CN109490861A - 一种高炉料线提取方法 - Google Patents

一种高炉料线提取方法 Download PDF

Info

Publication number
CN109490861A
CN109490861A CN201811268646.2A CN201811268646A CN109490861A CN 109490861 A CN109490861 A CN 109490861A CN 201811268646 A CN201811268646 A CN 201811268646A CN 109490861 A CN109490861 A CN 109490861A
Authority
CN
China
Prior art keywords
stockline
blast
radar
signal sequence
furnace
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811268646.2A
Other languages
English (en)
Other versions
CN109490861B (zh
Inventor
陈先中
张蒙
侯庆文
李江昀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201811268646.2A priority Critical patent/CN109490861B/zh
Publication of CN109490861A publication Critical patent/CN109490861A/zh
Application granted granted Critical
Publication of CN109490861B publication Critical patent/CN109490861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种高炉料线提取方法，能够提升高炉料线提取的精确性、泛化性及实时性。所述方法包括：采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；生成所述雷达回波信号的信号时序频谱图；对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取。本发明涉及高炉料线监测领域。

Description

一种高炉料线提取方法
技术领域
本发明涉及高炉料线监测领域，特别是指一种高炉料线提取方法。
背景技术
炼铁行业中，对高炉料面进行测量与优化控制以调整布料是提高生产效率和节能减排的关键，获取精确真实的料面信息有利于高炉布料策略的调整，保证炉内物料和炉内煤气流的合理分布，因此实时准确地获得高炉内料面形状信息具有重要的意义。目前，高频微波雷达作为高炉复杂环境下较为理想的测量传感器，在高炉料面探测中被广泛使用。通过快速傅里叶变换对采集到的雷达回波信号进行时频变换获取信号频谱，最后通过频谱上料面回波对应的峰值谱线号与雷达测量距离之间的线性关系计算出待测料线的距离值。
但现场采集到的回波信号在频谱上的能量分布主要由布料溜槽、十字测温装置、真实物料回波和强背景噪声组成，属非线性、非平稳信号，真实的料面回波常常被掩盖其中，难以识别。目前雷达信号处理算法的基本模式是根据离散傅里叶变换得到信号频率的粗略估计，再利用离散频谱校正算法进行精细估计。该模式建立在寻峰的基础上，对雷达回波信号有很高的要求，且该模式是对各组雷达信号进行独立处理，缺乏更深层次的挖掘隐含在各组雷达信号之间的中的真实料面连续变化的规律信息，存在严重的信息泄露。面对高炉恶劣环境，现有算法容易出现料线失踪和局部跳变等问题。
发明内容
本发明要解决的技术问题是提供一种高炉料线提取方法，以解决现有技术所存在的检测料线时易出现料线失踪和局部跳变的问题。
为解决上述技术问题，本发明实施例提供一种高炉料线提取方法，包括：
采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；
生成所述雷达回波信号的信号时序频谱图；
对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；
构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；
实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取。
进一步地，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达***的安装原则，在高炉炉顶布设相应雷达***，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
进一步地，所述生成所述雷达回波信号的信号时序频谱图包括：
对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图。
进一步地，所述对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图包括：
