CN116402813A - 基于神经网络的铜转炉吹炼造铜期终点判断方法 - Google Patents
基于神经网络的铜转炉吹炼造铜期终点判断方法 Download PDFInfo
- Publication number
- CN116402813A CN116402813A CN202310665639.0A CN202310665639A CN116402813A CN 116402813 A CN116402813 A CN 116402813A CN 202310665639 A CN202310665639 A CN 202310665639A CN 116402813 A CN116402813 A CN 116402813A
- Authority
- CN
- China
- Prior art keywords
- flame
- image
- value
- smoke
- copper
- 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
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 86
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 84
- 239000010949 copper Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 239000000779 smoke Substances 0.000 claims abstract description 157
- 238000002485 combustion reaction Methods 0.000 claims abstract description 27
- 238000007664 blowing Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 34
- 239000003546 flue gas Substances 0.000 claims description 34
- 238000003723 Smelting Methods 0.000 abstract description 5
- 239000002184 metal Substances 0.000 abstract description 2
- 229910052751 metal Inorganic materials 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000005749 Copper compound Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001880 copper compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 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
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B15/00—Obtaining copper
- C22B15/0026—Pyrometallurgy
- C22B15/0028—Smelting or converting
- C22B15/003—Bath smelting or converting
- C22B15/0041—Bath smelting or converting in converters
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及金属冶炼生产技术领域,具体涉及一种基于神经网络的铜转炉吹炼造铜期终点判断方法。该方法确定铜转炉的火焰区域和烟气区域后,对烟气区域分析其相对于炉口图像的占比、对比度及色彩值,来反应烟气的范围大小、稀薄程度及清亮度,得到准确的烟气含量;对火焰区域则分析其颜色、左右两侧火焰的高度差异及火焰区域的灰度值大小,来反应火焰的颜色、摇摆程度和能量大小,得到准确的火焰燃烧剧烈程度,将所得烟气含量和火焰燃烧剧烈程度输入训练好的神经网络,完成铜转炉内吹炼造铜期终点判断。由于结合了火焰和烟气两种判断对象,且结合了颜色和形态的非单一维度判断内容,所以可显著提高对造铜期终点判断的准确度。
