[发明专利]一种基于视频智能算法的转炉喷溅预测方法及系统

权利要求书

1.一种基于视频智能算法的转炉喷溅预测方法，其特征在于，所述方法包括以下步骤：

采集转炉冶炼过程中炉口火焰连续图像信息；

对炉口火焰连续图像信息中发生喷溅的区间进行逐帧标记；

构建转炉喷溅预测模型，并对转炉喷溅预测模型进行训练优化；

根据训练优化后的转炉喷溅预测模型预测转炉冶炼过程是否发生喷溅；

转炉喷溅预测模型的构建包括有：

按照炉口火焰连续图像信息中任意时间点H的前N帧连续图像信息作为输入，后M帧连续图像信息中是否有喷溅标记作为输出的形式建立样本数据；其中，N与M为自然数；

构建与前N帧连续图像信息数量相对应的卷积神经网络，以使一个卷积神经网络对应一帧N帧连续图像信息；其中，构建出的每个卷积神经网络之间的参数共享；

利用构建出的卷积神经网络提取样本数据中前N帧连续图像信息中的火焰静态图像特征；根据火焰静态图像特征，构建与卷积神经网络数量相对应的循环神经网络，并利用所构建的循环神经网络提取与所述火焰静态图像特征具有时序变化的火焰动态特征。

2.根据权利要求1所述的基于视频智能算法的转炉喷溅预测方法，其特征在于：所述火焰静态图像特征包括有火焰亮度、火焰纹理、火焰颜色和火焰轮廓；

所述火焰动态特征包括有火焰亮度随时间变化的幅度、火焰亮度随时间变化的频率、火焰亮度随时间变化的范围、火焰纹理随时间的变化趋势、火焰纹理随时间的变化频率火焰纹理随时间的变化频率、火焰颜色随时间的变化趋势、火焰轮廓随时间的变化幅度和火焰轮廓随时间的变化频率。

3.根据权利要求1所述的基于视频智能算法的转炉喷溅预测方法，其特征在于：还包括有在构建转炉喷溅预测模型前，对完成逐帧标记的炉口火焰连续图像信息进行预处理，所述预处理包括有：

根据炉口火焰连续图像信息中喷溅区间内的火焰亮度，采用图形分割提取火焰亮度图像灰度值大于一预设图像灰度阈值的区域及火焰亮度图像灰度值大于所述预设图像灰度阈值的区域所对应的包络矩形；

以及，

对发生喷溅时间段的炉口火焰图像信息存储数据缩放至0至1的范围内。

4.根据权利要求1所述的基于视频智能算法的转炉喷溅预测方法，其特征在于：所述卷积神经网络CNN与所述循环神经网络RNN通过全连接神经网络FC连接；

且转炉喷溅预测模型预测转炉冶炼过程是否发生喷溅的结果通过全连接神经网络FC输出。

5.根据权利要求1所述的基于视频智能算法的转炉喷溅预测方法，其特征在于：采集炉口火焰连续图像信息时的视频帧率位于一帧率区间内，且所述帧率区间的最小值大于或等于一预设帧率阈值。

6.一种基于视频智能算法的转炉喷溅预测系统，其特征在于，所述系统包括有：

采集模块，用于采集转炉冶炼过程中炉口火焰连续图像信息；

标记模块，与采集模块连接，用于对炉口火焰连续图像信息中发生喷溅的区间进行逐帧标记；

预测模块，与标记模块连接，用于构建转炉喷溅预测模型，并对转炉喷溅预测模型进行训练优化，根据训练优化后的转炉喷溅预测模型预测转炉冶炼过程是否发生喷溅；

其中，预测模块构建转炉喷溅预测模型包括有：

按照炉口火焰连续图像信息中任意时间点H的前N帧连续图像信息作为输入，后M帧连续图像信息中是否有喷溅标记作为输出的形式建立样本数据；其中，N与M为自然数；

构建与前N帧连续图像信息数量相对应的卷积神经网络，以使一个卷积神经网络对应一帧N帧连续图像信息；其中，构建出的每个卷积神经网络之间的参数共享；

利用构建出的卷积神经网络提取样本数据中前N帧连续图像信息中的火焰静态图像特征；

根据火焰静态图像特征，构建与卷积神经网络数量相对应的循环神经网络，并利用所构建的循环神经网络提取与所述火焰静态图像特征具有时序变化的火焰动态特征。