張學(xué)鋒，陳天宇，儲(chǔ)岳中，湯亞玲

(安徽工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 安徽 馬鞍山 243000)

0 引 言

在燒結(jié)礦的生產(chǎn)中，原料的粒度結(jié)構(gòu)對(duì)燒結(jié)礦的生產(chǎn)有重要的影響[1]，通過(guò)檢測(cè)燒結(jié)礦的粒度大小可以調(diào)控原料的粒度結(jié)構(gòu)。燒結(jié)礦的粒度及其分布是燒結(jié)礦質(zhì)量檢測(cè)中的重要指標(biāo)，其主要問(wèn)題是檢測(cè)圖像中燒結(jié)礦的粒度大小。燒結(jié)礦檢測(cè)的核心是檢測(cè)圖像中的類(lèi)圓物體，目前的方法準(zhǔn)確性和及時(shí)性不高，容易受到人的主觀意識(shí)影響，現(xiàn)場(chǎng)工作人員沒(méi)法及時(shí)了解燒結(jié)礦的實(shí)時(shí)生成情況，這些是急需解決的問(wèn)題。

目前，對(duì)于燒結(jié)礦的粒度檢測(cè)也做了一些實(shí)驗(yàn)，如：郜學(xué)[2]對(duì)中國(guó)燒結(jié)產(chǎn)業(yè)的發(fā)展現(xiàn)狀和趨勢(shì)進(jìn)行研究，證實(shí)了節(jié)能減排的重要性。高梓航[3]提出的基于線(xiàn)性變換的RGB圖像色彩矯正方法，通過(guò)圖像線(xiàn)性變換可以減少圖像中的隨機(jī)噪聲。張建立[4]提出了使用形態(tài)學(xué)方法處理礦石圖像，該方法可以很好地對(duì)圖像進(jìn)行分割。王浩[6]對(duì)多種圖像增強(qiáng)方法做出了自己的綜述，圖像增強(qiáng)技術(shù)可以增加圖像中的有用信息[5]，分析了圖像增強(qiáng)的優(yōu)缺點(diǎn)。趙博文[7]對(duì)圖像濾波方法進(jìn)行了綜述，證明了高斯濾波可以很好地減少圖像中的高斯噪聲。郝大鵬[8]提出了基于Prewitt算子的邊緣檢測(cè)算法，該方法可以很好地檢測(cè)出圖像中的物體輪廓。秦開(kāi)懷[9]提出了一種基于Hough變換的圓形快速檢測(cè)方法，可以很好地檢測(cè)出類(lèi)圓物體的大小和分布等信息。

本文在以上研究的基礎(chǔ)上，提出了一種基于霍夫變換的燒結(jié)礦粒度識(shí)別方法。首先通過(guò)攝像系統(tǒng)獲得對(duì)應(yīng)位置上的燒結(jié)礦圖像，然后對(duì)圖像進(jìn)行各種圖像學(xué)處理，從而得到所需要的實(shí)用信息。本方法首先使用形態(tài)學(xué)開(kāi)操作消除部分噪聲，然后根據(jù)圖像的像素值檢測(cè)結(jié)果，使用分段函數(shù)對(duì)圖像進(jìn)行像素點(diǎn)分割處理，分割出圖像中的燒結(jié)礦和背景，增強(qiáng)燒結(jié)礦的輪廓信息以及圖像銳化處理進(jìn)行圖像增強(qiáng)，再然后使用高斯濾波算法減少圖像中的噪聲。使用Prewitt算法進(jìn)行邊緣檢測(cè)，最后使用霍夫變換檢測(cè)出圖像中的燒結(jié)礦大小和分布。本方法可以快速地檢測(cè)出圖像中燒結(jié)礦的粒度大小和分布等信息，準(zhǔn)確性高，減少因人主觀意識(shí)的影響，及時(shí)反饋燒結(jié)礦的生成情況，對(duì)燒結(jié)礦的穩(wěn)定生產(chǎn)和提產(chǎn)降耗有著重要的作用。

1 模型設(shè)計(jì)

1.1 燒結(jié)礦檢測(cè)模型

燒結(jié)礦粒度檢測(cè)系統(tǒng)包括燒結(jié)礦傳送皮帶，攝像系統(tǒng)，保護(hù)裝置，光源和現(xiàn)場(chǎng)控制箱等設(shè)備組成。傳送皮帶會(huì)將燒結(jié)礦傳送到指定區(qū)域，攝像系統(tǒng)拍下燒結(jié)礦的圖像，保護(hù)裝置保證攝像系統(tǒng)的長(zhǎng)久運(yùn)行，光源提供足夠的光照，保證圖像的拍攝質(zhì)量，然后將圖像傳入現(xiàn)場(chǎng)控制箱，使用圖像增強(qiáng)和霍夫變換等算法檢測(cè)出燒結(jié)礦的粒度大小和燒結(jié)礦當(dāng)前的生成情況。

多次試驗(yàn)結(jié)果表明，采用圖像像素點(diǎn)分割和圖像銳化等方法進(jìn)行圖像增強(qiáng)，可以很好地減少圖像中的噪聲，提升了整張圖像的亮度，以及燒結(jié)礦和背景的對(duì)比度，凸顯了圖像中的有用信息，讓后期的邊緣檢測(cè)和霍夫變換可以更準(zhǔn)確地檢測(cè)出圖像中的燒結(jié)礦?，F(xiàn)場(chǎng)人員可以很好地掌握燒結(jié)礦的生成現(xiàn)狀，及時(shí)對(duì)原料的投放量進(jìn)行更改，避免了原料的浪費(fèi)，提高燒結(jié)礦的產(chǎn)量和企業(yè)的經(jīng)濟(jì)效應(yīng)。

通過(guò)圖1的裝置可以完成對(duì)燒結(jié)礦圖像的采集和處理，攝像系統(tǒng)用來(lái)采集燒結(jié)礦圖像，保護(hù)裝置和光源等用來(lái)保證該裝置的持久運(yùn)行，控制箱可以實(shí)時(shí)檢測(cè)當(dāng)前采集的燒結(jié)礦圖像，從而得到當(dāng)前生成的燒結(jié)礦基本信息，讓工業(yè)生產(chǎn)更加智能化和透明化。

圖1 燒結(jié)礦檢測(cè)裝置

1.2 系統(tǒng)控制

本系統(tǒng)使用計(jì)算機(jī)圖像處理技術(shù)處理圖像，使用QCustomPlot繪制出燒結(jié)礦的折線(xiàn)圖反映當(dāng)前燒結(jié)礦生成的情況，并將這些信息顯示在客戶(hù)界面和存儲(chǔ)到數(shù)據(jù)庫(kù)中。

啟動(dòng)程序后，實(shí)時(shí)圖像界面會(huì)實(shí)時(shí)顯示當(dāng)前獲取的圖像，并對(duì)該圖像進(jìn)行檢測(cè)，獲取燒結(jié)礦的粒度大小和當(dāng)前的粒度分布等情況，統(tǒng)計(jì)出不同粒度區(qū)間內(nèi)的燒結(jié)礦大小，即大于20 mm,20 mm至30 mm，大于30 mm的燒結(jié)礦所占的比重，將這些結(jié)果顯示在用戶(hù)界面和存儲(chǔ)入數(shù)據(jù)庫(kù)中，并用QCustomPlot繪制并顯示出折線(xiàn)圖，增加鼠標(biāo)響應(yīng)函數(shù)，幫助現(xiàn)場(chǎng)人員更好地觀察某一時(shí)刻的燒結(jié)礦生成情況，同時(shí)支持查詢(xún)某一時(shí)間段內(nèi)的生產(chǎn)狀況，方便現(xiàn)場(chǎng)工作人員的觀察，減少主觀失誤，現(xiàn)場(chǎng)工作人員可以根據(jù)生成情況決定原料的增減。軟件系統(tǒng)的工作流程圖如圖2所示。

圖2 軟件系統(tǒng)流程圖

通過(guò)以上的實(shí)驗(yàn)步驟可以檢測(cè)出燒結(jié)礦的粒度大小和分布等重要信息，讓現(xiàn)場(chǎng)工作人員可以更好地實(shí)現(xiàn)人機(jī)交互，從而提高當(dāng)前燒結(jié)礦的質(zhì)量，減少原料和人力物力的消耗，提高企業(yè)的經(jīng)濟(jì)效應(yīng)和核心競(jìng)爭(zhēng)力。

2 圖像預(yù)處理

本文所使用的圖像預(yù)處理方法主要包括圖像增強(qiáng)、高斯濾波、Prewitt邊緣檢測(cè)等算法。圖像增強(qiáng)是為了加強(qiáng)圖像中的實(shí)用信息，提升圖像整體的對(duì)比度。高斯濾波可以消除圖像中的大量噪聲，讓后期的邊緣檢測(cè)和霍夫變換不會(huì)過(guò)多地受到噪聲的影響。圖像邊緣檢測(cè)是為了更好地檢測(cè)出圖像中燒結(jié)礦的輪廓信息。

2.1 圖像增強(qiáng)

本方法在增強(qiáng)圖像之前先對(duì)圖像的尺寸進(jìn)行更改，防止圖像因尺寸過(guò)大而影響展示的效果，然后開(kāi)始圖像增強(qiáng)，該圖像增強(qiáng)方法先進(jìn)行圖像形態(tài)學(xué)的開(kāi)操作，再檢測(cè)出圖像中燒結(jié)礦的灰度值，通過(guò)燒結(jié)礦的灰度值設(shè)計(jì)分段函數(shù)來(lái)進(jìn)行圖像的像素點(diǎn)分割，最后進(jìn)行圖像拉普拉斯銳化處理?？梢栽鰪?qiáng)圖像中的燒結(jié)礦的輪廓特征，提升燒結(jié)礦和背景的對(duì)比度和亮度，消除圖像中的隨機(jī)噪聲，讓后期的檢測(cè)更為準(zhǔn)確。

首先根據(jù)燒結(jié)礦圖像的大小，調(diào)整圖像的整體大小，再對(duì)此圖像使用形態(tài)學(xué)開(kāi)操作，該方法主要是先對(duì)圖像進(jìn)行腐蝕處理然后進(jìn)行膨脹操作，開(kāi)操作可以消除燒結(jié)礦圖像中的小白點(diǎn)，在細(xì)小點(diǎn)處分離燒結(jié)礦，并在平滑較大物體邊界的同時(shí)不明顯地改變其面積。其數(shù)學(xué)公式如下：

A○B(yǎng)=(A?B)⊕B

(1)

式(1)就是形態(tài)學(xué)開(kāi)操作，先進(jìn)行腐蝕后進(jìn)行膨脹操作，從而實(shí)現(xiàn)圖像中大量有用信息的增強(qiáng)，減少燒結(jié)礦圖像中小氣孔的影響，讓后期的檢測(cè)效果更好。

然后使用技術(shù)手段，檢測(cè)圖像整體的灰度值，得出燒結(jié)礦的灰度值大小在60以?xún)?nèi)，于是設(shè)置分段函數(shù)，60為臨界點(diǎn)，對(duì)圖像采用像素點(diǎn)分割算法，突出圖像中燒結(jié)礦的特征，大幅度增強(qiáng)了圖像的亮度。像素點(diǎn)分割的函數(shù)下：

(2)

其中，g(x,y)為結(jié)果圖像，f(x,y)為原圖像，a表示原圖像被放大的倍數(shù)，通過(guò)該分段函數(shù)可以實(shí)現(xiàn)圖像中燒結(jié)礦和背景的分割，凸顯了燒結(jié)礦的輪廓特征，大幅度提升圖像的亮度，減少圖像中的噪聲，增強(qiáng)了圖像的有用信息，避免了圖像疊加中全局提升圖像的亮度，造成圖像中有用信息的缺失。避免了圖像線(xiàn)性操作中當(dāng)a的值過(guò)大時(shí)，整個(gè)圖像顏色就會(huì)變得單一，燒結(jié)礦和背景完全同化，讓后期的檢測(cè)受到影響。

最后使用拉普拉斯算子完成圖像銳化，拉普拉斯算子是簡(jiǎn)易的多向同性微分算子，擁有旋轉(zhuǎn)不變的特性[10]。圖像的拉普拉斯算子是多向同性的二階導(dǎo)數(shù)，如下：

(3)

為了更適合用于燒結(jié)礦圖像處理，得到圖像銳化如下：

g(x,y)=f(x,y)+c[2f(x,y)]

(4)

其中，g(x,y)是結(jié)果圖像，f(x,y)是起始圖像，系數(shù)c表示細(xì)節(jié)權(quán)重。該函數(shù)是圖像銳化函數(shù)對(duì)應(yīng)的公式。根據(jù)選用的模板c的取值為1，當(dāng)c的值為1表示掩膜中心系數(shù)為正，當(dāng)c的值為-1表示掩膜中心系數(shù)為負(fù)，因?yàn)楫?dāng)模板的中心系數(shù)為正數(shù)時(shí)才是圖像銳化模板，所以c的取值是1。本文使用的拉普拉斯銳化算子模板是：

圖像銳化的作用是增強(qiáng)圖像灰度差異，使模糊圖像更加清晰地顯現(xiàn)，本方法采用拉普拉斯圖像銳化算子，先生成灰度驟變的圖像，再將該圖像和原圖進(jìn)行疊加處理。該銳化方法可以同時(shí)展現(xiàn)圖像銳化效果和保留原圖背景信息，凸顯圖像中的細(xì)節(jié)，增加了圖像中燒結(jié)礦的輪廓和邊緣特征，更有利于進(jìn)行之后的檢測(cè)。

通過(guò)圖3和圖4的對(duì)比發(fā)現(xiàn)，經(jīng)過(guò)圖像增強(qiáng)后圖像中的噪聲大幅度減小，圖像亮度和對(duì)比度大量提升。

圖3 原圖

圖4 圖像增強(qiáng)后的圖像

2.2 圖像邊緣檢測(cè)

本文使用Prewitt算子實(shí)現(xiàn)圖像的邊緣檢測(cè)，Prewitt算子是依據(jù)圖像中像素點(diǎn)各個(gè)相鄰方向的灰度差異進(jìn)行處理，可以在邊緣處達(dá)到相當(dāng)精確的效果，同時(shí)還對(duì)噪聲具有模糊的作用。

對(duì)圖像進(jìn)行邊緣檢測(cè)前需要進(jìn)行高斯濾波，燒結(jié)礦圖像中大多數(shù)噪聲均屬于高斯噪聲，因此使用高斯濾波方法可以很好地為燒結(jié)礦圖像降噪。本文使用高斯濾波方法，對(duì)圖像進(jìn)行降噪處理。

一維高斯分布函數(shù)，如下所示：

(5)

二維高斯分布函數(shù)，如下所示：

(6)

使用OpenCV中的GaussianBlur函數(shù)可以對(duì)燒結(jié)礦圖像進(jìn)行高斯濾波，先將圖像轉(zhuǎn)換為灰度圖，然后進(jìn)行高斯濾波處理，設(shè)定合適的閾值，其中size的取值為(9,9)，高斯濾波在橫向和豎向的濾波系數(shù)都為2，通過(guò)對(duì)比多個(gè)值，發(fā)現(xiàn)size為(9,9)和濾波系數(shù)為2時(shí)效果更好，可以很好地減少服從正態(tài)分布的圖像噪聲，消除燒結(jié)礦圖像中的高斯噪聲，從而削弱了噪聲對(duì)后期檢測(cè)的干擾，讓檢測(cè)的結(jié)果更為準(zhǔn)確。

然后對(duì)圖像進(jìn)行邊緣檢測(cè)，邊緣檢測(cè)可以檢測(cè)出圖像中的邊緣信息[11]，Prewitt算子是利用水平和垂直兩個(gè)方向的模板與目標(biāo)圖像進(jìn)行領(lǐng)域卷積來(lái)完成對(duì)邊緣的檢測(cè)。相比于其他算子Prewitt算子對(duì)噪聲的抑制效果更好，因此更適合用于燒結(jié)礦圖像的檢測(cè)。Prewitt算子模板如圖5所示。

Px

目標(biāo)圖像與Px卷積后可以反映圖像的垂直邊緣，與Py卷積后可以反映圖像的水平邊緣。最重要的是，這兩個(gè)卷積是可分離的：

X方向的卷積，如下所示：

(7)

Y方向的卷積，如下所示：

(8)

從分離的結(jié)果來(lái)看，Px算子是先對(duì)目標(biāo)圖像進(jìn)行垂直方向的均值平滑處理，然后完成水平方向的處理。Py算子是先對(duì)目標(biāo)圖像進(jìn)行水平方向的均值模糊處理，然后在完成垂直方向的處理。這就是Prewitt算子能夠抑制噪聲的主要原因。

通過(guò)邊緣檢測(cè)可以檢測(cè)出圖像中燒結(jié)礦的邊緣信息，檢測(cè)效果如圖6所示。

圖6 Prewitt邊緣檢測(cè)

Prewitt算子可以很好地檢測(cè)出燒結(jié)礦的輪廓信息，而且沒(méi)有斷點(diǎn)，檢測(cè)的結(jié)果比較準(zhǔn)確。

3 Hough變換

3.1 Hough圓檢測(cè)具體步驟

本方法使用的圓檢測(cè)方法是OpenCV中的HoughCircles函數(shù)，HoughCircles函數(shù)有很多好處，它對(duì)噪聲不怎么敏感，并且可以在同一張圖像中檢測(cè)出多個(gè)圓，可以很好地使用在燒結(jié)礦的粒度檢測(cè)領(lǐng)域，HoughCircles函數(shù)檢測(cè)類(lèi)圓物體的步驟是：先檢測(cè)出類(lèi)圓物體的中心，即對(duì)預(yù)處理后的圖像再進(jìn)行邊緣檢測(cè)，計(jì)算出圖像的梯度，從而可以確定燒結(jié)礦的中心。然后檢測(cè)出燒結(jié)礦的半徑，計(jì)算某一個(gè)燒結(jié)礦的中心到邊緣的距離，找出這些相等的距離，就是該燒結(jié)礦的半徑[12]。對(duì)每一個(gè)燒結(jié)礦完成上述步驟，就會(huì)得到圖像中所有燒結(jié)礦的半徑。

在OpenCV的HoughCircles函數(shù)中使用的是HOUGH_GRADIENT方法，然后根據(jù)實(shí)際情況設(shè)定好其他參數(shù)，首先把dp值設(shè)置為1，根據(jù)圖像中的燒結(jié)礦稠密程度，確定兩個(gè)燒結(jié)礦之間的最短距離也就是保留距離，再設(shè)定合適的閾值，閾值需要多次調(diào)參來(lái)確定，參數(shù)越大，檢測(cè)到的燒結(jié)礦越少，參數(shù)越小，檢測(cè)到的燒結(jié)礦越多，從而得到最合適的閾值，最后設(shè)定最大半徑和最小半徑，通過(guò)此方法便可以檢測(cè)出燒結(jié)礦的粒度大小。

然后根據(jù)檢測(cè)出的輪廓信息，繪制出燒結(jié)礦的中心和大概輪廓，讓檢測(cè)的結(jié)果更加直觀地顯示出來(lái)，并且統(tǒng)計(jì)出圖像中的燒結(jié)礦的個(gè)數(shù)、大小分布、平均粒度、最大粒度、最小粒度等信息，以及粒度小于20 mm，20 mm至30 mm和大于30 mm的燒結(jié)礦所占比重。讓整體的效果更好地展示給客戶(hù)，有利于后期的工業(yè)生產(chǎn)。

將基于圖像增強(qiáng)的Prewitt算法和Roberts算法、LOG算法、無(wú)邊緣檢測(cè)算法的效果圖進(jìn)行比較。檢測(cè)效果如圖7所示。

(a) 改進(jìn)的Prewitt算法

如圖7可知在對(duì)圖像進(jìn)行增強(qiáng)處理后再進(jìn)行Prewitt算法邊緣檢測(cè)算法后效果更好。然后使用HoughCircles函數(shù)檢測(cè)，可以更好地檢測(cè)出圖像中的燒結(jié)礦，然后提取圖像中的有用信息，更好地應(yīng)用于工業(yè)生產(chǎn)。圖7中用外接圓來(lái)展示燒結(jié)礦的輪廓，該圓圈可以大體上表示出該燒結(jié)礦的輪廓，且誤差不是很大，在燒結(jié)礦的粒度檢測(cè)領(lǐng)域起到了拋磚引玉的作用，可以很好地應(yīng)用于燒結(jié)礦工業(yè)生產(chǎn)中。

3.2 實(shí)驗(yàn)結(jié)果

本文的方法如下：首先根據(jù)圖像的大小，調(diào)節(jié)圖像大小，然后進(jìn)行圖像形態(tài)學(xué)開(kāi)操作，圖像像素點(diǎn)分割和圖像銳化等方法進(jìn)行圖像增強(qiáng)，再然后使用高斯濾波和圖像邊緣檢測(cè)，檢測(cè)圖像的邊緣信息，最后使用HoughCircles函數(shù)檢測(cè)出圖像中的燒結(jié)礦粒度大小。

表1是調(diào)整燒結(jié)礦的密集程度和個(gè)數(shù)檢測(cè)的結(jié)果，本方法檢測(cè)的燒結(jié)礦粒度大小比較準(zhǔn)確，因?yàn)闊Y(jié)礦不規(guī)則，所以存在誤差。經(jīng)過(guò)對(duì)比發(fā)現(xiàn)，本方法檢測(cè)后的效果更好，圖像的對(duì)比度更高，并且可以檢測(cè)到很多有用的信息，滿(mǎn)足工業(yè)生產(chǎn)的需要。

表1 燒結(jié)礦粒度檢測(cè)結(jié)果表

通過(guò)QCustomPlot組件可以畫(huà)出燒結(jié)礦的粒度分布，圖8展示一張圖像中的燒結(jié)礦生成趨勢(shì)，即每個(gè)燒結(jié)礦的粒度大小情況。其中灰色線(xiàn)表示燒結(jié)礦粒度在20 mm至30 mm所占比例，黑色線(xiàn)表示粒度小于20 mm所占比例,白色線(xiàn)表示粒度大于30 mm所占比例。

圖8 燒結(jié)礦分布圖

圖8可以很好地幫助現(xiàn)場(chǎng)人員了解燒結(jié)礦的生成情況，同時(shí)使用了鼠標(biāo)響應(yīng)函數(shù)，用戶(hù)可以很好地得到鼠標(biāo)光標(biāo)所在點(diǎn)的數(shù)據(jù)，然后根據(jù)燒結(jié)礦的粒度大小來(lái)判斷原料的增減，最終可以生產(chǎn)出更多符合要求的燒結(jié)礦。

4 結(jié)束語(yǔ)

提出了一種高效和穩(wěn)定的燒結(jié)礦粒度檢測(cè)方法。采用計(jì)算機(jī)視覺(jué)技術(shù)，利用圖像獲取裝置實(shí)時(shí)采集燒結(jié)礦的圖像，然后使用圖像增強(qiáng)和霍夫變換等方法對(duì)圖像進(jìn)行實(shí)時(shí)檢測(cè)，可以在不影響生產(chǎn)的前提下準(zhǔn)確地實(shí)時(shí)反饋燒結(jié)礦的粒度和分布等信息。本方法主要使用了形態(tài)學(xué)開(kāi)操作、圖像像素點(diǎn)分割、圖像銳化、高斯濾波和Prewitt算子進(jìn)行圖像預(yù)處理，使用霍夫變換檢測(cè)出燒結(jié)礦的大小和分布等信息。實(shí)驗(yàn)結(jié)果證明：使用圖像像素點(diǎn)分割方法，可以根據(jù)圖像中的燒結(jié)礦灰度值設(shè)置分段函數(shù)，對(duì)燒結(jié)礦和背景進(jìn)行分割，相對(duì)于常規(guī)的方法，可以更好地減少圖像中的噪聲，對(duì)燒結(jié)礦的邊緣檢測(cè)更準(zhǔn)確，準(zhǔn)確率可達(dá)到98%。該方法對(duì)燒結(jié)礦透明化和智能化的生產(chǎn)具有重要的意義，有利于降低耗能和高效生產(chǎn)，減少資源的浪費(fèi)，從而提高了企業(yè)的經(jīng)濟(jì)效應(yīng)。