CN107610124B - 一种炉口图像预处理方法 - Google Patents

Abstract

本发明提供一种炉口图像预处理方法，包括：采集炉口火焰图像，并去除所述炉口火焰图像四周的无效区域，获取初始ROI；对初始ROI进行检测，判断是否存在纵向贯穿性的无效区域；如存在纵向贯穿性无效区域，则将初始ROI切分为若干子图；将子图中的无效子图去除，获取精确提取ROI；本发明针对转炉工作现场的复杂光线情况，防火门、烟罩等对炉口区的遮挡带来的图像噪声问题，可以去除各类无关内容和干扰物，以获取到有效的ROI，能够明显提升转炉状态的识别准确率，具有易于实现，计算量小的有点，可以满足实时性处理的需求，保证深度学习模型中输入图像的有效性。

Description

一种炉口图像预处理方法

技术领域

本发明涉及图像处理领域，尤其涉及一种炉口图像预处理方法。

背景技术

转炉在吹炼过程很容易出现喷溅，其主要表现为炉口内有炉渣跳动、炉口外有炉渣与金属溢出或喷出。在实际生产过程中，操枪工会根据炉口区域观察到的转炉喷溅状态和各种吹炼参数进行综合评判，从而选择提升、降低氧枪枪位或者添加各类辅料。

转炉喷溅状态作为氧枪控制的关键参数，在自动化炼钢过程中有着举足若轻的作用。当前深度学习的兴起也为转炉喷溅状态的识别提供了强大工具，但是钢铁工业现场由于恶劣的空间环境和复杂的光线情况使获取图像存在大量的噪声，同时转炉外的防火门和烟罩也会对炉口区域形成严重的遮挡，所以如何消除图像中无关的信息，增强有关信息的可检测性和最大限度地简化数据是图像分类的基础。

然而，目前还没有针对转炉炉口图像处理的行之有效的方法，所以亟需一种新的技术手段，能够去除各类无关内容和干扰物，以获取到有效的ROI(region of interest，感兴趣区域)，保证深度学习模型中输入图像的有效性。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种炉口图像预处理方法，以解决上述技术问题。

本发明提供的炉口图像预处理方法，包括：

采集炉口火焰图像，并去除所述炉口火焰图像四周的无效区域，获取初始ROI；

对初始ROI进行检测，判断是否存在纵向贯穿性的无效区域；

如存在纵向贯穿性无效区域，则将初始ROI切分为若干子图；

将子图中的无效子图去除，获取精确提取ROI。

进一步，将炉口火焰图像转换为灰度图，并通过灰度矩阵表示，将所述灰度矩阵转换为布尔矩阵，根据所述布尔矩阵获取炉口火焰图像四周的无效区域。

进一步，通过m行n列的灰度矩阵表示灰度图，预先设置灰度阈值，将灰度矩阵中的数值与灰度阈值进行比较，获取m行n列的布尔矩阵，提取炉口火焰图像的边界矩形区域，根据边界矩形区域中布尔矩阵的数组的数值状态，检测炉口火焰图像四周的无效区域。

