CN111445444A - 一种基于极化特征的铁水流速检测方法 - Google Patents
一种基于极化特征的铁水流速检测方法 Download PDFInfo
- Publication number
- CN111445444A CN111445444A CN202010165651.1A CN202010165651A CN111445444A CN 111445444 A CN111445444 A CN 111445444A CN 202010165651 A CN202010165651 A CN 202010165651A CN 111445444 A CN111445444 A CN 111445444A
- Authority
- CN
- China
- Prior art keywords
- molten iron
- image
- iron flow
- extremely high
- pixel
- 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.)
- Granted
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 330
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000010287 polarization Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000006073 displacement reaction Methods 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000002893 slag Substances 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001681 protective effect 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Multimedia (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Blast Furnaces (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于极化特征的铁水流速检测方法，通过采集高炉出铁口的铁水流的视频流，将视频流分解成以时间为序的帧图像序列，并对帧图像进行预处理，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离以及计算极高光子特征在世界坐标系中移动的实际水平距离，从而获得铁水流的流速，解决了现有对具有高温、高速、高光的铁水流的流速检测精度不高的技术问题，通过利用非侵入式获取高炉出口铁水流的高帧率视频流，以及实时精确提取极高光子特征，并求取极高光子特征在相邻帧图像间隔时间内移动的水平像素距离，从而实时高精度地检测具有高温、高速、高光的铁水流的流速。
Description
技术领域
本发明主要涉及铁水流速检测技术领域，特指一种基于极化特征的铁水流速检测方法。
背景技术
钢铁行业中，高炉生产的稳定对于整个钢铁企业生产流程来说至关重要。高炉炼铁生产的工序能耗和生产成本都占到了钢铁企业生产的70％以上，然而，高炉内多种多相物质共存且相互作用，且诸多物理化学现象同时发生，在化工领域被认为是最复杂的冶金反应器之一，现有技术手段难以探知处于“黑箱”运行的高炉中内部的压力变化。检测高炉出铁口处铁水的流速能表征高炉炉内的压力，同时也能反映产出的金属和渣之间的比例关系，及时发现并排除异常工况，改善高炉透气性，保证高炉平稳顺行生产。因此，检测高炉出口处铁水的流速对于高炉生产节能减排、提质增效的意义尤为重要。
检测对象为高温高光的铁水，而且检测现场存在不可避免的震动及大量且分布不均的粉尘等强干扰因素，给检测带来极大的挑战。目前有关检测高温铁水流速的方法主要为非接触式测量法，非接触式有：图像法和数值模拟法。
图像法将十字丝标签贴在鱼雷罐的罐体上，通过对十字丝的图像处理,采用特征匹配方法进行粗定位，应用角点检测实现精确定位，获得了鱼雷罐车弹簧的下压移动距离，计算得到流入到鱼雷罐车中铁水的质量，并计算出实时铁水流量现场工人对于出铁口铁水的流量。但是这种的测量方法存在比较大的时滞性和不精确性，难以为高炉的稳定高效生产提供有效的指导意义。
数值模拟法通过建立高炉出铁口铁水出流的机理模型，利用数值模拟的方法计算出了高炉出铁的各阶段的铁水的流速值，但是该方法需要良好的假设环境及非已知的参数值，无法得到准确流速值。
高温高速铁水流速的检测挑战性极大，而且相关专利很少，且现有专利的缺陷较大。
专利公开号CN103480813A发明专利是一种连铸结晶器高温钢液流速测量装置及测量方法，该专利发明了一种对高温钢液流速测量装置，其工作原理是轴承通过固定轴固定在固定装置上，轴承上、下对称位置分别安装弹簧和测量杆，弹簧安装“T”型固定装置上，轴承安装轴承套，通过联轴器连接轴承套和角度位移感器，角度位移传感器由电源供电，记录测量杆在流动钢液中的实时偏转角度，并通过数据线传输到数据采集分析系统，将角度数据转化为钢液流速值。但该专利需要根据装置检测对象不同需要重新配准，使用前将装置预热至1200～1400℃，且检测量程较小，不能检测流速过大的流体，检测结束后装置不能直接检测下一个对象，在使用的可重复性上受到限制。
专利公开号CN104131126A发明专利是一种基于模糊模型的高炉熔渣流量检测方法，该专利建立高炉熔渣流量的模糊推理模型，结合第i时刻的渣面高度的大小对高炉熔渣流量的影响特性，设定关于第i时刻的渣面高度的模糊隶属函数，利用模糊推理模型与模糊隶属函数，建立高炉熔渣流量计算模型，使用高炉熔渣流量计算模型进行高炉实时熔渣总流量的在线检测。但该专利中的初始值是通过工艺人员由人工操作经验知识中获得的，人为因素影响较大，主观性强，且设计流程是一个开环，无法保证长期运行结果的准确性。
