CN108998608B - 一种基于红外机器视觉的高炉出铁口铁水温度测量方法及系统 - Google Patents

Abstract

本发明公开了一种基于红外机器视觉的高炉出铁口铁水温度测量方法及系统，该方法通过获取高炉出铁口铁水流的红外热图像，基于预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域，基于炉渣区域的温度数据，获得出铁口铁水温度以及根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿，解决了现有方法难以连续精准检测高炉炉缸内部铁水温度的技术问题，不仅能对出铁口铁水温度进行连续在线检测，而且通过根据受粉尘影响的红外热图像的纹理特征构建的红外测温结果补偿模型，能对获得的铁水温度进行补偿，进而大大提高了出铁口铁水温度的检测精度。

Description

一种基于红外机器视觉的高炉出铁口铁水温度测量方法及 系统

技术领域

本发明主要涉及高炉铁水温度测量技术领域，特指一种基于红外机器视觉的高炉出铁口铁水温度测量方法及系统。

背景技术

高炉炉缸内铁水温度是反映高炉内部热状态、运行工况的关键参数。铁水温度的在线检测对于保证其满足产品规格、提升产品质量和优质率至关重要。但高炉是一个密闭的大型反应器，难以直接检测炉缸内部的铁水温度。

目前，主要通过检测高炉出铁场撇渣器处的铁水温度来反应高炉炉缸内部的铁水温度。由于高炉铁水具有温度高、腐蚀性强、表面易形成氧化层和结渣等特点，致使高炉铁水温度难以连续在线检测，现有的检测撇渣器处铁水温度的方法可分为两类：接触式与非接触式。接触式测温包括快速热电偶测温、黑体空腔测温等，但由于铁水具有温度高、腐蚀性强等特点，使得热电偶难以连续在线测温，黑体空腔难以长期连续地检测铁水温度，且存在一定危险；非接触式测温包括红外测温仪测温、红外热像仪测温等，由于铁水具有流速快、表面易形成氧化层和结渣等特点，且高炉出铁场环境复杂，简单的红外测温方式难以实现高精度的测温。

发明内容

本发明提供的基于红外机器视觉的高炉出铁口铁水温度测量方法及系统，解决了现有方法难以连续精准检测高炉炉缸内部铁水温度的技术问题。

为解决上述技术问题，本发明提出的基于红外机器视觉的高炉出铁口铁水温度测量方法包括：

获取高炉出铁口铁水流的红外热图像；

基于预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域；

基于炉渣区域的温度数据，获得出铁口铁水温度；

根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿。

可选地，基于预设的温度阈值对红外热图像进行图像分割包括：

根据炉渣和铁水在红外热图像上表现的温度差异，获得预设的温度阈值，其中预设的温度阈值的计算公式为：

其中Ths为预设的温度阈值，T_smax为炉渣温度的最大值，ε_i为铁水的发射率，ε_s为用于采集红外热图像的红外热像仪配置的炉渣的发射率；

根据预设的温度阈值对红外热图像进行图像分割。

可选地，根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型为：

基于空间温度共生矩阵和邻域温度共生矩阵，提取受粉尘影响的红外热图像的纹理特征，其中空间温度共生矩阵为：

P(u,v,d,θ)＝number{F(j,k)＝u,F(m,n)＝v,θ}，其中P(u,v,d,θ)为空间温度共生矩阵，F(j,k)为红外热图像上的像素(j,k)对应的温度值，F(m,n)为红外热图像上的像素(m,n)对应的温度值，u的取值范围为1到16之间的整数，v的取值范围为0到16之间的整数，d为像素(j,k)和像素(m,n)之间的距离，θ为像素(j,k)和像素(m,n)之间的位置夹角，且d＝1，θ＝{0°,45°,90°,135°}，

邻域温度共生矩阵为：

Q(k,s)＝number{F(i,j)＝k,N(i,j)＝s}，其中Q(k,s)为邻域温度共生矩阵，F(i,j)是位于红外热图像上的像素(i,j)处的温度值，N(i,j)是红外热图像上的像素点(i,j)的8-邻域方向的所有像素温度值与F(i,j)相等的个数，k的取值范围为1到16之间的整数，s的取值范围为0到8之间的整数；

基于受粉尘影响的红外热图像的纹理特征，构建红外测温结果补偿模型。

可选地，基于炉渣区域的温度数据，获得出铁口铁水温度的计算公式为：

其中，T₀为出铁口铁水温度值，T_i为炉渣区域一类像素对应的温度值，且这类像素对应的温度值相等，n为炉渣区域内所有不同温度值的个数，即温度值的类别数，N为炉渣区域中所有像素的个数，N_i为温度值为T_i的像素出现的次数。

可选地，纹理特征包括能量、熵、相关性、反差分、细度、粗度和二阶矩中的一项或多项组合。

可选地，获取高炉出铁口铁水流的红外热图像之前还包括：

对用于采集高炉出铁口铁水流红外热图像的红外热像仪进行校正。

本发明提出的基于红外机器视觉的高炉出铁口铁水温度测量系统包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于红外机器视觉的高炉出铁口铁水温度测量方法的步骤。

与现有技术相比，本发明的优点在于：

本发明提供的基于红外机器视觉的高炉出铁口铁水温度测量方法及系统，通过获取高炉出铁口铁水流的红外热图像，基于预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域，基于炉渣区域的温度数据，获得出铁口铁水温度以及根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿，解决了现有方法难以连续精准检测高炉炉缸内部铁水温度的技术问题，不仅能对出铁口铁水温度进行连续在线检测，而且通过根据受粉尘影响的红外热图像的纹理特征构建的红外测温结果补偿模型，能对获得的铁水温度进行补偿，进而大大提高了出铁口铁水温度的检测精度。

附图说明

图1是本发明实施例一的基于红外机器视觉的高炉出铁口铁水温度测量方法的流程图；

图2是本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法采用的测温系统图；

图3本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法的流程图；

图4为本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法的回归预测结果图；

图5为本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法的绝对误差图；

图6为本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法的相对误差图；

图7为本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法补偿前的测温结果；

图8为本发明实施例二的基于红外机器视觉的高炉出铁口铁水温度测量方法补偿后的测温结果；

图9为本发明实施例的基于红外机器视觉的高炉出铁口铁水温度测量系统的结构框图。

附图标记：

1、高炉炉缸；2、测温装置；3、万向云台；4、光纤；5、计算机；6、出铁口；7、铁水流；8、存储器；9、处理器。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例一

参照图1，本发明实施例一提供的基于红外机器视觉的高炉出铁口铁水温度测量方法，包括：

步骤S101，获取高炉出铁口铁水流的红外热图像；

步骤S102，基于预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域；

步骤S103，基于炉渣区域的温度数据，获得出铁口铁水温度；

步骤S104，根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿。

本发明实施例提供的基于红外机器视觉的高炉出铁口铁水温度测量方法，通过获取高炉出铁口铁水流的红外热图像，基于预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域，基于炉渣区域的温度数据，获得出铁口铁水温度以及根据受粉尘影响的红外热图像的纹理特征构建红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿，解决了现有方法难以连续精准检测高炉炉缸内部铁水温度的技术问题，不仅能对出铁口铁水温度进行连续在线检测，而且通过根据受粉尘影响的红外热图像的纹理特征构建的红外测温结果补偿模型，能对获得的铁水温度进行补偿，进而大大提高了出铁口铁水温度的检测精度。

具体地，本发明实施例以高炉出铁口处的铁水为研究对象，提出了一种基于红外机器视觉的高炉出铁口铁水温度连续精确测量方法。利用红外热像仪实时获取高炉出铁口红外热图像，并基于炉渣和铁水之间的特性差异，区分炉渣区域和铁水区域，进而获取铁水温度。考虑到粉尘对红外测温造成的误差，本文明实施例首次从铁水流红外热图像的纹理特征出发，建立红外测温结果补偿模型，预测测温误差，从而实现对测温结果的补偿。本发明实施例解决了高炉出铁口铁水温度难以直接检测的难题，实现了实时在线高精度地检测高炉出铁口处的铁水温度，具有实时在线、连续、高精度等优点。

实施例二

本发明实施例以某炼铁厂中的2650m³大型高炉为实验平台，并构建如图2所示的测温系统。图2中，铁水流7从高炉炉缸1的出铁口6流出，测温装置2安装在出铁口6的操作台旁边，离出铁口68m，且测温装置2安装在万向云台3上，测温装置2在获取到高炉出铁口铁水流的红外热图像后，通过光纤4将该图像信息传输到计算机5。

参照图3，本发明实施例二提供的基于红外机器视觉的高炉出铁口铁水温度测量方法，包括：

步骤S201，获取高炉出铁口铁水流的红外热图像。

具体地，本实施例将非制冷焦平面红外热像仪安装在高炉出铁口处的操作台旁边，在保证热像仪能够测温的同时，避免红外热像仪离出铁口铁水流太近，造成设备损坏。本实施例利用红外热像仪拍摄高炉出铁口铁水流的红外热图像后，再利用现场的光纤专网将出铁口铁水流的红外热图像传输至监控室的计算机中存储，供后续图像处理。

可选地，本实施例在获取高炉出铁口铁水流的红外热图像之前还包括对用于采集高炉出铁口铁水流的红外热图像的红外热像仪进行校正。发射率是红外热像仪的关键参数之一，对红外测温结果的准确性有着重要影响。在高炉现场使用红外热像仪测温时，需要对其发射率进行校正，然而发射率校正并不是一个简单的工作，因为高炉现场环境恶劣，发射率校正易受到影响。本发明实施例在高炉出铁时，利用测温枪测量出铁口下方铁水主沟表面的铁水温度，然后利用本发明实施例提出的铁水测温方法测量出铁口铁水温度，改变红外热像仪的发射率，直到所提方法的测温结果与测温枪的测温结果相等，记录此时的发射率，作为红外热像仪的发射率。

本发明实施例通过对用于采集高炉出铁口铁水流的红外热图像的红外热像仪进行校正，有利于后续利用校正后的红外热像仪采集精准度高的高炉出铁口铁水流的红外热图像，进一步提高了高炉出铁口铁水温度测量精度。

本发明实施例在获得红外热图像后，首先定位出铁口铁水流的位置。具体包括如下步骤

Step1：设原始红外热图像大小为M×N，从左到右计算红外热图像每一列像素对应温度值的梯度，当梯度值大于预先设定的阈值时，记录该梯度值对应的像素坐标(i,j)，认为该像素位于出铁口的边缘上。

Step2：根据出铁过程中铁水流外轮廓的粗细变化，设定铁水流矩形区域的宽度为W个像素。考虑到铁水流呈抛物线形状从出铁口流出，以step1中确定的出铁口边缘像素为起始点，竖直方向上向上移动个像素，得到矩形铁水流区域的顶点竖直方向上向下移动个像素，得到矩形铁水流区域的顶点为尽可能包含整个铁水流，使矩形铁水流区域的右边两个顶点位于原始红外热图像的右边边缘上，可得到矩形铁水流区域的右上角顶点为矩形铁水流区域的右下角顶点为

Step3：根据A,B,C,D四个点的坐标，确定矩形铁水流区域。

本实施例通过考虑出铁过程中铁水流外轮廓的粗细变化，以及铁水流呈抛物线形状从出铁口流出的特点，有针对性地提取矩形铁水流区域，有利于后续基于提取的矩形铁水流区域快速并有效地获取出铁口铁水温度。

步骤S202，根据炉渣和铁水在红外热图像上表现的温度差异，获得预设的温度阈值。

由出铁口铁水流红外热图像可知，铁水流区域仅占整幅红外热图像的20％左右，为减少要处理的图像面积，提高图像处理效率，有必要定位铁水流区域。本发明实施例根据炉渣和铁水在红外热图像上表现的温度差异，获得预设的温度阈值，然后根据预设的温度阈值对红外热图像进行图像分割。

具体地，由于高炉出铁口流出的是炉渣和铁水的混合物，因此实质上两者的真实温度是近似相等的。炉渣和铁水具有不同的发射率，且炉渣的发射率大于铁水的发射率。在利用红外热像仪测温时，只设置了一个发射率，因而造成在铁水流红外热图像上炉渣温度表现为高于铁水温度。设炉渣的发射率为ε_s，铁水的发射率为ε_i，铁水的红外辐射能为W_i。根据斯忒潘-玻尔兹曼定律可知：

因此，铁水的真实温度应表示为

式中T_i为铁水的真实温度，ε_i为铁水的发射率，σ为一常数。而红外热像仪配置的发射率是炉渣的发射率ε_s，因此，铁水像素在红外热图像上的表现温度为

当利用炉渣的发射率来计算铁水温度时，得到了铁水在红外热图像上的表现温度，当利用铁水的发射率来计算铁水温度时，得到铁水的真实温度。因为炉渣的发射率大于铁水的发射率，铁水在红外热图像上的表现温度低于铁水的真实温度。求解式(2)得到W_i，将W_i代入式(3)中可得铁水表现温度时铁水真实温度的函数。

实质上，炉渣的真实温度近似等于铁水的真实温度(T_i≈T_s)。又因为铁水发射率和炉渣发射率为常值，令可得

因此，不难得出预设的温度阈值的计算公式为：

其中Ths为预设的温度阈值，T_smax为炉渣温度的最大值，ε_i为铁水的发射率，ε_s为用于采集红外热图像的红外热像仪配置的炉渣的发射率。本实施例中校正后的炉渣发射率约为0.9，以前的实验表明出铁口铁水发射率近似为0.4。因此，k近似为0.81。炉渣温度T_s使用1500℃到1600℃来计算。炉渣温度的最大值1600℃对应铁水表现温度的最大值1520℃，因此本实施例以1520℃为温度阈值，达到区分炉渣区域与铁水等其他区域的目的。

本实施例通过考虑炉渣和铁水在红外热图像上表现的温度差异，可以获得准确的用于分割炉渣和铁水区域的温度阈值，充分地考虑了铁水流和炉渣在红外热图像上由于发射率不同导致表现出的温度不同，使得获得的预设的温度阈值具有较高的准确性，从而有利于获得准确的铁水区域和炉渣区域，对后续快速并精准获得铁水温度奠定基础。

步骤S203，根据预设的温度阈值对红外热图像进行图像分割，获得铁水区域和炉渣区域。

出铁口处铁水流的红外热图像中包含铁水、炉渣、高炉炉壁等区域，由于这些物质的发射率不一样，而红外热像仪测温时只设置了一个炉渣发射率，使得红外热像仪测得的不同区域的温度存在巨大的差异。事实上炉渣温度和铁水温度是近似相等的，但炉渣在红外热图像上表现的温度大于其他区域。

阈值是一种简单却有效的图像分割方法。根据步骤S202获取的温度阈值，可以区分炉渣区域和铁水等其他区域，认为所有满足温度阈值的像素都属于炉渣，在计算温度时只考虑炉渣区域。

本实施例根据步骤S202获得的预设的温度阈值Ths对红外热图像进行图像分割的公式见式(7)，式中I(i,j)代表横坐标是i纵坐标式j的像素灰度值，T(i,j)代表横坐标是i纵坐标式j的像素温度值。

由此可见，本实施例通过阈值分割，可以达到准确区分炉渣区域与铁水等其他区域的目的。

步骤S204，基于炉渣区域的温度数据，获得出铁口铁水温度。

具体地，根据步骤S203得到的感兴趣炉渣区域(ROI),可以获取其所有像素对应的温度信息。通过分析每个像素的温度值来获得出铁口处炉渣温度值。设T_i为感兴趣区域(ROI)中像素对应的一切可能的温度值，p_i为其对应的概率。由于感兴趣区域中的像素较多，故认为T_i的频率等于其概率，即

式中i为温度值T_i的像素出现的次数，N为经过温度阈值选择后的感兴趣区域中所有像素的个数。为充分利用炉渣区域内的所有温度信息，以炉渣区域内所有炉渣像素点对应温度值的数学期望来表征炉渣温度，即

实际上，刚从出铁口流出的铁水流是铁水和炉渣的混合物，而二者的温度是近似相等的，只是在红外热图像上表现为炉渣的温度高于铁水的温度。因此，炉渣温度可以作为最终的高炉出铁口铁水温度。

T₀＝E(T) (10)

步骤S205，基于空间温度共生矩阵和邻域温度共生矩阵，提取受粉尘影响的红外热图像的纹理特征。

具体地，本实施例基于空间温度共生矩阵和邻域温度共生矩阵，提取受粉尘影响的红外热图像的纹理特征包括如下步骤：

a)纹理特征与粉尘影响分析

铁水流是炉渣和铁水的混合物，当红外热像仪与铁水流之间的光路上不存在粉尘时，即红外热图像不受粉尘影响，红外热图像上炉渣和铁水交错分布，图像纹理不均匀且杂乱无章；当红外热像仪与铁水流之间的光路上存在粉尘时，即红外热图像受到粉尘影响，粉尘减弱了炉渣和铁水在红外热图像上的分布效果，纹理变得较为均匀。

b)纹理特征提取

设红外热图像的分辨率为M×N,F(i,j)表示二维平面上(i,j)点处的温度，如矩阵(11)所示。测温范围为(T₁,T₂)，温度级数为T₂-T₁。

本发明实施例借鉴空间灰度共生矩阵和邻域灰度共生矩阵的定义，定义了空间温度共生矩阵和邻域温度共生矩阵，来描述红外热图像上像素对应的温度值之间的关系。并基于空间温度共生矩阵和邻域温度共生矩阵，提取红外热图像温度信息的纹理特征。

