Uma proposta metodológica para medição de profundidade de desgastes em superfícies de bicos de lança de oxigênio usando Deep Learning e processamento de imagens digitais

Abstract

Informações de uma empresa siderúrgica que utiliza bicos de lança de oxigênio em aciarias sugerem que o método atual para remover bicos de lança, devido ao desgaste superficial durante a operação para manutenção, é subjetivo, dependendo fortemente de inspeção visual. Isso resulta na remoção prematura ou tardia do bico, acarretando implicações econômicas e de segurança adversas. Para minimizar esses impactos no processo siderúrgico de refinamento do aço, que utiliza este instrumento, este estudo propõe uma base metodológica. Esta base contempla a segmentação e medição de profundidade máxima da região de desgaste em superfícies de bicos de lança de oxigênio, utilizando um modelo de Deep Learning intitulado YOLACT, em conjunto com um método de processamento digital de imagens por meio da câmera Intel Realsense D435. Assim, futuras aplicações e protótipos de campo podem usar essa base de auto- mação para obter métricas de remoção do equipamento de operação no momento mais adequado. Para esta pesquisa, empregou-se a segmentação de instâncias utilizando o modelo YOLACT para segmentar a região de desgaste na superfície de bicos de lança de oxigênio, além disso, foi construído um algoritmo para medir a profundidade máxima de desgastes nestas superfícies, utilizando o kit de desenvolvimento de software da In- tel da câmera de profundidade Realsense D435. Os resultados indicam que a proposta da base metodológica convergiu para o objetivo desta pesquisa, que foi de criar um framework para aciarias interessadas na medição automática da profundidade máxima de superfícies de bicos de lança de oxigênio. Esse framework se mostra agnóstico para integrações a outros modelos de segmentação de instâncias e câmeras mais sofistica- das. Apesar de não ser o foco principal deste trabalho, o modelo de segmentação de instâncias YOLACT alcançou um mAP de 50.29% para caixas delimitadoras e 49.01% para máscaras, devido à escassez de conjunto de imagens de superfícies de bicos de lança de oxigênio, provando a necessidade de pesquisas nesta área e sendo totalmente passível de melhorias de assertividade. Ademais, os experimentos utilizando a câmera Realsense D435 mostraram que a medição de profundidade máxima em superfícies desgastadas, a uma distância de 352 milímetros do objeto, tem precisão assertiva para profundidades máximas de desgastes de até 11 milímetros. Conclui-se que, para medições de profundidades mais sutis, é necessário buscar câmeras como a Intel L515 LiDAR que possui sensibilidades para medições em camadas físicas mais finas. Contudo, o uso desta base metodológica para tecnologias de campo aplicadas ao tema de manutenção de bico de lanças de oxigênio requer o aumento do conjunto de dados de treinamento do modelo de segmentação de instâncias e a escolha do dispositivo para capturar imagens de profundidade aplicadas ao seu próprio caso de uso. Sanados esses elementos, a base metodológica proposta pode não apenas minimizar o impacto no plano de manutenção, mas também prolongar a vida útil do equipamento, reduzir os custos operacionais e garantir maior segurança dos operadores.

Information from a steel company that uses oxygen lance nozzles in steel mills suggests that the current method for removing lance nozzles, due to surface wear during operation for maintenance, is subjective and heavily reliant on visual inspection. This results in either premature or delayed removal of the nozzle, leading to adverse economic and safety implications. To minimize these impacts on the steel refining process, which uses this instrument, this study proposes a methodological foundation. This foundation includes the segmentation and measurement of maximum wear depth in the surfaces of oxygen lance nozzles, using a Deep Learning model named YOLACT, in conjunction with a digital image processing method through the Intel Realsense D435 camera. Thus, future applications and field prototypes can use this automation base to obtain metrics for removing the operational equipment at the most appropriate time. For this research, instance segmentation was employed using the YOLACT model to segment the wear region on the surface of oxygen lance nozzles. Furthermore, an algorithm was constructed to measure the maximum depth of wear on these surfaces, using the Intel software development kit for the Realsense D435 depth camera. The results indicate that the proposal of the methodological base converged with the objective of this research, which was to create a framework for steel mills interested in the automatic measurement of the maximum depth of surfaces of oxygen lance nozzles. This framework proves to be agnostic to integrations with other instance segmentation models and more sophisticated cameras. Although not the main focus of this work, the YOLACT instance segmentation model achieved an mAP of 50.29% for bounding boxes and 49.01% for masks, due to the scarcity of image sets of oxygen lance nozzle surfaces, proving the need for research in this area and being fully capable of assertiveness improvements. Moreover, experiments using the Realsense D435 camera showed that the measurement of maximum wear depth on worn surfaces, at a distance of 352 millimeters from the object, has assertive accuracy for maximum wear depths of up to 11 millimeters. It concludes that, for measurements of more subtle depths, it is necessary to seek cameras like the Intel L515 LiDAR, which has sensitivities for measurements in thinner physical layers. However, the use of this methodological base for field technologies applied to the theme of oxygen lance nozzle maintenance requires increasing the training data set of the instance segmentation model and choosing the device to capture depth images applied to its own use case. Once these elements are addressed, the proposed methodological base can not only minimize the impact on the maintenance plan but also extend the equipment’s lifespan, reduce operational costs, and ensure greater safety for operators.