Description
技术领域
本发明涉及金属冶炼生产技术领域,具体涉及一种基于神经网络的铜转炉吹炼造铜期终点判断方法。
背景技术
铜及铜的化合物应用在生活的各个方面,主要应用于电子产品,环保,农药,交通运输,珠宝等领域。目前冶炼铜的工艺将近80%为火法炼铜,铜转炉吹炼作为火法冶炼粗铜的关键工序,分为造渣期与造铜期,造铜期过吹不仅会造成吹炼炉寿命降低,而且会降低粗铜质量与直收率,所以需要准确判断铜转炉吹炼过程中的造铜期终点。
现有的铜转炉吹炼造铜期终点判断方法有人工经验法、仪器测定法和基于神经网络的图像识别法。人工经验法和仪器测定法存在着终点判断滞后以及仪器易损坏导致判断不准确的问题;而图像识别方法,则主要是通过采集铜转炉中火焰图像或者吹炼过程中的吹炼渣与粗铜图像,然后将图像输入神经网络实现终点判断,其中采集火焰图像具体是以火焰颜色特征进行终点判断,特征较为单一,导致对终点的判断结果不精确,而采集吹炼渣与粗铜图像判断吹炼终点时,吹炼渣与铜样需人工在吹炼过程中进行采集,采样较为麻烦且拍摄时间滞后、图像采集时间不连续,导致对吹炼终点的判断不够及时。
可以看出,现有的铜转炉吹炼造铜期终点判断方法普遍存在着对终点判断不够及时与准确的缺陷。
发明内容
本发明提供了一种基于神经网络的铜转炉吹炼造铜期终点判断方法,用以及时、准确地完成铜转炉吹炼造铜期终点判断,所采用的技术方案具体如下:
本发明的一种基于神经网络的铜转炉吹炼造铜期终点判断方法,包括以下步骤:
通过铜转炉的炉口向炉内拍摄获取炉口图像,提取炉口图像上的火焰区域和烟气区域并分别作为火焰图像和烟气图像;
根据烟气图像与炉口图像的相对大小确定烟气占比值,根据烟气图像的色彩值确定烟气清亮度,根据所述烟气占比值、烟气清亮度和烟气图像的对比度确定烟气含量值;
确定火焰图像的颜色值,根据火焰图像中左右两侧火焰的高度差异确定火焰摇摆程度值,将火焰图像灰度化处理得到火焰灰度图像,以火焰灰度图像的灰度值大小确定火焰能量值,根据所述颜色值、火焰摇摆程度值和火焰能量值确定火焰燃烧剧烈程度值;
将所述烟气含量值和所述火焰燃烧剧烈程度值输入训练好的神经网络,完成铜转炉吹炼造铜期终点判断。
本发明的有益效果为:
本发明该方法首先由炉口图像获取火焰图像和烟气图像,以避免对不必要计算的区域进行计算,减小计算量,然后分析烟气图像的烟气占比值、清亮度和对比度,从烟气的范围、颜色和浓度三方面综合确定烟气含量值,同时,分析火焰图像的颜色值、火焰摇摆程度值和火焰能量值,从火焰的颜色、形态和所含能量三个方面综合确定火焰燃烧剧烈程度值,最终在将所得烟气含量值和火焰燃烧剧烈程度值输入训练好的神经网络进行造铜期终点判断时,由于综合了烟气和火焰这两个判断对象,且同时综合了烟气和火焰的颜色、浓度、大小、形态和能量状态这一系列的多方面因素,可显著提高对造铜期终点判断的准确度。
进一步的,所述根据火焰图像中左右两侧火焰的高度差异确定火焰摇摆程度值的方法为:
由所述火焰灰度图像的火焰上边缘像素点构成火焰边缘曲线,计算火焰边缘曲线上火焰左半侧曲线高度和右半侧曲线高度的差值,确定火焰摇摆程度值。
进一步的,所述计算火焰边缘曲线上火焰左半侧曲线高度和右半侧曲线高度的差值,确定火焰摇摆程度值的方法为:
计算所述火焰边缘曲线上每个火焰左半侧曲线高度和右半侧曲线高度的差值绝对值,以所有差值绝对值的均值确定火焰摇摆程度值。
进一步的,所述火焰摇摆程度值为:
其中,表示火焰摇摆程度值,G表示火焰边缘曲线上火焰的总个数,/>表示火焰边缘曲线上第g个火焰的像素点总数,/>,/>表示火焰边缘曲线上第g个火焰的左侧半边曲线内第u个像素点的高度值,/>表示火焰边缘曲线上第g个火焰的右侧半边曲线内第v个像素点的高度值,/>是大于0的调整参数。
进一步的,所述烟气清亮度为:
进一步的,所述烟气含量值的计算方法为:
计算所述烟气图像的对比度和所述烟气清亮度的第一乘积,以所述烟气占比值和所述第一乘积的比值作为所述烟气含量值。
进一步的,所述确定火焰图像的颜色值的方法为:
以所述火焰图像在HSV颜色空间下的色调值和饱和度值的乘积作为所述火焰图像的颜色值。
进一步的,所述火焰燃烧剧烈程度值的计算方法为:
计算所述火焰图像的颜色值和所述火焰摇摆程度值的第二乘积,以所述火焰能量值和所述第二乘积的比值作为所述火焰燃烧剧烈程度值。
附图说明
图1是本发明该种基于神经网络的铜转炉吹炼造铜期终点判断方法的流程图;
图2是本发明的火焰边缘曲线示意图。
具体实施方式
本发明的构思为:
