一种基于料面火焰图像的高炉炉况预测方法及相关设备

技术领域

本申请涉及控制科学与工程技术领域，特别涉及一种基于料面火焰图像的高炉炉况预测方法及相关设备。

背景技术

钢铁工业作为我国的基础原材料工业和国民经济的重要支柱产业，长期面临着资源利用率低、环境负荷重等重大共性问题。高炉是进行钢铁制造流程的关键设备，是铁素物质流转换的核心单元，是钢铁制造过程中能耗最大和生产成本最高的环节，约占钢铁综合能耗和钢铁制造总成本的60％-70％。高炉生产过程中，布料是最为主动和关键的操控手段，其决定着炉内炉料和煤气流的分布，其中，高炉布料操作的重要参考依据为高炉炉内情况以及冶炼状态。

然而，高炉作为一个高温、高压、强粉尘以及密闭无光的大型逆流反应器，其内部环境时时刻刻发生着复杂剧烈的物理化学反应，使得工业中大部分检测装置均无法有效的应用于高炉内部炉况监测，进而使得高炉炉况普遍是依赖人力观察和记录。但是，由于高炉内部环境的恶劣性、复杂性等典型特征，以及不同人对高炉炉内状态判断标准不一致，导致现场操作人员对高炉炉况监测往往不够及时准确，难以辅助实现定点定量布料。

发明内容

本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于料面火焰图像的高炉炉况预测方法及相关设备。

为了解决上述技术问题，本申请实施例第一方面提供了一种基于料面火焰图像的高炉炉况预测方法，所述的预测方法包括：

获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值；

基于所述动态边界阈值，确定所述炉内图像中的火焰区域；

获取所述火焰区域的区域参数以及所述炉内图像的图像参数；

基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述炉内图像为覆盖待预测高炉料面的工业高温内窥镜拍摄得到的。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述区域参数至少包括火焰区域的区域周长以及区域面积，所述图像参数包括图像清晰度以及图像变化率。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述图像变化率的获取过程具体为：

获取所述炉内图像的前序图像，并基于所述前序图像以及所述炉内图像确定所述炉内图像对应的图像变化率。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述高炉炉况包括正常炉况、悬料炉况、斜料炉况或塌料炉况。

所述基于料面火焰图像的高炉炉况预测方法，其中，基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值具体包括：

基于所述炉内图像的图像直方图确定所述炉内图像对应的若干初始阈值；

基于若干所述初始阈值对所述图像直方图进行高斯曲线拟合，以得到直方图拟合曲线；

基于所述直方图拟合曲线，确定所述炉内图像对应的若干分割阈值，并在若干分割阈值中选取动态边界阈值。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述若干图像区域包括火焰区域、料面区域以及炉壁区域；所述若干分割阈值包括用于划分火焰区域与料面区域的动态边界阈值以及用户划分料面区域以及炉壁区域的参考边界阈值。

所述基于料面火焰图像的高炉炉况预测方法，其中，所述方法还包括：

基于所述若干分割阈值将所述炉内图像划分为若干图像区域；

分别对每个图像区域进行线性拉伸以增强所述炉内图像，并呈现增强后的炉内图像，其中，各图像区域各自对应的线性拉伸的拉伸程度不同。

本申请实施例第二方面提供了一种述基于料面火焰图像的高炉炉况预测装置，所述的预测装置包括：

第一获取模块，用于获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值；

确定模块，用于基于所述动态边界阈值，确定所述炉内图像中的火焰区域；

第二获取模块，用于获取所述火焰区域的区域参数以及所述炉内图像的图像参数；

预测模块，用于基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。

本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于料面火焰图像的高炉炉况预测方法中的步骤。

本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如上任一所述的基于料面火焰图像的高炉炉况预测方法中的步骤。

有益效果：与现有技术相比，本申请提供了一种基于料面火焰图像的高炉炉况预测方法及相关设备，所述预测方法包括获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值；基于所述动态边界阈值，确定所述炉内图像中的火焰区域；获取所述火焰区域的区域参数以及所述炉内图像的图像参数；基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。本申请通过获取炉内图像，并基于动态边界阈值确定炉内图像对应的火焰区域，然后基于火焰区域的区域参数以及炉内图像的图像参数，通过分类模型来预测高炉炉况，提高了高炉炉况的预测准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的基于料面火焰图像的高炉炉况预测方法的流程图。

图2为本申请提供的基于料面火焰图像的高炉炉况预测方法的流程示意图。

图3为本申请提供的基于料面火焰图像的高炉炉况预测方法的流程示例图。

图4为本申请提供的基于料面火焰图像的高炉炉况预测方法中的区域参数获取的流程示意图。

图5为本申请提供的基于料面火焰图像的高炉炉况预测装置的结构原理图。

图6为本申请提供的终端设备的结构原理图。

具体实施方式

本申请提供一种基于料面火焰图像的高炉炉况预测方法及相关设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

发明人经过研究发现，钢铁工业作为我国的基础原材料工业和国民经济的重要支柱产业，长期面临着资源利用率低、环境负荷重等重大共性问题。高炉是进行钢铁制造流程的关键设备，是铁素物质流转换的核心单元，是钢铁制造过程中能耗最大和生产成本最高的环节，约占钢铁综合能耗和钢铁制造总成本的60％-70％。高炉生产过程中，布料是最为主动和关键的操控手段，其决定着炉内炉料和煤气流的分布，其中，高炉布料操作的重要参考依据为高炉炉内情况以及冶炼状态。

然而，高炉作为一个高温、高压、强粉尘以及密闭无光的大型逆流反应器，其内部环境时时刻刻发生着复杂剧烈的物理化学反应，使得工业中大部分检测装置均无法有效的应用于高炉内部炉况监测，进而使得高炉炉况普遍是依赖人力观察和记录。但是，由于高炉内部环境的恶劣性、复杂性等典型特征，以及不同人对高炉炉内状态判断标准不一致，导致现场操作人员对高炉炉况监测往往不够及时准确，难以辅助实现定点定量布料。

为了解决上述问题，在本申请实施例中，获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值；基于所述动态边界阈值，确定所述炉内图像中的火焰区域；获取所述火焰区域的区域参数以及所述炉内图像的图像参数；基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。本申请通过获取炉内图像，并基于动态边界阈值确定炉内图像对应的火焰区域，然后基于火焰区域的区域参数以及炉内图像的图像参数，通过分类模型来预测高炉炉况，提高了高炉炉况的预测准确性。

下面结合附图，通过对实施例的描述，对申请内容作进一步说明。

本实施例提供了一种基于料面火焰图像的高炉炉况预测方法，如图1、图2、图3以及图4所示，所述方法包括：

S10、获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值。

具体地，待预测高炉上设置有工业高温内窥镜，工业高温内窥镜覆盖待预测高炉的料面，以通过工业高温内窥镜获取待预测高炉的炉内图像。其中，工业高温内窥镜通过高炉的内窥孔每间隔预设时间采集一次炉内图像，所述炉内图像至少可以包括待预测高炉内的火焰所形成的图像区域以及料面所形成的图像区域。此外，预设时间可以根据时间需求设置的，用于控制工业高温内窥镜的采集频率，以使得工业高温内窥镜每间隔预设时间获取到一张炉内图像。例如，预设时间为1秒，0.5秒等。

所述动态边界阈值用于作为图像分割的分割阈值，基于动态边界阈值可以确定炉内图像中的火焰区域。其中，所述动态边界阈值为基于炉内图像确定的，而工业高温内窥镜每个拍摄时刻拍摄的炉内图像不同，从而可以使得各炉内图像各自对应的动态边界阈值不同，从而可以提高后续基于动态边界阈值确定的火焰区域的准确性。

在本实施例的一个实现方式中，所述基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值具体包括：

基于所述炉内图像的图像直方图确定所述炉内图像对应的若干初始阈值；

基于若干所述初始阈值对所述图像直方图进行高斯曲线拟合，以得到直方图拟合曲线；

基于所述直方图拟合曲线，确定所述炉内图像对应的若干分割阈值，并在若干分割阈值中选取动态边界阈值。

具体地，所述图像直方图为用于反映炉内图像中亮度分布的直方图，标会了图像中每个亮度值的像素数。可以理解的是，图像直方图为炉内图像中亮度分布的表现形式，并且每个反映了每个亮度值所具有的像素个数。例如，假设炉内图像的亮度值通过炉内图像的灰度值来反映，炉内图像的灰度值的取值范围为0-255，将0-255等分为若干子区域，每个子区域的区域上限值于下限值的差均为15，然后统计每个子区域度影的的像素数目，以得到炉内图像对应的图像直方图。

在获取到图像直方图后，可以基于图像直方图获取若干初始阈值，其中，若干初始阈值的阈值数量与炉内图像待被划分的图像区域的区域数量相对应。可以理解的是，待被划分的图像区域可以基于若干初始阈值划分得到，其中，若干初始阈值的阈值数量比待被划分的图像区域的区域数量少1。在一个具体实现方式中，炉内图像为对待预测高炉炉内进行拍摄得到，并且用于拍摄炉内图像的工业高温内窥镜覆盖待预测高炉的料面，从而拍摄得到的炉内图像包括火焰区域、料面区域以及炉壁区域，并且火焰区域、料面区域以及炉壁区域的亮度不同。由此，在确定图像直方图后，可以通过小尺寸窗口平滑消除部分局部极值，然后对消除局部极值的图像直方图计算局部极大值和极小值，最后删除距离小于约束值的极值，并筛选出覆盖面积最大的k个极值及其边界作为初始阈值，其中，所述约束值可以为根据实际需求设定的。

在本实施例的一个典型实现方式中，所述若干图像区域包括火焰区域、料面区域以及炉壁区域，所述若干初始阈值包括第一初始阈值和第二初始阈值，其中，第一初始阈值用于确定炉壁区域，第二初始阈值用于确定火焰区域。也就是说，在基于第一初始阈值对炉内图像进行划分时，可以划分得到炉壁区域和第一参考图像区域，在基于第二初始阈值对炉内图像进行划分时，可以划分得到火焰区域以及第二参考区域，那么在基于第一初始阈值和第二初始阈值对炉内图像进行划分时，可以将待处理图像划分为炉壁区域、料面区域以及火焰区域。

在本实施例的一个实现方式中，在获取到若干初始阈值后，可以采用STA算法、粒子群算法或者遗传算法等对图像直方图进行高斯曲线拟合，以得到直方图拟合曲线，然后基于拟合得到的直方图拟合曲线确定不同峰值间的阈值，以得到若干分割阈值。

在本实施例的一个实现方式中，由于炉内图像包括炉壁区域、料面区域以及火焰区域，而炉壁区域、料面区域以及火焰区域的亮度特征不同，从而在基于获取分割阈值确定得到炉壁区域、料面区域以及火焰区域后，可以分别对炉壁区域、料面区域以及火焰区域进行不同程度的线性拉伸，在保留炉壁区域、料面区域以及火焰区域的像素纹理的真实性的情况下，还可以增强炉内图像的对比度以及纹理信息，从而可以提高呈现给用户的炉内图像的清晰度，并且便于用户识别炉壁区域、料面区域以及火焰区域。

基于此，在本实施例的一个实现方式中，所述基于料面火焰图像的高炉炉况预测方法还包括：

基于所述若干分割阈值将所述炉内图像划分为若干图像区域；

分别对每个图像区域进行线性拉伸以增强所述炉内图像，并呈现增强后的炉内图像。

具体地，所述若干图像区域包括火焰区域、料面区域以及炉壁区域；所述若干分割阈值包括用于划分火焰区域与料面区域的动态边界阈值以及用户划分料面区域以及炉壁区域的参考边界阈值，其中，各图像区域各自对应的线性拉伸的拉伸程度不同。

S20、基于所述动态边界阈值，确定所述炉内图像中的火焰区域。

具体地，所述火焰区域包括于所述炉内图像中，并且为待预测高炉内的火焰所形成的图像区域，其中，在基于动态边界阈值确定火焰区域时，可以采用二值分割法对炉内图像进行分割，以将炉内图像分割为火焰区域以及背景区域，背景区域包括料面区域和炉壁区域。

S30、获取所述火焰区域的区域参数以及所述炉内图像的图像参数。

具体地，所述区域参数至少包括火焰区域的区域周长以及区域面积，所述图像参数包括图像清晰度以及图像变化率。其中，所述区域周长可以基于火焰区域的边缘长度确定，也就是说，在获取到火焰区域后，可以提取火焰区域的火焰边缘，然后确定所述火焰边缘的边缘长度以得到区域周长。在本实施例的一个实现方式中，火焰区域可以包括若连通区域，区域周长为每个连通区域的区域周长的和，区域面积为每个连通区域的区域面积的面积和。

在本实施例的一个实现方式中，所述图像变化率的获取过程具体为：

获取所述炉内图像的前序图像，并基于所述前序图像以及所述炉内图像确定所述炉内图像对应的图像变化率。

具体地，所述前序图像与所述炉内图像为同一图像采集装置拍摄得到的，例如，同为装配于待预测高炉上的工业高温内窥镜采集得到。前序图像的采集时间早于炉内图像的采集时间，并且前序图像与炉内图像为相邻图像。可以理解的是，炉内图像不为首张图像，前序图像为按照采集顺序与炉内图像相邻且位于炉内图像之前的图像，即前序图像为炉内图像的前一采集时刻的炉内图像。

S40、基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。

具体地，所述分类模型为经过训练的网络模型，分类模型的输入项为区域参数和图像参数，输出项为高炉炉况。也就是说，通过分类模型可以预测待预测高炉的高炉炉况，所述高炉炉况包括正常炉况、悬料炉况、斜料炉况或塌料炉况。如图3所示，所述分类模型的训练过程具体可以为获取训练样本集，其中，训练样本集中的每个训练样本均包括火焰区域的区域参数、图像清晰度以及图像变化率，然后将训练样本输入预设分类模型，通过预设分类模型预测训练样本对应的预测高炉炉况，然后基于预测高炉炉况以及训练样对应的真实高炉炉况对预设分类模型进行训练，以得到经过训练的分类模型。其中，预测分类模型可以采用决策树、支持向量机、贝叶斯等分类算法。

基于所述基于料面火焰图像的高炉炉况预测方法，本实施例提供了一种述基于料面火焰图像的高炉炉况预测装置，如图5所示，所述的预测装置包括：

第一获取模块100，用于获取待预测高炉的炉内图像，并基于所述炉内图像的图像直方图确定所述炉内图像对应的动态边界阈值；

确定模块200，用于基于所述动态边界阈值，确定所述炉内图像中的火焰区域；

第二获取模块300，用于获取所述火焰区域的区域参数以及所述炉内图像的图像参数；

预测模块400，用于基于所述区域参数以及所述图像参数，通过经过训练的分类模型预测所述待预测高炉的高炉炉况。

基于上述基于料面火焰图像的高炉炉况预测方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于料面火焰图像的高炉炉况预测方法中的步骤。

基于上述基于料面火焰图像的高炉炉况预测方法，本申请还提供了一种终端设备，如图6所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。