(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 202211158295.6 (22)申请日 2022.09.22 (71)申请人 河钢数字技 术股份有限公司 地址 050000 河北省石家庄市高新区中山 东路856号科技创新 服务中心1号楼 (72)发明人 韩建辉　李玉涛　程佳鹏　葛春红　 宋涛　林亚团　郝俊峰　吴旭哲　 (74)专利代理 机构 石家庄知住优创知识产权代 理事务所(普通 合伙) 13131 专利代理师 王丽巧 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于计算机视觉的智能化电石发气量 计算方法 (57)摘要 本发明提出了一种基于计算机视觉的智能 化电石发气量计算方法， 包括步骤： 采用电石出 炉识别模型对摄像头视频流进行打样棒自动识 别， 抓取含有电石的图片； 采用图片质量判定模 型对含有电石的图片进行质量判定并进行筛选； 将筛选后的图片通过分割模型进行分割， 去除电 石周边干扰像素； 采用发气量计算模 型对分割后 的电石图片进行发气量值计算； 采用发气量纠正 模型对分割后的电石图片 进行电石等级检测， 对 电石不同区域对应等级给出对发气量值进行矫 正的发气量修正值； 采用发气量加权计算模型， 通过结合当前电石炉配料比以及计算出的发气 量值和发气量修正值， 计算出最终的发气量值。 本发明能够对出炉打样棒电石进行实时发气量 计算。 权利要求书3页 说明书7页 附图5页 CN 115546128 A 2022.12.30 CN 115546128 A 1.一种基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述方法包括如 下步骤： S1： 采用电石出炉识别模型， 对摄像头视频流进行打样棒自动识别， 抓取含有电石的图 片； S2： 采用图片质量判定模型， 对含有电石的图片进行质量判定并进行筛选， 剔除那些包 含过多光源干扰的图片； S3： 将筛选后的图片通过分割模型进行分割， 去除电石周边干扰 像素； S4： 采用发气量计算模型对分割后的电石图片进行发气量 值计算； S5： 采用发气量纠正模型对分割后的电石图片进行电石等级检测， 对电石不同区域对 应等级给 出对发气量 值进行矫 正的发气量 修正值； S6： 采用发气量加权计算模型， 通过结合当前电石炉配料比以及计算出的发气量值和 发气量修正值， 计算出最终的发气量 值。 2.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S1 中， 所述电石 出炉识别模 型采用Yolov5系 列中的s模 型， 模型优化器为SGD， 模 型 输入图像尺 寸为img＝(640,384,3)， 从摄像头视频流中抓取含有电石的图片具体包括以下 步骤： S11： 将摄像头视频流进行转 图， 采集大规模打上电石和未打上电石的打样棒图片， 制 作电石出炉识别模型 所需要的训练集、 验证集和 测试集； S12： 模型训练， 观察训练loss和验证集loss， 分析模型的收敛情况， 待本轮训练结束 后， 在测试集上测试模型的泛化 性； S13： 测试模型对电石图片的误检、 漏检情况， 如果未达到预期， 则针对性地增加训练 集， 再调参数、 迭代训练， 最终达 到所有检测要求； S14： 在模型推理 阶段， 每隔3 ‑5秒从摄像头视频流采集一张图片进行电石检测识别， 当 连续5帧都检测到电石时， 则开启电石图片的抓取， 最后一帧进行存图， 直至该炉电石出炉 结束。 3.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S2中， 采用图片质量判定模型对含有电石的图片进行质量判定和筛选， 具体包括 如下步骤： S21： 对采集到的电石图片进行二次筛选， 选出无光源干扰和无裂纹的电石图片， 制作 图片质量判定模型 所需训练集、 验证集和 测试集； S22： 选定基于ResNet50的分类 网络， 确定训练优化器和学习率， 采用梯度下降的方式， 在训练集上训练优化模型， 模型训练至全局最优； S23： 对训练出的模型在测试集上进行测验， 测试各模型在各类残缺电石和光干扰过大 的电石的泛化效果， 如果判定不好， 则对该类数据进 行针对性添加， 并按 上述步骤再训练模 型， 直至对所有不满足现场需要的电石 进行准确判定； S24： 在模型推理 阶段， 利用模型对含有电石的图片进行质量判定， 筛出包含有红光、 无 效电石、 裂纹较多、 电石残缺和未冷却电石的图片。 4.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S3中， 所述分割模型采用Mask  R‑CNN实例分割模型， 对筛选后的图片进行分割具权　利　要　求　书 1/3 页 2 CN 115546128 A 2体包括以下步骤： S31： 训练前参数选定， 利用梯度下降方式进行Mask  R‑CNN模型训练， 采用的优化器为 SGD优化器， 模型输入图像尺寸 为img＝(512,512,3)； S32： 模型训练， 通过观察训练loss和验证集loss， 确定出几组较优模型， 之后在测试集 上再次校验模型 的稳定性， 确定出最终的模型， 如果效果达不到预期 需要改变训练参数继 续训练， 直至达到预期； 如果仍未达到预取， 则针对性地增加训练集， 再调参数、 迭代训练， 最终达到分割要求； S33： 模型推理阶段， 分割模型输出电石的boding  box和分割mask， 之后利用box框从4K 原图上裁 剪出电石， 再用mask 值对非电石区域进行128像素置换。 5.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S4中， 所述发气量计算模型采用回归和分类模型， 对分割后的电石图片进行发气 量计算， 具体包括以下步骤： S41： 采集大规模含有电石的照片并进行发气量标注， 对应的电石发气量值根据传统统 计方法得到， 最后制作出发气量计算模型 所需的训练集、 验证集和 测试集； S42： 搭建基于残差网络的回归分类同步卷积神经网络， 确定数据预处理参数， 确定好 模型优化参数， 训练网络直到全局最优， 其中回归优化函数为如下MSE函数， 分类优化函数 为交叉熵损失函数； S43： 在测试集上进行模型泛化性测试， 测试模型鲁棒性， 如若未达到要求， 针对性的添 加数据集， 重复上述步骤训练模型； 对电石的评测指标在模型训练阶段采用MAE， 最终测试 指标以预测值与真实值差值在5以内的准确率 为筛选模型最终指标。 6.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S5中， 采用发气量纠正模型 给出发气量 修正值， 具体包括以下步骤： S51： 根据不同电石发气量等级呈现的视觉特征， 将电石发气量划分为8个等级， 并根据 划分出的电石发气量等级对电石图片进行发气量区域等级标注， 制作出发气量纠正模型所 需的训练集、 验证集和 测试集； S52： 采用Yolov5检测模型训练模型， 直至达到模型全局最优； 训练前参数选定， 利用梯 度下降方式进行模 型的训练， 采用的优化器为SGD优化器， 模 型输入图像尺 寸为img＝(640, 640,3)； 在模型训练阶段， 通过训练、 测试和再微调完成模型最终的训练； S53： 在模型推理阶段， 根据电石区域等级检测网络的检测结果， 计算出占比最大类的 box框和占比最小类的box框， 通过以下公式计算出发气量 修正值E： E＝{i‑j,|Pi‑Qj|} 其中， P8表示等级为8所有框的面积占原图比例， i和j表示发气量 等级。 7.根据权利要求1所述的基于计算机视觉的智能化电石发气量计算方法， 其特征在于， 所述步骤S6中， 最终 发气量值V的计算方法为： S61： 根据当前电石炉配比Q计算出电石炉配比影响系数； S62： 用上述计算出的电石炉配比影响系数乘以5得 出配比影响值M；权　利　要　求　书 2/3 页 3 CN 115546128 A 3