钢铁生产过程中,烧结是为高炉炼铁提供原料的重要环节,用烧结法生产烧结矿不仅解决了贫矿炼铁问题,同时还改善了含铁原料的冶金性能,使高炉生产指标和经济效益均得到明显提高。烧结矿FeO的含量是烧结生产的一项综合性指标,它代表了烧结矿的还原性。对烧结矿FeO含量的判断,对指导烧结生产有着重要的意义。本文综述了烧结工艺机理,分析了烧结过程中FeO的产生机理以及影响FeO含量的因素。将机器视觉技术引入烧结矿FeO含量的判断中,研究了基于机器视觉的烧结矿FeO含量判断的方法,研究了烧结机尾断面图像采集方法,研究了烧结机尾断面图像的表达、灰度化、增强、分割等图像预处理方法。重点研究了基于颜色特征和形状特征的烧结机尾断面图像特征信息提取方法。本文提出一种以“先定级、后定量”为基本思路的烧结矿FeO含量两级判断方法。在只需要定性分析FeO含量等级的情况下,基于模糊推理,根据提取到的烧结机尾断面的图像特征信息,采用红火区亮度、红火区面积、红火区重心纵坐标为模糊系统输入,烧结矿FeO含量为模糊系统输出,实现了 FeO含量的模糊分级。对生产指标要求较高、需要定量分析FeO含量的情况,依据分级结果,针对三个不同的等级,分别建立三个可判断FeO含量的神经网络模型,选取烧结机尾断面图像的七阶不变矩和对FeO含量影响较大的料层厚度、燃料配比、混合水分、碱度四个烧结工艺参数作为神经网络的输入,以FeO含量为神经网络输出,实现了对烧结矿FeO含量的准确判断。仿真实验,验证了烧结矿FeO含量两级判断的可行性、有效性和优越性。