通过快速傅里叶变换对雷达回波信号进行时频转换，获取雷达回波信号的幅值频谱；
根据炉顶雷达与料面之间的距离，对各组雷达回波信号的幅值频谱进行区间截取，并对幅值进行归一化处理；
根据雷达回波信号在时间序列上的连续性，以连续M组所述归一化处理后的信号频谱数据为单位，时序排列构成二维矩阵；
对所述二维矩阵进行灰度映射，生成信号时序频谱灰度图。
进一步地，在所述生成信号时序频谱灰度图之后，所述方法还包括：
采用立方插值拉伸信号时序频谱灰度图的高度。
进一步地，所述对所述信号时序频谱图进行数据增强包括：
通过水平翻转对生成的所述信号时序频谱图进行数据增强。
进一步地，所述获取料线标注结果包括：
获取数据增强后的信号时序频谱图中料线的逐像素标注结果，其中，标注内容包括：料线的变化趋势及料线上的浮动、双层料线、连续断层；
通过预设的像素阈值，将将标注图片中大于等于预设的像素阈值的像素值转换成第一标识，小于预设的像素阈值的像素值转换成第二标识，生成与信号时序频谱图一一对应的第一标识-第二标识标签图片。
进一步地，所述构建模块化全卷积网络模型包括：
构建包含特征提取模块、特征融合模块及特征解码模块的模块化全卷积网络模型；其中，
所述特征提取模块，由若干个卷积单元与池化层交叉构成，用于通过不同层次的卷积单元对输入信号时序频谱图中的料线特征进行学习，得到不同层次、不同尺寸的特征图；
所述特征融合模块，用于对特征提取模块提取到的不同层次、不同尺寸的特征图进行融合；
所述特征解码模块，用于对特征图进行上采样操作获取与标签图片相同尺寸的网络输出，并改变输出通道数使其与像数类别数保持一致，获取料线分割结果。
进一步地，所述料线分割数据库包括：训练集、验证集和测试集；
所述根据建立的料线分割数据库训练所述模块化全卷积网络模型包括：
利用所述训练集训练所述模块化全卷积网络模型；
利用所述验证集优化、调整所述模块化全卷积网络模型的超参数；
利用所述测试集测试、评价所述模块化全卷积网络模型的性能。
进一步地，所述雷达***包括：分布式阵列雷达、扫描雷达和/或相控阵雷达。
本发明的上述技术方案的有益效果如下：
上述方案中，采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；生成所述雷达回波信号的信号时序频谱图，其中，不同雷达在不同时间段内的信号时序频谱图各有差异；对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取，实现生产过程中对高炉料线变化趋势的实时检测。这样，通过料线分割数据库完整体现高炉生产过程中径向各区域料线在连续时间范围内的变化规律，且通过多雷达信号时序频谱图训练同一模型，能够有效提高模型的泛化性能，从而提升高炉料线提取精确性、泛化性及实时性。
附图说明
图1为本发明实施例提供的高炉料线提取方法的流程示意图；
图2为本发明实施例提供的高炉料线提取方法的详细流程示意图；
图3为本发明实施例提供的八点分布式阵列雷达安装示意图；
图4为本发明实施例提供的采集到的高炉雷达信号时域图；
图5为本发明实施例提供的生成的信号时序频谱图示意图；
图6为本发明实施例提供的料线局部细节示意图；
图7为本发明实施例提供的料线标注结果示意图；
图8为本发明实施例提供的模块化全卷积网络模型结构示意图；
图9为本发明实施例提供的料线分割结果示意图；
图10为本发明实施例提供的料线检测对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的检测料线时易出现料线失踪和局部跳变的问题，提供一种高炉料线提取方法。
如图1所示，本发明实施例提供的高炉料线提取方法，包括：
S101，采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；
S102，生成所述雷达回波信号的信号时序频谱图；
S103，对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；
S104，构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；
S105，实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取。
本发明实施例所述的高炉料线提取方法，采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；生成所述雷达回波信号的信号时序频谱图，其中，不同雷达在不同时间段内的信号时序频谱图各有差异；对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取，实现生产过程中对高炉料线变化趋势的实时检测。这样，通过料线分割数据库完整体现高炉生产过程中径向各区域料线在连续时间范围内的变化规律，且通过多雷达信号时序频谱图训练同一模型，能够有效提高模型的泛化性能，从而提升高炉料线提取的精确性、泛化性及实时性。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达***的安装原则，在高炉炉顶布设相应雷达***，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述生成所述雷达回波信号的信号时序频谱图包括：
