点击下载——一种改进的转炉出钢下渣检测方法及其应用.doc

一种改进的转炉出钢下渣检测方法及其应用

陈灵光1，杨晓江2，李培玉1，夏军1

(1．浙江大学机械工程学系，浙江杭州310027；2．唐山钢铁股份有限公司第一钢轧厂，河北唐山063016)

摘 要：针对传统的完全基于灰度阀值分割算法的转炉出钢下渣检测方法在遇到出钢过程中的意外情况时，检测准确率下降的缺点，提出了一种改进的红外转炉出钢下渣检测方法。该方法首先利用分水岭分割的方法将转炉出钢图像分割成几个区域，再利用形态学方法对分割出的区域进行矩形拟合以获取准确的钢流图像区域，最后通过前后共4帧图像信息的加权来消除出钢过程中的异常情况对于检测准确性的影响。现场试验结果表明，所提出的改进方法对于提高红外转炉出钢下渣检测系统报警准确率，减小下渣到钢包的渣厚度以及提高系统稳定性方面效果显著。

关 键 词：红外；图像处理；转炉出钢；下渣检测

在转炉出钢的过程中，通过控制流入钢包的渣含量(即下渣量)，能够有效提高钢水的纯净度，减少回磷／硫，降低钢水的氧化程度；减少脱氧剂和合金用量；同时还可以减少对于出钢口和耐火衬垫的腐蚀，从而延长其使用寿命。

为此，国内外相继开发了多种下渣检测方法，比如人工目测法、电磁线圈检测法[1]以及红外检测法[2]。人工目测法是目前使用最多的一种方法，但灵敏度不高而且受操作工人的经验和情绪影响较大，所以亟需一种稳定的检测方法来代替人工检测法。电磁线圈检测法是应用渣的电导率远远低于钢水的电导率的原理，采用高温材料将初级、次级两个线圈分离，通过测量电磁场的差别来检测下渣，这种方法虽然准确率比较高，但是要在耐火材料中埋设线圈，线圈在高温环境下寿命不稳定，为消耗式测量，使用维护成本很高，所以此方法已经逐渐被淘汰。现在应用比较普遍的检测方法是基于红外热成像原理的转炉下渣检测方法，该方法利用红外热像仪远距离采集钢水和渣的混流图像，通过视频处理算法来确定渣占钢流的比例来判断下渣。红外检测法可靠性较高同时由于采用了远距离无接触测量方式，所以受外界干扰小，对于原设备几乎无改装，易于安装维护，使用成本低。

传统的红外转炉出钢下渣检测方法利用阀值分割的方法获取钢流图像，并且只针对当前帧图像进行下渣检测。然而，在遇到背景中有较强干扰、炉口意外出渣、出钢口挂渣掉落等异常情况时，传统方法的检测准确率下降明显。因此，本文提出了一种改进的下渣检测方法，该改进包括钢流图像获取方法的改进以及下渣信号分析方法的改进。

1  转炉下渣自动检测系统的原理

1．1  转炉下渣自动检测系统工作原理

经研究发现，在特定波长范围内，钢水和渣的红外辐射特性具有较大差异[3]。图1是渣和钢水的红外辐射系数图。

从图中可以看到，随着波长的增加，钢水和渣的热辐射率逐渐增加，尤其在波长8～20μm范围内，两者的热辐射率差异很大，因此，根据钢水和渣的红外辐射特性具有较大差异的原理，利用红外热像仪采集钢流的图像并对其进行特征提取以及图像分析，就可以获得渣的出现时间和渣在钢流中所占的比例等信息。

1．2  转炉出钢下渣自动检测系统的总体结构

本系统采用非制冷焦平面红外热像仪对钢流进行热成像，同时实时采集转炉倾角信号、氧枪高度信号、前后摇炉信号、浇钢末期转炉限位信号等工艺参数，当图像处理系统发现钢流中的含渣量超过设定值并且此时转炉倾角处于设定的出钢末期范围时，系统发出声光报警，触发自动控制系统关闭滑动水口。图2是红外转炉出钢下渣自动监测系统总体结构图。

2  图像识别算法以及下渣信号的分析

2．1  转炉出钢图像中钢流的获取

红外热像仪采集到的转炉出钢钢流图像包括了很多背景干扰信息，为了准确计算钢流中的含渣量，在进行含渣量分析之前必须把红外图像的钢流图像提取出来。

图3～5分别为典型的正常出钢、混渣出钢和全渣3种出钢状态的红外图像。对于这3种出钢状态的红外图像，钢流比较容易通过阀值分割的方法与背景图像区分开来[4]，具体说就是设定一个阀值T，令分割后的图像为：

这样灰度值较大的钢流图像被保留了下来，灰度值小的背景图像则被有效滤除。

图6、7为在国内某钢厂采集到的转炉出钢红外图像。图6的钢流背景中有一块挡板，该挡板是保护滑动出钢口液压系统的装置。挡板的表面受钢流的影响部分挂渣，同时由于其表面比较光滑，从钢包反射的光线使得图像中挡板部分亮度很大，严重干扰钢流边缘的获取。图7画面右侧大量亮度很大的渣的出现，是由于在出钢中后期，操作人员摇炉过快，使得转炉内浮于钢水上部的渣从炉口流出。对于这两种背景干扰复杂的情况，仅仅应用传统的阀值分割的方法不可能获取到准确的钢流图像。

稳定钢流左右两侧的边缘为接近竖直的直线，而且由钢流组成的矩形具有长度远远大于宽度的特点，而背景干扰信息的几何形状则是不规则的。比如，图6背景中的钢板整体形状类似菱形，其左右边缘虽为直线但不竖直，同时也不具有长度远远大于宽度的特点；图7所示的情况中，干扰信息为从炉口散落下来的渣，为不规则形状。因此，选择先通过分水岭分割的方法将图像分割成几个区域，再利用形态学方法对其外边界包围的区域进行区域分析，以便得到拟合矩形。如果一个区域的边界包含较长的图像最外边沿，则可以认为该区域是背景区域，不对其进行分析。

由于现场采集的红外图像含有噪声，在进行图像分割之前，必须先利用高斯滤波器(Gaussian Filter)来消除噪声、平滑图像，然后利用基于多尺度形态滤波的分水岭图像分割方法对图像进行分割。所谓分水岭分割是把图像看作地形曲面，以图像的某种特征值对应地形中的海拔高度，局部最小(大)值对应“谷底”(“山峰”)，具体的分水岭分割的知识可见文献[5]。对于图6和图7的分割结果如图8、9所示。

下面利用形态学的方法获得分割区域的距离图[6]，假设转炉出钢的红外图像为I，R是I的一个分割区域。为R定义一个距离图D。对于I中的像素p，如果p不属于R，D(p)为0，否则D(p)定义为p到R的边界的最小欧式距离。如果D(p)大于0，且不小于相邻像素的距离值，则称其为局部最大值点，这些点可以反映区域的形状信息。对于分割出来的每个区域，需要判断其是否能够通过矩形来拟合。其具体做法是对区域从上到下进行逐行扫描，对于区域内的每一行，沿着水平方向发出一条直线，记录该直线与区域边界的两个交点，称这两个交点之间的距离为该行对应的区域长度。将第i行的区域长度记作Li逐行扫描的长度平均值记为Lˉ，每行长度与平均长度的偏差记为△L，其具体计算方式如下：

设定阀值T，如果Ratio小于设定的阀值，则说明区域内每行的长度变化不是很大，可以利用矩形来拟合该区域，否则该区域则不能用矩形来拟合，也就说明该区域不可能为钢流区域。

此外，钢流区域为一个长条形，其显著特点就是钢流所在区域矩形的长宽比大于5，同时，面积大于整个图像面积的1／18，平均灰度值大于180。因此，为了避免背景中也存在与钢流图像形状类似的矩形区域或者钢流中含有形状类似的渣区域，从区域长宽比、区域面积以及区域平均灰度3方面来剔除干扰区域。对于图6和图7的钢流获取情况如图10和图11所示。

2．2下渣信号的分析

在获取到钢流图像所在区域之后，需要进行特征提取以确定准确的含渣量信息。由于渣的热辐射率远大于钢水，这种差别反映到红外图像上面就是渣的灰度特征值大于钢水。因此，对于每帧图像，只需要设置合适的阀值Tslag，就能计算出钢流区域的含渣量。在截取的矩形区域内，计算出灰度值大于Tslag的像素点的个数s，以及钢流的总像素数l，那么钢流中的含渣率SR就可通过s／l来确定了。

传统的算法只是依据每帧图像的含渣量来判断下渣，也就是说只要判断到某帧图像的含渣量超过系统设定值，即判定为下渣状态。然而在转炉出钢过程中存在种种意外状况，比较典型的有：现场烟雾很大甚至完全遮住钢流；出钢口挂渣，当渣下落的时候使得短时“下渣量”很大。图12显示了一种比较典型的出钢口挂渣掉落过程，该过程一共持续4帧的时间，取阀值为210，则这4帧图像中钢流的含渣量(体积分数，％)分别为：50．59、88．86、87．31、84．10，由此可见，出钢口挂渣对于下渣状态的检测影响是很大的。因此，笔者提出综合考虑前后几个时刻的图像信息来确定下渣的算法，以此来避免瞬时“下渣”对于检测准确率的影响。

具体来说，使当前图像与之前15帧、30帧与60帧的图像信息通过加权平均以最终确定含渣量。假设第i帧图像的单帧含渣量为SRi，权重矢量定义为Weight=[0．4，0．3，0．2，0．1]，则第n帧图像的加权含渣量Pn为：

Pn=0．4×SRn+0．3×SRn-15+0．3×SRn-30+0．1×SRn-60              (5)

利用加权平均的方法计算图12的加权含渣量(体积分数，％)分别为：24．39、39．70、37．68、37．80。可见，应用新的算法分析红外出钢图片对于改善下渣量检测的准确率是十分有效的。

转炉出钢钢流的获取流程与下渣信号分析流程如图13所示。

3  现场试验结果

3．1  实时性分析

引入复杂算法会不可避免地增加处理时间，而转炉出钢下渣检测为实时性检测，必须对于实时性进行验证。根据上述的处理方法，转炉出钢下渣检测包括钢流的获取和下渣信号分析两部分，其中获取钢流所用的时间能够通过单帧图像的分析比较准确地给出，下渣信号分析部分由于涉及到在当前时间点之前一共3帧图像信息的获取，处理时间较难准确计量。然而，钢流获取占据了处理时间的主要部分，下渣信号的分析只需要进行简单的加权平均计算，其处理时间可以忽略不计，因此，下面仅对于钢流获取时间进行分析。

选择一炉在现场采集的录像作为试验样本，样本从开始出钢到出钢结束一共历时6min4s，为了检测对于不同出钢时刻钢流图像的识别效果与处理时间，每隔0．5min采集一幅红外出钢图像。试验选用的工控机为研华IPC-610MB-L，其中CPU为Pentium Dual Core 2．6G E5300，内存为1GB DDRII。图14显示了每一帧图像获取钢流所用的时间以及对应的处理结果，即含渣量。其中曲线表示图像的处理时间，柱状图表示每帧图像的含渣量。

从图中可以看出，前半分钟的时间内出渣量和处理时间均较高是由于出钢前期炉内浮于钢水上部的渣层刚好在出钢口附近，随着转炉倾角的增大，出渣量恢复正常；在2．5min左右出现了卷渣现象从而使得瞬时下渣量较大，同时由于这期间的下渣比较分散，获取钢流所需的处理量大，所以处理时间也很长；最后在6min的时刻出渣量瞬间增大，为全渣状态，这期间的钢流获取时间比无渣状态长，但由于渣比较集中，其处理时间比卷渣状态要低一些。每帧图像获取钢流所用的时间都在10ms以下，即使加上分析加权下渣量所耗的时间也能够满足30帧／s的采样频率。

3．2  现场应用效果

应用以上研究成果，在国内某钢铁企业进行了为期1周的现场试验。为了验证所述改进算法的有效性，首先在现场同时采用传统的完全基于阀值分割的算法和笔者提出的算法对同一转炉进行检测，检测成功率如表1所示。

为了更加直观地显示改进的红外转炉下渣检测系统的效果，采取对比下渣到钢包的渣厚度的方法。常用的检测渣厚的方法有插杆法和目测法。所谓插杆法是通过在钢包内插入铁杆，测量铁杆上的黏渣长度来检测钢包的渣厚，由于渣在钢包钢水表面不是均匀分布，通过一个或两个点的渣厚来确定总体的渣厚缺乏代表性，然而采用操作工目测方式来评价转炉下渣到钢包的渣厚，误差可能更大。因此，选择插杆法来检测下渣到钢包中的渣厚。

转炉出钢过程中下渣到钢包的渣主要包括前期渣、中期卷渣等意外情况带来的下渣以及后期渣。其中后期下渣量所占比例最大，以300t转炉4min出钢为例，出钢中后期1s的下渣量可以达到400kg左右[7]。现场操作人员往往为了提高钢水收得率而造成启动抬炉不及时从而进一步造成出钢后期下渣到钢包的渣量的增加。基于红外的转炉出钢下渣检测方法通过对于出钢结束后下渣时刻的快速准确判断来指导操作工启动摇炉，从而减少操作工依靠肉眼判断下渣时刻所带来的下渣量增加。传统的基于灰度阀值分割的方法在遇到某些特殊情况时不能对钢流进行有效获取，而所采用的分水岭分割结合矩形拟合的方法有效提高了钢流获取和含渣量计算的准确性，最大限度地避免了意外情况对于下渣检测系统准确性和稳定性的影响，其直接效益即体现在进一步减少了下渣到钢包的渣量。表2显示了未使用转炉出钢下渣检测系统的2号转炉、使用了基于阀值分割算法的下渣检测方法的3号转炉和使用笔者提出的方法的5号转炉在试验的一周过程中每一天下渣到钢包的平均渣厚情况。

从以上两方面的对比情况可以看出，在检测准确率方面，所提出的改进算法使传统的转炉出钢检测算法的准确报警率从87．2％提高到了95．2％，使平均渣厚减小了10mm左右。因此，所提出的算法在现场试验应用中是有效的。

针对传统的完全基于灰度阀值分割的图像处理算法在处理转炉出钢过程中产生意外情况时检测准确率下降的缺点，提出了利用分水岭分割结合矩形拟合来获取钢流图像，并且综合前后共4帧图像信息来分析钢流图像的方法。现场试验结果表明，所提出的算法在提高检测准确率和减小钢包平均渣厚方面效果显著。在试验的过程中，仍然存在个别炉次报警异常，主要原因是在出钢中后期受到了卷渣现象的影响。虽然提出了利用加权平均的方法来最终确定下渣量，但卷渣现象导致下渣持续时间可以长达3～5s，本改进算法也未能100％消除卷渣所带来的影响。因此，后续的研究工作将围绕通过引入神经网络的算法对于卷渣等特殊状态进行动态模式识别，以进一步提高下渣检测系统检测的准确率。

参 考 文 献：

[1]   Julius E，Theissen W，Block F R．Function and Application of Electromagnetic Slag Detection System [J]．World Steel and Metalworking，1987，107(9)：56．

[2]   李培玉，甘涛，沈国振．基于红外热成像原理的嵌入式下渣检测方法[J]．钢铁研究学报，2010，22(7)：59．

[3]   Rau H，Rop V．Application of Thermographic Slag Detection[J]．Ingo MPT Metallurgical Plant and Technology International：Germany，2002，25(1)：52．

[4]   Felzenszwalb P F，Huttenloeher D P．Efficient Graph-Based Image Segmentation[J]．International Journal of Computer Vision，2004，59(2)：167．

[5]   罗玲，解梅，陈杉．基于多尺度形态滤波的分水岭图像分割方法[J]．计算机辅助设计与图形学学报，2004，16(2)：168．

[6]   孙庆杰，吴恩华．基于矩形拟合的人体检测[J]．软件学报，2003，14(8)：1388．

[7]   孙兴洪，蒋小弟．宝钢炼钢厂转炉挡渣工艺技术的发展[J]．宝钢技术，2010(2)：58．