CN111128313A - 一种烧结矿FeO含量检测方法及系统 - Google Patents

Abstract

本发明公开了一种烧结矿FeO含量检测方法及系统，该方法通过获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而获得烧结矿断面红外热图像，基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征和深层次特征，建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据多相热力学模型，获得烧结矿最高温时的FeO含量分类特征以及建立基于多类异质特征的FeO含量预测模型，并利用浅层次特征、深层次特征以及FeO含量分类特征，实时在线预测烧结矿FeO含量，解决了现有技术不能实时准确检测烧结矿FeO含量的技术问题,可实时准确地检测FeO含量，具有高精度、可解释性强的特点。

Description

一种烧结矿FeO含量检测方法及系统

技术领域

本发明涉及烧结矿FeO含量检测领域，具体涉及一种烧结矿FeO含量检测方法及系统。

背景技术

烧结矿中氧化亚铁(ferrous oxide)，化学式FeO含量是反映烧结矿还原性的关键参数。 烧结矿FeO含量的在线检测对于提升烧结矿品质、烧结过程控制、保证高炉顺行至关重要。 但烧结过程环境恶劣，难以直接、实时检测烧结矿的FeO含量。

目前检测FeO含量的方法主要有线下看火工人工经验、化学分析法、建立数据模型甚至 检测烧结矿FeO含量。人工经验法，指处于烧结机机尾断面观察燃烧层明亮度的工人，依据 明亮部位面积判断FeO含量，其结果偶然性较大且极大依赖人工经验且不能数值化；化学分 析法，利用烧结矿的线下抽样化学分析的办法，这种方法精度高可定量得到FeO含量，但时 间滞后性大不能及时反映烧结质量不利于调控烧结；建立数据模型，间接测量烧结矿特征如 机尾断面燃烧层亮度，得到与FeO含量有关物理量，结合配料等一系列运行参数输入数据模 型得到FeO含量，这种需要数据积累的方法可解释性差还需完善。现有的检测方法任有改进 空间，亟需一种可实时检测FeO含量的方法，现烧结矿FeO实时检测困难在于缺少直接测量 烧结特征的手段、深层次提取特征的方法、现有模型过分依赖数据且缺乏可解释性几个方面。

专利文件(CN 103499634 A)公开了一种烧结矿中氧化亚铁的快速测定方法及装置。该 文件提出了一种线下检测FeO含量的方法，利用磁导率与FeO含量间关系，建立磁导率与 FeO含量关系曲线，检测试样磁导率从而检测FeO含量。

但事实上检测装置为线下测量装置，一方面需要花费研磨成粉处理时间，一方面测量磁 导率间接得到FeO含量非直接测量，结果有误差。

此外，专利文件(CN 105276988 A)公开了一种烧结矿机尾断面FeO含量的控制方法。 该方法采用红外、可见光CCD图像监测系统，采集机尾断面烧结矿图像信息，利用图像处理 办法提取出图像特征信息，后采用模糊聚类系统和神经网络系统分析出FeO含量。

但该发明利用图像处理方法提取特征，仅提取了图像信息，没有利用直接反映烧结状态 的温度分布信息特征，且完全采用数据处理的方法对烧结间接特征数据的依赖性过大，最终 导致特征不能直接反映烧结状态，从而降低数据模型的精度。

发明内容

本发明提供的一种烧结矿FeO含量检测方法及系统，解决了现有技术不能实时准确检测 烧结矿FeO含量的技术问题。

为解决上述技术问题，本发明提出的一种烧结矿FeO含量检测方法包括：

获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像；

根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而获得烧结矿 断面红外热图像；

基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征和深层次特征；

建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据多相热力学模型，获得 烧结矿最高温时的FeO含量分类特征；

建立基于多类异质特征的FeO含量预测模型，并利用浅层次特征、深层次特征以及FeO 含量分类特征，实时在线预测烧结矿FeO含量。

进一步地，获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像包括：

截取热图像的上半部分作为筛选关键帧图像的特征区域；

求解特征区域的温度均值，并将一个周期内最大温度均值对应的热图像作为关键帧图像。

进一步地，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而 获得烧结矿断面红外热图像包括：

对关键帧图像进行预处理，获得红外热图像；

根据红外热图像的下边缘直线特征，提取红外热图像的烧结矿断面下边缘，下边缘直线 特征的计算公式具体为：

其中，y_base表示下边缘直线方程，h表示当直线为水平时的高度值，k表示直线斜率，y_max表示当k≠0时直线最高值点，y_min表示当k≠0时直线最低值点；

根据下边缘直线中间断像素点对应的温度平均值，提取红外热图像的烧结料横向边缘， 下边缘直线中间断像素点对应的温度平均值具体为：

其中，

表示下边缘直线中间断像素点对应的温度平均值，i表示热图像列数，a表示处 于i三等分长度中间段像素横坐标集合，T(a,y_base)表示处于坐标(a,y_base)处温度值，x_min表示横 坐标最小值，x_max表示横坐标最大值；

根据烧结现场工艺参数，获得上边缘直线特征，并根据上边缘直线特征提取红外热图像 的烧结矿断面上边缘，上边缘直线特征的计算公式具体为；

其中，y_roof表示上边缘直线方程，h_height表示红外热图像中的对应料高，d表示烧结矿横向 宽度，H表示料位，D表示台车宽度；

根据红外热图像的烧结矿断面下边缘、烧结料横向边缘以及烧结矿断面上边缘，获得感 兴趣的红外热图像，从而获得烧结矿断面红外热图像。

进一步地，基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征包括：

以700℃所对应的烧结矿断面红外热图像的灰度值113为阈值划分燃烧层域；

以1205℃所对应的烧结矿断面红外热图像的灰度值195为阈值划分相变层域；

以1325℃所对应的烧结矿断面红外热图像的灰度值214为阈值划分还原层域；

根据燃烧层域、相变层域以及还原层域，提取描述烧结矿质量的浅层次特征，浅层次特 征包括燃烧层域个数、燃烧层域平均温度、相变层域平均温度、还原层域平均温度、燃烧层 域面积、相变层域面积、还原层域面积中的一个或多个特征。

进一步地，基于烧结矿断面红外热图像，提取描述烧结矿质量的深层次特征包括：

求解列微元燃烧层域高度标准差，获得烧结质量一致性特征，列微元燃烧层域高度标准 差的计算公式具体为：

其中，σ代表列微元燃烧层域高度标准差，y代表列微元数，b(i,j)代表第j个列微元 燃烧层高度，(i,j)代表像素坐标位置，

代表y个列微元高度均值；

根据预设烧结工况的微元判别条件，获得烧结工况特征；

求解列微元终点位置，获得烧结终点位置特征；

根据每一列还原层域与燃烧层域比值计算得到的列微元还原率，获得烧结还原率特征， 列微元还原率的计算公式为：

其中，T_FeO代表烧结矿断面整体的FeO含量值，maxr_i代表R_j＝{H_reduction(i,j)|i∈(1,x)}列 微元中还原层域元素高度r(i,j)的最大值，y代表列微元数，maxb_j代表B_j＝{H_burn(i,j)|i∈(1,x)}列微元中燃烧层域元素高度b(i,j)的最大值；

利用列微元不变性，计算列微元中液相层占燃烧层的比例以及燃烧层占料层的比例，获 得烧结料透气性特征；

根据烧结质量一致性特征、烧结工况特征、烧结终点位置特征、烧结还原率以及烧结料 透气性特征，获得描述烧结矿质量的深层次特征。

进一步地，求解列像素微元终点位置的计算公式为：

其中，H代表基于全图列微元的终点位置，H′代表全部列微元终点位置集合，h′_j代表 每个属于H′的元素，card(H′)代表集合H′中元素的数量，y代表列微元行数，L(i,j)代表(i,j) 处灰度值，(i,j)代表像素位置，maxp_j表示列微元相变层域P_j＝{H_Pc(i,j)|i∈(1,x)}高度p(i,j) 的最大值，△_j代表工况，φ代表空集。

进一步地，建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据多相热力学 模型，获得烧结矿最高温时的FeO含量分类特征包括：

建立基于吉布斯自由能定理的烧结过程多相热力学模型；

建立基于燃料垂直偏析分布的烧结矿断面传热学模型；

基于烧结矿断面传热学模型，获得烧结矿断面最高温度全时空分布，从而获得烧结过程 在断面的烧结起止温度；

根据烧结起止温度、反应压力、各物质含量以及多相热力学模型，获得烧结矿最高温时 的FeO含量特征；

基于烧结矿最高温时的FeO含量特征，获得烧结矿最高温时的FeO含量分类特征。

进一步地，建立基于多类异质特征的FeO含量预报模型，并利用浅层次特征、深层次特 征以及FeO含量分类特征，实时在线预测烧结矿FeO含量包括：

采用BP神经网络建立基于多类异质特征的FeO含量预测模型；

基于浅层次特征、深层次特征以及FeO含量分类特征，利用FeO含量预测模型，实现实 时在线预测烧结矿FeO含量。

本发明提出的一种烧结矿FeO含量检测系统包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所 述计算机程序时实现本发明提出的烧结矿FeO含量检测方法的步骤。

与现有技术相比，本发明的优点在于：

本发明提供的烧结矿FeO含量检测方法及系统，通过获取热图像，并结合烧结机机尾部 粉尘变化规律提取关键帧图像，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红 外热图像，从而获得烧结矿断面红外热图像，基于烧结矿断面红外热图像，提取描述烧结矿 质量的浅层次特征和深层次特征，建立基于吉布斯自由能定理的烧结过程多相热力学模型， 并根据多相热力学模型，获得烧结矿最高温时的FeO含量分类特征以及建立基于多类异质特 征的FeO含量预测模型，并利用浅层次特征、深层次特征以及FeO含量分类特征，实时在线 预测烧结矿FeO含量，解决了现有技术不能实时准确检测烧结矿FeO含量的技术问题,通过 建立的多相热力学模型,可以获得烧结矿最高温时的FeO含量分类特征，并结合浅层次特征、 深层次特征，可以建立基于多类异质特征的FeO含量预测模型，从而可实时准确地检测FeO 含量，具有高精度、可解释性强的特点。

附图说明

图1是本发明实施例一的烧结矿FeO含量检测方法的流程图；

图2是本发明实施例二的烧结矿FeO含量检测方法的流程图；

图3是本发明实施例二的基于红外热像仪成像的FeO含量在线检测系统示意图；

图4是本发明实施例二的列微元计算终点位置的等价数学模型；

图5是本发明实施例二的maxp_j-H_i关系曲线；

图6是本发明实施例二的铁矿石熔剂性烧结料成矿过程；

图7是本发明实施例二的基于多相热力学原理的FeO含量检测原理图；

图8是本发明实施例三的烧结矿FeO含量在线检测系统结构原理图；

图9是本发明实施例三的实验结果对比图；

图10是本发明实施例三的绝对误差图；

图11是本发明实施例的烧结矿FeO含量检测系统框图。

附图标记：

10、布料机；20、点火器；30、烧结机机尾；40、测温装置；50、光纤；60、万向云台；70、计算机；100、存储器；200、处理器。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致 地描述，但本发明的保护范围并不限于以下具体的实施例。

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖 的多种不同方式实施。

实施例一

参照图1，本发明实施例一提供的烧结矿FeO含量检测方法，包括：

步骤S101，获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像；

步骤S102，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而 获得烧结矿断面红外热图像；

步骤S103，基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征和深层次特 征；

步骤S104，建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据多相热力学 模型，获得烧结矿最高温时的FeO含量分类特征；

步骤S105，建立基于多类异质特征的FeO含量预测模型，并利用浅层次特征、深层次特 征以及FeO含量分类特征，实时在线预测烧结矿FeO含量。

本发明实施例提供的烧结矿FeO含量检测方法，通过获取热图像，并结合烧结机机尾部 粉尘变化规律提取关键帧图像，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红 外热图像，从而获得烧结矿断面红外热图像，基于烧结矿断面红外热图像，提取描述烧结矿 质量的浅层次特征和深层次特征，建立基于吉布斯自由能定理的烧结过程多相热力学模型， 并根据多相热力学模型，获得烧结矿最高温时的FeO含量分类特征以及建立基于多类异质特 征的FeO含量预测模型，并利用浅层次特征、深层次特征以及FeO含量分类特征，实时在线 预测烧结矿FeO含量，解决了现有技术不能实时准确检测烧结矿FeO含量的技术问题,通过 建立的多相热力学模型,可以获得烧结矿最高温时的FeO含量分类特征，并结合浅层次特征、 深层次特征，可以建立基于多类异质特征的FeO含量预测模型，从而可实时准确地检测FeO 含量，具有高精度、可解释性强的特点。

具体地，由于烧结机机尾断面可直接观察处于烧结末期的烧结矿，且烧结矿温度分布可 用来直接描述烧结状态信息，因此，本发明实施例提出利用烧结矿温度信息建立一种检测FeO 含量特征的机理模型。本发明实施例利用烧结机机尾断面的红外热图像信息建立机理、数据 模型的算法检测FeO含量，实现了对烧结矿FeO含量的实时准确测量，攻克了烧结矿深层次 特征提取难，FeO检测合理建模难，FeO实时检测难等几个难点。

此外，考虑到现有数据模型欠解释性及对数据依赖性强，本发明实施例通过建立热力学 模型补全输入参数，从而建立多相热力学模型计算得到FeO含量，以模型计算FeO含量作为 分类特征，最终建立基于多类异质特征的神经网络系统得到FeO含量，具有高精度、可解释 性强的特点。

实施例二

参照图2，本发明实施例二提供的烧结矿FeO含量检测方法，包括：

步骤S201，获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像。

具体地，本实施例在获取热图像之前还包括搭建基于红外热像仪成像的FeO含量在线检 测系统，具体见图3，包括布料机10、点火器20、烧结机机尾30、测温装置40、光纤50、万向云台60以及计算机70。非制冷焦平面红外热像仪安装在烧结机机尾部观察窗口万向云台处实时采集机尾落料温度信息，温度信息由光纤传输至中控室计算机进行数据处理，最终 得到烧结矿FeO含量的实时检测值。

如图3所示，在烧结机的整个工作流程中，烧结料在台车上烧结时始终处于连续铺设、 内部反应的密闭状态下，无法直接检测烧结料在整个烧结方向的烧结状况。本系统采用检测 烧结末期卸料时烧结矿断裂、断面露出的烧结矿断面温度分布，这样获取了烧结全部区域信 息、直接检测到烧结区域的温度分布又最大化减少了高温、高粉尘的影响，保证了测量设备 寿命。且利用万向云台精准定位非制冷焦平面红外热像仪，保证位于烧结机尾部观察窗口的 检测稳定，形成以红外热像仪为主的烧结过程FeO在线采集系统。

本实施例采用搭建的基于红外热像仪成像的FeO含量在线检测系统获取热图像后，结合 烧结机机尾部粉尘变化规律提取关键帧图像，具体包括：

步骤S2011，截取热图像的上半部分作为筛选关键帧图像的特征区域。

为提高后续图像处理速度，需要从采集到的图像集中提取关键帧图像，由于烧结机尾在 落料过程中溅起烧结料粉尘影响了红外热图像对于烧结矿断面热信息的采集，故需要剔除大 烟尘图像。

红外测温依据黑体辐射原理，利用斯特藩-玻尔兹曼定律可知：

其中，T为物体的标准温度，即本次测量烧结矿的温度；E为烧结矿红外辐射能；ε为发射率，以Fe₂O₃为主的烧结矿发射率近似为ε＝0.8；σ称为斯特藩-玻尔兹曼常数， σ＝5.67×10^-8W/(m²·K⁴)。由于机尾部周期性落料，烧结矿和热像仪间的空间内会出现周期性 粉尘，导致红外热像仪测量不准确，这里采用周期热图像、温度联合筛选关键帧的办法减小粉尘导致的测量误差。

某钢厂烧结现场显示烧结机单个台车长1.5m、烧结机速度在2-2.5m/min，故烧结机落料 周期在36-45s，经现场考察在每个周期内由于电除尘机除尘,导致在粉尘的周期性上扬，故 存在周期内粉尘分布的最小值。由于粉尘对热辐射的遮挡，导致实测辐射能E_t小于真实辐射 能E₀，利用这一关系提出如下方法提取热图像集中关键帧。

E₀>E_t (2)

具体地，设采集红外图像分辨率i×j，其中每个像素点都有相应测量温度值T_i×j对应，利 用图像处理中灰度梯度阈值大致分割出烧结矿区域观察知，全图下半部分均有出现烧结矿的 概率，为避免拍摄到烧结矿燃烧带面积的不同对于温度的影响，截取图像上半部分

的机 尾机箱部分热图像、对应温度，作为筛选关键帧机箱的特征区域 P(m,n),

步骤S2012，求解特征区域的温度均值，并将一个周期内最大温度均值对应的热图像作 为关键帧图像。

具体地，由于热像仪接受辐射能受粉尘影响，由式(2)粉尘越多接收的辐射能越少，由公 式(1)可得最终推导出的温度值也将越低，故利用步骤S2012中特征区域P(m,n)对应的温度 值,求解特征区域均值见下式(3)：

其中，T(m,n)为一帧特征图像每个像素点温度值，

即为一张特征区域图平均温度值。 由于粉尘为周期分布，故比较一个周期内全部特征区域图温度均值，取一个周期内最大温度 均值对应的热图像作为关键帧图像，即取

对应的热图像为关键帧图像。

步骤S202，根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而 获得烧结矿断面红外热图像。

本实施例为实时测量需提高数据处理速度，可提取关键帧图像中感兴趣区域(ROI)，减 少数据吞吐量，本次图像ROI区域为烧结矿断面区域。其中台车炉篦轮廓清晰显示在热图像 中；烧结矿温度较机箱内壁温度高；烧结矿断面温度与烧结矿床上表面温度差距不大。

本实施例根据关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而获 得烧结矿断面红外热图像，具体包括：

步骤S2021，对关键帧图像进行预处理，获得红外热图像。

具体地，首先利用中值滤波器对热图像滤波，降低图像噪点对提取特征的影响，其次采 用直方图均衡化增强亮度极大值附近对比度，即烧结矿部分与背景间对比加强，最后对热图 像灰度化便于显示图像特征信息，去除颜色信息干扰。

步骤S2022，根据红外热图像的下边缘直线特征，提取红外热图像的烧结矿断面下边缘。

具体地，本实施例利用红外热图像炉篦清晰可见、台车炉篦直线性强的图像信息，提取 直线特征。炉篦是水平边缘，故利用Sobel算子计算位于垂直方向的一阶梯度，可检测出图 像中水平炉篦边缘，同时减少图像中竖直直线的干扰一定程度起到了滤波的作用，利用Hough 变换完成空间映射并用计数器统计出现次数最高的未知系数(ρ,θ)，其对应直线为y＝kx+h， 由于烧结机台车在水平方向移动，则炉篦处于水平(k＝0)，故下边缘直线为：

