一种基于计算机视觉的高炉铁口开口深度测量方法技术

本发明专利技术涉及一种基于计算机视觉的高炉铁口开口深度测量方法

【技术实现步骤摘要】
一种基于计算机视觉的高炉铁口开口深度测量方法


[0001]本专利技术属于高炉铁口开口深度测量
，具体涉及一种基于计算机视觉的高炉铁口开口深度测量方法
。

技术介绍

[0002]高炉炼铁是钢铁冶炼流程的关键环节，其生产成本占钢铁产品成本的
60%
以上
。
开铁口机是炼铁高炉炉前关键设备之一，其作用是以一定角度打开铁口，使铁水顺利从通道流出
。
在高炉冶炼过程中，当铁液熔化完成后，需要通过高炉开铁口机打开出铁口，从而为熔融的渣铁提供流出的通道
。
高炉开铁口机在高炉冶炼过程中起到了至关重要的作用
。
它能够确保铁水在适当的时间和条件下流出，以满足高炉炼铁生产的需求
。
在高炉开铁口机作业过程中，现场操作人员需要及时获取铁口开口深度信息，从而确保高炉铁口开口的准确性和高炉生产的稳定性
。
目前，高炉开铁口机上配有标尺，通过观测开铁口机上滑块在轨梁上的行程，可获得开铁口机的实际钻入铁口深度
。
[0003]高炉出铁口的状态直接影响到铁水的流出速度和量，获得铁口深度等数据可以用于分析和优化冶炼过程，帮助生产操作人员和技术人员更好地了解高炉铁口的状态，并进行相应的调整和改进，是高炉炼铁生产管控的关键环节
。
[0004]但实际应用中，铁口深度的观测主要依靠人工来完成
。
由于操作工需要在高炉铁口处近距离观测开铁口机上滑块在轨梁上的行程，并根据轨梁上部的刻度估计开铁口机的钻入深度，但是，上述方法存在以下几个明显的缺陷：（1）由于人需要在高炉铁口处近距离观测，当铁口打穿后将出现铁水喷溅，因此，其不仅作业环境恶劣
、
耗费人力，还存在非常高的作业风险
。
（2）这种方法存在严重的主观性，测量结果受到人的主观判断和视觉误差的影响
。
不同的观察者可能会有不同的判断标准和误差范围，导致测量结果的不一致性和不准确性
。
（3）目测结果通常以手工方式记录，记录方式不够精确和规范，且数据收集也不及时，不能满足实时分析需求
。
[0005]尽管为了提高测量的准确性和效率，近年来也提出了一些基于机械原理来测量开铁口机开口深度的方法，例如中国专利申请
CN107043837A
公开了一种高炉开铁口机定位装置，将一个挂钩悬挂在开铁口机的尾部，然后另一个挂钩挂在滑块上面，通过机械原理提高了在线观测铁口开口深度的精度
。
但是，上述方法本质上还是通过目测的方法获取铁口深度，仍然无法克服主观性较大
、
记录分析困难等难题
。
并且在开口即将成功时，还需要通过淋浴系统进行冷却来保护装置，其不仅成本较高，且长期暴露在高温恶劣工况下，装置的可靠性和稳定性也得不到保障，实际生产中难以推广应用
。
[0006]为实现开口深度检测，部分研究探索了基于图像处理技术的解决方法
。
其中，部分方法采用传统图像处理技术（如：高斯模糊
、
颜色聚类
、
灰度图转化
、
阈值分割
、
形态学操作等），并结合模板匹配等算法实现开口机运动部件的检测与位置计算
。
但该类方法高度依赖于模板匹配算法，由于生产工况不同（白天
/
黑夜，灯光，烟雾，铁水飞溅），匹配图像难以全面覆盖各种工况，算法精度较低，匹配难度较大
。
此外，监控设备的焦距变化
、
位
置变化等都会导致结果错误，可扩展性差
。

技术实现思路

[0007]针对上述技术问题，本专利技术的目的是提供一种基于计算机视觉的高炉铁口开口深度测量方法；首先，通过高炉铁前监控系统获得特定角位下的高炉开铁口机运动视频
。
然后，通过改进的目标检测模型技术获得开铁口机
、
轨梁
、
滑块等关键部件的位置
。
最后，分析滑块等关键部件在视频图像中的相对位置，通过基于相对位置映射函数计算出开铁口机的钻入深度，从而最终确定铁口深度
。
上述过程全自动完成，不需操作员干预
。
本方法所需视频数据可通过现有高炉铁前监控系统获得，无需增加额外监控设备，也无需对开铁口机添加任何物理装置，且改进的目标检测模型更能应对在复杂工况
、
多尺度检测难点，测量精度高
。
此外，基于相对位置映射函数可更好地应对开口机位置变化
、
摄像设备变化，能实时连续地计算确定铁口深度，开口深度计算更准确
。
因此，本方法全面解决了当前研究方法存在的作业环境恶劣
、
作业风险高
、
测量误差大
、
数据收集不及时等缺点
。
[0008]为了实现上述目的，本专利技术提供了如下技术方案：一种基于计算机视觉的高炉铁口开口深度测量方法，包括如下步骤：
S1、
收集开铁口机运动视频数据集，进行数据标注；利用现有高炉铁前监控系统采集开铁口机运动视频数据，将视频按帧数分割为图片集，构建
VOC
（
Visual Object Classes, 视觉对象类）图像数据集，对
VOC
图像数据集中的关键部件进行数据标注操作；将标注好的
VOC
图像数据集按一定比例划分为训练集
、
验证集和测试集；所述关键部件包括开铁口机及其移动部件；
S2、
构建目标检测模型，使用训练集对模型进行训练；所述目标检测模型包括自适应图像增强网络
、
主干网络
、
改进颈部网络和预测网络；所述自适应图像增强网络包括一个输入长度为
a
×
b、
输出长度为
n
的全连接层和一个归一化指数函数处理层，其中，
a
×
b
为原始图像尺寸；
n
为预定义的图像增强策略种类；自适应图像增强网络输出各图像增强策略的概率，并选择输出概率最大的图像增强策略来对输入的原始图像进行处理，处理后的图像再进入主干网络；当所有训练集完成一次完整数据集的训练时，下一轮数据会根据训练结果自适应调整网络中的参数，从而模型自主选择在特定工况下最有利于指导目标检测的图像增强策略；所述主干网络通过
CBL
（
Conv +BN+Leaky ReLU
）和残差（
Resblock body
）结构实现增强处理后的图像的提取特征；其中， Conv
表示卷积操作，
BN
表示批量归一操作，
Leaky ReLu
表示
Leaky ReLu
激活函数；所述改进颈本文档来自技高网...

【技术保护点】

【技术特征摘要】
公式1中，
D
为当前开铁口机的铁口深度，其单位为
m
；
sub
为图像中参照物与移动部件之间的像素差值，通过公式2计算获得；其中，所述参照物为图像中的固定像素点或通过目标检测模型检测出的固定部件；
k、b
为根据实际数据与图像数据计算的比例常量，分别通过公式3和公式4计算获得；
sub=MX
‑
FX
ꢀꢀꢀꢀ
公式2公式2中，
MX
为移动部件的
x
坐标，
FX
为参照物的
x
坐标；
k=(R1
‑
R2)/(sub1
‑
sub2)
ꢀꢀꢀꢀꢀ
公式
3b=R1
‑
k
×
sub1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4公式3和公式4中，
R1
为前期采集的第一次实测铁口深度，其单位为
m
；
sub1
为第一次实测铁口深度所对应的图像中参照物与移动部件之间的像素差值，参考公式2计算获得；
R2
为前期采集的第二次实测铁口深度，其单位为
m
；
sub2
为第二次实测铁口深度所对应的图像中参照物与移动部件之间的像素差值，参考公式2计算获得；
S6、
识别开口是否成功，并记录最终铁口开口深度；统计图像中像素亮度值大于
150
的高亮度像素的比例，若该比例高于预设阈值则表明开口成功，并记录开口成功前的铁口深度值作为最终的铁口打通深度；所述预设阈值为
20%。2.
根据权利要求1所述的基于计算机视觉的高炉铁口开口深度测量方法，其特征在于，所述步骤
S1
中，所述移动部件为开铁口机上随钻头钻杆一起运动的部件或标记点，所述部件或标记点的选择只需保证在开铁口过程中高炉铁前监控系统能够获取到该部件或标记点的完整图像即可，即该部件或标记点不会进入铁口且不会被其他物体遮盖
。3.
根据权利要求1所述的基于计算机视觉的高炉铁口开口深度测量方法，其特征在于，所述移动部件为滑块或挡板
。4.
根据权利要求1所述的基于计算机视觉的高炉铁口开口深度测量方法，其特征在于，所述步骤
S1
中，标注好的
VOC
图像数据集按

【专利技术属性】
技术研发人员：许浩，张兆华，李雷，
申请(专利权)人：苏州视智冶科技有限公司，
类型：发明
国别省市：