Identification of aluminothermic reaction through vision system in casting furnaces

Aluminium is the second most available metallic element on earth and is one of the most used metallic elements in industrial applications. The production chain of aluminium involves several steps, leading to furnaces. When melted, a fraction of the aluminium in the furnace reacts with oxygen from the surrounding environment and forms oxides, also called dross. The dross does not have properties as good as the aluminium, therefore its production implies higher operating costs. In this thesis, the dross obtained after the aluminium thermite reaction, also known as aluminothermic reaction, has been studied. Interviewing an expert of the sector, it emerged that in industrial practice, the presence of aluminothermic flames inside a melting furnace is identified manually through a visual inspection carried out by a skilled operator. Being the aluminothermic reaction identification only a function of the operator, there is the possibility of a higher dross production and then higher operating costs. The aim of this thesis is to propose an alternative solution to the identification of this phenomenon. Instead of an operator, an algorithm based on image processing to identify the aluminothermic flames present inside the furnace could be used. The images were acquired by a camera installed in the refractory wall of the casting furnace. To decide the positioning of the camera, a simulation of the field of view as a function of the positioning coordinates has been implemented in MATLAB®. Once the camera has been calibrated and installed, the acquired images have been then analyzed with three different Python-based algorithms. The first one is based on a combination of conditions in the RGB and HSV colour spaces. It can identify the aluminothermic reaction in each frame where it is present, while the second algorithm based on the grey scale analysis cannot. For the reference video analyzed in the results, the Colour Scales Algorithm has an average frame processing time of 0.691 seconds and an average recognition rate of 1.985, while the Grey Scale Algorithm has an average frame processing time of 0.183 seconds and an average recognition rate of 6.509. This rate is defined as the ratio between the identified aluminothermic pixels and the total number of aluminothermic pixels. The last algorithm is based on the Otsu method. The average processing frame time is 0.775 seconds and it is not able to provide valuable results, having an average recognition rate of 0.035. A possible development, could be the implementation of a Convolutional Neural Network (CNN) to analyze in a deeper way the images.

L'alluminio è il secondo elemento metallico più disponibile sulla terra ed è uno degli elementi metallici più utilizzati nelle applicazioni industriali. La filiera di produzione dell'alluminio prevede diverse fasi, che portano ai forni. Una volta fuso, una frazione dell'alluminio nel forno reagisce con l'ossigeno dell'ambiente circostante e forma ossidi, chiamati anche scorie. La scoria non ha proprietà così buone come l'alluminio, quindi la sua produzione comporta maggiori costi di esercizio. In questa tesi sono state studiate le scorie ottenute dopo la reazione della termite di alluminio, nota anche come reazione alluminotermica. Intervistando un esperto del settore, è emerso che nella pratica industriale, la presenza di fiamme alluminotermiche all'interno di un forno fusorio viene individuata manualmente attraverso un'ispezione visiva effettuata da un operatore specializzato. Essendo l'identificazione della reazione alluminotermica solo funzione dell'operatore, vi è la possibilità di una maggiore produzione di scorie e quindi maggiori costi di esercizio. Lo scopo di questa tesi è quello di proporre una soluzione alternativa all'identificazione di questo fenomeno. Al posto di un operatore si potrebbe utilizzare un algoritmo basato sull'elaborazione di immagini per identificare le fiamme alluminotermiche presenti all'interno del forno. Le immagini sono state acquisite da una telecamera installata nella parete refrattaria del forno di colata. Per decidere il posizionamento della telecamera è stata implementata in MATLAB® una simulazione del campo visivo in funzione delle coordinate di posizionamento. Una volta calibrata e installata la telecamera, le immagini acquisite sono state poi analizzate con tre diversi algoritmi basati su Python. Il primo si basa su una combinazione di condizioni negli spazi colore RGB e HSV. Può identificare la reazione alluminotermica in ogni frame in cui è presente, mentre il secondo algoritmo basato sull'analisi in scala di grigi non può. Per il video di riferimento analizzato nei risultati, l'algoritmo delle scale di colore ha un tempo medio di elaborazione dei fotogrammi di 0,691 secondi e un tasso medio di riconoscimento di 1,985, mentre l'algoritmo della scala dei grigi ha un tempo medio di elaborazione dei fotogrammi di 0,183 secondi e un tasso medio di riconoscimento di 6.509. Questa velocità è definita come il rapporto tra i pixel alluminotermici identificati e il numero totale di pixel alluminotermici. L'ultimo algoritmo è basato sul metodo Otsu. Il tempo medio di frame di elaborazione è di 0,775 secondi e non è in grado di fornire risultati di valore, avendo un tasso di riconoscimento medio di 0,035. Un possibile sviluppo potrebbe essere l'implementazione di una Rete Neurale Convoluzionale (CNN) per analizzare in modo più approfondito le immagini.