通过采集铜转炉炉口图像并确定出其中的火焰区域和烟气区域后,对于烟气区域分析其相对于炉口图像的占比、对比度以及色彩值,来反应当前烟气的范围大小、稀薄程度以及清亮度,从而得到准确的烟气含量;而对于火焰区域则分析其颜色、左右两侧火焰的高度差异以及火焰区域的平均灰度值大小,来反应当前火焰的颜色、摇摆程度和能量大小,从而得到准确的火焰燃烧剧烈程度,最终将所得烟气含量和火焰燃烧剧烈程度输入训练好的神经网络,来完成铜转炉内吹炼造铜期终点判断。
下面结合附图及实施例,对本发明的一种基于神经网络的铜转炉吹炼造铜期终点判断方法进行详细说明。
本发明的一种基于神经网络的铜转炉吹炼造铜期终点判断方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,通过铜转炉的炉口向炉内拍摄获取炉口图像,提取炉口图像上的火焰区域和烟气区域并分别作为火焰图像和烟气图像。
随着铜转炉吹炼造铜期的进行,造铜期内不同时刻的烟气、火焰、喷溅物会产生不同的变化、表现出不同的特征。所以,本实施例旨在建立转炉吹炼造铜期内火焰和烟气的颜色、亮度以及形态特征与时间的关系并得到训练好的神经网络,从而在实时判断过程中通过检测烟气和火焰的颜色、亮度以及形态特征,结合训练好的神经网络完成当前铜转炉反应时刻的确定,最终准确判断出铜转炉吹炼造铜期的终点。
为此,本实施例首先通过铜转炉的炉口拍摄铜转炉内情况,由于是从炉口拍摄得到的图像,所以将拍摄所得图像记为炉口图像。而特别的,考虑到铜转炉吹炼过程中会产生高温烟气,高温烟气可能会遮挡相机对炉内情况的拍摄,因此本实施例将相机设置于炉口的侧前方来对炉口内的情况进行拍摄。
为准确完成炉口图像上火焰和烟气的分析同时减小计算量,需要从拍摄所得炉口图像上提取出火焰区域和烟气区域。当前完成图像上特定区域提取的方法多样,本实施例优选以语义分割的方法完成炉口图像上火焰和烟气的分割提取,具体过程为:
首先采用labelme工具对炉口图像进行标注,将炉口图像上的烟气区域像素点标记为1,火焰区域像素点标记为2,而其它区域像素点标记为0。同时对采集得到的炉口图像进行归一化处理,使得整个图像数据分布于[0,1]区间上,减少后续计算误差,提高识别精确度。
将采集得到的炉口图像以及炉口图像上各个区域的标签类别作为语义分割网络模型的训练数据集,利用训练数据集对语义分割网络模型进行训练,语义分割网络模型的类别为全卷积神经网络,如FCN-AlexNet,FCN-VGG16,FCN-GoogleNet,损失函数使用交叉熵函数。
语义分割网络模型训练完成后,将当前实时采集的炉口图像输入训练好的语义分割网络模型,输出炉口图像中烟气区域、火焰区域以及其它区域的划分结果,并将划分所得炉口图像上的烟气区域和火焰区域,分别作为烟气图像和火焰图像。
步骤二,根据烟气图像与炉口图像的相对大小确定烟气占比值,根据烟气图像的色彩值确定烟气清亮度,根据所述烟气占比值、烟气清亮度和烟气图像的对比度确定烟气含量值。
1、计算烟气图像的对比度。
造铜期反应过程中,不同时刻因反应程度的不同而产生的烟气量大小会发生变化,烟气量的大小会直接导致烟气区域的稀薄程度不同。
当烟气稀薄时,烟气图像所对应的烟气灰度图像的对比度较大,整个烟气区域显得比较清晰;而当烟气比较浓厚时,则烟气图像所对应的烟气灰度图像的对比度较小,整个烟气区域显得比较模糊。
所以,烟气图像对比度的大小,可反应拍摄所得烟气图像的清晰程度,也即反应拍摄所得烟气图像中烟气的稀薄程度。由于造铜期反应过程中越是接近造铜期终点则烟气越少,所以通过对比度可反应当前时刻距离造铜期终点时刻的远近程度,对比度越大,则当前烟气越稀薄,代表当前时刻距离造铜期终点越近,反之对比度越小,则当前烟气越浓厚,代表当前时刻距离造铜期终点越远。
本实施例将烟气图像的对比度记为CON,图像对比度的计算方法为本领域公知技术,故此处不再赘述烟气图像的对比度CON的计算过程,而直接采用现有对比度计算方法计算得到即可。
2、根据烟气图像和炉口图像计算烟气占比值。
容易理解的是,不但烟气的稀薄程度可反应烟气的产生量,同时烟气的范围大小也可直接反应烟气的产生量,从而反应当前时刻距离造铜期终点的远近。
所以,本实施例通过计算烟气图像相较于炉口图像的占比,也即通过计算烟气图像大小与炉口图像大小的比值,来得到烟气占比值:
当烟气图像的像素点个数较多时,烟气区域在整个炉口区域中的占比较大,计算得到的值较大,此时烟气范围较大也即烟气量较大,距离铜转炉造铜期的反应终点较远;反之计算得到的/>值较小时,则烟气范围较小也即烟气量较少,距离铜转炉造铜期的反应终点较近。
容易理解的是,在其它实施例中,还可以通过将烟气图像和炉口图像的其它任意的大小表征尺度进行对比来确定烟气占比值,如通过烟气图像的对角线长度和炉口图像的对角线长度的比值,来确定烟气占比值。