发明内容
本发明提供的基于极化特征的铁水流速检测方法，解决了现有对具有高温、高速、高光的铁水流的流速检测精度不高的技术问题。
为解决上述技术问题，本发明提出的基于极化特征的铁水流速检测方法包括：
采集高炉出铁口的铁水流的视频流；
将视频流分解成以时间为序的帧图像序列，并对帧图像序列中的帧图像进行预处理，预处理至少包括提取帧图像的极高光子特征；
利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离；
根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速。
进一步地，对帧图像序列中的帧图像进行预处理包括：
提取帧图像序列中帧图像的静态感兴趣区域，获得初始铁水流区域图像；
对初始铁水流区域图像进行图像分割；
基于图像分割后的初始铁水流区域图像，根据高炉出铁口的位置和预设铁水流区域长度，获得动态感兴趣铁水流区域图像；
对动态感兴趣铁水流区域图像的RGB通道中的B通道图像进行空间域灰度级线性变换，获得动态感兴趣铁水流区域图像的极高光子特征。
进一步地，对初始铁水流区域图像进行图像分割包括：
提取初始铁水流区域图像的RGB通道中的R通道，获得R通道二值图像；
采用最小交叉熵阈值对R通道二值图像进行分割；
对分割后的R通道二值图像进行形态学处理。
进一步地，采用最小交叉熵阈值对R通道二值图像进行分割的计算公式为：
其中，i为R通道二值图像的第i个灰度级，t为分割阈值，n(1,t)为R通道二值图像的背景的灰度平均值，n(t,L+1)为R通道二值图像的前景区域的灰度平均值，t*为最佳阈值，h(i)为R通道二值图像的一维直方图，且i＝1,2,…,L，x,y为R通道二值图像的坐标，f(x,y)为R通道二值图像的灰度值，r(x,y)为进行图像分割后的R通道二值图像的灰度值。
进一步地，对动态感兴趣铁水流区域图像的RGB通道中的B通道图像进行空间域灰度级线性变换包括：
提取动态感兴趣铁水流区域图像的RGB通道中的B通道图像；
对B通道图像进行空间域灰度级线性变换，且对B通道图像进行空间域灰度级线性变换的具体公式为：
其中，b(x,y)是经过线性变换的B通道图像在点(x,y)的灰度，g(x,y)为B通道图像的灰度，t为B通道图像灰度的最小值。
进一步地，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离包括：
在预处理后的相邻帧图像中分别预设参考窗口和搜索窗口，其中，参考窗口的质心为非零像素点且位于极高光子特征的区域中；
将参考窗口在搜索窗口内逐像素移动，并计算参考窗口的像素子集与重叠窗口的像素子集之间的相似度，获得相关强度图，其中，重叠窗口为参考窗口在搜索窗口内逐像素移动时与搜索窗口重叠的窗口；
根据相关强度图，获得极高光子特征的亚像素级位移场；
根据亚像素级位移场，计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离。
进一步地，根据相关强度图，获得极高光子特征的亚像素级位移场包括：
以相关强度图中的峰值点为中心，在预设区域内采用最小二乘法进行二次曲面拟合，获得二次曲面；
根据二次曲面获得亚像素级位移场。
进一步地，获得极高光子特征的亚像素级位移场之后，根据亚像素级位移场，计算极高光子特征在相邻帧图像间隔时间内移动的像素距离之前还包括：
对亚像素级位移场进行邻域滤波。
进一步地，对亚像素级位移场进行邻域滤波包括：
在亚像素级位移场的预设水平像素位移向量区域内将非零值从大到小进行排序，获得水平像素位移向量序列；
在水平像素位移向量序列的位移向量之间作差分，取差分的绝对值，获得差分序列，并计算差分序列的平均值，获得第一平均值；
取差分序列中的三个最小的差分值，计算与三个最小的差分值对应的位移向量的平均值，获得第二平均值；
判断预设水平像素位移向量区域内的单个位移向量与第二平均值的差分是否超过第一平均值，若是，则将其视为异常值；
计算预设水平像素位移向量区域内的非异常值的位移向量集合的平均值，替代并滤除异常值。
进一步地，根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速包括：
根据现场的安装参数对采集高炉出铁口的铁水流的视频流的高速相机进行标定，建立图像坐标系与世界坐标系之间的关系；
求解极高光子特征在世界坐标系中移动的实际水平距离，且计算实际水平距离的计算公式为：
根据所有极高光子特征在世界坐标系中移动的实际水平距离，获得铁水流在连续两帧图像间隔时间内移动的水平距离，具体公式为：
其中，
为铁水流在连续两帧图像间隔时间内移动的平均水平距离，J为极高光子特征的个数，SWj为第j个极高光子特征在世界坐标系中移动的实际水平距离，j＝1,2,…,J；
基于铁水流在连续两帧图像间隔时间内移动的平均水平距离获得铁水流的流速，具体公式为：
其中，V为铁水流的流速，f为相机拍摄的帧率，α为高炉出铁口的倾角。
与现有技术相比，本发明的优点在于：
本发明提供的基于极化特征的铁水流速检测方法，通过采集高炉出铁口的铁水流的视频流；将视频流分解成以时间为序的帧图像序列，并对帧图像序列中的帧图像进行预处理，预处理至少包括提取帧图像的极高光子特征；利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离；根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速，解决了现有对具有高温、高速、高光的铁水流的流速检测精度不高的技术问题，通过利用非侵入式获取高炉出口铁水流的高帧率视频流，以及实时精确提取极高光子特征，并求取极高光子特征在相邻帧图像间隔时间内移动的水平像素距离，从而实时高精度地检测具有高温、高速、高光的铁水流的流速。
