一种基于火焰图像特征的冶炼观测系统

技术领域

本发明涉及火焰分析技术领域，具体为一种基于火焰图像特征的冶炼观测系统。

背景技术

以前依靠工人在转炉正面墙体的观察窗观察转炉火焰的颜色、形状等特征，根据经验做出判断，在实际操作中，易受到观察员主观影响导致判断的标准不一致且精度不高，且在观察窗观察存在较大的安全隐患；随着本质化安全对安全防护标准提出的更高要求，转炉主控室正对转炉墙面必须为实体墙，即观察窗必须封闭。这对于转炉操作工来说，就像把眼睛蒙上一样，其中的困难可想而知。

为了应对这种情况，现在主要采用转炉炉口火焰分析系统对转炉火焰进行分析。转炉炉口火焰分析系统主要功能是远程看火,通过高清相机获取转炉炉口实时火焰图像后呈现在客户端软件中，系统接入转炉炼钢现场的PLC信号,利用转炉特有温度曲线算法,推算符合转炉炼钢进程的实时温度曲线。每一炉炼钢完成后,系统接收到结束信号后,自动记录转炉生产数据。

现有的转炉炉口火焰分析系统没有对火焰的烟气进行处理，且PLC信号易受高温影响，因此影响了后续对火焰分析的准确性。

发明内容

针对现有技术的不足，本发明提供了一种基于火焰图像特征的冶炼观测系统，有助于解决现有的转炉炉口火焰分析系统没有对火焰的烟气进行处理，且PLC信号易受高温影响，因此影响后续对火焰分析的准确性的问题。

为实现以上目的，本发明通过以下技术方案予以实现，一种基于火焰图像特征的冶炼观测系统，包括视频获取模块、视频处理模块、火焰图像特征提取模块、自动曝光模块、图像识别算法模块、图像分析算法模块以及数据分析模块；

所述视频获取模块，采用普通彩色相机获取原始的炉口火焰视频；

所述视频处理模块，对获取的炉口火焰视频进行图像处理，利用卷积神经网络对彩色图像去烟气处理，得到清晰的火焰图像；

所述火焰图像特征提取模块，得到当前炉口火焰特征，包括火焰的颜色特征和形状特征；

所述自动曝光模块，根据火焰特征，自适应调整相机曝光参数以及图像亮度；

所述图像识别算法模块，能够根据火焰特征，利用深度学习模型，实现喷溅以及跳渣异常状态的识别；

所述图像分析算法模块，根据火焰的颜色特征和形状特征，分析火焰的软硬度和温度；

所述数据分析模块，通过数据分析，得到火焰软硬变化和温度变化趋势曲线。

通过采用上述技术方案，利用卷积神经网络对彩色图像去烟气处理，得到清晰的火焰图像，有利于后续的特征提取和分析，得到更加准确的火焰软硬度和温度曲线，且不同的喷溅状态可能会同时存在或相互转换，因此单一的火焰特征往往不能完全确定喷溅状态，综合考虑多个特征，并结合深度学习模型的训练和分类能力，可以提高喷溅状态识别的准确性和鲁棒性，具体来说，在采集数据和训练模型时，可以针对不同的喷溅状态进行标签和样本收集，以训练一个能够区分不同喷溅状态的深度学习模型。

可选的，所述利用卷积神经网络的训练包括如下步骤：对训练数据集进行预处理；使用深度学习框架PyTorch来定义和搭建ReViewNet模型；使用训练数据集对ReViewNet模型进行训练，通过将训练图像输入到模型中，学习烟气图像与真实无烟气图像之间的最佳映射；使用验证数据集对训练的模型进行评估；根据评估结果调整模型的超参数，并进行多次迭代的训练和评估过程，逐步改进模型的性能。

可选的，所述根据火焰特征，自适应调整相机曝光参数以及图像灰度通过以下方式实现：使用计算机视觉技术自动检测图像中的火焰区域以获取火焰的位置和特征；计算火焰不同位置区域的亮度以及对比度信息；根据火焰特征分析火焰的强度；根据火焰图像亮度以及对比度信息，动态地调整相机的曝光参数，自适应地调整图像的亮度。

可选的，所述对训练数据集进行预处理包括对图像进行裁剪或者归一化处理，并通过随机旋转、缩放以及翻转操作来扩展训练集。

可选的，所述得到当前炉口火焰特征的方式采用HSV模型得到火焰的颜色，对颜色分析得到颜色特征，利用形状分析方法得到火焰的形状以及大小。

本发明提供了一种基于火焰图像特征的冶炼观测系统，具备以下有益效果：

1、提高冶炼过程的观测准确性：通过采用卷积神经网络对火焰图像进行去烟气处理，得到清晰的火焰图像，可以更准确地提取和分析火焰特征，进而观测和监控冶炼过程；

2、通过自动曝光模块，根据火焰特征动态调整相机曝光参数和图像亮度，能够适应不同火焰状态和亮度变化，保证观测图像的清晰度和准确性；

3、借助图像识别算法模块，结合深度学习模型，能够识别冶炼过程中的喷溅以及跳渣异常状态，提前发现和防止潜在的问题和安全隐患；

4、通过图像分析算法模块，根据火焰的颜色特征和形状特征，可以分析火焰的软硬度和温度，为冶炼过程的参数调整和优化提供参考依据；

5、通过数据分析模块，对获取的火焰特征进行分析，可以得到火焰软硬度和温度的变化趋势曲线，帮助冶炼操作人员了解冶炼过程的动态情况，并进行及时调整和控制。

附图说明

图1为本发明实施例示出的一种基于火焰图像特征的冶炼观测系统的结构示意图。

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，所描述的实施例是本发明的一个实施例，而不是所有的实施例，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。

如图1所示，本发明实施例提供一种基于火焰图像特征的冶炼观测系统，包括视频获取模块、视频处理模块、火焰图像特征提取模块、自动曝光模块、图像识别算法模块、图像分析算法模块以及数据分析模块。

视频获取模块，采用普通彩色相机获取原始的炉口火焰视频；视频处理模块，对获取的炉口火焰视频进行图像处理，利用卷积神经网络对彩色图像去烟气处理，得到清晰的火焰图像，通过去烟气处理，得到清晰的火焰图像，有利于后续的特征提取与分析。

火焰图像特征提取模块，得到当前炉口火焰特征，包括火焰的颜色特征和形状特征；颜色特征包括火焰色调、亮度以及饱和度。

自动曝光模块，根据火焰特征，自适应调整相机曝光参数以及图像亮度；具体的，自适应调整相机曝光参数以及图像灰度通过以下方式实现：使用计算机视觉技术自动检测图像中的火焰区域以获取火焰的位置和特征；计算火焰不同位置区域的亮度以及对比度信息；根据火焰特征分析火焰的强度；根据火焰图像亮度以及对比度信息，动态地调整相机的曝光参数，自适应地调整图像的亮度；通过自动曝光模块调整相机曝光参数的目的是使火焰看得更清晰。

图像识别算法模块，能够根据火焰特征，利用深度学习模型，实现喷溅以及跳渣异常状态的识别；利用深度学习模型来实现火焰异常状态，如喷溅、跳渣等的识别，可以按照以下步骤进行：

数据采集和准备：收集包含正常状态和异常状态，如喷溅、跳渣的火焰图像或视频数据，确保数据集具有多样性，包括不同曝光条件和亮度等变化。

样本平衡和增强：如果正常状态和各异常状态的样本不平衡，可以考虑使用样本平衡技术，如欠采样、过采样或类别权重调整，还可以使用数据增强技术来增加数据样本的多样性和数量，如旋转、缩放以及翻转等。

标注数据：手动标注数据集，以指示每张图像中火焰的状态。

数据集划分：将标注好的数据集划分为训练集和测试集。

构建模型：选择适合的深度学习模型，如卷积神经网络（CNN），来进行火焰状态的识别。

特征提取：对于每个输入火焰图像，使用预训练的深度学习模型来提取特征；可以使用模型的中间层输出作为特征表示，这些层通常能捕捉到更高级的语义信息。

模型训练与调优：使用训练集对模型进行训练，并根据验证集的性能调整模型参数，如学习率、批次大小和训练周期，以获得更好的性能。

模型评估和验证：使用验证集或交叉验证技术对训练的模型进行评估和验证，计算模型的准确率、精确率、召回率和F1分数等指标。

异常状态识别：使用训练好的模型对新的火焰图像进行预测和识别，判断输入图像是否属于异常状态，如喷溅、跳渣。

不同的喷溅状态可能会同时存在或相互转换，因此单一的火焰特征往往不能完全确定喷溅状态，综合考虑多个特征，并结合深度学习模型的训练和分类能力，可以提高喷溅状态识别的准确性和鲁棒性，具体来说，在采集数据和训练模型时，可以针对不同的喷溅状态进行标签和样本收集，以训练一个能够区分不同喷溅状态的深度学习模型。

图像分析算法模块，根据火焰的颜色特征和形状特征，分析火焰的软硬度和温度；具体的，颜色特征包括火焰色调、亮度以及饱和度，具体如下：

关于色调：蓝色、白色火焰：一般表示高温火焰，温度较高，红色、黄色火焰：一般表示中等温度火焰，温度适中，橙色、黄色火焰：一般表示低温火焰，温度较低。

关于亮度：强亮的火焰：通常表示温度较高，弱亮的火焰：通常表示温度较低。

关于饱和度，高饱和度的火焰：通常表示温度较高，低饱和度的火焰：通常表示温度较低。

关于形状，大而蓬松的火焰：通常表示温度较高，燃烧活跃，小而密集的火焰：通常表示温度较低，燃烧相对较缓慢。

数据分析模块，通过数据分析，得到火焰软硬变化和温度变化趋势曲线。

其中，利用卷积神经网络的训练包括如下步骤：收集包含烟气图像和真实无烟气图像的训练数据集；对训练数据集进行预处理；使用深度学习框架PyTorch来定义和搭建ReViewNet模型；使用训练数据集对ReViewNet模型进行训练，通过将训练图像输入到模型中，学习烟气图像与真实无烟气图像之间的最佳映射；使用验证数据集对训练的模型进行评估，可以计算指标如PSNR（Peak Signal-to-Noise Ratio）、SSIM（StructuralSimilarity Index）等来衡量模型的性能；根据评估结果调整模型的超参数、网络结构等，并进行多次迭代的训练和评估过程，逐步改进模型的性能。

根据火焰特征和图像亮度信息，自适应调整图像亮度通过以下方式实现：使用计算机视觉技术自动检测图像中的火焰区域以获取火焰的位置，能够将焦点放置在火焰区域上，避免对整个图像进行处理，提高处理效率；计算火焰不同位置区域的亮度以及对比度信息；根据火焰特征分析火焰的强度；根据火焰图像亮度以及对比度信息，动态地调整相机的曝光参数，自适应地调整图像的亮度，具体的，对于自适应的调整相机的曝光参数，如果火焰区域的亮度较暗，增加曝光时间或增加相机增益可以提高火焰的可见性。相反，如果火焰区域的亮度过亮，可以减少曝光时间或减少相机增益，以避免过曝，对于自适应地调节。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。