目前转炉炼钢仍然是我国众多炼钢方式中最主要、最高效的冶炼方式,整个过程是高温密闭、内部信息缺失的复杂过程。对于转炉一直以来难以解决的问题是终点预测的准确控制。其中吹氧是转炉炼钢的一个重要环节,吹入氧气能够减少碳含量,升高炉内温度除去杂质元素,准确的控制氧气量能够在一定程度上提高终点命中率。随着图像处理技术的不断发展,可提出通过转炉炼钢的火焰提取有效的火焰信息预测终点。在炼钢的过程中,随着吹炼的进行,钢水内的各种元素以及温度在发生变化的时候必然体现在火焰中,通过提取火焰的颜色特征、边界复杂度特征以及纹理特征建立吹炼模型,这是基于图像处理预测终点的关键。火焰在燃烧的过程中变化极快,因此提取特征存在一定的困难,为精确的预测吹炼终点,本文进行一系列的研究,具体研究内容如下:(1)在炼钢的过程中,吹氧是一个重要的环节,合理的吹氧量能够有效提高终点的命中率。本文通过引入深度学习,采用深度信念网络,建立吹氧模型,并对深度信念网络进行改进,一方面有效的提高了终点命中率,另一方面能够提高钢厂的生产效率;(2)针对当前国内某钢厂的转炉炼钢吹炼状态识别仍由人工经验完成进而导致吹炼状态识别率低的生产现状,提出一种基于ResNet深度卷积神经网络算法,能够有效的识别转炉吹炼状态,与现有的算法进行比较,识别率有了很大的提高,为后续的终点预测奠定基础;(3)对于现场采集的火焰图像受到了一定的干扰,因此必须先进行有效的预处理,包括图像的去燥和分割。本文通过领域平均值法和中值滤波两种方式对比,采用效果较好的均值滤波,同时对比阈值分割与FCM分割方法,选取效果较好的FCM分割方法。对于图像的火焰颜色特征提取本文通过计算颜色三阶矩作为色度特征;对于边界特征提取,本文通过计算线不变矩;对于纹理特征,本文通过灰度差分统计方法,计算对比度、角度方向二阶矩、平均值、熵四个特征值作为纹理特征;(4)对于己经提取到火焰色度特征、边界特征以及纹理复杂度特征,将三种图像特征作为输入量,采用最小二乘支持向量机网络模型建立炼钢火焰图像特征与吹炼数据之间的关系模型,对于参数的寻优采用粒子群优化的方式建立最佳预测模型。在转炉吹炼的过程中,炉口火焰随着吹炼的进行,变化快且复杂,结合现场的基础自动化条件,本文旨在通过采集炉口火焰图像,提取火焰多种特征,结合现场的吹炼数据,建立火焰图像特征与吹炼数据之间的关系模型,能够对吹炼的数据进行有效的预测,从而实现转炉的终点控制。