[发明专利]一种基于图像分割的篦冷机料层厚度测量方法

说明书

本发明涉及一种基于图像分割的篦冷机料层厚度测量方法，包括以下步骤：首先将高温相机拍摄的篦冷机内部料层信息进行标注，标注后的图像输入深度学习图像分割模型，通过优化求解神经网络参数，得到分析模型；然后将模型部署到图像分析平台，实时预测篦冷机料层区域，通过对预测结果做高斯滤波和二值化处理，提取二值化处理后的图像下边缘信息，将边缘高度除以图像像素高度，得到料层相对厚度；最后将料层相对厚度作为被控变量传入控制回路，自动调整篦冷机运行速度，使篦冷机料层厚度处于尽量厚而又不会出现喷发吹透的稳定范围，从而提升篦冷机传热效率，增加经济环保效益。

技术领域

本发明涉及一种基于图像分割的篦冷机料层厚度测量方法。

背景技术

篦冷机是水泥生产过程中的关键设备，篦冷机料层厚度对篦冷机设备至关重要，料层太薄，则冷却风通过料层的时间太短，传热效率不高；料层太厚，会影响料床的透气性，进而出现局部喷发状的吹透，使大多冷却风从喷发位置吹走，未达到与熟料充分热交换的目的，换热效率也会降低；因此，篦冷机料层厚度的准确识别成为制约篦冷机控制和烧成系统换热效率的关键问题。

目前，篦冷机料层厚度有三种识别方式：一是通过与料层厚度相关的间接量(篦下压力、二次风温、篦冷机液压信号等)表征；二是通过传统图像处理提取料层边缘识别；三是通过机械装置直接测量；但以上三种方式均存在一定问题，对于间接量表征方法：间接量与料层厚度的模型比较复杂，呈现出非线性特点，且间接量与料层厚度关系受工况影响较大，料层厚度测量往往精度低，难以落地应用；对于传统图像边缘提取方法：输出结果波动性大，稳定性差，无法克服高温雾化等影响；对于机械装置直接测量方法：测量装置安装成本高，需要不断维护，且接触式测量对烧成熟料冷却和运输存在一定干扰，测量结果准确性低，因此，亟需等待解决。

发明内容

针对上述现有技术的现状，本发明所要解决的技术问题在于提供一种大幅度提升了识别精度和模型稳定性并有效提高了模型预测结果的准确性，进而可以达到稳定篦冷机料层厚度、节约用煤量、增强烧成系统换热效率目的基于图像分割的篦冷机料层厚度测量方法。

本发明解决上述技术问题所采用的技术方案为：一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，包括以下步骤：

S1:基于深度学习的图像分割网络模型离线训练；

S2:基于所述训练完成的图像分割模型实时对篦冷机内部图像实行图像分割；

将训练完成的分割模型在线部署至图像分析平台，同时，图像平台实时采集篦冷机内部图像数据，由图像分割模型对实时采集的篦冷机内部图像做分割处理，得到分割结果；

S3:分割结果后处理转换得到篦冷机料层厚度；

采用传统图像处理技术如最大连通区域识别、边缘提取等技术手段，对所述实时预测后的结果进行后处理得到篦冷机料层厚度。

优选地，所述步骤S1,采集高温相机拍摄的篦冷机内部图像信息，标注处理后，选择合适的图像分割模型训练并评估，具体包括但不限于以下内容与步骤顺序：

S11：离线采集高温相机拍摄的篦冷机内部图像信息；

S12：使用标注工具对所述篦冷机内部图像信息的料层区域或者未被料层覆盖的侧面墙壁区域标注；

S13：将所述标注完成的图像数据按照训练集、验证集和测试集做数据集划分；

S14：选择合适的图像分割神经网络模型，设置初始参数，如求解器、学习率、轮回次数等；

S15：将所述训练集和验证集图像信息输入所述图像分割模型，通过迭代优化得到收敛后的模型参数；