CN110220912A (zh) 一种基于深度学习的蓝宝石生长缺陷视觉检测方法
CN104392213B (zh) 一种适用于熔炼过程中的图像信息状态识别系统
CN107133592A (zh) 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法
CN108344742B (zh) 一种基于多帧图像运动信息的蓝宝石接种检测装置和方法
CN110298830A (zh) 基于卷积神经网络的新拌混凝土振捣表观质量识别方法
CN205845067U (zh) 基于图像动静态特征的转炉炼钢吹炼状态识别系统
CN108830840A (zh) 一种电路板缺陷的主动智能检测方法及其应用
CN111709365A (zh) 一种基于卷积神经网络的人体运动姿态自动检测方法
Jiang et al. Polymorphic measurement method of FeO content of sinter based on heterogeneous features of infrared thermal images
CN114563401A (zh) 一种红茶发酵进程实时检测系统
CN110197483A (zh) 基于视频信号的深基坑裂缝检测方法
CN102968644A (zh) 一种氩氧精炼铁合金冶炼终点预测方法
CN111222360A (zh) 硅料熔化状态的检测方法、设备及存储介质
CN202989198U (zh) 一种转炉内碳含量和温度检测系统
CN117078641A (zh) 基于主动强化学习与多模态的电熔镁炉欠烧工况识别方法

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