CN113033335A - 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 - Google Patents
一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 Download PDFInfo
- Publication number
- CN113033335A CN113033335A CN202110248470.XA CN202110248470A CN113033335A CN 113033335 A CN113033335 A CN 113033335A CN 202110248470 A CN202110248470 A CN 202110248470A CN 113033335 A CN113033335 A CN 113033335A
- Authority
- CN
- China
- Prior art keywords
- slag
- converter
- image
- dimensional
- remaining
- 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
Links
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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种基于炉渣智能分析及三维模型的转炉留渣量计算方法,包括采集转炉内终渣图像数据,提取特征元素;构建炉渣分析系统,使用人工智能进行自学习,分析图像特征,根据炉渣状态参数得出炉渣密度修正值;多角度采集炉体结构和留渣体影像,形成转炉内留渣体的三维立体覆盖影像;根据三维立体覆盖影像,构建留渣体三维模型,计算留渣体体积;通过炉渣分析系统与三维计算模型结果,计算转炉内留渣质量。本发明能根据图像信息,准确分析渣粒状态并计算出渣密度修正值,同时动态分析构建堆渣体三维模型,从而精确计算转炉留渣量。此外,本发明通过人工智能分析手段,精确计算转炉留渣量,实现了溅渣护炉和炼钢过程高效稳定控制并降低了损耗。
Description
技术领域
本发明涉及钢铁冶金领域,特别是一种基于炉渣智能分析及三维模型的转炉留渣量计算方法。
背景技术
转炉留渣是指将上炉钢出钢后的终渣留一部分在炉内,一方面用于溅渣护炉,另一方面有利于下一炉钢初期渣的形成和前期脱磷。留渣量的准确计算有利于转炉炉况的高效维护、提高转炉吹炼效果和降低钢铁料消耗等,具有巨大的经济效益。但是留渣量的精确控制一直是本领域的一个难点。
中国专利文献CN103397134B以人工经验判断留渣量不准确以及渣罐称量增加设备投资、维护量大为背景提出了一种根据转炉倾动角度计算倒渣后炉内剩余渣量的计算方法。该专利忽略了两个重要因素,一是转炉内炉形是不断变化,二是终渣渣粒状态不稳定。这导致了转炉倾动角度与炉内留渣量并无任何规律性的计算关系。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的根据转炉倾动角度计算转炉留渣量的方法中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于需要一种基于炉渣智能分析及三维模型的转炉留渣量计算方法,能在转炉内炉形是不断变化和终渣渣粒状态不稳定的情况下,对倒渣后转炉炉内留渣量进行精确计算。
为解决上述技术问题,本发明提供如下技术方案:一种基于炉渣智能分析及三维模型的转炉留渣量计算方法,包括:采集转炉内终渣图像数据,提取特征元素;
构建人工智能炉渣分析系统,进行自学习,分析图像特征,根据炉渣状态参数得出炉渣密度修正值;
多角度采集炉体结构和留渣体影像,形成转炉内留渣体的三维立体覆盖影像;
根据三维立体覆盖影像,构建留渣体三维模型,计算留渣体体积;
通过炉渣分析系统与三维计算模型结果,计算转炉内留渣质量。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:转炉出钢结束至转炉倒渣-留渣全过程中,采集大量转炉炉内终渣的视频图像数据,提取图像中终渣渣粒的亮度、大小、形状、跳动频率的参数,根据各特征元素的不同程度分别进行人工定义并赋予图像特征值0、1、2、3。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:所述构建人工智能炉渣分析系统,构建步骤为:
使用视频图像数据及特征元素对应的特征值对系统进行训练优化,使得系统能够自动判定出每个图像的特征包括亮度、大小、形状、跳动频率,并且使得系统能够自动给出每项特征对应的特征值,并输出一个特征值字符串;
