CN102886504B - 一种基于机器视觉的结晶器漏钢可视化预报方法 - Google Patents

Abstract

一种基于机器视觉的连铸结晶器漏钢可视化预报方法，属于钢铁冶金连铸检测技术领域。具体为在线检测结晶器铜板热电偶温度信号，采用热成像技术可视化呈现结晶器铜板温度及其变化速率，并基于机器视觉原理搜索温度异常区域，提取异常区域的几何、位置、温度变化、传播等重要信息，在此基础上识别漏钢征兆，判断并预报结晶器漏钢。其实现步骤为：结晶器铜板温度及其变化速率可视化；温度异常区域阈值分割和标记；温度异常区域特征信息提取；漏钢温度模式识别与判断。其优点：将可视化与机器视觉技术有机结合，直观呈现结晶器温度分布、异常变化与发展趋势，通过提取异常区域的几何、位置、温度变化及传播等特征，直观呈现和准确识别结晶器漏钢，有效提高预报准确率。

Description

一种基于机器视觉的结晶器漏钢可视化预报方法

技术领域

本发明涉及一种基于机器视觉的连铸结晶器漏钢可视化预报方法，属于钢铁冶金连铸检测技术领域。

背景技术

结晶器漏钢是连铸生产中的重大事故，不仅会破坏正常的生产秩序，干扰连铸顺利进行，而且将严重损毁铸机设备，造成企业巨额经济损失。因此，预报和防范漏钢是连铸生产过程监控的重要环节。

按照类型划分，漏钢可分为粘结漏钢、纵裂漏钢、开浇漏钢和角部漏钢等。其中，粘结漏钢的发生几率占据漏钢总数的三分之二以上，因而，生产中针对漏钢的防范以粘结漏钢为主。关于结晶器漏钢迹象的检测和预报，通常利用埋设在结晶器铜板内的热电偶实时检测结晶器与铸坯的传热状况，并依据特定的算法，对漏钢发生前温度信号在时间、空间上的“时滞”和“倒置”现象进行识别，预报方法包括早期开发的逻辑判断算法，以及近年来开发并投入应用的神经元网络、模式识别及其他智能预报方法。经过二十年生产经验的积累和摸索，在国内先进的板坯铸机上，基于结晶器铜板温度检测的漏钢预报系统，目前已可将漏钢次数控制在1次/年以下，为预防漏钢发挥了重要作用。然而，因生产中钢种、保护渣、拉速、液位等工艺因素的变化都会对传热产生显著影响，由此引起的温度波动时常被误判为漏钢，使得生产中误报频繁。部分板坯铸机的误报率甚至到达80%以上，正确的报警比例仅为五分之一左右。报警后铸机的频繁降速、停车不仅严重影响铸坯质量，加剧铸机设备损耗，同时加大影响现场人员的操控信心，降低了生产效率。

专利CN101332499A中公开了一种板坯连铸漏钢预报控制方法，该方法为在板坯连铸过程中根据结晶器热电偶温度防止粘结漏钢的发生。在结晶器上安装多排热电偶，接收现场温度数据，统计每支热电偶的温度特征，根据温度上升幅度、下降幅度，确定每支热电偶的典型温度特征；根据热电偶具有典型的温度特征和热电偶温度上升或下降的幅度进行判断漏钢几率，并考虑漏钢时温度纵向传播和横向传播特征，确定每只热电偶的漏钢几率；当出现某支热电偶的漏钢几率达到95%时，降低拉速，停止浇注。该方法虽然提高了报警的准确率，由于连铸工艺的复杂性，热电偶实测温度曲线难免会受到钢种、液位、拉速等因素的影响，在一定程度上会增加误报次数。

专利CN101850410A中公开了一种基于神经网络的连铸漏钢预报方法，该方法具体为采集连铸现场热电偶温度数据；对温度数据进行预处理；采用BP神经网络对单偶时序网络漏钢预报模型进行学习，使用遗传算法调整预报模型的连接权值和阈值，在此基础上预报结晶器漏钢。虽然该方法使报警准确率有所提高，然而，基于神经网络的漏钢预报方法高度依赖训练样本的数量和质量，并不适用于漏钢样本缺乏的新建铸机；此外，在样本制作过程中，对现场操控人员的要求也较高，很大程度上限制了方法的推广和应用效果。

发明内容

本发明为了克服漏钢预报系统中存在的不足，提出一种基于机器视觉的结晶器漏钢可视化预报方法，在线检测结晶器铜板热电偶温度信号，采用热成像技术可视化呈现结晶器铜板温度及其变化速率，并基于机器视觉原理搜索温度异常区域，同时提取异常区域的几何、位置、温度变化、传播等重要特征信息，在此基础上识别漏钢征兆，判断并预报结晶器漏钢。

本发明采用的技术方案是：一种基于机器视觉的连铸结晶器漏钢可视化预报方法，将结晶器可视化与机器视觉技术有机结合，可视化呈现和在线识别结晶器漏钢发展过程，准确预报结晶器漏钢。其检测步骤如下：

第一步、结晶器铜板温度及其变化速率可视化

（1）在线检测埋设在四张结晶器铜板上所有热电偶的温度值；

（2）将热电偶温度数据进行预处理，消除现场复杂电磁环境对测量温度的干扰；

（3）对铜板温度值进行横向插值和纵向插值运算，计算出非热电偶测点位置的铜板温度，获得结晶器铜板温度二维分布；

（4）将插值后宽面、窄面温度存储在二维数组T[x，y]中，依据预先设定的温度-颜色对应关系，绘制结晶器铜板热像图，可视化呈现浇铸过程中四张结晶器铜板温度的二维分布；

（5）提取当前时刻及之前k秒的宽面、窄面温度二维数组，采用帧间差分法，逐点计算同一位置在k秒内的温度变化速率，并将结果存储在温度变化速率二维数组G[x，y]中；

（6）依据设定的温度变化速率-颜色对应关系，绘制结晶器铜板温度速率热像图，精确、实时反映铜板温度变化情况；

第二步、温度异常区域阈值分割和标记

（1）在结晶器铜板温度速率热像图中搜索温度变化可疑区域；

（2）采用阈值分割算法，将G[x，y]中超过设定阈值的温度异常点进行分离；

（3）采用八连通判别算法将温度异常点进行连通性判断，将属于同一个连通区域的点设置为同一个标号；

（4）采用边界跟踪法对温度异常区域进行边界提取，并对各区域以自然数顺序进行重新标记；

第三步、温度异常区域特征信息提取

（1）几何特征

面积S：用来描述某一个温度异常区域R_d的面积大小，即温度异常区域在结晶器温度速率热像图中所占的像素点总数。

$S=\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\Σ}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\Σ}}}f(x,y),$

其中， $\left\{\begin{array}{cc}f(x,y)=1,& (x,y)\∈R_d\\ f(x,y)=0,& (x,y)\∉R_d\end{array}\right.$

边界周长C：某一个温度异常区域的边界R_b所占的像素点总数。

$C=\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\Σ}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\Σ}}}f(x,y),$

W=X_right-X_left

温度异常区域高度H：某一个温度异常区域纵向扩展幅度所占像素点数。

H＝Y_top-Y_down

(2)位置特征

温度异常区域重心坐标(x_c，y_c)：重心坐标用来表示某一个温度异常区域中心点的位置。

$x_c=\frac{1}{S}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\Σ}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\Σ}}}\mathrm{xf}(x,y)$

$y_c=\frac{1}{S}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\Σ}}}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\Σ}}}\mathrm{yf}(x,y)$

其中， $\left\{\begin{array}{cc}f(x,y)=1,& (x,y)\∈R_d\\ f(x,y)=0,& (x,y)\∉R_d\end{array}\right.$

(3)温度变化特征

温度变化速率均值f_mean：某一个温度异常区域中各点温度变化速率的均值。

$f_{\mathrm{mean}}=\frac{1}{S}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\Σ}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\Σ}}}f(x,y)$

温度变化速率最大值f_max：某一个温度异常区域中温度变化速率最大值。

f_max＝max(f(x，y))

(4)传播特征

纵向传播速率：发生粘结漏钢时，粘结点沿浇铸方向的移动速率，即t₁时刻温度异常区域的中心坐标

和t₂时刻温度异常区域的重心坐标

的差与时间间隔t₁-t₂的比值。

$v=\frac{y_{t_1}-y_{t_2}}{t_1-t_2}$

撕裂线与水平方向所成角度：当前时刻温度异常区域c₁和c₂重心点连线与水平方向所成的角度。

$\mathrm{\θ}=\arctan \frac{y_{c_1}-y_{c_2}}{x_{c_1}-x_{c_2}}$

x，y分别表示结晶器温度热像图和结晶器温度速率热像图中横向、纵向坐标。坐标原点为结晶器铜板左上角，横轴x向右为正，从左至右增加；纵轴y向下为正，从上到下增加。T[x，y]是存储结晶器热像图温度数据的二维数组，温度速率热像图所在的平面定义区域为R，温度变化速率用f(x，y)来表示，并将实测热电偶温度变化速率存储在二维数组G[x，y]中。R_d是某一个温度异常区域内所有点组成的集合，R_b是某一个温度异常区域的边界点所组成的集合。Y_top、Y_down是某一个温度异常区域纵向坐标最大值、最小值，X_left，X_right是某一个温度异常区域横向坐标最大值、最小值。

第四步、漏钢模式识别与判断

（1）温度异常区域的温度变化速率均值大于0.4℃/s；

（2）温度异常区域面积超过设定的阈值1250；

（3）温度异常区域重心坐标出现下移，纵向传播速率大于1/2倍浇铸速度，小于4/5倍浇铸速度，并且撕裂线与水平方向夹角22°<θ<48°；

（4）温度异常区域的上方出现温度下降，且降温幅值大于2.0℃；

（5）连续6秒以上，温度异常区域同时满足（1）、（2）两个条件；

（6）满足上述（1）、（2）条件的同时，若出现（3）、（4）、（5）三个中任何一个特征，则判定为漏钢，发出漏钢预报警告，铸机降速。

本发明的有益效果是：本发明将结晶器可视化与机器视觉检测技术有机结合，通过检测结晶器上埋设热电偶的温度信号，将四张结晶器铜板温度变化速率以热像图的形式呈献给现场操控人员，不仅能够进一步掌控结晶器“黑匣”内的温度变化，而且可更加直观的呈现结晶器漏钢形成和发展的全过程，提升现场操控信心和预报准确率。基于机器视觉结晶器漏钢可视化预报方法，可以实现对结晶器温度场的实时监控，综合考虑单只、临近乃至整个铜板的热电偶温度及其变化，通过挖掘和识别铸坯与结晶器粘结区域温度变化的重要特征，能够在保证漏钢报出率的前提下，大幅降低误报次数，有效提高预报准确率和实用效果。

附图说明

图1是机器视觉可视化漏钢预报框图。

图2是四张结晶器铜板展开及热电偶布置示意图。

图3是四张结晶器铜板在t-n时刻的温度热像图。

图4是四张结晶器铜板在当前时刻t的温度热像图。

图5是t-6、t-3、t时刻粘结漏钢过程可视化温度速率热像图。

图中：1、外弧宽面铜板，2、左侧窄面铜板，3、内弧宽面铜板，4、右侧窄面铜板，5、热电偶，6、温度异常区域，7、外弧宽面铜板温度变化可疑区域，8、内弧宽面铜板温度变化可疑区域，9、温度异常区域，10、温度异常区域，11、外弧宽面铜板温度变化可疑区域，12、内弧宽面铜板温度变化可疑区域，13、温度异常区域，14、温度异常区域，15、内弧宽面铜板温度变化可疑区域，16、温度异常区域边缘线。

具体实施方式

图1是机器视觉可视化漏钢预报框图。由图1可知，基于机器视觉连铸结晶器漏钢可视化预报方法分为以下四个部分：可视化结晶器铜板温度变化、分割温度异常区域、提取异常区域特征信息、漏钢特征识别和判断。

下面通过具体的实施例，结合附图对本发明作进一步详细的描述。

第一步、结晶器铜板温度及其变化速率可视化

图2是四张结晶器铜板展开及热电偶布置示意图。板坯连铸结晶器长度为900mm，由四张铜板构成，包括一对宽面铜板和一对窄面铜板，分别为外弧宽面铜板1、左侧窄面铜板2、内弧宽面铜板3、右侧窄面铜板4，四张铜板的厚度均为40mm。分别在四张铜板距结晶器上口210mm、325mm、445mm的3个水平横截面上布置3行测点，外弧宽面铜板1和内弧宽面铜板3上每行布置19列热电偶5，电偶间距150mm，两张宽面铜板各布置57支热电偶；左侧窄面铜板2和右侧窄面铜板4位于中心线各布置一列热电偶，两张窄面铜板各布置3支热电偶。四张铜板布置电偶总数共计120支，每支电偶至结晶器铜板热面距离相等，均为20mm。

结晶器温度热像图可视化可分为以下三个步骤：

首先，将120支热电偶检测到的温度信号进行预处理，消除因热电偶问题或电磁干扰引起的温度异常，具体为将大于设定最大温度值T_max和小于设定最小温度值T_min的热电偶被认定为异常，并将其状态设置为FALSE。将所有状态为FALSE的热电偶重新进行赋予温度值，由于结晶器内纵向温度分布差异较大，横向温度分布差异相对较小，特别是相邻的热电偶之间，因此，将临近热电偶温度取均值赋给状态为FALSE的热电偶。

其次，在热电偶实测温度的基础上，将检测到的温度数据进行纵向插值和横向插值，计算出铜板非热电偶测点位置的温度，得到包括外弧、内弧宽面以及左侧、右侧窄面温度分布二维数组T[x，y]。其中，外弧、内弧宽面横向坐标x索引值为0~299，左侧、右侧窄面横向坐标x索引值为0~39；浇铸方向上，宽面、窄面纵向索引相同，均为0~99。

最后，将计算出的宽面、窄面四张铜板温度数组T[x，y]，按照预先设定的温度-颜色对应关系，逐点绘制并得到结晶器铜板热像图。在线监控中，热像图每秒更新一次，以满足对结晶器内温度监测的实时性要求。

图3、图4显示出不同时刻下四张结晶器铜板的温度热像图。其中，图3是结晶器铜板t-n时刻下的结晶器温度热像图，图4是结晶器铜板在当前时刻t的结晶器温度热像图。

从图3、图4的结晶器温度热像图中不难发现，对于温度变化超过10℃的区域，可以直观的看见结晶器内的温度变化情况，温度变化小于10℃的情况将无法观察到，这就给操作人员带来了不便。本发明对结晶器热像图进行改进，采用帧间差分法对相隔k秒的结晶器热像图进行比较，即提取当前时刻及之前k秒的宽面、窄面温度二维数组T[x，y]，逐点计算同一位置在k秒内的温度变化速率，并将结果存储在温度变化速率二维数组G[x，y]中，依据设定的温度变化速率-颜色对应关系，绘制结晶器铜板温度速率热像图，更加精细的呈现浇铸过程中四张结晶器铜板温度变化的二维分布。

图5a是t-6时刻粘结漏钢过程可视化温度速率热像图。图5a中出现了温度异常区域6，这是粘结漏钢的初始形态，粘结点是形成于结晶器第一排热电偶附近的一个热点；图5b是t-3时刻粘结漏钢过程可视化温度速率热像图。随着拉速和撕裂线的扩展，漏钢得到了进一步的扩展，如图5b中所示，粘结点出现了下移，并在粘结点的右侧出现了一条明显的撕裂线；图5c是t时刻粘结漏钢过程可视化温度速率热像图，粘结漏钢进一步扩展，撕裂线同时向左右进行延伸，形成了粘结漏钢中典型的“V”型，温度速率热像图可以捕捉温度变化小于10℃的情况，更加清楚的呈现了粘结漏钢发生时粘结点和撕裂线的运动轨迹，以及粘结点和撕裂线的的扩展行为，真正的为漏钢提供了可视化的平台。

第二步、温度异常区域阈值分割和标记

（1）在结晶器铜板温度速率热像图中搜索温度变化可疑区域；

（2）采用阈值分割算法，将G[x，y]中超过设定阈值的温度异常点进行分离；

（3）采用八连通判别算法将温度异常点进行连通性判断，将属于同一个连通区域的点设置为同一个标号；

（4）采用边界跟踪法对温度异常区域进行边界提取，并对各区域以自然数顺序进行重新标记；

图5a是t-6时刻粘结漏钢可视化温度速率热像图。采用阈值分割算法，从左到右，从上到下，依次检测每个像素，如果某个像素点的温度变化速率小于0.4℃/s，则将该点剔除，若某像素点的温度变化速率大于0.4℃/s，则保留该像素点。通过阈值分割算法，将图5a、5b、5c中的温度异常区域6、9、10、13、14与温度可疑区域7、8、11、12、15进行了分离。根据八连通判别准则对温度异常点进行连通性的判断，并将异常点进行标记。图5a中的温度异常区域6即为标记后的异常区域。采用边界跟踪法提取区域边界，从左到右，从上到下，对温度变化速率热像图进行扫描，当遇到温度异常区域边缘点时，根据边界跟踪准则进行顺序跟踪，直至跟踪的后续点回到起始点，图5c中温度异常区域14的边缘点组成了边缘线16。

第三步、温度异常区域特征信息提取

（1）几何特征

面积S：用来描述某一个温度异常区域R_d的面积大小，即温度异常区域在结晶器温度速率热像图中所占的像素点总数。

$S=\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\&Sigma;}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\&Sigma;}}}f(x,y),$

其中， $\left\{\begin{array}{cc}f(x,y)=1,& (x,y)\&Element;R_d\\ f(x,y)=0,& (x,y)\&NotElement;R_d\end{array}\right.$

边界周长C：某一个温度异常区域的边界R_b所占的像素点总数。

$C=\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\&Sigma;}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\&Sigma;}}}f(x,y),$

其中， $\left\{\begin{array}{cc}f(x,y)=1,& (x,y)\&Element;R_b\\ f(x,y)=0,& (x,y)\&NotElement;R_b\end{array}\right.$

温度异常区域宽度W：某一个温度异常区域横向扩展幅度所占像素点数。

W＝X_right-X_left

温度异常区域高度H：某一个温度异常区域纵向扩展幅度所占像素点数。

H＝Y_top-Y_down

(2)位置特征

温度异常区域重心坐标(x_c，y_c)：重心坐标用来表示某一个温度异常区域中心点的位置。

$x_c=\frac{1}{S}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\&Sigma;}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\&Sigma;}}}\mathrm{xf}(x,y)$

$y_c=\frac{1}{S}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\&Sigma;}}}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\&Sigma;}}}\mathrm{yf}(x,y)$

其中， $\left\{\begin{array}{cc}f(x,y)=1,& (x,y)\&Element;R_d\\ f(x,y)=0,& (x,y)\&NotElement;R_d\end{array}\right.$

(3)温度变化特征

温度变化速率均值f_mean：某一个温度异常区域中各点温度变化速率的均值。

$f_{\mathrm{mean}}=\frac{1}{S}\underset{y=Y_{\mathrm{top}}}{\overset{Y_{\mathrm{down}}}{\mathrm{\&Sigma;}}}\underset{x=X_{\mathrm{left}}}{\overset{X_{\mathrm{right}}}{\mathrm{\&Sigma;}}}f(x,y)$

温度变化速率最大值f_max：某一个温度异常区域中温度变化速率最大值。

f_max＝max(f(x，y))

(4)传播特征

纵向传播速率：发生粘结漏钢时，粘结点沿浇铸方向的移动速率，即t₁时刻温度异常区域的中心坐标

和t₂时刻温度异常区域的重心坐标

的差与时间间隔t₁-t₂的比值。

$v=\frac{y_{t_1}-y_{t_2}}{t_1-t_2}$

撕裂线与水平方向所成角度：当前时刻温度异常区域c₁和c₂重心点连线与水产方向所成的角度。

$\mathrm{\&theta;}=\arctan \frac{y_{c_1}-y_{c_2}}{x_{c_1}-x_{c_2}}$

x,y分别表示结晶器温度热像图和结晶器温度速率热像图中横向、纵向坐标。坐标原点为结晶器铜板左上角，横轴向右为正，x从左至右增加；纵轴向下为正，y从上到下增加。T[x，y]是存储结晶器铜板热像图温度数据的二维数组，温度速率热像图所在的平面定义区域为R，温度变化速率用f(x,y)来表示，并将实测热电偶温度变化速率存储在二维数组G[x，y]中。R_d是某一个温度异常区域内所有点组成的集合，R_b是某一个温度异常区域的边界点所组成的集合。Y_top、Y_down是某一个温度异常区域纵向坐标最大值、最小值，X_left，X_right是某一个温度异常区域横向坐标最大值、最小值。

图5a、5b、5c中的温度异常区域6、9、10、13、14呈现了粘结漏钢从形成到扩展的全过程，通过特征信息提取函数，将温度异常区域的几何、位置、温度变化和传播特征信息进行提取。表1为图5a、5b、5c中区域6、10、13、14的特征信息。

浇铸工艺信息：连铸坯尺寸为2092*220mm，拉速为1.1m/min，液位791.4mm，两块宽面铜板温度速率热像图中的每个像素点对应着结晶器铜板7.0*4.5mm²大小的区域，两块窄面铜板温度速率热像图中的每个像素点对应着结晶器铜板5.5*4.5mm²大小的区域，由像素点和面积对应关系，将纵向传播速率v（像素点/秒）由像素速率转化为粘结点空间移动速率v'（米/分钟）。

表1异常区域特征信息

区域	s	c	fmean(℃/s)	fmax(℃/s)	v'(m/min）	θ(°)
							6	1327	133	0.82	1.52	——	——
10	2840	228	0.75	1.45	——	——
							13	298	61	0.50	1.2	——	——
14	3138	228	0.74	1.6	0.68	35

第四步、漏钢温度模式识别与判断

（1）温度异常区域的温度变化速率均值大于0.4℃/s；

（2）温度异常区域面积超过设定的阈值1250；

（3）温度异常区域重心坐标出现下移，纵向传播速率大于1/2倍浇铸速度，小于4/5倍浇铸速度，并且撕裂线与水平方向夹角22°<θ<48°；；

（4）温度异常区域的上方出现温度下降，且降温幅值大于2.0℃；

（5）连续6秒以上，温度异常区域同时满足（1）、（2）两个条件；

（6）满足上述（1）、（2）条件的同时，若出现（3）、（4）、（5）三个中任何一个特征，则判定为漏钢，发出漏钢预报警告，铸机降速。

图5c是t时刻粘结漏钢可视化温度速率热像图，并在t时刻发出了报警，及时降低浇铸速度，防止了漏钢事故的发生。图5a中温度异常区域6的温度变化速率均值为0.82℃/s，温度异常区域的面积为1327，均大于设定的阈值，其他漏钢特征信息不明显；图5b中粘结点的下移和撕裂线的扩展，温度异常区域6扩展为温度异常区域10；图5c中粘结点得到了进一步的扩展，形成温度异常区域13、14，此时，撕裂线与水平方向所成的锐角为35°，并且纵向传播速率在4/5倍浇铸速度和1/2倍浇注速度之间，异常区域特征信息符合结晶器漏钢特征，立刻发出报警，防止了漏钢事故的发生。

Claims (2)

1.一种基于机器视觉的连铸结晶器漏钢可视化预报方法，其特征在于，将结晶器可视化与机器视觉技术有机结合，可视化呈现和在线识别结晶器漏钢发展过程，准确预报结晶器漏钢；其检测步骤如下： 

第一步、结晶器铜板温度及其变化速率可视化 

（1）在线检测埋设在四张结晶器铜板上所有热电偶的温度值； 

（2）将热电偶温度数据进行预处理，消除现场复杂电磁环境对测量温度的干扰； 

（3）对铜板温度值进行横向插值和纵向插值运算，计算出非热电偶测点位置的铜板温度，获得结晶器铜板温度二维分布； 

（4）将插值后宽面、窄面温度存储在二维数组T[x, y]中，依据预先设定的温度-颜色对应关系，绘制结晶器铜板热像图，可视化呈现浇铸过程中四张结晶器铜板温度的二维分布； 

