一种基于反例增强的小样本冶金图像成分回归方法

摘要: 本发明涉及冶金过程智能检测与深度学习,特别是涉及一种基于反例增强的小样本冶金图像成分回归方法。背景技术:1、在铜冶炼isa炉(艾萨炉,isasmeltfurna...
一种基于反例增强的小样本冶金图像成分回归方法

本发明涉及冶金过程智能检测与深度学习,特别是涉及一种基于反例增强的小样本冶金图像成分回归方法。

背景技术:

1、在铜冶炼isa炉(艾萨炉,isasmelt furnace)工艺中,冰铜(铜锍,化学组成为cu2s-fes共熔体系)的化学成分——尤其是铜(cu)、铁(fe)、硫(s)以及杂质铅(pb)、锌(zn)的含量——是衔接熔炼工序与后续吹炼工序的核心工艺参数。入料品位每波动1个百分点,后续ps转炉吹炼时间偏差可达5~10分钟,直接影响单炉产能和综合能耗。当入料cu品位低于预期时,吹炼时间延长导致转炉等待,产生工序间温降和能源浪费;当入料cu品位高于预期时,过吹风险增加,可能导致铜过度氧化造成金属损失。

2、然而,冶金行业目前通用的成分检测流程存在严重的滞后问题:

3、这一检测滞后的本质问题在于:当化验结果返回时,isa炉内的熔炼工况已经因原料批次更换、富氧浓度调整、喷枪插入深度变化、熔池温度漂移等因素而发生了变化。操作工无法实时获知当前炉次的冰铜品位,只能依据上一炉次的化验结果和自身经验进行估计和调控——实质上处于“盲炼”状态。在铜冶炼加工费持续走低、原料供应日益紧张的行业背景下,每炉次的品位偏差均直接转化为可量化的金属回收率损失和能耗增加。

4、采用工业相机拍摄炉前取样照片、通过深度学习模型实时预测成分含量,有望将检测周期从2~4小时压缩至秒级,实现真正的在线品位感知和闭环工艺调控。然而,该方案在冶金工业场景中面临以下双重困境:

5、困境一:冶金小样本的固有限制;

6、冶金现场获取大批量标注样本受到生产节拍和化验成本的严格约束。每次取样必须配合isa炉的正常生产节奏,在放铜/放渣操作时同步完成;取样后的样品需经过完整的冷却、制样、研磨、缩分流程方能送入化验设备;单次xrf检测成本约200~500元,湿法化学分析成本更高且耗时更长。上述约束导致实际生产中仅能积累258张标注照片,对应39个lk(独立取样)批次:其中冰铜样本240张(30个批次),炉渣样本18张(9个批次)。对于参数规模达千万级(如resnet-18约11.7m参数、vit约86m参数)的深度学习模型而言,这一数据量(平均每参数不足0.00002个样本)属于极端小样本范畴。

7、困境二:冶金图像类内差异极度微弱;

8、以关键元素cu为例,其在冰铜内部的分布仅为57%~65%,标准差仅2.25个百分点,变异系数仅3.78%。这意味着58%cu与62%cu品位的冰铜在视觉上均呈现高度相似的金黄色金属光泽和光滑致密表面——后者来源于冰铜在冷却过程中形成的cu2s-fes共晶组织。人眼完全无法区分这两种品位水平的冰铜照片。各元素的统计分布如下表1所示:

9、表1 各元素的统计分布

10、

11、需要特别指出的是,cu的变异系数仅为3.78%,而pb和zn的变异系数虽大(16.81%和22.50%),但其绝对含量极低(均值分别为2.26%和0.40%),意味着预测误差的绝对允许范围非常窄。要求深度学习模型从这些视觉几乎无差异的冶金产物图像中同时定量回归5种元素的含量——且含量范围从60%(cu)到0.4%(zn)跨越两个数量级——难度远高于常规单输出视觉回归任务。

技术实现思路

1、本发明的目的是提出一种基于反例增强的小样本冶金图像成分回归方法,以解决上述现有技术存在的问题。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于反例增强的小样本冶金图像成分回归方法,包括:

4、采集isa炉炉前图像数据,基于炉前图像数据及对应的化验分析结果,构建数据集;其中,炉前图像数据包括:红绿蓝三色通道的数字图像,所述化验分析结果包括:样品中铜、铁、硫、铅、锌五种元素的含量百分数;

5、对所述数据集进行划分以及标准化处理;

6、采用分层训练策略和反例增强策略,利用标准化后的数据集对预设的深度学习模型进行训练;其中,所述深度学习模型采用resnet-18为骨干网络,并引入残差块和回归头;

7、利用训练后的深度学习模型,对待预测的炉前取样冰铜图像执行逐层前向传播处理,输出五种元素的预测值。

8、可选地,对所述数据集进行划分以及标准化处理包括:

9、采用按批次编号进行分组划分的方式,将所有批次编号随机分成训练组、监控组、评估组;

10、标准化处理:在训练组中计算每种元素含量值的平均值和标准差,对所有的样本统一进行标准化变换:每个元素的含量值减去该元素的平均值后再除以该元素的标准差。

11、可选地,所述深度学习模型的整体结构自输入至输出依次包括:初始卷积模块、四个级联的残差阶段、全局平均池化层及回归头构成;

12、所述初始卷积模块对标准化后的输入图像进行初步特征提取与空间下采样;

13、所述四个级联的残差阶段中,第一残差阶段、第二残差阶段各包括两个基本残差块,用于提取通用低级和中级视觉特征且在训练中被冻结,第三残差阶段、第四残差阶段分别包括一个下采样残差块和一个基本残差块,用于提取与冶金品位预测相关的高级语义特征且在训练中参与参数更新;每个基本残差块通过两轮卷积与批量归一化处理后与输入恒等映射相加后经激活输出,下采样残差块则在恒等映射支路中以1×1卷积进行维度匹配;

14、所述全局平均池化层将第四残差阶段输出的高维特征图压缩为一维特征向量;

15、所述回归头采用两次线性变换加一次非线性变换的结构,中间设置有随机丢弃保护机制,最终将特征向量映射为五种元素在标准化空间中的预测值。

16、可选地,所述残差块包括:

17、所述基本残差块,用于第一残差阶段至第四残差阶段中不需要改变维度的位置,每个基本残差块内部依次执行以下操作:第一轮小面积卷积处理、第一轮数据分布规范化、第一轮非线性变换、第二轮小面积卷积处理、第二轮数据分布规范化,最后将处理结果与输入相加后再执行一次非线性变换作为输出;

18、所述下采样残差块,用于当特征图尺寸减半时使用,在残差连接中增加1×1卷积进行维度匹配。

19、可选地,分层训练策略包括:

20、骨干网络的低层和中层的参数在训练过程中被固定,保持其在预训练阶段获得的初始值不变;高层和回归头的参数则在训练过程中根据冶金品位预测任务的目标进行优化调整。

21、可选地,所述回归头采用两次线性变换加上一次非线性变换的结构;

22、第一次线性变换将数百种视觉特征的响应信息压缩为一个预设数量的中间表示;

23、非线性变换对中间表示进行选择性增强或抑制处理,只保留对预测有正向贡献的信息;

24、第二次线性变换将中间表示进一步压缩为五种元素的预测数值,别对应铜、铁、硫、铅和锌五种元素的含量;

25、在两次线性变换之间设置了随机丢弃保护机制,该机制在训练过程中以一定比例随机中断部分中间信息的传递。

26、可选地,所述反例增强策略为标准mse损失在同时优化两类样本时自发产生的隐式对比学习效应。

27、可选地,利用训练后的深度学习模型,对待预测的炉前取样冰铜图像执行逐层前向传播处理包括:

28、将原始照片统一缩放至模型要求的输入尺寸,按照三个颜色通道各自的均值和标准差,对各通道进行居中化和缩放处理;

29、对预处理后的图像,从宏观尺度提取金属表面的视觉特征,多种不同的卷积核并行工作,每种关注一种特定的视觉模式,获得多种不同视觉模式的响应强度分布图;

30、对响应强度分布图依次进行四个层次的特征学习,每个层次包含两个残差学习单元;残差学习单元用于学习输入与期望输出之间的差异而非完整映射;四个层次的处理遵循逐渐递进的模式:第一、二层次保持预设空间分辨率,提取通用的低级和中级视觉特征,在训练中固定不变;第三、四层次逐步降低分辨率、增加特征种类,提取与冶金品位预测密切相关的高级语义特征,在训练中根据预测需求进行适应性调整;其中,所述高级语义特征包括:金色金属光泽中的细微色差、表面纹理疏密程度;

31、将所有视觉特征中每种特征的全部空间位置响应值取算术平均,将每种视觉特征压缩为一个单一数值,形成一个由数百个数值组成的特征向量;

32、将特征向量通过两次线性变换加一次非线性变换处理,将视觉特征的响应信息转换为五种元素的预测含量数值;

33、将五种元素的预测值乘以各元素在训练集上的标准差,再加上各元素在训练集上的均值,将标准化空间中的数值还原为具有实际物理意义的含量百分数。

34、可选地,输出五种元素的预测值包括:

35、采用基于随机采样的置信度评估或基于特征空间位置的置信度评方式评估各预测值的可靠程度。

36、本发明的有益效果为:

37、本发明通过在isa炉前部署工业相机采集取样图像,利用深度学习模型秒级预测品位,将检测周期缩短至秒级,使冰铜品位作为被控量具备在线实时反馈能力。本发明巧妙利用isa炉冶炼过程中天然产出的炉渣作为训练时的反例锚点,充分利用冶金流程自身的数据特征来解决感知环节的精度瓶颈,无需外部数据源或额外标注成本。具体如下:

38、1.将冰铜品位检测周期从传统的2~4小时缩短至秒级,使冰铜品位从“事后化验参数”转变为具备在线实时反馈能力的被控量,为isa炉熔炼工序的闭环工艺调控提供实时数据支撑。

39、2.巧妙利用isa炉冶炼过程中天然产出的炉渣作为反例锚点,无需外部数据源或额外标注成本,以零额外代价解决了小样本条件下冶金图像成分回归的精度瓶颈。

40、3.在四种不同设计理念的骨干网络(resnet-18、efficientnet-b0、mobilenet-v3-l、vit-b/16)上均完成验证,全部从无效状态提升至工业可用水平(cu元素r²最高达0.977),可灵活适配从边缘端轻量级部署到中心服务器高精度预测的不同工业场景。

41、4.反例增强效应完全由标准mse损失函数在同时优化两类样本时自发产生,不需要修改损失函数形式、不增加额外网络模块、不设计复杂的正负样本对构造策略,实现简单、部署便捷。

42、5.通过实时品位感知指导吹炼工序的精准操作,避免因品位偏差导致的吹炼时间延长、过吹风险和金属氧化损失,有效降低综合能耗、提高金属回收率。