[发明专利]高炉风口异常检测方法、装置、电子设备和存储介质

说明书

本发明实施例提供一种高炉风口异常检测方法、装置、电子设备和存储介质，其中该方法包括：确定待检测高炉风口对应的待检测视频片段；将待检测视频片段输入至向量表示模型中，得到向量表示模型输出的待检测向量；其中，向量表示模型是基于样本锚视频片段、样本正常视频片段和样本异常视频片段训练得到的；基于目标锚向量和待检测向量，确定待检测高炉风口的异常检测结果；其中，目标锚向量是将待检测高炉风口对应的目标锚视频片段输入至向量表示模型得到的。本发明实施例提供的方法、装置、电子设备和存储介质，实现了针对高炉风口的个性化异常检测，有效提高了异常检测结果的准确性和可靠性。

技术领域

本发明涉及高炉检测技术领域，尤其涉及一种高炉风口异常检测方法、装置、电子设备和存储介质。

背景技术

在高炉炼铁过程中，通过高炉风口可以判断高炉运行的状况。使用成像设备对高炉风口进行监控，可以对风口小套漏水、挂渣、吹管烧穿等故障及时发现并处理，并基于渣皮脱落等现象判断炉况并调节喷煤量。

目前，基于神经网络的高炉风口异常检测方法仅通过分类模型对高炉风口进行异常检测。由于不同高炉在不同时刻的监控设备的参数、成像条件、喷煤枪的工作参数等方面区别较大，使得高炉风口监控图像中出现异常的情形较为复杂，从而导致使用分类模型进行异常检测的准确率较低。

发明内容

本发明实施例提供一种高炉风口异常检测方法、装置、电子设备和存储介质，用以解决现有的高炉风口异常检测方法准确性、可靠性差的问题。

第一方面，本发明实施例提供一种高炉风口异常检测方法，包括：

定待检测高炉风口对应的待检测视频片段；

将所述待检测视频片段输入至向量表示模型中，得到所述向量表示模型输出的待检测向量；其中，所述向量表示模型是基于样本锚视频片段、样本正常视频片段和样本异常视频片段训练得到的；

基于目标锚向量和所述待检测向量，确定所述待检测高炉风口的异常检测结果；其中，所述目标锚向量是将所述待检测高炉风口对应的目标锚视频片段输入至所述向量表示模型得到的。

可选地，所述向量表示模型的损失函数是基于所述样本锚视频片段和所述样本正常视频片段之间的向量相似度，以及所述样本锚视频片段和所述样本异常视频片段之间的向量相似度确定的。

可选地，所述样本锚视频片段和样本正常视频片段属于同一集合，所述样本锚视频片段和所述样本异常视频片段属于不同集合；

其中，任一集合内包括从同一高炉风口的连续监控视频中拆分的若干个具有相同异常检测标签的视频片段。

可选地，所述将所述待检测视频片段输入至向量表示模型中，得到所述向量表示模型输出的待检测向量，具体包括：

将所述待检测视频片段的图像序列输入至所述向量表示模型，由所述向量表示模型对所述图像序列中每帧图像的语义特征，以及每帧图像之间的关联特征进行融合，得到所述向量表示模型输出的所述待检测向量。

可选地，所述将所述待检测视频片段输入至向量表示模型中，由所述向量表示模型对所述图像序列中每帧图像的语义特征，以及每帧图像之间的时空关联进行融合，得到所述向量表示模型输出的待检测向量，具体包括：

将所述图像序列的每帧图像输入至所述向量表示模型的语义特征提取层，得到所述语义特征提取层输出的每帧图像的语义特征；

将所述每帧图像的语义特征输入至所述向量表示模型的空时注意力层，由所述空时注意力层通过对每帧图像的语义特征进行逐点卷积，得到所述空时注意力层输出的所述图像序列在每一区域的时序变化特征；

将所述每帧图像的语义特征和所述每一区域的时序变化特征输入至所述向量表示模型的特征输出层，得到所述特征输出层输出的所述待检测向量。