基于多传感器融合的钢包裸浇检测

钢包浇注时,其保护套管容易发生断裂和脱落,造成钢水大范围的飞溅,严重影响到钢坯的生产质量。为了有效监控钢包浇注状态,研究了基于红外测温的钢包浇注状态检测方法。通过试验验证钢包正常浇注状态和裸浇状态有较大的温度差异,可通过设置温度阈值实现钢包浇注状态的有效分类。同时,研究了基于深度学习的钢包浇注状态分类方法,通过中值滤波和平均灰度级-梯度二维Otsu分割方法对钢包浇注图像进行预处理,再基于YOLO v3改进的目标检测算法完成了模型的训练。试验结果表明,该方法预测的钢包裸浇准确率为99.2%,具有更好的泛化性能。基于以上研究,开发了一套钢包裸浇检测设备,实现了浇注状态的准确报警,具备良好的现场应用效果。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

基于YOLOv3的无人机识别与定位追踪

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪。      

基于极限学习机的充填体强度预测

针对充填体强度与影响因素之间复杂的非线性关系,利用极限学习机算法(ELM)建立了充填体强度预测的ELM模型,该模型以良山铁矿充填料浆配比试验数据作为训练和测试样本,选取料浆浓度、灰砂比、水泥含量及矿渣微粉掺入量4个影响因素作为输入因子,28天抗压强度作为输出因子。结果表明:当隐含层节点数目选取为17个,激活函数为Sigmoidal时网络模型具有良好的泛化能力和预测精度,模型训练值和预测值与实测值的均方误差(MSE)分别为0.39和0.36,平均相对误差控制在5%以内,对充填体的强度具有良好的预测能力。     

基于改进Mask R-CNN的矿石类型检测算法

针对不同的矿石类型进行选矿工艺参数设置和操作有利于保障精矿质量,提高回收率和降低物资消耗。由于缺乏矿石类型实时检测有效手段,选矿过程的精准操作目前较难实现。为此,本文提出一种全面改进的Mask R-CNN矿石类型检测算法。算法步骤：(1)使用ResNetV1d-50提取矿石图像各阶段的特征图,并在主干网络中加入可变形卷积以便增强异形矿石的特征;(2)改进FPN,通过在主干网络的C5特征层加入特征残差模块,并融合到P5特征层,得到具有更强语义信息的多尺度特征图;(3)改进RPN,设计自适应的正样本IOU选取方案来匹配宽高比异常的矿石,进一步提高异形矿石的识别精度;(4)在RoIAlign网络基础上加入Global-Context,以提高小矿石的检测能力;(5)在数据增强和训练技巧方面对模型进行改进。结果表明,本文算法的平均精度为67.92%,平均交并比为63.54%,分别比基准模型提高了13.67%和9.71%。本文研究方法在矿石类型识别领域具有较好的应用价值。     

岩体质量分类的PCA-RF模型及应用

为了更合理地确定岩体质量类别,将主成分分析（PCA）与随机森林（RF）算法相结合,提出一种岩体质量分类的PCA-RF模型。选取能够充分反映岩体质量类别的5项指标进行分析,运用主成分分析法对各指标进行相关性处理,依据方差累计贡献率得出3个主成分,从而消除指标间的相关性,减少模型输入。然后采用随机森林模型对岩体质量进行分类,选用现场20组数据作为训练样本、10组数据作为测试样本,利用交叉验证的方法估计泛化误差。结果表明,该方法分类结果与实际结果较吻合,平均准确率达96.7%,同时得出岩体质量所处类别的概率分布,进一步反映岩体质量的复杂度,为工程建设提供更详细的参考依据。     

基于深度学习的热连轧轧制力预测

摘要：轧制力预报一直是热连轧过程控制模型的核心，浅层神经网络对复杂函数的表示能力有限，而深度学习模型通过学习一种深层非线性网络结构，实现复杂函数逼近。利用深度学习框架TensorFlow，构建了一种深度前馈神经网络轧制力模型，采用BP算法计算网络损失函数的梯度，运用融入Mini batch策略的Adam优化算法进行参数寻优，采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略，针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验，对比分析了4种不同结构的前馈网络预测精度。结果表明，相比于传统SIMS轧制力模型，深度神经网络可实现轧制力的高精度预测，针对所有机架的预测精度平均提升21.11%。     

退火炉内罩中气体流动及钢卷传热的数值模拟

摘要：轧制力预报一直是热连轧过程控制模型的核心，浅层神经网络对复杂函数的表示能力有限，而深度学习模型通过学习一种深层非线性网络结构，实现复杂函数逼近。利用深度学习框架TensorFlow，构建了一种深度前馈神经网络轧制力模型，采用BP算法计算网络损失函数的梯度，运用融入Mini batch策略的Adam优化算法进行参数寻优，采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略，针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验，对比分析了4种不同结构的前馈网络预测精度。结果表明，相比于传统SIMS轧制力模型，深度神经网络可实现轧制力的高精度预测，针对所有机架的预测精度平均提升21.11%。     

基于万有引力优化的支持向量机模型在板形识别中的应用

 针对目前板形模式识别模型泛化能力不高、训练速度慢等缺陷,以1次、2次、3次、4次勒让德正交多项式为板形缺陷基本模式,提出了由支持向量回归机（SVR）构建的模式识别模型;为了提高该模型的精确度,引入万有引力算法（GSA）优化SVR的参数,由此构成GSA-SVR预测模型。仿真试验结果表明:GSA-SVR模型不仅识别结果精度高,而且与PSO-BP神经网络模型相比泛化能力更强,训练速度更快,其识别结果可以为板形控制提供有效的依据。     

基于改进迁移学习算法的岩体质量评价模型

岩体质量分级是进行工程设计和施工的基础。通过搜集不同地区55组实测样本和17组插值样本建立案例库,考虑岩体的复杂不确定性和异地岩体的差异性,在案例库基础上提出了一种改进两阶段回归迁移学习（Two-stage TrAdaBoost.R2）—孤立森林（Isolated Forest）多因素岩体质量等级预测模型。将广州抽水蓄能电站第1期地下工程的12个样本用于模型测试,结果表明：（1）迁移学习可以通过权重调整选出与目标区域岩体相似的样本,解决了传统机器学习方法中同区域训练样本数量不足的问题。（2）孤立森林算法与迁移学习相结合可以排除异常数据的影响,增加模型的稳定性。（3）利用训练好的模型对12个测试样本进行多次判定,结果与实际情况基本相符,验证了模型的有效性。     

基于单目线结构光的智能仓库车辆识别系统

为了实现钢铁企业智能仓库的车辆识别,提出通过基于机器视觉技术的智能仓库车辆识别方案。将面阵CCD相机及线结构光布置在车辆停车位上方拍摄车辆及结构光图像,首先通过张正友标定法及光平面空间原理完成相机与光平面标定;其次使用图像预处理算法及骨架法提取结构光光条中心线;然后通过引入车上、车下点的判别标准,精准识别车上边缘点,并引入车辆高度变量,得到车上边缘点由图像坐标向世界坐标的转化模型;最后根据车上3个边缘点坐标计算车辆位置信息,完成智能库区车辆方位识别。研究结果表明,所构建的测量系统及算法可以获取仓库车辆位置信息,通过标准件精度验证试验可知系统测量结果精确度较高,能够准确实时反映仓库车辆位置信息,这为智能仓库车辆位置检测提供了有效测量手段。     

基于单目线结构光的智能仓库车辆识别系统

为了实现钢铁企业智能仓库的车辆识别,提出通过基于机器视觉技术的智能仓库车辆识别方案。将面阵CCD相机及线结构光布置在车辆停车位上方拍摄车辆及结构光图像,首先通过张正友标定法及光平面空间原理完成相机与光平面标定;其次使用图像预处理算法及骨架法提取结构光光条中心线;然后通过引入车上、车下点的判别标准,精准识别车上边缘点,并引入车辆高度变量,得到车上边缘点由图像坐标向世界坐标的转化模型;最后根据车上3个边缘点坐标计算车辆位置信息,完成智能库区车辆方位识别。研究结果表明,所构建的测量系统及算法可以获取仓库车辆位置信息,通过标准件精度验证试验可知系统测量结果精确度较高,能够准确实时反映仓库车辆位置信息,这为智能仓库车辆位置检测提供了有效测量手段。     

弱光照条件下交通标志检测与识别

针对弱光照条件下交通标志易发生漏检和定位不准的问题，本文提出了增强YOLOv3（You only look once）检测算法，一种实时自适应图像增强与优化YOLOv3网络结合的交通标志检测与识别方法。首先构建了大型复杂光照中国交通标志数据集；然后针对复杂的弱光照图像提出自适应增强算法，通过调整图像亮度和对比度强化交通标志与背景之间的差异；最后采用YOLOv3网络框架检测交通标志。为了降低先验锚点框设置精度以及图像中背景与前景比例严重失衡对检测精度造成的影响，优化了先验锚点框聚类算法和网络的损失函数。对比实验结果表明，在实时性大致相当的情况下，本文提出的增强YOLOv3检测算法较标准YOLOv3算法对交通标志有更高的回归精度和置信度，召回率和准确率分别提高0.96%和0.48%。      

Finite State Verification of Intelligent Transportation Systems

Intelligent transportation systems (ITS) represent a major initiative to improve roadway and travel conditions, not by building roads, but by drawing on new technologies in computing, sensing, and communications. However, these technologies are extremely complex and, while some demonstration projects have tested stand-alone systems, the broader architectural and standardization issues are still under development. The use of complex technologies in a safety-critical system such as ITS and at the scale envisioned requires a very careful study of the interaction between its various subsystems. This paper describes an approach for modeling the temporal aspects of ITS systems as well as their logical coordination using finite state verification tools. The approach is demonstrated by verifying safety properties of an automated traffic signal at a road intersection.     

Developing Complex Integrated Computer Applications and Systems

The challenge of integrating multiple computer applications and systems is common in civil engineering. For example, civil engineers are working to integrate geographic information systems, database management systems, and hydraulic models for wastewater planning and design. This challenge also faces transportation engineers. Control systems, such as traffic signal systems and freeway management systems, play a central role in the intelligent transportation systems (ITS) program. While such systems provide benefit individually, their full benefit is not achieved until they are integrated regionally. Regional integration enables the systems to share information, allowing officials to manage the entire regional transportation system. Planning, designing, and developing integrated systems call for engineers to make sound computing decisions. The two critical areas in these decisions are the systems architecture and open systems design. For example, in ITS a sound regional architecture is needed to guide engineers in fitting individual systems into a regional context. In addition, individual systems must possess documented, publicly available interfaces. This paper addresses these aspects of computing and provides an example of developing integrated regional ITS.     

基于计算机视觉技术的矿井电机车无人驾驶障碍物检测技术

针对传统计算机视觉方法难以实现障碍物实时检测和定位的问题,提出传统计算机视觉技术与深度学习目标检测算法YOLOv3相结合的障碍物智能检测方法。首先,采集电机车行驶区域（即有效检测区域）存在的障碍物数据并制作VOC格式数据集,使用YOLOv3训练数据集,得到障碍物检测模型;然后,采用传统计算机视觉技术定位到轨道,使用“3邻域”搜索法获得轨道线坐标值,根据距离信息向轨道外侧扩展一定距离,提取有效检测区域,同时网格化图片,将障碍物的坐标换算为实际距离;最后,使用障碍物检测模型对有效检测区域进行检测。试验结果表明：该方法可以识别行驶区域内多种特征差异很大的目标物体,如电机车、人和大块落石等;该方法每秒可以处理6帧图片,现场采集的实际数据测试平均精确率达到93.2%。     

厂区道路交通流量仿真研究

宝钢股份本部随着生产规模的逐步扩大,将成为全球惟一单一工厂年产钢1 800万t的钢铁联合企业,厂区机动车交通流量也随之增加。为检验现有的交通路网能否满足未来生产规划需求,需应用交通仿真手段对厂区道路交通进行预测。通过历史数据的挖掘,建立工序产量、单元之间物流量以及交通流量之间的拟合关系,根据公司规划期内的工序规划产量,预测各生产区域之间的物流量以及道路交通流量,再将交通流量分配到相应的道路中进行仿真运行,并统计各个道路区段、交通路口、路径以及路网负荷状况,通过与路网服务能力评价标准进行对比,确认规划期内厂区道路交通服务水平。     

基于Faster-RCNN的钢带缺陷检测方法

目前实际工业生产中的钢带缺陷检测任务存在数据难以收集、缺陷识别效果较差等问题,为此提出一种基于Faster-RCNN的钢带缺陷检测模型FRDNet。通过k-means聚类获得锚框参数,使生成框更符合目标缺陷类别比例,提高缺陷检测精度;同时利用模型迁移的方式微调网络结构,使钢带缺陷检测模型更快地适应目标缺陷任务。该方法有效解决了目标钢带表面缺陷数据较少的问题,增强了模型的泛化性。试验结果表明,该方法在GC10-DET钢带缺陷数据集上平均精确率均值mAP达67.6%,相较于原始模型提升了4.9%,检测速度为27.2FPS,满足检测任务的要求。