CN113221827A - 一种智能转炉火焰状态识别及复检方法、系统、介质和终端 - Google Patents
一种智能转炉火焰状态识别及复检方法、系统、介质和终端 Download PDFInfo
- Publication number
- CN113221827A CN113221827A CN202110600804.5A CN202110600804A CN113221827A CN 113221827 A CN113221827 A CN 113221827A CN 202110600804 A CN202110600804 A CN 202110600804A CN 113221827 A CN113221827 A CN 113221827A
- Authority
- CN
- China
- Prior art keywords
- flame
- converter
- state
- rechecking
- abnormal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012552 review Methods 0.000 claims description 21
- 239000002893 slag Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 37
- 230000005856 abnormality Effects 0.000 description 11
- 230000009191 jumping Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Abstract
本发明提供一种智能转炉火焰状态识别及复检方法、系统、介质和终端,其方法包括:获取转炉火焰图像数据,根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;建立转炉火焰识别模型并进行训练;采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;将实时图像和识别结果进行同步显示,并根据所述实时图像对所述识别结果进行复检;本发明可以对转炉火焰状态的准确识别,同时储存数据,实现对历史结果的有效追溯。
Description
技术领域
本发明涉及钢铁领域、图像处理与识别领域和监控领域,尤其涉及一种智能转炉火焰状态识别及复检方法、系统、介质和终端。
背景技术
在转炉炼钢的作业场景下,转炉火焰的状态判断对最终烧制的炉钢质量至关重要,由于复杂多变的作业环境,传统转炉火焰状态判断方法普遍存在检测精度低、受环境因素干扰大、泛化能力差等种种问题,目前,一直依赖人工目测进行转炉火焰状态识别来确定转炉火焰的状态是否正常;在转炉火焰状态异常时,各个异常阶段难以依照固定标准进行准确的区分,整体转炉火焰状态识别极其依赖技术人员的过往经验。
同时,没有有效方法对历史结果进行追溯,缺乏客观数据作为参考。缺乏一种可视化、智能化的操作系统,对转炉火焰状态识别这一过程进行监控与记录。因此,目前亟需一种智能化的手段,实现对转炉火焰状态的准确识别,同时储存数据,实现对历史结果的有效追溯。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种智能转炉火焰状态识别及复检方法、系统、介质和终端,以解决上述技术问题。
本发明提供的智能转炉火焰状态识别及复检方法,包括:
获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
建立转炉火焰识别模型并进行训练;
采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;
将所述实时图像和识别结果进行同步显示,并根据所述实时图像对所述识别结果进行复检。
与本发明的一实施例中,所述异常状态包括小块跳渣、大块跳渣、成股流下、粘稠流下和倾盆流下,将识别结果中的正常状态或异常状态对应的具体类别,同步显示在对应的实时图像中。
与本发明的一实施例中,记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表。
与本发明的一实施例中,所述列表包括:
一级列表,用于显示炉次号及异常状态数量,
二级列表,用于通过一级列表跳转显示对应炉次号下的每个异常状态发生的时间与异常状态的详细信息;
通过所述二级列表对所述识别结果进行复检,并将复检结果显示在对应的已复检图像中。
与本发明的一实施例中,在所述二级列表中复检结果仅包括已复检和未复检,在所述一级列表中复检结果包括已复检、未复检和部分复检,将复检结果反馈至所述转炉火焰识别模型,通过自学习对输出的识别结果进行动态调整。
与本发明的一实施例中,根据所述识别结果,获取喷溅指数曲线,将所述喷溅指数曲线与已复检图像的图像帧进行时间轴同步,当进行视频播放时,同步显示对应时间段的喷溅指数曲线,并对异常状态的时间段进行标识。
本发明还提供一种智能转炉火焰状态识别及复检系统,包括:
数据处理模块,用于获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
图像采集模块,用于采集转炉火焰的实时图像;
转炉火焰识别模型,用于进行火焰状态识别,获取识别结果;
显示模块,用于将所述实时图像和识别结果进行同步显示;
复检模块,用于根据所述实时图像对所述识别结果进行复检。
与本发明的一实施例中,还包括:
存储模块,用于记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表;
查询模块,用于根据炉次相关信息进行信息查询。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述中任一项所述方法。
本发明的有益效果:本发明中的智能转炉火焰状态识别及复检方法、系统、介质和终端,可以通过采集转炉火焰的实时图像,自动进行转炉火焰的状态识别,进而确定转炉火焰的状态是否正常;当转炉火焰状态异常时,根据预先制定的分类标准自动判定异常状态的类别,并可供后续进行复检,无需人工现场参与识别,本发明可以对转炉火焰状态的准确识别,同时储存数据,实现对历史结果的有效追溯。
附图说明
图1是本发明实施例中的智能转炉火焰状态识别及复检方法的整体流程示意图。
图2是本发明实施例中的智能转炉火焰状态识别及复检系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
如图1所示,本实施例中的智能转炉火焰状态识别及复检方法,包括:
S1.获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
S2.建立转炉火焰识别模型并进行训练;
S3.采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;
S4.将所述实时图像和识别结果进行同步显示,并根据所述实时图像对所述识别结果进行复检。
在本实施例的步骤S1中,采集转炉火焰的实时视频,并预先对转炉火焰进行分类,本实施例中的转炉火焰状态主要分为正常状态和异常状态,其中异常状态可以分为小块跳渣、大块跳渣、成股流下、粘稠流下、倾盆流下,异常状态的火焰形态的异常等级逐级上升,可选的,可以以数字的方式表示,正常对应的异常等级为0;小块跳渣的异常等级为1;大块跳渣的异常等级为2;成股流下、粘稠流下、倾盆流下的异常等级依次为3、4、5。
在本实施例的步骤S2中,建立转炉火焰识别模型并进行训练,可选的,可以通过利用转炉火焰分类算法,建立识别模型判断火焰状态,实现对输入图像中转炉火焰的当前形态进行分类,并记录监测结果。
在本实施例的步骤S3中,采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;可选的,针对识别结果,可以在识别状态一栏将显示火焰形态的判断结果,例如,若结果为“正常”,将显示绿色;若结果为“小块跳渣”、“大块跳渣”、“成股流下”、“粘稠流下”、“倾盆流下”五种异常状态之一,则显示为红色。
在本实施例的步骤S4中,将所述实时图像和识别结果进行同步显示,并根据实时图像对识别结果进行复检,在本实施例中,可以采用多种条件对转炉状态记录进行筛选并查看。通过在历史记录的标签筛选栏中选择不同标签,可以实现依据采集时间、异常情况、喷溅类型与处理情况对历史记录进行筛选查看。可选的,可以在检索完成后,可以将以列表的形式,默认按炉次号顺序呈现历史记录。
在本实施例中,可以对转炉状态记录进行复核/复检。每条历史记录展示的信息包括记录采集时间、炉次号、异常情况、异常时间与处理结果。工作人员可以查看异常情况记录的详情,并能够对系统的检测结果进行复检、删除与新增。
在本实施例中,记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表,列表包括:一级列表,用于显示炉次号及异常状态数量,二级列表,用于通过一级列表跳转显示对应炉次号下的每个异常状态发生的时间与异常状态的详细信息;通过二级列表对所述识别结果进行复检,并将复检结果显示在对应的已复检图像中。例如,可以通过点击的方式,点击查看的信息将打开二级列表,并逐条显示异常记录。二级列表中记录了每一个异常情况的具体识别结果,可以单独对每一个异常记录进行复核。可选的,一级列表的异常情况栏仅显示该炉次中检测到的异常情况的数量,二级列表的异常情况栏将显示每个异常的具体识别结果,即火焰的喷溅类型。一级列表与二级列表该栏可能出现状态的数目不同。二级列表的处理情况栏只会出现两种状态:已复核、未复核。一级列表的处理情况一栏可能出现三种状态:未复核、已复核、部分复核,其中部分复核仅会在该炉次的二级列表中同时存在已复核与未复核的记录时出现。
在本实施例中,将复检结果反馈至所述转炉火焰识别模型,通过自学习对输出的识别结果进行动态调整,通过复检结果,可以作为已标注数据,可选的,可以通过利用无标签数据集训练稀疏自编码器;再利用稀疏自编码器对有标签的训练样本集和测试样本集提取特征;通过提取的训练集特征及其标签集,训练softmax分类器,进而使得火焰状态的识别结果越来越准确,提供火焰状态识别的准确率。
在本实施例中,根据识别结果,获取喷溅指数曲线,将所述喷溅指数曲线与已复检图像的图像帧进行时间轴同步,当进行视频播放时,同步显示对应时间段的喷溅指数曲线,并对异常状态的时间段进行标识。可选的,本实施例中的喷溅指数曲线的具体数值可以采用火焰形态的异常程度作为量化,采集的图像与曲线都是整炉的,可以通过在曲线上设置一条竖线定位当前视频的播放进度。可以在该炉次中出现的所有异常状态中,在曲线上以红色遮罩的形式标出,当前正在复核的异常在曲线上对应的区域将高亮显示。
在本实施例中,针对当前检测结果进行复核,如果有误则修改、缺失则添加。复检可以采用设置选项框的形式,复核选项框中会显示相关信息,包括:炉次号、采集时间、识别结果与异常时间(段)。可以在下拉菜单中选择检测结果属于“正确”或“错误”。若检测结果正确,则异常信息的状态变为“已复核”;若检测结果错误,则需要对检测结果进行更改或添加。更改或添加的复核结果将覆盖原先检测结果。可选的,可以在复核界面的通过下拉菜单选择正确的识别结果,并根据竖线位置记录发生异常的时间,保存后,复核结果将覆盖原本的检测结果。若原先没有检测到异常,通过如上操作将新增一条异常检测记录。
在本实施例中,用户可以对历史监测数据的删除或导出。通过一级列表或二级列表的操作栏中“删除”选项,可以实现删除整个炉次的检测记录,或删除某一条异常的检测记录。
相应的,本实施例还提供一种智能转炉火焰状态识别及复检系统,包括:
数据处理模块,用于获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
图像采集模块,用于采集转炉火焰的实时图像;
转炉火焰识别模型,用于进行火焰状态识别,获取识别结果;
显示模块,用于将所述实时图像和识别结果进行同步显示;
复检模块,用于根据所述实时图像对所述识别结果进行复检。
存储模块,用于记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表;
查询模块,用于根据炉次相关信息进行信息查询。
在本实施例中,可以通过图像采集模块采集转炉火焰的实时视频,通过数据处理模块对转炉火焰进行分类,本实施例中的转炉火焰状态主要分为正常状态和异常状态,其中异常状态可以分为小块跳渣、大块跳渣、成股流下、粘稠流下、倾盆流下,异常状态的火焰形态的异常等级逐级上升,可选的,可以以数字的方式表示,正常对应的异常等级为0;小块跳渣的异常等级为1;大块跳渣的异常等级为2;成股流下、粘稠流下、倾盆流下的异常等级依次为3、4、5。
在本实施例,转炉火焰识别模型可以通过利用转炉火焰分类算法,实现对输入图像中转炉火焰的当前形态进行分类,并记录监测结果。可选的,可以采用基于残差神经网络实现转炉火焰状态识别。在本实施例中,采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;可选的,针对识别结果,可以在识别状态一栏将显示火焰形态的判断结果,例如,若结果为“正常”,将显示绿色;若结果为“小块跳渣”、“大块跳渣”、“成股流下”、“粘稠流下”、“倾盆流下”五种异常状态之一,则显示为红色。
在本实施例中,通过显示模块,对实时图像和识别结果进行同步显示,通过复检模块对对识别结果进行复检,在本实施例中,通过查询模块可以采用多种条件对转炉状态记录进行筛选并查看。通过在历史记录的标签筛选栏中选择不同标签,可以实现依据采集时间、异常情况、喷溅类型与处理情况对历史记录进行筛选查看。可选的,可以在检索完成后,可以将以列表的形式,默认按炉次号顺序呈现历史记录。
在本实施例中,通过复检模块可以对转炉状态记录进行复核/复检。每条历史记录展示的信息包括记录采集时间、炉次号、异常情况、异常时间与处理结果。工作人员可以查看异常情况记录的详情,并能够对系统的检测结果进行复检、删除与新增。
在本实施例中,存储模块记录炉次相关信息,炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表,列表包括:一级列表,用于显示炉次号及异常状态数量,二级列表,用于通过一级列表跳转显示对应炉次号下的每个异常状态发生的时间与异常状态的详细信息;通过二级列表对所述识别结果进行复检,并将复检结果显示在对应的已复检图像中。例如,可以通过点击的方式,点击查看的信息将打开二级列表,并逐条显示异常记录。二级列表中记录了每一个异常情况的具体识别结果,可以单独对每一个异常记录进行复核。可选的,一级列表的异常情况栏仅显示该炉次中检测到的异常情况的数量,二级列表的异常情况栏将显示每个异常的具体识别结果,即火焰的喷溅类型。一级列表与二级列表该栏可能出现状态的数目不同。二级列表的处理情况栏只会出现两种状态:已复核、未复核。一级列表的处理情况一栏可能出现三种状态:未复核、已复核、部分复核,其中部分复核仅会在该炉次的二级列表中同时存在已复核与未复核的记录时出现。
在本实施例中,可以将复检结果反馈至所述转炉火焰识别模型,通过自学习对输出的识别结果进行动态调整,通过复检结果,可以作为已标注数据,可选的,可以通过利用无标签数据集训练稀疏自编码器;再利用稀疏自编码器对有标签的训练样本集和测试样本集提取特征;通过提取的训练集特征及其标签集,训练softmax分类器,进而使得火焰状态的识别结果越来越准确,提供火焰状态识别的准确率。
在本实施例中,根据识别结果,获取喷溅指数曲线,将所述喷溅指数曲线与已复检图像的图像帧进行时间轴同步,当进行视频播放时,同步显示对应时间段的喷溅指数曲线,并对异常状态的时间段进行标识。可选的,本实施例中的喷溅指数曲线的具体数值可以采用火焰形态的异常程度作为量化,采集的图像与曲线都是整炉的,可以通过在曲线上设置一条竖线定位当前视频的播放进度。可以在该炉次中出现的所有异常状态中,在曲线上以红色遮罩的形式标出,当前正在复核的异常在曲线上对应的区域将高亮显示。
在本实施例中,针对当前检测结果进行复核,如果有误则修改、缺失则添加。复检可以采用设置选项框的形式,复核选项框中会显示相关信息,包括:炉次号、采集时间、识别结果与异常时间(段)。可以在下拉菜单中选择检测结果属于“正确”或“错误”。若检测结果正确,则异常信息的状态变为“已复核”;若检测结果错误,则需要对检测结果进行更改或添加。更改或添加的复核结果将覆盖原先检测结果。可选的,可以在复核界面的通过下拉菜单选择正确的识别结果,并根据竖线位置记录发生异常的时间,保存后,复核结果将覆盖原本的检测结果。若原先没有检测到异常,通过如上操作将新增一条异常检测记录。
在本实施例中,用户可以对历史监测数据的删除或导出。通过一级列表或二级列表的操作栏中“删除”选项,可以实现删除整个炉次的检测记录,或删除某一条异常的检测记录。
下面通过一具体实施例进行进一步说明:
执行操作包括:账户登录,进入系统控制台;利用工业摄像机获取现场图像;通过转炉火焰识别模型对图像中火焰状态进行分类并输出结果;通过大屏展示实时图像与相关信息;对历史记录进行筛选与查看;对历史检测结果进行复核;更改检测结果、新增异常;对历史结果进行删除与导出。
在本实施例中,可以采用浏览器打开网址进入智能转炉火焰状态识别及复检系统的登陆页面,使用账号密码登录,登陆成功后跳转到实时图像的大屏展示界面。大屏展示界面的页面元素可以包括logo、实时图像、当前炉次相关信息与历史记录等。其中,
实时图像:包括展示当前传入系统的实时图像,并在实时图像中框出了火焰状态检测算法的感兴趣区域。
当前炉次相关信息:主要包括炉次号、终点碳比例、温度与识别状态等信息。其中识别状态显示当前火焰状态为正常或异常的具体种类。
历史记录按钮:通过点击历史记录按钮,跳转到系统的历史记录页。
在本实施例中,图像采集模块可以利用工业相机。通过固定位置地工业相机获取目标场景的实时图像。
在本实施例中,通过调用转炉火焰识别模型,即可实现对传入图像中的火焰状态进行分类。将火焰状态分为六种,分别是一种正常状态与五种异常状态,包括:小块跳渣、大块跳渣、成股流下、粘稠流下、倾盆流下。完成当前图像的分类后,火焰状态识别算法将返回图像与分类结果。
在本实施例中,通过大屏展示实时图像与相关信息。系统将大屏展示由工业相机传入的实时图像与又算法返回的火焰状态识别结果,并展示相关信息。
在本实施例中,可以对历史记录进行筛选与查看。可以通过点击历史记录按钮,跳转到系统的历史记录页。历史记录页面上部的筛选栏中可以对历史记录按照采集时间段、异常情况、喷溅类型及处理情况等标签进行筛选,筛选结果以列表的形式呈现。一级列表默认以炉次号顺序排列,通过点击一级列表可以打开二级列表,查看每一个异常结果的时间与异常状况的详细信息。
在本实施例中,系统支持对历史检测结果进行复核。
通过点击列表或二级列表的复核按钮,将弹出复核界面,如图四所示。复核界面主要由三部分组成:视频回放、喷溅指数曲线,复核选项框。用户可以在此界面可以进行视频回放、对异常情况的复核与新增。
视频回放:可以观看当前复核炉次的视频回放。
喷溅指数曲线:喷溅指数曲线横向与当前视频的播放进度相对,纵向对应异常的严重程度,同时检测到异常的时间段将以红色遮罩的方式呈现在喷溅指数曲线上。
复核选项框:可以在选项框中对当前检测结果进行复核,有误则修改、缺失则添加。复核选项框中会显示相关信息,包括:炉次号、采集时间、识别结果与异常时间(段)。
在本实施例中,系统支持对误检结果的更改与增加算法未检测到的异常。可以在复核选项框的下拉菜单中选择检测结果属于“正确”或“错误”。如检测结果为错误,复核界面的修改栏中通过下拉菜单选择正确的识别结果,并根据竖线位置记录发生异常的时间,在点击保存后,复核结果将覆盖原本的检测结果。若原先没有检测到异常,通过如上操作将新增一条异常检测记录。
在本实施例中,对历史结果进行删除与导出。可以通过历史记录页面的操作栏中点击“删除”按钮,即可删除某炉次号对应的记录或删除单独某条异常。点击历史记录页面右上角的“数据下载”按钮,即可将筛选结果下载到指定位置。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,除非另外规定,否则通过使用“第一”、“第二”等序号对共同的对象进行描述,只表示其指代相同对象的不同实例,而非是采用表示被描述的对象必须采用给定的顺序,无论是时间地、空间地、排序地或任何其他方式。在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种智能转炉火焰状态识别及复检方法,其特征在于,包括:
