CN112150421A - 钢包扒渣路径确定方法、装置及扒渣机 - Google Patents
钢包扒渣路径确定方法、装置及扒渣机 Download PDFInfo
- Publication number
- CN112150421A CN112150421A CN202010961957.8A CN202010961957A CN112150421A CN 112150421 A CN112150421 A CN 112150421A CN 202010961957 A CN202010961957 A CN 202010961957A CN 112150421 A CN112150421 A CN 112150421A
- Authority
- CN
- China
- Prior art keywords
- slag
- grid area
- grid
- raking
- preset
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Continuous Casting (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明提供了一种钢包扒渣路径确定方法、装置及扒渣机,先通过预设网格分割线将当前钢水液面的目标图像分割成多个网格区域,然后根据每个网格区域中每个像素点的灰度值,从上述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,接着,针对每个备选网格区域,根据与该备选网格区域相邻的预设数量个网格区域的灰度值,得到该备选网格区域对应的钢渣分布量,进而,根据每个备选网格区域对应的钢渣分布量,从备选网格区域集合中确定目标网格区域,并根据该目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径,以控制扒渣机沿该扒渣路径进行扒渣操作,实现了扒渣机高效率地自动扒渣。
Description
技术领域
本发明涉及炼钢技术领域,尤其涉及一种钢包扒渣路径确定方法、装置及扒渣机。
背景技术
随着中国工业的高速发展,对钢铁的市场需求变得越来越严苛,相应地,也就对炼钢技术带来了较大的挑战,尤其是炼钢效率以及质量。对炼钢效率和质量的优化可以体现在炼钢生产的各个阶段,其中,钢包扒渣也是影响炼钢效率和质量的重要阶段之一。
在炼钢生产中,需要在浇铸之前扒除钢渣得到纯净的钢水,提高铸坯质量。而现有的钢包扒渣仅依靠人工目测钢渣量,并人工操作扒渣机工作,效率低下,且效果不稳定,影响铸坯质量。
发明内容
本发明提供了一种钢包扒渣路径确定方法、装置及扒渣机,有利于提高扒渣效率。
本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种钢包扒渣路径确定方法,所述方法包括:
获取当前钢水液面的目标图像,并通过预设网格分割线将所述目标图像分割成多个网格区域,每个网格区域包括多个像素点;
根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,其中,所述预设条件为判定网格区域中钢渣量达到预设扒渣要求的条件;
针对每个备选网格区域,根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,其中,所述预设数量根据扒渣头每扒一次的扒渣面积以及每个网格区域的尺寸确定,所述钢渣分布量用于衡量所述备选网格区域附近的钢渣量;
根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,并根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
进一步地,所述预设条件包括:所述网格区域中每个像素点的灰度值之和小于第一预设阈值;和/或所述网格区域中目标像素点的占比大于或等于第二预设阈值,其中,所述目标像素点为钢渣对应的像素点。
进一步地,所述根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,包括:确定与所述备选网格区域相邻的预设数量个网格区域;基于所述预设数量个网格区域中每个像素点的灰度值之和,得到所述备选网格区域对应的钢渣分布量;或者,基于所述预设数量个网格区域中目标像素点的占比,得到所述备选网格区域对应的钢渣分布量,其中,所述目标像素点为钢渣对应的像素点。
进一步地,所述根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,包括:将所述备选网格区域集合中,对应的钢渣分布量最大的备选网格区域确定为目标网格区域。
进一步地,所述根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径,包括:以所述目标网格区域的位置为起点,预设的扒渣终点位置为终点,将所述目标网格区域与所述扒渣终点位置之间的连接线作为本次扒渣的扒渣路径。
进一步地,所述获取当前钢水液面的目标图像,包括:获取通过摄像头采集的当前钢水液面的原始图像;对所述原始图像进行二值化处理,得到目标图像。
进一步地,所述网格区域为方形网格,若每个所述网格区域包含108×108个像素点,所述预设数量为8个。
进一步地,所述确定本次扒渣的扒渣路径之后,还包括:在根据所述扒渣路径完成本次扒渣后,针对完成本次扒渣后的钢水液面,重复执行上述的钢包扒渣路径确定方法,以确定下一次扒渣的扒渣路径,直至达到预设的停止扒渣条件。
第二方面,本发明实施例提供了一种钢包扒渣路径确定装置,所述装置包括:
获取模块,用于获取当前钢水液面的目标图像,并通过预设网格分割线将所述目标图像分割成多个网格区域,每个网格区域包括多个像素点;
筛选模块,用于根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,其中,所述预设条件为判定网格区域中钢渣量达到预设扒渣要求的条件;
分布量确定模块,用于针对每个备选网格区域,根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,其中,所述预设数量根据扒渣头每扒一次的扒渣面积以及每个网格区域的尺寸确定,所述钢渣分布量用于衡量所述备选网格区域附近的钢渣量;
路径确定模块,用于根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,并根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
第三方面,本发明实施例提供了一种扒渣机,所述扒渣机包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面提供的钢包扒渣路径确定方法的步骤。
本发明实施例提供的钢包扒渣路径确定方法、装置及扒渣机,先通过预设网格分割线将当前钢水液面的目标图像分割成多个网格区域,然后根据每个网格区域中每个像素点的灰度值,从上述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,接着,针对每个备选网格区域,根据与该备选网格区域相邻的预设数量个网格区域的灰度值,得到该备选网格区域对应的钢渣分布量,钢渣分布量可以用于衡量该备选网格区域附近的钢渣量,进而,根据每个备选网格区域对应的钢渣分布量,从备选网格区域集合中确定目标网格区域,并根据该目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径,以控制扒渣机沿该扒渣路径进行扒渣操作。本方案依靠视觉识别技术,对钢包液面进行了网格区域划分,再先后基于网格区域本身灰度以及附近网格的灰度,进行了两级筛选,较准确地识别出钢渣量较多的位置,从而确定出扒渣机本次扒渣操作的扒渣路径,以便按照该扒渣路径进行有效扒渣,实现了扒渣机高效率地自动扒渣。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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示出了本发明实施例提供的一种钢包扒渣系统的结构示意图;
图2示出了本发明实施例提供的一种钢包中钢水液面的示意图;
图3示出了本发明实施例第一方面提供的一种钢包扒渣路径确定方法的方法流程图;
图4示出了本发明实施例提供的一种扒渣路径的确定示意图;
图5示出了本发明实施例第二方面提供的一种钢包扒渣路径确定装置的模块框图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“多个”包括两个以及大于两个的情况。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
第一方面,本发明实施例提供了一种钢包扒渣路径确定方法,应用于钢包扒渣系统,用于确定扒渣机对钢水液面进行扒渣的扒渣路径。
如图1所示,上述钢包扒渣系统包括钢包8、摄像头11、接渣盆14以及扒渣机15。钢包8即钢水包,用于承接钢液9以及进行浇注作业。如图2所示,钢包8中的钢水液面13上通常会存在钢渣,图2中钢水边界2内的斜线填充区域表示钢渣1,其余区域表示钢水3。摄像头11用于采集视觉捕捉范围12内钢水液面13的图像,将图像发送给扒渣机15,扒渣机15用于通过本发明实施例提供的钢包扒渣路径确定方法确定扒渣路径,并根据所确定扒渣路径对钢水液面13进行扒渣操作,使得目标钢渣10掉入接渣盘14。
如图3所示,本发明实施例提供的钢包扒渣路径确定方法至少包括以下步骤S301至步骤S304。
步骤S301,获取当前钢水液面的目标图像,并通过预设网格分割线将目标图像分割成多个网格区域,每个网格区域包括多个像素点。
如图1所示,钢包8倾斜一定角度时,扒渣机15开始工作,摄像头11对钢水液面13实时监控,采集当前钢水液面13的图像,并将图像发送给扒渣机15进行扒渣路径规划以及扒渣操作。
本实施例中,获取当前钢水液面的目标图像的过程可以包括:获取通过摄像头采集的当前钢水液面的原始图像;对原始图像进行二值化处理,得到目标图像。此时,目标图像中像素点的灰度值为0或255,白色为255,黑色为0。那么,钢渣对应的像素点的灰度值为0,钢水对应的像素点的灰度值为255,这样方便明确目标图像中钢渣的分布。
当然,在本说明书其他实施例中,目标图像也可以是由摄像头采集的当前钢水液面的原始图像转化成的灰度图。
获取到目标图像后,把视觉捕捉边界6以内的区域用预设网格分割线分割成多个网格区域,且每个网格区域包含的像素点个数相同。本实施例中,网格分割线可以为横纵交错的分割线,将目标图像分割为方形的网格区域。举例来讲,如图4所示,可以通过网格分割线5将目标图像分割成110个网格区域4,以目标图像像素尺寸为1188×1080为例,此时,每一个网格区域4的尺寸均为108(像素)×108(像素)。
当然,在本说明书其他实施例中,也可以采用其他样式的网格区域,如三角形网格、菱形网格等等。
步骤S302,根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合。
网格区域中每个像素点的灰度值由摄像头扑捉的视觉明暗来决定,分布钢渣越多的网格区域,灰度值越小。本实施例中,网格区域的灰度值为网格区域中每个像素点的灰度值。
可以理解的是,理想情况下,有钢渣的网格区域为纯黑色,即这个网格区域中所有像素点的灰度值均为0,但实际情况中,钢渣与钢液是混杂在一起的,所以为了使得每次规划出的扒渣路径能够达到更好的扒渣效果,提高扒渣效率,需要先设置预设条件,筛选出钢渣量相对较多的网格区域作为备选。因此,预设条件可以根据实际经验以及多次试验设置,该预设条件即为判定网格区域中钢渣量是否达到预设扒渣要求的条件,网格区域满足预设条件,则达到预设扒渣要求,反之,则不满足预设扒渣要求。这样就可以从分割出的多个网格区域中预筛选出自身钢渣量达到扒渣要求的备选网格区域,得到备选网格区域集合。在一种可选的实施方式中,上述预设条件可以包括以下两个条件中的任意一种或两种组合:
第一种条件为:网格区域中每个像素点的灰度值之和小于第一预设阈值。网格区域中每个像素点的灰度值之和小于第一预设阈值时,表示该网格区域的钢渣量相对较多,达到预设扒渣要求,能够作为备选的扒渣目标起点位置。其中,第一预设阈值根据实际经验以及多次试验设置。举例来讲,目标图像为二值化图像,仅包含0(黑色,代表钢渣)和255(白色,代表钢水)的像素点,且每个网格区域的尺寸均为108(像素)×108(像素),此时,第一预设阈值可以设置为108×108×255×50%=1487160,或者,也可以设置为108×108×255×2%=59486.4,等等。
第二种条件为:网格区域中目标像素点的占比大于或等于第二预设阈值,其中,目标像素点为钢渣对应的像素点。网格区域中目标像素点在该网格区域包含的所有像素点中的占比大于或等于第二预设阈值时,表示该网格区域的钢渣量相对较多,达到预设扒渣要求,能够作为备选的扒渣目标位置。此时,在上述示例中,第二预设阈值可以设置为50%、80%或者是98%等等。
通过步骤S301分割出的网格区域中,满足预设条件的网格区域即为钢渣量相对较多,能够作为备选的目标起点位置的网格区域。将初步筛选出的网格区域组成备选网格区域集合。进一步,再对备选网格区域集合中的备选网格区域执行以下步骤S303,进行下一层级的筛选。
步骤S303,针对每个备选网格区域,根据与该备选网格区域相邻的预设数量个网格区域的灰度值,得到该备选网格区域对应的钢渣分布量。
其中,预设数量根据扒渣头每扒一次的扒渣面积即覆盖面积以及每个网格区域的尺寸确定。举例来讲,在一种示例性场景中,每个网格区域包含108×108个像素点,扒渣头每扒一次的覆盖面积约等于9个网格区域的面积,此时,预设数量可以为8个,也就是备选网格区域周围与该备选网格区域相邻的8个网格区域。
在步骤S303中,钢渣分布量用于衡量备选网格区域附近的钢渣量,本实施例中,对应的钢渣分布量越大,则表示备选网格区域附近的钢渣量越多。具体来讲,根据与备选网格区域相邻的预设数量个网格区域的灰度值,得到备选网格区域对应的钢渣分布量的实施方式可以包括:
首先,确定与备选网格区域相邻的预设数量个网格区域,均作为该备选网格区域的邻近网格区域。举例来讲,以图4为例,每个网格区域包含108×108个像素点,假设当前备选网格区域为63号网格区域,预设数量为8个,则网格区域号为51、52、53、62、64、73、74和75的网格区域,即为与该备选网格区域相邻的8个网格区域,这8个网格区域即为该备选网格区域的邻近网格区域。
然后,再根据该备选网格区域的所有邻近网格区域中每个像素点的灰度值,得到该备选网格区域对应的钢渣分布量。
在一种实施方式中,可以基于该备选网格区域的所有邻近网格区域中每个像素点的灰度值之和,得到该备选网格区域对应的钢渣分布量。可以理解的是,由于将备选网格区域的所有邻近网格区域中每个像素点的灰度值的累加和越大,则表示该备选网格区域附近的钢渣量越少,反之,则表示该备选网格区域附近的钢渣量越多。此时,可以将得到的累加和求倒数得到该备选网格区域对应的钢渣分布量,以使得钢渣分布量越大,则相应备选网格区域附近的钢渣量越多。
在另一种实施方式中,可以基于该备选网格区域的所有邻近网格区域中目标像素点的占比,得到该备选网格区域对应的钢渣分布量,其中,目标像素点为钢渣对应的像素点。具体来讲,可以将该备选网格区域的所有邻近网格区域中目标像素点的占比,作为该备选网格区域对应的钢渣分布量。
针对每个备选网格区域,分别计算上述钢渣分布量,得到备选网格区域集合中,每个备选网格区域对应的钢渣分布量后,就可以执行以下步骤S304,确定本次扒渣的扒渣路径。
步骤S304,根据每个备选网格区域对应的钢渣分布量,从备选网格区域集合中确定目标网格区域,并根据目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
具体来讲,根据每个备选网格区域对应的钢渣分布量,从备选网格区域集合中确定目标网格区域可以包括:将所述备选网格区域集合中,对应的钢渣分布量最大的备选网格区域确定为目标网格区域。这样可以确保每次扒渣机都能扒到钢渣最多的区域,有利于提高扒渣效率。
或者,也可以根据实际需要以及多次试验,设置扒渣距离与修正系数之间的对应关系,例如可以是对应表或者是拟合函数;然后在确定每个备选网格区域对应的钢渣分布量后,根据备选网格区域与预设的扒渣终点位置之间的距离,匹配相应的修正系数,将该备选网格区域对应的钢渣分布量乘以匹配出的修正系数,作为该备选网格区域的可扒渣度,将备选网格区域集合中可扒渣度最大的备选网格区域作为目标网格区域。这样可以综合考虑将当前备选网格区域作为本次扒渣的目标起点位置的扒渣距离以及能够实现的扒渣量,有利于达到更好的扒渣效果,提高扒渣效率。
目标网格区域的位置即为本次扒渣的目标起点位置。而本次扒渣的目标终点位置是根据接渣盘的位置预先设置好的,因此,可以根据目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。具体来讲,可以以目标网格区域的位置为起点,预设的扒渣终点位置为终点,将目标网格区域与扒渣终点位置之间的连接线作为本次扒渣的扒渣路径。
根据上述步骤S301至步骤S304确定出本次扒渣的扒渣路径后,扒渣机就可以按照该扒渣路径进行扒渣操作。在根据所确定的扒渣路径完成本次扒渣后,可以针对完成本次扒渣后的钢水液面,重复执行上述步骤S301至步骤S304,以确定下一次扒渣的扒渣路径,以此类推,直至达到预设的停止扒渣条件,扒渣机停止扒渣,这样可以实现扒渣过程自动停止。
停止扒渣条件可以根据实际经验以及多次试验设置,用于衡量当前钢水液面上的钢渣量是否达到允许范围。举例来讲,可以判断步骤S301分割出的网格区域中,目标像素点占比最大的网格区域的目标像素点占比是否超过第三预设阈值例如可以为50%,若否,则满足停止扒渣条件,停止扒渣,若是,则不满足停止扒渣条件,继续确定扒渣路径,以执行下一次扒渣操作。可选地,在步骤S302中不存在满足预设条件的网格区域,即无法筛选出备选网格区域,也可以判定为满足停止扒渣条件。
为了更清楚地说明本发明提供的技术方案,下面以一种具体实施例作为示例,对本技术方案的实施过程进行说明。
在图4所示的示例中,目标图像为二值化图像,将目标图像分割为110个网格区域,每个网格区域包含108×108个像素点,预设数量为8个。如果一个网格区域全是钢渣,则此网格区域中每个像素点的灰度值均为0,目标像素点即钢渣对应的像素点的占比为100%;如果一个网格区域全是纯净钢水,则此网格区域中每个像素点的灰度值均为255,则该网格区域所有像素点的灰度值之和为255×108×108=2974320,目标像素点的占比为0%。
此时,以图4为例,捕捉到有钢渣的网格区域号以及目标像素点的占比(省略%)为:#15:21、#16:41、#25:27、#26:95、#27:53、#28:24、#29:56、#30:30、#36:6、#37:8、#38:10、#39:92、#40:70、#41:16、#47:48、#48:59、#49:11、#50:72、#51:64、#52:80、#53:94、#54:47、#58:51、#59:30、#61:49、#62:98、#63:99、#64:98、#65:30、#72:40、#73:92、#74:99、#75:80、#76:19、#84:4、#85:2。其他网格区域均为纯净钢水。
此时,筛选出目标像素点占比大于或等于98%的网格区域有:#62、#63、#64和#74。将这4个网格区域作为备选网格区域,组成备选网格区域集合。
进一步,分别计算#62、#63、#64、#74这4个备选网格区域周围8个网格区域中目标像素点的占比之和,作为这4个备选网格区域对应的钢渣分布量,其计算公式为:
Sum#i=hd#(i-12)+hd#(i-11)+hd#(i-10)+hd#(i-1)+hd#(i+1)+hd#(i+10)+hd#(i+11)+hd#(i+12)
其中,Sum#i为网格区域号为i的网格区域对应的钢渣分布量;hd#i为网格区域号为i的网格区域中目标像素点的占比。
按照此公式计算可以得到:
Sum#62=hd#50+hd#51+hd#52+hd#61+hd#63+hd#72+hd#73+hd#74=72+64+80+49+99+40+92+99=595;
Sum#63=hd#51+hd#52+hd#53+hd#62+hd#64+hd#73+hd#74+hd#75=64+80+94+49+98+98+99+80=662;
Sum#64=hd#52+hd#53+hd#54+hd#63+hd#65+hd#74+hd#75+hd#76=80+94+47+99+30+99+80+19=548;
Sum#74=hd#62+hd#63+hd#64+hd#73+hd#75+hd#84+hd#85+hd#86=98+99+98+92+80+4+2+0=478。
由于Sum#63的值最大,意味着以#63号网格区域为中心的区域的钢渣量最多,因此,可以将网格区域#63作为目标网格区域,确定为本次扒渣的目标起点位置,进而根据预设的扒渣终点位置7确定扒渣机本次扒渣的扒渣路径16,如图4所示。
扒渣机每扒一次渣会导致钢液面上的渣面出现变化,所以每完成一次扒渣需要重新采集当前钢水液面的目标图像,直至不存在目标像素点占比大于或等于98%的网格区域时停止扒渣。
综上所述,本发明实施例提供的钢包扒渣路径确定方法,依靠视觉识别技术,对钢包液面进行了网格区域划分,再先后基于网格区域本身灰度以及附近网格的灰度,进行了两级筛选,较准确地识别出钢渣量较多的位置,从而确定出扒渣机本次扒渣操作的扒渣路径,以便按照该扒渣路径进行有效扒渣,实现了扒渣机高效率地自动扒渣,减少了人工判断失误,整个操作无任何停顿,减少操作时间和温降。另外,整个扒渣过程能够实现无人化,保证了安全生产。
第二方面,本发明实施例还提供了一种钢包扒渣路径确定装置,如图5所示,所述钢包扒渣路径确定装置50包括:
获取模块51,用于获取当前钢水液面的目标图像,并通过预设网格分割线将所述目标图像分割成多个网格区域,每个网格区域包括多个像素点;
筛选模块52,用于根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,其中,所述预设条件为判定网格区域中钢渣量达到预设扒渣要求的条件;
分布量确定模块53,用于针对每个备选网格区域,根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,其中,所述预设数量根据扒渣头每扒一次的扒渣面积以及每个网格区域的尺寸确定,所述钢渣分布量用于衡量所述备选网格区域附近的钢渣量;
路径确定模块54,用于根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,并根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
在一种可选的实施例中,所述预设条件包括:所述网格区域中每个像素点的灰度值之和小于第一预设阈值;和/或所述网格区域中目标像素点的占比大于或等于第二预设阈值,其中,所述目标像素点为钢渣对应的像素点。
在一种可选的实施例中,上述分布量确定模块53包括:第一确定子模块531,用于确定与所述备选网格区域相邻的预设数量个网格区域;第二确定子模块532,用于基于所述预设数量个网格区域中每个像素点的灰度值之和,得到所述备选网格区域对应的钢渣分布量;或者,基于所述预设数量个网格区域中目标像素点的占比,得到所述备选网格区域对应的钢渣分布量,其中,所述目标像素点为钢渣对应的像素点。
在一种可选的实施例中,上述路径确定模块54包括:目标确定子模块541,用于将所述备选网格区域集合中,对应的钢渣分布量最大的备选网格区域确定为目标网格区域。
在一种可选的实施例中,上述路径确定模块54包括:目标规划子模块542,用于以所述目标网格区域的位置为起点,预设的扒渣终点位置为终点,将所述目标网格区域与所述扒渣终点位置之间的连接线作为本次扒渣的扒渣路径。
在一种可选的实施例中,上述获取模块51用于:获取通过摄像头采集的当前钢水液面的原始图像;对所述原始图像进行二值化处理,得到目标图像。
在一种可选的实施例中,上述网格区域为方形网格,若每个所述网格区域包含108×108个像素点,所述预设数量为8个。
在一种可选的实施例中,上述钢包扒渣路径确定装置50还包括:循环控制模块,用于在根据所述扒渣路径完成本次扒渣后,针对完成本次扒渣后的钢水液面,控制扒渣机重复执行上述的钢包扒渣路径确定方法,以确定下一次扒渣的扒渣路径,直至达到预设的停止扒渣条件。
需要说明的是,本说明书实施例所提供的钢包扒渣路径确定装置,其中各个模块执行操作的具体方式已经在上述第一方面提供的方法实施例中进行了详细描述,具体实施过程可以参照上述第一方面提供的方法实施例,此处将不做详细阐述说明。
第三方面,本发明实施例还提供了一种扒渣机,该扒渣机包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面提供的钢包扒渣路径确定方法的任一实施方式的步骤。具体实施过程可以参照上述第一方面提供的方法实施例,此处将不做详细阐述说明。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种钢包扒渣路径确定方法,其特征在于,所述方法包括:
获取当前钢水液面的目标图像,并通过预设网格分割线将所述目标图像分割成多个网格区域,每个网格区域包括多个像素点;
根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,其中,所述预设条件为判定网格区域中钢渣量达到预设扒渣要求的条件;
针对每个备选网格区域,根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,其中,所述预设数量根据扒渣头每扒一次的扒渣面积以及每个网格区域的尺寸确定,所述钢渣分布量用于衡量所述备选网格区域附近的钢渣量;
根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,并根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
2.如权利要求1所述的方法,其特征在于,所述预设条件包括:
所述网格区域中每个像素点的灰度值之和小于第一预设阈值;和/或所述网格区域中目标像素点的占比大于或等于第二预设阈值,其中,所述目标像素点为钢渣对应的像素点。
3.如权利要求1所述的方法,其特征在于,所述根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,包括:
确定与所述备选网格区域相邻的预设数量个网格区域;
基于所述预设数量个网格区域中每个像素点的灰度值之和,得到所述备选网格区域对应的钢渣分布量;或者,基于所述预设数量个网格区域中目标像素点的占比,得到所述备选网格区域对应的钢渣分布量,其中,所述目标像素点为钢渣对应的像素点。
4.如权利要求1所述的方法,其特征在于,所述根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,包括:
将所述备选网格区域集合中,对应的钢渣分布量最大的备选网格区域确定为目标网格区域。
5.如权利要求1所述的方法,其特征在于,所述根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径,包括:
以所述目标网格区域的位置为起点,预设的扒渣终点位置为终点,将所述目标网格区域与所述扒渣终点位置之间的连接线作为本次扒渣的扒渣路径。
6.如权利要求1所述的方法,其特征在于,所述获取当前钢水液面的目标图像,包括:
获取通过摄像头采集的当前钢水液面的原始图像;
对所述原始图像进行二值化处理,得到目标图像。
7.如权利要求1所述的方法,其特征在于,所述网格区域为方形网格,若每个所述网格区域包含108×108个像素点,所述预设数量为8个。
8.如权利要求1-7任一项所述的方法,其特征在于,所述确定本次扒渣的扒渣路径之后,还包括:
在根据所述扒渣路径完成本次扒渣后,针对完成本次扒渣后的钢水液面,重复执行所述钢包扒渣路径确定方法,以确定下一次扒渣的扒渣路径,直至达到预设的停止扒渣条件。
9.一种钢包扒渣路径确定装置,其特征在于,所述装置包括:
获取模块,用于获取当前钢水液面的目标图像,并通过预设网格分割线将所述目标图像分割成多个网格区域,每个网格区域包括多个像素点;
筛选模块,用于根据所述每个网格区域中每个像素点的灰度值,从所述多个网格区域中筛选出满足预设条件的网格区域作为备选网格区域,得到备选网格区域集合,其中,所述预设条件为判定网格区域中钢渣量达到预设扒渣要求的条件;
分布量确定模块,用于针对每个备选网格区域,根据与所述备选网格区域相邻的预设数量个网格区域的灰度值,得到所述备选网格区域对应的钢渣分布量,其中,所述预设数量根据扒渣头每扒一次的扒渣面积以及每个网格区域的尺寸确定,所述钢渣分布量用于衡量所述备选网格区域附近的钢渣量;
路径确定模块,用于根据所述每个备选网格区域对应的钢渣分布量,从所述备选网格区域集合中确定目标网格区域,并根据所述目标网格区域以及预设的扒渣终点位置,确定本次扒渣的扒渣路径。
10.一种扒渣机,其特征在于,所述扒渣机包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961957.8A CN112150421B (zh) | 2020-09-14 | 2020-09-14 | 钢包扒渣路径确定方法、装置及扒渣机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961957.8A CN112150421B (zh) | 2020-09-14 | 2020-09-14 | 钢包扒渣路径确定方法、装置及扒渣机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150421A true CN112150421A (zh) | 2020-12-29 |
CN112150421B CN112150421B (zh) | 2023-07-25 |
Family
ID=73893473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961957.8A Active CN112150421B (zh) | 2020-09-14 | 2020-09-14 | 钢包扒渣路径确定方法、装置及扒渣机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150421B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467437A (zh) * | 2020-03-31 | 2021-10-01 | 宝山钢铁股份有限公司 | 一种kr自动扒渣智能路径的优化方法 |
CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
CN117428183A (zh) * | 2023-12-20 | 2024-01-23 | 苏州朗信智能科技有限公司 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN111522294A (zh) * | 2020-05-08 | 2020-08-11 | 衡阳镭目科技有限责任公司 | 一种扒渣机的自动控制系统及方法 |
CN111534775A (zh) * | 2020-04-30 | 2020-08-14 | 邯郸钢铁集团有限责任公司 | 一种捞渣机器人捞渣路径规划方法 |
-
2020
- 2020-09-14 CN CN202010961957.8A patent/CN112150421B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN111534775A (zh) * | 2020-04-30 | 2020-08-14 | 邯郸钢铁集团有限责任公司 | 一种捞渣机器人捞渣路径规划方法 |
CN111522294A (zh) * | 2020-05-08 | 2020-08-11 | 衡阳镭目科技有限责任公司 | 一种扒渣机的自动控制系统及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467437A (zh) * | 2020-03-31 | 2021-10-01 | 宝山钢铁股份有限公司 | 一种kr自动扒渣智能路径的优化方法 |
CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
CN115100509B (zh) * | 2022-07-15 | 2022-11-29 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
CN117428183A (zh) * | 2023-12-20 | 2024-01-23 | 苏州朗信智能科技有限公司 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
CN117428183B (zh) * | 2023-12-20 | 2024-03-26 | 苏州朗信智能科技有限公司 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
CN117636354B (zh) * | 2024-01-25 | 2024-04-09 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112150421B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150421B (zh) | 钢包扒渣路径确定方法、装置及扒渣机 | |
CN108345085A (zh) | 聚焦方法和聚焦系统 | |
CN110781944B (zh) | 一种基于深度学习的铁水自动扒渣控制方法 | |
CN112017145A (zh) | 一种高效的铁水预处理自动扒渣方法和系统 | |
CN107287385B (zh) | 铁水扒渣留渣比例的计算与控制方法 | |
WO2022117118A1 (zh) | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 | |
CN109584175B (zh) | 一种图像处理方法及装置 | |
KR101412550B1 (ko) | 슬래그 배재 제어방법 | |
JP2009293993A (ja) | 腐食度評価方法、装置及びプログラム | |
CN112935442A (zh) | 自动焊接工艺参数的确定方法、装置、设备以及介质 | |
CN114332004A (zh) | 一种瓷砖表面缺陷检测方法、装置、电子设备及存储介质 | |
CN109521730B (zh) | 一种铁水包内渣面的在线计算方法 | |
JP7401752B2 (ja) | モデル構築装置、予測装置、モデル構築方法、予測方法及びコンピュータプログラム | |
CN116571410B (zh) | 基于机器视觉的缺陷区域修复方法、装置、设备以及介质 | |
CN111582100A (zh) | 一种目标对象的检测方法及设备 | |
CN112449115A (zh) | 拍摄方法、装置和电子设备 | |
CN114807596B (zh) | 一种矿堆的配料控制方法和装置 | |
CN115439393A (zh) | 基于图像识别构建模型的铁水包内渣厚获取方法 | |
CN104408687A (zh) | 一种图片播放的方法及装置 | |
CN112085799B (zh) | 一种电力设备自主配准方法及系统 | |
CN114196799A (zh) | 一种转炉溢渣的检测方法、装置及计算机设备 | |
CN116334339A (zh) | 一种脱硫铁水罐的脱硫扒渣方法、装置、介质及设备 | |
CN117333480B (zh) | 一种铸材表面瑕疵边缘视觉检测方法、系统、装置及介质 | |
CN113099143B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN110611808B (zh) | 一种相机的解析力测试方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |