【技術實現步驟摘要】
本專利技術涉及高爐風口檢測，具體涉及一種高爐風口異常情況檢測算法、系統和存儲介質。
技術介紹
1、高爐風口是高爐送風系統的關鍵設備，也是確保高爐內部化學反應順利進行的重要部分，因此風口的狀態直接影響到高爐的生產效率、能源消耗以及最終產品的質量。
2、而在實際生產中，高爐風口在運行過程中則可能會出現多種異常情況，如風口掛渣、漏水、燒穿、斷煤等，這些異常情況若不能及時發現和處理，將會導致高爐操作的不穩定，甚至可能引發生產事故，造成巨大的經濟損失。
3、當前，常見的檢測手段主要依靠經驗豐富的技術工人進行觀察實現，而該方法存在巡查周期長、操作環境惡劣、無法實時反饋等問題，有鑒于此，為了提升高爐冶煉質量，降低人工成本，提出本專利技術創造。
技術實現思路
1、為此，本專利技術提供一種高爐風口異常情況檢測方法、系統和存儲介質，以解決現有技術中由于對高爐風口人工檢測而導致巡查周期長、反饋不及時的問題。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、根據本專利技術的第一方面；
4、本專利技術公開了一種高爐風口異常情況檢測方法，包括以下步驟：
5、連續采集高爐風口內的視頻數據、并將視頻數據按幀拆分為圖像數據；
6、通過風口異常檢測模型獲取圖像數據、并提取出圖像數據的圖像特征，其中，提取的圖像特征的主要為圖片的顏色、形狀、邊緣等特征；
7、更進一步的，將圖像特征與風口異常檢測模型的標準數據集進行比較
8、在一個可能的實施方式中，還包括在檢測之前對深度學習模型進行訓練，得到風口異常檢測模型，具體包括：
9、實時采集高爐風口的視頻數據，然后挑選出視頻數據中的部分正常視頻數據和全部異常視頻數據，在此基礎上，將正常視頻數據和異常視頻數據拆分為對應的正常圖像和異常圖像；
10、最后，根據定義好的標準數據集對正常圖像和異常圖形進行分類并標注，得到標注數據、并基于標注數據對深度模型進行訓練，得到風口異常檢測模型。
11、在一個可能的實施方式中，根據定義好的標準數據集對正常圖像和異常圖形進行分類并標注，得到標注數據，然后對標注數據進行數據增強。
12、進一步的，數據增強增強的方式包括顏色空間轉換、模糊、隨機裁剪、翻轉、增加對比度和遮擋。
13、在一個可能的實施方式中，在實時采集高爐風口的視頻數據后，還需要通過人工的方式，根據定義好的標準數據集對正常圖像和異常圖形進行分類并標注，得到標注數據。
14、在一個可能的實施方式中，深度學習模型包括卷積神經網絡模型和殘差神經網絡結構。
15、在一個可能實施方式中，還包括：
16、累積所述異常情況，得到累積異常數據；
17、根據所述累積異常數據調節所述風口異常檢測模型的參數，得到優化的所述風口異常檢測模型。
18、進一步的，所述掛渣是指風口邊緣不光滑，掛渣處長時間有灰度較大的暗區；
19、所述漏水是指風口邊緣出現暗區或水跡線，風口內部區域長時間變暗；
20、所述燒穿是指煤槍吹管黑暗區域出現異常明亮，所述明亮區域明顯變大，停煤后亮光消失；
21、所述斷煤是指風口邊緣光滑，風口內色澤明亮、無噴煤暗區。
22、本專利技術具有如下優點：
23、在本專利技術中，利用高爐風口異常情況檢測方法，能夠實時、并準確地檢測出風口的異常情況，并且對于環境復雜高爐風口，有助于獲取高質量、具有代表性的數據，結合對數據的預處理，可以實現構建一個能夠適應不同高爐條件、具有良好泛化能力的深度學習模型的目標，有利于之后實現提升高爐運行穩定性，降低維護成本，并增加數據的多樣性，為模型的泛化性能提供了保障。
24、根據本專利技術的第二方面，
25、公開了一種高爐風口異常情況檢測系統，應用以上提出的高爐風口異常情況檢測方法，其中，高爐風口異常情況檢測系統包括：
26、視頻拍攝裝置，適于多角度連續采集所述高爐風口內的視頻數據；
27、數據處理模塊，與所述視頻拍攝裝置通訊連接，所述數據處理模塊適于獲取所述視頻數據并將所述視頻數據按幀拆分為圖像數據，且通過風口異常檢測模型獲取所述圖像數據并提取出所述圖像數據的圖像特征，將所述圖像特征與所述風口異常檢測模型的標準數據集進行比較，輸出與所述標準數據集對應的異常情況；
28、本專利技術具有如下優點：
29、在爐風口異常情況檢測系統中，可以實時檢測風口視頻數據的異常情況，并為煉鐵工人提供智能化的檢測平臺，通過該系統不僅能對異常情況提供警報信息，還能對異常數據進行保存，由此利用通過積累大量的異常數據可反向調節模型，進一步增強模型的泛化性能，實現算法的檢測精度的不斷優化。
30、根據本專利技術的第三方面，
31、公開一種存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現如上提出的高爐風口異常情況檢測方法。
本文檔來自技高網...【技術保護點】
1.一種高爐風口異常情況檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的高爐風口異常情況檢測方法，其特征在于，還包括在檢測之前對深度學習模型進行訓練，得到所述風口異常檢測模型，具體包括：
3.如權利要求2所述的高爐風口異常情況檢測方法，其特征在于，根據定義好的所述標準數據集對所述正常圖像和所述異常圖形進行分類并標注，得到標注數據，之后還包括：對所述標注數據進行數據增強。
4.如權利要求3所述的高爐風口異常情況檢測方法，其特征在于，所述數據增強增強的方式包括顏色空間轉換、模糊、隨機裁剪、翻轉、增加對比度和遮擋。
5.如權利要求2至4中任一項所述的高爐風口異常情況檢測方法，其特征在于，通過人工的方式，根據定義好的所述標準數據集對所述正常圖像和所述異常圖形進行分類并標注，得到所述標注數據。
6.如權利要求1至4中任一項所述的高爐風口異常情況檢測方法，其特征在于，所述深度學習模型包括卷積神經網絡模型和殘差神經網絡結構。
7.如權利要求1至4中任一項所述的高爐風口異常情況檢測方法，其特征在于，還包括：>
8.如權利要求1至4中任一項所述的高爐風口異常情況檢測方法，其特征在于：
9.一種高爐風口異常情況檢測系統，其特征在于，應用如權利要求1至8中任一項所述的高爐風口異常情況檢測方法，高爐風口異常情況檢測系統包括：
10.一種存儲介質，其特征在于，存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至8中任一項所述的高爐風口異常情況檢測方法。
...【技術特征摘要】
1.一種高爐風口異常情況檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的高爐風口異常情況檢測方法，其特征在于，還包括在檢測之前對深度學習模型進行訓練，得到所述風口異常檢測模型，具體包括：
3.如權利要求2所述的高爐風口異常情況檢測方法，其特征在于，根據定義好的所述標準數據集對所述正常圖像和所述異常圖形進行分類并標注，得到標注數據，之后還包括：對所述標注數據進行數據增強。
4.如權利要求3所述的高爐風口異常情況檢測方法，其特征在于，所述數據增強增強的方式包括顏色空間轉換、模糊、隨機裁剪、翻轉、增加對比度和遮擋。
5.如權利要求2至4中任一項所述的高爐風口異常情況檢測方法，其特征在于，通過人工的方式，根據定義好的所述標準數據...
【專利技術屬性】
技術研發人員：袁杰，寧新澤，宋志剛，劉家志，董亞鋒，朱勇，崔汝偉，
申請(專利權)人：山東浪潮智能生產技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。