CN109146874B - 一种基于机器视觉的溢渣检测方法 - Google Patents

一种基于机器视觉的溢渣检测方法 Download PDF

Info

Publication number
CN109146874B
CN109146874B CN201811032682.9A CN201811032682A CN109146874B CN 109146874 B CN109146874 B CN 109146874B CN 201811032682 A CN201811032682 A CN 201811032682A CN 109146874 B CN109146874 B CN 109146874B
Authority
CN
China
Prior art keywords
image
pixel
gray
smelting furnace
slag overflow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811032682.9A
Other languages
English (en)
Other versions
CN109146874A (zh
Inventor
庞殊杨
刘向东
贾鸿盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
CISDI Research and Development Co Ltd
Original Assignee
CISDI Technology Research Center Co Ltd
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CISDI Technology Research Center Co Ltd, CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Technology Research Center Co Ltd
Priority to CN201811032682.9A priority Critical patent/CN109146874B/zh
Publication of CN109146874A publication Critical patent/CN109146874A/zh
Application granted granted Critical
Publication of CN109146874B publication Critical patent/CN109146874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明提供一种基于机器视觉的溢渣检测方法，包括：采集冶炼炉的图像信息，并对图像信息进行预处理；识别出图像中冶炼炉的轮廓位置；根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域；获取所述感兴趣区域内灰度值较高的亮点；计算所述亮点在所述感兴趣区域内的像素占比，并根据像素占比进行预警，提高了溢渣检测的精确性，避免人员以及设备损伤，本方案具有易于实现、计算量小、稳定性强的优点，同时可以满足实时性处理的要求，并实现智能化的溢渣检测及预警。

Description

一种基于机器视觉的溢渣检测方法
技术领域
本发明涉及工业检测领域，特别是涉及一种基于机器视觉的溢渣检测方法。
背景技术
在炼钢过程中，需要对钢水进行精炼，VD(真空脱气/Vacuum Degassing)精炼是一种在真空环境下吹氩精炼的方式。在VD炉抽真空前，吹入氩气的搅拌能力弱，因此渣-金界面反应较慢，渣面微微波动；随着VD炉内真空度的提升，吹入氩气的体积膨胀越来越剧烈，导致炉渣发泡及炉渣体积剧烈膨胀，沿钢包溢出，并烧坏真空室内的设备，严重影响生产。目前，对冶炼炉的溢出的检测主要依靠人工观察，进而对溢渣情况进行监测和反馈，不仅危险，而且检测容易出现人为误差，影响安全生产。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于机器视觉的溢渣检测方法，用于解决现有技术中溢渣检测不便的问题。
为实现上述目的及其他相关目的，本发明提供一种基于机器视觉的溢渣检测方法，包括：采集冶炼炉的图像信息，并对图像信息进行预处理；识别出图像中冶炼炉的轮廓位置；根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域；获取所述感兴趣区域内灰度值较高的亮点；计算所述亮点在所述感兴趣区域内的像素占比。可选的，所述预处理包括对所述图像信息进行灰度处理，并获得灰度图像，所述灰度图像为像素矩阵。
可选的，对所述灰度图像进行二值化处理获取二值化图像。
可选的，获取所述灰度图像中的两个峰值，对两个所述峰值求灰度均值，将所述灰度图像中高于所述灰度均值的像素灰度设置为“1”，将所述灰度图像中低于所述灰度均值的像素灰度设置为“0”，获取所述二值化图像。
可选的，提供图像采集模块，并将所述图像采集模块的拍摄图像中心与所述冶炼炉的圆心设置为同心，对称选取所述拍摄图像的一半为所述图像信息。
可选的，定义所述轮廓位置与所述冶炼炉图像圆心的距离为R，定义以所述冶炼炉的圆心为圆心且以R+D为半径的圆为检测圆，在所述图像信息内对所述冶炼炉图像与检测圆的图像求补集，所述补集为感兴趣区域。
可选的，获取所述感兴趣区域内像素灰度为“1”的像素，所述像素灰度为“1”的像素为所述亮点。
可选的，计算所述亮点在所述感兴趣区域的像素占比，根据像素占比来检测溢渣。
可选的，当所述像素占比小于1％时，则溢渣不严重；当所述像素占比大于1％小于10％时，则存在轻微溢渣现象；当所述像素占比大于10％小于20％时，则存在中度溢渣现象；当所述像素占比大于20％小于50％时，则存在较为严重溢渣现象；当所述像素占比大于50％时，则存在十分严重的溢渣现象。
如上所述，本发明的基于机器视觉的溢渣检测方法，具有以下有益效果：
通过对图像进行图像处理，提取出VD精炼炉炉口轮廓，并设置ROI区域，针对ROI区域进行图像识别，计算出VD溢渣占比，从而获得VD精炼炉的溢渣状况，本发明针对炼钢过程中的VD精炼如何监控溢渣情况的问题，能够准确识别出VD溢渣，并精确计算VD溢渣量并识别VD溢渣的不同程度，可实现自动化、智能化地监控VD炉的实时状态，防止VD炉因吹氧过量而造成的钢水的大规模喷溅，具有易于实现、计算量小、稳定性强的优点，同时可以满足实时性处理的要求，保证VD溢渣检测的准确性，并实现智能化的VD溢渣预警。
附图说明
图1显示为本发明实施例中基于机器视觉的溢渣检测方法的示意图。
图2显示为本发明实施例中图像信息示意图。
图3显示为本发明实施例中未出现溢渣及溢渣不严重的示意图。
图4显示为本发明实施例中轻微溢渣的示意图。
图5显示为本发明实施例中中度溢渣示意图。
图6显示为本发明实施例中中度溢渣及中度溢渣以上溢渣的示意图。
图7显示为本发明实施例中灰度值分布直方图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图7。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
在金属冶炼过程中，尤其是VD精炼过程中，溢渣不仅危害安全生产，而且容易造成人员或者设备的损伤或者损坏，依靠人工观测的方法检测冶炼炉移渣还会存在人工误差，自动化水平低，反馈速度较慢。
为此，请参阅图1和图2，发明人提供一种基于机器视觉的溢渣检测方法，包括：
S1：采集冶炼炉的图像信息，并对图像信息进行预处理；
S2：识别出图像中冶炼炉的轮廓位置，根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域ROI(Region of Interest)；
S3：获取所述感兴趣区域内灰度值较高的亮点，计算所述亮点在所述感兴趣区域内的像素占比；
S4：根据像素占比判断溢渣情况，进而发出警报。
具体地，所述预处理包括对所述图像信息进行灰度处理，并获得灰度图像，所述灰度图像为像素矩阵，可选取m行n列的灰度矩阵表示灰度图像。
进一步地，请参阅图7，对所述灰度图像进行二值化处理获取二值化图像；更进一步地，根据灰度图像的灰度值分布直方图中的两个峰值(灰度值较低的峰值为较暗的炉口外部区域，灰度值较高的峰值为较亮的炉口内部区域)，找出一个自适应的灰度值阈值Threshold，其大小为直方图两个峰值的灰度值的平均值。通过设置的自适应的灰度值阈值Threshold，将像素矩阵中的灰度值与灰度值阈值Threshold进行数值大小的比较，若灰度值大于Threshold则更新该灰度值为1，反之则为0；示例性地，请参阅图7，其横坐标为灰度值，其纵坐标为灰度分布概率，由图可知，在灰度值较低的区域有两个波峰，灰度大约为20和30，可择一选择一个峰值，例如选取20，而且在灰度值较高的区域有一个波峰，其峰值的灰度大约为255，对两个峰值求均值，然后进行阈值分割；通过该处理后，获得一个m行n列的布尔矩阵，该布尔矩阵中数值为1的部分表示了图像中的有用信息，即图2中的白色区域。
示例性地，提供图像采集模块，并将所述图像采集模块的拍摄图像中心与所述冶炼炉的圆心设置为同心，对称选取所述拍摄图像的一半为所述图像信息，定义所述轮廓位置与所述冶炼炉图像圆心的距离为R，定义以所述冶炼炉的圆心为圆心且以R+D为半径的圆为检测圆，在所述图像信息内对所述冶炼炉图像与检测圆的图像求补集，所述补集为感兴趣区域ROI(Region of Interest)，由于实际生产过程中，如果发生溢渣情况，溢渣将会出现在冶炼炉的炉口附近，进而，将ROI设置为内径为R且外径为R+D的环形，通过检测ROI的亮点像素占比来对VD精炼炉进行溢渣评判和预警，不仅缩小了计算量，而且防止出现过多的信号干扰。
详细地，获取所述感兴趣区域内像素灰度为“1”的像素，所述像素灰度为“1”的像素为所述亮点，进而所述亮点即为从冶炼炉溢出的溢渣。
具体地，计算所述亮点在所述感兴趣区域的像素占比，根据像素占比来检测溢渣，例如：
请参阅图3，当所述像素占比为0时，则未出现溢渣；以及，当所述像素占比小于1％时，则溢渣不严重。
请参阅图4，当所述像素素占大于1％小于10％时，则存在轻微溢渣现象。
请参阅图5，当所述像素素占大于10％小于20％时，则存在中度溢渣现象。
请参阅图6，当所述像素素占大于20％小于50％时，则存在较为严重溢渣现象；以及，当所述像素大于50％时，则存在十分严重的溢渣现象；当出现中度溢渣及中度溢渣以上的溢渣，发出预警警报。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于机器视觉的溢渣检测方法，其特征在于，包括：
提供图像采集模块，采集冶炼炉的图像信息，并将所述图像采集模块的拍摄图像中心与所述冶炼炉的圆心设置为同心，对称选取所述拍摄图像的一半为所述图像信息，并对图像信息进行预处理，所述预处理包括对所述图像信息进行灰度处理，并获得灰度图像，所述灰度图像为像素矩阵，对所述灰度图像进行二值化处理获取二值化图像；
识别出图像中冶炼炉的轮廓位置；
根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域；
获取灰度图像的灰度值分布直方图中的两个峰值，对两个所述峰值求灰度均值，将所述灰度图像中高于所述灰度均值的像素灰度设置为“1”且获取所述感兴趣区域内灰度值较高的亮点，将所述灰度图像中低于所述灰度均值的像素灰度设置为“0”，获取所述二值化图像；
计算所述亮点在所述感兴趣区域内的像素占比，根据像素占比判断溢渣情况，进而发出警报。
2.根据权利要求1所述的基于机器视觉的溢渣检测方法，其特征在于：定义在所述拍摄图像中，所述轮廓位置与所述冶炼炉的圆心距离为R；定义以所述冶炼炉的圆心为圆心且以R+D为半径的圆为检测圆；在所述图像信息内对所述冶炼炉图像与检测圆的图像求补集，所述补集为感兴趣区域。
3.根据权利要求2所述的基于机器视觉的溢渣检测方法，其特征在于：获取所述感兴趣区域内像素灰度为“1”的像素，所述像素灰度为“1”的像素为所述亮点。
4.根据权利要求3所述的基于机器视觉的溢渣检测方法，其特征在于：计算所述亮点在所述感兴趣区域的像素占比，根据像素占比来检测溢渣。
5.根据权利要求4所述的基于机器视觉的溢渣检测方法，其特征在于：
当所述像素占比小于1％时，则溢渣不严重；
当所述像素占比大于1％小于10％时，则存在轻微溢渣现象；
当所述像素占比大于10％小于20％时，则存在中度溢渣现象；
当所述像素占比大于20％小于50％时，则存在较为严重溢渣现象；
当所述像素占比大于50％时，则存在十分严重的溢渣现象。
CN201811032682.9A 2018-09-05 2018-09-05 一种基于机器视觉的溢渣检测方法 Active CN109146874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811032682.9A CN109146874B (zh) 2018-09-05 2018-09-05 一种基于机器视觉的溢渣检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811032682.9A CN109146874B (zh) 2018-09-05 2018-09-05 一种基于机器视觉的溢渣检测方法

Publications (2)

Publication Number Publication Date
CN109146874A CN109146874A (zh) 2019-01-04
CN109146874B true CN109146874B (zh) 2020-08-18

Family

ID=64827010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811032682.9A Active CN109146874B (zh) 2018-09-05 2018-09-05 一种基于机器视觉的溢渣检测方法

Country Status (1)

Country Link
CN (1) CN109146874B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109975309B (zh) * 2019-03-20 2020-08-25 上海大学 一种基于机器视觉对铝盖六桥缺陷的模板匹配检测方法
CN109954854B (zh) * 2019-04-10 2021-02-26 中冶赛迪工程技术股份有限公司 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端
CN112091206B (zh) * 2019-05-31 2021-07-16 宝山钢铁股份有限公司 一种安全可靠的铁水预处理自动扒渣方法和系统
CN110728712B (zh) * 2019-09-26 2023-04-07 中冶赛迪工程技术股份有限公司 基于机器视觉的炉口定位方法、装置、存储介质及电子终端
CN111127420B (zh) * 2019-12-20 2023-05-09 河钢股份有限公司 一种量化判断转炉出钢过程中炉口溢渣情况的方法
CN111397766A (zh) * 2020-04-16 2020-07-10 中冶赛迪工程技术股份有限公司 一种基于图像的测温取样下枪位置智能检测方法及系统
CN112084578A (zh) * 2020-08-31 2020-12-15 江苏理工学院 基于三维重构的现场快速识别与定位方法
CN112381803B (zh) * 2020-11-17 2023-11-21 广东鉴面智能科技有限公司 一种基于机器视觉的铁水溢出检测方法和开口机系统
CN113096083B (zh) * 2021-03-30 2022-11-01 湖南镭目科技有限公司 一种对炉口钢渣的识别方法、装置、设备及存储介质
CN113436149B (zh) * 2021-06-02 2021-12-14 广州市广惠通线缆有限公司 一种线缆发泡层均匀度检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1306095A (zh) * 1999-10-08 2001-08-01 贝瑟尔荷姆钢铁公司 炼钢中减少炉渣带入的系统和方法
US8094301B2 (en) * 2007-12-12 2012-01-10 Gas Technology Institute Video and thermal imaging system for monitoring interiors of high temperature reaction vessels
CN102322434A (zh) * 2011-08-26 2012-01-18 浙江大学 一种用于工频熔炼炉除尘风机节能的控制方法及其控制系统
CN102999897A (zh) * 2011-09-19 2013-03-27 香港中文大学 基于sar图像检测海面溢油的方法和装置
CN104008385A (zh) * 2014-03-19 2014-08-27 合肥工业大学 基于双图像的燃煤电厂炉膛火焰判断方法
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1306095A (zh) * 1999-10-08 2001-08-01 贝瑟尔荷姆钢铁公司 炼钢中减少炉渣带入的系统和方法
US8094301B2 (en) * 2007-12-12 2012-01-10 Gas Technology Institute Video and thermal imaging system for monitoring interiors of high temperature reaction vessels
CN102322434A (zh) * 2011-08-26 2012-01-18 浙江大学 一种用于工频熔炼炉除尘风机节能的控制方法及其控制系统
CN102999897A (zh) * 2011-09-19 2013-03-27 香港中文大学 基于sar图像检测海面溢油的方法和装置
CN104008385A (zh) * 2014-03-19 2014-08-27 合肥工业大学 基于双图像的燃煤电厂炉膛火焰判断方法
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Model-based slopping warning in the LD steel converter process;Evestedt,M 等;《JOURNAL OF PROCESS CONTROL》;20090630;第19卷(第6期);第1000-1010页 *
非感兴趣区域时空分析的运动显著区域检测;肖创柏 等;《北京工业大学学报》;20120131;第38卷(第1期);全文 *

Also Published As

Publication number Publication date
CN109146874A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109146874B (zh) 一种基于机器视觉的溢渣检测方法
CN113409313B (zh) 基于计算机视觉的车轮焊缝表面缺陷检测方法
CN107610124B (zh) 一种炉口图像预处理方法
CN116703907A (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
CN110544261B (zh) 一种基于图像处理的高炉风口喷煤状态检测方法
JP6414102B2 (ja) 精錬炉排出流の判定装置、精錬炉排出流の判定方法及び溶融金属の精錬方法
CN107287385B (zh) 铁水扒渣留渣比例的计算与控制方法
CN102509095B (zh) 一种车牌图像的预处理方法
CN106918602B (zh) 一种鲁棒的基于机器视觉的表面缺陷检测方法
CN110747306A (zh) 转炉出钢过程中的溢渣控制方法、装置、设备及存储介质
CN110060239B (zh) 一种用于瓶子瓶口的缺陷检测方法
CN109521730B (zh) 一种铁水包内渣面的在线计算方法
CN110835661A (zh) 一种高炉操作炉型的判断方法
CN106447683A (zh) 一种圆的特征提取算法
CN102830063A (zh) 一种检测橡胶中炭黑的方法
Chen et al. Edge and texture detection of metal image under high temperature and dynamic solidification condition
CN110747316A (zh) 一种rh炉真空处理钢包车自动控制升降方法
JP2017166053A (ja) 高清浄鋼の溶製方法
CN114705696A (zh) 一种基于数字图像处理和自动光学检测的缺陷检测方法
CN112577967A (zh) 医药安瓿瓶头部外观质量检测方法
CN110262439B (zh) 一种炼钢过程质量控制方法及系统
CN108754065B (zh) 一种氧枪喷头参数的选择系统及方法
CN111079537B (zh) 转炉冶炼工况的识别方法、系统、机器可读介质及设备
CN106191381A (zh) 一种在RH 工位快速脱除炉渣中FeO的方法
CN208201107U (zh) 用于磁控溅射生产线的环靶

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant after: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

Address before: 401122 Chongqing new North Road No. 11 Building 1

Applicant before: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Patentee after: MCC CCID information technology (Chongqing) Co.,Ltd.

Patentee after: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Patentee before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

Patentee before: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

CP03 Change of name, title or address