AOD爐爐襯風口侵蝕識別方法的研究

邱 東，郭紅濤，劉明碩

(長春工業大學 電氣與電子工程學院，吉林 長春 130012)

0 引 言

AOD爐鐵合金冶煉是一個非常復雜的多元、多相、高溫的物理化學反應過程，多種反應過程形成了對爐襯壽命影響的因素，其中主要因素有[1-2]：高溫鐵水對爐襯的沖刷(鐵水冶煉溫度達到1 500～1 800攝氏度)；爐氣、爐渣對爐襯的沖刷；爐渣、爐氣與爐襯材質反應形成的化學腐蝕；驟冷驟熱對爐襯的影響；高壓氧、氮氣流對爐襯的沖刷。冶煉過程中產生的無法再次利用的廢鐵、廢氣會對環境造成較大的污染。因此，建立AOD爐爐襯檢測系統對延長爐役，增加爐襯壽命，減少環境污染，提高冶金工藝，節約煉鋼成本，提高企業生產競爭力具有重大意義。

AOD爐爐襯侵蝕嚴重部分主要有頂槍風口區域、渣線區域、底槍供氣區域這3大部分，文中取頂槍風口區域部分作為研究對象，對該區域侵蝕面積進行檢測。

1 系統方案

為了研究基于圖像識別技術的爐襯面積侵蝕(由于AOD爐冶煉鋼鐵的特性，整個爐襯的各個部分都存在侵蝕問題，文中研究的內容是爐襯的風口部分)識別技術的可行性，搭建了爐襯侵蝕面積檢測實驗系統。系統結構如圖1所示。首先，將待檢測的爐襯樣品材料置于檢測位置，采用高精度相機對材料進行拍攝，完成圖像采集，將采集到的圖像傳輸到處理器。

圖1 系統框圖

2 圖像預處理及分析

在實際應用中，由于拍攝條件及環境方面的限制，爐襯侵蝕圖像會存在對比度低、照明不均勻等問題，對侵蝕面積的檢測具有較大影響。因此，需要對圖像進行預處理。爐襯面積圖像處理過程：首先，將相機中的圖像讀入到系統中并且對圖像進行預處理；其次，針對圖像進行閾值分割和缺陷提取，對于不同類型的缺陷，設計相應的閾值分割和提取算法；最后，根據提取的圖形計算缺陷區域的面積。具體流程如圖2所示。

圖2 圖像處理流程

2.1 圖像濾波

圖像濾波是常用的數字圖像處理技術之一，其應用的主要目的是消除或減少噪聲對圖像的干擾，改善圖像質量。圖像濾波可以在空間域、頻率域內進行。在空間域內，多數應用鄰域平均的方法來降低噪聲的影響，而在頻率域中，噪聲頻譜一般多在高頻段，故可以用低通濾波器來實現噪聲的濾除。與其他線性濾波方法相比，高斯濾波具有五個非常重要的性質[3-4]，濾波器在各個方向上濾波的平滑程度是相同的，采用像素鄰域的加權均值來替代該點的像素值。而在圖像拍攝采集中噪聲源產生的干擾多是高斯分布形式的噪聲，故選用高斯濾波進行圖像的濾波處理。

2.2 Sobel邊緣提取

為了獲取圖像的邊緣信息，需要對圖像進行邊緣檢測。檢測過程中，在侵蝕圖像邊緣處，圖像的數據具有不連續性，灰度值會突然發生較大變化，而邊緣檢測可以在提取出圖像邊緣信息的同時去掉圖像的內部信息，極大地減少了圖像的數據量。Sobel邊緣檢測是一種離散性差分檢測方法，它的特點是方法簡單，處理速度快，獲取的邊緣光滑、連續。因此，文中應用Sobel邊緣檢測法提取侵蝕輪廓，以顯示有缺陷位置的輪廓[5-7]。Sobel檢測是一種一階導數的邊緣檢測算法，在應用處理過程中，選取3×3模板作為核與圖像中的各個像素點做卷積和運算，在運算處理完結后選取適當的閾值提取邊緣。

Sobel卷積模板如下：

G(x)=[f(i+1,j-1)+2f(i+1,j)+

f(i+1,j+1)]-[f(i-1,j-1)+

2f(i-1,j)+f(i-1,j+1)]

(1)

G(y)=[f(i-1,j+1)+2f(i,j+1)+

f(i+1,j+1)]-[f(i-1,j-1)+

2f(i,j-1)+f(i+1,j-1)]

(2)

其中，G(x)、G(y)分別是圖像函數f(i,j)在點(i,j)處的梯度。

為了進一步增強圖像的細節信息、邊緣特征，需對垂直方向和水平方向的梯度進行融合，公式如下：

|G|=0.5|G(x)|+0.5|G(y)|

(3)

其中，|G|為融合后的梯度。

梯度圖如圖3所示。

圖3 梯度圖

2.3 閾值分割及形態學處理

閾值分割[8]在整個圖像處理過程中非常關鍵。適當的分割方法能夠從圖像中獲得準確的目標區域，為后續處理帶來方便。常用的閾值處理算法有直方圖閾值分割[9-11]、最小錯誤概率閾值法[12]、最大類間方差閾值法[13-14]等。由于爐襯檢測環境的復雜性，照明補償的不平均性,及材質分布的隨機性，一般常用的分割方法無法滿足分割需求，因此文中采用基于中值濾波的局部動態閾值分割算法(又名局部自適應分割法)。與一些典型的閾值分割方法相比，該方法具有明顯的不同。動態閾值分割不需要給定某些固定的閾值，其分割準則是相對的灰度差值。像素的灰度高于或低于其背景平均灰度一定程度,則該像素被算法選中。假設圖像函數用f(i,j)表示，中值平均后得到的背景圖像函數用g(i,j)表示，那么對灰度較高部分的分割算法可表示為：

s={f(i,j)-g(i,j)≥gdiff|(i,j)∈R}

(4)

同理，對于灰度較低部分的分割算法可表示為：

s={f(i,j)-g(i,j)≤-gdiff|(i,j)∈R}

(5)

在數學形態學應用處理中，結構元素是整個算法實現中最重要、最基本的概念，它的作用類似于信號處理當中的濾波窗口。

用B(x)代表結構元素，對工作空間E中的每一點x，腐蝕和膨脹的定義為：

X=E⊙B={x:B(x)?E}

(6)

Y=E⊕B={y:B(y)∩E≠?}

(7)

用B(x)對E進行腐蝕，所得到的結果就是把結構元素B平移后使B包含于E的所有點構成的集合。用B(x)對E進行膨脹，獲得的結果就是把結構元素B平移后使B與E的交集非空的點構成的集合。先膨脹后腐蝕的處理過程稱為閉運算，具有填充物體內細小空洞，連接鄰近物體和平滑邊界的作用。分割處理圖像如圖4所示。

圖4 分割處理圖

3 面積識別

3.1 圖像的矩

矩是概率與統計的一個概念，是隨機變量的一種數字特征。設x,c均為隨機變量，k為正整數，那么E[x-c]稱為x關于c點的k階矩。

當c=0時,ak=E(Xk)稱為k階原點矩。

當c=E(X)時,uk=E[(X-EX)k]稱為x的k階中心矩。

對于一幅圖像，可以把圖像的像素坐標看成為一個二維隨機變量(X,Y)，那么一幅灰度圖像就可以用二維灰度密度函數表示，所以也就可以用矩來描述灰度圖像的特征。

從一幅數字圖像中計算得到的矩集，一般描述了該圖像的全局特征，并且提供了大量的與該圖像有關的不同類型的幾何特性信息，如大小、位置及形狀等。

3.2 Hu矩

一幅M×N的數字圖像f(i,j)，其階幾何矩mpq和中心矩μpq為：

(8)

(9)

一階矩與形狀有關，二階矩顯示曲線圍繞直線平均值的擴展程度，三階矩則是關于平均值的對稱性測量。

在OpenCV中，一般由moments、contourArea函數配合求取圖像的矩[15]。

(1)使用moments來計算圖像所有的矩(最高到3階)。

(2)使用contourArea來計算輪廓面積。

3.3 實驗結果

AOD爐爐襯材料由高溫耐火磚鋪砌而成，實驗仿真材料取自于現場爐襯大修廢棄的耐火磚樣品，磚面的損毀面積具有不規則與隨機性。實驗題材的大小為230 mm×150 mm，230 mm×150 mm×110 mm，直形磚和楔形磚兩種規格(直形磚：3組，楔形磚：2組)。實驗器材：高性能電腦一臺，帶支架的實驗平臺一個，EM1400C高清工業CCD相機一臺，同軸光源一個，固定裝置兩個。軟件開發系統：VS2013、OpenCV。由于實驗平臺尺寸為40 cm×30 cm，設置圖像寬度為320像素，高度為240像素，所以圖像分辨率為8像素/cm，每個像素代表的真實面積為1/64 cm2。

實驗中，圖像分割與數學形態學閉運算在圖像處理中均存在誤差變化，在閉運算中迭代值取值不同，得到的處理圖像面積會有較小的變化，當迭代值取到一定量的數值時，圖像的面積變化比較微小，基本保持不變。迭代值下限對應的像素面積是運算得到的相對完整的輪廓圖形面積，迭代值上限對應的像素面積是運算得到的最佳的輪廓面積，比較獲得整個運算處理過程中像素面積的誤差值。實驗數據如表1所示。

表1 圖像面積與誤差

4 結束語

提出了一種基于圖像識別技術的爐襯風口侵蝕面積識別方法。利用高精度的拍攝系統對爐襯樣品進行圖像采集，然后采用濾波、邊緣檢測、圖像分割等技術對拍攝到的圖片進行處理，獲取圖像特征，最終實現對侵蝕面積的識別。由于圖像檢測邊緣的模糊性和閉運算結構元素選擇的局限性，圖像處理存在一定范圍內的誤差，有待于進一步改善。爐襯風口侵蝕面積檢測為以后研究爐襯侵蝕面積與侵蝕程度(深度)數據庫研究提供了理論依據。

參考文獻:

[1] 張 毅,伍從應,王琳松,等.100t轉爐爐襯侵蝕因素的分析和長壽爐齡的工藝實踐[J].特殊鋼,2015,36(4):23-27.

[2] 史江濤,蔣仁全,馬躍慶.延長高碳鉻鐵電爐爐襯壽命的實踐[J].鐵合金,2003,34(4):28-31.

[3] GONZALEZ R C,WOODS R E.Digital image processing[M].3rd ed.Beijing:Electronic Industry Press,2011.

[4] 包曉敏,張云華,汪亞明,等.基于離散高斯濾波器的紡織品圖像增強[J].紡織學報,2005,26(4):121-123.

[5] 魏偉波,芮筱亭.圖像邊緣檢測方法研究[J].計算機工程與應用,2006,42(30):88-91.

[6] 周心明,蘭 賽,徐 燕.圖像處理中幾種邊緣檢測算法的比較[J].現代電力,2000,17(3):65-69.

[7] 靳鵬飛.一種改進的Sobel圖像邊緣檢測算法[J].應用光學,2008,29(4):625-628.

[8] NIXON M,AGUADO A S.Feature extraction and image processing[M].[s.l.]:Academic Press,2008.

[9] 陳 亮,丁國輝,郭 雷.基于直方圖互確認的圖像閾值化分割[J].紅外與毫米波學報,2011,30(1):80-84.

[10] KAPUR J N,SAHOO P K,WONG A K C.A new method for gray-level picture thresholding using the entropy of the histogram[J].Computer Vision,Graphics & Image Processing,1985,29(3):273-285.

[11] WANG Qing,CHI Zheru,ZHAO Rongchun.Image thresholding by maximizing the index of nonfuzziness of the 2-D grayscale histogram[J].Computer Vision & Image Understanding,2002,85(2):100-116.

[12] 朱齊丹,荊麗秋,畢榮生,等.最小誤差閾值分割法的改進算法[J].光電工程,2010,37(7):107-113.

[13] 賀建峰,符 增,相 艷,等.基于灰度空間相關性最大類間方差的圖像分割[J].計算機工程,2015,41(11):280-286.

[14] 景曉軍,李劍峰,劉郁林.一種基于三維最大類間方差的圖像分割算法[J].電子學報,2003,31(9):1281-1285.

[15] 毛星云,冷雪飛.OpenCV3編程入門[M].北京:電子工業出版社,2015:327-333.