附图说明
图1为本发明实施例一的基于极化特征的铁水流速检测方法的流程图；
图2为本发明实施例二的基于极化特征的铁水流速检测方法的流程图；
图3为本发明实施例二的现场示意图；
图4为本发明实施例二的图像互相关法示意图；
图5为本发明实施例二的用于图像互相关法的零值滤除示意图；
图6为本发明实施例三的基于极化特征的铁水流速检测方法的流程图。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1，本发明实施例一提供的基于极化特征的铁水流速检测方法，包括：
步骤S101，采集高炉出铁口的铁水流的视频流；
步骤S102，将视频流分解成以时间为序的帧图像序列，并对帧图像序列中的帧图像进行预处理，预处理至少包括提取帧图像的极高光子特征；
步骤S103，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离；
步骤S104，根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速。
本发明实施例提供的基于极化特征的铁水流速检测方法，通过采集高炉出铁口的铁水流的视频流；将视频流分解成以时间为序的帧图像序列，并对帧图像序列中的帧图像进行预处理，预处理至少包括提取帧图像的极高光子特征；利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离；根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速，解决了现有对具有高温、高速、高光的铁水流的流速检测精度不高的技术问题，通过利用非侵入式获取高炉出口铁水流的高帧率视频流，以及实时精确提取极高光子特征，并求取极高光子特征在相邻帧图像间隔时间内移动的水平像素距离，从而实时高精度地检测具有高温、高速、高光的铁水流的流速。
具体地，由于现有技术不管是采用接触式还是非接触式检测高温熔融流体流速，都会因检测对象的超高温性及环境的恶劣性严重影响检测的准确性，而本发明实施例较新颖地提出通过提取铁水流的极高光子特征，并求取极高光子特征在相邻帧图像间隔时间内移动的水平像素距离，从而实时高精度地检测具有高温、高速、高光的铁水流的流速。该方法具有高精确性，强稳定性，长周期性，适用于高温或过高温的高速流动的流体，投资成本少等优点。
需要说明的是，本实施例的极化特征具体是指铁水流的极高光特征，即铁水流表面明亮的特征区域，本实施例之所以想到利用铁水流的极高光特征来检测铁水流的流速，是由于出铁场存在较多的粉尘，导致铁水流的表面呈现出明暗分布，而明亮的部分受粉尘较小，因此提出利用明亮区域作为特征，并通过图像分割等预处理获得多个极高光子特征，最终基于极高光子特征实现铁水流的非接触检测，大大减少了粉尘对测量结果的影响，提高了检测的精度。
本发明的目的是设计一种基于极化特征的高炉出铁口铁水流速检测的方法，该方法采取非侵入式获取铁水流的高饱和度、高帧率视频，利用所提的方法快速跟踪铁水的极高光特征，将图像坐标系转化之世界坐标系后得到铁水的实时流速值。该方法具有高精确性，强稳定性，长周期性，投资成本少等优点。
本发明的目的是在高光压制下获取的铁水流图像中提供一种获取铁水流极高光特征的快速有效的方法。本发明的目的是在于提出一种基于所提取的铁水极高光特征的显著特征匹配的方法，实现实时高精度地检测铁水流的流速。
实施例二
参照图2，本发明实施例二提供的基于极化特征的铁水流速检测方法包括：
步骤S201，采集高炉出铁口的铁水流的视频流。
具体地，本实施例首先确定高速相机的选型，并安装防护装置，在高炉出铁口现场选择合适的位置安装并固定相机，参照图3，采集高帧率铁水流视频，并进行相机的标定。在相机选型上，为满足测速需求，最主要是帧率和分辨率的参数选择，合适的帧率能获取铁水流动的细节，足够的分辨率在图像上提供更多的细节信息，并且相机具有减光滤光和抗尘抗噪的功能，以保证在复杂恶劣的现场长期稳定运行的要求。
在高炉出铁口铁水出流的过程中，铁水向外散发强烈的光和热辐射，周围伴有大量的粉尘及强烈的震动，为减少恶劣的检测环境对工业相机的影响，对工业相机安装的防护装置，隔绝外部剧烈的热辐射和大量的粉尘。
高炉的出口为一个直径为定值R的圆孔，将其作为标定物，高炉的出口在图像上的像素距离为Rc。铁水的特征区域在两帧时间内移动的像素距离SC较小，且离高炉的出口比较近，利用比例关系来求解突出在世界坐标系移动像素距离SW，即
步骤S202，提取帧图像序列中的帧图像的静态感兴趣区域，获得初始铁水流区域图像，对初始铁水流区域图像进行图像分割，基于图像分割后的初始铁水流区域图像，根据高炉出铁口的位置和预设铁水流区域长度，获得动态感兴趣铁水流区域图像。
具体地，高速相机捕获的每一秒高帧率视频流都由大量的帧图像数据组成，在实时处理系统中，图像数据的高速累加将导致消耗相当可观的时间去处理，造成在线分析的时间长延迟，所以，减少图像数据的处理量是很必要的，而提取出感兴趣铁水流区域是在不破坏图像细节的前提下快速有效的办法，同时也为后面极化特征的提取做好了前期准备。为了准确提取处当前铁水出流过程中最优的铁水流区域，依据现场铁水出流的图像特点，提出了动态获取铁水流区域的方法，其步骤如下
Step1：将高帧率视频流分解为帧图像序列，为保证在每一时刻所提取的感兴趣铁水流区域都能包含整个出铁过程铁水流可能出现的位置，并尽可能多的去除铁水流区域无关的图像区域，对所采集的帧图像进行区域较大的静态感兴趣区域提取，得到初次提取铁水流区域的图像。
Step2：前景为发出红黄色光的铁水流，由于红黄色的光为长波段的光，对粉尘有较好的穿透性，因此，提取图像的R通道来减少粉尘的影响。为了提高图像分割的效率，通过最小交叉熵阈值对图像进行分割。假设原始图像的一维直方图由h(i)(i＝1,2,…,L)组成，交叉熵判别函数可表达为，
其中，i为R通道二值图像的第i个灰度级，t为分割阈值，n(1,t)为R通道二值图像的背景的灰度平均值，n(t,L+1)为R通道二值图像的前景区域的灰度平均值，h(i)为R通道二值图像的一维直方图，且i＝1,2,…,L。
Step3：最佳阈值该式t*＝argmin{D(t)}确定，因此，在二值图像中的灰度值r(x,y)由下式确定：
其中，t*为最佳阈值，x,y为R通道二值图像的坐标，f(x,y)为R通道二值图像的灰度值，r(x,y)为进行图像分割后的R通道二值图像的灰度值。
Step4：由于铁水边缘附近可能出现飞溅出来的铁水，需要对分割后的二值图像进行形态学处理，去除小像素区域，将铁水流区域很好地分割出来。
Step5：依据先验知识，确定铁口的位置和满意铁水流区域的长度，那么，感兴趣的矩形区域左右两端点已经被固定，只需要判断两端点之间铁水流最高与最低点的位置，得到最优动态感兴趣铁水流区域。
步骤S203，对动态感兴趣铁水流区域图像的RGB通道中的B通道图像进行空间域灰度级线性变换，获得帧图像的极高光子特征，极高光子特征具体为铁水流表面明亮的特征区域。
具体地，铁水流高速出流过程中，铁水自身向外发出强烈的光辐射和热辐射，肉眼无法分辨出光强度的差异，而高速相机能捕捉到这种细微的光强度差别。为了提取出光强度差异明显的图像，凸显出铁水流极高光特征，基于图像上铁水流区域的RG通道上的灰度大小基本一致而在B通道中灰度级具有较大的差异性的特点，因此，对图像进行通道分解，在B通道进行如下式的空间域灰度级线性变换：
其中，其中，b(x,y)是经过线性变换的B通道图像在点(x,y)的灰度，g(x,y)为B通道图像的灰度，t为B通道图像灰度的最小值。
由于较小区域的极高光特征无法提供可靠可跟踪的子特征信息，利用形态学中的开闭操作即可剔除较小区域的极高光特征。本实施例通过利用图像增强可以增强极高光特征，便于极高光子特征的分割与提取。
步骤S204，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离。
参照图4，本实施例以预处理后的帧图像中的极高光子特征的区域中的非零像素点作为参考窗口的质心，提取出的像素子集与较大区域搜索窗口中的像素子集比较，在搜索窗口中绘制相关强度图的工作流程通常为：让参考窗口在搜索窗口内逐像素移动，经过图5所示的零值滤除操作后，通过下式计算参考窗口的像素子集和重叠像素子集之间的相似度(归一化相关系数)，参考窗口中心点在搜索窗口中所经过的位置都产生一个相关强度值。
这里Cov(R,O)为参考窗口像素子集与重叠像素子集的协方差，D(R)和D(O)分别为参考窗口像素子集与重叠像素子集的方差。将公式应用在频域中，使用快速傅立叶变换(FFT)可极大地提高了处理速度。
相关强度图中的峰值点便是参考窗口在搜索窗口中的最佳极高光子特征匹配点，但匹配精度只能达到整数像素级。
为了进一步提高互相关法的精度，以相关强度图中的峰值点为中心，在3*3区域内进行二次曲面拟合。曲面方程可简写为，
a0+a1i+a2j+a3i2+a4ij+a5j2＝C(i,j) (6)
这里a0～a5是曲面方程的系数，C(i,j)为在点(i,j)的相关强度值。为了确定六个未知的参数，可通过最小二乘法最小化二次误差和，表达式为，
本实施例获得拟合的二次曲面后，利用二次曲面即可获得亚像素级位移场。在整个铁水流区域完成互相关法的极高光子特征亚像素级匹配后，由于在局部区域内的位移向量差别很小，因此，对亚像素级位移场应用邻域滤波，整个流程如下，
Step1：在5*5的水平像素位移向量区域内将非零值进行从大到小的排序；
Step2：在相邻值之间作差分，取差分的绝对值，并计算差分序列的平均值avg1；
Step3：取三个最小差分值，计算与之对应的位移矢量的平均值avg2；
Step4：如果5*5区域内单个位移向量与平均值avg2的差分超过avg1，则将其视为异常值；
Step5：计算5*5区域内非异常值的位移矢量集合的平均值，替代并滤除异常值。
本实施例通过测量极高光子特征中所有点的位移，能精准获得极高光子特征的位移场，从而进一步精准获得亚像素级位移场，有利于提高铁水流的流速检测精度，此外，本实施例采用改进的邻域滤波方法对亚像素级位移场进行邻域滤波，从而能得到高精度的亚像素级位移场，同样能提高铁水流的流速检测精度。
考虑到铁水流动过程中垂直方向的运动主要受重力的影响，而水平方向的运动只受空气阻力的影响，在此，忽略空气阻力的影响，对所有极高光子特征子特征的水平位移矢量取平均值，结合相机标定的结果，即可确定铁水流在世界坐标系中的流速值。
步骤S205,根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速。
利用相机标定的结果，可得到所有极高光子特征在世界坐标系移动的距离序列SWj，其中j＝1,2,…,J，，并对其取平均值，即可确定铁水流在连续两帧时间内移动的水平距离
其中，
为铁水流在连续两帧图像间隔时间内移动的平均水平距离，J为极高光子特征的个数，SWj为第j个极高光子特征在世界坐标系中移动的实际水平距离，j＝1,2,…,J，高炉出铁口的倾角α，通过铁水流移动的平均水平距离
和相机拍摄的帧率f，利用速度公式求得铁水流速，表示为
其中，V为铁水流的流速，f为相机拍摄的帧率，α为高炉出铁口的倾角。
实施例三
下面结合附图对本发明具体实施方案情况进一步说明，本发明应用于国内某2650m3高炉上，在高炉上的三个出铁口的均依照图3安装高速相机及保护装置。据现场工人估计，高炉出铁口铁水流速为5～6m/s。为满足流速检测需求，高速相机分辨率为1280*720，帧率为240，且为了让高速相机稳定运行，保护装置利用风冷将外部大量的热辐射隔绝，并带走高速相机散发的热量。具体实施方案是依据图6的示意图完成铁水流速的整个检测过程，其检测步骤如下：
根据高速相机的安装参数及现场数据，对相机进行标定，确定图像坐标系与世界坐标系之间的关系；
在高炉出铁的一个周期内，高速相机实时采集铁水流出流视频，将视频流分解为图像序列；
