[发明专利]基于卷积神经网络的智能钢渣检测方法和系统

说明书

本发明公开了一种基于卷积神经神经网络的智能钢渣检测方法和系统，包括钢渣图像识别、钢流目标检测、彩色钢渣图像分割步骤：以视频帧图像中的彩色钢渣图像为对象，采用基于改进的AlexNet卷积神经网络的图像识别方法识别出彩色钢渣图像；对彩色钢渣图像中的钢流信息进行检测，通过基于YOLOv3卷积神经网络的目标检测方法，将钢流从复杂的背景中检测出来，从而准确检测出钢流夹渣情况；基于Lab颜色空间的K均值聚类算法对彩色图像进行预处理并采用改进的Otsu图像分割算法，将钢渣从钢水中完全分离。利用可视化用户界面系统，进行钢渣可视化检测。本发明简便易行成本低，能够将钢渣和钢水进行区分，避免误检，提高钢渣图像的实时识别精度，提高钢水的纯净度。

技术领域

本发明属于钢渣检测技术领域，具体涉及一种基于卷积神经网络的智能钢渣检测方法和系统。

背景技术

要产生高质量、高附加值的钢铁，严格控制钢渣进入下一道工序是必不可少的，如铁水脱硫扒渣和转炉炼钢是炼钢过程中不可或缺的工艺环节。铁水脱硫扒渣是铁水预处理工艺。脱硫过程需加入脱硫剂，脱硫后会在铁水表面漂浮一层残渣，在铁水入炉前，需要用扒渣机将料渣扒出。铁水脱硫决定了处理终点铁水含硫的水平，而扒渣是将脱硫处理后的高硫渣从铁水中去除的重要手段，是决定入炉硫总量的主要因素。为了满足转炉对高质量铁水的需求、缩短冶炼时间以及有效去除钢渣，因此在转炉炼钢之前检测出铁水中的钢渣是十分必要的。因此，在铁水脱硫扒渣以及转炉炼钢工艺环节中，检测出钢水中的钢渣也具有重要意义。

目前国内外钢渣检测的方法很多，如人眼观测法、称重检测法、电磁检测法、超声波检测法、红外检测法。而在这些方面应用中都或多或少的存在一些不足。人眼观测法具有较大的主观性，需要操作工人具有丰富的操作经验；称重检测法主要以多次浇注的钢水质量的平均值作为参考值来选择是否关闭水口，参考值将直接影响检测结果，设置过高导致钢流含渣超标，设置过低导致资源浪费；电磁检测方法要在出钢口附近安装特质线圈，由于出钢口温度高，导致该线圈使用寿命短，因此改造和维护费用很高；超声波检测方法使用的探头工作环境温度高达1500℃左右，改造费用以及恶劣的环境对设备维护费用提出较高的要求；红外检测法在检测中钢流不能被遮挡，为了避免钢流的遮挡情况发生，必须除去长水口，而这样就会引起钢水的二次氧化；由于炼钢现场的环境恶劣，存在多种外界振动干扰信号，其检测的准确率容易受到影响。

此外，视觉检测在钢渣检测的应用，如红外检测方法，目前在图像处理阶段一般是用分割方法进行，也只能把钢渣和钢水一起检测出来，并没有达到最终目的，因而对钢渣检测的效果并不理想。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经神经网络的智能钢渣检测方法和系统，简便易行成本低，能够将钢渣和钢水进行区分，避免误检，提高钢渣图像的实时识别精度，提高钢水的纯净度。

为解决上述技术问题，本发明提供如下技术方案：

一种基于卷积神经神经网络的智能钢渣检测方法，其特征在于包括如下顺次执行的步骤：

钢渣图像识别：利用红外探测器和摄像机，获取包含钢流和钢渣亮度信息的钢渣视频帧图像；以视频帧图像中的彩色钢渣图像为对象，采用基于改进的AlexNet卷积神经网络的图像识别方法识别出彩色钢渣图像；

钢流目标检测：对彩色钢渣图像中的钢流信息进行检测，通过基于YOLOv3卷积神经网络的目标检测方法，将钢流从复杂的背景中检测出来，从而降低复杂背景对检测目标的影响；

彩色钢渣图像分割：针对彩色钢渣图像目标与背景区域颜色存在较大差异以及钢渣亮光被误分割为钢渣的问题，基于Lab颜色空间的K均值聚类算法对彩色图像进行预处理并采用改进的Otsu图像分割算法，将钢渣从钢水中完全分离。

进一步的，钢渣图像识别步骤中，基于改进的AlexNet卷积神经网络的图像识别方法具体包括以下步骤：