[发明专利]一种用于高炉料面图像的识别与分类方法

说明书

本发明公开了一种用于高炉料面图像的识别与分类方法，该方法包括采用去噪卷积神经网络算法对料面数据集图像去噪处理；将去噪的料面数据集分成都包含7类的训练集图像和测试集图像；采用方向梯度直方图算法对训练集每一类图像提取特征，同时采用方向梯度直方图算法对测试集每一类图像提取特征；将训练集图像特征采用多分类支持向量机算法设计分类器，得到属于该料面数据集图像的分类器；将测试集图像特征加入到训练好的分类器中；对测试集图像进行分类，计算识别准确率；本发明的一种用于高炉料面图像的识别与分类方法，对料面图像中的条纹噪声有很好的去除效果，并且具有计算简单、速度快，能够快速准确实现对高炉料面的图像中的炉况进行识别以及分类的优点。

技术领域

本发明属于图像处理技术领域，尤其涉及一种用于高炉料面图像的识别与分类方法。

背景技术

高炉内部是一个高温、高压、高粉尘的密闭环境，导致拍摄的高炉料面煤气流分布的图像细节不清晰，存在料面轮廓不明显等缺点，高炉现场操作人员不能获得准确清晰的煤气流分布图像，进而不能对煤气流分布图像准确的识别。中国专利公开号CN104778432A，公开日2015年07月15日，发明创造的名称为图像识别方法，该申请案公开了一种识别应用水平和垂直条纹交织的明暗阴影来表示字符的图片的图像识别方法，其不足之处是该发明并不能够对高炉料面煤气流分布图像进行快速准确的识别，因此在除水平和垂直条纹交织的明暗阴影来表示字符的图片以外的其他图像识别上缺乏可实施性。

发明内容

本发明的主要目的在于提供一种用于高炉料面图像的识别与分类方法。

一种用于高炉料面图像的识别与分类方法，其特征在于，包括采用去噪卷积神经网络算法对料面数据集图像去噪处理；将去噪的料面数据集图像分成都包含7类的训练集图像和测试集图像，其中，训练集图像每类600张，测试集图像每类100张；采用方向梯度直方图算法对训练集每一类图像提取特征，同时采用方向梯度直方图算法对测试集每一类图像提取特征；将训练集图像特征采用多分类支持向量机算法设计分类器，得到属于该料面数据集图像的分类器；将测试集图像特征加入到训练好的分类器中；对测试集图像进行分类，计算识别准确率。

所述的一种用于高炉料面图像的识别与分类方法，其特征在于包括以下具体步骤：

（1）采用去噪卷积神经网络算法对料面数据集图像去噪处理，在输入端将原图像进行降采样处理，处理后的为原图像的四分之一，然后将这四部分子图像和标准差为50的噪声水平图同步输入到卷积神经网络，得到表面光滑的图像；

经过处理之后的图像都很好的保证了图像细节，并去除图像中由于视频传输过程引起的条纹噪声，避免了后面的图像特征提取将条形噪声也作为图像的特征；

（2）将去噪的料面数据集图像分成都包含7类的训练集图像和测试集图像：

①当高炉料面图像为无边缘煤气流、无中心煤气流、无连通区域时，炉况为全黑料面，闭炉状态；

②当高炉料面图像为有边缘煤气流、有小面积中心煤气流时，炉况为正常燃烧初期；

③当高炉料面图像为有边缘煤气流、有大面积中心煤气流时，炉况为正常燃烧中期；

④当高炉料面图像为无边缘煤气流、有大面积中心煤气流和连通区域时，炉况为崩料状态；

⑤当高炉料面图像为无边缘煤气流、有小面积中心煤气流时，炉况为仅含中心煤气流；

⑥当高炉料面图像为有边缘煤气流、有毛刺干扰时，炉况为粉尘浓度过高；

⑦当高炉料面图像为有边缘煤气流、无中心煤气流时，炉况为矿石量少；

其中，训练集图像每类600张，测试集图像每类100张；

（3）采用方向梯度直方图算法对训练集每一类图像提取特征，同时采用方向梯度直方图算法对测试集每一类图像提取特征，方向梯度直方图算法步骤为：