1.本发明涉及冶金的技术领域，尤其涉及一种基于神经网络的回转窑气氛清 晰度检测方法及系统。
背景技术：2.现代化的钢铁工业生产要求准确掌握生产中的各种参数及其变化趋势，为 控制操作提供数据保证。这些数据包括物料配比、温度、压力、反应时间等。 然而大规模的钢铁工业生产常涉及到高温物料复杂、波动大、不确定影响因素 多等复杂情况。由于参数众多、缺乏有效的检测手段、所得数据有噪音，所以 很难建立起准确的数学模型，也就难以应用传统信息处理技术进行处理，因此 有必要探索一种新的信息处理技术。人工神经网络由于具有信息的分布存储、 并行处理以及自学习能力等优点，在许多方面更接近人对信息的处理方法，具 有模拟人的形象思维的能力；其独特的理论和处理问题的方法在信息处理、模 式识别、自动控制等方面具有独到的优点。它在国民经济和国防科技现代化建 设中具有广阔的应用领域和应用前景。它已开始并将更有力地为历史悠久的钢 铁冶金行业发挥强大的作用。
3.目前钢铁工业面临国际市场的激烈竞争，加强市场竞争能力，提高产品价 格性能比的要求也越来越高。解决这些问题的重要方法之一是在企业中实行低 成本自动化。回转窑工艺作为我国氧化球团主导工艺,具有大型、连续、高温、 封闭、非线性、大滞后等特点,目前生产自动化水平仍然较低。在实际生产中球 团矿质量的好坏与窑内温度场有直接的关系,然而由于回转窑处于旋转状态,窑 内气固相间不断的逆向流动,难于在线直接测量球团、烟气的清晰度。目前回转 窑内火焰气氛清晰度的判断是通过人工看火实现,无法实现智能化检测，这造成 了操作的随意性较大,对窑内温度判断不准确，容易出现生产不稳定、球团矿质 量不稳定、结圈、产能低等问题。
技术实现要素：4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：人工观察回转窑内火焰气氛清晰度，造 成了操作的随意性较大,对窑内温度判断不准确，容易出现生产不稳定、球团矿 质量不稳定、结圈、产能低等问题。
7.为解决上述技术问题，本发明提供如下技术方案：对球团回转窑中的实时 数据图像进行采集，并对所述实时数据图像进行预处理；
8.将所述与处理后的实时数据图像输入到人工神经网络进行自适应学习、训 练；
9.当自适应学习、训练完毕后，利用自适应训练出来的神经网络进行回转窑 气氛清晰度预报。
10.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述预处理包括图像灰度化和图像去噪。
11.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述图像灰度化包括，
12.将所述实时数据图像的彩色图像转换成灰度图像，并利用加权平均值法对 所述灰度图像进行处理，得到图像的灰度值；
13.rn＝gn＝bn＝0.299r0+0.587g0+0.114b014.其中，rn表示r通道图像的灰度值，gn表示g通道图像的灰度值，bn表示b 通道图像的灰度值，r0表示r通道图像的像素值，g0表示g通道图像的像素值， g0表示g通道图像的像素值。
15.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述图像去噪包括，
16.利用中值滤波法对所述实时数据图像进行去噪处理，得到去噪后图像，所 述图像去噪的计算包括，
17.f(x，y)＝median{g(x-k，y-l)，(k，l∈s)}
18.其中，f(x,y)表示去噪后图像，g(x,y)表示原始图像，(x,y)表示原始图像 的位置，k表示图像宽度，l表示图像长度，s表示二维滤波窗口。
19.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述人工神经网络的训练包括，
20.利用迭代算法对弱分类器进行训练，并判断样本点是否被准确分类，并对 所述样本点的权值进行更新；
21.利用权值完成更新的样本集训练下一个分类器，将各个训练得到的弱分类 器组合成强分类器。
22.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述样本点是否被准确分类的判断包括，
23.若样本点已经被准确分类，在构造下一个训练集中，降低所述样本点的权 值；
24.若样本点未被准确分类，在构造下一个训练集中，提高所述样本点的权值。
25.作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述迭代算法的计算包括，
26.对每个训练样本的权重w
1i
进行初始化，每个训练样本的初试权值为1/n， 得到训练集合w，所述训练集合w包括，
27.w＝(w
11
,w
12
...，w
1n
)
[0028][0029]
其中，w表示训练集合，w
1i
表示训练样本的权值，n表示训练样本数。
[0030]
作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：所述人工神经网络的学习包括，
[0031]
使用权值分布为wm的训练样本学习得到基分类器gm；
[0032]
基于权值分布为wm的训练样本的权值、基分类器gm，计算所述基分类器 gm的误差率；
[0033]
所述基分类器gm的误差率的计算包括，
[0034][0035]
其中，em表示误差率，w
mi
表示权值分布为wm的训练样本的权值，i表示 计数函数，xi表示输入，yi表示输出；
[0036]
基于基分类器gm的误差率计算权重系数并更新训练样本的权重；
[0037]
所述基分类器gm的权重系数的计算包括，
[0038][0039]
其中，αm表示权重系数，em表示误差率；
[0040]
更新后得到的训练样本的权重w
m+1，i
的计算包括，
[0041][0042]
循环迭代，得到一系列的权重系数αm和基分类器gm。
[0043]
作为本发明所述的基于神经网络的回转窑气氛清晰度检测方法的一种优 选方案，其中：包括，
[0044]
将所述基分类器gm根据权重系数αm线性组合f(x),得到最终分类器g(x)，
[0045][0046][0047]
本发明提供的一种基于神经网络的回转窑气氛清晰度检测方法的系统，包 括：总控制模块、数据采集模块、图像预处理、自适应训练模块、神经网络预 报以及命中率判决；
[0048]
系统通过总控制模块来实现对数据的采集、图像预处理、系统自适应训练、 神经网络预报等功能模块的调用；
[0049]
利用数据采集模块对球团回转窑中的实时数据图像进行采集，并通过工业 互联网平台将实时数据图像传到中央处理器；
[0050]
利用图像预处理对采集到的实时图像数据进行筛选、过滤噪声，通过数字 滤波对采样信号进行平滑加工，抑制干扰和噪声；
[0051]
基于自适应训练模块对图像预处理后的实时数据图像进行人工神经网络 的自适应学习、训练，紧密跟踪系统的动态变化；
[0052]
在自适应训练完毕后，利用自适应训练出来的神经网络进行回转窑气氛清 晰度预报；
[0053]
根据目标识别命中率进行统计判决，划分清洗度区域，并输出回转窑气氛 清晰度
值。
[0054]
本发明的有益效果：本发明采用智能化检测实现了实时全天候的检测，便 于及时调整窑内的温度，使得现场可以更佳稳定地检测球团的生产，球团产量 增加。
附图说明
[0055]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：
[0056]
图1为本发明一个实施例提供的一种基于神经网络的回转窑气氛清晰度检 测方法的基本流程示意图；图2为本发明一个实施例提供的一种基于神经网络的回转窑气氛清晰度检 测方法的adaboost算法原理图；图3为本发明一个实施例提供的一种基于神经网络的回转窑气氛清晰度检 测方法的弱分类器流程图；图4为本发明一个实施例提供的一种基于神经网络的回转窑气氛清晰度检 测方法的人工神经网络智能检测目标图；图5为本发明一个实施例提供的一种基于神经网络的回转窑气氛清晰度检 测方法的人工神经网络智能检测命中率图。
具体实施方式
[0057]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的 一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的 保护的范围。
[0058]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。
[0059]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。
[0060]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明， 表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例， 其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及 深度的三维空间尺寸。
[0061]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等 指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述 本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第 一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0062]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广 义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械 连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件 内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在 本发明中的具体含义。
[0063]
实施例1
[0064]
参照图1至图3，为本发明的一个实施例，提供了一种基于神经网络的回 转窑气氛清晰度检测方法，包括：
[0065]
s1：对球团回转窑中的实时数据图像进行采集，并对实时数据图像进行预 处理。需要说明的是：
[0066]
预处理包括图像灰度化和图像去噪。
[0067]
在回转窑生产中,会产生大量的粉尘,使得摄像机拍到的是含有噪声的窑内 焙烧图像,图像中的噪声信号显然不利于观察窑内的焙烧状况,因此有必要对原 始图像作预处理。焙烧图像中球团的位置比较固定,因此可不对图像进行图像分 割处理,而直接进行特征提取。所以本文对图像预处理的过程主要是图像的灰度 化和图像去噪。
[0068]
图像的灰度化处理是将彩色图像转换成灰度图像的过程。灰度图像是三个 分量相等的一种特殊的彩色图像,将彩色图像转变为灰度图像能减少图像的计 算量,同时灰度图像仍然反映图像中的全部特征。
[0069]
图像灰度化包括，
[0070]
将实时数据图像的彩色图像转换成灰度图像，并利用加权平均值法对灰度 图像进行处理，得到图像的灰度值；
[0071]rn
＝gn＝bn＝0.299r0+0.587g0+0.114b0[0072]
其中，rn表示r通道图像的灰度值，gn表示g通道图像的灰度值，bn表示b 通道图像的灰度值，r0表示r通道图像的像素值，g0表示g通道图像的像素值， g0表示g通道图像的像素值。
[0073]
在回转窑生产过程中，由于窑内的粉尘以及球团的运动使得窑内焙烧图像 含有大量的随机噪声，鉴于中值滤波对随机噪声的去噪能力较好，因此本发明 采用基于中值滤波法对采集到的回转窑焙烧图像进行去噪处理；中值滤波可以 做到既去除噪声又能保护图像的边缘，对图像中的脉冲噪声、扫描噪声等能有 较好的滤除效果。
[0074]
图像去噪包括，
[0075]
利用中值滤波法对实时数据图像进行去噪处理，得到去噪后图像，图像去 噪的计算包括，
[0076]
f(x，y)＝median{g(x-k，y-l)，(k，l∈s)}
[0077]
其中，f(x,y)表示去噪后图像，g(x,y)表示原始图像，(x,y)表示原始图像 的位置，k表示图像宽度，l表示图像长度，s表示二维滤波窗口。
[0078]
s2：将与处理后的实时数据图像输入到人工神经网络进行自适应学习、训 练。需要说明的是：
[0079]
本发明使用的人工神经网络算法主要是adaboost算法。该算法的自适应 在于：前一个基本分类器分错的样本会得到加强，加权后的全体样本再次被用 来训练下一个基本分类器；同时，在每一轮中加入一个新的弱分类器，直到达 到某个预定的足够小的错误率
或达到预先指定的最大迭代次数，原理图如图2 所示。
[0080]
人工神经网络的训练包括，
[0081]
利用迭代算法对弱分类器进行训练，并判断样本点是否被准确分类，并对 样本点的权值进行更新；
[0082]
利用权值完成更新的样本集训练下一个分类器，将各个训练得到的弱分类 器组合成强分类器，弱分类器流程图如图3所示。
[0083]
样本点是否被准确分类的判断包括，
[0084]
若样本点已经被准确分类，在构造下一个训练集中，降低样本点的权值；
[0085]
若样本点未被准确分类，在构造下一个训练集中，提高样本点的权值。
[0086]
将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结 束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较 大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函 数中起着较小的决定作用；换言之，误差率低的弱分类器在最终分类器中占的权 重较大，否则较小。
[0087]
迭代算法的计算包括，
[0088]
对每个训练样本的权重w
1i
进行初始化，每个训练样本的初试权值为1/n， 得到训练集合w，训练集合w包括，
[0089]
w＝(w
11
,w
12
...，w
1n
)
[0090][0091]
其中，w表示训练集合，w
1i
表示训练样本的权值，n表示训练样本数。
[0092]
人工神经网络的学习包括，
[0093]
①
使用权值分布为wm的训练样本学习得到基分类器gm；
[0094]
基于权值分布为wm的训练样本的权值、基分类器gm，计算基分类器gm的 误差率；
[0095]
②
基分类器gm的误差率的计算包括，
[0096][0097]
其中，em表示误差率，w
mi
表示权值分布为wm的训练样本的权值，i表示 计数函数，xi表示输入，yi表示输出；
[0098]
③
基于基分类器gm的误差率计算权重系数并更新训练样本的权重；
[0099]
基分类器gm的权重系数的计算包括，
[0100][0101]
其中，αm表示权重系数，em表示误差率；
[0102]
④
更新后得到的训练样本的权重w
m+1
，i的计算包括，
[0103][0104]
循环迭代
①
～
④
，得到一系列的权重系数αm和基分类器gm。
[0105]
将基分类器gm根据权重系数αm线性组合f(x),得到最终分类器g(x)，
[0106][0107][0108]
s3：当自适应学习、训练完毕后，利用自适应训练出来的神经网络进行回 转窑气氛清晰度预报。
[0109]
一种采用基于神经网络的回转窑气氛清晰度检测方法的系统，包括：总控 制模块、数据采集模块、图像预处理、自适应训练模块、神经网络预报以及命 中率判决；
[0110]
总控制模块：系统通过总控制模块来实现对数据的采集、图像预处理、系 统自适应训练、神经网络预报等功能模块的调用；
[0111]
数据采集模块：利用数据采集模块对球团回转窑中的实时数据图像进行采 集，并通过工业互联网平台将实时数据图像传到中央处理器；
[0112]
图像预处理：利用图像预处理对采集到的实时图像数据进行筛选、过滤噪 声，通过数字滤波对采样信号进行平滑加工，抑制干扰和噪声；
[0113]
自适应训练模块：基于自适应训练模块对图像预处理后的实时数据图像进 行人工神经网络的自适应学习、训练，紧密跟踪系统的动态变化；
[0114]
神经网络预报：在自适应训练完毕后，利用自适应训练出来的神经网络进 行回转窑气氛清晰度预报；
[0115]
命中率判决：根据目标识别命中率进行统计判决，划分清洗度区域，并输 出回转窑气氛清晰度值。
[0116]
本发明采用智能化检测实现了实时全天候的检测，便于及时调整窑内的温 度，使得现场可以更佳稳定地检测球团的生产，球团产量增加。
[0117]
实施例2
[0118]
参照图4和图5，为本发明的第二个实施例，该实施例不同于第一个实施 例的是，提供了一种基于神经网络的回转窑气氛清晰度检测方法的验证测试， 为对本方法中采用的技术效果加以验证说明，以验证本方法所具有的真实效果。
[0119]
本发明采用智能化检测对回转窑内火焰进行全天候检测，可实时智能测量 回转窑内气氛清晰度，并以是否能检测到回转窑圆筒尾部轮廓作为清晰度的标 准，如图4所示，图中火焰清晰，能清晰地看到圆筒尾部轮廓，表示生产稳定、 球团矿质量稳定、不易结圈、产能高，一旦出现尾部轮廓被遮挡，则表明火焰 气氛模糊，便于人为进行调整。
[0120]
利用人工神经网络智能对回转窑内的火焰气氛进行实时监测，当准确率达 到0.8以上且折线无波动时，气氛清晰；当折线高低起伏变化较快时，气氛模 糊，当准确率在0.1以下时，气氛差，工作人员可根据图5及时对回转窑内的 火焰气氛进行调整，使得火焰气氛保持较高的清晰度，从而使得生产稳定、产 量提高。
[0121]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发
明的权利要求范围当中。
技术特征：1.一种基于神经网络的回转窑气氛清晰度检测方法，其特征在于，包括：对球团回转窑中的实时数据图像进行采集，并对所述实时数据图像进行预处理；将所述与处理后的实时数据图像输入到人工神经网络进行自适应学习、训练；当自适应学习、训练完毕后，利用自适应训练出来的神经网络进行回转窑气氛清晰度预报。2.如权利要求1所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述预处理包括图像灰度化和图像去噪。3.如权利要求2所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述图像灰度化包括，将所述实时数据图像的彩色图像转换成灰度图像，并利用加权平均值法对所述灰度图像进行处理，得到图像的灰度值；r
n
＝g
n
＝b
n
＝0.299r0+0.587g0+0.114b0其中，r
n
表示r通道图像的灰度值，g
n
表示g通道图像的灰度值，b
n
表示b通道图像的灰度值，r0表示r通道图像的像素值，g0表示g通道图像的像素值，b0表示b通道图像的像素值。4.如权利要求2或3所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述图像去噪包括，利用中值滤波法对所述实时数据图像进行去噪处理，得到去噪后图像，所述图像去噪的计算包括，f(x，y)＝median{g(x-k，y-l)，(k，l∈s)}其中，f(x,y)表示去噪后图像，g(x,y)表示原始图像，(x,y)表示原始图像的位置，k表示图像宽度，l表示图像长度，s表示二维滤波窗口。5.如权利要求1所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述人工神经网络的训练包括，利用迭代算法对弱分类器进行训练，并判断样本点是否被准确分类，并对所述样本点的权值进行更新；利用权值完成更新的样本集训练下一个分类器，将各个训练得到的弱分类器组合成强分类器。6.如权利要求5所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述样本点是否被准确分类的判断包括，若样本点已经被准确分类，在构造下一个训练集中，降低所述样本点的权值；若样本点未被准确分类，在构造下一个训练集中，提高所述样本点的权值。7.如权利要求6所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述迭代算法的计算包括，对每个训练样本的权重w
1i
进行初始化，每个训练样本的初试权值为1/n，得到训练集合w，所述训练集合w包括，w＝(w
11
,w
12
...，w
1n
)
其中，w表示训练集合，w
1i
表示训练样本的权值，n表示训练样本数。8.如权利要求7所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：所述人工神经网络的学习包括，使用权值分布为w
m
的训练样本学习得到基分类器g
m
；基于权值分布为w
m
的训练样本的权值、基分类器g
m
，计算所述基分类器g
m
的误差率；所述基分类器g
m
的误差率的计算包括，其中，e
m
表示误差率，w
mi
表示权值分布为w
m
的训练样本的权值，i表示计数函数，x
i
表示输入，y
i
表示输出；基于基分类器g
m
的误差率计算权重系数并更新训练样本的权重；所述基分类器g
m
的权重系数的计算包括，其中，α
m
表示权重系数，e
m
表示误差率；更新后得到的训练样本的权重w
m+1，i
的计算包括，循环迭代，得到一系列的权重系数α
m
和基分类器g
m
。9.如权利要求8所述的基于神经网络的回转窑气氛清晰度检测方法，其特征在于：包括，将所述基分类器g
m
根据权重系数α
n
线性组合f(x),得到最终分类器g(x)，线性组合f(x),得到最终分类器g(x)，10.一种采用如权利要求1、5～9任一所述的基于神经网络的回转窑气氛清晰度检测方法的系统，其特征在于，包括：总控制模块、数据采集模块、图像预处理、自适应训练模块、神经网络预报以及命中率判决；系统通过总控制模块来实现对数据的采集、图像预处理、系统自适应训练、神经网络预报等功能模块的调用；利用数据采集模块对球团回转窑中的实时数据图像进行采集，并通过工业互联网平台将实时数据图像传到中央处理器；利用图像预处理对采集到的实时图像数据进行筛选、过滤噪声，通过数字滤波对采样信号进行平滑加工，抑制干扰和噪声；基于自适应训练模块对图像预处理后的实时数据图像进行人工神经网络的自适应学习、训练，紧密跟踪系统的动态变化；
在自适应训练完毕后，利用自适应训练出来的神经网络进行回转窑气氛清晰度预报；根据目标识别命中率进行统计判决，划分清洗度区域，并输出回转窑气氛清晰度值。
技术总结本发明公开了一种基于神经网络的回转窑气氛清晰度检测方法，包括：对球团回转窑中的实时数据图像进行采集，并对所述实时数据图像进行预处理；将所述与处理后的实时数据图像输入到人工神经网络进行自适应学习、训练；当自适应学习、训练完毕后，利用自适应训练出来的神经网络进行回转窑气氛清晰度预报。本发明通过智能摄像头采集数据，人工神经网络学习训练、智能化检测和判决，便可实时智能测量回转窑内气氛清晰度，帮助现场工人及时调整生产安排，智能化检测实现了实时全天候的检测，便于及时调整窑内的温度，使得现场可以更佳稳定地检测球团的生产，球团产量增加。球团产量增加。球团产量增加。
技术研发人员：韦振宁 苏志祁 覃和转 刘程贞 周罕龙 朱梦飞 陈光华 张立清
受保护的技术使用者：柳州钢铁股份有限公司
技术研发日：2022.07.07
技术公布日：2022/11/1