其中，y_base表示下边缘直线方程，y_base表示下边缘直线方程，h表示当直线为水平时的 高度值，k表示直线斜率，y_max表示当k≠0时直线最高值点，y_min表示当k≠0时直线最低值点。

步骤S2023，根据下边缘直线中间断像素点对应的温度平均值，提取红外热图像的烧结 料横向边缘。

为提取关键帧图像中烧结矿-台车与环境间的温度阈值，提取y_base中间断像素点处对应温 度平均值

见式(5)：

其中，

表示所述下边缘直线中间断像素点对应的温度平均值，i表示热图像列数，a表 示处于i三等分长度中间段像素横坐标集合，T(a,y_base)表示处于坐标(a,y_base)处温度值，x_min表 示横坐标最小值，x_max表示横坐标最大值；

由于烧结矿-台车区域为全图中温度最高的部分且图像温度值与图像灰度值对应，因此可 建立温度阈值分割模型的办法提取出烧结料横向区域的图像范围，见式(6)：

其中T(i,j)为对应关键帧像素点处温度值，L(i,j)为温度阈值分割后像素灰度值，ths为 设置的温度阈值，温度阈值高于除烧结矿、台车温度的环境温度，本实施例认为

对温度阈值分割后的图像做腐蚀膨胀的形态学处理去除小的噪点干扰，最终按形态学处 理后的区域边界提取烧结矿横向宽领域d_width。

步骤S2024，根据烧结现场工艺参数，获得上边缘直线特征，并根据上边缘直线特征提 取红外热图像的烧结矿断面上边缘。

具体地，由于烧结矿断面温度与烧结矿床上表面温度相近，不能通过图像及温度实现上 边缘提取。故可利用线下获得的烧结厂工艺信息计算、提取下边缘断面：

式(7)烧结现场工艺参数H为料位、D为台车宽度、d为烧结矿横向宽度，h_height为所求热 图像中对应料高，又步骤S2022中已提取出下边缘y_base直线，故可得上边缘直线y_roof，如式 (8)：

y_roof＝y_base+h_height (8)

步骤S2025，根据红外热图像的烧结矿断面下边缘、烧结料横向边缘以及烧结矿断面上 边缘，获得感兴趣的红外热图像，从而获得烧结矿断面红外热图像。

具体地，经图像-温度结合的一系列特征提取处理，按y_base烧结矿底边线、y_roof烧结矿顶 边线、d_width烧结矿横向宽领域，提取ROI邻域Φ。

步骤S203，基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征。

本实施例的浅层次特征是指，利用ROI区域所在区域的温度-图像表面特征提取出的一系 列反映烧结矿特征的量。本实施例基于烧结矿断面红外热图像，提取描述烧结矿质量的浅层 次特征具体包括：

步骤S2031，以700℃所对应的烧结矿断面红外热图像的灰度值113为阈值划分燃烧层域。

具体地，当热像仪预设参数、位置不变时温度-灰度对应关系保持不变。燃料(焦炭)燃 点为700℃，故以700℃所对应图像灰度值113为阈值划分燃烧层域H_burn(x,y)：

H_burn(x,y)＝{(x,y)|L_burn(x,y)＝255,(x,y)∈Φ} (9)

其中，L_burn(x,y)为燃烧层阈值划分后领域Φ内的灰度值。

步骤S2032，以1205℃所对应的烧结矿断面红外热图像的灰度值195为阈值划分相变层 域。

具体地，以固相-液相界线划分相变层，烧结矿初生液相低熔点2FeO·SiO₂的熔化温度为 1205℃，故以1205℃所对应图像灰度值195为阈值划分相变层域H_Pc(x,y)：

H_Pc(x,y)＝{(x,y)|L_Pc(x,y)＝255,(x,y)∈Φ} (10)

其中，L_Pc(x,y)为相变层阈值划分后领域Φ内的灰度值。

步骤S2033，以1325℃所对应的烧结矿断面红外热图像的灰度值214为阈值划分还原层 域。

具体地，当温度高于1385℃时Fe₂O₃便会分解，但由于负压烧结的作用，燃料燃烧消耗 氧，Fe₂O₃的开始分解温度降低至1300℃-1350℃，铁氧化物会发生还原反应，且还原速率会 随着温度升高加快，此处以1325℃对应灰度值214为界划分还原层域H_reduction(x,y)：

H_reduction(x,y)＝{(x,y)|L_reduction(x,y)＝255,(x,y)∈Φ} (11)

其中，L_reduction(x,y)为还原层阈值划分后领域Φ内的灰度值。

步骤S2034，根据燃烧层域、相变层域以及还原层域，提取描述烧结矿质量的浅层次特 征，浅层次特征包括燃烧层域个数、燃烧层域平均温度、相变层域平均温度、还原层域平均 温度、燃烧层域面积、相变层域面积、还原层域面积中的一个或多个特征。

具体地，本实施例根据步骤S2031-S2033可得三个区域，代表燃烧带烧结矿的三种不同 状态，此时可提取一系列特征。本实施例的燃烧层域、相变层域、还原层域各层域平均温度T_burn、 T_Pc、T_reduction，可反应各层域整体烧结温度状态；燃烧层域个数N_burn，即燃烧层连通域个数， 一定程度反应烧结均匀性；燃烧层域、相变层域、还原层域各层域面积S_burn、S_Pc、S_reduction， 反应烧结矿末期状态。

步骤S204，基于烧结矿断面红外热图像，提取描述烧结矿质量的深层深特征。

由于烧结配料横向混合不均匀、烧结过程燃烧横向速度不同，故在断面横向的烧结状态 不一致，为减小这一误差假设烧结料混合、纵向烧结速度在一个像素宽的区域是不变的，即 假设图像列微元烧结指标不变，以此提取深层次特征。

本实施例基于烧结矿断面红外热图像，提取描述烧结矿质量的深层深特征包括：

步骤S2041，求解列微元燃烧层域高度标准差，获得烧结质量一致性特征。

具体地，本实施例所指的烧结质量一致性是指对于一整块烧结料，在烧结方向上烧结质 量的接近程度，在烧结末期通过观察断面烧结矿特点指标可反应出烧结质量一致性亦可反映 出FeO含量的一致性。

以列微元指标不变性分析一致性，提取列微元处于燃烧层域的集合 B_j＝{H_burn(i,j)|i∈(1,x)}，每个元素在列微元的高度为b(i,j)，则列微元燃烧层域高度标准差：

