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(cè)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(duì)圖像邊緣檢測(cè)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(cè)出8個(gè)方向的邊緣,接著采用霍夫變換、曲線擬合對(duì)邊緣做優(yōu)化處理,以此檢測(cè)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(cè)出鋼水液面的位置,為RH煉鋼工藝的自動(dòng)化發(fā)展提供重要的理論依據(jù)。
關(guān)鍵詞: 邊緣檢測(cè)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(guò)肉眼觀察來(lái)判定是否合適,因此工作效率自然不會(huì)太高。為了改進(jìn)煉鋼工藝的不足,人們也嘗試著用激光測(cè)距、紅外測(cè)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(huì)把紅外等能量吸收,所以無(wú)法判定出鋼水液面的位置。因此,本文針對(duì)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(duì)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(guò)真空循環(huán)脫氣裝置完成鋼水的循環(huán)流動(dòng),其工作示意圖如圖1所示。
在煉鋼過(guò)程中,待處理鋼水包將會(huì)由行車(chē)吊運(yùn)至RH鋼包臺(tái)車(chē)上,鋼包臺(tái)車(chē)再將鋼包運(yùn)輸?shù)浇n管下方。此后,鋼包將會(huì)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(dòng)。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(dòng)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(wú)法完成循環(huán)過(guò)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(guò)數(shù)字圖像處理技術(shù)來(lái)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(duì)距離d,就需要將其控制在一定范圍之內(nèi)。
2 算法提出
對(duì)鋼水液面高度進(jìn)行定位,其關(guān)鍵是精確地檢測(cè)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(duì)數(shù)字圖像進(jìn)行預(yù)處理,然后檢測(cè)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(lái)所需運(yùn)算時(shí)間也就較長(zhǎng)。因此,可以通過(guò)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(duì)灰度圖來(lái)進(jìn)行[2]。
2.1.2 圖像濾波
獲取的數(shù)字圖像會(huì)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(duì)應(yīng)的像素點(diǎn)按灰度級(jí)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(lái)的圖像特征的模糊,并且對(duì)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(lái)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(cè)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(guò)設(shè)立一個(gè)閾值,提取到邊緣點(diǎn)集合。常用的邊緣檢測(cè)算子有Sobel算子、Prewitt算子、Laplace算子等。其中,Sobel算子[4-6]對(duì)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(guò)已經(jīng)構(gòu)造的8個(gè)各向同性Sobel算子模板,分別對(duì)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(cè)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(guò)邊緣檢測(cè)后的圖像在點(diǎn)(i,j)的灰度值輸出。對(duì)圖中的像素值(坐標(biāo)為(i,j))進(jìn)行如下操作:
?。?)對(duì)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(duì)值存入數(shù)組元素n[k](k=1,2,…,8)中;
?。?)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(cè)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(shí)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(lái)得到邊界曲線,其主要優(yōu)點(diǎn)在于對(duì)圖像中的噪聲不敏感,受到邊緣間斷影響小。由于要檢測(cè)的是一條類似于拋物線的曲線,根據(jù)Hough變換檢測(cè)原理,可以檢測(cè)出鋼水液位及鋼水包邊緣曲線。
檢測(cè)出來(lái)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(guò)對(duì)檢測(cè)出來(lái)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(duì)圖像進(jìn)行幾何轉(zhuǎn)換中,輸出的圖像中的像素常常會(huì)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(duì)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(guò)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(cè)出來(lái)的邊緣曲線經(jīng)??赡軙?huì)有斷點(diǎn)并且不光滑,實(shí)際應(yīng)用中希望將斷的邊緣連接起來(lái),而且連接起來(lái)的邊緣要光滑。為此,可以用曲線擬合[10-11]來(lái)對(duì)檢測(cè)出來(lái)的曲線進(jìn)行擬合。
2.3 鋼水液面定位檢測(cè)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(cè)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(chē)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(wú)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涮幚恚鐖D6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(duì)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(cè)鋼水液面位置總會(huì)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(jiǎn)單、穩(wěn)定的算法來(lái)對(duì)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(cè)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(huì)大大推進(jìn)煉鋼自動(dòng)化技術(shù)的進(jìn)程。
參考文獻(xiàn)
[1] 馬竹梧.煉鐵生產(chǎn)自動(dòng)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(guó)法,申江波.邊緣檢測(cè)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(cè)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(cè)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(wú)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.