CN112712539B - 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 - Google Patents
基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN112712539B CN112712539B CN202011609102.5A CN202011609102A CN112712539B CN 112712539 B CN112712539 B CN 112712539B CN 202011609102 A CN202011609102 A CN 202011609102A CN 112712539 B CN112712539 B CN 112712539B
- Authority
- CN
- China
- Prior art keywords
- steel
- flow
- level
- point
- liquid level
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010079 rubber tapping Methods 0.000 title claims abstract description 48
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 252
- 239000010959 steel Substances 0.000 claims abstract description 252
- 239000007788 liquid Substances 0.000 claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 2
- 206010000372 Accident at work Diseases 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提供一种基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端,方法包括:获取转炉出钢钢流与钢液面图像信息;对图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;根据钢流与钢液面落点相对位置,调整钢包车的移动方向;本发明通过机器视觉、图像识别方法,实时的高度还原人眼看到的景象,准确、实时地返回钢流落点与钢液面相对位置,便于后续自动控制的钢包车移动位置,保证钢流能够准确落入钢包车内,避免钢流溢出造成的工业事故,避免转炉出钢钢流与钢液面落点位置识别过程中的人工参与,进而提高生产效率与安全性。
Description
技术领域
本发明涉及钢铁冶炼领域及图像处理领域,尤其涉及一种基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端。
背景技术
在转炉出钢的过程中,需要对转炉出钢钢流与钢液面落点位置进行监控,以识别钢流是否准确落入钢包车内部,避免钢流溢出,目前,通常采用人工的方式进行监控。
但是,人工监控的方式效率较低,安全性低,且不利于后续操作,因此,需要一种新的监控方式,通过实时的高度还原人眼看到的景象,准确、实时地返回钢流落点与钢液面相对位置,便于后续自动控制技术对钢包车移动位置的控制,保证钢流能够准确落入钢包车内,避免钢流溢出造成的工业事故,避免转炉出钢钢流与钢液面落点位置识别过程中的人工参与,进而提高生产效率与安全性。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端,以解决上述技术问题。
本发明提供的基于机器视觉的转炉出钢钢包车控制方法,包括
获取转炉出钢钢流与钢液面图像信息;
对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
根据钢流与钢液面落点相对位置,调整钢包车的移动方向。
可选的,所述钢流的位置信息通过如下方式表示:
[flowxmin,flowymin,flowxmax,flowymax]
其中,flowxmin,flowymin,flowxmax,flowymax分别表示钢流结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标;
所述钢液面的位置信息通过如下方式表示:
[levelxmin,levelymin,levelxmax,levelymax]
其中,levelxmin,levelymin,levelxmax,levelymax分别表示钢液面结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标;
