论文部分内容阅读
球团矿是现代大型高炉炼铁的重要原料之一,与传统的烧结矿相比,球团矿具有品位高,强度好、易还原、透气性好等优点,对于优化高炉炉料结构、提高高炉利用系数具有重要价值。粒径是球团矿的重要质量指标之一,需严格控制在8~16 mm之间,粒径分布不均将影响球团矿在高炉冶炼过程中的焙烧时间,增加能源消耗。目前工业球团矿造球过程主要采用圆盘造球机,粒径测量主要采用人工取样离线筛分方法,劳动强度大、耗时长、测量结果滞后,易导致调控不及时,造成工况波动大,已成为制约造球过程稳定优化运行和球团矿生产全流程智能化的瓶颈问题。近年来,机器视觉技术的迅猛发展为上述问题提供了一种新的解决方案。但是,球团矿造球过程是将含水细磨粉料在设备和机械力的作用下,经过滚动、转动、挤压形成生球的复杂过程,处于粉尘、水雾、旋转、振动、不均匀光照等不利环境,导致图像质量低、噪声大,加之生球颗粒一直处于运动状态且粘连重叠,这对基于机器视觉的粒径检测算法的精度和速度提出了挑战。针对以上科学问题,本文依托国家自然科学基金项目(编号:61973108),以某钢铁厂圆盘造球机设备内的造球过程为具体对象,系统研究基于机器视觉的粒径在线检测方法,重点解决图像去雾、造球机出料区生球粒径检测、稳定区生球粒径检测、超大生球自动检测与抓取等一系列关键问题,具有重要的学术价值与工业应用前景。本文完成的主要工作及创新点如下:(1)在深入分析球团矿造球过程机理的基础上,确定了合理的机器视觉检测工位(圆盘造球机的出料区和稳定区),并设计了合适的图像采集系统。出料区为成品生球,其粒径反映了产品质量;稳定区为半成品生球,其粒径变化反映了工况变化趋势。对出料区和稳定区同时进行粒径检测,能为造球过程提供产品质量信息以及工况变化信息。(2)针对造球现场存在粉尘和水雾导致图像质量下降的问题,提出了一种基于熵最大化先验和线性变换的生球图像去雾方法,为粒径的准确检测奠定基础。首先,在实验室环境下模拟造球现场雾气成像过程,采集了大量雾气图像并建立了数据集;然后,通过对雾气图像的特征进行对比分析,得到了熵最大化先验知识;最后,将先验知识与大气散射模型约束下的线性变换相结合,恢复了清晰的无雾图像。利用实验室环境下获取的有雾图像和工业现场采集的有雾图像,分别对本文去雾算法和其它六种对比算法进行了定性和定量测试。结果表明:本文算法在实验室雾气图像数据集上测试所得结构相似指数值为26.69、信噪比值为0.85,均优于其它六种对比去雾算法;采用本文方法恢复后的图像,很少出现过增强现象,且单幅图像计算时间为0.19s,满足实时性要求,具有明显优势,为粒径在线检测奠定了良好基础。(3)针对出料区生球粒径检测问题,提出了一种基于双形态学灰度重建和圆周扫描的粒径在线检测方法。该方法充分考虑了出料区生球颗粒的灰度特征和形状特征,首先利用形态学灰度重建方法从图像中提取出颗粒的标记点,对光照不均具有良好的鲁棒性,准确率高;然后,采用圆周扫描方法对重叠颗粒进行分割,避免了传统分水岭算法分割重叠颗粒时出现的锯齿边界现象;最后,采用圆匹配的方法测量出单个颗粒的直径,获得粒径分布统计结果。利用工业现场采集的出料区图像,对本文算法和其它三种对比算法进行了测试。结果表明:本文算法在TPR、PPV等分割精度指标上均优于其它对比算法,且检测得到的粒径分布结果更接近人工筛分结果。本文方法处理单幅图像(1280×1024)的平均处理时间为1.13秒,能满足在线检测的实时性要求。(4)与出料区相比,稳定区的生球数量多、颗粒密集、颗粒之间相互粘连重叠、边缘模糊、粒径范围大,这对粒径检测算法的精度和速度提出了更高要求。针对这一难题,本文提出了一种基于深度学习的稳定区生球粒径检测方法。该方法采用高效率多尺度Nested Unet网络(EMNUnet),对密集颗粒的边缘进行提取;然后,利用圆拟合方法对颗粒边缘点进行拟合,实现了颗粒的准确分割与粒径分布测量。EMNUnet网络仅采用1×3和3×1的非对称简单卷积层,通过串接的方式实现多尺度性能;此外,通过引入连接路径和瓶颈层,在保证分割性能的基础上尽量减少网络参数量,从而提高了网络效率。利用工业现场采集的稳定区颗粒图像对EMNUnet网络进行了训练和测试,并将粒径测量结果与其它五种方法进行了对比。结果表明:本文方法在SEN(0.93)、JAC(0.91)、DSC(0.92)、AUC(0.98)等分割精度指标均优于其它五种分割方法,且粒径测量结果与人工筛分方法更吻合,能够反映不同生产工况下粒径的变化情况。此外,本文所提出的EMNUnet网络的参数量仅为1.2M,跟基准网络相比参数量减低48%,对硬件资源要求不高,能满足小样本训练要求;对稳定区单幅图像(1280×1024)进行粒径检测平均耗时为1.9秒,能够满足在线测量需求。(5)在造球过程中,往往会因为过程参数调节(例如加水量)不当而导致稳定区出现超大生球。这些超大生球会干扰正常的造球过程,且无法从造球机内排出。目前,超大生球的发现和处理过程仍依赖人工巡检和手动铲出,效率低、监测不及时。针对这一问题,本文在(4)的基础上,提出了稳定区超大生球的自动检测方法。该方法通过对EMNUnet网络进行剪枝以及图像下采样,降低了运算量,提高了检测速度。利用工业造球现场采集的稳定区图像对所提方法进行了测试,结果表明:所提方法对超大生球的检测正确率高,漏检率要低于其它两种对比方法;且处理一幅图像的时间约为0.12秒,能满足在线检测需求,克服人工巡检方式效率低的缺点。此外,针对人工手动铲取超大生球劳动强度高、安全隐患大的问题,本文提出了一种机械臂自动铲取超大生球的思路,并在实验室圆盘造球机上进行了模拟验证,证明了该思路的可行性。