其中，σ代表列微元燃烧层域高度标准差，y代表列微元数，b(i,j)代表第j个列微元燃 烧层高度，(i,j)代表像素坐标位置，

代表y个列微元高度均值；列微元燃烧层域高度标准 差可以反应燃烧层高度的波动情况，波动值越大烧结矿质量一致性越差，反之一致性好。

步骤S2042，根据预设烧结工况的微元判别条件，获得烧结工况特征。

具体地，由于烧结矿断面处于机尾部无风箱抽风的冷却阶段，其欠烧、正常和过烧情况 可直接反应出烧结成品率亦可用以指导烧结过程的控制。

针对本次的红外热图像、热数据，定义烧结工况的微元判别方案：

其中，△_j为列微元工况，2代表严重过烧、1代表一般过烧、0代表正常烧结、-1代表一般欠烧、-2代表严重欠烧，maxb_j表示列微元燃烧层域B_j＝{H_burn(i,j)|i∈(1,x)}高度b(i,j) 的最大值，minb_j表示列微元燃烧层域B_j＝{H_burn(i,j)|i∈(1,x)}高度b(i,j)的最小值，maxp_j表 示列微元相变层域P_j＝{H_Pc(i,j)|i∈(1,x)}高度p(i,j)的最大值，minp_j表示列微元相变层域 P_j＝{H_Pc(i,j)|i∈(1,x)}高度p(i,j)的最小值，φ表示空集。统计出列微元工况后得到全域列微 元工况△，取其工况众数大者判断为全域工况。

步骤S2043，求解列微元终点位置，获得烧结终点位置特征。

具体地，由于烧结的不一致性，故其终点位置是一个以统计结果为指导的模拟坐标，具 有一定的烧结过程指导意义，也可以反映出烧结速度、产量等相关指标。

本实施例计算的终点位置以烧结温度最集中的点的高度为终点。为计算列微元终点位置 可等价建立数学模型，如图4所示，将每个列像素单元视为密度均匀直径为a、高为a的圆柱 体单元，则每个列像素微元有y个密度不同的圆柱体单元，其密度为ρ(i,j)。则求解列像素微 元终点位置的问题转化为求解同样个数圆柱体质心的问题：

其中，x_i、y_i、z_i分别表示物体质心在空间三维直角坐标轴x、y、z处的截距，ρ(x,y,z) 表示物体在空间位置(x,y,z)处的密度值，Ω表示物体所在的空间区域，

表示空 间区域Ω内物体质量，

表示x轴上的分布密度集合，

表示y轴 上的分布密度集合，

表示z轴上的分布密度集合。根据圆柱体的对称性，可 知式(14)中x_i＝y_i＝0，即所求质心位于轴线高度z_i的位置：

其中，θ表示三维柱坐标系极角，a表示像素单位，r表示三维柱坐标系极径，z表示三 维柱坐标系高度。模型中微圆柱体密度ρ(i,j)等价于计算烧结终点式像素灰度值L(i,j)，圆柱 体高、直径a等价于像素单位1。处于过烧工况的烧结矿，已在烧结机尾前烧结完成其终点位 置无法表示，故式(15)对于过烧工况失效，则利用等价数学模型计算的烧结终点位置可用式 (16)表示：

根据图5所示的maxp_j-H_i关系图可知，由于“高密度”区域的减少“质心”出现上升段，拐点高度取

此时模型失效，故得到计算烧结终点位置的通式：

统计得到全部列微元终点位置集合H′，则基于全图列微元的终点位置为：

其中，H代表基于全图列微元的终点位置，H′代表全部列微元终点位置集合，h′_j代表每 个属于H′的元素，card(H′)代表集合H′中元素的数量，y代表列微元行数，L(i,j)代表(i,j) 处灰度值，(i,j)代表像素位置，maxp_j表示列微元相变层域P_j＝{H_Pc(i,j)|i∈(1,x)}高度p(i,j) 的最大值，△_j代表工况，φ代表空集。

步骤S2044，根据每一列还原层域与燃烧层域比值计算得到的列微元还原率，获得烧结 还原率特征。

具体地，高温区域的烧结料处于还原性环境利于FeO的生成，所以高温区域占燃烧层区 域的比例可以间接反映FeO含量从而反映烧结矿还原性。

根据列微元烧结矿指标不变性，利用每一列还原层域与燃烧层域比值可得到列微元还原 率，故对整体而言：

其中，T_FeO代表烧结矿断面整体的FeO含量值，maxr_i代表R_j＝{H_reduction(i,j)|i∈(1,x)}列 微元中还原层域元素高度r(i,j)的最大值，y代表，maxb_j代表，T_FeO可间接反映出列微元统 计出的烧结矿断面整体的FeO含量值。

步骤S2045，利用列微元不变性，计算列微元中液相层占燃烧层的比例以及燃烧层占料 层的比例，获得烧结料透气性特征。

具体地，由于烧结矿的透气性决定了空气的流动性好坏，将直接影响烧结气氛。

燃烧层中液相会保证燃料不断地显露到氧势较高的气流孔道附近，能够改善烧结矿透气 性；在燃烧过程中燃烧层越大，代表透气性差。故根据两组关系建立指标：

式(20)利用列微元不变性，计算列微元中液相层占燃烧层的比例(与透气性成正比)、 燃烧层占料层比例(与透气性成反比)，后关于整幅图的比例取均值，Gp值越大说明料的透 气性越好。

步骤S2046，根据烧结质量一致性特征、烧结工况特征、烧结终点位置特征、烧结还原 率以及烧结料透气性特征，获得描述烧结矿质量的深层次特征。

本实施例根据烧结矿断面温度分布可直接反应出烧结特征，通过感兴趣区域热图像的获 取得到了烧结机断面温度分布，利用浅层次特征、列微元不变性假设结合物理模型、数理统 计知识，实现深层次多类异质特征提取，作为模型输入的异质特征。

步骤S205，建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据多相热力学 模型，获得烧结矿最高温时的FeO含量分类特征。

具体地，本实施例的烧结过程发生了诸多物理化学变化，按顺序发生着气-固反应、固- 固反应、液相的形成和冷凝成矿，其成矿过程如图6所示。为确定整个过程中高温区FeO含 量，需对主要反应进行热力学分析,计算得到的FeO含量值作为模型分类的异质特征。

本实施例的烧结过程主要反应包括：

Step1：燃料燃烧，燃料中的炭在抽风点火后，每层的温度达到燃点(700℃)与空气中 的氧反应：

2C+O₂＝2CO (反应1)

C+O₂＝CO₂ (反应2)

2CO+O₂＝2CO₂ (反应3)

CO₂+C＝2CO (反应4)

Step2：由于铁可为多价态，在铁-氧系中有Fe-FeO-Fe₃O₄-Fe₂O₃，在570℃以下 △G^Θ<0，故在570℃以上铁氧化物有三种分解反应：

6Fe₂O₃＝Fe₃O₄+O₂ (反应5)

2Fe₃O₄＝6FeO+O₂ (反应6)

2FeO＝2Fe+O₂ (反应7)

570℃以下有两种分解反应：

6Fe₂O₃＝4Fe₃O₄+O₂ (反应8)

1/2Fe₃O₄＝3/2Fe+O₂ (反应9)

在570℃以下上FeO可稳定存在，570℃以下要转变为Fe₃O₄

4FeO＝Fe₃O₄+Fe (反应10)

Step3：CO对铁矿石的还原，以570℃为界，CO对铁氧化物的还原：

570℃以上：

3Fe₂O₃+CO＝2Fe₃O₄+CO₂ (反应11)

Fe₃O₄+CO＝3FeO+CO₂ (反应12)

FeO+CO＝Fe+CO₂ (反应13)

570℃以下：

3Fe₂O₃+CO＝2Fe₃O₄+CO₂ (反应14)

1/4Fe₃O₄+CO＝3/4Fe+CO₂ (反应15)

Step4：C对铁矿石的还原，以570℃为界，C对铁氧化物的还原：

570℃以上

3Fe₂O₃+C＝2Fe₂O₃+CO (反应16)

Fe₃O₄+C＝3FeO+CO (反应17)

FeO+C＝Fe+CO (反应18)

570℃以下

1/4Fe₃O₄+C＝3/4Fe+CO (反应19)

Step5：在烧结料温度上升的过程中固相接触面之间会发生固相反应，主要反应如表1， 表1为主要固相反应：

表1

本实施例基于上述烧结过程主要反应，建立基于吉布斯自由能定理的烧结过程多相热力 学模型，并根据多相热力学模型，获得烧结矿最高温时的FeO含量分类特征具体包括：

步骤S2051，建立基于吉布斯自由能定理的烧结过程多相热力学模型。

具体地，本实施例的热力学计算模型是基于吉布斯自由能最低原理为主的各热力学原理 判据、熵增加原理进行计算，其建模过程如图7所示，图7为本实施例基于多相热力学原理 的FeO含量检测原理图。

令在非体积功为零、等压、等温的条件下的一个化学反应：

0＝∑ν_BB (21)

B代表参加反应的任何组分，ν_B是组分B的计量系数。化学反应过程中吉布斯函数会根 据化学进度dξ发生变化：

μ_B为组分B的化学式，依据化学反应的自发性判据判断反应是否自发能否平衡：

△_rG_m为反应系统的摩尔反应吉布斯函数，据此可计算出当吉布斯自由能最小时平衡相的 组成。

步骤S2052，建立基于燃料垂直偏析分布的烧结矿断面传热学模型。

步骤S2053，基于烧结矿断面传热学模型，获得烧结矿断面最高温度全时空分布，从而 获得烧结过程在断面的烧结起止温度。

步骤S2054，根据烧结起止温度、反应压力、各物质含量以及多相热力学模型，获得烧 结矿最高温时的FeO含量特征。

具体地，本实施例已知氧分压

氧气在空气中的摩尔分数等于空气中的体积 分数

(约0.21)，则反应的总压约为

本实施例反应前各烧结料成分具体见表2，表2为烧结料主要物质及配比：

表2

其中，烧结料碱度为R＝2.05，配炭量C＝4.20；

本实施例设反应从25℃起，由于已采集得到烧结矿断面的温度分布，为得到列微元烧结 最高温度值分布，需建立传热学模型求解：

1)气-固两相热平衡方程

式中v_g为烧结料气相速度；ρ_g为烧结料气相密度；

为气相比热容；T_g为气相温度；ε 为烧结料孔隙率；h为气相-固相传热系数；s为单位体积颗粒总表面积；q为化学反应热；v_s为烧结料固相速度；ρ_s为烧结料固相密度；

为固相比热容；T_s为固相温度；τ为有效导热系数。

假定气体只在烧结方向z均匀流动；以微小料层面处于静止状态的非稳态传热来分析 v_s＝0；料层内部不导热τ＝0；传热系数大使空间内任何点有相同固相-气相温度T_s＝T_g，

假设在料层气相中以C的燃烧热为主，则其反应热为：

q＝V_C·△H_C (26)

式(26)中V_C为反应速率常数，△H_C为分子反应热，假设在单位体积内有N_C个密度为ρ_C的燃料粒子、粒径为D_C，氧气浓度为

则根据原始反应速率常数K_c与传质系数K_f可得化学反应热：

2)料粒分布模型

由式(27)可得烧结过程中化学反应热模型，其中燃料料粒直径未知，根据烧结布料特点， 为改善烧结料透气性布料粒径自上而下从小到大为垂直偏析分布，以列微元为单位燃料偏析 分布满足：

由式(28)可得到整个燃料粒径、单位体积个数在烧结方向的分布。

至此可以得到基于燃料垂直偏析分布的传热学模型：

依式(29)可计算得到烧结矿断面最高温度全时空分布MT(i,j)，(i,j)∈Φ，故烧结过程在 断面的烧结起止温度为式(30)：

T_interval(i,j)∈(25,MT(i,j)),△_j≤0 (30)

将起止温度、反应压力、各物质含量输入热力学模型，最终可计算得到基于多相热力学 分析的FeO含量特征。处于高温的烧结矿最终会经历冷凝与固相成矿的过程，故多相热力学 分析得到的FeO含量特征可以对烧结矿FeO含量进行分类。

步骤S2055，基于烧结矿最高温时的FeO含量特征，获得烧结矿最高温时的FeO含量分 类特征。

具体地，本实施例基于多相热力学分析得到的FeO含量值可作为特征为FeO预测分类， 按照工艺要求分类7.5％<FeO<8.5％为一级品，8.5％<FeO<9.5％为二级品，9.5％及以上 为三级品，则分类函数为：

式(31)中F_n为多相热力学模型计算得到第n幅图的FeO含量，C_n为对应图像分类等级， 不同等级图像所提取深、浅特征将按等级输入到数据模型当中。

步骤S206，采用BP神经网络建立基于多类异质特征的FeO含量预测模型。

具体地，本实施例基于多相热力学模型计算得到的FeO含量作为数据分类的多类异质特 征，基于深、浅层次特征提取的作为输入变量的多类异质特征，利用两类不同属性的特征， 建立基于数据的FeO含量预测模型。

步骤S207，基于浅层次特征、深层次特征以及FeO含量分类特征，利用FeO含量预测模 型，实现实时在线预测烧结矿FeO含量。

由于输入的特征具有输入量多、与检测值FeO关系难以表达等特点，故本次选择采用工 作较稳定、非线性映射能力强的BP神经网络结构计算FeO含量，BP神经网络是一种多层前 馈结构神经网络，将信号、误差分为一前一后双向传播的前馈神经网络。由柯尔莫哥洛夫相 容性定理采用三层网络即可完成任意m维至n维的映射，本次选用三层一隐藏层的网络结构， 经过神经网络的训练、测试得到误差范围内的BP神经网络，以该网络进行FeO含量检测。

本发明以烧结机机尾断面为研究对象，建立了一种基于红外热图像多类异质特征的烧结 矿FeO含量检测系统。利用红外热像仪实时获取烧结机机尾红外热图像，基于粉尘分布的图 像处理提取关键帧图像；为进一步减少数据量提高数据处理速度，提取了感兴趣区域图像。 利用列微元不变性和浅层特征信息提取深层次特征；利用多相热力学模型提取数据分类特征， 其中利用垂直偏析模型计算出燃料分布，从而利用烧结过程传热学模型获取烧结断面全时空 最高温度分布。利用深、浅层次特征、多相热力学计算得到的分类特征，建立基于多类异质 特征的数据模型，最终实现了烧结矿FeO含量在线检测。检测方法具有实时检测，精度高等 优点。

本发明实施例旨在提出一种基于红外机器视觉的烧结机机尾断面FeO含量在线检测方法。 本发明利用非制冷焦平面红外热像仪获得烧结机尾部烧结矿的红外热图像，利用数字图像处 理提取出图像中烧结矿部分的感兴趣区域，得到烧结矿断面温度分布，利用温度区域划分可 准确提取出燃烧层，红火层等浅层关键信息，同时可利用浅层特征结合统计学知识统计得出 深层次多类异质特征做为输入变量。本发明考虑到原有数据模型欠解释性及对数据依赖性强， 通过建立热力学模型补全输入参数，从而建立多相热力学模型计算得到FeO含量，以模型计 算FeO含量做为分类特征。最终建立基于多类异质特征的神经网络系统得到FeO含量。本发 明提出的FeO含量检测方法可实时准确的检测得到FeO含量，具有高精度、可解释性强的特 点。

具体地，本发明实施例的有益效果主要如下：

(1)搭建了基于非制冷焦平面红外热像仪为主的检测系统、光纤传输计算机数据处理系 统的FeO含量在线检测系统；

(2)提出将热力学、传热学模型与数据模型结合的思想应用于烧结过程FeO含量的检测 方法；

(3)提出基于深、浅层次输入特征、机理模型FeO含量分类特征的多类异质特征运用于 数据模型，提高了模型的可解释性与适应性；

(4)提出了基于机尾粉尘变化的烧结机机尾热图像关键帧图像提取办法，准确、有效地 获取了关键热图像数据；

(5)提出基于烧结机结构、温度特性的烧结矿面区域获取技术，减少了数据吞吐量，提 高了数据运行速度；

(6)提出了列微元不变性提取深度特征的概念，依据列微元均匀烧结的思想，结合热图 像温度数据、浅层特征数据，提取深层特征；

(7)基于多相热力学计算烧结过程FeO含量作为分类特征的算法，利用吉布斯自由能定 律，结合现场工艺参数、温度参数得到烧结至最高温度时FeO值，以此作为烧结检测特征；

(8)基于布料规律提出的垂直偏析模型可计算燃料粒径在烧结方向的分布，以此输入至 烧结传热学模型，最终得到烧结矿表面全时空最高温度分布；

(9)依据深层次输入特征、最高温度FeO含量分类特征的多类异质特征建立基于数据的 神经网络模型，可计算出烧结矿FeO含量。

实施例三

本实施例以某钢厂360m²烧结机为实验平台，将发明的测量装置应用到机尾烧结料断面 FeO含量检测中。现场测量系统如图3所示，检测装置安装在烧结机机尾部观察窗口万向云 台处，温度信息由光纤传输至中控室计算机进行数据处理，本发明实施例三的烧结矿FeO含 量在线检测系统结构原理图如图8所示，具体如下：

首先，在烧结机机尾部利用万向云台固定，架设红外热像仪拍摄观察窗内烧结机断料区 域；然后根据现场烧结机速度得到落料周期，由一个周期内图像烟尘检测值提取关键帧图像， 依据台车炉篦几何特征提取感兴趣区域，由图像列微元不变性提取深、浅层特征；接着根据 现场工人师傅提供的配料参数等实际工艺参数计算高温FeO作为分类特征；最后输入BP神经 网络计算得到FeO含量。达到了实时检测FeO含量的目的，为评价烧结过程合理性及烧结矿 质量提供依据。

图9为本发明实施例的实验结果与现场化验结果对比图，可知运用本发明实施例方法检 测结果与化验值结果趋势相近，通过图10所示的绝对误差图可进一步看出对于FeO含量预测 值与化验值误差在0.4以内，根据现场操作工人经验结果，满足现场工艺要求的0.5范围区 间。

参照图11，本发明实施例提出的烧结矿FeO含量检测系统，包括：

存储器100、处理器200以及存储在存储器200上并可在处理器上运行的计算机程序，其 中，处理器执行计算机程序时实现本实施例提出的烧结矿FeO含量检测方法的步骤。

本实施例的烧结矿FeO含量检测系统的具体工作过程和工作原理可参照本实施例中的烧 结矿FeO含量检测方法的工作过程和工作原理。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说， 本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、 改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种烧结矿FeO含量检测方法，其特征在于，所述方法包括：

获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像；

根据所述关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而获得烧结矿断面红外热图像；

基于所述烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征和深层次特征；

建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据所述多相热力学模型，获得烧结矿最高温时的FeO含量分类特征；

