摘  要： RH煉鋼工藝中，控制鋼水液面高度目前仍采用人工目測的方法，該方法存在一定的缺陷與不準(zhǔn)確性。因此本文提出一種鋼水液面精確定位算法，該算法采用數(shù)字圖像處理技術(shù)，對圖像邊緣檢測算子進(jìn)行深入研究，引用一種改進(jìn)型Sobel算子——8模板各向同性Sobel算子，它能夠檢測出8個(gè)方向的邊緣，接著采用霍夫變換、曲線擬合對邊緣做優(yōu)化處理，以此檢測出鋼水液面的位置。實(shí)驗(yàn)研究表明，該算法能夠準(zhǔn)確檢測出鋼水液面的位置，為RH煉鋼工藝的自動化發(fā)展提供重要的理論依據(jù)。

　　關(guān)鍵詞： 邊緣檢測算法；液面定位；Sobel算子；8模板；RH煉鋼

0 引言

　　準(zhǔn)確獲取鋼水液面位置在RH法煉鋼工藝中起著至關(guān)重要的作用。傳統(tǒng)煉鋼工藝中，鋼水液面的位置是人為主觀地通過肉眼觀察來判定是否合適，因此工作效率自然不會太高。為了改進(jìn)煉鋼工藝的不足，人們也嘗試著用激光測距、紅外測距等方法去判定液面位置，但是由于鋼水這種物質(zhì)本身具有很強(qiáng)的輻射，這會把紅外等能量吸收，所以無法判定出鋼水液面的位置。因此，本文針對鋼水這種物質(zhì)的特殊性，提出一種利用圖像處理技術(shù)對鋼水液面進(jìn)行定位的方法。

1 系統(tǒng)結(jié)構(gòu)

　　RH精煉[1]是目前鋼鐵生產(chǎn)中普遍使用的精煉手段，該技術(shù)具有處理周期短、生產(chǎn)能力大、精煉效果好、容易操作等一系列優(yōu)點(diǎn)，在煉鋼生產(chǎn)中獲得了廣泛應(yīng)用。RH精煉工藝通過真空循環(huán)脫氣裝置完成鋼水的循環(huán)流動，其工作示意圖如圖1所示。

　　在煉鋼過程中，待處理鋼水包將會由行車吊運(yùn)至RH鋼包臺車上，鋼包臺車再將鋼包運(yùn)輸?shù)浇n管下方。此后，鋼包將會被設(shè)備提升到一定的高度，使得浸漬管下端可以進(jìn)入到鋼渣以下的鋼水部分。當(dāng)真空槽抽為真空時(shí)，鋼水表面的大氣壓強(qiáng)與真空槽內(nèi)的壓強(qiáng)差迫使鋼水朝浸漬管里面流動。與真空槽相連的兩個(gè)浸漬管，一個(gè)為上升管，另外一個(gè)為下降管。由于上升管不斷向鋼液吹入氬氣，吹入的氣體受熱將膨脹，從而驅(qū)動鋼水液位不斷上升，流經(jīng)真空槽鋼液中的氫氣、氬氣、一氧化碳等氣體在真空狀態(tài)下被抽走。脫氣的鋼水由于重力的關(guān)系再次經(jīng)下降管流入鋼包，如此不斷循環(huán)反復(fù)。如果液面位置太高，則鋼水可能從鋼水包里溢出；如果液面位置太低，則鋼水無法完成循環(huán)過程。因此，將鋼水液面高度控制在一定范圍內(nèi)，及時(shí)獲取鋼水液面的位置就顯得極其重要。

　　如圖1所示，可以在鋼包上側(cè)安裝工業(yè)相機(jī)，以此及時(shí)獲取鋼液液面的圖像，然后通過數(shù)字圖像處理技術(shù)來獲取鋼水液面的位置。圖2所示為煉鋼廠的鋼水包液位圖，受容器自身的影響，液位并非一條直線，而是呈近似于拋物線的曲線，而圖中的相對距離d，就需要將其控制在一定范圍之內(nèi)。

2 算法提出

　　對鋼水液面高度進(jìn)行定位，其關(guān)鍵是精確地檢測出鋼水液面的邊緣，然而受到外界客觀因素的影響，從工業(yè)相機(jī)獲取的圖像往往存在著較大干擾信息。因此首先需要對數(shù)字圖像進(jìn)行預(yù)處理，然后檢測邊緣精確定位鋼水液面高度。

　　2.1 圖像預(yù)處理

　　2.1.1 灰度變換

　　使用工業(yè)相機(jī)采集到的圖像是彩色圖像，彩色圖像的信息量較大，其中很多是不需要的。由于信息較多，處理時(shí)運(yùn)算量較大，所以處理起來所需運(yùn)算時(shí)間也就較長。因此，可以通過預(yù)處理將彩色圖像轉(zhuǎn)換為灰度圖像，之后的其他操作都針對灰度圖來進(jìn)行[2]。

　　2.1.2 圖像濾波

　　獲取的數(shù)字圖像會受到各式各樣的外界噪聲的影響，例如高斯噪聲、椒鹽噪聲等，所以一般要先去除圖像中的噪聲。常用的濾波方法有高通濾波、維納濾波、中值濾波、鄰域平均法濾波等。在本次濾波選擇中，采用了中值濾波[3]。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中的一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中的各點(diǎn)值的中值代替。中值的定義如式（1）所示：

　　在式（1）中，x1，x2，…，xn為點(diǎn)（x，y）及其鄰域的灰度值。

　　與其他方式的平滑濾波有所不同，中值濾波是將模板對應(yīng)的像素點(diǎn)按灰度級進(jìn)行高低排序，取中間值作為輸出像素。中值濾波可以在一定程度上克服常用的線性濾波器（例如均值濾波器和最小均方濾波器）所帶來的圖像特征的模糊，并且對去除圖像掃描噪聲及脈沖干擾效果較好。本文就是利用中值濾波來達(dá)到去除圖像中一些噪聲的目的。

　　2.1.3 改進(jìn)型各向同性Sobel算子提取邊緣

　　邊緣檢測的思想就是首先利用某一種邊緣算子，突出顯示圖像中的邊緣部分，然后定義“邊緣強(qiáng)度”，最后通過設(shè)立一個(gè)閾值，提取到邊緣點(diǎn)集合。常用的邊緣檢測算子有Sobel算子、Prewitt算子、Laplace算子等。其中，Sobel算子[4-6]對于像素位置的影響做了加權(quán)，效果較好，故本研究采用了Sobel算子。

　　Sobel算子分為兩種：普通Sobel算子和各向同性Sobel算子。兩種算子相比較，各向同性Sobel算子位置加權(quán)系數(shù)更加準(zhǔn)確。各向同性Sobel算子的形式如圖3。

　　但是，圖3只考慮了垂直方向和水平方向。在實(shí)際操作中，圖像的邊緣是有很多邊緣方向的，例如45°方向、135°方向等。于是，在該系統(tǒng)中，將各向同性Sobel算子增加至8個(gè)方向，如圖4所示。

　　通過已經(jīng)構(gòu)造的8個(gè)各向同性Sobel算子模板，分別對圖像進(jìn)行計(jì)算，就可以得到8幅圖像矩陣。接著將8次運(yùn)算結(jié)果所得到的最大值作為該點(diǎn)的輸出值，便可以得到一幅邊緣幅度圖像。

　　8模板各向同性Sobel算子主要步驟[7]：

　　設(shè)mk（k=1，2，…，8）是8個(gè)3×3各向同性Sobel算子模板，n為有8個(gè)元素的整型數(shù)組。矩陣[f（i，j）]為等待檢測的圖像（其中（i，j）表示各像素點(diǎn)的坐標(biāo)），f（i，j）表示圖像在（i，j）的灰度值，w[f（i，j）]為以點(diǎn)（i，j）為中心的3×3窗口，g（i，j）則是經(jīng)過邊緣檢測后的圖像在點(diǎn)（i，j）的灰度值輸出。對圖中的像素值（坐標(biāo)為（i，j））進(jìn)行如下操作：

　　（1）對于等待處理的像素（i，j），利用模板mk（k=1，2，…，8）和w[f（i，j）]進(jìn)行卷積，并將卷積結(jié)果的絕對值存入數(shù)組元素n[k]（k=1，2，…，8）中；

　　（2）查找到步驟（1）中所得到的數(shù)組n中所有元素的最大值；

　?。?）把最大值賦給g（i，j）作為該像素點(diǎn)的輸出值。

　　2.2 鋼水液位線及鋼包邊緣精確定位

　　2.2.1 霍夫（Hough）變換檢測拋物線

　　Hough變換[8-9]是圖像處理技術(shù)中從數(shù)字圖像之中識別幾何形狀的基本方法之一，可以用于將邊緣像素連接起來得到邊界曲線，其主要優(yōu)點(diǎn)在于對圖像中的噪聲不敏感，受到邊緣間斷影響小。由于要檢測的是一條類似于拋物線的曲線，根據(jù)Hough變換檢測原理，可以檢測出鋼水液位及鋼水包邊緣曲線。

　　檢測出來的邊緣曲線可能不是標(biāo)準(zhǔn)的拋物線，這是由所使用的工業(yè)攝像機(jī)的拍攝角度和其精度引起的。為此可以通過對檢測出來的邊緣圖像進(jìn)行適當(dāng)?shù)膸缀慰臻g變換，使得數(shù)字圖像里的曲線變?yōu)橐粭l標(biāo)準(zhǔn)的拋物線。

　　在對圖像進(jìn)行幾何轉(zhuǎn)換中，輸出的圖像中的像素常常會被映射到輸入圖像中的非整數(shù)位置，因此為了確定與該位置相對應(yīng)的像素值，必須再加入插值運(yùn)算。插值通常就是使用曲線擬合的方法，通過一些離散的采樣點(diǎn)建立一個(gè)連續(xù)的函數(shù)，用這個(gè)重建的函數(shù)便可以求出任意位置的函數(shù)值。

　　2.2.2 曲線擬合

　　檢測出來的邊緣曲線經(jīng)?？赡軙袛帱c(diǎn)并且不光滑，實(shí)際應(yīng)用中希望將斷的邊緣連接起來，而且連接起來的邊緣要光滑。為此，可以用曲線擬合[10-11]來對檢測出來的曲線進(jìn)行擬合。

　　2.3 鋼水液面定位檢測步驟

　　有了圖像預(yù)處理和鋼水液位線及鋼包邊緣精確定位的方法，可以列出鋼水液位高度的檢測步驟，如圖5所示。

3 方法的應(yīng)用與實(shí)驗(yàn)結(jié)果

　　基于上述精確定位鋼水液面的方法，使用MATLAB[12]進(jìn)行實(shí)驗(yàn)仿真。從煉鋼生產(chǎn)車間獲取鋼水液面的圖像，由于原圖包含的數(shù)據(jù)量較大，其中有很多無用的信息，在實(shí)際處理數(shù)據(jù)時(shí)，只截取了鋼包中心區(qū)域?qū)ζ涮幚?，如圖6所示，這樣速度較快，干擾因素小，效率高。

　　使用文中提及的算法對鋼水液位圖進(jìn)行處理之后，效果如圖7所示，從圖像中可以看出，鋼水液面的邊緣位置及鋼液的邊緣位置清晰地展現(xiàn)在圖中，文中的算法定位與人眼觀察得到的液面位置基本一致。

4 結(jié)論

　　人工目測鋼水液面位置總會受到主觀因素的約束和外界環(huán)境的干擾，并且在一定程度上影響了煉鋼的效率。本文提出一種快速、簡單、穩(wěn)定的算法來對鋼水液面進(jìn)行定位。實(shí)驗(yàn)表明，本文提出的方法可以較為清晰地檢測出鋼水包及鋼液的邊緣，將此方法應(yīng)用到煉鋼行業(yè)中的鋼水液面定位，具有一定的可行性與優(yōu)越性，可以大大提高煉鋼的效率，也會大大推進(jìn)煉鋼自動化技術(shù)的進(jìn)程。

　　參考文獻(xiàn)

　　[1] 馬竹梧.煉鐵生產(chǎn)自動化技術(shù)[M].北京：冶金工業(yè)出版社，2005.

　　[2] 阮秋琦.數(shù)字圖像處理技術(shù)[M].北京：清華大學(xué)出版社，2009.

　　[3] 谷口慶治.數(shù)字圖像處理[M].北京：科學(xué)出版社，2000.

　　[4] 胡尚舉，田國法，申江波.邊緣檢測算子的分析比較[J].大眾科技，2008（9）：48-49.

　　[5] DENG G. Differentiation-based edge detection using the logarithmic image processing model[J]. Mathematical Imaging and Vi-sion， 1998， 8（2）：161-180.

　　[6] MOON H， CHELLAPPA R， ROSENFELD A. Optimal edge-based shape detection[J]. IEEE Trans. on Image Processing， 2002，11（11）：1209-1227.

　　[7] 鄭英娟.基于八方向Sobel算子的邊緣檢測算法研究[D].石家莊：河北師范大學(xué)，2013.

　　[8] KALVIAINEN H， HIRVONEN P， XU L， et al. Probabilistc and nonprobabilistic hough transform： overview and comparisons[J]. Image and Vision Computing， 1995，12（24）：423-437.

　　[9] 陳燕新，戚飛虎.基于隨機(jī)Hough變換的快速圓檢測方法[J].上海交通大學(xué)學(xué)報(bào)，1998，32（10）：17-20.

　　[10] 焦竹青，熊偉麗，張林，等.基于曲線擬合的無線傳感器網(wǎng)絡(luò)目標(biāo)定位算法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，38（S1）：249-252.

　　[11] WILDES R P. Irisrecognition： an emerging biometric  technology[J]. Proceedings of the IEEE， 1997， 85（9）：1348-1363.

　　[12] 阮秋琦.數(shù)字圖像處理（MATLAB版）[M].北京：電子工業(yè)出版社，2005.