CN105841820A - 一种轧件温度在线监测系统 - Google Patents

Abstract

一种轧件温度在线监测系统，其包括红外图像监测探头单元、红外图像分析及处理单元，所述红外图像监测探头单元包括两台红外面阵探测器，所述红外图像分析及处理单元包括图像预处理模块、比色测温模块。本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布，从而对实际生产的温度控制给出相应的指导，提高轧件的质量。本发明适用性强，可以在自动模式和人工模式下工作，方便与人工经验作比对。

Description

一种轧件温度在线监测系统

技术领域

本发明涉及冶金行业轧件相关领域，具体涉及一种轧件温度监测系统。

背景技术

近红外比色测温技术，是一种集数字成像技术、光电传感技术、以及信号处理技术于一体的在线监测式测温技术。该技术也是目前国内发展最为迅速的测温技术之一，在很多行业都得到了广泛应用。其基本流程是：红外探测器通过接收物体表面发出的红外辐射形成热图像，并以数字信号的形式传输到计算机处理系统，经过模糊C均值聚类将轧件与冷床等背景区分出来，从而获得图像中轧件部分的灰度，再由反演算法计算出轧件温度，因此具有稳定性、可靠性、实时性和连续性等优点。

本发明在此基础上提出了研发一种基于红外图像信息及光谱分析原理，同时完成轧件运行监视及其温度实时检测的特种监测产品。通过红外热像技术测量全视场范围内轧件温度，从而获得轧件垂直运行方向上的温度分布数据，判定佳灵配风调整的效能，同时，也可获得轧件沿运行方向上的温度变化数据，并实现温度分布的可视化，直观监视金相相变点对控制冷却工艺效能进行验证，有利于对现有的系统进一步地改进、优化，对于提高轧件的质量水平有重要的意义。

发明内容

为解决上述技术问题，本发明提供了一种轧件温度在线监测系统，其包括红外图像监测探头单元、红外图像分析及处理单元，所述红外图像监测探头单元包括两台红外面阵探测器，所述两台红外面阵探测器获取散卷轧件在两个不同波长下的红外热成像图像并发送至所述红外图像分析及处理单元，

所述红外图像分析及处理单元包括图像预处理模块、比色测温模块，所述图像预处理模块对所述红外热成像图像进行预处理获得散卷轧件包括几何特征和辐射能量的物理特征信息；所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值，最后通过测温模型计算出对应散卷轧件各部位的温度。

较佳地，所述红外图像监测探头单元通过气冷防护罩隔热，所述气冷防护罩内部通以洁净压缩惰性气体保护。

较佳地，所述惰性气体为氮气。

较佳地，所述红外图像监测探头单元、红外图像分析及处理单元之间设有一现场电气控制柜，所述红外图像监测探头单元获取的红外热成像图像以数字信号的形式经由所述现场电气控制柜的光纤适配器传送至所述红外图像分析及处理单元。

较佳地，所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{(v_{ik}-\stackrel{\‾}{v_k})}^2(n-c)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(u_{ijk}-\stackrel{\‾}{v_{ik}})}^2(c-1)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}(U,c)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i})\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{ik}}_j})\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

较佳地，所述比色测温模块的测温模型建立过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left(ln{R}_1{R}_2\right)}^2+(b-1)ln{R}_1{R}_2+a+5ln({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。

本发明具有以下有益效果：

本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布，从而对实际生产的温度控制给出相应的指导，提高轧件的质量。本发明适用性强，可以在自动模式和人工模式下工作，方便与人工经验作比对。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的轧件温度在线监测系统组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种轧件温度在线监测系统，如图1所示，其包括红外图像监测探头单元1、红外图像分析及处理单元3，红外图像监测探头单元1包括两台红外面阵探测器，分别为第一红外面阵探测器11、第二红外面阵探测器12，所述两台红外面阵探测器获取散卷轧件在两个不同波长下的红外热成像图像并发送至红外图像分析及处理单元3，

红外图像分析及处理单元3包括图像预处理模块31、比色测温模块32，图像预处理模块31对所述红外热成像图像进行预处理获得散卷轧件包括几何特征和辐射能量的物理特征信息；比色测温模块32通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值，最后通过测温模型计算出对应散卷轧件各部位的温度。

其中红外图像监测探头单元1通过气冷防护罩隔热，所述气冷防护罩内部通以洁净压缩惰性气体保护。所述惰性气体可以为氮气，当然此处惰性气体也可以采用其他化学结构稳定的气体。

本实施例中，红外图像监测探头单元1、红外图像分析及处理单元3之间设有一现场电气控制柜2，红外图像监测探头单元1获取的红外热成像图像以数字信号的形式经由现场电气控制柜2的光纤适配器传送至所述红外图像分析及处理单元。

本实施例提供的比色测温模块32通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{(v_{ik}-\stackrel{\‾}{v_k})}^2(n-c)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(u_{ijk}-\stackrel{\‾}{v_{ik}})}^2(c-1)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}(U,c)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i})\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{ik}}_j})\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

其中比色测温模块32的测温模型建立过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left(ln{R}_1{R}_2\right)}^2+(b-1)ln{R}_1{R}_2+a+5ln({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。

本发明具有以下有益效果：

本发明提供的轧件温度在线监测系统通过精确划分红外探测器采集红外热图像，经过模糊C均值聚类和阈值分割等算法对有效的轧件目标进行提取和灰度值测量，由温度T测量模型计算轧件温度及分布，从而对实际生产的温度控制给出相应的指导，提高轧件的质量。本发明适用性强，可以在自动模式和人工模式下工作，方便与人工经验作比对。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种轧件温度在线监测系统，其特征在于，包括红外图像监测探头单元、红外图像分析及处理单元，所述红外图像监测探头单元包括两台红外面阵探测器，所述两台红外面阵探测器获取散卷轧件在两个不同波长下的红外热成像图像并发送至所述红外图像分析及处理单元，

所述红外图像分析及处理单元包括图像预处理模块、比色测温模块，所述图像预处理模块对所述红外热成像图像进行预处理获得散卷轧件包括几何特征和辐射能量的物理特征信息；所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值，最后通过测温模型计算出对应散卷轧件各部位的温度。

2.如权利要求1所述的轧件温度在线监测系统，其特征在于，所述红外图像监测探头单元通过气冷防护罩隔热，所述气冷防护罩内部通以洁净压缩惰性气体保护。

3.如权利要求2所述的轧件温度在线监测系统，其特征在于，所述惰性气体为氮气。

4.如权利要求1所述的轧件温度在线监测系统，其特征在于，所述红外图像监测探头单元、红外图像分析及处理单元之间设有一现场电气控制柜，所述红外图像监测探头单元获取的红外热成像图像以数字信号的形式经由所述现场电气控制柜的光纤适配器传送至所述红外图像分析及处理单元。

5.如权利要求1所述的轧件温度在线监测系统，其特征在于，所述比色测温模块通过模糊聚类分析提取对应特征的轧件位置，并分别读取两台红外面阵探测器对应散卷轧件各部位的像素点的灰度值的过程为：

a)确定最佳分类数

采用混合F统计量与经验相结合的方法来完成，最佳分类数的正确性用模糊划分熵来检验；F统计的主要思想如下：

给定有限样本集U＝{u₁,u₂,…,u_n}，U中每个元素特征个数为m，可写为：

u_i＝{u_i1,u_i2,…,u_im},i＝1,2,…,n (2)

欲将数集U划分成C类，要求2≤C≤n，A₁,A₂,…,A_c表示划分所得的C个类别，聚类中心给定为：V＝{v₁,v₂,…,v_c}，另外，v_i＝(v_i1,v_i2,…,v_im)，

令：

$F\left(k\right)=\frac{\underset{i=1}{\overset{c}{\Σ}}{n}_i{\left(v_{ik}-\stackrel{\‾}{v_k}\right)}^2\left(n-c\right)}{\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{\left(u_{ijk}-\stackrel{\‾}{v_{ik}}\right)}^2\left(c-1\right)},k=1,2,\mathrm{...},p---\left(3\right)$

其中n_i是第i类的样本个数；v_ik表示第i类样本的第k个变量聚类中心；表示第k个变量的聚类中心的平均值；u_ijk表示i类第j个样本的第k个变量值；从理论上来说，统计量F(k)是服从于自由度为(c-1,n-c)的F分布的；

然后再令：

$Mixed-F=\underset{k=1}{\overset{p}{\Σ}}\frac{1/F\left(k\right)}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}F\left(k\right)=\frac{p}{\underset{k=1}{\overset{p}{\Σ}}1/F\left(k\right)}---\left(4\right)$

同理，Mixed_-F也是服从于自由度为(c-1,n-c)的F分布的；从上式可以看出，F(k)作为一个统计量，它的值与该类别(变量)的类内联系紧密度成正比，而与类间联系紧密度成反比；而Mixed-F综合反映了所有划分类别的类内紧密度和类间分散度；

令：

$H_{ij}\left(U,c\right)=\left|\frac{1}{n_i}\underset{k_i=1}{\overset{n_i}{\Σ}}\left(-u_i{k}_i{\log }_2{u}_i{k}_i-{\log }_2{u}_{{\mathrm{jk}}_i}\right)\right|+\left|\frac{1}{n_j}\underset{k_j=1}{\overset{n_j}{\Σ}}\left(-u_{{\mathrm{jk}}_j}{\log }_2{u}_{{\mathrm{jk}}_j}-u_{{\mathrm{ik}}_j}{\log }_2{u}_{{\mathrm{ik}}_j}\right)\right|---\left(5\right)$

各类别之间的分散度越大，则类与类之间的相似性也越大，当H_ij(U,c)很大时，就可归为同一类别，由此确定最佳分类数；

b)边界条件的确定

考虑到使用的窄带滤波片的中心波长及红外探测器的曝光时间以后，红外热图像的灰度等级与目标红外辐射强度的对应关系就基本确定，即目标红外辐射强度越大，灰度等级大，而灰度等级与辐射率成正比，所以可以确定红外热图像灰度统计分布规律中轧件的灰度等级最大，其他则为需要剔除的空隙部分；

在红外热图像灰度统计中，设定某一点的灰度值为R₀为边界条件，R₀为某特定值时，当其它点的灰度值R_i>R₀且连续分布一定数量时，这些点的集合即为待测轧件区域。

6.如权利要求1所述的轧件温度在线监测系统，其特征在于，所述比色测温模块的测温模型建立过程包括：

a)、基于比色测温原理，对比色测温公式进行变形，将设备补偿因子拓展至与目标辐射相联系，建立红外光谱λ_i(i＝1,2)辐射强度R_i(i＝1,2)与温度T的对应关系，拟合lnR₁R₂与补偿因子lnK‘的函数关系，去除烟气瞬态扰动引起的误差，得到温度T测量模型如下：

$T=\frac{C_2(1/{\mathrm{\λ}}_1-1/{\mathrm{\λ}}_2)}{c{\left({\mathrm{lnR}}_1{R}_2\right)}^2+(b-1){\mathrm{lnR}}_1{R}_2+a+5\ln ({\mathrm{\λ}}_1/{\mathrm{\λ}}_2)}---\left(1\right)$

其中，λ_i为中心波长，T为待测轧件表面温度，C₁＝3.741832×10^-12wcm²为第一辐射常数，C₂＝1.438786×10⁴μmK为第二辐射常数；K为系统器件校准因子，K‘＝R₂ ²K，R_i(i＝1,2)为红外热图像的辐射强度；a、b、c为常数。