烧结机台车侧板裂缝检测与安全预警算法实现

01研究背景钢铁工业是国民经济发展的支柱性产业，烧结是钢铁工业生产的主要工序。烧结机台车是烧结工序中主要的运输设备，侧板作为台车的一个重要部件，安装在台车两侧，起到防止漏料外溢、保证物料充分燃烧的作用，是台车上的易损件。在物料燃烧过程中，侧板需要长期承受极端温度循环，容易产生裂缝。裂缝会导致侧板的密封性变差，影响烧结质量，同时还会使侧板不稳定，造成侧板掉落，存在极大的安全隐患。烧结机台车侧板裂缝检测从依靠检测员进行台车巡视检查的传统检测方式到如今的基于人工智能的检测方法，检测方式正在逐步向自动化、智能化发展，但现有的检测方法大多基于图像处理或机器学习等技术，需要大量的数据支持和模型训练，这对于烧结机这种特定场景的应用来说，存在一定的实现难度。烧结机台车侧板裂缝检测的难点在于侧板裂缝形态复杂多变，不同的材料、工艺、运行条件都会影响裂缝的产生和扩展，加之烧结车间工作环境恶劣，灰尘大、温度高以及振动强，这些因素都给侧板裂缝检测带来了一定的困难。02研究方法根据烧结机台车侧板的分体式结构特点，对侧板的左、右边界及裂缝进行检测，分析侧板边界与裂缝之间的关系，构建侧板裂缝安全预警算法，并通过侧板定位算法确定侧板裂缝具体位置。图1台车侧板检测技术方案如图1所示，在烧结机台车生产工艺中放置两台摄像机，一台摄像机检测侧板左、右边界及裂缝，另一台摄像机获取侧板编号进行定位。摄像机固定在距烧结机台车1.5米处，配备两台补光装置，提供充足的光源。将两台摄像机获取到的现场实时数据通过光纤传输至视频图像处理器中，调用主干网络对侧板进行检测，根据侧板裂缝安全预警规则判断侧板预警等级，将预警信息发送至管理处，告知现场安全员及时处理，避免生产安全事故发生。烧结机台车侧板裂缝图像的采集和数据集的建立是实验准备阶段的主要工作。实验数据使用千眼狼5F04摄像机采集台车侧板图像，通过Labelme标注侧板左、右边界与裂缝，最终得到1688张数据集，部分样本标注如图2所示。图2部分裂缝标注图在烧结生产中，台车侧板裂缝形状多变、长短不一，提取裂缝特征需要精细化操作，而语义分割网络可以从像素级层面将图片中的不同对象分离出来，对不同语义类别的像素点进行标注，可以很好的将裂缝轮廓分割出来，与干扰背景分离，得到清晰的裂缝特征。实验选用PSPNet、DeepLabV3+和U-Net三种经典语义分割网络进行对比，根据模型的性能表现以及模型的检测结果，筛选性能较优的语义分割网络对烧结机台车侧板左、右边界及裂缝进行检测。为了实现烧结机台车侧板裂缝检测的安全预警功能，根据侧板裂缝的条数、长短、方向等因素对实际生产的危害情况，设计侧板裂缝安全预警规则，并实现算法如下。单条斜向裂缝预警等级判断如图3(a)所示，获取裂缝角度θ，得到裂缝上距离侧板不同边界最近的两个坐标点(xi,yi)和(xj,yj)，计算两点至边界最短距离L1和L4，L=L1+L4，再根据斜向裂缝安全预警算法规则判断预警等级；单条横向裂缝与单条纵向裂缝均按照上述流程进行预警等级判断。两条裂缝预警等级判断如图3(b)所示，分别获取两条裂缝角度θm和θn，得到每条裂缝上距离侧板不同边界最近坐标点(xi1,yi1)、(xj1,yj1)和(xi2,yi2)、(xj2,yj2)，分别计算每条裂缝至侧板边界最短距离Lm2、Lm3和Ln2、Ln4，对应裂缝距离求和得到两个L，判断预警等级。图3侧板裂缝安全预警算法示意图03应用效果为了选用最佳网络适配烧结机台车侧板裂缝研究，将U-Net、PSPNet、DeepLabV3+三种语义分割网络进行对比，采用语义分割中常用的评价指标mIoU（平均交并比）、mPA（平均类别像素准确率）、Precision（精准率）和Recall（召回率）评估模型性能。表1不同网络测试集检测结果对比由表1中的数据分析可知，对比三个网络的mIoU值、mPA值、Precision值和Recall值，可得U-Net模型能够准确分割台车侧板左、右边界及裂缝特征，将模型应用于烧结机台车侧板裂缝分割检测任务中具有明显优势。侧板左、右边界及裂缝预测结果如图4所示。其中红色部分为侧板左、右边界，绿色部分为裂缝。从图中可以看出U-Net模型对侧板左、右边界和裂缝的检测效果良好，在保证侧板边界及裂缝预测完整性和连贯性的前提下实现了特征定位精准和较高的准确率。图4U-Net网络预测结果为了验证侧板裂缝安全预警算法在烧结生产中的应用性，从实际生产现场拍摄到的数据集中选出110张图片进行测试。其中，侧板上存在三条及三条以上的裂缝图片10张，侧板上存在两条裂缝的图片20张，侧板上仅存在一条裂缝的图片80张。单条裂缝图片中，横向裂缝图片10张，斜向裂缝图片10张，纵向裂缝图片60张。将110张测试图片放入侧板裂缝安全预警算法中判定侧板预警等级，将判定结果与现场安全员确认，是否与实际相符。表2预警等级判断结果实验数据采集于烧结生产过程中，人工观测到一级预警情况会立即处理，故本实验未找到一级预警情况下的单条裂缝数据。表2中，算法判断出一级预警图片12张，二级预警图片31张，三级预警图片67张。表中，n=2时的裂缝类型有一横一斜、一横一纵等多种排列，而n>2时，裂缝预警等级主要与裂缝数量相关，故表中这两种情况未注明裂缝类型（以“—”表示）。安全预警算法对一级预警没有误检，对二级预警的误检率为3.33%，对三级预警的误检率为1.47%，对110张测试图片的预警等级总误检率为0.91%。实际应用中，一级、二级预警结果需要推送至现场安全员处确认，算法将一张三级预警裂缝图误判断为二级预警，二级预警需要推送到人工处核查，虽然将低等级预警误判为高等级预警，但也只是增加了人工检查的工作量，对整体的工业安全生产无影响。04研究结论1）针对烧结机台车侧板裂缝检测问题，实验对比了U-Net、PSPNet、DeepLabV3+三种语义分割网络，根据得到的评价指标结果证明U-Net网络更适合进行烧结机台车侧板裂缝研究；利用U-Net网络模型对烧结机台车侧板左、右边界及裂缝进行检测，得到模型的mIoU值为92.42%、mPA值为96.32%、mPrecision值为95.65%、mRecall值为96.32%，说明U-Net模型对侧板裂缝及边界的分割效果较好。在模型检测效率方面，单张图片的检测时间为0.13s，满足烧结厂台车侧板裂缝实时动态检测需求。2）根据生产实际情况，制定侧板裂缝安