CN114581785A - 多源异构数据融合的高炉煤气流分布状态识别方法及系统 - Google Patents

多源异构数据融合的高炉煤气流分布状态识别方法及系统 Download PDF

Info

Publication number
CN114581785A
CN114581785A CN202210496119.7A CN202210496119A CN114581785A CN 114581785 A CN114581785 A CN 114581785A CN 202210496119 A CN202210496119 A CN 202210496119A CN 114581785 A CN114581785 A CN 114581785A
Authority
CN
China
Prior art keywords
data
gas flow
blast furnace
identified
furnace gas
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.)
Granted
Application number
CN202210496119.7A
Other languages
English (en)
Other versions
CN114581785B (zh
Inventor
刘承宝
谭杰
赵宏博
李永杰
葛小亮
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.)
Beijing Zhiye Internet Technology Co ltd
Institute of Automation of Chinese Academy of Science
Original Assignee
Beijing Zhiye Internet Technology Co ltd
Institute of Automation of Chinese Academy of Science
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 Beijing Zhiye Internet Technology Co ltd, Institute of Automation of Chinese Academy of Science filed Critical Beijing Zhiye Internet Technology Co ltd
Priority to CN202210496119.7A priority Critical patent/CN114581785B/zh
Publication of CN114581785A publication Critical patent/CN114581785A/zh
Application granted granted Critical
Publication of CN114581785B publication Critical patent/CN114581785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法及系统，其中方法包括：获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别方法及系统，在实现自动识别煤气流分布状态的同时，能够有效地提高煤气流分布状态识别精度。

Description

多源异构数据融合的高炉煤气流分布状态识别方法及系统
技术领域
本发明涉及高炉冶炼技术领域，尤其涉及一种多源异构数据融合的高炉煤气流分布状态识别方法及系统。
背景技术
高炉冶炼是现代化钢铁生产的主要方式，高炉中的煤气流分布状态直接影响高炉煤气热能和化学能的利用效率，关系到炉内温度分布、软熔带结构、炉墙热负荷、高炉热平衡状态，与高炉的稳定顺行直接相关。
目前，主要通过高炉操作者，参考炉喉十字测温探尺的测量数据或者炉顶高清热成像设备拍摄的红外图像，结合操作经验判断煤气流分布状态。这两种方式均需人工干预，费时费力，且得出的煤气流分布状态识别结果误差较大，精度不高。
发明内容
本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法及系统，用以解决现有技术需人工干预，费时费力，且得出的煤气流分布状态识别结果误差较大，精度不高的缺陷。
本发明提供一种多源异构数据融合的高炉煤气流分布状态识别方法，包括：
获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述各红外热图像之间的关联信息基于如下步骤确定：
基于所述多组待识别数据中各红外热图像，构建红外热图像超图；
确定所述红外热图像超图的图像关联矩阵，所述图像关联矩阵表征所述各红外热图像之间的关联信息。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述各温度分布数据之间的关联信息基于如下步骤确定：
基于所述多组待识别数据中各温度分布数据，构建温度分布超图；
确定所述温度分布超图的温度关联矩阵，所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述基于所述多组待识别数据中各红外热图像之间的关联信息和各组温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到多组待识别数据的高炉煤气流分布状态识别结果，包括：
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，确定所述多组待识别数据的融合关联信息，并基于所述融合关联信息，构建融合超图；
基于所述融合超图，构建高炉煤气流分布状态的超图优化模型；
基于预设的高炉煤气流分布状态标签的标签矩阵，对所述超图优化模型进行求解，得到所述多组待识别数据的得分矩阵，所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分；
基于所述多组待识别数据的得分矩阵，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述基于所述多组待识别数据的得分矩阵，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果，包括：
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，将得分最高的高炉煤气流分布状态标签，确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述高炉煤气流分布状态的超图优化模型表示为如下形式：
Figure 888700DEST_PATH_IMAGE001
其中，
Figure 363544DEST_PATH_IMAGE002
表示所述多组待识别数据的得分矩阵，
Figure 453860DEST_PATH_IMAGE003
表示所述高炉煤气流分布状态标 签的标签矩阵，
Figure 963338DEST_PATH_IMAGE004
表示所述融合超图的拉普拉斯矩阵，
Figure 621853DEST_PATH_IMAGE005
为权衡参数。
根据本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法，所述高炉煤气流分布状态标签包括中心过大边缘过盛，中心过大边缘过死，中心过大边缘稳定，中心不足边缘过盛，中心不足边缘过死，中心不足边缘稳定，中心充足边缘过盛，中心充足边缘过死，中心充足边缘稳定中的至少一种。
本发明还提供一种多源异构数据融合的高炉煤气流分布状态识别系统，包括数据获取单元和状态识别单元，其中，
数据获取单元，用于获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；
状态识别单元，用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的多源异构数据融合的高炉煤气流分布状态识别方法。
本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法及系统，获取同一时刻的红外热图像和温度分布数据，并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时，能够有效地提高煤气流分布状态识别精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之一；
图2是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之二；
图3是本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
高炉的操作目标一定程度上便是取得合理的煤气流分布，合理的煤气流分布对高炉的顺行、高产及降低焦比有非常重要的意义。所以，连续地掌握煤气流的分布状态很有必要。但由于高炉内部条件严酷,煤气流分布很难直接测量。
目前，我国许多高炉安装了十字测温探尺，能够连续准确地测出炉喉的径向温度，为判断径向煤气流分布提供了条件，然而十字测温仅仅感知炉喉处两条直线上的温度，炉喉平面其他区域信息丢失。
近年来，部分国内高炉采用高炉炉顶高清热成像系统，利用红外图像反应炉喉处整个平面的煤气流分布状态，但是由于高炉复杂的生产环境，干扰因素众多，红外图像感知的温度信息无法达到十字测温的精度。
此外，上述方式均需人工参考十字测温数据或红外图像，结合操作经验判断煤气流分布状态，人工干预的方式不仅费时费力，且得出的煤气流分布状态识别结果误差较大，精度不高。
基于此，本发明实施例提供一种多源异构数据融合的高炉煤气流分布状态识别方法，该方法可应用于将十字测温与红外图像结合起来，进行煤气流分布状态识别的场景，在实现自动识别煤气流分布状态的同时，能够有效地提高煤气流分布状态识别精度。
图1是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图，该方法可以由多源异构数据融合的高炉煤气流分布状态识别系统来执行，该系统可以通过软件和/或硬件实现，该系统可以集成在电子设备中，电子设备可以是个人电脑，云端设备或者智能手机、平板电脑等移动设备。如图1所示，本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别方法包括：
步骤110，获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，红外热图像和温度分布数据对应同一高炉的同一时刻。
具体地，待识别数据即可以表征高炉煤气流分布状态的数据，可根据高炉实际生产过程采集。各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据。
炉喉料面的红外热图像即通过高炉炉顶预先装设好的高清热成像设备采集到的高炉在任一时刻的红外热图像。
炉喉的温度分布数据可通过十字测温探测器得到，具体在炉喉圆周上安装两个互相垂直，内装多个热电偶的探测管，感知得到炉喉径向多个探测点处的温度值。此处的温度分布数据可以用温度分布曲线图表示，温度分布曲线图的横坐标表示探测点，纵坐标表示温度值。
可理解的是，针对同一高炉的任一时刻，通过红外设备拍摄得到红外热图像的同时，通过十字测温探测器探测得到温度分布数据，即红外热图像和温度分布数据属于多源异构数据。
此处，待识别数据可以是多组，相应地，红外热图像为多张，且温度分布数据为多组。比如，有10组待识别数据，则包含10张红外热图像和10组温度分布数据，其中每一组温度分布数据包含多个探测点对应的温度值。
步骤120，基于多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
具体地，考虑到现有技术中十字测温仅仅感知炉喉处两条直线上的温度，炉喉平面其他区域温度信息丢失；而红外图像感知的温度信息无法达到十字测温的精度，且均需人工干预，导致识别得到的煤气流分布状态精度不高。本发明实施例提供的方法将红外热图像和温度分布数据结合起来，能够有效地提高煤气流分布状态识别精度。
此处，各红外热图像之间的关联信息可反映各红外热图像之间在图像特征层面上是否存在关联信息，如果存在关联信息，表示两幅红外热图像的图像特征越接近，则越有可能对应同一煤气流分布状态；如果不存在关联信息，表示两幅红外热图像的图像特征差异越大，则越有可能对应不同的煤气流分布状态。
各温度分布数据之间的关联信息可反映各温度分布数据之间在温度分布特征层面上是否存在关联关系，如果存在关联信息，表示两组温度分布数据的温度分布特征越接近，则越有可能对应同一煤气流分布状态；如果不存在关联信息，表示两组温度分布数据的温度分布特征差异越大，则越有可能对应不同的煤气流分布状态。
此处的关联信息可用高阶关联矩阵来表示。
随即，根据多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明实施例提供的方法，获取同一时刻的红外热图像和温度分布数据，并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时，能够有效地提高煤气流分布状态识别精度。
基于上述实施例，各红外热图像之间的关联信息基于如下步骤确定：
基于多组待识别数据中各红外热图像，构建红外热图像超图；
确定红外热图像超图的图像关联矩阵，图像关联矩阵表征各红外热图像之间的关联信息。
具体地，超图是一种高维的对于数据的图形展示，弥补了普通图方式信息丢失的缺陷。
针对多组待识别数据中各红外热图像，可利用分类算法构建红外热图像超图。红外热图像超图中的各个顶点即各个红外热图像。
红外热图像超图的模型可表示如下：
Figure 849572DEST_PATH_IMAGE006
式中，
Figure 743578DEST_PATH_IMAGE007
表示红外热图像超图，
Figure 841984DEST_PATH_IMAGE008
表示红外热图像超图的 顶点集合，
Figure 796034DEST_PATH_IMAGE009
表示红外热图像超图的超边集合，
Figure 386415DEST_PATH_IMAGE010
表示每条超边 权重的对角矩阵。
分类算法可以是K最近邻（k-Nearest Neighbor，KNN）算法，利用KNN算法构建红外 热图像超图模型
Figure 818534DEST_PATH_IMAGE011
的过程为：以某个顶点为中心，计算该顶点到其他顶点的欧 氏距离，选择最近的K个顶点构建一条超边，即每条超边包含K+1个顶点，共有n个超边。
得到红外热图像超图，即可确定红外热图像超图的关联矩阵，即图像关联矩阵，图像关联矩阵可表征各红外热图像之间的关联信息，即高阶关联关系。
红外热图像超图模型
Figure 302605DEST_PATH_IMAGE012
的关联矩阵
Figure 427555DEST_PATH_IMAGE013
可表达为如下形式：
Figure 98708DEST_PATH_IMAGE014
其中，
Figure 475463DEST_PATH_IMAGE015
表示红外热图像超图模型
Figure 814040DEST_PATH_IMAGE016
中的一个顶点，
Figure 115752DEST_PATH_IMAGE017
表示红外热图像超图模型
Figure 539780DEST_PATH_IMAGE018
中的一条超边。红外热图像超图模 型
Figure 189067DEST_PATH_IMAGE019
的关联矩阵
Figure 647730DEST_PATH_IMAGE020
由{0,1}构成。
本发明实施例提供的方法，根据各红外热图像构建红外热图像超图，并基于图像关联矩阵表征各红外热图像之间的关联信息，能够进一步提高各红外热图像的分类精度。
基于上述任一实施例，各温度分布数据之间的关联信息基于如下步骤确定：
基于多组待识别数据中各温度分布数据，构建温度分布超图；
确定温度分布超图的温度关联矩阵，温度关联矩阵表征各温度分布数据之间的关联信息。
具体地，针对多组待识别数据中各温度分布数据，可利用分类算法，例如K最近邻（k-Nearest Neighbor，KNN）算法构建温度分布超图。温度分布超图中的各个顶点即各个温度分布数据。
温度分布超图的模型可表示如下：
Figure 848904DEST_PATH_IMAGE021
式中，
Figure 760229DEST_PATH_IMAGE022
表示温度分布超图，
Figure 337841DEST_PATH_IMAGE023
表示温度分布超图的顶点集合，
Figure 526376DEST_PATH_IMAGE024
表示温度分布超图的超边集合，
Figure 164031DEST_PATH_IMAGE025
表示每条超边权重的对角矩阵。
利用KNN算法构建温度分布超图模型
Figure 562651DEST_PATH_IMAGE026
的过程为：以某个顶点为中心，计 算该顶点到其他顶点的欧氏距离，选择最近的K个顶点构建一条超边，即每条超边包含K+1 个顶点，共有n个超边。
得到温度分布超图，即可确定温度分布超图的关联矩阵，即温度关联矩阵，温度关联矩阵可表征各温度分布数据之间的关联信息，即高阶关联关系。
温度分布超图模型
Figure 943954DEST_PATH_IMAGE027
的关联矩阵
Figure 986997DEST_PATH_IMAGE028
可表达为如下形式：
Figure 795553DEST_PATH_IMAGE029
其中，
Figure 150311DEST_PATH_IMAGE030
表示温度分布超图模型
Figure 335304DEST_PATH_IMAGE022
中的一个顶点，
Figure 357487DEST_PATH_IMAGE031
表示温度分布超图模型
Figure 212310DEST_PATH_IMAGE032
中的一条超边。温度分布超图模型
Figure 585523DEST_PATH_IMAGE033
的关联矩阵
Figure 43049DEST_PATH_IMAGE034
由{0,1}构成。
本发明实施例提供的方法，根据各温度分布数据构建温度分布超图，并基于温度关联矩阵表征各温度分布数据之间的关联信息，能够进一步提高各温度分布数据的分类精度。
基于上述任一实施例，步骤120具体包括：
步骤121，基于多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，确定多组待识别数据的融合关联信息，并基于融合关联信息，构建融合超图；
步骤122，基于融合超图，构建高炉煤气流分布状态的超图优化模型；
步骤123，基于预设的高炉煤气流分布状态标签的标签矩阵，对超图优化模型进行求解，得到多组待识别数据的得分矩阵，得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分；
步骤124，基于多组待识别数据的得分矩阵，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
具体地，由于图像关联矩阵
Figure 919738DEST_PATH_IMAGE035
蕴含了各红外热图像之间的高阶关联信 息，温度关联矩阵
Figure 353254DEST_PATH_IMAGE036
蕴含了各温度分布数据之间的高阶关联信息，将图像关联矩阵 和温度关联矩阵拼接起来，由此得到的融合关联矩阵，可以结合两者的优势，更加准确地表 达高炉煤气流分布的状态，从而提高识别准确率。此处的融合关联矩阵即多组待识别数据 的融合关联信息。
融合关联矩阵可表示如下：
Figure 823550DEST_PATH_IMAGE037
得到的融合关联矩阵，可表达一个新的融合超图，即融合超图。融合超图的模型可表示如下：
Figure 84767DEST_PATH_IMAGE038
其中，
Figure 81542DEST_PATH_IMAGE039
表示融合超图
Figure 402802DEST_PATH_IMAGE040
的顶点集合，
Figure 219448DEST_PATH_IMAGE041
表示融合超图
Figure 690881DEST_PATH_IMAGE040
的超边集合，
Figure 276583DEST_PATH_IMAGE042
表示融合超 图
Figure 768744DEST_PATH_IMAGE040
的超边权重对角矩阵。
在步骤121中得到融合超图
Figure 338265DEST_PATH_IMAGE040
的基础上，为了准确识别高炉煤气流的分布状态，即 可根据融合超图构建高炉煤气流分布状态的超图优化模型。
在一个实施例中，高炉煤气流分布状态的超图优化模型可表示为如下形式：
Figure 82231DEST_PATH_IMAGE001
其中，
Figure 788018DEST_PATH_IMAGE002
表示多组待识别数据的得分矩阵，
Figure 716660DEST_PATH_IMAGE003
表示高炉煤气流分布状态标签的标签 矩阵，
Figure 242319DEST_PATH_IMAGE004
表示融合超图的拉普拉斯矩阵，
Figure 914609DEST_PATH_IMAGE005
为权衡参数，
Figure 615849DEST_PATH_IMAGE043
。得分矩阵
Figure 449813DEST_PATH_IMAGE002
用于表征各组待识 别数据分别对应于高炉煤气流分布状态各个标签的得分。
Figure 993927DEST_PATH_IMAGE044
表示超图学习损失函数，超 图优化模型的优化目标是使得
Figure 204328DEST_PATH_IMAGE044
最小化。
进一步地，
Figure 760074DEST_PATH_IMAGE045
其中，
Figure 764939DEST_PATH_IMAGE046
为单位矩阵，
Figure 536629DEST_PATH_IMAGE047
表示融合超图
Figure 550722DEST_PATH_IMAGE040
的顶点度对角矩阵；
Figure 820029DEST_PATH_IMAGE048
表示融合超图
Figure 136741DEST_PATH_IMAGE040
的超边度对角矩阵，
Figure 389868DEST_PATH_IMAGE049
表示融合关联矩阵，
Figure 942072DEST_PATH_IMAGE042
表示融合超图
Figure 597044DEST_PATH_IMAGE040
的超边权重对角矩阵。
对超图优化模型进行求解，即可得到多组待识别数据的得分矩阵
Figure 84657DEST_PATH_IMAGE002
，可表示为如 下：
Figure 559501DEST_PATH_IMAGE050
F为一个
Figure 649817DEST_PATH_IMAGE051
的矩阵，其中，n表示待识别数据的组数，L表示高炉煤气流分布状态 标签的数量，各组待识别数据分别对应得分矩阵的各行，每一行所对应的每一列的值表示 各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分。
在一个实施例中，高炉煤气流分布状态标签包括中心过大边缘过盛，中心过大边缘过死，中心过大边缘稳定，中心不足边缘过盛，中心不足边缘过死，中心不足边缘稳定，中心充足边缘过盛，中心充足边缘过死，中心充足边缘稳定中的至少一种。
在得到得分矩阵的基础上，即可根据得分矩阵对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
在一个实施例中，步骤124具体包括：
基于各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，将得分最高的高炉煤气流分布状态标签，确定为各组待识别数据的高炉煤气流分布状态识别结果。
具体地，由于得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，对应标签的得分越高，则表示红外热图像和温度分布数据的融合数据被识别为该类标签的可能性越大；对应标签的得分越低，则表示红外热图像和温度分布数据的融合数据被识别为该类标签的可能性越小。
因此，可将得分最高的高炉煤气流分布状态标签，确定为各组待识别数据的高炉煤气流分布状态识别结果。
举例而言，对模型进行求解得到的得分矩阵如下：
Figure 159295DEST_PATH_IMAGE052
得分矩阵为一个5×9的矩阵，说明待识别数据有5组，表示有5个高炉煤气流分布状态样本，每个样本对应9个高炉煤气流分布状态标签，可分别设置为中心过大边缘过盛，中心过大边缘过死，中心过大边缘稳定，中心不足边缘过盛，中心不足边缘过死，中心不足边缘稳定，中心充足边缘过盛，中心充足边缘过死，中心充足边缘稳定。
矩阵里的数值表示各个样本对应各个标签的得分，每一行中得分最大的列便是该样本对应的煤气流分布状态。如得分矩阵的第二行中最大值为0.9102，在第4列，对应的煤气流分布状态标签为“中心不足边缘过盛”，则该样本对应的高炉煤气流分布状态为“中心不足边缘过盛”。
本发明实施例提供的方法，将分别蕴含了红外热图像和温度分布矩阵之间的高阶关联信息的图像关联矩阵和温度关联矩阵进行融合，得到融合矩阵，并构建基于融合超图的优化模型，对模型求解，从而得到各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，基于得分对煤气流分布状态进行识别，在实现自动识别高炉煤气流分布状态的同时，由于同时考虑了红外热图像和温度分布数据，进一步提高了识别精度和准确率。
基于上述任一实施例，本发明实施例还提供一种多源异构数据融合的高炉煤气流分布状态识别方法，图2是本发明提供的多源异构数据融合的高炉煤气流分布状态识别方法的流程示意图之二，如图2所示，该方法包括：
步骤210，获取n组待识别数据，具体包括：
步骤211，从某钢厂采集得到高炉煤气流分布红外热图像；
步骤212，基于同一高炉的同一时刻，采集得到温度分布数据；
假定红外热图像数据集表示为
Figure 942444DEST_PATH_IMAGE053
， 温度分布数据集表示为
Figure 45529DEST_PATH_IMAGE054
，其中 第
Figure 939536DEST_PATH_IMAGE055
个温度分布数据特征
Figure 37942DEST_PATH_IMAGE056
由十字测温两条直线测温臂上的热电偶感知的温度数 据组成，红外热图像数据集和温度分布数据集各自包含n个样本数据。
步骤220，对于红外图像数据集
Figure 991991DEST_PATH_IMAGE057
，构建红外热图像超图，并确定图像关联 矩阵，图像关联矩阵表征红外图像数据集中各红外热图像样本之间的高阶关联信息。
步骤230，对于温度分布数据集
Figure 441427DEST_PATH_IMAGE058
，构建温度分布超图，并确定温度关联 矩阵，表征温度分布数据集中各温度分布样本之间的高阶关联信息。
需要说明的是，步骤220和步骤230可以同时执行，也可以顺序执行，但对执行顺序不作具体限定。
步骤240，多超图异构信息融合。
将图像关联矩阵和温度关联矩阵拼接起来，得到融合关联矩阵，得到新的融合超图。
融合关联矩阵可表示为：
Figure 14491DEST_PATH_IMAGE059
，关联矩阵的每一行表示融合超图中的每 一个顶点，关联矩阵的每一列表示融合超图中的每一条超边。
步骤250，高炉煤气流分布超图学习优化建模与状态识别，具体包括：
步骤251，利用融合关联矩阵建立高炉煤气流分布状态的超图优化模型，所述超图优化模型表示为如下形式：
Figure 498562DEST_PATH_IMAGE001
其中，
Figure 623513DEST_PATH_IMAGE002
表示所述多组待识别数据的得分矩阵，
Figure 288806DEST_PATH_IMAGE003
表示所述高炉煤气流分布状态标 签的标签矩阵，
Figure 524615DEST_PATH_IMAGE004
表示所述融合超图的拉普拉斯矩阵，
Figure 738559DEST_PATH_IMAGE005
为权衡参数，
Figure 34411DEST_PATH_IMAGE060
表示超图学习损 失函数，超图优化模型的优化目标是使得
Figure 458439DEST_PATH_IMAGE060
最小化。
步骤252，对模型进行求解，得到各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，基于得分进行状态识别。
步骤253，将得分最高的高炉煤气流分布状态标签，确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
煤气流分布状态识别结果具体可以为：中心过大边缘过盛、中心过大边缘过死、中心过大边缘稳定、中心不足边缘过盛、中心不足边缘过死、中心不足边缘稳定、中心充足边缘过盛、中心充足边缘过死或者中心充足边缘稳定。
下面对本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统进行描述，下文描述的多源异构数据融合的高炉煤气流分布状态识别系统与上文描述的多源异构数据融合的高炉煤气流分布状态识别方法可相互对应参照。
基于上述任一实施例，图3是本发明提供的多源异构数据融合的高炉煤气流分布状态识别系统的结构示意图，如图3所示，该系统包括：
数据获取单元310，用于获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；
状态识别单元320，用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
本发明实施例提供的多源异构数据融合的高炉煤气流分布状态识别系统，获取同一时刻的红外热图像和温度分布数据，并根据各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。在实现自动识别煤气流分布状态的同时，能够有效地提高煤气流分布状态识别精度。
基于上述任一实施例，多源异构数据融合的高炉煤气流分布状态识别系统还包括图像关联信息确定单元，用于：
基于所述多组待识别数据中各红外热图像，构建红外热图像超图；
确定所述红外热图像超图的图像关联矩阵，所述图像关联矩阵表征所述各红外热图像之间的关联信息。
基于上述任一实施例，多源异构数据融合的高炉煤气流分布状态识别系统还包括温度关联信息确定单元，用于：
基于所述多组待识别数据中各温度分布数据，构建温度分布超图；
确定所述温度分布超图的温度关联矩阵，所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
基于上述任一实施例，状态识别单元320进一步用于：
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，确定所述多组待识别数据的融合关联信息，并基于所述融合关联信息，构建融合超图；
基于所述融合超图，构建高炉煤气流分布状态的超图优化模型；
基于预设的高炉煤气流分布状态标签的标签矩阵，对所述超图优化模型进行求解，得到所述多组待识别数据的得分矩阵，所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分；
基于所述多组待识别数据的得分矩阵，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
基于上述任一实施例，状态识别单元320进一步用于：
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，将得分最高的高炉煤气流分布状态标签，确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
基于上述任一实施例，所述高炉煤气流分布状态的超图优化模型表示为如下形式：
Figure 497939DEST_PATH_IMAGE001
其中，
Figure 831969DEST_PATH_IMAGE002
表示所述多组待识别数据的得分矩阵，
Figure 298722DEST_PATH_IMAGE003
表示所述高炉煤气流分布状态标 签的标签矩阵，
Figure 944467DEST_PATH_IMAGE004
表示所述融合超图的拉普拉斯矩阵，
Figure 522079DEST_PATH_IMAGE005
为权衡参数。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器（processor）410、通信接口（Communications Interface）420、存储器（memory）430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行多源异构数据融合的高炉煤气流分布状态识别方法，该方法包括：获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的多源异构数据融合的高炉煤气流分布状态识别方法，该方法包括：获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的多源异构数据融合的高炉煤气流分布状态识别方法，该方法包括：获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，包括：
获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
2.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述各红外热图像之间的关联信息基于如下步骤确定：
基于所述多组待识别数据中各红外热图像，构建红外热图像超图；
确定所述红外热图像超图的图像关联矩阵，所述图像关联矩阵表征所述各红外热图像之间的关联信息。
3.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述各温度分布数据之间的关联信息基于如下步骤确定：
基于所述多组待识别数据中各温度分布数据，构建温度分布超图；
确定所述温度分布超图的温度关联矩阵，所述温度关联矩阵表征所述各温度分布数据之间的关联信息。
4.根据权利要求1所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述基于所述多组待识别数据中各红外热图像之间的关联信息和各组温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到多组待识别数据的高炉煤气流分布状态识别结果，包括：
基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，确定所述多组待识别数据的融合关联信息，并基于所述融合关联信息，构建融合超图；
基于所述融合超图，构建高炉煤气流分布状态的超图优化模型；
基于预设的高炉煤气流分布状态标签的标签矩阵，对所述超图优化模型进行求解，得到所述多组待识别数据的得分矩阵，所述得分矩阵用于表征各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分；
基于所述多组待识别数据的得分矩阵，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
5.根据权利要求4所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述基于所述多组待识别数据的得分矩阵，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果，包括：
基于所述各组待识别数据分别对应于高炉煤气流分布状态各个标签的得分，将得分最高的高炉煤气流分布状态标签，确定为所述各组待识别数据的高炉煤气流分布状态识别结果。
6.根据权利要求4所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述高炉煤气流分布状态的超图优化模型表示为如下形式：
Figure 3039DEST_PATH_IMAGE001
其中，
Figure 54172DEST_PATH_IMAGE002
表示所述多组待识别数据的得分矩阵，
Figure 41719DEST_PATH_IMAGE003
表示所述高炉煤气流分布状态标签的 标签矩阵，
Figure 593924DEST_PATH_IMAGE004
表示所述融合超图的拉普拉斯矩阵，
Figure 248896DEST_PATH_IMAGE005
为权衡参数。
7.根据权利要求4至6中任一项所述的多源异构数据融合的高炉煤气流分布状态识别方法，其特征在于，所述高炉煤气流分布状态标签包括中心过大边缘过盛，中心过大边缘过死，中心过大边缘稳定，中心不足边缘过盛，中心不足边缘过死，中心不足边缘稳定，中心充足边缘过盛，中心充足边缘过死，中心充足边缘稳定中的至少一种。
8.一种多源异构数据融合的高炉煤气流分布状态识别系统，其特征在于，包括：
数据获取单元，用于获取多组待识别数据，其中，各组待识别数据包括炉喉料面的红外热图像和炉喉的温度分布数据，所述红外热图像和所述温度分布数据对应同一高炉的同一时刻；
状态识别单元，用于基于所述多组待识别数据中各红外热图像之间的关联信息和各温度分布数据之间的关联信息，对所述多组待识别数据进行高炉煤气流分布状态识别，得到各组待识别数据的高炉煤气流分布状态识别结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述多源异构数据融合的高炉煤气流分布状态识别方法。
10.一种非暂态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如权利要求1至7任一项所述多源异构数据融合的高炉煤气流分布状态识别方法。
CN202210496119.7A 2022-05-09 2022-05-09 多源异构数据融合的高炉煤气流分布状态识别方法及系统 Active CN114581785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210496119.7A CN114581785B (zh) 2022-05-09 2022-05-09 多源异构数据融合的高炉煤气流分布状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210496119.7A CN114581785B (zh) 2022-05-09 2022-05-09 多源异构数据融合的高炉煤气流分布状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN114581785A true CN114581785A (zh) 2022-06-03
CN114581785B CN114581785B (zh) 2022-07-22

Family

ID=81769053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210496119.7A Active CN114581785B (zh) 2022-05-09 2022-05-09 多源异构数据融合的高炉煤气流分布状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN114581785B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115541030A (zh) * 2022-09-21 2022-12-30 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000040979A (ko) * 1998-12-21 2000-07-15 이구택 고로내부의 가스류 분포 인식방법
KR20120011437A (ko) * 2010-07-29 2012-02-08 현대제철 주식회사 고로의 가스유동 분석방법
CN102409123A (zh) * 2010-09-25 2012-04-11 宝山钢铁股份有限公司 一种基于多源异构数据融合的高炉料面成像系统
CN102732660A (zh) * 2012-06-27 2012-10-17 浙江大学 一种基于多源信息融合的料面温度场检测方法
CN103409569A (zh) * 2013-08-29 2013-11-27 武汉钢铁(集团)公司 利用炉顶红外图像控制气流分布的方法
CN103514486A (zh) * 2012-06-15 2014-01-15 上海宝信软件股份有限公司 基于因素分析的高炉煤气受入流量预测方法
CN103674255A (zh) * 2012-09-21 2014-03-26 杭州美盛红外光电技术有限公司 热像处理装置和热像处理方法
CN105002321A (zh) * 2015-06-16 2015-10-28 内蒙古科技大学 一种处理煤气流中心动态跟踪及煤气利用率监测方法
CN105678734A (zh) * 2014-11-21 2016-06-15 中国科学院沈阳自动化研究所 一种图像匹配系统的异源测试图像标定方法
CN107679581A (zh) * 2017-10-23 2018-02-09 内蒙古科技大学 基于红外图像像素矩阵的特征值处理煤气流分布的方法
CN111968046A (zh) * 2020-07-21 2020-11-20 南京莱斯网信技术研究院有限公司 一种基于拓扑结构的雷达光电传感器目标关联融合方法
CN112270237A (zh) * 2020-10-22 2021-01-26 中冶南方工程技术有限公司 一种高炉煤气流状态识别方法、系统及存储介质
CN113052208A (zh) * 2021-03-10 2021-06-29 神华神东煤炭集团有限责任公司 基于视觉的煤岩识别方法、存储介质及电子设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000040979A (ko) * 1998-12-21 2000-07-15 이구택 고로내부의 가스류 분포 인식방법
KR20120011437A (ko) * 2010-07-29 2012-02-08 현대제철 주식회사 고로의 가스유동 분석방법
CN102409123A (zh) * 2010-09-25 2012-04-11 宝山钢铁股份有限公司 一种基于多源异构数据融合的高炉料面成像系统
CN103514486A (zh) * 2012-06-15 2014-01-15 上海宝信软件股份有限公司 基于因素分析的高炉煤气受入流量预测方法
CN102732660A (zh) * 2012-06-27 2012-10-17 浙江大学 一种基于多源信息融合的料面温度场检测方法
CN103674255A (zh) * 2012-09-21 2014-03-26 杭州美盛红外光电技术有限公司 热像处理装置和热像处理方法
CN103409569A (zh) * 2013-08-29 2013-11-27 武汉钢铁(集团)公司 利用炉顶红外图像控制气流分布的方法
CN105678734A (zh) * 2014-11-21 2016-06-15 中国科学院沈阳自动化研究所 一种图像匹配系统的异源测试图像标定方法
CN105002321A (zh) * 2015-06-16 2015-10-28 内蒙古科技大学 一种处理煤气流中心动态跟踪及煤气利用率监测方法
CN107679581A (zh) * 2017-10-23 2018-02-09 内蒙古科技大学 基于红外图像像素矩阵的特征值处理煤气流分布的方法
CN111968046A (zh) * 2020-07-21 2020-11-20 南京莱斯网信技术研究院有限公司 一种基于拓扑结构的雷达光电传感器目标关联融合方法
CN112270237A (zh) * 2020-10-22 2021-01-26 中冶南方工程技术有限公司 一种高炉煤气流状态识别方法、系统及存储介质
CN113052208A (zh) * 2021-03-10 2021-06-29 神华神东煤炭集团有限责任公司 基于视觉的煤岩识别方法、存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN SHI等: "Recognition of Blast Furnace Gas Flow Center Distribution Based on Infrared Image Processing", 《JOURNAL OF IRON AND STEEL RESEARCH, INTERNATIONAL》 *
刘承宝等: "焦化换向过程烟气脱硝扰动建模与前馈控制", 《化工学报》 *
安剑奇等: "基于分层递阶融合算法的高炉料面煤气流分布软测量方法", 《自动化学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115541030A (zh) * 2022-09-21 2022-12-30 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质
CN115541030B (zh) * 2022-09-21 2024-02-27 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质
WO2024060284A1 (zh) * 2022-09-21 2024-03-28 中冶南方工程技术有限公司 高炉炉顶料面温度分布的识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN114581785B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN105612249B (zh) 图像处理装置、程序、信息存储介质和图像处理方法
CN114581785B (zh) 多源异构数据融合的高炉煤气流分布状态识别方法及系统
JP5718781B2 (ja) 画像分類装置および画像分類方法
CN113435282B (zh) 基于深度学习的无人机影像麦穗识别方法
CN110285781B (zh) 一种相对于基准面的平面平行度快速评定方法
CN103377303A (zh) 曲面量测系统及方法
CN117152484B (zh) 基于改进的YOLOv5s的小目标布匹瑕疵检测方法
Sun et al. Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2
CN109462999A (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN110307887B (zh) 一种应用于智能货柜的基于纯重力识别商品的方法
US9202130B2 (en) Image processing apparatus and image processing method
Mirande et al. A graph-based approach for simultaneous semantic and instance segmentation of plant 3D point clouds
Ni B-SIFT: a binary SIFT based local image feature descriptor
CN116563841B (zh) 配电网设备标识牌的检测方法、检测装置和电子设备
CN111626989B (zh) 针对缺失标注的病理图像的高精度检测网络训练方法
CN112396021A (zh) 高空危险物检测方法、装置及存储介质
CN111647698A (zh) 一种高炉炉缸的活跃状态检测方法及装置
CN117078927A (zh) 一种联合目标标注方法、装置、设备及存储介质
CN116007504A (zh) 基于图像技术的裂缝检测模块、装置和计算机设备
CN116188374A (zh) 插座检测方法、装置、计算机设备及存储介质
CN115937195A (zh) 表面缺陷检测方法、装置和计算机设备
CN115147349A (zh) 转炉冶炼终点的确定方法、装置、电子设备及存储介质
CN114494921A (zh) 一种货架商品的识别方法和系统
CN111722977A (zh) 系统巡检方法、装置及电子设备
CN109815133B (zh) 一种软件测试方法、装置、计算设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant