CN112633292A - 一种金属表面氧化层温度测量方法 - Google Patents
一种金属表面氧化层温度测量方法 Download PDFInfo
- Publication number
- CN112633292A CN112633292A CN202010905957.6A CN202010905957A CN112633292A CN 112633292 A CN112633292 A CN 112633292A CN 202010905957 A CN202010905957 A CN 202010905957A CN 112633292 A CN112633292 A CN 112633292A
- Authority
- CN
- China
- Prior art keywords
- temperature
- training
- measuring
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002184 metal Substances 0.000 title claims abstract description 26
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000003647 oxidation Effects 0.000 claims abstract description 10
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010301 surface-oxidation reaction Methods 0.000 claims 2
- 230000005855 radiation Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000009529 body temperature measurement Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 239000003973 paint Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000004861 thermometry Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007557 optical granulometry Methods 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及测量技术领域,更具体地涉及一种金属表面氧化层温度测量方法,具体步骤如下:(1)建立不同温度、不同氧化程度图像库,拍摄待测设备在固定光源照射下的照片;(2)对图像库的图像进行反射光色度信息提取,并建立只需6个特征量的数据集;(3)对数据集进行种类划分,并训练建立人工神经网络;(4)利用训练得到的神经网络进行温度预测;(5)对非数据库照片进行温度预测,完成拍摄照片的温度的测量。本发明利用造价相对低廉的可见光相机,通过提取被监测物体图像的单个像素色度特征,为监测因设备缺陷造成的温升提供了一种新的简便且低成本的解决方案;由于该方法不依赖热辐射,而是光反射,因此可广泛用于常温金属表面氧化层温度的测量。
Description
技术领域
本发明涉及测量技术领域,更具体地涉及一种金属表面氧化层温度测量方法。
背景技术
目前用来检测温度的方法用的比较多的有红外热像技术,示温漆、基于数字图像处理测量温度场和利用神经网络进行温度识别等。红外热成像技术没有使用本发明的可见光波段、存在分辨率低,设备造价昂贵等问题,而且该方法没有涉及对图像自动化处理的研究,未摆脱对人工分析和处理的依赖。示温漆温度人工判读是根据示温漆样片颜色对应的温度来测试验件的温度,这种方法准确率很低。利用数字图像处理测量温度场和利用神经网络进行温度识别也都没有利用到单个像素色度特征所包含的丰富信息,而且大多用于高温情况下,即利用的是热辐射信息,不是热反射信息。利用可见光数字图像色度信息,特别是可见光相机照片的色度信息结合人工智能技术识别温度未见报道。
孙晓刚的基于遗传神经网络的多光谱辐射测温法,光谱学与光谱分析利用人工神经网络学习和预测多光谱辐射测温数据,尚未直接利用可见光图像;王烨的高温管道内流体流量计温度识别研究提出了由管道外壁面温度分布识别管内流体温度的计算方法,既没有涉及到可见光图像,也没有利用到机器学习技术;刘金琨的基于神经网络的高炉炉顶煤气温度分布的模式识别是利用神经网络去识别高炉炉顶煤气温度分布模式,但是采用的是已经测量得到的高炉温度,然后评估描述整体温度分布规律,没有涉及到利用可见光图像测量温度;李斌杰的基于火焰图像识别的信息融合技术在辊道窑温度检测中的应用是利用火焰的照片来识别温度,温度高(1200度以上),且没有采用机器学习技术;于坤林的基于数字图像处理的温度场测量方法的研究是利用数字图像处理得到示温漆的颜色温度特性曲线,不是直接面对物体表面热辐射图像,而是经过其他物体对温度的转换表示,也没有利用到机器学习技术;许永华的高炉温度场的红外图像识别检测方法及应用是利用红外图像进行高炉温度场的检测,并非直接利用可见光图像;张佳佳的SVD与SVM叠加算法在玻璃温度表图像识别中的应用是利用支持向量机和奇异值分解实现玻璃温度表图像识别,是对温度测量装置读数的识别,不是直接测量物理量。
