一种用于钢渣处理配套的径流式湿电除尘方法技术

公开了一种用于钢渣处理配套的径流式湿电除尘方法，其采用基于深度学习的人工智能检测技术，以通过对于带电颗粒物的拍摄图像的去噪和图像增强处理后，提取出关于颗粒物的大小和浓度特征的关联性特征分布信息，来识别出所述的钢渣处理的废气中关于颗粒物的实际大小和浓度，并以此来进行解码回归以对颗粒物的实际大小和浓度进行检测评估。这样，基于废气中颗粒物的大小和浓度确定电场强度值，以提高电场强度的实际适配度，优化钢渣处理工艺，从而有效地进行径流式湿电除尘。有效地进行径流式湿电除尘。有效地进行径流式湿电除尘。

【技术实现步骤摘要】
一种用于钢渣处理配套的径流式湿电除尘方法


[0001]本申请涉及钢渣处理
，且更为具体地，涉及一种用于钢渣处理配套的径流式湿电除尘方法。

技术介绍

[0002]钢渣处理过程中产生的废气含有大量的颗粒物和废气污染物，需要进行处理以达到环保要求。径流式湿电除尘是一种常见的废气处理方案，通过将废气与水雾混合形成悬浮液体系，利用电场对颗粒物进行捕集和去除。但是，现有的径流式湿电除尘器在处理高浓度、细小颗粒物时效率较低且效果较差，究其原因为：现有的径流式湿电除尘方案中所采用的电场强度为固定范围内的数值，其并不能够根据实际颗粒物的大小和浓度进行相应地调整，导致电场强度的适配度较低，难以有效地进行径流式湿电除尘。因此，期望一种优化的用于钢渣处理配套的径流式湿电除尘方案。

技术实现思路

[0003]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于钢渣处理配套的径流式湿电除尘方法，其采用基于深度学习的人工智能检测技术，以通过对于带电颗粒物的拍摄图像的去噪和图像增强处理后，提取出关于颗粒物的大小和浓度特征的关联性特征分布信息，来识别出所述的钢渣处理的废气中关于颗粒物的实际大小和浓度，并以此来进行解码回归以对颗粒物的实际大小和浓度进行检测评估。这样，基于废气中颗粒物的大小和浓度确定电场强度值，以提高电场强度的实际适配度，优化钢渣处理工艺，从而有效地进行径流式湿电除尘。
[0004]根据本申请的一个方面，提供了一种一种用于钢渣处理配套的径流式湿电除尘，其包括：获取由摄像头采集的带电颗粒物的拍摄图像；对所述带电颗粒物的拍摄图像进行图像去噪和图像增强以得到处理后带电颗粒物图像；对所述处理后带电颗粒物图像进行图像分块处理以得到图像块的序列；将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核；将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的电场强度值。
[0005]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述对所述带电颗粒物的拍摄图像进行图像去噪和图像增强以得到处理后带电颗粒物图像，包括：
将所述带电颗粒物的拍摄图像输入所述基于自动编解码器的降噪模块的编码器，其中，所述编码器使用卷积层对所述带电颗粒物的拍摄图像进行显式空间编码以得到图像特征；以及将所述图像特征输入所述基于自动编解码器的降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后液相色谱图。
[0006]将所述降噪后液相色谱图输入所述基于自动编解码器的增强模块的编码器，其中，所述编码器使用卷积层对降噪后液相色谱图进行显式空间编码以得到图像特征；以及将所述图像特征输入所述基于自动编解码器的增强模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强后液相色谱图。
[0007]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，包括：将所述带电颗粒物的拍摄图像输入基于自动编解码器的图像去噪和图像增强器以得到所述处理后带电颗粒物图像。
[0008]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述将所述图像块通过所述多尺度卷积结构的第一卷积层以得到第一尺度检测特征矩阵，包括：对所述图像块进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到第一尺度检测特征矩阵；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度检测特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述检测矩阵。
[0009]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵，包括：以如下优化公式对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵；其中，所述优化公式为：所述优化公式为：所述优化公式为：其中，和分别表示所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵，和分别是所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵中各个位置的特征值，和分别是所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵的所有特征值的特征集合的均值和方差，和分别是特征矩阵的宽度和高度，且是所述图像块特征矩阵的各个位置特征值。
[0010]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述将所述图像块特征矩
阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到解码特征图，包括：将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵；使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维特征矩阵。
[0011]在上述的用于钢渣处理配套的径流式湿电除尘方法中，所述将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的电场强度值，包括：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值；其中，所述公式为：，其中是所述解码特征图，是所述解码值，是权重矩阵，表示矩阵乘。
[0012]根据本申请的另一方面，提供了一种用于钢渣处理配套的径流式湿电除尘系统，包括：数据获取模块，用于获取由摄像头采集的带电颗粒物的拍摄图像；降噪增强模块，用于对所述带电颗粒物的拍摄图像进行图像去噪和图像增强以得到处理后带电颗粒物图像；图像分块模块，用于对所述处理后带电颗粒物图像进行图像分块处理以得到图像块的序列；多尺度卷积模块，用于将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核；特征提取模块，用于将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及解码模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的电场强度值。
[0013]在上述的用于钢渣处理配套的径流式湿电除尘系统中，所述降噪增强模块，包括：将所述带电颗粒物的拍摄图像输入基于自动编解码器的图像去噪和图像增强器以得到所述处理后带本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于钢渣处理配套的径流式湿电除尘方法，其特征在于，包括：获取由摄像头采集的带电颗粒物的拍摄图像；对所述带电颗粒物的拍摄图像进行图像去噪和图像增强以得到处理后带电颗粒物图像；对所述处理后带电颗粒物图像进行图像分块处理以得到图像块的序列；将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核；将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的电场强度值。2.根据权利要求1所述的用于钢渣处理配套的径流式湿电除尘方法，其特征在于，对所述带电颗粒物的拍摄图像进行图像去噪和图像增强以得到处理后带电颗粒物图像，包括：将所述带电颗粒物的拍摄图像输入基于自动编解码器的图像去噪和图像增强器以得到所述处理后带电颗粒物图像。3.根据权利要求2所述的用于钢渣处理配套的径流式湿电除尘方法，其特征在于，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，包括：将所述图像块通过所述多尺度卷积结构的第一卷积层以得到第一尺度检测特征矩阵；将所述图像块通过所述多尺度卷积结构的第二卷积层以得到第二尺度检测特征矩阵；对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵。4.根据权利要求3所述的用于钢渣处理配套的径流式湿电除尘方法，其特征在于，将所述图像块通过所述多尺度卷积结构的第一卷积层以得到第一尺度检测特征矩阵，包括：对所述图像块进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化处理以得到池化特征矩阵；以及对所述池化特征矩阵进行非线性激活以得到所述第一尺度检测特征矩阵；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度检测特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述检测矩阵。5.根据权利要求4所述的用于钢渣处理配套的径流式湿电除尘方法，其特征在于，对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像块特征矩阵，包括：以如下优化公式对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述图像...

【专利技术属性】
技术研发人员：林锋华，
申请(专利权)人：吉安市钢铁有限责任公司，
类型：发明
国别省市：