CN101751552B - 一种基于计算机视觉的炼铁原料自动识别方法 - Google Patents

Abstract

本发明涉及一种基于计算机视觉的炼铁原料自动识别方法，包括以下步骤：采集各炼铁原料及原料运送装置空载时的彩色图像，根据彩色图像的样本建立特征库；在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；将上述提取的彩色图像特征值与特征库进行匹配，确定当前原料的种类。本发明方法综合利用颜色特征和频谱特征与预先离线建立的特征样本库进行在线匹配以实现物料图像的分类和识别，对物料的识别准确无误，提高了工作效率，对后续准确分别计量物料提供了先决条件，具有非接触、柔性强、自动化程度高等优点。

Description

一种基于计算机视觉的炼铁原料自动识别方法

技术领域

本发明涉及一种应用于冶金行业中基于计算机视觉与模式识别技术的多物料自动识别方法，具体地说是一种基于计算机视觉的炼铁原料自动识别方法。

背景技术

长期以来，很多钢厂从原料直供炼铁系统的块矿、球团矿、焦碳等多种原料共用同一条皮带输送线分时运输，这些物料的计量依赖于安装在皮带输送线的常规电子皮带秤进行混合总量计量或理论结算，无法实现块矿、球团矿、焦炭等入炉物料的分别计量，计量效率低，精度差。随着企业管理水平的提高，需要对入炉物料精细化计量管理，以此为原料平衡和成本核算提供计量依据。由于多种物料采用同一条皮带分时输送，要实现物料的分别计量就必须能够自动识别出当时物料的种类。

计算机视觉和模式识别技术的发展为解决这一问题提供了一条途径，通过实时摄取皮带输送线上的物料图像，然后对图像进行分析，以识别出当前物料的种类。由于计算机视觉技术在实现上具有非接触、柔性强、自动化程度高等优点，因此根据物料的外在特征利用计算机视觉技术进行炼铁原料自动识别具有良好的应用前景。而目前应用于冶金行业中基于计算机视觉的多物料自动识别方法尚未见报道。

发明内容

针对现有技术中存在的识别效率低，精度差的不足，本发明要解决的技术问题是提供一种识别精度高的基于计算机视觉的炼铁原料自动识别方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种基于计算机视觉的炼铁原料自动识别方法，其特征在于包括以下步骤：

采集各炼铁原料及原料运送装置空载时的彩色图像，根据彩色图像的样本建立特征库；

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

将上述提取的彩色图像特征值与特征库进行匹配，确定当前原料的种类。

所述特征库的建立包括以下步骤：

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

利用上述提取的彩色图像特征值建立特征库，以对应表征各炼铁原料的种类。

所述特征提取包括以下步骤：

根据彩色图像的空间域全局信息构造颜色特征，表征彩色图像与灰度图像接近的程度；

根据彩色图像的频域全局信息构造频谱特征。

所述颜色特征构造方法为在RGB彩色模型中计算彩色图像上所有点到黑白连线上的平均距离用以表征颜色特征。

频谱特征构造方法为：

将彩色图像转化为灰度图像，并计算该灰度图像的傅立叶变换域的幅度谱；

从上述幅度谱得到一维函数S(r)，其函数表达式为：

$S\left(r\right)=\underset{\mathrm{\θ}=0}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{S}_{\mathrm{\θ}}\left(r\right)$

其中：S为频谱函数，r为频率，在极坐标系中表示频谱半径变量；θ为极坐标系中的角度变量；

对函数S(r)进行高斯滤波，得到滤波后的S(r)曲线；

统计S(r)曲线的波峰数及波峰宽度，用以表征频谱特征。

所述彩色图像通过以下方法得到：

使用工业彩色相机，调小光圈，缩短相机成像的曝光时间，使用辅助光源，利用相机的同步信号触发闪光灯，曝光的同时，同步采集彩色图像。

本发明具有以下有益效果及优点：

1.识别准确，效率高。本发明方法综合利用颜色特征和频谱特征与预先离线建立的特征样本库进行在线匹配以实现物料图像的分类和识别，对物料的识别准确无误，提高了工作效率，对后续准确分别计量物料提供了先决条件；

2.具有非接触、柔性强、自动化程度高等优点。本发明方法利用计算机视觉技术进行物料的自动识别，无需人工参与，为后续的入炉物料精细化计量管理以及原料平衡和成本核算提供了重要的计量依据；

3.前景广阔。本发明方法根据物料的外在特征利用计算机视觉技术进行物料自动识别具有良好的应用前景，并可推广应用于其他冶金行业或类似的物料识别领域。

附图说明

图1为块矿图像；

图2为球团矿图像；

图3为焦炭图像；

图4为皮带空载时图像；

图5为RGB彩色图像模型；

图6为图1的傅立叶变换幅度谱；

图7为图2的傅立叶变换幅度谱；

图8为图3的傅立叶变换幅度谱；

图9为图4的傅立叶变换幅度谱；

图10为图6的经过高斯滤波的S(r)曲线；

图11为图7的经过高斯滤波的S(r)曲线；

图12为图8的经过高斯滤波的S(r)曲线；

图13为图9的经过高斯滤波的S(r)曲线。

具体实施方式

基于计算机视觉的炼铁原料自动识别系统分为硬件和软件两大模块，硬件模块包括：工业彩色相机、光源、处理器及防护设备等，其中处理器用于运行软件模块，该软件模块的核心即为本发明炼铁原料自动识别方法。

本实施例以炼铁原料中的块矿、球团矿以及焦炭为例，本发明方法包括以下步骤：

采集各炼铁原料及原料运送装置空载时的彩色图像，根据彩色图像的样本建立特征库；

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

将上述提取的彩色图像特征值与特征库进行匹配，确定当前原料的种类。

所述特征库的建立包括以下步骤：

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

利用上述提取的彩色图像特征值建立特征库，以对应表征各炼铁原料的种类。

1.图像采集

图像是获取物料特征的唯一信息来源，因此获取稳定可靠的高质量图像是提高整个系统稳定性的一个重要环节。本实施例使用工业彩色相机采集物料图像，为避免外界光照对成像的影响，尽量调小光圈和缩短相机成像的曝光时间。图像采集使用辅助光源----闪光灯，利用相机的同步信号触发闪光灯，曝光的同时，同步采集图像。

通过上述方式采集到的各炼铁原料中的块矿、球团矿以及焦炭的彩色图像如图1～3所示，图4为原料运送装置(本实施例为皮带)空载时图像。

2.特征提取

在图1～4所示的彩色图像上进行特征提取，首先根据彩色图像的空间域全局信息构造颜色特征，表征彩色图像与灰度图像接近的程度；然后根据彩色图像的频域全局信息构造频谱特征。

(1)颜色特征

上述颜色特征构造方法为在RGB彩色模型中计算彩色图像上所有点到黑白连线上的平均距离用以表征颜色特征。如图5所示，为RGB彩色图像模型。RGB彩色模型是数字图像处理中最通用的面向硬件的彩色模型，在该模型中，所表示的图像由R、G、B3个图像分量组成，每一个分量图像都是其原色图像。RGB模型基于笛卡儿坐标系统，所考虑的彩色子空间是图5所示的立方体。为方便起见，假定所有的颜色值都归一化，即所有的R、G、B值都在[0，1]范围内取值。图5中，R、G、B位于3个坐标轴所在顶点上，青、深红和黄位于另外3个顶点上，黑色在原点处，白色位于离原点最远的顶点。不同的颜色处于立方体上或其内部，并可用从原点出发的向量来定义，黑白两点连线上的颜色点为黑白灰度颜色。

经过大量实验分析得到，尽管各类物料图像之间颜色存在差别，但是同类物料图像之间也存在较大差别，即一致性不好，单纯利用物料的颜色很难区分各类待识别物料。但是，各类物料图像接近黑白灰度图像的程度不同，特别是焦炭的彩色图像更接近黑白灰度图像，因此定义一个物理量----图像上所有点到RGB模型中黑白连线上的平均距离来表征这一特征。

(2)频谱特征

各类物料具有不同的几何形态，如球团矿是较规则的球形；块矿是不太规则的块状；焦炭虽然同为块状，但是较块矿的体积大；而皮带空载时为一平滑的表面或者是由于物料在皮带上运输形成的规则条纹，即各类物料图像具有不同的纹理特征。这些特征反映在图像的傅立叶变换幅度谱上就是具有不同的能量分布特性：图像中的线条纹理在幅度谱平面上产生通过直流中心的谱线，而谱线的方向垂直于原图像中线条的方向；同时，尽管纹理中的条纹有各种方向，并且位置分布是随机的，但是在傅立叶变换域的幅度谱中，空间域同一方向的条纹不论其位置如何，它们的贡献会被叠加在一起，共同形成通过频谱中心、与原方向垂直的谱线。这意味着空间域里全部的纹理信息在频域里进行了重新分布，这种重新分布只基于纹理单元的走向和疏密程度等因素，而与其位置信息无关。

图6～9分别给出图1～4的傅立叶变换幅度谱。频谱特征的检测使用函数S(r，θ)的极坐标表达，其中，S为频谱函数，r为频率，在极坐标系中的表示为频谱半径变量；θ为极坐标系中的角度变量。对于每个方向角θ，S(r，θ)可以看作一维函数S_θ(r)；对每个频率r，S_r(θ)也是一个一维函数。对固定的θ值分析S_θ(r)，可得到沿着自原点的辐射方向上的频谱所表现的特性；反之，分析固定r值的S_r(θ)，可得到沿着以原点为圆心的圆形的特性。更具有整体性的描述通过对下列函数进行积分得到，如公式1所示：

$S\left(r\right)=\underset{\mathrm{\θ}=0}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{S}_{\mathrm{\θ}}\left(r\right)---\left(1\right)$

S(r)是一个一维函数，对函数进行高斯滤波，可以获得S(r)曲线。图10～13分别给出各类物料图像频谱对应的S(r)曲线。不同物料的图像，其S(r)曲线特性明显不同：空载情况是一个窄峰(如图13所示)；球团矿的S(r)曲线是两个峰(如图11所示)，并且两个峰的下端宽度最宽；块矿和焦炭的S(r)曲线相近，都是一个峰(分别如图10、12所示)，峰的宽度介于空载和球团矿之间。因此，图像的S(r)曲线特性是进行物料分类识别的有效特征。

3.特征匹配

综合利用上述颜色特征和频谱特征，根据彩色图像的样本离线建立的特征库的内容，对炼铁原料在线提取的图像特征值与特征库的内容相匹配，以确定出当前原料的种类。

本发明方法可用于钢厂传输线上传送的炼铁原料的在线自动识别系统，将识别结果实时传给输送线上的计量系统可以构成在线的原料分别计量系统。

Claims (3)

1.一种基于计算机视觉的炼铁原料自动识别方法，其特征在于包括以下步骤：

采集各炼铁原料及原料运送装置空载时的彩色图像，根据彩色图像的样本建立特征库；

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

将上述提取的彩色图像特征值与特征库进行匹配，确定当前原料的种类；

所述特征提取包括以下步骤：

根据彩色图像的空间域全局信息构造颜色特征，表征彩色图像与灰度图像接近的程度；

根据彩色图像的频域全局信息构造频谱特征；

所述颜色特征构造方法为在RGB彩色模型中计算彩色图像上所有点到黑白连线上的平均距离用以表征颜色特征；

所述频谱特征构造方法为：

将彩色图像转化为灰度图像，并计算该灰度图像的傅立叶变换域的幅度谱；

从上述幅度谱得到一维函数S(r)，其函数表达式为：

$S\left(r\right)=\underset{\mathrm{\θ}=0}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{S}_{\mathrm{\θ}}\left(r\right)$

其中：S为频谱函数，r为频率，在极坐标系中表示频谱半径变量；θ为极坐标系中的角度变量；

对函数S(r)进行高斯滤波，得到滤波后的S(r)曲线；

统计S(r)曲线的波峰数及波峰宽度，用以表征频谱特征。

2.按权利要求1所述的基于计算机视觉的炼铁原料自动识别方法，其特征在于所述特征库的建立包括以下步骤：

在各炼铁原料及原料运送装置的彩色图像中进行特征提取，得到各彩色图像的特征值；

利用上述提取的彩色图像特征值建立特征库，以对应表征各炼铁原料的种类。

3.按权利要求1所述的基于计算机视觉的炼铁原料自动识别方法，其特征在于所述彩色图像通过以下方法得到：

使用工业彩色相机，调小光圈，缩短相机成像的曝光时间，使用辅助光源，利用相机的同步信号触发闪光灯，曝光的同时，同步采集彩色图像。

Images