CN102921915A - 基于钢水表面旋涡图像识别的下渣检测方法及装置 - Google Patents

Abstract

本发明涉及冶金工业自动化控制领域，旨在提供一种基于钢水表面旋涡图像识别的下渣检测方法及装置。该下渣检测方法及装置是在大包上方安装摄像头，并通过电缆依次连接至图像信号控制单元和工控机，然后对图像进行处理和提取，从而得到三种出钢含渣状态。本发明从大包下渣提高了下渣预报的准确性和稳定性；通过自由表面旋涡的识别方法，获得大包钢水表面旋涡的中心位置、状态特征量信息，实现了在连铸现场复杂工况环境下对于特征信息的提取；实现了“未下渣、先检测”的先验检测功能，更有效的控制钢水质量及提高收得率。

Description

基于钢水表面旋涡图像识别的下渣检测方法及装置

技术领域

本发明涉及冶金工业自动化控制领域，特别涉及一种面向连铸生产的基于钢水表面旋涡图像识别的下渣检测方法及装置。

背景技术

随着冶金技术的进步，钢铁品种和质量的不断提高，对钢铁连铸生产中钢水纯净度的要求越来越高。在连铸生产过程中，大包中的氧化剂、杂质混合形成液体钢渣，其比重仅为钢水的三分之一左右，因此会浮于钢水上部。在钢水浇注后期，受旋涡的影响，熔融的钢渣会逐渐从大包流入中间包，影响钢材品质，减小中包的使用寿命，严重时甚至使连铸生产无法进行。为了改善钢材品质，减少对于出钢口和滑动水口的侵蚀，提高中包的使用寿命与钢水收得率，必须对于大包浇注过程中的几个关键状态进行识别。因此，从上世纪80年代开始，国内外相继开发了多种大包浇注状态识别技术，主要包括电磁检测法、超声波检测法、红外检测法、和振动检测法。

电磁识别法通过两个同心环形线圈组成的传感器来进行状态识别，当在线圈里通高频交变电流时，钢水将有感应磁场产生，其方向可由右手螺旋定则判定。因为钢渣的磁导率远小于钢水的磁导率（1600℃左右时，它们的比值为1:10000），所以在纯钢水中感应产生的磁场远远大于在含有钢渣的钢水中产生的磁场。电磁识别法的缺陷在于：装置结构复杂，安装过程比较繁琐，需要3~6个工作日，且安装时需要对连铸生产设备进行一定程度的改造，这样就会延误生产；使用寿命短，维护费用高,由于电磁线圈在恶劣的高温环境下工作，容易受损，从而使检测系统失效，因此需要定期维护，更换线圈。

超声波检测法也是一种工业检测常用的方法。其原理是利用钢流中有钢渣和无钢渣是超声波发射、反射信号之间的差别来实现对钢渣的检测。虽然这种方法对浇注过程没有影响，但是由于超声波探头的工作环境温度高达1500摄氏度，工作环境比较恶劣，制造和使用费用高，离工业应用还有较长的一段时间。

红外检测法利用钢水和钢渣的热辐射率不同的原理对钢渣进行识别，目前这类系统比较普遍的应用与转炉、电炉出钢状态的识别中，如果要直接应用于大包浇注过程的状态识别中，则必须去掉长水口，使钢流直接暴露在空气中，会引起钢水的二次氧化，这对于连铸生产是很不利的。

振动检测方法是利用监测钢水在从大包流入中间包的过程中，对保护套管和操作臂产生的振动来实现大包浇注状态的识别的。滑动水口开度越大，钢水流量越大，相应的振动就越剧烈。之前已经提到过，钢渣比重大约是纯钢水比重的三分之一，因此由纯钢水流动和钢渣流动引起的振动就必然是有差异的。只要检测到这种差异，就能有效的判断钢流下渣的发生。振动检测法的瓶颈主要在于振动信号微弱，由于钢流的冲击能力有限，因此长水口采集的振动信号容易被连铸生产现场环境的干扰所掩盖，从而导致系统产生错误的判断进而影响系统的稳定性。

发明内容

本发明的主要目的在于克服现有技术中的不足，提供一种对浇注过程没有影响、能有效控制钢水质量及提高收得率的下渣检测方法及装置。为解决上述技术问题，本发明的解决方案是：

提供一种基于钢水表面旋涡图像识别的下渣检测方法，是在大包上方安装摄像头，并通过电缆依次连接至图像信号控制单元和工控机；所述下渣检测方法包括以下具体步骤：

（A）将大包内形成的旋涡分为无渣旋涡、混渣旋涡和全渣旋涡3种状态，这三种旋涡状态分别对应大包浇注过程的正常浇注、混渣浇注和下渣3种状态；

（B）由摄像头采集钢水表面旋涡的二维图像特征，对图像进行预处理；通过基于几何主动轮廓模型的旋转对称区域分割、基于Canny算子的流线边缘、方向检测及旋转中心定位进行图像特征的提取，通过旋涡识别及旋涡状态特征提取进行自由表面图像特征识别；

（C）经旋涡图像特征识别后，将与下渣密切相关的旋涡区域的面积、周长及旋涡状态特征值做归一化处理后表示的旋涡特征向量作为BP网络输入层的四个节点，以设定的三个出钢含渣状态参量构成输出节点，通过设计实现按误差逆传播训练的三层前馈网络分类器并对其进行训练，从而得到三种出钢含渣状态。

作为一种改进，所述自由表面漩涡图像特征识别由条件1缠绕角条件，即缠绕角a=±2π，记顺时针为正；以及条件2流场中流体在相邻区域内应满足∠（I_i，I_i-1）∈[(0,π/2), ∠（I_i，I_i-1）∈(-π/2,0)]来判定，通过同时满足条件1与条件2则判定为漩涡；所述缠绕角

，其中N²为正方形模板被分成的块数，I_i为第i块区域流水线切线方向均值。

作为一种改进，所述图像预处理过程包括松弛法图像去噪以及基于Sobel算子的图像锐化。

作为一种改进，所述三层前馈网络分类器的拓扑结构分为分为输入层、中间隐层和输出层，按误差逆传播训练步骤为：

（a）设计输入层和输出层：输入层的节点数取决于旋涡特征向量的维数，将经旋涡图像识别后与下渣密切相关的旋涡区域的面积，周长及旋涡状态特征值ξ₁、ξ₂做归一化处理后表示为旋涡特征向量u=[u₁,u₂,u₃,u₄]，从而作为BP网络输入层的四个节点；旋涡区域的面积及周长的归一化值为旋涡的瞬时面积及周长值比排水口面积及周长，旋涡状态特征值ξ₁、ξ₂的归一化值为ξ₁、ξ₂比8级灰度阶值255；输出节点为已设的三个出钢含渣状态参量，即无渣、混渣、全渣；

（b）设定隐含层的节点数：根据经验公式

 (其中n_i为输入层节点个数，n₀为输出层节点个数，a为1~10之间的常熟），计算出隐含层节点数的取值范围；

（c）激励函数采用S型函数：f(x)=1/(1+e^-kx)，经过不断的训练达到所需要求后，训练过程结束。

作为一种改进，所述S型函数的k值取1.5。

本发明进一步提供了用于实现前述方法的基于钢水表面旋涡图像识别的下渣检测装置，包括图像采集系统和图像处理系统，所述图像采集系统是安装在下端有滑动水口的大包正上方的摄像头，图像处理系统包括图像信号控制单元和工控机；摄像头通过电缆与图像信号控制单元连接，图像信号控制单元通过光缆与工控机连接。

作为一种改进，所述图像信号控制单元包括数据采集模块、电源管理模块、水口控制单元和现场报警模块。

作为一种改进，所述水口控制单元一端与滑动水口连接，另一端与工控机连接。

作为一种改进，所述摄像头外装有防尘罩并且密封。

与现有技术相比，本发明的有益效果是：

1、从大包下渣是由内部钢水液面产生的自由表面旋涡卷渣所引起且下渣状态与旋涡状态密不可分的本质入手，提高了下渣预报的准确性和稳定性；

2、通过自由表面旋涡的识别方法，获得大包钢水表面旋涡的中心位置、状态特征量信息，实现了在连铸现场复杂工况环境下对于特征信息的提取；

3、设计基于人工神经网络的分类器，通过对分类器的训练隐式的发掘旋涡特征参量与下渣之间关系，正确的将特征参量分类到所对应钢水下渣状态，最后通过下渣的状态判断控制大包滑动水口调节，实现了“未下渣、先检测”的先验检测功能，更有效的控制钢水质量及提高收得率。

附图说明

图1为基于钢水表面旋涡图像识别的下渣检测装置系统组成图；

图2为大包浇注状态识别系统实现方案示意图；

图3为本发明中图像信号控制单元与工控机通信关系图；

图4为按误差逆传播训练的三层前馈网络分类器的BP神经网络模型；

图中的附图标记为：1中间包；2钢水；3保护套管；4滑动水口；5大包；6钢渣；7摄像头；8图像信号控制单元；9水口控制单元；10工控机。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

图1中的基于钢水2表面旋涡图像识别的下渣检测装置的硬件组成主要包括图像采集系统和图像处理系统。

图像采集系统由用于采集大包5液面图像信息的摄像头7组成。由于系统应用于连铸生产线上，装置安装现场具有粉尘大的特点，因此需要在摄像头7外面加防尘罩并且密封。

图像处理系统包括图像信号控制单元8和工控机10，在图像信号控制单元8集成了数据采集模块、电源管理模块、水口控制单元9和现场报警模块。数据采集模块负责将摄像头7采集的数据传输至工控机10，同时，数据采集模块还需要采集中间包1、大包5的重量信息、水口开度信息。电源管理模块给图像信号控制单元8中的其他模块提供电源。水口控制单元9用于从工控机10接收打开和关闭水口的信号并且控制水口的开闭。现场报警模块接收工控机10发送的下渣报警信号和电源管理模块发送的电源报警信号并用声光报警的方式提示现场操作人员。

图像信号先通过耐高温屏蔽电缆传递到图像信号控制单元8，再通过光缆传输到工控机10，工控机10通过图像信号对大包5浇注状态进行识别。

图2所示的是基于钢水2表面旋涡图像识别的下渣检测方法的实现方式示意图，图像信号控制单元8和工控机10的具体通信关系如图3所示，系统的通信包括电源输入、信号输入以及控制输出三种。其实现流程是，电源管理模块负责向图像信号控制单元8中的其他模块提供电源输入信号，同时当电源供电异常的时候，电源管理模块会发送电源报警信号至现场报警模块。由摄像头7采集大包5液面图像，这种用于模式识别的信号和中间包1、大包5的重量信号与水口开度信号一起上传至信息采集模块。信息采集模块接受到信号之后将信号传输到工控机10。工控机10利用采集到的特征信息建立面向大包5浇注状态识别神经网络并进行训练，训练完成之后利用输入信号对于大包5浇注状态进行识别。

本实例中由摄像头7采集钢水2表面旋涡的二维图像特征，对图像进行改进并进行预处理、特征提取及特征识别，解决钢水2表面旋涡的识别并获取其位置及状态信息。将经旋涡图像识别后于下渣密切相关的旋涡区域的面积，周长及旋涡状态特征值做归一化处理后表示的旋涡特征向量作为BP网络输入层的四个节点，设定的三个出钢含渣状态参量构成输出节点，通过设计实现按误差逆传播训练的三层前馈网络分类器并对其进行训练，从而得到三种出钢含渣状态。

该实例的具体步骤如下所示：

步骤一：将大包5内形成的旋涡分为无渣旋涡、混渣旋涡和全渣旋涡3种状态，这三种旋涡状态分别对应大包5浇注过程的正常浇注、混渣浇注和下渣3种状态。

步骤二：由摄像头7采集钢水2表面旋涡的二维图像特征，通过松弛法图像去噪、基于Sobel算子的图像锐化进行图像预处理，通过基于几何主动轮廓模型的旋转对称区域分割。利用能量泛函有效结合图像信息通过闭合曲线的演化来完成图像的分割，同时保证了目标边缘的连续性、闭合性，并且使用水平集表示克服了曲线演化过程中的拓扑关系变化难题，对形状变化、结构复杂的目标图像区域分割相当有效，恰能解决自由表面旋涡图像中旋转对称区域的分割。基于Canny算子的流线边缘及其方向检测及旋转中心定位进行图像特征的提取，具有较好的抗噪性能和较高的边缘定位精度，且边缘线形连接完整，因此可以最大程度的获取图像中流线边缘信息并保证其可靠性。通过旋涡识别及旋涡状态特征提取进行自由表面图像特征识别。所述自由表面漩涡图像特征识别由条件1缠绕角条件，即缠绕角a=±2π，记顺时针为正；以及条件2流场中流体在相邻区域内应满足∠（I_i，I_i-1）∈[(0,π/2), ∠（I_i，I_i-1）∈(-π/2,0)]来判定,通过同时满足条件1与条件2则判定为漩涡。所述缠绕角

，其中N²为正方形模板被分成的块数，I_i为第i块区域流线方向（即流水线切线方向）均值。

步骤三：经旋涡图像特征识别后，将与下渣密切相关的旋涡区域的面积，周长及旋涡状态特征值做归一化处理后表示的旋涡特征向量作为BP网络输入层的四个节点，设定的三个出钢含渣状态参量构成输出节点，通过设计实现按误差逆传播训练的三层前馈网络分类器并对其进行训练，从而得到三种出钢含渣状态。

所述三层前馈网络分类器的拓扑结构分为分为输入层、中间隐层和输出层，按误差逆传播训练步骤为：

（a）设计输入层和输出层：输入层的节点数取决于旋涡特征向量的维数，将经旋涡图像识别后与下渣密切相关的旋涡区域的面积，周长及旋涡状态特征值ξ₁、ξ₂做归一化处理后表示为旋涡特征向量u=[u₁,u₂,u₃,u₄]，从而作为BP网络输入层的四个节点；旋涡区域的面积及周长的归一化值为旋涡的瞬时面积及周长值比排水口面积及周长，旋涡状态特征值ξ₁、ξ₂的归一化值为ξ₁、ξ₂比8级灰度阶值255；输出节点为已设的三个出钢含渣状态参量，即无渣、混渣、全渣；

（b）设定隐含层的节点数：由于隐含层节点个数太少会导致网路容错性差难以正确分类训练样本以外的特征向量，隐含层节点数太多则会增加训练时间。根据经验公式

(其中n_i为输入层节点个数，n₀为输出层节点个数，a为1~10之间的常熟），计算出隐含层节点数的取值范围；

（c）当网络的拓扑结构和训练样本数据确定后总误差函数就完全由激励函数决定了，采用S型函数：f(x)=1/(1+e^-kx)，当k=1.5时，训练的误差小，收敛较快。经过不断的训练达到所需要求后，训练过程结束。

本发明的技术依据是：

对于大包5浇注状态的识别的显著意义在于通过对于下渣时刻的提前获取，达到控制进入中间包1钢渣6量的目的，因此最简单的划分是将浇注状态分为正常浇注和下渣两种。然而，随着大包5内钢水2液面的降低，在重力、克里奥利力以及初始流体扰动的作用下，钢流表面会逐渐形成自由表面旋涡。随旋涡形成发展成一定规模后会将浮于钢水2表面的钢渣6卷入旋涡中心并带至出流口进入中间包1，从而不仅影响钢坯质量还会造成中间包1水口堵塞及降低连铸坯质量与钢水2收得率。同时旋涡所挟带的空气增加了钢水2二次氧化时间而致使钢坯质量下降。这时钢流的成分为钢水2、钢渣6和空气，这一状态处于正常浇注状态和下渣状态之间。综合以上分析，将大包5浇注过程划分为正常浇注、混渣浇注、下渣3种状态。

在大包5浇注过程中，随着大包5内钢水2液面的降低，由于重力、克里奥利力以及初始流体扰动的作用，钢流表面会逐渐形成自由表面旋涡。随旋涡形成发展成一定规模后会将浮于钢水2表面的钢渣6卷入旋涡中心并带至出流口进入中间包1。因此可通过准确掌握自由表面旋涡发生位置及发展状态，从而采取旋涡的抑制措施对旋涡进行有效的控制与消除，进而降低带来的危害。

在本发明中，引入了图像处理、识别与神经网络的方法，在大包5浇注过程中，采集大包5液面图像信息，对图像进行改进并进行预处理、特征提取及特征识别，解决钢水2表面旋涡的识别并获取其位置及状态信息，并将其作为神经网络的输入，通过标准样本的训练，确定BP神经网络的的各个函数，从而得到大包5浇注过程的3个状态。

当然，以上列举的仅是本发明的一个具体实施例，显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (9)

1.一种基于钢水表面旋涡图像识别的下渣检测方法，其特征在于，是在大包上方安装摄像头，并通过电缆依次连接至图像信号控制单元和工控机；所述下渣检测方法包括以下具体步骤：

（A）将大包内形成的旋涡分为无渣旋涡、混渣旋涡和全渣旋涡3种状态，这三种旋涡状态分别对应大包浇注过程的正常浇注、混渣浇注和下渣3种状态；

（B）由摄像头采集钢水表面旋涡的二维图像特征，对图像进行预处理；通过基于几何主动轮廓模型的旋转对称区域分割、基于Canny算子的流线边缘、方向检测及旋转中心定位进行图像特征的提取，通过旋涡识别及旋涡状态特征提取进行自由表面图像特征识别；

（C）经旋涡图像特征识别后，将与下渣密切相关的旋涡区域的面积、周长及旋涡状态特征值做归一化处理后表示的旋涡特征向量作为BP网络输入层的四个节点，以设定的三个出钢含渣状态参量构成输出节点，通过设计实现按误差逆传播训练的三层前馈网络分类器并对其进行训练，从而得到三种出钢含渣状态。

2.根据权利要求1所述的下渣检测方法，其特征在于，所述自由表面漩涡图像特征识别由条件1缠绕角条件，即缠绕角a=±2π，记顺时针为正；以及条件2流场中流体在相邻区域内应满足∠（I_i，I_i-1）∈[(0,π/2), ∠（I_i，I_i-1）∈(-π/2,0)]来判定，通过同时满足条件1与条件2则判定为漩涡；所述缠绕角

，其中N²为正方形模板被分成的块数，I_i为第i块区域流水线切线方向均值。

3.根据权利要求1所述的下渣检测方法，其特征在于，所述图像预处理过程包括松弛法图像去噪以及基于Sobel算子的图像锐化。

4.根据权利要求1所述的下渣检测方法，其特征在于，所述三层前馈网络分类器的拓扑结构分为分为输入层、中间隐层和输出层，按误差逆传播训练步骤为：

（a）设计输入层和输出层：输入层的节点数取决于旋涡特征向量的维数，将经旋涡图像识别后与下渣密切相关的旋涡区域的面积，周长及旋涡状态特征值ξ₁、ξ₂做归一化处理后表示为旋涡特征向量u=[u₁,u₂,u₃,u₄]，从而作为BP网络输入层的四个节点；旋涡区域的面积及周长的归一化值为旋涡的瞬时面积及周长值比排水口面积及周长，旋涡状态特征值ξ₁、ξ₂的归一化值为ξ₁、ξ₂比8级灰度阶值255；输出节点为已设的三个出钢含渣状态参量，即无渣、混渣、全渣；

（b）设定隐含层的节点数：根据经验公式

(其中n_i为输入层节点个数，n₀为输出层节点个数，a为1~10之间的常熟），计算出隐含层节点数的取值范围；

（c）激励函数采用S型函数：f(x)=1/(1+e^-kx)，经过不断的训练达到所需要求后，训练过程结束。

5.根据权利要求4所述的下渣检测方法，其特征在于，所述S型函数的k值取1.5。

6.一种用于实现权利要求1所述方法的基于钢水表面旋涡图像识别的下渣检测装置，包括图像采集系统和图像处理系统，其特征在于，所述图像采集系统是安装在下端有滑动水口的大包正上方的摄像头，图像处理系统包括图像信号控制单元和工控机；摄像头通过电缆与图像信号控制单元连接，图像信号控制单元通过光缆与工控机连接。

7.根据权利要求6所述的下渣检测装置，其特征在于，所述图像信号控制单元包括数据采集模块、电源管理模块、水口控制单元和现场报警模块。

8.根据权利要求7所述的下渣检测装置，其特征在于，所述水口控制单元一端与滑动水口连接，另一端与工控机连接。

9.根据权利要求6所述的下渣检测装置，其特征在于，所述摄像头外装有防尘罩并且密封。

Images