CN110598577A - 一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 - Google Patents
一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 Download PDFInfo
- Publication number
- CN110598577A CN110598577A CN201910782959.8A CN201910782959A CN110598577A CN 110598577 A CN110598577 A CN 110598577A CN 201910782959 A CN201910782959 A CN 201910782959A CN 110598577 A CN110598577 A CN 110598577A
- Authority
- CN
- China
- Prior art keywords
- residual iron
- coke
- coke particles
- image
- hearth
- 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
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 240
- 239000000571 coke Substances 0.000 title claims abstract description 133
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 120
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005065 mining Methods 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 10
- 238000009991 scouring Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 abstract description 6
- 239000007864 aqueous solution Substances 0.000 abstract description 2
- 238000007664 blowing Methods 0.000 abstract 1
- 238000004140 cleaning Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000000155 melt Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提出一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，将高炉停炉冷却的炉缸残铁分切，对各径向断面做标计，通过稀盐酸及水溶液清洗表面；所述方法包括：针对标记好的径向断面，通过相机拍摄各径向断面图片，利用图像拼接还原整个炉缸残铁径向断面图片；对还原的径向断面图片进行图像增强处理，识别出炉缸残铁中的焦碳颗粒；基于像素对于焦碳颗粒进行统计与分析，得到炉缸残铁中焦炭颗粒形态、粒度和取向分布的定量化信息。与现有技术相比，本发明的优势在于通过图像识别技术可最大程度获得炉缸残铁中炉缸残铁存在形式、焦炭的粒度、形状、方向分布的定量化信息，为高炉操作者对高炉分析提供了强有力的支撑。
Description
技术领域
本发明属于信息识别技术领域，具体而言，涉及一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法。
背景技术
高炉作为炼铁过程中的主工序，以其高产、低耗和经济的三大优势存在，可预见在未来经济型新能源的工业化应用技术普及前仍以不可撼动的地位存在于钢铁流程中。
高炉本质是个逆流式热交换竖式移动床，其控制过程是属于大时滞、黑箱、混沌模型。炉缸中物料堆积及流动状态从根本上决定着高炉顺行、高产与长寿。但由于黑箱性，高炉服役期间无法通过现有技术手段实时准确获取炉缸内部熔液流动、耐材侵蚀等关键参量。因此，高炉大修时，对于炉缸残铁块含焦炉缸残铁、铁水、炉渣的混合物的观察分析对于后续经验总结及高炉服役期分析至关重要。而过程中对于残铁中炉缸残铁存在形式、焦碳的粒度、形状、分布等信息的挖掘获取更为重要，其直接给予操作对于高炉服役期焦炭的下部行为、炉缸活跃性及侵蚀原因提供最为直观的信息。而目前尚没有明确的技术和手段针对炉缸残铁块中焦炭信息进行定量化的细节分析。
发明内容
本发明的目的在于解决目前尚没有明确的技术和手段针对炉缸残铁块中焦炭信息进行定量化的细节分析的问题。
为实现上述目的，本发明提出一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，所述方法包括：
对分切的炉缸残铁的各个径向断面做标记，获取相机拍摄的各径向断面图像，利用图像拼接还原整个炉缸残铁径向断面图片；
对还原的径向断面图片进行图像增强处理及图像识别，识别出炉缸残铁中的焦碳颗粒；
基于像素对于焦碳颗粒进行统计与分析，得到炉缸残铁中焦炭颗粒形态、粒度和取向分布的定量化信息。
作为所述方法的一种改进，所述对还原的径向断面图片进行图像增强处理，识别出残铁中的焦碳颗粒，具体包括：
步骤1-1)对所述还原的径向断面图片进行裁剪，将图片上界限清晰的焦炭区与残铁区分离；
步骤1-2)将彩色焦炭区图片由RGB图像转变为灰度图，其中0代表“全黑”， 255代表“纯白”；
步骤1-3)将所述灰度图分为多个区域，对每一区域设置不同的阈值uz；
