一种基于视觉识别的热镀锌加湿系统和方法

技术领域

本发明涉及的是冷轧带钢热镀锌质量控制领域，特别涉及一种基于视觉识别的热镀锌加湿系统和方法。

背景技术

随着人民生活水平的提高，用户对于镀锌汽车板和家电板的质量要求越来越高，尤其是表面镀层质量。炉鼻子区域锌灰缺陷是对镀层质量影响最大的缺陷，锌灰产生主要是炉鼻子腔体内锌液面锌蒸汽聚集产生。锌蒸汽一部分附着在炉鼻子内侧形成聚集锌灰，另一部分落回锌液表面形成浮渣。这部分锌灰在生产过程会粘附在带钢表面形成锌灰缺陷。为了尽量减少或者避免这种质量缺陷，通常需要将炉鼻子区域的锌渣实时清理并抑制锌蒸汽的大量产生，使其达到一个平衡状态。

为了抑制炉鼻腔内液面锌蒸汽的大量产生，热镀锌产线通常采用炉鼻子加湿手段来解决这个问题。其主要原理是通过向炉鼻腔内部通入加湿氮气来调节炉鼻子区域露点，从而在炉鼻腔内液面形成一层薄薄的保护膜。同时，也不至于使炉鼻子腔体内部的带钢氧化。

目前的镀锌炉鼻子加湿大部分都是人工根据经验手动调节加湿参数，从而控制炉鼻子腔体内露点。也有部分可以根据露点实现半自动的控制。但是总体来说，都是需要根据经验来判断，人为因素占比高，响应速度慢，控制精度差。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于视觉识别的热镀锌加湿系统和方法。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于视觉识别的热镀锌加湿系统，其特征在于，包括：图像采集装置、信息采集装置、加湿装置、上位机；其中：

图像采集装置，用于获取炉鼻子内部锌液表面图像，并将得到的炉鼻子内部锌液表面图像发送给上位机；

信息采集装置，用于获取加湿系统炉鼻腔内部露点和带钢数据，并发送给上位机；

加湿装置，用于接收上位机发送的加湿控制指令，向炉鼻子内的锌液表面进行加湿处理；

上位机，用于接收摄像头发送的鼻子内部锌液表面图像，根据内部预先设置的图像识别程序，判断炉鼻子腔体内部锌液面锌渣量情况；还用于根据加湿系统信息采集装置发送的露点和带钢数据生成加湿控制模型，并根据生成的加湿控制模型自动向加湿装置发送控制指令，对加湿装置重新设置加湿参数，根据不同镀层产品自动重新调整炉鼻子内部的露点。

进一步地，图像采集装置为摄像头，摄像头设置于炉鼻子两侧，实时获取炉鼻子内部锌液表面图像。

进一步地，信息采集装置至少包括露点仪、加湿系统压力、流量和温度等仪表、机组二级数据。其中，露点仪安装于炉鼻子内部，用于采集炉鼻子区域露点值；机组用于采集带钢数据。

进一步地，带钢数据至少包括：带钢的钢种、镀层种类、锌液温度和带钢温度。

进一步地，加湿装置包括：脱盐水罐、汽水分离器、流量调节阀、电加热器、喷头；其中，脱盐水罐用于将一部分通入气体进行加湿处理；汽水分离器，用于将加湿处理后的气体和未经处理的气体进行混合；流量调节阀，设置于脱盐水罐和汽水分离器上，用于控制进入脱盐水罐和汽水分离器的气体流量；电加热器，设置于脱盐水罐和汽水分离器上，用于对脱盐水罐和汽水分离器的气体进行加热；喷头，通过管道接入炉鼻子对炉鼻子内部，对炉鼻子内部进行加湿。

进一步地，加湿装置还包括：湿度、温度和流量传感器，湿度、温度和流量传感器设置于加湿气体通往炉鼻子的管路上，用于对加湿系统进行湿度、温度和流量控制。

进一步地，上位机加湿控制模型为神经网络模型，将信息采集装置获取的露点值、带钢数据和加湿参数作为样本库，训练神经网络模型，得到基于露点值、带钢数据和加湿参数的神经网络模型，当炉鼻子腔体内部锌液面锌渣量增加时，利用训练好的神经网络模型，根据实时的露点值和带钢数据，重新设置加湿参数，达到抑制锌渣进一步增加的的目的。

进一步地，加湿系统，还包括抽锌渣装置，锌渣装置安装于锌液表面，用于将锌液表面锌液进行清除。

本发明还公开了一种基于视觉识别的热镀锌加湿方法，其特征在于，包括：

S100.当钢带进入炉鼻子时，设置热镀锌加湿系统的参数；

S200.设置于炉鼻子的图像采集装置采集炉鼻子内部锌液表面图像，并将得到的炉鼻子内部锌液表面图像发送给上位机；

S300.信息采集装置采集锌液表面的露点值，上位机根据预设图像识别算法判断炉鼻子腔体内部锌液面锌渣量情况；

S400.当炉鼻子腔体内部锌液面锌渣量减少时，储存锌液表面的露点值和带钢数据，并根据露点值、带钢数据和加湿参数作为样本库，训练神经网络，得到基于露点值、带钢数据和加湿参数的神经网络模型；

S500.当炉鼻子腔体内部锌液面锌渣量增加时，利用训练好的神经网络模型，根据实时的露点值和带钢数据，重新设置加湿参数，达到抑制锌渣进一步增加的的目的。

进一步地，S400的具体方法为：

S401,分别对样本库中的露点值、带钢数据和加湿参数归一化处理，得到归一化样本库；

S402,将归一化样本库中的一组露点值、带钢数据作为神经网络模型的输入，将对应的加湿参数作为输出，计算神经网络模型的参数初值；

S403,将归一化样本库中另一组的露点值、带钢数据作为输入，将得到的参数初值作为参数值组，带入神经网络模型，计算得到加湿参数；

S404,将输出的加湿参数别与归一化样本库中相应的加湿参数进行比较，得到加湿参数输出误差；

S405,若得到的加湿参数输出误差不满足预设输出误差，则将当前处理的这组露点值、带钢数据重新带入预设神经网络模型，重复执行步骤S402-S405；若满足预设输出误差，则执行步骤S406；

S406,当存在参数初值使得归一化样本库中各组数据在执行步骤S405时都满足预设输出误差时，则将该模型作为最终神经网络模型。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明通过收集现场的加湿参数和对应的炉鼻子露点仪检测数据，并通炉鼻子摄像头的视觉识别结果进行反馈，建立带钢参数、加湿系统参数和炉鼻子露点之间的加湿神经网络模型，并不断的进行模型的训练优化，最终实现不同钢种和不同镀层产品生产的加湿系统的智能控制，降低镀层产品的表面缺陷产生概率。本发明解决了现有技术中，人为根据锌液表面锌渣控制加湿器，效率低下，控制准确度不高的问题。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例1中，一种基于视觉识别的热镀锌加湿系统结构示意图；

图2为本发明实施例1中，一种基于视觉识别的热镀锌加湿系统具体结构图。

图3为本发明实施例2中，一种基于视觉识别的热镀锌加湿方法的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的问题，本发明实施例提供一种。

实施例1

本实施例公开了一种基于视觉识别的热镀锌加湿系统，如图1，包括：图像采集装置、信息采集装置、加湿装置、上位机；其中：

图像采集装置，用于获取炉鼻子内部锌液表面图像，并将得到的炉鼻子内部锌液表面图像发送给上位机。

在本实施例中，如图2，图像采集装置为摄像头，摄像头设置于炉鼻子两侧，

实时获取炉鼻子内部锌液表面图像。

信息采集装置，用于获取加湿系统炉鼻腔内部露点和带钢数据，并发送给上位机。

在本实施例中，如图2，信息采集装置至少包括露点仪和机组，其中，露点仪安装于炉鼻子内部，用于采集炉鼻子区域露点值；机组用于采集带钢数据。优选的，带钢数据至少包括：带钢的钢种、镀层种类、锌液温度和带钢温度。

加湿装置，用于接收上位机发送的加湿控制指令，向炉鼻子内的锌液表面进行加湿处理。

在本实施例中，加湿装置包括：脱盐水罐、汽水分离器、流量调节阀、电加热器、喷头；其中，脱盐水罐用于将一部分通入气体进行加湿处理；汽水分离器，用于将加湿处理后的气体和未经处理的气体进行混合；流量调节阀，设置于脱盐水罐和汽水分离器上，用于控制进入脱盐水罐和汽水分离器的气体流量；电加热器，设置于脱盐水罐和汽水分离器上，用于对脱盐水罐和汽水分离器的气体进行加热；喷头，通过管道接入炉鼻子对炉鼻子内部，对炉鼻子内部进行加湿。

在一些优选实施例中，加湿装置还包括：湿度、温度和流量传感器，湿度、温度和流量传感器设置于加湿气体通往炉鼻子的管路上，用于对加湿系统进行湿度、温度和流量控制。

具体的，来自工厂的氮气被分为两个之路：一个支路经过减压后，通往脱盐水罐，并在罐内加湿后通往汽水分离器；通往脱盐水罐的管路上设置流量调节阀，用于控制该支路的流量。脱盐水罐内设置电加热器，用于将罐内的脱盐水加热到指定温度。另一支路经过减压后通往汽水分离器，与加湿后的氮气在汽水分离器内混合；本支路上同样设置流量调节阀，用于控制该支路的流量。

混合后的湿氮气经过电加热器被加热到指定温度，接入炉鼻子对炉鼻子内部进行加湿。

在湿氮气通往炉鼻子的管路上，设置了湿度、温度及流量检测，用于系统控制。本发明所述加湿装置与常规不同是加湿气的流量和温度可根据炉鼻子腔体内露点自动调节，并通过模型进行精确控制。加湿管道末端配置专门的加热装置和保温，减少加湿气对带钢表面的影响。

上位机，用于接收摄像头发送的鼻子内部锌液表面图像，根据内部预先设置的图像识别程序，判断炉鼻子腔体内部锌液面锌渣量情况；还用于根据加湿系统信息采集装置发送的露点和带钢数据生成加湿控制模型，并根据生成的加湿控制模型自动向加湿装置发送控制指令，对加湿装置重新设置加湿参数，重新向炉鼻子内的锌液表面进行加湿处理。

在本实施例中，上位机加湿控制模型为神经网络模型，将信息采集装置获取的露点值、带钢数据和加湿参数作为样本库，训练神经网络模型，得到基于露点值、带钢数据和加湿参数的神经网络模型，当炉鼻子腔体内部锌液面锌渣量增加时，利用训练好的神经网络模型，根据实时的露点值和带钢数据，重新设置加湿参数，达到抑制锌渣进一步增加的的目的。

在一些优选实施例中，一种基于视觉识别的热镀锌加湿系统，还包括抽锌渣装置，锌渣装置安装于锌液表面，用于将锌液表面锌液进行清除。

可以理解的，本实施例公开的一种基于视觉识别的热镀锌加湿系统，包括一套视觉图像识别系统、一套神经网络模型和炉鼻子加湿装置。通过对炉鼻子两侧摄像头拍摄鼻腔内部锌液表面画面的识别判断作为反馈，通过露点仪和机组二级记录炉鼻腔内部露点和带钢相关数据，训练一套有效的神经网络模型，最终实现加湿系统闭环控制，减少热镀锌成品表面的锌灰缺陷，提高产品质量。

本发明所述视觉识别系统由高清摄像头、计算机、视觉识别软件等组成。其中高清摄像头采集炉鼻子内部锌液表面的图像，并传送至计算机，由视觉识别软件对图像中锌渣的颜色和范围进行判断。视觉识别软件利用实际生产的照片作为样本进行人工神经网络训练，提高锌渣分析的准确性和可靠性。

本发明所述人工神经网络模型依据炉鼻子腔体内的露点、带钢的钢种、镀层种类、锌液温度和带钢温度进行训练并得出神经网络模型。当锌液表面锌渣量发生变化时，利用模型给出调整预测，调节炉鼻子加湿气的参数，根据摄像头的视觉识别反馈来减少锌渣的量。

本实施例还公开了种基于视觉识别的热镀锌加湿方法，其特征在于，包括：

S100.当钢带进入炉鼻子时，设置热镀锌加湿系统的参数；

S200.设置于炉鼻子的图像采集装置采集炉鼻子内部锌液表面图像，并将得到的炉鼻子内部锌液表面图像发送给上位机；

S300.信息采集装置采集锌液表面的露点值，上位机根据预设图像识别算法判断炉鼻子腔体内部锌液面锌渣量情况；

S400.当炉鼻子腔体内部锌液面锌渣量减少时，储存锌液表面的露点值和带钢数据，并根据露点值、带钢数据和加湿参数作为样本库，训练神经网络，得到基于露点值、带钢数据和加湿参数的神经网络模型；

S500.当炉鼻子腔体内部锌液面锌渣量增加时，利用训练好的神经网络模型，根据实时的露点值和带钢数据，重新设置加湿参数，达到抑制锌渣进一步增加的目的。

进一步地，S400的具体方法为：

S401,分别对样本库中的露点值、带钢数据和加湿参数归一化处理，得到归一化样本库；

S402,将归一化样本库中的一组露点值、带钢数据作为神经网络模型的输入，将对应的加湿参数作为输出，计算神经网络模型的参数初值；

S403,将归一化样本库中另一组的露点值、带钢数据作为输入，将得到的参数初值作为参数值组，带入神经网络模型，计算得到加湿参数；

S404,将输出的加湿参数别与归一化样本库中相应的加湿参数进行比较，得到加湿参数输出误差；

S405,若得到的加湿参数输出误差不满足预设输出误差，则将当前处理的这组露点值、带钢数据重新带入预设神经网络模型，重复执行步骤S402-S405；若满足预设输出误差，则执行步骤S406；

S406,当存在参数初值使得归一化样本库中各组数据在执行步骤S405时都满足预设输出误差时，则将该模型作为最终神经网络模型。

本实施例公开的一种基于视觉识别的热镀锌加湿系统和方法，通过收集现场的加湿参数和对应的炉鼻子露点仪检测数据，并通炉鼻子摄像头的视觉识别结果进行反馈，建立带钢参数、加湿系统参数和炉鼻子露点之间的加湿神经网络模型，并不断的进行模型的训练优化，最终实现不同钢种和不同镀层产品生产的加湿系统的智能控制，降低镀层产品的表面缺陷产生概率。解决了现有技术中，人为根据经验调整炉鼻子加湿系统参数，效率低下，控制准确度不高的问题。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。