揮發窯鼓風管的關鍵點識別及其擺放位置監測

易佞純 ,桂衛華 ,梁驍俊 ,張超波 ,唐峰潤 ,陽春華

(1.中南大學自動化學院,湖南 長沙 410083;2.鵬城實驗室,廣東 深圳 518066)

1 引言

目前,鋅廣泛應用在鋼鐵、冶金、軍事等領域[1],是我國極其重要的原材料.濕法煉鋅是工業上最常用的煉鋅方法,而氧化鋅揮發窯是對濕法煉鋅中產生的鋅浸出渣進行再次回收的環節.對于鋅浸出渣,它不僅含有鋅、銀等金屬,也存在有毒元素鍺、鎘等,長期堆積將會對環境造成嚴重污染[2–3].因此對鋅浸出渣的回收處理將能促進國民經濟的發展,實現資源的綜合利用及環境保護.當前鋅浸出渣的回收主要采用傳統的回轉窯揮發法,如圖1所示,由鋅浸出渣與焦炭組成的混合料從窯尾流入,物料經干燥、預熱、分解、燒結及冷卻5大帶后,變為窯渣并從窯頭流出,其中含鋅化合物發生了一系列氧化還原反應,揮發的氣態氧化鋅從窯尾經過沉塵室、余熱鍋爐、電收塵系統后,最終形成氧化鋅煙塵.整個生產過程中,燒結帶溫度的高低是保證氧化鋅高回收率的關鍵[4].

圖1 揮發窯結構與窯頭區域實物圖Fig.1 The structure of the volatilization kiln and the physical map of the kiln head area

揮發窯燒結溫度的控制幾乎是依靠現場工人通過觀察窯頭火焰情況后,憑經驗來調節下料量、轉速、窯頭鼓風等操作參數.其中窯頭鼓風包括鼓風管位置及風壓,作用是調節窯內的氣流分布及氧氣含量,從而影響燒結帶物料的氧化還原反應,處理異常工況.工況主要分為過燒、正燒、欠燒3種,工人將會根據不同工況相應調整窯頭鼓風狀態.例如揮發窯逆時針旋轉時,物料處于窯內右下角,當工況為欠燒時,物料未完全反應,呈現為散狀,此時增大風壓,或鼓風位置移動到右下方,增大窯內右下方的氣流,促使物料充分反應,提高窯溫;當工況為過燒時,物料燃燒過度,呈現為流態,此時減小風壓,或鼓風位置移動到左上方,減少窯內右下方的氣流.過燒及欠燒這兩種異常工況都將會影響產物氧化鋅的質量[5].

對于窯頭鼓風,現場工人一般不調節風壓,而頻繁地手動調節鼓風管的位置.趙民革等人[6]研究了鼓風管對熱風爐的氣流分布影響,并說明了單管鼓風管存在“偏流”的現象.因此,鼓風管位置的移動會改變窯內的氣流分布,從而影響物料的氧化還原反應[7],目前氧化鋅揮發窯的分布式控制系統(distributed control system,DCS)僅能實時反饋風壓等操作數據,無法獲取鼓風管位置的實時信息,尤其是當工況為過燒時,物料黏性大,可能結成大窯渣,并撞上鼓風管,若不及時處理,大窯渣將堵住窯頭口,引起安全事故[8].為此,實時監測鼓風管的位置將不僅能完善DCS系統窯頭鼓風數據,及時提供鼓風狀態異常信息,同時也為今后全自動化調節鼓風管位置打下基礎.