步骤1-4)步骤1-4)将任意区域Z像素位置(i，j)点的像素值I(i,j)强化为可识别灰度值，根据可识别灰度值识别残铁中的焦碳颗粒。
作为所述方法的一种改进，所述步骤1-4)具体包括：
步骤1-4-1)将任意区域Z像素位置(i，j)点的像素值I(i,j)与设定灰度阈值uz相比较：
如果I(i,j)<uz，则I’(i,j)＝0；
否则，如果I(i,j)≠0或I(i,j)≠255，则I’(i,j)＝200；
其中uz≠0，I’(i,j)为可识别灰度值；
步骤1-4-2)通过可识别灰度值识别出残铁中的焦碳颗粒：
若可识别灰度值为0，则该像素位置为焦碳颗粒；
若可识别灰度值为200，则该像素位置为铁相像素，即残铁；
若可识别灰度值为255，则该像素位置点为非目标的图片留白；
从而识别出残铁中的焦碳颗粒。
作为所述方法的一种改进，所述基于像素对于焦碳颗粒进行统计与分析，得到炉缸残铁中焦炭颗粒形态、粒度和取向分布的定量化信息，具体包括：
步骤2-1)对所述灰度图中识别出的焦碳颗粒的像素进行统计，得到焦碳颗粒的像素点数目N0，计算焦碳颗粒孔隙率：
其中：ε为残铁中焦碳颗粒间的孔隙率；N为所述灰度图中像素总数目；
步骤2-2)基于焦碳颗粒孔隙率填充灰度图的图像，在像素坐标系下，进行形态开、闭运算、联接与标记连通区域和度量图像区域属性的处理，得到焦碳颗粒的形态信息，所述形态信息包括于整个焦碳颗粒的像素尺寸值和像素坐标及形状区分；
步骤2-3)根据焦碳颗粒的像素尺寸与其对应的实际测量尺寸的比例，将像素坐标转化为实际坐标；最终得到残铁中炉缸残铁底部焦碳颗粒的粒度、形态和分布方向的定量化的信息。
作为所述方法的一种改进，所述步骤2-3)具体包括：
步骤2-3-1)根据焦碳颗粒的像素尺寸与其对应的实际测量尺寸的比例，将像素坐标转化为实际坐标；
步骤2-3-2)像素坐标转化为实际坐标后，以与焦碳颗粒等面积圆直径表征焦碳颗粒的粒度；
步骤2-3-3)把焦碳颗粒折合为具有相同标准二阶中心矩的椭圆，计算所述椭圆长轴与实际坐标水平方向夹角，统计所有焦碳颗粒与实际坐标水平方向夹角，获得整体焦碳颗粒粒度概率密度分布，通过粒度概率密度分布判断该高炉内残铁相对焦碳颗粒冲刷程度，获得焦碳颗粒的形态；
最终得到残铁中焦碳颗粒的粒度、形态和分布方向的定量化信息。
与现有技术相比，本发明的有益效果在于：
1、本发明的高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法能够对于高炉残铁的信息统计采取切实可行的方法进行精细的图像化测绘，采用计算机图像处理分析方法进行全面归纳分析，实现全断面测量及信息统计；
2、本发明通过图像识别技术可最大程度获得炉缸残铁中炉缸残铁存在形式、焦炭的粒度、形状、方向分布的定量化形态学信息，为高炉操作者对高炉安全性分析提供了强有力的支撑。
3、本发明的图像处理分析方法，为该高炉操作者定量化分析高炉炉缸残铁中焦碳信息提供系列不可见的细节与信息，为今后高炉炉缸长寿、高炉稳定操作提供了宝贵信息与认知。
附图说明
图1为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的图像处理挖掘流程；
图2为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的炉缸残铁图像拼接图；
图3(a)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图a区域分块采用设置阈值的像素处理结果显示图；
图3(b)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图b区域分块采用设置阈值的像素处理结果显示图；
图3(c)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图c区域分块采用设置阈值的像素处理结果显示图；
图3(d)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图d区域分块采用设置阈值的像素处理结果显示图；
图3(e)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图e区域分块采用设置阈值的像素处理结果显示图；
图3(f)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图f区域分块采用设置阈值的像素处理结果显示图；
图3(g)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图g区域分块采用设置阈值的像素处理结果显示图；
图3(h)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图h区域分块采用设置阈值的像素处理结果显示图；
图3(i)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图i区域分块采用设置阈值的像素处理结果显示图；
图3(j)为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的对炉缸残铁图像拼接图j区域分块采用设置阈值的像素处理结果显示图；
图4为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的炉缸残铁底部焦碳颗粒等面积圆直径累积分布图；
图5为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的实际焦碳颗粒形状与具有相同标准二阶中心矩的椭圆长短轴比值概率密度分布图；
图6为本发明高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法的焦碳颗粒椭圆长轴与炉缸径向水平方向夹角概率密度分布图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
本发明提供一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，具体通过如下操作及技术手段实现：
1)高炉停炉冷却后通过绳锯将炉缸残铁分切，标样；
2)由于不可避免残铁块存放过程中的锈蚀，可通过稀盐酸及水溶液表面清洗；
3)针对标记好的高炉径向断面，通过无人机俯视拍摄各断面照片；
4)利用图像拼接技术完善还原整个炉缸残铁径向断面图片。
为了详细分析高炉炉缸残铁中焦碳颗粒的相关信息，应用图像处理增强技术以实现焦碳颗粒图像增强信息挖掘，如图1所示。
由于盐酸清洗表面后焦碳颗粒与铁相色度上存在着明显差异，因此本发明中通过分区域设置阈值来区分代表焦碳颗粒的像素与铁相像素。
首先通过图像裁剪，将界限清晰的焦区与铁区分离。将彩色焦区图片 (255×255×55)转换为灰度图(0～255)，其中0代表“全黑”，255代表“纯白”。
由于图片中照射角度、焦碳颗粒聚集不均匀等现象造成照片整体明暗度不同，如以单一阈值去区分焦碳颗粒与铁相像素存在着较大的误差。因此，通过反复试验，将图片分为多个区域，对每一区设置不同的阈值从而达到较理想的效果。
识别中，运用的规则为：对于任意区域Z像素位置(i，j)点，给出灰度阈值 uz，则：
如果I(i,j)<uz，则I’(i,j)＝0；
否则，如果I(i,j)≠0或I(i,j)≠255，则I’(i,j)＝200；
其中uz≠0。
由于，图片裁剪中不可避免的存在留白的问题，而图片原色中不存在着“纯白”现象。因此，式(1)第二条规则在识别出焦碳颗粒后，将非留白灰度转化为灰度值200 的灰白色。由此，将原RGB图像转化为三值灰度图，灰度值0代表焦碳颗粒，200 代表焦碳颗粒间残铁，255代表非目标的图像留白。从而使得后续可以基于像素对于焦碳颗粒进行统计与分析。
对于焦碳颗粒孔隙的统计，通过像素面积比实现。计算炉缸残铁底部焦层孔隙度：
式中，ε为残铁中焦碳颗粒间的孔隙率；N0为焦碳颗粒数目，N为像素点数目。
对于焦碳颗粒形貌的分析，通过系列图像增强及图像识别技术完成。其主要包括：图像的填充；形态的开、闭运算；连通区域的联接与标记；图像区域属性度量等操作方法。
其中开运算数学上是先腐蚀后膨胀的结果，开运算的结果为完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分。闭运算在数学上是先膨胀再腐蚀的结果，闭运算的结果也是会平滑对象的轮廓，但是与开运算不同的是，闭运算一般会将狭窄的缺口连接起来形成细长的弯口，并填充比结构元素小的洞。通过开运算、闭运算的联合使用将突出图片中各焦粒的形态边界。
在图像中，最小的单位是像素，每个像素周围有8个邻接像素。所述连通区域的联接与标记是指通过4邻接和8邻接的方法表示将图片中焦粒区域与非焦粒区域做到更清晰的轮廓二值区分，从而可通过后续连通区域重心提取的方法实现图像的区域测量。
通过上述步骤可得到图像区域属性的度量包括：区域面积(即区域像素总个数)、重心、像素意义下与区域具有相同面积的圆的直径、与区域具有相同标准二阶中心矩的椭圆的长轴、短轴长度、与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角等重要信息。
得到焦碳颗粒的形态学细节后，通过像素尺寸与实际测量尺寸的比例，将像素坐标转化为实际坐标。最终可得到残铁中炉缸残铁底部焦碳颗粒的粒度、形态、取向分布等多种关键信息。
将某1880m3高炉炉缸残铁块径向切开后，盐酸清洗表面，无人机在断面高10m 处将径向四块断面拍照后，经图像拼接处理后获取炉缸径向残铁断面图。
如图2所示，残铁中残存大量肉眼可见的焦碳颗粒，与下部富铁区有着明显的界限区分，即含有焦碳颗粒的炉缸残铁浸入铁水中的底部。
对炉缸径向残铁断面图分区域设置不同阈值来强化区分代表焦碳颗粒的像素与铁相像素，其图像像素处理结果对比如图3(a)-图3(j)所示。
通过公式(1)计算，可得到该高炉炉缸残铁底部焦区孔隙率为ε＝56.73％。
如图4所示，通过上述焦炭粒度、形态分析，通过图像坐标与实际坐标比例转换后，以与焦碳颗粒等面积圆的直径表征粒度分布，平均粒度直径为15.3mm。
实际上焦碳颗粒形状极不规则，难以看作是标准的球体状。为了进一步分析，把焦碳颗粒折合为具有相同标准二阶中心矩的椭圆。其长短轴比值概率分布如图5 所示。
浸入铁液区域55.7％的焦碳颗粒断面长短轴比值在1.21～1.68范围内，94.95％长短轴比值在1.21～2.89之间，这意味着该区域焦碳颗粒并非球状，而更接近于“椭球体”。
通过与焦碳颗粒具有相同标准二阶中心矩的椭圆长轴与炉缸径向水平方向夹角统计分析，其整体概率密度分布如图6所示。浸入铁液中的焦碳颗粒主要通过穿过其孔隙间熔体直接还原及渗碳两条渠道消耗。不考虑熔体性质，通过的熔体通量及流动方式则主要决定了此区域焦碳颗粒的分布方向。一定意义上，可以判断出该高炉内渣铁通过炉缸该区域炉缸残铁相对焦碳颗粒水平冲刷程度较深，其次为竖直绕流冲刷，45°及70°夹角绕流冲刷也占有一定的比例。
通过上述方法分析，为该高炉操作者定量化分析高炉炉缸残铁中焦碳信息提供系列不可见的细节与信息，为今后高炉炉缸长寿、高炉稳定操作提供了宝贵信息与认知。
最后所应说明的是，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，对本发明的技术方案进行修改或者等同替换，都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 (5)
1.一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，其特征在于，所述方法包括：
对分切的炉缸残铁的各个径向断面做标记，获取相机拍摄的各径向断面图像，利用图像拼接还原整个炉缸残铁径向断面图片；
对还原的径向断面图片进行图像增强处理及图像识别，识别出炉缸残铁中的焦碳颗粒；
基于像素对于焦碳颗粒进行统计与分析，得到炉缸残铁中焦炭颗粒形态、粒度和取向分布的定量化信息。
2.根据权利要求1所述的高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，其特征在于，所述对还原的径向断面图片进行图像增强处理，识别出残铁中的焦碳颗粒，具体包括：
步骤1-1)对所述还原的径向断面图片进行裁剪，将图片上界限清晰的焦炭区与残铁区分离；
步骤1-2)将彩色焦炭区图片由RGB图像转变为灰度图，其中0代表“全黑”，255代表“纯白”；
步骤1-3)将所述灰度图分为多个区域，对每一区域设置不同的阈值uz；
步骤1-4)将任意区域Z像素位置(i，j)点的像素值I(i,j)强化为可识别灰度值，根据可识别灰度值识别残铁中的焦碳颗粒。
3.根据权利要求2所述的高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，其特征在于，所述步骤1-4)具体包括：
步骤1-4-1)将任意区域Z像素位置(i，j)点的像素值I(i,j)与设定灰度阈值uz相比较：
如果I(i,j)<uz，则I’(i,j)＝0；
否则，如果I(i,j)≠0或I(i,j)≠255，则I’(i,j)＝200；
其中uz≠0，I’(i,j)为可识别灰度值；
步骤1-4-2)通过可识别灰度值识别出残铁中的焦碳颗粒：
若可识别灰度值为0，则该像素位置为焦碳颗粒；
若可识别灰度值为200，则该像素位置为铁相像素，即残铁；
若可识别灰度值为255，则该像素位置点为非目标的图片留白；
从而识别出残铁中的焦碳颗粒。
4.根据权利要求3所述的高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，其特征在于，所述基于像素对于焦碳颗粒进行统计与分析，得到炉缸残铁中焦炭颗粒形态、粒度和取向分布的定量化信息，具体包括：
步骤2-1)对所述灰度图中识别出的焦碳颗粒的像素进行统计，得到焦碳颗粒的像素点数目N0，计算焦碳颗粒孔隙率：
其中：ε为残铁中焦碳颗粒间的孔隙率；N为所述灰度图中像素总数目；
步骤2-2)基于焦碳颗粒孔隙率填充灰度图的图像进行图像轮廓识别，在像素坐标系下，进行形态开、闭运算、联接与标记连通区域和度量图像区域属性的处理，得到焦碳颗粒的形态信息，所述形态信息包括于整个焦碳颗粒的像素尺寸值和像素坐标及形状区分；
步骤2-3)根据焦碳颗粒的像素尺寸与其对应的实际测量尺寸的比例，将像素坐标转化为实际坐标；最终得到残铁中炉缸残铁底部焦碳颗粒的粒度、形态和分布方向的定量化的信息。
5.根据权利要求4所述的高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法，其特征在于，所述步骤2-3)具体包括：
步骤2-3-1)根据焦碳颗粒的像素尺寸与其对应的实际测量尺寸的比例，将像素坐标转化为实际坐标；
步骤2-3-2)像素坐标转化为实际坐标后，以与焦碳颗粒等面积圆直径表征焦碳颗粒的粒度；
步骤2-3-3)把焦碳颗粒折合为具有相同标准二阶中心矩的椭圆，计算所述椭圆长轴与实际坐标水平方向夹角，统计所有焦碳颗粒与实际坐标水平方向夹角，获得整体焦碳颗粒粒度概率密度分布，通过粒度概率密度分布判断该高炉内残铁相对焦碳颗粒冲刷程度，获得焦碳颗粒的形态；
最终得到残铁中焦碳颗粒的粒度、形态和分布方向的定量化信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782959.8A CN110598577A (zh) | 2019-08-23 | 2019-08-23 | 一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782959.8A CN110598577A (zh) | 2019-08-23 | 2019-08-23 | 一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598577A true CN110598577A (zh) | 2019-12-20 |
Family
ID=68855523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910782959.8A Pending CN110598577A (zh) | 2019-08-23 | 2019-08-23 | 一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598577A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4288162A (en) * | 1979-02-27 | 1981-09-08 | Sumitomo Kinzoku Kogyo Kabushiki Kaisha | Measuring particle size distribution |
| US20070192070A1 (en) * | 2006-02-16 | 2007-08-16 | Judson Chiu | Imaging system and method for determining falling curves |
| CN103632366A (zh) * | 2013-11-26 | 2014-03-12 | 清华大学 | 一种椭圆目标的参数识别方法 |
| CN106521066A (zh) * | 2016-12-23 | 2017-03-22 | 天津市三特电子有限公司 | 高炉炉料粒度监控系统及分布数据在线分析方法 |
| CN107063946A (zh) * | 2016-12-23 | 2017-08-18 | 天津市三特电子有限公司 | 视频生球粒径仪及其生球粒径状态检测方法 |
| CN110070537A (zh) * | 2019-04-25 | 2019-07-30 | 清华大学 | 静态图像颗粒的粒度与球形度的智能识别方法和装置 |
-
2019
- 2019-08-23 CN CN201910782959.8A patent/CN110598577A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4288162A (en) * | 1979-02-27 | 1981-09-08 | Sumitomo Kinzoku Kogyo Kabushiki Kaisha | Measuring particle size distribution |
| US20070192070A1 (en) * | 2006-02-16 | 2007-08-16 | Judson Chiu | Imaging system and method for determining falling curves |
| CN103632366A (zh) * | 2013-11-26 | 2014-03-12 | 清华大学 | 一种椭圆目标的参数识别方法 |
| CN106521066A (zh) * | 2016-12-23 | 2017-03-22 | 天津市三特电子有限公司 | 高炉炉料粒度监控系统及分布数据在线分析方法 |
| CN107063946A (zh) * | 2016-12-23 | 2017-08-18 | 天津市三特电子有限公司 | 视频生球粒径仪及其生球粒径状态检测方法 |
| CN110070537A (zh) * | 2019-04-25 | 2019-07-30 | 清华大学 | 静态图像颗粒的粒度与球形度的智能识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴清潇等: "基于视觉的炼铁物料自动识别分类系统", 《仪器仪表学报》 * |
| 杨磊: "《数字媒体技术概论》", 31 July 2017 * |
| 雷宁: "高炉炉缸铁水流动及炉墙剪切应力的数值模拟", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN108764345B (zh) | 一种基于局部与全局聚类的水下大坝裂缝检测方法 | |
| Bai et al. | Image segmentation method for coal particle size distribution analysis | |
| CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| Liu et al. | Real-time recognition of road traffic sign in motion image based on genetic algorithm | |
| CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
| CN116805317B (zh) | 基于人工智能的回转炉内壁缺陷检测方法 | |
| CN104392213B (zh) | 一种适用于熔炼过程中的图像信息状态识别系统 | |
| CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
| CN115731228B (zh) | 一种镀金芯片缺陷检测系统和方法 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
| CN115661757A (zh) | 一种受电弓拉弧自动检测方法 | |
| CN108446706A (zh) | 一种基于颜色主分量提取的磨粒材质自动识别方法 | |
| CN111008967A (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
| CN113240668B (zh) | 一种基于图像数字特征分布的生成熔池图像质量评估方法 | |
| CN110598577A (zh) | 一种高炉炉缸残铁中焦碳信息挖掘的图像处理分析方法 | |
| CN111768390B (zh) | 一种基于图像识别的篦冷机红河识别方法 | |
| CN111402321A (zh) | 一种固体颗粒在高温熔池中目标识别及体积估计的方法 | |
| CN111310899A (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
| CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
| CN112785613A (zh) | 一种智能炉膛火焰图像识别方法 | |
| CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
| CN114663365A (zh) | 缺陷检测方法、装置及计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |