一种基于深度图像学习的溜槽角度识别方法及系统

技术领域

本发明涉及高炉冶炼工艺和图像处理技术领域，尤其涉及一种基于深度图像学习的溜槽角度识别方法及系统。

背景技术

高炉冶炼是钢铁冶炼流程的关键环节，其生产成本占钢铁产品成本的60％以上。高炉操作制度是指高炉为达到优质、低耗、高产、长寿和高效益，在一定冶炼条件下所采取的一系列规则和手段的集合，具体包括：装料制度、送风制度、造渣制度和热制度。其中，溜槽α角(如图1所示)的控制是装料制度的重要内容。高炉正常生产中，合理调整溜槽角度，可以改变高炉的原燃料堆尖及炉料的分布，优化高炉煤气流分布，降低高炉能耗与铁水成本；高炉生产不正常时，调整好溜槽角度，能使高炉及时恢复正常，降低高炉能耗与铁水成本。

高炉溜槽角度可通过PLC在中控计算机显示，炉顶也配有码盘显示。高炉炼铁生产中，由于设备磨损和数据信号漂移等原因，溜槽的实际角度与中控计算机显示值有可能出现偏差。高炉溜槽角度异常会影响高炉的布料制度，进而导致高炉炉况失常、燃料消耗增大、铁水成本升高等严重后果。

现有的溜槽角度校核技术可分为两类：

i)炉外机械装置接触式测量技术：主要利用高炉人孔将测量装置紧贴溜槽背面从而测量溜槽角度。但是人孔直径有限，上述装置多难以伸入，操作较复杂。此外，为保证测量精度，需保证测量装置与溜槽背面紧靠。但实际应用中往往难以观察是否满足上述要求，很难观察测量部件靠近斜槽，导致测量准确性和可信度不高。

ii)炉外激光非接触式测量技术：此类方法通过激光或红外测距仪对高炉溜槽上的点进行采样，从而间接地计算出溜槽角度。但该技术操作复杂且成本较高。此外，与接触式测量技术类似，非接触式测量技术也需要打开检查门或观察孔，只能在高炉检修期间进行角度校核。

但上述方法均需要在高炉休风检修时进行高炉溜槽角度校核。高炉一般休风2-3次/年，当发现溜槽角度异常时，已经对高炉运行造成恶劣影响。因此亟待设计一种可以实时、正确识别溜槽角度的方法。

发明内容

为此，本发明实施例提供了一种基于深度图像学习的溜槽角度识别方法及系统，用于解决现有技术中现有的溜槽角度校核方法均需要在高炉休风检修时进行高炉溜槽角度校核，由于高炉一般休风2-3次/年，当发现溜槽角度异常时，已经对高炉运行造成恶劣影响，即当前研究方法在及时性、便捷性等方面存在不足的问题。

为了解决上述问题，本发明实施例提供一种基于深度图像学习的溜槽角度识别方法，所述方法包括：

步骤S1：通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度；

步骤S2：设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理；

步骤S3：基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集划分为训练样本集和测试样本集；

步骤S4：将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型；

步骤S5：使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能；

步骤S6：将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果；

步骤S7：将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。

优选地，在步骤S2中，设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理方法具体包括：

通过图像灰度一致性变换调整溜槽图像中每个像素的值，使得图像从三通道转换为单通道，不仅缩减了图像的大小，且增强了与溜槽角度识别相关的图像特征；

针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性。

优选地，所述图像灰度一致性变换具体包括：

如果高炉溜槽的图像为三通道图像，首先采用加权平均法转换为单通道图像：

其中，I(i,j)是像素p(i,j)的灰度值；round()表示四舍五入为整数；R(i,j)、G(i,j)和B(i,j)是像素p(i,j)的RGB值；α、β、γ是它们的权重并且α+β+γ＝1；P是图像的像素集合；

对于输入的图像，统计图像中每个灰度级的像素数目，生成原始图像的直方图，假设图像的宽为W，高为H，像素灰度级别范围为[0,L-1]，则计算得到一个横轴为L，纵轴为h的直方图h(k)：

式中，δ

然后，将溜槽原始图像的直方图进行累加，得到像素灰度值的累计分布函数cdf(k)：

接着，将累计分布函数线性映射到0到L-1的灰度级别范围内，得到灰度映射函数T(k)：

T(k)＝round((L-1)×cdf(k))；

最后，原始图像的每个像素代入灰度映射函数生成新的灰度均衡化的图像I

式中，I

优选地，所述针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强，增加数据的多样性的方法具体包括：

考虑到溜槽作业环境中存在大量的粉尘和气流，首先，通过图像雾化和云化的方式，在经过图像灰度一致性变换的溜槽图像中添加雾气和云层的视觉效果，从而模拟溜槽作业环境的风格；其次，使用不同的滤波技术对图像进行增强，从而去除溜槽图像中的噪声，增强溜槽轮廓等关键特征信息，及提高数据多样性。

优选地，所述滤波技术包括空域滤波技术和频域滤波技术，其中所述空域滤波技术包括高斯滤波、均值滤波、2-D中值滤波、最大-最小锐化，所述频域滤波技术包括巴特沃斯低通滤波、指数高通滤波、同态滤波。

优选地，在步骤S4中，将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型的方法具体包括：

将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中，首先采用特征提取网络提取溜槽图像的时空特征信息，输出表示溜槽角度图像的特征向量；然后利用全连接层将提取的特征向量映射为溜槽角度的类别，最后通过Softmax函数对每个类别得分进行归一化，获得每个类别的概率，并输出最大概率的类别作为溜槽角度的预测值；

采用反向梯度传播方法对模型进行训练，利用交叉熵函数计算预测值和真实值的损失，保存损失函数收敛时的模型权重，得到训练好的基于深度图像学习的溜槽角度分类器模型。

优选地，所述特征提取网络的结构为：

第一层为缩放层，首先将图像缩放到至(1,224,224)，从而满足特征提取网络的结构化操作；

第二层为卷积和池化层，首先，执行卷积核大小7×7，步长为2，填充为3的卷积操作，并通过批量归一和ReLU激活函数，输出特征图的尺寸为(64,112,112)，其中64表示特征图的通道数，112×112为每个特征图的大小；其次，执行池化窗口3×3，步长为2，填充为1的最大池化，输出特征图的尺寸为(64,56,56)，其中64表示特征图的通道数，56×56为每个特征图的大小；

第三层执行残差操作，其中一个分支先执行一次卷积核大小3×3，步长为1，填充为1的卷积操作，接着执行批归一和ReLU激活操作，再次执行参数一样的卷积和批归一操作，其可保持特征图的尺寸不变；另一个分支为第二层的输出；最后，两个分支的结果相加并执行ReLU激活操作，输出特征图的尺寸为(64,56,56)，其中64表示特征图的通道数，56×56为每个特征图的大小；

第四层同样执行残差操作，但为增加特征提取效果，调整了残差结构及操作算子，并通过变化卷积核、通道数参数实现下采样；其中一个分支先执行Leaky ReLu激活，接着执行卷积核大小3×3，步长为2，填充为1的卷积、批归一和Leaky ReLu激活，再次执行卷积核大小3×3，步长为1，填充为1的卷积和批归一操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作，目的是调整通道数；最后，两个分支的结果相加，输出特征图的尺寸为(128,28,28)，其中128表示特征图的通道数，28×28为每个特征图的大小；

第五层进一步调整残差结构及操作算子增强特征提取效果；其中一个分支先执行批归一和Celu激活操作，接着执行卷积核大小3×3，步长为2，填充为1的卷积、批归一和激活操作，再次执行卷积核大小3×3，步长为1，填充为1的卷积操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作；最后，两个分支的结果相加，输出特征图的尺寸为(256,14,14)，其中256表示特征图的通道数，14×14为每个特征图的大小；

第六层通过堆叠卷积方式实现深层特征提取；其中一个分支分成了16组卷积操作块，每一块先执行卷积核大小1×1的卷积操作，接着执行卷积核大小3×3，步长为2，填充为1的卷积，再次执行卷积核大小3×3，步长为1，填充为1的卷积操作，最后把各组卷积操作结果加和、然后执行批归一和Leaky ReLu激活操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作；最后，两个分支的结果相加后，再次执行批归一和ReLu激活，输出特征图的尺寸为(512,7,7)，其中512表示特征图的通道数，7×7为每个特征图的大小；

第七层执行全局平均池化操作，输出特征图大小为(512,1,1)，即获得一个大小为512的用于表示溜槽角度图像的特征向量。

本发明实施例还提供了一种基于深度图像学习的溜槽角度识别系统，所述系统用于实现上述所述的基于深度图像学习的溜槽角度识别方法，具体包括：

图像数据采集模块，用于通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度；

图像预处理模块，用于设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理；

数据集构建模块，用于基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集划分为训练样本集和测试样本集；

模型训练模块，用于将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型；

性能评估模块，用于使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能；

识别分类模块，用于将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果；

角度异常诊断模块，用于将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。

本发明实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的基于深度图像学习的溜槽角度识别方法。

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的基于深度图像学习的溜槽角度识别方法。

从以上技术方案可以看出，本发明申请具有以下优点：

本发明实施例提供了一种基于深度图像学习的溜槽角度识别方法及系统，通过炉顶摄像设备收集的溜槽图像可以发现，溜槽在图像中的大小随着溜槽角度的增大而增大，根据上述特征，把溜槽角度识别问题归类为一个分类问题。通过图像收集、图像预处理、构建数据集和分类器模型、模型训练以及识别诊断等步骤，实现溜槽角度的实时、便捷检测。此外，本发明为了提高模型准确率，在图像预处理阶段设计了图像灰度一致性变换和数据增强两种预处理策略。通过图像灰度一致性变换调整溜槽图像中每个像素的值，使得图像从三通道转换为单通道，不仅缩减了图像的大小，且增强了与溜槽角度识别相关的图像特征；针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强；通过上述两种预处理策略不仅增加了数据的多样性，而且通过不同的数据增强方法模拟了溜槽的不同环境，从而提升了模型的诊断率和泛化性。本发明具有很强的实时性，大大降低了溜槽角度识别的难度及节约成本，可实现方便、高效的溜槽角度识别。

附图说明

为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。其中：

图1为背景技术中高炉溜槽角示意图；

图2为根据实施例中提供的一种基于深度图像学习的溜槽角度识别方法的流程图；

图3为实施例中特征提取网络的结构图；

图4为根据实施例中提供的一种基于深度图像学习的溜槽角度识别系统的框图。

具体实施方式

为使本发明实施例的目的、技术方案与优点更加清楚，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。

实施例一

针对现有的溜槽角度校核方法存在的问题，本发明把溜槽角度识别问题归类为一个分类问题。通过图像收集、图像预处理、构建数据集和分类器模型、模型训练以及识别诊断等步骤，实现溜槽角度的实时、便捷检测。具体地，如图2所示，本发明实施例提出一种基于深度图像学习的溜槽角度识别方法，该方法包括：

步骤S1：通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度；

步骤S2：设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理；

步骤S3：基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集划分为训练样本集和测试样本集；

步骤S4：将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型；

步骤S5：使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能；

步骤S6：将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果；

步骤S7：将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。

从以上技术方案可知，本发明提供了一种基于深度图像学习的溜槽角度识别方法，通过炉顶摄像设备收集的溜槽图像可以发现，溜槽在图像中的大小随着溜槽角度的增大而增大，根据上述特征，把溜槽角度识别问题归类为一个分类问题。通过图像收集、图像预处理、构建数据集和分类器模型、模型训练以及识别诊断等步骤，实现溜槽角度的实时、便捷检测。此外，本发明为了提高模型准确率，在图像预处理阶段设计了图像灰度一致性变换和数据增强两种预处理策略。通过图像灰度一致性变换调整溜槽图像中每个像素的值，使得图像从三通道转换为单通道，不仅缩减了图像的大小，且增强了与溜槽角度识别相关的图像特征；针对溜槽图像特点，利用图像雾化、滤波方式实现图像增强；通过上述两种预处理策略不仅增加了数据的多样性，而且通过不同的数据增强方法模拟了溜槽的不同环境，从而提升了模型的诊断率和泛化性。本发明具有很强的实时性，大大降低了溜槽角度识别的难度及节约成本，可实现方便、高效的溜槽角度识别。

在本实施例中，在步骤S1中，通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度。

在本实施例中，在步骤S2中，为提高模型准确率，设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理。

具体地，通过图像灰度一致性变换调整溜槽图像中每个像素的值，使得图像从三通道转换为单通道，不仅缩减了图像的大小，且增强了与溜槽角度识别相关的图像的视觉效果特征并且缩减了图像的大小，同时保持了图像的信息特征不变。针对本问题特点，溜槽图像灰度一致性变换包括以下几个步骤：

如果高炉溜槽的图像为三通道图像，首先采用加权平均法转换为单通道图像：

其中，I(i,j)是像素p(i,j)的灰度值；round()表示四舍五入为整数；R(i,j)、G(i,j)和B(i,j)是像素p(i,j)的RGB值；α、β、γ是它们的权重并且α+β+γ＝1；P是图像的像素集合。

对于输入的图像，统计图像中每个灰度级的像素数目，生成原始图像的直方图，假设图像的宽为W，高为H，像素灰度级别范围为[0,L-1]，则计算得到一个横轴为L，纵轴为h的直方图h(k)：

式中，δ

然后，将溜槽原始图像的直方图进行累加，得到像素灰度值的累计分布函数cdf(k)：

接着，将累计分布函数线性映射到0到L-1的灰度级别范围内，得到灰度映射函数T(k)：

T(k)＝round((L-1)×cdf(k))。

最后，原始图像的每个像素代入灰度映射函数生成新的灰度均衡化的图像I

式中，I

针对溜槽图像特点，考虑到溜槽作业环境中存在大量的粉尘和气流，首先，通过图像雾化和云化的方式，在经过图像灰度一致性变换的溜槽图像中添加雾气和云层的视觉效果，从而模拟溜槽作业环境的风格；其次，使用不同的滤波技术对图像进行增强，从而去除溜槽图像中的噪声，增强溜槽轮廓等关键特征信息，及提高数据多样性。

上述滤波技术包括高斯滤波、均值滤波、2-D中值滤波、最大-最小锐化等空域滤波技术，和巴特沃斯低通滤波、指数高通滤波、同态滤波等频域滤波技术。

通过上述图像灰度一致性变换和数据增强两种图像预处理策略，不仅增加了数据的多样性，而且通过不同的数据增强方法模拟了溜槽的不同环境，从而提升了模型的诊断率和泛化性。

在本实施例中，在步骤S3中，基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集按比例划分为训练样本集和测试样本集。

在本实施例中，在步骤S4中，将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型，具体包括：将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中，首先采用特征提取网络提取溜槽图像的时空特征信息，输出表示溜槽角度图像的特征向量；然后利用全连接层将提取的特征向量映射为溜槽角度的类别，最后通过Softmax函数对每个类别得分进行归一化，获得每个类别的概率，并输出最大概率的类别作为溜槽角度的预测值。

本发明采用反向梯度传播方法(如Adam函数)对模型进行训练，利用交叉熵函数计算预测值和真实值的损失，保存损失函数收敛时的模型权重，得到训练好的基于深度图像学习的溜槽角度分类器模型。

在一实施例中，溜槽图像大小为(3,288,384)，其中，3为通道数，288为溜槽图像高度，384为溜槽图像宽度。经过图像灰度一致性变换为1通道的灰度图像，其大小表示为(1,288,384)。

进一步地，如图3所示，特征提取网络可分为以下7部分。为提高模型的泛化性，每一层设计了不同的操作算子和参数组合，并通过引入残差结构、堆叠卷积等提高深层溜槽图像特征提取的能力。

第一层为缩放层，首先将图像缩放到至(1,224,224)，从而满足特征提取网络的结构化操作。

第二层为卷积和池化层，首先，执行卷积核大小7×7，步长为2，填充为3的卷积操作，并通过批量归一和ReLU激活函数，输出特征图的尺寸为(64,112,112)，其中64表示特征图的通道数，112×112为每个特征图的大小；其次，执行池化窗口3×3，步长为2，填充为1的最大池化，输出特征图的尺寸为(64,56,56)，其中64表示特征图的通道数，56×56为每个特征图的大小。

第三层执行残差操作，其中一个分支先执行一次卷积核大小3×3，步长为1，填充为1的卷积操作，接着执行批归一和ReLU激活操作，再次执行参数一样的卷积和批归一操作，其可保持特征图的尺寸不变；另一个分支为第二层的输出；最后，两个分支的结果相加并执行ReLU激活操作，输出特征图的尺寸为(64,56,56)，其中64表示特征图的通道数，56×56为每个特征图的大小；

第四层同样执行残差操作，但为增加特征提取效果，调整了残差结构及操作算子，并通过变化卷积核、通道数参数等实现下采样。其中一个分支先执行Leaky ReLu激活，接着执行卷积核大小3×3，步长为2，填充为1的卷积、批归一和Leaky ReLu激活，再次执行卷积核大小3×3，步长为1，填充为1的卷积和批归一操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作，目的是调整通道数；最后，两个分支的结果相加，输出特征图的尺寸为(128,28,28)，其中128表示特征图的通道数，28×28为每个特征图的大小。

第五层进一步调整残差结构及操作算子增强特征提取效果；其中一个分支先执行批归一和Celu激活操作，接着执行卷积核大小3×3，步长为2，填充为1的卷积、批归一和激活操作，再次执行卷积核大小3×3，步长为1，填充为1的卷积操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作；最后，两个分支的结果相加，输出特征图的尺寸为(256,14,14)，其中256表示特征图的通道数，14×14为每个特征图的大小。

第六层通过堆叠卷积方式实现深层特征提取。其中一个分支分成了16组卷积操作块，每一块先执行卷积核大小1×1的卷积操作，接着执行卷积核大小3×3，步长为2，填充为1的卷积，再次执行卷积核大小3×3，步长为1，填充为1的卷积操作，最后把各组卷积操作结果加和、然后执行批归一和Leaky ReLu激活操作；另一个分支执行卷积核大小1×1，步长为2的卷积操作；最后，两个分支的结果相加后，再次执行批归一和ReLu激活，输出特征图的尺寸为(512,7,7)，其中512表示特征图的通道数，7×7为每个特征图的大小。

第七层执行全局平均池化操作，输出特征图大小为(512,1,1)，即获得一个大小为512的用于表示溜槽角度图像的特征向量。

进一步地，将上述特征向量输入到全连接网络中，全连接层输出向量为溜槽角度的类别。如溜槽角度从20°-40°，则全连接网络的输出为21个类别，每个类别对应一个角度，网络输出值表示每个类别的得分。最后，通过softmax函数对每个类别得分进行归一化，获得每个类别的概率，并输出最大概率的类别作为分类结果。

在本实施例中，在步骤S5中，使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能。

在本实施例中，在步骤S6中，将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果。

在本实施例中，在步骤S7中，将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。

为了进一步阐述本发明的优点，下面结合具体的实验来进行说明。

1.数据准备和实验平台

通过炉顶摄像设备收集了高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，标记其溜槽角度。对所有图像使用9中不同的图像增强技术，并按照0.85:0.15的比例划分训练集和测试集，共产生8300张样本。

利用Pytorch框架搭建基于深度图像学习的溜槽角度分类器模型。分类器模型使用Adam梯度优化算法进行训练，初始学习率设置为1×10

2.验证模型性能

模型训练完成后，在测试集上验证模型的性能。使用溜槽角度识别准确率作为评估标准。实验结果表明，模型的总识别正确率识别率为97.73％，即97.73％的测试样本的分类结果与样本对应的溜槽角度标签一致。进一步，为了验证所提出的图像预处理技术(灰度一致性、图像增强)的作用，直接采用原始数据集进行训练，测试集识别率为90.24％。可以看出，采用图像预处理技术能有效提高模型的准确率。

为验证模型的识别效果，重新收集了不同时刻包含15个角度的溜槽角度图片共300张，分别采用考虑图像预处理和无图像预处理的模型进行测试，实验结果如表1(溜槽角度识别准确率)所示。可以看出，采用图像预处理技术能有效提高模型的识别效果。

表1

实施例二

如图4所示，本发明提供一种基于深度图像学习的溜槽角度识别系统，该系统包括：

图像数据采集模块10，用于通过炉顶摄像设备收集高炉溜槽在不同角度下的视频，将溜槽视频拆分为图像帧，并标记其溜槽角度，其中每张图像的标签为其对应的溜槽角度；

图像预处理模块20，用于设计图像灰度一致性变换和数据增强两种图像预处理策略，对溜槽图像进行预处理；

数据集构建模块30，用于基于预处理后的溜槽图像数据，构建溜槽图像数据集，并将溜槽图像数据集划分为训练样本集和测试样本集；

模型训练模块40，用于将训练样本集输入到预先构建好的基于深度图像学习的溜槽角度分类器模型中进行模型训练，得到训练好的基于深度图像学习的溜槽角度分类器模型；

性能评估模块50，用于使用溜槽角度识别准确率作为评估标准，在测试样本集上验证训练好的基于深度图像学习的溜槽角度分类器模型的性能；

识别分类模块60，用于将实时采集的溜槽图像经过预处理后输入到训练好的基于深度图像学习的溜槽角度分类器模型进行识别，得到最终分类结果；

角度异常诊断模块70，用于将最终分类结果与样本对应的溜槽角度标签进行比对，判断溜槽角度是否异常。

本实施例的一种基于深度图像学习的溜槽角度识别系统，用于实现前述的基于深度图像学习的溜槽角度识别方法，因此基于深度图像学习的溜槽角度识别系统中的具体实施方式可见前文基于深度图像学习的溜槽角度识别方法的实施例部分，例如，图像数据采集模块10，图像预处理模块20，数据集构建模块30，模型训练模块40，性能评估模块50，识别分类模块60，角度异常诊断模块70，分别用于实现上述基于深度图像学习的溜槽角度识别方法中步骤S1，S2，S3，S4，S5，S6，S7，所以，其具体实施方式可以参照相应的各个部分实施例的描述，为了避免冗余，在此不再赘述。

实施例三

本发明实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的基于深度图像学习的溜槽角度识别方法。

实施例四

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的基于深度图像学习的溜槽角度识别方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。