一种基于深度学习的结晶器保护渣覆盖状态识别的方法技术

本发明专利技术公开了一种基于深度学习的结晶器保护渣覆盖状态识别的方法，包括以下步骤：S1、通过实验手段获取保护渣异常覆盖的图像数据，并对图像进行预处理和标注，构建训练数据集；S2、构建保护渣覆盖状态识别模型；S3、基于所述训练数据集对所述模型进行训练，训练过程中，采用预训练权重初始化所述模型，结合分类损失、边界框损失和置信度损失的复合损失函数，利用数据增强优化训练过程，在测试集上评估模型性能；S4、基于训练后的所述模型识别结晶器保护渣覆盖状态，并通过非极大值抑制和阈值过滤进行后处理以优化检测结果。本发明专利技术采用上述方法，能够实现了对结晶器内保护渣覆盖状态的全时段、高精度自动检测。

【技术实现步骤摘要】

本专利技术属于钢铁冶金连铸，特别是涉及一种基于深度学习的结晶器保护渣覆盖状态识别的方法。

技术介绍

1、连铸结晶器是现代钢铁生产中关键的设备，用于将熔化的金属连续冷却凝固成初始坯料。结晶器保护渣是一种消耗的耐材，需要不断地向结晶器内填加，以保证铸坯的润滑效果，同时也具有防止钢水二次氧化、控制传热的功效。保护渣的覆盖状态对铸坯质量和连铸工艺顺行具有重要影响，保护渣在钢液表面的覆盖状态与加渣制度密切相关。目前的加渣方式主要有人工加渣和自动加渣两种。人工加渣会使工人处在高温和粉尘的环境中，会危害工人健康，同时还存在主观性强、效率低下、易受外界干扰的问题。传统的自动加渣主要依赖于测量保护渣的厚度来评估其覆盖效果。然而，厚度测量无法全面反映保护渣在结晶器表面的分布均匀性，无法准确判断保护渣覆盖的实际状况。此外，其固化的行走路径和加渣模式无法应对结晶器周向上保护渣局部覆盖缺失或者渣层破损等异常状况，针对高作业率、高浇注速度的连铸生产仍然存在加渣不到位、响应不及时的问题。因此，自动加渣技术由机械化向智能化发展势在必行。

2、深度学习算法是一类基于神经网络架构本文档来自技高网...

【技术保护点】

1.一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述S1中的通过实验手段获取保护渣异常覆盖的图像数据，包括如下步骤：

3.根据权利要求2所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述S1中的通过实验手段获取保护渣异常覆盖的图像数据，还包括如下步骤：

4.根据权利要求3所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述S11中的实验设备为管式炉，所述管式炉的启停以及程序设定通过管式炉控制柜...

【技术特征摘要】

1.一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述s1中的通过实验手段获取保护渣异常覆盖的图像数据，包括如下步骤：

3.根据权利要求2所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述s1中的通过实验手段获取保护渣异常覆盖的图像数据，还包括如下步骤：

4.根据权利要求3所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述s11中的实验设备为管式炉，所述管式炉的启停以及程序设定通过管式炉控制柜进行调节，所述管式炉结构如下：

5.根据权利要求4所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述s14还包括：通过所述摄像机实时观察并记录所述保护渣的熔化、烧结行为及所述保护渣与所述钢液界面的相互作用变化，同时监测并记录所述管式炉内温度变化。

6.根据权利要求5所述的一种基于深度学习的结晶器保护渣覆盖状态识别的方法，其特征在于，所述s15还包括：利用所述摄像机拍摄所述钢液裸露区域的形貌特征，确...

【专利技术属性】
技术研发人员：杨杰，邱雅蓉，张永娇，臧喜民，张勇，孔令种，李世森，王国承，
申请(专利权)人：辽宁科技大学，
类型：发明
国别省市：