鼓風管位置是工況識別及優化控制中極其重要的操作指標.目前,現場仍采用人工看火的方式來判斷工況來調整鼓風管位置.隨著計算機技術的發展,許多學者開始研究圖像處理來代替人工看火[9–10].回轉窯火焰圖像相關研究主要分為:圖像分割、特征提取、工況識別.文獻[11]利用顏色特征來分割出回轉窯火焰圖像的火焰區、物料區,之后通過獲取分割后的圖像信息建立燃燒區溫度估計模型,實時監控窯內溫度情況.文獻[12]先對回轉窯火焰圖像使用OstuKmeans算法分割出燃燒區、高溫區等目標區域,之后提取目標區域的特征并建立基于支持向量機(support vector machine,SVM)的燃燒狀態識別模型.文獻[13]通過建立火焰視頻時空特征模型來獲取火焰的動態紋理和運動特征,從而及時發現工況變化.文獻[14]建立了基于火焰圖像特征的卷積循環神經網絡(convolutional recurrent neural network,CRNN)模型來識別工況,并驗證了其有效性.大部分現有文獻關注的是火焰圖像中火焰區、物料區的特征,很少關注鼓風管對回轉窯中物料氧化還原反應以及工況的影響.由于關于圖像中鼓風管位置分割提取的相關研究較少,因此采取一般圖像處理技術來獲取鼓風管的位置,如Ostu、模糊C均值聚類(fuzzy c-means,FCM)、遺傳算法等傳統方法.文獻[8]對回轉窯火焰圖像利用中值濾波、FCM等方法提取出目標區域,進而獲取特征指標值.文獻[15]通過遺傳算法尋找最優閾值來實現對目標圖像的分割.但在火焰圖像中,煙塵或窯頭壁遮擋鼓風管的情況經常出現,這將導致傳統方法不能準確地分割出鼓風管,即無法得到鼓風管的準確位置.

近年來,隨著高性能計算與深度學習技術的發展,卷積神經網絡已廣泛地應用于視覺領域,例如有物體分類(如VGG(visual geometry group)[16],ResNet[17]),物體檢測(如Faster R-CNN(region-based convolutional network)[18],YOLO(you only look once)[19]),物體分 割(如FCN(fully convolutional network)[20],UNet[21])等框檢測方法.對于鼓風管,工人關注的是其管口的位置,而以上框檢測方法難以利用后處理方式獲得鼓風管管口中心點的位置.目前關鍵點檢測方法有卷積姿勢機(convolution pose machine,CPM)、堆疊沙漏網絡(hour glass,HG)、Openpose、級聯金字塔網絡(cascaded pyramid network,CPN)等.在姿態估計的應用中,CPN模型與HG模型的檢測精度明顯優于CPM模型,這是由于CPM模型在傳播過程中會損失一些空間細節信息,而CPN 模型使用GlobalNet,RefineNet以及HG模型使用注意力模塊能融合更多上下文信息,從而實現關鍵點更精確的定位[22–23].文獻[24]在研究建筑設備的姿態估計時分別采用了HG 模型與CPN模型,最終CPN模型的關鍵點檢測效果優于HG模型.文獻[25]比較了Openpose與CPN模型在預測嬰兒姿勢估計方面的效果,結果表明CPN 模型比Openpose的檢測結果更準確.因此,本文將采用CPN關鍵點檢測網絡來研究鼓風管的位置.

綜上所述,為了實現對鼓風管位置的準確檢測,本文提出一種基于關鍵點識別的鼓風管位置監測方法.首先,文章設計了一種鄰域關鍵點輔助的數據擴充方法,并選取經典網絡CPN來預測鼓風管管口的中心點;之后,利用一種基于多幀圖像的聚類分析算法來消除視頻中煙塵完全遮擋的影響;最后,通過一種量化指標來實時記錄與工況相關的鼓風位置數據,這也有利于及時發現異常鼓風狀態,并為后續實現全自動化鼓風狀態調節提供操作依據.

2 鼓風管位置監測方法

本節詳細說明了鼓風管位置實時監測模型的方法框架,主要包括3個部分,分別是數據集準備、關鍵點檢測網絡、聚類分析與鼓風管位置量化,如圖2所示.

