CN110595397A - 一种基于图像识别的篦冷机工况监测方法 - Google Patents

一种基于图像识别的篦冷机工况监测方法 Download PDF

Info

Publication number
CN110595397A
CN110595397A CN201910960154.8A CN201910960154A CN110595397A CN 110595397 A CN110595397 A CN 110595397A CN 201910960154 A CN201910960154 A CN 201910960154A CN 110595397 A CN110595397 A CN 110595397A
Authority
CN
China
Prior art keywords
grate cooler
image
boiling
working condition
grate
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.)
Pending
Application number
CN201910960154.8A
Other languages
English (en)
Inventor
张成伟
李安平
张炎
刘林
王磊
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.)
Nanjing Kisen International Engineering Co Ltd
Original Assignee
Nanjing Kisen International Engineering Co Ltd
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 Nanjing Kisen International Engineering Co Ltd filed Critical Nanjing Kisen International Engineering Co Ltd
Priority to CN201910960154.8A priority Critical patent/CN110595397A/zh
Publication of CN110595397A publication Critical patent/CN110595397A/zh
Priority to PCT/CN2020/088898 priority patent/WO2021068497A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/028—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring lateral position of a boundary of the object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0691—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of objects while moving
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
    • G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像识别的篦冷机工况监测方法，包括，S1：硬件调试的步骤；S2：相机标定的步骤；S3：图像数据预处理的步骤；S4：边缘厚度计算的步骤；S5：沸腾面积计算的步骤。本发明解决了使用篦冷机篦速间接估计料层厚度造成的误差，以及实现沸腾面积动态测量的功能。利用该发明直接测量出篦冷机内料层的厚度与沸腾状态，将测量值传递给专家智能控制系统，由专家智能控制系统结合机器学习算法分析计算实施篦速控制。这样能够完全避免间接量因无法检测实际与篦冷机实际工况不匹配而造成的篦冷机运行不稳定问题，提高水泥熟料的余热利用率，减少能源浪费，并提高系统产量和质量。

Description

一种基于图像识别的篦冷机工况监测方法
技术领域
本发明涉及水泥生产工艺技术领域，特别是一种基于图像识别的篦冷机工况监测方法。
背景技术
篦冷机是水泥生产过程中的关键设备，其主要功能是对窑内煅烧后的高温熟料进行冷却、输送，同时为回转窑以及分解炉等提供热空气。
篦冷机料层的厚度对篦冷机设备至关重要，料层太薄，则冷却风通过料层的时间太短，传热效率不高；料层太厚，会影响料床的透气性，进而出现局部喷发状的吹透，使冷却风都从喷发位置吹走，换热效率也会降低。因此篦冷机的控制，最重要的是要提高篦冷机料层厚度的稳定性，使其处于尽量厚且篦床整体处于一个沸腾的状态。料层厚度是靠篦速来调节的，篦速提高，更多的熟料被推出篦冷机，料层厚度就会下降；反之，篦速下降，篦冷机上堆积的熟料会增加，料层厚度会升高。
截止目前，因为没有直接检测料层及沸腾状态的手段，所以如何判断合适的料层及如何保持合适的料层一直是篦冷机优化的难点。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述篦冷机优化中存在的问题，提出了本发明。
因此，本发明其中的一个目的是提供一种基于图像识别的篦冷机工况监测方法，其主要基于图像识别的方法，动态测量篦冷机料层厚度、沸腾区域面积，并建立与篦速、篦下压力、二次风温优化控制模型，从而实现面向生产过程的篦冷机优化控制效果。
为解决上述技术问题，本发明提供如下技术方案：一种基于图像识别的篦冷机工况监测方法，其包括：S1：硬件调试的步骤；S2：相机标定的步骤；S3：图像数据预处理的步骤；S4：边缘厚度计算的步骤；S5：沸腾面积计算的步骤。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述步骤S1包括，S11：高温防护镜头与篦冷机连接；S12：高温防护镜头与工业相机连接、固定；S13：工业相机与生产监控服务器连接；S14：调试拍摄角度。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述工业相机上设置有RJ45网口，并通过超六类网线连接生产监控服务器，接入生产视频。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述步骤S2包括，S21：使用步骤S1中设置的工业相机，按照篦冷机实际生产环境中的距离、角度、焦距拍摄棋盘格图像；S22：获取用于标定的三维点和与其对应的图像上的二维点对；S23：输入真实世界的每一组三维点，其对应的图像点坐标进行标定；S24：测量棋盘格图上角点的欧几里得距离，除以对应棋盘格的真实距离，得到多个“每度量像素”值，取均值得到平均“每度量像素”；S25：计算每个棋盘格像素面积，除以对应棋盘格的真实面积，得到多个“每度量像素”面积，取均值得到平均“每度量像素面积”。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述步骤S3包括，S31：按照步骤S1中所述篦冷机内窥的方式，将带有高温防护镜头的工业相机重新放回到篦冷机中，采集篦冷机正常工作下的视频，提取并保存多帧图像；S32：使用暗通道先验去雾算法去除由于篦冷机内部飞沙引起的雾化效应；S33：对去雾化后的图片进行灰度化处理，得到灰度直方图；S34：对图片进行伽马矫正，压缩灰度两级化部分，让图像从暴光强度的线性响应变得更接近人眼感受的响应；S35：将灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述步骤S4包括，S41：在视频图像中划定一条参考线，要求此参考线高于料层最高边缘，低于篦冷机箱体顶部；S42：计算图中该参考线距篦冷机底部的像素距离；S43：取出步骤S3处理过的多张图片，尝试多种边缘检测算子识别料层边缘，并输出边缘识别效果图；S44：比较边缘识别界线，选择界线最清晰的一种边缘检测算子，调试该种算子的参数阈值，使得边缘识别更加明显；S45：使用参考线距篦冷机底部的像素距离减去边缘识别界线到参考线的平均像素距离，得到料层厚度像素距离，乘以步骤S2得到的平均“每度量像素”，返回料层厚度真实距离。
作为本发明所述基于图像识别的篦冷机工况监测方法的一种优选方案，其中：所述步骤S5包括，S51：统计监控视频中斑块面积大小的阈值；S52：检测冒泡火星状沸腾斑块，调整参数，使得监测出的斑块吻合于视频中观察到的冒泡火星状沸腾斑块；S53：检测黑色团雾状沸腾斑块，调整参数，使得监测出的斑块吻合于视频中观察到的黑色团雾状沸腾斑块；S54：画定ROI检测区域，合并冒泡火星状沸腾斑块和黑色团雾状沸腾斑块像素面积，乘以步骤S2 得到的“每度量像素面积”，返回沸腾区域真实面积。
本发明的有益效果：本发明解决了使用篦冷机篦速间接估计料层厚度造成的误差，以及实现沸腾面积动态测量的功能。利用该发明直接测量出篦冷机内料层的厚度与沸腾状态，将测量值传递给专家智能控制系统，由专家智能控制系统(模型预测控制算法、模糊控制算法)结合机器学习算法(神经网络、支持向量机等)分析计算实施篦速控制。这样能够完全避免间接量因无法检测实际与篦冷机实际工况不匹配而造成的篦冷机运行不稳定问题，提高水泥熟料的余热利用率，减少能源浪费，并提高系统产量和质量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明从监控视频中提取的一帧视频，左半边为原始图像，右半边为去雾化后的效果。
图2为本发明图像经过灰度转换、伽马矫正及直方图均衡化后的效果图。
图3为本发明测量的边缘厚度示意图。
图4为本发明测量的沸腾面积示意图。
图5为本发明系统的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
参照图1～5，为本发明第一个实施例，该实施例提供了一种基于图像识别的篦冷机工况监测方法，该方法应用了针对篦冷机的高温视频图像采集技术、基于Python环境的OpenCV开源图像算法库的篦冷机监控视频图像预处理、图像标定、边缘检测、斑块检测多种技术手段。本发明所述基于图像识别的篦冷机工况监测方法主要基于图像识别的方法，动态测量篦冷机料层厚度、沸腾区域面积，从而实现面向生产过程的篦冷机优化控制效果，提高系统热利用率，减少能源浪费和质量波动。
该方法包括如下步骤：S1：硬件调试与视频数据采集。将组装好的高温防护镜头安装在篦冷机箱体侧边并固定，同时高温防护镜头与工业相机连接并固定，工业相机通过超六类网线与生产监控服务器连接，调试相机、镜头模组得到最佳拍摄角度；S2：标定相机位置。返回内参数矩阵、畸变系数、平均“每度量像素”、平均“每度量像素面积”；S3：图像数据预处理。基于步骤S2 的标定结果，对采集的图像进行畸变校正，去除图片雾化效应，之后进行图像灰度转换、伽马校正，最后进行直方图均衡化；S4：边缘厚度计算。在监测视频中划定参考线，选择边缘检测算子，调整参数阈值，计算料层边缘到参考线的距离，得到料层厚度；S5：沸腾面积计算。参照篦冷机的实际沸腾工况，将沸腾状态定义为黑色区域内冒红色火星，和红河区域内升起黑色团雾，分别选择斑块检测的算子，调整参数阈值，实时测量沸腾区域面积，输出ROI区域内的检测值。
具体的，上述步骤S1～S5中的各个步骤具体过程如下：
S1：硬件调试与视频数据采集。选用高温防护镜头替代普通相机镜头。高温防护镜头为圆柱状细长杆，长杆通过篦冷机侧边开孔伸入篦冷机(即篦冷机内窥的方式)，长杆顶部固定有方形铁片，铁片四角开孔，通过螺栓固定在篦冷机上。高温防护镜头和工业相机通过CS标准螺纹接口连接，使用定制金属支架固定高温防护镜头和工业相机，支架一端卡在高温防护镜头凹槽，另一端与工业相机连接。由于工业相机本身预留与底部支架连接的螺孔，因而使用螺母及垫片即可固定住工业相机与定制金属支架。工业相机侧边预留RJ45网口，通过超六类网线连接生产监控服务器，接入生产视频。在篦冷机停机状态下，现场上、下、左、右调整镜头角度，正、反方向旋转CS螺纹接口调整相机焦距，确认合适后取下。
S2：标定相机位置。使用步骤S1中调整好的相机，按照篦冷机实际生产环境中的距离、角度、焦距拍摄10*7的棋盘格图像，每个方格边长是20mm，即含有9*6的内部角点。将图像载入到python环境中，使用OpenCV库的 cv2.findChessboardCorners函数，输入图片及对应的棋盘格数(10*7)，返回图片对应的角点位置。接着，使用cv2.cornerSubPix函数得到更为准确的角点像素(亚像素)坐标，以上步骤得到了用于标定的三维点和与其对应的图像上的二维点对。使用cv2.calibrateCamera函数，输入真实世界的每一组三维点，其对应的图像点坐标进行标定。并返回标定结果：相机的内参数矩阵、畸变系数、旋转矩阵和平移向量。使用python scipy spatial引入distance函数测量棋盘格图上角点的欧几里得距离，除以对应棋盘格的真实距离，得到多个“每度量像素”值，取均值得到平均“每度量像素”。在本例中每度量像素对应800mm实际长度。进一步的，计算每个棋盘格像素面积，除以对应棋盘格的真实面积，得到多个“每度量像素”面积，取均值得到“平均每度量像素面积”。在本例中每单元像素面积对应6400mm2实际面积
S3：图像数据预处理。将高温防护镜头和工业相机重新放回到篦冷机中，采集篦冷机正常工作下的视频，提取并保存多帧图像。使用cv2.undistort函数，输入步骤S2得到的内参数矩阵和畸变系数对图像进畸变矫正。使用暗通道先验去雾算法去除由于篦冷机内部飞沙引起的雾化效应。使用cv2.cvtColor函数对去雾化后的图片进行灰度化处理，得到灰度图，如图2所示。由于篦冷机内部物料随着篦床的推移由热料沸腾发光到冷却料凝结变黑，造成相机曝光或者曝光不足的问题，因此需要对图片进行伽马矫正，压缩灰度两级化部分，让图像从暴光强度的线性响应变得更接近人眼感受的响应。同时，由于原始图像中沸腾点与周边状态差别不明显，使用cv2.equalizeHis函数将其灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。通过此种方法，使得图像中各个区域灰度值区分较为明显，便于接下来沸腾点识别和边缘识别。
S4：边缘厚度计算。在视频图像中划定一条参考线，要求此参考线高于料层最高边缘，低于篦冷机箱体顶部。使用distance函数计算图中该参考线距篦冷机底部的像素距离。取出步骤S3处理过的多张图片，使用cv2.imread函数载入到python环境中，尝试多种边缘检测算子：Roberts、Sobel、Prewitt、Laplacian、 Log、Canny识别料层边缘，本案例中最终选择Canny算子，颜色变化选择从白色到黑色，阈值取10，按照峰值点选点，识别出的边缘线使用7个单位的绿波长度，得到图像分割边缘，使用cv2.imshow输出边缘识别效果图，如图3中曲线所示。使用参考线距篦冷机底部的像素距离减去边缘识别界线到参考线的平均像素距离，得到料层厚度像素距离，乘以步骤2得到的平均“每度量像素”，返回料层厚度真实距离，1741.2mm。
S5：沸腾面积计算。基于局部极值的分水岭算法进行斑点检测，首先统计监控视频中斑块面积大小的阈值(平均最大值0.78125、平均最小值0.15625)，使用cv2.SimpleBlobDetector函数检测冒泡火星状沸腾斑块，该斑块由于转成灰度图后该呈现白色状，因此在SimpleBlobDetector函数的参数中设置 filterByColor＝1，且blobColor＝1，选择白色的blobs。设置filterByArea＝1，对应的minArea:0.15625和maxArea:0.78125。调整低阈值minthreshold:5、高阈值 maxthreshold:100、阈值步进thresholdStep:5、blob分块最小距离 minDistanceBetweenBlob:20。
同理，对于黑色团雾状沸腾斑块，在SimpleBlobDetector函数的参数中设置filterByColor＝1，且blobColor＝0，去选择黑色的blobs。调整低阈值 minthreshold:10、高阈值maxthreshold:80、阈值步进thresholdStep:5、blob分块最小距离minDistanceBetweenBlob:20。
用户画定ROI检测区域，合并冒泡火星状沸腾斑块和黑色团雾状沸腾斑块像素面积，乘以步骤2得到的“每度量像素面积”，返回沸腾区域真实面积。本例中为3336.4mm2。
综上所述，本发明解决了使用篦冷机篦速间接估计料层厚度造成的误差，以及实现沸腾面积动态测量的功能。利用该发明直接测量出篦冷机内料层的厚度与沸腾状态，将测量值传递给专家智能控制系统，由专家智能控制系统(模型预测控制算法、模糊控制算法)结合机器学习算法(神经网络、支持向量机等)分析计算实施篦速控制。这样能够完全避免间接量因无法检测实际与篦冷机实际工况不匹配而造成的篦冷机运行不稳定问题，提高水泥熟料的余热利用率，减少能源浪费，并提高系统产量和质量。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于图像识别的篦冷机工况监测方法，其特征在于：包括，
S1：硬件调试的步骤；
S2：相机标定的步骤；
S3：图像数据预处理的步骤；
S4：边缘厚度计算的步骤；
S5：沸腾面积计算的步骤。
2.如权利要求1所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述步骤S1包括：
S11：高温防护镜头与篦冷机连接；
S12：高温防护镜头与工业相机连接、固定；
S13：工业相机与生产监控服务器连接；
S14：调试拍摄角度。
3.如权利要求1所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述工业相机上设置有RJ45网口，并通过超六类网线连接生产监控服务器，接入生产视频。
4.如权利要求2或3所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述步骤S2包括：
S21：使用步骤S1中设置的工业相机，按照篦冷机实际生产环境中的距离、角度、焦距拍摄棋盘格图像；
S22：获取用于标定的三维点和与其对应的图像上的二维点对；
S23：输入真实世界的每一组三维点，其对应的图像点坐标进行标定；
S24：测量棋盘格图上角点的欧几里得距离，除以对应棋盘格的真实距离，得到多个“每度量像素”值，取均值得到平均“每度量像素”；
S25：计算每个棋盘格像素面积，除以对应棋盘格的真实面积，得到多个“每度量像素”面积，取均值得到平均“每度量像素面积”。
5.如权利要求4所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述步骤S3包括：
S31：按照步骤S1中所述篦冷机内窥的方式，将带有高温防护镜头的工业相机重新放回到篦冷机中，采集篦冷机正常工作下的视频，提取并保存多帧图像；
S32：使用暗通道先验去雾算法去除由于篦冷机内部飞沙引起的雾化效应；
S33：对去雾化后的图片进行灰度化处理，得到灰度直方图；
S34：对图片进行伽马矫正，压缩灰度两级化部分，让图像从暴光强度的线性响应变得更接近人眼感受的响应；
S35：将灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。
6.如权利要求5所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述步骤S4包括：
S41：在视频图像中划定一条参考线，要求此参考线高于料层最高边缘，低于篦冷机箱体顶部；
S42：计算图中该参考线距篦冷机底部的像素距离；
S43：取出步骤S3处理过的多张图片，尝试多种边缘检测算子识别料层边缘，并输出边缘识别效果图；
S44：比较边缘识别界线，选择界线最清晰的一种边缘检测算子，调试该种算子的参数阈值，使得边缘识别更加明显；
S45：使用参考线距篦冷机底部的像素距离减去边缘识别界线到参考线的平均像素距离，得到料层厚度像素距离，乘以步骤S2得到的平均“每度量像素”，返回料层厚度真实距离。
7.如权利要求6所述的基于图像识别的篦冷机工况监测方法，其特征在于：所述步骤S5包括：
S51：统计监控视频中斑块面积大小的阈值；
S52：检测冒泡火星状沸腾斑块，调整参数，使得监测出的斑块吻合于视频中观察到的冒泡火星状沸腾斑块；
S53：检测黑色团雾状沸腾斑块，调整参数，使得监测出的斑块吻合于视频中观察到的黑色团雾状沸腾斑块；
S54：画定ROI检测区域，合并冒泡火星状沸腾斑块和黑色团雾状沸腾斑块像素面积，乘以步骤S2得到的“每度量像素面积”，返回沸腾区域真实面积。
CN201910960154.8A 2019-10-10 2019-10-10 一种基于图像识别的篦冷机工况监测方法 Pending CN110595397A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910960154.8A CN110595397A (zh) 2019-10-10 2019-10-10 一种基于图像识别的篦冷机工况监测方法
PCT/CN2020/088898 WO2021068497A1 (zh) 2019-10-10 2020-05-07 一种基于图像识别的篦冷机工况监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910960154.8A CN110595397A (zh) 2019-10-10 2019-10-10 一种基于图像识别的篦冷机工况监测方法

Publications (1)

Publication Number Publication Date
CN110595397A true CN110595397A (zh) 2019-12-20

Family

ID=68866300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910960154.8A Pending CN110595397A (zh) 2019-10-10 2019-10-10 一种基于图像识别的篦冷机工况监测方法

Country Status (2)

Country Link
CN (1) CN110595397A (zh)
WO (1) WO2021068497A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768390A (zh) * 2020-07-01 2020-10-13 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机红河识别方法
WO2021068497A1 (zh) * 2019-10-10 2021-04-15 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机工况监测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782330B (zh) * 2022-03-31 2022-12-16 海门市博洋铸造有限公司 基于人工智能的炉排异常检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831586A (zh) * 2012-08-08 2012-12-19 无锡锦囊科技发展有限公司 一种对恶劣光照条件下的图像/视频实时增强方法
DE102013113865A1 (de) * 2013-12-11 2015-06-11 Thyssenkrupp Ag Schüttgutkühler und Verfahren zum Kühlen von Schüttgut
CN105844604A (zh) * 2016-05-19 2016-08-10 湖南源信光电科技有限公司 基于局部直方图增强的快速去雾算法
CN106152978A (zh) * 2016-06-20 2016-11-23 陕西师范大学 一种基于图像分析的非接触性面积测量方法
CN108800916A (zh) * 2018-07-11 2018-11-13 南京凯盛国际工程有限公司 一种基于机器视觉的篦冷机料层厚度模型预测控制算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS602886A (ja) * 1983-06-21 1985-01-09 Mitsubishi Heavy Ind Ltd セメントクリンカ冷却装置
CN104850149A (zh) * 2015-06-03 2015-08-19 新气象（唐山）合同能源管理有限公司 控制提高水泥质量的设备及方法
CN110209124A (zh) * 2018-12-21 2019-09-06 厦门能讯信息科技有限公司 一种用于优化水泥熟料生产工艺的精细化管理系统和方法
CN110595397A (zh) * 2019-10-10 2019-12-20 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机工况监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831586A (zh) * 2012-08-08 2012-12-19 无锡锦囊科技发展有限公司 一种对恶劣光照条件下的图像/视频实时增强方法
DE102013113865A1 (de) * 2013-12-11 2015-06-11 Thyssenkrupp Ag Schüttgutkühler und Verfahren zum Kühlen von Schüttgut
CN105844604A (zh) * 2016-05-19 2016-08-10 湖南源信光电科技有限公司 基于局部直方图增强的快速去雾算法
CN106152978A (zh) * 2016-06-20 2016-11-23 陕西师范大学 一种基于图像分析的非接触性面积测量方法
CN108800916A (zh) * 2018-07-11 2018-11-13 南京凯盛国际工程有限公司 一种基于机器视觉的篦冷机料层厚度模型预测控制算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙伟 等: "《嵌入式图像处理系统工程案例精选 DaVinci系统设计与实现》", 30 April 2017 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068497A1 (zh) * 2019-10-10 2021-04-15 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机工况监测方法
CN111768390A (zh) * 2020-07-01 2020-10-13 南京凯盛国际工程有限公司 一种基于图像识别的篦冷机红河识别方法
CN111768390B (zh) * 2020-07-01 2024-04-05 中材智能科技(成都)有限公司 一种基于图像识别的篦冷机红河识别方法

Also Published As

Publication number Publication date
WO2021068497A1 (zh) 2021-04-15

Similar Documents

Publication Publication Date Title
CN110595397A (zh) 一种基于图像识别的篦冷机工况监测方法
CN106096610B (zh) 一种基于支持向量机的文档图像二值化方法
CN111260788B (zh) 一种基于双目视觉的配电柜开关状态识别方法
CN110443778B (zh) 一种检测工业品不规则缺陷的方法
CN104867159A (zh) 一种数字相机传感器污点检测及分级方法与装置
CN106210712A (zh) 一种图像坏点检测及处理方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN106228541A (zh) 视觉检测中屏幕定位的方法及装置
CN114022383A (zh) 一种文字图像的摩尔纹祛除方法、装置及电子设备
CN107248147B (zh) Raw-rgb图像中坏点消除的方法
CN115108466A (zh) 一种集装箱吊具智能定位的方法
CN113411510A (zh) 一种基于图像质量评价和红热锻件的相机自动曝光算法
CN108428218A (zh) 一种去除牛顿光晕的图片处理方法
CN116129365B (zh) 输送设备上颗粒物料的检测方法和系统
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN112686241A (zh) 一种基于人工智能的工件气密性检测方法及系统
CN107424134A (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN106447655B (zh) 一种光滑物件表面异色及轻微凹陷的检测方法
CN108387580A (zh) 一种轴承缺陷检测装置
CN109636797B (zh) 一种非接触式柔性直流换流阀模块形变检测的方法
CN114359414A (zh) 镜头脏污识别方法、装置、计算机设备及存储介质
CN113505622A (zh) 一种自动识别多条码与led灯的测试系统及方法
CN113409297A (zh) 骨料体积计算方法、粒形级配数据生成方法、系统和设备
CN113962921A (zh) 一种光伏电池片的栅线检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Zhang Chengwei

Inventor after: Li Anping

Inventor after: Zhang Yan

Inventor after: Liu Lin

Inventor after: Wang Lei

Inventor before: Zhang Chengwei

Inventor before: Li Anping

Inventor before: Zhang Yan

Inventor before: Liu Lin

Inventor before: Wang Lei

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220

RJ01 Rejection of invention patent application after publication