Алгоритмы обработки информации в системе слежения за сталеразливочными ковшами в сталеплавильном производстве

Целью исследования является повышение оперативности контроля над перемещением стальковшей в сталеплавильном производстве при помощи разработки математического и программного обеспечения.

Методы. Контроль перемещения сталеразливочных ковшей можно разделить на 2 части: первая – это обнаружение объекта на изображении с камеры, расположенной на определённом участке маршрута, с последующим определением положения объекта в кадре, а вторая часть – это идентификация на основании массива данных из разных систем. В работе использовались методы математического моделирования, нейронных сетей, основы теории построения алгоритмов, а так же программные и аппаратные средства современных компьютерных технологий. В статье описывается модель формирования маршрутов перемещения сталеразливочных ковшей, на основе которой осуществляется контроль перемещения сталеразливочных ковшей. Алгоритмическое обеспечение представляет собой совокупность таких алгоритмов, как: алгоритм формирования возможных маршрутов перемещения стальковшей, алгоритм определения положения стальковша на маршруте перемещения стальковшей, алгоритм идентификации сталеразливочного ковша и обобщённый алгоритм обработки информации. Приведена структурно-функциональная организация системы слежения за сталеразливочными ковшами в сталеплавильном производстве.

 Результаты. Экспериментальная проверка алгоритмического обеспечения осуществлялась на тестовом наборе данных, который, в свою очередь, был сформирован из реальных технологических данных. Адаптация и настройка алгоритмического и программного обеспечения позволит применить данный комплекс на сталеплавильных производствах с различным составом агрегатов.

Заключение. Контроль над перемещением стальковшей позволяет выстраивать процесс так, чтобы перемещение жидкой стали сопровождалось наименьшими потерями тепла. Необходимость нагрева стали на агрегатах внепечной обработки сопряжена с затратами энергии. Таким образом, уменьшение потерь тепла и времени простоев стальковшей позволит уменьшить затраты энергии на весь процесс.

1. Глебова Е.С., Блинников А.А., Быстров С.В. Применение каскадного кодирования для решения задачи маркирования сталеразливочного ковша // Проблемы и достижения в науке и технике: сборник научных трудов по итогам международной научно-практической конференции. Омск, 2016. № 3. С. 41-44.

2. Пространственная реконструкция в системах компьютерного зрения на основе web-камер / А.В. Атанов, А.А. Крыловецкий, С. Д. Кургалин, С.И. Протасов // Вестник Воронежского государственного университета. Сер. Системный анализ и информационные технологии. 2011. № 2. С. 149-153.

3. Локтев Д.А., Алфимцев А.Н., Локтев А.А. Моделирование комплексной системы видеомониторинга внутри здания. Ч. 1. Алгоритм размещения видеокамер и его программная реализация // Вестник МГСУ. 2012. №5. С. 84-92.

4. Локтев Д.А., Алфимцев А.Н., Локтев А.А. Моделирование комплексной системы видеомониторинга внутри здания. Ч. 2. Алгоритм распознавания объектов // Вестник МГСУ. 2012. №5. С. 124-131.

5. Петричкович Я. Я., Сомиков В. П., Юдинцев В.А. Анализируем системы видеоаналитики. Ч. 2. "Системы безопасности". 2009. №3. URL: http://lib.secuteck.ru/articles2/ ip-security/analiziruem-sistemy-videoanalitiki

6. D. Gordon, A. Kembhavi, M. Rastegari, J. Redmon, D. Fox, A. Farhadi, IQA: Visual Question Answering in Interactive Environments. (2018)

7. Еременко В.Т., Тютякин А.В., Кондрашин А. А. Методологические аспекты обработки изображений в автоматизированных системах диагностики // Информационные системы и технологии. 2011. №2(64). С. 19-26

8. Статья от компании Axis – лидера на рынке сетевого видео, о проблемах распознавания и идентификации на изображениях. URL: https://www.axis.com/ru-ru/learning/ web-articles/identification-and-recognition/resolution

9. Angella F., Reithler L., Gallesio F. Optimal Deployment of Cameras for Video Surveillance Systems // IEEE Conf. on Advanced Video and Signal Based Surveillance. - 2007.

10. Simon J. D. Prince Computer Vision: Models, Learning, and Inference. Prince. Cambridge University Press, 2012. 598 p.

11. An intelligent vision-based vehicle detection and tracking system for automotive applications / Y.M. Tsai, et al. // Proceedings of the IEEE International Conference on Consumer Electronics. 2011. P. 113-114.

12. Алпатов Б.А., Балашов О.Е., Шубин Н.Ю. Алгоритм измерения координат движущихся объектов в последовательности изображений // Вестник Рязанского государственного радиотехнического университета. 2010. Вып. 34. С. 32-36.

13. Провоторов А. В., Орлов А. А., Астафьев А. В. Системный анализ технологий и систем идентификации трубопроводной продукции по маркеру в условиях промышленного производства // Татищевские чтения: актуальные проблемы науки и практики: Материалы VIII научно-практической конференции». Тольятти, 2011. С. 187-195.

14. Алпатов Б.А., Бабаян П.В., Шубин Н.Ю. Алгоритм оценки координат объектов на основе преобразования Радона // Цифровая обработка сигналов. 2011. №3. С. 17-20.

15. Волхонский Г.В. Критерии выбора разрешающей способности в системах теленаблюдения // PROSystem CCTV. 2009. № 2 (38), С. 60 - 64.

16. Трофименко Я.М., Математическое обеспечение системы слежения за стальковшами в сталеплавильном производстве // Интеллектуально-информационные технологии и интеллектуальный бизнес (ИНФОС-2021): материалы двенадцатой заочной международной научно-технической конференции. Вологда: ВоГУ, 2021. C. 169-173. ISBN 978-5-87851-968-7

17. Якушев А.М. Проектирование сталеплавильных и доменных цехов. М.: Металлургия, 1984. 216 с.

18. Видеонаблюдение по IP // Журнал сетевых решений/LAN. 2010. № 04. URL: https://www.osp.ru/lan/2010/04/13002109/

19. Зайцев Е.М., Коломиец Е.А., Николаев В. Н. Формализация этапов жизненного цикла создания геоинформационной продукции на научно-производственном предприятии // Известия Юго-Западного государственного университета. 2020; 24(4): 146- 165. https://doi.org/10.21869/2223-1560-2020-24-4-146-165