3、根据烟气图像计算烟气清亮度。
造铜期反应不同程度所对应的不同时刻,不但产生的烟气范围、稀薄程度或者说烟气含量会不同,同时因不同时刻下烟气中具体气体种类的相对占比的不同,会导致烟气整体的颜色也不同。
具体的,造铜期所产生的烟气中,黄绿色烟气会随着造铜期反应的进行而逐渐变少直至消失,所以随着造铜期的进行不但能见度增大,烟气量逐渐变小,而且烟气的颜色会由浑浊逐渐变清亮。由于在RGB颜色空间中,白色的通道值最大,所以本实施例选择以烟气图像中像素点在R、G、B通道中的值,来计算烟气图像的色彩值,从而以色彩值的大小反应烟气的清亮度:
烟气图像中各个像素点在R、G、B通道中的通道值越大,则计算所得烟气清亮度越大,表示此时的烟气图像中烟气颜色越接近白色,烟气越清亮;反之,烟气图像中各个像素点在R、G、B通道中的通道值越小,则计算所得烟气清亮度/>越小,表示此时的烟气图像中烟气颜色越非白色,烟气越浑浊。
4、根据烟气占比值、烟气清亮度和烟气图像的对比度确定烟气含量值。
通过上述分别对烟气占比值、烟气清亮度和烟气图像的对比度的分析可知,三者均可从各自角度反映烟气含量的大小,且烟气含量的大小与烟气占比值成正比,而与烟气清亮度和烟气图像的对比度成反比,所以可由烟气占比值、烟气清亮度和烟气图像的对比度计算得到烟气图像的烟气含量值:
步骤三,确定火焰图像的颜色值,根据火焰图像中左右两侧火焰的高度差异确定火焰摇摆程度值,将火焰图像灰度化处理得到火焰灰度图像,以火焰灰度图像的灰度值大小确定火焰能量值,根据所述颜色值、火焰摇摆程度值和火焰能量值确定火焰燃烧剧烈程度值。
1、确定火焰图像的颜色值。
随着造铜期的吹炼反应的进行,炉内火焰的颜色会遵循由灰白色转为棕红色,最后变为橘红色的明显颜色变化过程,且不同时刻铜转炉内火焰颜色单一,所以可根据炉内火焰颜色来表征当前时刻是否接近了造铜期终点。
考虑到在RGB颜色空间下,火焰颜色的变换过程并不是线性的,因此根据RGB颜色空间下火焰的颜色对当前铜转炉吹炼造铜期的状态进行判定并不容易与准确,所以本实施例将火焰图像该种RGB图像转化成对应HSV颜色空间下的图像,并计算火焰图像的颜色值来完成对火焰图像内火焰颜色变化情况的准确表征。RGB颜色空间图像与HSV颜色空间图像的转换过程为公知技术,在此不再赘述。
火焰图像的颜色值为:
通过HSV颜色对照表可以发现,随着造铜期反应过程中火焰颜色由灰白色转为棕红色,最后变为橘红色的变化过程,火焰图像的颜色值在该过程中逐渐增大,所以由计算所得火焰图像的颜色值/>,便可有效地通过火焰颜色角度来评估当前时刻距离造铜期终点的远近。若火焰图像的颜色值/>越大,则当前时刻距离造铜期终点越近,反之若火焰图像的颜色值/>越小,则当前时刻距离造铜期终点越远。
可以理解的是,虽然在RGB颜色空间下,火焰颜色的变换过程并不是线性的,但并非无法通过RGB颜色空间下的火焰颜色值来表征火焰颜色从而表征当前时刻距离造铜期终点的远近程度,所以在其它实施例中,还可以不对火焰图像由RGB颜色空间向HSV颜色空间进行转变,而直接在RGB颜色空间下获取火焰图像的颜色值。
2、根据火焰图像确定火焰摇摆程度值。
考虑到越是接近造铜期终点时,铜转炉内火焰越低落而摇摆不定,所以可通过检测火焰的形态而确定其左右摇摆的程度,来表征当前时刻距离造铜期终点的远近。
为实现对火焰形态的分析,首先需将火焰图像进行灰度化处理得到火焰图像对应的火焰灰度图像,然后对火焰灰度图像进行边缘检测并进行非极大值抑制去除毛边以确定火焰边缘。现有的边缘检测方法有很多,本实施例优选采用sobel算子完成火焰灰度图像上火焰边缘的检测。利用sobel算子完成边缘检测为现有技术,故在此不再赘述。
由于炉内铜液在重力作用下是保持液面水平的,所以拍摄所得火焰图像中的火焰在水平方向上连续分布,火焰上沿为曲线,下沿为水平直线。而表征火焰形态的则是火焰的上沿部分,那么为了准确获取火焰上沿,本申请在对火焰灰度图像进行边缘检测得到火焰边缘图像后,再对火焰边缘图像进行直线检测,并将检测出的直线像素点从火焰边缘图像中剔除,则剩余像素点即为火焰上沿所对应的边缘像素点,并将从火焰边缘图像中剔除直线像素点后的图像记为火焰上边缘图像。
在其它实施例中,还可以根据其它方法得到火焰的上边缘,如借助火焰下边缘与炉内铜液灰度值接近而对应梯度幅值较小、但火焰上边缘与炉内铜液等非火焰区域的灰度值差异较大而对应梯度幅值较大的该种特性,设置梯度阈值来对检测出的火焰边缘图像上的边缘像素点进行梯度幅值的筛选,从而确定出属于火焰上边缘也即火焰上沿的像素点,得到火焰上边缘图像。
