基于YOLOv5深度學習的焦爐交換考克狀態(tài)識別方法研究

關鍵詞：焦爐考克；深度學習；YOLOv5；霍夫變換

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2024）28-0008-04

0引言

近年來，焦爐在煉鋼過程中的重要性愈發(fā)突出，其運行狀態(tài)直接影響到生產(chǎn)的穩(wěn)定性和效率。焦爐交換考克是焦爐運行中的關鍵環(huán)節(jié)，其狀態(tài)對于煉鋼的效率、穩(wěn)定性和安全性至關重要。傳統(tǒng)識別方法主要依賴于傳感器采集焦爐設備運行數(shù)據(jù)，并進行數(shù)據(jù)預處理和特征提取[1-2]。然而，這些方法在實時性和準確性上都有所欠缺，難以滿足現(xiàn)代工業(yè)自動化的需求。

得益于人工智能和深度學習技術的快速發(fā)展，焦爐交換考克狀態(tài)識別領域在國內外迎來了新的研究熱潮。研究者們不僅在優(yōu)化傳統(tǒng)基于傳感器的數(shù)據(jù)方法方面付出努力，還積極探索深度學習模型的應用。國內學者董恒祥等人[3]的研究通過改進特征金字塔結構、引入SIOU邊界框損失函數(shù)和增強小尺度特征獲取能力，大大提高了焦爐交換考克狀態(tài)識別的速度和精度。然而，在復雜且不斷變化的工業(yè)環(huán)境中，小目標和被遮擋目標的檢測依然面臨挑戰(zhàn)，現(xiàn)有方法有待進一步完善。

在國際上，以澳大利亞科學家John F. Canny為代表的研究提出的Canny邊緣檢測算法，是圖像處理中的經(jīng)典算法之一，已被廣泛應用于多個領域。然而，在焦爐交換考克狀態(tài)識別的特定場景下，Canny算法因對圖像噪聲和光照變化的敏感而受到限制。盡管它具有出色的邊緣檢測能力，但是在復雜工業(yè)環(huán)境中，其識別結果的穩(wěn)定性和準確性難以令人滿意[4]。

此外，國際學術界正在探索基于深度學習的圖像識別技術在工業(yè)領域的應用，包括使用卷積神經(jīng)網(wǎng)絡（CNN） 和目標檢測網(wǎng)絡（如YOLO、SSD） 等先進模型，以應對復雜場景中的檢測和識別任務[5]。這些研究為焦爐交換考克狀態(tài)識別提供了新的思路和方法。

鑒于當前研究的不足，本文提出了一種魯棒性好且高效的焦爐交換考克狀態(tài)識別方法。首先，利用ArUco碼技術和YOLO系列算法檢測考克的位置和編號；隨后，利用霍夫變換的直線檢測算法進一步識別考克的旋轉狀態(tài)。最后，搭建巡檢機器人平臺進行現(xiàn)場測試，以驗證該算法的有效性。實驗結果表明，結合YOLO深度學習模型和霍夫變換的目標檢測算法能夠準確、實時地檢測焦爐狀態(tài)，滿足冶金焦化等工業(yè)現(xiàn)場的智能監(jiān)測需求。

1 考克狀態(tài)識別算法

1.1 算法流程

考克狀態(tài)識別算法主要包括3個步驟：考克編號識別、考克位置檢測和考克狀態(tài)檢測。具體流程如下：

1） 考克編號識別。首先，通過相機采集視頻流，并使用ArUco編碼技術識別考克編號。為了便于后續(xù)檢測，將ArUco碼放置在考克檢測區(qū)域中心。每個ArUco碼的解碼信息與其對應的考克編號是一一對應的。通過識別位于圖像中心的ArUco碼，可以確定相機的當前位置和當前拍攝的考克編號，為后續(xù)的處理提供重要依據(jù)。

2） 考克位置檢測。在識別了ArUco碼并確定了相機位置后，使用YOLOv5深度學習目標檢測算法對考克區(qū)域進行精確定位。這一步為應用霍夫變換算法識別考克的旋轉角度奠定了基礎。如果在該步驟中未檢測到考克目標，則需要控制相機返回至相應位置進行重新檢測。

3） 考克狀態(tài)檢測。對YOLOv5檢測到的目標區(qū)域進行圖像預處理，并應用霍夫變換算法檢測考克閥門的旋轉角度。最后，將識別出的考克閥門旋轉角度的數(shù)據(jù)上傳至巡檢機器人管理平臺，以供工作人員進行實時監(jiān)測和決策。

1.2 考克位置檢測

在明確整體算法流程之后，接下來將闡述算法中的關鍵環(huán)節(jié)——考克位置檢測。考克位置檢測是整個算法的核心部分，其準確性和效率直接影響焦爐交換考克狀態(tài)識別的最終效果。ArUco碼是一種特殊的二維碼（見圖2） ，可用于快速、準確地標識和追蹤物體。使用ArUco碼進行檢測與解碼的過程主要包括以下幾個步驟：首先，加載并預處理圖像，確保所有圖像具有統(tǒng)一的尺寸。其次，選擇適合的ArUco字典并初始化檢測器參數(shù)，以提高檢測的準確性和魯棒性。然后，檢測圖像中的ArUco碼，并從檢測到的ArUco碼中提取其唯一的編碼信息。最后，將解碼得到的信息用于物體的編號識別，并上傳至管理系統(tǒng)。

在利用ArUco碼確定相機位置后，使用YOLOv5深度學習目標檢測算法對考克進行檢測。為了增強數(shù)據(jù)集的多樣性和提高小目標檢測能力，在訓練YOLOv5 模型時采用了Mosaic數(shù)據(jù)增強方法。該方法通過隨機縮放、裁剪和拼接4張圖片生成新的訓練樣本。

YOLOv5 的網(wǎng)絡架構主要由Focus 模塊、CSPNet 主干網(wǎng)絡、PANet和檢測頭部網(wǎng)絡組成。Focus模塊通過切片操作增加輸入的細節(jié)；CSPNet結構的主干網(wǎng)絡優(yōu)化了特征提取的效率和精度，降低了計算量；PANet 通過雙向融合機制強化了特征金字塔，提升了對不同尺度目標的檢測精度；檢測頭部網(wǎng)絡綜合處理特征信息，通過分類和回歸分支預測目標類別與位置，最終高效完成目標檢測任務[6-7]。YOLOv5通過將圖像劃分為多個網(wǎng)格，每個網(wǎng)格直接預測目標的類別和位置，實現(xiàn)了端到端的目標檢測，在保證檢測準確性的同時提高了檢測速度[8-10]。

圖3和圖4分別展示了YOLOv5深度學習算法模型的訓練結果和準確率曲線（PR曲線）。PR曲線越接近于右上角，表明模型的查準率和查全率越高，性能越好。在考克狀態(tài)檢測的第一階段，使用YOLOv5模型對考克進行初步檢測，快速識別考克的大致位置，并在圖像中標注檢測框。通過初步檢測，可以篩選出可能存在問題的考克，為后續(xù)的精細檢測提供依據(jù)。

1.3 考克狀態(tài)檢測

由于YOLOv5模型只能識別考克的位置，無法獲取考克編號和旋轉角度等信息，因此需要結合其他方法進行精細檢測。為實現(xiàn)更精確的檢測，需要利用其他技術手段對考克進行進一步分析。在初步檢測的基礎上，結合圖像處理技術和霍夫變換原理，對考克進行精細識別，并測量考克閥門的旋轉角度。

本文采用霍夫變換檢測考克T 型閥門的角度。首先，對感興趣區(qū)域進行灰度化處理，利用邊緣檢測技術提取圖像的輪廓信息。然后，將霍夫變換算法應用于輪廓分析，通過累積參數(shù)空間中的邊緣點分布來確定圖像中直線的存在。這些直線可以用極坐標系中的點（ρ， θ）表示，其中ρ表示直線到圖像中心的距離，θ表示直線與水平軸的夾角。最后，提取直線的角度參數(shù)θ，并將其轉換為考克閥門的旋轉角度。

在進行角度測量時，需要對檢測到的圖像進行一系列預處理操作，具體步驟如圖5所示。首先，對圖像進行邊緣檢測以提取輪廓信息。接著，進行二值化處理，將圖像轉換為黑白圖像，并保留考克邊緣部分。最后，應用霍夫變換于考克邊緣部分的輪廓線，以檢測直線并計算考克閥門的旋轉角度。

2 實驗結果與分析

為驗證本文提出的焦爐交換考克狀態(tài)識別方法的有效性，搭建了如圖6所示的焦爐考克巡檢機器人平臺。該平臺使用海康工業(yè)相機雙光球機進行圖像采集，相機具備400萬像素、23倍光學變焦和150米紅外補光功能，能夠實現(xiàn)高清、精準的圖像采集。平臺被安裝在平行導軌上，利用YOLOv5模型、ArUco碼技術以及霍夫變換原理，對焦爐考克狀態(tài)進行實時識別和監(jiān)測，并將檢測結果同步上傳至考克機器人管理平臺。

在本研究中，為了訓練和測試YOLOv5模型對考克的識別，數(shù)據(jù)集的構建至關重要。本文所使用的數(shù)據(jù)集來源于青島特鋼一號爐，由考克巡檢機器人進行現(xiàn)場數(shù)據(jù)采集。現(xiàn)代水平室式煉焦爐的加熱煤氣管道布置于焦爐底部的地下室，焦爐加熱的交換系統(tǒng)及廢氣開閉器布置在焦爐地下室和煙道走廊。在青島鋼鐵一號爐中，共有61個爐口，每個爐口包WsZmWfiTZPdwEUAEUtRbdg==含左右兩個考克?？伎搜矙z機器人負責在預設的路徑上定時巡檢，每半小時一次，以確保覆蓋所有需要監(jiān)控的區(qū)域，用于本次研究的數(shù)據(jù)收集。

通過對視頻進行逐幀截圖，構建了一個包含多種考克狀態(tài)的圖像數(shù)據(jù)集。視頻截圖的過程是隨機進行的，確保了數(shù)據(jù)集的多樣性和全面性。總共截取了約880張圖片，這些圖片覆蓋了不同的考克狀態(tài)和工作環(huán)境，以保證訓練模型能夠在各種實際工況下有效識別考克狀態(tài)。

數(shù)據(jù)集的質量直接影響模型的訓練效果和識別精度。通過從實際工況中獲取數(shù)據(jù)，并進行多樣化的截圖和標注，確保了數(shù)據(jù)集的代表性和多樣性，為后續(xù)的模型訓練和測試奠定了堅實的基礎。

圖7展示了考克狀態(tài)檢測的示例，其中，左側考克圓盤“T”朝右表示進氣閥處于打開狀態(tài)，右側考克圓盤“T”朝上表示進氣閥關閉。實驗結果表明，巡檢機器人在導軌上的運動過程中能夠準確識別考克的位置編號和開關狀態(tài)。左側考克圓盤的打開狀態(tài)角度范圍為85°～90°，右側考克圓盤的關閉狀態(tài)角度范圍為0°～5°。超出這些范圍則被視為異常狀態(tài)，表示考克的開啟或關閉不完全。實驗結果進一步表明，檢測模型能夠準確識別考克的位置和旋轉角度。

為了更全面評估算法性能，對青島特鋼一號爐的122個考克進行抽樣，采集整點和半點狀態(tài)的圖像數(shù)據(jù)，并對考克旋轉角度的識別結果進行統(tǒng)計，如表1所示。超出正常角度范圍的考克被視為異常狀態(tài)。

軌道巡檢機器人對青島特鋼中的焦爐考克進行全天候監(jiān)測，每隔半小時將考克檢測結果上傳至管理平臺。實驗結果表明，考克異常狀態(tài)的誤報率不超過5%，考克狀態(tài)識別的準確率可達95%。這表明本文提出的考克狀態(tài)識別方法具有較高的準確性和可靠性，能夠在復雜的工業(yè)環(huán)境中實現(xiàn)對考克設備狀態(tài)的實時監(jiān)測和故障檢測。

3 結束語

針對冶金煉鋼領域中焦爐考克狀態(tài)智能巡檢的需求，本文提出了一種基于深度學習的焦爐交換考克狀態(tài)識別方法。該方法結合YOLOv5深度學習模型和霍夫變換直線檢測方法，實現(xiàn)了對焦爐煉鋼廠考克狀態(tài)的實時檢測，并將檢測結果實時上傳至機器人管理平臺，方便工作人員及時發(fā)現(xiàn)異常報警，減輕人工巡檢的勞動強度。

實驗結果表明，該方法在工況復雜的工業(yè)環(huán)境下仍能保持較高的檢測精度和穩(wěn)定性，提升了冶金煉鋼工廠的智能化水平和管理效率，節(jié)約了生產(chǎn)成本。未來的研究將進一步優(yōu)化算法，提高檢測精度和魯棒性，并探索將該方法應用于其他工業(yè)場景。