基于YOLOv5深度学习的焦炉交换考克状态识别方法研究
作者： 李巍 马义德 赵善哲
关键词：焦炉考克；深度学习；YOLOv5；霍夫变换
中图分类号：TP18 文献标识码：A
文章编号：1009-3044（2024）28-0008-04
0引言
近年来，焦炉在炼钢过程中的重要性愈发突出，其运行状态直接影响到生产的稳定性和效率。焦炉交换考克是焦炉运行中的关键环节，其状态对于炼钢的效率、稳定性和安全性至关重要。传统识别方法主要依赖于传感器采集焦炉设备运行数据，并进行数据预处理和特征提取[1-2]。然而，这些方法在实时性和准确性上都有所欠缺，难以满足现代工业自动化的需求。
得益于人工智能和深度学习技术的快速发展，焦炉交换考克状态识别领域在国内外迎来了新的研究热潮。研究者们不仅在优化传统基于传感器的数据方法方面付出努力，还积极探索深度学习模型的应用。国内学者董恒祥等人[3]的研究通过改进特征金字塔结构、引入SIOU边界框损失函数和增强小尺度特征获取能力，大大提高了焦炉交换考克状态识别的速度和精度。然而，在复杂且不断变化的工业环境中，小目标和被遮挡目标的检测依然面临挑战，现有方法有待进一步完善。
在国际上，以澳大利亚科学家John F. Canny为代表的研究提出的Canny边缘检测算法，是图像处理中的经典算法之一，已被广泛应用于多个领域。然而，在焦炉交换考克状态识别的特定场景下，Canny算法因对图像噪声和光照变化的敏感而受到限制。尽管它具有出色的边缘检测能力，但是在复杂工业环境中，其识别结果的稳定性和准确性难以令人满意[4]。
此外，国际学术界正在探索基于深度学习的图像识别技术在工业领域的应用，包括使用卷积神经网络（CNN） 和目标检测网络（如YOLO、SSD） 等先进模型，以应对复杂场景中的检测和识别任务[5]。这些研究为焦炉交换考克状态识别提供了新的思路和方法。
鉴于当前研究的不足，本文提出了一种鲁棒性好且高效的焦炉交换考克状态识别方法。首先，利用ArUco码技术和YOLO系列算法检测考克的位置和编号；随后，利用霍夫变换的直线检测算法进一步识别考克的旋转状态。最后，搭建巡检机器人平台进行现场测试，以验证该算法的有效性。实验结果表明，结合YOLO深度学习模型和霍夫变换的目标检测算法能够准确、实时地检测焦炉状态，满足冶金焦化等工业现场的智能监测需求。
1 考克状态识别算法
1.1 算法流程
考克状态识别算法主要包括3个步骤：考克编号识别、考克位置检测和考克状态检测。具体流程如下：
1） 考克编号识别。首先，通过相机采集视频流，并使用ArUco编码技术识别考克编号。为了便于后续检测，将ArUco码放置在考克检测区域中心。每个ArUco码的解码信息与其对应的考克编号是一一对应的。通过识别位于图像中心的ArUco码，可以确定相机的当前位置和当前拍摄的考克编号，为后续的处理提供重要依据。
2） 考克位置检测。在识别了ArUco码并确定了相机位置后，使用YOLOv5深度学习目标检测算法对考克区域进行精确定位。这一步为应用霍夫变换算法识别考克的旋转角度奠定了基础。如果在该步骤中未检测到考克目标，则需要控制相机返回至相应位置进行重新检测。
3） 考克状态检测。对YOLOv5检测到的目标区域进行图像预处理，并应用霍夫变换算法检测考克阀门的旋转角度。最后，将识别出的考克阀门旋转角度的数据上传至巡检机器人管理平台，以供工作人员进行实时监测和决策。
1.2 考克位置检测
在明确整体算法流程之后，接下来将阐述算法中的关键环节——考克位置检测。考克位置检测是整个算法的核心部分，其准确性和效率直接影响焦炉交换考克状态识别的最终效果。ArUco码是一种特殊的二维码（见图2） ，可用于快速、准确地标识和追踪物体。使用ArUco码进行检测与解码的过程主要包括以下几个步骤：首先，加载并预处理图像，确保所有图像具有统一的尺寸。其次，选择适合的ArUco字典并初始化检测器参数，以提高检测的准确性和鲁棒性。然后，检测图像中的ArUco码，并从检测到的ArUco码中提取其唯一的编码信息。最后，将解码得到的信息用于物体的编号识别，并上传至管理系统。
在利用ArUco码确定相机位置后，使用YOLOv5深度学习目标检测算法对考克进行检测。为了增强数据集的多样性和提高小目标检测能力，在训练YOLOv5 模型时采用了Mosaic数据增强方法。该方法通过随机缩放、裁剪和拼接4张图片生成新的训练样本。
YOLOv5 的网络架构主要由Focus 模块、CSPNet 主干网络、PANet和检测头部网络组成。Focus模块通过切片操作增加输入的细节；CSPNet结构的主干网络优化了特征提取的效率和精度，降低了计算量；PANet 通过双向融合机制强化了特征金字塔，提升了对不同尺度目标的检测精度；检测头部网络综合处理特征信息，通过分类和回归分支预测目标类别与位置，最终高效完成目标检测任务[6-7]。YOLOv5通过将图像划分为多个网格，每个网格直接预测目标的类别和位置，实现了端到端的目标检测，在保证检测准确性的同时提高了检测速度[8-10]。
图3和图4分别展示了YOLOv5深度学习算法模型的训练结果和准确率曲线（PR曲线）。PR曲线越接近于右上角，表明模型的查准率和查全率越高，性能越好。在考克状态检测的第一阶段，使用YOLOv5模型对考克进行初步检测，快速识别考克的大致位置，并在图像中标注检测框。通过初步检测，可以筛选出可能存在问题的考克，为后续的精细检测提供依据。
1.3 考克状态检测
由于YOLOv5模型只能识别考克的位置，无法获取考克编号和旋转角度等信息，因此需要结合其他方法进行精细检测。为实现更精确的检测，需要利用其他技术手段对考克进行进一步分析。在初步检测的基础上，结合图像处理技术和霍夫变换原理，对考克进行精细识别，并测量考克阀门的旋转角度。
本文采用霍夫变换检测考克T 型阀门的角度。首先，对感兴趣区域进行灰度化处理，利用边缘检测技术提取图像的轮廓信息。然后，将霍夫变换算法应用于轮廓分析，通过累积参数空间中的边缘点分布来确定图像中直线的存在。这些直线可以用极坐标系中的点（ρ， θ）表示，其中ρ表示直线到图像中心的距离，θ表示直线与水平轴的夹角。最后，提取直线的角度参数θ，并将其转换为考克阀门的旋转角度。
在进行角度测量时，需要对检测到的图像进行一系列预处理操作，具体步骤如图5所示。首先，对图像进行边缘检测以提取轮廓信息。接着，进行二值化处理，将图像转换为黑白图像，并保留考克边缘部分。最后，应用霍夫变换于考克边缘部分的轮廓线，以检测直线并计算考克阀门的旋转角度。
2 实验结果与分析
为验证本文提出的焦炉交换考克状态识别方法的有效性，搭建了如图6所示的焦炉考克巡检机器人平台。该平台使用海康工业相机双光球机进行图像采集，相机具备400万像素、23倍光学变焦和150米红外补光功能，能够实现高清、精准的图像采集。平台被安装在平行导轨上，利用YOLOv5模型、ArUco码技术以及霍夫变换原理，对焦炉考克状态进行实时识别和监测，并将检测结果同步上传至考克机器人管理平台。
在本研究中，为了训练和测试YOLOv5模型对考克的识别，数据集的构建至关重要。本文所使用的数据集来源于青岛特钢一号炉，由考克巡检机器人进行现场数据采集。现代水平室式炼焦炉的加热煤气管道布置于焦炉底部的地下室，焦炉加热的交换系统及废气开闭器布置在焦炉地下室和烟道走廊。在青岛钢铁一号炉中，共有61个炉口，每个炉口包含左右两个考克。考克巡检机器人负责在预设的路径上定时巡检，每半小时一次，以确保覆盖所有需要监控的区域，用于本次研究的数据收集。
通过对视频进行逐帧截图，构建了一个包含多种考克状态的图像数据集。视频截图的过程是随机进行的，确保了数据集的多样性和全面性。总共截取了约880张图片，这些图片覆盖了不同的考克状态和工作环境，以保证训练模型能够在各种实际工况下有效识别考克状态。
数据集的质量直接影响模型的训练效果和识别精度。通过从实际工况中获取数据，并进行多样化的截图和标注，确保了数据集的代表性和多样性，为后续的模型训练和测试奠定了坚实的基础。
图7展示了考克状态检测的示例，其中，左侧考克圆盘“T”朝右表示进气阀处于打开状态，右侧考克圆盘“T”朝上表示进气阀关闭。实验结果表明，巡检机器人在导轨上的运动过程中能够准确识别考克的位置编号和开关状态。左侧考克圆盘的打开状态角度范围为85°～90°，右侧考克圆盘的关闭状态角度范围为0°～5°。超出这些范围则被视为异常状态，表示考克的开启或关闭不完全。实验结果进一步表明，检测模型能够准确识别考克的位置和旋转角度。
为了更全面评估算法性能，对青岛特钢一号炉的122个考克进行抽样，采集整点和半点状态的图像数据，并对考克旋转角度的识别结果进行统计，如表1所示。超出正常角度范围的考克被视为异常状态。
轨道巡检机器人对青岛特钢中的焦炉考克进行全天候监测，每隔半小时将考克检测结果上传至管理平台。实验结果表明，考克异常状态的误报率不超过5%，考克状态识别的准确率可达95%。这表明本文提出的考克状态识别方法具有较高的准确性和可靠性，能够在复杂的工业环境中实现对考克设备状态的实时监测和故障检测。
3 结束语
针对冶金炼钢领域中焦炉考克状态智能巡检的需求，本文提出了一种基于深度学习的焦炉交换考克状态识别方法。该方法结合YOLOv5深度学习模型和霍夫变换直线检测方法，实现了对焦炉炼钢厂考克状态的实时检测，并将检测结果实时上传至机器人管理平台，方便工作人员及时发现异常报警，减轻人工巡检的劳动强度。
实验结果表明，该方法在工况复杂的工业环境下仍能保持较高的检测精度和稳定性，提升了冶金炼钢工厂的智能化水平和管理效率，节约了生产成本。未来的研究将进一步优化算法，提高检测精度和鲁棒性，并探索将该方法应用于其他工业场景。