火焰图像CNN识别建模的转炉炼钢终点判断方法及系统

摘要

本发明涉及火焰图像CNN识别建模的转炉炼钢终点判断方法及系统，属人工智能领域。本发明首先将采集来的火焰图像转换到HSI空间；然后进行阈值分割；再合并分割后的图像，再通过后期处理得到单连通的火焰图像，去除因分割不佳造成的干扰点，得到分割后的图像，再把图像进行预处理；构建卷积神经网络识别模型；将预处理后的图像直接输入卷积神经网络模型，在离线状态下采用降梯度法对网络进行训练；将离线训练完毕的卷积神经网络模型进行在线判断，采集转炉火焰图像并预处理后送入网络模型，模型输出判断结果。本发明避免了工人观测转炉火焰受到的主观影响以及工人个体间判断终点存在的误差，并且实现了实时精确地判断转炉终点。

主权项

火焰图像CNN识别建模的转炉炼钢终点判断方法，所述方法的具体步骤如下：Step1、采集转炉炉口火焰图像，为下一步图像的处理提供数据；Step2、先将采集来的火焰图像转换到HSI空间，HSI色彩空间和RGB色彩空间之间关系如下式所示，其中R,G,B分别表示红、绿、蓝三个分量：$I=\frac{1}{3}(R+G+B);$$S=1-\frac{3}{R+G+B}\left[min(R,G,B)\right];$$H=\left\{\begin{array}{cc}\arccos \left\{\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}& G\ge B;\\ 2\pi -\arccos \left\{\frac{[(R-G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}& G<B;\end{array}\right.$Step3、分别在H、S、I分量下利用最大类间方差法进行阈值分割：采用遍历法得到使类间方差最大的阈值T^*，即$T^{*}=\arg \underset{0\le t\le L-1}{max}[{\omega }_0{({\mu }_0-\mu )}^2+{\omega }_1{({\mu }_1-\mu )}^2],$用得到的阈值去分割图像；其中L为当前分量的灰度级；ω₀为火焰主体的像素点数占整幅图像的比例；ω₁为背景的像素点数占整幅图像的比例；μ₀为火焰主体的平均像素值；μ₁为背景的平均像素值；μ为整幅图像的平均像素值；Step4、合并分割后的图像，再去噪处理用贴标签的方法得到单连通的火焰图像部分，去除因分割不佳造成的干扰点，得到分割后的图像；Step5、预处理图像；在经分割后的图像中找寻火焰的中心点，然后以中心点为中心，选择合适的正方形阈值窗口将图像从中截取出来，并压缩至合适大小，最后转换为灰度图像，作为卷积神经网络的输入图像；Step6、构建卷积神经网络识别模型，包括卷积神经网络的结构和关键参数，如隐含层层数、隐含层内部的连接方式、卷积核个数、每层输出特征图的个数以及训练迭代次数等；Step7、将预处理后的图像直接输入卷积神经网络模型，根据之前设定的迭代次数进行迭代，在离线状态下采用降梯度法对网络进行训练；Step8、将离线训练完毕的卷积神经网络模型进行在线判断，采集转炉火焰图像并预处理后送入网络模型，模型输出判断结果。