李艷麗 ，潘 煉 ，楊 成 ，張 鞏

（1.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，武漢 430081；2.武漢中飛揚(yáng)測(cè)控工程有限公司，武漢 430345）

近年來，鋼鐵企業(yè)對(duì)提升產(chǎn)品檔次，改善鋼水質(zhì)量，降低冶煉成本的要求越來越高，使得轉(zhuǎn)爐出鋼過程中鋼渣含量的檢測(cè)具有重要意義。減少轉(zhuǎn)爐出鋼的下渣量是提高轉(zhuǎn)爐煉鋼產(chǎn)品質(zhì)量，提高鋼水收得率，降低煉鋼生產(chǎn)成本最有效的途徑之一。

目前，國內(nèi)外使用較多的轉(zhuǎn)爐出鋼檢測(cè)方法有：人工視覺觀察法、電磁檢測(cè)法和紅外圖像法[1]。其中，人工視覺觀察法具有很大的主觀性；電磁檢測(cè)法具有準(zhǔn)確和實(shí)時(shí)的檢測(cè)優(yōu)勢(shì)，但電磁線圈安裝過程繁瑣，且長(zhǎng)期暴露在高溫環(huán)境下，使用壽命短，維護(hù)費(fèi)用高；紅外圖像法利用鋼水和鋼渣的紅外輻射溫度差異，轉(zhuǎn)換成圖像，經(jīng)圖像處理后檢測(cè)其中鋼渣含量并分析渣占比，渣占比超過閾值后報(bào)警，啟動(dòng)擋渣操作，提高鋼水質(zhì)量。利用紅外圖像實(shí)時(shí)檢測(cè)轉(zhuǎn)爐下渣具有不受光源、高溫?zé)嵩吹挠绊懀h(yuǎn)距離監(jiān)控等優(yōu)點(diǎn)，在鋼鐵行業(yè)得到廣泛應(yīng)用。

紅外轉(zhuǎn)爐鋼渣檢測(cè)傳統(tǒng)方法存在將鋼口鋼渣、鋼包濺渣識(shí)別為鋼流鋼渣的誤差，導(dǎo)致渣占比偏大，擋渣操作提前，使鋼水收得率低，系統(tǒng)實(shí)時(shí)性較差。而且在出鋼加合金過程中因化學(xué)反應(yīng)產(chǎn)生的濃煙遮擋鋼流，而無法獲知實(shí)際出鋼情況。對(duì)此，提出改進(jìn)的Camshift[2]自動(dòng)檢測(cè)與跟蹤算法，采用二值法分割鋼流圖像，檢測(cè)目標(biāo)輪廓特征標(biāo)定最小外接矩形[3]；增加相鄰兩幀圖像跟蹤框質(zhì)心歐氏距離判斷。

1 系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)

紅外轉(zhuǎn)爐下渣原理是基于普朗克輻射分布定律和維恩位移定律，任何只要溫度高于絕對(duì)零度的物體，每一時(shí)刻都在向外輻射出紅外線。科學(xué)研究表明，紅外輻射以及其他光輻射與組成物質(zhì)的原子、分子的運(yùn)動(dòng)密切相關(guān)，物質(zhì)穩(wěn)定越高表明其發(fā)射的紅外輻射越強(qiáng)[4]。

轉(zhuǎn)爐紅外下渣系統(tǒng)基本框圖如圖1所示。系統(tǒng)核心為高溫紅外熱像儀測(cè)溫設(shè)備（包括不銹鋼材質(zhì)的雙層護(hù)罩），配有紅外濾波衰減片及紅外長(zhǎng)焦鏡頭。安裝在具備良好鋼流觀測(cè)視角的位置，一般為爐后或爐前下渣道附近。系統(tǒng)將采集的鋼流紅外圖像信息傳至主控室，通過上位機(jī)分析處理，計(jì)算并顯示出鋼流中渣占比。

圖1 轉(zhuǎn)爐出鋼系統(tǒng)原理Fig.1 Schematic of converter tapping system

2 Camshift目標(biāo)跟蹤算法

Camshift算法即連續(xù)自適應(yīng)的Meanshift跟蹤算法[5]。該算法對(duì)于背景簡(jiǎn)單、非剛性、有形變的目標(biāo)，能夠自適應(yīng)跟蹤框的大小，精確跟蹤目標(biāo)，且算法復(fù)雜度低，計(jì)算量小，實(shí)時(shí)性好。Camshift采用密度直方圖中“爬山”算法，對(duì)數(shù)據(jù)直方圖進(jìn)行多次迭代，沿著數(shù)據(jù)密度分布梯度的方向找到最大相似度的目標(biāo)區(qū)域[6]，實(shí)現(xiàn)目標(biāo)跟蹤。其主要步驟如下：

步驟1 獲取視頻的第一幀圖片，將其從RGB空間轉(zhuǎn)為HSV空間，并提取H（色調(diào)）通道；

步驟2 手動(dòng)初始化第一幀搜索框W1，確定目標(biāo)的大小和位置；

步驟3 對(duì)初始化區(qū)域進(jìn)行統(tǒng)計(jì)得到顏色直方圖，根據(jù)顏色直方圖反向投影得到當(dāng)前幀的概率分布投影圖；

步驟4 根據(jù)顏色概率分布圖計(jì)算搜索框W1的零階矩M00，得到搜索框W2的長(zhǎng)和寬。計(jì)算W1的一階矩M10和M01，由零階矩和一階矩得到搜索框W2的質(zhì)心位置（xc，yc），調(diào)整搜索框 W2的大小 S，最后移動(dòng)搜索窗口 W1的中心 IW1（xc，yc）到 W2的質(zhì)心IW2（xc，yc），當(dāng)質(zhì)心的移動(dòng)距離收斂于設(shè)定的閾值時(shí)停止迭代，否則返回步驟3執(zhí)行，收斂后讀取下一幀圖像并以當(dāng)前框的位置信息作為下一幀的初始搜索框，重復(fù)執(zhí)行步驟3和步驟4。

零階矩、x和y的一階矩分別為

式中：I（x，y）為圖形中坐標(biāo)點(diǎn)（x，y）處的像素值；M00為零階矩；M10為一階矩，即x的期望值；M01對(duì)y的期望值。由零階矩和一階矩，得到搜索框的質(zhì)心位置 I（xc，yc）為

式中：xc和yc分別為質(zhì)心橫坐標(biāo)、縱坐標(biāo)。二階矩為

式中：I（x，y）為圖像（x，y）處的像素（概率）值。 Camshift目標(biāo)跟蹤算法流程如圖2所示。

Camshift算法是一種基于顏色直方圖信息的半自動(dòng)跟蹤算法，需要人工選取第一幀的搜索窗口，而且只采用HSV顏色模型H通道的顏色信息，當(dāng)目標(biāo)發(fā)生遮擋或者背景有相似顏色干擾時(shí)，該算法容易丟失跟蹤目標(biāo)[7]。

圖2 Camshift目標(biāo)跟蹤算法流程Fig.2 Camshift target tracking algorithmic flow chart

3 選取目標(biāo)邊緣輪廓以及最小外接矩形

3.1 選取目標(biāo)邊緣輪廓

外部曲線輪廓由一系列坐標(biāo)點(diǎn)的集合來表示。逐行逐個(gè)掃描像素點(diǎn)得到目標(biāo)最外層輪廓，具體的最小外接正矩形輪廓特征獲取步驟如下：

步驟1 將二值化后的圖像按照從左至右、自上而下的順序掃描每一個(gè)像素點(diǎn)。

步驟 2 當(dāng)像素點(diǎn)（i，j）滿足圖3，且按有序數(shù)字遞增的最外層邊界數(shù)LNBD=0時(shí)，（i，j）定義為外邊界的開始點(diǎn)位置。

圖3 外輪廓邊界開始點(diǎn)Fig.3 Outer contour boundary start point

步驟3 沿著開始點(diǎn)標(biāo)記邊界上的像素。標(biāo)記方法為：如果當(dāng)前輪廓是在0像素區(qū)域（包含（p，q+1）位置的像素點(diǎn)）和 1像素區(qū)域（包含（p，q）位置的像素點(diǎn)），則將（p，q）處的像素值改為-2；其他情況將（p，q）點(diǎn)的像素改為2，因?yàn)閳D片最左列、最右列、最上列和最下列為圖片框架，被設(shè)置為1。

步驟3 掃描過程中，非邊界非零點(diǎn)的像素值賦值為L(zhǎng)NBD，每重新掃描一行時(shí)LNBD置0。圖片掃描和標(biāo)記示例如圖4所示。圖中，外邊界由“#”，“2”和“：”組成，其中“#”為外邊界的開始點(diǎn)，“：”代表“-2”。

圖4 輪廓檢測(cè)標(biāo)記示例Fig.4 Outline detection marker example

3.2 獲取最小外接矩形

由邊緣輪廓標(biāo)記，得到的外部邊界曲線坐標(biāo)為

式中：xg，xh分別為外部曲線邊界最大橫坐標(biāo)、最小橫坐標(biāo)；yg，yh分別為外部曲線邊界最大縱坐標(biāo)、最小縱坐標(biāo)；a，b分別為最小外接矩形的長(zhǎng)、寬。

4 基于輪廓特征的Camshift目標(biāo)跟蹤算法

以跟蹤鋼流作為試驗(yàn)?zāi)康模瑢⒓t外攝像頭采集的熱輻射溫度信號(hào)轉(zhuǎn)換成視頻圖像，并顯示在計(jì)算機(jī)上，先用均值濾波去除圖片中的噪聲，直方圖均衡化增強(qiáng)圖像對(duì)比度，以及形態(tài)學(xué)處理。未加合金前，鋼流和背景分別呈現(xiàn)紅色和黑色，試驗(yàn)對(duì)象顏色對(duì)比鮮明，目標(biāo)輪廓清晰且呈矩形狀。采用二值法對(duì)圖像進(jìn)行分割，可以得到較為滿意的分割效果。經(jīng)測(cè)試，當(dāng)二值法閾值為317時(shí)分割效果良好，選取出鋼視頻第233幀有遮擋圖片進(jìn)行二值化，鋼流二值化圖像如圖5所示。由圖可見分割效果明顯。

圖5 鋼流有遮擋二值化圖像Fig.5 Steel flow with occlusion binarized image

檢測(cè)第一幀圖片中鋼流的最小外接矩形輪廓，作為Camshift初始化搜索框，實(shí)現(xiàn)全自動(dòng)跟蹤。出鋼過程中加合金產(chǎn)生濃煙遮擋鋼流，發(fā)生目標(biāo)漂移和丟失，引入歐氏距離d。當(dāng)d大于閾值θ，重新檢測(cè)目標(biāo)最小外接矩形輪廓，更新鋼流顏色特征。算法流程如圖6所示。

圖6 基于輪廓特征的Camshift算法流程Fig.6 Flow chart of Camshift algorithm based on contour feature

歐氏距離d為

式中：（x2，y2）為當(dāng)前幀跟蹤框質(zhì)心坐標(biāo)；（x1，y1）為前一幀跟蹤框質(zhì)心坐標(biāo)。

5 試驗(yàn)以及結(jié)果分析

5.1 試驗(yàn)環(huán)境搭建

試驗(yàn)平臺(tái)采用Windows 7，處理器為Intel（R）Core（TM）i5-3210M CPU 2.50 GHz，RAM 為4 GB。系統(tǒng)下使用Visual Studio 2017作為開發(fā)環(huán)境，結(jié)合OpenCV3.1.4視覺庫，對(duì)武漢中飛揚(yáng)公司轉(zhuǎn)爐下渣項(xiàng)目，實(shí)現(xiàn)鋼流目標(biāo)的跟蹤。采用德國歐普士PI 1M型高溫紅外熱像儀測(cè)溫設(shè)備，其測(cè)溫范圍為200～1800℃，顯示像素為764×480，波長(zhǎng)為7～14μm，采集速率為1 kHz。

5.2 第一幀搜索框檢測(cè)試驗(yàn)

由于鋼流本身持續(xù)運(yùn)動(dòng)，手動(dòng)初始化目標(biāo)區(qū)域一般大于或小于目標(biāo)本身。對(duì)第一幀搜索框分別采用Camshift算法，并手動(dòng)初始化搜索框和改進(jìn)Camshift自動(dòng)檢測(cè)搜索框方式。試驗(yàn)效果對(duì)比如圖7，8和 9所示。

圖7 Camshift算法手動(dòng)初始化搜索框小于目標(biāo)Fig.7 Camshift algorithm manually initializes the search frame smaller than the target

圖8 Camshift算法手動(dòng)初始化搜索框大于目標(biāo)Fig.8 Camshift algorithm manually initializes the search frame larger than the target

圖9 Camshift算法改進(jìn)后的自動(dòng)初始化搜索框Fig.9 Automatic initialization of search frame after improvement of Camshift algorithm

由圖可見，手動(dòng)初始化框小于鋼流目標(biāo)時(shí)，傳統(tǒng)的Camshift跟蹤，只能夠跟蹤到小部分的目標(biāo)；手動(dòng)初始化框大于鋼流目標(biāo)時(shí)，傳統(tǒng)Camshift跟蹤，跟蹤框?qū)⑸钌尘昂弯摿饕煌R(shí)別為目標(biāo)。手動(dòng)選取方式會(huì)將出鋼口的鋼渣誤判為跟蹤目標(biāo)。而采用改進(jìn)的Camshift自動(dòng)檢測(cè)，可以準(zhǔn)確跟蹤整個(gè)鋼流目標(biāo)。

5.3 相似顏色粉塵狀遮擋物試驗(yàn)處理結(jié)果分析

向鋼包加入合金，產(chǎn)生與鋼流相似顏色粉塵狀遮擋物時(shí)，分別采用傳統(tǒng)的Camshift算法和改進(jìn)算法對(duì)鋼流進(jìn)行跟蹤試驗(yàn)，選取第171，194，233幀做跟蹤效果對(duì)比。跟蹤效果的對(duì)比如圖10，11所示。

圖10 Camshift算法有遮擋物跟蹤效果Fig.10 Camshift algorithm with occlusion tracking effect

圖11 改進(jìn)Camshift算法有遮擋物跟蹤效果Fig.11 Improved Camshift algorithm with occlusion tracking effect

由圖10可見，當(dāng)粉塵狀顆粒物漂浮在鋼流周圍時(shí)，鋼流的紅外圖像顏色特征改變，傳統(tǒng)的Camshift算法會(huì)出現(xiàn)跟蹤框漂移。由圖11可見，改進(jìn)Camshift算法更新鋼流目標(biāo)的顏色特征，并能長(zhǎng)時(shí)間準(zhǔn)確跟蹤目標(biāo)。出渣期Camshift算法改進(jìn)前、后的跟蹤效果對(duì)比如圖12，13所示。通過對(duì)比可見，改進(jìn)后跟蹤框不包括出鋼口鋼渣，且準(zhǔn)確跟蹤鋼流。

圖12 出鋼時(shí)Camshift算法跟蹤效果Fig.12 Camshift algorithm tracking effect when tapping

圖13 出鋼時(shí)Camshift算法改進(jìn)后跟蹤效果Fig.13 Improved camshift algorithm tracking effect when tapping

改進(jìn)Camshift算法應(yīng)用于武漢中飛揚(yáng)公司的轉(zhuǎn)爐下渣檢測(cè)項(xiàng)目，分別采用傳統(tǒng)紅外檢測(cè)算法和改進(jìn)Camshift算法進(jìn)行試驗(yàn)驗(yàn)證。數(shù)據(jù)的對(duì)比見表1，表 2。

采用改進(jìn)算法后，測(cè)試30個(gè)鋼包中鋼渣厚度其中有74.59%在30 mm以下；平均渣厚比傳統(tǒng)紅外下渣檢測(cè)少5.29 mm，減少幅度為9.88%。

6 結(jié)語

本文提出了一種基于改進(jìn)Camshift的紅外轉(zhuǎn)爐鋼流自動(dòng)檢測(cè)與跟蹤算法。將鋼流的最小外接矩形輪廓特征和Camshift顏色特征結(jié)合，實(shí)現(xiàn)自適應(yīng)準(zhǔn)確跟蹤，排除了出鋼口和鋼包濺渣對(duì)渣占比計(jì)算精度的影響；增加歐氏距離因子判斷，解決了跟蹤漂移等問題。試驗(yàn)結(jié)果表明，該方法避免了因轉(zhuǎn)爐傾角改變導(dǎo)致無法準(zhǔn)確計(jì)算含渣量的情況，準(zhǔn)確判斷出鋼時(shí)間，減少了鋼包中鋼渣的含量，鋼水質(zhì)量得到保證。

表1 含渣量檢測(cè)試驗(yàn)結(jié)果對(duì)比Tab.1 Comparison of experimental results of slag detection

表2 平均渣厚檢測(cè)結(jié)果對(duì)比Tab.2 Comparison of average slag thickness test results