CN113240706A - 一种高温环境下熔融铁尾矿的智能跟踪检测方法 - Google Patents
一种高温环境下熔融铁尾矿的智能跟踪检测方法 Download PDFInfo
- Publication number
- CN113240706A CN113240706A CN202110398724.6A CN202110398724A CN113240706A CN 113240706 A CN113240706 A CN 113240706A CN 202110398724 A CN202110398724 A CN 202110398724A CN 113240706 A CN113240706 A CN 113240706A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- processing
- target
- point
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 20
- 239000011707 mineral Substances 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000002844 melting Methods 0.000 claims abstract description 10
- 230000008018 melting Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000000377 silicon dioxide Substances 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 235000012239 silicon dioxide Nutrition 0.000 claims description 5
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 229910052681 coesite Inorganic materials 0.000 claims description 3
- 229910052906 cristobalite Inorganic materials 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 229910052682 stishovite Inorganic materials 0.000 claims description 3
- 229910052905 tridymite Inorganic materials 0.000 claims description 3
- 239000005350 fused silica glass Substances 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010309 melting process Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 241000566145 Otus Species 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 229910052814 silicon oxide Inorganic materials 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/20—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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种高温环境下熔融铁尾矿的智能跟踪检测方法。本发明利用工业CCD相机采集矿物图像;参照canny方法对其中的去噪滤波环节和阈值分割环节进行优化,确定目标轮廓;通过二次优化的canny方法与形态学处理确定目标轮廓;对获得的二值图像进行形态学处理提取二维图像实际半径,最小外接圆,周长,面积等参数,确定下一帧的ROI处理;通过SFS方法预测目标的实际高度,计算实际体积以及铁尾矿熔化速率;针对之前确定ROI区域进行检测处理,重复参照canny方法对其中的去噪滤波环节和阈值分割环节进行优化以确定目标轮廓,直至铁尾矿完全熔化。本发明对熔化二氧化硅进行精确定位以及实时跟踪,同时测估熔化速度、横截面积等参数,提高了检测的智能化水平。
Description
背景技术
由于钢铁工业的迅速发展和绿色生产理念的提出,铁尾矿产的加工与废渣回收成为不断研究和改进的方向。但是由于铁尾矿熔化过程需要在温度可达1500度的高温熔池中进行,传统检测设备很难长期保持相对稳定的检测状态对于晶体颗粒的熔融过程,传统的研究方法大多需要在熔融过程中的每个时间点取出样品。快速冷却后,测量相应的属性参数。显然,这些方法不仅影响样品的特性,测量数据与实际熔融过程不一致,没有实际意义,而且增加了实验的经济成本和时间成本,容易造成安全问题。
随着深度学习和计算机视觉技术的不断兴起,机器视觉与工业生产相结合的新型工业方式展现出良好的经济和成产效益。其中边缘检测技术以其较为准确的检测能力和远高于深度学习模型的运行速度受到工业加工研究的重视。但是即使是较为优秀的传统canny边缘检测算子在实际研究应用中也存在着。本文将canny边缘检测方法加以优化创新,与自适应滤波与OTUS法相结合,并引入ROI处理思路与SFS三维重建技术,能够很好在极短的时间内完成对目标物的检测跟踪和三维数据的提取预测。通过对熔炼过程中二氧化硅颗粒的截面面积,广义半径,体积的分析估算,可以确定铁尾矿量与补偿热的匹配关系,从而间接改善高炉渣的直接纤维成型工艺。相比传统方法提高了识别准确性和模型鲁棒性,相比深度学习模型在保证识别要求精度的前提下极大的降低了运行速度。
发明内容
本发明的目的是通过一种高效快速且能在高温环境下预测铁尾矿熔化参数的视觉检测方法,通过二次优化的canny边缘检算分和SFS方法对熔化矿物进行跟踪与预测。
为实现上述目的,本发明所设计的一种高温环境下熔融铁尾矿的智能跟踪检测方法,包括如下步骤:
步骤1:利用工业CCD相机采集矿物图像;
步骤2:参照canny方法对其中的去噪滤波环节和阈值分割环节进行优化,确定目标轮廓。通过二次优化的canny方法与形态学处理确定目标轮廓;
步骤3:对步骤二中获得的二值图像进行形态学处理提取二维图像实际半径,最小外接圆,周长,面积等参数,确定下一帧的ROI处理;
步骤4:通过SFS方法预测目标的实际高度,计算实际体积以及铁尾矿熔化速率;
步骤5:针对之前确定ROI区域进行检测处理,重复步骤2直至铁尾矿完全熔化。
作为优选,步骤1所述矿物图像为:
datak(x,y)
x∈[1,M],y∈[1,N],k∈[1,K]
其中,datak(x,y)表示第k帧矿物图像中第x行第y列的像素,M为矿物图像的行数,N为矿物图像的列数,K为矿物图像的帧数;
作为优选,所述步骤2具体如下:
步骤2.1:图像预处理
对采集图像进行图像灰度化处理:
Fk(x,y)=0.11Bdatak(x,y)+0.3Rdatak(x,y)+0.59Gdatak(x,y)
在上式中Bdatak(x,y)代表原彩色图像中的蓝色颜色分量中第k帧织物图像中第x行第y列的像素,Fk(x,y)表示灰度图像中第k帧图像中第x行第y列的像素;
对得到的灰度图进行直方图均衡化处理,进行非线性拉伸,对图像像素进行重新分配,对图像像素值进行如下操作:
其中h(xi)为直方图中每个灰度级的像素数,w和h分别为图像的宽度和高度,L为灰度级数。
步骤2.2:使用自适应滤波器对图像进行平滑处理
步骤2.2.1:设置一个默认核参σ,执行如下计算:
上式中,表示第n次迭代的x方向梯度分量,表示第n次迭代的y方向梯度分量,wn表示第n次迭代的迭代加权系数wn,exp为指数函数,fn(x,y)为第n次迭代处理后图像的第x行第y列的像素值,σ为设定核参数
步骤2.2.2:将图像通入核参为σ的高斯滤波器获得平滑图像:
其中fn+1(x,y)为平滑处理后图像的第x行第y列的像素
步骤2.2.3:对图像像素值进行加权并判断是否达到迭代上限K,否则回到步骤2.2.1
步骤2.3:阈值分割
步骤2.3.1:根据图像灰度信息将图像分为目标与背景,类间方差越大则使得分类准确率越高。将模极大值分为非边缘点像素C0类,包含模级[0,1…,k]的像素;边缘点像素C1类,包含模级[k+1,k+2,…,l-1]的像素。令零归一化的灰度图像满足满足约束关系:
其中ni为模数,i为像素数,Pi为i模级像素占图像总像素比率。
步骤2.3.2:根据Pi(k)表示的上述约束条件下可以进一步计算得到前后景C0 C1类所占整个图像的比例w0(k)w1(k),以及目标的累计灰度均值n(k),以及全局灰度均值mg,图像归一化处理后以wi表示各个灰度信息的分量。
其中w0(k)w1(k)分别表示前景C0像素和后景C1像素占整体图像的比例,n0(k)n1(k)分别表示表示前景C0像素和后景C1像素的累计灰度均值,mg表示全局灰度均值,t表示像素值,wi表示第i个像素点灰度信息的分量。
步骤2.3.3:根据错分概率求取目标与背景之间的类间方差σ2(k),通过最小值确定分割阈值
σ2(k)=σ2(k0)+σ2(k1)
其中k表示像素点,t为前景和后景的像素分界点,l为像素点总数。
作为优选,所述步骤3具体如下:
步骤3.1:对图像进行闭运算,将轮廓线连接形成目标联通区域。
步骤3.2:通过迭代生长法遍历整个轮廓,提取出联通区域。
采用四邻域联通规则来跟踪图像边缘像素点.首先定义中心像素的四个邻域及其对应的四个方向,设定SiO2区域边缘为0,背景值为1,根据如下公式进行生长标记,直至遍历整个轮廓。
其中f(x,y)第x行第y列像素点的像素值,f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)表示其四邻域左、右、上、下像素点.h(x,y)为f(x,y)像素点连通域标号.Newlable表示标记,标记为该点为连通域。
当扫描f(x,y)时,已完成了f(x-1,y)和f(x,y-1)扫描,h(x,y)和h(x,y-1)为已知数.因此在四邻域内,f(x,y)像素点连通域标号h(x,y)仅和像素点f(x-1,y)及其像素点连通域标号h(x-1,y)、h(x,y-1)有关。
当像素点f(x,y)=f(x-1,y)且f(x,y)≠f(x,y-1),即f(x,y)和左邻域像素点值相等时,表明f(x,y)与左邻域像素点是连通的,则f(x,y)的像素点连通域标号h(x,y)与h(x-1,y)标号相同.
当像素点f(x,y)≠f(x-1,y)且f(x,y)=f(x,y-1)时,表示f(x,y)与上邻域连通,但与左邻域不连通,则f(x,y)的像素点连通域标号h(x,y)与h(x,y-1)标号相等.
当像素点f(x,y)=f(x,y-1)且f(x,y)=f(x-1,y)时,则f(x,y)与上邻域、左邻域在同一个连通域内,则需考虑:
若h(x,y-1)=h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号一致,仅需h(x,y-1)=h(x,y)即可.
若h(x,y-1)≠h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号冲突,需处理冲突标号,然后h(x,y-1)=h(x,y).
若f(x,y)≠f(x-1,y)且f(x,y)≠f(x,y-1)时,表明像素点f(x,y)属于新的连通域,因此连通域标号自动加1即Newlable=Newlable+1,并将新的连通域标号Newlable赋予h(x,y).
步骤3.3:根据像素值与实际图像比例提取计算联通区域的实际型心位置,面积周长与半径。根据步骤3.2遍历过程中所记录的像素点总量作为获取图像的面积S1,根据已知的的像素点和实际物体的比例获得实际目标体积S。其次计算二氧化硅颗粒连通区域内的最长轴距,记为L。以L的长度为直径,L的中点为圆心C。并计算连通分量区域边缘上的像素点到圆心的距离。将长轴的两个端点和最大距离点作为三角形的三个顶点,从而得到三角形的最小外接圆。最小外接圆初始设定为多边形的外接圆。
步骤3.4:以拍摄上一帧所获取质心为参考坐标为参考点,以计算得到颗粒的最大外接圆直径的1.5倍为边长设置正方形的ROI区域,仅在该区域中对下一帧的图像进行处理
作为优选,所述步骤4具体如下:
步骤4.1:根据朗伯体反射定律可假定理想漫反射光的强度I同入射光与物体表面法向量之间夹角θ的余弦值成正比
E(x,y)=I(x,y)ρcosθ
其中E表示像素点的反射光强度(x,y)是I(x,y)是光源强度,ρ为表面反射系数。
步骤4.3:由矢量点乘的结果与两矢量模与夹角余弦的乘积相等,进一步得到光源偏角余弦值:
由此可以建立灰度图像上任意一点(x,y)的漫反射光强度:
0=E(i,j)-R(zi,j-zi,j-1,zi,j-zi-1,j)
其中(i,j)为像素点坐标。
步骤4.5:根据步骤3提取得到的目标物横截面积S与高度H,估计此时的目标物体积V,对时间求导得到融化速率,完成对目标物加工状态的准确估计。
本发明优点在于:本文使用图像处理算法在跟踪二氧化硅高温融化的过程中,可以对二氧化硅的物理参数进行估测,包括在加热装置中的相对位置,横截面面积,广义半径,体积和其他属性参数。针对氧化硅在高温坩埚中的成像特点,对传统的Canny边缘检测算法进行了改进。分别对直方图均衡化算法、自适应滤波算法和Otsu阈值算法进行了改进。实验结果表明,该算法能够对二氧化硅进行精确定位粒子在坩埚和完成实时跟踪。晶体颗粒的高温熔融过程是一个复杂的过程,难以观测和捕捉。基于图像处理算法的非接触测量方法不仅节省了成本和时间,而且提高了检测的智能化水平。
附图说明
图1:摄取图像示意图;
图2:灰度化处理结果图;
图3:直方均衡化效果对比图;
图4:平滑处理效果对比图;
图5:otsu优化后分割结果图;
图6:形态学处理结果图;
图7:参数提取过程示意图;
图8:roi处理区域与熔化运动轨迹;
图9:高度提取结果图;
图10:参数拟合结果图;
图11:本发明方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图1-11介绍本发明的具体实施方式,具体如下:
一种高温环境下熔融铁尾矿的智能跟踪检测方法
包括如下步骤:
步骤1:利用工业CCD相机采集矿物图像,如图1所示;
步骤1所述矿物图像为:
datak(x,y)
x∈[1,M],y∈[1,N],k∈[1,K]
其中,datak(x,y)表示第k帧矿物图像中第x行第y列的像素,M=640为矿物图像的行数,N=480为矿物图像的列数,K=140为矿物图像的帧数;
步骤2:参照canny方法对其中的去噪滤波环节和阈值分割环节进行优化,确定目标轮廓。通过二次优化的canny方法与形态学处理确定目标轮廓。
步骤2.1:图像预处理
对采集图像进行图像灰度化处理,如图2所示:
Fk(x,y)=0.11Bdatak(x,y)+0.3Rdatak(x,y)+0.59Gdatak(x,y)
在上式中Bdatak(x,y)代表原彩色图像中的蓝色颜色分量中第k帧织物图像中第x行第y列的像素,Fk(x,y)表示灰度图像中第k帧图像中第x行第y列的像素;
对得到的灰度图进行直方图均衡化处理,进行非线性拉伸,对图像像素进行重新分配,如图3所示,对图像像素值进行如下操作:
其中h(xi)为直方图中每个灰度级的像素数,w=640和h=480分别为图像的宽度和高度,L为灰度级数。
步骤2.2:使用自适应滤波器对图像进行平滑处理
步骤2.2.1:设置一个默认核参σ=8,执行如下计算:
上式中,表示第n次迭代的x方向梯度分量,表示第n次迭代的y方向梯度分量,wn表示第n次迭代的迭代加权系数wn,exp为指数函数,fn(x,y)为第n次迭代处理后图像的第x行第y列的像素值,σ=8为设定核参数
步骤2.2.2:将图像通入核参为σ的高斯滤波器获得平滑图像:
其中fn+1(x,y)为平滑处理后图像的第x行第y列的像素
步骤2.2.3:对图像像素值进行加权并判断是否达到迭代上限K=10,否则回到步骤2.2.1,平滑前后得到结果如4所示;
步骤2.3:阈值分割
步骤2.3.1:根据图像灰度信息将图像分为目标与背景,类间方差越大则使得分类准确率越高。将模极大值分为非边缘点像素C0类,包含模级[0,1…,k]的像素;边缘点像素C1类,包含模级[k+1,k+2,…,l-1]的像素。令零归一化的灰度图像满足满足约束关系:
其中ni为模数,i为像素数,Pi为i模级像素占图像总像素比率。
步骤2.3.2:根据Pi(k)表示的上述约束条件下可以进一步计算得到前后景C0 C1类所占整个图像的比例w0(k)w1(k),以及目标的累计灰度均值n(k),以及全局灰度均值mg,图像归一化处理后以wi表示各个灰度信息的分量;
其中,w0(k)w1(k)分别表示前景C0像素和后景C1像素占整体图像的比例,n0(k)n1(k)分别表示表示前景C0像素和后景C1像素的累计灰度均值,mg表示全局灰度均值,t表示像素值,wi表示第i个像素点灰度信息的分量;
步骤2.3.3:根据错分概率求取目标与背景之间的类间方差σ2(k),通过最小值确定分割阈值;
σ2(k)=σ2(k0)+σ2(k1)
其中k表示像素点,t为前景和后景的像素分界点,l为像素点总数。
步骤3:对步骤二中获得的二值图像进行形态学处理提取二维图像实际半径,最小外接圆,周长,面积等参数,确定下一帧的ROI处理。
步骤3.1:对图像进行闭运算,将轮廓线连接形成目标联通区域。
步骤3.2:通过迭代生长法遍历整个轮廓,提取出联通区域。
采用四邻域联通规则来跟踪图像边缘像素点.首先定义中心像素的四个邻域及其对应的四个方向,设定SiO2区域边缘为0,背景值为1,根据如下公式进行生长标记,直至遍历整个轮廓,提取结果如图6所示。
其中f(x,y)第x行第y列像素点的像素
值,f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)表示其四邻域左、右、上、下像素点.h(x,y)为f(x,y)像素点连通域标号.Newlable表示标记,标记为该点为连通域;
当扫描f(x,y)时,已完成了f(x-1,y)和f(x,y-1)扫描,h(x,y)和h(x,y-1)为已知数.因此在四邻域内,f(x,y)像素点连通域标号h(x,y)仅和像素点f(x-1,y)及其像素点连通域标号h(x-1,y)、h(x,y-1)有关。
当像素点f(x,y)=f(x-1,y)且f(x,y)≠f(x,y-1),即f(x,y)和左邻域像素点值相等时,表明f(x,y)与左邻域像素点是连通的,则f(x,y)的像素点连通域标号h(x,y)与h(x-1,y)标号相同.
当像素点f(x,y)≠f(x-1,y)且f(x,y)=f(x,y-1)时,表示f(x,y)与上邻域连通,但与左邻域不连通,则f(x,y)的像素点连通域标号h(x,y)与h(x,y-1)
标号相等.
当像素点f(x,y)=f(x,y-1)且f(x,y)=f(x-1,y)时,则f(x,y)与上邻域、左邻域在同一个连通域内,则需考虑:
若h(x,y-1)=h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号一致,仅需h(x,y-1)=h(x,y)即可.
若h(x,y-1)≠h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号冲突,需处理冲突标号,然后h(x,y-1)=h(x,y).
若f(x,y)≠f(x-1,y)且f(x,y)≠f(x,y-1)时,表明像素点f(x,y)属于新的连通域,因此连通域标号自动加1即Newlable=Newlable+1,并将新的连通域标号Newlable赋予h(x,y);
步骤3.3:根据像素值与实际图像比例提取计算联通区域的实际型心位置,面积周长与半径,如图7。根据步骤3.2遍历过程中所记录的像素点总量作为获取图像的面积S1,根据已知的的像素点和实际物体的比例获得实际目标体积S。其次计算二氧化硅颗粒连通区域内的最长轴距,记为L。以L的长度为直径,L的中点为圆心C。并计算连通分量区域边缘上的像素点到圆心的距离。将长轴的两个端点和最大距离点作为三角形的三个顶点,从而得到三角形的最小外接圆。最小外接圆初始设定为多边形的外接圆,如图7所示。
步骤3.4:以拍摄上一帧所获取质心为参考坐标为参考点,以计算得到颗粒的最大外接圆直径的1.5倍为边长设置正方形的ROI区域,仅在该区域中对下一帧的图像进行处理,最后获得在整个融化过程中的晶体熔化运动轨迹,结果如图8所示。
步骤4:通过SFS方法预测目标的实际高度,计算实际体积以及铁尾矿熔化速率。
步骤4.1:根据朗伯体反射定律可假定理想漫反射光的强度I同入射光与物体表面法向量之间夹角θ的余弦值成正比
E(x,y)=I(x,y)ρcosθ
其中E表示像素点的反射光强度(x,y)是I(x,y)是光源强度,ρ为表面反射系数。
步骤4.3:由矢量点乘的结果与两矢量模与夹角余弦的乘积相等,进一步得到光源偏角余弦值:
由此可以建立灰度图像上任意一点(x,y)的漫反射光强度:
0=E(i,j)-R(zi,j-zi,j-1,zi,j-zi-1,j)
其中(i,j)为像素点坐标。
步骤4.5:根据步骤3提取得到的目标物横截面积S与高度H,估计此时的目标物体积V,对时间求导得到融化速率,完成对目标物加工状态的准确估计,得到参数数据结果如图10所示。
步骤5:针对之前确定ROI区域进行检测处理,重复步骤2直至铁尾矿完全熔化。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种高温环境下熔融铁尾矿的智能跟踪检测方法,其特征在于,包含以下步骤:
步骤1:利用工业CCD相机采集矿物图像;
步骤2:参照canny方法对其中的去噪滤波环节和阈值分割环节进行优化,确定目标轮廓;通过二次优化的canny方法与形态学处理确定目标轮廓;
步骤3:对步骤二中获得的二值图像进行形态学处理提取二维图像实际半径,最小外接圆,周长,面积等参数,确定下一帧的ROI处理;
步骤4:通过SFS方法预测目标的实际高度,计算实际体积以及铁尾矿熔化速率;
步骤5:针对之前确定ROI区域进行检测处理,重复步骤2直至铁尾矿完全熔化。
2.根据权利要求1所述的高温环境下熔融铁尾矿的智能跟踪检测方法,其特征在于:
步骤1所述矿物图像为:
datak(x,y)
x∈[1,M],y∈[1,N],k∈[1,K]
其中,datak(x,y)表示第k帧矿物图像中第x行第y列的像素,M为矿物图像的行数,N为矿物图像的列数,K为矿物图像的帧数。
3.根据权利要求1所述的高温环境下熔融铁尾矿的智能跟踪检测方法,其特征在于:
所述步骤2具体如下:
步骤2.1:图像预处理
对采集图像进行图像灰度化处理:
Fk(x,y)=0.11Bdatak(x,y)+0.3Rdatak(x,y)+0.59Gdatak(x,y)
在上式中Bdatak(x,y)代表原彩色图像中的蓝色颜色分量中第k帧织物图像中第x行第y列的像素,Fk(x,y)表示灰度图像中第k帧图像中第x行第y列的像素;
对得到的灰度图进行直方图均衡化处理,进行非线性拉伸,对图像像素进行重新分配,对图像像素值进行如下操作:
其中h(xi)为直方图中每个灰度级的像素数,w和h分别为图像的宽度和高度,L为灰度级数;
步骤2.2:使用自适应滤波器对图像进行平滑处理
步骤2.2.1:设置一个默认核参σ,执行如下计算:
上式中,表示第n次迭代的x方向梯度分量,表示第n次迭代的y方向梯度分量,wn表示第n次迭代的迭代加权系数wn,exp为指数函数,fn(x,y)为第n次迭代处理后图像的第x行第y列的像素值,σ为设定核参数
步骤2.2.2:将图像通入核参为σ的高斯滤波器获得平滑图像:
其中fn+1(x,y)为平滑处理后图像的第x行第y列的像素
步骤2.2.3:对图像像素值进行加权并判断是否达到迭代上限K,否则回到步骤2.2.1
步骤2.3:阈值分割
步骤2.3.1:根据图像灰度信息将图像分为目标与背景,类间方差越大则使得分类准确率越高;将模极大值分为非边缘点像素C0类,包含模级[0,1…,k]的像素;边缘点像素C1类,包含模级[k+1,k+2,…,l-1]的像素;令零归一化的灰度图像满足满足约束关系:
其中,ni为模数,i为像素数,Pi为i模级像素占图像总像素比率;
步骤2.3.2:根据Pi(k)表示的上述约束条件下可以进一步计算得到前后景C0 C1类所占整个图像的比例w0(k)w1(k),以及目标的累计灰度均值n(k),以及全局灰度均值mg,图像归一化处理后以wi表示各个灰度信息的分量;
其中w0(k)w1(k)分别表示前景C0像素和后景C1像素占整体图像的比例,n0(k)n1(k)分别表示表示前景C0像素和后景C1像素的累计灰度均值,mg表示全局灰度均值,t表示像素值,wi表示第i个像素点灰度信息的分量;
步骤2.3.3:根据错分概率求取目标与背景之间的类间方差σ2(k),通过最小值确定分割阈值
σ2(k)=σ2(k0)+σ2(k1)
其中k表示像素点,t为前景和后景的像素分界点,l为像素点总数;
4.根据权利要求1所述的高温环境下熔融铁尾矿的智能跟踪检测方法,其特征在于:
所述步骤3具体如下:
步骤3.1:对图像进行闭运算,将轮廓线连接形成目标联通区域;
步骤3.2:通过迭代生长法遍历整个轮廓,提取出联通区域;
采用四邻域联通规则来跟踪图像边缘像素点.首先定义中心像素的四个邻域及其对应的四个方向,设定SiO2区域边缘为0,背景值为1,根据如下公式进行生长标记,直至遍历整个轮廓;
其中f(x,y)第x行第y列像素点的像素值,f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)表示其四邻域左、右、上、下像素点.h(x,y)为f(x,y)像素点连通域标号.Newlable表示标记,标记为该点为连通域;
当扫描f(x,y)时,已完成了f(x-1,y)和f(x,y-1)扫描,h(x,y)和h(x,y-1)为已知数.因此在四邻域内,f(x,y)像素点连通域标号h(x,y)仅和像素点f(x-1,y)及其像素点连通域标号h(x-1,y)、h(x,y-1)有关;
当像素点f(x,y)=f(x-1,y)且f(x,y)≠f(x,y-1),即f(x,y)和左邻域像素点值相等时,表明f(x,y)与左邻域像素点是连通的,则f(x,y)的像素点连通域标号h(x,y)与h(x-1,y)标号相同.
当像素点f(x,y)≠f(x-1,y)且f(x,y)=f(x,y-1)时,表示f(x,y)与上邻域连通,但与左邻域不连通,则f(x,y)的像素点连通域标号h(x,y)与h(x,y-1)标号相等.
当像素点f(x,y)=f(x,y-1)且f(x,y)=f(x-1,y)时,则f(x,y)与上邻域、左邻域在同一个连通域内,则需考虑:
若h(x,y-1)=h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号一致,仅需h(x,y-1)=h(x,y)即可;
若h(x,y-1)≠h(x-1,y),则表明f(x,y)的上邻域和左邻域连通域标号冲突,需处理冲突标号,然后h(x,y-1)=h(x,y).
若f(x,y)≠f(x-1,y)且f(x,y)≠f(x,y-1)时,表明像素点f(x,y)属于新的连通域,因此连通域标号自动加1即Newlable=Newlable+1,并将新的连通域标号Newlable赋予h(x,y).
步骤3.3:根据像素值与实际图像比例提取计算联通区域的实际型心位置,面积周长与半径;根据步骤3.2遍历过程中所记录的像素点总量作为获取图像的面积S1,根据已知的的像素点和实际物体的比例获得实际目标体积S;其次计算二氧化硅颗粒连通区域内的最长轴距,记为L;以L的长度为直径,L的中点为圆心C;并计算连通分量区域边缘上的像素点到圆心的距离;将长轴的两个端点和最大距离点作为三角形的三个顶点,从而得到三角形的最小外接圆;最小外接圆初始设定为多边形的外接圆;
步骤3.4:以拍摄上一帧所获取质心为参考坐标为参考点,以计算得到颗粒的最大外接圆直径的1.5倍为边长设置正方形的ROI区域,仅在该区域中对下一帧的图像进行处理。
5.根据权利要求1所述的高温环境下熔融铁尾矿的智能跟踪检测方法,其特征在于:
所述步骤4具体如下:
步骤4.1:根据朗伯体反射定律可假定理想漫反射光的强度I同入射光与物体表面法向量之间夹角θ的余弦值成正比
E(x,y)=I(x,y)ρcosθ
其中E表示像素点的反射光强度(x,y)是I(x,y)是光源强度,ρ为表面反射系数;
步骤4.3:由矢量点乘的结果与两矢量模与夹角余弦的乘积相等,进一步得到光源偏角余弦值:
由此可以建立灰度图像上任意一点(x,y)的漫反射光强度:
0=E(i,j)-R(zi,j-zi,j-1,zi,j-zi-1,j)
其中(i,j)为像素点坐标;
步骤4.5:根据步骤3提取得到的目标物横截面积S与高度H,估计此时的目标物体积V,对时间求导得到融化速率,完成对目标物加工状态的准确估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398724.6A CN113240706A (zh) | 2021-04-12 | 2021-04-12 | 一种高温环境下熔融铁尾矿的智能跟踪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398724.6A CN113240706A (zh) | 2021-04-12 | 2021-04-12 | 一种高温环境下熔融铁尾矿的智能跟踪检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240706A true CN113240706A (zh) | 2021-08-10 |
Family
ID=77128610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110398724.6A Pending CN113240706A (zh) | 2021-04-12 | 2021-04-12 | 一种高温环境下熔融铁尾矿的智能跟踪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240706A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433952A (zh) * | 2023-12-21 | 2024-01-23 | 西南石油大学 | 一种重晶石粉密度快速测量方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN103824224A (zh) * | 2014-02-26 | 2014-05-28 | 陕西科技大学 | 一种基于明暗恢复形状的水果大小分级方法 |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105160667A (zh) * | 2015-08-26 | 2015-12-16 | 西安交通大学 | 联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法 |
CN108109114A (zh) * | 2017-12-04 | 2018-06-01 | 湖南文理学院 | 一种基于ASTER图像的SiO2含量遥感反演方法、电子设备 |
CN109345584A (zh) * | 2018-09-20 | 2019-02-15 | 华北理工大学 | 基于层次聚类算法提取计算高温熔体中目标物面积的方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN110781745A (zh) * | 2019-09-23 | 2020-02-11 | 杭州电子科技大学 | 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法 |
CN111874916A (zh) * | 2020-08-13 | 2020-11-03 | 温州医科大学 | 一种纳米二氧化硅粉体制备用焙烧分散一体装置 |
-
2021
- 2021-04-12 CN CN202110398724.6A patent/CN113240706A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116875A (zh) * | 2013-02-05 | 2013-05-22 | 浙江大学 | 自适应双边滤波图像去噪方法 |
CN103824224A (zh) * | 2014-02-26 | 2014-05-28 | 陕西科技大学 | 一种基于明暗恢复形状的水果大小分级方法 |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105160667A (zh) * | 2015-08-26 | 2015-12-16 | 西安交通大学 | 联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法 |
CN108109114A (zh) * | 2017-12-04 | 2018-06-01 | 湖南文理学院 | 一种基于ASTER图像的SiO2含量遥感反演方法、电子设备 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN109345584A (zh) * | 2018-09-20 | 2019-02-15 | 华北理工大学 | 基于层次聚类算法提取计算高温熔体中目标物面积的方法 |
CN110781745A (zh) * | 2019-09-23 | 2020-02-11 | 杭州电子科技大学 | 基于复合窗及梯度加权方向滤波的尾部睫毛检测方法 |
CN111874916A (zh) * | 2020-08-13 | 2020-11-03 | 温州医科大学 | 一种纳米二氧化硅粉体制备用焙烧分散一体装置 |
Non-Patent Citations (9)
Title |
---|
WEIXIN_39539563: "亚太地区数学建模优秀论文 第九届APMCM亚太地区大学生数学建模竞赛A题", 《CSDN》 * |
刘晓平 等: "《计算机技术与应用进展》", 31 July 2008, 中国科学技术大学出版社 * |
文少波 等: "《新能源汽车及其智能化技术》", 30 September 2017, 东南大学出版社 * |
李忠海 等: "基于信息融合的运动目标检测算法", 《沈阳航空航天大学学报》 * |
江紫薇 等: "基于图像处理对二氧化硅熔融行为的研究", 《软件》 * |
胡克满 等: "应用 Canny 算子的织物疵点检测改进算法", 《纺织学报》 * |
赵虎 等: "《遥感与数字图像处理》", 31 January 2019, 西南交通大学出版社 * |
陆玲 等: "《数字图像处理方法及程序设计》", 31 December 2011, 哈尔滨工程大学出版社 * |
韩阳 等: "铁尾矿高温熔化行为的视觉解析及应用", 《钢铁》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433952A (zh) * | 2023-12-21 | 2024-01-23 | 西南石油大学 | 一种重晶石粉密度快速测量方法 |
CN117433952B (zh) * | 2023-12-21 | 2024-02-27 | 西南石油大学 | 一种重晶石粉密度快速测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
Abbas et al. | Automated pavement distress detection using image processing techniques | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN113240706A (zh) | 一种高温环境下熔融铁尾矿的智能跟踪检测方法 | |
CN113838114B (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 | |
CN111754525A (zh) | 一种基于非精确切分的工业字符检测流程 | |
Wang et al. | Crack image recognition on fracture mechanics cross valley edge detection by fractional differential with multi-scale analysis | |
CN108629776B (zh) | 矿岩粒度检测系统 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |