[0036]
[0037] 其中，1表示所在层数，k为卷积核，为输入层的感受野，B为偏置项，f为激活函 数，此处采用s i gmo i d函数作为激活函数。
[0038] Cl层是第一个卷积层，将输入60X60大小的火焰图片通过3个卷积核进行卷积运 算，加上偏置项通过sigmoid函数，最终获得三幅56X56大小的特征图像。由于采取不同的 卷积核，故提取的特征图像是不同的，对于引入带有权值共享和感受野的卷积神经网络后， 此处训练参数共有(5X5+1 )X 3 = 78个。
[0039] C2层是第二个卷积层，将S1层输出的火焰特征图像通过6个卷积核进行卷积操作， 最后如图3的方式进行累加，即组成了C2层的6个特征图像。C3层同为卷积层，卷积过程与 C1、C2相同。
[0040] (3)采样层。S1、S2和S3为采样层。采样层是为了降低网络的空间分辨率消除偏移 和图像扭曲，实现位移不变性。输入的特征图像经过采样后其个数不会发生变化，输出特征 图像的尺寸为输入的一半。梁样层的计算形式为：
[0041] ^ ^
[0042]其中，p为采样函数，β为权重系数。
[0043] S1层是第一个采样层，将Cl层输出的特征图像经过采样得到三幅28X28大小的特 征图像。在CNN中一般缩小1/4尺寸最为合适，缩小的太快或太慢都会影响模型的识别效果。 在每幅采样特征图像中，需要训练2个参数，即S1层共需训练3X2 = 6个参数。S2和S3层同为 采样层，采样过程与S1层相同。
[0044] (4)输出层。输出层与S3层采用全连接方式。S3层含有9X4X4= 144个神经元，本 文要将火焰图像分为前、中、末期三类，即输出为3个神经元。可将S3层看作一个9X4X4 = 144维的特征向量，该向量是卷积神经网络提取出的火焰特征向量。其中，输出层有（144+1) X 3 = 435个训练参数。
[0045] (5)分类过程。CNN为有监督式训练，每幅火焰图像都有着对应的标签，不仅根据标 签训练模型参数而且还根据标签判断最终识别率。输出层为3个神经元，当输入一幅火焰图 像则输出层输出3个值，从这3个值中找到最大值并将其赋为1，其他值赋为0,将赋值完毕的 3个数值与输出标签进行对比，判断输入的火焰图像属于所处的类别。
[0046] (6)训练方法。卷积神经网络采用的是梯度下降法训练，代价函数为：
[0047] -?-.,=1
· · - 1=1
[0048] 其中，J( ω，b)为均方差项，ω为卷积神经网络中卷积核的参数，b为卷积神经网络 中的偏置项，m为训练样本个数，hu, b(Xl)为第i个训练样本的输出值，yi为第i个训练样本的 标签。
[0049] 训练过程就是针对参数ω和b来使代价函数J( ω，b)达到最小，开始训练前，首先 将所有参数ω和b初始化为[_1，1]的随机值，之后对代价函数使用梯度下降法的最优化算 法。参数ω和b的更新公式如下：
[0050]
[0051]
[0052] 其中，α是学习率，一般取〇到1之间。
[0053]本发明的有益效果是：
[0054]本发明是一种基于火焰图像卷积神经网络识别建模的转炉炼钢吹炼终点判断方 法，它是针对人工特征很难表示火焰吹炼的完备信息且具有主观性的缺点而提出来的。卷 积神经网络是参考视觉系统结构而产生的，并辅以深度学习的方法训练参数和偏置项，该 模型可以自行在转炉火焰图像上进行特征学习与分类，很好的避免了人工设定特征对识别 模型造成的局限。实验证明，采用卷积神经网络来判断转炉炼钢吹炼终点，具有较好识别率 和实时性，减少了倒炉和补吹的次数，在实际应用中可实现节约原材料和能源且保证炼钢 效率，有较好的实际价值和意义。
【附图说明】
[0055]图1为本发明的整体框图；
[0056]图2为本发明的转炉炼钢终点判断CNN模型；
[0057]图3为本发明的转炉炼钢终点判断CNN模型识别过程。
【具体实施方式】
[0058]实施例1:如图1-3所示，一种火焰图像CNN识别建模的转炉炼钢终点判断方法，所 述方法的具体步骤如下：
[0059] Stepl、采集转炉炉口火焰图像，为下一步图像的处理提供数据;采集的图像尺寸 为640X480;
[0060] Step2、先将采集来的火焰图像转换到HSI空间，HSI色彩空间和RGB色彩空间之间 关系如下式所示，其中R，G，B分别表示红、绿、蓝三个分量：
[0061]
[0062]
[0063]
[0064] Step3、分别在H、S、I分量下利用最大类间方差法进行阈值分割：
[0065] 采用遍历法得到使类间方差最大的阈值f，即
用得到的阈值去分割图像；
[0066] 其中L为当前分量的灰度级；ω〇为火焰主体的像素点数占整幅图像的比例；on为 背景的像素点数占整幅图像的比例;μ〇为火焰主体的平均像素值;讲为背景的平均像素值;μ 为整幅图像的平均像素值；
[0067] Step4、合并分割后的图像，再去噪处理用贴标签的方法得到单连通的火焰图像部 分，去除因分割不佳造成的干扰点，得到分割后的图像；
[0068] Step5、预处理图像;在经分割后的图像中找寻火焰的中心点，然后以中心点为中 心，选择合适的正方形阈值窗口将图像从中截取出来，并压缩至合适大小，最后转换为灰度 图像，作为卷积神经网络的输入图像;图像的尺寸为60X60;
[0069] Step6、构建卷积神经网络识别模型，包括卷积神经网络的结构和关键参数，如隐 含层层数、隐含层内部的连接方式、卷积核个数、每层输出特征图的个数以及训练迭代次数 等；
[0070] Step7、将预处理后的图像直接输入卷积神经网络模型，根据之前设定的迭代次数 进行迭代，在离线状态下采用降梯度法对网络进行训练；
[0071 ]训练卷积神经网络模型，具体如下：
[0072]将预处理后的图像输入至网络，经过3层隐含层，其中多次对图像进行了卷积和采 样操作，后经输出层输出结果。根据结果与图像标签得到的残差计算代价函数，本发明通过 降梯度法训练网络，本质就是不停修改权值和偏置项，使得代价函数数值最小。因为权值和 偏置项都在各个隐含层中，修改它们就要将残差逐层传导到各层中，故要将输出层的残差 做反卷积运算和上采样运算，将其逐层传导到隐含层中。再根据权值修改公式，对权值进行 修改。按照之前设定的迭代次数，根据降梯度法，去反复修改权值。
[0073] 表1转炉火焰图片标签
[0074]
[0075] StepS、将离线训练完毕的卷积神经网络模型进行在线判断，采集转炉火焰图像并 预处理后送入网络模型，模型输出判断结果。
[0076]将离线训练好的模型进行在线测试，具体如下：
[0077]将采集来的转炉火焰图像进行预处理后送入之前已经训练好的网络模型，经过卷 积神经网络模型得到输出，因为本发明将火焰图像分为前、中、末期三类，则输出为3个神经 元，得到输出的三个值，从这些值中找到最大值并将其赋为1，其他值赋为0。将赋值完毕的3 个数值与输出标签进行对比，判断输入的火焰图像属于所处的类别。最后统计识别结果，得 到模型的识别率。
[0078]火焰图像CNN识别建模的转炉炼钢终点判断系统，所述系统包括：
[0079]图像采集处理模块:采集转炉炉口火焰图像并将图像由RGB空间转换至