[发明专利]一种基于视频的电熔镁炉异常工况自动识别系统

权利要求书

1.一种基于视频的电熔镁炉异常工况自动识别系统，其特征在于：

通过图像信息采集模块采集电熔镁砂生产现场工况信息，传输至样本生成模块；

样本生成模块对训练样本进行生成，通过label-image软件对图像做标签处理和人工分类标签处理，将处理后的视频、图像信息传输到检测分类模块；

检测分类模块通过相应算法对视频、图像信息进行特征提取及处理，得到工况识别系统的智能检测、分类模型；

显示单元运用检测分类模块处理完毕的智能检测、分类模型，将新的测试视频、图像信息通过可视化方式显示出来。

2.按权利要求1所述的基于视频的电熔镁炉异常工况自动识别系统，其特征在于：样本生成模块用于在异常工况训练样本较少时，通过深度卷积对抗网络(DCGAN)+TensorFlow深度学习框架对异常工况较少的图像做样本生成，增加异常工况图像，再重新放回到训练样本中进行训练和智能建模，得到完整、平衡的训练样本。

3.按权利要求2所述的基于视频的电熔镁炉异常工况自动识别系统，其特征在于：样本生成模块通过深度卷积对抗网络生成样本，深度卷积对抗网络是在生成式对抗网络的基础上增加卷积的环节，通过生成图片的生成式网络接收随机的噪声z，并将这个噪声生成图片，记做G(z)；通过判别网络，判别一张图片是不是“真实的”，通过生成式网络生成的图片去欺骗判别网络，判别网络则将生成式网络生成的图片和真实的输入图片进行区分，通过以下公式计算最终期望值来生成图片：

minGmaxDV(D,G)=Ex~pdata(x)[logD(x)]+Ez~pz(z)[log(1-D(G(z)))]]]>

其中，G为生成图片的网络，D为判别网络，z为输入G网络的噪声数据，符合p_z(z)分布，G(z)为G网络生成的图片；x代表真实数据，符合p_data(x)分布，data表示数据，p表示概率，p_data(x)为判别数据是否为真实数据的概率，为真实数据的期望，为是生成数据的期望；V(D，G)为判别网络和生成图片的网络的博弈结果输出值。

4.按权利要求1所述的基于视频的电熔镁炉异常工况自动识别系统，其特征在于：检测分类模块接收label-image软件对图像做标签处理后得到的带有火焰区域、欠烧区域、火星区域的位置信息与工况类别信息的xml文件；通过Darknet框架+YOLO算法把做过标签处理的镁炉原始RGB图像、位置和工况类别信息做训练，得到火焰区域、欠烧区域、火星区域的位置信息和工况类别信息的智能模型，以及体现模型准确率的置信度以及召回率，最后利用训练得到的智能模型实现在线视频中电熔镁炉的工况识别结果。