CN116339128A - 一种输渣系统落渣雨量在线监控方法及系统 - Google Patents

一种输渣系统落渣雨量在线监控方法及系统 Download PDF

Info

Publication number
CN116339128A
CN116339128A CN202310620032.0A CN202310620032A CN116339128A CN 116339128 A CN116339128 A CN 116339128A CN 202310620032 A CN202310620032 A CN 202310620032A CN 116339128 A CN116339128 A CN 116339128A
Authority
CN
China
Prior art keywords
slag
rainfall
falling
representing
image
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
CN202310620032.0A
Other languages
English (en)
Other versions
CN116339128B (zh
Inventor
富长亮
魏骁
谢晓东
王馨悦
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 Guodian Futong Science and Technology Development Co Ltd
Original Assignee
Beijing Guodian Futong Science and Technology Development Co Ltd
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 Guodian Futong Science and Technology Development Co Ltd filed Critical Beijing Guodian Futong Science and Technology Development Co Ltd
Priority to CN202310620032.0A priority Critical patent/CN116339128B/zh
Publication of CN116339128A publication Critical patent/CN116339128A/zh
Application granted granted Critical
Publication of CN116339128B publication Critical patent/CN116339128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Conveyors (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种输渣系统落渣雨量在线监控方法及系统，包括以下步骤：基于双目深度图像采集装置，获取落渣视频，并对落渣视频进行格式转换和区域分割；基于时空注意力网络，对格式转换和区域分割后的落渣视频的前景进行采集，提取特征图像并进行聚合；基于时空Wasserstein生成对抗网络对聚合后的特征图像进行去噪、平滑处理，确定单位时间内落渣的渣量和渣率；基于渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。本发明能够免人为因素给系统运行带来的潜在风险，保障输渣系统落渣雨量在线监控。

Description

一种输渣系统落渣雨量在线监控方法及系统
技术领域
本发明属于图像处理技术领域，具体涉及一种输渣系统落渣雨量在线监控方法及系统。
背景技术
目前输渣系统运行管理方式采用监控室内视频监视重要区域、输渣系统上位机监控画面和现场巡检相结合的方式，以保证输渣系统安全稳定运行。但上述方式，对运检人员要求极高，一旦注意力下降，易遗漏设备运行的关键信息。为此，提出输渣智慧化监测诊断评估及联动控制系统。落渣“雨量”监测子系统在输渣机炉膛观察窗附近布置具有高防护功能的双目深度图像采集装置获取落渣图像信息，通过对图像信息的处理，确定单位时间内落渣渣量和渣率等参数，并根据相关参数调节钢带机转速，形成闭环控制。视频监视用于观察输渣系统格栅上和输送钢带上落渣情况，但是输渣系统不能自主监控及预判设备关键点的运行状态，为系统稳定运行带来隐患。
为提高设备运营管理的智慧化、数字化、集约化水平，更好保证设备安全可靠的运行，本发明提出一种输渣系统落渣雨量在线监控方法及系统。
发明内容
针对现有技术的不足，本发明提出了一种输渣系统落渣雨量在线监控方法及系统，能够提高设备运营管理的智慧化、数字化、集约化水平，免人为因素给系统运行带来的潜在风险，保障输渣系统落渣雨量在线监控。
为实现上述目的，本发明提供了如下方案：
一种输渣系统落渣雨量在线监控方法，包括以下步骤：
S1：基于双目深度图像采集装置，获取落渣视频，并对所述落渣视频进行格式转换和区域分割；
S2：基于时空注意力网络，对格式转换和区域分割后的所述落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
S3：基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
S4：基于所述单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
优选的，所述S1中，对所述落渣视频进行格式转换和区域分割的方法包括：
采用OpenCV将提取的所述落渣视频的DVF格式转换为AVI格式，并对所述落渣视频中图像的边界、落渣进行区域分割。
优选的，所述S2中，对所述特征图像进行聚合的方法包括：
Figure SMS_1
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和s´分别为输入特征和输出特征；R表示实数；t m 和
Figure SMS_2
分别为输入图像和输出图像对应的时间间隔。
优选的，所述S3中，基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理的方法包括：
Figure SMS_3
式中，WD表示Wasserstein距离；
Figure SMS_4
表示真实数据，/>
Figure SMS_5
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离；
时空Wasserstein生成对抗网络优化过程描述为极大极小问题，目标函数如下：
Figure SMS_6
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；
Figure SMS_7
表示梯度算子；λ为惩罚项系数；/>
Figure SMS_8
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure SMS_9
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力。
优选的，所述S4中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的方法包括：
在工作状态下，当落渣雨量减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；
反之，当落渣雨量增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
本发明还提供了一种输渣系统落渣雨量在线监控系统，包括：获取模块、聚合模块、处理模块和监控模块；
所述获取模块用于基于双目深度图像采集装置，获取落渣视频，并对所述落渣视频进行格式转换和区域分割；
所述聚合模块用于基于时空注意力网络，对格式转换和区域分割后的所述落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
所述处理模块用于基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
所述监控模块用于基于所述单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
优选的，所述获取模块中，对所述落渣视频进行格式转换和区域分割的过程包括：
采用OpenCV将提取的所述落渣视频的DVF格式转换为AVI格式，并对所述落渣视频中图像的边界、落渣进行区域分割。
优选的，所述聚合模块中，对所述特征图像进行聚合的过程包括：
Figure SMS_10
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和s´分别为输入特征和输出特征；R表示实数；t m 和
Figure SMS_11
分别为输入图像和输出图像对应的时间间隔。
优选的，所述处理模块中，基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理的过程包括：
Figure SMS_12
式中，WD表示Wasserstein距离；
Figure SMS_13
表示真实数据，/>
Figure SMS_14
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离；
时空Wasserstein生成对抗网络优化过程描述为极大极小问题，目标函数如下：
Figure SMS_15
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；
Figure SMS_16
表示梯度算子；λ为惩罚项系数；/>
Figure SMS_17
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure SMS_18
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力。
优选的，所述监控模块中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的过程包括：
在工作状态下，当落渣雨量减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；
反之，当落渣雨量增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
与现有技术相比，本发明的有益效果为：
本发明提出一种多时空深度生成对抗网络的输渣系统落渣雨量在线监控方法，将在输渣机炉膛观察窗附近布置具有高防护功能的双目深度图像采集装置获取落渣图像信息，通过时空注意力网络，对落渣视频前景进行采集，提取特征图像并进行聚合；基于时空Wasserstein生成对抗网络对特征图像进行去噪、平滑处理；确定单位时间内落渣渣量和渣率等参数，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，实现根据落渣“雨量”大小与钢带机转速的自适应联动控制，形成闭环控制，以提高设备运营管理的智慧化、数字化、集约化水平，更好保证输渣系统落渣雨量在线监控。
附图说明
为了更清楚地说明本发明的技术方案，下面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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种多时空深度生成对抗网络的输渣系统落渣雨量在线监控方法流程图；
图2是本发明实施例中时空Wasserstein生成对抗网络结构图；
图3是本发明实施例中多维分数阶PID控制器结构图。
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。
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。
实施例一
如图1所示，本发明提供了一种输渣系统落渣雨量在线监控方法，包括以下步骤：
S1：基于双目深度图像采集装置，获取落渣视频，并对落渣视频进行格式转换和区域分割；
S2：基于时空注意力网络，对格式转换和区域分割后的落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
S3：基于时空Wasserstein生成对抗网络对聚合后的特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
S4：基于单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
在本实施例中，所示S1中，在输渣机炉膛观察窗布置双目深度图像采集装置采集落渣视频流，其中，所述双目深度图像采集装置为两个摄像头的图像采集装置。
在本实施例中，所述S1中，对落渣视频进行格式转换和区域分割的方法包括：
采用OpenCV将提取的落渣视频的DVF格式转换为AVI格式，并对落渣视频中图像的边界、落渣进行区域分割。
在本实施例中，所述S2中，对所述特征图像进行聚合的方法包括：
将输渣系统落渣集合定义为S={s 1,s 2, ...,s n }，时间间隔为T={t 1,t 2, ...,t m}。
时空注意力网络对邻近分散的前景图像进行聚合，其表达式如下表示：
Figure SMS_19
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和s´分别为输入特征和输出特征；R表示实数；t m 和
Figure SMS_20
分别为输入图像和输出图像对应的时间间隔。
在本实施例中，图2是本发明时空Wasserstein生成对抗网络结构图。生成器G的输入是带有噪声的图像，输出是去噪的图像。生成器的目的是学习真实图像内部规律，以拟合真实图像的分布；判别器D的输入是真实历史图像与生成器的生成图像，输出是生成图像成真实图像的概率分布。生成器与判别器二者不断迭代更新各自参数，以提高生成器的生成能力与判别器的判别能力，最终达到纳什均衡。
所述S3中，基于时空Wasserstein生成对抗网络对聚合后的特征图像进行去噪、平滑处理的方法包括：
落渣成像过程中容易受到噪声的污染，以至于视频提取的图像大多带有明显噪声，影响图像原本内容。本发明引入Wasserstein距离思想结合生成对抗网络对图像进行去噪、平滑处理，Wasserstein距离的公式可如下所示：
Figure SMS_21
式中，WD表示Wasserstein距离；
Figure SMS_22
表示真实数据，/>
Figure SMS_23
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离。
Wasserstein距离越小，生成图像与真实图像分布越接近，生成效果越好。在本发明中不断迭代更新生成器与判别器，各自更新自身的参数，生成器的目的是学习真实图像内部规律，以拟合真实图像的分布；最终使生成图像分布不断靠近真实图像分布，即不断缩小生成图像分布与真实分布之间的Wasserstein距离。
时空Wasserstein生成对抗网络优化过程可描述为极大极小问题，其目标函数如下：
Figure SMS_24
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；
Figure SMS_25
表示梯度算子；λ为惩罚项系数；/>
Figure SMS_26
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure SMS_27
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力，该数值越大表示性能越好。
在本实施例中，所述S4中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的方法包括：
通过降噪平滑后的落渣图像，确定单位时间内落渣的渣量和渣率。采用多维分数阶PID控制算法动态调节钢带机的转速，实现根据落渣“雨量”大小与钢带机转速的自适应联动控制。图3是本发明的多维分数阶PID控制器结构图。输入量为落渣“雨量”等级，输出量为钢带机转速。根据实际工况下的数据分析，建立落渣“雨量”等级与钢带机转速的传递函数及多维分数阶PID比例、积分、微分控制参数。多维分数阶控制器融合了传统PID控制器误差反馈控制的核心理念，对控制对象的变化具有较强的鲁棒性，取得更好的控制效果。在工作状态下，当落渣“雨量”减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；反之，当落渣“雨量”增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
在本实施例中，对降噪平滑后的落渣图像的像素占比进行统计，统计前景像素总和在选定区域面积的占比率，通过前期的大量实验数据观测，分析得出占比率与雨量即落渣密度的关系，得出单位时间内该渣井内落渣的密度结果，确定单位时间内落渣的渣量和渣率。
在本实施例中，多维分数阶控制器融合了传统PID控制器误差反馈控制的核心理念，对控制对象的变化具有较强的鲁棒性，取得更好的控制效果，表示如下：
Figure SMS_28
其中，n表示分数阶的数量；m表示控制对象的信息数量；θ控制对象的信息；λ i ,o表示第i个控制对象的信息具有o阶次；α i,o 为第i个控制对象的常数。
实施例二
本发明还提供了一种输渣系统落渣雨量在线监控系统，包括：获取模块、聚合模块、处理模块和监控模块；
获取模块用于基于双目深度图像采集装置，获取落渣视频，并对落渣视频进行格式转换和区域分割；
聚合模块用于基于时空注意力网络，对格式转换和区域分割后的落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
处理模块用于基于时空Wasserstein生成对抗网络对聚合后的特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
监控模块用于基于单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
在本实施例中，所述获取模块中，对落渣视频进行格式转换和区域分割的过程包括：
采用OpenCV将提取的落渣视频的DVF格式转换为AVI格式，并对落渣视频中图像的边界、落渣进行区域分割。
在本实施例中，所述聚合模块中，对所述特征图像进行聚合的过程包括：
Figure SMS_29
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和s´分别为输入特征和输出特征；R表示实数；t m 和
Figure SMS_30
分别为输入图像和输出图像对应的时间间隔。
在本实施例中，所述处理模块中，基于时空Wasserstein生成对抗网络对聚合后的特征图像进行去噪、平滑处理的过程包括：
Figure SMS_31
式中，WD表示Wasserstein距离；
Figure SMS_32
表示真实数据，/>
Figure SMS_33
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离；
时空Wasserstein生成对抗网络优化过程可描述为极大极小问题，其目标函数如下：
Figure SMS_34
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；
Figure SMS_35
表示梯度算子；λ为惩罚项系数；/>
Figure SMS_36
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure SMS_37
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力。
在本实施例中，所述监控模块中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的过程包括：
在工作状态下，当落渣雨量减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；
反之，当落渣雨量增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种输渣系统落渣雨量在线监控方法，其特征在于，包括以下步骤：
S1：基于双目深度图像采集装置，获取落渣视频，并对所述落渣视频进行格式转换和区域分割；
S2：基于时空注意力网络，对格式转换和区域分割后的所述落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
S3：基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
S4：基于所述单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
2.根据权利要求1所述的输渣系统落渣雨量在线监控方法，其特征在于，所述S1中，对所述落渣视频进行格式转换和区域分割的方法包括：
采用OpenCV将提取的所述落渣视频的DVF格式转换为AVI格式，并对所述落渣视频中图像的边界、落渣进行区域分割。
3.根据权利要求1所述的输渣系统落渣雨量在线监控方法，其特征在于，所述S2中，对所述特征图像进行聚合的方法包括：
