CN113033704B - 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 - Google Patents
基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 Download PDFInfo
- Publication number
- CN113033704B CN113033704B CN202110435745.0A CN202110435745A CN113033704B CN 113033704 B CN113033704 B CN 113033704B CN 202110435745 A CN202110435745 A CN 202110435745A CN 113033704 B CN113033704 B CN 113033704B
- Authority
- CN
- China
- Prior art keywords
- copper
- image
- converting
- blister
- period
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 101
- 239000010949 copper Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims description 37
- 238000003909 pattern recognition Methods 0.000 title claims description 14
- 238000007664 blowing Methods 0.000 claims abstract description 46
- 238000012706 support-vector machine Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000004876 x-ray fluorescence Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims 2
- 230000004048 modification Effects 0.000 claims 2
- 238000003723 Smelting Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 238000002441 X-ray diffraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910000570 Cupronickel Inorganic materials 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- -1 color Chemical compound 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
基于模式识别的铜转炉吹炼造铜期终点智能判断方法，首先对获取的粗铜图像进行预处理，再利用VGG16网络构建造铜期吹炼状态识别模型以预测出转炉吹炼后期粗铜图像；而后提取转炉吹炼后期粗铜图像特征信息作为支持向量机预测模型的输入，构建基于粒子群优化的支持向量机预测模型，用以预测铜转炉吹炼造铜期终点。本发明能够避免人工判断铜转炉吹炼造铜期终点存在的误差，有效提高铜转炉冶炼终点命中率，从而提高生产效率，降低成本。
Description
技术领域
本发明涉及铜转炉吹炼自动化控制技术领域，尤其涉及一种基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统。
背景技术
铜转炉吹炼造铜期是一个涉及化学反应、传热、传质、流体流动等众多作用，生产具有多变量，非线性，不确定性的过程，且物料变化范围大，影响因素多，故一直很难实现在线检测，这也给吹炼终点判断造成了极大的困难。随着计算机技术和图像处理的迅速发展，将模式识别应用于铜转炉吹炼终点的判断具有重要的意义。目前，国内外开发有许多检测技术，常用的方法有(大多数现场依旧是依靠操作人员)人工经验、仪器测定法、物料平衡与神经网络结合等方法，判断铜转炉吹炼的终点。
在实际生产和理论研究中发现：人工检测的方法费时费力，不可避免会出现误差，进而导致粗铜的生产效率下降；采用仪器测定方法，根据造铜期SO2气体浓度的变化，通过差分吸收光谱技术定性定量得到SO2的浓度以判断造铜期的终点，最终检测到的系统预报全程吹炼终点与实际经验操作终点误差在8分钟左右，此方法虽然简洁有效，但使用的仪器价格昂贵且容易损坏；物料平衡和神经网络方法，由于反应因素较多，反应过程较为复杂，故计算量较大，终点判断准确度不高。
发明内容
本发明提供一种基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统，以解决上述背景技术中存在的问题。
本发明所解决的技术问题采用以下技术方案来实现：
基于模式识别的铜转炉吹炼造铜期终点智能判断方法，具体步骤如下：
步骤1)获取铜转炉吹炼造铜期前期、中期、后期的粗铜图像，并对粗铜图像进行预处理
利用工业相机采集粗铜图像，在对粗铜图像去噪和分割后，进行归一化处理；
步骤2)将步骤1)中预处理后的粗铜图像作为造铜期吹炼状态识别模型的输入进行训练，构建基于VGG16卷积神经网络的造铜期吹炼状态识别模型，以预测出转炉吹炼后期粗铜图像
首先载入VGG16卷积神经网络，而后将步骤1)中预处理后的粗铜图像作为造铜期吹炼状态识别模型的输入进行训练，经由卷积神经网络的特征抽取器提取粗铜图像特征，最终识别出粗铜图像在造铜期铜转炉的吹炼状态(前期、中期、后期)，并预测出吹炼后期粗铜图像，为进一步判断铜转炉吹炼造铜期终点奠定基础；
步骤3)对步骤2)得到的吹炼后期粗铜图像进行预处理，提取预处理后的吹炼后期粗铜图像特征信息，吹炼后期粗铜图像特征信息包括图像的形状、颜色、纹理特征；
步骤4)将步骤3)中获得的吹炼后期粗铜图像特征信息作为支持向量机预测模型的输入，构建基于粒子群优化的支持向量机预测模型，以得到吹炼后期粗铜图像的形状、颜色、纹理特征与造铜期吹炼数据间的映射关系，并将输出造铜期S含量与预存在支持向量机预测模型内的特征比对表进行对比，以预测铜转炉吹炼造铜期终点
首先提取步骤3)获得的吹炼后期粗铜图像的形状、颜色、纹理特征信息数据，将数据分为训练组与测试组并进行归一化处理，作为支持向量机预测模型的输入，再利用XRD与XRF，以获得每次吹炼造铜期对应的S含量，而后将提取的每张吹炼后期粗铜图像特征信息与获得的S含量形成一一对应关系，最后输出造铜期S含量。
有益效果：本发明能够避免人工判断铜转炉吹炼造铜期终点存在的误差，减轻人工劳动强度，有效提高铜转炉冶炼终点命中率，从而提高生产效率，降低生产成本。
附图说明
图1为本发明中铜转炉吹炼状态分类网络图。
图2为本发明中VGG16神经网络图。
图3为本发明中铜转炉吹炼造铜期终点智能判断系统流程图。
图4为本发明中hu不变矩提取算法示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
现有热力学计算研究表明，当吹炼进入造铜期后，白铜锍中的Cu2S开始发生氧化反应，并最终生成金属铜后形成粗铜相，此阶段的主要任务是脱除熔体中的S元素，当粗铜含硫量脱至0.04％左右时，可停止吹炼，即造铜期结束(造铜期终点)。通过长期生产实践和取样分析发现，在铜锍吹炼过程中，吹炼渣和粗铜成分、吹炼渣和粗铜样的颜色、纹理表观特征、吹炼各期终点之间存在如表1所示的对应关系：
表1铜锍吹炼造铜期终点和粗铜的成分及其表观特征的特征比对表
由此可见，铜锍吹炼造铜期终点热力学上取决于粗铜的化学成分，同时也与粗铜的颜色和纹理等表观特征紧密相关，故铜转炉吹炼造铜期的终点主要依据造铜期的S含量进行判断，为此，采用基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统，直接采用铜转炉吹炼造铜期后期铜样图像的形状、颜色、纹理特征与造铜期吹炼终点数据之间的关联关系，通过对粗铜样图像的特征提取，利用模式识别的方法预测造铜期的S含量进行造铜期终点判断，以避开复杂的机理建模的困难，通过基于模式识别的铜转炉吹炼造铜期终点智能判断系统实施，包括：
图像采集模块：利用工业相机采集铜转炉吹炼造铜期过程的粗铜图像；
预处理模块：利用均值滤波对采集的图像进行去噪，同时采用FCM分割方法对图像的背景与物体进行分割处理，并将去噪和分割后的图像进行归一化处理；
图像处理模块：采用hu不变矩的方法提取粗铜图像的形状特征，利用颜色矩方法提取粗铜图像、炉口火焰图像的颜色特征，同时利用灰度差分统计特征(平均值，对比度，熵，角度方向)计算提取粗铜图像的纹理特征；
识别模块：用于构建基于VGG16卷积神经网络的造铜期吹炼状态识别模型(即附图3中所示的CNN模型)，且在造铜期吹炼状态识别模型中设置关键参数(包括训练迭代次数、全连接层层数、隐含层内部连接方式、每层输出特征图的个数及所用损失函数等)，以识别出粗铜图像在铜转炉吹炼造铜期的状态，并预测出造铜期后期粗铜图像；
支持向量机预测模型：用于构建造铜期后期粗铜图像的形状、颜色、纹理特征与造铜期吹炼数据间的映射关系，并输出造铜期S含量，以预测铜转炉吹炼造铜期终点；
具体步骤如下：
步骤1)获取铜转炉吹炼造铜期前期、中期、后期的粗铜图像，并对粗铜图像进行预处理
利用工业相机采集粗铜图像，在铜转炉吹炼造铜期过程中，由人工取样并进行拍摄，铜转炉吹炼造铜期全程近120min，全程共拍取150张图像；而后将150张图像去噪和分割后，进行归一化处理，用于造铜期吹炼状态识别模型的输入；
由于前期获取150张图像，图像较少，故选用基于VGG16卷积神经网络迁移学习建立造铜期吹炼状态识别模型，首先将获取的150张图像中分为训练集90张，用于造铜期吹炼状态识别模型的训练，剩余60张图像作为测试集，用于测试造铜期吹炼状态识别模型的准确度；
步骤2)构建基于VGG16卷积神经网络的造铜期吹炼状态识别模型，以预测出吹炼后期粗铜图像
首先载入VGG16卷积神经网络，而后将步骤1)中预处理后的粗铜图像作为造铜期吹炼状态识别模型的输入进行训练，经由卷积神经网络的特征抽取器提取粗铜图像特征，最终识别出粗铜图像在造铜期铜转炉的吹炼状态(前期、中期、后期)，并预测出吹炼后期粗铜图像，为进一步判断铜转炉吹炼造铜期终点奠定基础；
VGG16卷积神经网络包含13个卷积层与3个全连接层，并在每个卷积层中间加入池化层；卷积层用于提取输入的图像特征；池化层用于对卷积层已经进行过特征提取的图像做特征选择和信息过滤；全连接层用于对提取的图像特征进行非线性组合，以得到造铜期铜转炉吹炼状态；由于VGG16卷积神经网络的预测类别为1000中，故需要提前移除VGG16神经网络的全连接层，重新添加一组自定义全连接层以进行新的分类，自定义全连接层根据实际所需输出进行选择，而后选取卷积神经网络的结构和关键参数，如隐含层层数、隐含层内部的连接方式、卷积核个数、每层输出特征图的个数以及训练迭代次数等；
采用梯度下降法进行训练，本质是不停修改权值和偏置值，使得代价函数数值最小，因为权值与偏置项在各个隐含层中，修改就要将残差逐层传导到各层中，故要将输出层的残差做反卷积运算和上采样运算，以将其逐层传导到隐含层中，再根据权值修改公式，对权值进行修改，按照之前设定的迭代次数，根据梯度下降法，反复修改权值；
而后将用于训练与测试的图像进行数字化、归一化处理后送入造铜期吹炼状态识别模型中训练和测试，最终输出造铜期吹炼状态识别模型的准确率和损失率图像，同时将训练、测试完毕的基于VGG16卷积神经网络的造铜期吹炼状态识别模型进行在线判断；
对训练好的造铜期吹炼状态识别模型进行在线测试，具体如下：
将类别输入造铜期吹炼状态识别模型中，并将采集的粗铜图像经过预处理后送入训练好的造铜期吹炼状态识别模型，经VGG16卷积神经网络的特征提取，最终得到所输入图像的所属类别；因本实施例首先做的是将造铜期和铜样的图像分为前、中、后期三类，如表2所示，则输出为3个神经元，得到输出的三个值，从这些值中找到最大值并将其赋为1，其他值赋为0，赋值完毕的3个数值与输入造铜期吹炼状态识别模型的类别进行对比，以判断输入图像所属类别；
表2铜转炉吹炼过程中转炉渣与铜样标签
步骤3)对步骤2)得到的吹炼后期粗铜图像进行预处理，提取预处理后的吹炼后期粗铜图像特征信息，吹炼后期粗铜图像特征信息包括图像的形状、颜色、纹理特征，具体如下：
①提取形状特征：使用如图4所示的hu不变矩提取算法，其实现过程：
(1)几何矩计算公式：Mij＝ΣxΣyxiyiI(x，y)
(2)中心矩计算公式：
(3)归一化中心矩计算方式：
利用二阶和三阶归一化中心矩构造7个不变矩，不变矩是一处高度浓缩的图像特征
M1＝y20+y02
M2＝(y20-y02）2+4y11 2
M3＝(y30-3y12)2+(3y21-y03)2
M4＝(y30+y12)2+(y21+y03)2
M5＝(y30-3y12)(y30+y12)((y30+y12)2-3(y21+y03)2)+(3y21-y03)y21+y03)(3(y30+y12)2-(y21+y03)2)
M6＝(y20-02)((y30+y12)2-(y21+y03)2)+4y11(y30+y12)(y21+y03)
M7＝(3y21-y03)(y30+y12)((y30+y12)2-3(y21+y03)2)-(y30-3y12)(y21+y03)(3(y30+y12)2-(y21+y03)2)
步骤①公式参见：江波，徐小力，吴国新，左云波.轮廓Hu不变矩的工件图像匹配与识别[J].组合机床与自动化加工技术，2020(09)：104-107+111.