对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图包括：
通过快速傅里叶变换对雷达回波信号进行时频转换，获取雷达回波信号的幅值频谱；
根据炉顶雷达与料面之间的距离，对各组雷达回波信号的幅值频谱进行区间截取，并对幅值进行归一化处理，假设，截取范围为N；
根据雷达回波信号在时间序列上的连续性，以连续M组所述归一化处理后的信号频谱数据为单位，时序排列构成二维矩阵，则二维矩阵的大小为N*M；
对所述二维矩阵进行灰度映射，生成信号时序频谱灰度图。
在前述高炉料线提取方法的具体实施方式中，进一步地，为更加精细的体现所述信号时序频谱图中料线的变化细节及便于精细标注，在所述生成信号时序频谱灰度图之后，所述方法还包括：
采用立方插值拉伸信号时序频谱灰度图的高度。
本实施例中，根据雷达测距原理，料线待测距离与频谱峰值谱线号成正比，转换成图像后，图像中的料线距离与其在图像中的高度成正比；因此，可以采用立方插值拉伸信号时序频谱灰度图的高度，例如，可以将图像高度拉伸一倍，宽度不变，这样，可以在保证料线距离不变的前提下更清晰的显示料线变化细节，同时方便标注。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述对所述信号时序频谱图进行数据增强包括：
通过水平翻转对生成的所述信号时序频谱图进行数据增强。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述获取料线标注结果包括：
获取数据增强后的信号时序频谱图中料线的逐像素标注结果，其中，标注内容包括：料线的变化趋势及料线上的浮动、双层料线、连续断层；
通过预设的像素阈值，将将标注图片中大于等于预设的像素阈值的像素值转换成第一标识，小于预设的像素阈值的像素值转换成第二标识，生成与信号时序频谱图一一对应的第一标识-第二标识标签图片。
本实施例中，通过预设的像素阈值，可以将标注图片中大于等于预设的像素阈值(即：料线对应)的像素值转换成第一标识(例如，0)，小于预设的像素阈值(背景对应)的像素值转换成第二标识(例如，1)，生成与信号时序频谱图一一对应的0-1标签图片，以便在网络训练中，通过标签图片和网络输出结果计算网络损失函数，更新网络参数。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述构建模块化全卷积网络模型包括：
所述特征提取模块，由若干个卷积单元与池化层交叉构成，用于通过不同层次的卷积单元对输入信号时序频谱图中的料线特征进行学习，得到不同层次、不同尺寸的特征图；其中，假设，卷积单元为5个，浅层的卷积单元(例如，第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元和)学习边缘、纹理和形状等局部特征，深层的卷积单元(例如，第五卷积单元)再此基础上将浅层特征相融合，学习更抽象、更本质的特征；
所述特征融合模块，用于对特征提取模块提取到的不同层次、不同尺寸的特征图进行融合，以便通过添加的卷积层学习不同浅层特征和深层特征在空间位置和通道间的对应关系，使特征图在解码过程中通过浅层特征的融合弥补深层抽象特征在目标细节上的缺失；浅层特征和深层特征在空间位置和通道上的区别使特征图融合方式的不同对网络模型的性能影响较大；
所述特征解码模块，用于对特征图进行上采样操作获取与标签图片相同尺寸的网络输出，并改变输出通道数使其与像数类别数保持一致，获取料线分割结果。
本实施例中，构建的模块化全卷积网络模型结构包括：特征提取模块、特征融合模块及特征解码模块；其中，
特征提取模块：选择卷积神经网络作为特征提取模块的基础模型；移除卷积神经网络中的全连接层和输出层；卷积神经网络中含有五个卷积单元，每个卷积单元由数个卷积层、1个修正线性单元和1个批归一化单元共同组成，具体的：前面两个卷积单元均由两个卷积层串联组成，后面三个卷积单元均由三个卷积层串联组成，每个卷积层后设置修正线性单元和批量归一化单元；确定卷积神经网络中卷积核尺寸；卷积神经网络中五个卷积单元与池化层交替连接，采用最大值池化，池化窗口尺寸为2*2，滑动步长为2*2；
本实施例中，由于线性模型表达能力不足，修正线性单元的使用，为网络引入非线性特性，使模块化全卷积网络模型可以表示输入输出之间非线性的复杂的任意函数映射，具备计算速度快、求导简单、单侧抑制、稀疏激活性、更宽的兴奋边界且不会造成梯度弥散等优点；批量归一化单元通过对层间数据分布的变化进行调整，能够加快网络训练收敛速度，防止过拟合提高网络的泛化能力。
特征融合模块：设置特征图间的融合方式为拼接；在特征图融合之前，通过卷积核尺寸为1*1的卷积层改变特征图通道数；在特征图融合之后，通过卷积核尺寸为1*1的卷积层改变特征图通道数；
特征解码模块：在第五个池化层pool5后，依次添加三个卷积层，设置第一个卷积层与pool5的输出特征图同等尺寸的卷积核，后续两个卷积层的卷积核尺寸为1*1，依次降低特征图的通道数，使最终的特征图通道数为类别个数，得到特征图score5；通过反卷积对score5进行二倍上采样，得到pool5层特征解码结果score_up5；将第四个池化层pool4的特征图进行1*1卷积运算后的结果与score_up5融合，通过1*1卷积运算改变融合之后的特征图通道数与pool4保持一致并通过反卷积层进行二倍上采样，得到pool4层特征解码结果score_up4；将第三个池化层pool3的特征图进行1*1卷积运算后的结果与score_up4融合，通过卷积核为1*1的卷积层改变融合之后的特征图通道数与pool3保持一致并通过反卷积层进行八倍上采样，获取最终料线分割结果，其通道数与类别数一致。
本实施例中，还设置模块化全卷积网络模型损失函数为交叉熵损失函数，以便在模块化全卷积网络模型训练过程中进行参数更新，并添加L2参数正则项；
S42、训练模块化全卷积网络模型的工作原理包括：特征提取模块参数初始化选取在ImageNet上预训练的卷积神经网络模型参数，模型其余模块参数初始化均采用截断正态分布；采用批量梯度下降法优化模型参数；初始化学习率为10-4，更新策略为每迭代5000次缩小10倍；在网络优化过程中，根据网络模型在验证集上的性能指标对其超参数进行调整，其中，所述超参数包括：每个批次中包含样本的数量(batch_size)，学习率(learning_rate)，网络迭代次数等。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述料线分割数据库包括：训练集、验证集和测试集；
所述根据建立的料线分割数据库训练所述模块化全卷积网络模型包括：
利用所述训练集训练所述模块化全卷积网络模型；
利用所述验证集优化、调整所述模块化全卷积网络模型的超参数；
利用所述测试集测试、评价所述模块化全卷积网络模型的性能。
本实施例红，所述训练集是指用来训练模块化全卷积网络模型的数据集，验证集是指在训练过程中用来优化、调整模块化全卷积网络模型超参数的数据集，测试集是指用来测试模块化全卷积网络模型性能并进行性能评价的数据集。
在前述高炉料线提取方法的具体实施方式中，进一步地，所述雷达***包括：分布式阵列雷达、扫描雷达和/或相控阵雷达。
本实施例所述的高炉料线提取方法适用于高炉生产过程中对高炉料线变化的连续长时间的精确监测，有助于优化调整布料策略，提高生产效率并实现节能减排；适用的雷达***不限于分布式阵列雷达、扫描雷达和/或相控阵雷达，凡利用雷达在连续时间范围内的料线追踪的场合均适用。
本实施例所述的高炉料线提取方法不限于高炉料线提取任务，在应用于目标距离检测的各种工业雷达场景下具有通用性，其根本特点在于结合模块化全卷积网络模型和信号时序频谱图，将传统信号处理以图像分割的形式完成，且满足精确性、泛化性和实时性。
综上，本发明的上述技术方案的有益效果如下：
1)建立一个用于高炉料线提取的料线分割数据库，该料线分割数据库由高炉现场雷达信号时序频谱图及其标注结果构成，能够完整体现高炉生产过程中径向各区域料线在连续时间范围内的变化规律，且不同雷达在不同时间段内的信号时序频谱图各有差异，该料线分割数据库的建立为高炉料线提取提供了数据支持；
2)针对高炉料线精确提取的目标，构建包含特征提取模块、特征融合模块及特征解码模块的模块化全卷积网络模型，采用训练集训练模块化全卷积网络模型参数，采用验证集优化调整模块化全卷积网络模型的参数，多雷达信号时序频谱图用于训练同一模型，能够有效提高模型的泛化性能，解决已有算法在高炉环境下容易出现的料线失踪和局部跳变等问题。
为了更好地理解本发明，基于八点分布式阵列雷达***，对本发明实施例所述的高炉料线提取方法进行说明：
本发明实施例由两个部分组成：
第一部分为料线分割数据库的建立，包括数据采集、图像生成、数据增强及数据标注，为后续算法设计提供数据支持；
第二部分为构建模块化全卷积网络模型，通过训练集训练模块化全卷积网络模型参数，通过验证集优化调整模块化全卷积网络模型的超参数，并在测试集上测试模块化全卷积网络模型的性能。
本发明实施例在Ubuntu16.04操作***下，在基于Nvidia GTX 1080Ti的GPU硬件平台上搭建TensorFlow深度学习框架，完成模块化全卷积网络模型的训练与测试。
本实施例所述的高炉料线提取方法，如图2所示，具体步骤可以包括：
S1，采集高炉现场八点分布式阵列雷达***雷达回波信号；
S2，对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成信号时序频谱图；
S3，对生成的信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；
S4，构建包含特征提取模块、特征融合模块及特征解码模块的模块化全卷积网络模型，并根据所述料线分割数据库训练模块化全卷积网络模型；
S5，实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取，实现对高炉料线的变化趋势进行实时检测。
本实施例中，所述采集高炉现场八点分布式阵列雷达***雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及分布式雷达***的安装原则，在高炉炉顶布设八点分布式阵列雷达***，满足雷达料面径向环式全覆盖，其安装示意图如图3所示，图3中的①-⑧表示八点分布式阵列雷达***中的八个雷达；在高炉生产过程中连续四天采集八个雷达的回波信号，分别对应高炉料面径向上的不同区域，如图4所示；
本实施例中，所述对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成信号时序频谱图包括：
由图4可知单个雷达回波信号中包含1024个数据点，通过快速傅里叶变换对雷达回波信号进行时频转换，获取雷达回波信号的幅值频谱，可用向量表示为[x1,x2,…x512]T；根据炉顶雷达与料面之间的有限距离，对各组雷达回波信号的幅值频谱进行区间截取，截取范围之后的向量表示为[x1,x2,…x128]T，并对幅值进行归一化处理；根据雷达回波信号在时间序列上的连续性及时间间隔，以连续256组所述归一化处理后的信号频谱数据为单位，时序排列构成二维矩阵，其尺寸为128*256；对所述二维矩阵进行灰度映射，生成信号时序频谱灰度图；为更加精细的体现所述信号时序频谱图中料线的变化细节及便于精细标注，采用立方插值调整其尺寸为256*256，其中，1#、6#、7#雷达的信号时序频谱图如图5所示；
本实施例中，所述对生成的信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库包括：
通过水平翻转对生成的所述信号时序频谱图进行数据增强；对数据增强后的所有信号时序频谱图中的料线进行逐像素手工标注，标注内容包括：料线的整体变化趋势及料线上的微小浮动、双层料线、连续微弱断层等局部变化细节，通过预设的像素阈值，将标注图片转变生成0-1标签，料线局部变化细节如图6所示，其中，(a)为微小浮动，(b)为双层料线，(c)为连续微弱断层，6#雷达料线标注图如图7所示；本实施例中选用1#、6#、7#雷达回波信号建立料线分割数据库，共包含5692幅信号时序频谱图，打乱顺序后选取其中75％为训练集、10％为验证集、15％为测试集，三个数据集中不包含相同的图片；
本实施例中，S4中构建的模块化全卷积网络模型的结构包括：特征提取模块、特征融合模块及特征解码模块；其中，
特征提取模块：选择VGG16作为特征提取模块的基础模型；移除VGG16中的全连接层和输出层；VGG16中含有五个卷积单元，每个卷积单元由数个卷积层、1个修正线性单元和1个批归一化单元共同组成，具体的：前面两个卷积单元均由两个卷积层串联组成，后面三个卷积单元均由三个卷积层串联组成，每个卷积层后设置修正线性单元和批量归一化单元；确定卷积神经网络中卷积核尺寸为(3,6)；卷积神经网络中五个池化层与卷积单元交替连接，采用最大值池化，池化窗口尺寸为2*2，滑动步长为2*2；
特征融合模块：在特征图融合之前，添加卷积核尺寸为1*1的卷积层使两个特征图通道数保持一致；在特征图融合之后，通过卷积核尺寸为1*1的卷积层使特征图通道数减少一半；设置特征图间的融合方式为拼接，设待融合的两个特征图分别为f1＝f(x1,x2,…,xn)和f2＝f(y1,y2,…,ym)，其中xi，yi表示特征图中的单个通道，n，m为通道数，拼接融合方式可以表示为：
fconcat＝f(x1,x2,…,xn,y1,y2,…ym)
特征解码模块：在第五个池化层maxpool5后，依次添加三个卷积层，设置第一个卷积层与maxpool5的输出特征图同等尺寸的卷积核，后续两个卷积层的卷积核尺寸为1*1，依次降低特征图的通道数，使最终的特征图通道数为像数类别个数，得到特征图score5；通过反卷积对score5进行二倍上采样，得到maxpool5层特征解码结果score_up5；将第四个池化层maxpool4的特征图进行1*1卷积运算后的结果与score_up5融合，通过1*1卷积运算改变融合之后的特征图通道数与maxpool4保持一致并通过反卷积层进行二倍上采样，得到maxpool4层特征解码结果score_up4；将第三个池化层maxpool3的特征图进行1*1卷积运算后的结果与score_up4融合，通过卷积核为1*1的卷积层改变融合之后的特征图通道数与maxpool3保持一致并通过反卷积层进行八倍上采样，获取最终料线分割结果，其通道数为2，分别对应料线和背景，完整网络模型结构图如图8所示，其中，a为特征提取模块，b为特征融合模块，c为特征解码模块；图8中，conv1、conv2、conv3、conv4、conv5分别表示第一个卷积单元、第二个卷积单元、第三个卷积单元、第四个卷积单元、第五个卷积单元，每个卷积单元由数个卷积层、修正线性单元、批归一化单元共同组成；maxpool1、maxpool2、maxpool3、maxpool4、maxpool5分别表示第一池化层、第二池化层、第三池化层、第四池化层、第五池化层，每个池化层的池化方式为最大值池化；fuse为特征融合层，在此将对应特征图拼接；deconv为反卷积层，对特征图进行上采样操作。
本实施中，设置模块化全卷积网络模型损失函数为交叉熵损失函数，并添加L2参数正则项，损失函数可表示为：
其中，m为训练集样本数量，yi像素类别的真实分布，yi′为像素类别的预测分布，ω为模型卷积核参数。
本实施例中，损失函数loss中包含L2参数正则项，loss在对具体参数求偏导时也包含L2正则项的部分，像素类别指的是：料线和背景两类。
本实施例中，训练模块化全卷积网络模型的工作原理包括：特征提取模块参数初始化选取在ImageNet上预训练的VGG16模型参数(pool5之前的参数)，模型其余模块参数初始化均采用截断正态分布；采用批量梯度下降法优化网络模型参数，计算完损失函数后，根据误差损失进行反向传播，对参数ω按照如下公式进行调整：
其中，ωnew和ωold为更新前后权值参数；ε为学习率，初始化学习率为10-4，更新策略为每迭代5000次缩小10倍；在网络迭代训练15000次，每经过一次迭代，计算一次损失函数，并进行参数更新；在迭代过程中如果验证集误差从逐渐减小开始逐渐变大，则认为网络出现过拟合，终止训练并调整超参数，直至网络达到最优；训练完毕后，将测试集送入网络模型进行料线提取，提取过程只进行一次前向传播，对网路输出结果进行像素转换，使提取的料线可视化，测试集分割结果如图9所示；
本实施例中，所述实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取，实现对高炉料线的变化趋势进行实时检测包括：
在高炉生产过程中通过八点分布式阵列雷达***实时采集雷达回波信号并生成信号时序频谱图，送入训练完成的网络模型，对其中的料线分割提取，实现生产过程中对高炉料线变化趋势的实时检测，与现有算法的对比结果如图10所示，其中，灰色代表通过有限冲激响应(Finite Impulse Response，FIR)带通滤波器结合快速傅里叶变换(FastFourier Transformation，FFT)及ChirpZ(ChirpZ为一种频谱细化算法)频谱校正算法提取的料线，黑色代表本发明的方法提取的料线。
上述实施例的结果表明本发明方法在高炉恶劣环境下能够精确实时的对高炉料线进行连续监测，且方法性能在不同雷达、不同时刻均保持一致，泛化性能良好。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种高炉料线提取方法，其特征在于，包括：
采集高炉现场雷达回波信号，其中，雷达***发出的雷达波能覆盖高炉径向料面各个区域；
生成所述雷达回波信号的信号时序频谱图；
对所述信号时序频谱图进行数据增强并获取料线标注结果，根据数据增强后的信号时序频谱图和料线标注结果，建立料线分割数据库；
构建模块化全卷积网络模型，根据建立的料线分割数据库训练所述模块化全卷积网络模型；
实时采集待检测的高炉雷达回波信号并生成信号时序频谱图，根据训练好的模块化全卷积网络模型，对所述信号时序频谱图进行料线分割提取。
2.根据权利要求1所述的高炉料线提取方法，其特征在于，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达***的安装原则，在高炉炉顶布设相应雷达***，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
3.根据权利要求1所述的高炉料线提取方法，其特征在于，所述生成所述雷达回波信号的信号时序频谱图包括：
对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图。
4.根据权利要求3所述的高炉料线提取方法，其特征在于，所述对采集到的雷达回波信号进行时频转变、归一化、时序展开及灰度映射，生成所述雷达回波信号的信号时序频谱图包括：
通过快速傅里叶变换对雷达回波信号进行时频转换，获取雷达回波信号的幅值频谱；
根据炉顶雷达与料面之间的距离，对各组雷达回波信号的幅值频谱进行区间截取，并对幅值进行归一化处理；
根据雷达回波信号在时间序列上的连续性，以连续M组所述归一化处理后的信号频谱数据为单位，时序排列构成二维矩阵；
对所述二维矩阵进行灰度映射，生成信号时序频谱灰度图。
5.根据权利要求4所述的高炉料线提取方法，其特征在于，在所述生成信号时序频谱灰度图之后，所述方法还包括：
采用立方插值拉伸信号时序频谱灰度图的高度。
6.根据权利要求1所述的高炉料线提取方法，其特征在于，所述对所述信号时序频谱图进行数据增强包括：
通过水平翻转对生成的所述信号时序频谱图进行数据增强。
7.根据权利要求1所述的高炉料线提取方法，其特征在于，所述获取料线标注结果包括：
获取数据增强后的信号时序频谱图中料线的逐像素标注结果，其中，标注内容包括：料线的变化趋势及料线上的浮动、双层料线、连续断层；
通过预设的像素阈值，将将标注图片中大于等于预设的像素阈值的像素值转换成第一标识，小于预设的像素阈值的像素值转换成第二标识，生成与信号时序频谱图一一对应的第一标识-第二标识标签图片。
8.根据权利要求7所述的高炉料线提取方法，其特征在于，所述构建模块化全卷积网络模型包括：
构建包含特征提取模块、特征融合模块及特征解码模块的模块化全卷积网络模型；其中，
所述特征提取模块，由若干个卷积单元与池化层交叉构成，用于通过不同层次的卷积单元对输入信号时序频谱图中的料线特征进行学习，得到不同层次、不同尺寸的特征图；
所述特征融合模块，用于对特征提取模块提取到的不同层次、不同尺寸的特征图进行融合；
所述特征解码模块，用于对特征图进行上采样操作获取与标签图片相同尺寸的网络输出，并改变输出通道数使其与像数类别数保持一致，获取料线分割结果。
9.根据权利要求1所述的高炉料线提取方法，其特征在于，所述料线分割数据库包括：训练集、验证集和测试集；
所述根据建立的料线分割数据库训练所述模块化全卷积网络模型包括：
利用所述训练集训练所述模块化全卷积网络模型；
利用所述验证集优化、调整所述模块化全卷积网络模型的超参数；
利用所述测试集测试、评价所述模块化全卷积网络模型的性能。
10.根据权利要求1所述的高炉料线提取方法，其特征在于，所述雷达***包括：分布式阵列雷达、扫描雷达和/或相控阵雷达。
CN201811268646.2A 2018-10-29 2018-10-29 一种高炉料线提取方法 Active CN109490861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811268646.2A CN109490861B (zh) 2018-10-29 2018-10-29 一种高炉料线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811268646.2A CN109490861B (zh) 2018-10-29 2018-10-29 一种高炉料线提取方法

Publications (2)

Publication Number Publication Date
CN109490861A true CN109490861A (zh) 2019-03-19
CN109490861B CN109490861B (zh) 2020-06-02

Family

ID=65693310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811268646.2A Active CN109490861B (zh) 2018-10-29 2018-10-29 一种高炉料线提取方法

Country Status (1)

Country Link
CN (1) CN109490861B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647891A (zh) * 2019-09-17 2020-01-03 上海仪电（集团）有限公司中央研究院 基于cnn和自编码器时序数据特征自动提取方法及***
CN110819751A (zh) * 2020-01-09 2020-02-21 江苏金恒信息科技股份有限公司 一种基于雷达数据处理的高炉料线获取方法及装置
CN111449644A (zh) * 2020-03-19 2020-07-28 复旦大学 一种基于时频变换和数据增强技术的生物电信号分类方法
CN111784642A (zh) * 2020-06-10 2020-10-16 中铁四局集团有限公司 一种图像处理方法、目标识别模型训练方法和目标识别方法
CN113627283A (zh) * 2021-07-23 2021-11-09 中冶南方工程技术有限公司 基于雷达回波信号的料面测量方法、终端设备及存储介质
CN114136194A (zh) * 2021-10-12 2022-03-04 江苏丰尚智能科技有限公司 仓内物料体积监测方法、装置、监测设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160341825A1 (en) * 2014-01-20 2016-11-24 Tmt Tapping-Measuring-Technology Sàrl Device for determining the topography of the burden surface in a shaft furnace
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及***
CN108009629A (zh) * 2017-11-20 2018-05-08 天津大学 一种基于全卷积台标分割网络的台标分割方法
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN108564587A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于全卷积神经网络的大范围遥感影像语义分割方法
CN108647568A (zh) * 2018-03-30 2018-10-12 电子科技大学 基于全卷积神经网络的草地退化自动提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160341825A1 (en) * 2014-01-20 2016-11-24 Tmt Tapping-Measuring-Technology Sàrl Device for determining the topography of the burden surface in a shaft furnace
CN108009629A (zh) * 2017-11-20 2018-05-08 天津大学 一种基于全卷积台标分割网络的台标分割方法
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及***
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN108564587A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于全卷积神经网络的大范围遥感影像语义分割方法
