一种机器视觉铁口状态识别方法与流程

1.本发明涉及冶金高炉炼铁技术领域，具体是机器视觉铁口状态识别方法。


背景技术：

2.钢铁不论是在楼层建造还是在铁路建设中，都是不可缺少的一种重要资源。对于钢铁的制造而言有着基本有两个流程，其中一项重要的流程生产生铁，高炉炼铁即是中国主要使用的炼铁工艺。
3.目前高炉炼铁现场有记录出铁时间的作业流程，此项工作一直由人力完成，也就是基于人眼确认炉口出铁后通过纸笔或触按按钮完成记录，由于人员作业繁忙不能保证第一时间记录出铁时间，该数据经常有失真情况，且该工作属于机械重复式劳作，急需智能化手段进行替代。


技术实现要素：

4.本发明旨在于解决背景技术中存在的缺点，提供机器视觉铁口状态识别方法，实现智能化自动化无人化判断高炉出铁口处于开/闭铁口状态，精确定位出铁时间，为后续炉号生成、铁水测温等工艺管理提供数据支撑。
5.为实现上述目的，本发明提供如下技术方案，一种机器视觉铁口状态识别方法，其特征在于，包括如下步骤：
6.s1：图像采集与数据准备，在高炉炉口安装摄像头，打通网络；
7.s2：深度学习图像分类模型开发，采集铁口图像建立数据集，训练ai模型并测试调优；
8.s3：模型部署与系统对接，将精度得到验证后的ai模型部署，根据出铁口时间精度要求开发后处理程序，将出铁时刻写入数据库。
9.具体的，步骤s1具体包括如下步骤：
10.s11：在高炉出铁口合适位置安装摄像头，应该考虑高炉的高温和炉前设备人员移动的干扰，尽可能将摄像机架设在足够远的高位；
11.s12：从摄像头的历史视频中切片抽帧，采集多样的铁口开/闭状态的图像数据。
12.具体的，s2步骤具体包括如下步骤：
13.s21：对采集的铁口图片进行人工标注，以此建立可供深度学习算法训练的数据集；
14.s22：使用旋转、随机擦除等一系列的图像增强算法对数据集进行增广，基于efficientnet等深度学习图像分类算法进行训练，验证训练后的模型分类精度。
15.具体的，s3步骤具体包括如下步骤：
16.s31：收集出铁瞬间的过曝图像，训练深度学习图像分类算法；
17.s32：收集出铁瞬间的模糊图像，运行模糊检测算法，模糊检测算法直接用经典方法实现；
18.s33：定时抓拍铁口图像，并进行过曝判断和模糊判断，符合条件的送入铁口状态识别模型的输入中：
19.s34：根据输出结果分别输入下一步的后处理程序中进一步提高准确率；
20.s35：根据识别结果将铁口状态切换的时刻记录为出铁时刻，写入数据库供后续其他系统调用；
21.s36：各模块开发完成后，开发人员将与操作人员共同试运行系统，收集未识别准确的图像数据，迭代算法模型。
22.本发明提供了一种机器视觉铁口状态识别方法，具有以下有益效果：
23.本发明优点在于，实现智能化自动化无人化判断高炉出铁口处于开/闭铁口状态，精确定位出铁时间，为后续炉号生成、铁水测温等工艺管理提供数据支撑。
附图说明
24.图1为本发明的铁口状态识别流程示意图。
25.图2为本发明的识别方法流程示意图。
26.图3为本发明的图像采集与数据准备流程示意图。
27.图4为本发明的模型开发流程示意图。
28.图5为本发明的模型部署和系统对接流程示意图。
具体实施方式
29.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.下文的公开提供了许多不同的实施方式或例子用来实现本技术的不同结构。为了简化本技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本技术。此外，本技术可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本技术提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
31.本技术实施例提供一种机器视觉铁口状态识别方法，该种机器视觉铁口状态识别方法可以实现智能化自动化无人化判断高炉出铁口处于开/闭铁口状态，精确定位出铁时间，为后续炉号生成、铁水测温等工艺管理提供数据支撑。以下对该机器视觉铁口状态识别方法进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
32.下面结合附图和具体实施方式对本技术予以详细描述。
33.实施例1
34.请参阅图1-5中，一种机器视觉铁口状态识别方法，包括如下步骤：
35.s1：图像采集与数据准备，在高炉炉口安装摄像头，打通网络；
36.s2：深度学习图像分类模型开发，采集铁口图像建立数据集，训练ai模型并测试调优；
37.s3：模型部署与系统对接，将精度得到验证后的ai模型部署，根据出铁口时间精度要求开发后处理程序，将出铁时刻写入数据库。
38.请参阅图3，现对本实施例进行详细说明，通过步骤s1对铁口的状态进行大量图像拍摄，为后续识别提供一个数据基础，具体如下：
39.进入步骤s11，选择合适的摄像头，并在高炉出铁口合适位置安装摄像头，应该考虑高炉的高温和炉前设备人员移动的干扰，尽可能将摄像机架设在足够远的高位，防止摄像头拍摄的图像画面不清晰或过曝，亦或是被其他设备所阻挡，导致无法拍摄打出铁口的使用状态，安装完成后，将拍摄后的图像数据进行存储；
40.然后，进入步骤s12，对步骤s11中的的摄像头历史视频中切片抽帧，采集多样的铁口开/闭状态的图像数据，用于后续对不同状态下的铁口图像进行标注，进而进入步骤s2。
41.参阅图4，步骤s2对步骤s13采集收集的图像进行标注，并分类模型开发以及建立数据集和ai模型的侧视，具体如下：
42.步骤s21对步骤s12中采集多样的铁口图片进行人工标注，以此建立可供深度学习算法训练的数据集，为ai训练提供数据基础；
43.然后，进入步骤s22，对步骤s21标注后的多样铁口图片使用旋转、随机擦除等一系列的图像增强算法，对建立的数据集进行增广，然后基于efficientnet等深度学习图像分类算法进行训练，验证训练后的模型分类精度，进而进入步骤s3。
44.参阅图5，步骤s3对模型部署与系统对接，将精度得到验证后的ai模型部署，根据出铁口时间精度要求开发后处理程序，将出铁时刻写入数据库；具体如下
45.首先，在步骤s31中，收集出铁瞬间的过曝图像，训练深度学习图像分类算法，以自动识别铁口图像是否出现过曝情况，以便于后续对图像进行分类；
46.然后，在步骤s32中，收集出铁瞬间的模糊图像，运行模糊检测算法，模糊检测算法直接用经典方法实现，以及检测摄像机拍摄的原始图像是否清晰，减少图像模糊而影响后续对图像进行分类；
47.完成上述步骤后，进入步骤s33，通过摄像机定时抓拍铁口图像，并进行过曝判断和模糊判断，若拍摄的图像清晰和无过曝时，将图像送入铁口状态识别模型的输入中，若拍摄的图像出现模糊或是过曝的其中一个或两个，则重新输入抓拍指令给铁口摄像机，使摄像机重新抓拍铁口的原始图像，并重新进行过曝判断和模糊判断；
48.接着，在步骤s34中，根据图像分类模型输出结果分别输入下一步的后处理程序中进一步提高准确率，进入步骤s35；
49.在步骤s35中，根据识别结果，将铁口状态切换的时刻记录为出铁时刻，写入数据库供后续其他系统调用；
50.最后，进入步骤s36，在各模块开发完成后，开发人员将与操作人员共同试运行系统，收集未识别准确的图像数据，迭代算法模型。
51.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
52.以上对本技术实施例所提供的一种机器视觉铁口状态识别方法进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例的技术方案的范围。

