(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 202211196180.6 (22)申请日 2022.09.28 (71)申请人 鞍钢股份有限公司 地址 114009 辽宁省鞍山市铁东区五一路 63号 申请人 东北大学 (72)发明人 邵思维　杨承霖　冯琳　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 李珉 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01)G06T 7/10(2017.01) (54)发明名称 基于深度学习的高炉炼铁原燃料图像智能 监测方法 (57)摘要 本发明提供一种基于深度学习的高炉炼铁 原燃料图像智能监测方法， 涉及高炉炼铁生产技 术领域。 该方法获取高炉炼铁的原燃料图像， 并 进行去模糊处理， 得到清晰的原燃料图像； 再对 清晰的原燃料图像进行标记及数据增强， 得到训 练所需的原 燃料图像数据集； 通过coco数据集和 原燃料图像 数据集的结合， 训练改进的MaskRCNN 模型， 得到用于原燃料目标检测的实例分割模 型； 将实时采集到的原燃料图像进行去模糊处理 后， 最后利用训练好的实例分割模 型对待检测的 原燃料图像的进行检测， 得到原燃料图像中原燃 料数量及对应原燃料实际面积， 进而由原燃料实 际面积计算出对应的原燃料粒径。 该方法能够提 高检测的准确度， 同时能够应用于不同的环境。 权利要求书2页 说明书6页 附图6页 CN 115511839 A 2022.12.23 CN 115511839 A 1.一种基于深度学习的高炉炼铁原燃料图像智能监测方法， 其特征在于： 包括以下步 骤： 获取高炉炼铁的原燃料图像； 对获得的原燃料图像进行去模糊处 理， 得到清晰的原燃料图像； 对清晰的原燃料图像进行标记， 并对已标记的原燃料图像进行数据增强， 得到训练所 需的原燃料图像数据集； 通过coco数据集和原燃料 图像数据集的结合， 训练改进的MaskRCNN模型， 得到用于原 燃料目标检测的实例分割模型； 将实时采集到的原燃料图像进行去模糊处理后， 利用训练好的实例分割模型进行检 测， 得到原燃料图像中原燃料 数量及对应原燃料实际面积； 由原燃料实际面积计算出对应的原燃料 粒径。 2.根据权利要求要求1所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 所述获取高炉炼铁的原燃料图像的具体方法为： 在高炉炼铁的原燃料传送带正上方设置摄像机， 采集传送带运送的原燃料的视频图 像， 并对视频按帧提取 出原燃料图像。 3.根据权利要求要求2所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 采用DeblurGANv2算法对获得的原燃料图像进行去模糊处 理。 4.根据权利要求要求3所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 采用labelme工具对清晰的原燃料图像进行 标记。 5.根据权利要求要求4所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 在使用labelme工具对原燃料图像进行标记时， 标签名称设定为 “jiaotan+序 号”， 每张图片中的各个原燃料有不同序号加以区分； 并对所得到的已标记的原燃料图像进 行翻转， 平 移和添加噪点操作， 实现数据增强。 6.根据权利要求要求5所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 通过coco数据集和原燃料图像数据集的结合， 训练改进的Mask RCNN模型， 得到用 于原燃料目标检测的实例分割模型的具体方法为： 将coco数据 集生成的预训练权重模型通过迁移学习引入改进的MaskRCNN模型， 将coco 数据集预训练权重模型作为该原燃料图像数据集训练任务的起点， 对改进的Mask RCNN模型 进行训练， 得到用于原燃料目标检测的实例分割模型； 所述改进的MaskRCNN模型在MaskRCNN模型的基础上， 在ResNet网络的卷积层后加入注 意力模块来优化网络结构， 提升检测的准确度； 并在全连接层后增加dropout层， 防止发生 过度拟合现象。 7.根据权利要求要求6所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 利用训练好的实例分割模型进行检测， 得到原燃料图像中原燃料数量及对应原 燃料实际面积的具体方法为： 对检测出的原燃料图像的原燃料实例区域进行面积提取， 根据原燃料图像视野范围对 应的现实的面积求出每 个像素对应的实际面积， 进 而求出原燃料实际面积。 8.根据权利要求要求7所述的基于深度学习的高炉炼铁原燃料图像智能监测方法， 其 特征在于： 所述原燃料 粒径的计算如下公式所示：权　利　要　求　书 1/2 页 2 CN 115511839 A 2其中， d为原燃料粒径， S为整个原燃料图像对应的现实区域的实际面积， k为每个原燃 料实例区域范围内所包 含的像素个数， H *W为图像像素的总数。权　利　要　求　书 2/2 页 3 CN 115511839 A 3