一种烧结机尾断面检测方法、装置、设备及介质

技术领域

本申请涉及烧结机尾断面检测领域，特别涉及一种烧结机尾断面检测方法、装置、设备及介质。

背景技术

烧结机是冶炼矿料烧结工艺的关键设备。烧结机台车首尾相连形成一个台车链，在机头位置配置好的原料装载在台车上，然后在装载燃料的表面点火，随着台车不断的运行前进，被点燃的原料逐渐从表面向下燃烧。在机尾烧结矿被卸到烧结机下部的环冷台车上，然后烧结台车倒挂运行回机头位置。机尾断面就是在台车翻转卸下烧结矿时烧结矿的断面图像。烧结机尾断面是衔接烧结和冷却两个复杂物理化学过程的关键状态图像，具有丰富的热状态与烧结矿质量和产量指标特性的隐含信息。最佳的机尾断面图像能够在一定程度上帮助看火工观察目前的烧结工况信息，比如，可以根据红火层亮度、气孔等来判断燃料用量；可以根据断面是否夹生料，及烟尘等情况判断水分；可以根据红火层高度等判断是否烧透等等。

目前，在实际工业生产中，观察机尾断面的位置位于烧结机机尾处，该处位置通常处于高温、高粉尘的环境下，而最佳机尾断面往往是在台车翻转的一瞬间才能显露出来。这就要求看火工时刻处于烧结机机尾处不断观察机尾断面的状态，费时费力，工作效率较低。

发明内容

有鉴于此，本申请的目的在于提供一种烧结机尾断面检测方法、装置、设备及介质，能够准确的检测出最佳机尾断面，提高生产效率，节约生产成本。其具体方案如下：

第一方面，本申请公开了一种烧结机尾断面检测方法，包括：

获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息；

利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块；

当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。

可选的，所述利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果，包括：

将所述待检测烧结机尾断面进行分割，得到多组图像数据序列；

将所述多组图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图；

对所述多个特征图进行密集连接，得到多个特征向量；

将所述多个特征向量进行融合，得到融合向量；

将所述融合向量输入分类器，得到所述待检测烧结机尾断面对应的最佳断面检测结果。

可选的，所述烧结机尾断面检测模型还包括多个密集连接处理模块，所述密集连接处理模块与所述循环神经网络模块的数量相同，并均依次排列，相应的，所述对所述多个特征图进行密集连接，得到多个特征向量，包括：

通过任一所述密集连接处理模块对输入该密集连接处理模块的特征图进行像素相加，得到该密集连接处理模块对应的特征向量；

其中，输入任一所述密集连接处理模块的特征图包括与该密集连接处理模块次序相同以及与该密集连接处理模块的前序密集连接处理模块次序相同的循环神经网络模块输出的特征图。

可选的，所述将所述多个特征向量进行融合，得到融合向量，包括：

对所述多个特征向量分别进行全连接处理，得到多个全连接处理后向量；

对所述多个全连接处理后向量进行全连接处理，得到融合向量。

可选的，所述对所述多个全连接处理后向量进行全连接处理，得到融合向量，包括：

分别对多个权重参数以及多个全连接处理后向量进行权重相乘操作，得到多个权重相乘后向量；

对所述多个权重相乘后向量进行全连接处理，得到融合向量。

可选的，所述将所述待检测烧结机尾断面进行分割，得到多组图像数据序列，包括：

确定所述待检测烧结机尾断面对应的分割方向；

基于所述分割方向对所述待检测烧结机尾断面进行分割，得到多组图像数据序列。

可选的，所述将所述多组图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图，包括：

若任一组图像数据序列包括多个图像数据序列，则将该组图像数据序列处理为一维图像数据序列；

将多个所述一维图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图。

第二方面，本申请公开了一种烧结机尾断面检测装置，包括：

样本获取模块，用于获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息；

模型训练模块，用于利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块；

断面检测模块，用于当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。

第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，

所述存储器，用于保存计算机程序；

所述处理器，用于执行所述计算机程序以实现前述的烧结机尾断面检测方法。

第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的烧结机尾断面检测方法。

可见，本申请先获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息，之后利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块，最后当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。也即，本申请先利用包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本的训练样本集进行模型训练，得到烧结机尾断面检测模型，然后利用训练得到的烧结机尾断面检测模型进行最佳断面检测，模型中包括循环神经网络模块，能够提取烧结机尾断面深层隐藏信息，这样，能够准确的检测出最佳机尾断面，提高生产效率，节约生产成本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种烧结机尾断面检测方法流程图；

图2为本申请提供的一种具体的烧结机尾断面检测方法流程图；

图3为本申请提供的一种具体的LSTM模块示意图；

图4为本申请提供的一种烧结机尾断面检测装置结构示意图；

图5为本申请提供的一种电子设备结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

目前，在实际工业生产中，观察机尾断面的位置位于烧结机机尾处，该处位置通常处于高温、高粉尘的环境下，而最佳机尾断面往往是在台车翻转的一瞬间才能显露出来。这就要求看火工时刻处于烧结机机尾处不断观察机尾断面的状态，费时费力，工作效率较低。为此，本申请提供了一种烧结机尾断面检测方案，能够准确的检测出最佳机尾断面，提高生产效率，节约生产成本。

参见图1所示，本申请实施例公开了一种烧结机尾断面检测方法，包括：

步骤S11：获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息。

在具体的实施方式中，最佳烧结机尾断面样本、非最佳烧结机尾断面样本，可以为可见光彩色图像、可见光黑白图像、红外热图像等类型的图像。

步骤S12：利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块。

在一种实施方式中，循环神经网络模块可以为LSTM(即Long Short-Term Memory，长短期记忆人工神经网络)模块。

步骤S13：当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。

在具体的实施方式中，可以使用在机尾处安装的可见光摄像头或红外摄像头不断采集机尾断面图像，得到待检测烧结机尾断面，从而能够自动实时的判断出最佳机尾断面，方便研究人员对其进行烧结工况分析。

在具体的实施方式中，步骤S13具体包括以下步骤：

步骤00：将所述待检测烧结机尾断面进行分割，得到多组图像数据序列。

在具体的实施方式中，可以确定所述待检测烧结机尾断面对应的分割方向；基于所述分割方向对所述待检测烧结机尾断面进行分割，得到多组图像数据序列。

其中，分割方向可以为横向分割，也可以为纵向分割，并且，在具体的实施方式中，将分割方向确定为训练时对样本分割时采用的分割方向。需要指出的是，由于机尾断面的形成与其特征分布多呈横向分布，所以可以将分割方向确定为横向分割。

另外，根据待检测烧结机尾断面的参数进行分割，比如，待检测烧结机尾断面为1000×600的可见光彩色图像，在一种实施方式中，横向分割为600组图像数据序列，每组图像序列包括一个图像数据序列。在另一种实施例方式中，横向分割为300组图像数据序列，每组图像序列包括二个图像数据序列，也即，一个图像数据序列包括待检测烧结机尾断面中的一行原始像素。

步骤01：将所述多组图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图。

若任一组图像数据序列包括多个图像数据序列，则将该组图像数据序列处理为一维图像数据序列；将多个所述一维图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图。

也即，本申请中，每组图像数据序列对应一个循环神经网络模块，最终对应一个特征图。

步骤02：对所述多个特征图进行密集连接，得到多个特征向量。

其中，所述烧结机尾断面检测模型还包括多个密集连接处理模块，所述密集连接处理模块与所述循环神经网络模块的数量相同，并均依次排列，相应的，对所述多个特征图进行密集连接，得到多个特征向量的具体步骤为：通过任一所述密集连接处理模块对输入该密集连接处理模块的特征图进行像素相加，得到该密集连接处理模块对应的特征向量；其中，输入任一所述密集连接处理模块的特征图包括与该密集连接处理模块次序相同以及与该密集连接处理模块的前序密集连接处理模块次序相同的循环神经网络模块输出的特征图。

也即，图像数据序列组数、密集连接处理模块的数量、循环神经网络模块的数量相同。并且，可以将图像数据序列组、密集连接处理模块、循环神经网络模块标记序号，比如，均为1到600，前序密集连接处理模块包括序号小于该密集连接处理模块的全部密集连接处理模块。

需要指出的是，通过密集连接可以丰富特征的种类和数量，防止丢失重要数据。现有的densenet(密集连接网络)，使用通道串接操作，会使得网络越深特征图越大，本申请以像素相加的方式进行密集连接，在网络加深时不会改变特征图大小，从而保持速度。

步骤03：将所述多个特征向量进行融合，得到融合向量。

在具体的实施方式中，可以对所述多个特征向量分别进行全连接处理，得到多个全连接处理后向量；对所述多个全连接处理后向量进行全连接处理，得到融合向量。

进一步的，分别对多个权重参数以及多个全连接处理后向量进行权重相乘操作，得到多个权重相乘后向量；对所述多个权重相乘后向量进行全连接处理，得到融合向量。其中，权重参数为训练得到的参数。

步骤04：将所述融合向量输入分类器，得到所述待检测烧结机尾断面对应的最佳断面检测结果。

其中，分类器可以为softmax分类器，最佳断面检测结果为最佳机尾断面与非最佳机尾断面。

需要指出的是，本申请提供的方案可以支持任意尺寸大小的图像，具体可以根据相应的分割结果构建初始模型进行训练，训练过程可以参考检测过程，在此不再进行赘述。下面，以尺寸为1000×600的可见光彩色图像为例对本申请提供的方案进一步阐述，例如，参见图2所示，图2为本申请实施例公开的一种具体的烧结机尾断面检测方法流程图。

首先，对图像进行分割，将二维图像数据分割成一维数组数据，便于后续LSTM模块进行特征提取。输入图像为1000×600的可见光彩色图像，即其二维数据结构应为：

[(R,G,B)

[(R,G,B)

……

……

[(R,G,B)

[(R,G,B)

其中，R、G、B分别代表彩色图像每个像素的颜色分量。

由于，机尾断面的形成与其特征分布多呈横向分布，所以选取横向分割进行序列分割。分割结果为：

[A

[A

……

……

[A

[A

共计600组序列，每组序列包括一个图像数据序列，也即包括待检测烧结机尾断面中的一行原始像素。

然后，利用LSTM模块进行特征提取，将前述600组序列依照次序分别输入到600个LSTM模块中。例如，参见图3所示，图3为本申请实施例提供的一种具体的LSTM模块示意图。其中，x

由于机尾断面图像存在非常多的细节信息，烧结过程又是一个非常复杂的化学过程，为了保证更多的信息输入到决策阶段，将600组LSTM提取的特征进行密集连接。密集连接处理模块1的输入为LSTM(1)的输出，密集连接处理模块2的输入为LSTM(1)与LSTM(2)的输出，密集连接处理模块(2)将输入的特征图进行像素相加，以此类推，密集连接处理模块600对LSTM(1)至LSTM(600)输出的特征去进行像素相加。这样，得到600个向量，通过密集连接，可以丰富特征的种类和数量，防止在前一步忘记门时丢失重要数据。进一步的，对每一个特征向量均进行全连接处理再权重相乘，权重参数为训练后的参数，代表该向量的重要性。如图所示，600个向量依次分别输入FC(全连接处理模块)1、FC2、…、FC600，分别进行全连接处理，然后分别与权重参数W

可见，本申请实施例先获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息，之后利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块，最后当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。也即，本申请实施例先利用包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本的训练样本集进行模型训练，得到烧结机尾断面检测模型，然后利用训练得到的烧结机尾断面检测模型进行最佳断面检测，模型中包括循环神经网络模块，能够提取烧结机尾断面深层隐藏信息，这样，能够准确的检测出最佳机尾断面，提高生产效率，节约生产成本。

参见图4所示，本申请实施例公开了一种烧结机尾断面检测装置，包括：

样本获取模块11，用于获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息；

模型训练模块12，用于利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块；

断面检测模块13，用于当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。

可见，本申请实施例先获取训练样本集；其中，所述训练样本集包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本以及标签信息，之后利用所述训练样本集对预设初始模型进行训练，得到烧结机尾断面检测模型；其中，所述烧结机尾断面检测模型包括循环神经网络模块，最后当获取到待检测烧结机尾断面，则利用所述烧结机尾断面检测模型输出所述待检测烧结机尾断面对应的最佳断面检测结果。也即，本申请实施例先利用包括最佳烧结机尾断面样本、非最佳烧结机尾断面样本的训练样本集进行模型训练，得到烧结机尾断面检测模型，然后利用训练得到的烧结机尾断面检测模型进行最佳断面检测，模型中包括循环神经网络模块，能够提取烧结机尾断面深层隐藏信息，这样，能够准确的检测出最佳机尾断面，提高生产效率，节约生产成本。

其中，断面检测模块13，具体：包括：

断面分割子模块，用于将所述待检测烧结机尾断面进行分割，得到多组图像数据序列；

特征提取子模块，用于将所述多组图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图；

密集连接子模块，用于对所述多个特征图进行密集连接，得到多个特征向量；

特征融合子模块，用于将所述多个特征向量进行融合，得到融合向量；

检测结果获取子模块，用于将所述融合向量输入分类器，得到所述待检测烧结机尾断面对应的最佳断面检测结果。

进一步的，所述烧结机尾断面检测模型还包括多个密集连接处理模块，所述密集连接处理模块与所述循环神经网络模块的数量相同，并均依次排列，相应的，所述密集连接子模块，具体用于：

通过任一所述密集连接处理模块对输入该密集连接处理模块的特征图进行像素相加，得到该密集连接处理模块对应的特征向量；

其中，输入任一所述密集连接处理模块的特征图包括与该密集连接处理模块次序相同以及与该密集连接处理模块的前序密集连接处理模块次序相同的循环神经网络模块输出的特征图。

进一步的，特征融合子模块，具体包括：

第一全连接处理单元，用于对所述多个特征向量分别进行全连接处理，得到多个全连接处理后向量；

第二全连接处理单元，用于对所述多个全连接处理后向量进行全连接处理，得到融合向量。

进一步的，第二全连接处理单元，具体用于分别对多个权重参数以及多个全连接处理后向量进行权重相乘操作，得到多个权重相乘后向量；对所述多个权重相乘后向量进行全连接处理，得到融合向量。

在具体的实施方式中，断面分割子模块，具体包括：

分割方向确定单元，用于确定所述待检测烧结机尾断面对应的分割方向；

切面分割单元，用于基于所述分割方向对所述待检测烧结机尾断面进行分割，得到多组图像数据序列。

特征提取子模块，具体用于若任一组图像数据序列包括多个图像数据序列，则将该组图像数据序列处理为一维图像数据序列；将多个所述一维图像数据序列分别输入所述烧结机尾断面检测模型中的多个所述循环神经网络模块，得到多个特征图。

参见图5所示，本申请实施例公开了一种电子设备20，包括处理器21和存储器22；其中，所述存储器22，用于保存计算机程序；所述处理器21，用于执行所述计算机程序，前述实施例公开的烧结机尾断面检测方法。

关于上述烧结机尾断面检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

并且，所述存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。

另外，所述电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，所述电源23用于为所述电子设备20上的各硬件设备提供工作电压；所述通信接口24能够为所述电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；所述输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的烧结机尾断面检测方法。

关于上述烧结机尾断面检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种烧结机尾断面检测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。