CN117127005B - 在线淬火的水冷控制系统及其方法 - Google Patents
在线淬火的水冷控制系统及其方法 Download PDFInfo
- Publication number
- CN117127005B CN117127005B CN202311106631.7A CN202311106631A CN117127005B CN 117127005 B CN117127005 B CN 117127005B CN 202311106631 A CN202311106631 A CN 202311106631A CN 117127005 B CN117127005 B CN 117127005B
- Authority
- CN
- China
- Prior art keywords
- surface state
- steel plate
- semantic
- feature map
- plate surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 230000000171 quenching effect Effects 0.000 title claims abstract description 47
- 238000010791 quenching Methods 0.000 title claims abstract description 46
- 238000001816 cooling Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 201
- 239000010959 steel Substances 0.000 claims abstract description 201
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 230000003247 decreasing effect Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000002829 reductive effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000005507 spraying Methods 0.000 abstract description 16
- 238000005520 cutting process Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
- C21D11/005—Process control or regulation for heat treatments for cooling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/18—Hardening; Quenching with or without subsequent tempering
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/0081—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for slabs; for billets
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
公开了一种在线淬火的水冷控制系统及其方法。其首先获取钢板的表面状态监控图像,接着,对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图,然后,基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。这样,可以基于钢板通过低压区时的实时表面状态,调整低压区的快切阀的阀门开度,进而动态调整低压区的喷水流量,以提高喷水的整体利用率,优化淬火效果。
Description
技术领域
本公开涉及水冷控制领域,且更为具体地,涉及一种在线淬火的水冷控制系统及其方法。
背景技术
淬火机水系统通常是由高位水箱、回水池、管路、补水泵组及加压泵组组成,供淬火机完成淬火过程的连续喷水冷却,保证工艺要求的水量和喷射压力。
目前公知的淬火机的顺序控制步骤为:钢板出热处理炉前,淬火机的高压段和低压段调节阀粗调阀位到设定阀位,然后高压段和低压段快切阀同时打开依据流量计进行水量精细调整,接着钢板出炉进入淬火机进行淬火处理,钢板尾部出高压段快切阀关闭,钢板尾部出低压段快切阀关闭。
然而由于淬火机的低压区分为3段,3段总长度接近高压区长度的4倍,这样在为了保证厚板淬透性而进行低速淬火时,就会造成低压区开阀过早、喷水时间过长,但低压区喷水的整体利用率过低的情况。同时为了抑制厚板表面返红,低压区喷水流量设定偏大,这样长时间喷水后会破坏水塔的供水平衡,使水塔水位急剧降低,导致低压区水压力不稳定且持续下降,最终由于钢板冷却时水量不均,对钢板表面质量造成恶劣影响。因此,期待一种优化的淬火的水冷控制方案。
发明内容
有鉴于此,本公开提出了一种在线淬火的水冷控制系统及其方法,其可以基于钢板通过低压区时的实时表面状态,调整低压区的快切阀的阀门开度,进而动态调整低压区的喷水流量,以提高喷水的整体利用率,优化淬火效果。
根据本公开的一方面,提供了一种在线淬火的水冷控制方法,其包括:
获取钢板的表面状态监控图像;
对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及
基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
根据本公开的另一方面,提供了一种在线淬火的水冷控制系统,其包括:
图像获取模块,用于获取钢板的表面状态监控图像;
图像特征提取模块,用于对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及
阀门开度值控制模块,用于基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
根据本公开的实施例,其首先获取钢板的表面状态监控图像,接着,对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图,然后,基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。这样,可以基于钢板通过低压区时的实时表面状态,调整低压区的快切阀的阀门开度,进而动态调整低压区的喷水流量,以提高喷水的整体利用率,优化淬火效果。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的在线淬火的水冷控制方法的流程图。
图2示出根据本公开的实施例的在线淬火的水冷控制方法的架构示意图。
图3示出根据本公开的实施例的在线淬火的水冷控制方法的子步骤S120的流程图。
图4示出根据本公开的实施例的在线淬火的水冷控制方法的子步骤S121的流程图。
图5示出根据本公开的实施例的在线淬火的水冷控制方法的子步骤S122的流程图。
图6示出根据本公开的实施例的在线淬火的水冷控制方法的子步骤S130的流程图。
图7示出根据本公开的实施例的在线淬火的水冷控制方法的子步骤S131的流程图。
图8示出根据本公开的实施例的在线淬火的水冷控制系统的框图。
图9示出根据本公开的实施例的在线淬火的水冷控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本申请的技术构思为基于钢板通过低压区时的实时表面状态,调整低压区的快切阀的阀门开度,进而动态调整低压区的喷水流量,以提高喷水的整体利用率,优化淬火效果。
基于此,图1示出根据本公开的实施例的在线淬火的水冷控制方法的流程图。图2示出根据本公开的实施例的在线淬火的水冷控制方法的架构示意图。如图1和图2所示,根据本公开实施例的在线淬火的水冷控制方法,包括步骤:S110,获取钢板的表面状态监控图像;S120,对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及,S130,基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
相应地,在本申请的技术方案中,首先,获取钢板的表面状态监控图像。接着,提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图。也就是,提取所述表面状态监控图像中的包含基础视觉信息的浅层特征信息,例如颜色、纹理、边缘等,以及,更加抽象和语义化的深层特征表达。
在本申请的一个具体示例中,提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图的编码过程,包括:先将所述表面状态监控图像通过基于第一卷积神经网络模型的钢板表面状态浅层特征提取器以得到钢板表面状态浅层特征图;随后,将所述钢板表面状态浅层特征图通过基于第二卷积神经网络模型的钢板表面状态深层特征提取器以得到钢板表面状态深层特征图。
然后,对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图。也就是,期待将深层特征捕捉到的更复杂的图像结构和语义信息传播到浅层特征中,缩小两者之间的语义差距,使得浅层特征图既能够包含原本的浅层特征信息,又能够涵盖深层特征信息中所表达的语义信息。
在本申请的一个具体示例中,对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图的编码过程,包括:将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块以得到语义联合钢板表面状态特征图。
其中,所述联合语义传播模块的具体实现过程为:先将所述钢板表面状态深层特征图进行上采样以得到分辨率重构特征图;再对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量;同时,对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量;接着,将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量;随后,以所述语义权重向量为权重向量,对所述钢板表面状态浅层特征图进行加权处理以得到语义联合特征图;进一步地,融合所述钢板表面状态浅层特征图与所述语义联合特征图以得到所述语义联合钢板表面状态特征图。
相应地,如图3所示,对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图,包括:S121,提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图;以及,S122,对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图。应可以理解,在步骤S121中,首先对表面状态监控图像进行特征提取,特征提取是指从原始图像中提取出具有代表性的特征,以便后续的分析和处理。这里分为两个层次进行特征提取:浅层特征和深层特征。浅层特征是指从图像的低层次视觉信息中提取出来的特征,例如边缘、纹理、颜色等,这些特征通常可以通过传统的计算机视觉算法或浅层神经网络模型来提取。深层特征是指通过深度学习模型(如卷积神经网络)从图像的高层次抽象表示中提取出来的特征,深度学习模型可以学习到更加抽象和语义化的特征,具有更好的表达能力。提取钢板表面状态的浅层特征图和深层特征图的目的是将图像中的信息转化为可供后续处理和分析的特征表示形式。在步骤S122中,利用浅层特征图和深层特征图,进行语义传播操作,语义传播是指通过利用图像中的上下文信息,将局部特征与全局特征相结合,以获得更准确和语义丰富的特征表示。通过语义传播,可以将局部特征与周围区域的特征进行交互和融合,从而更好地捕捉到钢板表面状态的语义信息。这有助于提高表面状态的识别和分析的准确性,并提供更具语义联合的特征图。综合的说,S121步骤用于提取表面状态图像的浅层特征和深层特征,将图像信息转化为特征表示;S122步骤用于通过语义传播操作,融合局部和全局特征,得到更具语义联合的钢板表面状态特征图。这些特征图可以用于进一步的表面状态分析、识别和其他相关任务。
更具体地,在步骤S121中,如图4所示,提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图,包括:S1211,将所述表面状态监控图像通过基于第一卷积神经网络模型的钢板表面状态浅层特征提取器以得到所述钢板表面状态浅层特征图;以及,S1212,将所述钢板表面状态浅层特征图通过基于第二卷积神经网络模型的钢板表面状态深层特征提取器以得到所述钢板表面状态深层特征图。应可以理解,在步骤S121中,涉及两个子步骤:S1211和S1212。在步骤S1211中,使用第一卷积神经网络模型作为钢板表面状态的浅层特征提取器,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于图像处理任务。通过将表面状态监控图像输入到第一卷积神经网络模型中,该模型可以学习到图像的浅层特征表示,这些浅层特征可以包括边缘、纹理、颜色等低层次的视觉信息。通过提取这些特征,可以捕捉到表面状态图像的局部细节和基本特征。在步骤S1212中,使用第二卷积神经网络模型作为钢板表面状态的深层特征提取器,第二卷积神经网络模型通常比第一模型更深,具有更多的卷积层和更大的感受野,可以学习到更高层次的抽象特征。通过将钢板表面状态的浅层特征图输入到第二卷积神经网络模型中,该模型可以进一步提取更抽象和语义化的特征。这些深层特征可以捕捉到图像中更高级的语义信息,例如形状、物体部分、结构等。换言之,S1211步骤使用第一卷积神经网络模型提取钢板表面状态的浅层特征图,捕捉图像的低层次视觉信息;S1212步骤使用第二卷积神经网络模型提取钢板表面状态的深层特征图,捕捉图像的高层次抽象特征。这些特征图将用于后续的语义传播操作和钢板表面状态的综合特征表示。
更具体地,在步骤S122中,对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图,包括:将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块以得到所述语义联合钢板表面状态特征图。应可以理解,联合语义传播模块是一种用于将钢板表面状态的浅层特征图和深层特征图进行语义传播的模块,其目的是融合局部特征和全局特征,以得到更准确和语义丰富的钢板表面状态特征图。语义传播是一种操作,通过利用图像中的上下文信息,将局部特征与周围区域的特征进行交互和融合,以获得更全局的语义信息。联合语义传播模块可以通过不同的方式实现,例如使用卷积神经网络中的跳跃连接(skipconnections)或注意力机制(attention mechanism)等。通过联合语义传播模块,可以将钢板表面状态的浅层特征图和深层特征图进行融合,以得到语义联合的钢板表面状态特征图。这个特征图将综合了局部和全局的特征信息,更好地捕捉到钢板表面状态的语义信息。语义联合钢板表面状态特征图可以用于进一步的表面状态分析、识别和其他相关任务,例如缺陷检测、分类、目标定位等。通过语义联合特征的使用,可以提高钢板表面状态分析的准确性和鲁棒性。
更具体地,如图5所示,将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块以得到所述语义联合钢板表面状态特征图,包括:S1221,将所述钢板表面状态深层特征图进行上采样以得到分辨率重构特征图;S1222,对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量;S1223,对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量;S1224,将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量;S1225,以所述语义权重向量为权重向量,对所述钢板表面状态浅层特征图进行加权处理以得到语义联合特征图;以及,S1226,融合所述钢板表面状态浅层特征图与所述语义联合特征图以得到所述语义联合钢板表面状态特征图。
进一步地,将所述语义联合钢板表面状态特征图通过分类器以得到分类结果,所述分类结果用于表示低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
相应地,如图6所示,基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变,包括:S131,对所述语义联合钢板表面状态特征图进行特征分布优化以得到优化语义联合钢板表面状态特征图;以及,S132,将所述优化语义联合钢板表面状态特征图通过分类器以得到分类结果,所述分类结果用于表示低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
更具体地,在步骤S131中,如图7所示,对所述语义联合钢板表面状态特征图进行特征分布优化以得到优化语义联合钢板表面状态特征图,包括:S1311,将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图进行点加以获得浅层深层叠加特征图;以及,S1312,将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图。应可以理解,在步骤S1311中,钢板表面状态的浅层特征图和深层特征图将进行点加操作,即对应位置的特征值相加,这样可以将浅层特征和深层特征进行叠加,获得浅层深层叠加特征图,点加操作可以增强特征的表达能力,融合不同层次的特征信息。在步骤S1312中,浅层深层叠加特征图和语义联合钢板表面状态特征图将进行平滑响应参数化解耦融合,这个步骤旨在优化特征分布,使得特征图中的响应更加平滑和可解释。平滑响应参数化解耦融合是一种操作,通过对特征图中的响应进行平滑化处理,减少噪声和不必要的细节,同时保留重要的特征信息,参数化解耦融合可以将特征图中的响应分解成不同的子空间,以便更好地控制特征的表示和变化。通过优化语义联合钢板表面状态特征图的特征分布,可以提高特征的判别性和可解释性,这有助于提高后续分类任务的准确性和鲁棒性,以及对钢板表面状态的分析和识别的理解能力。换言之,S1311步骤中的点加操作将浅层特征图和深层特征图进行叠加,融合不同层次的特征信息。S1312步骤中的平滑响应参数化解耦融合操作则优化特征分布,使特征图的响应更加平滑和可解释。这些步骤的目的是生成优化的语义联合钢板表面状态特征图,以支持后续的分类任务和表面状态分析。
在本申请的技术方案中,在将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块得到所述语义联合钢板表面状态特征图时,是基于所述钢板表面状态深层特征图的全局语义信息和局部语义信息来对所述钢板表面状态浅层特征图进行加权,以使得所述钢板表面状态浅层特征图在一定程度上包含钢板表面状态监控图像的深层图像语义特征,由此,为了保证所述语义联合钢板表面状态特征图所包含的浅层图像语义特征和深层图像语义特征的均衡性,本申请的申请人进一步使用浅层图像语义特征和深层图像语义特征的直接叠加特征来对所述语义联合钢板表面状态特征图进行修正。
具体地,首先将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图进行点加以获得浅层深层叠加特征图,例如记为,然后将所述浅层深层叠加特征图/>和所述语义联合钢板表面状态特征图,例如记为/>进行平滑响应参数化解耦融合,来获得优化后的语义联合钢板表面状态特征图,例如记为/>。
相应地,在一个具体示例中,将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图,包括:以如下优化公式将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图;其中,所述优化公式为:其中,/>表示所述浅层深层叠加特征图,/>表示所述语义联合钢板表面状态特征图,/>表示所述浅层深层叠加特征图/>和所述语义联合钢板表面状态特征图/>之间的余弦距离,且/>为以2为底的对数函数,/>表示特征图的指数运算,所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值,/>表示按位置减法,/>表示按位置加法,表示按位置点乘,/>表示所述优化语义联合钢板表面状态特征图。
这里,所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则,基于所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图/>之间的余弦距离的非负对称性来编译所述浅层深层叠加特征图/>和所述语义联合钢板表面状态特征图/>的特征之间的逐点嵌入,从而以特征之间的空间变换(transformation)来推断所述浅层深层叠加特征图/>和所述语义联合钢板表面状态特征图/>之间的信息分布转移(information distribution shift),从而表达特征之间的平滑响应在分类规则下的信息结构化融合,从而提升优化后的语义联合钢板表面状态特征图/>对于浅层图像语义特征和深层图像语义特征的基于分类规则的均衡表达效果,以提升所述优化后的语义联合钢板表面状态特征图通过分类器得到的分类结果的准确性。
更具体地,在步骤S132中,将所述优化语义联合钢板表面状态特征图通过分类器以得到分类结果,所述分类结果用于表示低压区的快切阀的阀门开度值应增大、应减少还是保持不变,包括:将所述优化语义联合钢板表面状态特征图按照行向量或者列向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括低压区的快切阀的阀门开度值应增大(第一标签),低压区的快切阀的阀门开度值应减少(第二标签),以及,低压区的快切阀的阀门开度值保持不变(第三标签),其中,所述分类器通过软最大值函数来确定所述优化语义联合钢板表面状态特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1、所述第二标签p2所述第三标签p3和并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“低压区的快切阀的阀门开度值应增大、应减少还是保持不变”这种概念,其只是有三种分类标签且输出特征在这两个分类标签下的概率,即p1、p2和p3之和为一。因此,低压区的快切阀的阀门开度值应增大、应减少还是保持不变的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“低压区的快切阀的阀门开度值应增大、应减少还是保持不变”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,在步骤S132中,涉及三个子步骤:展开优化语义联合钢板表面状态特征图、全连接编码和Softmax分类函数。优化语义联合钢板表面状态特征图将按照行向量或列向量的方式进行展开,这意味着将特征图中的每个行或列作为一个特征向量的元素,并按顺序排列,这样可以将二维的特征图表示转换为一维的特征向量表示。全连接编码是指将展开后的优化语义联合钢板表面状态特征图输入到分类器的全连接层中进行编码。全连接层是神经网络中的一种常见层次结构,其中每个神经元与上一层的所有神经元都连接。在这里,全连接层将对展开的特征向量进行线性变换和非线性激活操作,以生成编码分类特征向量。通过全连接编码,可以将优化语义联合钢板表面状态特征图中的信息进行进一步的抽象和组合,以捕捉更高级的特征表示。这有助于提取更具有区分度和判别性的特征,以支持后续的分类任务。Softmax函数将计算每个类别的概率分布,表示为分类结果。概率最高的类别将被视为最终的分类结果。Softmax分类函数可以将编码分类特征向量映射到预定义的类别空间,并计算每个类别的概率。这样可以确定低压区的快切阀的阀门开度值应该增大、减少还是保持不变的决策。换言之,全连接编码是将展开的优化语义联合钢板表面状态特征图输入到分类器的全连接层进行编码的过程。它有助于提取更高级的特征表示,支持后续的分类任务。
综上,基于本公开实施例的在线淬火的水冷控制方法,其可以基于钢板通过低压区时的实时表面状态,调整低压区的快切阀的阀门开度,进而动态调整低压区的喷水流量,以提高喷水的整体利用率,优化淬火效果。
图8示出根据本公开的实施例的在线淬火的水冷控制系统100的框图。如图8所示,根据本公开实施例的在线淬火的水冷控制系统100,包括:图像获取模块110,用于获取钢板的表面状态监控图像;图像特征提取模块120,用于对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及,阀门开度值控制模块130,用于基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
在一种可能的实现方式中,所述图像特征提取模块120,包括:深浅特征提取单元,用于提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图;以及,语义传播单元,用于对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图。
这里,本领域技术人员可以理解,上述在线淬火的水冷控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的在线淬火的水冷控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的在线淬火的水冷控制系统100可以实现在各种无线终端中,例如具有在线淬火的水冷控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的在线淬火的水冷控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该在线淬火的水冷控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该在线淬火的水冷控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该在线淬火的水冷控制系统100与该无线终端也可以是分立的设备,并且该在线淬火的水冷控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的在线淬火的水冷控制方法的应用场景图。如图9所示,在该应用场景中,首先,获取钢板的表面状态监控图像(例如,图9中所示意的D),然后,将所述表面状态监控图像输入至部署有在线淬火的水冷控制算法的服务器中(例如,图9中所示意的S),其中,所述服务器能够使用所述在线淬火的水冷控制算法对所述表面状态监控图像进行处理以得到用于表示低压区的快切阀的阀门开度值应增大、应减少还是保持不变的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (3)
1.一种在线淬火的水冷控制方法,其特征在于,包括:
获取钢板的表面状态监控图像;
对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及
基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变;
其中,对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图,包括:
提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图;以及
对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图;
其中,提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图,包括:
将所述表面状态监控图像通过基于第一卷积神经网络模型的钢板表面状态浅层特征提取器以得到所述钢板表面状态浅层特征图;以及
将所述钢板表面状态浅层特征图通过基于第二卷积神经网络模型的钢板表面状态深层特征提取器以得到所述钢板表面状态深层特征图;
其中,对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图,包括:
将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块以得到所述语义联合钢板表面状态特征图;
其中,将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图通过联合语义传播模块以得到所述语义联合钢板表面状态特征图,包括:
将所述钢板表面状态深层特征图进行上采样以得到分辨率重构特征图;
对由所述分辨率重构特征图进行全局均值池化后得到的全局均值特征向量进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到全局语义向量;
对所述分辨率重构特征图进行点卷积、批量归一化操作和基于ReLU的非激活函数操作以得到局部语义向量;
将所述全局语义向量和所述局部语义向量进行点加以得到语义权重向量;
以所述语义权重向量为权重向量,对所述钢板表面状态浅层特征图进行加权处理以得到语义联合特征图;以及
融合所述钢板表面状态浅层特征图与所述语义联合特征图以得到所述语义联合钢板表面状态特征图;
其中,基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变,包括:
对所述语义联合钢板表面状态特征图进行特征分布优化以得到优化语义联合钢板表面状态特征图;以及
将所述优化语义联合钢板表面状态特征图通过分类器以得到分类结果,所述分类结果用于表示低压区的快切阀的阀门开度值应增大、应减少还是保持不变;
其中,对所述语义联合钢板表面状态特征图进行特征分布优化以得到优化语义联合钢板表面状态特征图,包括:
将所述钢板表面状态浅层特征图和所述钢板表面状态深层特征图进行点加以获得浅层深层叠加特征图;以及
将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图;
其中,将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图,包括:
以如下优化公式将所述浅层深层叠加特征图和所述语义联合钢板表面状态特征图进行平滑响应参数化解耦融合以得到所述优化语义联合钢板表面状态特征图;
其中,所述优化公式为:
其中,F1表示所述浅层深层叠加特征图,F2表示所述语义联合钢板表面状态特征图,cov(F1,F2)表示所述浅层深层叠加特征图F1和所述语义联合钢板表面状态特征图F2之间的余弦距离,且log为以2为底的对数函数,exp(·)表示特征图的指数运算,所述特征图的指数运算表示以特征图中各个位置特征值为幂的自然指数函数值,表示按位置减法,/>表示按位置加法,⊙表示按位置点乘,F2'表示所述优化语义联合钢板表面状态特征图。
2.一种使用如权利要求1所述的在线淬火的水冷控制方法的在线淬火的水冷控制系统,其特征在于,包括:
图像获取模块,用于获取钢板的表面状态监控图像;
图像特征提取模块,用于对所述表面状态监控图像进行图像特征提取以得到语义联合钢板表面状态特征图;以及
阀门开度值控制模块,用于基于所述语义联合钢板表面状态特征图,确定低压区的快切阀的阀门开度值应增大、应减少还是保持不变。
3.根据权利要求2所述的在线淬火的水冷控制系统,其特征在于,所述图像特征提取模块,包括:
深浅特征提取单元,用于提取所述表面状态监控图像的浅层特征信息和深层特征信息以得到钢板表面状态浅层特征图和钢板表面状态深层特征图;以及
语义传播单元,用于对所述钢板表面状态浅层特征图和钢板表面状态深层特征图进行语义传播以得到所述语义联合钢板表面状态特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106631.7A CN117127005B (zh) | 2023-08-30 | 2023-08-30 | 在线淬火的水冷控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106631.7A CN117127005B (zh) | 2023-08-30 | 2023-08-30 | 在线淬火的水冷控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117127005A CN117127005A (zh) | 2023-11-28 |
CN117127005B true CN117127005B (zh) | 2024-03-19 |
Family
ID=88850512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311106631.7A Active CN117127005B (zh) | 2023-08-30 | 2023-08-30 | 在线淬火的水冷控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117127005B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02179828A (ja) * | 1988-12-28 | 1990-07-12 | Nippon Steel Corp | 熱間圧延鋼板の冷却制御装置 |
CN101603120A (zh) * | 2009-07-03 | 2009-12-16 | 秦皇岛首秦金属材料有限公司 | 一种淬火机水冷过程控制方法 |
CN102012686A (zh) * | 2010-07-15 | 2011-04-13 | 秦皇岛首秦金属材料有限公司 | 一种利用淬火机低压段进行弱水冷的精确控制方法 |
CN102073294A (zh) * | 2009-07-21 | 2011-05-25 | 南通宝钢钢铁有限公司 | 一种棒材轧后冷却闭环自动控制系统及方法 |
KR101435325B1 (ko) * | 2013-04-10 | 2014-08-27 | 한국과학기술원 | 깊이 맵 생성 방법 및 장치 |
CN108277339A (zh) * | 2018-01-19 | 2018-07-13 | 山东钢铁集团日照有限公司 | 一种钢板的热处理淬火工艺控制系统 |
CN208542748U (zh) * | 2018-07-09 | 2019-02-26 | 山东天衢铝业有限公司 | 一种挤压型材用冷却装置 |
WO2021229949A1 (ja) * | 2020-05-15 | 2021-11-18 | Jfeスチール株式会社 | 厚鋼板の温度偏差予測方法、厚鋼板の温度偏差制御方法、厚鋼板の温度偏差予測モデルの生成方法、厚鋼板の製造方法、及び厚鋼板の製造設備 |
-
2023
- 2023-08-30 CN CN202311106631.7A patent/CN117127005B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02179828A (ja) * | 1988-12-28 | 1990-07-12 | Nippon Steel Corp | 熱間圧延鋼板の冷却制御装置 |
CN101603120A (zh) * | 2009-07-03 | 2009-12-16 | 秦皇岛首秦金属材料有限公司 | 一种淬火机水冷过程控制方法 |
CN102073294A (zh) * | 2009-07-21 | 2011-05-25 | 南通宝钢钢铁有限公司 | 一种棒材轧后冷却闭环自动控制系统及方法 |
CN102012686A (zh) * | 2010-07-15 | 2011-04-13 | 秦皇岛首秦金属材料有限公司 | 一种利用淬火机低压段进行弱水冷的精确控制方法 |
KR101435325B1 (ko) * | 2013-04-10 | 2014-08-27 | 한국과학기술원 | 깊이 맵 생성 방법 및 장치 |
CN108277339A (zh) * | 2018-01-19 | 2018-07-13 | 山东钢铁集团日照有限公司 | 一种钢板的热处理淬火工艺控制系统 |
CN208542748U (zh) * | 2018-07-09 | 2019-02-26 | 山东天衢铝业有限公司 | 一种挤压型材用冷却装置 |
WO2021229949A1 (ja) * | 2020-05-15 | 2021-11-18 | Jfeスチール株式会社 | 厚鋼板の温度偏差予測方法、厚鋼板の温度偏差制御方法、厚鋼板の温度偏差予測モデルの生成方法、厚鋼板の製造方法、及び厚鋼板の製造設備 |
Also Published As
Publication number | Publication date |
---|---|
CN117127005A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
CN107563385B (zh) | 基于深度卷积生成式对抗网络的车牌字符识别方法 | |
CN111695415B (zh) | 图像识别方法及相关设备 | |
Basly et al. | CNN-SVM learning approach based human activity recognition | |
Hayashi et al. | Less complexity one-class classification approach using construction error of convolutional image transformation network | |
Bera et al. | Sr-gnn: Spatial relation-aware graph neural network for fine-grained image categorization | |
Lokku et al. | OPFaceNet: OPtimized Face Recognition Network for noise and occlusion affected face images using Hyperparameters tuned Convolutional Neural Network | |
CN116168348B (zh) | 基于图像处理的安全监控方法、系统及存储介质 | |
AlKhuraym et al. | Arabic sign language recognition using lightweight cnn-based architecture | |
Tripathy et al. | Brain MRI segmentation techniques based on CNN and its variants | |
Zhang | Application of artificial intelligence recognition technology in digital image processing | |
Mehta et al. | Ear recognition system using averaging ensemble technique | |
Xu | Mt-resnet: a multi-task deep network for facial attractiveness prediction | |
Hamza et al. | Pakistan sign language recognition: leveraging deep learning models with limited dataset | |
CN117070741A (zh) | 酸洗机组的控制方法及其系统 | |
CN117127005B (zh) | 在线淬火的水冷控制系统及其方法 | |
Huu et al. | Proposed detection face model by MobileNetV2 using Asian data set | |
Silva et al. | POEM-based facial expression recognition, a new approach | |
Salih et al. | Deep learning for face expressions detection: Enhanced recurrent neural network with long short term memory | |
Huynh et al. | An efficient model for copy-move image forgery detection | |
Liu et al. | Micro-expression recognition model based on TV-L1 optical flow method and improved ShuffleNet | |
CN112348007B (zh) | 一种基于神经网络的光学字符识别方法 | |
Singla et al. | Age and gender detection using Deep Learning | |
Cheng et al. | Joint graph convolution networks and transformer for human pose estimation in sports technique analysis | |
Nguyen et al. | Face recognition based on deep learning and data augmentation |
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 |