[发明专利]一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法

权利要求书

1.一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，具体步骤如下：

步骤1）获取造渣期前期、中期、后期的吹炼渣图像及造渣期终点与非终点的炉口火焰图像，并对吹炼渣图像、炉口火焰图像进行预处理；

步骤2）将步骤1）中预处理后的吹炼渣图像作为迁移学习模型的输入进行训练，构建基于VGG16卷积神经网络的迁移学习模型，利用卷积神经网络用于分类的特征功能，预测出转炉吹炼渣后期图像；

步骤3）对步骤2）得到的吹炼渣后期图像进行预处理，并提取预处理后的吹炼渣后期图像特征信息；

步骤4）提取步骤3）获得的吹炼渣后期图像的特征信息数据，再利用X射线衍射仪与X射线荧光光谱分析仪，以获得每次吹炼渣对应的Fe含量，并将特征信息数据分为训练组与测试组后进行归一化处理，作为支持向量机预测模型的输入，而后将提取的每张吹炼渣后期图像特征信息与获得的Fe含量形成映射关系，并将输出造渣期Fe含量与特征比对表进行对比，以预测铜转炉吹炼造渣期终点；

步骤5）提取步骤1）中预处理后的炉口火焰图像特征信息作为校验模型输入，构建基于火焰图像特征信息的校验模型，以判别炉口火焰图像所处阶段，进而验证步骤4）中预测的铜转炉吹炼造渣期终点。

2.根据权利要求1所述的一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，步骤1）中，所述预处理采用均值滤波进行去噪、采用FCM分割法进行分割处理。

3.根据权利要求1所述的一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，步骤1）中，利用工业照相机获取吹炼渣图像与炉口火焰图像，在对吹炼渣图像、炉口火焰图像去噪和分割后，进行归一化处理。

4.根据权利要求1所述的一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，步骤2）中，所述迁移学习模型预测流程为：首先载入VGG16卷积神经网络，而后将预处理后的吹炼渣图像作为迁移学习模型的输入进行训练，经由卷积神经网络的特征抽取器提取吹炼渣图像特征，最终识别出吹炼渣图像在铜转炉造渣期的状态，并预测出吹炼渣后期图像。

5.根据权利要求1所述的一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，步骤3）中，所述吹炼渣后期图像特征信息包括图像的形状、颜色、纹理特征。

6.根据权利要求1所述的一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法，其特征在于，步骤5）中，所述构建基于火焰图像特征信息的校验模型流程为：首先将步骤1）中进行预处理后的炉口火焰图像分为训练集图像与测试集图像，而后提取训练集图像与测试集图像的特征信息，其提取方法与吹炼渣后期图像特征一致，均为颜色矩方法，再利用训练集图像特征信息与支持向量机分类构建基于火焰图像特征信息的校验模型，测试集图像用于测试基于火焰图像特征信息的校验模型。

7.一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验系统，其特征在于，包括：

图像采集模块，利用工业相机采集铜转炉吹炼造渣期过程中的吹炼渣图像及造渣期终点与非终点的炉口火焰图像；

预处理模块，利用均值滤波对采集的图像进行去噪，同时采用FCM分割方法对图像的背景与物体进行分割处理，并将去噪和分割后的图像进行归一化处理；

图像处理模块：采用hu不变矩的方法提取吹炼渣图像、炉口火焰图像的形状特征，利用颜色矩方法提取吹炼渣图像、炉口火焰图像的颜色特征，同时利用灰度差分统计特征以计算提取吹炼渣图像、炉口火焰图像的纹理特征；

识别模块：用于构建基于VGG16卷积神经网络的迁移学习模型，并在迁移学习模型中设置关键参数，以识别出吹炼渣图像在铜转炉造渣期的状态，并预测出转炉吹炼渣后期图像；

支持向量机预测模型：用于构建吹炼渣后期图像的形状、颜色、纹理特征与造渣期吹炼数据间的映射关系，并输出造渣期Fe含量，以预测铜转炉吹炼造渣期终点；

基于火焰图像特征信息的校验模型：用于构建炉口火焰图像与铜转炉吹炼造渣期终点的关联关系，提取造渣期火焰图像的颜色特征，结合支持向量机对炉口火焰图像进行二分类，输出判断类别以验证铜转炉吹炼造渣期终点。