对于不同图像特征对应的终渣状态包括发泡状态、渣流动性,人工定义出对应不同的炉渣状态参数,同样依照程度分为0、1、2、3,并形成炉渣状态参数的字符串;
根据不同的图像特征值及其对应的炉渣状态参数,人工定义一个渣密度修正值f,f的范围在(0,1);
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:构建所述三维立体覆盖影像,步骤为:
处理转炉出钢结束后倾炉(角度β~α)过程原始视频图像数据,形成转炉内壁第一立体覆盖影像以及留渣第一立体覆盖影像;
处理转炉倒渣倾炉(角度ω~δ)过程原始视频图像数据,形成转炉内壁第二立体覆盖影像以及留渣第二立体覆盖影像;
处理转炉倒渣结束后倾炉留渣(角度δ~ω)过程原始视频图像数据,形成转炉内壁第三立体覆盖影像以及留渣第三立体覆盖影像;
将多角度采集到的多组炉体结构和留渣影像,分别利用光束法区域网空中三角测量建立几何参考和立体模型,完成重叠影像的空三运算,形成转炉内留渣体的三维立体覆盖影像。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:使用Erdas Imagine软件中LPS模块对原始视频图像数据进行处理,得出图像特征以及炉渣状态。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:所述构建留渣体三维模型,具体为:
从转炉内留渣体的三维立体覆盖影像中提取数字高程数据,构建炉内留渣体的三维模型,并呈现转炉内留渣的细节和全貌,得到留渣的位置,再计算出转炉内留渣体积。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:在所述留渣体体积的计算中,计算转炉内留渣体积是通过读取立体模型的obj文件,使用vtkMassProperties软件分别计算多个三维模型的体积,再求均值得到转炉内留渣体的体积v留渣体。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:根据转炉终渣分析系统得出的炉渣密度,与通过留渣体三维模型计算出的留渣体体积,计算得出转炉内留渣的质量,公式:m=ρ渣*v留渣体。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:转炉内终渣图像由安装在转炉四周的摄像头采集得到。
作为本发明所述基于炉渣智能分析及三维模型的转炉留渣量计算方法的一种优选方案,其中:所述炉渣分析系统的构建、图像数据的处理、三维模型的建立均通过计算机程序完成。
本发明有益效果为:本发明根据转炉出钢及倒渣过程的视频图像监控信息,准确分析渣粒状态并计算出渣密度修正值,同时多视角动态分析构建出转炉内部堆渣体三维模型,从而精确计算转炉留渣量。此外,本发明通过多媒体人工智能分析手段模拟人工看渣过程,精确计算转炉留渣量并指导炼钢操作,从而实现溅渣护炉和炼钢过程高效稳定控制并降低钢铁料耗。
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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为基于炉渣智能分析及三维模型的转炉留渣量计算方法中转炉的整体示意图。
图2为转炉终渣分析系统中图像渣粒特征识别图。
图3为转炉终渣分析系统中炉渣状态参数识别图。
图4为转炉出钢结束时倾炉角度为β的图像采集示意图。
图5为转炉出钢结束时倾炉角度为α的图像采集示意图。
图6为转炉出钢结束时倾炉角度为ω的图像采集示意图。
图7为转炉出钢结束时倾炉角度为δ的图像采集示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
一般转炉留渣对炉底和炉衬有积极的保护作用,可减少加料时废钢对炉底的冲击以及炉膛温度迅速下降对耐火材料热稳定性的影响。留渣在热兑铁水生产时,可以迅速氧化铁水中的硅、锰、磷、碳,增强石灰的溶解,加快成渣速度覆盖熔池表而,减少铁耗,减轻氧化期的脱磷,效果非常显著。计算物体质量一般采用质量与密度公式,而由于转炉内成分复杂,终渣渣粒状态不能保持稳定,且转炉内熔融物不断变化,导致其密度与体积很难测算,一般的通过钢水物料平衡以及倾动角度等进行测算显然是不够准确的。
参照图1~7,为本发明第一个实施例,该实施例提供了一种基于炉渣智能分析及三维模型的转炉留渣量计算方法,其能够通过人工智能分析手段,精确计算转炉内的留渣量。
本发明的转炉留渣量计算方法主要是密度与体积的精准测算,包括以下步骤:
S1:采集转炉内终渣图像数据,提取特征元素;
S2:构建人工智能炉渣分析系统,进行自学习,分析图像特征,根据炉渣状态参数得出炉渣密度修正值;
S3:多角度采集炉体结构和留渣体影像,形成转炉内留渣体的三维立体覆盖影像;
S4:根据三维立体覆盖影像,构建留渣体三维模型,计算留渣体体积;
S5:通过炉渣分析系统与三维计算模型结果,计算转炉内留渣质量。
一、炉渣密度测算
参照步骤S1、S2,首先建立人工智能分析系统,对转炉内炉渣的密度进行准确计算。其需要在转炉前后分别安装摄像头,摄像头调成可横向移动式,如图1,用于采集出钢过程及倒渣过程的视频图像数据,在转炉出钢结束至转炉倒渣-留渣全过程中,都需要采集大量的终渣图像数据,以供系统进行学习。
构建系统过程中,不同的图像都要分别提取图像中终渣渣粒的亮度、大小、形状、跳动频率共四项参数,每一项参数都需要根据不同的程度定义一个特征值,记为0、1、2、3,其中亮度、大小、形状、跳动频率的程度划分标准如下表:
系统构建初期,这些特征值需要人工定义,并逐帧标记,大量的图像数据导入到系统进行训练优化后,系统就能对于后续的图像数据进行自动识别判定,对应的亮度、大小、形状、跳动频率都由系统输出其特征值,四项特征值组合成一个字符串对应相应的特征状态,图像渣粒特征识别参照图2,其识别图像为灰度图,由系统判定输出字符串为0/1/0/2。
此外,终渣状态还包括发泡状态和渣流动特性,这两项参数需要通过彩图进行识别,识别到的参数同样根据不同的程度定义,最终由系统输出字符串,参照图3,其对应图2的状态参数为1/2。其中,发泡程度主要与亮度、大小、形状相关,亮度越高、尺寸越大、圆形比例越高,发泡程度就越高;流动性则主要与跳动频率相关,跳动频率越高,则流动性越好。
不同的图像特征值与炉渣状态参数都表示炉渣成分的差异,不同的炉渣成分就具有不同的密度,因而在密度计算时需要给出一个密度修正值f,f的范围在(0,1)。总体上来说,发泡较多的相应的密度修正值就越低,渣流动性越好的密度修正值就越高。密度修正值起先同样由人工定义给系统进行学习,长期的系统学习后,得出了一张完整的密度修正值表格,下表给出部分:
不同渣状态下的密度修正值是通过现场取渣样并称量比对计算出来的。
其中,渣粒状态分析结果除了计算渣密度修正值,还能指导溅渣护炉操作。
二、炉渣体积测算
转炉的留渣需要采集多组图像数据,参照图4~7,并进行进行多组三维建模,其包括以下步骤:
其一,采集转炉出钢结束时倾炉角度β~α过程中的原始视频图像数据,形成转炉内壁第一立体覆盖影像以及留渣第一立体覆盖影像。这个过程中获取的炉内壁第一立体覆盖影像包括整个炉底和倒渣面,留渣第一立体覆盖影像包括炉渣由出钢面运动到炉底过程,如图4以及图5。
其二,采集转炉倒渣倾炉角度ω~δ过程中的原始视频图像数据,形成转炉内壁第二立体覆盖影像以及留渣第二立体覆盖影像。这个过程中获取的炉内壁第二立体覆盖影像包括整个炉底和出钢面,留渣第二立体覆盖影像包括炉渣由炉底运动到倒渣面过程,如图6以及图7。
其三、采集转炉倒渣结束后倾炉角度δ~ω过程中的原始视频图像数据,形成转炉内壁第三立体覆盖影像以及留渣第三立体覆盖影像。这个过程中获取的炉内壁第三立体覆盖影像包括整个炉底和出钢面,留渣第三立体覆盖影像为转炉最终留渣量由倒渣面运动到炉底过程。
其中,各倾炉角度为铅垂线与转炉轴向线的夹角中,相对远离出钢面的一个夹角,本质上是不断变化的同一个夹角。倾炉角度β为出钢结束时刻的临界角度,大小一般为95°~110°,具体受钢水量与转炉出钢口形状影像;倾炉角度α为出钢侧摄像头可拍摄最小角度,出钢侧对应图中右侧;倾炉角度ω是倒渣过程中倒渣侧摄像头可拍摄最小角度,倒渣侧对应图中左侧;倾炉角度δ为倒渣结束时刻得临界角度角度,大小一般为65°~180°,具体与倒渣前的渣量和需要的留渣量有关。
最后,将以上三组完成建立几何参考和立体模型,并完成重叠影像的空三运算,形成转炉内留渣体的立体覆盖影像。空三运算,主要是指光线束法区域网空中三角测量,是一种以投影中心点、像点和相应的地面点三点共线为条件,以单张像片为解算单元,借助像片之间的公共点和野外控制点,把各张像片的光束连成一个区域进行整体平差,解算出加密点坐标的方法。
其中,使用Erdas Imagine软件中LPS模块对原始视频图像数据进行处理,得出立体覆盖影像以及其它各项特征。Erdas Imagine软件是专门的遥感图像处理软件,LPS则是摄影测量系统,在相关的专业领域中为常用的技术手段。
转炉倒渣结束后,炉内留渣从倾炉角度δ变化到ω过程中,可获得转炉内留渣动态三维的立体覆盖影像。选择设定截取三个倾炉角度下的留渣体的立体影像,建立三个三维模型,并分别计算留渣体积,以平均值作为准确的留渣体的体积。这样一方面可以多次验证模型的准确性,另一方面提高留渣量的计算精度。留渣体体积v留渣体,是将立体模型的obj文件导入至vtkMassProperties软件中,通过软件计算得出的,在相关的技术领域中也属较为常规的技术手段。
