CN102539008A - 利用图像颜色测定钢管温度的方法 - Google Patents

Abstract

本发明公开了一种利用图像颜色测定钢管温度的方法，包括以下步骤：A1、对同一温度下的钢管进行拍照；A2、重复进行步骤A1对不同温度下的钢管进行拍照，得到大量图像；A3、针对所有图像，去噪后，利用图像边界处理算法得到图像中钢管的边界轮廓，边界内的区域A即为钢管；A4、得到温度T下颜色-温度对应关系；A5、对一幅待测温度的钢管，首先获取其一幅图像，利用步骤A3、A4所述方法得到其温度代表色C(R，G，B)，利用欧氏距离判定该代表色与关系数组C_T(R，G，B，T)中哪种颜色更接近，将距离最小的那个图像对应的温度作为该图像中钢管的温度。对于温度的测量更加精确，而且比较容易操作，而且有很好的实时性。

Description

利用图像颜色测定钢管温度的方法

技术领域

本发明涉及图像处理技术和冶金技术，尤其涉及的是一种利用图像颜色测定钢管温度的方法。

背景技术

在目前的工业生产中，对于钢管温度的测量主要有三中方法：1.最传统的便是根据工人的实际经验，通过目测来实现对温度的判断。2.通过感应加热的温度测量，主要用到的仪器是红外测温仪，红外测温仪在温度测量方面起到很好的监控作用。3.最后一种用的比较多的方法，通过热电偶来测量钢管温度，它实际上是一种能量转换器，它将热能转换为电能，用所产生的热电势测量温度。

现有技术的缺点：

1.对于传统的目测温度的方法，不能准确测温，很显然已经不适合工业生产，达不到工业生产的要求。

2.对于红外测温仪，对于它的影响主要是烟雾、钢管表面的瞬间氧化、测量空间的不确定性等因素的影响，可以说是对外界的抗干扰能力太差。

3.使用热电偶也存在这样一些缺陷，比如将热电偶产生的电压变换成精确的温度读数并不是一件轻松的事情，原因很多：电压信号太弱，温度电压关系呈非线性，需要参考结合点补偿，而且电偶可能引起接地问题。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种利用图像颜色测定钢管温度的方法。

一种利用图像颜色测定钢管温度的方法，包括以下步骤：A1、利用高清相机针对同一温度下的钢管进行拍照，得到N(10＜N＜20，可取中间值15)幅图像；A2、重复进行步骤A1对不同温度下的钢管进行拍照，得到大量图像；A3、针对所有图像，去噪后，利用图像边界处理算法得到图像中钢管的边界轮廓，边界内的区域A即为钢管；A4、对同一温度T下经过步骤A3处理后的不同图像中区域A进行颜色提取处理得到该温度T的代表色，得到温度T下颜色-温度对应关系；A5、对一幅待测温度的钢管，首先获取其一幅图像，利用步骤A3、A4所述方法得到其温度代表色C(R，G，B)，利用欧氏距离判定该代表色与关系数组R_C中哪种颜色更接近，将距离最小的那个图像对应的温度作为该图像中钢管的温度。

所述的方法，所述步骤A1中所述N值：10＜N＜20。

所述的方法，所述步骤A3中所述的边界处理算法：从一幅含钢管的图像提取颜色矩阵信息，对每一个像素点进行处理：若

则令R＝0，G＝0，B＝0；这样即可将图像中不是钢管的部分去掉，剩余部分即为钢管。

所述的方法，所述步骤A5中所述欧氏距离：

$\mathrm{dis}=\sqrt{|{(C\left(R\right)-C\_T_i\left(R\right))}^2+{(C\left(G\right)-C\_T_i\left(G\right))}^2+{(C\left(B\right)-C\_T_i\left(B\right))}^2|}(i=\mathrm{1,2},...,N)$

其中dis为两代表色间欧氏距离，C(R)，C(G)，C(B)分别为待测温度钢管图像的温度代表色，C_T为由训练图像得到的颜色-温度的关系数组。

采用上述方案，改进目前对于钢管温度测量方面的不足，对于温度的测量更加精确，而且比较容易操作、便捷，而且有很好的实时性。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

利用图像颜色测定钢管温度的方法，包括以下步骤：

A1、利用高清相机针对同一温度下的钢管进行拍照，得到N(10＜N＜20，可取中间值15)幅图像；

A2、重复进行步骤A1对不同温度(间隔一定温度)下的钢管进行拍照，得到大量图像；

A3、针对所有图像，去噪后，利用图像边界处理算法得到图像中钢管的边界轮廓，边界内的区域A即为钢管。

边界处理算法：从一幅含钢管的图像提取颜色矩阵信息，对每一个像素点进行处理：若

具体值根据工厂实际情况而定)，则令R＝0，G＝0，B＝0；这样即可将图像中不是钢管的部分去掉，剩余部分即为钢管。

A4、对同一温度T下经过步骤A3处理后的不同图像中区域A进行颜色提取处理得到代表色。具体做法：先对一幅图像内区域A选取代表色，由区域A提取各颜色信息，用数组array(R，G，B，α)存储，其中R，G，B分别为像素颜色中红，绿，蓝颜色灰度值，α为具有该颜色的像素点在区域A中所有像素点中所占百分比。对a值大于ε(ε＞10％，具体值由实际情况确定)的颜色求其平均值r、g、b：

$r=\frac{\mathrm{\Σ}(R_i*{\mathrm{\α}}_i)}{\mathrm{\Σ}{\mathrm{\α}}_i}>\mathrm{\ϵ}$ (R_i为满足α_i＞10％的颜色i的R分量)；该公式是由 $r=\frac{\mathrm{\Σ}(R_i*{\mathrm{\α}}_i*W)}{\mathrm{\Σ}({\mathrm{\α}}_i*W)}$ 简化而来，分子表示符合α_i＞ε的像素点颜色中红色分量灰度值总和，分母表示区域A中符合α_i＞ε的像素点数总和，W为区域中A像素点总数。

$g=\frac{\mathrm{\Σ}(G_i*{\mathrm{\α}}_i)}{\mathrm{\Σ}{\mathrm{\α}}_i}>\mathrm{\ϵ}$ (G_i为满足α_i＞10％的颜色i的G分量)；该公式是由 $g=\frac{\mathrm{\Σ}(G_i*{\mathrm{\α}}_i*W)}{\mathrm{\Σ}({\mathrm{\α}}_i*W)}$ 简化而来，分子表示符合α_i＞ε的像素点颜色中绿色分量灰度值总和，分母表示区域A中符合α_i＞ε的像素点数总和，W为区域A中像素点总数。

$b=\frac{\mathrm{\Σ}(B_i*{\mathrm{\α}}_i)}{\mathrm{\Σ}{\mathrm{\α}}_i}>\mathrm{\ϵ}$ (B_i为满足α_i＞10％的颜色i的B分量)；该公式是由 $b=\frac{\mathrm{\Σ}(B_i*{\mathrm{\α}}_i*W)}{\mathrm{\Σ}({\mathrm{\α}}_i*W)}$ 简化而来，分子表示符合α_i＞ε的像素点颜色中蓝色分量灰度值总和，分母表示区域A中符合α_i＞ε的像素点数总和，W为区域A中像素点总数。

即得到该图像中能代表该温度T的颜色Color_i(r，g，b)。

以同样的方法求该温度下其余N-1幅图像中能代表该温度的颜色Color_i(r，g，b)(i＝2，3，…，N)。对这些代表颜色求平均得到该温度的代表颜色(R，G，B)：

$R=\frac{{\mathrm{\Σ}}_{i=1}^{N}C{\mathrm{olor}}_i\left(R\right)}{N};$

$G=\frac{{\mathrm{\Σ}}_{i=1}^{N}C{\mathrm{olor}}_i\left(G\right)}{N};$

$B=\frac{{\mathrm{\Σ}}_{i=1}^{N}C{\mathrm{olor}}_i\left(B\right)}{N};$ (R，G，B即红、绿、蓝三基色灰度值)。

