一种有色金属熔池熔炼液面波动行为测量方法及系统

1.本发明涉及冶金技术领域，特别是涉及一种有色金属熔池熔炼液面波动行为测量方法及系统。


背景技术：

2.近年来，有色金属工业发展迅速。在各类商品期货产品中，有色金属是实体经济必不可少的重要战略物资。有色金属，如铜，是通过熔融浴熔炼从矿物或废物中提取的。富氧顶吹浸没熔炼技术是熔池熔炼的杰出代表工艺之一。在此过程中，通过炉顶喷枪不断向熔池中注入大量空气和氧气，使熔池不断翻滚。在喷枪的充分搅拌下，炉料内完成磨砂熔化反应，混合的熔体通过溢流堰连续均匀排出。然而，剧烈搅拌虽然有助于加速化学反应，但容易造成熔池液面严重飞溅。特别是热液的溢出会降低炉衬和枪的寿命。由于测量手段的限制和液位波动的复杂性，目前还没有智能的方法来提取液位特征。


技术实现要素：

3.本发明的目的是提供一种有色金属熔池熔炼液面波动行为测量方法及系统，能够掌握液面波动行为，避免顶吹反应器入口、喷嘴和烟道的结渣。
4.为实现上述目的，本发明提供了如下方案：
5.一种有色金属熔池熔炼液面波动行为测量方法，包括：
6.获取有色金属熔池熔炼的液面波动视频；
7.对所述液面波动视频进行预处理，得到灰度图像；
8.根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性；
9.利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。
10.可选地，对所述液面波动视频进行预处理，得到灰度图像，具体包括：
11.利用数字图像处理技术，对所述液面波动视频进行分割处理，得到设定时间间隔的分割图像；
12.对所述分割图像进行灰度处理，得到灰度图像。
13.可选地，所述液面波动行为测量模型的训练方法为：
14.获取训练数据；所述训练数据包括液位训练图像及对应的液位像素；
15.构建u-net神经网络模型；
16.将所述训练数据输入所述u-net神经网络模型，并以输出的测量结果与所述液位像素之间的损失最小、像素准确度最大为目标进行训练，得到所述液面波动行为测量模型。
17.可选地，所述根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线，具体包括：
18.将所述灰度图像输入所述液面波动行为测量模型进行液位识别和提取，得到液位分布曲线，并将所述液位分布曲线上部的灰度像素替换为0，以及将所述液位分布曲线下部的灰度像素替换为1，得到液位像素分布曲线。
19.可选地，所述像素准确度计算公式为：
[0020][0021]
其中，pa为液位识别准确度，p
ta
为正确识别空气区域的像素数量，p
tl
为正确识别液体区域的像素数量，p
la
为液体区域的像素数被识别为气体区域的像素数量，p
al
为气体区域被识别为液体区域的像素数量。
[0022]
可选地，所述转化公式为：
[0023]
h＝r
·h[0024]
其中，h为液位真实高度，h为图像中液位与初始静止液位之间的像素点数，r为图像的像素高度与实际被拍摄的冶金炉窑或反应器的真实高度的比值。
[0025]
可选地，所述液面波动视频为利用远程拍摄设备获得的非接触式测量视频；所述远程拍摄设备为摄像机或录像机。
[0026]
本发明还提供了一种有色金属熔池熔炼液面波动行为测量系统，包括：
[0027]
视频采集模块，用于获取有色金属熔池熔炼的液面波动视频；
[0028]
图像灰度模块，用于对所述液面波动视频进行预处理，得到灰度图像；
[0029]
模型测量模块，用于根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性；
[0030]
真实转化模块，用于利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。
[0031]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0032]
本发明公开了一种有色金属熔池熔炼液面波动行为测量方法及系统，所述方法包括对有色金属熔池熔炼的液面波动视频先进行预处理，得到灰度图像，并将灰度图像输入液面波动行为测量模型进行识别和提取，确定液位像素分布曲线，最后根据转化公式，将液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化，并且，液面波动行为测量模型是根据u-net神经网络模型构建的，并利用损失函数和像素准确度计算公式确定测量模型的准确性和液位曲线提取的准确性，能够掌握液面波动行为，识别喷溅特征，避免顶吹反应器入口、喷嘴和烟道的结渣。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。
