深度学习技术在钢铁工业中的应用初探.docxVIP

深度学习技术在钢铁工业中的应用初探 人类社会正在经历以数字化、智能化为主要特征的新工业革命。钢铁工业作为国家基础工业，相较于其他基础行业，自动化和信息化底子厚、基础好，具备优先改造升级的条件和刚性需求。但是，因其工艺复杂，发展水平差异大，智能化不能一步到位，需要逐步推进。就人工智能而言，自1956年在达特茅斯会议上提出后，先后经历二次低谷三次浪潮，现在正处于第三次浪潮1图像分类方向图像分类，即对给定的输入图片预测其对应的类别，是计算机视觉最基础的任务。从AlexNet 烧结的产品质量影响高炉炼铁的质量、产量和效率，而决定烧结产品质量的关键因素是烧结终点。目前的烧结终点判定仍无成熟和完善的自动化方案，主要还是依赖人工看火。因此，受人工经验、疲劳程度和心理因素等影响，判定的结果受主观性影响较大。利用看火视频图像，采用CNN网络提取火焰特征，可实现高可靠和实时图像分类，准确判断烧结终点。烧结机尾排料口观察到的烧结断面图像如图1所示，其状态共分为3类：欠烧、正常及过烧。由于烧结料层自上而下进行烧结，从烧结的断层图像上可以看出烧结的状态。当红火层没有到达料层底部时，料层没有被烧透，红火层下方存在尚未烧结的黑色区域，称为欠烧，会严重影响产品质量；当红火层平稳到达矿料底部，所有区域都进行了烧结，这是期望的理想情况，称之为正常烧结；当料层在未被排出前完全烧透，料层出现上下贯穿的黑色区域，红火层熄灭，称为过烧，此时的烧结产品虽然也符合生产要求，但是过度的烧结会浪费燃料。方案实施时，首先从烧结断面视频获取图像，并结合烧结工人看火经验进行数据标注。实际生产中，因欠烧是不合格产品，宁可过烧也不允许欠烧存在，故图像样本稀少。针对因欠烧图像数量稀少产生的正、负样本不均衡的问题，采用生成对抗网络（Generative Adversarial Networks，GAN）2目标检测方向目标检测，即识别图像中感兴趣的目标并确定其位置和大小。随着RCNN在此方向，作者基于YOLOv2目标检测网络（图3）并进行改进3图像分割方向图像分割，即对给定的输入图片进行像素级别的分类，赋予每个像素点一个特定的类别，是计算机视觉的一个重要任务，在钢铁生产中应用前景广阔。本文将图像分割应用于输送带实时跑偏检测和扒渣机器人铁渣检测。（1）输送带实时跑偏检测：带式输送机作为钢铁、煤炭、矿山等行业中的主要运输设备，在运行过程中会由于表面受力不均匀发生跑偏，轻则导致物料洒落，重则酿成人员损伤和设备损失，引发生产安全事故。跑偏检测是通过判断传送带的边缘是否发生偏移来判断皮带运行状态。目前常用的皮带跑偏检测是接触式检测，通过机械或者电感、电容限位开关来检测跑偏极限位置，提供超限报警，无法提供实时连续皮带位置，也不能做到闭环连续纠偏控制。基于图像的传统边缘检测方法，如Canny本文将输送带边缘检测转换为图像分割中的像素级分类问题，基于图像分割的经典网络全卷积网络（Fully Convolutional Network，FCN）（2）扒渣机器人铁渣检测：铁水除渣是炼钢工序中提高铁水洁净度的重要环节。自动扒渣机器人工作的前提是对铁渣进行准确识别和判断。传统的图像分割算法在光照变化、粉尘扬尘和铁水罐壁遮挡等复杂环境下很难实现准确、可靠的分割，且速度较慢。基于深度学习的图像分割算法可以更好、更稳定地提取复杂特征，显著提升对铁水和铁渣的辨识能力和可靠性。通过提升训练数据集的样本数量和品质，可以获得更优的泛化能力和识别精度，满足生产需求。针对该应用，本文通过设计一种新的空间和通道注意力网络（Spatial and Channel Attention Network，SCANet）来有效地分割铁水和铁渣。SCANet网络结构如图7所示，首先，网络主干包含两个分支：（1）具有宽通道和浅层的空间分支，用于捕获低级细节信息；（2）具有窄通道和深层的语义分支，用以捕获高层上下文语义信息。两个分支使用特征融合模块对空间信息和语义信息进行融合。其次，在特征融合模块之后，使用空间和特征双注意力机制对融合之后的特征图进行学习：（1）空间注意力机制通过捕获像素点之间的远距离依赖关系进而解决孤立区域分割效果较差的问题；（2）通道注意力机制通过建模每个特征通道的重要性进而提高像素点的分割准确度。试验表明，该方法在精度和可靠性上均优于现有算法，能够为自动扒渣机器人的机械臂操作提供视觉感知信息。分割精度对比及分割效果分别见表3和图8。4CNN+LSTM结合的方法在钢铁生产中的应用CNN网络对单个样本的特征提取能力较强，但忽略了样本间的连续性。在实际场景中，过程变量往往具有连续性，仅考虑单个样本很容易受到噪声干扰产生误判，而LSTM能够更好地捕获时序连续性特征。利用CN