继而得到温度T下颜色-温度对应关系(R，G，B)-＞T，以同样的方法得到其余温度下颜色-温度对应关系，并将这些关系存储在关系数组C_T(R，G，B，T)中，也可绘制成颜色关系表。

例如：下表为对一批500℃-1400℃的图像训练之后得到的一个颜色-温度关系表(温度间隔范围还可进一步缩小)：

表1颜色-温度关系表

色序号	R	G	B	T(℃)
					1	248	217	182	500
2	252	223	175	600
					3	254	231	177	700

4	255	232	189	800
					5	255	240	191	900
6	255	245	193	1000
					7	255	250	208	1100
8	255	253	224	1200
					9	255	255	230	1300
10	255	255	240	1400

A5、对一幅待测温度的钢管，首先获取其一幅图像，利用步骤A3、A4所述方法得到其温度代表色C(R，G，B)，利用欧氏距离判定该代表色与关系数组C T(R，G，B，T)中哪种颜色更接近，将距离最小的那个图像对应的温度作为该图像中钢管的温度。其欧氏距离：

$\mathrm{dis}=\sqrt{|{(C\left(R\right)-C\_T_i\left(R\right))}^2+{(C\left(G\right)-C\_T_i\left(G\right))}^2+{(C\left(B\right)-C\_T_i\left(B\right))}^2|}(i=\mathrm{1,2},...,N)$

其中dis为两代表色间欧氏距离，C(R)，C(G)，C(B)分别为待测温度钢管图像的温度代表色，C_T为由训练图像得到的颜色-温度的关系数组。

例如，对一幅钢管图像经过上述处理之后得到其代表色为(255，249，189)，经计算得出该颜色与表1中各代表色距离分别为：

色序号	1	2	3	4	5	6	7	8	9	10
											dis	33.49	29.68	21.65	17	9.22	5.66	19.03	35.23	41.44	51.35

分析这些距离可知该待测温度钢管颜色与表1中5号颜色距离最小，故可将该钢管温度认定为900。

当然，训练图像中钢管温度范围间隔越小，所测得的钢管温度就越精确。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种利用图像颜色测定钢管温度的方法，其特征在于，包括以下步骤：A1、利用高清相机针对同一温度下的钢管进行拍照，得到N幅图像；A2、重复进行步骤A1对不同温度下的钢管进行拍照，得到大量图像；A3、针对所有图像，去噪后，利用图像边界处理算法得到图像中钢管的边界轮廓，边界内的区域A即为钢管；A4、对同一温度T下经过步骤A3处理后的不同图像中区域A进行颜色提取处理得到该温度T的代表色，得到温度T下颜色-温度对应关系，并将这些关系存储在关系数组C_T(R，G，B，T)中；A5、对一幅待测温度的钢管，首先获取其一幅图像，利用步骤A3、A4所述方法得到其温度代表色C(R，G，B)，利用欧氏距离判定该代表色与关系数组C_T(R，G，B，T)中哪种颜色更接近，将距离最小的那个图像对应的温度作为该图像中钢管的温度。

2.根据权利要求1所述的方法，其特征在于，所述步骤A1中所述N值：10＜N＜20。

3.根据权利要求1所述的方法，其特征在于，所述步骤A3中所述的边界处理算法：从一幅含钢管的图像提取颜色矩阵信息，对每一个像素点进行处理：若

则令R＝0，G＝0，B＝0；这样即可将图像中不是钢管的部分去掉，剩余部分即为钢管。

4.根据权利要求1所述的方法，其特征在于，所述步骤A5中所述欧氏距离：

$\mathrm{dis}=\sqrt{|{(C\left(R\right)-C\_T_i\left(R\right))}^2+{(C\left(G\right)-C\_T_i\left(G\right))}^2+{(C\left(B\right)-C\_T_i\left(B\right))}^2|}(i=\mathrm{1,2},...,N)$

其中dis为两代表色间欧氏距离，C(R)，C(G)，C(B)分别为待测温度钢管图像的温度代表色，C_T为由训练图像得到的颜色-温度的关系数组。