申请/专利权人：东北大学

申请日：2021-02-09

公开（公告）日：2024-03-05

公开（公告）号：CN112819802B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/70;G06T5/90;G06V10/762;G06V10/74;G06V10/82;G06N3/0464;G06N3/08;G06T5/60

优先权：

专利状态码：有效-授权

法律状态：2024.03.05#授权;2021.06.04#实质审查的生效;2021.05.18#公开

摘要：本发明公开了基于风口信息深度学习的监督及预测高炉炉况异常的方法，包括：提取高炉风口图像，采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪预处理，采用灰度二值化算法与灰度上移相结合的方式增强图片对比度，然后对样本图像进行无监督分类且自动生成标签，构建风口图像数据库；建立TI‑ResNet模型提取高炉冶炼过程特征，最终利用训练好的TI‑ResNet模型，基于高炉实时或离线获得的风口监控数据，进行高炉实时或离线炉况监督和预测。本发明可实现闭环自动数据化、自动标签化、基于更新数据集自动训练建立的TI‑ResNet模型，并且可应用建立的智能算法和模型进行在线或离线炉况异常监督和预测。

主权项：1.基于风口信息深度学习的监督及预测高炉炉况异常的方法，其特征在于，包括如下步骤：S1.基于高炉风口回旋区监控数据，按特征频率提取风口图像，形成原始的风口图像数据集，预处理后存入数据库；其中预处理包括：采用自适应中值滤波与伽马变换相结合的方式对风口图像进行去噪处理，得到去噪风口图像样本；然后使用灰度二值化算法与灰度上移相结合的方式对去噪风口图像样本进行增强图片对比度处理，获得清晰的二值化图像，即图像质量提高后的风口图像样本；S2.基于无监督聚类方法对数据库中的风口图像数据集进行聚类和自动生成图像特征的类别标签，建立具有不同类别标签的风口图像样本数据库；采用谱聚类方法对S2中的二值化图像进行聚类和自动生成图像特征的标签，谱聚类方法具体为：对于n幅图像，建立亲和矩阵，其是一个n×n的矩阵，矩阵中的每个元素表示两两之间的相似性分数，进而对该谱矩阵特征分解得到特征向量完成降维，然后聚类，并且自动生成图像特征的标签，在预先不确定目标类别的情况下，以目标度量标准的相似性，在同一聚类之间最小化，而在不同聚类之间最大化，形成不同标签样本数据库，完成数据样本的自动标签化；S3.基于ResNet卷积神经网络，建立面向风口图像的深度神经网络预测模型TI-ResNet（TuyereImageResNet），利用TI-ResNet模型对S2中具有不同标签的风口图像样本数据库，进行特征学习，提取图像数据内样本特征，得到训练后深度学习监督及预测的TI-ResNet模型，存储训练后优化后的网络参数和高维权重矩阵；S4.基于步骤S3得到的TI-ResNet模型，以现场高炉生产的实时离线高炉风口回旋区监控数据作为输入数据对生产中的高炉炉况情况进行监督和预测，监控数据需要经过S1的图像预处理后，再输入TI-ResNet模型；另外将分类结果存入数据库中，形成更新的风口图像数据库，再按规定时间频率采用递增数据集形式经过S2-S3自学习、重构和优化，TI-ResNet模型基于数据库的更新状态，同时更新TI-ResNet模型的权重和参数。

全文数据：

权利要求：

百度查询： 东北大学 基于风口信息深度学习的监督及预测高炉炉况异常的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD