[发明专利]一种高炉崩料预测方法

权利要求书

1.一种高炉崩料预测方法，其特征在于，步骤包括：

S1:获取多个基准图像；

S2:获取待识别图像，和多个所述基准图像进行图像匹配，确认获取到的待识别图像是否为崩料的趋势；

其中S1步骤中，对崩料前图像多个特征进行特征提取作为模型训练，训练样本包括样本待识别图像、样本基准图像、样本图像轮廓清晰度、样本亮度信息和样本匹配度，将样本待识别图像和样本基准图像作为训练输入，样本图像轮廓、样本亮度信息和样本匹配度作为输出参考值，训练样本训练样本通过生成式对抗网络进行训练，对初始第一卷积层、初始第二卷积层以及初始生成式对抗网络进行训练，得到训练后的第一卷积层、第二卷积层以及生成式对抗网络；将所述样本基准图像输入到初始第一卷积层，将样本待识别图像输入到初始第二卷积层，将图像轮廓清晰度、样本亮度信息提取得到的结果分别输入生成式对抗网络，得到多个预测图像轮廓清晰度和预测亮度信息；通过对比损失函数对不同的层进行训练，利用图像在亮度与图像轮廓清晰度上的欧氏距离作为误差，利用样本图像与临界图像亮度与图像轮廓清晰度对比，确认样本图像的亮度和轮廓清晰度与临界图像之间的欧氏距离L，采用误差反向传播算法训练GAN生成式网络，直至欧氏距离值L达到预设的范围值。

2.如权利要求1所述的高炉崩料预测方法，其特征在于，用MSE作为网络的损失函数，欧拉距离L为通GAN生成式网络生成对比图像G_θ(V_i)与指定样本图像Uo之间的欧氏距离平方之和，表达式为：

其中，Vi为第i张图像亮度或轮廓清晰度，Uo为对应的临界图像亮度或轮廓清晰度，n为训练样本的总数，θ为GAN生成式网络中的参数，临界图像为选定趋向崩料图像，其亮度或轮廓清晰度为一个定值。

3.如权利要求1所述的高炉崩料预测方法，其特征在于，其中S2步骤中，通过MSE作为网络的损失函数，将待识别图像的图像亮度或轮廓清晰度与所有的基准图像做训练，确认欧拉距离L在预设的范围内；若欧拉距离L值小于等于预设值，则待识别图像表明可能出现崩料趋势；若欧拉距离L值大于预设值，则待识别图像表明处于正常燃烧状态。