[发明专利]一种基于人工智能及图像处理的高炉损坏分析方法

权利要求书

1.一种基于人工智能及图像处理的高炉损坏分析方法，其特征在于：含有以下步骤：

步骤一，在炉口安装防高温红外相机采集炉内图像，在高炉旁边安装多个耐高温CCD相机采集炉表图像；

步骤二，将红外相机采集的红外图像送入训练好的语义感知网络，获取炉内边缘煤气流区域；

步骤三，提取边缘煤气流的温度分布特征数据来分析炉衬蚀损情况；

步骤四，提取炉壳表面特征对边缘煤气流特征数据进行补偿，融合多种特征分析炉衬蚀损程度；

步骤五，通过图像处理技术提取炉体表面裂纹特征向量；

步骤六，结合高炉炉衬蚀损程度及高炉炉表裂纹程度特征，构建高炉损坏程度分析模型。

2.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤一中炉口耐高温红外相机位于炉口边，采集炉内红外图像数据；同时在高炉四周布置多个工业CCD相机，相机高度位于炉体中间，对相机位置进行调整并固定，相邻相机之间拍摄范围有部分重合区域。

3.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤二中采用语义感知网络对炉内红外图像进行分割检测，首先人工制作标签数据，将边缘煤气流区域像素标注为1，其他区域像素标注为0，像素的标注需要根据人为经验进行标注；然后将图像数据以及标签数据均输入网络模型中，采用交叉熵损失函数对网络进行迭代训练。

4.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤三中获取炉内语义感知效果图后，将其作为掩膜，获取边缘煤气流的IR图像，得到边缘煤气流的温度分布情况，计算边缘煤气流区域的温度分布均值作为分析高炉炉衬蚀损度的特征数据。

5.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤四中对相机采集的图像进行去噪以及消除模糊处理后，对各帧图像设置ROI区域1为图像中的炉体炉腹部分，将炉体的炉腹发红度作为炉衬蚀损度分析的特征数据；炉腹发红度评估具体过程为：首先对所提取的ROI区域1进行通道分离，获取ROI区域1的R通道，计算该通道分量，记为R_n，代表第n帧图像中的ROI区域1的R通道分量值，构建高炉炉壳发红度的评估模型，分析高炉炉壳的发红程度：

其中，N为所选帧数，R_n代表第n帧图像中ROI区域1的R通道分量值，代表炉壳发红程度，炉壳图像中ROI区域1的R通道分量均值越大，则认为炉壳的发红度越高；将基于此特征数据对高炉炉衬蚀损度进行分析估计，构建炉衬蚀损度分析模型，得到高炉炉衬的腐蚀情况，高炉蚀损度分析模型函数表达式为：

式中K为模型可调参数，设置K为10，C为炉内炉衬的蚀损度。

6.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤五中首先对预处理后的炉体表面RGB图像进行分割，用像素阈值分割法将缺陷区域分割出来，再对高炉炉体裂纹缺陷程度中的裂纹占比特征、裂纹扩展性特征以及裂纹宽度特征进行评估：

其中裂纹占比特征获取过程为：根据裂纹分割二值图获取图像中裂纹的宽度、面积，记为w_m、s_m，通过图像处理的方式获取裂纹区域的最小外接矩形，将最小外接矩的长宽记为L_m、W_m，构建裂纹占比计算模型，用于计算图像中的裂纹占比：

裂纹扩展性特征分析模型表达式为：

式中τ_m为第m个裂纹的扩展性；根据高炉炉表裂纹的宽度特征、裂纹占比特征及其扩展性特征，构建裂纹严重程度估计模型，具体函数表达式为：

式中，D_m为第m个裂纹的严重程度，为整体分析高炉炉表的裂纹严重程度指标，将对所有的裂纹进行求和处理，得到判定整个高炉炉表裂纹严重程度指标的最终模型：

其中，m代表裂纹个数，D为整个高炉炉壳表面的裂纹严重程度指标，判定函数值越大，认为高炉炉表裂纹越严重。

7.根据权利要求1所述的基于人工智能及图像处理的高炉损坏分析方法，其特征在于：所述步骤六中结合高炉炉衬蚀损程度及高炉炉表裂纹严重程度，构建高炉损坏程度分析模型为：

式中，α、β权重值且α+β＝1，权重值的分配实施者可自行选取，本发明设置为α＝0.5、β＝0.5，δ代表高炉炉体损坏程度指标，所述模型函数值越大，则认为高炉炉体损坏程度越高，设高炉炉体损坏程度预设程度阈值δ_T，当高炉炉体损坏程度指标高于所设程度阈值时，即δδ_T，将认为高炉炉体损坏程度较大，系统将作出相应预警维修提示。