技术特征：
1.一种机器视觉铁口状态识别方法，其特征在于，包括如下步骤：s1：图像采集与数据准备，在高炉炉口安装摄像头，打通网络；s2：深度学习图像分类模型开发，采集铁口图像建立数据集，训练ai模型并测试调优；s3：模型部署与系统对接，将精度得到验证后的ai模型部署，根据出铁口时间精度要求开发后处理程序，将出铁时刻写入数据库。其中，步骤s1具体包括如下步骤：s11：在高炉出铁口合适位置安装摄像头，应该考虑高炉的高温和炉前设备人员移动的干扰，尽可能将摄像机架设在足够远的高位；s12：从摄像头的历史视频中切片抽帧，采集多样的铁口开/闭状态的图像数据。其中，s2步骤具体包括如下步骤：s21：对采集的铁口图片进行人工标注，以此建立可供深度学习算法训练的数据集；s22：使用旋转、随机擦除等一系列的图像增强算法对数据集进行增广，基于efficientnet等深度学习图像分类算法进行训练，验证训练后的模型分类精度。其中，s3步骤具体包括如下步骤：s31：收集出铁瞬间的过曝图像，训练深度学习图像分类算法；s32：收集出铁瞬间的模糊图像，运行模糊检测算法，模糊检测算法直接用经典方法实现；s33：定时抓拍铁口图像，并进行过曝判断和模糊判断，符合条件的送入铁口状态识别模型的输入中；s34：根据输出结果分别输入下一步的后处理程序中进一步提高准确率；s35：根据识别结果将铁口状态切换的时刻记录为出铁时刻，写入数据库供后续其他系统调用；s36：各模块开发完成后，开发人员将与操作人员共同试运行系统，收集未识别准确的图像数据，迭代算法模型。

技术总结
本发明提供了一种机器视觉铁口状态识别方法，涉及冶金高炉炼铁技术领域，包括如下步骤：S1：图像采集与数据准备，在高炉炉口安装摄像头，打通网络；S2：深度学习图像分类模型开发，采集铁口图像建立数据集，训练AI模型并测试调优；S3：模型部署与系统对接，将精度得到验证后的AI模型部署，根据出铁口时间精度要求开发后处理程序，将出铁时刻写入数据库。本发明实现智能化自动化无人化判断高炉出铁口处于开/闭铁口状态，精确定位出铁时间，为后续炉号生成、铁水测温等工艺管理提供数据支撑。铁水测温等工艺管理提供数据支撑。铁水测温等工艺管理提供数据支撑。


技术研发人员：江声远 许晓滢 郝松涛 卢智杰 李喜光 邓小波 付秋红 尹威怡 黄群珍 卓泓奎
受保护的技术使用者：广东昆仑信息科技有限公司
技术研发日：2023.05.05
技术公布日：2023/8/23