[发明专利]一种基于神经网络的球团矿质量智能评级方法及装置

说明书

本发明公开了一种基于神经网络的球团矿质量智能评级方法及装置，涉及磁铁矿氧化球团技术领域。该方法包括：S1、制备球团矿，获取光镜球团矿图片；S2、对光镜球团矿图片进行中值滤波；S3、对中值滤波后的光镜球团矿图片进行HSV变换；S4、对HSV变换后的光镜球团矿图片进行Gamma校正；S5、将校正后的光镜球团矿图片输入改进的U‑Net神经网络中，得到光镜球团矿图片的微观特征；S6、将微观特征输入BP神经网络中，得到球团矿对应的等级。采用本发明，可以避免人为操作的误差，保证评价指标的精度，实现球团矿强度性能及冶金性能指标的预测，为球团矿优化调控奠定了基础。同时也为优化球团矿烘烧工艺，为改善球团矿强度提供了新的思路和方法。

技术领域

本发明涉及磁铁矿氧化球团技术领域，特别是指一种基于神经网络的球团矿质量智能评级方法及装置。

背景技术

球团生产工艺是人造块状原料的一种方法，是一个将粉状物料变成物理性能和化学成分以及冶金性能均能够满足下一步加工要求的过程。生产球团的过程中，物料不仅由于滚动成球和粒子密集而发生物理性质上的变化，如密度，孔隙率，形状，大小等变化，更重要的是发生了化学变化，如化学组成，还原性，膨胀性等变化，所以可以通过物理层面的变化，改变化学和物理化学性质，进而提高球团矿冶金性能。

球团矿是高炉炼铁的主要原料，其质量直接影响着高炉冶炼技术经济指标，我国从钢铁大国走向钢铁强国，离不开球团矿的产能发展和质量的提高。球团矿质量包括化学成分，物理性能和冶金性能三个方面，其质量与球团的矿物组成，性质以及微观结构有着密切的关系，球团矿的矿相微观结构和分布对其冶金性能影响显著，因此分析和测定球团矿的宏观组成与微观结构对提高球团矿的质量至关重要。

随着计算机技术和人工智能技术的迅猛发展，卷积神经网络相比于其他机器学习算法，能够自动提取目标特征，发现样本其中的特征规律，解决了手动提取特征效率低下，分类准确率低的不足，因此卷积神经网络被广泛运用于图像分类，目标检测，语义分割等领域，取得了瞩目的成就。

根据文献调研，却鲜有文献对球团矿采用卷积神经网络来对其进行性能评价以及预测球团矿的微观结构与宏观性能之间的解析。文献(张丽艳.PCA与CNN 耦合算法研究及在矿相识别中的应用[D].华北理工大学,2020.)他们采用了一种PCA和CNN的耦合算法模型并将其应用到球团矿的特征提取和识别中。PCA实现主特征提取，传统CNN算法自动获取矿相特征，以此来实现球团矿等级的预测。文献(吕硕,冯毅博,张少磊,吴新举,王禹航.基于图像识别对矿相特征的提取和分析[J].中国设备工程,2018(20):132-134.)通过对球团矿特征进行分析，进而探索球团矿的矿相特征和碱度，矿物元素的关系。文献(苏步新.基于综合图像处理技术的烧结矿矿物组成的定量分析[J].矿冶,2015,24(S1):64-70+74.)他们将各种矿相的显微结构照片，经过图像处理，得出不同试样矿相纹理特征的差别，来对矿相进行识别和计算。

以上的这些研究为球团矿的特征及其冶金性能的定量和定性分析提供了研究思路。但是先前的这些研究，没有考虑到现场环境的变化对图片造成的影响。因为图片在不同的亮度和对比度的情况下，图片的灰度变化会对提取的特征造成影响，从而产生不一样的预测结果。以上的研究普适性较差。

发明内容

为了解决现有技术中没有考虑到现场环境的变化对图片造成的影响导致预测结果不准的问题，本发明实施例提供了一种基于神经网络的球团矿质量智能评级方法及装置。为解决上述技术问题，本发明提供如下所述技术方案如下：

一方面，提供了一种基于神经网络的球团矿质量智能评级方法，该方法由电子设备实现，该方法包括：

S1、制备球团矿，获取光镜球团矿图片；

S2、对所述光镜球团矿图片进行中值滤波；

S3、对中值滤波后的光镜球团矿图片进行HSV变换；

S4、对HSV变换后的光镜球团矿图片进行Gamma校正；