摘要：检测仪应用图像处理与神经网络技术，依照烧结看火工对烧结矿FeO含量的判断方法，用CCD摄像机采集烧结机尾断面图像，对所采集的图像进行实时处理，并提取特征，再由根据烧结看火工的经验知识训练的BP神经网络对图像样本分类识别，最后给出相应的FeO含量等级。
烧结矿是炼铁的主要原料，烧结矿质量的好坏，对高炉冶炼性能影响很大。在烧结矿的质量指标中，氧化亚铁(FeO)含量是一个非常重要的指标，它代表了烧结矿的还原性。在生产中适当降低烧结矿中的FeO含量，并提高其稳定性，既可以保证烧结矿的冷强度和低温还原粉化性能，又改善了烧结矿的还原性，使烧结矿的冶金性能得到改善。这样，既有利于高炉降低焦比，又使烧结生产固体燃料消耗降低。因此，烧结矿中FeO含量的检测和控制对烧结生产有着十分重要的意义。目前，烧结矿FeO含量的检测方法主要有4种：化学分析法、磁导率法、废气分析法和烧结机尾直观观察法。
在我国大多数烧结厂，烧结矿FeO含量的在线检测主要依靠人的经验，也就是由烧结看火工在烧结机尾对烧结饼断面直观观察，然后凭经验对烧结矿FeO含量做出判断，给出FeO含量的范围。虽然国内一些大型烧结厂已在烧结机尾安装了工业电视系统，看火工可以通过工业电视观察机尾断面，但仍需看火工进行判断。
我们利用图像处理和神经网络技术开发了烧结矿FeO含量在线检测仪，可以代替看火工来完成这项工作，在线判断烧结矿FeO含量。判断结果分为4等：(1)含量低；(2)含量正常；(3)含量偏高；(4)含量高。
1 检测仪的结构及工作原理
烧结矿FeO含量智能检测仪的结构如图1所示。其中，图像采集系统由1台黑白CCD摄像机、滤光片、图像采集卡和PC机组成。图像采集系统的附属设备包括风反吹水冷套，空气过滤器，控制摄像时刻的采样开关，照明光源等。 
检测仪的工作分为自动采样、图像处理和图像识别3个阶段。当台车每次到达预定位置时，采样开关发出信号给计算机，计算机控制图像采集系统捕捉烧结机尾断面图像；在图像处理阶段，对烧结机尾断面图像进行平滑、分割和标注处理，提取特征；在图像识别阶段，由上一步提取的图像特征，采用根据烧结看火工(专家)的经验训练的BP神经网络对图像样本分类，最后给出相应的FeO含量等级。工作原理如图2所示。
2 烧结机尾断面图像处理与特征提取
总结烧结看火工观察烧结机尾断面特征判断FeO含量的方法，经实验比较，我们为识别烧结机尾断面图像设计了2个特征：烧结机尾断面图像中红火层区域内烧结气孔面积平均值
和气孔内部火焰亮度平均值
，即图像的特征向量为
设一幅烧结机尾断面图像上烧结气孔的个数为n，各个烧结气孔的面积(以象素个数表示)为Si(i=1，2，…，n)，烧结气孔内部火焰的亮度为fij(i=1，2，…，n；j=1，2，…，ni)，ni是第i个烧结气孔的象素个数(ni=Si)，则烧结气孔面积平均值
定义为 
烧结气孔内部火焰亮度平均值定义为
根据以上确定要提取的烧结机尾断面图像特征及图像特点，对图像采取如下处理：①自适应平滑算法平滑烧结机尾断面图像；②基于寻谷法和矩保持法的自适应(局域)阈值法分割烧结机尾断面图像；③两次扫描法对分割后的烧结机尾断面图像(二值图像)进行标注。在以上3个步骤处理图像后，即可由式(1)、(2)计算图像的特征向量：
机尾断面图像处理结果如图3所示。
(a)烧结机尾断面图像，256象素×256象素，256级灰度；(b)用自适应平滑算法平滑后的图像；(c)用基于寻谷法和矩保持法的自适应阈值分割后的图像；(d)图3(a)的灰度直方图；(e)图3(b)的灰度直方图
图3示例检测仪的图像处理工作过程：图3(a)为CCD摄像机摄取的烧结机尾断面细节图像，CCD摄像机镜头焦距50mm，摄像距离3m，图像对应的实际断面面积为265mm×200mm。由于现场噪声干扰，在检测仪中采用自适应平滑算法对原始图像图3(a)进行平滑滤波，结果如图3(b)。为了提取式(1)、(2)设计的图像特征，下一步采用基于寻谷法和矩保持法的自适应(局域)阈值法分割图3(b)，结果如图3(c)。最后用两次扫描法对分割后的烧结机尾断面图像图3(c)进行标注，根据式(1)、(2)计算图像特征。
3 BP神经网络对烧结机尾断面图像的识别
检测仪对烧结矿FeO含量的判别基于烧结看火工的经验知识，考虑到生产工艺要求以及看火工的识别标准，检测仪给出的结果是定性的分类。根据本钢第二炼铁厂烧结生产的长期统计数字表明，烧结矿FeO含量范围在7％～18％之间，将判别结果分成4等，对应的FeO含量范围为：FeO含量低(等级1，7％≤w(FeO)〈9％；含量正常（等级2.9%≤w(FeO)<11%）；含量高（等级3,11%≤w(FeO)<13%）；含量很高（等级4,w(FeO)13%）。与此对应，检测仪采集到的烧结机尾断面图像也分成4类，检测仪对烧结矿含量的判别也就是对烧结机尾断面图像的分类识别。
神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统，具有很好的联想记忆功能、自学习性、自适应性和容错性，很适合解决分类识别问题。目前在实际问题中应用最广泛、最成熟的是BP网。我们采用3层BP神经网络作为识别分类器对烧结机尾断面图像进行分类识别。
3.1 烧结机尾断面图像识别BP神经网络结构
式(1)、(2)中，由烧结机尾断面图像提取的特征构成了对图像进行分类识别的基础，将其作为BP神经网络的输入(2个神经元)，烧结矿FeO含量等级为网络的输出(1个神经元)，一层隐含层(4个神经元，变换函数为S型函数)，则网络结构如图4所示。
3.2 烧结机尾断面图像识别BP神经网络的训练
为了成功地开发神经网络，产生训练样本集是第1步，也是十分重要和关键的一步。这包括原始数据的收集、数据分析、变量选择以及数据的预处理，只有经过这些步骤后，才能对神经网络进行有效的学习和训练。
网络的训练数据必须满足两个条件：数据组中必须包含全部模式；在每一个类型中还应该考虑随机噪声的影响。
对于我们的应用，采用如下方法建立网络训练集：
(1)采集烧结机尾断面图像样本，计算图像样本的特征值(
和
)，再由烧结看火工(烧结专家)观察采样时刻烧结机尾断面，判断烧结矿FeO含量等级，此FeO含量等级即为该图像样本对应的烧结矿FeO含量等级。
(2)重复第(1)步N次，得到N组数据(图像样本的特征数据和相应的烧结矿FeO含量等级)作为网络的训练集，要使其中包含4个等级样本。
(3)对网络训练集进行标准化。为了避免特征量纲对分类造成的影响，利用极差将样本原始特征数据标准化。在一批样本中每个特征的最大值与最小值之差为这个特征的极差，例如对特征， 
,其N个数据的极差R为
利用极差对特征进行标准化：
网络的训练采用有教师的训练方法。采用这种方法，每一组用于训练的数据中，输入值都有相应的输出值。将输入值输入网络，网络经过计算得到输出值，与训练数据中相应的输出值进行比较。在一批训练数据依次输入网络后，网络得到一组输出值与训练数据中相应的输出值之间的误差，然后网络根据平均误差修正各处理单元连接的权重。网络再输入下一批训练数据，新的权重应使训练所得误差值减小。如此反复，当网络的输出误差小于一定值时，完成训练。
由于我们应用的样本共有4种模式，网络训练时每组数据包含4个样本(每一FeO含量等级各1个)，作为一批训练数据，按上述方法进行训练。
4 检测仪的运行及现场试验结果
检测仪在线工作时，对采集的烧结机尾断面图像进行平滑、分割和标注，然后计算特征，再由经过训练的神经网络进行图像识别。这样根据图像所属类别就给出本次FeO含量等级。同时考虑到生产的连续性，为避免随机因素造成判断误差，还要进行多次判断的综合，即连续采集N幅烧结机尾断面图像(对应连续的N节台车)，每幅图像给出一次判断，N次判断中出现次数最多的FeO含量等级作为当前时刻的判断结果(实际运行中取N=10)。
为了检验本检测仪器的性能，我们在本钢第二炼铁厂3＃烧结机进行了现场的运行试验。试验历时15d，每天上午7点30分至下午3点30分(白班)试验8h。每隔20min由烧结工观察一次机尾断面，判断FeO含量，并和检测仪显示结果进行对比，共进行了320次试验，检测仪结果和烧结看火工判断结果对比，符合率为825％。当化验室给出FeO含量的化学分析结果时，和当前时刻前2h检测仪显示结果进行对比，共进行了43次试验，符合率为721％，
从上述试验结果可看出，检测仪给出的质量信息与烧结工判断的符合率较好。
5 结束语
在烧结机尾对烧结矿中FeO含量实现在线连续检测，具有重要的理论价值和实际意义。我们研制的烧结矿FeO含量检测仪采用图像处理与神经网络技术实现，实验证明我们采用的方法可行，检测仪设计合理。今后进一步总结看火工经验，增加图像的模式特征，如考虑图像气孔区的纹理特性等，同时采集生产参数，如烧结原料的配料比、焦炭含量、配水量等，进行综合判断，检测仪的检测效果将会进一步提高。 |
