CN113052828A - 基于人工智能的钢包渣线结渣清理时间预测方法及系统 - Google Patents
基于人工智能的钢包渣线结渣清理时间预测方法及系统 Download PDFInfo
- Publication number
- CN113052828A CN113052828A CN202110355849.0A CN202110355849A CN113052828A CN 113052828 A CN113052828 A CN 113052828A CN 202110355849 A CN202110355849 A CN 202110355849A CN 113052828 A CN113052828 A CN 113052828A
- Authority
- CN
- China
- Prior art keywords
- image
- slag
- slagging
- ladle
- wall
- 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.)
- Withdrawn
Links
- 239000002893 slag Substances 0.000 title claims abstract description 203
- 238000004140 cleaning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 143
- 239000010959 steel Substances 0.000 claims abstract description 143
- 230000003628 erosive effect Effects 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000005266 casting Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910000655 Killed steel Inorganic materials 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及基于人工智能的钢包渣线结渣清理时间预测方法及系统。该方法包括以下步骤：采集第一内壁图像、第二内壁图像以及俯视图像；以钢包内沿内的区域作为目标，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；对第一感兴趣区域图像进行检测，获取钢包内壁的侵蚀程度；通过对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测，评估钢包中渣线区域的结渣脱落风险；根据钢包的使用炉次、侵蚀程度以及结渣的分布情况计算挂渣量；根据挂渣量、结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。本发明实施例能够及时清理钢包中的渣线区域的结渣钢渣，提高工作效率，保证钢水的质量。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及基于人工智能的钢包渣线结渣清理时间预测方法及系统。
背景技术
钢包中渣线结渣是浇注过程中常见的问题之一。钢铁冶炼生产中，硅镇静钢等高强系列钢种钢包中往往会在渣线区域出现结渣现象，使钢包清理作业难度及工作量增加，并且会对钢包的再次使用会带来一系列的影响。
由于渣线区域的结渣炉渣阻挡了钢包内部剩余钢渣的顺利倒出，在钢包包壁残留较多的挂渣。钢包再次盛钢时钢渣在钢水中融化上浮或堵住出水口，降低钢水质量和钢水可浇性，不能满足下炉钢包盛接钢水的要求。因此需要及时对渣线区域的结渣和钢包内壁形成的渣层进行清理，以保证钢包能够满足后续的浇铸工作。
发明人在实践中，发现上述现有技术存在以下缺陷：
通过人工对结渣清理时间进行预测需要依靠经验，没有准确的判断依据，主观性强。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的钢包渣线结渣清理时间预测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的钢包渣线结渣清理时间预测方法，该方法包括以下步骤：
采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的所述钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；
以钢包内沿内的区域作为目标，分别对所述第一内壁图像、所述第二内壁图像以及所述俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；
对所述第一感兴趣区域图像进行检测，获取所述钢包内壁的侵蚀程度；
通过对所述第二感兴趣区域图像和所述第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；所述结渣线为钢渣形成的所述渣层与钢包内壁接触面的交界线；
根据所述钢包的使用炉次、所述侵蚀程度以及结渣的分布情况计算挂渣量；根据所述挂渣量、所述结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。
优选的，所述侵蚀程度的获取方法为：
将所述第一感兴趣区域图像内的像素点分为侵蚀缺陷和正常两类，计算所述侵蚀缺陷的像素点数量在所述第一感兴趣区域图像内的像素点的占比，所述占比表示所述侵蚀程度。
优选的，所述结渣线检测的方法为：
设置滑动窗口分别遍历所述第二感兴趣区域图像和所述第三感兴趣区域图像，通过所述窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
优选的，所述凸度的获取步骤包括：
获取所述渣层的外部轮廓，检测所述第三感兴趣区域图像中每个所述外部轮廓内形成的凸点；
通过计算同一所述外部轮廓中不同凸点之间的二阶差分信息获得所述外部轮廓的凸度。
优选的，所述结渣的分布情况根据所述结渣面积与假定形成的环形面积的比值获得；所述环形以所述渣层的平均厚度为环宽。
第二方面，本发明另一个实施例提供了一种基于人工智能的钢包渣线结渣清理时间预测系统，该系统包括以下模块：
图像采集模块，用于采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的所述钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；
感兴趣区域划分模块，用于以钢包内沿内的区域作为目标，分别对所述第一内壁图像、所述第二内壁图像以及所述俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；
侵蚀程度获取模块，用于对所述第一感兴趣区域图像进行检测，获取所述钢包内壁的侵蚀程度；
结渣脱落风险评估模块，用于通过对所述第二感兴趣区域图像和所述第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；所述结渣线为钢渣形成的所述渣层与钢包内壁接触面的交界线；
最佳清理时间预测模块，用于根据所述钢包的使用炉次、所述侵蚀程度以及结渣的分布情况计算挂渣量；根据所述挂渣量、所述结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。
优选的，所述侵蚀程度获取模块还包括：
侵蚀程度计算模块，用于将所述第一感兴趣区域图像内的像素点分为侵蚀缺陷和正常两类，计算所述侵蚀缺陷的像素点数量在所述第一感兴趣区域图像内的像素点的占比，所述占比表示所述侵蚀程度。
优选的，所述结渣脱落风险评估模块还包括结渣线检测模块，用于设置滑动窗口分别遍历所述第二感兴趣区域图像和所述第三感兴趣区域图像，通过所述窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
优选的，所述结渣脱落风险评估模块还包括凸度获取模块，用于获取所述渣层的外部轮廓，检测所述第三感兴趣区域图像中每个所述外部轮廓内形成的凸点；通过计算同一所述外部轮廓中不同凸点之间的二阶差分信息获得所述外部轮廓的凸度。
优选的，所述最佳清理时间预测模块还包括结渣分布情况获取模块，用于根据所述结渣面积与假定形成的环形面积的比值获得；所述环形以所述渣层的平均厚度为环宽。
本发明实施例具有如下有益效果：
通过结合挂渣量、结渣脱落风险以及结渣面积对渣线区域的最佳清理时间进行预测，能够及时清理钢包中的渣线区域的结渣钢渣，提高工作效率，保证钢水的质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的钢包渣线结渣清理时间预测方法的流程图；
图2为本发明一个实施例所提供的一种基于人工智能的钢包渣线结渣清理时间预测方法的步骤流程图；
图3为本发明一个实施例所提供的一种基于人工智能的钢包渣线结渣清理时间预测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的钢包渣线结渣清理时间预测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的钢包渣线结渣清理时间预测方法及系统的具体方案。
请参阅图1和图2，图1示出了本发明一个实施例所提供的一种基于人工智能的钢包渣线结渣清理时间预测方法的流程图；图2示出了本发明一个实施例所提供的一种基于人工智能的钢包渣线结渣清理时间预测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像。
