CN112053341A - 一种基于光反射率和人工智能的合金材料的表面温度测量方法 - Google Patents
一种基于光反射率和人工智能的合金材料的表面温度测量方法 Download PDFInfo
- Publication number
- CN112053341A CN112053341A CN202010904246.7A CN202010904246A CN112053341A CN 112053341 A CN112053341 A CN 112053341A CN 202010904246 A CN202010904246 A CN 202010904246A CN 112053341 A CN112053341 A CN 112053341A
- Authority
- CN
- China
- Prior art keywords
- visible light
- image
- temperature
- alloy material
- artificial intelligence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000956 alloy Substances 0.000 title claims abstract description 24
- 238000001579 optical reflectometry Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000009529 body temperature measurement Methods 0.000 title description 17
- 238000005286 illumination Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 20
- 238000003384 imaging method Methods 0.000 description 10
- 230000005855 radiation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000004861 thermometry Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000001052 transient 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及测量技术领域,更具体地涉及一种基于光反射率和人工智能的常温合金材料表面温度测量方法,具体步骤如下:(1)建立可见光图像库;(2)对可见光图像进行特征提取;(3)对可见光图像建立温度预测模型以及进行评估。本发明依据合金材料具有较强光反射率,容易受到环境光照强度影响的特性,为每种(台)设备建立不同光照背景、不同温度下的图像库,经过单尺度Retinex方法克服环境光照强度对可见光图像灰度直方图的影响,然后利用人工智能方法,建立不受环境光照强度影响的温度预测模型,用于测试该设备的温度。
Description
技术领域
本发明涉及测量技术领域,更具体地涉及一种基于光反射率和人工智能的常温合金材料表面温度测量方法。
背景技术
根据被测物体是否与感温元件直接接触,将测温方法分为接触式测温法和非接触式测温法。热电偶是接触式测温工具,不能用于高温环境下中的温度测量,而且动态响应较差。非接触式测温法中使用较多的有红外热像技术、热反射测温技术、可见光热辐射测温技术。红外辐射具有很强的温度效应,广泛用于测量温度。但是红外热像技术利用的是红外图像,空间分辨率有限,红外热像仪价格较昂贵。热反射测温技术利用材料对可见光的反射率随温度变化而变化的原理进行温度测量,需要对热反射率系数进行校准,没有使用到本发明中的机器学习技术。可见光热辐射测温技术利用的是物体的自发射光与温度之间的关系,由于常温物体的热辐射在可见光波段非常弱,因此可见光热辐射测温一般只用于高温物体。利用物体表面反射光成像和机器学习技术实现具有高反射率但同时又容易受到环境光照强度影响的光滑表面的(例如合金材料)常温物体温度测量未见报道。
周怀春的基于辐射图象处理的炉膛燃烧三维温度分布检测原理及分析利用的是待测物体的自发射光成像和比色法公式求温度,不是物体表面的反射光成像,也没有利用到机器学习技术;卫成业的人工神经网络在火焰图像比色测温法中的应用利用人工神经网络得到用于温度预测的黑箱模型,不是物体表面的反射光成像;翟玉卫的用热反射测温技术测量GaNHEMT的瞬态温度利用热反射测温技术,由于采用的是正入射方案,没有涉及到机器学习技术;陈浩的热电偶测温系统原理及应用利用热电偶测温,是一种接触式测温工具,没有利用到热反射测温技术,也没有涉及机器学习技术;潘建乔的红外热成像仪镜像反射测温法的应用利用镜面物体对红外线辐射能量的反射能力,没有利用物体表面反射光成像和机器学习技术;孙晓刚的基于神经网络的多光谱测温数据处理方法利用神经网络技术和光谱测温技术,没有利用物体表面反射光成像。
中国专利CN110243759A可见光热反射测温装置利用热反射图像进行测温,没有涉及到机器学习技术。中国专利CN107976263A光热反射测温方法及系统利用探测器采集到的反射光信号,没有涉及到物体表面反射光成像和机器学习技术。中国专利CN205679319U基于反射率变化的金属材料表面动态温度点测量系统利用激光束照射物体表面,虽然应用于日光环境下,但没有采用机器学习技术。中国专利CN109283439A一种基于三基色色度信息和机器学习的放电状态识别方法利用的是空气中的自发射光成像,没有涉及物体表面反射光成像,也不是测量物体温度。中国专利CN 110160661 A公开了基于可见光照片的物体表面温度的测量方法及装置,虽然采用了机器学习方法,但是针对的是一般物体表面,在机器学习方法应用之前没有采用专门的克服环境光照强度影响的图象处理方法,而本申请针对的是具有非常强的光反射,但同时又非常容易受环境光照强度影响的、具有光滑表面的合金材料,在采用机器学习方法之前,需要图象处理方法作预处理。
发明内容
本发明为克服涉及物体表面反射光成像以及检测合金材料表面温度不准确的问题,提供一种基于光反射率和人工智能的常温合金材料表面温度测量方法。
在本技术方案中,提供了一种基于光反射率和人工智能的常温合金材料表面温度测量方法,具体步骤如下:
(1)建立不同温度、不同光照强度的可见光图像库;
(2)对可见光图像进行特征提取;
(3)对可见光图像建立温度预测模型以及进行评估。
优选地,在步骤(1)中,图像库建立的方法为:在k个不同光照强度下,选取m个温度,在每个温度下用数码相机拍摄待测物体的n张可见光图像,建立k×m×n的图像库。
优选地,在步骤(1)中,用数码相机进行照片拍摄。
优选地,在步骤(1)中,采用单尺度Retinex方法对可见光图像库中的可见光图像进行处理,提取出不受环境光照强度的影响的三基色灰度频率分布特征。
优选地,在步骤(1)中,单尺度Retinex方法将一幅图像分解为受环境影响的照射分量图像和特征固定的反射分量图像,照射分量图像反映环境光照信息,反射分量图像反映物体的本质信息,单尺度Retinex方法将照射分量图像的去除,对反射分量图像进行特征提取;表示如下:
S(x,y)=R(x,y)×L(x,y)
其中S(x,y)表示拍摄得到的可见光图像,R(x,y)表示反射图像,反映物体的真实颜色信息,L(x,y)表示照射图像,反映图像的动态范围信息;单尺度Retinex方法的计算公式如下所示:
RSSR(x,y)=logS(x,y)-log[F(x,y)*S(x,y)]
其中*表示卷积运算;F(x,y)为环绕函数。
优选地,在步骤(2)中,可见光图像特征提取的具体方法为:从可见光图像中提取所有像素点的R、G、B灰度分布,反映颜色状态,其中每种基色的灰度级都在(0,255)范围内;提取固定区域全部像素点m*n的三基色灰度值后,得到该区域某基色具有的某种灰度级的像素个数,它们与区域总像素点个数的比值即某基色某灰度级的频率,进而得出可见光图像的三基色灰度频率分布。
优选地,在步骤(2)中,物体温度变化时,对可见光的反射率随着温度变化而变化,数码相机拍摄的可见光图像也会随着温度变化,三基色灰度频率分布中包含温度信息。
优选地,每张可见光图像中选取一个固定分析区域,提取出分析区域的三基色灰度频率作为作为可见光图像的特征。
优选地,在步骤(3)中,利用机器学习算法建立不同温度下可见光图像三基色灰度频率分布中存在的规律,建立温度预测模型。
优选地,在步骤(3)中,采用5折交叉验证的方式对模型的预测精度进行评估,分别得到若干验证组的模型预测温度与真实温度之间的最大绝对误差和平均绝对误差。
与现有技术相比,有益效果是:
本发明依据合金材料光反射率的温敏特性,为每种(台)设备建立不同光照背景、不同温度下的图像库,经过单尺度Retinex方法对图象进行预处理,克服环境光照对可见光图像灰度直方图的影响,然后利用机器学习算法建立不受环境光照影响的温度预测模型,用于测试该设备的温度。
附图说明
图1为基于光反射率和人工智能的合金材料的表面温度测量方法的流程图;
图2为三基色灰度频率分布图;
图3为未使用Retinex方法的预测结果;
图4为使用Retinex方法的预测结果。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例
如图1至图4所示为本发明一种基于光反射率和人工智能的合金材料的表面温度测量方法的实施例,具体步骤如下:
(1)建立不同温度、不同环境光照强度下的可见光图像库;
(2)对可见光图像进行特征提取;
(3)对可见光图像建立温度预测模型以及进行评估。
其中,在步骤(1)中,图像库建立的方法为:在k个不同光照强度下,选取m个温度,在每个温度下用数码相机拍摄待测物体的n张可见光图像,建立k×m×n的图像库。
另外,在步骤(1)中,用数码相机进行照片拍摄。
其中,在步骤(1)中,采用单尺度Retinex方法对可见光图像库中的可见光图像进行处理,提取出不受环境光照的影响的三基色灰度频率分布特征。
另外,在步骤(1)中,单尺度Retinex方法将一幅图像分解为受环境影响的照射分量图像和特征固定的反射分量图像,照射分量图像反映环境光照信息,反射分量图像反映物体的本质信息,单尺度Retinex方法将照射分量图像的去除,对反射分量图像进行特征提取,表示如下:
S(x,y)=R(x,y)×L(x,y)
其中S(x,y)表示拍摄得到的可见光图像,R(x,y)表示反射图像,反映物体的真实颜色信息,L(x,y)表示照射图像,反映图像的动态范围信息;单尺度Retinex方法的计算公式如下所示:
RSSR(x,y)=logS(x,y)-log[F(x,y)*S(x,y)]
其中*表示卷积运算;F(x,y)为环绕函数。
其中,在步骤(2)中,可见光图像特征提取的具体方法为:从可见光图像中提取所有像素点的R、G、B灰度分布,反映颜色状态,其中每种基色的灰度级都在(0,255)范围内;提取固定区域全部像素点m*n的三基色灰度值后,得到该区域某基色具有的某种灰度级的像素个数,它们与区域总像素点个数的比值即某基色某灰度级的频率,进而得出可见光图像的三基色灰度频率分布。
另外,在步骤(2)中,物体温度变化时,对可见光的反射率随着温度变化而变化,数码相机拍摄的可见光图像也会随着温度变化,三基色灰度频率分布中包含温度信息。
其中,每张可见光图像中选取一个固定分析区域,提取出分析区域的三基色灰度频率作为作为可见光图像的特征。
另外,在步骤(3)中,利用基于直方图巴氏距离的K近邻算法学习不同温度下可见光图像三基色灰度频率分布中存在的规律,建立K近邻算法温度预测模型。
其中,在步骤(3)中,采用5折交叉验证的方式对模型的预测精度进行评估,分别得到若干验证组的模型预测温度与真实温度之间的最大绝对误差和平均绝对误差。
也就是说本实施例的步骤如下:(1)在k个不同环境光照条件下,选取m个温度,在每个温度下拍摄n张可见光图像,建立可见光图像库,总共有k*m*n张可见光图像。(2)采用单尺度Retinex算法对可见光图像库进行处理,克服环境光照变化对可见光图像的影响。(3)从每张可见光图像中选取一个固定分析区域,提取该区域的三基色灰度频率分布特征。(4)采用基于巴氏距离的K近邻算法学习不同温度下可见光图像三基色灰度频率分布中存在的规律,建立温度预测模型。
具体地:
a)建立图像库
准备一个具备光强调节功能的光源,调整出不同的光源强度。在k个不同光照强度下,选取m个温度,在每个温度下用数码相机拍摄待测物体的n张可见光图像。本例选取k=2,m=18,n=20,可见光图像库中总共720张。
对合金材料,由于表面光滑,普通数码相机拍摄得到的可见光图像灰度直方图容易受到周围环境光照强度的影响,在相同场景下使用不同光源,拍摄得到的可见光图像的灰度直方图会有明显的差别,因此需要克服环境光照强度的影响。单尺度Retinex方法指出一幅图像可以分解成两幅不同的图像,即照射分量图像和反射分量图像,照射分量图像能够反映环境光照信息,反射分量图像反映物体的本质信息。从可见光图像中去除照射分量图像,能够克服环境光照对可见光图像灰度直方图的影响。
采用单尺度Retinex方法对可见光图像库中的720张可见光图像进行处理,提取出的三基色灰度频率分布特征能够不受环境光照的影响。
b)可见光图像特征提取
按色度学理论,所有颜色都可以用红R、绿G、蓝B三种颜色来合成,这三种颜色称为三基色。可见光图像在计算机中的存储形式是一个m*n*3的数组,其中的“3”可以理解为三幅m*n的二维灰度图像,分别代表R分量图像、G分量图像和B分量图像。因此可以从可见光图像中提取所有像素点的R、G、B灰度分布,反映颜色状态,其中每种基色的灰度级都在(0,255)范围内。提取固定区域全部像素点m*n的三基色灰度值后,可以经过计算得到该区域某基色具有的某种灰度级的像素个数,它们与区域总像素点个数的比值即某基色某灰度级的频率,进而可见光图像的三基色灰度频率分布,如图2所示。物体温度变化时,对可见光的反射率随着温度变化而变化,因而数码相机拍摄的可见光图像也会随着温度变化,三基色灰度频率分布中包含温度信息。
每张可见光图像中选取一个大小为1000*600的固定分析区域,提取出分析区域的三基色灰度频率作为作为可见光图像的特征。
c)温度预测模型建立与评估
传统K近邻算法通过计算特征之间的欧式距离来衡量特征相似性,但是日光环境下拍摄的可见光图像容易受到噪声等的影响,直方图会发生一定偏移,使用欧式距离度量方法存在不足,需要采用一种新的距离度量方式。在衡量直方图相似性时,采用巴氏距离获得的效果最好。所以K近邻算法中采用巴氏距离对直方图相似性进行度量,克服了欧式距离中存在的偏移敏感问题。直方图完全相同时,巴氏距离为1,完全不同时,巴氏距离为0。
利用基于直方图巴氏距离的K近邻算法学习不同温度下可见光图像三基色灰度频率分布中存在的规律,建立K近邻算法温度预测模型。采用5折交叉验证的方式对模型的预测精度进行评估,分别得到5个验证组的模型预测温度与真实温度之间的最大绝对误差和平均绝对误差,如表1所示。
表1交叉验证得到的最大绝对误差和平均绝对误差
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,具体步骤如下:
(1)建立不同温度、不同环境光照强度下的可见光图像库;
(2)对可见光图像进行特征提取;
(3)对可见光图像建立温度预测模型以及进行评估。
2.根据权利要求1所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(1)中,图像库建立的方法为:在k个不同光照强度下,选取m个温度,在每个温度下用数码相机拍摄待测物体的n张可见光图像,建立k×m×n的图像库。
3.根据权利要求2所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(1)中,用数码相机进行照片拍摄。
4.根据权利要求2所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(1)中,采用单尺度Retinex方法对可见光图像库中的可见光图像进行处理,提取出不受环境光照的影响的三基色灰度频率分布特征。
5.根据权利要求4所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(1)中,单尺度Retinex方法将一幅图像分解为受环境影响的照射分量图像和特征固定的反射分量图像,照射分量图像反映环境光照信息,反射分量图像反映物体的本质信息,单尺度Retinex方法将照射分量图像的去除,对反射分量图像进行特征提取;表示如下:
S(x,y)=R(x,y)×L(x,y)
其中S(x,y)表示拍摄得到的可见光图像,R(x,y)表示反射图像,反映物体的真实颜色信息,L(x,y)表示照射图像,反映图像的动态范围信息;单尺度Retinex方法的计算公式如下所示:
RSSR(x,y)=logS(x,y)-log[F(x,y)*S(x,y)]
其中*表示卷积运算;F(x,y)为环绕函数。
6.根据权利要求1至5任一项所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(2)中,可见光图像特征提取的具体方法为:从可见光图像中提取所有像素点的R、G、B灰度分布,反映颜色状态,其中每种基色的灰度级都在(0,255)范围内;提取固定区域全部像素点m*n的三基色灰度值后,得到该区域某基色具有的某种灰度级的像素个数,它们与区域总像素点个数的比值即某基色某灰度级的频率,进而得出可见光图像的三基色灰度频率分布。
7.根据权利要求6所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(2)中,物体温度变化时,对可见光的反射率随着温度变化而变化,数码相机拍摄的可见光图像也会随着温度变化,三基色灰度频率分布中包含温度信息。
8.根据权利要求7所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,每张可见光图像中选取一个固定分析区域,提取出分析区域的三基色灰度频率作为作为可见光图像的特征。
9.根据权利要求1所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(3)中,利用机器学习算法建立温度预测模型。
10.根据权利要求9所述的基于光反射率和人工智能的合金材料的表面温度测量方法,其特征在于,在步骤(3)中,采用5折交叉验证的方式对模型的预测精度进行评估,分别得到若干验证组的模型预测温度与真实温度之间的最大绝对误差和平均绝对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904246.7A CN112053341A (zh) | 2020-09-01 | 2020-09-01 | 一种基于光反射率和人工智能的合金材料的表面温度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904246.7A CN112053341A (zh) | 2020-09-01 | 2020-09-01 | 一种基于光反射率和人工智能的合金材料的表面温度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053341A true CN112053341A (zh) | 2020-12-08 |
Family
ID=73607198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904246.7A Pending CN112053341A (zh) | 2020-09-01 | 2020-09-01 | 一种基于光反射率和人工智能的合金材料的表面温度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053341A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252207A (zh) * | 2021-07-15 | 2021-08-13 | 广东电网有限责任公司江门供电局 | 一种电气设备金属表面温差检测方法和系统 |
CN114858301A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100086006A1 (en) * | 2005-07-05 | 2010-04-08 | Hiroshima University | Temperature measuring device, thermal treatment device using the same, temperature measuring method |
WO2011004396A1 (en) * | 2009-07-08 | 2011-01-13 | Priti Paresh Rege | Temperature determination of a visible heat source using digital camera |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN110160661A (zh) * | 2019-05-28 | 2019-08-23 | 华中科技大学 | 一种基于可见光照片的物体表面温度的测量方法及装置 |
CN110402455A (zh) * | 2017-03-15 | 2019-11-01 | 麦克赛尔株式会社 | 影像显示装置 |
-
2020
- 2020-09-01 CN CN202010904246.7A patent/CN112053341A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100086006A1 (en) * | 2005-07-05 | 2010-04-08 | Hiroshima University | Temperature measuring device, thermal treatment device using the same, temperature measuring method |
WO2011004396A1 (en) * | 2009-07-08 | 2011-01-13 | Priti Paresh Rege | Temperature determination of a visible heat source using digital camera |
CN110402455A (zh) * | 2017-03-15 | 2019-11-01 | 麦克赛尔株式会社 | 影像显示装置 |
CN108535199A (zh) * | 2018-03-16 | 2018-09-14 | 塔里木大学 | 一种户外多尺度枣园高光谱偏振探测方法 |
CN110160661A (zh) * | 2019-05-28 | 2019-08-23 | 华中科技大学 | 一种基于可见光照片的物体表面温度的测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
史天意,等: "基于机器视觉的铝合金激光清洗实时检测系统", 中国激光, vol. 46, no. 4, 14 January 2019 (2019-01-14), pages 0402007 - 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252207A (zh) * | 2021-07-15 | 2021-08-13 | 广东电网有限责任公司江门供电局 | 一种电气设备金属表面温差检测方法和系统 |
CN114858301A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
CN114858301B (zh) * | 2022-04-29 | 2024-03-26 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7796833B2 (en) | Method for spectral data classification and detection in diverse lighting conditions | |
CN106772417B (zh) | 一种动目标多维度多尺度红外光谱特征测量方法及系统 | |
CN111739250A (zh) | 结合图像处理技术与红外传感器的火灾探测方法及系统 | |
CN112053341A (zh) | 一种基于光反射率和人工智能的合金材料的表面温度测量方法 | |
CN113609907B (zh) | 一种多光谱数据的获取方法、装置及设备 | |
CN110517280A (zh) | 基于红外识别船舶尾气监测系统 | |
Liang et al. | 3D plant modelling via hyperspectral imaging | |
CN110160661B (zh) | 一种基于可见光照片的物体表面温度的测量方法及装置 | |
Khaloo et al. | Automatic detection of structural deficiencies using 4D Hue-assisted analysis of color point clouds | |
CN111368756A (zh) | 一种基于可见光的明火烟雾快速识别方法和系统 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
CN114973010A (zh) | 基于无先验数据的遥感水深反演模型迁移方法 | |
CN113361337A (zh) | 一种人脸测温补偿方法、装置及电子设备 | |
CN112614215A (zh) | 一种三维测量表面温度场重建方法 | |
CN112633292A (zh) | 一种金属表面氧化层温度测量方法 | |
CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
Adler-Golden et al. | Remote sensing of surface emissivity with the telops Hyper-Cam | |
CN114034405A (zh) | 一种非接触式测温方法及系统 | |
CN107796323A (zh) | 一种基于光斑视频信号智能分析的桥梁微变检测系统 | |
Bajcsy et al. | Prediction accuracy of color imagery from hyperspectral imagery | |
Chu et al. | A multi-objective anomaly abnormal detection method based on the infrared and optical image fusion | |
CN113409343B (zh) | 一种实时固体燃料料层厚度的测量方法 | |
CN113298804B (zh) | 一种基于红外图像的实时固体燃料料层厚度的测量方法 | |
Bai et al. | Estimation of Thermal Imaging System Operating Range Based on Background Radiation | |
CN111339848B (zh) | 一种自然环境下人造目标识别方法及装置 |
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 |