CN111476712B - 一种烧结机的台车箅条图像的摄取及检测方法、系统 - Google Patents

一种烧结机的台车箅条图像的摄取及检测方法、系统 Download PDF

Info

Publication number
CN111476712B
CN111476712B CN202010176407.5A CN202010176407A CN111476712B CN 111476712 B CN111476712 B CN 111476712B CN 202010176407 A CN202010176407 A CN 202010176407A CN 111476712 B CN111476712 B CN 111476712B
Authority
CN
China
Prior art keywords
image
grate
bars
images
contour
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
Application number
CN202010176407.5A
Other languages
English (en)
Other versions
CN111476712A (zh
Inventor
李宗平
廖婷婷
文武
李曦
颜学同
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongye Changtian International Engineering Co Ltd
Original Assignee
Zhongye Changtian International Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongye Changtian International Engineering Co Ltd filed Critical Zhongye Changtian International Engineering Co Ltd
Priority to CN202010176407.5A priority Critical patent/CN111476712B/zh
Publication of CN111476712A publication Critical patent/CN111476712A/zh
Application granted granted Critical
Publication of CN111476712B publication Critical patent/CN111476712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种烧结机的台车箅条图像的摄取及检测方法，该方法还能够非常方便精确地检测出箅条的总数，并且能够定位到箅条的缺失位置，同时根据箅条缺失情况进行故障诊断等及采取相应的维修措施。其二，该方法能够非常方便精确的检测出箅条的倾斜角，并且能够定位倾斜角过大的箅条位置，进而进行故障诊断等及采取相应的维修措施。其三，该方法能够非常方便精确地检测出箅条的糊堵占比情况，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。其四，该方法能够非常方便精确地检测出箅条的间距，并且能够定位到间距过大的箅条位置，进而进行故障诊断等及采取相应的维修措施。