（5）提取当前时刻及之前k秒的宽面、窄面温度二维数组，采用帧间差分法，逐点计算同一位置在k秒内的温度变化速率，并将结果存储在温度变化速率二维数组G[x,y]中； 

（6）依据设定的温度变化速率-颜色对应关系，绘制结晶器铜板温度速率热像图，精确、实时反映铜板温度变化情况； 

第二步、温度异常区域阈值分割和标记 

（1）在结晶器铜板温度速率热像图中搜索温度变化可疑区域； 

（2）采用阈值分割算法，将G[x,y]中超过设定阈值的温度异常点进行分离； 

（3）采用八连通判别算法将温度异常点进行连通性判断，将属于同一个连通区域的点设置为同一个标号； 

（4）采用边界跟踪法对温度异常区域进行边界提取，并对各区域以自然数顺序进行重新标记； 

第三步、温度异常区域特征信息提取 

（1）几何特征 

面积S：用来描述某一个温度异常区域Rd的面积大小，即温度异常区域在结晶器温度速率热像图中所占的像素点总数 

其中，

边界周长C：某一个温度异常区域的边界R_b所占的像素点总数 

其中，

温度异常区域宽度W：某一个温度异常区域横向扩展幅度所占像素点数 

W=X_right-X_left

温度异常区域高度H：某一个温度异常区域纵向扩展幅度所占像素点数 

H=Y_top-Y_down

（2）位置特征 

温度异常区域重心坐标(x_c,y_c)：重心坐标用来表示某一个温度异常区域中心点的位置 

其中，

（3）温度变化特征 

温度变化速率均值f_mean：某一个温度异常区域中各点温度变化速率的均值 

温度变化速率最大值f_max：某一个温度异常区域中温度变化速率最大值 

f_max=max(f(x,y)) 

（4）传播特征 

纵向传播速率：发生粘结漏钢时，粘结点沿浇铸方向的移动速率，即t1时刻温度异常区域的中心坐标y_t1和t₂时刻温度异常区域的重心坐标y_t2的差与时间间隔t₁-t₂的比值 

撕裂线与水平方向所成角度：当前时刻温度异常区域c₁和c₂重心点连线与水平方向所成的角度

x,y分别表示结晶器温度热像图和结晶器温度速率热像图中横向、纵向坐标，坐标原点为结晶器铜板左上角，横轴x向右为正，从左至右增加；纵轴y向下为正，从上到下增加，T[x,y]是存储结晶器铜板热像图温度数据的二维数组，温度速率热像图所在的平面定义区域为R，温度变化速率用f(x,y)来表示，并将实测热电偶温度变化速率存储在二维数组G[x,y]中，R_d是某一个温度异常区域内所有点组成的集合，R_b是某一个温度异常区域的边界点所组成的集合，Y_top、Y_down是某一个温度异常区域纵向坐标最大值、最小值，X_left，X_right是某一个温度异常区域横向坐标最大值、最小值； 

第四步、漏钢温度模式识别与判断 

（1）温度异常区域的温度变化速率均值大于0.4℃/s； 

（2）温度异常区域面积超过设定的阈值1250； 

（3）温度异常区域重心坐标出现下移，纵向传播速率大于1/2倍浇铸速度，小于4/5倍浇铸速度，并且撕裂线与水平方向夹角22°<θ<48°； 

（4）温度异常区域的上方出现温度下降，且降温幅值大于2.0℃； 

（5）连续6秒以上，温度异常区域同时满足（1）、（2）两个条件； 

（6）满足上述（1）、（2）条件的同时，若出现（3）、（4）、（5）三个中任何一个特征，则判定为漏钢，发出漏钢预报警告，铸机降速。 

2.根据权利要求1所述的一种基于机器视觉的连铸结晶器漏钢可视化预报方法，其特征在于：所述方法适用于板坯、方坯、圆坯和异型坯的连铸漏钢预报。 

Images