以火焰图像的下边缘为横坐标,左侧边缘为纵坐标,左下角为坐标原点建立平面坐标系,将火焰上边缘图像上的边缘像素点作为曲线上的点得到如图2所示的火焰边缘曲线,由于火焰图像中可能存在不止一个火焰,所以以曲线上相邻的端点或极小值点作为火焰的左右两侧边界点,得到若干个火焰,然后计算每个火焰左右两侧的高度差,以所有火焰对应所得高度差的均值计算得到火焰摇摆程度值:
其中,表示火焰摇摆程度值,G表示火焰边缘曲线上火焰的总个数,/>表示火焰边缘曲线上第g个火焰的像素点总数,/>,/>表示火焰边缘曲线上第g个火焰的左侧半边曲线内第u个像素点的高度值,/>表示火焰边缘曲线上第g个火焰的右侧半边曲线内第v个像素点的高度值,/>是大于0的调整参数,其作用是保证/>的计算结果大于0。
式中,与/>分别表示第g个火焰的左侧半边曲线的平均高度值以及第g个火焰的右侧半边曲线的平均高度值,当前时刻越接近造铜期的终点,则火焰摇摆程度越高随之火焰左右两侧的高度差异/>便会越大,由此,通过计算火焰图像上所有G个火焰的高度差异的均值/>,便可确定火焰图像中所有火焰的整体摇摆程度,而其中调整参数/>的作用,则是防止计算所得火焰摇摆程度值为0而影响后续火焰燃烧剧烈程度值的计算结果的准确性,举例即为,假设火焰图像中只有一个火焰且该火焰左右两侧的高度相同,则此时无调整参数/>的作用则火焰摇摆程度值为0,影响对后续火焰燃烧剧烈程度值的计算导致火焰燃烧剧烈程度值的计算过程中分母为0的情况出现。
3、根据火焰图像对应的火焰灰度图像确定火焰能量值。
火焰图像的整体灰度能够从一定程度上反应火焰能量的高低,所以此处同样是将火焰图像进行灰度化处理,得到火焰图像对应的火焰灰度图像,然后计算火焰灰度图像的整体灰度值情况来反应火焰的能量高低。本实施例中通过计算火焰灰度图像的整体平均灰度值来表征火焰图像的整体灰度,在其它实施例中,还可以采用其它灰度值计算方法如加权平均灰度计算方法完成对火焰图像的整体灰度的表征。
火焰图像中的火焰能量值为:
本实施例中的火焰能量值本质上即为火焰图像对应火焰灰度图像的整体平均灰度值,灰度值反应火焰的能量大小,且随着造铜期反应的进行,越是造铜期反应末期则火焰能量越小,所以火焰能量值越小则代表火焰能量越小,当前时刻距离造铜期终点越近,反之火焰能量值/>越大则代表火焰能量越大,当前时刻距离造铜期终点越远。
4、根据火焰图像的颜色值、火焰摇摆程度值以及火焰能量值确定火焰燃烧剧烈程度值。
由上述对火焰图像的颜色值、火焰摇摆程度值以及火焰能量值的分析可知,火焰燃烧的剧烈程度与火焰能量值成正比,而与火焰图像的颜色值以及火焰摇摆程度值成反比,所以可知火焰燃烧剧烈程度值为:
步骤四,将所述烟气含量值和所述火焰燃烧剧烈程度值输入训练好的神经网络,完成铜转炉吹炼造铜期终点判断。
通过上述烟气含量值和火焰燃烧剧烈程度值的计算方法,可计算得到训练集中各个已标定好与造铜期终点距离大小的炉口图像所对应的烟气含量值和火焰燃烧剧烈程度值,利用训练集中各个已知与造铜期终点距离大小,且又已知其对应烟气含量值和火焰燃烧剧烈程度值的炉口图像对神经网络进行训练,便可得到训练好的、可准确识别当前炉口图像拍摄时的时刻与造铜期终点之间的距离的神经网络。
本实施例中优选神经网络为全连接神经网络,训练过程为:
为了便于对神经网络进行训练,首先将训练集中计算所得各个烟气含量值和火焰摇摆程度值/>均进行归一化处理,然后作为全连接神经网络的输入而输入其中,当然,在其它实施例中也可不进行归一化处理而直接将各个烟气含量值/>和火焰摇摆程度值/>输入全连接神经网络。然后,使用one-hot编码,将非造铜期终点标注为0,终点标注为1。网络中激活函数选用Relu函数,增加整个网络的非线性拟合程度,损失函数使用交叉熵函数,优化器选择SGD。通过对铜转炉造铜期终点时以及造铜期终点之前时刻炉口图像的大量学习,调整整个全连接神经网络模型的参数权重,完成神经网络的训练。在训练好的神经网络模型上,根据网络输出结果类别可判断是否到达铜转炉吹炼造铜期终点。若输出结果为0,则未达到造铜期转炉终点,若结果为1,说明已达到造铜期转炉终点。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.基于神经网络的铜转炉吹炼造铜期终点判断方法,其特征在于,包括以下步骤:
通过铜转炉的炉口向炉内拍摄获取炉口图像,提取炉口图像上的火焰区域和烟气区域并分别作为火焰图像和烟气图像;
根据烟气图像与炉口图像的相对大小确定烟气占比值,根据烟气图像的色彩值确定烟气清亮度,根据所述烟气占比值、烟气清亮度和烟气图像的对比度确定烟气含量值;
确定火焰图像的颜色值,根据火焰图像中左右两侧火焰的高度差异确定火焰摇摆程度值,将火焰图像灰度化处理得到火焰灰度图像,以火焰灰度图像的灰度值大小确定火焰能量值,根据所述颜色值、火焰摇摆程度值和火焰能量值确定火焰燃烧剧烈程度值;
将所述烟气含量值和所述火焰燃烧剧烈程度值输入训练好的神经网络,完成铜转炉吹炼造铜期终点判断;
所述根据火焰图像中左右两侧火焰的高度差异确定火焰摇摆程度值的方法为:
由所述火焰灰度图像的火焰上边缘像素点构成火焰边缘曲线,计算火焰边缘曲线上火焰左半侧曲线高度和右半侧曲线高度的差值,确定火焰摇摆程度值;
所述计算火焰边缘曲线上火焰左半侧曲线高度和右半侧曲线高度的差值,确定火焰摇摆程度值的方法为:
计算所述火焰边缘曲线上每个火焰左半侧曲线高度和右半侧曲线高度的差值绝对值,以所有差值绝对值的均值确定火焰摇摆程度值;
所述火焰摇摆程度值为:
其中,表示火焰摇摆程度值,G表示火焰边缘曲线上火焰的总个数,/>表示火焰边缘曲线上第g个火焰的像素点总数,/>,/>表示火焰边缘曲线上第g个火焰的左侧半边曲线内第u个像素点的高度值,/>表示火焰边缘曲线上第g个火焰的右侧半边曲线内第v个像素点的高度值,/>是大于0的调整参数;
所述烟气清亮度为:
2.根据权利要求1所述的基于神经网络的铜转炉吹炼造铜期终点判断方法,其特征在于,所述烟气含量值的计算方法为:
计算所述烟气图像的对比度和所述烟气清亮度的第一乘积,以所述烟气占比值和所述第一乘积的比值作为所述烟气含量值。
3.根据权利要求1所述的基于神经网络的铜转炉吹炼造铜期终点判断方法,其特征在于,所述确定火焰图像的颜色值的方法为:
以所述火焰图像在HSV颜色空间下的色调值和饱和度值的乘积作为所述火焰图像的颜色值。
4.根据权利要求1所述的基于神经网络的铜转炉吹炼造铜期终点判断方法,其特征在于,所述火焰燃烧剧烈程度值的计算方法为:
计算所述火焰图像的颜色值和所述火焰摇摆程度值的第二乘积,以所述火焰能量值和所述第二乘积的比值作为所述火焰燃烧剧烈程度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665639.0A CN116402813B (zh) | 2023-06-07 | 2023-06-07 | 基于神经网络的铜转炉吹炼造铜期终点判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665639.0A CN116402813B (zh) | 2023-06-07 | 2023-06-07 | 基于神经网络的铜转炉吹炼造铜期终点判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402813A true CN116402813A (zh) | 2023-07-07 |
CN116402813B CN116402813B (zh) | 2023-08-04 |
Family
ID=87014555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310665639.0A Active CN116402813B (zh) | 2023-06-07 | 2023-06-07 | 基于神经网络的铜转炉吹炼造铜期终点判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402813B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153277A (zh) * | 2023-07-11 | 2023-12-01 | 湖北星火(应城)化工有限公司 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102206727A (zh) * | 2011-05-31 | 2011-10-05 | 湖南镭目科技有限公司 | 转炉炼钢终点判断方法及判断系统,控制方法及控制系统 |
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 |
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 |
CN113033704A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法 |
CN113033705A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 |
CN115937534A (zh) * | 2022-06-13 | 2023-04-07 | 昆明理工大学 | 图模型火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
-
2023
- 2023-06-07 CN CN202310665639.0A patent/CN116402813B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102206727A (zh) * | 2011-05-31 | 2011-10-05 | 湖南镭目科技有限公司 | 转炉炼钢终点判断方法及判断系统,控制方法及控制系统 |
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 |
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 |
CN113033704A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法 |
CN113033705A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 |
CN115937534A (zh) * | 2022-06-13 | 2023-04-07 | 昆明理工大学 | 图模型火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153277A (zh) * | 2023-07-11 | 2023-12-01 | 湖北星火(应城)化工有限公司 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116402813B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN107025652B (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
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 | |
CN115691026B (zh) | 一种森林防火的智能预警监控管理方法 | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
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 | |
CN116402813B (zh) | 基于神经网络的铜转炉吹炼造铜期终点判断方法 | |
CN107392890B (zh) | 一种fpc铜线表面氧化缺陷检测方法及其检测系统 | |
CN115205290B (zh) | 一种pcb板生产过程在线检测方法及系统 | |
CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN205845067U (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
US8260005B2 (en) | Portable tool for determining meat quality | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN104680195B (zh) | 一种自动识别道路卡口视频及图片中的车辆颜色的方法 | |
CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
CN113935666A (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
CN112653884B (zh) | 一种屏幕质量优缺的评价方法 | |
CN109035225B (zh) | 一种汽车刹车片外观质量检验照明系统设计质量评价方法 | |
CN113362274B (zh) | 一种雨量监测计算方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
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 |