HSI空间；
[0080 ]分割模块:分别在Η、S、I分量下利用最大类间方差法进行阈值分割，后将分割后图 像进行合并，再通过后期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；
[0081] 尺寸处理模块: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， 作为卷积神经网络模型的输入图像；
[0082] 识别模块:首先构建卷积神经网络结构和设定关键参数来建立卷积神经网络识别 模型，选取预处理过的图像直接输入模型进行离线训练，最后采集转炉火焰图像并预处理 后送入训练完毕的模型，模型在线输出判断结果。
[0083]实施例2: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：
[0084] Stepl、采集转炉炉口火焰图像，为下一步图像的处理提供数据；
[0085] 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：
[0089 ] 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：
[0086]
[0087]
[0088]
[0090] 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；
[0091] 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；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;的为背景的平均像素值;μ 为整幅图像的平均像素值；
[0092] 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；
[0093] 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；
[0094] 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；
[0095] 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；
[0096] 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。
[0097] 所述步骤Step7的具体步骤如下：
[0098] Step7.1、原始图片经过一系列预处理后输入到卷积神经网络的输入层；
[0099] Step7.2、用卷积核对输入层的图片进行卷积操作并且加上偏置项，最后经过 s i gmo i d函数，得到卷积层图像；
[0100] Step7.3、将卷积层的图像进行降采样，尺寸为原先的1/4大小，再加上权重系数， 最后经过s i gmo i d函数，得到采样层图像；
[0101] Step7.4、经过隐含层层数是否满足最初的设定值，如果满足则执行Step 7.5，如 果不满足则执行Step7 · 2;
[0102] Step7.5、将上层图像看成一列特征向量，输出层与上一层是全连接方式，上一层 的每个神经元的值乘以权值再求和即得到输出层的一个神经元的值，重复上述计算，直至 算出输出层的所有神经元的值。
[0103] Step7.6、CNN采用的是有监督式训练，每幅火焰图像都有着对应的标签，不仅根据 标签训练模型变量，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，输出层便输出3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。
[0104] 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：
[0105] 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HSI空间；
[0106] 分割模块:分别在H、S、I分量下利用最大类间方差法进行阈值分割，后将分割后图 像进行合并，再通过后期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；
[0107] 尺寸处理模块: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， 作为卷积神经网络模型的输入图像；
[0108] 识别模块:首先构建卷积神经网络结构和设定关键参数来建立卷积神经网络识别 模型，选取预处理过的图像直接输入模型进行离线训练，最后采集转炉火焰图像并预处理 后送入训练完毕的模型，模型在线输出判断结果。
[0109] 实施例3: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：
[0110] stepl、采集转炉炉口火焰图像，为下一步图像的处理提供数据;采集来的图像尺 寸为640X480;
[0111] 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：
[0112]
[0113]
[0114]
[0115] 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：
[0116] 采用遍历法得到使类间方差最大的阈值f，艮
用得到的阈值去分割图像；
[0117] 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；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;的为背景的平均像素值;μ 为整幅图像的平均像素值；
[0118] 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；
[0119] 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；
[0120] 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；
[0121] 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；
[0122] 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。
[0123] 所述步骤Step7的具体步骤如下：
[0124] Step7.1、原始图片经过一系列预处理后输入到卷积神经网络的输入层；
[0125] Step7.2、用卷积核对输入层的图片进行卷积操作并且加上偏置项，最后经过 s i gmo i d函数，得到卷积层图像；
[0126] Step7.3、将卷积层的图像进行