基于CT圖像的鋁電解陰極炭塊組分識(shí)別研究

劉慶生，曾少軍，盧小能，宋翰林

(江西理工大學(xué) 冶金與化學(xué)工程學(xué)院，江西 贛州 341000)

基于CT圖像的鋁電解陰極炭塊組分識(shí)別研究

劉慶生，曾少軍，盧小能，宋翰林

(江西理工大學(xué) 冶金與化學(xué)工程學(xué)院，江西 贛州 341000)

本文為鋁電解用陰極炭塊檢測(cè)提供一種科學(xué)的方法，通過(guò)對(duì)鋁電解用陰極炭塊中炭骨料成分的顆粒級(jí)配計(jì)算，由骨料顆粒個(gè)數(shù)比例、面積比例分析鋁電解用陰極炭塊的質(zhì)量.通過(guò)分析鋁電解陰極炭塊顯微CT數(shù)字圖像，基于數(shù)學(xué)形態(tài)學(xué)研發(fā)了一種實(shí)現(xiàn)其組分定量檢測(cè)的技術(shù)方法.利用顯微CT設(shè)備獲取陰極炭塊樣品的數(shù)字圖像及灰度值矩陣，基于顯微CT成像原理區(qū)別出陰極炭塊的組成成分為空隙、瀝青、炭骨料及雜質(zhì)，通過(guò)對(duì)陰極炭塊數(shù)字圖像校正光密度、校正顏色、選擇閥值、填充空隙、檢測(cè)邊緣、分離區(qū)域及進(jìn)行腐蝕、膨脹、開(kāi)運(yùn)算與閉運(yùn)算等其他數(shù)學(xué)形態(tài)學(xué)特征計(jì)算.實(shí)驗(yàn)得到樣品實(shí)際組成與處理結(jié)果數(shù)值處于合理的偏差范圍內(nèi)，得出顯微CT數(shù)字圖像處理是研究鋁電解陰極碳?jí)K組分識(shí)別及特征提取的簡(jiǎn)便可靠的方法.結(jié)果表明，基于CT斷層掃描圖片可以較準(zhǔn)確地實(shí)現(xiàn)陰極炭塊組成成分的虛擬識(shí)別.關(guān)鍵詞: 鋁電解；顯微CT；圖像處理；陰極炭塊；粒徑級(jí)配

相比鋁工業(yè)發(fā)達(dá)國(guó)家，我國(guó)的鋁電解槽平均使用壽命要少很多，這使得我國(guó)鋁工業(yè)生產(chǎn)過(guò)程中的成本增加，制約了鋁電解工業(yè)的可持續(xù)發(fā)展.陰極炭塊作為鋁電解槽中最脆弱、也是最關(guān)鍵的部分，因其破損而引發(fā)的工業(yè)事故屢見(jiàn)不鮮.

鋁電解陰極炭塊組分的差異會(huì)導(dǎo)致炭塊性能有所不同,從而導(dǎo)致電解槽的使用壽命有所差異，因此需要通過(guò)科學(xué)的檢測(cè)手段來(lái)檢測(cè)炭塊性能，并對(duì)配給方案進(jìn)行優(yōu)化延長(zhǎng)電解槽使用壽命.現(xiàn)階段對(duì)碳素材料進(jìn)行無(wú)損傷檢測(cè)方法有超聲波檢測(cè)、X射線(xiàn)檢測(cè)和聲發(fā)射檢測(cè).超聲波檢測(cè)是利用材料及其缺陷的聲學(xué)性能差異對(duì)超聲波傳播波形反射情況和穿透時(shí)間的能量變化來(lái)檢驗(yàn)材料內(nèi)部缺陷的無(wú)損檢測(cè)方法.然而由于碳素材料內(nèi)部存在很多缺陷，造成超聲波衰減十分嚴(yán)重，超聲波檢測(cè)無(wú)法準(zhǔn)確地對(duì)碳素材料制品內(nèi)部缺陷進(jìn)行準(zhǔn)確判斷.采用X射線(xiàn)能夠檢測(cè)到大規(guī)格陰極碳?jí)K的內(nèi)部缺陷，并且能夠準(zhǔn)確反映缺陷的尺寸、形狀和位置.但其局限在于X射線(xiàn)機(jī)靈敏度，對(duì)尺寸過(guò)小的缺陷檢測(cè)效果并不好.利用儀器接受聲發(fā)射源釋放的材料結(jié)構(gòu)或缺陷信息，并對(duì)其進(jìn)行分析稱(chēng)為聲發(fā)射檢測(cè)技術(shù).

傳統(tǒng)的鋁電解用炭塊檢測(cè)手段不僅實(shí)驗(yàn)流程繁瑣費(fèi)時(shí)費(fèi)力，而且精確性不夠，無(wú)法精確到顆粒計(jì)算.本文提供了一種鋁電解用陰極炭塊質(zhì)量檢測(cè)技術(shù)，通過(guò)對(duì)鋁電解使用的陰極炭塊中炭骨料成分的顆粒級(jí)配計(jì)算，由骨料顆粒個(gè)數(shù)比例、面積比例分析鋁電解用陰極炭塊的質(zhì)量.

1 陰極炭塊檢測(cè)的基本思路

圖像處理流程見(jiàn)圖1，其中，圖像的組分識(shí)別和特征提取指對(duì)獲得的炭塊圖像校正光密度和顏色、選擇閥值、填充空隙、檢測(cè)邊緣、分離區(qū)域，進(jìn)行腐蝕、膨脹、開(kāi)運(yùn)算與閉運(yùn)算等，計(jì)算陰極炭塊中炭骨料、雜質(zhì)、空隙、瀝青等具體含量；計(jì)算炭骨料顆粒級(jí)配.

圖1 圖像的處理流程

2 圖像的獲取

2.1 陰極炭塊的顯微CT成像原理

鋁電解陰極炭塊是由炭骨料、雜質(zhì)、空隙、瀝青等密度不同的成分組成，利用樣本中不同密度的部位對(duì)X-射線(xiàn)的吸收率不同，穿由透陰極炭塊的不同密度部位的所需光強(qiáng)不同，結(jié)果反映為照射物質(zhì)所對(duì)應(yīng)的電壓不同，最終在X-射線(xiàn)檢測(cè)器上將陰極炭塊成像[1].同時(shí)，照射在陰極炭塊表面的短波X-射線(xiàn)，僅有少量的X-射線(xiàn)被吸收，其他的則會(huì)穿過(guò)炭塊原子間隙.陰極炭塊的顯微CT成像后各個(gè)像數(shù)點(diǎn)的吸收系數(shù)可通過(guò)測(cè)定陰極炭塊經(jīng)過(guò)顯微CT成像器照射之前和之后的X-射線(xiàn)強(qiáng)度和進(jìn)行計(jì)算得到.

吸收定律的計(jì)算表達(dá)式為

(1)

利用顯微CT成像[2]識(shí)別出鋁電解陰極炭塊組分為炭骨料、雜質(zhì)、空隙、瀝青.對(duì)圖像進(jìn)行形態(tài)學(xué)特征計(jì)算，得到鋁電解陰極炭塊中炭骨料的不同粒徑比例.圖2為顯微CT數(shù)字圖像及對(duì)應(yīng)的灰度值矩陣.

圖2 顯微CT數(shù)字圖像(放大)及對(duì)應(yīng)炭塊圖像矩陣顯示

2.2 陰極炭塊圖像的采集

陰極炭塊樣品的數(shù)字圖像可以由nanoVoxel-2000型顯微CT設(shè)備獲取[3]，并可實(shí)現(xiàn)對(duì)鋁電解陰極炭塊的二維表征.選取鋁電解陰極炭塊試樣時(shí)，要求被選用的鋁電解用陰極炭塊的質(zhì)量較好，不存在較多缺陷及二次使用的情況.

此外，為了更好地實(shí)現(xiàn)對(duì)鋁電解陰極炭塊的二維表征應(yīng)選取圓柱試樣，同時(shí)為有利于數(shù)字圖像后續(xù)分析，應(yīng)該獲取側(cè)面所投射的矩形圖像.本文使用的試驗(yàn)樣品是鋁電解用圓柱形石墨質(zhì)陰極炭塊，尺寸為Ф25 mm×50 mm.

3 陰極炭塊圖像的預(yù)處理

對(duì)獲取的鋁電解用陰極炭塊的數(shù)字圖像進(jìn)行矩形分割，運(yùn)用高速高精度視覺(jué)處理技術(shù)對(duì)AOI(Area of Interest)計(jì)算范圍進(jìn)行自動(dòng)檢測(cè).AOI可以是任意的多邊形形狀，但為了便于后續(xù)圖像處理，在操作中選擇了隔離出靜止數(shù)字圖像內(nèi)子集的矩形圖像.利用PaintTool等繪圖軟件環(huán)境下對(duì)獲取的鋁電解用炭塊數(shù)字圖像進(jìn)行裁剪和消除黑色背景等操作，使陰極炭塊圖像的傾斜程度得以修正，并防止過(guò)度失真.圖像修正結(jié)果如圖3所示.

圖3 陰極炭塊修正圖像

4 圖像的特征提取和組分識(shí)別

形態(tài)學(xué)運(yùn)算部分的技術(shù)設(shè)計(jì)流程如圖4所示.

圖4 形態(tài)學(xué)運(yùn)算技術(shù)的設(shè)計(jì)流程

4.1 光密度校正

將彩色圖像轉(zhuǎn)化成為灰度圖像，但實(shí)際上此操作效果不明顯，因?yàn)殛帢O炭塊呈現(xiàn)黑色，彩色部分幾乎沒(méi)有.光密度是圖像處理過(guò)程中所使用的單位，灰度值是數(shù)字圖像形態(tài)學(xué)特征計(jì)算的中間變量，但是因?yàn)楣饷芏萇D難以被校正，不如校正上述步驟處理后的圖像灰度值[4].

顯微CT圖像中亮度最高的位置光密度為0時(shí)，沒(méi)有光被吸收，透射率是100%.炭塊圖像中亮度最低點(diǎn)的位置光密度趨近于+∞.然而，圖片中最亮的部位灰度值GAY不一定為0，而是光密度OD為0.因此為了防止測(cè)量數(shù)據(jù)出錯(cuò)，需要對(duì)圖像的灰度值進(jìn)行校正操作，將數(shù)字圖像的光密度OD算出.灰度值與透過(guò)該物質(zhì)的光強(qiáng)呈線(xiàn)性相關(guān)，而光密度和透過(guò)其光強(qiáng)呈指數(shù)關(guān)系，符合光吸收基本定律.其中圖5為灰度值直線(xiàn)，圖6為光密度曲線(xiàn).

圖5 灰度值直線(xiàn)

圖6 光密度OD曲線(xiàn)

4.2 顏色校正

顏色校正是調(diào)節(jié)修正陰極炭塊圖像在BCG(亮度、對(duì)比度及伽瑪值)、陰影、補(bǔ)償視覺(jué)等方面的不足之處[5].顯微CT設(shè)備顯像管夾雜的散光會(huì)在一定程度上干擾數(shù)字圖像的獲取，所以使得陰極炭塊數(shù)字圖像的對(duì)比度和飽和度有所降低，通常將Gamma值定義為0.45，但實(shí)際應(yīng)用中，需根據(jù)具體情況通過(guò)PowerStrip等數(shù)字圖像軟件調(diào)節(jié)Gamma值[6]，解決陰極炭塊圖像局部太亮或者太淡等問(wèn)題，獲取清晰的數(shù)字圖像；由于圖像存在噪聲及模糊的問(wèn)題，需調(diào)節(jié)修正圖像在陰影、補(bǔ)償視覺(jué)處缺陷.

4.3 選擇閥值

閥值的選取方法有很多[7]，選取不同闕值能區(qū)分出炭塊各個(gè)組成成分.將預(yù)處理后的鋁電解用炭塊的圖像的灰度值的直方圖繪制出，發(fā)現(xiàn)具其有明顯的雙峰特性，截取谷底的灰度值作為閾值，背景灰度值可看作固定的數(shù)值，被拍攝的炭塊圖像中各個(gè)成分有類(lèi)似的對(duì)比度，根據(jù)峰谷的范圍，選定一個(gè)閾值范圍分割陰極炭塊數(shù)字圖像.以圖3陰極炭塊修正圖像為例，其灰度值直方圖如圖7所示.

圖7 灰度值直方圖

在IPP軟件中選擇閥值后對(duì)圖像分割4次.以圖3陰極炭塊修正圖像為例，第1次選定灰度值為0～25，分割出鋁電解用炭塊中的空洞區(qū)域；第2次選定灰度值為25～100，分割出鋁電解用炭塊中的瀝青區(qū)域；第3次選定灰度值為100～210，分割出鋁電解用炭塊中的炭骨料區(qū)域；第4次選定灰度值為210～225，分割出鋁電解用炭塊中的雜質(zhì)區(qū)域.

4.4 空隙填充

通過(guò)填充空隙獲取沒(méi)有空隙的炭骨料顆粒圖像.選取粒徑較小的黑色空隙進(jìn)行填充[8]，獲取滿(mǎn)足炭骨料顆粒級(jí)配的計(jì)算素材.為填充較大的空隙選取10 mm，并且發(fā)現(xiàn)圖像填充的效果良好.其中，圖8為二值化處理[9]后未進(jìn)行空隙填充的炭骨料顆粒圖像，圖9為填充空隙后的炭骨料圖像.

圖8 未進(jìn)行空隙填充的炭骨料顆粒圖像

Fig.8 Particles images of the carbon aggregate without void filling

圖9 空隙填充處理后的炭骨料顆粒圖像

Fig.9 Image of carbon aggregate particles after void filling

4.5 邊緣檢測(cè)

圖像的分界處有少量顏色或亮度不相同的點(diǎn)，使得數(shù)字圖像邊緣變得模糊.為了使這些邊緣相鄰點(diǎn)之間的有更加清晰明確的分界線(xiàn)，基于梯度值的變化進(jìn)行邊緣檢測(cè)的計(jì)算[10].基于Sobel法的基本原理[11]，先定義一個(gè)向量G(x,y)，向量的方向就是對(duì)應(yīng)函數(shù)增大的最大值方向，梯度的幅值為

(2)

其中，Sx和Sy計(jì)算公式為

Sx=(a2+2a3+a4)-(a0+2a7+a6).

(3)

Sy=(a0+2a1+a2)-(a6+2a5+a4).

(4)

可利用卷積模版來(lái)演示Sx和Sy，圖10為Sobel算子的領(lǐng)域像素點(diǎn)標(biāo)記示意圖.

圖10 Sobel算子的領(lǐng)域像素點(diǎn)標(biāo)記示意圖

卷積模版中心的像素點(diǎn)是Sobel算法的關(guān)鍵.通過(guò)搜索整個(gè)圖像來(lái)獲取數(shù)字圖像的邊緣曲線(xiàn)，通過(guò)識(shí)別、繪制炭骨料圖像的具體形狀來(lái)實(shí)現(xiàn)圖像的分割.根據(jù)Gradien法和Laplace法進(jìn)行邊緣檢測(cè)，炭塊圖像的分割基于Gradien法中的Sobel法.圖11為Sobel法分割中的圖像邊界.

圖11 Sobel法處理中的圖像邊界

Fig.11 The image boundary during the Sobel method processing

4.6 區(qū)域分離

通過(guò)灰度值可以分離炭塊中的的炭骨料、雜質(zhì)、空隙、瀝青區(qū)域，即AOI(需要計(jì)算的區(qū)域)的選擇由灰度值決定[12]，以圖3陰極炭塊修正圖像為例的局部圖像[13]如圖12所示.

圖12 陰極炭塊修正圖像的局部截圖

Fig.12 A local screenshot of the correct image of cathode carbon block

通過(guò)選定灰度值在65～210的圖像分離出炭骨料，并用純白色標(biāo)定選定區(qū)域，如圖13所示.

為了利于觀察及分析，將炭骨料標(biāo)定為白色，背景標(biāo)定為黑色.圖14為炭骨料顆粒圖像與區(qū)域分離后的炭骨料顆粒局部圖像.

對(duì)陰極炭塊圖像進(jìn)行形態(tài)學(xué)計(jì)算，將不同粒徑炭骨料進(jìn)行區(qū)域分離，然后統(tǒng)計(jì)處理后的顆粒圖像顆粒面積和粒徑.炭骨料圖像可劃分為4個(gè)級(jí)配：粉料、小顆粒、中顆粒及大顆粒，圖15為其顯示效果.

圖13 選定閥值后的炭塊數(shù)字圖像(局部)

Fig.13 Carbon blocks after the selected threshold digital images (local)

圖14 炭骨料顆粒圖像

圖15 區(qū)域分離處理后的炭骨料顆粒圖像

Fig.15 The image of carbon aggregate particles after regional separation:(a) large particles; (b) the particles; (c) small particles

4.7 腐蝕、膨脹、開(kāi)閉運(yùn)算等形態(tài)學(xué)運(yùn)算

在數(shù)字圖像處理過(guò)程中腐蝕發(fā)揮較大作用[14]，不僅能消除圖像目標(biāo)區(qū)域的邊界點(diǎn)，使邊界點(diǎn)向AOI區(qū)域收縮，而且還能消去炭骨料圖像中顆粒之間相互粘連.無(wú)數(shù)個(gè)點(diǎn)組成圖像，當(dāng)放大足夠倍數(shù)時(shí)，便可觀察到這些點(diǎn)，假定炭骨料圖像中每個(gè)點(diǎn)表示一個(gè)二維變量，這個(gè)二維變量由(m,n)表示，元素的橫縱坐標(biāo)分別由m和n表示.

其中,腐蝕的表達(dá)式為

(5)

式中：G代表經(jīng)過(guò)腐蝕處理后炭骨料圖像的集合；M代表腐蝕處理前的炭骨料圖像的集合；Bmn表示腐蝕操作后炭骨料圖像的結(jié)構(gòu)元素.

在數(shù)字圖像處理過(guò)程中通過(guò)膨脹來(lái)擴(kuò)充物體的邊界點(diǎn)[15]，擴(kuò)充邊界點(diǎn)對(duì)AOI區(qū)域的選擇，可用于填充空隙.假定炭骨料圖像中每個(gè)點(diǎn)表示一個(gè)二維變量，這個(gè)二維變量由(m,n)表示，元素的橫縱坐標(biāo)分別由m和n表示.

其中，膨脹的表達(dá)式為

(6)

先對(duì)陰極炭塊圖像進(jìn)行腐蝕處理，再進(jìn)行膨脹處理，即開(kāi)運(yùn)算實(shí)質(zhì)[16].閉運(yùn)算處理步驟正好與開(kāi)運(yùn)算相反，即先膨脹后腐蝕.開(kāi)運(yùn)算用于處理圖像中較小的突出部分，平滑炭骨料圖像，而閉運(yùn)算用于填充圖像的微小的空隙，使邊界平滑.

通過(guò)腐蝕、膨脹、開(kāi)運(yùn)算、閉運(yùn)算等操作使炭塊數(shù)字圖像中相互粘連的炭骨料顆粒分隔.圖像的中心相互粘連的炭骨料顆粒經(jīng)過(guò)腐蝕后明顯分離開(kāi).圖16為處理前后的局部圖像.

圖16 炭骨料顆粒局部圖像

5 結(jié)果與討論

基于形態(tài)學(xué)的圖像處理原理[17]，計(jì)算圖像的顆粒粒徑.通過(guò)Dinger-Funk模型應(yīng)證顆粒級(jí)配的理論[18].

Dinger-Funk模型為

(7)

式中：dL表示陰極炭塊成分中炭骨料顆粒最大粒徑；dn表示炭骨料顆粒的最小粒徑；n為炭骨料顆粒的分布系數(shù)；φd表示累計(jì)百分比.

炭塊組分(炭骨料、雜質(zhì)、空隙、瀝青)的所占面積百分比由閥值計(jì)算得出.以圖3為例將其灰度值劃分為4個(gè)級(jí)段：0～25、25～65、 65～210、210～225，計(jì)算出各階段圖像面積所占比例.將圖像像素與圖像中標(biāo)尺按比例轉(zhuǎn)化，可以計(jì)算出炭塊各成分面積.其中像素面積由各灰度值所占方格數(shù)統(tǒng)計(jì)計(jì)算得出，具體面積則由像素面積轉(zhuǎn)化而來(lái).將陰極炭塊實(shí)際各組分所占的面積比例與實(shí)驗(yàn)測(cè)得的數(shù)據(jù)進(jìn)行對(duì)比，其中，實(shí)驗(yàn)測(cè)得孔隙、瀝青、炭骨料、雜質(zhì)含量分別為3.1%、18.3%、75.6%、2.9%；實(shí)際組成成分中孔隙、瀝青、炭骨料、雜質(zhì)含量分別為2.6%、19.1%、76.5%、1.8%.由統(tǒng)計(jì)結(jié)果可知，實(shí)驗(yàn)結(jié)果與實(shí)際組成的偏差值處于可允許的范圍，因此這種計(jì)算方法是可行有效的.陰極炭塊成分的計(jì)算結(jié)果與實(shí)際成分的對(duì)比如圖17所示.

利用Ipp軟件可對(duì)每個(gè)顆粒進(jìn)行面積或粒徑統(tǒng)計(jì)計(jì)算[19]，根據(jù)粒徑不同劃分區(qū)間，然后統(tǒng)計(jì)不同區(qū)間內(nèi)的顆粒數(shù)量及其面積，并將計(jì)算結(jié)果與實(shí)際結(jié)果進(jìn)行對(duì)比.結(jié)果發(fā)現(xiàn)，實(shí)驗(yàn)測(cè)定的粉料、小顆粒、中顆粒、大顆粒所占面積比例分別為37.4%、55.6%、4.3%、2.7%；實(shí)際組成粉料、小顆粒、中顆粒、大顆粒所占面積比例分別為36.2%、56.8%、4.4%，、2.6%.然而由于在實(shí)際測(cè)定中由于炭塊是深黑色的，會(huì)對(duì)判斷并統(tǒng)計(jì)相互黏連小顆粒產(chǎn)生了誤差，因此在實(shí)際組成成分中，大顆粒的比例要小于實(shí)驗(yàn)測(cè)量中大顆粒的比例，而小顆粒恰好相反.圖18和圖19分別為統(tǒng)計(jì)的結(jié)果及對(duì)比結(jié)果.

圖17 陰極炭塊計(jì)算結(jié)果與實(shí)際成分比例對(duì)比圖

Fig.17 Comparison of the calculation results of the cathode carbon block with the actual composition ratio

圖18 4種炭骨料顆粒的面積分布示意圖

Fig.18 Four kinds of the area of the carbon aggregate particles distribution diagram

圖19 4種類(lèi)型炭骨料顆粒的計(jì)算個(gè)數(shù)與實(shí)際個(gè)數(shù)比例對(duì)比圖

Fig.19 Comparison of the calculated number and the actual number of the four types of carbon aggregate particles

6 結(jié) 論

1)對(duì)采集的鋁電解陰極炭塊顯微CT數(shù)字圖像利用數(shù)學(xué)形態(tài)學(xué)進(jìn)行檢測(cè)分析，利用顯微CT設(shè)備獲取陰極炭塊樣品的數(shù)字圖像及灰度值矩陣，由于X-射線(xiàn)穿透陰極炭塊中空隙、瀝青、炭骨料及雜質(zhì)等不同密度組成成分時(shí)的光強(qiáng)不同，會(huì)導(dǎo)致深黑色的炭塊圖像中各組分的灰度值有所差異，為深層次炭骨料組分分析提供有效途徑.

2)基于圖像處理的形態(tài)學(xué)計(jì)算得出炭骨料顆粒不同面積的比例和級(jí)配個(gè)數(shù)的比例，將研究結(jié)果與實(shí)際組成數(shù)據(jù)對(duì)比，得到樣品實(shí)際組成與處理結(jié)果數(shù)值處于合理的偏差范圍內(nèi)，因此數(shù)字圖像處理技術(shù)可作為陰極炭塊組分識(shí)別的有效途徑.

3)計(jì)算機(jī)智能處理陰極炭塊圖像極大地提高了檢測(cè)精度，同時(shí)大大降低了人為因素的誤差，可快速對(duì)人工所無(wú)法完成的高精度的炭骨料顆粒的粒徑和面積進(jìn)行計(jì)算，并能以數(shù)據(jù)結(jié)果為基礎(chǔ)進(jìn)行后續(xù)的各類(lèi)分析和處理，且該識(shí)別及測(cè)試方法無(wú)需消耗大量的實(shí)驗(yàn)材料，節(jié)省了實(shí)驗(yàn)的成本.

[1] LASHKIAV. Defect detection in X-ray images using fuzzy reasoning[J]. Image & Vision Computing, 2001, 19(5): 261-269

[2] 方黎勇，段建華，陳浩，等.基于顯微CT圖像的巖芯孔隙分形特征[J].強(qiáng)激光與粒子束，2015，27(5)：300-304. FANG Liyong, DUAN Jianhua, CHEN Hao, et al.Fractal characteristics of core pore based on micro-CT images[J]. High Power Laser and Particle Beams,2015,27(5): 300-304

[3] 朱小潔，錢(qián)付平，張浩. X射線(xiàn)顯微CT的應(yīng)用現(xiàn)狀及發(fā)展[J].化工新型材料，2011(增刊1):5-8. ZHU Xiaojie, QIAN Fuping, ZHANG Hao. Application status and extension of X-ray Micro-CT[J]. New Chemical Materials, 2011(Sup 1): 5-8

[4] 丁衛(wèi)華，雷曼，郭瑞.混凝土CT圖像的幾何校正[J].CT理論與應(yīng)用研究,2012(2):255-261. DING Weihua, LEI Man, GUO Rui. Reserching on geometric correction of concrete CT image[J]. Computerized Tomography Theory and Applications, 2012(2):255-261

[5] GHOSH P, CHAKRABARTI A. Conducting carbon black filled EPDM vulcanizates: assessment of dependence of physical and mechanical properties and conducting character on variation of filler loading[J].European Polymer Journal, 2000, 36(5): 1043-1054

[6] 姜維.淺談數(shù)字圖像處理技術(shù)及其應(yīng)用[J].信息與電腦:理論版,2012(3):130-131. JIANG Wei. Digital image processing and its application[J]. Information and Computer: Theory, 2012(3):130-131

[7] MALLAT S, HWANG WL. Singularity detection and processing with wavelets[J]. IEEE Transactions on Information Theory, 1992, 38(2): 617-643

[8] JAMIESON J. Insight-non-destructive testing and condition monitoring[J]. Insight, 2007, 49(5):246

[9] 李靖宇，穆偉斌，金成，等.圖像分割在醫(yī)學(xué)圖像處理中的應(yīng)用研究[J].微型機(jī)與應(yīng)用，2012(8):29-31. LI Jingyu, MU Weibin, JIN Cheng, et al. Research of image segmentation technique applied in medical image processing[J]. Microcomputer & Its Applications, 2012(8):29-31

[10]楊麗雯,曾朝陽(yáng),張永繼.一種基于數(shù)學(xué)形態(tài)學(xué)的灰度圖像邊緣檢測(cè)方法[J].國(guó)外電子測(cè)量技術(shù),2012(2):27-30. YANG Liwen, ZENG Chaoyang, ZHANG Yongji. Method for the edge detection of gray-scale image based on the mathematical morphology[J]. Foreign Electronic Measurement Technology, 2012(2):27-30

[11]范彩霞,朱虹.基于物理模型的目標(biāo)邊緣檢測(cè)方法[J]西安理工大學(xué)學(xué)報(bào),2014(4):437-442. FAN Caixia, ZHU Hong. Object edge detection based on physical model[J]. Journal of Xi′an University of Technology, 2014(4):437-442

[12]徐瑞.圖像分割方法及性能評(píng)價(jià)綜述[J].寧波工程學(xué)院學(xué)報(bào),2011(3):76-79. XU Rui.Anoverview of image segmentation technique and performance evaluation[J].Journal of Ningbo University of Technology,2011(3):76-79

[13]王江濤,石紅巖,李文.彩色圖像分割算法綜述[J].信息安全與技術(shù),2015(4):76-80. WANG Jiangtao, SHI Hongyan, LI Wen. A survey on color image segmentation techniques[J]. Information Security and Technology, 2015(4):76-80

[14]吳集林.論數(shù)字圖像的膨脹與腐蝕[J].廣東廣播電視大學(xué)學(xué)報(bào),2007(1): 106-107. WU Jilin. Digital image dilation and erosion[J]. Journal of Open University of Guangdong, 2007(1):106-107

[15]XIAO S J, JIANG XQ, BLUNT L, et al.Comparison study of the biorthogonal spline wavelet filtering for areal rough surfaces original research[J]. International Journal of Machine Tools & Manufacture: Design, Research and Application,2001,41(12): 2103-2111

[16]李忠民.基于圖像處理的瀝青混合料檢測(cè)系統(tǒng)設(shè)計(jì)研究[D].西安：長(zhǎng)安大學(xué),2010：43-52

[17]潘艷珠,吳文亮,王瑞宜.基于數(shù)字圖像處理技術(shù)的瀝青混合料級(jí)配離析評(píng)價(jià)方法[J].中外公路，2011,31(4):221-224. PAN Yanzhu,WU Wenliang,WANG ruiyi.Based on digital image processing technology of asphalt mixture gradation segregation evaluation method[J]. Journal of China & Foreign Highway, 2011,31(4):221-224

[18]彭勇,孫立軍,楊宇亮,等.一種基于數(shù)字圖像處理技術(shù)的瀝青混合料均勻性研究新方法[J].公路交通科技,2004(11):10-12 PENG Yong, SUN Lijun, YANG Yuliang, et al. A new way to study homogeneity of ham based on digital image disposal technology[J]. Journal of Highway and Transportation Research and Development, 2004(11):10-12

[19]張季如,祝杰,黃麗,等.土壤微觀結(jié)構(gòu)定量分析的IPP圖像技術(shù)研究[J].武漢理工大學(xué)學(xué)報(bào), 2008(4):80-83. ZHANG Jiru, ZHU Jie, HUANG Li, et al. IPP image technique used for quantitative analysis of soil microstructure[J].Journal of Wuhan University of Technology, 2008(4):80-83.

(編輯 程利冬)

Study on CT image based composition identification of aluminum electrolytic cathode blocks

LIU Qingsheng，ZENG Shaojun，LU Xiaoneng，SONG Hanlin

(School of Metallurgy and Chemical Engineering，Jiangxi University of Science and Technology,Ganzhou 341000，China )

In this paper, the aluminum electrolysis cathode carbon block detection provides a scientific method to directly and efficiently calculate the particle size distribution of carbon aggregate composition in the cathode carbon block of the aluminum electrolysis. The quality of cathode carbon block for aluminum electrolysis can be obtained by particle area ratio and particle number proportion.Through the micro CT digital image analysis of the cathode carbon block, a quantitative component detection method was proposed by mathematical morphology. Digital image and gray matrix of the cathode carbon block can be obtained by using the micro CT. The voids, asphalt, aggregate and impurities can be distinguished by micro CT imaging, including , optical density correction, color correction, threshold selection, void filling, edge detection, isolation and expansion of regional corrosion, opening operation and closing operation of mathematical morphology and other characteristics of calculation. The results obtained here are identical to the actual chemical composition within a reasonable deviation range, indicating that the micro CT digital image processing is a simple and reliable method of component identification and feature extraction of aluminum electrolytic cathode carbon block. The verification results show that, based on CT tomography images can accurately realize the virtual identification of the components of the cathode carbon blocks.Keywords: aluminum electrolytic; micro CT; image processing; cathode carbon block; particle size distribution

2016-08-12. 網(wǎng)絡(luò)出版時(shí)間: 2017-05-18.

國(guó)家自然科學(xué)基金資助項(xiàng)目(51264011，51564019).

劉慶生(1975—), 男，博士，副教授.

劉慶生，E-mail: lqs_01259@126.com.

10.11951/j.issn.1005-0299.20160223

TF821

A

1005-0299(2017)04-0063-08