中国专利CN107449983A公开了一种红外线图像识别的变压器综合温度监测装置是利用的红外图像;中国专利CN108491803A公开了一种识别图像中物体和温度的装置及相应的识别方法是可见光图像和红外图像的融合来确认物体和温度,都没有直接利用可见光图像测量温度;中国专利CN108399277A公开了一种基于温度与应变关联性的桥梁损伤识别方法是利用线性回归模型拟合出桥梁应变分量与温度的联系,中国专利CN108361928A公开了基于图像识别的空调控制方法及系统是利用图像识别的方式确定空调调控方案,都不涉及利用图像的可见光热反射对温度进行测量;中国专利CN107976263A公开了光热反射测温方法及系统虽然是利用反射光信号测温,但未涉及图像,也未使用人工智能(包括神经网络)方法;中国专利CN110243759A公开了可见光热反射测温装置提出利用反射光信号获取被测物体热过程图像来测量物体温度的方法,但也未使用人工智能(包括神经网络)方法。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,但是采用的图像特征是三基色灰度频率分布,共768个特征量,不是本申请的R、G、B灰度值和HIS空间下的色调、饱和度、亮度值的6个特征量,特征量不一样,个数也不一样;采用的机器学习方法是 KNN近邻算法,不是本申请的结合6个特征量的神经网络算法;另外测试对象是一般物体表面,不是本申请针对的是金属表面氧化层的温度。
发明内容
本发明为克服上述现有没有直接利用可见光图像测量温度、大多没有使用人工智能方法以及应用不够广泛的问题,根据金属表面氧化层厚度和颜色随时间变化,颜色分析需要采用大数据分析以及机器学习算法需要针对性的特点,提供一种金属表面氧化层温度测量方法。
在本技术方案中,提供了一种金属表面氧化层温度测量方法,具体步骤如下:
(1)建立图像库,拍摄待测设备在固定光源照射下的照片;
(2)对图像库的图像进行反射光色度信息提取,并建立数据集;
(3)对数据集进行种类划分,并训练建立人工神经网络;
(4)利用训练得到的神经网络进行温度预测;
(5)对非数据库照片进行温度预测,完成拍摄照片的温度的测量。
优选地,在步骤(1)中,图像库建立的具体方法为:准备某种金属的q种氧化程度的表面,拍摄固定光源下D种温度下的每个表面照片,每种温度下拍摄 L张照片,建立q×D×L的图像库。
优选地,在步骤(1)中,用可见光相机进行照片拍摄。
优选地,在步骤(2)中,建立数据集的具体方法为:设定每副照片有p个像素点,则图像库中共有q×D×L×p个像素点,对每个像素点提取其色度特征作为温度状态的单一基础信息,组成像素信息数据集,共q×D×L×p条数据,其中,每条像素数据对应的标签为该像素所在的图像对应的温度。
优选地,在步骤(2)中,提取每个像素点的R、G、B灰度值和HIS空间下的色调、饱和度、亮度值,合并为6维向量,即得到了该像素点的颜色基础信息,所有像素点的信息组成了特征数据集,每条数据对应的标签为该像素点所在的图相对应的温度。
优选地,在RGB色彩空间中,图像的每个像素点都由R、G、B三个通道组成,每个通道表示该颜色的亮度;在HIS空间中,色调H为描述纯色的属性;饱和度 S为一种纯色被白光稀释的程度的度量;强度I为人对彩色感觉的关键参数。
优选地,在步骤(3)中,训练建立人工神经网络的具体方法为:把数据集按照比例随机划分为训练集和测试集,分别用于模型训练和测试,把训练集中的像素特征信息和对应温度作为输入,训练建立人工神经网络。
优选地,在步骤(3)中,模型训练的模型采用多层全连接神经网络,具体方法如下:
A.加入去除(Dropout)层,使每次训练时,去除每层一定比例的神经元;
B.使用Adam优化算法更新神经网络权重;
C.使用优化器类中的学习率步长(optim.lr_scheduler.stepLR)函数更新学习率,每经过步长(step_size)个训练周期(epoch)缩小一次学习率;
D.小批量样本训练;
E.隐藏层采用漏整流线性单元(LeakyReLU)激活函数;
F.损失函数采用回归问题中的平均绝对误差MAE。
优选地,平均绝对误差MAE和拟合优度R2的公式如下:
优选地,在步骤(4)中,利用训练得到的神经网络对测试集数据进行温度预测,预测值与实际值对比得到误差。
优选地,MAE越小说明预测和实际偏差越小;R2拟合优度越接近于1,拟合效果越好;MAE反映了预测的绝对误差;R2拟合优度反映了以均值作为误差基准,观察预测误差是否大于或者小于均值基准误差。
与现有技术相比,有益效果是:
本发明明利用造价相对低廉的可见光相机,通过提取被监测物体图像的单个像素色度特征,为监测因设备缺陷造成的温升提供了一种新的简便且低成本的解决方案;依据金属氧化物光反射率的温敏特性,为每种设备建立不同氧化程度、不同温度下的图像库,经过人工神经网络,训练出不受氧化程度影响识别特定金属表面温度的模型,用于测试该设备的温度。由于该方法不依赖热辐射,而是光反射,因此可广泛用于常温金属表面温度的测量。
附图说明
图1为金属表面氧化层温度测量方法的流程图;
图2为实施例一的模型训练的网络结构示意图。
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:
实施例一
如图1至图2为本发明一种金属表面氧化层温度测量方法的实施例,具体步骤如下:
(1)建立图像库,拍摄待测设备在固定光源照射下的照片;
(2)对图像库的图像进行反射光色度信息提取,并建立数据集;
(3)对数据集进行种类划分,并训练建立人工神经网络;
(4)利用训练得到的神经网络进行温度预测;
(5)对非数据库照片进行温度预测,完成拍摄照片的温度的测量。
其中,在步骤(1)中,图像库建立的具体方法为:准备某种金属的q种氧化程度的表面,拍摄固定光源下D种温度下的每个表面照片,每种温度下拍摄L 张照片,建立q×D×L的图像库。
另外,在步骤(1)中,用可见光相机进行照片拍摄。
其中,在步骤(2)中,建立数据集的具体方法为:设定每副照片有p个像素点,则图像库中共有q×D×L×p个像素点,对每个像素点提取其色度特征作为温度状态的单一基础信息,组成像素信息数据集,共q×D×L×p条数据,其中,每条像素数据对应的标签为该像素所在的图像对应的温度。
另外,在步骤(2)中,提取每个像素点的R、G、B灰度值和HIS空间下的色调、饱和度、亮度值,合并为6维向量,即得到了该像素点的颜色基础信息,所有像素点的信息组成了特征数据集,每条数据对应的标签为该像素点所在的图相对应的温度。
其中,在RGB色彩空间中,图像的每个像素点都由R、G、B三个通道组成,每个通道表示该颜色的亮度;在HIS空间中,色调H为描述纯色的属性;饱和度 S为一种纯色被白光稀释的程度的度量;强度I为人对彩色感觉的关键参数。
另外,在步骤(3)中,训练建立人工神经网络的具体方法为:把数据集按照比例随机划分为训练集和测试集,分别用于模型训练和测试,把训练集中的像素特征信息和对应温度作为输入,训练建立人工神经网络。
其中,在步骤(3)中,模型训练的模型采用多层全连接神经网络,具体方法如下:
A.加入去除Dropout层,使每次训练时,去除每层一定比例的神经元;
B.使用Adam优化算法更新神经网络权重;
C.使用优化器类中的学习率步长函数更新学习率,每训练若干步长训练周期缩小一次学习率;
D.小批量样本训练;
E.隐藏层采用漏整流线性单元激活函数;
F.损失函数采用回归问题中的平均绝对误差MAE。
另外,平均绝对误差MAE和R2的公式如下:
其中,在步骤(4)中,利用训练得到的神经网络对测试集数据进行温度预测,预测值与实际值对比得到误差;MAE越小说明预测和实际偏差越小;R2拟合优度越接近于1,拟合效果越好;MAE反映了预测的绝对误差;R2拟合优度反映了以均值作为误差基准,观察预测误差是否大于或者小于均值基准误差。
本实施例具体步骤如下:
a)建立图像库
用可见光相机拍摄待测设备在固定光源照射下的照片。准备了q种不同氧化程度的铜板(本例q为3),在D个不同温度下用可见光相机拍摄待测设备照片,本例为11.2~101.8℃之间20个温度等级,每个温度等级下拍摄L幅图像(本例中 L为1),图像集共包含q×D×L=60幅图像。在工程实际中,不同待测物体表面的氧化程度可能不同,会对温度测量产生干扰,我们在实验中引入了不同氧化程度的金属板模拟了这种干扰,并期望经过训练得到的智能测温模型能够克服这种干扰,而尽可能准确的识别出物体表面温度。
b)反射光色度信息提取
由于拍摄的原始图像中并非所有区域都存在温升,所以需要裁取图像中包含温升区域的部分,称为有效区域,同时为了控制变量,需要截取每幅图像的相同区域,假设截取区域包含的像素点数为p,则整个图像集包含的像素点数为 q×D×L×p,本例将照片分析区域的像素点个数取为1000×800=8×105,中心坐标位置都是(1000,1500;1200,1500)。
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(正交矢量)。在RGB色彩空间中,图像的每个像素点都由R、G、B三个通道组成,每个通道表示该颜色的亮度;而在HIS空间中,色调H是描述纯色的属性(如红色、黄色等);饱和度S表示的是一种纯色被白光稀释的程度的度量;强度I是一个主观的描述,是人对彩色感觉的关键参数。
提取每个像素点的R、G、B灰度值和HIS空间下的色调、饱和度、亮度值,合并为6维向量,即得到了该像素点的颜色基础信息,所有像素点的信息组成了特征数据集,每条数据对应的标签为该像素点所在的图相对应的温度。整个数据集中包含q×D×L×p=60×8×105=4.8×107条数据。
c)数据集划分
把数据集按照9:1的比例随机划分为训练集和测试集,分别用于模型训练和测试。
d)模型训练
模型采用多层全连接神经网络,网络主要使用的技术包括:
A.加入Dropout层,提高模型泛化能力:
B.Adam优化算法:结合梯度的一阶矩和二阶矩,自动适应学习率,计算高效,消耗内存小,对超参数的选择具有较好的鲁棒性;
C.optim.lr_scheduler.stepLR更新学习率,每训练若干epoch缩小一次学习率。
D.小批量样本训练,提高内存利用率,节省计算时间。
E.隐藏层采用LeakyReLU激活函数,有效防止误差反向传播过程中梯度消失。
F.损失函数采用回归问题中常用的平均绝对误差MAE。
具体使用的网络结构如下:
(input→16→32→64→128→256→Dropout(0.5)→128→Dropout(0.5)→64→output)
采用平均绝对误差MAE和R2拟合优度作为衡量模型能力的指标:
MAE越小越好,为0时说明预测和实际无偏差;R2拟合优度越接近于1,拟合效果越好。MAE反映了预测的绝对误差;R2拟合优度反映了以均值作为误差基准,观察预测误差是否大于或者小于均值基准误差。
a)模型优化
经过5轮训练后,网络模型在测试集上的平均绝对误差MAE和R2拟合优度分别如下:平均绝对误差MAE为9.50341,R2拟合优度为0.86943;
部分预测结果如表1,左边一列为实际温度,右边一列为模型法预测温度;
表1实际温度与模型法预测温度的对比表
e)诊断状态
对未在该库内的同样条件的照片进行温度识别。
实施例二
本实施例为实施例二,本实施例与实施例一类似,所不同之处在于,在步骤 d)中,增加网络层数,使网络结构如下:
(input→16→32→64→128→256→512→1024→Dropout(0.5)→512→ Dropout(0.5)→256→128→output)
同时,在训练时引入了提前终止(early stopping)策略,保存验证损失最小的模型;
在训练集上对修改后的网络模型进行训练,同样经过5轮训练后,网络模型在测试集上的平均绝对误差MAE和R2拟合优度分别如下:平均绝对误差MAE 为7.80321,R2拟合优度为0.91665;部分预测结果如下表2所示,左边一列为实际温度,右边一列为模型法预测温度。
表2实际温度与模型法预测温度的对比表
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)
1.一种金属表面氧化层温度测量方法,其特征在于,具体步骤如下:
(1)建立不同温度、不同氧化程度图像库,拍摄待测设备在固定光源照射下的照片;
(2)对图像库的图像进行反射光色度信息提取,并建立数据集;
(3)对数据集进行种类划分,并训练建立人工神经网络;
(4)利用训练得到的神经网络进行温度预测;
(5)对非数据库照片进行温度预测,完成拍摄照片的温度的测量。
2.根据权利要求1所述的金属表面温度测量方法,其特征在于,在步骤(1)中,图像库建立的具体方法为:准备某种金属的q种氧化程度的表面,拍摄固定光源下D种温度下的每个表面照片,每种温度下拍摄L张照片,建立q×D×L的图像库。
3.根据权利要求2所述的金属表面氧化层温度测量方法,其特征在于,在步骤(1)中,用可见光相机进行照片拍摄。
4.根据权利要求1至3任一项所述的金属表面氧化层温度测量方法,其特征在于,在步骤(2)中,建立数据集的具体方法为:设定每副照片有p个像素点,则图像库中共有q×D×L×p个像素点,对每个像素点提取其色度特征作为温度状态的单一基础信息,组成像素信息数据集,共q×D×L×p条数据,其中,每条像素数据对应的标签为该像素所在的图像对应的温度。
5.根据权利要求4所述的金属表面氧化层温度测量方法,其特征在于,在步骤(2)中,提取每个像素点的R、G、B灰度值和HIS空间下的色调、饱和度、亮度值,合并为6维向量,即得到了该像素点的颜色基础信息,所有像素点的信息组成了特征数据集,每条数据对应的标签为该像素点所在的图相对应的温度。
6.根据权利要求5所述的金属表面温度测量方法,其特征在于,在RGB色彩空间中,图像的每个像素点都由R、G、B三个通道组成,每个通道表示该颜色的亮度;在HIS空间中,色调H为描述纯色的属性;饱和度S为一种纯色被白光稀释的程度的度量;强度I为人对彩色感觉的关键参数。
7.根据权利要求1所述的金属表面氧化层温度测量方法,其特征在于,在步骤(3)中,训练建立人工神经网络的具体方法为:把数据集按照比例随机划分为训练集和测试集,分别用于模型训练和测试,把训练集中的像素特征信息和对应温度作为输入,训练建立人工神经网络。
8.根据权利要求7所述的金属表面氧化层温度测量方法,其特征在于,在步骤(3)中,模型训练的模型采用多层全连接神经网络,具体方法如下:
A.加入去除层,使每次训练时,去除每层一定比例的神经元;
B.使用Adam优化算法更新神经网络权重;
C.使用优化器类中的学习率步长函数更新学习率,每经过步长训练周期缩小一次学习率;
D.小批量样本训练;
E.隐藏层采用漏整流线性单元激活函数;
F.损失函数采用回归问题中的平均绝对误差MAE。
10.根据权利要求1所述的金属表面氧化层温度测量方法,其特征在于,在步骤(4)中,利用训练得到的神经网络对测试集数据进行温度预测,预测值与实际值对比得到误差;MAE越小说明预测和实际偏差越小;R2拟合优度越接近于1,拟合效果越好;MAE反映了预测的绝对误差;R2拟合优度反映了以均值作为误差基准,观察预测误差是否大于或者小于均值基准误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905957.6A CN112633292A (zh) | 2020-09-01 | 2020-09-01 | 一种金属表面氧化层温度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905957.6A CN112633292A (zh) | 2020-09-01 | 2020-09-01 | 一种金属表面氧化层温度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633292A true CN112633292A (zh) | 2021-04-09 |
Family
ID=75300142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010905957.6A Pending CN112633292A (zh) | 2020-09-01 | 2020-09-01 | 一种金属表面氧化层温度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633292A (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 |
CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105371957A (zh) * | 2015-10-23 | 2016-03-02 | 国家电网公司 | 变电站设备红外温度配准定位系统及方法 |
EP3026410A1 (en) * | 2014-11-26 | 2016-06-01 | Alstom Technology Ltd | Method for determining a thermal history of a component |
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
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 |
CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
CN110243759A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学院电工研究所 | 可见光热反射测温装置 |
US20200132552A1 (en) * | 2017-03-16 | 2020-04-30 | Siemens Aktiengesellschaft | Method and assembly for measuring a gas temperature distribution in a combustion chamber |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
CN111582194A (zh) * | 2020-05-12 | 2020-08-25 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
-
2020
- 2020-09-01 CN CN202010905957.6A patent/CN112633292A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3026410A1 (en) * | 2014-11-26 | 2016-06-01 | Alstom Technology Ltd | Method for determining a thermal history of a component |
CN105371957A (zh) * | 2015-10-23 | 2016-03-02 | 国家电网公司 | 变电站设备红外温度配准定位系统及方法 |
US20200132552A1 (en) * | 2017-03-16 | 2020-04-30 | Siemens Aktiengesellschaft | Method and assembly for measuring a gas temperature distribution in a combustion chamber |
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
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 |
CN110243759A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学院电工研究所 | 可见光热反射测温装置 |
CN111582194A (zh) * | 2020-05-12 | 2020-08-25 | 吉林大学 | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
Non-Patent Citations (1)
Title |
---|
王韬, 刘奇, 陈洪, 孟川杰: "BP神经网络的火焰图像温度检测方法", 中国测试技术, no. 02, 28 April 2005 (2005-04-28), pages 51 - 53 * |
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 |
CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560657B (zh) | 烟火识别方法、装置、计算机设备和存储介质 | |
CN108985376B (zh) | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 | |
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN111739250B (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 | |
CN110427825B (zh) | 基于关键帧与快速支持向量机融合的视频火焰识别方法 | |
CN111579083B (zh) | 基于红外图像人脸检测的体温测量的方法和装置 | |
CN112633292A (zh) | 一种金属表面氧化层温度测量方法 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN109300110A (zh) | 一种基于改进颜色模型的森林火灾图像检测方法 | |
CN109283439A (zh) | 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 | |
CN115165886B (zh) | 基于视觉的织物阻燃整理质量检测方法 | |
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 | |
CN111750994B (zh) | 一种基于数码相机成像模型的光谱测量方法 | |
CN111798516B (zh) | 一种桥式起重机设备运行状态量的检测及误差分析方法 | |
Yuan et al. | Temperature measurement of metal surface at normal temperatures by visible images and machine learning | |
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 | |
CN113361337A (zh) | 一种人脸测温补偿方法、装置及电子设备 | |
CN109961428A (zh) | 基于流形的非负矩阵分解电熔氧化镁工业故障检测方法 | |
Rudz et al. | On the evaluation of segmentation methods for wildland fire | |
Wang et al. | A temperature measurement method based on visible light chromaticity index and k-nearest neighbors algorithm | |
CN113343791B (zh) | 基于卷积神经网络的窑头看火视频亮度识别方法及装置 | |
CN109784257A (zh) | 一种变压器温度表检测与识别方法 | |
CN112734722B (zh) | 一种基于改进完全局部二值模式火焰终点碳含量预测方法 | |
Inoue et al. | An intelligent vision-based approach for work group identification through helmet detection | |
CN115311471B (zh) | 梭式窑烧结工况图像识别方法 |
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 |