CN205845067U - 基于图像动静态特征的转炉炼钢吹炼状态识别系统 - Google Patents

Abstract

本实用新型涉及一种基于图像动静态特征的转炉炼钢吹炼状态识别系统，包括图像采集模块、彩色图像火焰区域分割模块、彩色火焰图像动静态特征表示与描述模块、基于图像特征的吹炼状态分类模块以及上位机监控模块。通过视频输入获取的原始图像帧，首先测量保留与火焰近似的像素实现分割；再分别提取四类图像特征：亮度特征、色度特征、纹理特征、以及光流场动态纹理特征，最后通过建立的广义回归神经网络对输入的特征进行分类识别，从而达到对吹炼阶段的判别和终点预报功能。本实用新型能够适应火焰具有的短暂稳态瞬间问题，具有较高的识别精度和低成本的优势，可用于不同规模的炼钢转炉，提高生产效率和减少原材料浪费。

Description

基于图像动静态特征的转炉炼钢吹炼状态识别系统

技术领域

本实用新型涉及一种基于图像动静态特征的转炉炼钢吹炼状态识别系统，属于冶金自动化技术领域。

背景技术

钢铁工业是支撑国民经济发展的重要原材料产业，我国是世界上最大的钢铁生产国。在钢的总产量中，转炉钢产量的平均份额达到70％。终点控制是转炉后期的一个关键操作，是指控制钢水的含碳量和温度达到出钢的要求，准确实时的转炉吹炼终点判断一直是钢铁工业的难题之一，准确预报终点对提高钢厂生产效率、减少能源和原材料浪费、提高钢材质量具有重要意义。

在吹炼的主吹阶段进行至85％左右，通过测量碳含量和温度值的方法调整二吹策略，使用副枪探测和经验判断是最为常见的数据检测方法，副枪浸入熔池内进行测温和取碳，或工人师傅根据目测倒炉取样检测，根据测量的数据调节吹氧量和转炉原料的添加量。对于吹炼后期的终点判断，一些钢铁企业采用红外激光穿过炉气发生的变化情况来判断终点的光电探测法，以及通过测定炉气化学成分的气体分析法等，这些方法所用的检测设备要长期在高温、腐蚀的环境中工作，气体标定周期短，采样头更换频繁，设备的使用和维护成本较高，难以在炼钢转炉行业推广使用。

副枪控制具有较高的检测精度，但一般使用在120t以上的转炉中，难以满足我国以中小钢厂为主的现状，而且不能实现连续测量。智能终点判定方法以钢水检测数据作为模型输入矢量，以目标钢水成分、温度以及吹氧量为输出矢量，建立基于ELM、CBR、GMDH等模型的终点预报系统，智能终点预报方法大都利用炼钢过程中实际采集的吹炼数据，从原理上具有较好的实时性，但是现有方法都存在为获得准确数据而造成了成本增加或数据获取不及时等方面的问题。

随着数字图像处理技术的迅速发展以及计算机处理性能的提高，以人工看火为基础的图像识别用于转炉终点判断得到了迅速的发展和应用。例如已有的基于灰度共生矩阵方法、基于颜色均值法等。已有方法在描述火焰静态特征方面取得 了一定的效果，但忽略了火焰的动态信息，而且实际看火的经验也表明，火焰动态特征能够体现吹炼不同阶段的剧烈度，可以作为碳氧化速率的反映。因此，融合火焰的静态和动态特征进而实现对吹炼终点的准确识别对提高生产效率和减少原材料浪费有重要的实际价值和意义。

实用新型内容

为了克服人工看火判定终点带来的不准确，补吹次数多，效率低，原材料浪费等问题，本实用新型提供一种基于图像动静态特征的转炉炼钢吹炼状态识别系统，以及避免使用烟气分析、光电分析等设备造价高，以及传统火焰图像识别没有考虑动态特性而影响识别率等问题。

本实用新型通过下列技术方案实现：一种基于图像动静态特征的转炉炼钢吹炼状态识别系统，包括图像采集模块、彩色图像火焰区域分割模块、彩色火焰图像动静态特征表示与描述模块、基于图像特征的吹炼状态分类模块以及上位机监控模块：

图像采集模块用于实时拍摄火焰情况，并将拍摄的视频信号存储并传输至彩色图像火焰区域分割模块；

彩色图像火焰区域分割模块用于将采集的视频信号分割为单独的彩色图像帧，对彩色图像中的火焰背景部分与火焰本体部分进行分割；

彩色火焰图像动静态特征表示与描述模块用于采集分割所得火焰本体部分的亮度信息、色度信息、纹理信息、以及光流场动态信息；

基于图像特征的吹炼状态分类模块用于将彩色火焰图像动静态特征表示与描述模块所采集的各类信息作为输入建立识别模型，并设置输出状态后，采集数据样本集对所建识别模型进行训练；进而对新采集的输入内容判断输出状态，将吹炼进入末期的输出状态发送至上位机监控模块；

上位机监控模块用于发出信号提示。

所述图像采集模块还包括摄像头、存储器及信号传输器。

上述系统使用时，是经过下列步骤：

(1)安装彩色摄像机，使其与人工看火的位置和角度保持一致，固定摄像头的位置、焦距等参数；固定摄像头的目的是为了保证摄取的彩色图像在帧间具有特征可比性和对动态特征描述的准确性；图像大小设定为与人眼感知能力相 当，图像过小影响特征提取的效果，图像过大影响算法处理速度；彩色摄像机所采集的实时视频信号通过信号采集卡与处理机相连；

(2)处理机将采集的视频信号分割为单独的彩色图像帧，对彩色图像中的火焰背景与火焰本体进行分割，即将RGB彩色空间转换至均匀的L*a*b*空间，记红色(255,0,0)转换后为R_Lab，黄色(255,255,0)转换后为Y_Lab，白色(255,255,255)转换后为W_Lab，设P为转换后图像中的一个像素，D为像素之间的欧几里得距离，根据公式则分割策略为：

式中，D_PI是指颜色空间转换后的图像一个像素与参考点像素之间的颜色色差值；I是指图像从RGB颜色转换到Lab颜色后的一个像素，这个像素有三个分量，分别是L，a，b；T为控制相似度的阈值；

再将的部分作为火焰本体，其他部分作为火焰背景进行分割；

(3)将步骤(2)所得火焰本体部分用于采集亮度信息、色度信息、纹理信息、以及光流场动态信息：

①采集亮度信息B：

设I(i,j)为分割后的火焰区域像素，则亮度特征B＝(ΣI(i,j))/(Count)，其中B为亮度特征，Count为区域像素个数，i,j为像素的位置，也就是在图像中的坐标；

②采集色度信息S：

取RGB空间中各分量的颜色三阶矩能有效反映吹炼时期熔池元素的氧化次序，单分量i下的三阶矩为

式中，p_i,j为彩色图像第i个颜色通道分量中灰度为j的像素出现的概率，i 为表示彩色图像的第i个分量，j为表示图像的灰度值，si为图像的颜色矩特征，μi为相关参数；

③采集纹理信息ASM：

利用灰度差分统计方法描述静态纹理复杂度，设(x,y)为图像中的一点，与点(x+Δx,y+Δy)之间的灰度差值为g_Δ(x,y)＝g(x,y)-g(x+Δx,y+Δy)，设灰度差分的所有可能取值为m级，令点(x,y)在所给火焰图像区域内移动，累计g_Δ(x,y)取不同值的次数，作出g_Δ(x,y)的直方图，由直方图可知，g_Δ(x,y)取值的概率为p_Δ(i)；其中，点(x+Δx,y+Δy)是值像素(x,y)周围的一个点，该点与值像素(x,y)的距离为Δx和Δy；

采用提取角度方向二阶矩ASM反映图像灰度分布的均匀程度，如果相近的像素灰度值差异较大，则ASM值越大，说明纹理越粗糙；

纹理特征与熔池内化学元素的氧化程度有关，燃烧越剧烈纹理粗糙度越高；

④采集光流场动态信息Ent：

为了描述吹炼过程中火焰动态信息，特别是后期的火焰频闪特征，首先需要建立火焰动态变化的描述模型，采用光流场建立闪烁过程，按照光流计算的基本假设为微小运动和亮度恒定，得到I(x,y,t)＝I(x+dx,y+dy,t+dt)，在相邻帧之间将像素亮度恒定的点在限定区域内连线，构造出帧间光流图F；F记录了火焰在连续变化过程的剧烈度，对F进行特征表示和描述可反映频闪等信息；

其中，x,y是指图像中点的坐标，t为是连续图像的时间轴，这是因为视频是由连续时间轴上的图像构成的，dx表示x轴的位移，dy表示y轴的位移，dt表示t轴的位移，I是视频流中当时间为t时刻的图像帧；

对帧间光流图，采用灰度共生矩阵描述其特征，其计算过程中方向取0°,45°,90°,135°，步长step＝1以适应火焰的随机微纹理的特点，设M为得到的灰度共生矩阵，采用熵值描述其特征，计算为火焰的 动态信息；

其中，i，j为图像中像素的坐标；

(4)采用广义回归神经网络建立识别模型，步骤(3)采集的已有特征向量V＝[B,S,ASM,Ent]为输入，以吹炼所处的状态数字为输出：“1”代表初期，“2”代表中期，“3”代表末期；建立的广义回归神经网络为四输入和单输出，隐含层神经元激发函数为高斯函数，输出为线性映射函数；将已知火焰本体的亮度信息、色度信息、纹理信息、以及光流场动态信息与其输出数据对应列出，建立数据样本集；对所建识别模型进行训练，将训练中的输出数据按状态数字归类；

(5)将步骤(1)所采集的实时视频信号经步骤(2)和(3)处理后，作为特征向量输入步骤(4)训练后的识别模型中，其输出即为吹炼状态的识别，当吹炼状态输出数字为3时，代表吹炼进入末期，发出信号提示。

本实用新型的有益效果：本实用新型针对已有基于火焰图像识别的转炉吹炼状态识别方法的不足，提出融合动静态图像特征的状态识别方案；特别适用于120t以下转炉，或者因受限使用烟气、副枪等测试环境。本实用新型的优越性在于提取了火焰动态特征并结合静态特征进行吹炼状态的识别，能够适应火焰具有的短暂稳态瞬间问题，具有较高的识别精度和低成本的优势，可用于不同规模的炼钢转炉，提高生产效率和减少原材料浪费。本实用新型解决了现有转炉炼钢过程中终点判定不准确，以及采用烟气分析、光电分析、副枪分析等方法具有的使用和维护成本高的问题，同时解决了现有采用火焰图像识别方法中单一静态图像分析，存在特征变化大，准确率不高的问题。

附图说明

图1为本实用新型基于图像动静态特征的转炉炼钢吹炼状态识别系统的结构示意图。

具体实施方式

下面将详细描述本实用新型的实施例，所述实施例的实例在附图中示出。参考附图描述的实施例是示例性的，仅用于解释本实用新型，而不能解释为对本实用新型的限制。

如图1所示，基于图像动静态特征的转炉炼钢吹炼状态识别系统，包括图像采集模块1、彩色图像火焰区域分割模块2、彩色火焰图像动静态特征表示与描 述模块3、基于图像特征的吹炼状态分类模块4以及上位机监控模块5：

图像采集模块1用于实时拍摄火焰情况，并将拍摄的视频信号存储并传输至彩色图像火焰区域分割模块；图像采集模块还包括摄像头、存储器及信号传输器；

彩色图像火焰区域分割模块2用于将采集的视频信号分割为单独的彩色图像帧，对彩色图像中的火焰背景部分与火焰本体部分进行分割；

彩色火焰图像动静态特征表示与描述模块3用于采集分割所得火焰本体部分的亮度信息、色度信息、纹理信息、以及光流场动态信息；

基于图像特征的吹炼状态分类模块4用于将彩色火焰图像动静态特征表示与描述模块所采集的各类信息作为输入建立识别模型，并设置输出状态后，采集数据样本集对所建识别模型进行训练；进而对新采集的输入内容判断输出状态，将吹炼进入末期的输出状态发送至上位机监控模块；

上位机监控模块5用于发出信号提示。

上述系统使用时是经过下列步骤：

(1)安装彩色摄像机，使其与人工看火的位置和角度保持一致，固定摄像头的位置、焦距等参数；固定摄像头的目的是为了保证摄取的彩色图像在帧间具有特征可比性和对动态特征描述的准确性；图像大小设定为与人眼感知能力相当，图像过小影响特征提取的效果，图像过大影响算法处理速度；彩色摄像机所采集的实时视频信号通过信号采集卡与处理机相连；

(2)处理机将采集的视频信号分割为单独的彩色图像帧，对彩色图像中的火焰背景与火焰本体进行分割，即将RGB彩色空间转换至均匀的L*a*b*空间，记红色(255,0,0)转换后为R_Lab，黄色(255,255,0)转换后为Y_Lab，白色(255,255,255)转换后为W_Lab，设P为转换后图像中的一个像素，D为像素之间的欧几里得距离，根据公式则分割策略为：

式中，D_PI是指颜色空间转换后的图像一个像素与参考点像素之间的颜色色差值；I是指图像从RGB颜色转换到Lab颜色后的一个像素，这个像素有三个分量，分别是L，a，b；T为控制相似度的阈值；

再将的部分作为火焰本体，其他部分作为火焰背景进行分割；

(3)将步骤(2)所得火焰本体部分用于采集亮度信息、色度信息、纹理信息、以及光流场动态信息：

①采集亮度信息B：

设I(i,j)为分割后的火焰区域像素，则亮度特征B＝(∑I(i,j))/(Count)，其中B为亮度特征，Count为区域像素个数，i,j为像素的位置，也就是在图像中的坐标；

②采集色度信息S：

取RGB空间中各分量的颜色三阶矩能有效反映吹炼时期熔池元素的氧化次序，单分量i下的三阶矩为

式中，p_i,j为彩色图像第i个颜色通道分量中灰度为j的像素出现的概率，i为表示彩色图像的第i个分量，j为表示图像的灰度值，si为图像的颜色矩特征，μi为相关参数；

③采集纹理信息ASM：

利用灰度差分统计方法描述静态纹理复杂度，设(x,y)为图像中的一点，与点(x+Δx,y+Δy)之间的灰度差值为g_Δ(x,y)＝g(x,y)-g(x+Δx,y+Δy)，设灰度差分的所有可能取值为m级，令点(x,y)在所给火焰图像区域内移动，累计g_Δ(x,y)取不同值的次数，作出g_Δ(x,y)的直方图，由直方图可知，g_Δ(x,y)取值的概率为p_Δ(i)；其中点(x+Δx,y+Δy)是值像素(x,y)周围的一个点，该点与值像素(x,y)的距离为Δx和Δy；

采用提取角度方向二阶矩ASM反映图像灰度分布的均匀程度，如果相近的像素灰度值差异较大，则ASM值越大，说明纹理越粗糙；

纹理特征与熔池内化学元素的氧化程度有关，燃烧越剧烈纹理粗糙度越高；

④采集光流场动态信息Ent：

为了描述吹炼过程中火焰动态信息，特别是后期的火焰频闪特征，首先需要建立火焰动态变化的描述模型，采用光流场建立闪烁过程，按照光流计算的基本假设为微小运动和亮度恒定，得到I(x,y,t)＝I(x+dx,y+dy,t+dt)，在相邻帧之间将像素亮度恒定的点在限定区域内连线，构造出帧间光流图F；F记录了火焰在连续变化过程的剧烈度，对F进行特征表示和描述可反映频闪等信息；

其中，x,y是指图像中点的坐标，t为是连续图像的时间轴，这是因为视频是由连续时间轴上的图像构成的，dx表示x轴的位移，dy表示y轴的位移，dt表示t轴的位移，I是视频流中当时间为t时刻的图像帧；

对帧间光流图，采用灰度共生矩阵描述其特征，其计算过程中方向取0°,45°,90°,135°，步长step＝1以适应火焰的随机微纹理的特点，设M为得到的灰度共生矩阵，采用熵值描述其特征，计算为火焰的动态信息；

其中，i，j为图像中像素的坐标；

(4)采用广义回归神经网络建立识别模型，步骤(3)采集的已有特征向量V＝[B,S,ASM,Ent]为输入，以吹炼所处的状态数字为输出：“1”代表初期，“2”代表中期，“3”代表末期；建立的广义回归神经网络为四输入和单输出，隐含层神经元激发函数为高斯函数，输出为线性映射函数；将已知火焰本体的亮度信息、色度信息、纹理信息、以及光流场动态信息与其输出数据对应列出，建立不少于10炉次的图像视频信号作为数据样本集；并将其中的每一幅图像进行吹炼状态的标注，对所建识别模型进行训练，将训练中的输出数据按状态数字归类；

(5)将步骤(1)所采集的实时视频信号经步骤(2)和(3)处理后，作为特征向量输入步骤(4)训练后的识别模型中，其输出即为吹炼状态的识别，当吹炼状态输出数字为3时，代表吹炼进入末期，发出信号提示。

Claims (1)

1.一种基于图像动静态特征的转炉炼钢吹炼状态识别系统，其特征在于包括顺序连接的图像采集模块、彩色图像火焰区域分割模块、彩色火焰图像动静态特征表示与描述模块、基于图像特征的吹炼状态分类模块以及上位机监控模块：

图像采集模块包括摄像头、存储器及信号传输器，用于实时拍摄火焰情况，并将拍摄的视频信号存储并传输至彩色图像火焰区域分割模块；

彩色图像火焰区域分割模块用于将采集的视频信号分割为单独的彩色图像帧，对彩色图像中的火焰背景部分与火焰本体部分进行分割；

彩色火焰图像动静态特征表示与描述模块用于采集分割所得火焰本体部分的亮度信息、色度信息、纹理信息、以及光流场动态信息；

基于图像特征的吹炼状态分类模块用于将彩色火焰图像动静态特征表示与描述模块所采集的各类信息作为输入建立识别模型，并设置输出状态后，采集数据样本集对所建识别模型进行训练；进而对新采集的输入内容判断输出状态，将吹炼进入末期的输出状态发送至上位机监控模块；

上位机监控模块用于发出信号提示。