CN111311580A - 一种基于图像识别的汽包液位异常识别方法及系统 - Google Patents
一种基于图像识别的汽包液位异常识别方法及系统 Download PDFInfo
- Publication number
- CN111311580A CN111311580A CN202010101730.6A CN202010101730A CN111311580A CN 111311580 A CN111311580 A CN 111311580A CN 202010101730 A CN202010101730 A CN 202010101730A CN 111311580 A CN111311580 A CN 111311580A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- area
- steam drum
- contact surface
- image
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims description 82
- 230000007797 corrosion Effects 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004441 surface measurement Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种基于图像识别的汽包液位异常识别方法,包括:获取包括汽包液位计的图像;设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;确定所述接触面在所述ROI区域中的位置;根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。本发明无需人工参与,对于先前主要依靠人工目测的汽包液位异常识别方法大大提升了工作效率,通过机器识别汽包液位特征,解决现有汽包液位异常识别效率低影响锅炉工作的问题,避免了由人工参与带来的一系列问题。
Description
技术领域
本发明涉及数字图像识别技术领域和钢铁领域,尤其涉及一种基于图像识别的汽包液位异常识别方法及系统。
背景技术
在钢铁冶金领域的冶炼过程中,汽包又叫锅筒,是锅炉最重要的受压元件,主要用于接受锅炉给水,同时向蒸汽过热器输送饱和蒸汽,连接上升管和下降管构成循环回路,是加热、蒸汽与过热三个过程的连接枢纽;锅筒中储存一定量的饱和水,具有一定的蒸发能力,储存的水量愈多,适应负荷变化的能力就愈大;锅筒内部安装有给水、加药、排污和蒸汽净化等装置,以改善蒸汽品质。在使用汽包的过程中,会出现汽包液位置过高或过低的异常情况,即汽包液位异常,一旦发生汽包液位异常的情况,必须要及时进行处理。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于图像识别的汽包液位异常识别方法及系统,用于解决现有技术的缺陷。
为实现上述目的及其他相关目的,本发明提供一种基于图像识别的汽包液位异常识别方法,包括:
获取包括汽包液位计的图像;
设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
确定所述接触面在所述ROI区域中的位置;
根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
可选地,若所述接触面在所述ROI区域中的位置不在设定阈值范围内,则汽包液位发生异常,反之则汽包液位没有发生异常。
可选地,确定所述接触面在所述ROI区域中的位置,包括:
对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
基于所述检测目标得到所述接触面;
提取所述检测目标的最外围轮廓;
获取所述最外围轮廓的矩形边框;
基于所述矩形边框确定检测目标在所述ROI区域中的位置;
根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
可选地,通过HSV颜色空间识别所述检测目标,包括:
将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
设定HSV颜色空间的识别HSV值范围;
根据所述识别HSV值范围,识别所述检测目标。
可选地,还包括对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
为实现上述目的及其他相关目的,本发明提供一种基于图像识别的汽包液位异常识别系统,包括:
图像获取模块,用于获取包括汽包液位计的图像;
区域设定模块,用于设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
位置确定模块,用于确定所述接触面在所述ROI区域中的位置;
异常判断模块,用于根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
可选地,若所述接触面在所述ROI区域中的位置不在设定阈值范围内,则汽包液位发生异常,反之则汽包液位没有发生异常。
可选地,所述位置确定模块包括:
目标检测单元,用于对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
接触面确定单元,用于基于所述检测目标得到所述接触面;
轮廓提取单元,用于提取所述检测目标的最外围轮廓;
边框获取单元,用于获取所述最外围轮廓的矩形边框;
第一位置确定单元,用于基于所述矩形边框确定检测目标在所述ROI区域中的位置;
第二位置确定单元,用于根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
可选地,所述目标检测单元,包括:
颜色转换子单元,用于将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
范围确定子单元,用于设定HSV颜色空间的识别HSV值范围;
目标识别子单元,用于根据所述识别HSV值范围,识别所述检测目标。
可选地,还包括预处理模块,用于对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
如上所述,本发明的一种基于图像识别的汽包液位异常识别方法及系统,具有以下有益效果:
本发明无需人工参与,对于先前主要依靠人工目测的汽包液位异常识别方法大大提升了工作效率,通过机器识别汽包液位特征,解决现有汽包液位异常识别效率低影响锅炉工作的问题,避免了由人工参与带来的一系列问题。与传统冷床汽包液位技术相比,本发明还具有以下有益效果:使用图像识别的传统算法实现了对汽包液位的目标检测,并采用数据增强技术,膨胀、腐蚀等步骤较好地解决图像识别算法容易出现的噪声的问题,提高了识别的效率和准确率,提升了在实际工业场景下对汽包液位异常识别的效果。
附图说明
图1为本发明一实施例一种基于图像识别的汽包液位异常识别方法的流程图;
图2为本发明一实施例确定所述接触面在所述ROI区域中的位置的流程图;
图3为本发明一实施例通过HSV颜色空间识别所述检测目标的流程图;
图4为本发明一实施例采用的膨胀运算原理图;
图5为本发明一实施例采用的腐蚀运算原理图;
图6为本发明一实施例膨胀后腐蚀的效果图;
图7为本发明一实施例汽包液位的图像示例;
图8为本发明一实施例一种基于图像识别的汽包液位异常识别系统的示意图;
图9为本发明一实施例目标检测单元的示意图;
图10为本发明一实施例位置确定模块的示意图。
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,本实施例中的一种基于图像识别的汽包液位异常识别方法,包括:
S11获取包括汽包液位计的图像;
S12设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
S13确定所述接触面在所述ROI区域中的位置;
S14根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
本发明无需人工参与,对于先前主要依靠人工目测的汽包液位异常识别方法大大提升了工作效率,通过机器识别汽包液位特征,解决现有汽包液位异常识别效率低影响锅炉工作的问题,避免了由人工参与带来的一系列问题。
ROI(region of interest),感兴趣区域。在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。
在一实施例中,汽包液位计采用电子双色液位计。双色液位计根据浮力原理和磁性耦合作用原理工作。当被测容器中的液位升降时,液位计主导管中的浮子也随之升降,浮子内的永久磁钢通过磁耦合作用传递到现场显示盒内高精度电子感应元件,触发相应的数字电路,使LED双色发光管转换颜色,无液全红,满液全绿,红绿接触面就是容器内的实际液位,从而实现液位的现场指示,一目了然。其中,LED双色发光管的红色区域可以被定义为第一区域,绿色区域可以被定义为第二区域,红色区域与绿色区域的接触面被汽包内的实示液位,也就是说可以通过识别红色区域来确定接触面,也可以通过绿色区域来确定接触面,或者同时通过红色区域和绿色区域来确定接触面。
在确定汽包液位是否发生异常时,可以通过判断接触面的位置来判断是否发生异常。若接触面的位置不在预设的范围内,则汽包液位发生异常。当然也可以通过确定红色区域或者绿色区域占整个ROI区的比例来确定是否发生异常,若比例不在设定阈值范围内,则认为汽包液位发生异常,需要发出报警提示,进行液位调整。
在一实施例中,汽包液位计采用垂直安装的方式,第二区域也就是绿色部分在下部,第一区域也就是红色部分在上部。
为了确定接触面,需要确定检测目标,检测目标包括了接触面。确定好了接触面的位置,需要确定检测目标的位置,而要确定检测目标的最外围轮廓。在本实施例中,仅保存最外围轮廓的拐点信息,通过最外围轮廓的拐点信息确定最外围轮廓的边界矩形框,通过边界矩形框确定检测目标在ROI区域中的位置,从而达到识别出汽包液位的目的。
本发明根据上述步骤识别出的接触面在ROI区域中的坐标位置或检测目标高度占ROI区域高度的百分数,判断是否发生汽包液位异常。如图2所示,确定所述接触面在所述ROI区域中的位置,包括:
S21对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
S22基于所述检测目标得到所述接触面;
S23提取所述检测目标的最外围轮廓;
S24获取所述最外围轮廓的矩形边框;
S25基于所述矩形边框确定检测目标在所述ROI区域中的位置;
