CN113538319A - 一种基于扒渣图像灰度比的渣量计算方法 - Google Patents

一种基于扒渣图像灰度比的渣量计算方法 Download PDF

Info

Publication number
CN113538319A
CN113538319A CN202010241397.9A CN202010241397A CN113538319A CN 113538319 A CN113538319 A CN 113538319A CN 202010241397 A CN202010241397 A CN 202010241397A CN 113538319 A CN113538319 A CN 113538319A
Authority
CN
China
Prior art keywords
slag
image
skimming
gray scale
value
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
Application number
CN202010241397.9A
Other languages
English (en)
Other versions
CN113538319B (zh
Inventor
张宇军
于艳
孙兴洪
李火中
汪圣军
付小卫
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.)
Baoshan Iron and Steel Co Ltd
Original Assignee
Baoshan Iron and Steel 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 Baoshan Iron and Steel Co Ltd filed Critical Baoshan Iron and Steel Co Ltd
Priority to CN202010241397.9A priority Critical patent/CN113538319B/zh
Publication of CN113538319A publication Critical patent/CN113538319A/zh
Application granted granted Critical
Publication of CN113538319B publication Critical patent/CN113538319B/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
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • G06T2207/30136—Metal

Landscapes

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

Abstract

本发明公开了一种基于扒渣图像灰度比的渣量计算方法，以修正扒渣图像的灰度值来表征渣层厚度，并设定渣层全覆盖液面时为基准点，采用实时识别图像中扒渣区域内像素点的灰度与基准点的比值累加之和来表征残渣量，再通过渣量模型计算获得每一幅识别图像中残渣量大小信息。本发明提高了计算准确度，更符合现场实际，可有效提升图像渣量成功率，起到降本增效的目的。

Description

一种基于扒渣图像灰度比的渣量计算方法
技术领域
本发明涉及炼钢中铁水预处理技术领域，更具体地说，涉及一种基于扒渣图像灰度比的渣量计算方法。
背景技术
铁水脱硫扒渣工艺是系统控硫的有效手段，既可以释放高炉与转炉的产能，消除高炉铁水供应不足而限制产量规模的不利影响，同时为了满足转炉对高质量铁水的需求、缩短冶炼时间、提升产量规模、实现规模效益也是发展脱硫扒渣工艺的重要原因。
现有铁水预处理中的首选扒渣工艺是KR机械搅拌脱硫扒渣方法，KR扒渣系统大多由人工操作机械臂完成，现场工作环境恶劣，对操作人员身心危险性大。目前，国内外不少钢铁厂都已实现了远程扒渣，即操作人员在远端控制室远程操作扒渣机进行作业，为了进一步降本增效，业界提出了KR智能自动扒渣技术的开发问题，如CN205193472U公开了一种基于图像处理铁水扒渣检测与控制系统，如CN105160683A公开了一种基于人工干预的铁水扒渣检测与控制及其方法，如日本专利JP09262661A、JPH0475768(1992)，韩国专利KR1834958(B1)、KR20020037179A(2000)、KR100682793B1(2006)和KR20110050197A(2011)，美国专利US3883124A(2016)等。但是，上述的国内外专利均没有公开KR自动扒渣技术中的残渣量计算方法。
在KR自动扒渣技术中，残渣量计算一般采用基于渣分布面积的方法，其计算步骤如下：
1)将扒渣图像转换为灰度图像，即图像中每一个像素值都已0～255之间的灰度层级表示，其中，一般的，设定亮色(白色)为255，暗色(黑色)为0；
2)确定适当阀值，将灰度图像二值化，二值化后，有渣的地方像素值等于0(黑色)，无渣的地方像素值等于1(白色)；
3)累加图像中感兴趣区域的像素值，再除以基准渣量值即得到最终该幅图像的残渣量值(相对残渣量比)。
面积法是采用图像二值化后区域内渣的总面积与总面积的比值来表征渣量大小，其最大的缺陷是没有考虑渣的厚度，而渣厚度对扒渣后期渣量大小数值有重要影响。因此，在实际应用中，面积法的准确度是比较差的。
发明内容
针对现有技术中存在的上述缺陷，本发明的目的是提供一种基于扒渣图像灰度比的渣量计算方法，有效解决了现有面积法计算的不足。
为实现上述目的，本发明采用如下技术方案：
一种基于扒渣图像灰度比的渣量计算方法，以修正扒渣图像的灰度值来表征渣层厚度，并设定渣层全覆盖液面时为基准点，采用实时识别图像中扒渣区域内像素点的灰度与基准点的比值累加之和来表征残渣量，再通过渣量模型计算获得每一幅识别图像中残渣量大小信息。
所述渣量模型计算步骤如下：
1)将KR扒渣过程中实时采集的扒渣图像转换为灰度图像，即灰度图像中每一个像素值都以0～255之间的灰度层级表示，其中，白色为255，黑色为0；
2)通过机器视觉识别出铁水包包壁、渣和铁水在图像中的分布及边缘界面，并存储边缘界面识别结果；
3)在识别出的边缘界面区域内，获取扒渣区域位置，统计扒渣区域所有的像素点灰度与基准点的灰度比累加之和，并通过计算获得该幅图像中扒渣区域内的相对残渣量数值。
所述扒渣区域为椭圆形，获取扒渣区域位置，即识别出椭圆形的中心坐标、长半轴和短半轴长度。
所述相对残渣量数值的计算公式如下：
Figure BDA0002432672790000021
或者是
Figure BDA0002432672790000031
上述公式1)、2)中，SlagRatio表示相对残渣量数值，Alpha表示调节系数，Beta表示调节系数，GrayI表示单个像素对应的灰度值，N表示铁水包包壁内所有像素点的个数，Max(GrayI)表示边缘界面区域内的最大灰度值。
若所述基准点是全黑色像素值，则采用公式1)；若所述基准点是是扒渣区域内渣层最厚处的像素点灰度值，则采用公式2)。
若白色灰度值为0，黑色灰度值为255，则公式1)、2)简化为：
Figure BDA0002432672790000032
所述系数Alpha的取值范围在0～3之间，所述系数Beta的取值范围在0～1之间。
所述系数Alpha、Beta是根据铁水渣成分、铁水重量、脱硫剂加入量、渣重、铁水残余硫含量确定灰度与渣厚的相对关系来调整取值范围。
所述相对残渣量数值的计算公式如下：
残渣重量
Figure BDA0002432672790000033
上述公式4)中，row表示渣密度，SlagThickI表示渣厚，SlagArea表示渣面积。
所述渣厚SlagThickI为：
SlagThickI＝F(component,Wiron,Wslag,A,GrayI,Sc,Si......) 5)
上述公式5)中，F表示非线性拟合函数，component表示铁水渣成分，Wiron表示铁水重量，Wslag表示去除渣的重量，A表示脱硫剂加入量，GrayI表示渣灰度值，Sc表示残余硫含量，Si表示初始硫含量。
所述机器视觉识别，包括基于数字图像处理的图像识别和基于机器学习的图像识别。
