[发明专利]一种基于深度学习的铁水自动扒渣控制方法有效
| 申请号： | 201911001551.9 | 申请日： | 2019-10-21 |
| 公开（公告）号： | CN110781944B | 公开（公告）日： | 2022-07-05 |
| 发明（设计）人： | 张子豪;李阳;王胜勇;刘晓健 | 申请（专利权）人： | 中冶南方(武汉)自动化有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08;C21C1/02;C21C7/064 |
| 代理公司： | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人： | 许莲英 |
| 地址： | 430205 湖北省武*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种基于深度学习的铁水自动扒渣控制方法。本发明将采集得到钢包液面图像进行特征提取,经过人工标注得到渣量等级,用以构建深度卷积神经网络的数据集；建立深度卷积神经网络框架，利用Adam算法对深度卷积神经网络模型进行训练优化，得到优化后网络模型；通过影响铁水脱硫生渣的因素构建因素类型，通过k近邻法选取渣量等级标准所属因素类别，并根据步骤1至步骤3获取不同因素类别的深度卷积神经网络模型；根据对应网络模型输出层数据确定整体渣量等级，根据模型输出由系统判断作出相应扒渣动作。本发明可充分挖掘现场图像信息数据及计算出最优扒渣工艺，并且模型鲁棒性强，能有效缩短扒渣时间，减少铁水浪费，提高企业生产效益。 | ||
| 搜索关键词： | 一种 基于 深度 学习 铁水 自动 控制 方法 | ||
【主权项】：
1.一种基于深度学习的铁水自动扒渣控制方法，其特征在于，包括以下步骤：/n步骤1：将采集得到钢包液面图像进行特征提取，用以构建深度卷积神经网络的训练集和测试集，并经过人工标注得到渣量等级；/n步骤2：建立深度卷积神经网络框架，各层之间采用Relu激活函数，模型使用交叉熵函数作为损失函数；/n步骤3：利用训练集对深度卷积神经网络模型进行训练优化，使用L2正则化与Dropout算法来减少模型过拟合，利用Adam算法对模型权重进行训练调整，得到优化后深度卷积神经网络模型；/n步骤4：通过影响铁水脱硫生成渣量的因素构建影响因素，通过k近邻法选取渣量等级标准所述影响因素类别，并根据步骤1至步骤3获取不同影响因素类别的深度卷积神经网络模型；/n步骤5：结合不同影响因素类型的神经网络模型，根据神经网络输出层数据确定整体渣量等级；/n步骤6：根据整体渣量等级，再由系统判断是否继续扒渣和根据渣量位置信息作出相应扒渣动作。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中冶南方(武汉)自动化有限公司，未经中冶南方(武汉)自动化有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911001551.9/，转载请声明来源钻瓜专利网。
