一种基于目标检测算法的铜转炉吹炼终点判断系统

本发明涉及铜转炉吹炼终点判断，具体而言，涉及一种基于目标检测算法的铜转炉吹炼终点判断系统。

背景技术：

1、p-s转炉是1909年以来世界通用的铜锍吹炼设备，全球矿产粗铜的60％都是由p-s转炉吹炼制得的。由于p-s铜转炉吹炼工艺成熟可靠，设备和操作简单，自热吹炼，生产成本低且除杂能力强，产出粗铜质量好。因此，目前及在可预见的将来仍然是铜锍吹炼的主导工艺。

2、但在造渣期和造铜期终点的判断上仍然有不小的困难，长久以来，终点的判断主要依靠人工经验，缺乏准确度，而终点的判断不仅直接关系到铜的产出率和质量，还会影响炉体寿命，因此如何对铜转炉吹炼终点进行准确判断成为技术发展的新趋势。

技术实现思路

1、鉴于此，本发明提出了一种基于目标检测算法的铜转炉吹炼终点判断系统，主要是为了解决如何对铜转炉吹炼终点进行准确判断的问题。

2、一个方面，本发明提出了一种基于目标检测算法的铜转炉吹炼终点判断系统，该系统包括：

3、数据输入单元，用于获取铜转炉吹炼的高温熔体冷却样本图像作为输入图像；

4、模型建立单元，用于在res2net残差神经网络中加入eca注意力机制模块，得到res2net-eca模块，所述res2net-eca模块用于对所述输入特征图像进行特征提取，并将所述res2net-eca模块加入到yolov5s目标检测模型中，并通过alpha-iou损失函数替换所述yolov5s目标检测模型中的iou损失函数中的定位损失函数box_loss，得到yolov5s-res2net-eca模型；

5、判断单元，用于将所述输入图像输入所述yolov5s-res2net-eca模型，并通过所述yolov5s-res2net-eca模型输出铜转炉吹炼终点判断结果。

6、在本申请的一些实施例中，所述模型建立单元中的res2net-eca模块用于对所述输入图像进行特征提取时，包括：

7、将所述输入图像通过一层1×1的卷积划分为4个子集，4个子集分别为：第一子集、第二子集、第三子集、第四子集；

8、各所述子集尺度大小相同，所述子集的特征通道数量为所述输入特征图像的1/4，所述第一子集直接向下传播，所述第二子集通过一层3×3的卷积后向下传播并与所述第三子集进行特征融合，融合后的所述第三子集经通过一层3×3的卷积后向下传播并与所述第四子集进行特征融合，所述第四子集在特征融合后经过一层3×3的卷积直接向下传播，各所述子集在特征融合后通过一层1×1的卷积后得到的第一特征图像传入到所述eca注意力机制模块；

9、所述eca注意力机制模块为所述第一特征图像的各特征通道赋予权重。

10、在本申请的一些实施例中，在所述模型建立单元中的所述eca注意力机制模块为所述第一特征图像的各特征通道赋予权重时，包括：

11、将所述第一特征图像进行全局平均池化得到第二特征图像；

12、在将所述第二特征图像进行卷积核大小为k的1维卷积操作得到第三特征图像；

13、通过sigmod激活函数计算所述第三特征图像各特征通道的权重ω，计算公式如下：

14、ω＝σ(c1dk(y))；

15、其中，k为自适应值，计算公式如下：

16、

17、其中，c为通道数，b为常量1；

18、在获取所述第三特征图像各特征通道的权重ω后，将各特征通道的权重ω与所述第一特征图像对应特征通道相乘，得到最终输出特征图。

19、在本申请的一些实施例中，所述模型建立单元中在通过alpha-iou损失函数替换所述yolov5s目标检测模型中的iou损失函数中的定位损失函数box_loss时，包括：

20、所述yolov5s目标检测模型中的iou损失函数为：

21、

22、其中，x为样本，y为样本标签，a为预测输出，n为样本总数；

23、所述alpha-iou损失函数的计算公式如下：

24、

25、iou_loss＝1-iou；

26、alpha-iou_loss＝1-ioua；

27、其中，a为真实目标框，b为预测框，并将alpha值设为2；

28、通过调节alpha来对损失函数增加alpha幂，当alpha等于1时，回归到iou损失函数。

29、与现有技术相比，本发明存在以下有益效果：本发明首先通过在res2net中加入eca注意力机制得到res2net-eca模块，通过eca通道注意力机制来加强特征提取，使res2net-eca模块对图片的特征提取更加精准，res2net-eca模块可以在特征层内部进行多尺度的卷积，形成不同感受野，可以获得不同细粒度的特征，然后通过采用alpha-iou损失函数替换yolov5s目标检测模型中的iou损失函数，并将alpha值设为2，alpha-iou损失函数在实现不同水平的bbox回归精度方面具有更大的灵活性，同时对数据集小和噪声较多的图像数据集鲁棒性更强，改进后的yolov5s-res2net-eca模型由于res2net模块本身的结构特点，虽然相比于原本yolov5s模型神经网络层数大幅上升，但实际所需的参数却有所下降，这有助于减少模型的推理速度，使其更快更精准。

技术特征：

1.一种基于目标检测算法的铜转炉吹炼终点判断系统，其特征在于，包括：

2.根据权利要求1所述的基于目标检测算法的铜转炉吹炼终点判断系统，其特征在于，所述模型建立单元中的res2net-eca模块用于对所述输入图像进行特征提取时，包括：

3.根据权利要求2所述的基于目标检测算法的铜转炉吹炼终点判断方法，其特征在于，在所述模型建立单元中的所述eca注意力机制模块为所述第一特征图像的各特征通道赋予权重时，包括：

4.根据权利要求3所述的基于目标检测算法的铜转炉吹炼终点判断方法，其特征在于，所述模型建立单元中在通过alpha-iou损失函数替换所述yolov5s目标检测模型中的iou损失函数中的定位损失函数box_loss时，包括：

技术总结本发明涉及铜转炉吹炼终点判断技术领域，具体涉及一种基于目标检测算法的铜转炉吹炼终点判断系统，该系统包括：数据输入单元，用于获取铜转炉吹炼的高温熔体冷却样图像作为输入图像；模型建立单元，用于将Res2net‑ECA模块加入到Yolov5s目标检测模型中，并通过Alpha‑IOU损失函数替换Yolov5s目标检测模型中的IOU损失函数中的定位损失函数box_loss，得到Yolov5s‑Res2net‑ECA模型；判断单元，用于将输入图像输入Yolov5s‑Res2net‑ECA模型，并通过Yolov5s‑Res2net‑ECA模型输出铜转炉吹炼终点判断结果。本发明通过将Res2net‑ECA模块加入到Yolov5s目标检测模型中，相比于原本Yolov5s模型神经网络层数大幅上升，但实际所需的参数却有所下降，这有助于减少模型的推理速度，使其更快更精准。技术研发人员：李明周,邱云灏,钟立桦,徐武,黄金堤,何发友,童长仁受保护的技术使用者：江西理工大学技术研发日：技术公布日：2024/7/29