CN113592760B - 一种基于火焰图像纹理特征的转炉终点碳含量预测方法 - Google Patents

一种基于火焰图像纹理特征的转炉终点碳含量预测方法 Download PDF

Info

Publication number
CN113592760B
CN113592760B CN202010197682.5A CN202010197682A CN113592760B CN 113592760 B CN113592760 B CN 113592760B CN 202010197682 A CN202010197682 A CN 202010197682A CN 113592760 B CN113592760 B CN 113592760B
Authority
CN
China
Prior art keywords
flame image
carbon content
converter
quaternion
color texture
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
Application number
CN202010197682.5A
Other languages
English (en)
Other versions
CN113592760A (zh
Inventor
刘辉
李清荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010197682.5A priority Critical patent/CN113592760B/zh
Publication of CN113592760A publication Critical patent/CN113592760A/zh
Application granted granted Critical
Publication of CN113592760B publication Critical patent/CN113592760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/202—Constituents thereof
    • G01N33/2022—Non-metallic constituents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/205—Metals in liquid state, e.g. molten metals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本发明公开一种基于火焰图像纹理特征的转炉终点碳含量预测方法。首先，通过CCD高清摄像机拍摄转炉炉口火焰图像；然后，利用四元数乘法特性对火焰图像进行旋转操作得到火焰图像的四元数旋转图谱；其次，以旋转图谱指定方向和距离上像素差值的四元数相位为投影轴，以差值的四元数幅值为权重进行统计得到特征，并将各角度和距离下的直方图串联并归一化作为火焰图像的彩色纹理特征；最后，使用回归模型根据火焰图像特征连续实时地预测转炉终点钢水碳含量。本发明的钢水碳含量预测方法具有数据采集简单方便、抗干扰性强、实时性高等特点；另外，相比于传统的图像特征提取方法而言本发明中火焰图像彩色纹理特征提取方法具有更高的碳含量预测准确率。

Description

一种基于火焰图像纹理特征的转炉终点碳含量预测方法
技术领域
本发明涉及图像处理(ImageProcessing)领域，特别是涉及一种基于火焰图像纹理特征的转炉终点碳含量预测方法。
背景技术
钢铁工业的发展不仅标志着我国经济水平的发展程度，还关系着国民经济发展命脉，我国作为世界上最大的钢铁生产国和消费国，钢铁工业更是支撑着我国国民经济发展基础。转炉炼钢由于具有吹炼速度快、生产率高、产品质量高、建设速度快等优点成为世界上最主要的钢铁生产方式，在我国，通过转炉冶炼的钢产品占比例约为88％，占据了我国钢产品原料来源的主导地位。
转炉终点钢水碳含量过高不利于钢水的脱硫脱磷操作，过低则会增加钢水中氧和氮元素的含量。因此，在转炉终点控制中，实现熔池内钢水碳含量的连续实时测量能为控制钢水碳含量提供有效且可靠的依据，有利于提高转炉终点控制质量，在提高出钢质量、提高冶炼效率、提高转炉炼钢自动化水平和实现节能减排等方面具有重要的价值和意义。
常用成熟的转炉炼钢动态控制技术测量方法有：人工经验与取样分析法、副枪检测法、炉气分析法等。人工经验与采样分析法，由操作工人根据经验观看炉口火焰并结合吹炼时间等信息综合判断，然后取样分析和测量钢水的碳、温等参数信息。该方法易受操作工人的经验、熟练程度和主观情绪的影响，准确率较低。副枪检测法通过副枪上的传感器直接测量钢水的碳含量和温度信息，具有快速测量、准确率高的特点；但其不能连续实时测量熔池内钢水的碳含量和温度，属于间断性测量。同时，此方法由于测量时需要将副枪浸入钢水中，工作环境恶劣，需要定期更换检测探头，其使用和维护成本高。炉气分析法使用专用设备分析炉口排出的烟气获得熔池内钢水的脱碳速度和温度，精度受炉气流量等因素的影响；此外，检测探头处于具有腐蚀性的气体中，设备的使用和维护的成本高，因此仍很难在中小型转炉中推广使用。
在计算机技术和数字图像处理等技术发展的基础上，基于火焰图像特征提取的转炉终点碳含量预测方法是一种新颖的方法，通过提取和分析转炉终点炉口火焰图像特征实现转炉终点判断或预测终点碳、温等信息，其具有数据采集简单方便、抗干扰性强、实时性高等特点。该方法具有能连续实时预测钢水碳含量的优点，能为终点控制提供更加可靠和直接的依据，但由于转炉终点火焰图像具有较高相似性，存在预测准确率偏低的缺点。因此，如何提取不同碳含量对应的具有较强区分性的火焰图像特征，以提高转炉终点钢水碳含量预测准确率成为本领域亟需解决的技术问题。
发明内容
本发明的目的是提供一种转炉终点钢水碳含量连续实时预测方法，能够通过炉口火焰图像特征的提取有效且准确的预测转炉终点钢水碳含量，为转炉终点控制中控制钢水碳含量提高有效且可靠的依据。
为实现上述目的，本发明提供了如下方案：
一种基于火焰图像纹理特征的转炉终点碳含量预测方法，其中所述碳含量连续实时预测方法包括：炉口火焰图像采集、火焰图像彩色纹理特征提取、钢水碳含量连续实时预测三个步骤，其特征在于，所述碳含量连续实时预测方法为：
通过CCD摄像机采集转炉炉口火焰图像，并对火焰图像进行预处理操作；
提取采集的炉口火焰图像的彩色纹理特征；
根据提取的转炉炉口火焰图像的彩色纹理特征训练回归模型或进行转炉终点钢水碳含量的连续实时预测。
所述的提取火焰图像彩色纹理特征具体为：
利用四元数的伪旋转操作获得火焰图像的旋转图谱，通过提取火焰图像的旋转图谱特征作为火焰图像的彩色纹理特征；
在获得火焰图像的四元数旋转图谱后，计算在指定方向和距离下旋转图谱的像素四元数差；
以旋转图谱指定方向和距离上像素差值的四元数相位为投影轴，以差值的四元数幅值为权重进行统计，得到当前指定方向和距离上火焰图像的彩色纹理特征；
将各指定方向和距离上的火焰图像的彩色纹理特征进行归一化操作，并串联为火焰图像的最终彩色纹理特征。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的转炉终点钢水碳含量连续实时预测方法，通过结合四元数图像处理技术，提取有效的火焰图像彩色纹理特征，并根据所述的火焰图像彩色纹理特征预测转炉终点钢水碳含量。因此，本发明提供的转炉终点钢水碳含量连续实时预测方法，能在保证实时性的同时有效提高基于炉口火焰图像特征提取的转炉终点钢水碳含量预测准确率。
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，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例转炉终点钢水碳含量预测方法的系统结构图；
图2为本发明实施例转炉终点钢水碳含量预测方法的步骤16的流程图；
图3为本发明实施例转炉终点钢水碳含量预测方法同几种成熟且经典的图像彩色纹理特征提取方法在转炉终点钢水碳含量预测准确率方面的比较；
图4为本发明实施例转炉终点钢水碳含量预测曲线图；
图5为本发明实施例转中不同碳含量对应的炉口火焰图像示例。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中存在基于炉口火焰图像特征提取于分析的转炉炼钢终点判断方法，但是鲜有基于炉口火焰图像特征提取的转炉终点钢水碳含量预测方法，实现转炉终点钢水碳含量的连续实时预测能为终点控制钢水碳含量提高有效且可靠的依据。由于转炉终点炉口火焰图像具有较高的相似性，导致基于炉口火焰图像特征提取的转炉终点钢水碳含量预测方法存在准确率偏低的缺点。
针对上述问题，还存在一种通过卷积神经网络(ConvolutionalNeural Network，CNN)提取转炉终点炉口火焰图像特征预测转炉终点钢水碳含量的方法。该方法通过使用卷积神经网络提取转炉炉口火焰图像的特征，然后使用BP网络预测转炉终点钢水碳含量。但该方法碳含量预测准确率还有待于提高，且卷积神经网络图像特征提取需要高计算性能的硬件支持。
本发明的目的是提供一种基于火焰图像纹理特征的转炉终点碳含量预测方法，能在保证碳含量预测实时性的同时有效提高基于炉口火焰图像特征提取的转炉终点钢水碳含量预测准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，所述的转炉终点钢水碳含量连续实时预测方法的系统结构包含火焰图像采集单元、火焰图像特征提取单元、钢水碳含量连续实时预测单元和电源模块四个部分：
所述火焰图像采集单元负责连续实时采集转炉炼钢过程中炉口火焰图像，并将采集的火焰图像传输至所述火焰图像特征提取单元；
所述火焰图像特征提取单元提取火焰图像的彩色纹理特征，在特征提取结束时，将提取的火焰图像彩色纹理特征传输至所述钢水碳含量连续实时预测单元，并给火焰图像采集单元发送特征提取结束信号；
所述火焰图像采集单元在接受所述火焰图像特征提取单元发送来的特征提取结束信号时，继续采集并传送火焰图像到所述的火焰图像特征提取单元；
在训练阶段，所述火焰图像特征提取单元还将特征对应的碳含量标签一同传送至所述钢水碳含量连续实时预测单元，钢水碳含量连续实时预测单元接收所述火焰图像特征提取单元发送的火焰图像彩色纹理特征和特征对应的碳含量标签后，对钢水碳含量连续实时预测单元中的KNN回归模型进行训练；
在碳含量预测阶段，钢水碳含量连续实时预测单元将接收的所述火焰图像特征提取单元发送的图像彩色纹理特征送到训练好的KNN回归模型进行钢水碳含量的连续实时预测；
所述的电源模块为所述的火焰图像采集单元、火焰图像特征提取单元、钢水碳含量连续实时预测单元提供必要的电能。
如图1所示为所述转炉终点钢水碳含量连续实时预测方法的步骤：
步骤1：通过CCD摄像机实时采集转炉炉口火焰图像，并将火焰图像转换到HIS颜色空间下；
步骤2：利用四元数的伪旋转操作获得火焰图像的旋转图谱，通过提取火焰图像的旋转图谱特征作为火焰图像的彩色纹理特征。以HSI空间下火焰图像Qhsi特征提取为例，若四元数已知四元数P＝Xi+Yj+Zk为常量纯四元数，则火焰图像的四元数旋转图谱定义为火焰图像四元数形式与纯四元数P的伪旋转操作的结果，既Imap＝PRQr(Qhsi，P)，具体计算公式如下式(1)所示：
Imap＝-(HqX+SqY+IqZ)+(SqZ-IqY)i+(IqX-HqZ)j+(HqY-SqX)k(1)
式中Hq，Sq，Iq分别为HIS空间下火焰图像的H、S、I三个分量；i，j，k为四元数的三个虚数单位；
步骤3：在获得火焰图像的四元数旋转图谱后，计算在指定方向θ和距离d下旋转图谱Imap的像素四元数差Cθ,d，Cθ,d计算公式如式(2)所示：
Cθ,d(x，y)＝Imap(x，y)-Imap(x+dx，y+dy)(2)
式中dx为x方向的偏移量，dy为y方向的偏移量；易知 求得四元数差Cθ,d，将其相位和幅值分别记为/>和Amθ,d，四元数相位和幅值的计算参照式(3)和式(4)：
式中θQ和|Q|分别为四元数Q的相位和幅值；r为四元数Q的实部分量值，a，b，c分别为四元数Q的三个虚部分量值。
步骤4：以n为步长对四元数差Cθ,d的相位进行量化，如式(5)所示：
式中floor为向下取整操作，在以上处理后，指定方向θ和距离d下火焰图像的彩色纹理特征计算公式描述如式下(6)所示：
式中QDSθ,d为对应方向θ和距离d下的火焰图像特征向量；QDSθ,d(l)为QDSθ,d中的第l个特征值。
步骤5：转炉终点熔池内钢水中碳元素的氧化反应是非常复杂的过程，导致炉口火焰区域的边界形状和大小不一(如图5所示)。在提取火焰图像特征时，为了排除火焰边界形状对终点碳含量预测结果的影响，只考虑火焰区域内的有效像素点。具体操作为：首先将HSI空间下图像Qhsi对应于RGB空间下的0像素位置设置为负值，然后将旋转图谱Imap中实部r＝-(HqX+SqY+Iqz)中大于0的像素排除在外。由于计算四元数方向统计量时考虑的是指定方向和距离下两像素点的关系，当排除非火焰像素部分后火焰图像的边界形状并不会对特征产生影响。为了排除火焰像素数量对终点碳含量预测结果的影响，在预测碳含量前对特征进行了归一化处理。归一化处理过程如式(7)所示：
式中numθ,d为在指定θ和d条件下参与运算的有效像素对数。最终火焰图像的彩色纹理特征为方向θ＝-45°、0°、45°、90°和距离d＝1、2、4、8、16下所有的Fθ,d的串联，记为F。
步骤6：在提取炉口火焰图像彩色纹理后，通过训练集训练KNN回归模型，在预测转炉终点钢水碳含量时，将火焰图像特征F输入到训练好的KNN回归模型中预测转炉终点钢水碳含量。
如图3所示，为本发明实施例转炉终点钢水碳含量预测方法同几种成熟且经典的图像彩色纹理特征提取方法在转炉终点钢水碳含量预测准确率方面的比较，相比于传统的图像彩色纹理特征提取方法，本发明中的图像彩色纹理特征提取方法具有更高的转炉终点钢水碳含量预测准确率，具体内容为：
实施例中的火焰图像数据自于钢厂实际生产过程中拍摄的炉口火焰视频数据(共640炉次的炼钢数据)；
实施例中的火焰图像数据对应的碳含量范围为0.01％到0.23％(分辨率为0.01％)，从640个炉次下火焰视频结束的最后2秒内采样25帧火焰图像作为实施例中的实验数据(视频结束时刻对应副枪检测钢水碳含量时刻)，共采样16000个大小为1466×400的火焰图像；
在实施例中，分别对比了本法明中火焰图像彩色纹理特征提取方法与梯度方向直方图(Histogramoforientedgradient，HOG)纹理特征提取算法、灰度共生矩阵(Gray-levelCo-occurrenceMatrix，GLCM)纹理特征提取方法、颜色共生矩阵(Colorco-occurrencematrix，CCM)纹理特征提取方法和C.Chahla提出的基于四元数的彩色LBP纹理特征提取方法QLBP在转炉终点钢水碳含量预测准确率性能方面的比较。
优选的，本发明提取火焰图像彩色纹理特征时步长n＝18；
可选的，已知四元数P＝1i+1j+1k；
优选的，碳含量预测模型为KNN回归模型，碳含量预测准确率为十折交叉验证结果。
在实施例中，本发明提取火焰图像彩色纹理特征平均每帧所需时长为280毫秒，能有效保证碳含量预测的实时性。
如图4所示，为本发明实施例转炉终点钢水碳含量预测结果与实际碳含量分布情况。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (1)

1.一种基于火焰图像纹理特征的转炉终点碳含量预测方法，其中所述碳含量连续实时预测方法包括：炉口火焰图像采集、火焰图像彩色纹理特征提取、钢水碳含量连续实时预测三个步骤，其特征在于，所述碳含量连续实时预测方法为：
首先，通过CCD摄像机采集转炉炉口火焰图像，并对火焰图像进行预处理操作；然后提取采集的炉口火焰图像的彩色纹理特征；最后根据提取的转炉炉口火焰图像的彩色纹理特征训练回归模型或进行转炉终点钢水碳含量的连续实时预测；
提取火焰图像彩色纹理特征具体包括：
利用四元数的伪旋转操作获得火焰图像的旋转图谱，通过提取火焰图像的旋转图谱特征作为火焰图像的彩色纹理特征；
在获得火焰图像的四元数旋转图谱后，计算在指定方向和距离下旋转图谱的像素四元数差；
以旋转图谱指定方向和距离上像素差值的四元数相位为投影轴，以差值的四元数幅值为权重进行统计，得到当前指定方向和距离上火焰图像的彩色纹理特征；
将各指定方向和距离上的火焰图像的彩色纹理特征进行归一化操作，并串联为火焰图像的最终彩色纹理特征。
CN202010197682.5A 2020-04-30 2020-04-30 一种基于火焰图像纹理特征的转炉终点碳含量预测方法 Active CN113592760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197682.5A CN113592760B (zh) 2020-04-30 2020-04-30 一种基于火焰图像纹理特征的转炉终点碳含量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197682.5A CN113592760B (zh) 2020-04-30 2020-04-30 一种基于火焰图像纹理特征的转炉终点碳含量预测方法

Publications (2)

Publication Number Publication Date
CN113592760A CN113592760A (zh) 2021-11-02
CN113592760B true CN113592760B (zh) 2024-04-16

Family

ID=78236822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197682.5A Active CN113592760B (zh) 2020-04-30 2020-04-30 一种基于火焰图像纹理特征的转炉终点碳含量预测方法

Country Status (1)

Country Link
CN (1) CN113592760B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104531936A (zh) * 2014-12-01 2015-04-22 南华大学 基于火焰图像特征的转炉钢水碳含量在线测量方法
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
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104531936A (zh) * 2014-12-01 2015-04-22 南华大学 基于火焰图像特征的转炉钢水碳含量在线测量方法
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yu-Nan Liu et al..Improving image retrieval by integrating shape and texture features.《Multimed Tools Appl（2019）》.2018,第2525–2550页. *
罗特 等.基于卷积神经网络的转炉炼钢终点碳含量预测方法.《信息技术》.2018,第2018年卷(第12期),第142-147页. *

Also Published As

Publication number Publication date
CN113592760A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN105956618B (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
CN109447346B (zh) 基于灰色预测与神经网络组合模型转炉氧耗量预测方法
CN112017145B (zh) 一种高效的铁水预处理自动扒渣方法和系统
CN103499585B (zh) 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
WO2020098299A1 (zh) 一种高温熔融流体流速检测方法及系统
CN112819802B (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
CN205845067U (zh) 基于图像动静态特征的转炉炼钢吹炼状态识别系统
CN111445444B (zh) 一种基于极化特征的铁水流速检测方法
CN109935280A (zh) 一种基于集成学习的高炉铁水质量预测系统及方法
CN102621056A (zh) 一种定量测定金属材料表面锈蚀率的方法
CN112418538A (zh) 一种基于随机森林分类的连铸坯夹杂预测方法
CN104531936B (zh) 基于火焰图像特征的转炉钢水碳含量在线测量方法
CN109252009A (zh) 基于正则化极限学习机的转炉炼钢终点锰含量预测方法
CN114511519A (zh) 一种基于图像处理的列车车底螺栓丢失检测方法
WO2024027009A1 (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
CN112329558A (zh) 一种基于烧结机尾断面视频的FeO含量预测方法
CN113592760B (zh) 一种基于火焰图像纹理特征的转炉终点碳含量预测方法
Tian et al. Corrosion identification of fittings based on computer vision
CN102968644A (zh) 一种氩氧精炼铁合金冶炼终点预测方法
CN115584375B (zh) 一种基于图像识别的转炉自动出钢的方法及系统
CN115130846A (zh) 基于风口监控的高炉下部热制度最大影响因素分析方法
CN115502619A (zh) 用于压力容器筒体纵缝焊接的温度监控系统
CN115125363A (zh) 一种智能识别废钢料斗中配料检测系统及方法
CN109697433A (zh) 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统
CN114660075A (zh) 一种张力放线监测方法及系统

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