进一步，用m个元素的一维数组Rv表示行状态，用n个元素的一维数组Cv表示列状态，

如果Rv中顺序连续出现RL个1时的索引值为P1，则初始ROI的上边界Pup＝P1-RL+1，RL为正整数，P1、Pup为自然数；

如果Rv中倒序连续出现RR个1时的索引值为P2，则初始ROI下边界Pdown＝P2+RR-1，RR为正整数，P2、Pdown为自然数；

如果Cv中顺序连续出现CL个1时的索引值为P3，则初始ROI左边界Pleft＝P3-CL+1,CL为正整数，P3、Pleft为自然数；

如果Cv中倒序连续出现CR个1时的索引值为P4，则初始ROI右边界Pright＝P4+CR-1,CR为正整数，P4、Pdown为自然数；

根据Pup、Pdown、Pleft、Pright四个边界形成的矩形区域,获取初始ROI。

进一步，通过数组Cv在索引值范围Pleft、Pright间是否存在0，判断是否存在纵向贯穿性的无效区域。

进一步，获取数组Cv在索引值Pleft、Pright间值为1的连续区间，其中，Si为第i个连续区间的开始索引值，Ei为第i个连续区间的结束索引值，i为自然数；

根据炉口火焰图像中截取Pup、Pdown、Si、Ei为边界形成的矩形区域生成子图Pi。

进一步，预先设置子图宽度阈值和轮廓占比阈值；

计算子图的宽度，如果宽度小于子图宽度阈值则去除该子图；

根据灰度阈值对去除宽度小于子图宽度阈值后的剩余各子图Pi进行轮廓提取，并根据轮廓面积进行排序；

如果子图轮廓面积除以最大轮廓面积小于轮廓占比阈值，则去除该子图。

进一步，根据子图Pi获取最大轮廓的最大包络多边形；

获取所述最大最大包络多边形的最大内接矩形；

截取最大内接矩形区域内的图像，并将所述图像作为精确提取ROI。

进一步，在采集炉口火焰图像前还包括：调整图像采集装置的焦距，使图像中炉口区域占满水平方向，且炉口位于图像竖直方向的中心位置。

本发明的有益效果：本发明中的炉口图像预处理方法，通过对初始ROI进行检测，如存在纵向贯穿性无效区域，则将初始ROI切分为若干子图，再将子图中的无效子图去除，获取精确提取ROI，本发明针对转炉工作现场的复杂光线情况，防火门、烟罩等对炉口区的遮挡带来的图像噪声问题，可以去除各类无关内容和干扰物，以获取到有效的ROI，能够明显提升转炉状态的识别准确率，具有易于实现，计算量小的有点，可以满足实时性处理的需求，保证深度学习模型中输入图像的有效性。

附图说明

图1是本发明实施例中的炉口图像预处理方法的原理示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本实施例中的炉口图像预处理方法，包括：

采集炉口火焰图像，并去除所述炉口火焰图像四周的无效区域，获取初始ROI；

对初始ROI进行检测，判断是否存在纵向贯穿性的无效区域；

如存在纵向贯穿性无效区域，则将初始ROI切分为若干子图；

将子图中的无效子图去除，获取精确提取ROI。

在本实施例中，由于炉口位置处亮度很强，转炉炉口图像在采集时为了能够清楚炉口内部的情况，需要将图像采集装置的曝光时间设置得较短，所以拍摄得到的图像四周几乎都是黑色的无效区域，当发生喷溅或大团火焰冒出时，黑色区域会相对减少。为了初步去除图像四周的无效区域，采用四周向中间搜索的策略。本实施例中的炉口火焰图像包括完整的炉口区域，在图像采集前先调整图像采集装置的焦距，使炉口区域在水平方向上能占满整张图像，竖直方向上炉口位于中心位置，炉口图像宽度为BofW像素。

在本实施例中，先将炉口火焰图像转换成灰度图，用m行n列的灰度矩阵表示，通过大于灰度阈值Lg将灰度矩阵转换成m行n列布尔矩阵，m、n为正整数；通过m行n列的灰度矩阵表示灰度图，将灰度矩阵中的数值与灰度阈值进行比较，获取m行n列的布尔矩阵，提取炉口火焰图像的边界矩形区域，根据边界矩形区域中布尔矩阵的数组的数值状态，检测炉口火焰图像四周的无效区域，通过判断布尔矩阵每行(列)中是否全为False，用m个元素的一维数组Rv表示行状态，n个元素的一维数组Cv表示列状态，Rv和Cv中0值表示此行(列)全为False，1表示此行(列)不全为False。

用m个元素的一维数组Rv表示行状态，用n个元素的一维数组Cv表示列状态，

如果Rv中顺序连续出现RL个1时的索引值为P1，则初始ROI的上边界Pup＝P1-RL+1，RL为正整数，P1、Pup为自然数；

如果Rv中倒序连续出现RR个1时的索引值为P2，则初始ROI下边界Pdown＝P2+RR-1，RR为正整数，P2、Pdown为自然数；

如果Cv中顺序连续出现CL个1时的索引值为P3，则初始ROI左边界Pleft＝P3-CL+1,CL为正整数，P3、Pleft为自然数；

如果Cv中倒序连续出现CR个1时的索引值为P4，则初始ROI右边界Pright＝P4+CR-1,CR为正整数，P4、Pdown为自然数。

从原始图像中截取Pup、Pdown、Pleft、Pright四个边界形成的矩形区域，作为初始ROI。Lg取15，RL取BofW/24，RR取BofW/48，CL取BofW/12，CR取BofW/12，RL、RR、CL、CR计算时采用四舍五入得到。优选地，在本实施例中，BofW为1200，Lg取15，RL取,50，RR取25，CL取100，CR取100。

在本实施例中，炉口外的防火门会对图像形成大量的遮挡，这些遮挡部分会对转炉状态的判断带来影响，通过判断数组Cv在索引值范围Pleft、Pright间是否有0值即可确定纵向贯穿性无效区域，如存在纵向贯穿性无效区域则将初始ROI切分成若干子图。

在本实施例中，将纵向贯穿性无效区域去除以后，初始的ROI会被分割成若干子图：

求解数组Cv在索引值Pleft、Pright间值为1的连续区间，Si为第i个连续区间的开始索引值，Ei为第i个连续区间的结束索引值，i为自然数；

从原始图像中截取Pup、Pdown、Si、Ei为边界形成的矩形区域生成子图Pi。

子图尺寸太小则包含的内容信息太少，无法进行分析；同时上述步骤中无法去除的干扰物依然可能存在，也需要按照一定的规则来去除，详细规则如下：

预先设置子图宽度阈值Lw和轮廓占比阈值La；

计算子图的宽度，如果宽度小于Lw则去除该子图；

根据灰度阈值Lg对剩余各子图Pi进行轮廓提取，然后对依据轮廓面积进行排序，如果子图轮廓面积除以最大轮廓面积之商小于轮廓占比阈值，则去除改子图。Lw取BofW/12，Lw为正整数，计算时采用四舍五入得到，优选地，本实施例中Lw取100；La取0.3。

在本实施例中，针对有效的子图，由于防火门造成的遮挡并不完全竖直，在上面的步骤中无法完全去除，通过对轮廓边缘有效区域的进一步识别，可去除更多的干扰，具体操作步骤如下所示：

求解子图中最大轮廓的最大包络多边形；

计算最大包络多边形的各边斜率、各边中点距离子图左右边界的距离，斜率在±60度内，且距离左右边界分别最近的两边为子图的左右边界线；

求解子图在左右边界范围内的最大内接矩形，该内接矩形各边为水平或竖直方向；

从子图中截取最大内接矩形区域内的图像，并将所述图像作为精确提取ROI。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种炉口图像预处理方法，其特征在于，包括：

采集炉口火焰图像，并去炉口火焰图像四周的无效区域，获取初始ROI；

对初始ROI进行检测，判断是否存在纵向贯穿性的无效区域；

如存在纵向贯穿性无效区域，则将初始ROI切分为若干子图；

去除子图中的无效子图，获取精确提取ROI；

将炉口火焰图像转换为灰度图，并通过灰度矩阵表示，再将所述灰度矩阵转换为布尔矩阵，根据所述布尔矩阵获取炉口火焰图像四周的无效区域；

根据边界矩形区域中布尔矩阵的数组的数值状态，检测炉口火焰图像四周的无效区域；

在布尔矩阵中，通过m个元素的一维数组Rv表示行状态，n个元素的一维数组Cv表示列状态，

如果Rv中顺序连续出现RL个1时的索引值为P1，则初始ROI的上边界Pup＝P1-RL+1，RL为正整数，P1、Pup为自然数；

如果Rv中倒序连续出现RR个1时的索引值为P2，则初始ROI下边界Pdown＝P2+RR-1，RR为正整数，P2、Pdown为自然数；

如果Cv中顺序连续出现CL个1时的索引值为P3，则初始ROI左边界Pleft＝P3-CL+1,CL为正整数，P3、Pleft为自然数；

如果Cv中倒序连续出现CR个1时的索引值为P4，则初始ROI右边界Pright＝P4+CR-1,CR为正整数，P4、Pdown为自然数；

根据Pup、Pdown、Pleft、Pright四个边界形成的矩形区域,获取初始ROI。

2.根据权利要求1所述的炉口图像预处理方法，其特征在于：通过m行n列的灰度矩阵表示灰度图，预先设置灰度阈值，将灰度矩阵中的数值与灰度阈值进行比较，获取m行n列的布尔矩阵，提取炉口火焰图像的边界矩形区域。

3.根据权利要求1所述的炉口图像预处理方法，其特征在于：通过数组Cv在索引值范围Pleft、Pright间的数值状态，判断是否存在纵向贯穿性的无效区域。

4.根据权利要求1所述的炉口图像预处理方法，其特征在于：

获取数组Cv在索引值Pleft、Pright间数值为1的连续区间，其中，Si为第i个连续区间的开始索引值，Ei为第i个连续区间的结束索引值，i为自然数；

根据炉口火焰图像中截取Pup、Pdown、Si、Ei为边界形成的矩形区域生成子图。

5.根据权利要求4所述的炉口图像预处理方法，其特征在于：

预先设置子图宽度阈值和轮廓占比阈值；

计算每个子图的宽度，去除宽度小于子图宽度阈值的子图；

根据灰度阈值对剩余各子图进行轮廓提取，并根据轮廓面积进行排序；

如果子图轮廓面积除以最大轮廓面积小于轮廓占比阈值，则去除该子图。

6.根据权利要求5所述的炉口图像预处理方法，其特征在于：

根据子图Pi获取最大轮廓的最大包络多边形；

获取所述最大包络多边形的最大内接矩形；

截取最大内接矩形区域内的图像，并将所述图像作为精确提取ROI。

7.根据权利要求1所述的炉口图像预处理方法，其特征在于，在采集炉口火焰图像前还包括：调整图像采集装置的焦距，使图像中炉口区域占满水平方向，且炉口位于图像竖直方向的中心位置。

Images