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]是目前鋼鐵生產中普遍使用的精煉手段，該技術具有處理周期短、生產能力大、精煉效果好、容易操作等一系列優(yōu)點，在煉鋼生產中獲得了廣泛應用。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，從而驅動鋼水液位不斷上升，流經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，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。
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?？赡軙袛帱c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)域對其處理，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.