S26根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
在一实施例中,由于本发明是将液位计的绿色部分作为检测目标,因此,采用HSV颜色空间识别所述检测目标。相对于RGB空间,HSV空间能够非常直观的表达色彩的明暗,色调,以及鲜艳程度,呈现较大的颜色对比,便于划定阈值。
“RGB是通过红绿蓝三原色来描述颜色的颜色空间,R=Red、G=Green、B=Blue。RGB颜色空间以R(Red红)、G(Green绿)、B(Blue蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。
HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。具体地,如图3所示,通过HSV颜色空间识别所述检测目标,包括以下步骤:
S31将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
S32设定HSV颜色空间的识别HSV值范围;包括基于HSV色彩空间设定的最低阈值和最高阈值;
S33根据所述识别HSV值范围,识别所述检测目标。
在一实施例中,所述识别方法还包括对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
膨胀是对图像中的高亮部分进行膨胀,得到比原图更大的高亮区域。其原理为遍历原图像的每一个像素,然后用结构元素的中心点对准当前的这个像素,然后取当前结构元素所覆盖下的原图对应区域内的所有像素的最大值,用这个最大值替换当前像素值。膨胀原理如图4所示,设结构元素大小为3×3:
腐蚀是对原图中的高亮部分进行腐蚀,得到比原图更小的高亮区域。其原理为遍历原图像的每一个像素,然后用结构元素的中心点对准当前正在遍历的这个像素,然后取当前结构元素所覆盖下的原图对应区域内的所有像素的最大值,用这个最大值替换当前像素值。腐蚀原理图如图6所示,设结构元素大小为3×3:
在本发明中,采用进行先膨胀后腐蚀,可以有效排除检测目标里的间断小点,其效果如图6所示。
发明实现无人工参与对工业场景下的汽包液位识别,汽包液位异常的识别准确率在99%以上,在实际使用锅炉的工业场景下,效果极佳,在对汽包液位异常识别的技术领域有了前所未有的飞跃,提高了钢厂的生产效率。
本发明提供一种基于图像识别的汽包液位异常识别方法,判断过程无需人工参与,实现了机器全自动的汽包液位异常识别方案。本发明使用的基于图像识别的汽包液位异常检测算法,能够较好地提取输入图像的特征,对该场景状态下的汽包液位图像能够准确流畅地进行目标检测,根据识别出的汽包液位坐标位置,获取汽包液位占比百分数,判断是否发生汽包液位异常,实现炼钢过程中汽包液位异常情况的及时报警,效果极佳。
如图7所示,一种基于图像识别的汽包液位异常识别系统,包括:
图像获取模块11,用于获取包括汽包液位计的图像;
区域设定模块12,用于设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
位置确定模块13,用于确定所述接触面在所述ROI区域中的位置;
异常判断模块14,用于根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
本发明无需人工参与,对于先前主要依靠人工目测的汽包液位异常识别方法大大提升了工作效率,通过机器识别汽包液位特征,解决现有汽包液位异常识别效率低影响锅炉工作的问题,避免了由人工参与带来的一系列问题。
ROI(region of interest),感兴趣区域。在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。
在一实施例中,汽包液位计采用电子双色液位计。双色液位计根据浮力原理和磁性耦合作用原理工作。当被测容器中的液位升降时,液位计主导管中的浮子也随之升降,浮子内的永久磁钢通过磁耦合作用传递到现场显示盒内高精度电子感应元件,触发相应的数字电路,使LED双色发光管转换颜色,无液全红,满液全绿,红绿接触面就是容器内的实际液位,从而实现液位的现场指示,一目了然。其中,LED双色发光管的红色区域可以被定义为第一区域,绿色区域可以被定义为第二区域,红色区域与绿色区域的接触面被汽包内的实示液位,也就是说可以通过识别红色区域来确定接触面,也可以通过绿色区域来确定接触面,或者同时通过红色区域和绿色区域来确定接触面。
在确定汽包液位是否发生异常时,可以通过判断接触面的位置来判断是否发生异常。若接触面的位置不在预设的范围内,则汽包液位发生异常。当然也可以通过确定红色区域或者绿色区域占整个ROI区的比例来确定是否发生异常,若比例不在设定阈值范围内,则认为汽包液位发生异常,需要发出报警提示,进行液位调整。
在一实施例中,汽包液位计采用垂直安装的方式,第二区域也就是绿色部分在下部,第一区域也就是红色部分在上部。
为了确定接触面,需要确定检测目标,检测目标包括了接触面。确定好了接触面的位置,需要确定检测目标的位置,而要确定检测目标的最外围轮廓。在本实施例中,仅保存最外围轮廓的拐点信息,通过最外围轮廓的拐点信息确定最外围轮廓的边界矩形框,通过边界矩形框确定检测目标在ROI区域中的位置,从而达到识别出汽包液位的目的。
如图8所示,所述位置确定模块包括:
目标检测单元21,用于对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
接触面确定单元22,用于基于所述检测目标得到所述接触面;
轮廓提取单元23,用于提取所述检测目标的最外围轮廓;
边框获取单元24,用于获取所述最外围轮廓的矩形边框;
第一位置确定单元25,用于基于所述矩形边框确定检测目标在所述ROI区域中的位置;
第二位置确定单元26,用于根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
在一实施例中,由于本发明是将液位计的绿色部分作为检测目标,因此,采用HSV颜色空间识别所述检测目标。相对于RGB空间,HSV空间能够非常直观的表达色彩的明暗,色调,以及鲜艳程度,呈现较大的颜色对比,便于划定阈值。
“RGB是通过红绿蓝三原色来描述颜色的颜色空间,R=Red、G=Green、B=Blue。RGB颜色空间以R(Red红)、G(Green绿)、B(Blue蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。
HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。如图9所示,所述目标检测单元,包括:
颜色转换子单元31,用于将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
范围确定子单元32,用于设定HSV颜色空间的识别HSV值范围;
目标识别子单元33,用于根据所述识别HSV值范围,识别所述检测目标。
在一实施例中,还包括预处理模块,用于对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
膨胀是对图像中的高亮部分进行膨胀,得到比原图更大的高亮区域。其原理为遍历原图像的每一个像素,然后用结构元素的中心点对准当前的这个像素,然后取当前结构元素所覆盖下的原图对应区域内的所有像素的最大值,用这个最大值替换当前像素值。膨胀原理如图3所示,设结构元素大小为3×3:
腐蚀是对原图中的高亮部分进行腐蚀,得到比原图更小的高亮区域。其原理为遍历原图像的每一个像素,然后用结构元素的中心点对准当前正在遍历的这个像素,然后取当前结构元素所覆盖下的原图对应区域内的所有像素的最大值,用这个最大值替换当前像素值。腐蚀原理图如图4所示,设结构元素大小为3×3:
在本发明中,采用进行先膨胀后腐蚀,可以有效排除检测目标里的间断小点,其效果如图5所示。
发明实现无人工参与对工业场景下的冷床冲顶识别,汽包液位异常的识别准确率在99%以上,在实际使用锅炉的工业场景下,效果极佳,在对汽包液位异常识别的技术领域有了前所未有的飞跃,提高了钢厂的生产效率。
本发明提供一种基于图像识别的汽包液位异常识别系统,判断过程无需人工参与,实现了机器全自动的汽包液位异常识别方案。本发明使用的基于图像识别的汽包液位异常检测算法,能够较好地提取输入图像的特征,对该场景状态下的汽包液位图像能够准确流畅地进行目标检测,根据识别出的汽包液位坐标位置,获取汽包液位占比百分数,判断是否发生汽包液位异常,实现炼钢过程中汽包液位异常情况的及时报警,效果极佳。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
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 (10)
1.一种基于图像识别的汽包液位异常识别方法,其特征在于,包括:
获取包括汽包液位计的图像;
设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
确定所述接触面在所述ROI区域中的位置;
根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
2.根据权利要求1所述的基于图像识别的汽包液位异常识别方法,其特征在于,若所述接触面在所述ROI区域中的位置不在设定阈值范围内,则汽包液位发生异常,反之则汽包液位没有发生异常。
3.根据权利要求1所述的基于图像识别的汽包液位异常识别方法,其特征在于,确定所述接触面在所述ROI区域中的位置,包括:
对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
基于所述检测目标得到所述接触面;
提取所述检测目标的最外围轮廓;
获取所述最外围轮廓的矩形边框;
基于所述矩形边框确定检测目标在所述ROI区域中的位置;
根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
4.根据权利要求3所述的基于图像识别的汽包液位异常识别方法,其特征在于,通过HSV颜色空间识别所述检测目标,包括:
将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
设定HSV颜色空间的识别HSV值范围;
根据所述识别HSV值范围,识别所述检测目标。
5.根据权利要求3所述的基于图像识别的汽包液位异常识别方法,其特征在于,还包括对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
6.一种基于图像识别的汽包液位异常识别系统,其特征在于,包括:
图像获取模块,用于获取包括汽包液位计的图像;
区域设定模块,用于设定ROI区域,以得到汽包液位计图像;所述汽包液位计包括第一区域和第二区域,所述第一区域与所述第二区域的接触面为汽包的液位;
位置确定模块,用于确定所述接触面在所述ROI区域中的位置;
异常判断模块,用于根据所述接触面在所述ROI区域中的位置判断汽包液位是否发生异常。
7.根据权利要求6所述的基于图像识别的汽包液位异常识别系统,其特征在于,若所述接触面在所述ROI区域中的位置不在设定阈值范围内,则汽包液位发生异常,反之则汽包液位没有发生异常。
8.根据权利要求6所述的基于图像识别的汽包液位异常识别系统,其特征在于,所述位置确定模块包括:
目标检测单元,用于对所述汽包液位计图像进行目标检测,以得到检测目标;所述检测目标为第一区域或/和第二区域;
接触面确定单元,用于基于所述检测目标得到所述接触面;
轮廓提取单元,用于提取所述检测目标的最外围轮廓;
边框获取单元,用于获取所述最外围轮廓的矩形边框;
第一位置确定单元,用于基于所述矩形边框确定检测目标在所述ROI区域中的位置;
第二位置确定单元,用于根据所述检测目标在所述ROI区域中的位置所述接触面在ROI区域中的位置。
9.根据权利要求8所述的基于图像识别的汽包液位异常识别系统,其特征在于,所述目标检测单元,包括:
颜色转换子单元,用于将图像色彩模式由RGB颜色空间转化为HSV颜色空间;
范围确定子单元,用于设定HSV颜色空间的识别HSV值范围;
目标识别子单元,用于根据所述识别HSV值范围,识别所述检测目标。
10.根据权利要求8所述的基于图像识别的汽包液位异常识别系统,其特征在于,还包括预处理模块,用于对所述检测目标进行预处理,所述预处理包括先膨胀后腐蚀处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101730.6A CN111311580A (zh) | 2020-02-19 | 2020-02-19 | 一种基于图像识别的汽包液位异常识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010101730.6A CN111311580A (zh) | 2020-02-19 | 2020-02-19 | 一种基于图像识别的汽包液位异常识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311580A true CN111311580A (zh) | 2020-06-19 |
Family
ID=71161825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010101730.6A Pending CN111311580A (zh) | 2020-02-19 | 2020-02-19 | 一种基于图像识别的汽包液位异常识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311580A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308003A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢货车装载状态识别方法、系统、设备及介质 |
CN112561991A (zh) * | 2020-11-20 | 2021-03-26 | 西安石油大学 | 基于surf特征提取和颜色分割的液位计图像识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017869A (zh) * | 2012-11-28 | 2013-04-03 | 华南农业大学 | 一种基于数字图像处理的水位测定系统及方法 |
CN103398753A (zh) * | 2013-08-21 | 2013-11-20 | 冶金自动化研究设计院 | 基于机器视觉的浮选液位在线检测装置及方法 |
CN106920241A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学 | 一种汽包水位监控方法、装置及系统 |
CN109443480A (zh) * | 2018-11-02 | 2019-03-08 | 南京邮电大学 | 基于图像处理的水位标尺定位及水位测量方法 |
CN109543596A (zh) * | 2018-11-20 | 2019-03-29 | 浙江大华技术股份有限公司 | 一种水位监测方法、装置、电子设备及存储介质 |
CN109657808A (zh) * | 2018-11-19 | 2019-04-19 | 华能桐乡燃机热电有限责任公司 | 一种热电厂锅炉群巡检方法 |
CN109784257A (zh) * | 2019-01-08 | 2019-05-21 | 北京全路通信信号研究设计院集团有限公司 | 一种变压器温度表检测与识别方法 |
CN110322522A (zh) * | 2019-07-11 | 2019-10-11 | 山东领能电子科技有限公司 | 一种基于目标识别区域截取的车辆颜色识别方法 |
-
2020
- 2020-02-19 CN CN202010101730.6A patent/CN111311580A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017869A (zh) * | 2012-11-28 | 2013-04-03 | 华南农业大学 | 一种基于数字图像处理的水位测定系统及方法 |
CN103398753A (zh) * | 2013-08-21 | 2013-11-20 | 冶金自动化研究设计院 | 基于机器视觉的浮选液位在线检测装置及方法 |
CN106920241A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学 | 一种汽包水位监控方法、装置及系统 |
CN109443480A (zh) * | 2018-11-02 | 2019-03-08 | 南京邮电大学 | 基于图像处理的水位标尺定位及水位测量方法 |
CN109657808A (zh) * | 2018-11-19 | 2019-04-19 | 华能桐乡燃机热电有限责任公司 | 一种热电厂锅炉群巡检方法 |
CN109543596A (zh) * | 2018-11-20 | 2019-03-29 | 浙江大华技术股份有限公司 | 一种水位监测方法、装置、电子设备及存储介质 |
CN109784257A (zh) * | 2019-01-08 | 2019-05-21 | 北京全路通信信号研究设计院集团有限公司 | 一种变压器温度表检测与识别方法 |
CN110322522A (zh) * | 2019-07-11 | 2019-10-11 | 山东领能电子科技有限公司 | 一种基于目标识别区域截取的车辆颜色识别方法 |
Non-Patent Citations (2)
Title |
---|
董宜敏 等: ""图像处理技术在汽包水位监视中的应用"", 《测控技术》 * |
董晓: ""计算机视觉测量型锅炉汽包水位监测系统的研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308003A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢货车装载状态识别方法、系统、设备及介质 |
CN112561991A (zh) * | 2020-11-20 | 2021-03-26 | 西安石油大学 | 基于surf特征提取和颜色分割的液位计图像识别方法 |
CN112561991B (zh) * | 2020-11-20 | 2024-04-09 | 西安石油大学 | 基于surf特征提取和颜色分割的液位计图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984930B (zh) | 基于视觉的数字仪表识别系统及其识别方法 | |
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
CN105453153B (zh) | 交通灯检测 | |
CN105659060B (zh) | 轴向力测量方法 | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN111311580A (zh) | 一种基于图像识别的汽包液位异常识别方法及系统 | |
CN109472271B (zh) | 印刷电路板图像轮廓提取方法及装置 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN106412573A (zh) | 一种检测镜头污点的方法和装置 | |
CN105160682B (zh) | 图像边缘检测方法及装置 | |
CN113902641B (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
CN111325164B (zh) | 指针表示数识别方法、装置和电子设备 | |
CN107730521B (zh) | 一种图像中屋脊型边缘的快速检测方法 | |
CN113724193A (zh) | Pcba零部件尺寸及间隙高精度视觉测量方法 | |
CN112907506B (zh) | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 | |
CN105139384B (zh) | 缺陷胶囊检测的方法和装置 | |
CN110111387A (zh) | 一种基于表盘特征的指针表定位及读数算法 | |
CN112560837A (zh) | 一种指针式仪表的读数方法、装置、设备和存储介质 | |
CN109724776A (zh) | 一种烧结机台车的篦条损坏程度的确定方法及装置 | |
CN108520260B (zh) | 瓶装口服液中可见异物的识别方法 | |
CN102004914B (zh) | 检测圆章位置的方法和装置 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN105509657A (zh) | 一种ic卡芯片划痕面积及灰度参量的高精度测量方法 | |
CN110569774A (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |