一种基于机器视觉的溢渣检测方法与流程

本发明涉及工业检测领域，特别是涉及一种基于机器视觉的溢渣检测方法。

背景技术：

在炼钢过程中，需要对钢水进行精炼，vd(真空脱气/vacuumdegassing)精炼是一种在真空环境下吹氩精炼的方式。在vd炉抽真空前，吹入氩气的搅拌能力弱，因此渣-金界面反应较慢，渣面微微波动；随着vd炉内真空度的提升，吹入氩气的体积膨胀越来越剧烈，导致炉渣发泡及炉渣体积剧烈膨胀，沿钢包溢出，并烧坏真空室内的设备，严重影响生产。目前，对冶炼炉的溢出的检测主要依靠人工观察，进而对溢渣情况进行监测和反馈，不仅危险，而且检测容易出现认为误差，影响安全生产。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于机器视觉的溢渣检测方法，用于解决现有技术中溢渣检测不便的问题。

为实现上述目的及其他相关目的，本发明提供一种基于机器视觉的溢渣检测方法，包括：采集冶炼炉的图像信息，并对图像信息进行预处理；识别出图像中冶炼炉的轮廓位置；根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域；获取所述感兴趣区域内灰度值较高的亮点；计算所述亮点在所述感兴趣区域内的像素占比。可选的，所述预处理包括对所述图像信息进行灰度处理，并获得灰度图像，所述灰度图像为像素矩阵。

可选的，对所述灰度图像进行二值化处理获取二值化图像。

可选的，获取所述灰度图像中的两个峰值，对两个所述峰值求灰度均值，将所述灰度图像中高于所述灰度均值的像素灰度设置为“1”，将所述灰度图像中低于所述灰度均值的像素灰度设置为“0”，获取所述二值化图像。

可选的，提供图像采集模块，并将所述图像采集模块的拍摄图像中心与所述冶炼炉的圆心设置为同心，对称选取所述拍摄图像的一半为所述图像信息。

可选的，定义所述轮廓位置与所述冶炼炉图像圆心的距离为r，定义以所述冶炼炉的圆心为圆心且以r+d为半径的圆为检测圆，在所述图像信息内对所述冶炼炉图像与所述检测员图像求补集，所述补集为感兴趣区域。

可选的，获取所述感兴趣区域内像素灰度为“1”的像素，所述像素灰度为“1”的像素为所述亮点。

可选的，计算所述亮点在所述感兴趣区域的像素占比，根据像素占比来检测溢渣。

可选的，当所述像素占比小于1％时，则溢渣不严重；当所述像素占比大于1％小于10％时，则存在轻微溢渣现象；当所述像素占比大于10％小于20％时，则存在中度溢渣现象；当所述像素占比大于20％小于50％时，则存在较为严重溢渣现象；当所述像素占比大于50％时，则存在十分严重的溢渣现象。

如上所述，本发明的基于机器视觉的溢渣检测方法，具有以下有益效果：

通过对图像进行图像处理，提取出vd精炼炉炉口轮廓，并设置roi区域，针对roi区域进行图像识别，计算出vd溢渣占比，从而获得vd精炼炉的溢渣状况，本发明针对炼钢过程中的vd精炼如何监控溢渣情况的问题，能够准确识别出vd溢渣，并精确计算vd溢渣量并识别vd溢渣的不同程度，可实现自动化、智能化地监控vd炉的实时状态，防止vd炉因吹氧过量而造成的钢水的大规模喷溅，具有易于实现、计算量小、稳定性强的优点，同时可以满足实时性处理的要求，保证vd溢渣检测的准确性，并实现智能化的vd溢渣预警。

附图说明

图1显示为本发明实施例中基于机器视觉的溢渣检测方法的示意图。

图2显示为本发明实施例中图像信息示意图。

图3显示为本发明实施例中未出现溢渣及溢渣不严重的示意图。

图4显示为本发明实施例中轻微溢渣的示意图。

图5显示为本发明实施例中中度溢渣示意图。

图6显示为本发明实施例中中度溢渣及中度溢渣以上溢渣的示意图。

图7显示为本发明实施例中灰度值分布直方图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图7。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

在金属冶炼过程中，尤其是vd精炼过程中，溢渣不仅危害安全生产，而且容易造成人员或者设备的损伤或者损坏，依靠人工观测的方法检测冶炼炉移渣还会存在人工误差，自动化水平低，反馈速度较慢。

为此，请参阅图1和图2，发明人提供一种基于机器视觉的溢渣检测方法，包括：

s1：采集冶炼炉的图像信息，并对图像信息进行预处理；

s2：识别出图像中冶炼炉的轮廓位置，根据所述轮廓位置获取冶炼炉图像，在所述图像信息中对所述冶炼炉图像求补集，获取感兴趣区域roi(regionofinterest)；

s3：获取所述感兴趣区域内灰度值较高的亮点，计算所述亮点在所述感兴趣区域内的像素占比；

s4：根据像素占比判断溢渣情况，进而发出警报。

具体地，所述预处理包括对所述图像信息进行灰度处理，并获得灰度图像，所述灰度图像为像素矩阵，可选取m行n列的灰度矩阵表示灰度图像。

进一步地，请参阅图7，对所述灰度图像进行二值化处理获取二值化图像；更进一步地，根据灰度图像的灰度值分布直方图中的两个峰值(灰度值较低的峰值为较暗的炉口外部区域，灰度值较高的峰值为较亮的炉口内部区域)，找出一个自适应的灰度值阈值threshold，其大小为直方图两个峰值的灰度值的平均值。通过设置的自适应的灰度值阈值threshold，将像素矩阵中的灰度值与灰度值阈值threshold进行数值大小的比较，若灰度值大于threshold则更新该灰度值为1，反之则为0；示例性地，请参阅图7，其横坐标为灰度值，其纵坐标为灰度分布概率，由图可知，在灰度值较低的区域有两个波峰，灰度大约为20和30，可择一选择一个峰值，例如选取20，而且在灰度值较高的区域有一个波峰，其峰值的灰度大约为255，对两个峰值求均值，然后进行阈值分割；通过该处理后，获得一个m行n列的布尔矩阵，该布尔矩阵中数值为1的部分表示了图像中的有用信息，即图2中的白色区域。

示例性地，提供图像采集模块，并将所述图像采集模块的拍摄图像中心与所述冶炼炉的圆心设置为同心，对称选取所述拍摄图像的一半为所述图像信息，定义所述轮廓位置与所述冶炼炉图像圆心的距离为r，定义以所述冶炼炉的圆心为圆心且以r+d为半径的圆为检测圆，在所述图像信息内对所述冶炼炉图像与所述检测员图像求补集，所述补集为感兴趣区域roi(regionofinterest)，由于实际生产过程中，如果发生溢渣情况，溢渣将会出现在冶炼炉的炉口附近，进而，将roi设置为内径为r且外径为r+d的环形，通过检测roi的亮点像素占比来对vd精炼炉进行溢渣评判和预警，不仅缩小了计算量，而且防止出现过多的信号干扰。

详细地，获取所述感兴趣区域内像素灰度为“1”的像素，所述像素灰度为“1”的像素为所述亮点，进而所述亮点即为从冶炼炉溢出的溢渣。

具体地，计算所述亮点在所述感兴趣区域的像素占比，根据像素占比来检测溢渣，例如：

请参阅图3，当所述像素占比为0时，则未出现溢渣；以及，当所述像素占比小于1％时，则溢渣不严重。

请参阅图4，当所述像素素占大于1％小于10％时，则存在轻微溢渣现象。

请参阅图5，当所述像素素占大于10％小于20％时，则存在中度溢渣现象。

请参阅图6，当所述像素素占大于20％小于50％时，则存在较为严重溢渣现象；以及，当所述像素大于50％时，则存在十分严重的溢渣现象；当出现中度溢渣及中度溢渣以上的溢渣，发出预警警报。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。