电熔氧化镁具有熔点高、结构致密、耐压强度高、耐腐蚀性强、化学性能稳定等特性,是冶金、科研、国防、航天领域重要的战略性原材料,应用前景广阔,发展潜力巨大。在我国,高品位的电熔镁砂的制备主要是通过电弧炉熔炼再结晶来完成。原料在电熔镁炉熔炼的过程中,欠烧是一种异常工况。倘若未能对此异常工况进行及时处理,将导致炉壁烧穿,造成巨大经济损失,高温熔液泄露还会危及现场操作工人的安全。目前,电熔镁炉欠烧工况的预警主要依靠现场工人的不间断巡检。现场工人通过“人工看火”,观察生产过程中炉口火焰的形态、亮度,炉壁烧红区域,炉外火星区域等特征,根据经验来预先判断可能发生的欠烧工况。人工巡检的主要问题是:1)现场生产环境恶劣（强光、高温、粉尘、水雾等）,危险性高,且工人在夜间进行巡检,劳动强度大,不适于长时间现场巡检;2)工况判别的准确性与操作人员的经验和状态相关,容易漏检、误检。因此,企业急需一种智能的欠烧工况识别技术,能够持续在线工作,并稳定、准确地在欠烧工况刚发生的时候预警,降低工人劳动强度、维护工人身体安全、提高电熔镁砂产品质量、增加经济效益;并且,将深度学习最新研究成果应用于电熔镁炉欠烧工况识别,具有一定学术研究价值。针对目前电熔镁炉熔炼可视化监控过程所存在的问题以及当前相关前沿技术的发展,本文提出一种基于深度学习的可见光RGB信息和红外信息结合的电熔镁炉欠烧工况在线识别方法。利用工业相机和红外热像仪获取电熔镁炉熔炼过程的视频图像信息,通过深度学习技术对镁炉图像进行实时特征提取和分析,结合现场工人经验,建立对欠烧工况视频图像的检测和识别模型,实现对电熔镁炉欠烧工况的在线识别。本项目不仅在视频图像信息采集时不受强光、高温、粉尘等恶劣环境的干扰,还支持多路实时视频和历史视频流的电熔镁炉欠烧工况识别,使用深度学习方法解决目前行业内炉口火焰区域、炉壁欠烧区域、炉外火星区域检测效率低、识别准确率低的问题,从而在电熔镁生产工业中提供高准确率的工况识别功能,对提高成品质量,降低工人劳动强度,保证现场安全运行有积极意义。本文的工作主要有:1.根据电熔镁生产现场环境的特点,在传感器的选择上进行了大量调研,最终选择了 Point Gray工业相机FL3-GE-50S5C-/M-C与红外热像仪Optris 1450作为图像信息采集设备搭建硬件平台,并对其进行内部参数标定。根据当前行业内的监控与识别方法,结合可见光信息与红外热像信息在不同环境下的互补性,根据环境的不同进行相机的切换,以保证采集效果较好的电熔镁炉熔炼视频和图像。实验结果表明,此方法无论是在黑暗环境下（电熔镁生产过程起炉、停炉工况下）,还是在强光、粉尘干扰下,都可以获得较好的识别效果。2.针对于欠烧工况训练样本较少的问题,利用图像样本生成技术对欠烧工况的训练样本进行生成。应用深度卷积生成对抗网络（DCGAN）的方法结合TensorFlow深度学习框架实现对电熔镁炉欠烧工况图像的生成,增加欠烧工况的图像样本,以此方法对原训练样本进行扩充,得到完整、平衡的训练样本,对下一步检测、分类模型的训练起到了至关重要的作用。3.基于YOLO关键区域检测算法并结合Darknet深度学习框架,实现在电熔镁炉熔炼工业环境的炉口火焰、炉壁欠烧、炉外火星区域的关键可视化区域的实时检测;基于深度卷积神经网络的AlexNet网络模型,结合Caffe深度学习框架实现对单帧电熔镁炉图像的工况识别,并计算工况判别结果的准确率。在此过程中,将普通可见光和红外图像运用到电熔镁炉欠烧工况的自动识别过程中,并且提供红外视频与可见光视频的实时监控、识别过程显示和切换功能,以此来对电熔镁生产过程进行分析与评估。4.设计并开发了欠烧工况识别系统的上位机监控终端软件,用于显示检测和识别的结果等功能。