CN111340027A - 一种堆钢识别方法、系统、电子设备及介质 - Google Patents

Abstract

本发明提供一种堆钢识别方法、系统、电子设备及介质，所述的方法包括：采集轧制轨道的图像信息，设定感兴趣区域；通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；通过所述参数信息，判定是否发生堆钢。通过图像识别轧制轨道，能够较好地提取输入图像的特征，抗干扰能力强，对该场景状态下的堆钢图像能够准确流畅地进行目标检测，实现轧制轨道堆钢时的及时报警，效果轨道较佳。

Description

一种堆钢识别方法、系统、电子设备及介质

技术领域

本发明涉及检测技术领域，特别是涉及一种堆钢识别方法、系统、电子设备及介质。

背景技术

在钢铁冶金领域的冶炼过程中，高速线材在轧制过程时，由于轧制速度和轧辊直径设定不正确、钢温波动太大、轧辊突然断裂等原因，会出现堆钢现象，一旦发生堆钢的情况，必须要及时进行处理。当堆钢发生时，线材可能会大规模溢出轧制轨道，依靠人工近距离观测、报警已经监测，不仅准确度低、时效性差，而且还存在意外安全事故发生的风险。

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堆钢识别方法、系统、电子设备及介质，用于解决现有技术中堆钢识别不便的问题。

为实现上述目的及其他相关目的，本发明提供一种堆钢识别方法，包括：采集轧制轨道的图像信息，设定感兴趣区域；通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；通过所述参数信息，判定是否发生堆钢。

可选的，设定感兴趣区域的步骤包括：将轧制轨道部分设定为感兴趣区域，并将图像信息中感兴趣区域之外的区域进行涂黑处理。

可选的，通过多维数据处理获取检测目标的步骤包括：通过HVS识别将图像信息的红、绿、蓝转化为色调、饱和度、明度，并识别感兴趣区域中的红亮部分，确定为第一目标。

可选的，通过多维数据处理获取检测目标的步骤包括：

设定阈值，对感兴趣区域进行二值化处理，获取二值化图像；

识别二值化图像中高亮部分，确定为第二目标。

可选的，采集所述第一目标和所述第二目标的交集，根据该交集获取所述检测目标。

可选的，提取检测目标的外围轮廓，并获取外围轮廓的参数信息的步骤包括：

采集所述检测目标的外围轮廓，保留所述外围轮廓的拐点；

根据所述拐点确定所述外围轮廓在所述感兴趣区域中的坐标位置；

根据所述坐标位置获取外围轮廓的参数信息。

可选的，二值化识别的数学表达为：

或，

或，

或，

或，

一种堆钢识别系统，包括：采集模块，用于采集轧制轨道的图像信息，设定感兴趣区域；处理模块，用于通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；特征提取模块，用于提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；判定模块，用于通过所述参数信息，判定是否发生堆钢。

一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。

一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。

如上所述，本发明的堆钢识别方法、系统、电子设备及介质，具有以下有益效果：

通过图像识别轧制轨道，能够较好地提取输入图像的特征，抗干扰能力强，对该场景状态下的堆钢图像能够准确流畅地进行目标检测，实现轧制轨道堆钢时的及时报警，效果轨道较佳。

附图说明

图1显示为本发明实施例的堆钢识别方法的流程示意图。

图2显示为本发明实施例的堆钢识别系统的结构示意图。

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。

需要说明的是，本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。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，本发明实施例提供一种堆钢识别方法，包括：

S1：采集轧制轨道的图像信息，设定感兴趣区域，感兴趣区域ROI包括图像信息内包含轧制轨道的部分；

S2：通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别，采用多维数据处理方法方式提高了轧制轨道的识别正确率，降低发生误判的概率；

S3：提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；

S4：通过所述参数信息，判定是否发生堆钢。提高了识别的自动化水平，不仅提高了识别正确率，降低了系统误差，还有利于保护相关人员的安全。

在一些实施过程中，设定感兴趣区域的步骤包括：将轧制轨道部分设定为感兴趣区域，并将图像信息中感兴趣区域之外的区域进行涂黑处理，以提高感兴趣区域中轧制轨道的识别度，便于后续处理。

在一些实施过程中，通过多维数据处理获取检测目标的步骤包括：通过HVS识别将图像信息的红、绿、蓝转化为色调、饱和度、明度，并识别感兴趣区域中的红亮部分，确定为第一目标。运用HSV识别法识别检测目标，即识别ROI区域的红亮部分，得到第一目标。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。HSV目标检测法首先需要将图像色彩模式由RGB转化为HSV(即红、绿、蓝转化为色调、饱和度、明度)。结合实际图像，基于HSV色彩空间图设定最低阈值和最高阈值，即可识别HSV值范围。根据阈值，识别出ROI区域的红亮部分，得到第一目标。

在二值化识别过程中，选取阈值，对ROI区域进行二值化处理，得到相应的二值化图像。首先需要将图像灰度化，将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。灰度化，在RGB模型中，R＝G＝B时，图像彩色呈现一种灰度颜色，该数值叫灰度值。灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。常选用平均值法对图像进行灰度化，即将彩色图像中的R、G、B三个分量的亮度求简单的平均值，将得到的值作为灰度值输出而得到灰度图。其表达式如下：

Gray(i,j)＝(r(i,j)+g(i,j)+b(i,j))/3

图像灰度化后，把灰度图像进行二值化处理。二值化最常用的方法是阈值法，利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值，从而获得二值化的图像。二值化处理可采用以下五种方式之一，其中，src为输入的灰度图像，dst为输出的二值化图像：

或，

或，

或，

或，

例如，在一些实施过程中才可用第一种二值化处理的方式，进行处理。识别二值化图像的高亮部分，得到第二目标。取第一目标和第二目标的交集得到最终检测目标；提取检测目标最外围轮廓，仅保存所检测轮廓拐点信息；获取轮廓的边界矩形框，得到检测目标在ROI区域中的坐标位置；

在一些事实过程中，根据上述步骤识别出的检测目标边界矩形框的坐标位置，得到矩形框宽度、高度、面积等特征，判断是否发生堆钢。当矩形框特征超出给定阈值时，即为发生堆钢，进行报警。利用本发明设计的基于图像识别堆钢识别方法，实现无人工参与对工业场景下的堆钢识别，堆钢的识别准确率在99％以上，在实际使用锅炉的工业场景下，效果极佳，在对堆钢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。

请参阅图2，本发明实施例还提供一种钢识别系统，包括：采集模块10，用于采集轧制轨道的图像信息，设定感兴趣区域；处理模块20，用于通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；特征提取模块30，用于提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；判定模块40，用于通过所述参数信息，判定是否发生堆钢。

进一步的，设定感兴趣区域的步骤包括：将轧制轨道部分设定为感兴趣区域，并将图像信息中感兴趣区域之外的区域进行涂黑处理。

进一步的，通过多维数据处理获取检测目标的步骤包括：通过HVS识别将图像信息的红、绿、蓝转化为色调、饱和度、明度，并识别感兴趣区域中的红亮部分，确定为第一目标。

进一步的，通过多维数据处理获取检测目标的步骤包括：设定阈值，对感兴趣区域进行二值化处理，获取二值化图像；识别二值化图像中高亮部分，确定为第二目标。

进一步的，采集所述第一目标和所述第二目标的交集，根据该交集获取所述检测目标。

进一步的，提取检测目标的外围轮廓，并获取外围轮廓的参数信息的步骤包括：采集所述检测目标的外围轮廓，保留所述外围轮廓的拐点；根据所述拐点确定所述外围轮廓在所述感兴趣区域中的坐标位置；根据所述坐标位置获取外围轮廓的参数信息。

进一步的，二值化识别的数学表达为：

或，

或，

或，

或，

本发明实施例提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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)

1.一种堆钢识别方法，其特征在于，包括：

采集轧制轨道的图像信息，设定感兴趣区域；

通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；

提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；

通过所述参数信息，判定是否发生堆钢。

2.根据权利要求1所述的堆钢识别方法，其特征在于，设定感兴趣区域的步骤包括：将轧制轨道部分设定为感兴趣区域，并将图像信息中感兴趣区域之外的区域进行涂黑处理。

3.根据权利要求1所述的堆钢识别方法，其特征在于，通过多维数据处理获取检测目标的步骤包括：通过HVS识别将图像信息的红、绿、蓝转化为色调、饱和度、明度，并识别感兴趣区域中的红亮部分，确定为第一目标。

4.根据权利要求1或者3所述的堆钢识别方法，其特征在于，通过多维数据处理获取检测目标的步骤包括：

设定阈值，对感兴趣区域进行二值化处理，获取二值化图像；

识别二值化图像中高亮部分，确定为第二目标。

5.根据权利要求4所述的堆钢识别方法，其特征在于，采集所述第一目标和所述第二目标的交集，根据该交集获取所述检测目标。

6.根据权利要求5所述的堆钢识别方法，其特征在于，提取检测目标的外围轮廓，并获取外围轮廓的参数信息的步骤包括：

采集所述检测目标的外围轮廓，保留所述外围轮廓的拐点；

根据所述拐点确定所述外围轮廓在所述感兴趣区域中的坐标位置；

根据所述坐标位置获取外围轮廓的参数信息。

7.根据权利要求1所述的堆钢识别方法，其特征在于，二值化识别的数学表达为：

或，

或，

或，

或，

8.一种堆钢识别系统，其特征在于，包括：

采集模块，用于采集轧制轨道的图像信息，设定感兴趣区域；

处理模块，用于通过多维数据处理获取检测目标，所述多维数据处理包括以下之一：HVS识别、二值化识别；

特征提取模块，用于提取检测目标的外围轮廓，并获取外围轮廓的参数信息，所述参数信息包括以下之一：宽度、高度、面积；

判定模块，用于通过所述参数信息，判定是否发生堆钢。

9.一种设备，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-7中一个或多个所述的方法。

10.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中一个或多个所述的方法。

Images