以钢液面中心点为原点,获取钢流落点偏向钢液面左侧或钢液面右侧的百分比,进而控制钢包车向左侧或右侧移动。
可选的,通过在转炉出钢生产线的炉下钢包斜上方设置图像采集模块,获取所述转炉出钢钢流与钢液面图像信息,图像信息中的钢水液面以椭圆或部分椭圆呈现。
可选的,所述钢液面识别包括:
获取转炉出钢钢水液面的图像信息;
对所述图像信息进行图像处理,所述图像处理包括灰度化处理和边缘检测,获取若干边缘轮廓;
通过膨胀运算将所述边缘轮廓进行连接;
通过腐蚀运算对边缘轮廓连接后的图像进行还原,获取钢水液面的位置;
对还原后的图像进行识别,判断钢水液面图像中是否存在钢流,若存在,则删除钢流区域内的轮廓点,获取钢液面轮廓点集;
对所述钢液面轮廓点集进行椭圆拟合,获取拟合结果,将所述拟合结果作为钢水液面轮廓。
可选的,对经过膨胀运算后的钢水液面图像进行中值滤波处理,所述中值滤波处理包括:建立一个包括(2n-1)个点的移动窗口,将窗口中心点的值用窗口内各点的中值代替,若(2n-1)个点的值分别为x1,x2,x3…xn…x2n-1,则窗口内的各点的中值为xn,用xn代替中心点的像素值。
可选的,通过最小二乘法进行所述椭圆拟合,并通过如下方式获取拟合结果
Sa=λCa
aTCa=1
其中,Sa=λCa的特征解为(λi,μui),μ是任意的实数,
本发明还包括一种基于机器视觉的转炉出钢钢包车控制系统,包括:
图像采集模块,获取转炉出钢钢流与钢液面图像信息;
图像识别模块,用于对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
图像处理模块,用于根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
钢包车控制模块,用于根据钢流与钢液面落点相对位置,调整钢包车的移动方向。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述中任一项所述方法。
本发明的有益效果:本发明中的基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端,通过机器视觉、图像识别方法,实时的高度还原人眼看到的景象,准确、实时地返回钢流落点与钢液面相对位置,便于后续自动控制的钢包车移动位置,保证钢流能够准确落入钢包车内,避免钢流溢出造成的工业事故,避免转炉出钢钢流与钢液面落点位置识别过程中的人工参与,进而提高生产效率与安全性。
附图说明
图1是本发明实施例中基于机器视觉的转炉出钢钢包车控制方法的转炉出钢生产线上炉下钢包车与转炉的场景示意图。
图2是本发明实施例中基于机器视觉的转炉出钢钢包车控制方法中的钢流与钢液面落点相对位置(R表示右侧)的示意图。
图3是本发明实施例中基于机器视觉的转炉出钢钢包车控制方法中的钢流与钢液面落点相对位置(L表示左侧)的示意图。
图4是本发明实施例中基于机器视觉的转炉出钢钢包车控制方法的流程示意图。
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。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下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。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
如图4所示,本实施例中的基于机器视觉的转炉出钢钢包车控制方法,包括:
S1.获取转炉出钢钢流与钢液面图像信息;
S2.对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
S3.根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
S4.根据钢流与钢液面落点相对位置,调整钢包车的移动方向。
在本实施例中,首先通过在转炉出钢生产线上设置相机,采集清晰的钢流与钢液面图像。但是由于应用场景的限制,相机机位无法安装在炉下钢包正上方,所以在转炉出钢生产线的炉下钢包斜上方设置相机,以采集清晰的钢水液面原始图像,钢水液面以椭圆或椭圆的一部分呈现在图像中,获取转炉出钢钢水液面的图像信息。
在本实施例中,对于钢流识别采用的方法可用基于轮廓识别的钢流图像识别方法、基于ROI(感兴趣区域)的钢流图像识别方法、基于机器学习算法的钢流图像识别方法等方式实现,识别到的钢流在图像中的二维位置坐标信息表达为:
[flowxmin,flowymin,flowxmax,flowymax]
其中,flowxmin,flowymin,flowxmax,flowymax分别表示钢流结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标。
对采集到的钢液面图像中的钢液面进行识别,获得钢液面位置信息。对于钢液面识别采用的方法可用基于图像识别椭圆拟合的转炉出钢钢包液位识别方法、基于深度学习的转炉出钢钢包液位识别方法等。
识别到的钢流在图像中的二维位置坐标信息表达为:
[levelxmin,levelymin,levelxmax,levelymax]
其中,levelxmin,levelymin,levelxmax,levelymax分别表示钢流结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标。
根据钢流的位置信息及钢液面的位置信息,判断钢流与钢液面落点位置。
则钢流落点位于钢液面右侧;
则钢流落点位于钢液面左侧。
在本实施例中,根据钢流与钢液面落点的方向位置关系,计算钢流与钢液面相对位置。以钢液面中心点为原点,计算钢流落点偏向钢液面左侧或钢液面右侧的百分比,具体地,
若钢流落点位于钢液面右侧,则钢流落点偏向钢液面右侧百分比计算为:
若钢流落点位于钢液面左侧,则钢流落点偏向钢液面左侧百分比计算为:
可选的,可以根据钢流和钢液面的落点相对位置关系,设定阈值T,若percent>T,则返回信号至转炉出钢系统,控制钢包车向左侧或右侧移动,钢流与钢液面落点相对位置以及相对位置对应的百分比如图2,3所示。
可选的,本实施例中基于图像识别椭圆拟合的转炉出钢钢包液位识别方法包括:
获取转炉出钢钢水液面的图像信息;
对所述图像信息进行图像处理,所述图像处理包括灰度化处理和边缘检测,获取若干边缘轮廓;
通过膨胀运算将所述边缘轮廓进行连接;
通过腐蚀运算对边缘轮廓连接后的图像进行还原,获取钢水液面的位置;
对还原后的图像进行识别,判断钢水液面图像中是否存在钢流,若存在,则删除钢流区域内的轮廓点,获取钢液面轮廓点集;
对所述钢液面轮廓点集进行椭圆拟合,获取拟合结果,将所述拟合结果作为钢水液面轮廓。
本实施例中图像处理包括灰度化处理和边缘检测,可选的,本实施例对采集的钢水液面图像进行灰度化处理的数学表达为:
Gray=0.299×R+0.587×G+0.114×B
其中,R,G,B表示相机采集的清晰的视频图像的每个像素点的R,G,B三通道的具体值,Gray表示灰度化处理后的图像的每个像素点的R,G,B三通道的具体值,即三通道数值相等,对灰度化处理后的图像进行边缘检测,以提取出一系列小的边缘轮廓,边缘检测的算子或滤波器包括Canny算子、Sobel算子、Laplacian算子以及Scharr滤波器等。
在本实施例中,采用所述形态学操作中的膨胀运算,使提取出的边缘轮廓连接在一起,形成一片白色像素值的区域,膨胀运算(dilate)数学表达式为:
dst(x,y)=max(src(x+x′,y+y′))(x′,y′):(x′,y′)≠0
其中,(x,y)为待处理像素点坐标,src(x,y)为待处理像素点的颜色值,dst(x,y)为处理后像素点的颜色值,(x+x′,y+y′)表示以(x,y)为中心的其周围联通的像素点。
在本实施例中,在对经过膨胀运算后,还包括对钢水液面图像进行中值滤波处理,使得图像轮廓变得更加平滑,寻找出来的钢水液面轮廓稳定。本实施例中的中值滤波处理的方法包括:用一个有(2n-1)个点的移动窗口,将窗口中心点的值用窗口内各点的中值代替。若(2n-1)个点的值分别为x1,x2,x3…xn…x2n-1,则此窗口内的各点的中值为xn,用xn代替中心点的像素值。
在本实施例中,对膨胀运算、中值滤波后的图像,采用形态学操作中的腐蚀运算,以还原钢水液面在图像中的位置,腐蚀运算(erode)数学表达式为:
dst(x,y)=min(src(x+x′,y+y′))(x′,y′):(x′,y′)≠0
其中,(x,y)为待处理像素点坐标,src(x,y)为待处理像素点的颜色值,dst(x,y)为处理后像素点的颜色值,(x+x′,y+y′)表示以(x,y)为中心的其周围联通的像素点。边缘检测后,经过膨胀运算、中值滤波、再腐蚀运算之后获取的图像如图3所示。
在本实施例中,对还原后的图像进行识别,判断钢水液面图像中是否存在钢流,若存在,则删除钢流区域内的轮廓点,本实施例通过对腐蚀运算后的图像进行轮廓寻找,对寻找得到的轮廓根据轮廓尺寸进行筛选,保留尺寸最大的轮廓,判断图像中是否识别到钢流,若检测到钢流,得到钢流的位置信息,根据钢流位置信息,删除钢流区域内的轮廓点,使图像中仅保留钢水液面轮廓,即用于椭圆拟合的钢液面轮廓点集。
本实施例中,对轮廓筛选完毕后的轮廓点集进行椭圆拟合,椭圆拟合的结果即为钢水液面轮廓。
可选的,本实施例中的椭圆拟合的方法为基于直接最小二乘的椭圆拟合,
设椭圆方程为:
ax2+bxy+cy2+dx+ey=1.
令a=[a,b,c,d,e]T,x=[x2,xy,y2,x,y]T,即椭圆方程可表示为ax=1.
椭圆方程为ax=1,拟合椭圆的最优化问题可表示为:
min‖Da‖2
s.t.aTCa=1
其中,D表示数据样本集合n×6,6表示维度,n表示样本数,a表示椭圆方程的参数,矩阵常数矩阵C为
进一步地,拟合椭圆的过程中,根据拉格朗日乘子法,引入拉格朗日因子λ,得到以下的两个等式方程:
2DTDa-2λCa=0 aTCa=1
令S=DTD,将上述公式改写为:
Sa=λCa
aTCa=1
Sa=λCa的特征解为(λi,μui),其中μ是任意的实数。
取λi>0对应的特征向量ui,即为拟合的椭圆的方程解。
相应的,本实施例还提供一种基于机器视觉的转炉出钢钢包车控制系统,包括:
图像采集模块,获取转炉出钢钢流与钢液面图像信息;
图像识别模块,用于对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
图像处理模块,用于根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
钢包车控制模块,用于根据钢流与钢液面落点相对位置,调整钢包车的移动方向。
本实施例中的基于机器视觉的转炉出钢钢包车控制系统通过上述方法,实时的高度还原人眼看到的景象,准确、实时地返回钢流落点与钢液面相对位置,便于后续自动控制钢包车的移动位置,保证钢流能够准确落入钢包车内,避免钢流溢出造成的工业事故,避免转炉出钢钢流与钢液面落点位置识别过程中的人工参与,进而提高生产效率与安全性。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,说明书对“本实施例”、的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例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,但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 (9)
1.一种基于机器视觉的转炉出钢钢包车控制方法,其特征在于,包括:
获取转炉出钢钢流与钢液面图像信息;
对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
根据钢流与钢液面落点相对位置,调整钢包车的移动方向;
以钢液面中心点为原点,获取钢流落点偏向钢液面左侧或钢液面右侧的百分比,进而控制钢包车向左侧或右侧移动。
2.根据权利要求1所述的基于机器视觉的转炉出钢钢包车控制方法,其特征在于,
所述钢流的位置信息通过如下方式表示:
[flowxmin,flowymin,flowxmax,flowymax]
其中,flowxmin,flowymin,flowxmax,flowymax分别表示钢流结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标;
所述钢液面的位置信息通过如下方式表示:
[levelxmin,levelymin,levelxmax,levelymax]
其中,levelxmin,levelymin,levelxmax,levelymax分别表示钢液面结果框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标。
3.根据权利要求1所述的基于机器视觉的转炉出钢钢包车控制方法,其特征在于,通过在转炉出钢生产线的炉下钢包斜上方设置图像采集模块,获取所述转炉出钢钢流与钢液面图像信息,图像信息中的钢水液面以椭圆或部分椭圆呈现。
4.根据权利要求3所述的基于机器视觉的转炉出钢钢包车控制方法,其特征在于,所述钢液面识别包括:
获取转炉出钢钢水液面的图像信息;
对所述图像信息进行图像处理,所述图像处理包括灰度化处理和边缘检测,获取若干边缘轮廓;
通过膨胀运算将所述边缘轮廓进行连接;
通过腐蚀运算对边缘轮廓连接后的图像进行还原,获取钢水液面的位置;
对还原后的图像进行识别,判断钢水液面图像中是否存在钢流,若存在,则删除钢流区域内的轮廓点,获取钢液面轮廓点集;
对所述钢液面轮廓点集进行椭圆拟合,获取拟合结果,将所述拟合结果作为钢水液面轮廓。
5.根据权利要求4所述的基于机器视觉的转炉出钢钢包车控制方法,其特征在于,对经过膨胀运算后的钢水液面图像进行中值滤波处理,所述中值滤波处理包括:建立一个包括(2n-1)个点的移动窗口,将窗口中心点的值用窗口内各点的中值代替,若(2n-1)个点的值分别为x1,x2,x3…xn…x2n-1,则窗口内的各点的中值为xn,用xn代替中心点的像素值。
7.一种基于机器视觉的转炉出钢钢包车控制系统,其特征在于,包括:
图像采集模块,用于获取转炉出钢钢流与钢液面图像信息;
图像识别模块,用于对所述图像信息进行图像识别,分别获取钢流的位置信息和钢液面的位置信息;
图像处理模块,用于根据钢流的位置信息和钢液面的位置信息,获取钢流与钢液面落点相对位置;
钢包车控制模块,用于根据钢流与钢液面落点相对位置,调整钢包车的移动方向;
以钢液面中心点为原点,获取钢流落点偏向钢液面左侧或钢液面右侧的百分比,进而控制钢包车向左侧或右侧移动。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法。
9.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至6中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609102.5A CN112712539B (zh) | 2020-12-30 | 2020-12-30 | 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609102.5A CN112712539B (zh) | 2020-12-30 | 2020-12-30 | 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712539A CN112712539A (zh) | 2021-04-27 |
CN112712539B true CN112712539B (zh) | 2022-07-29 |
Family
ID=75547220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609102.5A Active CN112712539B (zh) | 2020-12-30 | 2020-12-30 | 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712539B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6129888A (en) * | 1997-11-13 | 2000-10-10 | Bethlehem Steel Corporation | System and method for minimizing slag carryover during the taping of a BOF converter in the production of steel |
JP2012046785A (ja) * | 2010-08-25 | 2012-03-08 | Nippon Steel Corp | 溶鋼の取鍋精錬装置及び溶鋼の取鍋精錬方法 |
CN107312903A (zh) * | 2017-07-14 | 2017-11-03 | 山信软件股份有限公司 | 一种转炉自动出钢控制系统及控制方法 |
CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
CN110616288A (zh) * | 2018-06-20 | 2019-12-27 | 宝山钢铁股份有限公司 | 一种转炉全自动出钢方法及系统 |
CN111485055A (zh) * | 2019-01-29 | 2020-08-04 | 宝山钢铁股份有限公司 | 转炉出钢过程中的合金溜槽自动对中方法和系统 |
CN111539938A (zh) * | 2020-04-26 | 2020-08-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 |
CN111809016A (zh) * | 2020-06-09 | 2020-10-23 | 中冶南方工程技术有限公司 | 转炉自动出钢方法及转炉系统 |
-
2020
- 2020-12-30 CN CN202011609102.5A patent/CN112712539B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6129888A (en) * | 1997-11-13 | 2000-10-10 | Bethlehem Steel Corporation | System and method for minimizing slag carryover during the taping of a BOF converter in the production of steel |
JP2012046785A (ja) * | 2010-08-25 | 2012-03-08 | Nippon Steel Corp | 溶鋼の取鍋精錬装置及び溶鋼の取鍋精錬方法 |
CN107312903A (zh) * | 2017-07-14 | 2017-11-03 | 山信软件股份有限公司 | 一种转炉自动出钢控制系统及控制方法 |
CN110616288A (zh) * | 2018-06-20 | 2019-12-27 | 宝山钢铁股份有限公司 | 一种转炉全自动出钢方法及系统 |
CN111485055A (zh) * | 2019-01-29 | 2020-08-04 | 宝山钢铁股份有限公司 | 转炉出钢过程中的合金溜槽自动对中方法和系统 |
CN110438284A (zh) * | 2019-08-26 | 2019-11-12 | 杭州谱诚泰迪实业有限公司 | 一种转炉智能出钢装置及控制方法 |
CN111539938A (zh) * | 2020-04-26 | 2020-08-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 |
CN111809016A (zh) * | 2020-06-09 | 2020-10-23 | 中冶南方工程技术有限公司 | 转炉自动出钢方法及转炉系统 |
Non-Patent Citations (3)
Title |
---|
Process-integrated steel ladle monitoring, based on infrared imaging–a robust approach to avoid ladle breakout;Biswajit Chakraborty 等;《Quantitative InfraRed Thermography Journal》;20190630;1-25 * |
滑板挡渣技术在河钢宣钢150 t转炉的应用;贾纯纯;《河北冶金》;20191228(第288期);47-50 * |
铸造生产线钢液自动浇注系统设计;康会峰 等;《铸造技术》;20160218;第37卷(第2期);355-358 * |
Also Published As
Publication number | Publication date |
---|---|
CN112712539A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101996406A (zh) | 无参考结构清晰度图像质量评价方法 | |
CN106683100B (zh) | 一种图像分割去雾方法及终端 | |
CN111652869B (zh) | 基于深度学习的板坯空洞识别方法、系统、介质及终端 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
CN113962306A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN114005058A (zh) | 粉尘识别方法、装置及终端设备 | |
CN111833369A (zh) | 一种矾花图像处理方法、系统、介质及电子设备 | |
CN111383257A (zh) | 一种车厢装卸率确定方法和装置 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN110796104A (zh) | 目标检测方法、装置、存储介质及无人机 | |
CN113222941B (zh) | 连铸铸坯的切割状态确定方法、系统、设备及介质 | |
CN112712539B (zh) | 基于机器视觉的转炉出钢钢包车控制方法、系统、介质及终端 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN110458004B (zh) | 一种目标对象识别方法、装置、设备以及存储介质 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN115115546A (zh) | 一种图像处理方法、系统、电子设备及可读存储介质 | |
CN113284115B (zh) | 一种钢卷塔形识别方法、系统、介质和终端 | |
US20220207261A1 (en) | Method and apparatus for detecting associated objects | |
CN111563883B (zh) | 屏幕视觉定位方法、定位设备及存储介质 | |
CN114529715A (zh) | 一种基于边缘提取的图像识别方法及系统 | |
CN112819749A (zh) | 一种转炉出钢钢包液位识别方法、系统、介质及终端 | |
CN112308848A (zh) | 一种废钢货车挡板状态识别方法、系统、电子设备及介质 | |
CN111640071A (zh) | 基于卷积神经网络修复帧差法获取全景前景目标的方法 | |
CN112037198A (zh) | 一种热轧棒材定支分离检测方法、系统、介质及终端 |
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 | ||
CP03 | Change of name, title or address | ||
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. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Patentee before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |