CN109541590B - 一种高炉料面点云成像的方法 - Google Patents

一种高炉料面点云成像的方法 Download PDF

Info

Publication number
CN109541590B
CN109541590B CN201811552344.8A CN201811552344A CN109541590B CN 109541590 B CN109541590 B CN 109541590B CN 201811552344 A CN201811552344 A CN 201811552344A CN 109541590 B CN109541590 B CN 109541590B
Authority
CN
China
Prior art keywords
point cloud
charge level
blast furnace
actual
radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811552344.8A
Other languages
English (en)
Other versions
CN109541590A (zh
Inventor
陈先中
吴江雪
王倩
侯庆文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201811552344.8A priority Critical patent/CN109541590B/zh
Publication of CN109541590A publication Critical patent/CN109541590A/zh
Application granted granted Critical
Publication of CN109541590B publication Critical patent/CN109541590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques

Abstract

本发明提供一种高炉料面点云成像的方法，能够提升高炉料线与料面的精确性、泛化性及实时性。所述方法包括：采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化。本发明涉及高炉料线雷达监测领域。

Description

一种高炉料面点云成像的方法
技术领域
本发明涉及高炉料线雷达监测领域，特别是指一种高炉料面点云成像的方法。
背景技术
高炉雷达的测量原理是利用微波扫描高炉料面，获取料面在生产过程中的实时信息，从而得到料面形态、料面的流态化程度。
但是，在实际应用中，由于高炉内部高温，高压，强气流裹挟大量颗粒物，包括内部的运动溜槽的干扰，以及其他十字测温等固定干扰，都会对获取的料面信息，造成巨大的干扰和信号失真，且料面表面具有非均匀流态化特性，传统信号处理方法受到环境和表面干扰，无法准确处理多种干扰下，不稳定、非均匀、流态化的料面回波低信噪比信号。
发明内容
本发明要解决的技术问题是提供一种高炉料面点云成像的方法，以解决现有技术所存在的高炉高温、高压、多粉尘特性与料面非均匀、流态化特性造成雷达信号信噪比低，难以处理的问题。
为解决上述技术问题，本发明实施例提供一种高炉料面点云成像的方法，包括：
采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；其中，雷达系统发出的雷达波能覆盖高炉径向料面各个区域；
根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；
根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；
根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化。
进一步地，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达系统的安装原则，在高炉炉顶布设相应雷达系统，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
进一步地，所述生成所述雷达回波信号的频谱点云矩阵包括：
对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵。
进一步地，所述对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵包括：
根据雷达间隙扫描回波信号的时序性，以每次扫描得到的一组覆盖高炉径向料面各个区域的雷达回波信号，形成一次计算的二维时域点云矩阵；
通过快速傅里叶变换将所述二维时域点云矩阵变换为二维频谱点云矩阵数据；
根据炉顶雷达与料面之间的距离，对所述二维频谱点云矩阵数据的低频区域置零，即进行频域截取，生成所述雷达回波信号的频谱点云矩阵。
进一步地，所述根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云包括：
根据代表料面点云频带与干扰频带之间的方差特性，滤除干扰，以分离料面与干扰频带；
对分离得到的料面点云频带进行自适应迭代阈值滤波，提取出包含料面形态特征与非均匀流态化特征的标志点云。
进一步地，迭代阈值的更新方法为：
选取频域最大值fmax、频域最小值fmin，初始化迭代阈值T0：
Figure GDA0002447600950000021
根据T0将距离宽带的频域信息分割成两个区域：R1和R2；
确定区域R1的均值u1、区域R2的均值u2：
Figure GDA0002447600950000031
其中，R1中包含N1个元素，R2中包含N2个元素，xi为区域R1中的第i个元素，yi为区域R2中的第i个元素；
计算新的迭代阈值
Figure GDA0002447600950000032
并求取迭代阈值差：△T＝|Tk-Tk+1|，判断△T是否小于预设的分割精度l；
若△T<l，则Tk+1为最佳阈值；否则，返回执行确定区域均值的步骤，直至满足△T<l，输出最佳迭代阈值。
进一步地，所述标志点云为标志点云矩阵；
所述根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云包括：
利用加权采样锐化标志点云峰脊，对标志点云矩阵行与列分别进行线性分区，双向逐区间求取点云能量峰值，将所获各区间点云能量峰值进行排序，根据峰值排序结果，以对高峰值区间密集采样，低峰值区间稀疏采样的原则，确定区间采样步长权重，实现聚焦边缘能量；
对聚焦边缘能量后的点云数据进行能量重心法取点，得到实际代表料面点云，其中，能量重心法表示为：
Figure GDA0002447600950000033
其中，kr表示功率谱最大值谱线；
Figure GDA0002447600950000034
表示第kr+i条功率谱线的能量，
Figure GDA0002447600950000035
为实际代表料面点云，n表示每次旋转扫描的数据点个数。
进一步地，所述根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面包括：
对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线；
根据所述实际代表料面点云重构料面点云曲面与光滑料面。
进一步地，所述对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线包括：
根据雷达测距系数，将实际代表料面点云数据转换为实际料面距离信息点云；
采用傅里叶级数的线性傅里叶拟合对所述实际料面距离信息点云进行曲线重构，生成实际料面线。
进一步地，所述根据所述实际代表料面点云重构料面点云曲面与光滑料面包括：
根据料面对称性，将实际代表料面点云，按炉心到炉壁方向，以代表炉心起始点云为圆心旋转一周，生成料面点云曲面；
采用曲面重构法，将料面点云曲面处理为光滑料面。
本发明的上述技术方案的有益效果如下：
上述方案中，采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；其中，雷达系统发出的雷达波能覆盖高炉径向料面各个区域；根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化；这样，提取料面的形态信息和流态化特征，作为代表料面特性的标志点云，能够为工长判断布料情况，判断内部的气流分布，提供辅助参考；且以点云形式重构实际料面线、料面点云曲面与光滑料面并可视化实际代表料面点云、实际料面线、料面点云曲面与光滑料面，能够提升高炉料线与料面的精确性、泛化性及实时性。
附图说明
图1为本发明实施例提供的高炉料面点云成像的方法的流程示意图；
图2为本发明实施例提供的理想信号频谱点云示意图；
图3为本发明实施例提供的低信噪比信号频谱点云示意图；
图4为本发明实施例提供的扇形空间下理想信号频谱点云示意图；
图5为本发明实施例提供的扇形空间下低信噪比信号频谱点云示意图；
图6为本发明实施例提供的在理想信号生成代表料面特性的标志点云示意图；
图7为本发明实施例提供的在低信噪比信号生成代表料面特性的标志点云示意图；
图8(a)为本发明实施例提供的对理想信号提取的料面线的拟合过程示意图；
图8(b)为本发明实施例提供的针对理想信号，生成的3D料面点云曲面示意图；
图8(c)为本发明实施例提供的针对理想信号，生成的3D光滑料面示意图；
图9(a)为本发明实施例提供的对低信噪比信号提取的料面线的拟合过程示意图；
图9(b)为本发明实施例提供的针对低信噪比信号，生成的3D料面点云曲面示意图；
图9(c)为本发明实施例提供的针对低信噪比信号，生成的3D光滑料面示意图；
图10为本发明实施例提供的高炉料面点云成像的方法与Single-Tone算法对料面距离估计性能比较示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的高炉高温、高压、多粉尘特性与料面非均匀、流态化特性造成雷达信号信噪比低，难以处理的问题，提供一种高炉料面点云成像的方法。
如图1所示，本发明实施例提供的高炉料面点云成像的方法，包括：
S101，采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；其中，雷达系统发出的雷达波能覆盖高炉径向料面各个区域；
S102，根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；
S103，根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；
S104，根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化。
本发明实施例所述的高炉料面点云成像的方法，采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；其中，雷达系统发出的雷达波能覆盖高炉径向料面各个区域；根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化；这样，提取料面的形态信息和流态化特征，作为代表料面特性的标志点云，能够为工长判断布料情况，判断内部的气流分布，提供辅助参考；且以点云形式重构实际料面线、料面点云曲面与光滑料面并可视化实际代表料面点云、实际料面线、料面点云曲面与光滑料面，能够提升高炉料线与料面的精确性、泛化性及实时性。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达系统的安装原则，在高炉炉顶布设相应雷达系统，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
本实施例中，基于遥感合成孔径雷达(Synthetic Aperture Radar，SAR)成像原理，设计了工业SAR扫描式雷达，多倍增加料面采样点密度，从而增加采样点云密度。
本实施例中，基于工业SAR扫描式雷达高倍密度采样，采集高炉现场雷达回波信号，具体步骤包括：待检测的高炉采用无钟式溜槽旋转布料方式，按照雷达系统的安装原则，在高炉炉顶布设相应雷达系统，满足高炉料面全覆盖，在高炉生产过程中连续实时采集雷达回波信号。
本实施例所述的高炉料面点云成像的方法不限于工业SAR雷达，对于单点雷达和多点雷达也同样适用。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述生成所述雷达回波信号的频谱点云矩阵包括：
对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵。
本实施例中，在增加采样点云密度的基础上，联合时序维度与空间维度，生成所述雷达回波信号的频谱点云矩阵。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵包括：
根据雷达间隙扫描回波信号的时序性，以每次扫描得到的一组覆盖高炉径向料面各个区域的雷达回波信号，形成一次计算的二维时域点云矩阵；
通过快速傅里叶变换将所述二维时域点云矩阵变换为二维频谱点云矩阵数据；
根据炉顶雷达与料面之间的距离，对所述二维频谱点云矩阵数据的低频区域置零，即进行频域截取，生成所述雷达回波信号的频谱点云矩阵，其中，低频区域代表二维频谱点云矩阵中前40行区间，一般是对应3.6米以内距离，约指频带1.483KHz以内的电磁波。
本实例中，根据布料操作信号指示，雷达沿炉壁向炉心扫描，得到一组覆盖高炉径向料面各个区域的雷达回波信号，形成一次计算的二维时域点云矩阵，通过快速傅里叶变换将二维时域点云矩阵变换为二维频谱点云矩阵数据；由于实际生产中，料面在固定区间上下升降，因此，根据炉顶雷达与料面之间的距离，对所述二维频谱点云矩阵数据的低频区域置零，即：进行频域截取，生成所述雷达回波信号的频谱点云矩阵；这样，有效截取后得到的频谱点云矩阵去除了部分低频干扰，图2、图3反映理想信号与低信噪比信号频谱点云图像中干扰信号与料面信号特性区别；图4、图5是根据旋转雷达扫描特性，将在笛卡尔坐标系下的频谱映射到真实扇形空间下的雷达信号反射率系数分布图。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云包括：
根据代表料面点云频带与干扰频带之间的方差特性，滤除干扰，以分离料面与干扰频带；
对分离得到的料面点云频带进行自适应迭代阈值滤波，提取出包含料面形态特征与非均匀流态化特征的标志点云。
本实施例中，根据频谱点云矩阵数据的强弱与分布状态，从图像处理角度，结合人工智能与图像分割方法，提出一种利用图像分割+人工智能领域中改进的迭代阈值方法(即:基于方差的迭代阈值法)，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；这样，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，能够智能分析高炉雷达料面回波信号中复杂的干扰信号特征、料面典型波动模糊的带状形状特征与非稳态粗糙流态化界面特征；提取的代表料面特性的标志点云，能够为工长判断布料情况，判断内部的气流分布，提供辅助参考。
本实施例中，所述根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云具体可以包括以下步骤：
A1，由于料面是一条波动的、模糊的，具有典型流态化特征的过渡带状曲线，干扰噪声则是均匀分布在整个时序区域，并且能量较低，两者频带具有明显的方差特性，料面所在信号频带方差较大，因此计算频谱点云矩阵每行数据方差均值，根据方差均值顺序，保留前50行较大方差均值的频谱点云数据，达到分离料面与干扰频带目的；具体步骤可以包括：
A11，确定频谱号为i的观测值
Figure GDA0002447600950000091
其中，Xi是频谱号为i的观测值，var(·)为方差计算，V是方差阈值；
A12，确定每个频谱带的方差均值，设经过步骤A11后，保留下宽带数目为k，每个宽带包含的频谱号数目是m(i)，i＝1,2,…,k，则方差均值可由向量KVAR(Xi)表示：
Figure GDA0002447600950000092
只保留方差均值较大的频谱宽带，滤除较强的干扰。
Figure GDA0002447600950000093
其中，KV表示方差均值阈值。
A2，对分离得到的料面点云带进行自适应迭代阈值滤波，滤除料面带中干扰物等背景信息，提取出包含料面形态特征与非均匀流态化特征的标志点云，分离出一条带状的料面回波信号区域，处理效果如图6、图7所示；其中，迭代阈值的更新方法为：
选取频域最大值fmax、频域最小值fmin，初始化迭代阈值T0：
Figure GDA0002447600950000094
根据T0将距离宽带的频域信息分割成两个区域：R1和R2；
确定区域R1的均值u1、区域R2的均值u2：
Figure GDA0002447600950000095
其中，R1中包含N1个元素，R2中包含N2个元素，xi为区域R1中的第i个元素，yi为区域R2中的第i个元素；
计算新的迭代阈值
Figure GDA0002447600950000096
并求取迭代阈值差：△T＝|Tk-Tk+1|，判断△T是否小于预设的分割精度l(例如，l＝0.1)；
若△T<l，则Tk+1为最佳阈值；否则，返回执行确定区域均值的步骤，直至满足△T<l，输出最佳迭代阈值。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述标志点云为标志点云矩阵；
所述根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云包括：
利用加权采样锐化标志点云峰脊，对标志点云矩阵行与列分别进行线性分区，双向逐区间求取点云能量峰值，将所获各区间点云能量峰值进行排序，根据峰值排序结果，以对高峰值区间密集采样，低峰值区间稀疏采样的原则，确定区间采样步长权重，实现聚焦边缘能量，其中，将大于预设阈值的峰值区间划分为高峰值区间，将小于等于预设阈值的峰值区间划分为低峰值区间，密集采样的采样频率大于预设的第一频率，稀疏采样的采样频率小于预设的第一频率；
对聚焦边缘能量后的点云数据进行能量重心法取点，得到实际代表料面点云，其中，能量重心法表示为：
Figure GDA0002447600950000101
其中，kr表示功率谱最大值谱线；
Figure GDA0002447600950000102
表示第kr+i条功率谱线的能量，
Figure GDA0002447600950000103
为实际代表料面点云，n表示每次旋转扫描的数据点个数。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面包括：
对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线；
根据所述实际代表料面点云重构料面点云曲面与光滑料面。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线包括：
根据雷达测距系数，将实际代表料面点云数据转换为实际料面距离信息点云；
采用傅里叶级数的线性傅里叶拟合(Fourier Linear Combiner，FLC)对所述实际料面距离信息点云进行曲线重构，生成实际料面线。
本实施例中，根据雷达测距系数，将基于加权采样的能量重心法提取的实际代表料面点云数据转换为实际料面距离信息点云；采用傅里叶级数的线性傅里叶拟合对所述实际料面距离信息点云进行曲线重构，生成实际料面线，如图8(a)、图9(a)所示。
本实施例中，从数理统计角度，设计了一种基于加权采样能量重心法的料线距离估计法，本实施例所述的料线距离估计法，优于传统寻峰法，能有效处理低信噪比信号，准确提取料面有效信息，同时料面距离频率估计精度更高，且相较其他料线距离估计方法，本实施例所述的基于加权采样能量重心法的估计误差更加接近克拉美罗下界(Cramer-RaoLower Bound，CRLB)。
在前述高炉料面点云成像的方法的具体实施方式中，进一步地，所述根据所述实际代表料面点云重构料面点云曲面与光滑料面包括：
根据料面对称性，将实际代表料面点云，按炉心到炉壁方向，以代表炉心起始点云为圆心旋转一周，生成料面点云曲面；
采用曲面重构法，将料面点云曲面处理为光滑料面。
本实施例中，所述对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化包括：
对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化，生成二维(2D)的实际代表料面点云和料面线图像，并生成三维(3D)的料面点云曲面和光滑料面图像，如图8(b)、图9(b)、图8(c)、图9(c)所示。
本实施例所述的高炉料面点云成像的方法，能够根据高炉现场布料信息，采集待检测的高炉现场的雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征的有效提取，生成代表料面特性的标志点云；根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化，生成2D实际代表料面点云、2D料面线图像、3D料面点云曲面和3D光滑料面图像，从而有效解决了高炉高温、高压、多粉尘等特性与料面非均匀、流态化特性造成雷达信号信噪比低，难以处理的问题，，在现有雷达技术状态下满足更高精度料面实际位置的判断，直观准确显示高炉料面状态，为布料操作提供了真实可靠的依据。
为了验证本实施例所述的高炉料面点云成像的方法对实测信号频率估计的有效性，选取Single-Tone算法进行比较，并与CRLB进行对比。Single-Tone算法是基于离散傅里叶变换从极大似然估计(Maximum Likelihood Estimate，MLE)和加权平均估计(Weightedaverage estimator，WAE)入手的频率估计方法。选取-5dB到5dB的高炉雷达料面回波信号，在每一个信噪比下用本实施例所述的高炉料面点云成像的方法与Single-Tone方法各对随机选取的100个实测信号进行相对均方跟误差计算。图10为不同信噪比下两个算法频率估计相对均方误差(RMSE)比较。由图10可知，从估计精度而言，本实施例所述的高炉料面点云成像的方法更接近CRLB，估计准确度较好。从算法稳定性分析，本实施例所述的高炉料面点云成像的方法频率估计RMSE随着信噪比增加逐步减小，逼近CRLB，而Single-Tone算法波动较大，因此，本实施例所述的高炉料面点云成像的方法提取料线性能更加真实可靠，运行更加稳定，鲁棒性强，抗噪性好。
上述实施例的结果表明：本实施例所述的高炉料面点云成像的方法在高炉恶劣环境下能够精确实时的对高炉料线进行连续监测，且方法性能在不同雷达、不同时刻均保持一致，泛化性能良好。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种高炉料面点云成像的方法，其特征在于，包括：
采集高炉现场雷达回波信号，生成所述雷达回波信号的频谱点云矩阵；其中，雷达系统发出的雷达波能覆盖高炉径向料面各个区域；
根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云；
根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云；
根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面，并对所述实际代表料面点云、实际料面线、料面点云曲面与光滑料面进行可视化。
2.根据权利要求1所述的高炉料面点云成像的方法，其特征在于，所述采集高炉现场雷达回波信号包括：
根据高炉采用的无钟式溜槽旋转布料方式及雷达系统的安装原则，在高炉炉顶布设相应雷达系统，满足高炉径向料面全覆盖；
在高炉生产过程中连续实时采集雷达回波信号。
3.根据权利要求1所述的高炉料面点云成像的方法，其特征在于，所述生成所述雷达回波信号的频谱点云矩阵包括：
对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵。
4.根据权利要求3所述的高炉料面点云成像的方法，其特征在于，所述对采集到的雷达回波信号进行时序展开、时频转变、频域先验截取，生成所述雷达回波信号的频谱点云矩阵包括：
根据雷达间隙扫描回波信号的时序性，以每次扫描得到的一组覆盖高炉径向料面各个区域的雷达回波信号，形成一次计算的二维时域点云矩阵；
通过快速傅里叶变换将所述二维时域点云矩阵变换为二维频谱点云矩阵数据；
根据炉顶雷达与料面之间的距离，对所述二维频谱点云矩阵数据的低频区域置零，即进行频域截取，生成所述雷达回波信号的频谱点云矩阵。
5.根据权利要求1所述的高炉料面点云成像的方法，其特征在于，所述根据频谱点云矩阵数据的强弱与分布状态，利用基于方差的迭代阈值法，对所述频谱点云矩阵进行料面的形态、流态化特征提取，生成代表料面特性的标志点云包括：
根据代表料面点云频带与干扰频带之间的方差特性，滤除干扰，以分离料面与干扰频带；
对分离得到的料面点云频带进行自适应迭代阈值滤波，提取出包含料面形态特征与非均匀流态化特征的标志点云。
6.根据权利要求5所述的高炉料面点云成像的方法，其特征在于，迭代阈值的更新方法为：
选取频域最大值fmax、频域最小值fmin，初始化迭代阈值T0：
Figure FDA0002447600940000021
根据T0将距离宽带的频域信息分割成两个区域：R1和R2；
确定区域R1的均值u1、区域R2的均值u2：
Figure FDA0002447600940000022
其中，R1中包含N1个元素，R2中包含N2个元素，xi为区域R1中的第i个元素，yi为区域R2中的第i个元素；
计算新的迭代阈值
Figure FDA0002447600940000023
并求取迭代阈值差：△T＝|Tk-Tk+1|，判断△T是否小于预设的分割精度l；
若△T<l，则Tk+1为最佳阈值；否则，返回执行确定区域均值的步骤，直至满足△T<l，输出最佳迭代阈值。
7.根据权利要求1所述的高炉料面点云成像的方法，其特征在于，所述标志点云为标志点云矩阵；
所述根据所述标志点云的数据分布，利用基于加权采样的能量重心法，锐化点云峰脊，提取实际代表料面点云包括：
利用加权采样锐化标志点云峰脊，对标志点云矩阵行与列分别进行线性分区，双向逐区间求取点云能量峰值，将所获各区间点云能量峰值进行排序，根据峰值排序结果，以对高峰值区间密集采样，低峰值区间稀疏采样的原则，确定区间采样步长权重，实现聚焦边缘能量；
对聚焦边缘能量后的点云数据进行能量重心法取点，得到实际代表料面点云，其中，能量重心法表示为：
Figure FDA0002447600940000031
其中，kr表示功率谱最大值谱线；Pkr+i表示第kr+i条功率谱线的能量，
Figure FDA0002447600940000032
为实际代表料面点云，n表示每次旋转扫描的数据点个数。
8.根据权利要求1所述的高炉料面点云成像的方法，其特征在于，所述根据提取的实际代表料面点云，重构实际料面线、料面点云曲面与光滑料面包括：
对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线；
根据所述实际代表料面点云重构料面点云曲面与光滑料面。
9.根据权利要求8所述的高炉料面点云成像的方法，其特征在于，所述对所述实际代表料面点云进行距离换算、曲线拟合，生成实际料面线包括：
根据雷达测距系数，将实际代表料面点云数据转换为实际料面距离信息点云；
采用傅里叶级数的线性傅里叶拟合对所述实际料面距离信息点云进行曲线重构，生成实际料面线。
10.根据权利要求8所述的高炉料面点云成像的方法，其特征在于，所述根据所述实际代表料面点云重构料面点云曲面与光滑料面包括：
根据料面对称性，将实际代表料面点云，按炉心到炉壁方向，以代表炉心起始点云为圆心旋转一周，生成料面点云曲面；
采用曲面重构法，将料面点云曲面处理为光滑料面。
CN201811552344.8A 2018-12-19 2018-12-19 一种高炉料面点云成像的方法 Active CN109541590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811552344.8A CN109541590B (zh) 2018-12-19 2018-12-19 一种高炉料面点云成像的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811552344.8A CN109541590B (zh) 2018-12-19 2018-12-19 一种高炉料面点云成像的方法

Publications (2)

Publication Number Publication Date
CN109541590A CN109541590A (zh) 2019-03-29
CN109541590B true CN109541590B (zh) 2020-07-10

Family

ID=65855914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811552344.8A Active CN109541590B (zh) 2018-12-19 2018-12-19 一种高炉料面点云成像的方法

Country Status (1)

Country Link
CN (1) CN109541590B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112384950A (zh) * 2019-06-12 2021-02-19 浙江大学 点云的编解码方法及装置
CN111475772B (zh) * 2020-03-27 2023-12-15 微梦创科网络科技（中国）有限公司 一种容量评估方法及装置
CN112946654B (zh) * 2021-01-27 2023-06-23 中国人民解放军国防科技大学 雷达滤除动态杂波的方法、装置、计算机系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101020933A (zh) * 2007-03-16 2007-08-22 北京科技大学 高炉料面形状动态立体监测系统及检测方法
CN102788977A (zh) * 2011-05-19 2012-11-21 中国科学院电子学研究所 基于l1/2正则化的合成孔径雷达成像方法
CN103376449A (zh) * 2012-04-11 2013-10-30 中国科学院电子学研究所 基于图形处理器的合成孔径雷达成像方法
CN104714230A (zh) * 2013-12-11 2015-06-17 中国科学院电子学研究所 稀疏合成孔径雷达多视成像方法
CN107783938A (zh) * 2017-09-01 2018-03-09 上海交通大学 一种旋转设备瞬时转速估计方法
CN108234897A (zh) * 2018-02-01 2018-06-29 北京集光通达科技股份有限公司 控制夜视系统的方法及装置、存储介质、处理器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007074687A1 (ja) * 2005-12-27 2007-07-05 Nittoh Kogaku K.K 画像処理装置
CN101698303B (zh) * 2009-09-11 2011-02-02 大连理工大学 一种三维激光和单目视觉间的自动标定方法
CN104063860A (zh) * 2014-06-12 2014-09-24 北京建筑大学 一种激光点云边缘精细化的方法
CN105678310B (zh) * 2016-02-03 2019-08-06 北京京东方多媒体科技有限公司 红外热图像轮廓提取方法及装置
CN107632961B (zh) * 2017-07-12 2020-12-01 天津大学 基于全相位谱分析的多频内插迭代频率估计方法及估计器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101020933A (zh) * 2007-03-16 2007-08-22 北京科技大学 高炉料面形状动态立体监测系统及检测方法
CN102788977A (zh) * 2011-05-19 2012-11-21 中国科学院电子学研究所 基于l1/2正则化的合成孔径雷达成像方法
CN103376449A (zh) * 2012-04-11 2013-10-30 中国科学院电子学研究所 基于图形处理器的合成孔径雷达成像方法
CN104714230A (zh) * 2013-12-11 2015-06-17 中国科学院电子学研究所 稀疏合成孔径雷达多视成像方法
CN107783938A (zh) * 2017-09-01 2018-03-09 上海交通大学 一种旋转设备瞬时转速估计方法
CN108234897A (zh) * 2018-02-01 2018-06-29 北京集光通达科技股份有限公司 控制夜视系统的方法及装置、存储介质、处理器

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improved Iteration Centroid Algorithm Based on Linear CCD Light-spot Location;Shengjin Tang，Zhaofa Zhou，Xiaosong Guo，Yongchao Xiao;《The Ninth International Conference on Electronic Measurement & Instruments》;20090816;4-438～4-440 *
Noise Influence on Frequency Estimation Accuracy from Energy Centrobaric Correction Method for Discrete Spectrum;Zheng Chun-song，Ding Kang，Yang Zhi-jian;《Proceedings of the 2009 IEEE International Conference on Information and Automation》;20090625;1477-1481 *
基于迭代阈值的太阳像分割算法的应用研究;邓林华，许骏，程向明;《计算机与现代化》;20101015(第182期);72-74 *
离散频谱能量重心法频率校正精度分析及改进;丁康，郑春松，杨志坚;《机械工程学报》;20100331;第46卷(第5期);43-48 *

Also Published As

Publication number Publication date
CN109541590A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109541590B (zh) 一种高炉料面点云成像的方法
WO2022016884A1 (zh) 一种基于K-means聚类算法的海面风速方法
KR101475382B1 (ko) 광학적 3차원 측량의 자기 적응 윈도우 푸리에 위상추출방법
CN111583214A (zh) 基于rbf神经网络的航海雷达图像反演海面风速方法
CN109001708B (zh) 基于分级积累检测的雷达机动目标快速精细化处理方法
CN105319537B (zh) 基于空间相关性的航海雷达同频干扰抑制方法
CN111190157A (zh) 一种ipix雷达回波数据时频分析方法及系统
CN110082842A (zh) 一种降水估测方法及装置
CN109324328B (zh) 提取降水时风廓线雷达垂直波束湍流谱的方法及装置
CN103954962B (zh) 一种基于压缩感知的isar成像脉冲估计算法
CN109856636B (zh) 曲线合成孔径雷达自适应三维成像方法
CN113514833B (zh) 一种基于海浪图像的海面任意点波向的反演方法
CN107526064A (zh) 基于二维特征的自适应lfm信号参数估计方法
CN111681272B (zh) 一种基于奇异性功率谱的sar图像处理方法
CN108389191B (zh) 一种sar图像中目标阴影区域的检测方法
CN116908854A (zh) 海浪谱分析法和基于Canny算子的雷达图像几何阴影统计法相结合的海浪参数反演方法
CN115236664A (zh) 一种航海雷达图像反演有效波高的方法
CN113406634B (zh) 一种基于时域相位匹配的空间高速自旋目标isar三维成像方法
CN114252878A (zh) 一种基于逆合成孔径雷达对运动目标进行成像及横向定标的方法
CN110161500B (zh) 一种基于Radon-Clean的改进圆周SAR三维成像方法
Schwarzer et al. Automated evaluation of Kikuchi patterns by means of Radon and fast Fourier transformation, and verification by an artificial neural network
CN109343063B (zh) 一种毫米波测云仪晴空回波自动识别方法及系统
CN111948648A (zh) 一种基于多频处理的稀疏基线三维成像高程解模糊方法
CN110187346B (zh) 一种复杂工况下地基sar粗差探测方法
CN110554367B (zh) 一种基于压缩感知的目标散射特性测量干扰去除方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant