江紫薇 安智偉 焦裕剛

摘? 要： 二氧化硅作為鐵尾礦的主要組成成分，是鐵尾礦組分中最難熔融的部分。為了揭示鐵尾礦在高爐渣中的熔融行為，根據(jù)一組熔融過程中高溫熔池中二氧化硅的時序圖像，研究了高溫下二氧化硅顆粒的熔融過程。首先將圖像灰度化后并利用高斯濾波去燥等方法對圖像進(jìn)行了預(yù)處理，然后建立了二氧化硅質(zhì)心位置模型，利用KLT算法跟蹤了二氧化硅質(zhì)心的運動軌跡，利用幀差法和CNN算法計算了二氧化硅的實時面積。最后根據(jù)二氧化硅的邊緣輪廓特征，建立了多元線性回歸模型估算顆粒的扁平度，進(jìn)而得出了二氧化硅顆粒的實時質(zhì)量并求解出了二氧化硅的熔融速率。該研究對改進(jìn)高爐渣直接成纖技術(shù)具有重要的指導(dǎo)意義。

關(guān)鍵詞： 幀差法;高斯濾波;CNN算法;多元線性回歸

中圖分類號： TP391 ???文獻(xiàn)標(biāo)識碼： A??? DOI：10.3969/j.issn.1003-6970.2020.07.041

本文著錄格式：江紫薇，安智偉，焦裕剛. 基于圖像處理對二氧化硅熔融行為的研究[J]. 軟件，2020，41（07）：201-205+234

Study on the Melting Behavior of Silica Based on Image Processing

JIANG Zi-wei¹， AN Zhi-wei²， JIAO Yu-gang²

（1. School of science， Jiangxi University of Science and Technology， Ganzhou 341000， China;2. School of science， North China University of Technology， Beijing 100144， China）

【Abstract】： The silica is the main component of iron tailings， which is also the most difficult part to melt. In order to reveal the melting behavior of iron tailings in blast furnace slag， the melting process of silica particles at high temperature was studied according to a series of time sequence images of silica in high temperature molten pool during the melting process. Firstly， the image was preprocessed with the method of gaussian filtering and desiccation， and then the position model of silica center of mass was established. The motion track of silica center of mass was tracked by KLT algorithm， and the real time area of silica was calculated by frame difference method and CNN algorithm. Finally， according to the edge profile of silica， a multiple linear regression model is established to estimate the flatness of silica particles， and then the real-time mass of silica particles is obtained and the melting rate of silica is calculated. This research has important guiding significance to improve the direct blast furnace slag fiber forming technology.

【Key words】： Frame difference; Gaussian filter; CNN; Multiple linear regression

0? 引言

高爐渣是高爐煉鐵過程產(chǎn)生的主要副產(chǎn)品，其年產(chǎn)量高、利用率低^[1，2]。為了提高高爐渣的綜合利用價值，高爐渣纖維化制備礦渣棉技術(shù)應(yīng)運而生。這種技術(shù)保溫材料的發(fā)展帶來前景，還對鋼鐵行業(yè)的節(jié)能減排具有重要意義^[3，4]。而高爐渣廢石的熔解過程主要以SiO2熔解為主^[5]，因此，研究二氧化硅的熔融行為對表征鐵尾礦的熔融過程具有現(xiàn)實意義。但是高溫熔池溫度過高，常規(guī)檢測設(shè)備在該環(huán)境下的使用壽命很短。

為了解決這一問題，相關(guān)研究小組在世界范圍內(nèi)首次采用了一種具有放大作用的裂口CCD視頻拍攝系統(tǒng)，通過該方法獲得了一組高溫熔池中二氧化硅的動態(tài)可視數(shù)據(jù)（時間序列下的序列圖像及視頻）。本文研究的主要目標(biāo)是如何根據(jù)這一組時序圖像，追蹤二氧化硅在熔融這一動態(tài)過程中的運動軌跡、邊緣輪廓特征和實時熔融速率。

1? 圖像的預(yù)處理

為了對二氧化硅的邊緣輪廓特征進(jìn)行更加精準(zhǔn)的定位，筆者對高溫熔池中二氧化硅的動態(tài)圖片進(jìn)行了批量預(yù)處理。首先利用Python中Open.cv庫將其灰度化，彩色圖像灰度化實質(zhì)是將一個彩色圖像的三位像素矩陣為生成一個二維灰度矩陣的過程^[6]，在最大程度上保留彩色圖像信息的基礎(chǔ)上還減小了圖像的原始數(shù)據(jù)量，從而減少了后續(xù)過程的計算復(fù)雜度。然后進(jìn)一步二值化處理并利用高斯濾波去燥^[7]使處理后的圖像變得更加平滑。最后，通過調(diào)整高斯模糊半徑來控制獲得的邊緣的強(qiáng)度，放大了二氧化硅和圖像中其他物體之間的差異，增強(qiáng)了計算機(jī)對二氧化硅運動軌跡的識別能力。

2? 符號說明

3 ?二氧化硅質(zhì)心追蹤模型

3.1? 質(zhì)心追蹤模型的建立

根據(jù)組成二氧化硅的絕大多數(shù)離散點的分布情況，即可追蹤到熔融過程中二氧化硅的近似形狀。假設(shè)二氧化硅的質(zhì)量是均勻的，那么質(zhì)心和其他質(zhì)點之間關(guān)系如下

3.2? 質(zhì)心跟蹤模型的求解

KLT目標(biāo)跟蹤算法是一種以待跟蹤窗口W在視頻圖像幀間的灰度差平方和（SSD）作為度量的跟蹤算法^[8，9]，利用每個特征點周圍小窗口的局部信息之間的相似性度量進(jìn)行最優(yōu)估計。該算法耗時較少，匹配度十分精準(zhǔn)。

KLT算法的具體流程圖見圖2。

將處理后的圖片的左上角設(shè)置為坐標(biāo)的原點，并建立平面直角坐標(biāo)系如圖3所示。

基于質(zhì)心跟蹤模型的基礎(chǔ)上，利用KLT算法跟蹤得到二氧化硅質(zhì)心的實時坐標(biāo)，部分坐標(biāo)見表1。

由于二氧化硅的質(zhì)心的移動相對較慢且數(shù)據(jù)點較多，為了更加形象、清晰地描述二氧化硅質(zhì)心在坩堝中的運動軌跡，筆者利用MATLAB從中依次間隔五個質(zhì)心點中取一個繪制出了二氧化硅的運動軌跡圖像，見圖4。

通過觀察圖4可見二氧化硅在熔融時做無規(guī)則的運動，這與實際情況相符。在筆者的仔細(xì)對比下發(fā)現(xiàn)結(jié)果中二氧化硅質(zhì)心的運動軌跡和拍攝視頻中二氧化硅形心的運動軌跡高度吻合，進(jìn)一步說明了模型的可靠性強(qiáng)和算法的準(zhǔn)確性高。

4? 二氧化硅熔融的邊緣輪廓特征

本文選擇面積來代表二氧化硅在熔融過程中的邊緣輪廓特征。首先考慮使用背景相減法得出二氧化硅輪廓進(jìn)而求出二氧化硅的面積，但是由于所取背景的輕微移動導(dǎo)致所得結(jié)果存在些許誤差然后分別使用了幀差法、卷積神經(jīng)網(wǎng)絡(luò)算法提取了二氧化硅熔融圖像中的輪廓。

4.1 ?幀差法

幀差法是一種從視頻中提取圖像并對其進(jìn)行比較以獲得運動目標(biāo)的方法。幀差法依據(jù)的原則是當(dāng)視頻中存在移動物體的時候，相鄰幀（或相鄰三幀）之間在灰度上有所差別，通過計算兩幀圖像灰度差的絕對值判斷物體的運動狀態(tài)，從而實現(xiàn)目標(biāo)的檢測功能。?相鄰幀之間的對比度實際上是圖像上相應(yīng)像素的對比度，那么

4.2 ?卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)最初是在人類視覺系統(tǒng)的基礎(chǔ)上提出的，主要由輸入層，卷積層，池化層，全連接層和輸出層組成，見圖6。CNN是深度學(xué)習(xí)領(lǐng)域中重要的一種學(xué)習(xí)模型和一種非常適合處理圖像識別與處理的多層神經(jīng)網(wǎng)絡(luò)，它還廣泛地應(yīng)用于語言識別和氣候預(yù)測等^[10，11]。

在卷積神經(jīng)網(wǎng)絡(luò)中，通?？梢酝ㄟ^下式表示二維卷積。

CNN算法流程圖見圖7。

我們將表3中的面積數(shù)據(jù)導(dǎo)入到MATLAB中，并使用高斯函數(shù)擬合二氧化硅面積隨時間變化的圖像，見圖8。

5? 二氧化硅熔融速率模型

5.1? 二氧化硅的體積模型

對于任意形狀顆粒集合的二值圖像，基于其形狀輪廓特征定義一個與顆粒形狀相關(guān)的描述量，并將其無量綱化^[12]。通過建立一個以該無量綱為回歸變量的多元線性回歸模型即可估算顆粒的扁平度，進(jìn)而估算該顆粒集合的體積。那么，二氧化硅的扁平度為

5? 結(jié)論

（1）本文通過對一組熔融過程中高溫熔池中二氧化硅的時序圖像的研究，基于多元回歸的思想并結(jié)合KLT追蹤算法、幀差法、CNN算法等求解出了二氧化硅的實時熔融速率，計算結(jié)果十分貼合實際情況。該結(jié)果對高爐渣直接成纖技術(shù)提供了理論支持，有利于提高生產(chǎn)過程中的工作效率。

（2）高溫熔爐中二氧化硅的熔化行為本身就是一個復(fù)雜且不易捕捉的過程，而本文直觀地反映了高溫熔爐中二氧化硅的狀態(tài)。這樣非直接接觸式的研究，在一定程度上減輕了反復(fù)試驗所帶來的資金的負(fù)擔(dān)和資源的損失。

（3）對于任何形狀的連續(xù)粒子集，如果知道背景變動不大的動態(tài)物體圖像信息，那么可以使用本文中的模型和算法估算目標(biāo)物體的質(zhì)心位置、面積大小和熔融速率，具有十分廣泛的運用前景。該模型可以擴(kuò)展到較大尺寸范圍的粒子，并且可以找到更復(fù)雜的形狀特征參數(shù)以建立更準(zhǔn)確的模型估計。

參考文獻(xiàn)

<！--[if ！supportLists]-->[1]?????? <！--[endif]-->蔡爽， 張玉柱， 李俊國， 等. 酸度系數(shù)對調(diào)質(zhì)高爐渣成纖

質(zhì)量的影響[J]. 鋼鐵釩鈦， 2015， 36（05）： 47-52.

<！--[if ！supportLists]-->[2]?????? <！--[endif]-->洪陸闊， 孫彩嬌， 武兵強(qiáng)， 等. 以鐵尾礦為調(diào)質(zhì)劑改善高爐渣成纖性研究[J]. 金屬礦山， 2017（08）： 209-212.

<！--[if ！supportLists]-->[3]?????? <！--[endif]-->吳劍飛. 高爐渣纖維制備建筑保溫板及其性能優(yōu)化[D]. 河北聯(lián)合大學(xué)， 2013.

<！--[if ！supportLists]-->[4]?????? <！--[endif]-->康月. 高爐渣纖維保溫板的性能優(yōu)化[D]. 華北理工大學(xué)， 2016.

<！--[if ！supportLists]-->[5]?????? <！--[endif]-->田鐵磊. 高爐渣成纖過程調(diào)質(zhì)劑的熔解機(jī)理及均質(zhì)化行為研究[D]. 燕山大學(xué)， 2018.

<！--[if ！supportLists]-->[6]?????? <！--[endif]-->劉美. 彩色圖像灰度化算法的研究與實現(xiàn)[D]. 長春理工大學(xué)， 2019.

<！--[if ！supportLists]-->[7]?????? <！--[endif]-->曹鵬濤， 張敏， 李振春. 基于廣義S變換及高斯平滑的自適應(yīng)濾波去噪方法[J]. 石油地球物理勘探， 2018， 53（06）： 1128-1136+1187+1109.

<！--[if ！supportLists]-->[8]?????? <！--[endif]-->蔡佳， 黃攀峰. 基于改進(jìn)SURF和P-KLT算法的特征點實時跟蹤方法研究[J]. 航空學(xué)報， 2013， 34（05）： 1204-1214.

<！--[if ！supportLists]-->[9]?????? <！--[endif]-->段鴻， 程義民， 王以孝， 等. 基于Kanade-Lucas-Tomasi算法的人臉特征點跟蹤方法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報， 2004（03）： 279-283.

<！--[if ！supportLists]-->[10]??? <！--[endif]-->高登峰， 楊波， 劉洪， 等. 多特征全卷積網(wǎng)絡(luò)的地空通話語音增強(qiáng)方法[J/OL]. 四川大學(xué)學(xué)報（自然科學(xué)版）， 2020（02）： 289-296 [2020-03-29].

<！--[if ！supportLists]-->[11]??? <！--[endif]-->王晨， 寇鵬. 基于卷積神經(jīng)網(wǎng)絡(luò)和簡單循環(huán)單元集成模型的風(fēng)電場內(nèi)多風(fēng)機(jī)風(fēng)速預(yù)測[J/OL]. 電工技術(shù)學(xué)報： 1-14 [2020-03-29].

<！--[if ！supportLists]-->[12]??? <！--[endif]-->陳懇， 趙攀， 汪一聰. 基于任意形狀顆粒集合二值圖像的體積估算模型[J]. 寧波大學(xué)學(xué)報（理工版）， 2007（02）： 141-146.