圖2 鼓風管位置監測方法總體框架Fig.2 The overall framework of the monitoring method for the position of the blower pipe

2.1 數據集準備

2.1.1 火焰視頻采集

為了實現對鼓風管位置監測,本文利用鋅浸出渣揮發窯工業現場的火焰視頻建立圖像數據庫.由于現場工人僅在出現異常工況時調整鼓風管位置,因此火焰視頻中存在大量鼓風管位置相同的圖像幀.在此僅提取視頻中鼓風管位置發生移動的圖像幀,以提供更有效的、更具代表性的訓練數據,也能減少模型的訓練時間.

2.1.2 鄰域關鍵點輔助的數據擴充

基于深度學習的關鍵點檢測方法需要根據鼓風管的特點定義一系列關鍵位置點.由于鼓風管的關鍵點沒有統一的定義,因此本文制定以下關鍵點定義規則:

1)參照鼓風管的結構特點定義關鍵點,尤其是管口處的關鍵點能表示回轉窯中實際鼓風位置;

2)補充通?？梢姷妮o助關鍵點標注,以增加訓練數據量;

3)標注的關鍵點可被連接以形成每個鼓風管的形狀輪廓,從而讓模型學習鼓風管整體的深層次特征;

4)輔助關鍵點能夠彌補圖像中鼓風管口被煙塵或窯頭壁遮擋所帶來的影響.

根據實際鼓風管的形狀特點,以及定義的基本規則,將鼓風管的管口中心、上下邊界的管徑收縮末端及管徑擴張末端的關鍵點進行標注,共7個,如圖3所示.其中,管口中心關鍵點的位置End代表實際窯頭鼓風位置,而其余6個關鍵點作輔助關鍵點.在訓練時,對關鍵點之間的對稱性、連接性進行考慮,當管口位置被煙塵或窯頭壁遮擋而其他關鍵點可見時,網絡模型將會根據其他輔助關鍵點來估計管口點End所在位置.因此6個輔助關鍵點有助于提高管口中心點End檢測準確性,去除煙塵或窯頭壁部分遮擋的影響.

圖3 鼓風管關鍵點的定義Fig.3 Definition of keypoints of the blower pipe

標注時,由于每個關鍵點都有被煙塵或者窯頭壁遮擋的可能性,所以需標記出關鍵點的位置及其可見性.每個關鍵點信息可表示為(x,y,v);其中:x和y表示每個關鍵點在圖像中的位置,即橫向坐標和縱向坐標;而v代表每個關鍵點的可見性,v=0意味著關鍵點不存在于圖像中;v=1意味著關鍵點存在于圖像中,但被遮擋;v=2意味著關鍵點是可見的[24].鼓風管關鍵點是利用人工標注工具進行手動標注,生成的JSON文件包含每張圖像中鼓風管關鍵點的坐標和可見性信息,且將其作為訓練模型的真實標簽.

另外,本文將采用在線數據擴充的方式,通過翻轉、旋轉、縮放的方法來擴充數據集,以防止模型出現過擬合的問題,同時提高模型的泛化能力[26].

2.2 CPN網絡

在人體姿態估計中,CPN網絡是一種自頂向下的級聯金字塔網絡,檢測精確度高.其中,需先找到圖像中目標的邊界框,從而對框內目標進行關鍵點檢測[27].由于每張圖像中只包含一個鼓風管,并為單目標檢測,因此鼓風管的邊框范圍直接取為整張圖像.

CPN卷積神經網絡主要由兩個模塊GlobalNet和RefineNet組成,如圖4所示.對于GlobalNet,使用Res-Net50中Conv2,Conv3,Conv4,Conv5這4層卷積來提取圖像的4個不同尺度特征圖,分別記為C2,C3,C4,C5,之后通過高斯核生成相應的關鍵點高斯熱圖.其中,C2與C3為淺層特征,而C4與C5為深層特征,蘊含更豐富的語義信息.為了將淺層特征與深層特征相融合,采用U型網絡結構將4層特征圖轉換成相同通道,進而合并語義信息[28].但GlobalNet存在局限性,當其檢測簡單的關鍵點時效果很好,但是對于一些困難的關鍵點,檢測效果較差,尤其對于一些被窯頭壁(圖像黑色區域)或窯內煙塵遮擋的關鍵點上,無法達到追蹤要求.