具体的，在钢包的上方部署图像采集装置，利用图像采集装置拍摄钢包图像获得钢包首次盛装钢水前的内壁图像，以及完成浇铸工序后的俯视图像和内壁图像。
图像采集装置采用工业RGB相机位于钢包上方，采用俯视镜头和倾斜视镜头，俯视镜头垂直钢包拍摄，倾斜视镜头以45°的倾斜角拍摄钢包的包壁。
步骤S002，以钢包内沿内的区域作为目标，分别对第一内壁图像、第二内壁图像以及俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像。
对图像采集装置获取的俯视图像和内壁图像进行预处理操作，并提取图像中感兴趣区域(region of interest，ROI)，减少计算量和无关工况的影响。
具体步骤包括：
1)对采集的图像进行预处理。
预处理过程主要包括滤波和图像增强两个步骤，具体的：
a.首先利用导向滤波过滤采集的图像中的噪声，将采集的RGB图像通过通道分离的方式将获取的原图像的R分量、G分量以及B分量，并将原图像作为引导图像分别对每个分量进行导向滤波操作后合并为RGB图像，能够有效的滤除图像中噪声的同时保留图像中的边缘细节信息。
b.将滤波处理后的图像通过加权平均的方式转为灰度图像，并通过自适应直方图均衡化对图像进行增强。
2)提取采集灰度图像中的ROI区域。
本发明实施例利用霍夫圆检测法确定钢包边沿的边缘线，并将钢包内边缘线的中间区域作为感兴趣区域。
具体步骤包括：
a.利用Canny边缘检测算子获取灰度图像中的边缘信息。
b.通过霍夫变换将图像边缘信息中的每个点映射到参数空间。在笛卡尔坐标系中圆上任意一点(xi，yi)映射到以(a,b)为圆心，r为半径的a-b-r参数空间的曲线上，当笛卡尔坐标系中的每一点都做同样映射时，所有曲线交于一点，此点所对应的坐标为(a，b，r)，则参数(a，b，r)所确定的圆即为检测的圆。
c.然后根据经验筛选检测图像中的圆获得钢包外边沿和内边沿，来确定ROI区域。
本发明中实施例将检测钢包内边沿的圆内区域作为图像的。
利用上述过程分别对第一内壁图像、第二内壁图像以及俯视图像进行处理，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像。
步骤S003，对第一感兴趣区域图像进行检测，获取钢包内壁的侵蚀程度。
考虑到钢包内壁的侵蚀会影响钢包内壁的挂渣量，因此，需要先利用倾斜视镜头对钢包首次盛钢水前的钢包内壁图像进行检测，获取当前使用的钢包内壁的侵蚀程度。
具体的步骤包括：
1)采用最大类间差分法自动获取阈值T将第一感兴趣区域图像内的像素点分成侵蚀缺陷和正常两类。
本发明实施例中大于阈值的像素赋值为，反之赋值为，从而得到图像
2)采用4连通或8连通的结构元素遍历图像
查找统计连通域，假设每个连通域中灰度值为255的像素点数量为Ni，若Ni小于临界像素阈值Nα，则认为该带宽内所有255灰度的像素点为细微噪声。
根据经验，临界像素阈值设置为10～30时，能够有效的去除细微噪声达到准确判断钢包内壁侵蚀程度的目的。
作为一个示例，本发明实施例中像素阈值取值为25。
3)计算侵蚀缺陷的像素点数量在第一感兴趣区域图像内的像素点的占比，表示所述侵蚀程度钢包内壁的侵蚀程度：
其中，ρ表示钢包内壁的侵蚀程度，S为感兴趣区域的总像素个数，Ni为图像
中的第i个连通域的像素点数量。
步骤S004，通过对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估结渣区域的结渣脱落风险；结渣线为钢渣形成的渣层与钢包内壁接触面的交界线。
具体的步骤包括：
1)对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测。
具体的：
a.设置滑动窗口分别遍历第二感兴趣区域图像和第三感兴趣区域图像。
在第二感兴趣区域和第三感兴趣区域中分别生成大小为k×k的滑动窗口进行遍历，并计算窗口内像素的平均灰度值M(x，y)。
作为一个示例，本发明实施例中取3。
b.通过窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
对于k×k的特定窗口内的每个像素，分别计算在水平和垂直方向上互不重叠的窗口之间的平均灰度差，当滑动窗内的像素平均灰度差大于阈值α时，则可判断为结渣渣线，像素的平均灰度差I可以表示为：
Ix＝|M(X+k，y)-M(X-k，y)|
Iy＝|M(x，y+k)-M(x，y-k)|
其中，Ix表示滑动窗像素在水平方向的平均灰度差，Iy表示滑动窗像素在垂直方向的平均灰度差，k为滑动窗的尺寸。
作为一个示例，本发明实施例中阈值取75。
2)利用差分算子提取边缘像素点f(x，y)与近邻成像边缘点的灰度值的灰度梯度变化g。
当灰度梯度变化明显变大时，说明渣线区域的结渣程度变大。
3)计算渣层的凸度。
获取渣层的凸度体现钢包中钢渣形成的渣层在渣线区域的分布。
具体的：
a.将第三感兴趣区域图像转换颜色空间，对转换后的图像去除噪声。
钢包中残留的钢液与钢渣形成的渣层在颜色上具有明显差异，本发明实施例先将第三感兴趣区域图像转换颜色空间，然后通过聚类算法提取钢渣在钢包内壁形成的渣层轮廓图像
将第三感兴趣区域图像转换到HSI颜色空间，颜色空间转换主要包括以下两个步骤：
将滤波后的R分量、G分量、B分量分别进行归一化处理；
利用颜色空间转换公式分别计算H分量、S分量和I分量。
然后对H分量利用k-means聚类算法将图像分成背景像素点和钢渣渣层像素点，得到二值图像
由于钢渣渣层存在与钢渣的空间分布特征相似度高的噪声，因此分割后的钢渣渣层二值图像
中存在离散噪声。本发明实施例中将图像
在纵向上划分带宽为的图像空间区域，对于每个图像空间区域中渣层像素的纵向空间位置为yi，其纵向离散度可以表示为：
其中，δ为纵向离散度，
为钢渣渣层像素在纵向坐标均值。
设定阈值α2去除二值图像中的离散噪声，其中大于阈值的被判定为离散噪声。
作为一个示例，本发明实施例中阈值取40。
L的划分原则是避免由于局部的噪声误差过大而导致总体结果的误差偏大，保证纵向带宽大于所有离散噪声区域最大带宽的前提下，尽可能地设置较小的纵向带宽。
b.获得钢渣形成的渣层的外部轮廓在第三感兴趣区域中形成的凸点。
利用凸包检测获得钢渣渣层的外部轮廓，检测第三感兴趣区域图像中每个外部轮廓内形成的凸点，并对凸点进行标记；同时可获得该凸点与钢包内壁边缘的距离di，将其作为渣层的厚度。
其中，在渣层轮廓中标记真实异常点的集合P＝{P1(x1，y1)，...，Pn(xn，yn)}即渣层形成的凸点。
c.通过计算同一外部轮廓中不同凸点之间的二阶差分信息获得外部轮廓的凸度。
利用同一渣层外部轮廓不同凸点之间的二阶差分信息来衡量该轮廓的凸度，凸点集合中其中一点P(xi，yi)的二阶差分
为：
其中，k为二阶差分算子的步长参数，以滑动窗口的尺寸作为步长参数。
4)根据凸度和梯度变化量建立渣层潜在的脱落风险估计模型，结渣区域的结渣脱落风险估计函数表达式为：
其中，η为结渣脱落风险程度，
表示所有结渣线处的梯度变化量的平均值，
为凸点的平均凸度。所述模型中凸点的凸度越大，渣层的脱落风险越大。
需要说明的是，钢包内壁钢渣形成的渣层会出现叠加，渣层分布不均匀时，形成的渣层会容易脱落至钢包底部，影响下个炉次的钢水质量或堵住出钢下水口，因此需要检测钢渣形成的渣层在钢包渣线或内壁的均匀情况，对渣线区域的结渣脱落风险进行评估。
步骤S005，根据钢包的使用炉次、侵蚀程度以及结渣的分布情况计算挂渣量；根据挂渣量、结渣脱落风险以及结渣面积预测最佳清理时间。
钢包内壁的侵蚀会影响顶渣在渣线区域形成渣层，并且钢包内壁的侵蚀也会增大钢包内部的挂渣量。钢包内壁钢渣形成的渣层会在一定程度上，阻挡钢包内部钢渣的顺利倒出形成挂渣，使钢包内部钢渣的残留量越来越多。
结合钢包使用的炉次，钢包内壁的侵蚀程度和结渣的分布情况对钢包内壁的挂渣量进行判断。
其中，结渣的分布情况根据结渣面积与假定形成的环形面积的比值获得，环形以渣层的平均厚度为环宽。
具体的步骤包括：
1)计算挂渣量。
钢包内壁的挂渣量的统计模型为：
其中，
表示结渣的分布指数，反应结渣的分布情况；SA为结渣区域面积；l为钢包内沿的半径，
为图像中结渣形成平均厚度；ρ表示钢包内壁的侵蚀程度，n表示钢包的使用炉次。
其中，对去噪处理后的二值图像
进行连通域分析,即对连通区域内的像素进行统计获得钢渣结渣的面积SA。
2)预测最佳清理时间。
建立预测模型来预测结渣对钢水质量的影响程度，获得钢包的最佳清理时间，以便及时的更换钢包或对钢包完成清理工作，避免钢包渣线处的结渣对下个炉次的钢水质量产生影响。
本发明实施例基于钢包使用次数的增加，钢包的结渣程度与挂渣量的影响关系，采用TCN预测模型来对钢渣结渣对下个炉次钢水质量的影响程度进行预测。
TCN预测网络步骤如下：
a.将钢包的使用炉次、钢内壁的挂渣量、钢包内壁的结渣脱落风险程度以及结渣面积作为网络的输入的特征，为了加快预测模型的收敛速度，首先对得到的特征值进行归一化处理，将特征数据映射到[0，1]。
b.TCN时序预测模型的输入形状为[B,N,3]，B为网络输入的batch size，N为某一时段采集的特征序列长度，经过TCN对特征序列进行编码后，通过全连接层输出对钢水质量的影响等级。最终预测出未来时间段内钢包结渣的钢渣对钢水质量的影响等级，输出形状为[B,1]。进而可根据网络的预测输出判断是否需要对钢包进行清理。
c.采用的loss函数为交叉熵损失函数。
综上所述，本发明实施例提供一种基于人工智能的钢包渣线结渣清理时间预测方法。采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；以钢包内沿内的区域作为目标，分别对第一内壁图像、第二内壁图像以及俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；对第一感兴趣区域图像进行检测，获取钢包内壁的侵蚀程度；通过对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；根据钢包的使用炉次、侵蚀程度以及结渣的分布情况计算挂渣量；根据挂渣量、结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。本发明实施例能够对渣线区域的最佳清理时间进行预测，避免影响钢水质量或者出现钢包下水口堵塞的情况。
基于与上述方法相同的发明构思，本发明另一个实施例提供了一种基于人工智能的钢包渣线结渣清理时间预测系统，请参阅图3，该系统包括以下模块：
图像采集模块1001、感兴趣区域划分模块1002、侵蚀程度获取模块1003、结渣脱落风险评估模块1004以及最佳清理时间预测模块1005。
图像采集模块1001用于采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；感兴趣区域划分模块1002用于以钢包内沿内的区域作为目标，分别对第一内壁图像、第二内壁图像以及俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；侵蚀程度获取模块1003用于对第一感兴趣区域图像进行检测，获取钢包内壁的侵蚀程度；结渣脱落风险评估模块1004用于通过对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；结渣线为钢渣形成的渣层与钢包内壁接触面的交界线；最佳清理时间预测模块1005用于根据钢包的使用炉次、侵蚀程度以及结渣的分布情况计算挂渣量；根据挂渣量、结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。
优选的，侵蚀程度获取模块还包括：
侵蚀程度计算模块，用于将第一感兴趣区域图像内的像素点分为侵蚀缺陷和正常两类，计算侵蚀缺陷的像素点数量在第一感兴趣区域图像内的像素点的占比，占比表示侵蚀程度。
优选的，结渣脱落风险评估模块还包括结渣线检测模块，用于设置滑动窗口分别遍历第二感兴趣区域图像和第三感兴趣区域图像，通过窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
优选的，结渣脱落风险评估模块还包括凸度获取模块，用于获取渣层的外部轮廓，检测第三感兴趣区域图像中每个外部轮廓内形成的凸点；通过计算同一外部轮廓中不同凸点之间的二阶差分信息获得外部轮廓的凸度。
优选的，最佳清理时间预测模块还包括结渣分布情况获取模块，用于根据结渣面积与假定形成的环形面积的比值获得；环形以渣层的平均厚度为环宽。
综上所述，本发明实施例提供一种基于人工智能的钢包渣线结渣清理时间预测系统。通过图像采集模块1001采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；通过感兴趣区域划分模块1002以钢包内沿内的区域作为目标，分别对第一内壁图像、第二内壁图像以及俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；通过侵蚀程度获取模块1003对第一感兴趣区域图像进行检测，获取钢包内壁的侵蚀程度；通过结渣脱落风险评估模块1004通过对第二感兴趣区域图像和第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；通过最佳清理时间预测模块1005根据钢包的使用炉次、侵蚀程度以及结渣的分布情况计算挂渣量；根据挂渣量、结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。本发明实施例能够对渣线区域的最佳清理时间进行预测，避免影响钢水质量或者出现钢包下水口堵塞的情况。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)
1.基于人工智能的钢包渣线结渣清理时间预测方法，其特征在于，该方法包括以下步骤：
采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的所述钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的所述俯视图像；
以钢包内沿内的区域作为目标，分别对所述第一内壁图像、所述第二内壁图像以及所述俯视图像划分所述感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；
对所述第一感兴趣区域图像进行检测，获取所述钢包内壁的侵蚀程度；
通过对所述第二感兴趣区域图像和所述第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；所述结渣线为钢渣形成的所述渣层与钢包内壁接触面的交界线；
根据所述钢包的使用炉次、所述侵蚀程度以及结渣的分布情况计算挂渣量；根据所述挂渣量、所述结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。
2.根据权利要求1所述的方法，其特征在于，所述侵蚀程度的获取方法为：
将所述第一感兴趣区域图像内的像素点分为侵蚀缺陷和正常两类，计算所述侵蚀缺陷的像素点数量在所述第一感兴趣区域图像内的像素点的占比，所述占比表示所述侵蚀程度。
3.根据权利要求1所述的方法，其特征在于，所述结渣线检测的方法为：
设置滑动窗口分别遍历所述第二感兴趣区域图像和所述第三感兴趣区域图像，通过所述窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
4.根据权利要求1所述的方法，其特征在于，所述凸度的获取步骤包括：
获取所述渣层的外部轮廓，检测所述第三感兴趣区域图像中每个所述外部轮廓内形成的凸点；
通过计算同一所述外部轮廓中不同凸点之间的二阶差分信息获得所述外部轮廓的凸度。
5.根据权利要求1所述的方法，其特征在于，所述结渣的分布情况根据所述结渣面积与假定形成的环形面积的比值获得；所述环形以所述渣层的平均厚度为环宽。
6.基于人工智能的钢包渣线结渣清理时间预测系统，其特征在于，该系统包括以下模块：
图像采集模块，用于采集首次盛钢水前的钢包内壁的第一内壁图像、完成浇铸工序后的所述钢包内壁的第二内壁图像以及完成浇铸工序后的钢包的俯视图像；
感兴趣区域划分模块，用于以钢包内沿内的区域作为目标，分别对所述第一内壁图像、所述第二内壁图像以及所述俯视图像划分感兴趣区域，得到第一感兴趣区域图像、第二感兴趣区域图像和第三感兴趣区域图像；
侵蚀程度获取模块，用于对所述第一感兴趣区域图像进行检测，获取所述钢包内壁的侵蚀程度；
结渣脱落风险评估模块，用于通过对所述第二感兴趣区域图像和所述第三感兴趣区域图像进行结渣线检测，计算结渣线位置的结渣梯度变化量和渣层的凸度，评估钢包中渣线区域的结渣脱落风险；所述结渣线为钢渣形成的所述渣层与钢包内壁接触面的交界线；
最佳清理时间预测模块，用于根据所述钢包的使用炉次、所述侵蚀程度以及结渣的分布情况计算挂渣量；根据所述挂渣量、所述结渣脱落风险以及结渣面积预测渣线区域的最佳清理时间。
7.根据权利要求6所述的系统，其特征在于，所述侵蚀程度获取模块还包括：
侵蚀程度计算模块，用于将所述第一感兴趣区域图像内的像素点分为侵蚀缺陷和正常两类，计算所述侵蚀缺陷的像素点数量在所述第一感兴趣区域图像内的像素点的占比，所述占比表示所述侵蚀程度。
8.根据权利要求6所述的系统，其特征在于，所述结渣脱落风险评估模块还包括结渣线检测模块，用于设置滑动窗口分别遍历所述第二感兴趣区域图像和所述第三感兴趣区域图像，通过所述窗口内像素的平均灰度差的阈值判断钢包内壁是否存在结渣线。
9.根据权利要求6所述的系统，其特征在于，所述结渣脱落风险评估模块还包括凸度获取模块，用于获取所述渣层的外部轮廓，检测所述第三感兴趣区域图像中每个所述外部轮廓内形成的凸点；通过计算同一所述外部轮廓中不同凸点之间的二阶差分信息获得所述外部轮廓的凸度。
10.根据权利要求6所述的系统，其特征在于，所述最佳清理时间预测模块还包括结渣分布情况获取模块，用于根据所述结渣面积与假定形成的环形面积的比值获得；所述环形以所述渣层的平均厚度为环宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355849.0A CN113052828A (zh) | 2021-04-01 | 2021-04-01 | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355849.0A CN113052828A (zh) | 2021-04-01 | 2021-04-01 | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052828A true CN113052828A (zh) | 2021-06-29 |
Family
ID=76517154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110355849.0A Withdrawn CN113052828A (zh) | 2021-04-01 | 2021-04-01 | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052828A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611579A (zh) * | 2024-01-17 | 2024-02-27 | 苏州市瑞思特智能制造有限公司 | 一种钢包内衬在线检测方法及在线检测系统 |
| CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
-
2021
- 2021-04-01 CN CN202110355849.0A patent/CN113052828A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611579A (zh) * | 2024-01-17 | 2024-02-27 | 苏州市瑞思特智能制造有限公司 | 一种钢包内衬在线检测方法及在线检测系统 |
| CN117611579B (zh) * | 2024-01-17 | 2024-04-02 | 苏州市瑞思特智能制造有限公司 | 一种钢包内衬在线检测方法及在线检测系统 |
| CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
| CN117636354B (zh) * | 2024-01-25 | 2024-04-09 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| CN113052828A (zh) | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 | |
| CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
| CN110544261B (zh) | 一种基于图像处理的高炉风口喷煤状态检测方法 | |
| CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
| CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| CN114170228A (zh) | 一种计算机图像边缘检测方法 | |
| CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
| CN114419048B (zh) | 基于图像处理的输送机在线检测方法及系统 | |
| CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
| CN114972892B (zh) | 基于计算机视觉的汽车刹车片缺陷分类方法 | |
| CN115272339A (zh) | 一种金属模具的污浊清理方法 | |
| CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
| CN112862769A (zh) | 一种高炉渣铁比在线智能监测方法及系统 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
| CN115830501A (zh) | 一种基于视觉的高炉铁水流渣铁识别方法及系统 | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN109954854B (zh) | 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端 | |
| CN116612123A (zh) | 一种花生油加工质量视觉检测方法 | |
| CN116205907A (zh) | 一种基于机器视觉的饰板缺陷检测方法 | |
| CN111753693A (zh) | 一种静态场景下目标检测方法 | |
| CN112828275B (zh) | 一种自动扒渣方法、装置及系统 | |
| CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
| CN113362274A (zh) | 一种雨量监测计算方法 | |
| CN113063474A (zh) | 一种渣液面实时检测方法、装置、设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210629 |
|
| WW01 | Invention patent application withdrawn after publication |