(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211148946.3 (22)申请日 2022.09.21 (71)申请人 中冶南方工程 技术有限公司 地址 430223 湖北省武汉市东湖新 技术开 发区大学园路33号 (72)发明人 何遵义　严晗　蔡炜　 (74)专利代理 机构 北京大诚新创知识产权代理 有限公司 1 1848 专利代理师 黄国强 (51)Int.Cl. G01J 5/48(2006.01) G01J 5/00(2022.01) G01K 13/024(2021.01) G06T 7/00(2017.01) G06T 5/20(2006.01)G06T 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 高炉炉顶料面 温度分布的识别方法、 装置及 存储介质 (57)摘要 本发明提供了一种高炉炉顶料面温度分布 的识别方法、 装置及存储介质， 该方法同时利用 炉喉十字测温装置和炉顶红外摄像仪的测温数 据， 包括： S1， 建立用于识别炉顶料面温度分布 的、 基于生成对抗网络的深度学习神经网络模 型， 并利用炉喉十字测温装置和炉顶红外摄像仪 的测温数据进行训练； S2,获取选定时刻或时间 段的高炉十字测温数据和红外检测数据， 并将所 述选定时刻或时间段的十字测温数据和红外检 测数据输入训练好的所述深度学习神经网络模 型中的生 成器， 所述生成器输出所述选定时刻或 时间段的炉顶料面温度分布的识别结果。 利用上 述技术方案， 可以准确全面地识别高炉炉顶料面 温度分布信息 。 权利要求书2页 说明书8页 附图3页 CN 115541030 A 2022.12.30 CN 115541030 A 1.一种高炉炉顶料面温度分布的识别方法， 其特征在于， 在高炉的炉顶安装有炉喉十 字测温装置和炉顶红外摄像仪， 通过所述十字测温装置采集十字测温数据， 通过所述红外 摄像仪采集红外检测数据， 所述识别方法包括： S1， 建立并训练用于识别炉顶料面温度分布 的、 基于生成对抗网络的深度学习神经网 络模型； 其中， 所建立的所述深度学习神经网络模型包括： 生成器， 包括编码器和解码器， 所述编码器用于融合输入的十字测温数据和 红外检测 数据， 并将 融合结果输入所述解码器， 所述解码器根据所述融合结果进行计算并输出炉顶 料面温度分布的识别结果； 判别器， 用于判别所述生成器输出的识别结果和所述红外检测数据并对所述生成器输 出的识别结果和所述红外检测数据进行对抗训练； 其中， 训练所述深度学习神经网络模型包括： 获取所述十字测温数据和所述红外检测数据； 将所获取的所述十字测温数据和所述红外检测数据分成训练集、 验证集和测试集来训 练和验证所述深度学习神经网络模型； 当所述深度学习神经网络模型的损失函数满足预设条件时， 确定所述深度学习神经网 络模型训练好了， 停止训练并保存此时所述 生成器的超参数； S2,获取选定时刻或时间段的高炉十字测温数据和红外检测数据， 并将所述选定时刻 或时间段 的十字测温数据和红外检测数据输入训练好的所述深度学习神经网络模型中的 生成器， 所述 生成器输出 所述选定时刻或时间段的炉顶料面温度分布的识别结果。 2.根据权利要求1所述的识别方法， 其特征在于， 所述通过所述十字测温装置采集十字 测温数据， 通过 所述红外摄 像仪采集红外检测数据的步骤 包括： 在高炉未进行布料动作的期间采集红外摄像机所拍摄的无溜槽遮挡、 无明显干扰的红 外图像； 当获取到最 新的红外图像时， 采集同时刻的十 字测温装置的十 字测温数据。 3.根据权利要求2所述的识别方法， 其特 征在于， 所述通过所述十字测温装置采集十字测温数据， 通过所述红外摄像仪采集红外检测数 据的步骤 还包括： 使用均值滤波对所述红外 图像进行滤波， 并将滤波后的数据进行仿射变换， 获得水平 面上的红外图像的二维红外数组； 对所述水平面上的红外图像进行裁切， 使炉心在画面中心， 且炉喉轮廓贴近图像边缘， 得到m*n大小的二维数组， 其中m， n 为自然数， m， n的大小由红外摄 像仪的分辨 率确定； 生成一个m*n大小且填充0值的二维数组， 以仿射变换后的红外图像坐标系为基准， 将 采集的十字测温数据进行插值处理后得到的平滑曲线按照其所在空间位置填入至所述填 充0值的二维数组的相应 像素点中， 得到二维十 字测温数组； 其中， 输入所述深度 学习神经网络模型的十字测温数据和所述红外检测数据为所述十 字测温数组和所述红外数组。 4.根据权利要求3所述的识别方法， 其特征在于， 所述十字测温装置包括 四个方向上设 置的四个测温臂， 每个测温臂上设置有预定数目的测温传感器， 其中将采集的十字测温数权　利　要　求　书 1/2 页 2 CN 115541030 A 2据进行插值处 理包括： 将通过十字测温装置得到的所述 四个方向上的测温值， 通过预先选定的插值方法对进 行插值， 得到所述四个方向上测温值的温度平 滑曲线。 5.根据权利要求1所述的识别方法， 其特征在于， 在输入的十字测温数据和红外检测数 据进行同维堆叠后， 所述编 码器对经过同维堆叠后的十字测温数据和红外检测数据进 行融 合， 并输出融合特征图； 其中， 所述编码器为密集连接的DenseNet中的特征结构， 包括5层卷 积层， 每层卷积层的输入为该卷积层之前所有层输出的通道级联 组成； 所述解码器包括4层 卷积层； 其中， 所述所有卷积层中的每一个都为3*3卷积核， 卷积步长为1， 激活函数采用线性整 流单元ReLU， 在线性整流单元之前执行批归一化BN， 以将线性整流单元的输入规范化到均 值为0、 方差为1的标准 正态分布。 6.根据权利要求3或5所述的识别方法， 其特 征在于， 所述 生成器的损失函数为： 其中， G表示所述生成器， 表示对抗损失， Lcont为内容损失， λ为权重系数； 其中， 用 下式计算： 式中， E[ ]表示数学期望， log为对数函数， DV()表示判别 器输出结果， G(V,I)为生成器 的输出结果， V为输入的红外数组， I 为输入的十 字测温数组； Lcont用下式计算： 式中， m,n为输入数组的大小， e为自然指数， G(V,I)j表示G(V,I)中第j点， Ik表示十字测 温数组I中第k 点， dj,k表示G(V,I)j和Ik的欧式距离， η为权 重系数， | | ||TV表示TV‑范数。 7.根据权利要求6所述的识别方法， 其特征在于， 所述判别器DV包括3层卷积层和1层全 连接层， 所述判别器DV的损失函数为： 8.根据权利要求7所述的识别 方法， 其特征在于， 当所述生成器和所述判别器DV的损失 函数在验证集上的变化下降至平稳后， 确定所述深度学习神经网络模型训练好了 。 9.一种高炉炉顶料面温度分布的识别装置， 其特征在于， 包括存储器和处理器， 所述存 储器存储有至少一段程序， 所述至少一段程序由处理器执行以实现如权利要求 1至8任一所 述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有至少一段程序， 所 述至少一段程序由处 理器执行以实现如权利要求1至8任一所述的识别方法。权　利　要　求　书 2/2 页 3 CN 115541030 A 3