机器视觉在生球团含水率预测中的应用

齐家栋 刘琼 熊湾

摘 要： 为了实现对生球团含水率的无接触式快速检测，建立生球团含水率预测模型。以铁精矿生球团为研究对象，利用中值滤波器去除图像噪声，再提取生球团图像的灰度直方图特征（最大概率灰度、平均灰度、标准方差、平滑度、标准偏差、峰态、偏斜度）及灰度共生矩阵纹理特征（能量、熵、对比度、相关性），分别以其为输入指标，建立粒子群优化的支持向量机回归预测模型对含水率进行预测，比较不同输入特征的预测精度。结果表明：灰度直方图特征预测结果的平均绝对误差和平均相对误差分别为0.037 4和0.524，灰度共生矩阵纹理特征预测结果的平均绝对误差和平均相对误差分别为0.020 1和0.284 5；灰度共生矩阵纹理特征预测精度高于灰度直方图特征预测精度。

關键词： 生球团； 含水率； 机器视觉； 图像处理； 特征提取； 支持向量机回归

中图分类号： TN911?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2018）20?0083?05

Abstract： A water content rate prediction model of the green pellet is established to realize non?contact rapid detection for the water content rate of green pellets. Taking the green pellets of iron ore concentrate as the research object， the median filters are used to remove image noises. The gray histogram features （the maximum probability gray value， average gray value， standard variance， smoothness， standard deviation， kurtosis， and skewness） and the gray?level co?occurrence matrix （GLCM） textural features （energy， entropy， contrast， correlation） of green pellet images are extracted. Taking the extracted features as input indexes， the support vector machine regression prediction model based on particle swarm optimization is established to predict the water content rate and compare the prediction precisions of different input features. The results show that the average absolute error and average relative error for prediction results of gray histogram features are 0.037 4 and 0.524 respectively， while the average absolute error and average relative error for prediction results of gray?level co?occurrence matrix textural features are 0.020 1 and 0.284 5 respectively， which indicates that the prediction precision of gray?level co?occurrence matrix textural features is higher than that of gray histogram features.

Keywords： green pellet； water content rate； machine vision； image processing； feature extraction； support vector machine regression

0 引 言

球团矿是现代大型高炉炼铁的重要原料之一，其质量的优劣将直接影响高炉的生产[1]。球团矿是生球团经过干燥、焙烧加工而成的。因此，提高球团矿的生产质量必须首先提高生球团的质量。目前，国内的生球团生产工艺主要采用圆盘造球法。造球的过程大部分是人工操作，熟练操作工凭借经验控制造球过程中加入的铁精矿混合料量和加水量，难以实现对加水量的精准控制。造球过程中加水量的多少直接影响成球性和生球团强度[2]，较多的水分也会增加干燥和焙烧的能耗。因此，在造球过程中能根据需要精确控制加水量，对提高生球团质量具有重要意义。传统的水分测量方法为烘干失重法，缺点是测量时间长实时性差，无法用于造球过程加水量的精准控制。

近些年来，随着机器视觉技术的不断发展，将机器视觉技术应用于生产过程的快速非接触式检测，正逐渐成为研究热点，也是工业自动化的重要发展方向[3?4]。国内外学者在应用机器视觉技术进行水分检测方面开展了一些研究。刁万英等研究了土壤含水率的图像信息，建立了土壤含水率的估算模型，验证了利用图像估测表层土壤含水率是可行的[5]。李晓斌等以茄子为研究对象，运用图像处理技术建立水分运移微位移场，检验结果表明物料干燥水分边界微位移场变化量与含水率的关系可用该回归模型预测[6]。Ogawa T等提出了一种基于样品颜色亮度的测量面食在复水过程中水分分布的方法，该方法比现有方法具有较高的空间分辨率[7]。

在含水率预测模型建立方面，以人工神经网络为代表的机器学习算法在高度非线性拟合上有非常大的优势。郭庆春等提出了基于BP人工神经网络的土壤含水量预测模型[8]，采用动量自适应学习速率调整算法，高了收敛速度和减少陷入局部最小的可能，并且提高了预测精度。段史江等提取鲜烟叶及烘烤过程中烟叶图像的RGB及纹理特征[9]，建立了BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现了对烟叶含水量的精确估测。詹攀等建立支持向量机回归的鲜烟叶含水量预测模型[10]，其拟合效果均优于ELMAN神经网络。

神经网络虽然有很强的非线性拟合能力，但在实际应用中需要较大的训练样本，抗干扰能力差、学习速率慢且易陷入局部极小点[11]。相较于神经网络，支持向量机更适合小样本的情况，避免了过学习、欠学习和局部极小等问题，具有良好的泛化能力。

目前，机器视觉技术在球团生产中的应用仅限于球团的粒度检测，如何利用机器视觉技术量化不同含水率生球团外观特征的变化，并实现生球团含水率的快速准确检测还鲜见报道。本文探索利用机器视觉技术提取生球团外观图像特征，选取与生球团含水率关联性较大的图像特征组合，然后运用支持向量机回归模型对生球团含水率进行预测，以期为机器视觉技术在生球团含水率检测中的应用提供依据。

1 材料、设备与方法

1.1 材料与设备

以铁精矿为主要造球原料，并混合一定比例的膨润土。所用的仪器设备主要有圆盘造球机，卤素水分测定仪，高分辨率CMOS相机，遮光箱，LED光源。图像采集试验所用的硬件系统示意图如图1所示。

1.2 图像采集与含水率测定方法

利用圆盘造球机造出符合要求的生球团。迅速将造好的生球团放置于遮光箱中。利用CMOS相机从遮光箱上方固定位置拍照，同时利用遮光箱内的LED光源提供恒定亮度的光照，避免光照不均匀产生的误差。在整个图像采集过程中相机的参数保持不变。图像采集后迅速将生球团样本放入卤素水分测定仪，采用烘干失重法测量样本含水率。

2 图像处理

2.1 图像预处理

由于多种原因，部分采集到的生球团图像存在大量噪点，对生球团含水率的预测产生干扰，需要利用滤波器消除图像噪点。本文分别采用中值滤波、理想低通滤波、巴特沃斯低通滤波对采集图像进行滤波处理如图2所示。

比较滤波器处理后的图像发现，图2b）的理想低通滤波器去噪点效果较好，但图像细节特征丢失严重，对提高含水率预测精度不利。图2c）的巴特沃斯低通滤波去噪点稍差，保留部分图像细节特征，但处理时间过长不利于快速检测。图2d）的9×9模板中值滤波去除噪点效果比较好，图像部分细节特征有丢失，但处理速度快。提取图像部分灰度特征对生球团含水率进行初步预测，比较不同滤波器处理的预测误差（见表1），其中经9×9模板中值滤波器处理后的图像的含水率预测各项误差均较低。表明9×9模板中值滤波器对生球团含水率的预测精度有较大的提升，处理后的图像能获得更高的含水率预测精度。

2.2 灰度直方图特征提取

通过对比不同含水率生球团灰度直方图（见图3），通常含水率较大的生球团灰度直方图最高点的横坐标偏向左侧，平均灰度值也较小，生球团外观灰度特征与其含水率的大小有非常密切的联系。因此本文首先提取生球团灰度图像的灰度直方图统计特征进行含水率的预测。采用归一化后的灰度直方图，横坐标为灰度级x（0≤x≤255），纵坐标为对应灰度级的概率p（0≤p<1）。

式中：[p（xi）]为归一化直方图灰度级分布中灰度为[xi]的概率；[xi]为第i个灰度级；L为灰度级总数256；p—为归一化直方图概率p的平均值。

2.3 灰度共生矩阵特征提取

为了提高含水率预测的准确性，需要选择与含水率关联性较大的特征值组合。灰度直方图特征为一阶统计特征，区分能力相对较弱[12]。根据相关研究[13?14]，在与含水率检测相关的图像特征中纹理特征也是关联性较大的特征之一。作为一种灰度的联合分布，灰度共生矩阵（GLCM）算法能够较好地反映灰度空间相关性，是被广泛应用的纹理提取算法[12，15]。本文采用归一化后的灰度共生矩阵[Gδ]，[δ]有水平、竖直、正45°、负45°共4种空间位置关系。选取的纹理特征值为能量ene、熵ent、对比度con、相关性cor分别在4种空间位置关系上的平均值和标准偏差，计算公式为：

式中：[Gδ（i，j）]为灰度i和j的两个像素出现的概率；m为减少后的灰度总级数；m1，s1为[Gδ（i）]的均值和方差；m2，s2为[Gδ（j）]的均值和方差。

3 支持向量机回归预测

以部分生球团样本为例，将其中的20组作为训练样本，其他20组作为预测样本。采用支持向量机回归模型对生球团含水率进行预测，分别将灰度直方图特征和灰度共生矩阵特征归一化后输入预测模型。输入的灰度直方图特征向量共7维，灰度共生矩阵特征向量共8维，输出为对应组的生球团含水率预测值。

3.1 预测模型的建立

3.2 预测结果与分析

将机器视觉非接触式检测和支持向量机回归用于生球团含水率测定。分别采用基于灰度直方图的统计特征和基于灰度共生矩阵的纹理特征对生球团的含水率进行预测。预测结果与实际测量结果对比如图4所示。两种图像特征预测精度的比较结果如表3所示。由图4可知，两种图像特征的预测结果与实际测量结果的符合程度均较高。由表3可知，基于灰度直方图统计特征的预测结果的平均绝对误差和平均相对误差分别为0.037 4和0.524 0；基于灰度共生矩阵纹理特征的预测结果的平均绝对误差和平均相对误差分别为0.020 1和0.284 5。相比之下，基于灰度共生矩阵的纹理特征的預测精度高于基于灰度直方图的统计特征的预测精度。表明在生球团含水量预测方面基于灰度直方图统计特征和基于灰度共生矩阵的纹理特征均为有效的图像特征，而基于灰度共生矩阵的纹理特征在生球团含水率预测上的效果更好。

4 结 语

本文以圆盘造球机生产的铁精矿生球团为对象，研究基于机器视觉的含水率非接触检测方法。为了降低生球团图像噪点的干扰，采用9×9模板中值滤波器去除图像噪点，对含水率预测精度有较大的提升，获得了良好的预处理效果；在总结大量相关研究的基础上，提取基于灰度直方图和灰度共生矩阵的两类共15个与含水率关联性较大的特征；运用支持向量机回归算法分别对两类特征进行全面分析和综合表达，建立生球团含水率预测模型。对以铁精矿为原料的生球团样本的测试结果显示，基于灰度共生矩阵的纹理特征的各项预测误差更低，表明本文方法具有更高的预测精度。本文中生球团图像的采集是在遮闭自然光照和静止状态下完成的，与实际工业现场条件差别较大。下一步将在造球现场对圆盘造球机内高速运动状态下的生球团采集图像，并对目前采用的算法进行改进，实现对生产现场生球团实时含水率的准确预测。

参考文献

[1] 王纪元，阎丽娟.球团矿质量分层综合评价方法研究[J].烧结球团，2015，40（3）：17?21.

WANG Jiyuan， YAN Lijuan. Study on stratified comprehensive evaluation method of pellet quality [J]. Sintering and pelletizing， 2015， 40（3）： 17?21.

[2] 亢立明，刘曙光，马明鑫，等.水分对冀东磁铁矿成球性能的影响[J].河北理工学院学报，2006，28（3）：18?20.

KANG Liming， LIU Shuguang， MA Mingxin， et al. Influence of moisture on pelletizing properties of Jidong magnetite concentrates fines [J]. Journal of Hebei Institute of Technology， 2006， 28（3）： 18?20.

[3] KITA Y， ISHIKAWA H， MASUDA T. Guest editorial： machine vision applications [J]. International journal of computer vision， 2017， 122（2）： 191?192.

[4] JAHEDSARAVANI A， MASSINAEI M， MARHABAN M. Development of a machine vision system for real?time monitoring and control of batch flotation process [J]. International journal of mineral processing， 2017， 167： 16?26.

[5] 刁万英，刘刚.基于数字图像估算不同密度表层土壤含水率[J].灌溉排水学报，2017，36（4）：26?30.

DIAO Wanying， LIU Gang. Estimating water content in soils of different bulk densities using digital image [J]. Journal of irrigation and drainage， 2017， 36（4）： 26?30.

[6] 李晓斌，郭玉明，崔清亮，等.用图像法分析茄子在冻干过程中的水分动态运移规律[J].农业工程学报，2016，32（1）：304?311.

LI Xiaobin， GUO Yuming， CUI Qingliang， et al. Moisture diffusion and transfer dynamic analysis of eggplant during vacuum freeze?drying based on image processing technique [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（1）： 304?311.

[7] OGAWA T， ADACHI S. Measurement of moisture profiles in pasta during rehydration based on image processing [J]. Food & bioprocess technology， 2014， 7（5）： 1465?1471.

[8] 郭庆春，王素娟，何振芳.基于BP人工神经网络的土壤含水量预测模型的研究[J].山东农业科学，2012，44（12）：11?15.

GUO Qingchun， WANG Sujuan， HE Zhenfang. Study on forecasting model of soil water content based on BP artificial neural network [J]. Shandong agricultural sciences， 2012， 44（12）： 11?15.

[9] 段史江，宋朝鹏，马力，等.基于图像处理的烘烤过程中烟叶含水量检测[J].西北农林科技大学学报（自然科学版），2012，40（5）：74?80.

DUAN Shijiang， SONG Zhaopeng， MA Li， et al. Prediction of tobacco leaf′s water contents during bulk curing process based on image processing technique [J]. Journal of Northwest A & F University （Natural science edition）， 2012， 40（5）： 74?80.

[10] 詹攀，谢守勇，刘军，等.基于支持向量机回归的鲜烟叶含水量预测模型[J].西南大学学报（自然科学版），2016，38（4）：165?170.

ZHAN Pan， XIE Shouyong， LIU Jun， et al. A prediction model of water content of fresh tobacco leaves based on support vector machine regression [J]. Journal of Southwest University （Natural science）， 2016， 38（4）： 165?170.

[11] 张国翊，胡铮.改进BP神经网络模型及其稳定性分析[J].中南大学学报（自然科学版），2011，42（1）：115?124.

ZHANG Guoyi， HU Zheng. Improved BP neural network model and its stability analysis [J]. Journal of Central South University （Science and technology）， 2011， 42（1）： 115?124.

[12] 张铮，徐超，任淑霞.数字图像处理与机器视觉[M].北京：人民邮电出版社，2014.

ZHANG Zheng， XU Chao， REN Shuxia. Digital image processing and machine vision [M]. Beijing： Posts & Telecom Press， 2014.

[13] 周鸿达，张玉荣，王伟宇，等.基于图像处理玉米水分检测方法研究[J].河南工业大学学报（自然科学版），2016，37（3）：96?100.

ZHOU Hongda， ZHANG Yurong， WANG Weiyu， et al. Water content detection method of corn grain based on image analysis [J]. Journal of Henan University of Technology （Natural science edition）， 2016， 37（3）： 96?100.

[14] 江朝晖，杨春合，周琼，等.基于图像特征的越冬期冬小麦冠层含水率检测[J].农业机械学报，2015，46（12）：260?267.

JIANG Zhaohui， YANG Chunhe， ZHOU Qiong， et al. Detection of canopy water content of winter wheat during wintering period based on image features [J]. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（12）： 260?267.

[15] HENDRAWAN Y， MURASE H. Sunagoke moss water content sensing using machine vision： texture analysis and bio?inspired algorithms [C]. IFAC proceedings volumes， 2010， 43（26）： 268?273.

[16] 杜树新，吴铁军.用于回归估计的支持向量机方法[J].系统仿真学报，2003，15（11）：1580?1585.

DU Shuxin， WU Tiejun. Support vector machines for regression [J]. Journal of system simulation， 2003， 15（11）： 1580?1585.

[17] DHAS J E R， KUMANAN S. Evolutionary fuzzy SVR modeling of weld residual stress [J]. Applied soft computing， 2016， 42（2）： 423?430.

[18] 安爱民，祁丽春，丑永新，等.基于粒子群优化的溶解氧质量浓度支持向量回归机[J].北京工业大学学报，2016，42（9）：1318?1323.

AN Aimin， QI Lichun， CHOU Yongxin， et al. Support vector regression using particle swarm optimization for dissolved oxygen concentration [J]. Journal of Beijing University of Technology， 2016， 42（9）： 1318?1323.