在我国,高品位的电熔镁砂主要是通过电弧炉熔炼再结晶制备的。在电熔镁炉的熔炼过程中,需要在适当的时候进行补料,固定的补料周期并不能够保证在最佳的时机补料。因此,工业现场需要工人观察炉口火焰一段时间,根据其火焰的变化趋势来发现缺料情况,然后通过人工干预来提前补料。然而人工巡检容易漏检,劳动强度大,企业急需自动判别缺料工况的技术。在电熔镁炉熔炼过程中,不同工况下炉口火焰的颜色、形态等特征会有显著差异,这为通过视频图像自动地判断缺料工况提供了可能。现有的基于图像的工况判别方法大多是基于单帧图像进行工况的判别,或者将连续几秒的图像特征作为该时段静态图像的特征,再进行工况的识别。其中存在的问题是:利用单帧图像进行工况的判别没有考虑其时序性;利用连续几秒的图像特征作为该时段静态图像的特征来进行工况判别没有说服力。且以上研究都是在默认有大量标记视频条件下进行的,然而有标记视频并不容易获得。综上可知,智能识别炉口火焰来判别工况所遇到的主要挑战是:一、炉口火焰是动态变化的,仅通过单帧图像中火焰的亮度和形态特征并不能准确区分正常和缺料工况。这就需要同时分析图像和时间两个维度上的特征;二、现场虽然可以采集到大量的视频,但是视频的工况信息需要由有经验的巡检工人来标记,由于这项工作繁琐且费时费力,因此通常只有部分视频有标记。因此需要在少量有标记样本的条件下实现对缺料的识别。针对电熔镁炉缺料工况识别存在的问题,本文提出一种将基于时间序列的工况识别方法与半监督训练方法相结合的技术,实现从动态火焰中识别电熔镁炉的缺料工况。主要工作如下:1)视频图像的预处理方面,采用一种自顶向下的多维时间序列自适应分段算法,实现监控视频的自动分段,并将得到的片段作为后续分类器训练的基本数据单元,解决了后续基于时间序列分类器的输入样本问题。2)分类器设计方面,在自训练的半监督学习框架下,提出一种基于长短记忆网络和样本标签传播的迭代式分类器训练方法,即LSTM-KNN方法,解决在已标注视频段较少的情况下训练分类器的问题。与LCLC、KNN-SVM进行了算法性能的比较研究,表明所提出方法的有效性。3)设计并实现了电熔镁炉缺料工况识别软件,实现了算法训练阶段的数据预处理、模型结构选择、模型参数学习和模型结果验证等各个环节的人机界面和训练算法验证,以及和电熔镁炉熔炼视频缺料工况的在线识别。