本發(fā)明屬于煉鋼，具體地，涉及基于機(jī)器視覺(jué)的轉(zhuǎn)爐出鋼自動(dòng)抬爐搖爐方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、煉鋼是鋼鐵行業(yè)的重要過(guò)程，在煉鋼過(guò)程中，擋渣和抬爐是兩個(gè)關(guān)鍵環(huán)節(jié)，對(duì)鋼水質(zhì)量和生產(chǎn)效率有著決定性作用。擋渣是指在鋼水從轉(zhuǎn)爐倒入鋼包的過(guò)程中，利用擋渣錐或其他裝置阻擋鋼流，防止鋼渣進(jìn)入鋼包，從而保證鋼水純度。擋渣的成功與否直接影響鋼水質(zhì)量。抬爐是指出鋼結(jié)束將轉(zhuǎn)爐爐口抬起，防止鋼渣隨著鋼水流入鋼包。抬爐的時(shí)機(jī)選擇至關(guān)重要。如果抬爐過(guò)晚，隨著鋼水液面的下降，部分鋼渣會(huì)被卷入鋼水中。這些混入的鋼渣會(huì)嚴(yán)重影響鋼水的純凈度，引入大量非金屬夾雜物，降低成品鋼材的力學(xué)性能、韌性、抗疲勞性能等。如果抬爐過(guò)早，雖然可以避免鋼渣混入，但也意味著相當(dāng)一部分合格鋼水沒(méi)有被充分利用，而這些鋼水通常要返回轉(zhuǎn)爐重新氧化處理，不僅延長(zhǎng)了煉鋼周期，還額外消耗了大量的能源和原料。理想的抬爐時(shí)機(jī)應(yīng)該在鋼渣混入之前的最后一刻，既最大限度地利用轉(zhuǎn)爐內(nèi)的鋼水，又能確保鋼包內(nèi)鋼水的潔凈度。

2、傳統(tǒng)的擋渣和抬爐控制主要依賴(lài)操作工人的經(jīng)驗(yàn)和判斷。操作工人通過(guò)觀察鋼流等現(xiàn)象，憑經(jīng)驗(yàn)決定抬爐的時(shí)機(jī)。這種方式存在以下問(wèn)題：主觀性強(qiáng)，受操作工人經(jīng)驗(yàn)和技能的限制，判斷結(jié)果因人而異，缺乏客觀標(biāo)準(zhǔn)；人工觀察難以捕捉鋼流的瞬時(shí)變化，判斷滯后，影響過(guò)程控制的及時(shí)性；惡劣的工作環(huán)境對(duì)操作工人的健康構(gòu)成威脅，也影響判斷力。

3、專(zhuān)利公開(kāi)號(hào)為cn112458231a的中國(guó)專(zhuān)利，公開(kāi)了一種轉(zhuǎn)爐下渣檢測(cè)方法及系統(tǒng)，包括，激光測(cè)距裝置實(shí)時(shí)測(cè)量鋼包車(chē)至轉(zhuǎn)爐中心的距離；下渣分析裝置根據(jù)轉(zhuǎn)動(dòng)角度計(jì)算鋼流落點(diǎn)位置，根據(jù)鋼流的落點(diǎn)位置和鋼包車(chē)至轉(zhuǎn)爐中心的距離控制鋼包車(chē)平移至鋼流的落點(diǎn)位置；紅外熱像儀裝置實(shí)時(shí)采集鋼流圖像；下渣分析裝置對(duì)鋼流圖像進(jìn)行圖像處理并計(jì)算渣含量；當(dāng)渣含量超過(guò)異常閾值時(shí)，控制擋渣裝置關(guān)閉出鋼口，同時(shí)控制轉(zhuǎn)爐轉(zhuǎn)動(dòng)回初始角度。該方法主要利用了自動(dòng)化設(shè)備和圖像處理技術(shù)監(jiān)測(cè)鋼水流動(dòng)中的渣含量，并通過(guò)這些數(shù)據(jù)來(lái)控制出鋼口的開(kāi)啟和轉(zhuǎn)爐的旋轉(zhuǎn)。但是該技術(shù)依賴(lài)于將鋼渣在鋼流圖像中的像素比率作為判斷依據(jù)。這種方法潛在地受到圖像采集條件的影響，比如照明變化、激光測(cè)距設(shè)備的精度、紅外熱像儀性能及其與現(xiàn)場(chǎng)環(huán)境間隔的穩(wěn)定性等因素。鋼渣的像素占比可能會(huì)因攝像角度、轉(zhuǎn)爐爐體的振動(dòng)、煉鋼過(guò)程中激光測(cè)距裝置或紅外熱像儀積灰等其他外界因素變化而產(chǎn)生誤差。圖像處理算法的準(zhǔn)確度受限于設(shè)置的閾值，一旦閾值選擇不當(dāng)，將直接影響鋼渣檢測(cè)的結(jié)果。同時(shí)，閾值固定不變也難以適應(yīng)煉鋼過(guò)程變化帶來(lái)的渣含量動(dòng)態(tài)變化。

4、專(zhuān)利公開(kāi)號(hào)為cn110438284a的中國(guó)專(zhuān)利，公開(kāi)了一種轉(zhuǎn)爐智能出鋼裝置及控制方法，包括，轉(zhuǎn)爐煉鋼二級(jí)控制系統(tǒng)、轉(zhuǎn)爐下渣檢測(cè)系統(tǒng)、出鋼口擋渣系統(tǒng)、爐口監(jiān)測(cè)模塊、出鋼監(jiān)測(cè)模塊、通信控制模塊和深度學(xué)習(xí)主機(jī)。然而，首先在圖像采集與預(yù)處理技術(shù)上，該方法采集煉鋼過(guò)程中無(wú)法精確提取圖像序列并進(jìn)行精確分析，且該方法在實(shí)際生產(chǎn)過(guò)程中會(huì)有大量鋼渣進(jìn)入鐵包。其次，在準(zhǔn)確性和可靠性上，該方法采用常規(guī)集成多路gpu的學(xué)習(xí)型電腦主機(jī)通過(guò)神經(jīng)網(wǎng)絡(luò)模型提高圖像中目標(biāo)狀態(tài)識(shí)別準(zhǔn)確率，準(zhǔn)確率不高，判斷不夠精準(zhǔn)。最后，在預(yù)測(cè)模型與控制策略上，該方案無(wú)基于出鋼參數(shù)的預(yù)測(cè)模型和自動(dòng)控制邏輯進(jìn)行預(yù)測(cè)與判斷，預(yù)測(cè)與判斷過(guò)程過(guò)于原始。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于機(jī)器視覺(jué)的轉(zhuǎn)爐出鋼自動(dòng)抬爐搖爐方法、系統(tǒng)及介質(zhì)。

2、根據(jù)本發(fā)明提供的一種基于機(jī)器視覺(jué)的轉(zhuǎn)爐出鋼自動(dòng)抬爐搖爐方法，包括：

3、步驟1：通過(guò)位置傳感器l1實(shí)時(shí)獲取轉(zhuǎn)爐角度數(shù)據(jù)，擋渣條件滿(mǎn)足時(shí)，觸發(fā)紅外工業(yè)相機(jī)開(kāi)始實(shí)時(shí)連續(xù)采集煉鋼過(guò)程中的圖像序列；

4、步驟2：圖像預(yù)處理單元對(duì)獲取的圖像序列進(jìn)行濾波降噪預(yù)處理，預(yù)處理后采用基于區(qū)域生長(zhǎng)和閾值分割相結(jié)合的方法將鋼流與背景分離，排除背景區(qū)域的干擾；

5、步驟3：圖像特征提取單元提取鋼流的特征參數(shù)，并計(jì)算鋼渣在鋼流中的占比；通過(guò)擋渣判定單元特征融合判斷擋渣是否成功；

6、步驟4：在線預(yù)測(cè)單元中的預(yù)測(cè)模型接受出鋼參數(shù)進(jìn)行抬爐時(shí)機(jī)預(yù)測(cè)，將預(yù)測(cè)結(jié)果傳遞給轉(zhuǎn)爐控制單元，自動(dòng)觸發(fā)擋渣失敗提前搖爐或者擋渣成功抬爐操作。

7、優(yōu)選地，步驟1，包括：

8、步驟1.1：位置傳感器l1實(shí)時(shí)采集轉(zhuǎn)爐角度數(shù)據(jù)θ(t)，并將數(shù)據(jù)傳輸至控制系統(tǒng)；

9、步驟1.2：控制系統(tǒng)根據(jù)預(yù)設(shè)的出鋼起始角度閾值θ0，判斷是否滿(mǎn)足擋渣條件；

10、判斷條件為：θ(t)≥θ0，判斷為擋渣過(guò)程開(kāi)始；

11、步驟1.3：擋渣條件滿(mǎn)足后，控制系統(tǒng)發(fā)送觸發(fā)信號(hào)給紅外工業(yè)相機(jī)，開(kāi)始連續(xù)采集轉(zhuǎn)爐出鋼過(guò)程圖像序列。

12、優(yōu)選地，步驟2，包括：

13、步驟2.1：采用高斯濾波器對(duì)圖像進(jìn)行平滑處理，降低噪聲干擾；高斯濾波器的核函數(shù)為：

14、

15、其中，σ為高斯核的標(biāo)準(zhǔn)差，控制平滑程度；

16、濾波后的圖像ig(ti)為：ig(ti)＝i(ti)*g(x，y)；

17、其中，*表示卷積操作；

18、步驟2.2：在預(yù)處理后的圖像ig(ti)中，選擇鋼流區(qū)域內(nèi)的一個(gè)或多個(gè)像素點(diǎn)作為種子點(diǎn)；

19、從種子點(diǎn)開(kāi)始，將相鄰像素點(diǎn)納入鋼流區(qū)域；設(shè)當(dāng)前像素點(diǎn)為(x，y)，其灰度值為ip(x，y)，將其與種子點(diǎn)的灰度值ip(x0，y0)進(jìn)行比較，若滿(mǎn)足：

20、|ip(x，y)-ip(x0，y0)|≤tg

21、則將(x，y)納入鋼流區(qū)域，重復(fù)此過(guò)程，直到無(wú)新像素點(diǎn)加入；

22、其中，tg為生長(zhǎng)閾值，控制鋼流區(qū)域的灰度相似性；

23、步驟2.3：對(duì)生長(zhǎng)后的鋼流區(qū)域進(jìn)行閾值分割，提取鋼流的精確邊界，定義閾值ts公式為：

24、

25、其中，鋼流區(qū)域的平均灰度值為μs，背景區(qū)域的平均灰度值為μb；

26、將灰度值大于ts的像素點(diǎn)標(biāo)記為鋼流，其余標(biāo)記為背景，得到二值化的鋼流掩模ms(ti)：

27、

28、步驟2.4：對(duì)鋼流掩模ms(ti)進(jìn)行形態(tài)學(xué)處理，填充孔洞，平滑邊界，公式為：

29、

30、其中，和分別表示膨脹和腐蝕操作，s為結(jié)構(gòu)元；

31、步驟2.5：將形態(tài)學(xué)處理后的鋼流掩模ms′(ti)應(yīng)用于原始圖像i(ti)，得到分離后的鋼流圖像is(ti)：

32、

33、優(yōu)選地，步驟3，包括：

34、步驟3.1：提取預(yù)處理后圖像中鋼流的特征參數(shù)流速v(ti)、流量q(ti)和形狀特征f(ti)；

35、步驟3.2：使用加權(quán)平均融合提取的多種特征參數(shù)，判斷擋渣是否成功；

36、步驟3.3：根據(jù)鋼水和鋼渣在紅外圖像中的灰度差異，設(shè)定灰度閾值g0；

37、根據(jù)灰度閾值g0，對(duì)預(yù)處理圖像后的鋼流區(qū)域圖像is(ti)進(jìn)行二值化處理，得到鋼水和鋼渣的區(qū)域；

38、遍歷圖像的每一個(gè)像素點(diǎn)(x,y)，提取其灰度值g(x,y)，將灰度值g(x,y)與閾值g0進(jìn)行比較：若g(x,y)>g0，則將該像素點(diǎn)標(biāo)記為鋼水像素，否則標(biāo)記為鋼渣像素，對(duì)所有像素點(diǎn)完成標(biāo)記后，得到鋼水區(qū)域rs和鋼渣區(qū)域rg的二值圖像；

39、分別統(tǒng)計(jì)鋼水像素?cái)?shù)ns(ti)和鋼渣像素?cái)?shù)ng(ti)，根據(jù)鋼水像素?cái)?shù)ns(ti)和鋼渣像素?cái)?shù)ng(ti)，計(jì)算渣占比r(ti)：

40、其中，r(ti)表示在第i個(gè)時(shí)刻ti的渣占比，取值范圍為[0,1]。

41、優(yōu)選地，步驟3.1，包括：

42、步驟3.1.1：所述計(jì)算鋼流的流速v(ti)，對(duì)相鄰兩幀圖像i(ti)和i(ti+1)進(jìn)行灰度化處理，計(jì)算灰度圖像的時(shí)間導(dǎo)數(shù)it和空間導(dǎo)數(shù)ix,iy，根據(jù)光流約束方程ixu+iyv+it＝0，結(jié)合全局或局部?jī)?yōu)化方法，求解速度矢量(u,v)，對(duì)速度矢量進(jìn)行后使用中值濾波，得到平滑的速度場(chǎng)，提取鋼流區(qū)域的速度矢量，計(jì)算平均速度大小：

43、

44、其中，n為鋼流區(qū)域的像素點(diǎn)數(shù)；

45、步驟3.1.2：分析鋼流區(qū)域的像素面積來(lái)估算鋼流的流量q(ti)；

46、對(duì)圖像i(ti)進(jìn)行二值化處理，提取鋼流區(qū)域的二值掩模b(ti)，對(duì)二值掩模進(jìn)行形態(tài)學(xué)處理，去除孔洞和毛刺，統(tǒng)計(jì)二值掩模中像素值為1的像素點(diǎn)數(shù)ns(ti)，根據(jù)像素點(diǎn)數(shù)和像素尺寸估算鋼流橫截面積：

47、s(ti)＝ns(ti)*sp

48、其中，sp為單個(gè)像素的物理尺寸，鋼流的體積流量q(ti)＝v(ti)*s(ti)，*表示乘法操作；

49、步驟3.1.3：提取鋼流的形狀特征f(ti)；

50、對(duì)二值掩模b(ti)進(jìn)行連通域分析，提取鋼流區(qū)域的連通塊；對(duì)每個(gè)連通塊通過(guò)其形狀參數(shù)面積a、周長(zhǎng)p，計(jì)算圓形度c＝4πa/p2；計(jì)算長(zhǎng)寬比r＝l/w，其中，l和w分別為連通塊的最小外接矩形的長(zhǎng)度和寬度；將形狀特征量化為一個(gè)標(biāo)量值：

51、f(ti)＝a*c/r。

52、優(yōu)選地，步驟3.2，包括：

53、對(duì)各特征參數(shù)進(jìn)行歸一化處理，使其數(shù)值范圍一致；

54、再根據(jù)各特征參數(shù)的重要性和可信度，設(shè)定權(quán)重系數(shù)wv，wq，wf；

55、計(jì)算綜合特征值f(ti)＝wv*v(ti)+wq*q(ti)+wf*f(ti)；設(shè)定閾值f0，當(dāng)f(ti)≥f0時(shí)，判斷為擋渣成功；當(dāng)f(ti)＜f0時(shí)，判斷為擋渣失敗。

56、優(yōu)選地，步驟4，包括：

57、步驟4.1：選擇對(duì)抬爐時(shí)機(jī)預(yù)測(cè)特征：擋渣判斷結(jié)果d、鋼渣占比r(ti)、鋼水重量m、出鋼歷史時(shí)間th、鋼水流速v(ti)、轉(zhuǎn)爐參數(shù)p(ti)、環(huán)境因素e(ti)特征，組合成特征向量x(ti)＝[d，r(ti)，m，th，v(ti)，p(ti)，e(ti)]，作為預(yù)測(cè)模型的輸入；

58、步驟4.2：將訓(xùn)練好的預(yù)測(cè)模型部署在在線預(yù)測(cè)單元中，實(shí)時(shí)接收特征向量x(ti)，計(jì)算出抬爐時(shí)機(jī)的預(yù)測(cè)值

59、步驟4.3：將預(yù)測(cè)結(jié)果傳遞給轉(zhuǎn)爐控制單元進(jìn)行抬爐與搖爐自動(dòng)化操作。

60、優(yōu)選地，步驟1中圖像序列表示為i(ti)|i＝1，2，...，n；

61、其中，ti表示第i幀圖像的采集時(shí)刻，實(shí)時(shí)監(jiān)測(cè)鋼流狀態(tài)變化。

62、一種基于機(jī)器視覺(jué)的轉(zhuǎn)爐出鋼自動(dòng)抬爐搖爐系統(tǒng)，包括：

63、模塊1：用于通過(guò)位置傳感器l1實(shí)時(shí)獲取轉(zhuǎn)爐角度數(shù)據(jù)，擋渣條件滿(mǎn)足時(shí)，觸發(fā)紅外工業(yè)相機(jī)開(kāi)始實(shí)時(shí)連續(xù)采集煉鋼過(guò)程中的圖像序列；

64、模塊2：用于圖像預(yù)處理單元對(duì)獲取的圖像序列進(jìn)行濾波降噪預(yù)處理，預(yù)處理后采用基于區(qū)域生長(zhǎng)和閾值分割相結(jié)合的方法將鋼流與背景分離，排除背景區(qū)域的干擾；

65、模塊3：用于圖像特征提取單元提取鋼流的特征參數(shù)，并計(jì)算鋼渣在鋼流中的占比；通過(guò)擋渣判定單元特征融合判斷擋渣是否成功；

66、模塊4：用于在線預(yù)測(cè)單元中的預(yù)測(cè)模型接受出鋼參數(shù)進(jìn)行抬爐時(shí)機(jī)預(yù)測(cè)，將預(yù)測(cè)結(jié)果傳遞給轉(zhuǎn)爐控制單元，自動(dòng)觸發(fā)擋渣失敗提前搖爐或者擋渣成功抬爐操作。

67、一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)基于機(jī)器視覺(jué)的轉(zhuǎn)爐出鋼自動(dòng)抬爐搖爐方法的步驟。

68、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

69、1、通過(guò)紅外工業(yè)相機(jī)實(shí)時(shí)監(jiān)測(cè)轉(zhuǎn)爐出鋼過(guò)程中的擋渣情況，利用具體圖像處理算法分析鋼流的狀態(tài)變化，能夠準(zhǔn)確判斷擋渣是否成功，精度較高；

70、2、通過(guò)采用基于紅外視覺(jué)監(jiān)測(cè)和機(jī)器視覺(jué)智能分析的方法，解決了傳統(tǒng)擋渣判斷依賴(lài)操作員經(jīng)驗(yàn)、存在主觀性和不確定性的問(wèn)題，實(shí)現(xiàn)了擋渣過(guò)程的實(shí)時(shí)監(jiān)控和自動(dòng)判斷，提高了判斷的準(zhǔn)確性和可靠性；

71、3、通過(guò)根據(jù)擋渣結(jié)果，系統(tǒng)可自動(dòng)決定最佳抬爐或搖爐時(shí)機(jī)，有效避免了鋼水質(zhì)量下降和浪費(fèi)問(wèn)題，提高了煉鋼效率；

72、4、通過(guò)擋渣判斷和抬爐時(shí)機(jī)選擇的自動(dòng)化和智能化，降低了操作復(fù)雜性和風(fēng)險(xiǎn)，提升了煉鋼過(guò)程的安全性和可靠性。