一种QCN火焰图像特征提取的转炉炼钢碳含量实时预测方法

刘旭琛,刘 辉,赵 安

(昆明理工大学信息工程与自动化学院,云南昆明 650500;昆明理工大学云南省人工智能重点实验室,云南昆明 650500)

1 引言

转炉炼钢是当前世界上最主要的炼钢技术,重点是对终点控制的准确判定[1].终点控制的关键之一是对熔池内钢水碳含量的预测,即在吹氧结束时钢水的碳含量能够满足出钢质量的要求,转炉终点熔池内钢水碳含量影响着出钢质量和冶炼效率[2].在实际生产中,由于转炉炼钢过程中存在复杂的化学反应、各种边界条件以及加入的原材料不稳定等因素,对冶炼过程的终点控制造成了很大的困难,也就很难做到精准控制碳在钢水中的含量.而通过一种实时、准确的转炉终点碳含量实时预报方法可以有效避免二次吹炼,实现钢产品的高质量生产,降低成本,为转炉终点实现自动控制技术提供基础的同时减少污染,节能减排,积极响应国家“绿色”发展理念,顺应可持续发展趋势.

转炉炼钢终点碳含量检测方法主要有人工经验与取样分析[3]、副枪检测[4]、炉气分析[5]等接触式检测技术;随着数字图像处理等技术的发展,很多新颖的转炉炼钢终点碳含量测量方法随之出现,根据测量数据的来源和依据,这些方法可分为光学图像法[6],基于生产过程数据的方法和基于转炉炉口火焰图像的方法等非接触式检测技术.其中:人工经验与取样分析经济直观,但受主观因素影响准确率低;副枪检测法可以避免或减少倒炉补吹次数,但不能实现连续测量,炉气分析法能连续实时预报钢水碳温,但二者成本高不适用于中小型炼钢炉;光学图像法的火焰光谱图像采集往往会受炉内烟气等环境因素的影响,难以有效预测终点碳含量.基于生产过程数据的方法预测炼钢终点的碳含量和温度[7–8]获取数据方便,但生产过程数据波动较大易影响终点碳含量预测准确率.

基于转炉炉口火焰图像的方法[9]具有数据采集简单方便抗干扰性强且实时性高成本低等优点.而在冶炼过程中,随着碳含量的变化火焰机理会发生变化,因此转炉炉口火焰的色度、亮度、纹理和动态形变等信息都能反映出熔池中钢水的脱碳速度[10].近几年,学者们提出了许多分析火焰图像特征来进行转炉炼钢终点判断的方法.尤佳等人[11]采用灰度共生矩阵提取图像的纹理特征,进而利用纹理特征变化来判断终点,验证了火焰图像纹理特征的有效性.李清荣等人[12]提出了一种四元数方向统计量算法,利用四元数运算特征使多通道的图像处理不必分通道进行,通过火焰图像彩色纹理特征预测碳含量取得了理想的结果,进一步证明了彩色纹理与碳含量之间的密切关联,颜色通道间的联系中也隐藏着信息.但这些方法没有考虑到炉口火焰纹理的不规则特点.另外,李鹏举、刘辉等人[13]提出了一种描述转炉炉口火焰边界动态形变的方法,利用边界特征进行转炉炼钢终点判定,识别精度较高.为了直接提取火焰图像较为全面的特征信息,江帆等人[14]提出一种基于卷积神经网络的转炉炼钢终点控制模型,减少人工干预的同时有着较高的实时性.但这些方法并没有对转炉炼钢终点碳含量进行预测.

本文针对炼钢终点不同碳含量下火焰图像所呈现出的自然纹理相似性较高的问题,根据炉口火焰图像纹理的多方向多尺度不规则特点,受复杂网络(complex network,CN)描述符启发,提出一种四元数复杂网络(quaternion complex network,QCN)特征描述方法,提取火焰的彩色不规则纹理特征.其利用四元数等距映射操作结合火焰图像Lab空间各颜色通道信息,定义映射图谱幅值谱相位谱强化颜色信息的描述;以相位作为条件,根据给出的像素相似性权重公式,在幅值谱上构建炉口火焰多尺度不规则彩色纹理的复杂网络表达;计算顶点连接数量的度数和顶点邻居之间连接的聚类系数,将其相关特征作为火焰图像彩色纹理特征,提取火焰的多尺度不规则细节特征信息,得到更为全面和细致的纹理差异特征来适应火焰的变化.实验表明,本文方法提取的多方向、多尺度不规则火焰彩色纹理特征在进行终点碳含量预测时取得了较好的效果.

2 四元数复杂网络火焰图像彩色纹理特征提取方法

由于不同碳含量所对应火焰图像相似性较高,基于炉口火焰图像特征提取的转炉终点碳含量的准确预测是一个具有挑战的任务,关键在于提取火焰图像具有较强区分性的特征,以有效解决由于炉口火焰图像相似性高导致的终点碳含量预测准确率低的问题.从这个角度出发,针对火焰图像的随机不规则纹理特征及其多尺度多方向特点,本文受四元数等距映射(clifford translation of quaternion,CTQ)[15]和复杂网络(CN)[16]纹理表征方法启示,提出了四元数复杂网络描述符全方位提取火焰图像彩色不规则纹理信息与相应碳含量构成映射,从而实现转炉炼钢终点碳含量的预报.

四元数复杂网络火焰图像彩色纹理特征提取方法具体实现为:1)去除炉口边界信息后,将火焰图像转换到Lab颜色空间,四元数的方式表示火焰图像;2)通过四元数等距映射操作构造火焰图像四元数图像映射图谱,以加强图像各颜色通道间关联性,使彩色图像各颜色通道参与运算;3)映射图谱的相位特征由相位谱描述.特别地,本文定义了映射图谱的幅值谱特征,从幅值和相位来描述映射谱特征;4)因相位分布集中,为方便后续提取相位谱的复杂网络特征,将相位谱进行二次量化;5)为了提取到火焰图像多尺度不规则彩色纹理特征,在映射谱相位相等条件下,提出一种权重公式进行幅值谱的强关联性复杂网络建模,并提取其拓扑特征作为火焰图像的彩色纹理特征.本文构造了一种整体方式描述火焰多尺度不规则纹理变化的四元数加权复杂网络并将其拓扑特征用于构造火焰图像的彩色纹理特征,思路流程如图1所示.

图1 本文思路流程Fig.1 The thought process of this article

2.1 火焰图像预处理与四元数表示

转炉炼钢的生产环境较恶劣且炉口火焰图像存在非火焰干扰因素较多,因此采用最大阈值法分割去除炉口边界等干扰,只保留感兴趣火焰区域.火焰彩色纹理特征的精确描述需要良好的底层颜色表达,而Lab中L为明度,a,b为红绿分量能很好的反映火焰颜色状态.因此本文纹理特征提取在Lab颜色空间下进行.炉口火焰在颜色过渡中形成了复杂的纹理变化,为了有效表征炉口火焰彩色图像通道间的相互关系,本文通过四元数以整体方式描述火焰纹理变化趋势,利用其运算特征进行颜色通道融合使得多通道的图像处理不必分通道进行.

火焰图像可描述为纯四元数形式(实部为0)

式中:(m,n)指图像的第m行n列的像素.L,a,b是实数,为图像在Lab空间下3个分量.i,j,k是两两相互正交的虚数运算符,其中i2+j2+k2=ijk=−1.

2.2 火焰图像四元数映射图谱的构造

特征提取过程中,为了有效描述火焰的彩色纹理信息,使各个颜色通道参与其中:本文使用四元数等距映射生成火焰图像映射图谱.在三维颜色空间中,不同轴分布代表不同通道,因此每个像素都可以表示为纯四元数空间的一个点.若四元数P=L′i+a′j+b′k为单位四元数,Lab空间下的火焰图像记为四元数QLab:

则Lab空间下火焰图像的四元数映射图谱为Lmap=CTQr(QLab,P),即

2.3 火焰图像映射图谱的相位谱和幅值谱

通过四元数方式表示火焰图像,进而借助四元数等距映射描述火焰图像的彩色纹理特征.

火焰图像映射图谱Lmap是一个由Lab空间下火焰图像各通道之间相互运算所得到的非纯四元数.换言之,Lmap各分量描述了火焰图像Lab空间下L,a,b各分量间的关联性.Lmap的相位差可以描述图像中的潜在位移信息,因此本文采用Lmap的相位信息来增强原炉口火焰图像的彩色信息.Lmap的相位δL由式(4)定义

Lmap除了相位信息外,还具有幅值信息,为更全面和有效的提取Lmap的复杂网络信息,定义1中考虑了Lmap的幅值信息.

定义1将四元数图像的映射图谱Lmap的幅值信息定义为以四元数图像模与单位四元数模的乘积为对边,映射图谱Lmap的实部为邻边的直角三角形所对应的夹角,则映射图谱Lmap的幅值信息可由反正切函数求得,如式(5)所示:

通过四元数图像映射图谱Lmap的幅值谱的构造,结合Lmap的相位谱信息,分别从幅值谱信息和相位谱信息两个方向来描述映射图谱Lmap的特征,为整体描述火焰图像彩色纹理奠定基础.

2.4 火焰图像映射图谱相位谱的二次量化

由于火焰图像颜色分布集中,导致转化后的相位分布集中,如图2(a)所示,不利于提取火焰图像稳定且具有区分力的纹理特征.为方便后续提取火焰图像映射图谱的复杂网络特征,使得相近相位量化为同一值,利用与幅值谱的关联性作为后续构造复杂网络的连接条件之一,构建相位量化转换关系,通过线性变换方式保留原始特征分布的规律,因此本文将Lmap的相位谱定义为正值,且以10为步长,对相位谱进行量化,如式(6)所示:

式中floor为向下取整操作,可知δmap∈[0,1,···,9].

量化后火焰图像相位值分布如图2(b)所示,分布较为均匀,以得到细节丰富而清晰的图像信息.

图2 火焰图像相位谱量化与未量化分布对比Fig.2 Comparison of quantized and unquantized phase spectrum distribution in the flame image

2.5 火焰图像四元数复杂网络表示及彩色纹理描述符

火焰作为一种非结构对象存在多尺度多方向的不规则纹理信息,本节提出了四元数复杂网络彩色纹理描述符,采用CN纹理提取方式结合四元数映射图谱以描述火焰的彩色不规则纹理特征信息.

在火焰图像中用CN概念表征纹理包括两个主要步骤:i)系统建模;ii)对纹理网络的分析.CN拓扑特征可以得出与其代表系统有关的重要结论.四元数复杂网络彩色纹理描述符是通过复杂网络将火焰图像的幅值谱作为输入,并输出一组图像描述符以进行彩色纹理表征.首先将火焰图像的幅值谱建模网络;其次结合顶点之间的距离和强度差构造的权重公式确定网络的权重;然后确定网络连接规则构建无向加权网络;最后,分析计算网络的拓扑特征作为火焰图像的彩色纹理特征.

定义2火焰图像四元数复杂网络表示是指以图像映射图谱幅值谱顶点对相似性为连接条件,结合相位谱信息,将图像幅值谱构建无向加权复杂网络.若存在宽度x和高度y的火焰图像I共x×y个像素,将火焰图像映射图谱Lmap转为量化后的相位谱δmap和幅值谱AL,则每个像素点的幅值作为顶点g的值,像素之间的相似性映射为网络顶点之间的连接,通过对边缘加权以描述两个顶点之间连接的权重值来判断顶点相似性.其中:用来连接顶点的规则主要考虑3点.