②提取颜色特征：利用颜色矩作为检索的特征，由于HSV颜色空间的色调、饱和度、明度与人眼对颜色的主观认识相比较符合，故先将RGB空间转换为HSV空间，RGB→HSV的转换公式：
V＝max max为r、g、b中的最大者
颜色矩公式：一阶矩(均值)
二阶矩(标准差)
三阶矩(斜度)
其中，pi，j表示彩色图像第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像中的像素个数；
步骤②公式参见：王业琴，赵志国.基于直方图和颜色矩方法的木材表面颜色特征的表达[J].林业科技，2006(05)：56-58.
③提取纹理特征：利用灰度共生矩阵算法描述图像纹理特征，灰度共生矩阵常用的四个特征为：
能量(角二阶矩ASM)：反映图像灰度分布均匀程度和纹理粗细度；
对比度(CON)：图像的清晰度和纹理的沟纹深浅，对比值大，沟纹深；
相关度(CORRLN)：图像中局部灰度相关性；
熵(ENT)：物体的规则度(图像纹理的非均匀程度)，越有序熵越小；
纹理特征提取的计算表达式为：
i、能量ASM＝∑i∑jP(i-j)2
ii、对比度CON＝∑i∑j(i-j)2P(i，j)
iii、相关度CORRLN＝[∑i∑j((ij)P(i，j))-μxμy]/σxσy
iv、熵ENT＝-∑i∑jP(i，j)log P(i，j)
其中，P(i，j)表示归一后的灰度共生矩阵，i，j为两个灰度值，(i，j)的值表示一个灰度为i，另一个灰度为j的两个相距d的像素对在角的方向上出现的次数；
步骤③公式参见：赵爽，李延军，马志庆，赵文华.基于灰度共生矩阵的乳腺病理图像纹理特征分析[J].中国医学装备,2018,15(08):5-8.
步骤4)构建基于粒子群优化的支持向量机预测模型，以得到吹炼后期粗铜图像的形状、颜色、纹理特征与造铜期吹炼数据间的映射关系，并输出造铜期S含量与预存在支持向量机预测模型内的特征比对表进行对比，以预测铜转炉吹炼造铜期终点
首先提取步骤3)获得的吹炼后期粗铜图像的形状、颜色、纹理特征信息数据，将特征信息数据分为训练组与测试组后进行归一化处理，作为支持向量机预测模型的输入，利用X射线衍射仪(XRD)与X射线荧光光谱分析仪(XRF)，以获得每次吹炼造铜期对应的S含量，而后将提取的每张吹炼后期粗铜图像特征信息与获得的S含量形成一一对应关系；
支持向量机是一种监督学习方法，可广泛应用于统计分类和回归分析；
支持向量机用于回归的原理为：SVR在线性函数两侧制造有一个“间隔带”，间距为ε\epsilon(ε也叫容忍偏差，由人工设定)，对所有落入至间隔带内的样本不计算损失，最后通过最小化总损失和最大化间隔得出优化后的非线性数学模型；
支持向量机的非线性数学模型：
表示映射至高维特征空间之后的内积，ai为拉格朗日乘子，ai>0，b表示偏置量，w为加权向量；
非线性数学模型公式参见：徐龙秀，辛超山，牛东晓，安琪，袁程浩，肖瑶.基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型[J].科学技术与工程,2019,19(06):136-141.
内积的计算比较困难，故需要用到核函数，核函数是对向量内积空间的一个扩展，使得非线性回归的问题，在经过核函数的转换后可以变成一个近似线性回归的问题；本实施例采用的核函数为高斯核函数，表达式为：
σ>0为高斯核的宽带；
支持向量机的参数惩罚因子c的选取与最终SVM模型的泛化能力挂钩，且使用的高斯核有一个参数gamma(g)也容易引起模型过拟合，故为确保模型的准确度和泛化能力，使用粒子群算法对两个参数进行优化；
粒子群优化算法：在找到最优值时，粒子根据如下的公式更新自身的速度和新的位置：
v[]＝v[]+c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[])
Present[]＝present[]+v[]，其中v[]是粒子的速度，present[]是当前粒子的位置，pbest[]和gbest[]表示两个极值，rand()是介于(0，1)之间的随机数，c1、c2是学习因子，通常c1＝c2＝2；
粒子群优化算法公式参见：徐龙秀，辛超山，牛东晓，安琪，袁程浩，肖瑶.基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型[J].科学技术与工程,2019,19(06):136-141.
由于铜转炉吹炼造铜期终点的准确判断主要依据造铜期S含量判断，故本实施例将S含量作为基于粒子群优化的支持向量机预测模型的输出；
经过前期调研可知，造铜期S的含量<0.03％时，造铜期终点到来；
利用基于粒子群优化的支持向量机构建造吹炼后期粗铜图像特征与造铜期吹炼数据间的映射关系，最后由支持向量机预测模型输出预测结果；
将支持向量机预测模型输出的造铜期S含量与预存在支持向量机预测模型内的特征比对表(表1)进行对比，以判断输入粗铜图像所属类别(终点、非终点)，进而预测造铜期终点。
Claims (6)
1.基于模式识别的铜转炉吹炼造铜期终点智能判断方法，其特征在于，具体步骤如下：
步骤1)获取铜转炉吹炼造铜期前期、中期、后期的粗铜图像，并对粗铜图像进行预处理；
步骤2)将步骤1)中预处理后的粗铜图像作为造铜期吹炼状态识别模型的输入进行训练，构建基于VGG16卷积神经网络的造铜期吹炼状态识别模型，以预测出转炉吹炼后期粗铜图像；
步骤3)对步骤2)得到的吹炼后期粗铜图像进行预处理，并提取预处理后的吹炼后期粗铜图像特征信息；
步骤4)将步骤3)中获得的吹炼后期粗铜图像特征信息作为支持向量机预测模型的输入，构建基于粒子群优化的支持向量机预测模型，以得到吹炼后期粗铜图像的特征信息与造铜期吹炼数据间的映射关系，并将输出造铜期S含量与预存在支持向量机预测模型内的特征比对表进行对比，以预测铜转炉吹炼造铜期终点；
步骤2)中，所述训练具体方法为：采用梯度下降法进行训练，不停修改权值和偏置值，使得代价函数数值最小，修改残差逐层传导到各隐含层中的权值与偏置项，将其逐层传导到隐含层中，再根据权值修改公式，对权值进行修改，按照之前设定的迭代次数，根据梯度下降法，将残差逐层传导到各层，反复修改在各个隐含层中的权值和偏置项；
步骤3)中，所述吹炼后期粗铜图像特征信息包括图像的形状、颜色、纹理特征。
2.根据权利要求1所述的基于模式识别的铜转炉吹炼造铜期终点智能判断方法，其特征在于，步骤1)中，所述预处理采用均值滤波进行去噪、采用FCM分割法进行分割处理。
3.根据权利要求1所述的基于模式识别的铜转炉吹炼造铜期终点智能判断方法，其特征在于，步骤1)中，利用工业相机采集粗铜图像，在对粗铜图像去噪和分割后，进行归一化处理。
4.根据权利要求1所述的基于模式识别的铜转炉吹炼造铜期终点智能判断方法，其特征在于，步骤2)中，所述造铜期吹炼状态识别模型预测流程为：首先载入VGG16卷积神经网络，而后将步骤1)中预处理后的粗铜图像作为造铜期吹炼状态识别模型的输入进行训练，经由卷积神经网络的特征抽取器提取粗铜图像特征，最终输出造铜期铜转炉吹炼状态，并预测出吹炼后期粗铜图像。
5.根据权利要求1所述的基于模式识别的铜转炉吹炼造铜期终点智能判断方法，其特征在于，步骤4)中，所述支持向量机预测模型获得造铜期S含量的流程为：首先提取步骤3)获得的吹炼后期粗铜图像的形状、颜色、纹理特征信息数据，将数据分为训练组与测试组并进行归一化处理，作为支持向量机预测模型的输入，再利用X射线衍射仪与X射线荧光光谱分析仪，以获得每次吹炼造铜期对应的S含量。
6.一种基于模式识别的铜转炉吹炼造铜期终点智能判断系统，其特征在于，包括：
图像采集模块，利用工业相机采集铜转炉吹炼造铜期过程中的粗铜图像；
预处理模块，利用均值滤波对采集的图像进行去噪，同时采用FCM分割方法对图像的背景与物体进行分割处理，并将去噪和分割后的图像进行归一化处理；
图像处理模块：采用hu不变矩的方法提取粗铜图像的形状特征，利用颜色矩方法提取粗铜图像的颜色特征，同时利用灰度差分统计特征以计算提取粗铜图像的纹理特征；
识别模块：用于构建基于VGG16卷积神经网络的造铜期吹炼状态识别模型并在造铜期吹炼状态识别模型中设置关键参数，最终识别出粗铜图像在铜转炉吹炼造铜期的状态，并预测出造铜期后期粗铜图像，采用梯度下降法进行训练，不停修改权值和偏置值，使得代价函数数值最小，修改残差逐层传导到各隐含层中的权值与偏置项，将其逐层传导到隐含层中，再根据权值修改公式，对权值进行修改，按照之前设定的迭代次数，根据梯度下降法，将残差逐层传导到各层，反复修改在各个隐含层中的权值和偏置项；
支持向量机预测模型：用于构建吹炼后期粗铜图像的形状、颜色、纹理特征与造铜期吹炼数据间的映射关系，并输出造铜期S含量，以预测铜转炉吹炼造铜期终点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110435745.0A CN113033704B (zh) | 2021-04-22 | 2021-04-22 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110435745.0A CN113033704B (zh) | 2021-04-22 | 2021-04-22 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033704A CN113033704A (zh) | 2021-06-25 |
| CN113033704B true CN113033704B (zh) | 2023-11-07 |
Family
ID=76457304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110435745.0A Active CN113033704B (zh) | 2021-04-22 | 2021-04-22 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033704B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591791B (zh) * | 2021-08-16 | 2022-05-17 | 郑州大学 | 基于自学习人工智能的肺癌自动化识别系统 |
| CN116402813B (zh) * | 2023-06-07 | 2023-08-04 | 江苏太湖锅炉股份有限公司 | 基于神经网络的铜转炉吹炼造铜期终点判断方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202865305U (zh) * | 2012-10-19 | 2013-04-10 | 江西瑞林电气自动化有限公司 | 铜锍吹炼终点识别监测系统 |
| CN103645694A (zh) * | 2013-11-28 | 2014-03-19 | 金隆铜业有限公司 | Ps铜转炉吹炼过程智能决策与终点预报方法及装置 |
| CN103667741A (zh) * | 2013-12-13 | 2014-03-26 | 合肥金星机电科技发展有限公司 | 铜转炉吹炼控制系统 |
| CN103667739A (zh) * | 2013-12-13 | 2014-03-26 | 合肥金星机电科技发展有限公司 | 用于铜转炉吹炼的控制系统 |
| CN203700464U (zh) * | 2013-12-13 | 2014-07-09 | 合肥金星机电科技发展有限公司 | 用于铜转炉吹炼的控制系统 |
| CN203820873U (zh) * | 2013-12-13 | 2014-09-10 | 合肥金星机电科技发展有限公司 | 铜转炉吹炼控制系统 |
| CN104866900A (zh) * | 2015-01-29 | 2015-08-26 | 北京工业大学 | 一种反卷积神经网络训练方法 |
| CN105956618A (zh) * | 2016-04-27 | 2016-09-21 | 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 |
| CN106981046A (zh) * | 2017-03-21 | 2017-07-25 | 四川大学 | 基于多层梯度约束回归的单幅图像超分辨率重建方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
| CN109615152A (zh) * | 2019-02-21 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
| CN109797291A (zh) * | 2018-12-06 | 2019-05-24 | 江西力沃德科技有限公司 | 一种转炉造铜期终点智能判断系统 |
| CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
| CN111057867A (zh) * | 2019-12-31 | 2020-04-24 | 吉林紫金铜业有限公司 | 一种阳极炉无氧化浅还原单炉作业半炉浇铸的铜精炼方法 |
| EP3683771A1 (en) * | 2019-01-18 | 2020-07-22 | Canon Medical Systems Corporation | Medical processing apparatus |
| EP3731154A1 (en) * | 2019-04-26 | 2020-10-28 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018346938B2 (en) * | 2017-10-09 | 2024-04-04 | The Board Of Trustees Of The Leland Stanford Junior University | Contrast dose reduction for medical imaging using deep learning |
| US11315570B2 (en) * | 2018-05-02 | 2022-04-26 | Facebook Technologies, Llc | Machine learning-based speech-to-text transcription cloud intermediary |
-
2021
- 2021-04-22 CN CN202110435745.0A patent/CN113033704B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202865305U (zh) * | 2012-10-19 | 2013-04-10 | 江西瑞林电气自动化有限公司 | 铜锍吹炼终点识别监测系统 |
| CN103645694A (zh) * | 2013-11-28 | 2014-03-19 | 金隆铜业有限公司 | Ps铜转炉吹炼过程智能决策与终点预报方法及装置 |
| CN103667741A (zh) * | 2013-12-13 | 2014-03-26 | 合肥金星机电科技发展有限公司 | 铜转炉吹炼控制系统 |
| CN103667739A (zh) * | 2013-12-13 | 2014-03-26 | 合肥金星机电科技发展有限公司 | 用于铜转炉吹炼的控制系统 |
| CN203700464U (zh) * | 2013-12-13 | 2014-07-09 | 合肥金星机电科技发展有限公司 | 用于铜转炉吹炼的控制系统 |
| CN203820873U (zh) * | 2013-12-13 | 2014-09-10 | 合肥金星机电科技发展有限公司 | 铜转炉吹炼控制系统 |
| CN104866900A (zh) * | 2015-01-29 | 2015-08-26 | 北京工业大学 | 一种反卷积神经网络训练方法 |
| CN105956618A (zh) * | 2016-04-27 | 2016-09-21 | 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 |
| CN106981046A (zh) * | 2017-03-21 | 2017-07-25 | 四川大学 | 基于多层梯度约束回归的单幅图像超分辨率重建方法 |
| CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技（深圳）有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
| CN109797291A (zh) * | 2018-12-06 | 2019-05-24 | 江西力沃德科技有限公司 | 一种转炉造铜期终点智能判断系统 |
| EP3683771A1 (en) * | 2019-01-18 | 2020-07-22 | Canon Medical Systems Corporation | Medical processing apparatus |
| CN109615152A (zh) * | 2019-02-21 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
| EP3731154A1 (en) * | 2019-04-26 | 2020-10-28 | Naver Corporation | Training a convolutional neural network for image retrieval with a listwise ranking loss function |
| CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
| CN111057867A (zh) * | 2019-12-31 | 2020-04-24 | 吉林紫金铜业有限公司 | 一种阳极炉无氧化浅还原单炉作业半炉浇铸的铜精炼方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《转炉铜锍智能数控吹炼技术简介》;金泽志;《世界有色金属》;20200425;第18-22页 * |
| Residual encoder-decoder network introduced for multisource SAR image despeckling;Feng Gu;2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA);全文 * |
| 基于ResNet网络的东巴象形文字识别研究;谢裕睿;《计算机时代》(第1期);全文 * |
| 基于全卷积神经网络的自然场景文字检测方法研究;刘媛;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033704A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
| CN113033704B (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 | |
| CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
| CN112101426A (zh) | 基于自编码器的无监督学习图像异常检测方法 | |
| CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
| CN112819802A (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
| CN113724842B (zh) | 一种基于注意力机制的宫颈组织病理辅助诊断方法 | |
| CN114091606A (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| Chaudhari | Steel surface defect detection using glcm, gabor wavelet, hog, and random forest classifier | |
| CN117312816A (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
| CN113033705B (zh) | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
| CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN113468794A (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
| CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
| CN116484275A (zh) | 基于自适应时空图卷积神经网络的铝电解阳极效应监测方法 | |
| CN112734722B (zh) | 一种基于改进完全局部二值模式火焰终点碳含量预测方法 | |
| CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
| CN114202106A (zh) | 一种基于深度学习的空调系统负荷预测方法 | |
| CN117911407A (zh) | 一种精子缺陷形态的图像识别方法 | |
| CN117131788B (zh) | 一种聚合物板材的优化成型方法和系统 | |
| Yuan | Decision Scheme for Predicting the Quality Control of Ore Processing | |
| CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 |
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 |