具体地，红外热图像上每个像素点的灰度值与其对应的温度值具有正向相关关系，本发明实施例基于空间灰度共生矩阵的定义，定义了空间温度共生矩阵，温度共生矩阵是像素距离和角度的矩阵函数，建立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中一定距离和一定方向的两个像素对应的温度值之间的温度相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。

引入两个参数d和θ来描述两个像素之间的相对位置，其中d是两个像素在二维平面内的距离，θ是两个像素间在二维平面内的角度。设有两个像素(j,k)和(m,n)，其温度值分别为u和v，它们之间的位置夹角θ可分为4种情况，水平、右对角、竖直和左对角，θ取值分别为0°,45°,90°,135°。

对于温度值为u，v的两个像素，在图像的任一方向上出现的次数可表示为：

P(u,v,d,0°)＝number{F(j,k)＝u,F(m,n)＝v,θ＝0°}

P(u,v,d,45°)＝number{F(j,k)＝u,F(m,n)＝v,θ＝45°}

P(u,v,d,90°)＝number{F(j,k)＝u,F(m,n)＝v,θ＝90°}

P(u,v,d,135°)＝number{F(j,k)＝u,F(m,n)＝v,θ＝135°}

P称为空间温度共生矩阵。参数d常常取1，表示两个像素之间的距离为1，由于温度级数为T₂-T₁，所以温度共生矩阵P是一个(T₂-T₁)×(T₂-T₁)的矩阵。考虑到温度级数较大，会造成计算量过大，常将温度范围映射到8级或者16级，本发明实施例将温度映射到16级。因此，本实施例定义的空间温度共生矩阵为：

P(u,v,d,θ)＝number{F(j,k)＝u,F(m,n)＝v,θ} (12)

其中P(u,v,d,θ)为空间温度共生矩阵，F(j,k)为所述红外热图像上的像素(j,k)对应的温度值，F(m,n)为所述红外热图像上的像素(m,n)对应的温度值，u的取值范围为1到16之间的整数，v的取值范围为0到16之间的整数，d为像素(j,k)和像素(m,n)之间的距离，θ为像素(j,k)和像素(m,n)之间的位置夹角，且d＝1，θ＝{0°,45°,90°,135°}。

空间温度共生矩阵揭示了红外热图像的纹理变化规律。但空间温度共生矩阵的维数是相当大的。因此，本实施例定义出一些物理意义明显的数字特征度量，这些数字特征度量是从空间温度共生矩阵中算出的，且可对铁水流的纹理特征定量描述。

1)能量

其中，P(u,v,d,θ)为空间温度共生矩阵中的元素，G为温度级数，可取8或16。能量表征图像灰度的均匀性。如果图像上各像素点的灰度值变化不大，则空间灰度共生矩阵主对角线上的元素数值大，能量大。当图像受到粉尘影响时，红外热图像纹理由正常的不均匀分布，变为比较均匀。能量表征图像温度的均匀性。能量值大表明当前纹理是一种规则变化较为稳定的纹理。

2)熵

其中，P(u,v,d,θ)为空间温度共生矩阵中的元素，G为温度级数。熵表征图像中纹理的复杂程度，是空间温度矩阵中元素分布均匀性的度量参数，熵值越小，图像越均匀。图像的纹理复杂，则熵具有较大值。若图像中灰度均匀，空间温度共生矩阵元素大小悬殊，则熵具有较小值。当图像受到粉尘影响时，红外热图像纹理由复杂的不均匀分布，变为较为均匀的分布，熵值变小。

3)惯性矩

其中，P(u,v,d,θ)称为空间温度共生矩阵，G为温度级数。惯性矩是图像中温度变化总量的描述。

4)相关性

其中，P(u,v,d,θ)称为空间温度共生矩阵，G为温度级数。Corr代表相关性，用来度量图像的灰度级在行或列方向上的相似程度，其中μ_x，μ_y，σ_x，σ_y的表示如下：

相关性值的大小反应了局部灰度相关性，值越大，相关性也越大。当红外热图像受到粉尘影响时，图像的温度级在行或列方向上的相似程度变大。

5)反差分

其中，P(u,v,d,θ)为空间温度共生矩阵中的元素，G为温度级数。反差分IDM反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大；杂乱无章的，难于描述的，值较小。当红外热图像受到粉尘影响时，原来杂乱无章的图像变为较为规则、规律。

图像的大小不一样、温度级别数不一样及构筑空间温度矩阵的方向不一样，都将导致空间温度矩阵中各元素对出现的总次数不一样，因此，在计算上述特征度量值之前，必须将上述各元素作归一化处理，满足它们之和为1的条件。

其中，P'(u,v,d,θ)代表归一化后的空间温度共生矩阵。由于上述的特征度量参数分别在图像的四个方向上均提取了一次，故将各个特征参数在四个方向上θ＝{0°,45°,90°,135°}的值f_i求平均值，从而得到每幅图像的特征参数。

根据邻域灰度共生矩阵的定义，同样可以定义邻域温度共生矩阵。细度和粗度是图像纹理能量的度量。图像的纹理越细，温度空间变化频率越高，细度值越大，粗度值越小。

与空间温度共生矩阵不同，邻域温度共生矩阵在提取红外热图像特征时，统筹考虑了图像中某一像素点(i,j)的8-邻域方向的所有像素的温度值，并统计该邻域内与中心点(i,j)温度值相等的像素的个数，从而得到所有像素点的出现频率矩阵V。

V是维数为(M-1)×(N-1)的矩阵，F(i,j)是位于(i,j)处的像素温度值，N(i,j)是像素点(i,j)的8-邻域方向的所有像素温度值与F(i,j)相等的个数。考虑到温度级数较大，会造成计算量过大，常将温度范围映射到8级或者16级，本发明实施例将温度映射到16级。因此可以定义邻域温度共生矩阵为：

Q(k,s)＝number{F(i,j)＝k,N(i,j)＝s}，其中Q(k,s)为邻域温度共生矩阵，F(i,j)是位于所述红外热图像上的像素(i,j)处的温度值，N(i,j)是所述红外热图像上的像素点(i,j)的8-邻域方向的所有像素温度值与F(i,j)相等的个数，k的取值范围为1到16之间的整数，s的取值范围为0到8之间的整数。

1)细度

其中，Q(k,s)为邻域温度共生矩阵，G为温度级数。对一幅细纹理的红外热图像，邻域温度共生矩阵中数值较大的元素集中在邻域温度共生矩阵中s值较小的列中，即邻域温度共生矩阵的左边列中，这使得较小的s的Q(k,s)/s²值较大，因此，一幅红外热图像的F值越大，图像的纹理越细。

2)粗度

其中，Q(k,s)为邻域温度共生矩阵，G为温度级数。对一幅粗纹理的红外热图像，邻域温度共生矩阵中数值较大的元素集中在邻域温度共生矩阵中s值较大的列中，即邻域温度共生矩阵的右边列中，这使得较小的s的s²Q(k,s)值较大，因此，一幅红外热图像的C值越大，图像的纹理越粗。

3)二阶矩

其中，Q(k,s)为邻域温度共生矩阵，G为温度级数。二阶矩参数是邻域温度共生矩阵中元素分布均匀性的刻画。邻域温度共生矩阵中元素分布越均匀，即图像的温度变化频率越高，二阶矩越小。理论上，铁水流红外热图像的纹理越细，温度空间变化频率越高，细度值越大，粗度值越小；铁水流红外热图像的纹理越粗，温度空间变化频率越低，粗度值越大，细度值越小。当红外热图像不受粉尘影响时，纹理较细，温度空间变化频率较高，细度值较大，粗度值较小；当红外热图像受到粉尘影响时，图像纹理变粗，温度空间变化频率变低，粗度值变大，细度值变小。本实施例的纹理特征包括能量、熵、相关性、反差分、细度、粗度和二阶矩中的一项或多项组合。

本发明实施例借鉴空间灰度共生矩阵和邻域灰度共生矩阵的定义，较新颖地定义了空间温度共生矩阵和邻域温度共生矩阵，并通过这两个矩阵可以计算图像中一定距离和一定方向的两个像素对应的温度值之间的温度相关性，可以获得反映图像在方向、间隔、变化幅度及快慢上的综合信息的纹理特征，使得提取的纹理特征能充分反映红外热图像的纹理特性，从而有利于获得准确的纹理特征和用于描述纹理特征的数字特征度量，进一步有利于后续根据受粉尘影响的红外热图像的纹理特征构建准确的红外测温结果补偿模型，从而大大提高了高炉出铁口铁水温度的测量精度。

步骤S206,基于受粉尘影响的红外热图像的纹理特征，构建红外测温结果补偿模型，并根据所述红外测温结果补偿模型对所述出铁口铁水温度进行补偿。

具体地，本实施例基于受粉尘影响的红外热图像的纹理特征，构建红外测温结果补偿模型包括如下步骤：

a)数据预处理数据预处理

step1：相关性分析

过多的输入变量会增加模型的复杂度，影响计算速度，因此,在建模时有必要删除候选变量中与测温误差相关性不强的变量。实际分析时，通常采用相关系数来量化随机变量间的相关性。本发明实施例采用卡尔-皮尔逊提出的简单相关系数：

其中，x和y为待计算相关系数的两个变量，(x_i,y_i)(i＝1,2,…n)为两个变量的检测值，和y分别为n个检测值的平均值。r的正负对应两变量间的正负相关性，相关系数r(|r≤1|)的绝对值大小表示两个变量之间相关的密切程度，越大表示相关程度越强，反之则越弱。具体来讲:①当r＝0时，x与y不相关；②当0<r<1，x与y正相关；③当-1<r<0时，x与y负相关；④当r＝1时，x与y完全正相关；⑤当r＝-1时，x与y完全负相关；r越接近于1，x与y的相关性越大。通过相关性计算，本实施例获得上述八个特征值的相关性具体如表1所示

表1

变量名	能量	熵	惯性矩	相关性	反差分	细度	粗度	二阶矩
									相关性	0.27	-0.41	-0.1	0.35	0.34	-0.44	0.44	0.28

经过对空间温度共生矩阵和邻域温度共生矩阵的特征值的相关性分析，惯性矩的相关性较小，不考虑惯性矩，本发明实施例选择能量、熵、相关性、反差分、细度、粗度和二阶矩七个特征值进行后续的分析。

step2：异常值删除

计算的特征值和测温误差数据中可能会存在一些异常值，本发明实施例异常值处理采用马氏距离法，计算7个特征值与测温误差组成的数据样本X＝(x₁,x₂…x_m)′(m＝8)与其均值向量之间的马氏距离：

其中，S为数据样本的协方差矩阵；S^-1为数据样本的协方差矩阵逆矩阵。当马氏距离高于自由度为m的卡方分布临界值时，该样本被认为是一组异常值。由式(28)计算每一组硅含量及其他输入数据构成的数据样本的马氏距离D²，当置信度α＝97.5％，且自由度p＝8，卡方分布的临界值为2.18。所以，当马氏距离D²>2.18时，判断该组数据为异常数据，并删除。经计算，56组数据经异常值处理后共删除了5个异常值点，最后得到的样本数据共51组。

step3：归一化处理

最后,考虑到选取的各输入输出变量数量级相差较大,对模型的收敛速度和复杂度有很大影响,在建模前需要对各变量进行归一化处理,通过数值变换来消除变量间的量纲影响：

其中x_i,分别为第i个变量归一化前、后取值，max(x_i)、min(x_i)分别为第i个变量归一化前的最大值、最小值。归一化处理使得所有变量

b)建立支持向量回归机预测模型

在出铁过程中部分红外热图像会受到粉尘的影响，意味着样本数据量较小。支持向量回归机(SVR)是一种有坚实理论基础的小样本学习方法，本发明实施例针对受粉尘影响测温数据的特点，以受粉尘影响的红外热图像的纹理特征，采用SVR预测模型，对粉尘造成的红外测温误差进行预测。样本数据形式为：

SVR问题可形式化为

其中C为正则化常数，是不敏感损失函数，ε_i是f(x_i)和y_i之间的偏差。

通过引入松弛变量ξ_i和可将上式重写为

通过引入拉格朗日乘子由拉格朗日乘子法可以得到上式的拉格朗日函数

将f(x)＝w^Tx+b代入，再令对w,b,ξ_i,的偏导为零可得

C＝α_i+μ_i (32)

将式(30)-(33)代入式(29)中，可得SVR的对偶问题

c)支持向量回归机预测结果

对历史数据进行数据预处理，得到训练集数据，对SVR进行训练，然后再对原始数据进行回归预测。最终的回归预测结果如图4所示，绝对误差图如图5所示，相对误差图如图6所示。本实施例通过建立支持向量回归机预测模型，可以获得用于预测补偿温度的红外测温结果补偿模型，并根据红外测温结果补偿模型对出铁口铁水温度进行补偿，最终可获得精准度高的出铁口铁水温度。

图7和图8是利用发明实施例二的测温方法补偿前后测得的高炉出铁口铁水温度。由于目前缺少其他的检测出铁口铁水温度的手段，难以直接验证测温装置和方法的有效性。为此，从两个角度间接说明测温结果的有效性：

高炉撇渣器处的铁水温度：

高炉出铁口离高炉撇渣器有一定距离，铁水从出铁口流至撇渣器必然存在热损，即高炉出铁口的铁水温度必然大于撇渣器处的铁水温度。利用测温装置测温时，同时使用快速热电偶检测撇渣器处的铁水温度，撇渣器处的铁水温度为1522℃，由附图4可知，本发明的测温结果绝大部分大于1522℃，小部分低于1522℃。

高炉操作工人的经验：

通过在高炉现场的多次调研，操作工人的经验是高炉出铁口处的铁水温度一般比撇渣器处的铁水温度高40-50℃，本发明实施例的测温结果符合这一经验。

参照图9，本发明实施例提出的基于红外机器视觉的高炉出铁口铁水温度测量系统，包括：

存储器8、处理器9以及存储在存储器8上并可在处理器9上运行的计算机程序，其中，处理器9执行计算机程序时实现本发明实施例的基于红外机器视觉的高炉出铁口铁水温度测量方法的步骤。

本实施例的基于红外机器视觉的高炉出铁口铁水温度测量系统的具体工作过程和工作原理可参照本实施例中的基于红外机器视觉的高炉出铁口铁水温度测量方法的工作过程和工作原理。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于红外机器视觉的高炉出铁口铁水温度测量方法，其特征在于，所述方法包括：

获取高炉出铁口铁水流的红外热图像；

基于预设的温度阈值对所述红外热图像进行图像分割，获得铁水区域和炉渣区域；

基于所述炉渣区域的温度数据，获得出铁口铁水温度；

基于空间温度共生矩阵和邻域温度共生矩阵，提取受粉尘影响的红外热图像的纹理特征，其中所述空间温度共生矩阵为：

P(u,v,d,θ)＝number{F(j,k)＝u,F(m,n)＝v,θ}，其中P(u,v,d,θ)为空间温度共生矩阵，F(j,k)为所述红外热图像上的像素(j,k)对应的温度值，F(m,n)为所述红外热图像上的像素(m,n)对应的温度值，u的取值范围为1到16之间的整数，v的取值范围为0到16之间的整数，d为像素(j,k)和像素(m,n)之间的距离，θ为像素(j,k)和像素(m,n)之间的位置夹角，且d＝1，θ＝{0°,45°,90°,135°}，

所述邻域温度共生矩阵为：

Q(k,s)＝number{F(i,j)＝k,N(i,j)＝s}，其中Q(k,s)为邻域温度共生矩阵，F(i,j)是位于所述红外热图像上的像素(i,j)处的温度值，N(i,j)是所述红外热图像上的像素点(i,j)的8-邻域方向的所有像素温度值与F(i,j)相等的个数，k的取值范围为1到16之间的整数，s的取值范围为0到8之间的整数；

基于所述受粉尘影响的红外热图像的纹理特征，构建红外测温结果补偿模型，并根据所述红外测温结果补偿模型对所述出铁口铁水温度进行补偿。

2.根据权利要求1所述的基于红外机器视觉的高炉出铁口铁水温度测量方法，其特征在于，基于预设的温度阈值对所述红外热图像进行图像分割包括：

根据炉渣和铁水在所述红外热图像上表现的温度差异，获得预设的温度阈值，其中所述预设的温度阈值的计算公式为：

其中Ths为预设的温度阈值，T_smax为炉渣温度的最大值，ε_i为铁水的发射率，ε_s为用于采集所述红外热图像的红外热像仪配置的炉渣的发射率；

根据所述预设的温度阈值对所述红外热图像进行图像分割。

3.根据权利要求2所述的基于红外机器视觉的高炉出铁口铁水温度测量方法，其特征在于，基于所述炉渣区域的温度数据，获得出铁口铁水温度的计算公式为：

其中，T₀为出铁口铁水温度值，T_i为炉渣区域一类像素对应的温度值，且这类像素对应的温度值相等，n为炉渣区域内所有不同温度值的个数，即温度值的类别数，N为炉渣区域中所有像素的个数，N_i为温度值为T_i的像素出现的次数。

4.根据权利要求3所述的基于红外机器视觉的高炉出铁口铁水温度测量方法，其特征在于，所述纹理特征包括能量、熵、相关性、反差分、细度、粗度和二阶矩中的一项或多项组合。

5.根据权利要求4所述的基于红外机器视觉的高炉出铁口铁水温度测量方法，其特征在于，获取高炉出铁口铁水流的红外热图像之前还包括：

对用于采集高炉出铁口铁水流红外热图像的红外热像仪进行校正。

6.一种基于红外机器视觉的高炉出铁口铁水温度测量系统，其特征在于，所述系统包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一所述方法的步骤。