在图像序列中，利用先验知识和图像分割算法得到相邻两帧图像中最优感兴趣铁水流区域，随后对铁水流区域分解出来的B通道进行图像线性增强操作，完成图像预处理过程；
在铁水流区域中利用本发明提出的零值滤除方法，获取参考窗口在搜索窗口绘制的相关强度图，然后通过二次曲面拟合法确定极高光特征精确的位移向量，最后，利用本发明的邻域滤波方法滤除伪匹配的同时填充正确的位移向量，进而得到铁水流极高光子特征的位移向量；
通过计算所得到的铁水流极高光子特征的水平位移向量，结合相机标定的结果和出铁口的仰角确定了当前时刻的铁水流流速。
本发明实施例提供的基于极化特征的铁水流速检测方法，通过采集高炉出铁口的铁水流的视频流，将视频流分解成以时间为序的帧图像序列，并对帧图像序列中的帧图像进行预处理，预处理至少包括提取帧图像的极高光子特征，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算极高光子特征在相邻帧图像间隔时间内移动的水平像素距离以及根据水平像素距离，计算极高光子特征在世界坐标系中移动的实际水平距离，并根据实际水平距离获得铁水流的流速，解决了现有对具有高温、高速、高光的铁水流的流速检测精度不高的技术问题，通过利用非侵入式获取高炉出口铁水流的高帧率视频流，以及实时精确提取极高光子特征，并求取极高光子特征在相邻帧图像间隔时间内移动的像素距离，从而实现对具有高温、高速、高光的铁水流的流速检测过程。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于极化特征的铁水流速检测方法，其特征在于，所述方法包括：
采集高炉出铁口的铁水流的视频流；
将所述视频流分解成以时间为序的帧图像序列，并对所述帧图像序列中的帧图像进行预处理，所述预处理至少包括提取所述帧图像的极高光子特征；
利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算所述极高光子特征在相邻帧图像间隔时间内移动的水平像素距离；
根据所述水平像素距离，计算所述极高光子特征在世界坐标系中移动的实际水平距离，并根据所述实际水平距离获得所述铁水流的流速。
2.根据权利要求1所述的基于极化特征的铁水流速检测方法，其特征在于，对所述帧图像序列中的帧图像进行预处理包括：
提取所述帧图像序列中帧图像的静态感兴趣区域，获得初始铁水流区域图像；
对所述初始铁水流区域图像进行图像分割；
基于图像分割后的初始铁水流区域图像，根据高炉出铁口的位置和预设铁水流区域长度，获得动态感兴趣铁水流区域图像；
对所述动态感兴趣铁水流区域图像的RGB通道中的B通道图像进行空间域灰度级线性变换，获得所述动态感兴趣铁水流区域图像的极高光子特征。
3.根据权利要求2所述的基于极化特征的铁水流速检测方法，其特征在于，对所述初始铁水流区域图像进行图像分割包括：
提取所述初始铁水流区域图像的RGB通道中的R通道，获得R通道二值图像；
采用最小交叉熵阈值对所述R通道二值图像进行分割；
对分割后的R通道二值图像进行形态学处理。
4.根据权利要求3所述的基于极化特征的铁水流速检测方法，其特征在于，采用最小交叉熵阈值对所述R通道二值图像进行分割的计算公式为：
其中，i为所述R通道二值图像的第i个灰度级，t为分割阈值，n(1,t)为所述R通道二值图像的背景的灰度平均值，n(t,L+1)为所述R通道二值图像的前景区域的灰度平均值，t*为最佳阈值，h(i)为所述R通道二值图像的一维直方图，且i＝1,2,...,L，x,y为所述R通道二值图像的坐标，f(x,y)为所述R通道二值图像的灰度值，r(x,y)为进行图像分割后的R通道二值图像的灰度值。
5.根据权利要求4所述的基于极化特征的铁水流速检测方法，其特征在于，对所述动态感兴趣铁水流区域图像的RGB通道中的B通道图像进行空间域灰度级线性变换包括：
提取所述动态感兴趣铁水流区域图像的RGB通道中的B通道图像；
对所述B通道图像进行空间域灰度级线性变换，且对所述B通道图像进行空间域灰度级线性变换的具体公式为：
其中，b(x,y)是经过线性变换的B通道图像在点(x,y)的灰度，g(x,y)为所述B通道图像的灰度，t为所述B通道图像灰度的最小值。
6.根据权利要求1-5任一所述的基于极化特征的铁水流速检测方法，其特征在于，利用互相关法在预处理后的相邻帧图像中匹配极高光子特征，并计算所述极高光子特征在相邻帧图像间隔时间内移动的水平像素距离包括：
在预处理后的相邻帧图像中分别预设参考窗口和搜索窗口，其中，所述参考窗口的质心为非零像素点且位于所述极高光子特征的区域中；
将所述参考窗口在所述搜索窗口内逐像素移动，并计算所述参考窗口的像素子集与重叠窗口的像素子集之间的相似度，获得相关强度图，其中，所述重叠窗口为所述参考窗口在所述搜索窗口内逐像素移动时与所述搜索窗口重叠的窗口；
根据所述相关强度图，获得所述极高光子特征的亚像素级位移场；
根据所述亚像素级位移场，计算所述极高光子特征在相邻帧图像间隔时间内移动的水平像素距离。
7.根据权利要求6所述的基于极化特征的铁水流速检测方法，其特征在于，根据所述相关强度图，获得所述极高光子特征的亚像素级位移场包括：
以所述相关强度图中的峰值点为中心，在预设区域内采用最小二乘法进行二次曲面拟合，获得二次曲面；
根据所述二次曲面获得亚像素级位移场。
8.根据权利要求7所述的基于极化特征的铁水流速检测方法，其特征在于，获得所述极高光子特征的亚像素级位移场之后，根据所述亚像素级位移场，计算所述极高光子特征在相邻帧图像间隔时间内移动的像素距离之前还包括：
对所述亚像素级位移场进行邻域滤波。
9.根据权利要求8所述的基于极化特征的铁水流速检测方法，其特征在于，对所述亚像素级位移场进行邻域滤波包括：
在所述亚像素级位移场的预设水平像素位移向量区域内将非零值从大到小进行排序，获得水平像素位移向量序列；
在所述水平像素位移向量序列的位移向量之间作差分，取差分的绝对值，获得差分序列，并计算所述差分序列的平均值，获得第一平均值；
取所述差分序列中的三个最小的差分值，计算与所述三个最小的差分值对应的位移向量的平均值，获得第二平均值；
判断预设水平像素位移向量区域内的单个位移向量与所述第二平均值的差分是否超过所述第一平均值，若是，则将其视为异常值；
计算预设水平像素位移向量区域内的非异常值的位移向量集合的平均值，替代并滤除所述异常值。
10.根据权利要求9所述的基于极化特征的铁水流速检测方法，其特征在于，根据所述水平像素距离，计算所述极高光子特征在世界坐标系中移动的实际水平距离，并根据所述实际水平距离获得所述铁水流的流速包括：
根据现场的安装参数对采集高炉出铁口的铁水流的视频流的高速相机进行标定，建立图像坐标系与世界坐标系之间的关系；
求解所述极高光子特征在世界坐标系中移动的实际水平距离，且计算所述实际水平距离的计算公式为：
根据所有极高光子特征在世界坐标系中移动的实际水平距离，获得所述铁水流在连续两帧图像间隔时间内移动的水平距离，具体公式为：
其中，
为所述铁水流在连续两帧图像间隔时间内移动的平均水平距离，J为极高光子特征的个数，SWj为第j个极高光子特征在世界坐标系中移动的实际水平距离，j＝1,2,…,J；
基于所述铁水流在连续两帧图像间隔时间内移动的平均水平距离获得所述铁水流的流速，具体公式为：
其中，V为所述铁水流的流速，f为相机拍摄的帧率，α为高炉出铁口的倾角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165651.1A CN111445444B (zh) | 2020-03-11 | 2020-03-11 | 一种基于极化特征的铁水流速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010165651.1A CN111445444B (zh) | 2020-03-11 | 2020-03-11 | 一种基于极化特征的铁水流速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445444A true CN111445444A (zh) | 2020-07-24 |
| CN111445444B CN111445444B (zh) | 2020-12-01 |
Family
ID=71627416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010165651.1A Active CN111445444B (zh) | 2020-03-11 | 2020-03-11 | 一种基于极化特征的铁水流速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445444B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862769A (zh) * | 2021-01-28 | 2021-05-28 | 中南大学 | 一种高炉渣铁比在线智能监测方法及系统 |
| CN112884806A (zh) * | 2021-01-12 | 2021-06-01 | 昆明理工大学 | 一种基于结合块匹配和密集逆向搜索的视频测流方法及装置 |
| CN113077480A (zh) * | 2021-03-25 | 2021-07-06 | 西安道法数器信息科技有限公司 | 一种基于枪球联动的高炉渣铁沟盖板铺设方法及系统 |
| CN113188592A (zh) * | 2021-04-12 | 2021-07-30 | 攸太科技(台州)有限公司 | 一种尿液流速流量识别方法 |
| WO2022229051A1 (en) | 2021-04-26 | 2022-11-03 | Basf Se | Computer-implemented method for determining an absolute velocity of at least one moving object |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060134728A1 (en) * | 2003-12-16 | 2006-06-22 | Kimberly-Clark Worlwide, Inc. | Microbial detection and quantification |
| CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
| CN107425895A (zh) * | 2017-06-21 | 2017-12-01 | 西安电子科技大学 | 一种基于实测的3d mimo统计信道建模方法 |
| CN107871115A (zh) * | 2016-11-01 | 2018-04-03 | 中国科学院沈阳自动化研究所 | 一种基于图像的海底热液喷口的识别方法 |
| WO2018174721A2 (en) * | 2017-03-23 | 2018-09-27 | Brainwidesolutions As | Indicator fluids, systems, and methods for assessing movement of substances within, to or from a cerebrospinal fluid, brain or spinal cord compartment of a cranio-spinal cavity of a human |
| CN108733094A (zh) * | 2018-05-23 | 2018-11-02 | 山东钢铁集团日照有限公司 | 一种转炉入炉铁水量偏差控制方法及实施系统 |
| CN108754351A (zh) * | 2018-05-24 | 2018-11-06 | 长沙小如信息科技有限公司 | 一种高强度抗震钢筋及其制备方法 |
| CN108998608A (zh) * | 2018-07-24 | 2018-12-14 | 中南大学 | 一种基于红外机器视觉的高炉出铁口铁水温度测量方法及系统 |
| CN109029737A (zh) * | 2018-09-05 | 2018-12-18 | 中冶赛迪技术研究中心有限公司 | 一种测温取样的智能视觉定位方法 |
| CN109353359A (zh) * | 2018-12-03 | 2019-02-19 | 中冶赛迪工程技术股份有限公司 | 智慧铁水运输系统 |
| CN109543587A (zh) * | 2018-11-16 | 2019-03-29 | 中南大学 | 一种高温熔融流体流速检测方法及系统 |
| US10254499B1 (en) * | 2016-08-05 | 2019-04-09 | Southern Methodist University | Additive manufacturing of active devices using dielectric, conductive and magnetic materials |
-
2020
- 2020-03-11 CN CN202010165651.1A patent/CN111445444B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060134728A1 (en) * | 2003-12-16 | 2006-06-22 | Kimberly-Clark Worlwide, Inc. | Microbial detection and quantification |
| US10254499B1 (en) * | 2016-08-05 | 2019-04-09 | Southern Methodist University | Additive manufacturing of active devices using dielectric, conductive and magnetic materials |
| CN107871115A (zh) * | 2016-11-01 | 2018-04-03 | 中国科学院沈阳自动化研究所 | 一种基于图像的海底热液喷口的识别方法 |
| CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
| WO2018174721A2 (en) * | 2017-03-23 | 2018-09-27 | Brainwidesolutions As | Indicator fluids, systems, and methods for assessing movement of substances within, to or from a cerebrospinal fluid, brain or spinal cord compartment of a cranio-spinal cavity of a human |
| CN107425895A (zh) * | 2017-06-21 | 2017-12-01 | 西安电子科技大学 | 一种基于实测的3d mimo统计信道建模方法 |
| CN108733094A (zh) * | 2018-05-23 | 2018-11-02 | 山东钢铁集团日照有限公司 | 一种转炉入炉铁水量偏差控制方法及实施系统 |
| CN108754351A (zh) * | 2018-05-24 | 2018-11-06 | 长沙小如信息科技有限公司 | 一种高强度抗震钢筋及其制备方法 |
| CN108998608A (zh) * | 2018-07-24 | 2018-12-14 | 中南大学 | 一种基于红外机器视觉的高炉出铁口铁水温度测量方法及系统 |
| CN109029737A (zh) * | 2018-09-05 | 2018-12-18 | 中冶赛迪技术研究中心有限公司 | 一种测温取样的智能视觉定位方法 |
| CN109543587A (zh) * | 2018-11-16 | 2019-03-29 | 中南大学 | 一种高温熔融流体流速检测方法及系统 |
| CN109353359A (zh) * | 2018-12-03 | 2019-02-19 | 中冶赛迪工程技术股份有限公司 | 智慧铁水运输系统 |
Non-Patent Citations (4)
| Title |
|---|
| DONG PAN ET AL.: "《Temperature measurement and compensation method of blast furnace molten iron based on infrared computer vision》", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
| MARIA DA CONCEICAO COSTA PEREIRA ET AL.: "《Inorganic scintillation crystals for neutron detection》", 《2013 3RD INTERNATIONAL CONFERENCE ON ADVANCEMENTS IN NUCLEAR INSTRUMENTATION, MEASUREMENT METHODS AND THEIR APPLICATIONS (ANIMMA)》 * |
| S. D. KALMANI ET AL.: "《Study of Mixed Gas Flow Pattern Inside RPC》", 《INTERNATIONAL JOURNAL OF APPLIED ENGINEERING RESEARCH》 * |
| 刘俊杰: "《红外辐射时间差动态铁水垂直流速检测的研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884806A (zh) * | 2021-01-12 | 2021-06-01 | 昆明理工大学 | 一种基于结合块匹配和密集逆向搜索的视频测流方法及装置 |
| CN112884806B (zh) * | 2021-01-12 | 2022-09-02 | 昆明理工大学 | 一种基于结合块匹配和密集逆向搜索的视频测流方法及装置 |
| CN112862769A (zh) * | 2021-01-28 | 2021-05-28 | 中南大学 | 一种高炉渣铁比在线智能监测方法及系统 |
| CN113077480A (zh) * | 2021-03-25 | 2021-07-06 | 西安道法数器信息科技有限公司 | 一种基于枪球联动的高炉渣铁沟盖板铺设方法及系统 |
| CN113077480B (zh) * | 2021-03-25 | 2023-06-27 | 济南伊斯达自控工程有限公司 | 一种基于枪球联动的高炉渣铁沟盖板铺设方法及系统 |
| CN113188592A (zh) * | 2021-04-12 | 2021-07-30 | 攸太科技(台州)有限公司 | 一种尿液流速流量识别方法 |
| WO2022229051A1 (en) | 2021-04-26 | 2022-11-03 | Basf Se | Computer-implemented method for determining an absolute velocity of at least one moving object |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445444B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445444B (zh) | 一种基于极化特征的铁水流速检测方法 | |
| US11605169B2 (en) | Method and system for detecting flow velocity of high-temperature molten fluid | |
| CN109969736B (zh) | 一种大型运载皮带跑偏故障智能检测方法 | |
| CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
| CN103017869B (zh) | 一种基于数字图像处理的水位测定系统及方法 | |
| CN111413516B (zh) | 一种基于极化特征的铁水流速检测装置 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN110378957B (zh) | 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统 | |
| CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
| CN110472722A (zh) | 基于机器视觉技术的钢坯计数装置和方法 | |
| CN106441584A (zh) | 基于红外测温的转炉下渣检测方法 | |
| CN104197900A (zh) | 一种汽车仪表指针刻度识别方法 | |
| CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN110751669A (zh) | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统 | |
| CN103267498B (zh) | 铁矿石粗糙度自动数字量化测量方法 | |
| CN109308707B (zh) | 铝锭厚度非接触式在线测量方法 | |
| CN112884731B (zh) | 一种基于机器视觉的水位检测方法及河道监测方法 | |
| CN116863249B (zh) | 基于人工智能的煤矿传送带跑偏识别方法 | |
| CN117892173A (zh) | 一种基于多模态矿石异物智能识别方法 | |
| CN113838114A (zh) | 一种基于边缘散焦追踪的高炉料面深度估计方法及系统 | |
| CN114332069B (zh) | 一种基于机器视觉的接插件检测方法及装置 | |
| CN105095897A (zh) | 一种基于梯度图像和相似度加权的数字识别方法 | |
| CN112808782A (zh) | 一种热轧板除锈等级自动检测方法 | |
| CN106636510B (zh) | 一种基于机器视觉的自动换钎方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 410000 Hunan province Changsha Lushan Road No. 932 Patentee after: CENTRAL SOUTH University Patentee after: Hefei Jinxing Intelligent Control Technology Co., Ltd Address before: 410000 Hunan province Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University Patentee before: Hefei Jinxing Electromechanical Technology Development Co., Ltd |
|
| CP01 | Change in the name or title of a patent holder |