建立基于多类异质特征的FeO含量预测模型，并利用所述浅层次特征、深层次特征以及FeO含量分类特征，实时在线预测烧结矿FeO含量。

2.根据权利要求1所述的烧结矿FeO含量检测方法，其特征在于，获取热图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像包括：

截取所述热图像的上半部分作为筛选关键帧图像的特征区域；

求解所述特征区域的温度均值，并将一个周期内最大温度均值对应的热图像作为关键帧图像。

3.根据权利要求2所述的烧结矿FeO含量检测方法，其特征在于，根据所述关键帧图像，利用机尾台车几何特征，提取感兴趣的红外热图像，从而获得烧结矿断面红外热图像包括：

对所述关键帧图像进行预处理，获得红外热图像；

根据所述红外热图像的下边缘直线特征，提取所述红外热图像的烧结矿断面下边缘，所述下边缘直线特征的计算公式具体为：

其中，y_base表示下边缘直线方程，h表示当直线为水平时的高度值，k表示直线斜率，y_max表示当k≠0时直线最高值点，y_min表示当k≠0时直线最低值点；

根据所述下边缘直线中间断像素点对应的温度平均值，提取所述红外热图像的烧结料横向边缘，所述下边缘直线中间断像素点对应的温度平均值具体为：

其中，

表示所述下边缘直线中间断像素点对应的温度平均值，i表示热图像列数，a表示处于i三等分长度中间段像素横坐标集合，T(a,y_base)表示处于坐标(a,y_base)处温度值，x_min表示横坐标最小值，x_max表示横坐标最大值；

根据烧结现场工艺参数，获得上边缘直线特征，并根据所述上边缘直线特征提取所述红外热图像的烧结矿断面上边缘，所述上边缘直线特征的计算公式具体为；

其中，y_roof表示上边缘直线方程，h_height表示红外热图像中的对应料高，d表示烧结矿横向宽度，H表示料位，D表示台车宽度；

根据所述红外热图像的烧结矿断面下边缘、烧结料横向边缘以及烧结矿断面上边缘，获得感兴趣的红外热图像，从而获得烧结矿断面红外热图像。

4.根据权利要求1-3任一所述的烧结矿FeO含量检测方法，其特征在于，基于所述烧结矿断面红外热图像，提取描述烧结矿质量的浅层次特征包括：

以700℃所对应的烧结矿断面红外热图像的灰度值113为阈值划分燃烧层域；

以1205℃所对应的烧结矿断面红外热图像的灰度值195为阈值划分相变层域；

以1325℃所对应的烧结矿断面红外热图像的灰度值214为阈值划分还原层域；

根据所述燃烧层域、相变层域以及还原层域，提取描述烧结矿质量的浅层次特征，所述浅层次特征包括燃烧层域个数、燃烧层域平均温度、相变层域平均温度、还原层域平均温度、燃烧层域面积、相变层域面积、还原层域面积中的一个或多个特征。

5.根据权利要求4所述的烧结矿FeO含量检测方法，其特征在于，基于所述烧结矿断面红外热图像，提取描述烧结矿质量的深层次特征包括：

求解列微元燃烧层域高度标准差，获得烧结质量一致性特征，所述列微元燃烧层域高度标准差的计算公式具体为：

其中，σ代表列微元燃烧层域高度标准差，y代表列微元数，b(i,j)代表第j个列微元燃烧层高度，(i,j)代表像素坐标位置，

代表y个列微元高度均值；

根据预设烧结工况的微元判别条件，获得烧结工况特征；

求解列微元终点位置，获得烧结终点位置特征；

根据每一列还原层域与燃烧层域比值计算得到的列微元还原率，获得烧结还原率特征，所述列微元还原率的计算公式为：

其中，T_FeO代表烧结矿断面整体的FeO含量值，maxr_i代表R_j＝{H_reduction(i,j)|i∈(1,x)}列微元中还原层域元素高度r(i,j)的最大值，y代表列微元数，maxb_j代表B_j＝{H_burn(i,j)|i∈(1,x)}列微元中燃烧层域元素高度b(i,j)的最大值；

利用列微元不变性，计算列微元中液相层占燃烧层的比例以及燃烧层占料层的比例，获得烧结料透气性特征；

根据所述烧结质量一致性特征、烧结工况特征、烧结终点位置特征、烧结还原率以及烧结料透气性特征，获得描述烧结矿质量的深层次特征。

6.根据权利要求5所述的烧结矿FeO含量检测方法，其特征在于，求解列像素微元终点位置的计算公式为：

其中，H代表基于全图列微元的终点位置，H′代表全部列微元终点位置集合，h′_j代表每个属于H′的元素，card(H′)代表集合H′中元素的数量，y代表列微元行数，L(i,j)代表(i,j)处灰度值，(i,j)代表像素位置，max p_j表示列微元相变层域P_j＝{H_Pc(i,j)|i∈(1,x)}高度p(i,j)的最大值，△_j代表工况，φ代表空集。

7.根据权利要求6所述的烧结矿FeO含量检测方法，其特征在于，建立基于吉布斯自由能定理的烧结过程多相热力学模型，并根据所述多相热力学模型，获得烧结矿最高温时的FeO含量分类特征包括：

建立基于吉布斯自由能定理的烧结过程多相热力学模型；

建立基于燃料垂直偏析分布的烧结矿断面传热学模型；

基于所述烧结矿断面传热学模型，获得烧结矿断面最高温度全时空分布，从而获得烧结过程在断面的烧结起止温度；

根据所述烧结起止温度、反应压力、各物质含量以及所述多相热力学模型，获得烧结矿最高温时的FeO含量特征；

基于所述烧结矿最高温时的FeO含量特征，获得烧结矿最高温时的FeO含量分类特征。

8.根据权利要求7所述的烧结矿FeO含量检测方法，其特征在于，建立基于多类异质特征的FeO含量预报模型，并利用所述浅层次特征、深层次特征以及FeO含量分类特征，实时在线预测烧结矿FeO含量包括：

采用BP神经网络建立基于多类异质特征的FeO含量预测模型；

基于所述浅层次特征、深层次特征以及FeO含量分类特征，利用所述FeO含量预测模型，实现实时在线预测烧结矿FeO含量。

9.一种烧结矿FeO含量检测系统，所述系统包括：

存储器(100)、处理器(200)以及存储在存储器(100)上并可在处理器(200)上运行的计算机程序，其特征在于，所述处理器(200)执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。

Images