圖4 基于CPN的鼓風管位置檢測網絡Fig.4 Position detection network of blower pipe based on the CPN

針對于上述問題,RefineNet 將專門解決困難關鍵點的檢測.GlobalNet輸出的金字塔特征作為RefineNet的輸入.對于不同層特征,先采用不同數量的bottleneck殘差塊進行處理[29],得到更深層次的特征解析,即困難關鍵點的特征;最后經不同倍數的上采樣后,融合金字塔所有層特征信息,并將其傳遞給bottleneck,從而得到最終輸出.

在網絡中,RefineNet能夠自動選擇訓練中困難關鍵點,通過對選擇的困難關鍵點計算損失并進行反向傳播,從而提高關鍵點的檢測精度.其中,GlobalNet與RefineNet均采取的是L2損失,區別為GlobalNet是計算所有關鍵點的損失,而RefineNet是計算從大到小排序的前幾個困難關鍵點損失,對于鼓風管檢測,關鍵點一共為7個,其中,通過實驗確定困難關鍵點個數為4個.GlobalNet損失及RefineNet損失計算如下所示:

CPN檢測網絡是對鼓風管所有標注關鍵點進行訓練,而在測試時,僅需輸出管口中心點End來監測鼓風管實際鼓風位置.同時,在訓練中,CPN網絡通過很好地捕捉到關鍵點之間的強相關性,以及前景(關鍵點)與背景之間的對比關系,最終能準確地檢測出鼓風管管口中心位置.

2.3 聚類分析與鼓風管位置量化

2.3.1 譜聚類分析

針對于煙塵部分遮擋鼓風管的問題,CPN網絡能夠通過關鍵點之間的連接性、對稱性成功檢測到管口中心點位置.但對于鼓風管被煙塵或窯頭壁完全遮擋的情況,CPN網絡的檢測結果會產生較大誤差.當視頻作輸入時,多個圖像幀存在鼓風管被完全遮擋的問題,主要是受煙塵的影響,因此為了解決該問題,本文將提出一種基于多幀圖像的聚類分析算法.

譜聚類是一種圖聚類方法,它在數據分布方面的適應性強于傳統聚類;同時將其結合CH(calinski harabasz)系數指標來評價聚類效果,最終能自動選取最優的聚類結果.對于譜聚類[30],先在無向加權網絡中,通過K近鄰法(k-nearest neighbor,KNN)定義對稱鄰接矩陣W={ωij}rr為

其中:X={x1,x2,···,xr}是r個點的集合;σ是高斯核函數的尺度函數.通過鄰接矩陣構建度矩陣D={dij}rr,同時它是一個對角矩陣,對角元素為dii=

由此,可計算出拉普拉斯矩陣L=D-W,再將其標準化L′=.之后計算L′的特征值,并將其升序排列.若聚類數目為m個,則取L′的前m個最小特征值所對應的特征向量p,構建r×m特征矩陣并將其按行標準化可得P={p1,p2,···,pm}.最后將P中每一行作一個樣本,通過K-means聚類算法劃為m類.

CH系數是一種評價聚類的效果好壞的指標[31],以助于譜聚類找到最佳的聚類數目m?,其計算公式如下:

其中: SSB(sum of square for between)和SSW(sum of square for within)分別是類間離散度和類內離散度;r為樣本數;m為聚類數目;ri是類別i中的點數;fj是數據點j的特征向量;z是所有數據點的中心;zi是類別i的聚類中心.若CH系數越大,則說明聚類效果越佳.

為了去除煙塵完全遮擋所產生的異常點,本文以1秒時間間隔連續提取圖像幀,并對每分鐘內60幀圖像的End點坐標進行譜聚類分析,其中,初始聚類數目設置為2,聚類數目m在2到8范圍內,之后,利用CH系數對其聚類效果進行評價,同時,不斷更新聚類數目作譜聚類分析,循環結束后,CH系數最大值所對應的聚類數目則為最佳的m?.最后,選取最佳聚類中End點數數目最多簇,若該簇數量大于或等于設定閾值30,則認為此分鐘檢測結果有效,否則忽略此分鐘,繼續檢測下一分鐘鼓風管位置.其中,設定閾值是通過多次實驗獲取.當檢測結果有效時,對該簇中所有點的橫縱坐標分別求取平均值,作為最終估計的管口中心點End位置,整個檢測流程如圖5所示.

圖5 鼓風管管口中心點聚類流程Fig.5 The clustering process of the center point of the blower nozzle

2.3.2 鼓風管位置量化

根據工人經驗,窯況與鼓風管位置是強相關的.實際中,工人會根據窯況的變化對鼓風管位置進行調整.由于現場揮發窯的逆時針旋轉特性,物料則位于窯內右下角,如圖6(a)所示.因此,順著物料流動及分布的方向,當火焰亮、存在爆燃現象時,此時窯況為過燒,工人需把鼓風管位置移至左上方,減少右下方物料處的氣流,避免燃燒過度,如圖6(b)所示.當火焰較暗時,此時窯況為欠燒,工人需把鼓風管位置移至右下方,增加右下方物料處的氧氣及氣流,促使物料加快氧化還原反應,如圖6(d)所示.當火焰亮時,此時窯況為正燒,工人把鼓風管位置移至斜中間,如圖6(c)所示.

圖6 工況、火焰與鼓風管位置量化指標關系圖Fig.6 Quantitative index relationship diagram of working conditions,flame and blower pipe position

為了更好地實時顯示鼓風管位置信息,記錄窯頭鼓風狀態信息,及時發現異常情況,本文將提出一種鼓風管位置的量化方法.基于訓練數據中鼓風管管口中心點的統計分析與現場操作經驗,在此確定了鼓風管位置的分布范圍并將其分為9類,如圖6(b)所示.每個框對應一個等級.該等級劃分能夠反映工人所理解的燃燒狀況.若鼓風管位置位于等級1,2,4時,此時鼓風管擺放位置處于看火口左上方,可以認為工況處于過燒狀態,以助于減少右下方物料處氣流.若鼓風管位置處于等級6,8,9時,此時鼓風管擺放位置處于看火口右下方,為欠燒工況,以助于增加右下方物料處氣流,促使物料充分反應.若鼓風管位置處于3,5,7等級,則可認為工況處于正燒狀態.同時,當鼓風管位置發生突然跳變,則表明鼓風管被大窯渣擊中,且處于異常狀態,可能會引起事故發生.

3 實驗驗證

3.1 數據集與模型訓練

本文實驗是采集了某大型國有鋅冶煉企業氧化鋅回轉窯的窯頭火焰視頻數據,并使用TensorFlow框架搭建整個網絡.原視頻圖像的大小為600×600,在此將每幀圖像縮放成384×288尺寸大小作網絡輸入,同時對火焰圖像數據集進行數據擴充操作.在CPN檢測網絡中,采用Adam 優化器,并設置初始學習率為0.0005,每隔40個epoch 更新一次學習率,降為原來的0.5倍,總共訓練120個epoch;其中,采用15×15,11×11,9×9,7×7這4個高斯核,將關鍵點的真實坐標進行高斯轉換并輸出4 種熱圖,從而便于預測及計算損失值.

窯頭火焰圖像數據集共有952張圖片,其中將訓練集、驗證集、測試集分別設置為666張、95張、191張圖片.本文采用遷移學習的方法提升訓練效率,首先,采用ImageNet預訓練權重對網絡進行初始化,之后,通過鼓風管標注數據集進行微調.

3.2 評估指標

對于關鍵點估計,使用標準的評估指標:PCK(percentage of correct keypoints)和OKS(object keypoints similarity).PCK通過計算正確估計的關鍵點個數占該類別關鍵點總數的比例來評價模型的準確性.當估計的關鍵點位置與真實位置之間的歸一化距離小于閾值α時,則認為關鍵點被成功檢測,一般α ∈[0,0.05][32].OKSn是獲取第n幅鼓風管圖像中真實關鍵點與估計關鍵點之間的相似性,在計算歐氏距離時加入一定的尺度,從而來評估關鍵點的好壞[33].PCK及OKSn具體計算方法如下：

其中:N為測試集中圖像的總數;dn,k是預測第n張圖像中第k個關鍵點位置與其實際位置之間的歐氏距離;cn為第n張圖像的距離歸一化參數;vn,k表示第n張圖像中第k個關鍵點的可見性;σk為第k個關鍵點的歸一化因子,反映的是該關鍵點對整體的影響程度;sn是目標尺度.由于每張圖像都僅存在一個鼓風管,因此檢測框取為整張圖像.

3.3 實驗結果與分析

本章節利用所采集的氧化鋅揮發窯窯頭火焰視頻數據對所提出方法進行實驗驗證.先對CPN 網絡的4層卷積層所獲取的不同尺度特征圖進行可視化分析,如圖7 所示,圖7(a)是揮發窯窯頭火焰圖像的原圖,圖7(b)–(c)為Conv2,Conv3卷積層所提取的淺層特征C2,C3,圖7(d)–(e)為Conv4,Conv5卷積層所提取的深層特征C4,C5.可看出圖7(b)能夠得到整幅圖像的邊緣、顏色等細節信息,圖7(c)進一步得到鼓風管形態特征,圖7(d)–(e)獲取的是鼓風管更加抽象的語義信息.通過融合C2,C3,C4,C5這4個特征圖進行預測,能夠更準確地學習到鼓風管的有效信息,進而提升鼓風管位置的檢測效果.

圖7 不同卷積層特征圖的可視化Fig.7 Visualization of feature maps of different convolutional layers

為了評估關鍵點檢測模型的準確性,在此使用PCK以及OKS對關鍵點檢測結果進行分析.當閾值α分別取0,0.01,0.02,0.03,0.04,0.05 時,7個關鍵點的PCK值以及其平均值如圖8 所示,即關鍵點被正確檢測的百分比.可看出,隨著閾值α的增大,每類關鍵點的PCK值均先顯著增加再趨于穩定;當α為0.02時,所有類別關鍵點的PCK值均超過94%,且當α為0.03時,所有類別的關鍵點都能檢測成功.同時,關鍵點上邊界管徑點1,下邊界管徑點1和2的PCK曲線均高于平均曲線,關鍵點上邊界管徑點3,管口中心點,下邊界管徑點3均略低于平均曲線;整體上,PCK值及模型檢測準確度較高.圖9 顯示了測試集中鼓風管關鍵點的OKS區間分布,可看出絕大部分鼓風管關鍵點的OKS均在0.95至1區間;其中OKS處0.95以上的鼓風管個數占測試集總數的89%,OKS處于0.9至0.95,0.8至0.9以及0至0.8區間內的鼓風管個數占測試集總數的比例分別為4.7%,3.14%,3.14%,因此大部分鼓風管關鍵點的檢測相似度高.

圖8 鼓風管關鍵點檢測PCK曲線Fig.8 PCK curve for keypoints detection of the blower pipe

圖9 鼓風管關鍵點檢測的OKS區間分布Fig.9 OKS interval distribution for keypoints detection of the blower pipe

圖10 是本文關鍵點模型檢測出鼓風管輪廓的結果,可看出在煙塵較大以及窯頭壁部分遮擋鼓風管的情況下,該模型能夠準確地檢測鼓風管的7個關鍵點,將其連接從而勾勒出鼓風管的形狀輪廓.由于工人關注的是鼓風管管口位置,因此只用鼓風管管口中心關鍵點End代表鼓風管位置.

圖10 鼓風管輪廓檢測結果示例Fig.10 Examples of contour detection results of the blower pipe

在聚類分析前,將基于圖像分割的傳統方法、單點檢測模型及本文方法分別對測試集191張圖像進行檢測.其中,基于圖像分割的傳統方法是先結合CLAHE與Gamma 變換進行去霧預處理[34],之后進行圖像分割;圖11 是FCM與遺傳算法分別對預處理后圖像作分割,并使用Canny邊緣檢測算子獲取鼓風管形狀輪廓的結果,可看出遺傳算法比FCM的分割鼓風管的效果更好.因此,傳統方法將采用遺傳算法分割出鼓風管,每幀鼓風管管口中心點位置可由分割后的鼓風管最左側像素點獲取.而單點檢測模型是由僅訓練鼓風管管口中心點End的CPN網絡來輸出每幀鼓風管的位置.

圖11 不同傳統方法分割鼓風管的結果Fig.11 The results of different traditional methods for segmenting the blower pipe

表1為聚類分析前不同方法的檢測效果.可看出單點檢測模型及本文方法均比傳統方法效果好,本文方法的檢測效果最佳.圖12是聚類分析前該3種方法分別檢測鼓風管管口中心點位置的結果.可看出除了類似C5煙塵完全遮擋鼓風管的情況,本文方法基本上都能檢測出鼓風管管口的位置.而單點檢測模型在檢測類似B1,B2這些情況效果很好,但若出現B3鼓風管管口被窯頭壁完全遮擋、B4存在部分煙塵遮擋及B5煙塵完全遮擋管口等情況時,該模型無法跟蹤到鼓風管管口位置.對于基于圖像分割的傳統方法,它能檢測出類似A1鼓風管管口完全清晰出現在火焰口內的情況,當出現A2,A3鼓風管管口被窯頭壁遮擋時,傳統方法分割會受到窯頭遮擋的限制,如圖13(a)所示,因此A2,A3僅能被檢測到鼓風管與窯頭壁銜接處,以此作鼓風管管口位置,此時產生的誤差較大;同時當出現類似A4管口被煙塵部分遮擋、A5管口被煙塵完全遮擋情況時,傳統方法分割會因煙塵的干擾無法準確檢測到管口位置,如圖13(b)顯示了煙塵部分遮擋鼓風管時分割效果很差.綜上,深度學習方法能不受傳統方法圖像分割、特征提取的影響,直接獲取圖像中更深層次的語義特征,得到更加精確的結果;同時相比于單點檢測模型,本文方法能更好地捕捉到多個關鍵點之間的強相關性,成功解決窯頭壁以及煙塵部分遮擋的問題,提高了鼓風管口中心點End的檢測準確率.由于測試集中類似C5煙塵完全遮擋住鼓風管的情況較少,但在實際火焰視頻中這種情況不在少數,因此在本文方法中引入基于多幀圖像的聚類分析算法來減少煙塵完全遮擋帶來的影響.

表1 聚類分析前不同方法檢測效果對比Table 1 Comparison of detection effects of different methods before cluster analysis

圖12 聚類分析前不同方法檢測鼓風管口中心點的結果對比Fig.12 Comparison of the results of different methods for detecting the center point of the blower nozzle before cluster analysis

圖13 特殊情況下遺傳算法的分割結果Fig.13 Segmentation results of Genetic Algorithms in special cases

為了驗證基于多幀圖像的聚類分析方法能解決煙塵完全遮擋的問題,本文將取存在類似圖12中C5情況的1分鐘火焰視頻進行實驗.先以1秒間隔讀取視頻圖像幀,并輸入CPN檢測網絡,從而得到60個鼓風管管口中心End點的位置坐標,之后對其進行譜聚類分析,得到不同聚類數目CH系數得分,如圖14所示,可知該分鐘火焰視頻的End點最佳聚類數目為7.圖15顯示了該最佳聚類各類別End點簇的數量以及各簇所有點的位置坐標平均值;圖16中End點各顏色類別的聚類結果對應于圖15中每個顏色簇.由此可知,簇7為該最佳聚類的點數最多簇,同時該簇的點數大于設定閾值30,因此取簇7所有點坐標的平均值(187,486)為此分鐘鼓風管管口中心End點位置.從圖16可看出,紅色點簇7的坐標平均值用于代表管口中心點End位置,與實際情況相符,因此該聚類分析方法能夠成功減少檢測時煙塵完全遮擋鼓風管所帶來的影響.

圖14 不同聚類數目的CH系數得分Fig.14 CH coefficient scores of different cluster numbers

圖15 End點最佳聚類的結果Fig.15 Results of the optimal clustering for End points

圖16 鼓風管管口中心點聚類結果示意圖Fig.16 Schematic diagram of clustering result of the center point of the blower nozzle

經過以上關鍵點檢測及聚類分析后,接下來將通過所提出的鼓風管位置量化指標來觀察結果的準確率,即正確量化的鼓風管位置個數占總個數的比例.在此取26個不同鼓風管位置的一分鐘時長視頻,將基于圖像分割的傳統方法、單點檢測模型與本文方法在經過相同的聚類分析后作對比實驗,最后該3種方法分別輸出其每分鐘量化指標結果的準確率,如表2所示.從表2可看出本文方法比基于圖像分割的傳統方法準確率高出38.46%,主要是由于該傳統方法所分割出的鼓風管存在不完整性,例如當窯壁遮擋住鼓風管的管口時,管口的中心點無法憑借傳統方法獲取.同時將單點檢測模型與本文方法進行比較,可看出本文方法的鄰域關鍵點輔助的數據擴充能夠提高鼓風管管口中心點的檢測準確率.其中,本文方法出現檢測錯誤主要是由于檢測的時滯性,即本文是取每分鐘視頻的最后1秒圖像進行顯示并將其作為鼓風管的真實位置,因此若鼓風管在這該分鐘內發生位置變動,最終聚類分析獲取的位置可能與圖像顯示位置不一致;其次目前的數據集無法包含一些揮發窯中可能發生的異常狀況,后期將增加數據集進一步提升精度.但整體上,本文方法檢測準確率高,表明了其有效性.

表2 聚類分析后不同方法檢測效果對比Table 2 Comparison of detection effects of different methods after cluster analysis

圖17是本文所提方法檢測一段火焰視頻中鼓風管位置的量化結果,該視頻中鼓風管的管口位置在某連續8小時的視頻中共變化了10次,每次變化(即工人調節鼓風管位置)的時間間隔約40～50 min,同時表3展示了對應于圖17中位置1到10的鼓風管管口中心End點的實時位置及其位移變化的結果.從圖17以及表3可看出,本文的方法能夠實時檢測到每分鐘鼓風管管口位置以及其位移方向、大小,若出現鼓風管位置異常變化情況,能夠及時反饋給工人其位置信息;同時成功解決了鼓風管管口可見性差、煙塵大等問題.

表3 鼓風管管口中心點的實時位置及位移變化Table 3 The real-time position and displacement change of the center point of the blower nozzle

圖17 鼓風管口中心點位置連續變化的檢測結果Fig.17 Detection results of the center point position of the continuously changed blower nozzle

4 結論

針對揮發窯鼓風管位置無法實時監測問題,本文通過對窯頭火焰視頻進行分析,提出了一種基于關鍵點識別的鼓風管位置監測方法來獲取揮發窯窯頭鼓風狀態.首先,文章設計了一種鼓風管鄰域關鍵點輔助的數據擴充方法,再利用卷積神經網絡CPN網絡對關鍵點進行檢測.最后,通過對連續視頻幀上的檢測結果進行聚類分析并量化每分鐘內鼓風管管口的位置,成功減弱了煙塵或窯頭壁遮擋帶來的不利影響,提升了鼓風管位置實時監測的準確性.所提方法在工業現場采集的氧化鋅揮發窯窯頭火焰視頻上進行了實驗驗證,并與基于圖像分割的傳統方法、單點鼓風管位置檢測模型進行了比較,結果表明所提方法取得了92.31%的精度,比傳統方法及單點檢測模型分別高了38.46%,15.39%.這表明了本文方法可以準確預測鼓風管的位置,有利于在未來揮發窯自動控制系統中實現鼓風管位置變化的感知與控制.