[發(fā)明專利]基于SOLOv2網絡的鋼液檢測定位方法

有效

• 申請?zhí)枺?/td>: 202110102064.2
• 申請日: 2021-01-26
• 公開（公告）號: CN112785577B
• 公開（公告）日: 2022-10-14
• 發(fā)明（設計）人: 曹國;吳逢斌;賀雨霞
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 岑丹

本發(fā)明公開了一種基于SOLOv2網絡的鋼液檢測定位方法，包括：獲取原始鋼液圖像；用訓練好的SOLOv2網絡處理原始鋼液圖像，得到鋼液分割效果圖；除去步驟2中得到的分割效果圖中鋼液區(qū)域面積小于閾值的鋼液區(qū)域，得到第一鋼液分割效果圖；對于具有時序信息原始鋼液圖像，采用光流法獲取火焰區(qū)域，計算區(qū)域面積；求取火焰區(qū)域與第一鋼液分割效果圖的交集面積，并采用面積判定的方法，除去不合理的區(qū)域后得到第二鋼液分割效果圖；對第二鋼液分割效果圖，采用方差判定方法，除去不合理區(qū)域，得到最終的鋼液分割效果圖。本發(fā)明使用SOLOv2深度學習網絡，可以快速、準確的將鋼液目標分割開來，完成鋼液的定位，輔助判定此時轉爐煉鋼所處的狀態(tài)。

技術領域

本發(fā)明屬于圖像處理領域，具體為一種基于SOLOv2網絡的鋼液檢測定位方法。

背景技術

轉爐煉鋼是利用氧槍將氧氣吹入爐內，利用與鐵水中的各種元素產生復雜的物理化學反應放出的熱量來進行冶煉，隨著熔池內溫度的提升，去除鐵水內的雜質和降低含碳量，從而使熔池內各元素含量和溫度達到出鋼要求。轉爐煉鋼終點是指煉鋼爐熔池內的化學成分含量和溫度達到了出鋼要求的時刻。終點判定是指通過熔池內的碳含量和溫度來判斷吹煉是否達到終點，因此，對轉爐煉鋼終點判定的準確尤為重要，終點判定的好壞直接關系到出鋼產品的質量。

由于轉爐煉鋼所采用的原料成分不穩(wěn)定，且煉鋼吹煉是一個復雜的高溫物理化學反應過程，單純依靠普通操作工對終點進行控制很不精確，難以保證較高的終點命中率，造成資源浪費，效益低下。

發(fā)明內容

本發(fā)明的目的在于提出了一種基于SOLOv2網絡的鋼液檢測定位方法。

實現本發(fā)明目的的技術解決方案為一種基于SOLOv2網絡的鋼液檢測定位方法，具體步驟為：

步驟1：獲取原始鋼液圖像；

步驟2：用訓練好的SOLOv2網絡處理原始鋼液圖像，得到鋼液分割效果圖；

步驟3：除去步驟2中得到的分割效果圖中鋼液區(qū)域面積小于閾值的鋼液區(qū)域，得到第一鋼液分割效果圖；

步驟4：對于具有時序信息的原始鋼液圖像，采用光流法獲取火焰區(qū)域，計算區(qū)域面積；

步驟5：對于步驟4獲得的火焰區(qū)域，采用求取交集面積以及面積判定的方法，除去不合理的區(qū)域后得到第二鋼液分割效果圖；

步驟6：對步驟5獲得的第二鋼液分割效果圖，采用方差判定方法，除去不合理區(qū)域，得到最終的鋼液分割效果圖。

優(yōu)選地，所述SOLOv2網絡處理原始轉爐煉鋼視頻，得到分割效果圖。具體為：

步驟21：利用訓練樣本對SOLOv2網絡進行訓練得到深度學習模型；

步驟22：使用深度學習模型處理原始轉爐煉鋼圖，得到分割的效果圖。

優(yōu)選地，所述SOLOv2網絡包括數據輸入模塊、骨干網絡、特征金字塔網絡以及掩碼分析重構網絡，其中：

所述數據輸入模塊用于完成數據的輸入和預處理；

所述骨干網絡采用resnet34網絡對輸入圖片進行卷積操作，提取圖片特征；

所述特征金字塔網絡用于生成不同尺度的特征圖并進行特征融合，得到掩碼特征和掩碼內核；

所述掩碼分析重構網絡用于對掩碼特征進行預測分析和重構，得到掩碼分割結果。

優(yōu)選地，采用光流法獲取火焰區(qū)的具體過程為：