基于LSD算法的链篦机台车侧板偏移检测 下载: 657次
1 引言
链篦机-回转窑球团工艺是当今钢铁企业普遍采用的球团生产方法。其主要设备由链篦机、回转窑和环冷机组成,而链篦机设备起到承上启下的重要作用[1-3]。链篦机台车侧板一旦发生偏移,就可能引发红矿掉入链篦机下回环烧坏电缆,或者发生碰撞造成链节拉断等生产事故,进而造成严重经济损失[4]。目前,侧板偏移故障的检测仍旧主要依靠原始的人工观察检查,存在费时费力、智能化程度低等问题。
针对由侧板偏移引起的链篦机系统故障,鞍钢集团有限公司设计了一种链篦机事故开关,包括机械传动碰撞组件和电气极限开关,既能解决侧板翘起造成的刮卡问题,又能防止小轴窜出造成的刮卡现象[5]。鞍钢集团有限公司还设计了一种球团链篦机侧板状态检测装置,包括底座、密封罩、检测片旋转轴、接近开关挡铁、篦板检测片、接近开关及声光报警器,可提前检测和发出声光报警,及时通知生产人员进行侧板复位[6]。重庆钢铁股份有限公司设计了一种链篦机侧板故障检测机构,包括带有检测件的转筒和接近开关,用以检测侧板偏移故障[4]。新兴铸管股份有限公司设计了一种链篦机自动报警装置,包括信号发生机构和报警机构,报警机构包括串联于闭合电路中的接近开关和声光报警组件,能够对出现链篦机侧板断裂等故障时进行提前报警[7]。但目前这些检测技术还没有在工业上进行推广应用。
目前,基于机器视觉的缺陷检测方法已经在各工业领域广泛应用, 包括机械制造[8-9]、钢铁生产[10-11]、精密仪器[12]、半导体及电子[13]、轻工[14-15]等行业。本文将计算机视觉和图像处理技术应用到侧板偏移故障的检测中,利用摄像机获取台车现场工作视频,对视频帧图像进行感兴趣区域(ROI)截取,结合生产实际对ROI进行区域划分,应用直线段检测(LSD)算法[16]检测各区域中表示侧板的直线信息,然后对检测获取到的直线信息进行直线融合、断点差值计算处理,在数据处理结果的基础上,依据判定规则在检测到故障时自动给出报警提示,指导工业生产。
2 侧板偏移故障检测技术方案
台车侧板偏移故障检测技术方案示意图如
3 侧板偏移故障检测算法
3.1 检测区域限定与划分
在生产实际中,台车侧板发生的偏移故障分为两种等级:当侧板发生低等级偏移故障时,后续可能因侧板偏移程度加重而引发生产事故,需定期对故障处进行处理;当侧板发生高等级偏移故障时,需立即对故障处进行处理,否则将导致生产事故的发生。
侧板偏移检测摄像机在采集现场视频图像过程中位置固定,因此采集的视频帧图像中各物体位置固定在图像某一区域内。链篦机台车侧板俯视示意图如
3.2 LSD直线检测
LSD算法是von Gioi等[16]提出的一种快速检测直线段的方法。该算法具备运行速度快,算法参数能够自适应,并且错误检测率被有效控制等一系列显著优点。算法主要步骤:1)对输入图像进行预处理,通过高斯降采样来减弱或消除图像中出现的锯齿效应;2)计算图像各像素的梯度幅度和梯度方向;3)选取梯度幅度极值的像素点作为种子点开始区域生长,将种子点周围8邻域梯度方向误差小于阈值的像素点加入当前区域,标记这些像素点为已使用;4)更新区域角度,之后将区域近似成矩形候选直线段;5)对矩形候选直线段进行验证[17]。
应用LSD算法对不同场景的图片进行直线检测的过程中,可根据实际需要对超参数refine和scale进行调整。其中,超参数refine代表LSD算法对图片中直线检测的精细程度,共有0、1、2三个值可选(默认值为1),选取的数值越大,理论上对同一幅图片可检测出的直线就越多;超参数scale代表高斯降采样的采样率,取值范围(0,1],默认值0.8即表示将输入图像缩放到原来的80%,这种缩放有助于应对许多图像中出现的阶梯效应。针对本文应用LSD算法进行直线检测的实际需要,为尽可能避免检测除侧板和基准线外的干扰杂线,设定超参数refine为0;同时针对本文研究所采集的数据集,经过对100张图片的实际测试可知,在设定超参数scale为0.4时可有效应对图像中出现的阶梯效应,获得最佳的检测效果。
3.3 故障判定
对选定的ROI待检测区域应用LSD直线检测算法,检测图像中的侧板和基准线。将无偏移故障区域、偏移故障区域、基准区域检测到的直线段分别以不同颜色绘制出来,得到侧板偏移故障检测效果图。
应用LSD算法检测各区域直线后,对检测获取到的直线段信息进行处理:判断无偏移故障区域中检测到的直线是否发生断层,保存基准线左侧偏移故障区域内检测到的直线段信息。判断直线是否发生断层的主要思路如下:将检测到的所有直线段映射到图像纵向坐标轴上,直线段重合的部分进行融合合并,若融合合并后的直线未完全覆盖图像纵向坐标值,则计算相邻断点的差,差值大于设定的阈值则判定直线断层。
在数据处理结果的基础上,程序依据判定规则在检测到故障时自动给出报警提示,指导工业生产。判定规则为:1)若无偏移故障区域中的直线没有断层,且在基准线左侧偏移故障区域内检测到直线,则判定侧板发生低等级偏移故障;2)若无偏移故障区域中的直线断层,且在基准线左侧偏移故障区域内没有检测到直线,则判定侧板发生高等级偏移故障;3)若无偏移故障区域中的直线断层,且在基准线左侧偏移故障区域内检测到直线,则判定侧板发生低等级偏移故障,可能同时存在高等级偏移故障;4)其余情况,则判定侧板未发生偏移故障。
台车侧板偏移检测算法总体流程示意图如
图 3. 侧板偏移故障检测算法流程示意图
Fig. 3. Flow schematic diagram of side plate offset fault detection algorithm
4 实验结果与分析
实验在Windows10环境下实现,计算机的CPU型号为Intel(R) Core(TM) i7-7700HQ,GPU型号为NVIDIA GeForce GTX 1050,显存为2 GB,内存为8 GB。设置LSD直线段检测器中的参数refine为0,scale为0.4,sigma_scale为0.6,quant为2.0,ang_th为22.5,log_eps为0,density_th为0.7,n_bins为1024。
以包钢烧结厂采集的现场视频做测试,共整理出100张图片作为测试数据集。其中,未发生偏移故障侧板图片70张,发生低等级偏移故障侧板图片20张,发生高等级偏移故障侧板图片10张。不同类型侧板偏移故障的检测效果图如
图 4. 不同类型侧板偏移故障检测效果图。(a)(d)(e)无偏移故障;(b)低等级偏移故障;(c)同时存在低等级和高等级偏移故障
Fig. 4. Different types of side plate offset fault detection effect drawings. (a)(d)(e) No offset fault; (b) low-level offset fault; (c) low-level and high-level offset fault coexist
表 1. 程序检测结果
Table 1. Program detection results
|
从
对包钢烧结厂采集的现场视频整理出的100张图片进行检测,程序检测结果如
5 结论
在烧结生产工艺中,一种常见的链篦机系统故障为侧板偏移,当发生侧板偏移后,如果不能及时停机处理,会造成严重事故和经济损失。目前,侧板偏移故障的检测仍旧主要依靠原始的人工观察检查,存在费时费力、智能化程度低等问题。本文利用摄像机获取台车现场工作视频图像,通过使用LSD直线检测算法并结合区域划分的思想,将计算机视觉和图像处理技术应用到侧板偏移故障的检测中,可有效替代人工观察检查方法检测台车侧板偏移故障,实现了对侧板偏移故障的实时自动化检测。本研究方案可有效避免钢铁企业烧结厂链篦机生产事故,降低人力资源的耗费,提高生产效益,提升企业管理水平,对智慧钢铁工厂的实现和发展具有极其重要的推动作用,具有潜在的应用价值。
[1] 高宇宏, 张英明, 唐玖. 链篦机的结构简介[J]. 机械工程与自动化, 2008(2): 109-110.
Gao Y H, Zhang Y M, Tang J. Brief introduction of chain-comb machine[J]. Mechanical Engineering & Automation, 2008(2): 109-110.
[2] 姚廷松. 链篦机综合利用及主要件分析[D]. 大连: 大连理工大学, 2014.
Yao TS. Comprehensive utilization of the travelling grate machine and analyzing of the main parts[D]. Dalian: Dalian University of Technology, 2014.
[3] 易林根. 链篦机篦床主要零部件失效原因分析与改进试验[D]. 西安: 西安建筑科技大学, 2013.
Yi LG. Failure analysis and improvement research of chain grate parts[D]. Xi'an: Xi'an University of Architecture andTechnology, 2013.
[4] 丁彤宇, 童毅, 达朝晖, 等. 一种链篦机侧板偏移检测机构: 203345683U[P]. 2013- 12- 18.
Ding TY, TongY, Da ZH, et al. Chain grate side plate offset detection mechanism: 203345683U[P]. 2013- 12- 18.
[5] 张绍辉, 黄旭, 罗振波, 等. 链篦机事故开关: 207649355U[P]. 2018- 07- 24.
Zhang SH, HuangX, Luo ZB, et al. Drying grate accident switch: 207649355U[P]. 2018- 07- 24.
[6] 国泉峰, 鲍春思, 冯宝泽, 等. 一种球团链篦机侧板状态检测装置: 209027286U[P]. 2019- 06- 25.
Guo QF, Bao CS, Feng BZ, et al. Pellet chain grate side plate state detection device: 209027286U[P]. 2019- 06- 25.
[7] 金江涛, 杨献强, 李文革, 等. 一种链篦机自动报警装置: 207035831U[P]. 2018- 02- 23.
Jin JT, Yang XQ, Li WG, et al. Drying grate autoalarm: 207035831U[P]. 2018- 02- 23.
[8] 郝勇, 耿佩, 温钦华, 等. 滚动轴承保持架缺陷的图像处理及模式识别方法研究[J]. 仪器仪表学报, 2019, 40(9): 162-169.
Hao Y, Geng P, Wen Q H, et al. Research on image processing and pattern recognition of skew defect of antifriction bearing cage[J]. Chinese Journal of Scientific Instrument, 2019, 40(9): 162-169.
[9] Park J K, Kwon B K, Park J H, et al. Machine learning-based imaging system for surface defect inspection[J]. International Journal of Precision Engineering and Manufacturing-Green Technology, 2016, 3(3): 303-310.
[10] 沈晓海, 栗泽昊, 李敏, 等. 基于多任务深度学习的铝材表面缺陷检测[J]. 激光与光电子学进展, 2020, 57(10): 101501.
[11] Luo Q W, He Y G. A cost-effective and automatic surface defect inspection system for hot-rolled flat steel[J]. Robotics and Computer-Integrated Manufacturing, 2016, 38: 16-30.
[12] Chen Y J, Tsai J C, Hsu Y C. A real-time surface inspection system for precision steel balls based on machine vision[J]. Measurement Science and Technology, 2016, 27(7): 074010.
[13] Yu J B, Lu X L. Wafer map defect detection and recognition using joint local and nonlocal linear discriminant analysis[J]. IEEE Transactions on Semiconductor Manufacturing, 2016, 29(1): 33-43.
[14] 李东洁, 李若昊. 基于改进Faster RCNN的马克杯缺陷检测方法[J]. 激光与光电子学进展, 2020, 57(4): 041515.
[17] 郑行家, 钟宝江. 图像直线段检测算法综述与测评[J]. 计算机工程与应用, 2019, 55(17): 9-19.
王月明, 李真如, 翟容清, 房良睿, 陈波. 基于LSD算法的链篦机台车侧板偏移检测[J]. 激光与光电子学进展, 2021, 58(8): 0815001. Yueming Wang, Zhenru Li, Rongqing Zhai, Liangrui Fang, Bo Chen. Side Plate Offset Detection of Grate Trolley Based on LSD Algorithm[J]. Laser & Optoelectronics Progress, 2021, 58(8): 0815001.