基于深度学习的高炉炼铁原燃料图像智能监测方法技术

本发明专利技术提供一种基于深度学习的高炉炼铁原燃料图像智能监测方法，涉及高炉炼铁生产技术领域。该方法获取高炉炼铁的原燃料图像，并进行去模糊处理，得到清晰的原燃料图像；再对清晰的原燃料图像进行标记及数据增强，得到训练所需的原燃料图像数据集；通过coco数据集和原燃料图像数据集的结合，训练改进的MaskRCNN模型，得到用于原燃料目标检测的实例分割模型；将实时采集到的原燃料图像进行去模糊处理后，最后利用训练好的实例分割模型对待检测的原燃料图像的进行检测，得到原燃料图像中原燃料数量及对应原燃料实际面积，进而由原燃料实际面积计算出对应的原燃料粒径。该方法能够提高检测的准确度，同时能够应用于不同的环境。同时能够应用于不同的环境。同时能够应用于不同的环境。

【技术实现步骤摘要】
基于深度学习的高炉炼铁原燃料图像智能监测方法


[0001]本专利技术涉及高炉炼铁生产
，尤其涉及一种基于深度学习的高炉炼铁原燃料图像智能监测方法。

技术介绍

[0002]高炉炼铁所使用的原燃料的情况能购反映高炉内的反应程度，对高炉原燃料的实时监测并统计计算，能够改善高炉炼铁生产性能及稳定炉况。工厂采用的传统的检测方法是人为抽样检测，在传送带上手动选取原燃料并统计记录，但该方法不能实时的对当前生产所用的原燃料进行监测，且工人在运行的机器上作业存在危险性。在工厂实际条件下，原燃料在传送带上运动产生的模糊，数目密集重叠，原燃料本身的形状各异和硬件条件限制等，都加大了原燃料监测的难度。
[0003]深度学习在2006年由Hinton等人提出，是在人工神经网络上面的进一步改进，为了让层数较多的多层神经网络可以进行训练而演化出来的一系列的新的结构方法。深度学习是以不少于两个隐含层的神经网络对输入进行非线性变换或表示学习的技术，通过构建出深层的神经网络，对数据进行各项分析活动来。深层神经网络由一个输入层，数个隐层，以及一个输出层构成。目前用途较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高炉炼铁原燃料图像智能监测方法，其特征在于：包括以下步骤：获取高炉炼铁的原燃料图像；对获得的原燃料图像进行去模糊处理，得到清晰的原燃料图像；对清晰的原燃料图像进行标记，并对已标记的原燃料图像进行数据增强，得到训练所需的原燃料图像数据集；通过coco数据集和原燃料图像数据集的结合，训练改进的MaskRCNN模型，得到用于原燃料目标检测的实例分割模型；将实时采集到的原燃料图像进行去模糊处理后，利用训练好的实例分割模型进行检测，得到原燃料图像中原燃料数量及对应原燃料实际面积；由原燃料实际面积计算出对应的原燃料粒径。2.根据权利要求要求1所述的基于深度学习的高炉炼铁原燃料图像智能监测方法，其特征在于：所述获取高炉炼铁的原燃料图像的具体方法为：在高炉炼铁的原燃料传送带正上方设置摄像机，采集传送带运送的原燃料的视频图像，并对视频按帧提取出原燃料图像。3.根据权利要求要求2所述的基于深度学习的高炉炼铁原燃料图像智能监测方法，其特征在于：采用DeblurGANv2算法对获得的原燃料图像进行去模糊处理。4.根据权利要求要求3所述的基于深度学习的高炉炼铁原燃料图像智能监测方法，其特征在于：采用labelme工具对清晰的原燃料图像进行标记。5.根据权利要求要求4所述的基于深度学习的高炉炼铁原燃料图像智能监测方法，其特征在于：在使用labelme工具对原燃料图像进行标记时，标签名称设定为“jiaotan+序号”，每张图片中的各个原燃料有不同序号加以区分；并对所得到的已标记...

【专利技术属性】
技术研发人员：邵思维，杨承霖，冯琳，
申请(专利权)人：东北大学，
类型：发明
国别省市：