一种基于机器视觉的加热炉中钢坯料检测系统

技术领域

本发明涉钢铁生产技术领域，尤其涉及一种基于机器视觉的加热炉中钢坯料检测系统。

背景技术

现有的加热炉装出炉，均采用热检、测距、计数等传统手段获取数据，通过PLC编程按照一定逻辑进行自动控制，由于加热炉的特殊工作环境，热检、测距等采集到的数据常常存在较大的误差，足以影响装出炉自动控制的正常运行，时不时需要人工干预，以避免坯料在炉内刮蹭炉腔、倾斜拥堵等异常发生。

发明内容

为了解决现有技术中存在的不足，本申请提出了一种基于机器视觉的加热炉中钢坯料检测系统，利用机器视觉，对钢坯料在辊道、炉内等不同工位上的位置、姿态进行实时检测，为传统装出炉自动化控制系统提供额外的决策辅助支撑，达到更精准控制。

本发明所采用的技术方案如下：

一种基于机器视觉的加热炉中钢坯料检测系统，包括：

视频图像采集装置，所述视频图像采集装置设置在加热炉的出炉辊道以及炉内炉口处；

视频分析单元，所述视频分析单元信号连接视频图像采集装置，所述视频分析单元内预置图像预处理方法、钢坯料位置和姿态检测算法，对视频图像采集装置所采集的视频进行处理，获得钢坯料位置和姿态检测结果，并最终输出控制信号；

自动化控制系统，所述自动化控制系统的输入端信号连接视频分析单元，接收视频分析单元输出的控制信号；所述自动化控制系统的输出端信号连接加热炉系统内各电控制单元，根据控制信号控制加热炉系统内各电控制单元执行相应的动作，对钢坯料的位置和姿态进行调节。

进一步，视频分析单元内的图像预处理包括图像去噪、增强处理。

进一步，采用非线性滤波法去除图像背景噪声和减少图像传输过程中参杂的噪声。

进一步，采用自适应增强算法对图像中的信息有选择地加强和抑制，为下一步分析提供稳定一致的输入。

进一步，视频分析单元内置深度学习算法和目标定位模型，目标定位模型使用相应的训练算法，以标注过的出炉辊道以及炉内入炉口不同时间段图像为素材进行训练，多次调优迭代获得。实际使用中，视频分析单元内置的深度学习算法使用训练好的模型，对出炉辊道和炉内入炉口实时视频流进行连续的钢坯料定位和姿态估算，并识别结果转换成开关量控制信号，输出给自动化PLC单元，参与自动化控制。

进一步，自动化控制系统为加热炉系统所配备的装出炉自动化PLC单元，且装出炉自动化PLC单元的输出端信号连接加热炉系统内各电控制单元。

进一步，系统设有数据存储单元，分别连接视频图像采集装置和视频分析单元。

进一步，视频图像采集装置以RTSP协议为系统提供实时视频流。

本发明的有益效果：

1、本系统借助机器视觉，准确检测钢坯料在加热炉不同工位上的位置和姿态数据，为自动化控制系统提供控制决策依据，从而能有效提高控制精度，如稳定出炉节奏、自动调节入炉坯料位置，避免位置、姿态异常可能导致的生产误时等，有利于减少操作工人工干预、提高生产效率。

2、本系统解决了加热炉特殊工况下，热检、测距等传统手段误差大、漂移大，无法正常实用的问题，为自动化控制提供料可靠的辅助控制决策依据，从而能够更精准地控制自动装出炉过程，减少故障发生率，提高生产效率。

附图说明

图1是本发明一种基于机器视觉的加热炉中钢坯料检测系统示意图。

图2是本发明图像处理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

如图1所示的一种基于机器视觉的加热炉中钢坯料检测系统，包括：

(1)视频图像采集装置

在每个加热炉的出炉辊道以及炉内入炉口处设置视频图像采集装置，利用这两处的视频图像采集装置可以实时采集钢坯料的进入加热炉过程的视频；

(2)视频分析单元

视频分析单元与视频图像采集装置之间信号连接，具体地可以在视频分析单元和视频图像采集装置之间设置网络交换机，且网络交换机通过IP网络实现视频分析单元和视频图像采集装置之间数据的传输。

视频分析单元内预置图像预处理方法、钢坯料位置和姿态检测算法，对视频图像采集装置所采集的视频进行处理，获得钢坯料位置和姿态检测结果，并最终输出控制信号。

结合图2所示，视频分析单元内对视频处理的过程包括：视频抽帧、视角矫正、图像预处理、AI检测、业务逻辑转换、控制信号输出。

更具体地，视频抽帧：利用内置的视频抽帧软件对视频图像采集装置所输入的视频进行抽帧处理，获取钢坯料在出炉辊道以及炉口处的一定数量的图像。

视角矫正：对出炉辊道以及炉口处的视频图像采集装置进行视角矫正，，以能够提供俯瞰出炉辊道全景和炉内入炉口全景清晰视频图像为准，让两处视频图像采集装置能够清楚获取这两处钢坯料的视频图像。

图像预处理：包括图像去噪、增强等处理，采用非线性滤波法去除图像背景噪声和减少图像传输过程中参杂的噪声；采用自适应增强算法对图像中的信息有选择地加强和抑制。

AI检测：视频分析单元内置深度学习算法和目标定位模型，目标定位模型使用相应的训练算法，以标注过的出炉辊道以及炉内入炉口不同时间段图像为素材进行训练，多次调优迭代获得。实际使用中，视频分析单元内置的深度学习算法使用训练好的模型，对出炉辊道和炉内入炉口实时视频流进行连续的钢坯料定位和姿态估算，并识别结果转换成开关量控制信号，输出给自动化PLC单元，参与自动化控制。

业务逻辑转换：将钢坯料的实时位置、姿态数据根据业务逻辑转换成控制信号。

控制信号输出：用于将视频分析单元内的控制信号输出。在本申请中，控制信号通过光隔离接口设备输出，保证自动化控制系统的电气独立性。

(3)自动化控制系统

自动化控制系统的输入端信号连接视频分析单元，接收视频分析单元输出的控制信号；在本申请中，自动化控制系统为加热炉系统所配备的装出炉自动化PLC单元，且装出炉自动化PLC单元的输出端信号连接加热炉系统内各电控制单元，根据控制信号控制加热炉系统内各电控制单元执行相应的动作，对钢坯料的位置和姿态进行调节。本实施例中提到的的对钢坯料的位置和姿态进行调节，可以通过对钢坯料的传输单元进行控制，完成相应的动作，也可以由工作人员根据检测结果，再生产现场直接借助相应工具进行调整。

更具体地，视频图像采集装置以RTSP协议为系统提供实时视频流，视频有效像素≥1920*1080，2K更优。

更具体地，视频分析单元采用频率不小于5帧/每秒。

更具体地，钢坯料位置检测误差为：辊道<50cm；炉内<10cm；钢坯料姿态识别准确率≥95％；更具体地，制信号输出：延迟<200ms；光隔离工作温度：-25℃～70℃。

更具体地，视频信号进行录像，机器视觉识别结果，保持到实时数据库，可按需进行查询比对，远程监控。

更具体地，本实施例中提到的控制信号包括但不限于《出炉控制信号(允许/禁止)》、《入炉坯料到位信号(正常/异常)》、《钢坯料位置超限信号(过低/过高)》、《上位机有效心跳(2Hz翻转)》、《视频源有效信号(正常/异常)》等；出炉控制循环将《出炉控制信号》纳入出炉逻辑考量，入炉控制循环将《入炉坯料到位信号》、《钢坯料位置超限信号》纳入逻辑考量，必要时根据两个信号做入炉料位置微调。自动化控制系统考量《上位机有效心跳》和《视频源有效信号》，当上述两个信号发生异常时作出适当相应，如发出现场声光告警、调整控制逻辑等。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。