最后,根据转炉终渣分析系统得出的炉渣密度,与通过留渣体三维模型计算出的留渣体体积,计算得出转炉内留渣的质量,公式:m=ρ渣*v留渣体。
在现有技术中,由于无法确定前炉留渣的具体重量,计算前一半需要将转炉内彻底清空,此外还需要工作人员对炉口进行清理,以避免炉口粘附的炉渣对观察计算产生影响;本发明采用的三维建模计算体积的方法无需这些繁琐的操作,省时省力。此外,在现有技术中,一般是通过操作人员肉眼观察转炉内渣的角度,再使用炉衬激光测距仪测量长度等,显然现有技术会产生较大误差:
仪器测量在多次重复测定中都难免会产生系统误差;人员长时间工作,由于疲劳或者其它原因可能会操作失误,产生过失误差;转炉内炉形的不断变化以及终渣渣粒状态不稳定也会带来随机误差。本发明的基于炉渣智能分析及三维模型的转炉留渣量计算方法构建了人工智能系统,由图像识别设备读取角度、炉渣状态等各项特征并进行分析,避免了过失误差的产生;同样的,对于不断变化的炉内终渣的状态,包括亮度、大小、形状、发泡状态、流动性等,系统采集其视频图像数据,每一帧都能进行识别,随机误差大大减小。
从计算方法上来说,现有技术中的方法是估算出完钢后炉内总渣量(上炉留渣量+当前炉次加入的造渣料总量+铁水合金元素氧化量-炉渣吹损量)减去倒渣倒出的量(由渣罐称量值计算)作为留渣量。本发明方法不需要估算倒渣前的总渣量,通过对倒渣后的留渣体的体积和密度直接计算出留渣量。过程运用到的计算参数是实践过程中测量计算出来的。为验证本发明的准确性,将转炉留渣再次倒另一容器中称量留渣的重量作为留渣量实际值。通过计算出的留渣量与实际留渣量进行对比。对比如下表:
现有技术中的测量,是通过估算上炉留渣量、当炉次加入造渣量、铁水合金元素氧化量,炉渣吹损量。估算出钢后总渣量的,这个估算值受干扰因素多,吹炼工艺稳定情况下偏差约±5%。对比试验中将估算出的总渣量减去倒渣称重量为留渣的计算值,与留渣称量出的实际值对比平均标准偏差为4.36%;本发明则通过系统智能识别并产生不同时刻的多组建模,多组建模由专业软件分别计算体积,最后以平均值作为留渣体体积,更为准确,其结果与实际测量值的平均标准偏差约为0.29%。系统构建初期,学习样本较少时,测量结果与理论值相差也约为5%,由于系统不断进行学习,每一次的计算结果都能与分析模型进行相互验证,从而逐渐提高了留渣量的计算精度。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:包括,
采集转炉内终渣图像数据,提取特征元素;
构建人工智能炉渣分析系统,进行自学习,分析图像特征,根据炉渣状态参数得出炉渣密度修正值;
多角度采集炉体结构和留渣体影像,形成转炉内留渣体的三维立体覆盖影像;
根据三维立体覆盖影像,构建留渣体三维模型,计算留渣体体积;
通过炉渣分析系统与三维计算模型结果,计算转炉内留渣质量。
2.如权利要求1所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:所述采集转炉内终渣图像数据,提取特征元素素体的步骤,具体为:
转炉出钢结束至转炉倒渣-留渣全过程中,采集大量转炉炉内终渣的视频图像数据,提取图像中终渣渣粒的亮度、大小、形状、跳动频率的参数,根据各特征元素的不同程度分别进行人工定义并赋予图像特征值0、1、2、3。
3.如权利要求2所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:所述构建人工智能炉渣分析系统,构建步骤为:
使用视频图像数据及特征元素对应的特征值对系统进行训练优化,使得系统能够自动判定出每个图像的特征包括亮度、大小、形状、跳动频率,并且使得系统能够自动给出每项特征对应的特征值,并输出一个特征值字符串;
对于不同图像特征对应的终渣状态包括发泡状态、渣流动性,人工定义出对应不同的炉渣状态参数,同样依照程度分为0、1、2、3,并形成炉渣状态参数的字符串;
根据不同的图像特征值及其对应的炉渣状态参数,人工定义一个渣密度修正值f,f的范围在(0,1);
4.如权利要求3所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:构建所述三维立体覆盖影像,步骤为:
处理转炉出钢结束后倾炉角度β~α过程原始视频图像数据,形成转炉内壁第一立体覆盖影像以及留渣第一立体覆盖影像;
处理转炉倒渣倾炉角度ω~δ过程原始视频图像数据,形成转炉内壁第二立体覆盖影像以及留渣第二立体覆盖影像;
处理转炉倒渣结束后倾炉留渣角度δ~ω过程原始视频图像数据,形成转炉内壁第三立体覆盖影像以及留渣第三立体覆盖影像;
将多角度采集到的多组炉体结构和留渣影像,分别利用光束法区域网空中三角测量建立几何参考和立体模型,完成重叠影像的空三运算,形成转炉内留渣体的三维立体覆盖影像。
5.如权利要求1~4任一所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:使用ErdasImagine软件中LPS模块对原始视频图像数据进行处理,得出图像特征以及炉渣状态。
6.如权利要求5所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:所述构建留渣体三维模型,具体为:
从转炉内留渣体的三维立体覆盖影像中提取数字高程数据,构建炉内留渣体的三维模型,并呈现转炉内留渣的细节和全貌,得到留渣的位置,再计算出转炉内留渣体积。
7.如权利要求6所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:在所述留渣体体积的计算中,计算转炉内留渣体积是通过读取立体模型的obj文件,使用vtkMassProperties软件分别计算多个三维模型的体积,再求均值得到转炉内留渣体的体积v留渣体。
8.如权利要求7所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:根据转炉终渣分析系统得出的炉渣密度,与通过留渣体三维模型计算出的留渣体体积,计算得出转炉内留渣的质量,公式:m=ρ渣*v留渣体。
9.如权利要求8所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:转炉内终渣图像由安装在转炉四周的摄像头采集得到。
10.如权利要求9所述的基于炉渣智能分析及三维模型的转炉留渣量计算方法,其特征在于:所述炉渣分析系统的构建、图像数据的处理、三维模型的建立均通过计算机程序完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248470.XA CN113033335B (zh) | 2021-03-08 | 2021-03-08 | 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248470.XA CN113033335B (zh) | 2021-03-08 | 2021-03-08 | 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033335A true CN113033335A (zh) | 2021-06-25 |
CN113033335B CN113033335B (zh) | 2021-10-08 |
Family
ID=76468467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110248470.XA Active CN113033335B (zh) | 2021-03-08 | 2021-03-08 | 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033335B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103397134A (zh) * | 2013-07-15 | 2013-11-20 | 江苏省沙钢钢铁研究院有限公司 | 一种根据转炉倾动角度计算转炉留渣量的方法 |
WO2018105652A1 (ja) * | 2016-12-06 | 2018-06-14 | 新日鐵住金株式会社 | 溶融金属表面のスラグ体積評価方法 |
CN109489547A (zh) * | 2018-10-20 | 2019-03-19 | 长江水利委员会长江科学院 | 一种堆渣体堆渣量动态变化的监测方法 |
CN112232435A (zh) * | 2020-10-30 | 2021-01-15 | 三峡大学 | 基于卷积神经网络的渣土车土石方体积计算方法 |
CN112347530A (zh) * | 2020-09-27 | 2021-02-09 | 安徽工业大学 | 一种炼钢转炉出钢时间的计算方法 |
-
2021
- 2021-03-08 CN CN202110248470.XA patent/CN113033335B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103397134A (zh) * | 2013-07-15 | 2013-11-20 | 江苏省沙钢钢铁研究院有限公司 | 一种根据转炉倾动角度计算转炉留渣量的方法 |
WO2018105652A1 (ja) * | 2016-12-06 | 2018-06-14 | 新日鐵住金株式会社 | 溶融金属表面のスラグ体積評価方法 |
US20200064326A1 (en) * | 2016-12-06 | 2020-02-27 | Nippon Steel Corporation | Slag volume evaluation method for molten metal surface |
CN109489547A (zh) * | 2018-10-20 | 2019-03-19 | 长江水利委员会长江科学院 | 一种堆渣体堆渣量动态变化的监测方法 |
CN112347530A (zh) * | 2020-09-27 | 2021-02-09 | 安徽工业大学 | 一种炼钢转炉出钢时间的计算方法 |
CN112232435A (zh) * | 2020-10-30 | 2021-01-15 | 三峡大学 | 基于卷积神经网络的渣土车土石方体积计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033335B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101713819B (zh) | 万用表校验系统及方法 | |
KR100924848B1 (ko) | 용광로에서 반응물의 충진 경로 및 반응물 층의 윤곽 측정방법 | |
CN105956618A (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 | |
CN104463887A (zh) | 基于分层聚焦采集图像和三维重建的刀具磨损检测方法 | |
CN111737790A (zh) | 仿真城市模型的构建方法和设备 | |
WO2022257158A1 (zh) | 基于三维动态模型检测水工隧洞缺陷的方法 | |
CN106636530A (zh) | 一种转炉炼钢温度预报方法及服务器 | |
CN111639801A (zh) | 高炉炉况的评分方法及系统 | |
CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
CN113033335B (zh) | 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 | |
CN112862769A (zh) | 一种高炉渣铁比在线智能监测方法及系统 | |
CN113160143A (zh) | 物料搅拌槽内物料液面高度测量方法及系统 | |
CN113763350A (zh) | 一种胶线检测方法、装置、胶线检测设备及存储介质 | |
CN105842245A (zh) | 一种评估水稻产量的方法 | |
CN107787442B (zh) | 确定炉渣部分的化学组成的方法 | |
JP6376200B2 (ja) | 溶湯状況推定装置、溶湯状況推定方法、及び溶湯の製造方法 | |
CN113946982B (zh) | 一种获取危岩体地形剖面的方法 | |
Persson et al. | Increasing precision and yield in casting production by simulation of the solidification process based on realistic material data evaluated from thermal analysis (Using the ATAS MetStar System) | |
CN114623935A (zh) | 基于红外热成像仪成像数据的钢包准投准停模型应用方法 | |
CN114574660B (zh) | 一种基于按需脱硫的kr智能控制方法 | |
CN103658624A (zh) | 钢包透气砖熔损测量方法及装置 | |
CN113362903B (zh) | 一种大型转炉tsc阶段智能添加石灰的方法 | |
CN112296297B (zh) | 一种控制水口堵塞的方法及电子设备 | |
CN115439393A (zh) | 基于图像识别构建模型的铁水包内渣厚获取方法 | |
CN107194062A (zh) | 一种基于改进型0‑1测试的底吹炉水模型混沌状态表征方法 |
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 |