一种高炉风口工作状态识别方法与流程

1.本发明涉及钢铁冶炼高炉技术领域，具体为一种高炉风口工作状态识别方法。


背景技术：

2.钢铁工业是国民经济和国防建设的基础产业，我国目前的钢铁主流程以炼铁-炼钢模型的长流程为主。作为世界范围内最大的单体冶炼设备，高炉是炼铁的核心，为了改善能源利用效率、降低冶炼成本，目前高炉普遍采用风口前喷吹煤粉、高风温等技术以实现高炉冶炼效率的优化及高炉下部调剂。目前现有技术中高炉风口工作状态的识别还主要依靠人工经验进行判断，没有行之有效的自动识别方法。


技术实现要素：

3.本发明的目的在于提供一种高炉风口工作状态识别方法，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：一种高炉风口工作状态识别方法，制作高炉风口工作状态识别模型数据集，将制作好的数据集输入高炉风口工作状态识别模型进行卷积神经网络向前传播，生成梯度加权类激活映射图，通过对梯度加权类激活映射图上采样，得到与原始输入数据集的图像相同尺寸的梯度加权类激活映射图，并根据梯度加权类激活映射图引导裁剪数据增强以及引导丢弃数据增强，将原始输入数据集的图像、梯度加权类激活映射图引导裁剪数据增强及引导丢弃数据增强图像共同输入高炉风口工作状态识别模型进行训练，训练好的模型用于识别高炉风口工作状态。
5.优选的，所述制作高炉风口工作状态识别模型数据集的方法为：收集高炉风口电子监控设备视频及图像历史数据，并对所述历史数据进行人工标注，划分为正常状态及典型异常状态，形成高炉风口工作状态识别模型数据集。
6.优选的，所述生成梯度加权类激活映射图的方法为：根据所述卷积神经网络向前传播得到target layer和类别预测值，所述target layer指卷积神经网络前向传播过程中，经过特征提取得到的最后一个卷积层的输出的特征图，所述类别预测值指卷积神经网络前向传播且未经softmax激活的logits类别预测值；对logits类别预测最大值y
max
进行反向传播，得到反传至target layer的梯度信息a'；通过target layer的梯度信息a'得到target layer每个通道的重要程度，将target layer及对应的梯度信息a'进行加权求和，再通过relu激活，得到梯度加权类激活映射图，公式为：
[0007][0008]
其中，ak代表target layer中通道k的数据，代表针对ak的权重。
[0009]
优选的，所述计算公式如下：
[0010]
[0011]
其中：y
max
代表logits类别预测最大值；代表target layer在通道k中，坐标为ij位置处的数据；z等于target layer的宽度乘以高度；代表偏导计算。
[0012]
优选的，所述计算梯度加权类激活映射图引导裁剪数据增强图像的方法为首先计算掩码，所述掩码计算公式如下：
[0013][0014]
其中，设置超参数θ1，其中θ1∈[0,1]；
[0015]
然后计算梯度加权类激活映射图引导裁剪数据增强裁剪区域矩形框，令x
min
和x
max
分别表示所有m
crop
中横坐标值为1的最小值和最大值，y
min
和y
max
分别表示所有m
crop
中纵坐标值为1的最小值和最大值，根据x
min
、x
max
、y
min
、y
max
计算梯度加权类激活映射图引导裁剪数据增强裁剪区域矩形框，计算公式如下：
[0016][0017]
其中，h和w为原始输入数据集的图像的高和宽，p为填充尺寸；
[0018]
根据计算的裁剪区域矩形框进行图像裁剪，裁剪公式如下：
[0019]
crop＝x[x1:x2,y1:y2](5)
[0020]
其中，x指原始输入数据集的图像；
[0021]
将裁剪图像上采样至原始数据集的图像尺寸，得到梯度加权类激活映射图引导裁剪数据增强图像。
[0022]
优选的，所述计算梯度加权类激活映射图引导丢弃数据增强图像的方法为首先计算掩码，所述掩码计算公式如下：
[0023][0024]
其中，设置超参数θ2，其中θ2∈[0,1]；
[0025]
然后将计算得到的掩码与原始输入数据集的图像做像素级相乘，得到梯度加权类激活映射图引导丢弃数据增强图像。
[0026]
与现有技术相比，本发明的有益效果是：可取代人工，实现对高炉风口工作状态的实时识别；将用于卷积神经网络可视化的梯度加权类激活映射图用于生成具有针对性的扩充训练数据，取代随机变换扩充训练数据；通过梯度加权类激活映射图引导训练数据裁剪及丢弃数据增强，提升模型特征提取能力及模型泛化能力，大大提高高炉风口工作状态识别的准确性。
附图说明
[0027]
图1为本发明高炉风口工作状态识别模型实现的总体架构图。
[0028]
图2为本发明高炉风口工作状态识别方法的流程图。
具体实施方式
[0029]
为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
实施例
[0031]
请参阅图1-2，本发明提供一种技术方案：一种高炉风口工作状态识别方法，所述方法依次为：制作高炉风口工作状态识别模型数据集，将制作好的数据集输入高炉风口工作状态识别模型进行卷积神经网络向前传播，生成梯度加权类激活映射图，通过对梯度加权类激活映射图上采样，得到与原始输入数据集的图像相同尺寸的梯度加权类激活映射图，并根据梯度加权类激活映射图引导裁剪数据增强以及引导丢弃数据增强，将原始输入数据集的图像、梯度加权类激活映射图引导裁剪数据增强及引导丢弃数据增强图像共同输入高炉风口工作状态识别模型进行训练，训练好的模型用于识别高炉风口工作状态。
[0032]
所述制作高炉风口工作状态识别模型数据集的方法为：收集高炉风口电子监控设备视频及图像历史数据，并对所述历史数据进行人工标注，划分为正常状态及典型异常状态，形成高炉风口工作状态识别模型数据集。所述典型异常工作状态包括掉渣皮，风口断煤，风口休风，风口漏水等。
[0033]
所述生成梯度加权类激活映射图的方法为：根据所述卷积神经网络向前传播得到target layer和类别预测值，所述target layer指卷积神经网络前向传播过程中，经过特征提取得到的最后一个卷积层的输出的特征图，所述类别预测值指卷积神经网络前向传播且未经softmax激活的logits类别预测值；对logits类别预测最大值y
max
进行反向传播，得到反传至target layer的梯度信息a'；通过target layer的梯度信息a'得到target layer每个通道的重要程度，将target layer及对应的梯度信息a'进行加权求和，再通过relu激活，得到梯度加权类激活映射图，公式为：
[0034][0035]
其中，a代表target layer，k代表target layer中第k个通道，max代表类别预测最大值；ak代表target layer中通道k的数据，代表针对ak的权重。
[0036]
所述计算公式如下：
[0037][0038]
其中：y
max
代表logits类别预测最大值；代表target layer在通道k中，坐标为ij位置处的数据；z等于target layer的宽度乘以高度；代表偏导计算。
[0039]
所述计算梯度加权类激活映射图引导裁剪数据增强图像的方法为首先计算掩码，所述掩码计算公式如下：
[0040]
[0041]
其中，设置超参数θ1，其中θ1∈[0,1]；
[0042]
然后计算梯度加权类激活映射图引导裁剪数据增强裁剪区域矩形框，令x
min
和x
max
分别表示所有m
crop
中横坐标值为1的最小值和最大值，y
min
和y
max
分别表示所有m
crop
中纵坐标值为1的最小值和最大值，根据x
min
、x
max
、y
min
、y
max
计算梯度加权类激活映射图引导裁剪数据增强裁剪区域矩形框，计算公式如下：
[0043][0044]
其中，h和w为原始输入数据集的图像的高和宽，p为填充尺寸；
[0045]
根据计算的裁剪区域矩形框进行图像裁剪，裁剪公式如下：
[0046]
crop＝x[x1:x2,y1:y2](5)
[0047]
其中，x指原始输入数据集的图像；
[0048]
将裁剪图像上采样至原始数据集的图像尺寸，得到梯度加权类激活映射图引导裁剪数据增强图像。所述上采样方法可以选择最邻近插值，双线性插值等。
[0049]
对梯度加权类激活映射图进行上采样，得到与原始输入数据集的图像相同尺寸的梯度加权类激活映射图，上采样方式可选最邻近插值，双线性插值等。所述计算梯度加权类激活映射图引导丢弃数据增强图像的方法为首先计算掩码，所述掩码计算公式如下：
[0050][0051]
其中，设置超参数θ2，其中θ2∈[0,1]；
[0052]
然后将计算得到的掩码与原始输入数据集的图像做像素级相乘，得到梯度加权类激活映射图引导丢弃数据增强图像。
[0053]
将原始输入数据集的图像、梯度加权类激活映射图引导裁剪数据增强及引导丢弃数据增强图像共同输入高炉风口工作状态识别模型进行训练，训练过程总损失包括原始输入图像损失、梯度加权类激活映射图引导裁剪图像损失及梯度加权类激活映射图引导丢弃图像损失的加权求和，每个部分损失均采用多分类交叉熵损失函数进行计算。
[0054]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。