基于火焰彩色紋理特征的轉(zhuǎn)爐煉鋼碳含量預(yù)測

李清榮，劉 輝+

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500；2.昆明理工大學(xué) 云南省人工智能重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500)

0 引言

終點(diǎn)控制技術(shù)是轉(zhuǎn)爐煉鋼生產(chǎn)過程的關(guān)鍵技術(shù)之一，而終點(diǎn)控制中控制鋼水的碳含量和溫度是最重要的任務(wù)之一[1]。轉(zhuǎn)爐終點(diǎn)熔池內(nèi)鋼水碳含量和溫度的控制影響著出鋼的質(zhì)量和冶煉效率。轉(zhuǎn)爐終點(diǎn)鋼水碳含量過高不利于脫硫脫磷操作，過低則會增加氧和氮的含量；轉(zhuǎn)爐終點(diǎn)鋼水溫度不合適,則會增加副原料和冷卻劑的消耗，同時(shí)還會延長冶煉時(shí)間、降低爐襯壽命、增加金屬消耗、影響出鋼質(zhì)量等[2-3]。轉(zhuǎn)爐終點(diǎn)鋼水碳含量和溫度的連續(xù)實(shí)時(shí)測量能為轉(zhuǎn)爐終點(diǎn)控制碳含量和溫度提供有效依據(jù)，有利于提高轉(zhuǎn)爐終點(diǎn)控制質(zhì)量。在提高鋼產(chǎn)品質(zhì)量、提高冶煉效率、提高冶煉自動化水平、實(shí)現(xiàn)節(jié)能減排等方面具有重要的價(jià)值和意義。

目前，常用的轉(zhuǎn)爐煉鋼終點(diǎn)碳含量測量方法有人工經(jīng)驗(yàn)與采樣分析法、副槍檢測法、爐氣分析法等。人工經(jīng)驗(yàn)與采樣分析法通過操作工人觀看爐口火焰并根據(jù)吹煉時(shí)間等信息綜合判斷，然后結(jié)合取樣分析測量鋼水的碳含量和溫度信息[4]，該方法受人工經(jīng)驗(yàn)影響，準(zhǔn)確率低，只在我國中小型轉(zhuǎn)爐中使用;副槍檢測法通過傳感器直接測量鋼水的碳含量和溫度信息，具有速度快和準(zhǔn)確率高的特點(diǎn)，但其不能連續(xù)實(shí)時(shí)測量鋼水碳含量和溫度信息;爐氣分析法使用專用設(shè)備分析爐口排出的煙氣，獲得鋼水的脫碳速度和溫度信息，其為間接測量，精度受爐氣流量等因素的影響，且設(shè)備的使用和維護(hù)成本高，很難大范圍推廣使用。

在計(jì)算機(jī)技術(shù)和數(shù)字圖像處理等技術(shù)發(fā)展的前提下，學(xué)者們提出了很多新穎的轉(zhuǎn)爐煉鋼終點(diǎn)碳含量測量(預(yù)測)方法。根據(jù)轉(zhuǎn)爐終點(diǎn)碳含量測量的數(shù)據(jù)來源和測量依據(jù)，這些方法可分為基于光譜輻射信息的方法、基于過程數(shù)據(jù)的方法和基于數(shù)字圖像處理的方法。

基于光譜輻射信息的方法根據(jù)轉(zhuǎn)爐爐口輻射出的光譜信息間接測量轉(zhuǎn)爐終點(diǎn)鋼水碳含量等信息。周木春等[5]通過轉(zhuǎn)爐終點(diǎn)爐口火焰光譜輻射信息預(yù)測鋼水的碳含量，在0.04%(4個(gè)碳)誤差范圍內(nèi)的預(yù)測準(zhǔn)確率達(dá)到90.2%?；跔t口火焰光譜輻射信息預(yù)測鋼水碳含量的方法能根據(jù)火焰輻射的光譜信息連續(xù)實(shí)時(shí)地預(yù)測鋼水碳含量，但該方法易受如鋼包等高溫輻射的干擾。

基于過程數(shù)據(jù)的方法通過轉(zhuǎn)爐煉鋼過程數(shù)據(jù)預(yù)測轉(zhuǎn)爐終點(diǎn)鋼水碳含量，謝書明等[6-7]通過轉(zhuǎn)爐煉鋼的過程數(shù)據(jù)預(yù)測終點(diǎn)碳含量和溫度，碳含量預(yù)測在0.05%(5個(gè)碳)誤差范圍內(nèi)的預(yù)測準(zhǔn)確率為88%;鉉明濤等[8]結(jié)合實(shí)際生產(chǎn)數(shù)據(jù)，建立了用果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm, FOA)對廣義神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network, GRNN)進(jìn)行優(yōu)化的FOA-GRNN預(yù)報(bào)模型，碳含量預(yù)測在0.03%(3個(gè)碳)誤差范圍內(nèi)的預(yù)測準(zhǔn)確率為94%。基于過程數(shù)據(jù)的方法實(shí)際上是靜態(tài)控制中轉(zhuǎn)爐終點(diǎn)鋼水碳含量和溫度預(yù)測的方法，不能連續(xù)實(shí)時(shí)地預(yù)測鋼水的碳含量和溫度等信息。

基于數(shù)字圖像處理的方法通過提取和分析轉(zhuǎn)爐終點(diǎn)爐口火焰圖像特征實(shí)現(xiàn)轉(zhuǎn)爐終點(diǎn)碳含量的連續(xù)實(shí)時(shí)預(yù)測，具有數(shù)據(jù)采集簡單方便、抗干擾性強(qiáng)、實(shí)時(shí)性高等特點(diǎn)。在已有研究中，學(xué)者們提出了大量基于轉(zhuǎn)爐爐口火焰圖像處理的轉(zhuǎn)爐終點(diǎn)判斷方法[9-12]，李鵬舉等[13]提出一種基于火焰彩色紋理復(fù)雜度的轉(zhuǎn)爐吹煉狀態(tài)識別方法，先計(jì)算火焰圖像HSI(Hue-Saturation-Intensity)空間下H和S分量的顏色共生矩陣，再利用顏色共生矩陣計(jì)算火焰紋理復(fù)雜度的特征描述子，最后應(yīng)用Canberra距離作為相似度度量準(zhǔn)則對吹煉狀態(tài)進(jìn)行分類和識別，轉(zhuǎn)爐終點(diǎn)識別率達(dá)到98.33%;江帆等[14]，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)提取的轉(zhuǎn)爐爐口火焰圖像特征進(jìn)行轉(zhuǎn)爐吹煉終點(diǎn)判斷，其識別率達(dá)到99%。這些方法通過火焰圖像識別實(shí)現(xiàn)了終點(diǎn)輔助判斷，但未實(shí)現(xiàn)對吹煉過程中碳含量的連續(xù)實(shí)時(shí)預(yù)測，而碳含量的準(zhǔn)確獲取是實(shí)現(xiàn)轉(zhuǎn)爐終點(diǎn)精確控制的前提。羅特等[15]通過卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取轉(zhuǎn)爐終點(diǎn)爐口火焰圖像特征預(yù)測鋼水碳含量，該方法在將相同爐次火焰圖像作為訓(xùn)練集和測試集時(shí)效果較好，但在不同爐次測試樣本下的泛化性能較差?；跔t口火焰圖像特征提取的轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測，具有連續(xù)實(shí)時(shí)預(yù)測鋼水碳含量的優(yōu)點(diǎn)，能為終點(diǎn)控制提供更加可靠和直接的依據(jù)，但由于轉(zhuǎn)爐終點(diǎn)火焰圖像具有較高相似性，該方法的預(yù)測準(zhǔn)確率不理想。

本文針對轉(zhuǎn)爐終點(diǎn)不同碳含量對應(yīng)的火焰圖像相似性高，導(dǎo)致難以區(qū)分碳含量相近的火焰圖像的問題,從火焰圖像的彩色紋理入手，結(jié)合四元數(shù)圖像處理技術(shù)，受灰度共生矩陣和梯度方向直方圖啟發(fā)，提出了四元數(shù)方向統(tǒng)計(jì)量(Quaternion Direction Statistics, QDS)圖像彩色紋理特征提取算法，并將其用于提取火焰圖像的彩色紋理特征。

1 基于四元數(shù)方向統(tǒng)計(jì)量特征的轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測方法

本章旨在結(jié)合轉(zhuǎn)爐終點(diǎn)爐口火焰圖像介紹HSI空間下圖像四元數(shù)方向統(tǒng)計(jì)量特征提取算法。QDS算法首先利用四元數(shù)的偽旋轉(zhuǎn)操作獲得火焰圖像的旋轉(zhuǎn)圖譜，其次計(jì)算旋轉(zhuǎn)圖譜在指定方向和距離下兩火焰像素四元數(shù)差值的相位和幅值，最后以四元數(shù)差值的相位為投影軸，以幅值為統(tǒng)計(jì)權(quán)重計(jì)算四元數(shù)方向統(tǒng)計(jì)量特征。

1.1 火焰圖像顏色空間轉(zhuǎn)換

在HSI空間下像素H、S和I分量之間的關(guān)系可以反映圖像的彩色紋理特征[13]，故本文在HSI顏色空間下提取火焰圖像的彩色紋理特征。RGB顏色空間轉(zhuǎn)換到HSI空間的公式如下：

(1)

式中:H為色調(diào)，控制圖像的顏色類別；S為顏色飽和度，控制顏色的深淺；I為亮度，表示圖像的亮暗程度；R、G、B分別為RGB空間下的紅、綠、藍(lán)分量值；θ由式(2)定義：

(2)

1.2 基于四元數(shù)偽旋轉(zhuǎn)的火焰圖像旋轉(zhuǎn)圖譜

HAMILTON[16]于1866年提出了四元數(shù)的概念，四元數(shù)由1個(gè)實(shí)部與3個(gè)兩兩正交的虛部構(gòu)成，四元數(shù)Q的定義為：

Q=r+ai+bj+ck。

(3)

式中r、a、b和c為實(shí)數(shù)，分別對應(yīng)四元數(shù)的實(shí)部和3個(gè)虛部分量；i、j、k是四元數(shù)的3個(gè)虛數(shù)運(yùn)算符，受式(4)和式(5)所示的限制：

i2=j2=k2=ijk=-1;

(4)

ij=k;

ji=-k;

jk=i;

kj=-i;

ki=j;

ik=-j。

(5)

模和相位是四元數(shù)的基本性質(zhì)，四元數(shù)Q的模和相位別由式(6)和式(7)定義：

(6)

(7)

由于四元數(shù)的運(yùn)算特點(diǎn)，學(xué)者們將其廣泛應(yīng)用于圖像處理等領(lǐng)域[17]。四元數(shù)能有效表示彩色圖像各分量間的相互關(guān)系，使多通道圖像處理不必分通道進(jìn)行。在已有研究工作中，學(xué)者們提出了大量基于四元數(shù)特性的圖像特征提取算法[18-20]。四元數(shù)由1個(gè)實(shí)部和3個(gè)虛部分量構(gòu)成，將其應(yīng)用于圖像處理領(lǐng)域時(shí)，三通道圖像可描述為純四元數(shù)(實(shí)部為0的四元數(shù))形式：

Hsi(m,n)=H(m,n)i+S(m,n)j+I(m,n)k。

(8)

其中(m,n)為圖像的第m行和第n列的坐標(biāo)，H,S,I為圖像在HIS空間下的3個(gè)分量。

PQRl(P,Q)=QP=-(HX+SY+IZ)+

(SZ-IY)i+(IX-HZ)j+(HY-SX)k;

(9)

PQRr(P,Q)=PQ=-(HX+SY+IZ)+

(YI-SZ)i+(HZ-IX)j+(SX-HY)k。

(10)

在轉(zhuǎn)爐終點(diǎn)爐口火焰圖像特征提取過程中，為有效描述火焰圖像彩色紋理信息和增強(qiáng)紋理提取過程中各顏色分量間的關(guān)聯(lián)性，使用四元數(shù)偽旋轉(zhuǎn)生成火焰圖像的旋轉(zhuǎn)圖譜。旋轉(zhuǎn)圖譜有效描述了火焰圖像H、S、I分量間的相互關(guān)系，因此通過提取旋轉(zhuǎn)圖譜的特征作為火焰圖像的彩色紋理特征。若HSI空間下火焰圖像Qhsi的四元數(shù)形式為Qhsi=Hqi+Sqj+Iqk，已知純四元數(shù)P=Xi+Yj+Zk，則火焰圖像的四元數(shù)旋轉(zhuǎn)圖譜定義為Imap=PRQr(Qhsi,P),具體如式(11)所示。

Imap=-(HqX+SqY+IqZ)+(SqZ-IqY)i+

(IqX-HqZ)j+(HqY-SqX)k。

(11)

在火焰圖像旋轉(zhuǎn)圖譜的基礎(chǔ)上，受灰度共生矩陣(Gray-Level Co-occurrence Matrix, GLCM)[22]構(gòu)建方法以及矩陣提取圖像全局紋理特征方法的啟發(fā)，四元數(shù)方向統(tǒng)計(jì)量特征提取方法通過描述旋轉(zhuǎn)圖譜中指定方向和距離下兩像素之間的關(guān)系，提取圖像的全局紋理特征。同時(shí)受梯度方向直方圖(Histogram of Gradient, HOG)[23]中以梯度方向?yàn)橥队拜S，梯度幅值為權(quán)重計(jì)算圖像紋理特征方法的啟發(fā)，四元數(shù)方向統(tǒng)計(jì)量定義如下：

定義1在指定方向和距離前提下，以旋轉(zhuǎn)圖譜中兩像素差值的四元素相位為投影軸，并以其四元數(shù)幅值為權(quán)重的直方圖為圖像的四元數(shù)方向統(tǒng)計(jì)量。為方便描述和計(jì)算直方圖，計(jì)算在指定方向θ和距離d下旋轉(zhuǎn)圖譜Imap的像素四元數(shù)差Cθ,d，

Cθ,d(x,y)=Imap(x,y)-Imap(x+dx,y+dy)。

(12)

在式(21)中，t-tk-1為有限值，且當(dāng)k→時(shí)，即誤差系統(tǒng)獲得漸近穩(wěn)定，那么系統(tǒng)式 (1) 獲得編隊(duì)控制一致性，定理2得證.

(13)

(14)

受共生矩陣和梯度方向直方圖的啟發(fā)，結(jié)合四元數(shù)圖像處理特性的四元數(shù)方向統(tǒng)計(jì)量描述了圖像的彩色紋理特征。為更清晰地描述指定方向和距離下的四元數(shù)方向統(tǒng)計(jì)量，圖1展示了四元數(shù)方向統(tǒng)計(jì)量的計(jì)算示意圖。

2 基于爐口火焰圖像特征提取的終點(diǎn)碳含量預(yù)測

轉(zhuǎn)爐終點(diǎn)火焰圖像具有很高的相似性，難以區(qū)分不同碳含量對應(yīng)的火焰圖像特征(如圖2)。為有效提取具有區(qū)分性的轉(zhuǎn)爐終點(diǎn)爐口火焰圖像的特征，本文通過提取指定角度為-45°、0°、45°、90°以及距離(此處為dx或dy)為1、2、4、8、16像素下火焰圖像的四元數(shù)方向統(tǒng)計(jì)量作為火焰圖像的最終彩色紋理特征，同時(shí)為快速有效地描述像素四元數(shù)形式之間的關(guān)系，將純四元數(shù)P取為P=1i+1j+1k。

轉(zhuǎn)爐冶煉過程中，碳元素的氧化反應(yīng)是非常復(fù)雜的，導(dǎo)致爐口火焰區(qū)域的邊界形狀和大小不一。在使用圖像四元數(shù)方向統(tǒng)計(jì)量提取火焰圖像特征時(shí)，為了排除火焰邊界形狀對終點(diǎn)碳含量預(yù)測結(jié)果的影響，只考慮火焰圖像中火焰區(qū)域的像素點(diǎn)。具體實(shí)現(xiàn)為：首先將HSI空間下圖像Qhsi對應(yīng)于RGB空間下的0像素位置設(shè)置為負(fù)值，然后將旋轉(zhuǎn)圖譜Imap中實(shí)部大于0的像素排除在外。由于計(jì)算四元數(shù)方向統(tǒng)計(jì)量時(shí)考慮的是指定方向和距離下兩像素點(diǎn)的關(guān)系，當(dāng)排除非火焰像素部分后火焰圖像的邊界形狀并不會對特征產(chǎn)生影響。為了排除火焰像素?cái)?shù)量對終點(diǎn)碳含量預(yù)測結(jié)果的影響，對特征進(jìn)行了如下歸一化處理：

(15)

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)平臺及數(shù)據(jù)介紹

本文特征提取及終點(diǎn)碳含量預(yù)測的實(shí)驗(yàn)環(huán)境如下：軟件環(huán)境為python 3.6，硬件環(huán)境為Intel(R)Core(TM)i7-8750H CPU@2.20 GHz RAM 8.00 GB。實(shí)驗(yàn)中，轉(zhuǎn)爐終點(diǎn)爐口火焰圖像來自鋼廠實(shí)際生產(chǎn)過程中拍攝的爐口火焰視頻數(shù)據(jù)(共640爐次的煉鋼數(shù)據(jù))，其碳含量范圍為0.01%到0.23%(分辨率為0.01%)。制作實(shí)驗(yàn)數(shù)據(jù)時(shí)，從每個(gè)爐次下火焰視頻結(jié)束的最后2 s內(nèi)采樣25幀火焰圖像作為實(shí)驗(yàn)數(shù)據(jù)(視頻結(jié)束時(shí)刻對應(yīng)副槍檢測鋼水碳含量時(shí)刻)，共采樣16 000個(gè)大小為1 466×400的火焰圖像。分別對比分析了圖像四元數(shù)方向統(tǒng)計(jì)量特征提取算法中不同步長n對轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測準(zhǔn)確率的影響、四元數(shù)方向統(tǒng)計(jì)量與其他類似特征提取方法性能比較、特征提取響應(yīng)時(shí)間的分析。

針對本文方法和其他人工特征提取對比方法，構(gòu)造了碳含量分布從0.01%到0.23%的16 000個(gè)火焰圖像數(shù)據(jù)集，隨機(jī)選擇14 400個(gè)作為訓(xùn)練集，剩余1 600個(gè)作為測試集。為了獲得準(zhǔn)確且穩(wěn)定的實(shí)驗(yàn)結(jié)果，在測試碳含量預(yù)測結(jié)果時(shí)進(jìn)行十折交叉驗(yàn)證。

為了對比分析文獻(xiàn)[15]中使用CNN網(wǎng)絡(luò)提取火焰圖像特征的方法，在構(gòu)造數(shù)據(jù)集時(shí)根據(jù)爐次的不同選擇訓(xùn)練集和測試集，去除火焰邊界形狀和大小對碳含量預(yù)測結(jié)果造成的影響。隨機(jī)選擇576爐次下的14 400幀火焰圖像作為訓(xùn)練集，剩下64爐次的1 600幀火焰圖像作為測試集，在測試碳含量預(yù)測結(jié)果時(shí)進(jìn)行十折交叉驗(yàn)證。

3.2 步長n對轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測準(zhǔn)確率的影響

在四元數(shù)方向統(tǒng)計(jì)量計(jì)算過程中，四元數(shù)差Cθ,d的相位θCθ,d量化時(shí)，不同的步長將導(dǎo)致特征維度的不同。步長n越大，特征維度越小，提取特征所用時(shí)間越少。本節(jié)旨在通過對比步長n對轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測準(zhǔn)確率的影響，找到合適的步長用于轉(zhuǎn)爐終點(diǎn)碳含量進(jìn)行預(yù)測。

通過對比分析表1可知，當(dāng)步長n=18時(shí)，碳含量預(yù)測準(zhǔn)確率最高，且其對應(yīng)的特征長度僅為220維。故在轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測中，提取火焰圖像四元數(shù)方向統(tǒng)計(jì)量時(shí)將四元數(shù)差Cθ,d的相位θCθ,d量化步長取為18。

表1 步長n對轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測準(zhǔn)確率的影響(十折交叉驗(yàn)證)

3.3 性能比較

本文提出的四元數(shù)方向統(tǒng)計(jì)量受梯度方向直方圖和灰度共生矩陣的啟發(fā)，為了驗(yàn)證四元數(shù)方向統(tǒng)計(jì)量在提取轉(zhuǎn)爐終點(diǎn)爐口火焰圖像紋理特征時(shí)的有效性，分別與梯度方向直方圖紋理特征提取算法、使用灰度共生矩陣多通道的提取火焰彩色紋理特征的方法進(jìn)行比較；此外，還與ALAMGIR等[24]提出的結(jié)合局部二值模式(Local Binary Patterns, LBP)和GLCM的RGB_LBCoP紋理特征提取方法、顏色共生矩陣(Color Co-occurrence Matrix，CCM)[25]紋理特征提取方法、CHAHLA等[18]提出的基于四元數(shù)的彩色紋理特征提取方法(Quaternion Local Binary Pattern, QLBP)進(jìn)行比較和分析；最后，為了全面說明本文方法的有效性，還與基于CNN的轉(zhuǎn)爐終點(diǎn)鋼水碳含量預(yù)測方法[15]進(jìn)行了比較。

在對比實(shí)驗(yàn)中，使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取火焰圖像特征預(yù)測轉(zhuǎn)爐終點(diǎn)鋼水碳含量時(shí)，使用CNN網(wǎng)絡(luò)提取爐口火焰圖像特征并進(jìn)行鋼水碳含量的預(yù)測，實(shí)驗(yàn)中使用訓(xùn)練集對網(wǎng)絡(luò)訓(xùn)練70 000次，最后通過測試集測試鋼水碳含量預(yù)測準(zhǔn)確率。

使用梯度方向直方圖(HOG)[23]提取火焰圖像特征時(shí)，首先將梯度方向分為20個(gè)區(qū)間，對應(yīng)于四元數(shù)方向統(tǒng)計(jì)量中步長n=18，然后分別提取HSI空間下H、S、I分量的HOG特征構(gòu)成火焰圖像的彩色紋理特征。

共生矩陣是一種有效的紋理分析方法[26]，在使用多通道GLCM提取火焰圖像彩色紋理特征時(shí)，分別提取火焰圖像HSI空間下3個(gè)通道在角度0°、45°、90°、135°，以及距離為1、2、4、8、16下的灰度共生矩陣，然后計(jì)算8個(gè)統(tǒng)計(jì)特征(對比度、相異性、同質(zhì)性、角二階矩、能量、相關(guān)性、熵、逆差矩)得到480維的特征向量。

使用顏色共生矩陣(CCM)[25]提取特征時(shí)，在HSI空間下分別計(jì)算HS、HI、SI通道在角度0°、45°、90°、135°，以及距離為1、2、4、8、16下的顏色共生矩陣，然后計(jì)算8個(gè)統(tǒng)計(jì)特征(對比度、相異性、同質(zhì)性、角二階矩、能量、相關(guān)性、熵、逆差矩)得到480維的特征向量。

使用RGB_LBCoP[24]紋理特征提取方法分別求火焰圖像在RGB空間下3個(gè)通道的LBP圖譜，然后分別求3個(gè)通道在角度0°、45°、90°、135°，以及距離為1、2、4、8、16下的顏色共生矩陣，最后計(jì)算8個(gè)統(tǒng)計(jì)特征(對比度、相異性、同質(zhì)性、角二階矩、能量、相關(guān)性、熵、逆差矩)得到480維的特征向量。

使用QLBP[18]提取四元數(shù)局部二值模式的QLBPri、QLBPu2、QLBPriu2特征構(gòu)成105維紋理特征進(jìn)行比較。以上特征提取方法中，為排除火焰邊界形狀和火焰有效像素?cái)?shù)量的影響，在提取紋理特征過程中均只考慮火焰像素部分，在提取特征后均進(jìn)行歸一化處理。

如圖4所示為本文提出方法與幾種紋理特征提取方法的比較。圖中將1 600張測試集中火焰圖像根據(jù)碳含量進(jìn)行排序，對比了排名靠前的3種圖像彩色紋理特征提取方法和本文提出方法的碳含量預(yù)測性能。如表2所示為本文提出方法與幾種紋理特征提取方法在轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測準(zhǔn)確率方面的比較。

對比分析表2可知，本文提出的四元數(shù)方向統(tǒng)計(jì)量彩色紋理特征提取方法，在碳含量預(yù)測性能方面明顯優(yōu)于其他(彩色)紋理特征提取方法。本文在四元數(shù)圖像處理的基礎(chǔ)上，受灰度共生矩陣啟發(fā)，通過計(jì)算圖像四元數(shù)旋轉(zhuǎn)圖譜在指定方向和距離下像素的差值描述圖像紋理特征；受梯度方向直方圖啟發(fā)，以相位為投影軸，幅值為投影權(quán)重計(jì)算方向直方圖。有效區(qū)分了不同碳含量對應(yīng)的圖像特征，轉(zhuǎn)爐終點(diǎn)鋼水碳含量預(yù)測準(zhǔn)確率誤差范圍在0.01%內(nèi)的準(zhǔn)確率達(dá)到83.1%，誤差范圍在0.02%以內(nèi)的準(zhǔn)確率達(dá)到88.2%。

表2 轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測比較(十折交叉驗(yàn)證) %

結(jié)合火焰圖像相似性高以及顏色分布較為集中的特點(diǎn)對表2中實(shí)驗(yàn)結(jié)果分析如下，其中需要特別說明的是多通道GLCM方法提取了火焰圖像的彩色紋理特征：

(1)針對CNN提取火焰圖像特征預(yù)測鋼水碳含量的實(shí)驗(yàn)，根據(jù)CNN網(wǎng)絡(luò)的結(jié)構(gòu)和工作原理，CNN網(wǎng)絡(luò)提取到了整個(gè)火焰圖像中的紋理、顏色和邊緣等特征，而采集火焰圖像時(shí)間段為停吹前的短時(shí)間內(nèi)，同一爐次下的火焰圖像的相似性較高，為了反映更加客觀和全面的實(shí)驗(yàn)結(jié)果，本實(shí)驗(yàn)根據(jù)不同爐次構(gòu)造訓(xùn)練集和測試集。由表2實(shí)驗(yàn)結(jié)果，并結(jié)合文獻(xiàn)[15]實(shí)驗(yàn)結(jié)果可知，基于卷積神經(jīng)網(wǎng)絡(luò)火焰圖像特征提取的轉(zhuǎn)爐終點(diǎn)鋼水碳含量預(yù)先方法存在泛化性能低的缺點(diǎn)。

(2)針對使用多通道GLCM提取火焰圖像彩色紋理特征的實(shí)驗(yàn)，提取火焰圖像HSI空間下3個(gè)通道下的紋理特征構(gòu)成火焰圖像的特征。多通道GLCM提取了火焰各通道下細(xì)致的空間紋理特征，提取3個(gè)通道下的火焰特征可描述火焰圖像的彩色紋理特征，但該特征缺乏對火焰通道間特征的描述。

(3)針對使用顏色共生矩陣(CCM)[25]提取火焰圖像特征的實(shí)驗(yàn)，使用CCM提取了火焰圖像的HS、HI、SI通道的顏色共生矩陣特征。在計(jì)算火焰圖像顏色共生矩陣時(shí)，以H通道的像素值為橫坐標(biāo)，以S通道的像素值為縱坐標(biāo)計(jì)算HS共生矩陣；以H通道的像素值為橫坐標(biāo)，以I通道的像素值為縱坐標(biāo)計(jì)算HI共生矩陣；以S通道的像素值為橫坐標(biāo)，以I通道的像素值為縱坐標(biāo)計(jì)算SI共生矩陣。由于火焰圖像具有相似性高以及顏色分布較為集中的特點(diǎn)，在提取火焰圖像特征預(yù)測碳含量時(shí)，火焰各通道下的空間紋理特征的提取以及通道之間的相關(guān)特征的提取均非常重要。而在CCM方法中，提取的火焰圖像共生矩陣特征缺乏H、S、I單一通道下火焰圖像像素分布較為細(xì)致的特征。因此，在火焰圖像特征提取中，使用多通道GLCM提取火焰圖像彩色紋理特征的方法具備更好的火焰圖像特征描述能力。

(4)針對使用RGB_LBCoP[24]特征提取方法提取火焰圖像特征的實(shí)驗(yàn)，特征提取時(shí)，計(jì)算火焰圖像在RGB空間下3個(gè)通道的LBP圖譜，然后分別求LBP圖譜的共生矩陣特征作為火焰圖像的彩色紋理特征。火焰顏色主要集中于黃、紅、白幾種顏色間，且火焰圖像的局部紋理特征較為相似，計(jì)算火焰LBP圖譜時(shí)有降維的作用，使得統(tǒng)計(jì)灰度共生矩陣時(shí)的灰度等級縮減，提取的共生矩陣特征之間的區(qū)分性反而降低。因此，通過RGB_LBCoP方法提取火焰圖像特征的碳含量預(yù)測準(zhǔn)確率并沒有多通道GLCM和顏色共生矩陣(CCM)方法提取火焰圖像特征的碳含量預(yù)測準(zhǔn)確率高。

(5)針對使用QLBP[18]提取火焰圖像特征的實(shí)驗(yàn)，首先使用四元數(shù)偽旋轉(zhuǎn)操作獲得旋轉(zhuǎn)圖譜，然后根據(jù)圖譜的相位信息進(jìn)行LBP編碼操作提取特征。旋轉(zhuǎn)圖譜其實(shí)是對火焰顏色的映射，此時(shí)提取旋轉(zhuǎn)圖譜的空間位置特征不僅能描述火焰圖像的紋理信息，還能提取火焰的顏色通道之間的特征。由于火焰圖像具有較高的局部相似性，以旋轉(zhuǎn)圖譜的相位信息進(jìn)行LBP編碼提取特征顯然遠(yuǎn)遠(yuǎn)不夠。旋轉(zhuǎn)圖譜的相位信息雖然能描述火焰的部分彩色紋理特征，但缺少對旋轉(zhuǎn)圖譜相位信息的描述，并且LBP提取的是圖像的局部紋理特征。因此，通過該方法提取火焰圖像的彩色紋理特征預(yù)測轉(zhuǎn)爐終點(diǎn)鋼水碳含量的效果并不佳。

(6)本文提出的QDS算法，雖然與基于QLBP紋理特征提取方法中提取旋轉(zhuǎn)圖譜的特征作為火焰圖像的彩色紋理特征相同，但本文方法在描述旋轉(zhuǎn)圖譜相位信息的同時(shí)充分考慮了幅值信息，且在提取火焰圖像特征過程中，多尺度的提取火焰圖像的彩色紋理特征。因此，在火焰圖像特征提取中本文方法明顯優(yōu)于QLBP方法。相比于多通道GLCM方法，本文方法以整體的方式處理火焰圖像，在提取的火焰圖像特征中保留了火焰圖像通道之間的關(guān)聯(lián)性特征。最終，本文方法解決了由于火焰圖像相似性高，導(dǎo)致難以區(qū)分碳含量相近的火焰圖像的問題。

3.3 特征提取響應(yīng)時(shí)間比較

本節(jié)對比分析3.2節(jié)中幾種紋理特征提取方法在提取火焰圖像紋理特征時(shí)消耗的平均時(shí)間。如表3所示，本文提取特征的方法相比于其他方法消耗的時(shí)間長。但是280 ms/幀的處理速率，在間隔采樣火焰圖像預(yù)測碳含量的過程中也能保障碳含量預(yù)測的實(shí)時(shí)性。在轉(zhuǎn)爐煉鋼過程中，通過高清攝像機(jī)拍攝爐口火焰圖像，然后間隔采樣火焰圖像，提取其紋理特征進(jìn)行碳含量預(yù)測。忽略短時(shí)間碳含量的變化，本文方法能達(dá)到連續(xù)實(shí)時(shí)預(yù)測轉(zhuǎn)爐終點(diǎn)鋼水碳含量的目的和效果。

表3 特征提取響應(yīng)時(shí)間比較

4 結(jié)束語

本文針對轉(zhuǎn)爐終點(diǎn)不同碳含量對應(yīng)的火焰圖像相似性高，難以區(qū)分碳含量相近的火焰圖像的問題，提出了四元數(shù)方向統(tǒng)計(jì)量(QDS)圖像彩色紋理特征提取算法，具體內(nèi)容總結(jié)為以下兩點(diǎn)：

(1)首先利用四元數(shù)的偽旋轉(zhuǎn)操作獲得火焰圖像的旋轉(zhuǎn)圖譜，其次計(jì)算旋轉(zhuǎn)圖譜在指定方向和角度下兩火焰像素四元數(shù)差值的相位和幅值，最后以四元數(shù)差值的相位為投影軸，以幅值為統(tǒng)計(jì)權(quán)重計(jì)算四元數(shù)方向統(tǒng)計(jì)量特征。QDS算法有效區(qū)分了火焰圖像的紋理特征，解決了火焰圖像相似性高導(dǎo)致的轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測精度低的問題。

(2)提取多個(gè)方向和多個(gè)距離下火焰有效區(qū)域的四元數(shù)方向統(tǒng)計(jì)量(QDS)特征，并將這些特征作為火焰圖像的最終紋理特征。在提取火焰圖像特征時(shí)只考慮火焰圖像中有效的火焰區(qū)域的特征提取，并將提取的特征進(jìn)行歸一化處理，有效去除了由于爐口火焰圖像火焰區(qū)域邊界形狀和大小不同對鋼水碳含量預(yù)測造成的影響，最終有效提高了轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測的準(zhǔn)確率，碳含量預(yù)測在0.01%誤差范圍內(nèi)的準(zhǔn)確率達(dá)到83.7%，在0.02%誤差范圍內(nèi)的準(zhǔn)確率達(dá)到88.2%。

實(shí)驗(yàn)表明，本文方法有效提高了基于火焰圖像特征提取的轉(zhuǎn)爐終點(diǎn)鋼水碳含量預(yù)測準(zhǔn)確率，在基于圖像處理技術(shù)的轉(zhuǎn)爐終點(diǎn)碳含量預(yù)測研究中具有一定的價(jià)值。同時(shí)本文提出的四元數(shù)方向統(tǒng)計(jì)量(QDS)是一種結(jié)合四元數(shù)的彩色紋理特征提取算法，能為火焰圖像等相似性較高的圖像處理提供算法方面的參考。未來，可深入探討四元數(shù)結(jié)合圖像紋理特征提取(全局紋理特征與局部紋理特征)方法在火焰圖像彩色紋理特征提取方面的應(yīng)用研究。此外，QDS算法的改進(jìn)與應(yīng)用也可作進(jìn)一步探究。