买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明属于高炉出铁见渣时间监测领域，涉及一种基于目标检测的高炉出铁见渣时间自动识别方法。所述方法包括如下步骤：S1、离线模型训练；S1.1、收集炉前监测视频数据集、数据标注；S1.2、使用训练集对目标检测模型进行训练；S2、多线程在线检测；S2.1、调用训练好的目标检测模型，对出铁、见渣状态进行判断；S2.2、自动判别出铁、见渣开始、结束时刻，计算出铁、见渣时长。本发明利用炉前监控数据和基于深度学习的图像处理技术，核心解决出铁、见渣开始时刻自动判断、出铁时长自动计算、出铁、见渣数据自动录入的技术问题，可实现出铁时刻、出铁时长、见渣时刻、见渣时长参数的自动识别与录入功能。

主权项：1.一种基于目标检测的高炉出铁见渣时间自动识别方法，其特征在于，所述方法包括如下步骤：S1、离线模型训练；S1.1、收集炉前监测视频数据集、数据标注；收集高炉炉前监控系统的炉前监测视频数据集，将视频按帧数分割为图片集，构建VOC图像数据集；对VOC图像数据集中的图片数据进行标注：按照从铁水在高炉内生产开始到铁水从铁口流出的不同的生产状态变化标注标签类别，所述标签类别包括四类标签，分别为：未出铁、未见渣、出铁、见渣；将标注好的VOC图像数据集按一定比例划分为训练集和测试集；S1.2、使用训练集对目标检测模型进行训练；所述目标检测模型包括数据增强层、主干网络、改进颈部网络和预测网络；所述数据增强层预定义了n种候选数据增强策略，包括原图像在内，存在n+1种图像预处理结果；初始化各种候选策略被选中的概率值为pi0=1n+1，i=1,…,n+1；生成一个0到1之间的随机数，采用轮盘赌选择数据增强策略；基于所选中的数据增强策略对输入图像进行处理，数据增强后的图像进入主干网络；同时，对所选中的数据增强策略的累计被调用次数+1；当所有训练集完成一次完整数据集的训练时，获得各数据增强策略的累计被调用次数，并采用以下公式来更新第i种候选策略被选中的概率； 公式1公式1中，pit表示第i种候选策略在第t轮训练中被调用的概率，ci表示第i种候选策略的累计被调用次数；n为预定义的候选数据增强策略种类；所述主干网络通过CBL和残差结构实现增强处理后的图像的提取特征；所述改进颈部网络通过注意力模块强调感兴趣的表示，并通过CSP结构实现多尺度特征融合；所述注意力模块基于通道注意力机制，注意力模块首先通过平均池化、大小调整操作将原始特征图的大小从（c,h,w）压缩成（c,1,1），其中，c为通道数，h表示特征图的宽度，w表示特征图的高度；所述注意力模块通过两个全连接层对每个通道的重要性进行预测；其中，第一个全连接层包含Linear线性连接和Sigmoid非线性激活，其输出维度为c16，c为通道数；第二个全连接层包含Linear线性连接和ReLu非线性激活，其输出维度为c；最后，基于不同通道的重要性，通过乘法操作将其作用于原特征图，以强调感兴趣的表示；所述预测网络连接了三个解耦检测头分支；每个解耦检测头将不同卷积层的特征图进行拼接实现特征融合，并基于分类和回归分支获得Cls、Obj和Reg输出；其中，Cls用于输出目标框类别；Obj用于判断目标框是否包含物体；Reg用于预测目标框的坐标信息；S2、多线程在线检测；S2.1、调用训练好的目标检测模型，对出铁、见渣状态进行判断；基于多线程技术实现在线出铁、见渣状态判定：一个线程读取高炉炉前监控系统的实时视频数据，另一线程调用已训练好的目标检测模型，对实时视频数据中各时序图像的出铁、见渣状态依次进行判断，获得各时序图像的目标检测结果；所述目标检测结果包括是否存在检测目标以及检测目标的位置信息和置信度；S2.2、自动判别出铁、见渣开始、结束时刻，计算出铁、见渣时长；根据实时视频数据中出铁、见渣状态变化，自动判别出铁、见渣开始、结束时刻，计算出铁、见渣时长；若实时视频数据的时序图像中，前一帧的目标检测结果为“未出铁”状态，后一帧为“出铁”状态，则标记该时刻为出铁开始时刻；若实时视频数据的时序图像中，前一帧的目标检测结果为“出铁”状态，后一帧为“未出铁”状态，则表明出铁结束，标记该时刻为出铁结束时刻并计算出铁时长，出铁时长=出铁结束时刻-出铁开始时刻；若实时视频数据的时序图像中，前一帧的目标检测结果为“未见渣”状态，后一帧为“见渣”状态，则标记该时刻为见渣开始时刻；若实时视频数据的时序图像中，前一帧的目标检测结果为“见渣”状态，后一帧为“未见渣”状态，则表明见渣结束，标记该时刻为见渣结束时刻，并计算见渣时长；见渣时长=见渣结束时刻-见渣开始时刻。

全文数据：

权利要求：

百度查询： 苏州视智冶科技有限公司 一种基于目标检测的高炉出铁见渣时间自动识别方法