CN111223097B - 一种烧结机的台车箅条糊堵度检测方法及系统 - Google Patents
一种烧结机的台车箅条糊堵度检测方法及系统 Download PDFInfo
- Publication number
- CN111223097B CN111223097B CN202010177444.8A CN202010177444A CN111223097B CN 111223097 B CN111223097 B CN 111223097B CN 202010177444 A CN202010177444 A CN 202010177444A CN 111223097 B CN111223097 B CN 111223097B
- Authority
- CN
- China
- Prior art keywords
- image
- paste
- gap
- grate
- images
- 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
Links
- 238000005245 sintering Methods 0.000 title claims abstract description 60
- 230000000903 blocking effect Effects 0.000 title claims description 59
- 238000001514 detection method Methods 0.000 title claims description 19
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000035699 permeability Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B21/00—Open or uncovered sintering apparatus; Other heat-treatment apparatus of like construction
- F27B21/02—Sintering grates or tables
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D21/02—Observation or illuminating devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D2021/0057—Security or safety devices, e.g. for protection against heat, noise, pollution or too much duress; Ergonomic aspects
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27M—INDEXING SCHEME RELATING TO ASPECTS OF THE CHARGES OR FURNACES, KILNS, OVENS OR RETORTS
- F27M2003/00—Type of treatment of the charge
- F27M2003/04—Sintering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本申请公开了一种烧结机的台车箅条糊堵度检测方法,包括如下步骤:获取烧结机的台车上所有排箅条的初始完整图像;对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;基于所述二值图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像;基于所述糊堵物的面积与所述间隙区域的面积的比值,得到箅条的糊堵占比值。该方法能够非常方便精确地检测出箅条的糊堵占比情况,进而掌握箅条的糊堵程度情况,并且能够定位到糊堵严重箅条的缺失位置,进而进行故障诊断等及采取相应的维修措施。
Description
技术领域
本申请涉及烧结机技术领域,特别涉及一种烧结机的台车箅条糊堵度检测方法及系统。
背景技术
烧结是将各种粉状含铁原料配入适量的燃料、溶剂和水经过混合和造球后再烧结设备上使物料发生一系列物理化学变化,将矿粉颗粒粘结成块的过程。烧结作业是烧结生产的中心环节,它包括布料、点火和烧结等主要工序,烧结作业中的关键设备就是烧结机。请参考图1,图1为现有技术中一种烧结机的结构示意图。
如图1所示,烧结机包括台车101、炉缸层物料仓102、烧结混料仓103、点火炉104、头部星轮105、尾部星轮106、烧结矿破碎机107、风箱108及抽风机109等。带式烧结机是由头尾星轮带动的装有混合料的台车并配有点火、抽风装置的烧结机械装备。台车是首尾相连在封闭的轨道上连续运行的,如图1中上下两层的轨道上铺满了台车,一个烧结机包含上百个台车。含铁混合料通过给料装置下料到台车上后,点火装置将表面物料点燃,台车底部下方有一系列风箱,风箱一端为大型抽风机,通过抽风使台车装满的物料从表面向台车底部逐渐燃烧。
在台车上铺设有箅条。烧结机箅条作为台车的重要组成部件,箅条出现故障后可能导致漏料、透气性不佳等情况,因此其状态的好坏直接影响烧结的生产的正常运行和烧结质量的好坏。箅条就是固定在台车横梁上,用来承载物料并保证烧结反应的透气性。由于烧结台车是24h不间断运行,在矿物重量、抽风负压以及反复高温作用下,箅条容易损坏,箅条损坏后导致的不利影响有:
第一、箅条缺失。箅条断裂脱落后,会增加单排箅条的间隙宽度,当间隙过大时烧结混合料会从间隙孔中落入烟道,使料面形成“老鼠洞”。
2)箅条倾斜。箅条倾斜程度受箅条磨损和缺失的影响,当箅条倾斜过度时,箅条将无法卡在台车本体上,形成大面积脱落。
3)箅条间隙糊堵。烧结矿料堵塞在箅条间隙,大面积堵塞使得烧结反应的透气性变差,影响烧结矿质量。
发明内容
本申请要要解决的技术问题为提供一种烧结机的台车箅条糊堵度检测方法,该方法能够非常方便精确地检测出箅条的糊堵占比情况,进而掌握箅条的糊堵程度情况,并且能够定位到糊堵严重箅条的缺失位置,进而进行故障诊断等及采取相应的维修措施。此外,本申请另一个要解决的技术问题为提供一种烧结机的台车箅条糊堵度检测系统。
为解决上述技术问题,本申请提供一种烧结机的台车箅条糊堵度检测方法,用于检测烧结机的台车上所有排箅条的糊堵度,包括如下步骤:
获取烧结机的台车上所有排箅条的初始完整图像;
对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;
对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;
基于所述二值图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像;
基于所述间隙图像,得到间隙区域在图像中的面积;基于所述糊堵物图像,得到所述糊堵物在图像中的面积;
基于所述糊堵物的面积与所述间隙区域的面积的比值,得到箅条的糊堵占比值。
可选的,所述检测方法包括:
按照相同的划分标准,将所述间隙图像和所述糊堵物图像划分为若干子区域,通过如下公式,获得每个子区域的糊堵占比值;
其中,hudu1代表子区域的糊堵占比值,H_Areai代表糊堵物图像子区域的面积,J_Areai代表间隙图像子区域的面积。
可选的,所述检测方法包括:
获得所有的子区域的糊堵占比值;
通过矩阵方式存储所有的子区域的糊堵占比值,并且矩阵中的每个子区域的糊堵占比值的位置与图像中的子区域的位置一一对应。
可选的,箅条有三排,所述子区域的数量为9个,每一排箅条包括三个子区域;
所述检测方法包括:
得到9个子区域的糊堵占比值,分别为:hudu1,hudu2,hudu3,hudu4,hudu5,hudu6,hudu7,hudu8,hudu9;
通过如下矩阵公式存储该9个子区域的糊堵占比值:
可选的,通过如下公式,计算9个子区域的糊堵占比平均值;
通过如下公式,计算9个子区域的糊堵占比均方差;
可选的,所述检测方法还包括:
当SumH小于等于预定的第一糊堵阈值时,不发出报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H小于等于预定的第二糊堵阈值时,发出轻量级报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H大于预定的第二糊堵阈值时,发出重量级报警信号。
可选的,所述对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像的过程,包括:
对所述初始完整图像进行灰度转换;
对经过灰度转换后的图像进行二值转换;
将得到的经过二值转换后的图像进行取反操作,得到所有排箅条的二值图像,其中,图像中黑色区域为箅条区域和糊堵区域,白色区域为箅条间隙区域。
可选的,所述对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像的过程,包括:
对得到的所述二值图像进行直线拟合,得到过箅条边缘轮廓的所有直线,对直线进行筛选,剔除箅条短边拟合的直线;
建立一个全部为黑色的图像,并大小与所述箅条原图大小相同;
根据保留的所有直线参数,在黑色图像汇总采用白色将直线进行绘制,并使得绘制的直线的宽度等于箅条间隙的宽度,该宽度可根据相邻两箅条边缘轮廓拟合的直线之间的距离进行确定。
可选的,所述基于所述实际间隙图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像的过程,包括:
在图像中,定义白色像素为1,黑色像素为0;将所述实际间隙图像与所述理想间隙图像叠加,进行逻辑与或非运算,将图像叠加中的箅条区域及间隙非糊堵物区域去除,剩余糊堵物区域,得到所述糊堵物图像。
此外,为解决上述技术问题,本申请还提供一种烧结机的台车箅条糊堵度检测系统,用于检测烧结机的台车上所有排箅条的糊堵度,包括:
获取单元,用于获取烧结机的台车上所有排箅条的初始完整图像;
第一预处理单元,用于对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的实际间隙图像;
第二预处理单元,用于对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的理想间隙图像;
逻辑运算单元,用于基于所述实际间隙图像与所述理想间隙图像,并基于逻辑运算,得到糊堵物图像;
第一计算单元,用于基于所述理想间隙图像,得到所述理想间隙图像的面积;基于所述糊堵物图像,得到所述糊堵物图像的面积;
第二计算单元,用于基于所述糊堵物的面积与所述理想间隙图像的面积的比值,得到箅条的糊堵占比值。
在一种实施例中,本申请提供一种烧结机的台车箅条糊堵度检测方法,用于检测烧结机的台车上所有排箅条的糊堵度,包括如下步骤:获取烧结机的台车上所有排箅条的初始完整图像;对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;基于所述二值图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像;基于所述间隙图像,得到所述间隙区域在图像中的面积;基于所述糊堵物图像,得到所述糊堵物在图像中的面积;基于所述糊堵物的面积与所述间隙区域的面积的比值,得到箅条的糊堵占比值。
该方法能够非常方便精确地检测出箅条的糊堵占比情况,进而掌握箅条的糊堵程度情况,并且能够定位到糊堵严重箅条的缺失位置,进而进行故障诊断等及采取相应的维修措施。
附图说明
图1为现有技术中一种烧结机的结构示意图;
图2为本申请一种实施例中烧结机的台车箅条糊堵度检测方法的功能框图;
图3为本申请中烧结机的部分结构示意图;
图3-1为本申请一种实施例中烧结机的台车箅条糊堵度检测方法的逻辑流程图;
图4为本申请一种实施例中烧结机的台车箅条糊堵度方法中获取的箅条原图的示意图;
图5为对图4中的图像进行二值化处理后得到的二值化图像;
图6为对图5中的图像进行处理后得到的mask图像;
图7为对图5和图6的图像进行叠加后得到的糊堵物图像;
图8为对图7中的糊堵物图像划分子区域后的图像示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型.
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的系统功能结构请参考图2,图2为本申请一种实施例中烧结机的台车箅条糊堵度检测方法的功能框图。
如图2所述,功能模块包括图像采集装置、数据与模型存储、图像获取、参数输出、特征参数计算、智能诊断模型、状态输出等。其中,其中图像采集装置将采集的图像进行预处理,并存储到数据与模型存储模块中。数据与模型存储输出箅条图像到图像获取模块中,输出特征参数到参数获取模块中。特征参数计算模型中的参数也会存储到数据与模型存储模块中。
图像采集装置具体可以参照图3,图3为本申请中烧结机的部分结构示意图。
(1)图像采集装置
本发明在机头上层检修平台位置安装一套图像采集装置,结构如图3所示,包括相机201、光源202和安装支架,用来采集台车203上的箅条的图像。根据视野大小、镜头参数、相机参数等,选择合适的一台或多台相机采集。图3中为采用两台相机同步获取箅条图像的示例。
(2)图像获取:
本装置采用的两台相机同步获取图像,每台相机分左右两侧,各负责一部分区域,相机视场区域有一定重合,用于图像拼接,采用图像拼接算法,如SIFT、SURF等拼接算分,将左右两侧图片合并成台车底部完整的箅条图像。得到的图像,请参考图4,图4为本申请一种实施例中烧结机的台车箅条糊堵度检测方法中获取的箅条的初始完整图像的示意图;
获取的图像数据存储系统中管理。
(3)特征参数计算模型:
由图4可知,每台台车底部有三排箅条,箅条为长条形结构,紧密排列在台车本体上,相邻箅条之间有一点间隙,获取的图像中间隙区域和箅条本体区域特征不同,为此本申请中提出了基于外轮廓的方式将每根箅条区域提取出来,根据外轮廓数量得到每排箅条的根数。
该模型用于计算出箅条图像中每排箅条的根数,其处理过程为:
1、灰度转换、二值转化,得到箅条的二值化图像,得到的二值化图像其中白色区域为箅条间隙区域,黑色区域为箅条区域和糊堵区域。二值化处理能减少光照不均匀对外轮廓提取的干扰,得到的二值化图像具体参考图5,图5为对图4中的图像进行二值化处理后得到的二值化图像。如图5和图4的对比,图5中箅条和间隙之间的对比更明显。
下边对本申请中的灰度变换做出具体介绍。
灰度变换:此处灰度变换是将相机获取的图像转换为灰度图像,如采用的是彩色相机,此时获取的图像一个像素有红、绿、蓝三个颜色分量表示,是一个三通道图像(R、G、B),通过灰度转换后,每个像素由一个灰度值表示,其取值范围为[0~255],变为单通道图像。转换的方法有:
1):平均法——将同一个像素位置3个通道RGB值进行平均
l(x,y)=1/3*l_R(x,y)+1/3*l_G(x,y)+1/3*l_B(x,y)
2)最大最小平均法——取同一个像素位置的RGB中亮度最大的和最小的进行平均
l(x,y)=0.5*max(l_R(x,y),l_G(x,y),l_B(x,y))+0.5*min(l_R(x,y),l_G(x,y),l_B(x,y))
3)加权平均法——每个颜色通道前的权重值不相同,如0.3*R+0.59*G+0.11*B。
需要说明是,以上灰度变换方法仅是一种举例,显然,其他灰度变换方法也能实现本申请的目的,也应该在本申请保护范围之内。
下边对本申请的二值处理作出具体介绍:
灰度图像取值为0~255之间,而二值图像也可称为黑白图像,其取值0表示黑色、255表示白色,进行二值转换时一般设定一个阈值T,当某像素点灰度值大于T时,设定该像素点的值为255,当小于T时,设定为0。
同上,需要说明是,以上二值处理方法仅是一种举例,显然,其他二值处理方法也能实现本申请的目的,也应该在本申请保护范围之内。
在完成上述灰度变换和二值转化后,需要再进行如下步骤:
具体请参考图6,图6为对图5中的图像进行处理后得到的mask图像。
2、箅条间隙区域提取:求糊堵占比首先要将箅条间隙区域全部提取出来。间隙区域的提取首先通过边缘提取或直线拟合的方法,找到箅条边缘区域,然后通过拟合的直线根据边缘长度将间隙区域填充,用于填充的直线需要另外绘制在相同尺寸的黑色画布上,得到一个mask图像,该mask代表箅条所有的间隙区域,如图6所示。
在上述方案中,可以直线拟合做出介绍,说明如下:
霍夫直线拟合就是把图像空间中的直线变换到参数空间中的点,通过统计特性来解决检测问题,如下图所示:笛卡尔坐标系中有三个坐标点,找拟合三点的直线,可以转换到找参数空间(斜率和截距空间)中直线的交际点,笛卡尔坐标中的一个点转换到参数空间中则为一条直线,交点直线数量越多,则该交点代表的参数值(k,q)在笛卡尔中代表的直线,为最三点的直线。
由于过三点的直线垂直x轴时,转到参数空间后,为平行的三条直线,因此后来一般采用极坐标的方式作为参数空间。
在图像空间中检测直线的问题转化为在极坐标参数空间中找通过点(r,θ)的最多正弦曲线数的问题。
使用霍夫变换检测直线的一般其步骤可以为:
1)彩色图像转换为灰度图像
2)去噪
3)边缘提取
4)二值化
5)映射到霍夫空间
6)取局部极大值,设定阈值,过滤干扰直线
7)绘制直线,标定角点
在本申请中,其处理流程与上述有一定区别。在进行霍夫直线检测检测时,只需将处理好的二值图像作为参数输入,输出可以得到每个直线的两个端点值(x1,y1,x2,y2),其中(x1,y1)表示线段的起点,(x2,y2)表示线段的终点。
此外,对于图6中的mask图像,具体通过如下步骤获得:
1)经过灰度转换、二值转换,对图像进行霍夫直线检测;
2)建立一个纯黑的图片,其大小与原图大小一致;
3)根据检测的直线参数,在纯黑的图片中采用白色对图像进行绘制,控制绘制直线的粗细,使直线的宽度接近间隙宽度,则可以得到图示6中的mask图。
从图5中可以看出,原图的间隙中由存在物料堵塞,则会有黑色区域,而图6中的mask区域则没有。
需要说明的是,绘制的直线宽度近似等于间隙宽度(本申请采用的方法比较简单,可以减少程序复杂度),不考虑计算复杂度情况也可以考虑,利用相邻两直线的间距,将两个直线之间的黑色像素全转换为白色像素。
在完成箅条间隙区域提取后,还需要如下步骤:
请参考图7,图7为对图5和图6的图像进行叠加后得到的糊堵物图像。
3、糊堵区域提取:在图5的二值图像中,白色为间隙区域,在白色间隙直线上的黑色点为堵塞的物料。图像处理中白色像素为1,黑色像素为0,利用数学中的与、或、非原理,将二值化图像与mask图像叠加,可以将箅条区域以及间隙非堵料区域去除,得到纯堵塞物料区域的图像。糊堵物图像如图7所示。
在完成糊堵区域提取后,还需要如下步骤:
请参考图8,图8为对图7中的糊堵物图像划分子区域后的图像示意图。
4、糊堵占比计算:糊堵情况对箅条状态的影响分为两种:1)糊堵严重程度;2)糊堵均衡程度。糊堵严重程度影响透气风量、糊堵均衡程度影响一个台车上各区域料反应的速率。、
需要说明的是,台车下面是大型的风机,空气从料层表面吸入,经过料层后从台车底部进入烟道。箅条间隙就是用来保证反应过程的透气性的,提出的糊堵均衡性,就是整个台车底部糊堵的均匀程度,如图8所示,,若将整个台车底部分为9个区域,可能存在整体糊堵占比很低,但是其中某个子区域糊堵很严重的情况,如区域1糊堵很严重,那么区域1上方的透气性将会受到一定的影响,因此糊堵均衡性是想用来衡量台车底部各区域之间的糊堵均匀性。
为此,将台车底部提取的间隙图像和糊堵区域以同样的方式分为若干区域,区域划分的方法为:根据图像大小,在长宽方向分别选取一定宽度用于区域划分。以下图为例,将区域分为9个区域,区域的划分数量根据需要设定。
在mask图和糊堵区域图像中,分别计算白色像素点的面积,得到间隙面积J_Areai和糊堵面积H_Areai,每个区域的糊堵占比计算为:
得到九个区域的糊堵占比值:hudu1,hudu2,hudu3,hudu4,hudu5,hudu6,hudu7,hudu8,hudu9。
以上便是参数计算模型的四个步骤。完成参数计算模型后,然后进入如下阶段:
(4)参数存储
计算的参数根据区域分布位置,以矩阵的方式存储:
(5)诊断
通过上述计算,可以得到九个区域的糊堵占比平均值。
总均值:
均方差:
基于总体分析,判断整体糊堵程度和均匀性:
SumH>阈值,S2H<阈值:糊堵严重但糊堵区域较均匀。
SumH>阈值,S2H>=阈值。糊堵严重,糊堵区域集中在某个小区域内。
SumH<阈值,则糊堵不严重。
糊堵不均匀时,通过计算每个小区域的糊堵占比值,得到糊堵较严重位置,如Hudu3大于阈值,则第一排第三个区域糊堵严重,需要清理。
在上述方案中需要做出如下说明:
均值表示的是几个区域糊堵占比的平均值。均方差即标准差,用于反映组内个体间的离散程度,此处用于放映多个区域糊堵占比值的离散程度,数值越大表示大部分数值和其平均值之间的差异较大,数值越小表示数值都越接近平均值。
如糊堵平均值都为20%的情况,1~9个区域的糊堵值可能波动比较小(19%,21%,18%,18%,21%,23%,20%,20%,20%),此时均方差为2.5(用19-20来算,去掉百分比),也可波动较大(10%,11%,15%,13%,31%,50%,20%,15%,15%),此时均方差为165.75,可以看出波动较大时有区域糊堵占比达到50%,此时可能导致该局部区域透气性不佳。
以上便是本申请在场景中的技术方案介绍。针对该具体的技术方案,本申请还做如下介绍。
请参考图3-1,图3-1为本申请一种实施例中烧结机的台车箅条糊堵度检测方法的逻辑流程图。
在一种实施例中,如图3-1所示,一种烧结机的台车箅条糊堵度检测方法,用于检测烧结机的台车上所有排箅条的糊堵度,包括如下步骤:
步骤S101:获取烧结机的台车上所有排箅条的初始完整图像;
步骤S102:对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;
步骤S103:对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;
步骤S104:基于二值图像与间隙图像,并基于逻辑运算,得到糊堵物图像;
步骤S105:基于间隙图像,得到间隙区域在图像中的面积;基于糊堵物图像,得到糊堵物在图像中的面积;
步骤S106:基于糊堵物的面积与间隙区域的面积的比值,得到箅条的糊堵占比值。
该方法能够非常方便精确地检测出箅条的糊堵占比情况,进而掌握箅条的糊堵程度情况,并且能够定位到糊堵严重箅条的缺失位置,进而进行故障诊断等及采取相应的维修措施。
在上述实施例中,还可以做出进一步改进,比如:
检测方法包括:
按照相同的划分标准,将间隙图像和糊堵物图像划分为若干子区域,通过如下公式,获得每个子区域的糊堵占比值;
其中,hudu1代表子区域的糊堵占比值,H_Areai代表糊堵物图像子区域的面积,J_Areai代表间隙图像子区域的面积。
进一步的,检测方法包括:
获得所有的子区域的糊堵占比值;
通过矩阵方式存储所有的子区域的糊堵占比值,并且矩阵中的每个子区域的糊堵占比值的位置与图像中的子区域的位置一一对应。
在上述实施例中,还可以做出具体设计,比如:
箅条有三排,子区域的数量为9个,每一排箅条包括三个子区域;
检测方法包括:
得到9个子区域的糊堵占比值,分别为:hudu1,hudu2,hudu3,hudu4,hudu5,hudu6,hudu7,hudu8,hudu9;
通过如下矩阵公式存储该9个子区域的糊堵占比值:
在上述实施例中,通过如下公式,求得9个子区域的糊堵占比平均值;
通过如下公式,求得9个子区域的糊堵占比均方差;
进一步的,检测方法还包括:
当SumH小于等于预定的第一糊堵阈值时,不发出报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H小于等于预定的第二糊堵阈值时,发出轻量级报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H大于预定的第二糊堵阈值时,发出重量级报警信号。
在上述实施例中,还可以对图像预处理的具体过程做出介绍。
对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像的过程,包括:
对初始完整图像进行灰度转换;
对经过灰度转换后的图像进行二值转换;
将得到的经过二值转换后的图像进行取反操作,得到所有排箅条的二值图像,其中,图像中黑色区域为箅条区域和糊堵区域,白色区域为箅条间隙区域。
得到的二值化图像如图5所示。
进一步的,对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像的过程,包括:
对得到的二值图像进行直线拟合,得到过箅条边缘轮廓的所有直线,对直线进行筛选,剔除箅条短边拟合的直线;
建立一个全部为黑色的图像,并大小与箅条原图大小相同;
根据保留的所有直线参数,在黑色图像汇总采用白色将直线进行绘制,并使得绘制的直线的宽度等于箅条间隙的宽度,该宽度可根据相邻两箅条边缘轮廓拟合的直线之间的距离进行确定。
得到的mask图像如图6所示。
进一步的,基于实际间隙图像与理想间隙图像,并基于逻辑运算,得到糊堵物图像的过程,包括:
在图像中,定义白色像素为1,黑色像素为0;将实际间隙图像与理想间隙图像叠加,进行逻辑与或非运算,将图像叠加中的箅条区域及间隙非糊堵物区域去除,剩余糊堵物区域,得到糊堵物图像。
除了上述方法实施例,本申请还提供对应的装置实施例。
一种烧结机的台车箅条糊堵度检测系统,用于检测烧结机的台车上所有排箅条的糊堵度,包括:
获取单元,用于获取烧结机的台车上所有排箅条的初始完整图像;
第一预处理单元,用于对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的实际间隙图像;
第二预处理单元,用于对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的理想间隙图像;
逻辑运算单元,用于基于实际间隙图像与理想间隙图像,并基于逻辑运算,得到糊堵物图像;
第一计算单元,用于基于理想间隙图像,得到理想间隙图像的面积;基于糊堵物图像,得到糊堵物图像的面积;
第二计算单元,用于基于糊堵物的面积与理想间隙图像的面积的比值,得到箅条的糊堵占比值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等,意味着结合该实施例描述的具体特征、部件或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、部件或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、部件或特性可全部或部分地与一个或多个其他实施例的特征、部件或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“终端”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种烧结机的台车箅条糊堵度检测方法,用于检测烧结机的台车上所有排箅条的糊堵度,其特征在于,包括如下步骤:
获取烧结机的台车上所有排箅条的初始完整图像;
对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;
对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;
基于所述二值图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像;
基于所述间隙图像,得到间隙区域在图像中的面积;基于所述糊堵物图像,得到所述糊堵物在图像中的面积;
基于所述糊堵物的面积与所述间隙区域的面积的比值,得到箅条的糊堵占比值;
其中,所述对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像的过程,包括:
对所述初始完整图像进行灰度转换;
对经过灰度转换后的图像进行二值转换;
将得到的经过二值转换后的图像进行取反操作,得到所有排箅条的二值图像,其中,图像中黑色区域为箅条区域和糊堵区域,白色区域为箅条间隙区域;
所述对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像的过程,包括:
对得到的所述二值图像进行直线拟合,得到过箅条边缘轮廓的所有直线,对直线进行筛选,剔除箅条短边拟合的直线;
建立一个全部为黑色的图像,并大小与所述箅条原图大小相同;
根据保留的所有直线参数,在黑色图像汇总采用白色将直线进行绘制,并使得绘制的直线的宽度等于箅条间隙的宽度,该宽度可根据相邻两箅条边缘轮廓拟合的直线之间的距离进行确定;
所述检测方法包括:
按照相同的划分标准,将所述间隙图像和所述糊堵物图像划分为若干子区域,通过如下公式,获得每个子区域的糊堵占比值;
其中,hudui代表子区域的糊堵占比值,H_Areai代表糊堵物图像子区域的面积,J_Areai代表间隙图像子区域的面积;
所述检测方法包括:
获得所有的子区域的糊堵占比值;
通过矩阵方式存储所有的子区域的糊堵占比值,并且矩阵中的每个子区域的糊堵占比值的位置与图像中的子区域的位置一一对应;
箅条有三排,所述子区域的数量为9个,每一排箅条包括三个子区域;
所述检测方法包括:
得到9个子区域的糊堵占比值,分别为:hudu1,hudu2,hudu3,hudu4,hudu5,hudu6,hudu7,hudu8,hudu9;
通过如下矩阵公式存储该9个子区域的糊堵占比值:
通过如下公式,计算9个子区域的糊堵占比平均值;
通过如下公式,计算9个子区域的糊堵占比均方差;
2.如权利要求1所述的一种烧结机的台车箅条糊堵度检测方法,其特征在于,所述检测方法还包括:
当SumH小于等于预定的第一糊堵阈值时,不发出报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H小于等于预定的第二糊堵阈值时,发出轻量级报警信号;
当SumH大于预定的第一糊堵阈值,并且S2H大于预定的第二糊堵阈值时,发出重量级报警信号。
3.如权利要求1所述的一种烧结机的台车箅条糊堵度检测方法,其特征在于,所述基于所述二值图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像的过程,包括:
在图像中,定义白色像素为1,黑色像素为0;将所述二值图像与所述间隙图像叠加,进行逻辑与或非运算,将图像叠加中的箅条区域及间隙非糊堵物区域去除,剩余糊堵物区域,得到所述糊堵物图像。
4.一种烧结机的台车箅条糊堵度检测系统,用于检测烧结机的台车上所有排箅条的糊堵度,其特征在于,包括:
获取单元,用于获取烧结机的台车上所有排箅条的初始完整图像;
第一预处理单元,用于对所有排箅条的初始完整图像进行第一次图像预处理,得到所有排箅条的二值图像;
第二预处理单元,用于对所有排箅条的实际间隙图像进行第二次图像预处理,得到所有排箅条的间隙图像;
逻辑运算单元,用于基于所述实际间隙图像与所述间隙图像,并基于逻辑运算,得到糊堵物图像;
第一计算单元,用于基于所述间隙图像,得到间隙区域在图像中的面积;基于所述糊堵物图像,得到所述糊堵物图像的面积;
第二计算单元,用于基于所述糊堵物的面积与所述间隙区域的面积的比值,得到箅条的糊堵占比值,所述检测系统包括:
按照相同的划分标准,将所述间隙图像和所述糊堵物图像划分为若干子区域,通过如下公式,获得每个子区域的糊堵占比值;
其中,hudui代表子区域的糊堵占比值,H_Areai代表糊堵物图像子区域的面积,J_Areai代表间隙图像子区域的面积;
所述检测系统包括:
获得所有的子区域的糊堵占比值;
通过矩阵方式存储所有的子区域的糊堵占比值,并且矩阵中的每个子区域的糊堵占比值的位置与图像中的子区域的位置一一对应;
箅条有三排,所述子区域的数量为9个,每一排箅条包括三个子区域;
所述检测系统包括:
得到9个子区域的糊堵占比值,分别为:hudu1,hudu2,hudu3,hudu4,hudu5,hudu6,hudu7,hudu8,hudu9;
通过如下矩阵公式存储该9个子区域的糊堵占比值:
通过如下公式,计算9个子区域的糊堵占比平均值;
通过如下公式,计算9个子区域的糊堵占比均方差;
所述第一预处理单元被进一步配置为:
对所述初始完整图像进行灰度转换;
对经过灰度转换后的图像进行二值转换;
将得到的经过二值转换后的图像进行取反操作,得到所有排箅条的二值图像,其中,图像中黑色区域为箅条区域和糊堵区域,白色区域为箅条间隙区域;
所述第二预处理单元被进一步配置为:
对得到的所述二值图像进行直线拟合,得到过箅条边缘轮廓的所有直线,对直线进行筛选,剔除箅条短边拟合的直线;
建立一个全部为黑色的图像,并大小与所述箅条原图大小相同;
根据保留的所有直线参数,在黑色图像汇总采用白色将直线进行绘制,并使得绘制的直线的宽度等于箅条间隙的宽度,该宽度可根据相邻两箅条边缘轮廓拟合的直线之间的距离进行确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177444.8A CN111223097B (zh) | 2020-03-13 | 2020-03-13 | 一种烧结机的台车箅条糊堵度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177444.8A CN111223097B (zh) | 2020-03-13 | 2020-03-13 | 一种烧结机的台车箅条糊堵度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223097A CN111223097A (zh) | 2020-06-02 |
CN111223097B true CN111223097B (zh) | 2024-04-19 |
Family
ID=70831699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177444.8A Active CN111223097B (zh) | 2020-03-13 | 2020-03-13 | 一种烧结机的台车箅条糊堵度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223097B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005218645A (ja) * | 2004-02-05 | 2005-08-18 | Rikogaku Shinkokai | 三次元濃淡画像抽出方法、装置及び三次元濃淡画像抽出プログラムを記憶した記憶媒体 |
CN103034864A (zh) * | 2012-12-12 | 2013-04-10 | 惠州学院 | 一种基于颜色阈值与角点检测的视频横幅识别方法 |
CN103366170A (zh) * | 2012-04-02 | 2013-10-23 | 鸿富锦精密工业(深圳)有限公司 | 图像二值化处理装置及其方法 |
CN104766078A (zh) * | 2015-04-02 | 2015-07-08 | 四川九洲电器集团有限责任公司 | 目标图像的倾斜角检测方法及倾斜角检测设备 |
CN105021624A (zh) * | 2015-06-30 | 2015-11-04 | 中国人民解放军装甲兵工程学院 | 金刚石砂轮磨削陶瓷堵塞的评定方法 |
CN109724528A (zh) * | 2017-10-30 | 2019-05-07 | 中冶长天国际工程有限责任公司 | 一种烧结机台车的篦条堵塞程度的确定方法及装置 |
CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
-
2020
- 2020-03-13 CN CN202010177444.8A patent/CN111223097B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005218645A (ja) * | 2004-02-05 | 2005-08-18 | Rikogaku Shinkokai | 三次元濃淡画像抽出方法、装置及び三次元濃淡画像抽出プログラムを記憶した記憶媒体 |
CN103366170A (zh) * | 2012-04-02 | 2013-10-23 | 鸿富锦精密工业(深圳)有限公司 | 图像二值化处理装置及其方法 |
CN103034864A (zh) * | 2012-12-12 | 2013-04-10 | 惠州学院 | 一种基于颜色阈值与角点检测的视频横幅识别方法 |
CN104766078A (zh) * | 2015-04-02 | 2015-07-08 | 四川九洲电器集团有限责任公司 | 目标图像的倾斜角检测方法及倾斜角检测设备 |
CN105021624A (zh) * | 2015-06-30 | 2015-11-04 | 中国人民解放军装甲兵工程学院 | 金刚石砂轮磨削陶瓷堵塞的评定方法 |
CN109724528A (zh) * | 2017-10-30 | 2019-05-07 | 中冶长天国际工程有限责任公司 | 一种烧结机台车的篦条堵塞程度的确定方法及装置 |
CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
凌钢烧结机箅条糊堵的原因分析及解决方案;游大军 等;《矿业工程》;20111031;第09卷(第05期);第36-39页 * |
杨帆.《数字图像处理与分析》.北京航空航天大学出版社,2015,第222页. * |
林晓珑等.粘纤用喷丝板堵孔状态自动检测系统.《吉林大学学报(工学版)》.2011,第293-296页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111223097A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN111223094B (zh) | 一种烧结机的台车箅条间距检测方法及系统 | |
US6593961B1 (en) | Test efficient method of classifying image quality of an optical sensor using three categories of pixels | |
CN101272503A (zh) | 一种保持图像清晰度的网格噪声消除方法及其装置 | |
KR101114586B1 (ko) | 불량 화소 제거 장치 및 방법 | |
CN104618703B (zh) | 一种白平衡调整方法 | |
CN109471276B (zh) | 一种液晶屏色偏缺陷检测方法及装置 | |
CN107613229A (zh) | 一种图像传感器坏点检测校正装置及方法 | |
CN111476712B (zh) | 一种烧结机的台车箅条图像的摄取及检测方法、系统 | |
CN110660060B (zh) | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 | |
JPH0957201A (ja) | 特定色領域抽出方式および特定色領域除去方式 | |
CN111223098B (zh) | 一种烧结机的台车箅条倾斜角检测方法及系统 | |
CN111223097B (zh) | 一种烧结机的台车箅条糊堵度检测方法及系统 | |
CN114509445A (zh) | 一种基于聚类分析的污染物识别预警方法及系统 | |
CN115760704A (zh) | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 | |
CN111223096B (zh) | 一种烧结机的台车箅条糊堵度检测方法及系统 | |
CN112634179B (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和系统 | |
CN111223095B (zh) | 一种烧结机的台车箅条间距检测方法及系统 | |
CN207283689U (zh) | 一种图像传感器坏点检测校正装置 | |
CN104778432B (zh) | 图像识别方法 | |
CN111415337B (zh) | 一种烧结机的台车箅条倾斜角检测方法及系统 | |
CN114079735B (zh) | 固定图像噪声的影像补偿系统 | |
CN115684853A (zh) | 搭载紫外成像仪的无人机输电线路故障检测方法及系统 | |
CN111340830A (zh) | 一种烧结机的台车箅条总数检测方法及系统 | |
CN109788261A (zh) | 颜色偏移校正方法及装置 |
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 |