CN108647568A (zh) * 2018-03-30 2018-10-12 电子科技大学 基于全卷积神经网络的草地退化自动提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HOU QINGWEN 等: "Radar Data Processing of Blast Furnace Stock-Line Based on Spatio-Temporal Data Association", 《2015 34TH CHINESE CONTROL CONFERENCE (CCC)》 *
陈先中 等: "高炉雷达料面测量信号处理***改进", 《北京科技大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647891A (zh) * 2019-09-17 2020-01-03 上海仪电（集团）有限公司中央研究院 基于cnn和自编码器时序数据特征自动提取方法及***
CN110647891B (zh) * 2019-09-17 2023-01-24 上海仪电（集团）有限公司中央研究院 基于cnn和自编码器时序数据特征自动提取方法及***
CN110819751A (zh) * 2020-01-09 2020-02-21 江苏金恒信息科技股份有限公司 一种基于雷达数据处理的高炉料线获取方法及装置
WO2021139399A1 (zh) * 2020-01-09 2021-07-15 江苏金恒信息科技股份有限公司 一种基于雷达数据处理的高炉料线获取方法及装置
CN111449644A (zh) * 2020-03-19 2020-07-28 复旦大学 一种基于时频变换和数据增强技术的生物电信号分类方法
CN111784642A (zh) * 2020-06-10 2020-10-16 中铁四局集团有限公司 一种图像处理方法、目标识别模型训练方法和目标识别方法
CN111784642B (zh) * 2020-06-10 2021-12-28 中铁四局集团有限公司 一种图像处理方法、目标识别模型训练方法和目标识别方法
CN113627283A (zh) * 2021-07-23 2021-11-09 中冶南方工程技术有限公司 基于雷达回波信号的料面测量方法、终端设备及存储介质
CN113627283B (zh) * 2021-07-23 2024-05-24 中冶南方工程技术有限公司 基于雷达回波信号的料面测量方法、终端设备及存储介质
CN114136194A (zh) * 2021-10-12 2022-03-04 江苏丰尚智能科技有限公司 仓内物料体积监测方法、装置、监测设备和存储介质

Also Published As

Publication number Publication date
CN109490861B (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN109490861A (zh) 一种高炉料线提取方法
CN109191476A (zh) 基于U-net网络结构的生物医学图像自动分割新方法
CN109859190A (zh) 一种基于深度学习的目标区域检测方法
CN110119780A (zh) 基于生成对抗网络的高光谱图像超分辨重建方法
CN107194872A (zh) 基于内容感知深度学习网络的遥感图像超分辨率重建方法
CN109934154B (zh) 一种遥感影像变化检测方法及检测装置
CN107766794A (zh) 一种特征融合系数可学习的图像语义分割方法
CN106683048A (zh) 一种图像超分辨率方法及设备
CN106355151A (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN107862668A (zh) 一种基于gnn的文物图像复原方法
CN106570893A (zh) 一种基于相关滤波的快速稳健视觉跟踪方法
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及***
CN109685716A (zh) 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法
CN109001736A (zh) 一种基于深度时空预测神经网络的雷达回波外推方法
CN104376529A (zh) 一种基于glcm的灰度图像彩色化***和方法
CN104992403B (zh) 一种基于视觉相似度度量的混合操作算子图像重定向方法
CN103325120A (zh) 一种快速自适应支持权值双目视觉立体匹配方法
CN110349185A (zh) 一种rgbt目标跟踪模型的训练方法及装置
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN109712183A (zh) 基于深度学习的电子散斑干涉智能信息提取方法
CN108664994A (zh) 一种遥感图像处理模型构建***和方法
CN110322403A (zh) 一种基于生成对抗网络的多监督图像超分辨重建方法
CN107607942A (zh) 基于深度学习模型的大尺度电磁散射与逆散射的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant