基于机器视觉的镍硫金属铁含量检测系统研究背景及意义

基于机器视觉的镍硫金属铁含量检测系统研究背景及意义

基于机器视觉的镍硫金属铁含量检测系统

刘忠民1、崔勇1、吴海宝2、苏鹏飞2

1. 兰州理工大学电气工程与信息工程学院; 2.

01

研究背景

随着全球经济的快速发展，镍的主要消费行业不锈钢的需求量和产量不断增加。以镍为主要原料的燃料电池、催化剂、电镀等行业发展迅速，市场对镍的需求量不断上升。镍硫金属中铁含量的测定是确定转炉吹炼终点的重要依据和关键环节，也是影响高镍硫产量和质量的关键因素。

由于镍转炉生产环境具有高温、高粉尘、腐蚀等特点，能够反映转炉生产状况的关键参数目前还无法被检测设备准确测量或难以在线检测，导致转炉吹炼工艺控制参数的调整比较粗放。大多数情况下，操作人员凭借个人感知对当前工况进行综合判断，在此基础上调整生产操作参数。随着老员工龄化、面临退休，新员工难以适应生产环境，导致该领域人员短缺。由于转炉生产周期长，不可控因素多，实验数据集制作难度较大，且数据集样本数量有限，对实验算法模型的选取具有一定的局限性。

02

研究方法

本研究利用机器视觉、图像处理、智能控制等技术对镍、硫、铁含量进行检测，以替代人工判断，提高生产效率。提出的基于机器视觉的镍、硫、铁含量检测系统由图像采集系统和检测系统两部分组成，系统示意图如图1所示。

图1 系统图

1）通过图像分割及预处理将原始图像转化为灰度图像，并提取图像的纹理特征值，包括熵、对比度等。选取熵值小于2.88、对比度小于1.59的样本进行后续颜色特征提取。未通过样本选取的样本为缺陷样本。图像预处理及样本选取流程如图2所示。

图2 图像预处理及样本选择示意图

2）提取预处理后图像的灰度值，采用加权平均灰度法对图像进行灰度化，并对计算出的灰度值进行归一化处理，方便后续模型输入数据。

3）利用适合小样本建模的线性回归算法建立模型，将训练好的模型嵌入到检测系统中，对镍、硫、金属、铁的含量进行检测，并在软件界面上显示检测结果，检测系统如图3所示。

图3 检测系统

03

研究成果

实验共采集有代表性的镍硫样品60个，均来自某公司镍转炉车间。为了与开发的检测模型进行检测精度对比，所有样品事先通过化学分析测定铁含量，铁含量分布在2.0%~4.0%之间。进行样本筛选，剔除14张缺陷图像；以36张镍硫截面图像作为训练样本，以10张镍硫截面图像作为测试样本。为了进行对比实验，实验中分别训练了初级模型和二级模型，初级模型和二级模型的区别在于拟合效果不同，初级模型只能是直线，而二级模型则是抛物线。实验中采用梯度下降法计算模型的参数，初级模型中参数分别为-0.1，3，超参数学习率为0.00001，取epoch； 次级模型中的参数分别为-0.1,0.3,3,取epoch。主模型与次级模型如图4所示。

图4：一阶模型和二阶模型

利用系数、平均绝对误差、均方误差对所得模型进行评价。试验结果表明，主模型最大相对误差为6.742%，二次模型最大相对误差为3.646%，二次模型的试验结果满足金属含量检测过程中最大相对误差小于5%的精度要求。从评价指标来看，二次模型的系数大于主模型，二次模型的MAE小于主模型，二次模型的MSE小于主模型。可以得出二次模型拟合度更好，精度更高。

04

分析结论

1）通过对吹炼过程中铁含量检测的分析，利用机器视觉、图像处理等技术，设计开发了镍硫铁含量检测系统，利用图像纹理信息中的对比度和熵值进行样本选取，提高检测系统的快速性，建立了基于颜色特征的铁含量检测模型，实现了镍硫金属截面图像的采集处理和铁含量的在线检测。

2）通过试验对比和评价指标验证与评估，分析得出二次模型拟合度好，检测精度高，铁含量检测系统在金属成分含量检测中满足最大相对误差小于5%的精度要求，可避免因操作人员对炉时差异判断而造成的过吹，同时也可为其他具有颜色特征的工业检测工作提供一定的借鉴。

本文原载于《冶金自动化》2023年第4期，点击“阅读原文”可查看论文全文

关于作者

刘忠民，博士，副教授，研究方向为机器视觉与模式识别。

崔勇，硕士生，研究方向为机器视觉与模式识别。

吴海宝，高级工程师，研究方向为机器视觉与模式识别。

苏鹏飞，助理工程师，研究方向为机器视觉与模式识别。

关于本出版物

《冶金自动化》创刊于1976年，是由中国钢铁协会主办、国内外公开发行的冶金工业（含钢铁、有色金属）自动化技术应用的科技期刊，主要报道国内外自动控制理论、人工智能、5G、工业互联网、电气传动自动化、检测技术在冶金过程（含钢铁、有色金属）控制和科学管理中应用的新理论、新技术、新成果。

邮政编码｜2-321

广告部｜

编辑部｜

投稿网址｜

電子郵件｜