CN115830501A - 一种基于视觉的高炉铁水流渣铁识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于视觉的高炉铁水流渣铁识别方法及系统，通过提取铁水流图像的铁水流轮廓边界区域，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域以及对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比，解决了现有高炉铁水流渣铁识别精度低的技术问题，通过对铁水流图像进行预处理和自适应邻域聚类图像分割，实现了铁水流渣铁像素的自适应识别，从而获得实时渣铁比统计值，该方法具有实时性强、精度高、抗干扰性强、不依赖其它检测设备等优势，适用于出铁场渣铁排放状态的长期稳定监测。

Description

一种基于视觉的高炉铁水流渣铁识别方法及系统

技术领域

本发明主要涉及钢铁工业技术领域，特指一种基于视觉的高炉铁水流渣铁识别方法及系统。

背景技术

高炉炼铁是钢铁冶金工业的核心工序，铁矿石、焦炭等物料在炉内高温条件下经过复杂物理、化学反应，最终形成熔融铁水与炉渣从出铁口排出。熔融铁水与炉渣作为高炉炼铁的主要产物，出铁过程渣/铁的排放情况直接反应了炉缸的内部状态，铁水流渣/铁比是的重要技术指标。但高炉内部具有高温密闭特性，无法直接观测炉缸内部渣铁排放情况。实现出铁过程渣/铁比在线检测能够反应炉缸渣/铁液位、炉缸流动性以及渣铁排放速率等重要信息，有助于及时发现并处理出铁过程的异常工况，避免炉缸内炉渣堆积、风压升高以及炉况失常等严重事故发生。因此，实现高炉铁水流渣铁识别对高炉出铁过程的稳定顺行具有至关重要的现实意义。

本专利的检测对象为高炉出铁过程的高温熔融铁水流与炉渣，被检物体具有高温、强光、强辐射等特性，现场伴随强粉尘、震动及噪声干扰，严重制约了铁水流渣/铁在线识别。现有技术主要分为传感器间接测量以及直接视觉检测的方法。基于质量传感器的间接测量依赖出铁过程中轨道衡数据及有运渣皮带称数据，但两者数据存在较大滞后，同时渣粒含水量无法精确估计，使得渣铁比检测精度较差。基于视觉的检测方法主要通过铁水流股短波红外图像实现渣/铁，进而实现实时渣/铁比计算。但由于铁水流本身的高温强辐射特性以及恶劣的现场环境，给铁水流图像渣铁识别带来了极大的挑战。因此，本专利提出了一种基于铁水流短波红外图像的自适应邻域聚类渣/铁识别方法与系统。

专利公开号为CN101240357A的专利公开了一种特大型高炉渣铁排放监测方法与炉缸渣铁量监测方法。通过对多路出铁轨道衡及多路水洗渣称重系统实现出铁过程的渣铁质量采集，结合多级计算机管理系统实现渣铁排放量的最终计算。但从出铁口到轨道衡具有较长的铁沟/渣沟，铁沟/渣沟中存在较大质量的铁/渣，其监测时间具有较大的滞后特性，同时水洗渣的含水量难以测定，其质量存在较大误差。系统的计算结果可作为参考，但是难以反应实时的出铁状态。

专利公开号为CN110184401A的专利公开了一种高炉出渣铁状态在线检测方法，在高炉出铁场及运渣皮带上方安装成像与照明装置，分别对出铁场铁沟与运渣皮带的视频图像进行处理，采用最大连通面积对渣/铁量进行计算，通过设定阈值判定出铁/堵铁口/来渣状态。但该专利的观测目标存在较大客观不确定干扰信息存在，如铁沟被保温材料或铁水氧化层覆盖时其检测目标存在较大不确定性、炉渣从出铁口至运渣皮带需经过渣粒化及脱水等流程，存在较大的滞后特性。该专利仅能识别三种不同出铁状态，不能在线反馈出铁过程更精细的渣/铁排放数据，对实际操作的指导作用有待验证。

发明内容

本发明提供的基于视觉的高炉铁水流渣铁识别方法及系统，解决了现有高炉铁水流渣铁识别精度低的技术问题。

为解决上述技术问题，本发明提出的基于视觉的高炉铁水流渣铁识别方法包括：

采集视频关键帧；

提取视频关键帧中铁水流图像的铁水流轮廓边界区域；

对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图；

根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域；

对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比。

进一步地，提取视频关键帧中铁水流图像的铁水流轮廓边界区域包括：

对铁水流图像进行灰度化；

对灰度化后的铁水流图像进行双边滤波去噪；

对双边滤波后的铁水流图像，采用Canny算子提取粗糙铁水流边界；

根据粗糙铁水流边界，采用霍夫变换对铁水流股上下边界对应的上下边界抛物线进行检测；

根据上下边界抛物线与铁水流图像左右边界构成的封闭区域，获得铁水流轮廓边界区域。

进一步地，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图包括：

采用对称零面积算法，对铁水流轮廓边界区域进行寻峰；

根据寻峰结果，判断铁水流轮廓边界区域是否呈现单峰特性，若是，则将铁水流轮廓边界区域直接作为无粉尘区域，若否，则判断铁水流轮廓边界区域是否呈现双峰特性，若是，则采用OTSU算法对双峰进行阈值分割，保留灰度值较大峰对应区域作为无粉尘区域，且粉尘分布图具体为：

其中F_dust(i,j)表示像素点I(i,j)的粉尘状态，1表示有粉尘覆盖，-1表示无粉尘覆盖，D与R分别表示有粉尘区域集合和无粉尘区域集合。

进一步地，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域包括：

根据上下边界对应的抛物线方程，采用迭代的方法求取铁水流轮廓边界区域中铁水流像素点对应的上边界点和下边界点，若上边界点属于铁水流股区域的上边界，且下边界点属于铁水流股区域的下边界，则确定上边界点为铁水流ROI区域起始点，以铁水流ROI区域起始点为左上角，构造预设长度阈值和预设宽度阈值的矩形区域；

遍历矩形区域内的粉尘状态，当矩形区域内所有铁水流像素点属于无粉尘区域集合且预设宽度阈值小于最大宽度阈值时，则预设宽度阈值加1，依此循环，直至预设宽度阈值等于最大宽度阈值；

以铁水流ROI区域起始点为左上角，以预设长度阈值为长度，以最终的预设宽度阈值为宽度，构建矩形区域作为铁水流ROI区域。

进一步地，确定铁水流像素点为铁水流ROI区域起始点的具体坐标为：

P_s(i,0.5*(a₁(i-b₁)²+a₂(i-b₂)²+(c₁+c₂-k)))，

其中，i为铁水流像素点的横坐标值，(a₁,b₁,c₁)为上边界抛物线对应的抛物线方程参数，(a₂,b₂,c₂)为下边界抛物线对应的抛物线方程参数，k为铁水流ROI区域的预设宽度阈值。

进一步地，对铁水流ROI区域进行渣铁识别包括：

提取铁水流ROI区域的灰度特征和纹理特征；

根据灰度特征和纹理特征，采用自适应密度峰值聚类算法，在不同滑动窗体邻域内对待聚类像素点进行聚类分析，获得待聚类像素点的隶属度链表向量；

根据待聚类像素点的隶属度链表向量，获取待聚类像素点的邻域聚类中心，具体公式为：

其中C_ij为像素点(i,j)的邻域聚类中心，ξ()为二值化函数，[M¹ _i,j,M² _i,j...Mⁿ _i,j]为像素点(i,j)的隶属度链表向量，Mⁿ _i,j为像素点(i,j)对第n类聚类目标的隶属度链表，ξ(Mⁿ _i,j)为Mⁿ _i,j的二值化值；

求解铁水流ROI区域的所有滑动窗体的聚类中心点；

选取包含三种聚类中心点的滑动窗体，并按照不同类别的隶属度均值对三种聚类中心点进行降序排列；

根据降序排列的三种聚类中心点，依次获得渣区域、铁区域以及背景区域的聚类中心参考点；

根据待聚类像素点的邻域聚类中心与聚类中心参考点的欧氏距离，获得待聚类像素点所属的类别。

进一步地，采用自适应密度峰值聚类算法，在不同滑动窗体邻域内对待聚类像素点进行聚类分析，获得待聚类像素点的隶属度链表向量包括：

计算离散邦费罗尼指数，并根据离散邦费罗尼指数获得最优截断距离；

计算聚类中心决策系数，并根据聚类中心决策系数的全局最大值，获得聚类中心，且聚类中心决策系数的具体计算公式为：

其中，ω_m为降序排列的第m个数据样本的决策系数，ω_max(m)表示第m个样本的最大决策系数，当ω_m取得全局最大值时，确定前m个数据样本为聚类中心，ρ_i和ρ_m+1分别为第i个数据样本和第m+1个数据样本在数据样本周围以预设半径构成的局部密度，δ_i和δ_m+1分别为第i个数据样本和第m+1个数据样本到较高局部密度点的距离，d_j,(m+1)为降序排列的第j个数据样本与第m+1个数据样本的欧氏距离，N为降序排列的样本总数；

根据待聚类像素点到聚类中心的距离，获得待聚类像素点的隶属度链表向量。

进一步地，获得高炉铁水流渣铁比包括：

根据渣铁识别结果，统计铁水流ROI区域的炉渣像素点数量以及铁水像素点数量；

根据炉渣像素点数量以及铁水像素点数量，计算实时渣铁比。

本发明提供的基于视觉的高炉铁水流渣铁识别系统包括：

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本发明提供的基于视觉的高炉铁水流渣铁识别方法的步骤。

与现有技术相比，本发明的优点在于：

本发明实施例提供的基于视觉的高炉铁水流渣铁识别方法，通过提取铁水流图像的铁水流轮廓边界区域，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域以及对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比，解决了现有高炉铁水流渣铁识别精度低的技术问题，通过对铁水流图像进行预处理和自适应邻域聚类图像分割，实现了铁水流渣铁像素的自适应识别，从而获得实时渣铁比统计值，该方法具有实时性强、精度高、抗干扰性强、不依赖其它检测设备等优势，适用于出铁场渣铁排放状态的长期稳定监测。

本发明的目的：

本发明的目的在于针对实时铁水流图像，提供一种基于视觉检测的渣铁实时监测方法与系统。

本发明目的在于提供一种高炉铁水流高速图像的铁水流股快速定位以及铁水流ROI区域精确提取方法。

本发明的目的在于提供一种自适应聚类算法以实现高速铁水流图像中低对比度、不规则复杂纹理渣铁快速精细化识别。

本发明的目的在于提供一种铁水流出渣时间检测以及股时渣铁比实时计算方法。

附图说明

图1为本发明实施例二的基于视觉的高炉铁水流渣铁识别装置的结构框图；

图2为本发明实施例二的像素点邻域自适应聚类示意图；

图3为本发明实施例三的基于视觉的高炉铁水流渣铁识别装置的现场示意图；

图4为本发明实施例的基于视觉的高炉铁水流渣铁识别系统的结构框图。

附图标记：

U1、高速相机硬件单元；U2、视频采集传输单元；U3、视频预处理单元；U4、图像预处理单元；U5、铁水流渣铁识别单元；U11、近红外滤光片；U12、变焦镜组；U13、CMOS高速感光元件；U14、压缩气体吹扫模块；U15、冷却防护罩；U21、A/D转换模块；U22、视频压缩模块；U23、光电信号转换模块；U31、视频编解码模块；U32、视频关键帧提取模块；U41、铁水流轮廓边界提取模块；U42、粉尘区域识别模块；U43、铁水流ROI区域提取模块；U51、图像特征提取模块；U52、图像分类分割模块；U53、渣铁比加权统计模块；10、存储器；20、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

本发明实施例一提供的基于视觉的高炉铁水流渣铁识别方法，包括：

步骤S101，采集视频关键帧；

步骤S102，提取视频关键帧中铁水流图像的铁水流轮廓边界区域；

步骤S103，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图；

步骤S104，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域；

步骤S105，对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比。

本发明实施例提供的基于视觉的高炉铁水流渣铁识别方法，通过提取铁水流图像的铁水流轮廓边界区域，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域以及对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比，解决了现有高炉铁水流渣铁识别精度低的技术问题，通过对铁水流图像进行预处理和自适应邻域聚类图像分割，实现了铁水流渣铁像素的自适应识别，从而获得实时渣铁比统计值，该方法具有实时性强、精度高、抗干扰性强、不依赖其它检测设备等优势，适用于出铁场渣铁排放状态的长期稳定监测。

实施例二

本发明实施例通过识别高炉铁水流中渣/铁图像特征，实现铁水流中出渣时刻的精确计算，以及渣/铁排放统计指标的计算。

本发明实施例通过基于视觉的高炉铁水流渣铁识别装置实现铁水流渣铁识别。具体地，基于视觉的高炉铁水流渣铁识别装置实现铁水流渣铁识别由高炉铁水流对象、高速相机硬件单元U1、视频采集传输单元U2、视频预处理单元U3、图像预处理单元U4、铁水流渣铁识别单元U5组成，如图1所示。其详细工作流程为：铁水流辐射信息经近红外滤光片U11及变焦镜组U12进入CMOS高速感光元件U13，实现高速铁水视频流信息实时采集；采集的实时视频流序列经视频采集传输单元U2实现视频信号的视频压缩编码与远程传输；视频预处理单元U3对视频流进行解码，同时转换为时间序列图像，并提取图像关键帧；图像预处理单元U4对铁水流关键帧进行边界提取，并对铁水流边缘进行识别与拟合。在铁水流边界区域内进行粉尘区域的识别，并提取最终的铁水流低粉尘区域ROI；铁水流渣铁识别单元U5采用滑动窗体的方式对图像进行遍历识别，并获得各像素点的渣/铁隶属度。最终，依据各像素点的渣/铁隶属度对图像的渣/铁信息进行统计计算，完成渣铁识别过程。下面对主要构成单元进行逐一说明：

高速相机硬件单元U1

本单元包含近红外滤光片U11、变焦镜头U12、CMOS高速感光元件U13、压缩气体吹扫U14、冷却防护罩U15。炉渣与铁水红外发射率上有较大的差异，通过近红外滤光片能够有效滤除可见光干扰波段信息，进而提升铁水流图像成像质量及渣/铁目标对比度。高速感光CMOS传感器配合变焦镜头U12能够有效获取清晰的高速铁水流图像。由于工业现场存在高温、强辐射、强粉尘等恶劣环境，压缩气体吹扫模块U14能够实现内部传感器的冷却以及镜头前端的吹扫清洁，防止前端镜头被粉尘覆盖，影响成像质量。同时冷却防护罩U15外部包裹隔热材料，实现传感器的有效防尘与隔热，以确保设备能够在工业现场恶劣环境中实现长期稳定运行。

视频采集传输单元U2

本单元通过视频采集卡的A/D转换模块U21将U1实施采集的视频流的模拟信号转换为数字信号，在板载存储器中实现视频流的实时缓存，进一步通过视频压缩模块U22对视频流信息进行编码压缩，以此实现高速视频流实时处理。编码压缩后的视频流经光电信号转换模块U23将图像信息电信号转换为光信号，通过光纤实现信号的远距离高速传输。

视频预处理单元U3

本单元主要实现高速视频流的预处理，为后续算法的实现提供可靠的数据。光电转换模块将来自U2单元的光信号转换为电信号。同时，将压缩视频流进行解压，经视频编解码模块U31后将视频流信息转换为时序图像序列。对于高速视频流，期间存在随机粉尘、噪声等干扰，带噪声数据进入后续算法将降低后续算法的精度。由于高速视频流短时间间隔内的信息存在较多冗余，冗余数据将增加后续算法压力，严重影响算法的实时性，视频关键帧提取模块U32基于铁水流的运动分析实现铁水流股的关键帧提取。为提升视频流信息处理的实时性及系统可移植性，将视频编解码模块U31及视频关键帧提取模块U32集成至FPGA可编程硬件计算平台，以实现视频流信息的高速并行预处理。

图像预处理单元U4

本单元主要对U3单元提取的关键帧图像序列进行预处理，包含了铁水流轮廓边界提取模块U41、粉尘区域识别模块U42、铁水流ROI区域提取模块U43。实现了高速铁水流图像序列的初级特征检测与提取，并剔除严重粉尘噪声干扰区域，提取可靠的铁水流ROI区域。

其中，各子功能模块说明如下：

铁水流轮廓边界提取模块U41

该模块主要实现铁水流图像的预处理，包含图像灰度化、图像去噪、图像边界提取与拟合。为方便后续处理，首先采用加权平均算法将RGB图像灰度化：

I_gray＝0.3×I_R+0.59×I_G+0.11×I_B (1)

对于铁水流图像的边界提取，铁水流边界的图像特征为有效信息，而铁水流内部的纹理信息为干扰信息。为达到更好的铁水流边界提取效果，采用双边滤波得到图像I_filt实现铁水流图像的噪声消除而保留铁水流边界特征，其计算公式为：

式中q,p分别代表输入像素点与中心像素点，i,j为像素点对应的坐标，σs与σr分别为像素点空间域与值域滤波的控制参数。

对双边滤波后的铁水流图像I_filt，采用Canny算子实现铁水流边界提取，并采用图像形态学开运算剔除轮廓图像的毛刺特征及铁水流股内部的轮廓噪点，其二值化的轮廓图像为I_binary(i,j)。然而此时的铁水流轮廓边界较为粗糙，并可能存在断续现象。由于在重力作用下刚体的自由运动轨迹为抛物线，在铁水流股中以抛物线近似替代流体的射流轨迹。采用霍夫变换实现铁水流股的抛物曲线轨迹检测。

对于铁水流股的二值图像，设定铁水流边界的轨迹曲线的抛物线方程为：

y＝-a(x-b)²+c (4)

通过霍夫变换，将坐标系(x,y)空间的边界像素点转换至(a,c)参数空间：

c＝a(x-b)²-y (5)

坐标系(x,y)空间的1个铁水流边界像素点在(a,b,c)参数空间中转换为一条完整的抛物线，在(a,b,c)参数空间中不同抛物线的交点代表其对应(x,y)空间的点集同属于一条抛物线。通过遍历(a,b,c)参数空间的交点数目便可求解出(x,y)空间所存在的最优抛物线方程。由于铁水流边界图像的上下边缘像素点最密集，通过阈值筛选出(a,b,c)参数空间中投票数最多的两个坐标点，并通过在y轴判断两抛物线识别抛物线对应铁水流股的上下边缘，若两抛物线对应(a,b,c)参数空间的点分别为(a₁,b₁,c₁)、(a₂,b₂,c₂)，则其上下边缘判别公式如下：

式中C₁表示第1条抛物曲线的所属类别，1表示该边为上边缘，-1表示该边界为下边缘，同时第二条抛物曲线的取值与第一条相反C₂＝-C₁。则铁水流股上下边界对应两条抛物线分别为C_u,C_d，与图像左右边界所构成的封闭区域即为高炉铁水流股区域，剔除了复杂的背景噪声干扰，提高了后续算法执行的效率及鲁棒性。

粉尘区域识别模块U42

随着出铁过程的进行，炉缸内S,P等微量元素随铁水喷出至空气中，在高温条件下发生剧烈燃烧反应产生烟尘，同时高速铁水流冲刷铁沟，形成间歇性复杂粉尘。对于两条抛物线之间的铁水流股区域，铁水流股中仍然存在较多的不确定粉尘干扰因素。由于铁水的发射率为0.4，炉渣的发射率随渣层厚度从0.4～0.96变化，无粉尘干扰下的铁水与炉渣灰度直方图分布近似呈正态分布。而粉尘覆盖区域对渣/铁红外辐射具有较大的衰减效应，其灰度值聚集在较低的灰度区间，图像灰度也显著低于铁水区域，从而在图像上呈现双峰分布。因此采用对称零面积算法实现ROI区域的寻峰，若图像呈现“单峰”特性则表明此时铁水流区域受粉尘影响较小，对铁水流图像不做处理。若图像呈现“双峰”，则采用OTSU算法对双峰进行阈值分割，保留灰度值较大峰对应区域，即为铁水流受粉尘影响较小区域，有粉尘区域与无粉尘区域分别为集合D与R。最终求解的粉尘分布图表示为：

式中，F_dust(i,j)表示像素点I(i,j)的粉尘状态，1表示有粉尘覆盖，-1表示无粉尘覆盖。

铁水流ROI区域提取模块U43

对于上述提取的低粉尘区域，采用滑动窗体遍历的方式进行ROI区域提取。由于粉尘覆盖区域具有随机性，同时铁口在出铁周期中其形态会随着铁水冲刷发生变化。这意味着ROI区域将随着出铁场情况变化而变化，同时对于设定尺寸ROI区域在同一时刻会有不同的选择，然而铁水流股在出铁口处呈现出良好的规则形态，在空气的介入以及重力的作用下，铁水流末端呈现逐渐发散的状态，这不利于铁水流渣铁识别与统计。故将铁水流股ROI区域设定在出铁口附近，同时采用ROI设定长度与宽度上界为(l,w)以及铁水流粉尘覆盖状态F_dust(i,j)作为约束。则铁水流ROI区域求解步骤为：

Step1：设定像素点横、纵坐标为(i,j)，设定ROI区域最大长度为l_max,通过铁水流上下边界抛物线计算其上、下边界点(i,a₁(i-b₁)²+c₁)与(i,a₂(i-b₂)²+c₂)，并判定当前边界点是否为铁流流股边缘。若I_binary(i,a₁(i-b₁)²+c₁)＝1则记录当前为出铁口上边缘起始点P_u，同样若I_binary(i,a₂(i-b₂)²+c₂)＝1则记录当前为出铁口下边缘起始点P_d，当未同时检测到P_u、P_d时，i＝i+1，并重复Step1。

Step2：根据检测到的铁口上下边界坐标起始点确定ROI矩形区域起始点P_s(i,0.5*(a₁(i-b₁)²+a₂(i-b₂)²+(c₁+c₂-k)))，以P_s为左上角，构造长度为l，宽度为k的矩形区域R_iron。遍历该矩形区域内的粉尘状态F_dust(i,j)。当区域内所有像素点满足条件F_dust(i,j)＝-1&l＜l_max时，l＝l+1并重复Step2。

Step3：根据起始点坐标P_s(i,0.5*(a₁(i-b₁)²+a₂(i-b₂)²+(c₁+c₂-k)))，长度为l，宽度为k，在滤波后图像I_filt中裁剪得到铁水流ROI区域。

铁水流渣铁识别单元U5

本实施例的铁水流渣铁识别单元U5包括图像特征提取模块U51、图像分类分割模块U52以及渣铁比加权统计模块U53。具体地，针对铁水流ROI区域图像进行渣铁识别，由于铁水的红外发射率为0.4，而炉渣的发射率随渣层厚度在0.4～0.96之间变化，同时渣/铁在铁水流股不同区域的温度同样呈现较大差异。因此，渣/铁的灰度区间存在交叠，灰度直方图呈现单峰分布，仅依据全局灰度对图像进行分割，难以达到理想效果。因此本单元提出自适应邻域加权聚类渣/铁识别算法，其详细流程如下：

自适应聚类渣铁识别算法

铁水流像素点的灰度信息同时由铁水流温度变化、粉尘干扰、渣层厚度决定，其存在较大范围的随机变化，难以确定渣/铁的分割阈值对渣/铁进行高精度识别。因此本发明提出自适应密度峰值聚类(ADPC)算法用于铁水流渣/铁动态识别。传统的DPC算法主要由参数ρ与σ决定聚类的结果，其定义如下：

式中ρ_i代表在各数据样本周围以半径d_c构成的局部密度，采用高斯核进行计算，以增加算法鲁棒性。算法定义到较高局部密度点的距离δ_i定义为：

具有全局最大密度的数据样本的δ_i设定为：

δ_k＝max(d_ij) (10)

但该算法的截断距离d_c以及聚类类别数目难以确定，d_c的取值直接决定了ρ_i与δ_i的分布，从而影响聚类的效果。同时，对于渣/铁识别，其聚类类别可能包含渣/铁/背景区域的任意组合，聚类数目将随目标区域动态变化无法人为给定。因此，聚类数目同样需要自适应确定。

首先，为确定最优截断距离d_c引入离散邦费罗尼指数：

式中B_n为离散邦费罗尼指数，n为样本所划分区间总数，i为对应的样本区间序列号，P_i与Q_i定义为：

式中p_j为各数据样本被选为聚类中心的概率，ρ_iδ_i越大被选为聚类中心的概率也就越大，即参数ρ_iδ_i的归一化值：

由于B_n取得全局最大值时，所有样本参数ρ_iδ_i的有序程度最高，最有利于图像的聚类分割，从而实现最优截断距离d_c的选择。

对于聚类过程中，类别数的确定对聚类结果有着直接的影响，由于目标区域的目标类别数目无法确定，而聚类数目设定错误将造成严重的类别识别错误。为实现类别数的自动确定，提出聚类中心决策系数：

其中，ω_m为降序排列的第m个数据样本的决策系数，ω_max(m)表示第m个样本的最大决策系数，当ω_m取得全局最大值时，确定前m个数据样本为聚类中心，ρ_i和ρ_m+1分别为第i个数据样本和第m+1个数据样本在数据样本周围以预设半径构成的局部密度，δ_i和δ_m+1分别为第i个数据样本和第m+1个数据样本到较高局部密度点的距离，d_j,(m+1)为降序排列的第j个数据样本与第m+1个数据样本的欧氏距离，N为降序排列的样本总数。

当ω_m取得全局最大值时，两数据点之间的差异最大，确定前m个数据样本为聚类中心，从而实现类别数目的自适应确定。通过各像素点至不同聚类中心的距离定义像素点与聚类簇隶属度关系：

式中μ_ij表示像素点i对于聚类中心j的隶属度，m为聚类簇总数，d_ij为像素点i与聚类中心j的欧氏距离，d_ik为像素点i与像素点k的欧氏距离。需要说明的是，本实施例中聚类的点，均代表基于每一个像素点对应的数据样本，具体为像素点的灰度值与提取的特征所构成的一维向量。

渣/铁邻域自适应识别

由于铁水流全局粉尘、温度、以及渣层厚度分布不均，使得渣/铁像素灰度级分布存在交叠，难以通过全局图像实现渣铁高精度识别。但是对于局部图像，其温度变化较小、粉尘分布近似均衡，渣/铁的发射率差异使得图像的区分度较高。因此，提出渣/铁邻域自适应识别方法，如图2所示。图中各点表示图像像素点，中心黑色像素点表示待分类像素点。为保证聚类邻域内原始温度、粉尘干扰的一致性，构建p×p的渣/铁聚类邻域。各邻域均包含中心待聚类像素点，且各邻域的滑动步长为q，因此待聚类像素点隶属于(p/q)²个滑动窗口，再对不同滑动窗口像素点进行聚类分析。

由于渣/铁在图像中呈现明暗的特征变化，同时存在复杂的纹理信息，为充分利用图像的灰度及纹理信息，图像特征提取模块U51对图像的灰度值域信息与图像空间域纹理信息进行提取，作为渣铁识别的输入参数，采用灰度共生矩阵提取图像四维特征为：

其中，Asm、Ent、Con、Idm分别为角二阶矩、熵、对比度和反差分矩阵。

采用ADPC算法对以上特征加图像灰度特征在不同滑动窗体邻域内进行聚类分析，求解得到各像素点的隶属度链表向量[M¹ _i,j,M² _i,j...Mⁿ _i,j]，其中M¹ _i,j表示像素点(i,j)对第1类聚类目标的隶属度链表，由此定义像素点(i,j)的对应的邻域聚类中心为：

C_ij＝Max(∑ξ(M¹ _i,j),∑ξ(M² _i,j)...∑ξ(Mⁿ _i,j))

式中C_ij为像素点(i,j)所求解对应隶属度最大的聚类中心点参数。

由于不同滑动窗体的渣/铁/背景目标类别组合不同，无法确定其属于渣/铁/背景的具体类别。故通过求解全局ROI图像的所有滑动窗体各聚类中心点的求解实现像素点类别映射。首先选取所有滑动窗体中包含三种目标类别的目标块，记录其对应的聚类中心点[c¹,c²,c³]，再分别对聚类中心点按照不同类别的隶属度均值进行降序排列得到[c¹',c²',c³']，从渣/铁自身发射率特性可以得知，炉渣的发射率最高，铁水次之，背景区域最低。因此，其不同类别像素点的聚类中心同样满足此规律。因此，渣/铁/背景区域的聚类中心参考点分别为：

式中c_slag、c_iron、c_backg分别代表渣/铁/背景区域的聚类中心参考点。对于不同像素点对应的邻域聚类中心C_ij与c_slag、c_iron、c_backg的距离由加权欧式距离表示：

式中(a,b)分别对应邻域聚类中心C_ij与c_slag、c_iron、c_backg，w_i为不同维度特征所赋予的对应权重，其求解的对应距离为

最终该像素点的分类为其对应距离最小的类别。

通过统计全ROI区域的炉渣像素点数量n_slag以及铁水像素点数量n_iron，计算其实时渣/铁比n_slag/n_iron。同时，当监测到铁水流股中出现炉渣像素时，记录其对应时间，实现出渣时间的实时监测。

本发明实施例提供的基于视觉的高炉铁水流渣铁识别方法，通过提取铁水流图像的铁水流轮廓边界区域，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域以及对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比，解决了现有高炉铁水流渣铁识别精度低的技术问题，通过对铁水流图像进行预处理和自适应邻域聚类图像分割，实现了铁水流渣铁像素的自适应识别，从而获得实时渣铁比统计值，该方法具有实时性强、精度高、抗干扰性强、不依赖其它检测设备等优势，适用于出铁场渣铁排放状态的长期稳定监测。

实施例三

本实施例结合附图对本发明的具体实施方案作详细阐述，本发明应用于国内1500m³/2650m³/4800m³的多型号高炉，在高炉出铁口根据图3安装相应的高速图像检测装置。由于现场存铁水流速较快，为防止出现运动伪影，其帧率要求在300fps以上，设定曝光时间低于3ms。同时，渣/铁发射率在短波红外区分度较高，采用930nm以上长波通滤光片，滤除可见光干扰。为提升系统精度，设定系统单位像素分辨率应高于1mm。具体完成铁水流实时渣铁比检测过程的实施方案步骤如下：

1.通过现场安装距离、角度等参数，调整好相机的位姿，以及镜头光圈、焦距，设定传感器曝光时间、增益等参数，并对高速相机采集单元U1进行标定，矫正图像畸变。

2.出铁过程中，U1采集指定时长的铁水流视频，经U2压缩编码后传输给后续单元进行算法执行。同时清空当前缓存，并重复执行图像采集操作。

3.视频预处理单元U3对于实时传递的压缩视频流进行转码，U32模块根据铁水流运动状态提取视频流对应的图像关键帧序列，以降低信息冗余，提升后续算法计算效率。

4.图像预处理单元U4读取图像关键帧序列，铁水流轮廓边界提取模块U41对图像进行灰度化、双边滤波、Canny算子边界提取、霍夫变换流股边界检测，粉尘区域识别模块U42对图像进行粉尘识别，计算粉尘掩码图像。铁水流ROI区域提取模块提取无粉尘区域的ROI掩膜，并对滤波后图像进行提取，得到铁水流完整ROI区域。

5.对提取的铁水流ROI图像，采用滑动窗体对图像进行邻域分割，图像特征提取模块U51对邻域分割后的图像空间特征及纹理特征进行提取，构建邻域图像特征集。图像聚类分割模块U52对图像邻域特征集进行自适应聚类识别，自动求解截断距离及聚类中心数，各像素点对不同聚类中心的隶属度构成矩阵链表。对各滑动窗体的对应聚类中心块进行统计计算，获取全局图像对应的类别中心参考，然后通过概率统计，对不同像素点的类别进行计算。

6.渣铁比加权统计模块U53根据类别计算结果，对铁水流图像的渣/铁像素进行统计计算，监测实时出渣时间，并获取实时渣/铁比例。

本发明实施例提供的基于视觉的高炉铁水流渣铁识别方法，通过提取铁水流图像的铁水流轮廓边界区域，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域以及对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比，解决了现有高炉铁水流渣铁识别精度低的技术问题，通过对铁水流图像进行预处理和自适应邻域聚类图像分割，实现了铁水流渣铁像素的自适应识别，从而获得实时渣铁比统计值，该方法具有实时性强、精度高、抗干扰性强、不依赖其它检测设备等优势，适用于出铁场渣铁排放状态的长期稳定监测。

参照图4，本发明实施例提出的基于视觉的高炉铁水流渣铁识别系统，包括：

存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本实施例提出的基于视觉的高炉铁水流渣铁识别方法的步骤。

本实施例的基于视觉的高炉铁水流渣铁识别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视觉的高炉铁水流渣铁识别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 (9)

1.一种基于视觉的高炉铁水流渣铁识别方法，其特征在于，所述方法包括：

采集视频关键帧；

提取视频关键帧中铁水流图像的铁水流轮廓边界区域；

对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图；

根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域；

对铁水流ROI区域进行渣铁识别，获得高炉铁水流渣铁比。

2.根据权利要求1所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，提取视频关键帧中铁水流图像的铁水流轮廓边界区域包括：

对铁水流图像进行灰度化；

对灰度化后的铁水流图像进行双边滤波去噪；

对双边滤波后的铁水流图像，采用Canny算子提取粗糙铁水流边界；

根据粗糙铁水流边界，采用霍夫变换对铁水流股上下边界对应的上下边界抛物线进行检测；

根据上下边界抛物线与铁水流图像左右边界构成的封闭区域，获得铁水流轮廓边界区域。

3.根据权利要求2所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，对铁水流轮廓边界区域进行粉尘区域识别，获得铁水流轮廓边界区域的粉尘分布图包括：

采用对称零面积算法，对铁水流轮廓边界区域进行寻峰；

根据寻峰结果，判断铁水流轮廓边界区域是否呈现单峰特性，若是，则将铁水流轮廓边界区域直接作为无粉尘区域，若否，则判断铁水流轮廓边界区域是否呈现双峰特性，若是，则采用OTSU算法对双峰进行阈值分割，保留灰度值较大峰对应区域作为无粉尘区域，且粉尘分布图具体为：

其中F_dust(i,j)表示像素点I(i,j)的粉尘状态，1表示有粉尘覆盖，-1表示无粉尘覆盖，D与R分别表示有粉尘区域集合和无粉尘区域集合。

4.根据权利要求2或3所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，根据铁水流轮廓边界区域和粉尘分布图，获得铁水流ROI区域包括：

根据上下边界对应的抛物线方程，采用迭代的方法求取铁水流轮廓边界区域中铁水流像素点对应的上边界点和下边界点，若上边界点属于铁水流股区域的上边界，且下边界点属于铁水流股区域的下边界，则确定所述上边界点为铁水流ROI区域起始点，以铁水流ROI区域起始点为左上角，构造预设长度阈值和预设宽度阈值的矩形区域；

遍历所述矩形区域内的粉尘状态，当所述矩形区域内所有铁水流像素点属于无粉尘区域集合且预设宽度阈值小于最大宽度阈值时，则预设宽度阈值加1，依此循环，直至预设宽度阈值等于最大宽度阈值；

以铁水流ROI区域起始点为左上角，以预设长度阈值为长度，以最终的预设宽度阈值为宽度，构建矩形区域作为铁水流ROI区域。

5.根据权利要求4所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，确定所述铁水流像素点为铁水流ROI区域起始点的具体坐标为：

P_s(i,0.5*(a₁(i-b₁)²+a₂(i-b₂)²+(c₁+c₂-k)))，

其中，i为铁水流像素点的横坐标值，(a₁,b₁,c₁)为上边界抛物线对应的抛物线方程参数，(a₂,b₂,c₂)为下边界抛物线对应的抛物线方程参数，k为铁水流ROI区域的预设宽度阈值。

6.根据权利要求5所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，对铁水流ROI区域进行渣铁识别包括：

提取铁水流ROI区域的灰度特征和纹理特征；

根据灰度特征和纹理特征，采用自适应密度峰值聚类算法，在不同滑动窗体邻域内对待聚类像素点进行聚类分析，获得待聚类像素点的隶属度链表向量；

根据待聚类像素点的隶属度链表向量，获取待聚类像素点的邻域聚类中心，具体公式为：

其中C_ij为像素点(i,j)的邻域聚类中心，ξ(·)为二值化函数，[M¹ _i,j,M² _i,j...Mⁿ _i,j]为像素点(i,j)的隶属度链表向量，Mⁿ _i,j为像素点(i,j)对第n类聚类目标的隶属度链表，ξ(Mⁿ _i,j)为Mⁿ _i,j的二值化值；

求解铁水流ROI区域的所有滑动窗体的聚类中心点；

选取包含三种聚类中心点的滑动窗体，并按照不同类别的隶属度均值对所述三种聚类中心点进行降序排列；

根据降序排列的三种聚类中心点，依次获得渣区域、铁区域以及背景区域的聚类中心参考点；

根据待聚类像素点的邻域聚类中心与聚类中心参考点的欧氏距离，获得待聚类像素点所属的类别。

7.根据权利要求6所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，采用自适应密度峰值聚类算法，在不同滑动窗体邻域内对待聚类像素点进行聚类分析，获得待聚类像素点的隶属度链表向量包括：

计算离散邦费罗尼指数，并根据离散邦费罗尼指数获得最优截断距离；

计算聚类中心决策系数，并根据聚类中心决策系数的全局最大值，获得聚类中心，且聚类中心决策系数的具体计算公式为：

其中，ω_m为降序排列的第m个数据样本的决策系数，ω_max(m)表示第m个样本的最大决策系数，当ω_m取得全局最大值时，确定前m个数据样本为聚类中心，ρ_i和ρ_m+1分别为第i个数据样本和第m+1个数据样本在数据样本周围以预设半径构成的局部密度，δ_i和δ_m+1分别为第i个数据样本和第m+1个数据样本到较高局部密度点的距离，d_j,(m+1)为降序排列的第j个数据样本与第m+1个数据样本的欧氏距离，N为降序排列的样本总数；

根据待聚类像素点到聚类中心的距离，获得待聚类像素点的隶属度链表向量。

8.根据权利要求7所述的基于视觉的高炉铁水流渣铁识别方法，其特征在于，获得高炉铁水流渣铁比包括：

根据渣铁识别结果，统计铁水流ROI区域的炉渣像素点数量以及铁水像素点数量；

根据炉渣像素点数量以及铁水像素点数量，计算实时渣铁比。

9.一种基于视觉的高炉铁水流渣铁识别系统，所述系统包括：

存储器(10)、处理器(20)以及存储在存储器(10)上并可在处理器(20)上运行的计算机程序，其特征在于，所述处理器(20)执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。

Images