摘  要： RH煉鋼工藝中,，控制鋼水液面高度目前仍采用人工目測的方法,，該方法存在一定的缺陷與不準確性。因此本文提出一種鋼水液面精確定位算法,，該算法采用數(shù)字圖像處理技術,，對圖像邊緣檢測算子進行深入研究，引用一種改進型Sobel算子——8模板各向同性Sobel算子,，它能夠檢測出8個方向的邊緣,，接著采用霍夫變換、曲線擬合對邊緣做優(yōu)化處理,，以此檢測出鋼水液面的位置,。實驗研究表明，該算法能夠準確檢測出鋼水液面的位置,，為RH煉鋼工藝的自動化發(fā)展提供重要的理論依據(jù),。

　　關鍵詞： 邊緣檢測算法；液面定位,；Sobel算子,；8模板；RH煉鋼

0 引言

　　準確獲取鋼水液面位置在RH法煉鋼工藝中起著至關重要的作用,。傳統(tǒng)煉鋼工藝中,，鋼水液面的位置是人為主觀地通過肉眼觀察來判定是否合適，因此工作效率自然不會太高,。為了改進煉鋼工藝的不足,，人們也嘗試著用激光測距、紅外測距等方法去判定液面位置,，但是由于鋼水這種物質(zhì)本身具有很強的輻射,，這會把紅外等能量吸收，所以無法判定出鋼水液面的位置,。因此,，本文針對鋼水這種物質(zhì)的特殊性，提出一種利用圖像處理技術對鋼水液面進行定位的方法,。

1 系統(tǒng)結構

　　RH精煉[1]是目前鋼鐵生產(chǎn)中普遍使用的精煉手段,，該技術具有處理周期短、生產(chǎn)能力大,、精煉效果好,、容易操作等一系列優(yōu)點,，在煉鋼生產(chǎn)中獲得了廣泛應用,。RH精煉工藝通過真空循環(huán)脫氣裝置完成鋼水的循環(huán)流動,，其工作示意圖如圖1所示。

　　在煉鋼過程中,，待處理鋼水包將會由行車吊運至RH鋼包臺車上,，鋼包臺車再將鋼包運輸?shù)浇n管下方。此后,，鋼包將會被設備提升到一定的高度,，使得浸漬管下端可以進入到鋼渣以下的鋼水部分。當真空槽抽為真空時,，鋼水表面的大氣壓強與真空槽內(nèi)的壓強差迫使鋼水朝浸漬管里面流動,。與真空槽相連的兩個浸漬管，一個為上升管,，另外一個為下降管,。由于上升管不斷向鋼液吹入氬氣，吹入的氣體受熱將膨脹,，從而驅(qū)動鋼水液位不斷上升,，流經(jīng)真空槽鋼液中的氫氣、氬氣,、一氧化碳等氣體在真空狀態(tài)下被抽走,。脫氣的鋼水由于重力的關系再次經(jīng)下降管流入鋼包，如此不斷循環(huán)反復,。如果液面位置太高,，則鋼水可能從鋼水包里溢出；如果液面位置太低,，則鋼水無法完成循環(huán)過程,。因此，將鋼水液面高度控制在一定范圍內(nèi),，及時獲取鋼水液面的位置就顯得極其重要,。

　　如圖1所示，可以在鋼包上側安裝工業(yè)相機,，以此及時獲取鋼液液面的圖像,，然后通過數(shù)字圖像處理技術來獲取鋼水液面的位置。圖2所示為煉鋼廠的鋼水包液位圖,，受容器自身的影響,，液位并非一條直線，而是呈近似于拋物線的曲線,，而圖中的相對距離d,，就需要將其控制在一定范圍之內(nèi)。

2 算法提出

　　對鋼水液面高度進行定位，其關鍵是精確地檢測出鋼水液面的邊緣,，然而受到外界客觀因素的影響,，從工業(yè)相機獲取的圖像往往存在著較大干擾信息。因此首先需要對數(shù)字圖像進行預處理,，然后檢測邊緣精確定位鋼水液面高度,。

　　2.1 圖像預處理

　　2.1.1 灰度變換

　　使用工業(yè)相機采集到的圖像是彩色圖像，彩色圖像的信息量較大,，其中很多是不需要的,。由于信息較多，處理時運算量較大,，所以處理起來所需運算時間也就較長,。因此，可以通過預處理將彩色圖像轉換為灰度圖像,，之后的其他操作都針對灰度圖來進行[2],。

　　2.1.2 圖像濾波

　　獲取的數(shù)字圖像會受到各式各樣的外界噪聲的影響，例如高斯噪聲,、椒鹽噪聲等,，所以一般要先去除圖像中的噪聲。常用的濾波方法有高通濾波,、維納濾波,、中值濾波、鄰域平均法濾波等,。在本次濾波選擇中,，采用了中值濾波[3]。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中的一點的值用該點的一個鄰域中的各點值的中值代替,。中值的定義如式（1）所示：

　　在式（1）中,，x1，x2,，…,，xn為點（x，y）及其鄰域的灰度值,。

　　與其他方式的平滑濾波有所不同,，中值濾波是將模板對應的像素點按灰度級進行高低排序，取中間值作為輸出像素,。中值濾波可以在一定程度上克服常用的線性濾波器（例如均值濾波器和最小均方濾波器）所帶來的圖像特征的模糊,，并且對去除圖像掃描噪聲及脈沖干擾效果較好。本文就是利用中值濾波來達到去除圖像中一些噪聲的目的,。

　　2.1.3 改進型各向同性Sobel算子提取邊緣

　　邊緣檢測的思想就是首先利用某一種邊緣算子,，突出顯示圖像中的邊緣部分,，然后定義“邊緣強度”，最后通過設立一個閾值,，提取到邊緣點集合,。常用的邊緣檢測算子有Sobel算子、Prewitt算子,、Laplace算子等,。其中,，Sobel算子[4-6]對于像素位置的影響做了加權,，效果較好，故本研究采用了Sobel算子,。

　　Sobel算子分為兩種：普通Sobel算子和各向同性Sobel算子,。兩種算子相比較，各向同性Sobel算子位置加權系數(shù)更加準確,。各向同性Sobel算子的形式如圖3,。

　　但是，圖3只考慮了垂直方向和水平方向,。在實際操作中,，圖像的邊緣是有很多邊緣方向的，例如45°方向,、135°方向等,。于是，在該系統(tǒng)中,，將各向同性Sobel算子增加至8個方向,，如圖4所示。

　　通過已經(jīng)構造的8個各向同性Sobel算子模板,，分別對圖像進行計算,，就可以得到8幅圖像矩陣。接著將8次運算結果所得到的最大值作為該點的輸出值,，便可以得到一幅邊緣幅度圖像,。

　　8模板各向同性Sobel算子主要步驟[7]：

　　設mk（k=1，2,，…,，8）是8個3×3各向同性Sobel算子模板，n為有8個元素的整型數(shù)組,。矩陣[f（i,，j）]為等待檢測的圖像（其中（i，j）表示各像素點的坐標）,，f（i,，j）表示圖像在（i，j）的灰度值，w[f（i,，j）]為以點（i,，j）為中心的3×3窗口，g（i,，j）則是經(jīng)過邊緣檢測后的圖像在點（i,，j）的灰度值輸出。對圖中的像素值（坐標為（i,，j））進行如下操作：

　?。?）對于等待處理的像素（i，j）,，利用模板mk（k=1,，2，…,，8）和w[f（i,，j）]進行卷積，并將卷積結果的絕對值存入數(shù)組元素n[k]（k=1,，2,，…，8）中,；

　?。?）查找到步驟（1）中所得到的數(shù)組n中所有元素的最大值；

　?。?）把最大值賦給g（i,，j）作為該像素點的輸出值。

　　2.2 鋼水液位線及鋼包邊緣精確定位

　　2.2.1 霍夫（Hough）變換檢測拋物線

　　Hough變換[8-9]是圖像處理技術中從數(shù)字圖像之中識別幾何形狀的基本方法之一,，可以用于將邊緣像素連接起來得到邊界曲線,，其主要優(yōu)點在于對圖像中的噪聲不敏感，受到邊緣間斷影響小,。由于要檢測的是一條類似于拋物線的曲線,，根據(jù)Hough變換檢測原理，可以檢測出鋼水液位及鋼水包邊緣曲線,。

　　檢測出來的邊緣曲線可能不是標準的拋物線,，這是由所使用的工業(yè)攝像機的拍攝角度和其精度引起的。為此可以通過對檢測出來的邊緣圖像進行適當?shù)膸缀慰臻g變換,，使得數(shù)字圖像里的曲線變?yōu)橐粭l標準的拋物線,。

　　在對圖像進行幾何轉換中，輸出的圖像中的像素常常會被映射到輸入圖像中的非整數(shù)位置,，因此為了確定與該位置相對應的像素值,，必須再加入插值運算,。插值通常就是使用曲線擬合的方法，通過一些離散的采樣點建立一個連續(xù)的函數(shù),，用這個重建的函數(shù)便可以求出任意位置的函數(shù)值,。

　　2.2.2 曲線擬合

　　檢測出來的邊緣曲線經(jīng)常可能會有斷點并且不光滑,，實際應用中希望將斷的邊緣連接起來,，而且連接起來的邊緣要光滑。為此,，可以用曲線擬合[10-11]來對檢測出來的曲線進行擬合,。

　　2.3 鋼水液面定位檢測步驟

　　有了圖像預處理和鋼水液位線及鋼包邊緣精確定位的方法，可以列出鋼水液位高度的檢測步驟,，如圖5所示,。

3 方法的應用與實驗結果

　　基于上述精確定位鋼水液面的方法,，使用MATLAB[12]進行實驗仿真,。從煉鋼生產(chǎn)車間獲取鋼水液面的圖像，由于原圖包含的數(shù)據(jù)量較大,，其中有很多無用的信息,，在實際處理數(shù)據(jù)時，只截取了鋼包中心區(qū)域?qū)ζ涮幚?，如圖6所示,，這樣速度較快，干擾因素小,，效率高,。

　　使用文中提及的算法對鋼水液位圖進行處理之后，效果如圖7所示,，從圖像中可以看出,，鋼水液面的邊緣位置及鋼液的邊緣位置清晰地展現(xiàn)在圖中，文中的算法定位與人眼觀察得到的液面位置基本一致,。

4 結論

　　人工目測鋼水液面位置總會受到主觀因素的約束和外界環(huán)境的干擾,，并且在一定程度上影響了煉鋼的效率。本文提出一種快速,、簡單,、穩(wěn)定的算法來對鋼水液面進行定位。實驗表明,，本文提出的方法可以較為清晰地檢測出鋼水包及鋼液的邊緣,，將此方法應用到煉鋼行業(yè)中的鋼水液面定位，具有一定的可行性與優(yōu)越性,，可以大大提高煉鋼的效率,，也會大大推進煉鋼自動化技術的進程,。

　　參考文獻

　　[1] 馬竹梧.煉鐵生產(chǎn)自動化技術[M].北京：冶金工業(yè)出版社，2005.

　　[2] 阮秋琦.數(shù)字圖像處理技術[M].北京：清華大學出版社,，2009.

　　[3] 谷口慶治.數(shù)字圖像處理[M].北京：科學出版社,，2000.

　　[4] 胡尚舉，田國法,，申江波.邊緣檢測算子的分析比較[J].大眾科技,，2008（9）：48-49.

　　[5] DENG G. Differentiation-based edge detection using the logarithmic image processing model[J]. Mathematical Imaging and Vi-sion， 1998,， 8（2）：161-180.

　　[6] MOON H,， CHELLAPPA R， ROSENFELD A. Optimal edge-based shape detection[J]. IEEE Trans. on Image Processing,， 2002,，11（11）：1209-1227.

　　[7] 鄭英娟.基于八方向Sobel算子的邊緣檢測算法研究[D].石家莊：河北師范大學，2013.

　　[8] KALVIAINEN H,， HIRVONEN P,， XU L， et al. Probabilistc and nonprobabilistic hough transform： overview and comparisons[J]. Image and Vision Computing,， 1995,，12（24）：423-437.

　　[9] 陳燕新，戚飛虎.基于隨機Hough變換的快速圓檢測方法[J].上海交通大學學報,，1998,，32（10）：17-20.

　　[10] 焦竹青，熊偉麗,，張林,，等.基于曲線擬合的無線傳感器網(wǎng)絡目標定位算法[J].東南大學學報：自然科學版，2008,，38（S1）：249-252.

　　[11] WILDES R P. Irisrecognition： an emerging biometric  technology[J]. Proceedings of the IEEE,， 1997， 85（9）：1348-1363.

　　[12] 阮秋琦.數(shù)字圖像處理（MATLAB版）[M].北京：電子工業(yè)出版社,，2005.