一种钢包红外监测图像识别方法、装置及存储介质与流程

本申请涉及冶金领域及人工智能，特别涉及一种基于全卷积神经网络对钢包红外监测图像的识别方法、装置及存储介质。

背景技术：

1、冶金行业目前面临产能过剩、市场竞争激烈、环境压力加大、需求增速放缓等挑战，如何通过提高技术水平实现安全生产、降本增效、加强环境治理实现可持续发展至关重要。

2、钢包作为冶金过程关键的设备容器，用于炼钢厂、铸造厂在平炉、电炉或转炉前承接钢水、进行浇注作业。由于钢包在承接钢水及转运过程中，出于安全考虑人员无法近距离监测，并且存在钢水使用后因钢包中的钢水残留冷却影响钢包识别等多种状况。因此，如何通过技术手段实现钢包使用过程中的可靠性监测、及识别管控是钢厂一直在急需解决及重点关注的方向。

技术实现思路

1、本申请是鉴于上述问题完成的，本申请的目的在于提供一种基于全卷积神经网络的钢包红外监测图像识别方法，提高钢包在铁水转运过程中的钢包特征的识别准确度。

2、根据本申请的第一方面，提供了一种基于全卷积神经网络对钢包红外监测图像进行识别的方法，包括：

3、获取钢包的一张或多张红外热成像图像；

4、对获取的钢包的红外热成像图像利用全卷积神经网络fcn进行特征提取，并输出与低分辨率的钢包的红外热成像图像相对应的第一特征图像，和/或与高分辨率的钢包的红外热成像图像相对应的第二特征图像；

5、对所述第一特征图像和/或第二特征图像进行粗分割，其中在所述粗分割处理中，对所述第一特征图像和/或所述第二特征图像中的一维特征值进行分割及特征提取；

6、对进行所述粗分割处理后的所述第一特征图像和/或第二特征图像利用吉布斯分布进行细分割处理，其中，在所述细分割处理中，结合所述钢包的红外热成像图像的上、下文对所述粗分割处理后的所述第一特征图像和/或第二特征图像进行关联识别、特征提取；以及

7、对进行细分割后的所述第一特征图像和/或第二特征图像进行性能评估。

8、在本申请的第二方面，提供了一种钢包红外监测图像识别装置，包括：存储器和处理器；所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时前述的钢包红外监测图像识别方法。

9、在本申请的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现前述的钢包红外监测图像识别方法。

10、发明效果

11、在本申请中，基于全卷积神经网络稠密条件随机场深度学习分割算法fcn-dcrf(fully convolutional network-dense conditional random field)对钢包使用过程的红外热成像图像进行粗分割、细分割识别，能够有效地提高吊臂、包口、包底、钢包号等部位的特征的自动识别性能，提高图像特征识别的准确度。通过实时监测钢包状态，对钢包的异常状态进行预警，提高钢包在承接钢水及转运过程中的安全性

1.一种基于全卷积神经网络对钢包红外监测图像进行识别的方法，其特征在于，包括：

2.根据权利要求1所述的基于全卷积神经网络对钢包红外监测图像进行识别的方法，其特征在于，还包括：

3.根据权利要求1所述的基于全卷积神经网络对钢包红外监测图像进行识别的方法，

4.根据权利要求1所述的基于全卷积神经网络对钢包红外监测图像进行识别的方法，其特征在于，还包括：对满足性能评估的钢包的红外热成像图像进行深入学习。

5.根据权利要求1所述的基于全卷积神经网络对钢包红外监测图像进行识别的方法，其特征在于，采用准确率、召回率、f_β指数和j指数中的至少一项评估细分割后的钢包的红外热成像图像的性能。

6.根据权利要求5所述的基于全卷积神经网络对钢包红外监测图像进行识别的方法，其特征在于，当评估通过细分割处理获得的钢包的红外热成像图像的准确率p、召回率、fβ指数和j指数都低于规定的阈值时，判定为通过细分割处理获得的钢包的红外热成像图像的特征的识别度差，需再次利用fcn算法通过步骤s12-s14对钢包的红外热成像图像进行迭代识别处理。

7.一种钢包红外监测图像识别装置，其特征在于，包括：存储器和处理器；

8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-6中任一项所述的钢包红外监测图像识别方法。