在上述的技术方案中，本发明所提供的一种基于扒渣图像灰度比的渣量计算方法，不但提高实际扒渣作业的可操作性、有效性和实用性。相比现有二值化阀值确定残渣面积的方法，本发明渣量计算方法提高了计算准确度，更符合现场实际，可有效提升图像渣量成功率，起到降本增效的目的。
附图说明
图1是本发明渣量计算方法实施例的流程示意图。
具体实施方式
下面结合附图和实施例进一步说明本发明的技术方案。
如图1所示，本发明所提供的一种基于扒渣图像灰度比的渣量计算方法，以修正扒渣图像的灰度值来表征渣层厚度，并设定渣层全覆盖液面时为基准点，采用实时识别图像中扒渣区域内像素点的灰度与基准点的比值累加之和来表征残渣量，再通过渣量模型计算获得每一幅识别图像中残渣量大小信息。
具体地说，通过渣量模型计算步骤如下：
1)将KR扒渣过程中实时采集的扒渣图像转换为灰度图像，即灰度图像中每一个像素值都以0～255之间的灰度层级表示，其中，亮色(白色)为255，暗色(黑色)为0；
2)通过机器视觉方法智能识别出铁水包包壁、渣和铁水在图像中的分布及边缘界面，并存储边缘界面识别结果；
3)在识别出的边缘界面区域内，获取扒渣区域位置，扒渣区域为椭圆形，获取扒渣区域位置，即识别出椭圆形的中心坐标、长半轴和短半轴长度，统计扒渣区域所有的像素点灰度与基准点的灰度比累加之和，并通过计算获得该幅图像中扒渣区域内的相对残渣量数值。
相对残渣量数值的计算公式如下：
Figure BDA0002432672790000041
或者是
Figure BDA0002432672790000051
上述公式1)、2)中，SlagRatio表示相对残渣量数值，Alpha表示调节系数(取值范围在0～3之间)，Beta表示调节系数(取值范围在0～1之间)，GrayI表示单个像素对应的灰度值，N表示铁水包包壁内所有像素点的个数，Max(GrayI)表示边缘界面区域内的最大灰度值。
公式1)、2)的区别在于：若基准点是全黑色像素值，则采用公式1)；若基准点是是扒渣区域内渣层最厚处的像素点灰度值，则采用公式2)。
若亮色(白色)灰度值为0，暗色(黑色)灰度值为255，则公式1)、2)可简化为：
Figure BDA0002432672790000052
根据铁水渣成分、铁水重量、脱硫剂加入量、渣重、铁水残余硫含量等确定灰度与渣厚的相对关系，用以调整公式1)～3)中的系数Alpha、Beta是取值范围。
本发明渣量计算方法采用特殊拟合函数确定渣层灰度值与渣厚之间的相互关系，公式1)～3)是采用线性关系式拟合渣厚与灰度的关系。这在实际应用中的准确性不如多项式、指数或对数函数等非线性拟合函数，因此，本发明渣量计算方法还可采用对数函数拟合渣厚与渣灰度值的关系，从而可获得残渣量的近似值，如下公式所示：
残渣重量
Figure BDA0002432672790000053
上述公式4)中，row表示渣密度，SlagThickI表示渣厚，SlagArea表示渣面积。
而渣厚SlagThickI为：
SlagThickI＝F(component,Wiron,Wslag,A,GrayI,Sc,Si......) 5)
上述公式5)中，F表示非线性拟合函数，component表示铁水渣成分，Wiron表示铁水重量，Wslag表示去除渣的重量，A表示脱硫剂加入量，GrayI表示渣灰度值，Sc表示残余硫含量，Si表示初始硫含量。
最后，根据试验图像分析校正确定公式中的系数值，并应用于生产实际。
本发明渣量计算方法可用于扫描整个扒渣区域，获得特定区域内的残渣量大小信息，从而为选择扒渣量最大、耗时最少且满足空间约束条件的扒渣优化路径提供前提和基础。同时，本发明渣量计算方法可用于扒渣终点自动判定，即单次扒渣动作执行完毕后计算残渣量数值大小，实时反馈给扒渣服务器来判断是否达到扒渣终点；扩展的说，本发明渣量计算方法还可应用在其它类似场合。
本发明渣量计算方法采用灰度比表征相对残渣量，即设定渣层全覆盖液面时为基准点，采用实时识别图像中扒渣区域内像素点的灰度与基准点的比值累加之和来表征残渣量，再通过渣量模型计算获得识别图像中残渣量大小的方法。
本发明渣量计算方法所采用的机器视觉识别方法，包括基于数字图像处理的图像识别方法和基于机器学习的图像识别方法两种智能识别方法进行扒渣区域和残渣面积识别。
实施例1
生产钢种为汽车板，钢种代码DT0145D1，炉号661953，设定以亮色(白色)灰度为255，暗色(黑色)灰度为0；按照公式1)计算，其中，Alpha取值1.1、Beta取值0.9；计算获得终点渣相对值为23.37％。
实施例2
生产钢种为高强钢，钢种代码IR8313E6，炉号661956，设定以亮色(白色)灰度为255，暗色(黑色)灰度为0；按照公式1)计算，其中，Alpha取值1.2、Beta取值0.8；计算获得终点渣相对值为30.72％。
实施例3
生产钢种为铝硅镇静钢，钢种代码DT0161D1，炉号563650，设定以亮色(白色)灰度为255，暗色(黑色)灰度为0；按照公式1)计算，其中，Alpha取值1.15、Beta取值0.95；计算获得终点渣相对值为24.57％。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (11)

1.一种基于扒渣图像灰度比的渣量计算方法，其特征在于：以修正扒渣图像的灰度值来表征渣层厚度，并设定渣层全覆盖液面时为基准点，采用实时识别图像中扒渣区域内像素点的灰度与基准点的比值累加之和来表征残渣量，再通过渣量模型计算获得每一幅识别图像中残渣量大小信息。
2.如权利要求1所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述渣量模型计算步骤如下：
1)将KR扒渣过程中实时采集的扒渣图像转换为灰度图像，即灰度图像中每一个像素值都以0～255之间的灰度层级表示，其中，白色为255，黑色为0；
2)通过机器视觉识别出铁水包包壁、渣和铁水在图像中的分布及边缘界面，并存储边缘界面识别结果；
3)在识别出的边缘界面区域内，获取扒渣区域位置，统计扒渣区域所有的像素点灰度与基准点的灰度比累加之和，并通过计算获得该幅图像中扒渣区域内的相对残渣量数值。
3.如权利要求2所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述扒渣区域为椭圆形，获取扒渣区域位置，即识别出椭圆形的中心坐标、长半轴和短半轴长度。
4.如权利要求2所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述相对残渣量数值的计算公式如下：
Figure FDA0002432672780000011
或者是
Figure FDA0002432672780000021
上述公式1)、2)中，SlagRatio表示相对残渣量数值，Alpha表示调节系数，Beta表示调节系数，GrayI表示单个像素对应的灰度值，N表示铁水包包壁内所有像素点的个数，Max(GrayI)表示边缘界面区域内的最大灰度值。
5.如权利要求4所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：若所述基准点是全黑色像素值，则采用公式1)；若所述基准点是是扒渣区域内渣层最厚处的像素点灰度值，则采用公式2)。
6.如权利要求4所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：若白色灰度值为0，黑色灰度值为255，则公式1)、2)简化为：
Figure FDA0002432672780000022
7.如权利要求4所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述系数Alpha的取值范围在0～3之间，所述系数Beta的取值范围在0～1之间。
8.如权利要求7所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述系数Alpha、Beta是根据铁水渣成分、铁水重量、脱硫剂加入量、渣重、铁水残余硫含量确定灰度与渣厚的相对关系来调整取值范围。
9.如权利要求2所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述相对残渣量数值的计算公式如下：
残渣重量
Figure FDA0002432672780000023
上述公式4)中，row表示渣密度，SlagThickI表示渣厚，SlagArea表示渣面积。
10.如权利要求9所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述渣厚SlagThickI为：
SlagThickI＝F(component,Wiron,Wslag,A,GrayI,Sc,Si......) 5)
上述公式5)中，F表示非线性拟合函数，component表示铁水渣成分，Wiron表示铁水重量，Wslag表示去除渣的重量，A表示脱硫剂加入量，GrayI表示渣灰度值，Sc表示残余硫含量，Si表示初始硫含量。
11.如权利要求2所述的基于扒渣图像灰度比的渣量计算方法，其特征在于：所述机器视觉识别，包括基于数字图像处理的图像识别和基于机器学习的图像识别。
CN202010241397.9A 2020-03-31 2020-03-31 一种基于扒渣图像灰度比的渣量计算方法 Active CN113538319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010241397.9A CN113538319B (zh) 2020-03-31 2020-03-31 一种基于扒渣图像灰度比的渣量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010241397.9A CN113538319B (zh) 2020-03-31 2020-03-31 一种基于扒渣图像灰度比的渣量计算方法

Publications (2)

Publication Number Publication Date
CN113538319A true CN113538319A (zh) 2021-10-22
CN113538319B CN113538319B (zh) 2022-10-21

Family

ID=78087646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010241397.9A Active CN113538319B (zh) 2020-03-31 2020-03-31 一种基于扒渣图像灰度比的渣量计算方法

Country Status (1)

Country Link
CN (1) CN113538319B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761733A (zh) * 2014-01-08 2014-04-30 中国航空工业集团公司北京航空材料研究院 一种熔化液面浮渣面积百分比计算方法
CN105160683A (zh) * 2015-09-29 2015-12-16 田陆 一种基于人工干预的铁水扒渣检测与控制系统及其方法
CN106670449A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控方法
JP2017115172A (ja) * 2015-12-21 2017-06-29 株式会社神戸製鋼所 溶銑処理方法及び溶銑処理装置
CN107287385A (zh) * 2016-03-31 2017-10-24 上海梅山钢铁股份有限公司 铁水扒渣留渣比例的计算与控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761733A (zh) * 2014-01-08 2014-04-30 中国航空工业集团公司北京航空材料研究院 一种熔化液面浮渣面积百分比计算方法
CN105160683A (zh) * 2015-09-29 2015-12-16 田陆 一种基于人工干预的铁水扒渣检测与控制系统及其方法
CN106670449A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控方法
JP2017115172A (ja) * 2015-12-21 2017-06-29 株式会社神戸製鋼所 溶銑処理方法及び溶銑処理装置
CN107287385A (zh) * 2016-03-31 2017-10-24 上海梅山钢铁股份有限公司 铁水扒渣留渣比例的计算与控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕振强等: "无取向硅钢冶炼过程中的回硫控制", 《山西冶金》 *

Also Published As

Publication number Publication date
CN113538319B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN110544261A (zh) 一种基于图像处理的高炉风口喷煤状态检测方法
CN110363769B (zh) 一种高铁接触网支撑装置腕臂系统图像分割方法
CN107287385A (zh) 铁水扒渣留渣比例的计算与控制方法
CN112541427B (zh) 一种优质重型废钢的识别和料量评估方法
CN113538319B (zh) 一种基于扒渣图像灰度比的渣量计算方法
CN116612123B (zh) 一种花生油加工质量视觉检测方法
CN111679622A (zh) 一种调控钢包底吹氩气流量的装置及方法
CN110766636B (zh) 一种用于ai芯片的智能图像处理方法
CN113411510B (zh) 一种基于图像质量评价和红热锻件的相机自动曝光算法
CN112200755B (zh) 一种图像去雾方法
CN116137022B (zh) 一种用于地下采矿远程监控的数据增强方法
CN115584375B (zh) 一种基于图像识别的转炉自动出钢的方法及系统
CN115125363A (zh) 一种智能识别废钢料斗中配料检测系统及方法
CN115482206A (zh) 一种超大型钢筋网片整体尺寸检测方法
CN104700378A (zh) 基于遗传算法的低照度视频图像处理方法
CN101193212A (zh) 处理背光图像的方法及其装置
CN113113088A (zh) 一种基于人工智能的转炉碳含量指标评估及温度分析方法
CN110484678B (zh) 一种扒渣效果的确定方法及装置
CN113406920A (zh) 一种基于机器视觉的箱体定位控制系统及其方法
CN113467437B (zh) 一种kr自动扒渣智能路径的优化方法
CN115187653A (zh) 一种基于图像识别的扒渣机控制方法和系统
CN116770011A (zh) 一种基于钢液面图像采集和处理的钢包加合金方法及系统
CN113033335B (zh) 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法
CN111028227B (zh) 一种数控机床快速找正方法
CN113592760B (zh) 一种基于火焰图像纹理特征的转炉终点碳含量预测方法

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