[发明专利]一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法

说明书

一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，首先对获取的吹炼渣图像、炉口火焰图像进行预处理，再利用VGG16网络构建迁移学习模型以预测出转炉吹炼渣后期图像；而后提取转炉吹炼渣后期图像特征信息作为支持向量机预测模型的输入，构建基于粒子群优化的支持向量机预测模型，用以预测铜转炉吹炼造渣期终点；最后提取炉口火焰图像特征信息作为校验模型输入，构建基于火焰图像特征信息的校验模型，以判别炉口火焰图像所处阶段，进而验证预测的铜转炉吹炼造渣期终点，本发明能够避免人工判断铜转炉吹炼造渣期终点存在的误差，有效提高铜转炉冶炼终点命中率，从而提高生产效率，降低成本。

技术领域

本发明涉及铜转炉吹炼自动化控制技术领域，尤其涉及一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法。

背景技术

铜转炉吹炼过程是间歇式的周期性作业，整个吹炼过程分为造渣期和造铜期两个阶段。判断铜转炉吹炼造渣期终点，是造渣期操作的一个重要环节，它是决定铜的直接回收率和造铜期能否顺利进行的关键。过早或过迟结束造渣期都是有害，过早结束造渣期易造成铜锍中的铁造渣不完全，从而导致造铜期生成Fe₃O₄，不仅延长造铜期吹炼时间，且易降低粗铜质量；过迟结束造渣期，会使FeO进一步氧化成Fe₃O₄，导致已造好的炉渣变粘，同时Cu₂S氧化产生大量的SO₂烟气使得炉渣喷出。

目前，造渣期终点判断主要依据人工判断，此方法不仅费时费力且容易出现误差，从而影响粗铜生产率，故造渣期终点的智能判断已经成为国内外学者的研究重点。现有的智能判断方法有：仪器测定法、物料平衡与神经网络结合预测法。

仪器测定法通过收集造渣期PbO和PbS的强度，利用造渣期PbO/PbS光谱强度的相对变化来判断造渣期终点，此方法虽然简洁有效，但使用的仪器价格昂贵且容易损坏；物料平衡与神经网络相结合的方法为建立神经网络模型，并提取影响造渣期终点的因素作为输入，神经网络模型输出预测的造渣期终点，此方法虽算法复杂、计算量大，但为进一步研究利用模式识别与图像处理结合方法判断造渣期终点打下基础。

随着卷积神经网络与图像处理技术的日趋成熟，如何将卷积神经网络与图像处理技术应用于铜转炉吹炼造渣期终点进行智能判断并进行校验已经成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，以解决上述背景技术中存在的问题。

本发明所解决的技术问题采用以下技术方案来实现：

一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，具体步骤如下：

步骤1)获取造渣期前期、中期、后期的吹炼渣图像，并对吹炼渣图像进行预处理

利用工业相机采集吹炼渣图像，在对吹炼渣图像去噪和分割后，进行归一化处理；

步骤2)将步骤1)中预处理后的吹炼渣图像作为迁移学习模型的输入进行训练，构建基于VGG16卷积神经网络的迁移学习模型，利用卷积神经网络用于分类特征功能，预测出转炉吹炼渣后期图像

首先载入VGG16卷积神经网络，而后将步骤1)中预处理后的吹炼渣图像作为迁移学习模型的输入进行训练，经由卷积神经网络的特征抽取器提取吹炼渣图像特征，最终识别出吹炼渣图像在铜转炉造渣期的状态(前期、中期、后期)，并预测出吹炼渣后期图像，最后采集新的吹炼渣图像进行预处理后送入训练完成的迁移学习模型中，以判断预测结果，为进一步判断铜转炉吹炼造渣期终点奠定基础；

步骤3)对步骤2)得到的吹炼渣后期图像进行预处理，提取预处理后的吹炼渣后期图像特征信息，吹炼渣后期图像特征信息包括图像的形状、颜色、纹理特征；