[0034]
图1为本发明有色金属熔池熔炼液面波动行为测量方法的流程示意图；
[0035]
图2为本实施例中顶吹反应器及喷吹搅拌气液混合示意图；
[0036]
图3为本实施例中获取液位真实高度流程图；
[0037]
图4为本实施例中顶吹反应器液位波动曲线；
[0038]
图5为本实施例中不同图像尺寸送入u-net提取液位波动曲线。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
[0040]
本发明的目的是提供一种有色金属熔池熔炼液面波动行为测量方法及系统，能够掌握液面波动行为，避免顶吹反应器入口、喷嘴和烟道的结渣。
[0041]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0042]
如图1所示，本发明提供了一种有色金属熔池熔炼液面波动行为测量方法，包括：
[0043]
步骤100：获取有色金属熔池熔炼的液面波动视频。所述液面波动视频为利用远程拍摄设备获得的非接触式测量视频；所述远程拍摄设备为摄像机或录像机。
[0044]
步骤200：对所述液面波动视频进行预处理，得到灰度图像。
[0045]
步骤300：根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性。
[0046]
步骤400：利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。
[0047]
其中，步骤200的一种具体实施方式，包括：
[0048]
利用数字图像处理技术，对所述液面波动视频进行分割处理，得到设定时间间隔的分割图像；设定时间间隔为：两张图像之间的时间间隔为0.1～1秒。利用灰度公式，对所述分割图像进行灰度处理，得到灰度图像。
[0049]
步骤300的一种具体实施方式，包括：
[0050]
将所述灰度图像输入所述液面波动行为测量模型进行液位识别和提取，得到液位分布曲线，并将所述液位分布曲线上部的灰度像素替换为0，以及将所述液位分布曲线下部的灰度像素替换为1，得到液位像素分布曲线。
[0051]
所述像素准确度计算公式为：
[0052][0053]
其中，pa为液位识别准确度，p
ta
为正确识别空气区域的像素数量，p
tl
为正确识别液体区域的像素数量，p
la
为液体区域的像素数被识别为气体区域的像素数量，p
al
为气体区域被识别为液体区域的像素数量。
[0054]
所述转化公式为：
[0055]
h＝r
·h[0056]
其中，h为液位真实高度，h为图像中液位与初始静止液位之间的像素点数，r为图
像的像素高度与实际被拍摄的冶金炉窑或反应器的真实高度的比值。
[0057]
所述灰度公式为：
[0058]
gray＝0.30r+0.59g+0.11b
[0059]
其中，gray为图像中每个像素点的灰度值，r、g、b分别代表了彩色图像的三个颜色通道，r代表红色，g代表绿色，b代表蓝色。可根据适用场景，对所处理的不同的图像使用不同的灰度处理手段。
[0060]
此外，所述液面波动行为测量模型的训练方法为：
[0061]
获取训练数据；所述训练数据包括液位训练图像及对应的液位像素；
[0062]
构建u-net神经网络模型；
[0063]
将所述训练数据输入所述u-net神经网络模型，并以输出的测量结果与所述液位像素之间的损失最小、像素准确度最大为目标进行训练，得到所述液面波动行为测量模型。
[0064]
其中，训练数据可以在灰度图像集中随机选取一定数量的图像，手动标注液位，并将其分为训练集和测试集，训练集和测试集的图像数量可根据实际需求进行选择，训练集和测试集的图像数量可以为100，70，56，35和21等。在保证液位识别精度的情况下，训练集图像数量越少越好。将训练集和测试集送入深度学习模型中进行训练和测试，使得损失函数收敛，所使用的神经网络模型为u-net，对数据量要求少。训练集中的图像尺寸可以很小，以迎合工业实际中图像难获取的问题。
[0065]
在上述技术方案的基础上，提供如下实施例：
[0066]
s1、接收熔池液面波动信息，获取熔池液面波动视频。
[0067]
如图2所示，拍摄顶吹反应器内气液混合过程的液位波动图像。
[0068]
以富氧顶吹浸没式熔炼炉为基础，以熔池内气液混合状态为目标，建立了水模型(即顶吹反应器)。图2为顶吹反应器和气液混合实验系统。实验系统包括顶吹反应器、喷枪、气体流量计、气泵、摄像机等。值得一提的是，顶吹反应器的内径为18cm，喷枪的内径为1cm。实际上，在熔体熔化过程中，有许多物质参与反应，而且熔池的环境高温复杂。选择水为搅拌对象，空气为气相是简化实验研究的常用方法。另外，假定熔池初始状态为静态，暂时忽略化学反应、磨砂、炉渣对熔池的扰动以及壁面散热。因此，本实验属于复杂冶金过程的定性和半定量研究。
[0069]
而且在实验设计中，采用均匀设计方法，不考虑综合可比性的要求，完全满足均匀性的要求，使试验点的选择完全基于均匀性。因此，基于均匀设计，设计了顶吹反应器的三因素五水平实验(即u5(53)阵列)。其中3和5分别表示因子数和水平数。值得一提的是，水位初始高度为45cm，空气流速分别为16、40、80、120、160l/h，喷枪插入深度分别为20、25、30、35、40cm。
[0070]
s2、利用数字图像处理技术，对所述视频进行分割处理，得到一定时间间隔的图像集；
[0071]
如图3所示，步骤1，利用数字图像处理技术对视频进行分割。
[0072]
在深度学习和提取液位波动曲线之前，需要对视频和图像进行预处理。首先将2分钟的视频均匀分割成1200个图像。在此过程中，得到了随时间变化的液位灰度图像。每张图像的尺寸为900
×
2500，代表了液位波动的瞬时状态。
[0073]
s3、选用适当的灰度处理方法，对上述图像进行灰度处理；
[0074]
如图3所示，步骤1，利用数字图像处理技术对分割后的图像灰度处理。
[0075]
s4、在灰度图像集中随机选取一定数量的图像，手动标注液位，并将其分为训练集和测试集；
[0076]
如图3所示，步骤2，选取训练集和测试集，并对其进行手工液位标注。
[0077]
值得一提的是，初始液位被定义为液位波动的基线。从1200张灰度图像中选取一部分作为训练集和测试集，手动对这些图像的液位波动进行红色标注。在这个过程中需要有经验的研究人员来确保注释的准确性。另外，红色的液位线由支持向量机识别或通过建立坐标系将手动标注曲线转化为液位波动像素高度，并从图像顶部转换为像素点。
[0078]
s5、将训练集和测试集送入深度学习模型中进行训练和测试，使得损失函数收敛；
[0079]
如图3所示，步骤3，所采用模型为u-net模型。
[0080]
将1200张图像输入训练好的深度学习模型中，识别液位波动特征。在此过程中使用了卷积神经网络中的u-net模型。该模型可以根据训练数据提取出液面与空气之间关键位置的像素点。
[0081]
s6、将需要提取液位的图像送入训练好的上述模型，进行液位识别和提取，获得液位的像素分布曲线，曲线上部的灰度像素被替换为0，曲线下部的灰度像素被替换为1；
[0082]
如图3所示，步骤4，需要对步骤3中模型输出的图像进行后处理。连接液位像素，将连接线以下像素定义为1，连接线以上像素定义为0。通过这种操作，液位的波动是明显的。
[0083]
s7、根据所拍摄熔池实际尺寸与图像像素尺寸，通过转化公式将像素值转化为真实值；
[0084]
如图3所示，步骤5，建立以初始静止液位为x轴，以液位左侧起点为零点的坐标系。从坐标系中，可以观察到液面像素的分布位置。通过图像尺度与实际尺寸的比较，得到了液位的真实波动高度。值得一提的是，图中顶吹反应器内部的液体宽度为18cm，初始液体高度为45cm，顶部空气高度为5cm。
[0085]
s8、通过像素准确度计算公式判别所提取液位曲线与实际曲线的差异，并据此调整训练集和测试的图像数量，使得液位识别精度达到预期。
[0086]
在上述基础上，缩小训练集和测试集图像尺寸，可探索可被送入u-net模型中的最小图像尺寸。平均液位曲线mmlb和液位识别的像素精度pab如图5所示。
[0087]
本实施例的有益效果为：
[0088]
过度飞溅会增加熔池内喷枪的传热负荷，损坏炉衬。本技术通过研究顶吹反应器的液位波动特性，有利于延长喷枪和炉衬的使用寿命。此外，这项工作的贡献是双重的。首先，从流量数据分析的角度来看，所提出的深度学习模型可以使用更少的数据获得更准确的结果。该方案针对火法冶金复杂的环境和难以获得大量实时数据的问题。其次，从工业的角度来看，需要简单而智能的方法来指导工程实践。掌握顶吹反应器内液位的波动特性，可以避免顶吹反应器入口、喷嘴和烟道的结渣。
[0089]
本发明还提供了一种有色金属熔池熔炼液面波动行为测量系统，包括：
[0090]
视频采集模块，用于获取有色金属熔池熔炼的液面波动视频；
[0091]
图像灰度模块，用于对所述液面波动视频进行预处理，得到灰度图像；
[0092]
模型测量模块，用于根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动
行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性；
[0093]
真实转化模块，用于利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。
[0094]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0095]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种有色金属熔池熔炼液面波动行为测量方法，其特征在于，包括：获取有色金属熔池熔炼的液面波动视频；对所述液面波动视频进行预处理，得到灰度图像；根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性；利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。2.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，对所述液面波动视频进行预处理，得到灰度图像，具体包括：利用数字图像处理技术，对所述液面波动视频进行分割处理，得到设定时间间隔的分割图像；对所述分割图像进行灰度处理，得到灰度图像。3.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，所述液面波动行为测量模型的训练方法为：获取训练数据；所述训练数据包括液位训练图像及对应的液位像素；构建u-net神经网络模型；将所述训练数据输入所述u-net神经网络模型，并以输出的测量结果与所述液位像素之间的损失最小、像素准确度最大为目标进行训练，得到所述液面波动行为测量模型。4.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，所述根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线，具体包括：将所述灰度图像输入所述液面波动行为测量模型进行液位识别和提取，得到液位分布曲线，并将所述液位分布曲线上部的灰度像素替换为0，以及将所述液位分布曲线下部的灰度像素替换为1，得到液位像素分布曲线。5.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，所述像素准确度计算公式为：其中，pa为液位识别准确度，p
ta
为正确识别空气区域的像素数量，p
tl
为正确识别液体区域的像素数量，p
la
为液体区域的像素数被识别为气体区域的像素数量，p
al
为气体区域被识别为液体区域的像素数量。6.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，所述转化公式为：h＝r
·
h其中，h为液位真实高度，h为图像中液位与初始静止液位之间的像素点数，r为图像的像素高度与实际被拍摄的冶金炉窑或反应器的真实高度的比值。7.根据权利要求1所述的有色金属熔池熔炼液面波动行为测量方法，其特征在于，所述液面波动视频为利用远程拍摄设备获得的非接触式测量视频；所述远程拍摄设备为摄像机
或录像机。8.一种有色金属熔池熔炼液面波动行为测量系统，其特征在于，包括：视频采集模块，用于获取有色金属熔池熔炼的液面波动视频；图像灰度模块，用于对所述液面波动视频进行预处理，得到灰度图像；模型测量模块，用于根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据u-net神经网络模型构建的，对所述液面波动行为测量模型进行训练和测试，并利用损失函数和像素准确度计算公式确定模型准确性；真实转化模块，用于利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。

技术总结
本发明公开一种有色金属熔池熔炼液面波动行为测量方法及系统，涉及冶金技术领域。所述方法包括：获取有色金属熔池熔炼的液面波动视频；对所述液面波动视频进行预处理，得到灰度图像；根据所述灰度图像和液面波动行为测量模型，确定液位像素分布曲线；所述液面波动行为测量模型是根据U-net神经网络模型构建的，并利用损失函数和像素准确度计算公式确定模型准确性；利用转化公式，将所述液位像素分布曲线中的像素值转化为真实值，得到液位的真实波动变化。本发明能够掌握液面波动行为，避免顶吹反应器入口、喷嘴和烟道的结渣。喷嘴和烟道的结渣。喷嘴和烟道的结渣。


技术研发人员：王华 杨凯 肖清泰
受保护的技术使用者：昆明理工大学
技术研发日：2023.06.20
技术公布日：2023/9/9