Figure QLYQS_1
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和/>
Figure QLYQS_2
分别为输入特征和输出特征；R表示实数；t m 和/>
Figure QLYQS_3
分别为输入图像和输出图像对应的时间间隔。
4.根据权利要求1所述的输渣系统落渣雨量在线监控方法，其特征在于，所述S3中，基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理的方法包括：
Figure QLYQS_4
式中，WD表示Wasserstein距离；/>
Figure QLYQS_5
表示真实数据，/>
Figure QLYQS_6
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离；
时空Wasserstein生成对抗网络优化过程描述为极大极小问题，目标函数如下：
Figure QLYQS_7
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；/>
Figure QLYQS_8
表示梯度算子；λ为惩罚项系数；/>
Figure QLYQS_9
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure QLYQS_10
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力。
5.根据权利要求1所述的输渣系统落渣雨量在线监控方法，其特征在于，所述S4中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的方法包括：
在工作状态下，当落渣雨量减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；
反之，当落渣雨量增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
6.一种输渣系统落渣雨量在线监控系统，其特征在于，包括：获取模块、聚合模块、处理模块和监控模块；
所述获取模块用于基于双目深度图像采集装置，获取落渣视频，并对所述落渣视频进行格式转换和区域分割；
所述聚合模块用于基于时空注意力网络，对格式转换和区域分割后的所述落渣视频的前景进行采集，提取特征图像并对所述特征图像进行聚合；
所述处理模块用于基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理，基于降噪平滑后的特征图像，确定单位时间内落渣的渣量和渣率；
所述监控模块用于基于所述单位时间内落渣的渣量和渣率，结合多维分数阶PID控制算法，利用加密协议动态调节钢带机的转速，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控。
7.根据权利要求6所述的输渣系统落渣雨量在线监控系统，其特征在于，所述获取模块中，对所述落渣视频进行格式转换和区域分割的过程包括：
采用OpenCV将提取的所述落渣视频的DVF格式转换为AVI格式，并对所述落渣视频中图像的边界、落渣进行区域分割。
8.根据权利要求6所述的输渣系统落渣雨量在线监控系统，其特征在于，所述聚合模块中，对所述特征图像进行聚合的过程包括：
Figure QLYQS_11
式中，S和S´分别表示时空注意力网络的输入图像和输出图像的特征集；s和s´分别为输入特征和输出特征；R表示实数；t m 和/>
Figure QLYQS_12
分别为输入图像和输出图像对应的时间间隔。
9.根据权利要求6所述的输渣系统落渣雨量在线监控系统，其特征在于，所述处理模块中，基于时空Wasserstein生成对抗网络对聚合后的所述特征图像进行去噪、平滑处理的过程包括：
Figure QLYQS_13
式中，WD表示Wasserstein距离；/>
Figure QLYQS_14
表示真实数据，/>
Figure QLYQS_15
表示生成数据；P data表示真实图像分布；P G 表示生成图像分布；ω i 表示第i个生成对抗网络的系数；d表示距离；
时空Wasserstein生成对抗网络优化过程描述为极大极小问题，目标函数如下：
Figure QLYQS_16
式中，G表示生成器，D表示判别器，x表示真实数据；||·||P表示P范数；/>
Figure QLYQS_17
表示梯度算子；λ为惩罚项系数；/>
Figure QLYQS_18
，ζ服从[0,1]范围内的均匀分布；z是随机噪声分布P G 的噪音样本；/>
Figure QLYQS_19
表示生成数据沿真实数据分布；V是定义的损失函数，代表判别器判别性能的能力。
10.根据权利要求6所述的输渣系统落渣雨量在线监控系统，其特征在于，所述监控模块中，根据落渣雨量大小与钢带机转速的自适应联动控制，实现对落渣雨量进行在线监控的过程包括：
在工作状态下，当落渣雨量减小时，通过多维分数阶PID控制算法使钢带机转速降低至相适应挡位；
反之，当落渣雨量增大时，通过多维分数阶PID控制算法使钢带机转速升高至相适应挡位。
CN202310620032.0A 2023-05-30 2023-05-30 一种输渣系统落渣雨量在线监控方法及系统 Active CN116339128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310620032.0A CN116339128B (zh) 2023-05-30 2023-05-30 一种输渣系统落渣雨量在线监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310620032.0A CN116339128B (zh) 2023-05-30 2023-05-30 一种输渣系统落渣雨量在线监控方法及系统

Publications (2)

Publication Number Publication Date
CN116339128A true CN116339128A (zh) 2023-06-27
CN116339128B CN116339128B (zh) 2023-07-28

Family

ID=86891542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310620032.0A Active CN116339128B (zh) 2023-05-30 2023-05-30 一种输渣系统落渣雨量在线监控方法及系统

Country Status (1)

Country Link
CN (1) CN116339128B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07126663A (ja) * 1993-10-25 1995-05-16 Kawasaki Heavy Ind Ltd 石炭部分燃焼炉のスラグ流下監視方法および装置
CN108253938A (zh) * 2017-12-29 2018-07-06 武汉大学 Tbm破岩矿渣数字近景摄影测量识别及反演方法
CN110097512A (zh) * 2019-04-16 2019-08-06 四川大学 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN112950586A (zh) * 2021-03-02 2021-06-11 攀钢集团攀枝花钢铁研究院有限公司 一种lf炉钢渣红外识别方法和系统
CN112981135A (zh) * 2021-02-06 2021-06-18 楚雄滇中有色金属有限责任公司 一种判断转炉炼铜造渣期终点的方法
US20220020123A1 (en) * 2020-07-20 2022-01-20 Tsinghua University Bayesian image denoising method based on distribution constraint of noisy images
CN114166120A (zh) * 2021-11-30 2022-03-11 浙江大学 一种基于面阵激光雷达的落渣实时检测方法
CN216384218U (zh) * 2021-04-09 2022-04-26 西安热工研究院有限公司 一种燃煤锅炉冷灰斗落渣实时监测系统
CN116105813A (zh) * 2022-12-15 2023-05-12 东南大学 炉渣体积流量测量装置及测量方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07126663A (ja) * 1993-10-25 1995-05-16 Kawasaki Heavy Ind Ltd 石炭部分燃焼炉のスラグ流下監視方法および装置
CN108253938A (zh) * 2017-12-29 2018-07-06 武汉大学 Tbm破岩矿渣数字近景摄影测量识别及反演方法
CN110097512A (zh) * 2019-04-16 2019-08-06 四川大学 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
US20220020123A1 (en) * 2020-07-20 2022-01-20 Tsinghua University Bayesian image denoising method based on distribution constraint of noisy images
CN112981135A (zh) * 2021-02-06 2021-06-18 楚雄滇中有色金属有限责任公司 一种判断转炉炼铜造渣期终点的方法
CN112950586A (zh) * 2021-03-02 2021-06-11 攀钢集团攀枝花钢铁研究院有限公司 一种lf炉钢渣红外识别方法和系统
CN216384218U (zh) * 2021-04-09 2022-04-26 西安热工研究院有限公司 一种燃煤锅炉冷灰斗落渣实时监测系统
CN114166120A (zh) * 2021-11-30 2022-03-11 浙江大学 一种基于面阵激光雷达的落渣实时检测方法
CN116105813A (zh) * 2022-12-15 2023-05-12 东南大学 炉渣体积流量测量装置及测量方法

Also Published As

Publication number Publication date
CN116339128B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107133943B (zh) 一种防震锤缺陷检测的视觉检测方法
CN116520915B (zh) 基于热红外图像的网络中心机房温度预警控制系统
CN113989716B (zh) 煤矿井下输送带异物目标检测方法、系统、设备及终端
CN110097522B (zh) 一种基于多尺度卷积神经网络的单幅户外图像去雾方法
CN103047165A (zh) 一种熔炼炉除尘风机的控制方法及其控制系统
Liu et al. A noisy multi-objective optimization algorithm based on mean and Wiener filters
CN116339128B (zh) 一种输渣系统落渣雨量在线监控方法及系统
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
Chen et al. An enhanced adaptive Sobel edge detector based on improved genetic algorithm and non-maximum suppression
CN113592750A (zh) 一种基于梯度直方图的红外增强方法
CN113240668A (zh) 一种基于图像数字特征分布的生成熔池图像质量评估方法
CN116844114A (zh) 一种基于YOLOv7-WFD模型的安全帽检测方法及装置
CN115294556B (zh) 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法
Zou et al. Image haze removal algorithm using a logarithmic guide filtering and multi-channel prior
CN114598849B (zh) 一种基于物联网的建筑施工安全监控系统
CN112861681B (zh) 一种基于云端处理的管廊视频智能分析方法及系统
Song et al. An adaptive real-time video defogging method based on context-sensitiveness
CN207319290U (zh) 一种干扰光束远场测试系统
Almero et al. Particle Swarm Optimization-based Dark Channel Prior Parameters Selection for Single Underwater Image Dehazing
CN110232314A (zh) 一种基于改进的Hog特征结合神经网络的图像行人检测方法
CN111275642B (zh) 一种基于显著性前景内容的低光照图像增强方法
CN117373099B (zh) 一种人脸锁摄像头遮挡检测方法、装置、设备及介质
Liao et al. Learning transmission filtering network for image-based Pm2. 5 estimation
Song et al. End-to-end dehazing of traffic sign images using reformulated atmospheric scattering model
CN111986094A (zh) 一种基于空间域混合运算的红外图像优化处理方法

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
GR01 Patent grant
GR01 Patent grant