CN113793308A - 一种基于神经网络的球团矿质量智能评级方法及装置 - Google Patents
一种基于神经网络的球团矿质量智能评级方法及装置 Download PDFInfo
- Publication number
- CN113793308A CN113793308A CN202110984146.4A CN202110984146A CN113793308A CN 113793308 A CN113793308 A CN 113793308A CN 202110984146 A CN202110984146 A CN 202110984146A CN 113793308 A CN113793308 A CN 113793308A
- Authority
- CN
- China
- Prior art keywords
- pellet
- picture
- pellets
- photoscope
- temperature
- 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
- 239000008188 pellet Substances 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 45
- 239000011707 mineral Substances 0.000 claims description 45
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 239000000843 powder Substances 0.000 claims description 25
- 238000001035 drying Methods 0.000 claims description 24
- 229910052786 argon Inorganic materials 0.000 claims description 16
- 230000001681 protective effect Effects 0.000 claims description 16
- 230000003287 optical effect Effects 0.000 claims description 12
- 239000002994 raw material Substances 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 9
- 230000003647 oxidation Effects 0.000 claims description 8
- 238000007254 oxidation reaction Methods 0.000 claims description 8
- 230000001590 oxidative effect Effects 0.000 claims description 8
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 7
- 239000008367 deionised water Substances 0.000 claims description 7
- 229910021641 deionized water Inorganic materials 0.000 claims description 7
- 239000003822 epoxy resin Substances 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- 238000000227 grinding Methods 0.000 claims description 7
- 239000000314 lubricant Substances 0.000 claims description 7
- 238000005498 polishing Methods 0.000 claims description 7
- 229920000647 polyepoxide Polymers 0.000 claims description 7
- 229910052573 porcelain Inorganic materials 0.000 claims description 7
- 238000003825 pressing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 9
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 32
- 239000002245 particle Substances 0.000 description 23
- 229910052742 iron Inorganic materials 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 208000035126 Facies Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000010494 dissociation reaction Methods 0.000 description 4
- 230000005593 dissociations Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005054 agglomeration Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000009628 steelmaking Methods 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了一种基于神经网络的球团矿质量智能评级方法及装置，涉及磁铁矿氧化球团技术领域。该方法包括：S1、制备球团矿，获取光镜球团矿图片；S2、对光镜球团矿图片进行中值滤波；S3、对中值滤波后的光镜球团矿图片进行HSV变换；S4、对HSV变换后的光镜球团矿图片进行Gamma校正；S5、将校正后的光镜球团矿图片输入改进的U‑Net神经网络中，得到光镜球团矿图片的微观特征；S6、将微观特征输入BP神经网络中，得到球团矿对应的等级。采用本发明，可以避免人为操作的误差，保证评价指标的精度，实现球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿烘烧工艺，为改善球团矿强度提供了新的思路和方法。
Description
技术领域
本发明涉及磁铁矿氧化球团技术领域，特别是指一种基于神经网络的球团矿质量智能评级方法及装置。
背景技术
球团生产工艺是人造块状原料的一种方法，是一个将粉状物料变成物理性能和化学成分以及冶金性能均能够满足下一步加工要求的过程。生产球团的过程中，物料不仅由于滚动成球和粒子密集而发生物理性质上的变化，如密度，孔隙率，形状，大小等变化，更重要的是发生了化学变化，如化学组成，还原性，膨胀性等变化，所以可以通过物理层面的变化，改变化学和物理化学性质，进而提高球团矿冶金性能。
球团矿是高炉炼铁的主要原料，其质量直接影响着高炉冶炼技术经济指标，我国从钢铁大国走向钢铁强国，离不开球团矿的产能发展和质量的提高。球团矿质量包括化学成分，物理性能和冶金性能三个方面，其质量与球团的矿物组成，性质以及微观结构有着密切的关系，球团矿的矿相微观结构和分布对其冶金性能影响显著，因此分析和测定球团矿的宏观组成与微观结构对提高球团矿的质量至关重要。
随着计算机技术和人工智能技术的迅猛发展，卷积神经网络相比于其他机器学习算法，能够自动提取目标特征，发现样本其中的特征规律，解决了手动提取特征效率低下，分类准确率低的不足，因此卷积神经网络被广泛运用于图像分类，目标检测，语义分割等领域，取得了瞩目的成就。
根据文献调研，却鲜有文献对球团矿采用卷积神经网络来对其进行性能评价以及预测球团矿的微观结构与宏观性能之间的解析。文献(张丽艳.PCA与CNN 耦合算法研究及在矿相识别中的应用[D].华北理工大学,2020.)他们采用了一种PCA和CNN的耦合算法模型并将其应用到球团矿的特征提取和识别中。PCA实现主特征提取，传统CNN算法自动获取矿相特征，以此来实现球团矿等级的预测。文献(吕硕,冯毅博,张少磊,吴新举,王禹航.基于图像识别对矿相特征的提取和分析[J].中国设备工程,2018(20):132-134.)通过对球团矿特征进行分析，进而探索球团矿的矿相特征和碱度，矿物元素的关系。文献(苏步新.基于综合图像处理技术的烧结矿矿物组成的定量分析[J].矿冶,2015,24(S1):64-70+74.)他们将各种矿相的显微结构照片，经过图像处理，得出不同试样矿相纹理特征的差别，来对矿相进行识别和计算。
以上的这些研究为球团矿的特征及其冶金性能的定量和定性分析提供了研究思路。但是先前的这些研究，没有考虑到现场环境的变化对图片造成的影响。因为图片在不同的亮度和对比度的情况下，图片的灰度变化会对提取的特征造成影响，从而产生不一样的预测结果。以上的研究普适性较差。
发明内容
为了解决现有技术中没有考虑到现场环境的变化对图片造成的影响导致预测结果不准的问题，本发明实施例提供了一种基于神经网络的球团矿质量智能评级方法及装置。为解决上述技术问题，本发明提供如下所述技术方案如下：
一方面，提供了一种基于神经网络的球团矿质量智能评级方法，该方法由电子设备实现，该方法包括：
S1、制备球团矿，获取光镜球团矿图片；
S2、对所述光镜球团矿图片进行中值滤波；
S3、对中值滤波后的光镜球团矿图片进行HSV变换；
S4、对HSV变换后的光镜球团矿图片进行Gamma校正；
S5、将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到所述光镜球团矿图片的微观特征；
S6、将所述微观特征输入BP神经网络中，得到所述球团矿对应的等级。
可选地，所述步骤S1中的制备球团矿，包括：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml 去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
可选地，所述步骤S1中的获取光镜球团矿图片，包括：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
可选地，所述步骤S13中的在3L/min的氩气保护气氛条件下预热5min，包括：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5 min。
可选地，所述步骤S14中的将球团矿转移至另外一个高温炉中进行高温焙烧30min，包括：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
另一方面，提供了一种基于神经网络的球团矿质量智能评级装置，该装置应用于基于神经网络的球团矿质量智能评级方法，该装置包括：
获取模块，用于制备球团矿，获取光镜球团矿图片；
滤波模块，用于对所述光镜球团矿图片进行中值滤波；
图片变换模块，用于对中值滤波后的光镜球团矿图片进行HSV变换；
图片校正模块，用于对HSV变换后的光镜球团矿图片进行Gamma校正；
微观特征获取模块，用于将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到所述光镜球团矿图片的微观特征；
评级模块，用于将所述微观特征输入BP神经网络中，得到所述球团矿对应的等级。
可选地，所述获取模块，用于：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml 去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
可选地，所述获取模块，用于：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
可选地，所述获取模块，用于：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5 min。
可选地，所述获取模块，用于：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于神经网络的球团矿质量智能评级方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于神经网络的球团矿质量智能评级方法。
本发明实施例的上述技术方案至少具有如下有益效果：
本发明通过神经网络和图像处理技术，初步建立了球团矿的微观形貌和宏观性能之间的关系。该方法评价指标系统全面，考虑了不同环境下对球团矿断面图像的影响，提高了该系统的普适性，能够运用到各种环境下。其次采用了语义分割，BP神经网络，卷积神经网络等人工智能算法来实现球团内部颗粒的分割和识别，并自动量化获取球团内部矿相中各矿物组成，各矿物的含量分析，颗粒尺寸，各矿物的连生关系，各矿物的解离关系等，大幅降低了图像识别由于分辨率等导致的误差。然后还解决了传统机器学习算法需要手工获取矿相特征的问题，避免了人工特征提取不准确的问题。首次应用了深度学习算法分割和识别球团内部颗粒，避免了人为操作的误差，保证了评价指标的精度。该方法实现了球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿焙烧工艺，为改善球团矿强度提供了新的思路和方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于神经网络的球团矿质量智能评级方法流程图；
图2是本发明实施例提供的一种基于神经网络的球团矿质量智能评级方法流程图；
图3是本发明实施例提供的一种U-Net神经网络的结构示意图；
图4是本发明实施例提供的一种BP神经网络的结构示意图；
图5是本发明实施例提供的一种基于神经网络的球团矿质量智能评级装置框图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于神经网络的球团矿质量智能评级方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于神经网络的球团矿质量智能评级方法流程图，该方法的处理流程可以包括如下的步骤：
S1、制备球团矿，获取光镜球团矿图片；
S2、对光镜球团矿图片进行中值滤波；
S3、对中值滤波后的光镜球团矿图片进行HSV变换；
S4、对HSV变换后的光镜球团矿图片进行Gamma校正；
S5、将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到光镜球团矿图片的微观特征；
S6、将微观特征输入BP神经网络中，得到球团矿对应的等级。
可选地，步骤S1中的制备球团矿，包括：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml 去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
可选地，步骤S1中的获取光镜球团矿图片，包括：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
可选地，步骤S13中的在3L/min的氩气保护气氛条件下预热5min，包括：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5 min。
可选地，步骤S14中的将球团矿转移至另外一个高温炉中进行高温焙烧30 min，包括：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
本发明实施例中，通过神经网络和图像处理技术，初步建立了球团矿的微观形貌和宏观性能之间的关系。该方法评价指标系统全面，考虑了不同环境下对球团矿断面图像的影响，提高了该系统的普适性，能够运用到各种环境下。其次采用了语义分割，BP神经网络，卷积神经网络等人工智能算法来实现球团内部颗粒的分割和识别，并自动量化获取球团内部矿相中各矿物组成，各矿物的含量分析，颗粒尺寸，各矿物的连生关系，各矿物的解离关系等，大幅降低了图像识别由于分辨率等导致的误差。然后还解决了传统机器学习算法需要手工获取矿相特征的问题，避免了人工特征提取不准确的问题。首次应用了深度学习算法分割和识别球团内部颗粒，避免了人为操作的误差，保证了评价指标的精度。该方法实现了球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿焙烧工艺，为改善球团矿强度提供了新的思路和方法。
本发明实施例提供了一种基于神经网络的球团矿质量智能评级方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图2所示的基于神经网络的球团矿质量智能评级方法流程图，该方法的处理流程可以包括如下的步骤：
S201、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4 ml去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团。
一种可行的实施方式中，矿粉可以是含铁原料，含铁原料是指一切用于造块的含铁物料，可以是铁矿粉、炼钢污泥或者是含铁的粉尘等，实验对造块工艺、设备、成分配比没有严格限制，适用于所有类型造块或球团。
S202、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水。
一种可行的实施方式中，烘干的方式及温度可以是烘干箱，也可以是链篦机等其他设备，本发明对此不作限定。
S203、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min。
一种可行的实施方式中，预热温度可以设定为850～1200℃，氧化时间可以是10min-30min。
下面对预热球强度预测进行具体说明：
球团焙烧采用马弗炉进行，升温速率为30℃/min，保持炉内空气气氛，升温至固定温度后均热时间为15min，当预热完成后冷却至1000℃打开炉门取出球团进行空冷，之后采用球团冷态强度测定设备测定球团强度，球团强度取10次测量的平均值为最终球团强度。探究了不同预热温度、不同矿粉种类对球团矿的预热球强度预测值及实际值的影响，如表1所示，预热温度分别设定为950℃、 1050℃、1150℃，预热时间为15min。结果表明，基于本方法的预测值与预测值之间的差值10N以内，并且针对不同种类的铁矿粉和预测温度具有十分优越的适应性。
表1不同预热温度球团抗压强度预测
S204、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30 min，焙烧过程全程通流速为5L/min的空气。
一种可行的实施方式中，高温焙烧温度可以设定为1200-1300℃。焙烧制度可以是适用于任何粉末材料致密化的制度，不局限于球团矿的氧化焙烧。
下面对成品球团抗压强度预测进行具体说明：
球团焙烧采用马弗炉进行，升温速率为30℃/min，保持炉内空气气氛，升温至固定温度后均热时间为15min，当预热完成后冷却至1000℃打开炉门取出球团进行空冷，之后采用球团冷态强度测定设备测定球团强度，球团强度取10次测量的平均值为最终球团强度，如表2所示。保持预热参数为1150℃、15min不变，焙烧温度设定为1200℃、1225℃和1250℃三个水平。保持焙烧时间为15min，焙烧温度为1200℃时，不同铁矿粉配比的成品球抗压强度均低于2000N。铁矿粉配比为3:7，成品球的抗压强度为1900N。当焙烧条件为1225℃，15min时，仅铁矿粉配比5:5时的成品球的抗压强度小于2000N(1710N)。其中铁矿粉配比为3:7，成品球的抗压强度为2365N。当焙烧温度提高到1250℃时，三种铁矿粉配比下成品球的抗压强度增加，均超过2200N。其中铁矿粉配比为3:7，成品球的抗压强度达到2750N。从表中可以看出，基于专利方法预测球团矿抗压强度，实际强度与预测值之间相差20N以内，能够为企业实际生产提供质量指标预测预警。
表2焙烧温度实验研究结果
S205、球团焙烧完成后，置于环境温度下冷却。
S206、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
S207、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
一种可行的实施方式中，该步骤S207中，除了可以使用光学显微镜外，还可以使用扫描电子显微镜，用以获取球团矿断面微观结构图像。优选地，可以选择球团矿的不同位置拍摄至少10张图片。
S208、制备球团矿，获取光镜球团矿图片。
S209、对光镜球团矿图片进行中值滤波。
一种可行的实施方式中，对图片进行中值滤波，用于去除因为矿石表面不平整所产生的白色噪点。
S210、对中值滤波后的光镜球团矿图片进行HSV变换。
S211、对HSV变换后的光镜球团矿图片进行Gamma校正。
一种可行的实施方式中，对图片进行HSV变换以及Gamma校正，来模拟不同条件下获取到的图片，如不同对比度、不同亮度下的图片。
S212、获取数据集，通过数据集对初始的U-Net神经网络进行训练。
一种可行的实施方式中，进行Gamma校正后，用labelme软件对图片进行标注，得到语义分割数据集，即训练样本。所有图像的参数通过图像处理软件进行处理和分析，使得所有图像的获取均在相同的放大倍数下，均源自于10个断面球团矿矿相结构的图片。这样，即完成了数据集的建立，其中，数据集中包括样本数据以及样本数据对应的真值。
神经网络的训练可以采用常用的前反馈训练方式即可，例如，将数据集中的样本数据输入到初始的U-Net神经网络中，得到样本数据对应的预测值，将预测值与样本数据的真值进行比较，通过损失函数交并比等指标评估模型的训练精度及预测精度。
S213、将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到光镜球团矿图片的微观特征。
一种可行的实施方式中，将图片输入训练好的、改进后的U-Net神经网络中，改进后的U-Net神经网络结构可以如图3所示。U-Net神经网络输入图片的微观特征，如：矿相中各矿物组成，各矿物的含量分析，颗粒尺寸，各矿物的连生关系等。这样，通过U-Net神经网络实现球团内部颗粒的分割和识别，并自动量化获取球团内部颗粒的数量、颗粒边界周长、颗粒面积、颗粒曲率等参数，得到球团矿内部颗粒长大指数、颗粒均匀性指数、颗粒固结指数及颗粒熟化度。
S214、通过光镜球团矿图片的微观特征以及以往得到的数据建立训练样本数据集，通过该训练样本数据集对BP神经网络进行训练。
一种可行的实施方式中，通过该训练样本数据集对BP神经网络进行训练可以是现有技术中常用的训练方式，本发明对此不做赘述。
S215、将微观特征输入BP神经网络中，得到球团矿对应的等级。
一种可行的实施方式中，BP神经网络的结构可以如图4所示。
需要说明的是，上述步骤S212中的U-Net神经网络还可以使用其他机器学习、深度学习算法替代，只要能基于图片获取图片的微观特征即可；上述步骤215 中的BP神经网络也可以采用其它神经网络替代，只要能实现基于微观特征确定对应的等级即可。
本发明实施例中，通过神经网络和图像处理技术，初步建立了球团矿的微观形貌和宏观性能之间的关系。该方法评价指标系统全面，考虑了不同环境下对球团矿断面图像的影响，提高了该系统的普适性，能够运用到各种环境下。其次采用了语义分割，BP神经网络，卷积神经网络等人工智能算法来实现球团内部颗粒的分割和识别，并自动量化获取球团内部矿相中各矿物组成，各矿物的含量分析，颗粒尺寸，各矿物的连生关系，各矿物的解离关系等，大幅降低了图像识别由于分辨率等导致的误差。然后还解决了传统机器学习算法需要手工获取矿相特征的问题，避免了人工特征提取不准确的问题。首次应用了深度学习算法分割和识别球团内部颗粒，避免了人为操作的误差，保证了评价指标的精度。该方法实现了球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿焙烧工艺，为改善球团矿强度提供了新的思路和方法。
图5是根据一示例性实施例示出的一种基于神经网络的球团矿质量智能评级装置框图。参照图5，该装置包括：
获取模块510，用于制备球团矿，获取光镜球团矿图片；
滤波模块520，用于对所述光镜球团矿图片进行中值滤波；
图片变换模块530，用于对中值滤波后的光镜球团矿图片进行HSV变换；
图片校正模块540，用于对HSV变换后的光镜球团矿图片进行Gamma校正；
微观特征获取模块550，用于将校正后的光镜球团矿图片输入改进的U-Net 神经网络中，得到所述光镜球团矿图片的微观特征；
评级模块560，用于将所述微观特征输入BP神经网络中，得到所述球团矿对应的等级。
可选地，所述获取模块，用于：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml 去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
可选地，所述获取模块，用于：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
可选地，所述获取模块，用于：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5 min。
可选地，所述获取模块，用于：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
本发明实施例中，通过神经网络和图像处理技术，初步建立了球团矿的微观形貌和宏观性能之间的关系。该方法评价指标系统全面，考虑了不同环境下对球团矿断面图像的影响，提高了该系统的普适性，能够运用到各种环境下。其次采用了语义分割，BP神经网络，卷积神经网络等人工智能算法来实现球团内部颗粒的分割和识别，并自动量化获取球团内部矿相中各矿物组成，各矿物的含量分析，颗粒尺寸，各矿物的连生关系，各矿物的解离关系等，大幅降低了图像识别由于分辨率等导致的误差。然后还解决了传统机器学习算法需要手工获取矿相特征的问题，避免了人工特征提取不准确的问题。首次应用了深度学习算法分割和识别球团内部颗粒，避免了人为操作的误差，保证了评价指标的精度。该方法实现了球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿焙烧工艺，为改善球团矿强度提供了新的思路和方法。
图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备 600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器 (centralprocessing units，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现上述基于神经网络的球团矿质量智能评级方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于神经网络的球团矿质量智能评级方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、 CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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)
1.一种基于神经网络的球团矿质量智能评级方法，其特征在于，所述方法包括：
S1、制备球团矿，获取光镜球团矿图片；
S2、对所述光镜球团矿图片进行中值滤波；
S3、对中值滤波后的光镜球团矿图片进行HSV变换；
S4、对HSV变换后的光镜球团矿图片进行Gamma校正；
S5、将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到所述光镜球团矿图片的微观特征；
S6、将所述微观特征输入BP神经网络中，得到所述球团矿对应的等级。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的制备球团矿，包括：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
3.根据权利要求2所述的方法，其特征在于，所述步骤S1中的获取光镜球团矿图片，包括：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
4.根据权利要求2所述的方法，其特征在于，所述步骤S13中的在3L/min的氩气保护气氛条件下预热5min，包括：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5min。
5.根据权利要求2所述的方法，其特征在于，所述步骤S14中的将球团矿转移至另外一个高温炉中进行高温焙烧30min，包括：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
6.一种基于神经网络的球团矿质量智能评级装置，其特征在于，所述装置包括：
获取模块，用于制备球团矿，获取光镜球团矿图片；
滤波模块，用于对所述光镜球团矿图片进行中值滤波；
图片变换模块，用于对中值滤波后的光镜球团矿图片进行HSV变换；
图片校正模块，用于对HSV变换后的光镜球团矿图片进行Gamma校正；
微观特征获取模块，用于将校正后的光镜球团矿图片输入改进的U-Net神经网络中，得到所述光镜球团矿图片的微观特征；
评级模块，用于将所述微观特征输入BP神经网络中，得到所述球团矿对应的等级。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，用于：
S11、将一定量的矿粉在105℃充分烘干，去除体相水，取50g矿粉与4ml去离子水充分混合，取15g充分混合得到的原料在10MPa的压力下压制成高度为10mm、直径为20mm的柱状球团；
S12、将得到的柱状球团在105℃的烘干箱中烘干3h以去除柱状球团内的自由水；
S13、将烘干后的球团放置于氧化铝瓷舟中，在3L/min的氩气保护气氛条件下预热5min，当球团温度达到850℃时，将气体转换为5L/min的压缩空气，并氧化30min；
S14、待氧化结束后，将球团矿转移至另外一个高温炉中进行高温焙烧30min，焙烧过程全程通流速为5L/min的空气；
S15、球团焙烧完成后，置于环境温度下冷却；
S16、将冷却后的球团矿镶嵌于环氧树脂中，并以水作为润滑剂将球团矿进行磨平、抛光处理。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，用于：
S17、基于光学显微镜，获取球团矿的断面全景图像作为光镜球团矿图片。
9.根据权利要求7所述的装置，其特征在于，所述获取模块，用于：
将预热温度设定为850～1200℃，在3L/min的氩气保护气氛条件下预热5min。
10.根据权利要求7所述的装置，其特征在于，所述获取模块，用于：
将高温焙烧温度设定为1200-1300℃，将球团矿转移至另外一个高温炉中进行高温焙烧30min。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984146.4A CN113793308A (zh) | 2021-08-25 | 2021-08-25 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984146.4A CN113793308A (zh) | 2021-08-25 | 2021-08-25 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113793308A true CN113793308A (zh) | 2021-12-14 |
Family
ID=79182228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110984146.4A Pending CN113793308A (zh) | 2021-08-25 | 2021-08-25 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113793308A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781279A (zh) * | 2022-06-20 | 2022-07-22 | 中国科学院自动化研究所 | 基于深度神经网络的球团焙烧参数确定方法及系统 |
| CN115147399A (zh) * | 2022-07-29 | 2022-10-04 | 济南大学 | 水泥微观图像像素点的元素含量预测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110137444A1 (en) * | 2009-12-04 | 2011-06-09 | Venkataramana Runkana | On-Line Optimization of Induration of Wet Iron Ore Pellets on a Moving Grate |
| CN109242210A (zh) * | 2018-10-15 | 2019-01-18 | 华北理工大学 | 一种球团原料最佳配比的自动推荐方法 |
| WO2019196268A1 (zh) * | 2018-04-13 | 2019-10-17 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
| CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
| KR20200049683A (ko) * | 2018-10-31 | 2020-05-08 | 연세대학교 산학협력단 | 깊이 카메라를 이용한 호흡량 측정 시스템 |
| CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
| EP3712281A1 (en) * | 2017-11-14 | 2020-09-23 | Posco | Blast control device for blast furnace and method therefor |
| CN111931817A (zh) * | 2020-07-10 | 2020-11-13 | 首钢集团有限公司 | 一种球团矿矿相识别方法和装置 |
| CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
| CN112419397A (zh) * | 2020-12-08 | 2021-02-26 | 鞍钢集团矿业有限公司 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
| CN112699613A (zh) * | 2021-01-08 | 2021-04-23 | 中冶赛迪工程技术股份有限公司 | 炼铁多目标一体化配料优化方法、系统、设备及介质 |
-
2021
- 2021-08-25 CN CN202110984146.4A patent/CN113793308A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110137444A1 (en) * | 2009-12-04 | 2011-06-09 | Venkataramana Runkana | On-Line Optimization of Induration of Wet Iron Ore Pellets on a Moving Grate |
| EP3712281A1 (en) * | 2017-11-14 | 2020-09-23 | Posco | Blast control device for blast furnace and method therefor |
| WO2019196268A1 (zh) * | 2018-04-13 | 2019-10-17 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
| CN109242210A (zh) * | 2018-10-15 | 2019-01-18 | 华北理工大学 | 一种球团原料最佳配比的自动推荐方法 |
| KR20200049683A (ko) * | 2018-10-31 | 2020-05-08 | 연세대학교 산학협력단 | 깊이 카메라를 이용한 호흡량 측정 시스템 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
| CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
| CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
| CN111931817A (zh) * | 2020-07-10 | 2020-11-13 | 首钢集团有限公司 | 一种球团矿矿相识别方法和装置 |
| CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
| CN112419397A (zh) * | 2020-12-08 | 2021-02-26 | 鞍钢集团矿业有限公司 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
| CN112699613A (zh) * | 2021-01-08 | 2021-04-23 | 中冶赛迪工程技术股份有限公司 | 炼铁多目标一体化配料优化方法、系统、设备及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781279A (zh) * | 2022-06-20 | 2022-07-22 | 中国科学院自动化研究所 | 基于深度神经网络的球团焙烧参数确定方法及系统 |
| CN115147399A (zh) * | 2022-07-29 | 2022-10-04 | 济南大学 | 水泥微观图像像素点的元素含量预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113793308A (zh) | 一种基于神经网络的球团矿质量智能评级方法及装置 | |
| CN111128313B (zh) | 一种烧结矿FeO含量检测方法及系统 | |
| Vasilyeva et al. | Automated digitization of radial charts | |
| JP6107388B2 (ja) | 結合物質の顕微鏡画像解析方法、顕微鏡画像解析装置、及びコンピュータプログラム | |
| CN113570557A (zh) | 一种基于图像识别的球团固结程度评价方法 | |
| Kapelyushin et al. | Effect of alumina on the gaseous reduction of magnetite in CO/CO 2 gas mixtures | |
| Meyer et al. | Phase and microstructural characterization of iron ore pellet and their relation with cold crushing strength test | |
| CN112465223A (zh) | 一种高炉炉温状态的预测方法 | |
| CN113743424B (zh) | 全尾砂动态絮凝沉降中絮体动态沉降分散程度定量表征方法 | |
| Donskoi et al. | Novel developments in optical image analysis for iron ore, sinter and coke characterisation | |
| CN111931817A (zh) | 一种球团矿矿相识别方法和装置 | |
| CN113628171B (zh) | 一种基于机器视觉及数据驱动的球团生产方法及装置 | |
| CN112102287B (zh) | 一种基于图像的生球裂纹自动检测与识别方法 | |
| CN109191479A (zh) | 一种烧结矿中复合铁酸钙矿相含量的自动测量方法 | |
| CN116703834B (zh) | 基于机器视觉的烧结点火强度过高判断、分级方法及装置 | |
| CN116693294A (zh) | 碳化钨粉的智能化制备工艺及其方法 | |
| CN116129365B (zh) | 输送设备上颗粒物料的检测方法和系统 | |
| CN110705539A (zh) | 提高连铸坯低倍中心偏析评级精度的图像获取方法和系统 | |
| JP2005189179A (ja) | 粉粒体の粒度計測方法 | |
| Bizhanov et al. | Behavior of extrusion briquettes (BREX) in midrex reactors. Part 1 | |
| CN114708269B (zh) | 一种基于图像识别预测轴承钢第二相颗粒最大尺寸的方法 | |
| CN110059648B (zh) | 一种基于增补分割的复杂组成烧结矿的非结构信息库的建立方法 | |
| Li et al. | Reduction kinetics of cold‐bonded briquette prepared from return fines of sinter with carbon monoxide and coke | |
| CN112734722A (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 | |
| Ahamad et al. | Digital analysis of geo-referenced concrete scanning electron microscope (SEM) images |
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 |