关键词：
废钢分类
生锈废钢识别
镀层检测
合金元素检测
激光诱导击穿光谱
机器视觉
机器学习
摘要：
当前我国的废钢产生量已超2亿吨/年,这为电炉炼钢的发展提供了坚实的原料保障。使用废钢炼钢有利于钢铁企业的节能减排,用废钢炼1吨钢可节约铁矿1.65吨,标准煤350千克,降低CO2排放1.6吨,固体废弃物排放4.3吨。目前没有根据废钢的表面锈蚀情况、表面涂镀情况和合金元素含量等对废钢进行快速定量检测和精细分类,只经过粗糙的分拣和加工便作为炼钢原料。这导致钢铁企业在使用废钢进行冶炼时,钢水的成分得不到精准控制,部分废钢中的合金元素得不到高效利用。本文将机器视觉及机器学习技术与LIBS技术相结合,针对废钢智能分类的几个关键问题和工业化应用进行了探索性研究,主要研究内容与结果如下:(1)基于颜色直方图和K-means聚类分析,研究了生锈废钢红褐色锈迹颜色在RGB、HSV和YCbCr颜色空间的分布特征。结果表明,RGB颜色空间不适合铁锈颜色特征提取,红褐色铁锈颜色在HSV空间中H分量值主要集中在[0-45]区间,在YCbCr空间中Cb分量值主要集中在[70-120]区间,Cr值主要集中在[130-170]区间。基于灰度共生矩阵及其特征参数分析了生锈废钢的纹理特征。结果表明,在生锈废钢图像中,生锈区域的纹理特征参数能量、相关性低于图像背景中的无锈区域,生锈区域的熵高于图像背景,对比度的差异不大,但可以区分生锈和无锈区域的边界。根据颜色和纹理特征分析,提出基于颜色和纹理特征融合的判定废钢是否生锈的智能算法。该算法在训练集上识别准确率达到98.14%,在预测集上识别准确率达到96.88%。(2)以镀锌、镀锡、镀镍和镀铬的四种有镀层废钢为研究对象,基于LIBS技术对不同镀层废钢LIBS光谱演变特性、废钢镀层识别和镀层厚度检测方法进行了研究。结果表明,对于镀层较薄的废钢,LIBS光谱中镀层元素谱线强度随激光脉冲数增加而快速下降。对于镀层较厚的废钢,随激光脉冲数增加,LIBS光谱中镀层元素谱线强度先增加后下降。对于无镀层的废钢,所有元素谱线强度随激光脉冲数增加而变化的趋势一致,即在开始的数十个脉冲内强度逐渐增加,而后保持稳定。提出基于Fe元素谱线归一化强度标准差阈值判定废钢表面是否存在镀层的方法,标准差阈值设定为0.02。提出基于元素谱线归一化强度累加值判定镀层元素种类的方法,最大的归一化强度累加值对应的元素即为镀层元素。研究了烧蚀坑三维形貌随激光脉冲数变化的演变规律,建立了烧蚀坑深度与激光脉冲数之间的数学模型,同时提出使用最大类间方差法计算镀层穿透的临界脉冲数,最终计算出废钢镀层的厚度。(3)对于大量的、种类十分复杂的社会废钢,需要根据废钢的合金成分进行分类,而这种分类方法的关键在于实现对废钢中合金元素含量的在线、快速、定量检测。本文基于LIBS技术分别利用定标法和自由定标法对低合金废钢和高合金废钢进行了快速定量检测研究。针对LIBS定标过程中的基体效应,提出了基于GA-KELM模型的校正方法。该方法训练速度快、无需人为调参、泛化性能好。结果显示,47个低合金钢中Si、Mn、Cr、Ni、V、Ti、Cu、Mo元素的预测均方根误差分别达到0.2405%、0.1632%、0.0661%、0.0792%、0.229%、0.0411%、0.0759%、0.0404%。针对自由定标法中的自吸收效应,提出了自吸收校正系数和遗传算法相结合的自吸收校正算法,提高了自由定标法的定量分析性能。结果显示,7个高合金钢中Cr元素和Ni元素的预测均方根误差分别为2.80%和2.19%。自由定标法的检测准确度低于定标法,但可以用于对高合金废钢成分的半定量检测,并基于检测结果识别出高合金废钢,有利于实现对高合金废钢的快速分拣。(4)为了实现工业化应用过程中LIBS系统激光束在废钢表面的自动聚焦,本文开发了线结构光测量系统并进行了系统参数标定和线结构光条纹中心提取算法的研究。基于张正友标定法和12×9铝制棋盘格标定板对相机内参进行了标定,重投影误差不超过0.1像素。基于交比不变法和移动靶标法对线结构光平面和位移平台移动方向进行了标定。研究了废钢表面粗糙度、颜色和形状对条纹质量的影响,结果表明,废钢表面越粗糙、颜色越接近银白色和表面越平整时,条纹质量越高。提出用主元分析法提取条纹法线方向,然后在条纹法线方向用高斯拟合法进一步求解条纹中心。使用该系统对5种废钢表面形貌进行了三维重建,并用标准量块对系统的测量准确性进行了验证,该系统的测量误差在0.202mm以内,为LIBS系统自动聚焦功能的实现奠定了基础。(5)设计了废钢智能识别和分类的原型系统,搭建了实验室模型,并编写了控制软件,解决了激光器、光谱仪、CCD相机和一维位移平台等相关设备的协同控制问题。实现了对实验室废钢智能识别和分类模型系统的自动控制,为以后工业化应用奠定了基础。
欢迎来到三峡大学图书馆！
