基于改进YOLOv7的转炉火焰燃烧状态检测研究

针对某炼钢厂A号转炉炉膛火焰燃烧状态分析判定问题,提出基于改进YOLOv7深度学习网络架构结合视频火焰状态的判断方法。首先引入无参平均注意力机制(PfAAM),在不添加参数或超参数的情况下捕获通道注意力和空间注意力,并使用轻量化上采样算子(CARAFE)、功能的内容感知重组进行上采样,使YOLOv7网络获得更好的鲁棒性和准确性。优化后的网络,MAP_0.5值提升了2.4%,精确率提升了5.5%,帧率达到了51.5帧/秒。结合视频图像Matlab火焰状态分析方法,充分利用图像和特征信息增加了对火焰状态判断的可解释性和鲁棒性,并提高了算法的安全性和可信度。实验结果也表明改进算法能够有效提升对火焰燃烧状态识别的准确率和实时性。

基于火焰图像特征与GRNN的转炉吹炼状态识别

随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特征,以及图像色彩特征,并研究了它们的变化过程。最后,利用广义回归神经网络(GRNN)建立图像特征和冶炼阶段之间的分类模型。实验结果表明,该方法能有效进行基于图像识别的转炉冶炼状态判断,具有较高的实用价值。

利用DirectShow提取转炉炉口火焰图像特征信息

由人工观测转炉炉口火焰演变情况来控制炼钢的吹炼过程是目前常用的方法,但长期以来存在着经验共享的困难.为了从中提取出炉口火焰潜在的规律并进行数据获取和保存,利用DirectShow技术设计了炉口火焰图像获取系统.该系统采用组件对象模型的构架方法,实现了采集设备的选取和视频流的预览、压缩、采集存储,并结合相关代码实现了图像特征提取,得到了温度和色调两种变化曲线.实际结果表明,该系统运行稳定,为在线动态地控制转炉炼钢过程及预报终点提供了一种相对便捷的方法.