Метод определения температуры раскаленных заготовок на основе анализа изображений с использованием глубокого обучения

Современные металлургические производства сталкиваются с рядом технологических сложностей при осуществлении температурного контроля в процессе термообработки металлических заготовок. Особенно остро эта проблема проявляется при использовании индукционных нагревательных установок, где традиционные контактные методы измерения температуры становятся малоэффективными по нескольким причинам: наличие сильных электромагнитных полей приводит к возникновению паразитных токов в измерительных датчиках, что существенно искажает результаты измерений. Как отмечают в своих работах [1], погрешность термопар в таких условиях может достигать 15–20%; высокая подвижность заготовок на производственной линии исключает возможность надежного контакта измерительных приборов с контролируемой поверхностью; экстремальные температурные условия (до 1200°C) значительно сокращают срок службы контактных датчиков. В связи с этим особый интерес представляют оптические методы измерения температуры, основанные на анализе теплового излучения нагретых тел. Методы определения температуры, основанные на Законе Планка и законе смещения Вина [1;4], несмотря свою действенность, имеют ряд ограничений, связанных с необходимостью точного знания коэффициента излучения материала и чувствительностью к условиям наблюдения. На начальном этапе разработки было предложено решение (гипотеза), основанное на определении текущей температуры металлической заготовки по цвету излучения ее каления на цифровом изображении. Затем проведен эксперимент, показавший изменение цветовых составляющих в цветовом пространстве RGB. В связи с условиями производства было принято решение использовать цифровую обработку изображений с помощью сверточной нейронной сети для бесконтактного определения температуры металлических заготовок.

Для обучения и тестирования алгоритма была создана обширная база тепловых изображений нихромовых спиралей в различных температурных режимах. Температура измерялась эталонной термопарой типа K с погрешностью ±1.5°C. Изображения получены в двух условиях:

1. Без освещения: фон – черная камера (приближение к излучению абсолютно черного тела), излучение соответствует закону Стефана-Больцмана.
2. С освещением: моделирование производственных помех в виде отблесков и изменения цвета в связи с падающим на заготовку светом приборов освещения на производственной линии.

Экспериментальная установка включала в себя: лабораторный блок питания мощностью 300 Ватт, термокамеру с регулируемым освещением, цифровую камеру с разрешением 13 Мп, эталонную термопару типа K с точностью ±1,5°C.

Рис. 1. Экспериментальная установка

Рис. 2. Пример части обучающей выборки

Рис. 3. Зависимость интенсивности RGB-каналов от температуры (экспериментальные данные)

В работе предложена сверточная нейронная сеть для анализа тепловых изображений и точного определения температуры. Модель принимает на вход изображения размером 224×224 пикселя, которые сначала обрабатываются с помощью комбинированных масок в цветовых пространствах HSV и YCrCb для выделения нагретых областей [2, 3]. Архитектура сети включает четыре блока сверточных слоев с нормализацией (BatchNorm) и нелинейностью ReLU, за которыми следует полносвязный регрессор с регуляризацией Dropout. Для обучения использовалась функция потерь Huber (SmoothL1) и оптимизатор AdamW с адаптивным learning rate. Модель достигает средней абсолютной ошибки 1,2°C на тестовых данных. Применение методов цифровой обработки изображений [2, 3] позволило улучшить качество сегментации тепловых аномалий. Разработанная система может использоваться для мониторинга температуры в промышленных установках.

Выводы: Представленная на рисунке 3 зависимость доказывает состоятельность предложенной гипотезы об изменении RGB-составляющих с ростом температуры при накаливании металлического тела. Из графиков следует, что зависимость красной составляющей от температуры имеет экспоненциальный характер и принимает максимальное значение (255) при температуре 660°C, тогда как зеленая составляющая изменяется на протяжении всего диапазона температур и доходит до максимального значения 255 в конце диапазона. Про синюю составляющую можно сказать, что так же как и зеленая – возрастает на протяжении всего диапазона температур, но не доходит до максимального значения. Все это позволило принять решение о создании сверточной нейронной сети для составления регрессии.

Разработанный метод позволяет:

• Измерять температуру с точностью до 7,5% без контакта с заготовкой.
• Интегрироваться в системы автоматического контроля производственных линий.