获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
建立转炉火焰识别模型并进行训练;
采集转炉火焰的实时图像,输入至训练后的转炉火焰识别模型中,进行火焰状态识别,获取识别结果;
将所述实时图像和识别结果进行同步显示,并根据所述实时图像对所述识别结果进行复检。
2.根据权利要求1所述的智能转炉火焰状态识别及复检方法,其特征在于,所述异常状态包括小块跳渣、大块跳渣、成股流下、粘稠流下和倾盆流下,将识别结果中的正常状态或异常状态对应的具体类别,同步显示在对应的实时图像中。
3.根据权利要求1所述的智能转炉火焰状态识别及复检方法,其特征在于,记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表。
4.根据权利要求3所述的智能转炉火焰状态识别及复检方法,其特征在于,所述列表包括:
一级列表,用于显示炉次号及异常状态数量,
二级列表,用于通过一级列表跳转显示对应炉次号下的每个异常状态发生的时间与异常状态的详细信息;
通过所述二级列表对所述识别结果进行复检,并将复检结果显示在对应的已复检图像中。
5.根据权利要求4所述的智能转炉火焰状态识别及复检方法,其特征在于,在所述二级列表中复检结果仅包括已复检和未复检,在所述一级列表中复检结果包括已复检、未复检和部分复检,将复检结果反馈至所述转炉火焰识别模型,通过自学习对输出的识别结果进行动态调整。
6.根据权利要求4所述的智能转炉火焰状态识别及复检方法,其特征在于,根据所述识别结果,获取喷溅指数曲线,将所述喷溅指数曲线与已复检图像的图像帧进行时间轴同步,当进行视频播放时,同步显示对应时间段的喷溅指数曲线,并对异常状态的时间段进行标识。
7.一种智能转炉火焰状态识别及复检系统,其特征在于,包括:
数据处理模块,用于获取转炉火焰图像数据,预先将转炉火焰状态划分为正常状态和异常状态,并根据转炉火焰的喷溅类型,将所述异常状态按异常程度划分为若干等级;
图像采集模块,用于采集转炉火焰的实时图像;
转炉火焰识别模型,用于进行火焰状态识别,获取识别结果;
显示模块,用于将所述实时图像和识别结果进行同步显示;
复检模块,用于根据所述实时图像对所述识别结果进行复检。
8.根据权利要求7所述的智能转炉火焰状态识别及复检系统,其特征在于,还包括
存储模块,用于记录炉次相关信息并存储,所述炉次相关信息包括当前的炉次号、图像采集的时间段、终点碳、温度与识别结果,建立各参数之间的映射关系,形成可筛选的列表;
查询模块,用于根据炉次相关信息进行信息查询。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至6中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600804.5A CN113221827A (zh) | 2021-05-31 | 2021-05-31 | 一种智能转炉火焰状态识别及复检方法、系统、介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600804.5A CN113221827A (zh) | 2021-05-31 | 2021-05-31 | 一种智能转炉火焰状态识别及复检方法、系统、介质和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221827A true CN113221827A (zh) | 2021-08-06 |
Family
ID=77082018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110600804.5A Pending CN113221827A (zh) | 2021-05-31 | 2021-05-31 | 一种智能转炉火焰状态识别及复检方法、系统、介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221827A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678332A (zh) * | 2016-01-08 | 2016-06-15 | 昆明理工大学 | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 |
CN106153550A (zh) * | 2015-04-10 | 2016-11-23 | 南京理工大学 | 基于svm的转炉炼钢钢水碳含量在线实时动态检测方法 |
CN111340116A (zh) * | 2020-02-27 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种转炉火焰识别方法、系统、电子设备及介质 |
CN112308849A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢物料质量检测方法、系统、电子设备及介质 |
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 |
-
2021
- 2021-05-31 CN CN202110600804.5A patent/CN113221827A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153550A (zh) * | 2015-04-10 | 2016-11-23 | 南京理工大学 | 基于svm的转炉炼钢钢水碳含量在线实时动态检测方法 |
CN105678332A (zh) * | 2016-01-08 | 2016-06-15 | 昆明理工大学 | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 |
CN111340116A (zh) * | 2020-02-27 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种转炉火焰识别方法、系统、电子设备及介质 |
CN112308849A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢物料质量检测方法、系统、电子设备及介质 |
CN112749735A (zh) * | 2020-12-30 | 2021-05-04 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 |
Non-Patent Citations (1)
Title |
---|
庞殊杨: "基于残差神经网络实现转炉火焰状态识别", 《冶金自动化》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
US9164878B2 (en) | Evaluating coverage of a software test | |
CN102096822A (zh) | 颜色识别方法和装置 | |
JP2008509502A (ja) | グラフィック再検査ユーザ設定インタフェース | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN104956339A (zh) | 从视频生成软件测试脚本 | |
CN1323369C (zh) | 图像识别装置和方法以及图像识别装置的示教装置和方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN107368550A (zh) | 信息获取方法、装置、介质、电子设备、服务器及系统 | |
Domik et al. | User modeling for adaptive visualization systems | |
CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
KR102543064B1 (ko) | Rpa 기반 제조환경 모니터링 서비스 제공 시스템 | |
CN107341139A (zh) | 一种多媒体处理方法、装置、电子设备及存储介质 | |
CN107784649A (zh) | 基于图像识别的芯棒测试远程报警系统及方法 | |
CN113269759A (zh) | 一种基于图像识别的钢卷信息检测方法、系统、介质和终端 | |
JP4993678B2 (ja) | 対話型動画像監視方法、対話型動画像監視装置および対話型動画像監視プログラム | |
CN110275820B (zh) | 页面兼容性测试方法、系统及设备 | |
Bao et al. | A defect detection system of glass tube yarn based on machine vision | |
CN106503144A (zh) | 外观设计专利检索分析系统及其分析方法 | |
EP3408797B1 (en) | Image-based quality control | |
Yoo et al. | LongLine: Visual analytics system for large-scale audit logs | |
CN113221827A (zh) | 一种智能转炉火焰状态识别及复检方法、系统、介质和终端 | |
CN112749735A (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
CN104459516A (zh) | 一种用于smt首件检测的测试方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |