[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

说明书

本发明公开了一种基于人工智能及图像处理的高炉损坏分析方法，改善了现有技术中高炉损坏程度仍需智能化识别的问题。该发明含有以下步骤：在炉口和炉旁边安装多个耐高温CCD相机采集炉表图像；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；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；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；通过图像处理技术提取炉体表面裂纹特征向量；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。该技术针对高炉破损程度，结合炉衬、炉壳以及炉体表面缺陷特征，构建数学模型对高炉破损程度进行分析。

技术领域

本发明涉及人工智能计算机视觉处理领域，特别是涉及一种基于人工智能及图像处理的高炉损坏分析方法。

背景技术

高炉的破损程度主要体现在炉衬、炉体、炉壳、炉缸等损坏情况，对于破损程度较大的高炉，如果不及时进行维修或改建，将会造成重大安全事故问题，降低高炉冶炼产品质量。目前对于高炉破损程度分析以及寿命的评价，主要通过操作工观察炉况以及监视高炉炉缸内部布料矿物反应状况，来分析高炉使用情况，进一步对高炉破损度进行评估。该方法准确性低，且不具有实时性，浪费人力，工作效率较低。高炉炼铁是钢铁企业炼钢、铸铁等工艺的基础保障，高炉运行质量的好坏直接关系着企业的效益，高炉能否高效长寿运行越来越受到各国钢铁企业的重视。

发明内容

本发明克服了现有技术中高炉损坏程度仍需智能化识别的问题，提供一种维护成本低，智能识别程度高的基于人工智能及图像处理的高炉损坏分析方法。

本发明的技术解决方案是，提供一种具有以下步骤的基于人工智能及图像处理的高炉损坏分析方法：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。

优选地，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。

优选地，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。

优选地，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。

优选地，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：