1) 考虑两个顶点vi和vj的距离,采用欧几里得距离为式(7)

式中g(vi,x)由图像中给定顶点vi表示的像素得到的相应笛卡尔坐标.

2) 考虑两个顶点间的强度差,由此定义了vi和vj之间的连接权重.

将四元数映射图谱幅值谱复杂网络的顶点对vi和vj之间的连接权重定义为幅值谱上像素vi和vj的强度差与距离的乘积,其中g(vi),g(vj)为幅值谱上像素vi,vj的强度值,d(vi,vj)为两个顶点的距离,使用a和r将连接权重进行标准化,常数a是火焰图像幅值谱通道强度差最大值,如式(8)所示:

为了避免分子出现零值,因此在分子部分添加了较小的非0正值ε,本文中设置ε=0.01,以避免出现g(vi)−g(vj)=0,d(vi,vj)=0的情况.所得值越小,代表像素点间相似性越大,间距越近.

3) 结合相位谱信息.作为火焰图像映射图谱的相位谱δmap和幅值谱AL在相同位置上具有很强的相关性,因此选择将相位值作为网络连接条件,则在相位相等(量化前的相近相位值)前提下,选择连接权重低于阈值的幅值点进行网络连接,也就是通过阈值化获得CN.

由此构建一个四元数复杂网络QCN={V,E}.将幅值谱每个像素视为一个顶点,顶点总数为|V|=x×y=n,组成集合V={v1,···,vn},构成边缘E={a(vi,vj)}.即得到火焰图像的四元数复杂网络QCN.

如图3所示,网络由幅值谱像素点作为顶点,这些顶点连接组合起来代表整个网络结构.其中:假设局部图案的中心像素为gc,则传统方法会考虑其相邻一圈像素(相同尺度)与中心像素之间的差异并编码,而复杂网络考虑其相邻不同圈内例如图中的尺度范围1到尺度范围3(不同尺度)下相似顶点同时建立连接,构造了网络上多尺度的不规则纹理描述.这就实现了火焰图像的多尺度不规则纹理描述,即QCN可以整体表示火焰图像的多尺度不规则彩色纹理变化.

图3 火焰图像复杂网络彩色纹理特征提取过程Fig.3 Color texture feature extraction process of flame image based on complex network

CN拓扑由其连接模式定义,因此分析计算网络的拓扑特征作为火焰图像的彩色不规则纹理特征,量化CN拓扑后提取单个顶点、顶点组或整个网络的全局信息.本文主要计算火焰图像纹理网络拓扑顶点的度k(i)和聚类系数c(i)后将其相关统计特征作为火焰图像的彩色纹理特征.

顶点度k(i)用于计算顶点vi与其他顶点连接的边数,考虑集合V和E,火焰图像纹理网络每个顶点vi的度可以计算如下:

通过计算纹理网络每个顶点vi ∈V的度k(i),直方图度h(i)计算如式(10)所示:

其中δ(j,i)由式(11)定义

顶点的聚类系数则考虑了CN顶点邻点之间的连接,其通过计算一组顶点之间的三角形数量来表征一组顶点的连接结构.考虑到CN是无向网络,火焰图像纹理网络的顶点聚类系数c(i)由式(12)定义

其中|A|表示集合A的元素个数,分子的集合为顶点vi的k(i)个邻点间实际存在的边数,并通过vi与其k(i)个邻点可能形成的最大边数k(i)(k(i)−1)/2进行归一化,Ni为直接连接到顶点vi的聚集邻点.

分析火焰图像四元数复杂网络的度数直方图和聚类系数直方图可以计算出较多特征,度的概率密度函数pd(i)根据度的直方图h(i)计算得出,其结果为

其中k是度k(i)的最大值.聚类系数同理可得概率密度函数pc(i).

因此从度和聚类分布中使用一套统计量度,如能量、熵等统计量度表征CN拓扑,从而构成了火焰图像彩色纹理描述符.

3 火焰图像四元数复杂网络特征及终点碳含量预测

火焰图像彩色纹理描述符是通过四元数的方式融合火焰图像颜色通道信息,使用CN提取相位谱δmap相位相同时幅值谱AL在权重低于2.00时构建网络的拓扑特征.计算复杂网络的度k(i)和聚类系数c(i)的平均值和标准差及其直方图对应的统计特征均值(mean)、对比度(contrast)、能量(energy)、熵(entropy)共12个特征串联构成描述火焰图像QCN的特征向量,提取多尺度的火焰图像复杂网络彩色纹理特征后,通过KNN回归模型预测终点碳含量,炉口火焰图像特征提取的终点碳含量预测的架构图如图4所示.

图4 四元数复杂网络图像彩色纹理特征提取架构图Fig.4 Color texture feature extraction architecture of quaternion complex network image

4 实验与分析

4.1 实验平台及数据介绍

本文火焰图像特征提取及终点碳含量预测在如下环境实验:软件环境为python3.6,硬件环境为Intel(R)Core(TM)i5-9300 H CPU@2.40 GH,GPU:NVIDIA GeForce GTX 1650.实验中炉口火焰图像数据来自钢厂转炉炼钢实际生产中工业相机相同参数下拍摄的不同炉次下炉口火焰视频(碳含量分布范围为0.01%∼0.23%),实验数据集为从对应于转炉炼钢终点时刻的不同炉次视频结束前2 s以帧为单位采样得到的大小为1466×400的20000张火焰图像,标签与转炉炼钢终点时刻采用副枪检技术测得的钢水碳含量值对应.

实验时将不同炉次对应火焰图像次序随机打乱,训练集为在20000张转炉炉口火焰图像中随机选择的16000张火焰图像,测试集为剩余4000张,通过五折交叉验证方式取得较为准确且稳定的碳含量预测结果.

4.2 相位二次量化对碳含量预测的影响实验

炉口火焰图像的颜色多集中于红、黄、白,导致转换后的相位谱分量分布较为集中,不利于后期区分性较强的彩色纹理特征的提取,为方便后续提取火焰图像相位谱的复杂网络特征,故在提取火焰图像复杂网络彩色纹理特征时首先通过式(6)对火焰图像相位谱进行二次量化.本小节旨在对比炉口火焰图像四元数映射图谱相位谱二次量化前后碳含量预测结果,说明进行相位谱二次量化的必要性和有效性.

表1对比了火焰图像映射图谱相位谱二次量化前后的碳含量预测结果,图5展示了本方法碳含量预测结果在相位谱二次量化前后的差异,从图可以明显看出二次量化后碳含量预测准确率远远高于未经二次量化的.因此,相位谱二次量化尽可能的保证了火焰图像彩色纹理特征的稳定性,从而使得转炉炼钢终点碳含量预测精度提升显著.

表1 相位二次量化前后转炉终点碳含量预测比较(五折交叉验证)Table 1 Comparison of prediction of the endpoint carbon content of converter before and after phase twice quantization(5-fold cross-validation)

4.3 阈值对碳含量预测结果的影响实验

本小节主要通过实验分析相位相等前提下,构造火焰图像四元数复杂网络的幅值谱AL中权重阈值对碳含量预测精度的影响.首先,幅值谱AL是为了更全面表征火焰图像映射图谱提出的一个幅值信息描述图谱,而彩色纹理构造过程是在二次量化后的相位谱δmap对应相位相等前提下,幅值谱AL中选择权重低于权重阈值的幅值点进行网络连接,通过阈值化获得描述火焰图像彩色纹理的QCN描述符.

图6展示了不同阈值对于碳含量预测精度的影响,表2展示了本部分各阈值的预测结果.

表2 阈值对碳含量预测结果的影响(五折交叉验证)Table 2 Effect of threshold value on carbon content prediction results(5-fold cross-validation)

图6 本文方法不同阈值的性能比较Fig.6 Comparison of performance of different thresholds

通过上述实验结果,按照幅值谱AL权重阈值进行总结,权重值越小,代表顶点间相似性越大且间距越近,即权重阈值过大,代表相似性较弱的顶点也进行了网络连接而引入了不相关的信息;另外权重阈值过小,则代表只将极为相似的顶点进行了连接,损失了一些全局信息,导致所构造的火焰图像复杂网络纹理信息较为片面.因此通过实验得到合适的AL权重阈值,阈值化获得描述火焰图像彩色纹理的QCN描述符以针对火焰变化中呈现出的随机自然纹理进而在转炉炼钢炉口火焰图像数据上有更好的表现.其中阈值与工业相机参数有关,而实验中使用的火焰图像为同一工业相机相同参数室内环境下拍摄得到,受自然光源影响较小,清晰度较稳定,通过实验标定对于火焰图像的合理阈值,最佳阈值相对稳定.验证了本文方法及最佳阈值在火焰图像彩色纹理特征提取并预测终点钢水碳含量的有效性.

4.4 与同类算法的性能比较

该小节旨在验证四元数复杂网络彩色纹理特征在提取转炉终点炉口火焰图像纹理特征时的有效性,分别按照以下几方面进行比较不同特征提取方法在预测碳含量上的性能.针对提取的火焰特征,将本文方法与灰度共生矩阵(gray-level co-occurrence matrix,GLCM)[17]、方向梯度直方图(histograms of oriented gradients,HOG)[18]边缘特征提取算法、基于卷积神经网络[14,19]的转炉终点钢水碳含量预测方法进行比较;针对彩色纹理提取方法,与Choi等人[20]提出的彩色局部二进制图案特征(CLBP)、Rassem等人[21]提出的完整的局部三进制模式描述符(CLTP)、Alamgir等人[22]提出的局部二进制共现模式(local binary co-occurrence pattern,LBCoP)、Verma 等人[23]提出的局部极值共现模式(local extrema co-occurrence pattern,LECoP)进行比较和分析;最后,为了全面说明本文方法的有效性,还与Backes等人[16]提出的基于复杂网络的纹理特征提取算法、Leonardo Scabini等人[24]提出的用于彩色纹理表征的多层复杂网络描述符(MCND)以及李清荣等人[12]提出的四元数方向统计量(quaternion direction statistics,QDS)局部或全局彩色纹理特征提取算法相比较.

其中:GLCM使用分通道方式提取火焰图像Lab空间下彩色纹理特征,分别提取火焰图像L,a,b3个通道在0◦,45◦,90◦,135◦4个角度,以及1,2,4,8,16距离下灰度共生矩阵的8个统计特征得到火焰图像的彩色纹理特征向量;考虑到网络结构的影响,通过深度卷积神经网络提取火焰图像特征进行转炉终点碳含量预测时,本文采用LeNet[14]和网络更深的Vgg-Net[19]进行对比,训练迭代至100000次模型的训练损失值趋于稳定得到测试集上的预测结果.CLTP通过分通道整合颜色通道间的相互信息,采用LTP的编码方式提取火焰图像彩色纹理特征;为了验证复杂网络在火焰纹理提取上的有效性,本文选择与基于复杂网络的纹理特征提取方法[16]、MCND[24]作为对比,其中:基于复杂网络的方法为灰度空间,为了便于记述,表中将其简记为GCN.

对各方法参数调试最佳后,将提取到的炉口火焰特征送入作为回归模型的KNN中进行训练测试,实验采用五折交叉验证方式.本部分采用预测精度(误差范围为0.01%∼0.05%)、决定系数(R2)、均方根误差(RMSE),提取火焰图像纹理特征时消耗的平均时间F,测试一张图像的平均耗时TKNN作为算法预测性能的评价指标,计算如式(15)–(18)所示:

图7为本文方法与对比方法在终点碳含量预测性能上的比较,在误差范围0.01%∼0.05%内本文方法的预测精度均高于其他对比方法.

图7 本文方法与其他特征提取方法的性能比较Fig.7 Performance comparison between the method in this paper and other feature extraction methods

图8表示本文方法与其他特征提取方法的R2值比较,可以明显看出本文方法预测值与真实值的拟合最好,图9表示本文方法与其他特征提取方法的RMSE值比较,可知本文方法预测值与真实值的误差最小,而图10表示本文方法在4000张测试集上的终点碳含量预测散点图,从图可以直观看出本文方法预测值与真实值较为接近,离散点相对较少.

图8 本文方法与其他特征提取方法的R2值比较Fig.8 Comparison of R2 value between the method in this paper and other feature extraction methods

图9 本文方法与其他特征提取方法的RMSE值比较Fig.9 Comparison of RMSE between the method in this paper and other feature extraction methods

图10 本文方法碳含量预测散点图Fig.10 The method of carbon content prediction scatter plot in this paper

为了表现不同方法预测值与真实值的拟合程度,将本文方法与其他特征提取方法在测试集中随机挑选200组数据的预测值与真实值对比情况,并计算相应的R2值和均方根误差(RMSE)反映拟合和离散程度,本文方法在测试集上的R2值为0.72,RMSE值为2.25%.如图11所示,将对比方法和本文方法的真实值与预测值对比图按R2值由大到小排列,由图11和表4不同方法的R2值和RMSE值可知,本文方法预测值与真实值拟合程度最优,预测值与真实值的误差最小.

图11 本文方法与其他特征提取方法的预测值与真实值对比Fig.11 The compared between the predicted value and the true value of the method in this paper and other feature extraction methods

表3展示了本部分各对比方法在误差范围0.01%∼0.05%的转炉终点碳含量预测结果的具体数据.通过五折交叉验证,本文方法在碳含量误差范围为0.01%内的准确率为85.65%,在0.02%内的准确率为91.83%,相较于对比方法中预测效果较好的MCND算法在预测误差为0.01%内提升17.24%,在预测误差为0.02%内提升9.2%.

结合火焰的特点从表3的实验结果可以看出,对于提取的火焰特征而言,GLCM等几种算法各有优势,但都未针对火焰的不规则纹理特征,而通过本文复杂网络方式构建火焰图像的多尺度多方向不规则彩色纹理表征,以提取复杂网络的度、聚类系数及相关特征作为火焰图像四元数复杂网络描述符对测试集有更好的预测性能,验证了不规则纹理的有效性.同为复杂网络相关算法,GCN和MCND存在提取火焰图像不规则纹理特征的优点,但GCN为灰度空间下的纹理特征提取算法导致损失了颜色信息,MCND因其提取彩色不规则纹理的优势,在转炉炼钢炉口火焰图像数据中,效果优于除本文算法外的其他对比算法,因此基于复杂网络通过四元数等距映射幅值谱相位谱的方式融合火焰图像颜色通道信息,构建火焰图像彩色纹理描述符的方法在转炉炼钢炉口火焰图像数据上表现更优,并且本文彩色纹理特征算法优于GLCM等彩色纹理提取方式,说明本文融合火焰图像颜色信息方式优于传统通道信息直接相加,在转炉炼钢炉口火焰图像数据上能够得到更有效的颜色信息;QDS相较于其他特征提取方法预测效果较好,但其主要从4个方向和固定步长进行特征提取并不能很好地描述火焰纹理复杂的变化情况,难以适应炉口火焰随机不规则纹理特点.因此基于四元数复杂网络火焰图像特征提取的方法结合颜色通道的相互信息和复杂网络从而可以很好地提取火焰多尺度多方向的不规则纹理以保证能针对火焰变化中呈现的随机自然纹理而提高预测精度.

表3 转炉终点碳含量预测准确率比较Table 3 Comparison of prediction accuracy of the endpoint carbon content of converter

图12展示了本文方法与其他特征提取方法的特征提取平均耗时的比较,图13比较了本文方法与其他特征提取方法的回归器平均耗时,综合可知本文方法实时性较好.

图12 特征提取平均耗时比较Fig.12 Comparison of average time-consuming of feature extraction

图13 回归器平均耗时比较Fig.13 Comparison of average time consumption of regression model

表4展示了本部分各对比方法的R2值,RMSE值,提取火焰图像纹理特征时消耗的平均时间F,测试一张图像的平均耗时TKNN的具体数据.通过五折交叉验证,本文方法的R2值为0.72,RMSE值为2.25%,特征提取平均耗时170.22 ms/帧,回归器平均耗时0.04 ms/帧.

结合图12–13,由表4可知,本文提取特征的方法相比于其他方法,消耗的时间相对较短,是除基于卷积神经网络方法之外特征提取相对较快的方法.170.22 ms/帧的特征提取处理速率,0.04的回归器耗时,合计170.26 ms/帧,在间隔采样火焰图像预测碳含量的过程中也能保障碳含量预测的实时性.转炉炼钢过程通过工业相机12 帧/s的采集速度拍摄炉口火焰图像,采集时火焰图像存在暂时稳定的现象,提取其彩色纹理特征进行转炉终点碳含量预测,本文方法能达到转炉炼钢实际生产过程终点钢水碳含量连续实时预测的效果.

表4 转炉终点碳含量预测性能比较Table 4 Relationship between the change rate of entropy difference and the best step length

5 结论

实现转炉终点碳含量的连续实时测量对终点控制具有重要的意义.为解决转炉炼钢终点碳含量不同所对应火焰图像相似性高而相近碳含量的火焰图像难以区分的问题,针对炉口火焰的多尺度多方向不规则随机自然纹理特点,本文提出了四元数复杂网络QCN图像彩色纹理描述符,具体内容总结为以下3点:

1) 提出利用四元数的等距映射获得火焰图像的映射图谱,融合火焰图像颜色通道信息,以整体方式描述火焰纹理复杂的变化趋势,通过相位谱和幅值谱描述映射后的图谱,提取图像的整体颜色和通道信息,为提取炉口火焰图像与转炉炼钢终点碳含量密切相关的彩色纹理信息做准备.

2) 选择复杂网络的方式,构建炉口火焰彩色纹理的多尺度不规则表达,提出一种反映像素相似性的权重公式,将相位信息与幅值信息结合起来,以相位作为条件,在幅值谱上根据权重的阈值对不同尺度下的相似幅值点同时建立连接构造复杂网络.提取整体的多尺度不规则彩色纹理特征,较为充分地展示火焰不规则纹理特征,适应火焰自然纹理变化.

3) 构建炉口火焰的四元数复杂网络(QCN)特征,通过计算顶点连接数量的度数和考虑顶点邻居之间连接的聚类系数,以其相关特征来量化CN拓扑连接模式,提取更全面细致的彩色纹理差异来描述火焰图像信息,作为火焰图像的最终彩色纹理特征.

本文方法对炼钢终点不同炉次下钢水碳含量分布在0.01%∼0.23%的炉口火焰图像进行实验,去除炉口火焰图像火焰区域边界形状和大小不同对钢水碳含量预测的影响,碳含量预测在±0.01%误差范围内的准确率达到85.65%,在±0.02%误差范围内的准确率达到91.83%.实验表明,本文方法通过提取火焰图像的彩色不规则纹理特征,较为准确地建立从炉口火焰图像到终点碳含量之间的关系,有效提高了转炉炼钢终点钢水碳含量预测准确率,在基于图像处理技术的转炉终点碳含量预测研究中具有一定的价值.同时本文彩色纹理特征提取算法结合了四元数和复杂网络,对于火焰这一类具有不规则纹理的研究对象具有一定的参考价值.