基于機(jī)器視覺的鋼鐵冶金過程智能感知技術(shù)及應(yīng)用

1 預(yù)備知識(shí)
1.1 光學(xué)成像基礎(chǔ)知識(shí)
1.2 圖像基礎(chǔ)知識(shí)
1.2.1 像素
1.2.2 分辨率
1.2.3 圖像的種類
1.2.4 圖像質(zhì)量
1.3 輻射定律基礎(chǔ)知識(shí)
1.3.1 普朗克定律
1.3.2 維恩公式
1.3.3 斯蒂芬-玻耳茲曼定律
1.4 深度學(xué)習(xí)基礎(chǔ)知識(shí)
1.4.1 卷積層
1.4.2 池化層
1.4.3 全鏈接層
參考文獻(xiàn)
2 機(jī)器視覺智能感知技術(shù)需求與發(fā)展現(xiàn)狀
2.1 鋼鐵行業(yè)對(duì)智能感知技術(shù)需求分析
2.1.1 鐵前工序
2.1.2 高爐煉鐵工序
2.1.3 煉鋼工序
2.1.4 連鑄工序
2.1.5 軋鋼工序
2.2 溫度檢測(cè)技術(shù)發(fā)展現(xiàn)狀
2.2.1 接觸式測(cè)溫
2.2.2 非接觸式測(cè)溫
2.2.3 融合式測(cè)溫
2.3 粒度檢測(cè)技術(shù)現(xiàn)狀
2.3.1 編碼結(jié)構(gòu)光研究現(xiàn)狀
2.3.2 點(diǎn)云分割處理研究現(xiàn)狀
2.3.3 粒度檢測(cè)研究現(xiàn)狀
2.4 缺陷檢測(cè)技術(shù)現(xiàn)狀
2.4.1 表面缺陷檢測(cè)方法綜述
2.4.2 機(jī)器視覺表面缺陷檢測(cè)算法綜述
參考文獻(xiàn)
3 機(jī)器視覺系統(tǒng)的原理及組成
3.1 機(jī)器視覺技術(shù)
3.1.1 機(jī)器視覺技術(shù)
3.1.2 鋼鐵行業(yè)應(yīng)用歷程
3.2 機(jī)器視覺技術(shù)常見架構(gòu)
3.2.1 系統(tǒng)總體框架
3.2.2 硬件設(shè)計(jì)
3.2.3 軟件設(shè)計(jì)
3.3 工業(yè)相機(jī)
3.3.1 工業(yè)相機(jī)的分類
3.3.2 CCD的性能參數(shù)
3.4 光源
3.4.1 鎢絲白熾燈
3.4.2 鹵素?zé)?br />3.4.3 氣體放電燈
3.4.4 發(fā)光二極管（LED）
3.4.5 激光光源
參考文獻(xiàn)
4 基于機(jī)器視覺的溫度在線檢測(cè)原理
4.1 物理光學(xué)模型
4.1.1 基本假設(shè)
4.1.2 圖像灰度與輻射體溫度的關(guān)系
4.2 比色測(cè)溫法原理
4.3 黑體爐標(biāo)定
4.4 圖像噪聲濾波
4.4.1 噪聲類型
4.4.2 去噪方法及原理
4.5 圖像邊緣檢測(cè)方法
4.5.1 圖像邊緣簡(jiǎn)介
4.5.2 圖像邊緣檢測(cè)方法及原理
參考文獻(xiàn)
5 基于機(jī)器視覺的高爐風(fēng)口溫度在線檢測(cè)系統(tǒng)優(yōu)化
5.1 高爐風(fēng)口圖像有效采集
5.1.1 曝光時(shí)間的控制研究
5.1.2 增益的控制研究
5.2 高爐風(fēng)口溫度在線系統(tǒng)標(biāo)定過程
5.2.1 不同工況下的標(biāo)定圖像及穩(wěn)定性分析
5.2.2 標(biāo)定結(jié)果
5.3 高爐風(fēng)口圖像濾波去噪過程
5.4 高爐風(fēng)口圖像邊緣檢測(cè)過程
6 高爐風(fēng)口溫度場(chǎng)分布及影響因素研究
6.1 高爐設(shè)備及生產(chǎn)參數(shù)
6.1.1 2000m3高爐
6.1.2 2500m3高爐
6.2 噴煤高爐正常冶煉風(fēng)口溫度場(chǎng)分布
6.2.1 2000m3高爐
6.2.2 2500m3高爐
6.3 停煤過程及全焦冶煉風(fēng)口溫度場(chǎng)分布
6.3.1 停煤過程
6.3.2 全焦冶煉過程
6.4 影響因素分析
6.4.1 風(fēng)口尺寸
6.4.2 噴煤量
6.4.3 風(fēng)溫
7 高爐爐缸工作狀態(tài)評(píng)價(jià)模型
7.1 均勻性及活躍性的定義
7.1.1 均勻性
7.1.2 活躍性
7.2 風(fēng)口燃燒帶□部區(qū)域均勻性與活躍性研究
7.2.1 2000m3高爐
7.2.2 2500m3高爐
7.3 風(fēng)口燃燒帶圓周方向均勻性及活躍性研究
8 高溫鋼坯軋制過程溫度在線檢測(cè)應(yīng)用
8.1 發(fā)射率模型研究
8.1.1 影響因素分析
8.1.2 光譜發(fā)射率的溫度□化模型
8.1.3 光譜發(fā)射率的波長(zhǎng)□化模型
8.2 高溫鋼坯溫度檢測(cè)系統(tǒng)標(biāo)定過程
8.3 噪聲去除算法研究
8.4 鋼坯表面溫度檢測(cè)研究
8.4.1 實(shí)驗(yàn)裝置
8.4.2 結(jié)果與分析
9 基于機(jī)器視覺的原燃料粒度在線檢測(cè)技術(shù)
9.1 圖像采集及高爐冶煉參數(shù)
9.2 語義分割算法
9.3 風(fēng)口焦炭粒度在線檢測(cè)應(yīng)用
9.4 礦石粒度三維檢測(cè)方法
9.4.1 結(jié)構(gòu)光重建原理
9.4.2 結(jié)構(gòu)光理論模型
9.4.3 礦石樣本獲取
9.5 點(diǎn)云深度學(xué)習(xí)算法
9.5.1 PointNet
9.5.2 PointNet
9.5.3 數(shù)據(jù)集制作
9.6 礦石粒度三維在線檢測(cè)應(yīng)用
9.6.1 礦石體積測(cè)算方法
9.6.2 礦石樣本與體積測(cè)算結(jié)果
9.6.3 基于殘缺率加權(quán)的體積測(cè)算方法
參考文獻(xiàn)
10 基于機(jī)器視覺的金屬表面缺陷在線檢測(cè)技術(shù)
10.1 表面缺陷在線檢測(cè)原理
10.1.1 檢測(cè)原理
10.1.2 光路配置
10.2 基于深度學(xué)習(xí)的表面缺陷檢測(cè)系統(tǒng)
10.2.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)
10.2.2 ELM分類算法
10.3 復(fù)雜曲面表面缺陷在線檢測(cè)系統(tǒng)
10.3.1 實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)方法
10.3.2 雙光源光度立體三維重建方法
10.3.3 檢測(cè)結(jié)果與討論
10.4 周期性缺陷檢測(cè)方法
10.4.1 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）算法原理
10.4.2 引入注意力機(jī)制的周期性缺陷檢測(cè)算法
10.4.3 周期性缺陷檢測(cè)結(jié)果
參考文獻(xiàn)
11 基于光度立體的水下鋼板三維檢測(cè)技術(shù)
11.1 光度學(xué)基本概念
11.2 光度立體基本原理
11.3 表面三維重構(gòu)
11.3.1 積分方法
11.3.2 全□迭代優(yōu)化法
11.3.3 Frankot-Chellappa方法
11.3.4 水下三維成像實(shí)驗(yàn)平臺(tái) …… 12表面質(zhì)量評(píng)級(jí)原理及應(yīng)用