Description

一种烧结机的台车箅条图像的摄取及检测方法、系统
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图像的摄取及检测方法。此外，本申请还涉及一种烧结机的台车箅条图像的摄取及检测系统。
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。
此外，在现有技术中，图像摄取装置设置于台车机头的上层检修平台处，故障处理时间较少。
再者，图像摄取装置在摄取图像时，由于单个摄像装置的摄取范围有限，因而需要至少两个。在存在两个摄取装置时，就存在两个两幅图像进行拼接的问题，因而如何将每个摄像装置摄取的装置进行有效图像的提取，并进行拼接，也是一个急需解决的问题。
发明内容
本申请要解决的技术问题为提供一种烧结机的台车箅条图像的摄取及检测方法，能够将每个摄像装置摄取的装置进行有效图像的提取，并进行较为精确的拼接，从而提供所有排箅条的初始完整图像，此其一。其二，该方法还能够非常方便精确地检测出箅条的总数，进而掌握箅条的缺失情况，并且能够定位到箅条的缺失位置，同时根据箅条缺失情况进行故障诊断等及采取相应的维修措施。其三，该方法能够非常方便精确的检测出箅条的倾斜角，掌握箅条的倾斜情况，并且能够定位倾斜角过大的箅条位置，进而进行故障诊断等及采取相应的维修措施。其四，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。其五，该方法能够非常方便精确地检测出箅条的间距，进而掌握箅条的间距情况，并且能够定位到间距过大的箅条位置，进而进行故障诊断等及采取相应的维修措施。
为解决上述技术问题，本申请提供一种烧结机的台车箅条图像的摄取及检测方法，所述摄取及检测方法包括：
对所述相机采集的图像进行ROI提取，得到ROI提取后的图像；
将所述ROI提取后图像分割为与箅条排数相等的若干部分；
将分割后的每个子区域的图像进行外轮廓提取；
对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量；
将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图。
可选的，所述将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图的过程，包括：
将左侧图像与右侧图像进行灰度转换；
对经过灰度转换后的左侧图像和右侧图像进行提取特征点，得到左侧图像的特征向量和右侧图像的特征向量；
对得到左侧图像的特征向量和右侧图像的特征向量进行匹配，将相同的点进行拼接，再采用图像融合技术减少拼接处左右两侧图像的对比差异，得到所述箅条图像全景图。
可选的，所述图像摄取及检测方法还包括：
通过如下公式求得各排轮廓值的平均值：
所述图像处理模块还包括第二计算单元，用于通过如下公式求得各排轮廓值的均方差：
可选的，所述图像摄取及检测方法还包括：
采用深度学习算法提取箅条的四个角点，进行全景图粗定位，基于角点再进行透视变换，从而展平图像；
所述图像摄取方法还包括：
训练深度学习网络，得到深度网络模型：
通过手动标定训练样本，标定样本保证角点位于预测框的中心，并根据预测框的大小得到角点的坐标值。
可选的，所述摄取及检测方法还包括：
所述箅条图像全景图为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图像预处理，得到所有排箅条的外部轮廓完整图像；
对所有排箅条的外部轮廓完整图像按照预设的处理策略进行分割，得到一排箅条的外部轮廓完整图像；该排箅条的外部轮廓完整图像为由所有的单一外部轮廓图像组成的集合；
针对每一个单一外部轮廓图像，提取该图像所包含的图像点的数量；
当提取的图像点的数量大于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为一根箅条的外部轮廓图像；当提取的图像点的数量小于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为干扰噪声的外部轮廓图像；
汇总所有图像点的数量大于预定的箅条轮廓阈值的单一外部轮廓图像的数量，得到该排箅条的总数。
可选的，得到每一排的箅条的总数后，所述检测方法还包括：
采用如下矩阵来存储箅条根数：
num[n][f]；
其中n表示箅条的排数；f表示箅条的根数位置，取值为小于等于单排箅条的总根数；
当num[i][j]＝1，表示该位置有箅条；当n[i][j]＝0，表示该位置无箅条；
所述检测方法还包括：
获取第i排第j个轮廓在宽度方向上的坐标值：offset[j]；
获取第i排第j+1个轮廓在宽度方向上的坐标值：offset[j+1]；
计算offset[j]与offset[j+1]的在宽度方向上的差值；
当所述差值小于或等于预定的间隔阈值时，则num[i][j]＝1；
当所述差值大于预定的间隔阈值时，则num[i][j]＝0。
可选的，所述摄取及检测方法还包括：
所述箅条图像全景图为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图像预处理，得到所有排箅条的边缘直线清晰的图像；
对所有排箅条的边缘直线清晰的图像按照预设的处理策略进行分割，得到一排箅条的边缘直线清晰的图像；该排箅条的边缘直线清晰的图像为该排每一个箅条形成的边缘直线图像的集合；
针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率；
当边缘直线的斜率大于或等于预定的斜率阈值时，予以报警。
可选的，所述针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率的过程，包括：
针对一个箅条形成的边缘直线图像，采用直线拟合算法，得到该箅条的边缘直线：yi＝kixi+bi上的两个端点的坐标：pi1(xi1,yi1)、pi2(xi2,yi2)，此时i表示当前排箅条中第 i个箅条对应的拟合直线；
通过如下公式计算该箅条的边缘直线的斜率的绝对值：
将ki大于或等于1的斜率对应的边缘直线选出，得到对应的边缘直线的斜率。
可选的，所述摄取及检测方法还包括：
以x11作为第一个箅条的拟合直线对应的横坐标，保留相邻间隔Δx＝xi2-xi1大于设定间隔阈值的拟合直线，从而得到该排箅条的斜率向量Ki，此时i表示箅条的排数；
所述摄取及检测方法还包括：
计算出每一排箅条的斜率向量，按照如下矩阵公式，将每一个箅条的斜率对应存储：
其中，ni表示第i排箅条检测出来的箅条斜率数。
可选的，所述摄取及检测方法还包括：
所述箅条图像全景图为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。
可选的，所述摄取及检测方法还包括：
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_Area代表糊堵物图像子区域的面积，J_Area代表间隙图像子区域的面积。
可选的，所述摄取及检测方法还包括：
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：
可选的，所述摄取及检测方法还包括：
所述箅条图像全景图为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，得到二值化后的箅条图像；
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；
基于所述间隙图像，在沿着垂直于箅条的方向上，基于预设高度，截取一段间隙图像片段，每排箅条区域截取两个或多个间隙图像片段；
在所述间隙图像片段中，计算箅条相邻间隙区域的面积；
基于得到的箅条相邻间隙区域的面积与所述预设高度的比值，得到每个间隙片段中箅条的间距值，基于该距离值对箅条故障进行诊断。
可选的，所述在所述间隙图像片段中，计算箅条相邻间隙区域的面积的过程，包括：
计算出所有的箅条相邻区域的面积，并得出箅条间隙面积的平均值；
基于得到的箅条间隙面积的平均值与所述预设高度的比值，得到箅条的间距值；
所述在所述间隙图像片段中，计算箅条相邻间隙区域的面积的过程，还包括：
采用边缘检测算法，检测获取所述理想间隙图像片段中箅条间隙的轮廓，并计算出每个轮廓的面积，得到轮廓面积向量：
l_area＝[l1,l2,...,ln]；
已知所述间隙图像片段的高度为所述预设高度h，将面积除以所述预设高度得出相邻箅条的间距值：
可选的，所述摄取及检测方法还包括：
通过矩阵方式存储所有的箅条的间距值，并且矩阵中的每个间距值的位置与图像中的箅条间隙的位置一一对应；
箅条的排数有三排，计算出每一排中箅条的所有的间距值，并采用如下矩阵公式存储间距值：
其中，n代表每一排箅条的数量。
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图像的摄取及检测系统，所述摄取及检测系统包括：
ROI提取单元，用于对所述相机采集的图像进行ROI提取，得到ROI提取后的图像；
分割单元，用于将所述ROI提取后图像分割为与箅条排数相等的若干部分；
外轮廓提取单元，用于将分割后的每个子区域的图像进行外轮廓提取；
判断单元，用于对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量；
拼接单元，用于将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图。
在一种实施例中，本申请所提供的一种烧结机的台车箅条图像的摄取及检测方法，所述摄取及检测方法包括：对所述相机采集的图像进行ROI提取，得到ROI提取后的图像；将所述ROI提取后图像分割为与箅条排数相等的若干部分；将分割后的每个子区域的图像进行外轮廓提取；对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量；将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图。该方法能够将每个摄像装置摄取的装置进行有效图像的提取，并进行较为精确的拼接，从而提供所有排箅条的初始完整图像，
此外，其二，该方法还能够非常方便精确地检测出箅条的总数，进而掌握箅条的缺失情况，并且能够定位到箅条的缺失位置，同时根据箅条缺失情况进行故障诊断等及采取相应的维修措施。其三，该方法能够非常方便精确的检测出箅条的倾斜角，掌握箅条的倾斜情况，并且能够定位倾斜角过大的箅条位置，进而进行故障诊断等及采取相应的维修措施。其四，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。其五，该方法能够非常方便精确地检测出箅条的间距，进而掌握箅条的间距情况，并且能够定位到间距过大的箅条位置，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一种烧结机的台车箅条图像摄取及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一种烧结机的台车箅条图像摄取及方法的逻辑流程图；
图4为箅条图像摄取装置获取的无效ROI图和有效ROI图的对比图；
图5为本申请一种实施例拼接好的全局图片示意图；
图6为对图5中的图像进行二值化处理后得到的二值化图像；
图7为对图6中的图像进行形态学处理后得到的图像；
图8为对图7中的图像进行边缘轮廓提取后得到的外部轮廓完整图像；
图9为本申请一种实施例中烧结机的台车箅条总数检测方法更细化后的流程图。
图10为烧结机的台车箅条的安装结构图；
图11为烧结机的台车箅条的各种倾斜结构图；
图12为图11中倾斜箅条上两个点的坐标示意图；
图13为烧结机的台车箅条筛选时的结构示意图；
图14为对图5中的图像进行二值化取反处理后得到的二值化图像；
图15为对图14中的图像进行处理后得到的mask图像；
图16为对图14和图15的图像进行叠加后得到的糊堵物图像；
图17为对图16中的糊堵物图像划分子区域后的图像示意图。
图18为对图15中的图像截取一段间隙图像片段的图像示意图；
图19为箅条间隙情况示意图；
图20为获得含台车编号的图像后经过编号牌区域提取、字符分割、编号识别等过程得到编号结果的流程图。
具体实施方式
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一种烧结机的台车箅条图像摄取及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。此外，还有台车识别模型，将台车编号输入到数据与模型存储模块中。
54饶4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。
安装在此位置，采集的图像如下所示，分为有效图和无效图。具体请参考图4，图4为图3中箅条图像摄取装置获取的无效ROI图和有效ROI图的对比图。
识别台车箅条故障中有用的图，有效图为三排箅条全部出现在相机视场中的图，为此需要对相机采集的视频图像进行在线分析。
首先感兴趣区域ROI提取，即台车底部三排箅条完整出现的视频中的大致区域。通过 ROI提取，可以减少箅条区域外一些物体对算法的干扰，能降低处理难度。无效图和有效图经过处理后得到的结果如图4所示，其中图4中左侧图为无效ROI图，右侧图为有效ROI图。
有效图像的ROI中为三排箅条，无效图像中部分区域包括箅条，部分区域为台车本体等。台车本体的特征及轮廓数量少于箅条，根据轮廓数量可以筛选箅条图像。然后再将ROI划分为三个子区域，对每个子区域采用算法提取外轮廓，计算每排外轮廓的数量，如果数量都超过阈值，则判定为有效图形，如存在小于阈值则为无效图像。
判断为有效图像后，将该时刻点的左右两侧相机图像传至图像拼接模块，采用SIFT、SURF、 FAST等图像拼接算法，将左右两侧图像进行拼接，得到全局图像，全局图像请参考图5，图 5为本申请一种实施例拼接好的全局图片示意图。
将ROI区域再分为上、中、下三部分，有效时，上、中、下三部分分别为台车的三排箅条，无效时，其中一部分可能为台车本体。台车本体与箅条的纹理结构不同，因此可对三个部分进行外轮廓提取，得到三个区域的轮廓，upContours，midContours，downContours，每个变量中存储了该区域内检测到的所有轮廓。设定箅条外轮廓大小的阈值contoursSize。
If upContours[i]>＝contoursSize:upNum＝upNum+1
If midContours[i]>＝contoursSize:midNum＝midNum+1
If downContours[i]>＝contoursSize:downNum＝downNum+1
upNum、midNum、downNum的初始值为0，用来统计三排箅条中满足条件的轮廓数量。通过设定判定条件，利用箅条大小的先验条件，筛除一些小的边缘点。
需要说明的是，无效图为台车底部未完全进入到相机视场中的图，因此图像中包含台车本体或其他区域，此时其他区域的纹理是较少的，而有效图为台车底部全部进入相机视场中的图，此时台车底部三排箅条都出现在相机中，纹理数量都很多。本专利也是利用该原理来获取有效图像。
此外，为剔除小的噪点轮廓对统计箅条数量造成干扰，需要对所有轮廓进行筛选，如果构成一个轮廓的边缘点数小于阈值contoursSize，则剔除该轮廓。最后统计每个区域中剩下的轮廓的总数量upNum、midNum、downNum。
有效时，检测到的三排箅条数量会接近，计算三组数量方差：
表示三排轮廓数量的平均值，S2表示三排轮廓数量的标准差。根据三排轮廓的数量和数量的离散程度判断当前图像是否为有效图像。
S2满足条件后，选取该时刻左右两相机的图像，得到左右两侧的有效图img左和img右，相机安装时要求img左和img右图像存在部分重合，后续用于图像拼接。
预处理是将图像进行灰度转换，由于箅条没有丰富的颜色特征，因此可将图像转换成灰度图像。左右两相机有一定比例的交叉覆盖区域，重合面积太小容易导致后面匹配精度低，拼接不理想，重合面积过大则浪费运行时间和空间。预处理中还需对重叠区域进行控制，保证拼接效果条件下，减少运行时间。
特征提取常用有：Harris角点特征检测法，SIFT特征提取、SURF特征提取、FAST特征提取等。分别对img左，img左提取特征点，得到两副图的特征向量I左，I右
对I左，I右中的特征点进行匹配，将相同的点进行拼接，初步实现拼接，再采用图像融合技术减少拼接处左右两侧图像的对比差异，从而得到台车底部完整的箅条图像。
(2)特征参数计算模型，分别从根数、倾斜角、糊堵度、间距展开。
1)、特征参数计算模型—箅条根数计算
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区域，黑色区域为箅条间隙区域。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6，图6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6和图4的对比，图6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。
灰度变换和二值处理完成后，然后对于图像进行如下处理：
2、形态学处理：图6中箅条区域上存在一些黑色的小点，该点会让提取的箅条外轮廓不连续，为了减少箅条区域内黑色噪点对篦条边缘轮廓的提取的干扰，通过形态学滤波中的开运算、闭运算、形态学梯度、顶帽和黑帽算法等对图像进行处理，得到干净的箅条区域图像，如图7所示，图7为对图6中的图像进行形态学处理后得到的图像，黑色噪点会少于图6。
作为一种举例，以下对本申请的中用的开运算、闭运算、形态学梯度、顶帽和黑帽算法做出具体介绍。
开运算是先腐蚀后膨胀运算，其目的是把细微连在一起的两块目标分开。
闭运算是先膨胀后腐蚀运算，其目的是将两个细微连接的图像块连接在一起。
腐蚀可以使目标区域范围“变小”，实质是造成图像边界的收缩，用来消除小且无意义的目标物。
膨胀可以使目标区域范围“变大”，使目标边界向外扩张，将目标区域接触到的背景点合并到该目标区域中，可用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声。
形态学梯度也是讲膨胀和腐蚀基础操作适当组合的方法。
顶帽运算：为原图与开运算的结果之差。
黑帽运算为闭运算与原图像之差。
需要说明的是，上述算法是本申请中通过膨胀腐蚀的组合用来去除二值图像中的一些噪声点的举例，不限于具体使用的是膨胀还是腐蚀，想表达会利用到这类方法用于去除噪声。显然，其他算法或算法组合，也能够去除噪声的话，也应该在本申请的技术构思的保护范围之内。
对于图像形态学处理完成后，然后进行如下处理：
3、边缘轮廓提取：台车底部安装有相同的三排箅条，利用先验知识将三排箅条进行分割，分别得到三排箅条的独立的图像。再对每个图像进行外轮廓提取，得到每根箅条的外轮廓outline[m]，以及每个轮廓的偏移位置offset[m]，其中m表示轮廓的数量， outline[i]存储第i个轮廓的所有点值，offset[i]存储第i个轮廓的偏移位置坐标。
经过边缘轮廓提取后的图像请参考图8，图8为对图6中的图像进行边缘轮廓提取后得到的外部轮廓完整图像。
在上述方案中提到利用先验知识，对此作出进一步说明：
台车会有三排箅条，且在才安装时，箅条根数基本一致，一般都有一百多根。箅条的尺寸一致，根据箅条的长度，可以将图像分为三个区域。如一张图像为I(m,n)，第一排箅条图像为第二排箅条图像为：第三排箅条图像为：
此外，涉及外轮廓提取的算法，采用的是opencv中的findcontours函数进行的外部轮廓提取。
对于边缘轮廓提取后，然后进行如下处理：
4、根数计算：经过形态学处理后的图像仍有一些噪声点，因此外轮廓图中出现了一些小的轮廓。因此，还需要对outline[m]中的值进行筛选。箅条尺寸是已知的，根据箅条尺寸大小，组成箅条外轮廓的点会多于噪点，因此设定K值为轮廓大小的阈值，如果outline[i]>K，则为箅条的外轮廓，否则丢弃。经过筛选得到新的箅条外轮廓向量 outline[m’]和对应的offset[m’]。其中m’表示当前排箅条的数量。
参数存储
本系统采用矩阵来存储箅条根数num[n][f]，n＝3，表示有三排箅条，f表示箅条的根数，取值大于等于单排箅条的根数。n[i][j]＝1，表示该位置有箅条，n[i][j]＝0表示该位置无箅条。
利用offset计算轮廓对应存储矩阵的位置。
箅条宽度是一定的，其在图像中占的像素宽度也一定，令其平均宽度为width，计算前后两个宽度的偏移距离，则可得到其间距。
具体的处理流程，可以参考图9，图9为本申请一种实施例中烧结机的台车箅条总数检测方法更细化后的流程图。
在实际获取的图像中，经过观察发现，运行过后每排箅条数量可能存在区别，如第一排为110根，第二排为105根，第三排为108根，为了方便存储，本专利采用的是一个矩阵来存储箅条的有无，以上根数为例，则需要定义一个大小为3*110的矩阵。
若当前轮廓与相邻轮的的距离小于阈值，则判定两根箅条之间不存在箅条缺失，则令该位置[i,j]的值为1，否则为0。由于第二排和第三排的根数是小于110的，其在末尾肯定是没有箅条的，则用0来填充，以保证矩阵中每个位置都有赋值。
现实运行中每排箅条根数可能不一致，因此根数不够的排数，其后面的值全部为0，因此得到的根数矩阵形式可为：
采用此种存储方式，可以得到箅条根数及其分布的信息，便于状态的诊断。
2)、特征参数计算模型—倾斜角计算
对于图像进行形态学处理完后，还需要进行如下步骤处理：
3、边缘直线拟合：将箅条划分为上、中、下三排，得到三张子图，image1，image2，image3，采用直线拟合算法，如霍夫直线拟合，利用箅条边缘与间隙的像素差，得到箅条边缘直线 yi＝kixi+bi上的两个端点坐标pi1(xi1,yi1)，pi2(xi2,yi2)，此时i表示当前排箅条中第i个拟合直线。
在该步骤，作为一种举例，对于霍夫直线拟合做出具体介绍：
霍夫直线检测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，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。
对于图像进行边缘直线拟合后，还需要进行如下步骤处理：
具体参考图11和图12，图11为烧结机的台车箅条的各种倾斜结构图；图12为图11中倾斜箅条上两个点的坐标示意图。
4、倾斜角计算：箅条存在长边和短边(从图11和图12上来看即为矩形的长边和短边)，长边能更加明确的反应出箅条的倾斜程度，因此需要将斜率不符合范围的直线剔除。
直线的斜率计算为：如果ki>1，则为长边的拟合直线，将大于1的选出。得到的斜率中，每根箅条包含两个斜率，因此需进一步筛选，以保证斜率数与箅条根数一致。
计算：Δx＝xi2-xi1，以x11作为第一个箅条的拟合直线开始，保留相邻间隔Δx大于设定阈值的拟合直线，从而得到该排箅条的斜率向量Ki，此时i表示箅条的排数。
在上述技术方案中，可以做出进一步补充说明如下：
箅条结构位置如图11所示，是长条形的，每一个箅条矩形均包括两个长边和两个短边。，在霍夫变换直线检测中，长边和短边的直线都会被检测出来，而在长边和短边中，长边能够比较合理的反映箅条的倾斜，因而在本申请中，采用矩形长边的斜率表示箅条的倾斜，箅条倾斜形式如图11所示。
倾斜角度计算方式为选取长边上的两点，如图12所示的A、B两点，根据两点计算其斜率
其中，当斜率等于1时表示倾斜角度为45°的值，一般箅条在垂直和向左或向右略微倾斜，不会倾斜超过45°角，反之其短边，计算出来的值会小于1。因而需要通过筛选，将斜率大于 1的直线保存下来，同时去除掉过短边的直线。
对于斜率的筛选策略，还可以做出如下说明：
具体请参考图13，图10为烧结机的台车箅条筛选时的结构示意图。
如图13所示，箅条是具有一定宽度的，因此两个直线在x轴方向是有一定的间距，Δx＝xi2-xi1，选定第一个直线保留，之后保留间距大于一定阈值的直线，选定第一根后，第二根直线是与第一根直线间距大于阈值，第三根直线与第二根直线距离大于阈值。
通过斜率筛选，可以每根箅条只存储一个倾斜角度值，阈值的范围根据箅条的宽度来设定的，在相机安装固定、采用的箅条尺寸一定的情况下，箅条宽度在图像中占的像素数量会在一定的范围内，这个阈值是根据箅条宽度来设定的。
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
通过倾斜角计算后得到三排箅条的斜率，斜率以台车为单位，按矩阵的形式将每根箅条的斜率对应存储，如下：
max(K1)
其中，ni表示第i排箅条检测出来的箅条斜率数。
请参考图10，图10为烧结机的台车箅条的安装结构图。
如图10所示，一个台车单元包括台车本体横梁、隔热垫及放到隔热垫上的箅条。如图 10所示，箅条是活动的卡在台车上，正常时箅条之间间隙小，相互支撑，是的箅条竖直排列。故障时，箅条间隙变大，箅条可在台车梁上移动，相互无法支撑后会发生一定倾斜，因此根据箅条的倾斜角度可以用于诊断箅条故障。由于箅条下端的勾住隔热垫的结构长度较短，因此倾斜角度多大时，则可能导致整排箅条大面积脱落。
3)、特征参数计算模型—糊堵度计算
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14，图14为对图5中的图像进行二值化取反处理后得到的二值化图像。如图14和图5的对比，图14中箅条和间隙之间的对比更明显。
上述灰度变换和二值处理与上文介绍相同，在此不再赘述。
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15，图15为对图14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15所示。
在上述方案中，直线拟合与上文介绍相同，在此不再赘述。
此外，对于图15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14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15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16，图16为对图14和图15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14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16所示。
在完成糊堵区域提取后，还需要如下步骤：
请参考图17，图17为对图16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17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_Area和糊堵面积H_Area，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：
计算的参数根据区域分布位置，以矩阵的方式存储：
4)、特征参数计算模型—间距计算
完成箅条间隙区域提取后，还需要进行如下步骤：
请参考图18和图19，图18为对图15中的图像截取一段间隙图像片段的图像示意图；图19为箅条间隙情况示意图。
间隙距离计算：将mask图像划分为上、中、下三个区域，分别包含一排箅条范围，用mask′1， mask'2，mask′3表示。
在子区域mask'中，在提取多个更小的目标区域，如图19所示，如一个mask'中提取2个目标区域。
采用边缘检测算法，检测目标区域内的轮廓，并计算出每个轮廓的面积得到轮廓面积向量：l_area＝[l1,l2,...,ln]。
已知目标区域图像高度为h，将面积除以图像高度得到的值可近似认为为相邻箅条的间距值：
每排箅条计算了两个距离值，J1和J2，用其平均值代表相邻箅条的距离，出现如图19 所示情况时，图中倾斜箅条上端和下端距离不一致，平均值能在一定程度提高距离的代表性。
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：
计算的参数根据区域分布位置，以矩阵的方式存储，得到一张图像的间距矩阵：
其中n表示一排箅条间隙的数量，其设置值为箅条根数或大于箅条根数，由于缺失，每排箅条间隙数量可能不一致，因此初始化J_total为全-1矩阵，检测的结果从1到n按顺序存储。
在以上四种特征参数计算及存储完成后，需要进行如下步骤：
(3)台车编号识别：
在烧结机台车上安装台车编号牌，作为台车的唯一编号。烧结台车运行轨道旁安装一套编号识别系统，该系统与箅条图像获取系统相连，图像获取系统检测到有效图像后，将触发信号同时发送到台车编号识别系统，获取此时图像用于编号识别。
装置安装有两种：1)由于机头有罩子，图像采集装置同一位置旁安装编号识别装置则需要在侧面开孔，此时获取的台车编号正为检测的台车。2)待台车运行一段距离，在点火后可看到台车本体，在此处获取编号图像，此时获取的台车编号相对检测会有延迟，需要根据两套装置安装距离间间隔台车数量进行推算，此时要求所有台车的编号序列是已知。
获得含台车编号的图像后经过编号牌区域提取、字符分割、编号识别等过程得到编号结果，其流程如图20所示。
得到台车编号后，获取的图像和特征参数智能计算模型得到的特征参数都以编号为索引进行存，便于历史数据的管理和基于历史数据的诊断分析。
(4)特征参数存储：
特征参数智能计算中会得到箅条四种特征参数：根数、倾斜角度、间距、糊堵占比。特征参数按一下组织结构存储至数据库。
ID 台车编号 时间 根数 倾斜角度 间距 糊堵占比
四种特征参数也已按指定方式存储：
a)：根数
本系统采用矩阵来存储箅条根数num[n][f]，n＝3，表示有三排箅条，f表示箅条的根数，取值大于等于单排箅条的根数。n[i][j]＝1，表示该位置有箅条，n[i][j]＝0表示该位置无箅条。
利用offset计算轮廓对应存储矩阵的位置。
箅条宽度是一定的，其在图像中占的像素宽度也一定，令其平均宽度为width，计算前后两个宽度的偏移距离，则可得到其间距。
已第一排箅条为例：
现实运行中每排箅条根数可能不一致，因此根数不够的排数，其后面的值全部为0，因此得到的根数矩阵形式可为：
采用此种存储方式，可以得到箅条根数及其分布的信息，便于状态的诊断。
b)倾斜角度＝[K1,K2,K3]T
其中K1，K2，K3为向量，分别存储检测得到的第一行、第二行、第三行箅条的倾斜角度值。
K1＝[k11,k12,...,k1n]
K2＝[k21,k22,...,k2n]
K3＝[k31,k32,...,k3n]
c)间距＝[J1,J2,J3]T
其中J1，J2，J3为向量，分别存储检测得到的第一行，第二行，第三行箅条的间距值。
J1＝[j11,j12,...,j1n]
J2＝[j21,j22,...,j2n]
J3＝[j31,j32,...,j3n]
d)将箅条图像划分为多个子区域，计算每个子区域的糊堵占比值，然后按区域划分进行存储。如划分成3×3个子区域时(分区方式不限于此种)，其存储形式为：
(4)故障智能诊断和处理：
本系统计算的特征参数都根据台车编号存储，因此在故障诊断时可考虑的参数不仅包括当前检测值，还包括历史变化趋势。
已知台车每排箅条根数N1、N2、N3。倾斜角度不能超过K限，Δk为本次倾斜值与上次检测结果的增加值。间隙阈值分为两级，δ1和δ2，其中δ1＜δ2，Δj为本次间距值与上次检测结果的增加值。糊堵不能超过H限，糊堵方差不超过H_S2 限。
结合根数、倾斜角度、间隙距离综合诊断，三排箅条分成三部分诊断分析，其规则为：
以第一排箅条为例：
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>H限，S2H<H_S2 限：糊堵严重但糊堵区域较均匀。
SumH>H限，S2H>H_S2 限。糊堵严重，糊堵区域集中在某个小区域内。
SumH<H限，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 H限，则第一排第三个区域糊堵严重，需要清理。
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一种烧结机的台车箅条图像摄取及方法的逻辑流程图。
本申请提供一种烧结机的台车箅条图像的摄取及检测方法，摄取及检测方法包括：
步骤S101：对相机采集的图像进行ROI提取，得到ROI提取后的图像；
步骤S102：将ROI提取后图像分割为与箅条排数相等的若干部分；
步骤S103：将分割后的每个子区域的图像进行外轮廓提取；
步骤S104：对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量；
步骤S105：将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图。
可选的，将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图的过程，包括：
将左侧图像与右侧图像进行灰度转换；
对经过灰度转换后的左侧图像和右侧图像进行提取特征点，得到左侧图像的特征向量和右侧图像的特征向量；
对得到左侧图像的特征向量和右侧图像的特征向量进行匹配，将相同的点进行拼接，再采用图像融合技术减少拼接处左右两侧图像的对比差异，得到箅条图像全景图。
可选的，图像摄取及检测方法还包括：
通过如下公式求得各排轮廓值的平均值：
图像处理模块还包括第二计算单元，用于通过如下公式求得各排轮廓值的均方差：
可选的，图像摄取及检测方法还包括：
采用深度学习算法提取箅条的四个角点，进行全景图粗定位，基于角点再进行透视变换，从而展平图像；
图像摄取方法还包括：
训练深度学习网络，得到深度网络模型：
通过手动标定训练样本，标定样本保证角点位于预测框的中心，并根据预测框的大小得到角点的坐标值。
可选的，摄取及检测方法还包括：
箅条图像全景图为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图像预处理，得到所有排箅条的外部轮廓完整图像；
对所有排箅条的外部轮廓完整图像按照预设的处理策略进行分割，得到一排箅条的外部轮廓完整图像；该排箅条的外部轮廓完整图像为由所有的单一外部轮廓图像组成的集合；
针对每一个单一外部轮廓图像，提取该图像所包含的图像点的数量；
当提取的图像点的数量大于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为一根箅条的外部轮廓图像；当提取的图像点的数量小于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为干扰噪声的外部轮廓图像；
汇总所有图像点的数量大于预定的箅条轮廓阈值的单一外部轮廓图像的数量，得到该排箅条的总数。
可选的，得到每一排的箅条的总数后，检测方法还包括：
采用如下矩阵来存储箅条根数：
num[n][f]；
其中n表示箅条的排数；f表示箅条的根数位置，取值为小于等于单排箅条的总根数；
当num[i][j]＝1，表示该位置有箅条；当n[i][j]＝0，表示该位置无箅条；
检测方法还包括：
获取第i排第j个轮廓在宽度方向上的坐标值：offset[j]；
获取第i排第j+1个轮廓在宽度方向上的坐标值：offset[j+1]；
计算offset[j]与offset[j+1]的在宽度方向上的差值；
当差值小于或等于预定的间隔阈值时，则num[i][j]＝1；
当差值大于预定的间隔阈值时，则num[i][j]＝0。
可选的，摄取及检测方法还包括：
箅条图像全景图为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图像预处理，得到所有排箅条的边缘直线清晰的图像；
对所有排箅条的边缘直线清晰的图像按照预设的处理策略进行分割，得到一排箅条的边缘直线清晰的图像；该排箅条的边缘直线清晰的图像为该排每一个箅条形成的边缘直线图像的集合；
针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率；
当边缘直线的斜率大于或等于预定的斜率阈值时，予以报警。
可选的，针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率的过程，包括：
针对一个箅条形成的边缘直线图像，采用直线拟合算法，得到该箅条的边缘直线：yi＝kixi+bi上的两个端点的坐标：pi1(xi1,yi1)、pi2(xi2,yi2)，此时i表示当前排箅条中第 i个箅条对应的拟合直线；
通过如下公式计算该箅条的边缘直线的斜率的绝对值：
将ki大于或等于1的斜率对应的边缘直线选出，得到对应的边缘直线的斜率。
可选的，摄取及检测方法还包括：
以x11作为第一个箅条的拟合直线对应的横坐标，保留相邻间隔Δx＝xi2-xi1大于设定间隔阈值的拟合直线，从而得到该排箅条的斜率向量Ki，此时i表示箅条的排数；
摄取及检测方法还包括：
计算出每一排箅条的斜率向量，按照如下矩阵公式，将每一个箅条的斜率对应存储：
其中，ni表示第i排箅条检测出来的箅条斜率数。
可选的，摄取及检测方法还包括：
箅条图像全景图为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；
基于二值图像与间隙图像，并基于逻辑运算，得到糊堵物图像；
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；
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。
可选的，摄取及检测方法还包括：
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_Area代表糊堵物图像子区域的面积，J_Area代表间隙图像子区域的面积。
可选的，摄取及检测方法还包括：
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，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：
可选的，摄取及检测方法还包括：
箅条图像全景图为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，得到二值化后的箅条图像；
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；
基于间隙图像，在沿着垂直于箅条的方向上，基于预设高度，截取一段间隙图像片段，每排箅条区域截取两个或多个间隙图像片段；
在间隙图像片段中，计算箅条相邻间隙区域的面积；
基于得到的箅条相邻间隙区域的面积与预设高度的比值，得到每个间隙片段中箅条的间距值，基于该距离值对箅条故障进行诊断。
可选的，在间隙图像片段中，计算箅条相邻间隙区域的面积的过程，包括：
计算出所有的箅条相邻区域的面积，并得出箅条间隙面积的平均值；
基于得到的箅条间隙面积的平均值与预设高度的比值，得到箅条的间距值；
在间隙图像片段中，计算箅条相邻间隙区域的面积的过程，还包括：
采用边缘检测算法，检测获取理想间隙图像片段中箅条间隙的轮廓，并计算出每个轮廓的面积，得到轮廓面积向量：
l_area＝[l1,l2,...,ln]；
已知间隙图像片段的高度为预设高度h，将面积除以预设高度得出相邻箅条的间距值：
可选的，摄取及检测方法还包括：
通过矩阵方式存储所有的箅条的间距值，并且矩阵中的每个间距值的位置与图像中的箅条间隙的位置一一对应；
箅条的排数有三排，计算出每一排中箅条的所有的间距值，并采用如下矩阵公式存储间距值：
其中，n代表每一排箅条的数量。
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图像的摄取及检测系统，摄取及检测系统包括：
ROI提取单元，用于对相机采集的图像进行ROI提取，得到ROI提取后的图像；
分割单元，用于将ROI提取后图像分割为与箅条排数相等的若干部分；
外轮廓提取单元，用于将分割后的每个子区域的图像进行外轮廓提取；
判断单元，用于对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量；
拼接单元，用于将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (15)

1.一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法包括：
对相机采集的图像进行ROI提取，得到ROI提取后的图像，所述相机采集的图像为俯视所有排箅条拍摄所得；
将所述ROI提取后图像分割为与箅条排数相等的若干部分；
将分割后的每个子区域的图像进行外轮廓提取；
对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量，如果轮廓数量大于阈值则判定为有效图形，如果轮廓数量小于阈值则判定为无效图像；
将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图，所述箅条图像全景图为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图像预处理，得到所有排箅条的外部轮廓完整图像；
对所有排箅条的外部轮廓完整图像按照预设的处理策略进行分割，得到一排箅条的外部轮廓完整图像；该排箅条的外部轮廓完整图像为由所有的单一外部轮廓图像组成的集合；
针对每一个单一外部轮廓图像，提取该图像所包含的图像点的数量；
当提取的图像点的数量大于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为一根箅条的外部轮廓图像；当提取的图像点的数量小于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为干扰噪声的外部轮廓图像；
汇总所有图像点的数量大于预定的箅条轮廓阈值的单一外部轮廓图像的数量，得到该排箅条的总数；
采用如下矩阵来存储箅条根数：
num[n][f]；
其中n表示箅条的排数；f表示箅条的根数位置，取值为小于等于单排箅条的总根数；
当num[i][j]=1，表示该位置有箅条；当n[i][j]=0，表示该位置无箅条。
2.如权利要求1所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图的过程，包括：
将左侧图像与右侧图像进行灰度转换；
对经过灰度转换后的左侧图像和右侧图像进行提取特征点，得到左侧图像的特征向量和右侧图像的特征向量；
对得到左侧图像的特征向量和右侧图像的特征向量进行匹配，将相同的点进行拼接，再采用图像融合技术减少拼接处左右两侧图像的对比差异，得到所述箅条图像全景图。
3.如权利要求1所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述图像摄取及检测方法还包括：
通过如下公式求得各排轮廓值的平均值：
；
所述图像处理模块还包括第二计算单元，用于通过如下公式求得各排轮廓值的均方差：
。
4.如权利要求1所述的一种烧结机的台车箅条图像的摄取及检测方法，所述图像摄取及检测方法还包括：
采用深度学习算法提取箅条的四个角点，进行全景图粗定位，基于角点再进行透视变换，从而展平图像；
所述图像摄取方法还包括：
训练深度学习网络，得到深度网络模型：
通过手动标定训练样本，标定样本保证角点位于预测框的中心，并根据预测框的大小得到角点的坐标值。
5.如权利要求1所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，得到每一排的箅条的总数后，所述检测方法还包括：
获取第i排第j个轮廓在宽度方向上的坐标值：offset[j]；
获取第i排第j+1个轮廓在宽度方向上的坐标值：offset[j+1]；
计算offset[j]与offset[j+1]的在宽度方向上的差值；
当所述差值小于或等于预定的间隔阈值时，则num[i][j]=1；
当所述差值大于预定的间隔阈值时，则num[i][j]=0。
6.如权利要求1-4任一项所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
所述箅条图像全景图为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图像预处理，得到所有排箅条的边缘直线清晰的图像；
对所有排箅条的边缘直线清晰的图像按照预设的处理策略进行分割，得到一排箅条的边缘直线清晰的图像；该排箅条的边缘直线清晰的图像为该排每一个箅条形成的边缘直线图像的集合；
针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率；
当边缘直线的斜率大于或等于预定的斜率阈值时，予以报警。
7.如权利要求6所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述针对每一个箅条形成的边缘直线图像，得到其边缘直线的斜率的过程，包括：
针对一个箅条形成的边缘直线图像，采用直线拟合算法，得到该箅条的边缘直线：上的两个端点的坐标： 、 ，此时i表示当前排箅条中第i个箅条对应的拟合直线；
通过如下公式计算该箅条的边缘直线的斜率的绝对值：
将大于或等于1的斜率对应的边缘直线选出，得到对应的边缘直线的斜率。
8.如权利要求7所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
以作为第一个箅条的拟合直线对应的横坐标，保留相邻间隔大于设定间隔阈值的拟合直线，从而得到该排箅条的斜率向量，此时i表示箅条的排数；
所述摄取及检测方法还包括：
计算出每一排箅条的斜率向量，按照如下矩阵公式，将每一个箅条的斜率对应存储：
其中，，，，表示第i排箅条检测出来的箅条斜率数。
9.如权利要求1-4任一项所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
所述箅条图像全景图为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。
10.如权利要求9所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
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，代表子区域的糊堵占比值，H_Area代表糊堵物图像子区域的面积，J_Area代表间隙图像子区域的面积。
11.如权利要求10所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
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：，，，，,，，，；
通过如下矩阵公式存储该9个子区域的糊堵占比值：
。
12.如权利要求1-4任一项所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
所述箅条图像全景图为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，得到二值化后的箅条图像；
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；
基于所述间隙图像，在沿着垂直于箅条的方向上，基于预设高度，截取一段间隙图像片段，每排箅条区域截取两个或多个间隙图像片段；
在所述间隙图像片段中，计算箅条相邻间隙区域的面积；
基于得到的箅条相邻间隙区域的面积与所述预设高度的比值，得到每个间隙片段中箅条的间距值，基于该距离值对箅条故障进行诊断。
13.如权利要求12所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述在所述间隙图像片段中，计算箅条相邻间隙区域的面积的过程，包括：
计算出所有的箅条相邻区域的面积，并得出箅条间隙面积的平均值；
基于得到的箅条间隙面积的平均值与所述预设高度的比值，得到箅条的间距值；
所述在所述间隙图像片段中，计算箅条相邻间隙区域的面积的过程，还包括：
采用边缘检测算法，检测获取理想间隙图像片段中箅条间隙的轮廓，并计算出每个轮廓的面积，得到轮廓面积向量：
；
已知所述间隙图像片段的高度为所述预设高度h，将面积除以所述预设高度得出相邻箅条的间距值：
，。
14.如权利要求13所述的一种烧结机的台车箅条图像的摄取及检测方法，其特征在于，所述摄取及检测方法还包括：
通过矩阵方式存储所有的箅条的间距值，并且矩阵中的每个间距值的位置与图像中的箅条间隙的位置一一对应；
箅条的排数有三排，计算出每一排中箅条的所有的间距值，并采用如下矩阵公式存储间距值：
其中，n代表每一排箅条的数量。
15.一种烧结机的台车箅条图像的摄取及检测系统，其特征在于，所述摄取及检测系统包括：
ROI提取单元，用于对相机采集的图像进行ROI提取，得到ROI提取后的图像，所述相机采集的图像为俯视所有排箅条拍摄所得；
分割单元，用于将所述ROI提取后图像分割为与箅条排数相等的若干部分；
外轮廓提取单元，用于将分割后的每个子区域的图像进行外轮廓提取；
判断单元，用于对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量，如果轮廓数量大于阈值则判定为有效图形，如果轮廓数量小于阈值则判定为无效图像；
拼接单元，用于将左侧获取的图像与右侧获取的图像进行拼接预处理，得到箅条图像全景图，所述箅条图像全景图为所有排箅条的初始完整图像；
所述分割单元，还用于对所有排箅条的初始完整图像进行图像预处理，得到所有排箅条的外部轮廓完整图像；对所有排箅条的外部轮廓完整图像按照预设的处理策略进行分割，得到一排箅条的外部轮廓完整图像；该排箅条的外部轮廓完整图像为由所有的单一外部轮廓图像组成的集合；
所述外轮廓提取单元，还用于针对每一个单一外部轮廓图像，提取该图像所包含的图像点的数量；
所述判断单元，还用于判断提取的图像点的数量与预定的箅条轮廓阈值之间的大小关系；当提取的图像点的数量大于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为一根箅条的外部轮廓图像；当提取的图像点的数量小于预定的箅条轮廓阈值时，则该单一的外部轮廓图像为干扰噪声的外部轮廓图像；汇总所有图像点的数量大于预定的箅条轮廓阈值的单一外部轮廓图像的数量，得到该排箅条的总数；并采用num[n][f]矩阵来存储箅条根数：其中n表示箅条的排数；f表示箅条的根数位置，取值为小于等于单排箅条的总根数；当num[i][j]=1，表示该位置有箅条；当n[i][j]=0，表示该位置无箅条。
CN202010176407.5A 2020-03-13 2020-03-13 一种烧结机的台车箅条图像的摄取及检测方法、系统 Active CN111476712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176407.5A CN111476712B (zh) 2020-03-13 2020-03-13 一种烧结机的台车箅条图像的摄取及检测方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176407.5A CN111476712B (zh) 2020-03-13 2020-03-13 一种烧结机的台车箅条图像的摄取及检测方法、系统

Publications (2)

Publication Number Publication Date
CN111476712A CN111476712A (zh) 2020-07-31
CN111476712B true CN111476712B (zh) 2024-03-15

Family

ID=71747392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176407.5A Active CN111476712B (zh) 2020-03-13 2020-03-13 一种烧结机的台车箅条图像的摄取及检测方法、系统

Country Status (1)

Country Link
CN (1) CN111476712B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634249B (zh) * 2020-12-29 2023-04-18 上海工程技术大学 一种基于深度学习的转撤机接点组部件距离检测方法
CN113570551B (zh) * 2021-07-05 2023-07-07 天津市三特电子有限公司 球团链篦机篦条状态监测方法及其监测系统
CN113763235A (zh) * 2021-09-08 2021-12-07 北京琥珀创想科技有限公司 一种将图片转换为扫描件的方法及智能移动终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318543A (zh) * 2014-01-27 2015-01-28 郑州大学 基于图像处理方法的板材计量方法与装置
CN110378376A (zh) * 2019-06-12 2019-10-25 西安交通大学 一种基于机器视觉的加油口目标识别定位方法
CN111222510A (zh) * 2020-03-13 2020-06-02 中冶长天国际工程有限责任公司 一种烧结机的台车箅条图像摄取方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318543A (zh) * 2014-01-27 2015-01-28 郑州大学 基于图像处理方法的板材计量方法与装置
CN110378376A (zh) * 2019-06-12 2019-10-25 西安交通大学 一种基于机器视觉的加油口目标识别定位方法
CN111222510A (zh) * 2020-03-13 2020-06-02 中冶长天国际工程有限责任公司 一种烧结机的台车箅条图像摄取方法及系统

Also Published As

Publication number Publication date
CN111476712A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476712B (zh) 一种烧结机的台车箅条图像的摄取及检测方法、系统
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
TWI409718B (zh) 移動中車輛之車牌定位方法
CN108256521B (zh) 用于车身颜色识别的有效区域定位方法
CN102364496B (zh) 一种基于图像分析的汽车车牌自动识别方法及系统
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN105184812B (zh) 一种基于目标跟踪的行人徘徊检测方法
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN112669286A (zh) 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法
CN107220976B (zh) 一种航拍公路图像的公路定位方法
CN108416316B (zh) 一种黑烟车的检测方法及系统
CN107346547A (zh) 基于单目平台的实时前景提取方法及装置
CN115797775B (zh) 基于近地视频图像的违章建筑智能识别方法及系统
CN112819812A (zh) 基于图像处理的粉末床缺陷检测方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN116363157A (zh) 一种架空输电线边缘定位方法、系统、电子设备及介质
CN111223098B (zh) 一种烧结机的台车箅条倾斜角检测方法及系统
CN111768390B (zh) 一种基于图像识别的篦冷机红河识别方法
CN111223094B (zh) 一种烧结机的台车箅条间距检测方法及系统
CN111695374B (zh) 监控视角中斑马线区域的分割方法、系统、介质及设备
CN111222510B (zh) 一种烧结机的台车箅条图像摄取方法及系统
CN115984806A (zh) 道路标线破损动态检测系统

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