首页 > 论文范文 > 工程工业论文 > 工业综合论文 > 工业技术论文 > 基于光流法的自动出钢模型

基于光流法的自动出钢模型

2024-11-13 64 上传者：管理员

摘要：自动出钢系统相较手动出钢具有明显的优势，该项技术正在逐步取代传统的操作人员手动出钢模式，而目前使用较多的自动出钢系统有的对外部数据过于依赖，有的大量使用经验数据导致时效性差、容错率低。而通过光流法得到的自动出钢模型准确性高、时效性好、抗干扰能力强，并且摆脱了外部数据的束缚，具有更广阔的应用空间。此法是在出钢区域安置一台高清摄像头，通过光流法对采集到的图像序列中的两帧进行处理计算，得到光流分布图，判断出钢位置，将此算法应用到整个图像序列中，即可得到连续的出钢位置，进而控制出钢车做出相应移动，达到自动出钢的目的。

关键词：
光流法
出钢模型
图像处理
最优估计
机器视觉
加入收藏

自动出钢技术在国内外钢铁企业的应用日益广泛[1]，它可以缩短出钢时间、提高钢包加合金的均匀化程度、减少人员配置、改善工人的工作环境、保证现场人员安全、增加复用性、减少齿轮箱压力、提高收得率、减少下渣从而提高产品质量等。基于这些优点，生产安全保障、环保指标、设备使用率、经济效益等都有较大提升。

目前自动出钢系统主要分为三种模式[2]，即基于出钢模型的自动出钢系统、基于钢水重量的自动出钢系统、基于出钢时间的自动出钢系统[3]。然而，基于出钢模型的自动出钢系统需要获取大量现场信息，并且要在二级模型的指导下工作，具有很强的局限性，而基于钢水重量和基于出钢时间的自动出钢系统依赖大量经验数据，失误率高。

光流法在图像处理方面有着卓越表现[4]，它是一种对图像目标进行检测、分割和实时跟踪的技术[5]，可以从二维图像平面的光流场恢复出3D场景的结构和运动信息[6]。利用光流法可以实时获取出钢位置的信息，指导钢包车配合移动，达到自动出钢的目的。

1、算法分析

光流法分为基于相位的方法、基于梯度的方法、基于匹配的方法、基于频域的方法和基于神经动力学的方法等[7]。其中基于匹配的方法具有计算速度快、相对误差较小的优势[8]；而基于最优估计点匹配法计算光流值算法简单[9]，对硬件设备的计算能力要求较低，用于计算出钢位置可保证准确性，同时节约成本。

图1设备安装位置

通过一台高清摄像头采集出钢位置实时图像，采集能力为每秒12帧。设备安装位置如图1所示，钢包车运动方向与纸面垂直。在获得的图像序列中任意选取两帧，在第一帧图像内选定一个特征点，在下一帧图像中找到该点的对应点[10]。通过该点前后位置和灰度的变化计算光流，从而得到连续的光流值。由于钢水处光流值远大于其他位置，因此，可以通过光流值间接判断出钢位置。

2、出钢模型

2.1模型计算

任取摄像头采集到的出钢时的图像序列中的连续2帧A、B，在A、B内分别建立平面直角坐标系A(x,y）和B(x,y），假设对于A(x,y）上的点，在B(x,y）上对应的点为，在点X1的邻域ωx1×ωy1内，灰度差平方和εv1最小，见式（1）。

其中vx1和vy1分别为特征点X1在两帧图像中的x轴方向位移和y轴方向位移。

将B(x1+vx1,y1+vy1）在点一阶泰勒展开并代入εv中，A(x1,y1)-B x1,y1可以认为是关于时间t的导数，得式（2）。

令，其中Ix为x轴方向上的图像梯度，Iy为y轴方向上的图像梯度，根据点X1在邻域ωx1×ωy1内的图像信息，并用差分近似代替微分算子，可以求得点X1相邻一个单位内的图像梯度，令，代入中后可简写为式（3）。令，

当G可逆时，方程有唯一解，,此时灰度差平方和达到最小，即为匹配的特征点;

当G不可逆时，设vOpt=0，从而找出匹配的特征点。

通过可以计算出该点的光流值。

在采集到的图像序列中找到A(x,y）中点列X=(X1、X2、X3……Xn）所对应的B(x,y）中的特征点列，从而计算出各点的光流值。

2.2模型修正

根据光流法计算出出钢位置之后，将信息传递给自动出钢系统，由自动出钢系统控制钢包车移动到对应位置即可完成出钢。但是光流法存在的问题就是，要等到出钢开始后才能进行计算，钢包车的初始位置不能通过光流法获得。因此，要对模型进行修正。

根据经验可知，转炉初始出钢位置受炉龄影响，随着炉口侵蚀程度而变化，这种变化较为缓慢，相邻两个炉次之间差异不大。因此，可以利用上一炉钢的初始出钢位置作为参考，具体方法如下：

假设第n炉钢的初始出钢位置为Xn，则第n+1炉钢开始出钢前，先将钢包车移动到Xn处，开始出钢后，经过光流法计算可1以获得第n+1炉钢的实际初始出钢位置为Xn+，将其作为第n+2炉钢的初始出钢位置，以此类推。

修正后的出钢模型更加完整，可以连续运转，每次修炉后的第一炉钢有操作人员人工将钢包车移动至合理位置，之后可完全将控制权交给自动出钢系统，直至下一次修炉。

3、模型对比

基于钢水重量的自动出钢系统和基于出钢时间的自动出钢系统依赖大量经验数据，不具备实时性，并且抗干扰能力差，准确性得不到保证；而基于出钢模型的自动出钢系统虽然准确度较高，但模型计算需要同时获取来自外部系统的二级数据、炉型测量数据、熔池液位计算数据和钢包车称重设备数据等多种信号才能正常工作，具有很强的局限性。当全部条件均具备时，通过对某一炉钢的模型计算，得到基于出钢模型的自动出钢系统的出钢曲线如图2所示。

图2基于出钢模型的自动出钢系统出钢曲线

基于光流法的自动出钢模型不依赖任何外界数据，仅通过现场摄像头采集到的图像序列即可完成计算，对使用环境要求并不严格，并且通过光流法计算出的出钢位置为实时数据，具有很强的抗干扰能力和应变能力，通过对同一炉钢的光流计算，可得前两帧图像光流分布（图3）。

图3光流分布图

从图3可以看出出钢位置的光流值明显高于其他位置，虽然环境内会有其他光源干扰，但其光流值仍远低于出钢位置，并且不如出钢位置密集。因此，通过光流计算可以对出钢位置进行准确判断。得到前两帧图像的出钢位置后，将此算法应用到全部图像序列中，即可得到出钢过程中连续的出钢位置信息，进而控制钢包车移动到相应位置[11]，完成自动出钢过程。

基于光流法的自动出钢系统的出钢曲线如图4所示。

图4基于光流法的自动出钢系统出钢曲线

通过两种方法所得曲线对比可以看出，基于光流法的自动出钢系统出钢曲线和基于出钢模型的自动出钢系统出钢曲线基本吻合，证明光流计算完全适用于自动出钢系统，能够保证出钢准确性。

4、总结

(1）光流法完全适用于自动出钢系统，在保证模型准确性的前提下，摆脱了二级数据、炉内钢水量、炉衬侵蚀情况、炉口侵蚀情况、出钢口静压力、钢包车重量等信息的限制，打破了基于出钢模型的自动出钢系统的局限性，基于光流法的自动出钢系统具有更广阔的应用空间。

(2）基于光流法的自动出钢系统不依赖经验数据，具有良好的时效性，并且抗干扰能力强，降低了自动出钢系统的失误率，保证了生产安全，提高了经济效益。

参考文献:

[1]朱苏敏. ASPEX全自动夹杂物分析技术在优化炼钢工艺上的成功应用[C]//中国金属学会.2014年全国炼钢—连铸生产技术会论文集,2014:603-607.

[2]胡世君.特钢棒材精整线智能喷码系统关键技术研究[D].河北科技大学,2019.

[6]刘嘉文.复杂场景目标识别特征分析与跟踪算法研究[D].华中科技大学,2019.

[7]韩瑞泽,冯伟,郭青,等.视频单目标跟踪研究进展综述[J].计算机学报,2022,45(09):1877-1907.

[10]黄平,曹镇,王欢.基于环形特征匹配的双目视觉里程计[J].光学学报,2021,41(15):166-176.