CN113469974A - 球团链篦机蓖板状态监测方法及其监测系统 - Google Patents
球团链篦机蓖板状态监测方法及其监测系统 Download PDFInfo
- Publication number
- CN113469974A CN113469974A CN202110756332.2A CN202110756332A CN113469974A CN 113469974 A CN113469974 A CN 113469974A CN 202110756332 A CN202110756332 A CN 202110756332A CN 113469974 A CN113469974 A CN 113469974A
- Authority
- CN
- China
- Prior art keywords
- image
- grate
- grid plate
- height
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 239000008188 pellet Substances 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 31
- 239000013307 optical fiber Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000001681 protective effect Effects 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010926 purge Methods 0.000 claims description 6
- 235000004443 Ricinus communis Nutrition 0.000 claims description 3
- 240000000528 Ricinus communis Species 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 2
- 230000010339 dilation Effects 0.000 claims 1
- 230000003628 erosive effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract 1
- 238000009434 installation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/194—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种球团链篦机状态监测方法及监测系统,监测方法包括:S1、自链篦机机头单侧采集包含有小轴轴头及其下方牌号的图像1并提取突出图像特征;S2、在链篦机工作状态下以相同方式持续采集图像2并判断图像2是否与特征模板匹配,匹配值达到阈值时,定义篦板运行至监测位置;S3、自链篦机中部两侧位置采集包含有篦板的伪彩色图像,并分析篦板状态是否存在未复位的异常状况;S4、当判断出篦板存在异常状况时,报警并确定损坏位置;对应监测系统由篦板状态采集单元、定位单元、数据传输单元和图像处理单元构成;该方法及系统降低作业者工作强度的同时能够准确识别篦板形态,对未复位篦板及时报警和定位,有效提高监测效率,避免漏检风险。
Description
技术领域
本发明涉及冶金技术领域,特别涉及一种球团链篦机蓖板状态监测方法及其监测系统。
背景技术
链篦机是球团烧结生产的重要设备,是“链—回—环”球团烧结工艺中重要的一环,设备运行状态的好坏直接影响生产。目前由于设备制造质量和高强度使用的原因,经常出现不能及时复位的情况,导致其与铲料板发生碰撞,铲料板被顶起,造成链篦机小轴弯曲,导致链篦机卡停,必须停机后再进行处理。
目前对链篦机的篦板工作状态是由人工24小时不间断地进行监视,且人工监视受作业强度及责任心的影响存在漏检的风险极大,基于上述原因,有必要对球团链篦机状态监测方法进行改良,以降低人力成本。
发明内容
本发明的目的是提供一种实时监测链篦机的篦板工作状态并实现有效降低人力成本的球团链篦机状态监测方法。
本发明的另一目的是提供一种实现上述球团链篦机篦板状态监测方法的监测系统。
为此,本发明技术方案如下:
一种球团链篦机篦板状态监测方法,步骤如下:
S1、自链篦机机头单侧采集包含有小轴轴头及其下方牌号的图像1,并将图1中的突出图像特征作为特征模板;
S2、在链篦机工作状态下,以与步骤S1相同方式持续采集图像2,应用归一化算法判断图像2是否与特征模板匹配,匹配值达到阈值时,定义篦板运行至监测位置,进而启动步骤S3;
S3、自链篦机中段两侧位置采集包含有整块篦板的伪彩色图像,并分析篦板状态是否存在未复位的异常状况;具体步骤为:
S301、通过热像仪对进行温度采集,获取整个篦板的伪彩色图像,并选取包含有篦板轮廓的图像部分为检测区域,将检测区域设定为rect-2;
S302、按照下式(2)~(9),对步骤S301处理后的图像进行自适应二值化操作,将初始图像处理为背景部分和目标部分;
N1+N2=M×N 式(4),
ω1+ω2=1 式(5),
μ=μ1×ω1+μ2×ω2 式(6),
g=ω1×(μ-μ1)2+ω2×(μ-μ2)2=ω1×ω2×(μ1-μ2)2 式(7),
threshold=maxj=0,1.....255gj 式(8),
其中,M×N为图像的大小,N1为图像中灰度值小于阈值的像素个数,ω1为灰度值小于阈值的像素个数占整幅图像的比例,μ1为灰度值小于阈值的像素的平均灰度,N2为图像中灰度值大于阈值的像素个数,ω2为图像中大于阈值的像素个数占整幅图像的比例,μ2为灰度值大于阈值的像素的平均灰度,g为类间方差,threshold是遍历灰度值0~255后得到最大类间方差的阈值,即自适应二值化阈值,f(x,y)是原始图像在像素点(x,y)的灰度值,g(x,y)是经过自适应二值化处理后的图像在像素点(x,y)的灰度值;
S303、对步骤S302处理后的二值化图像进行图像形态学操作,主要包括多次膨胀和腐蚀运算;
S304、对步骤S303处理得到的新二值化图像进行分析:计算二值化图像中有效轮廓的最小外接矩形的宽度与检测区域rect-2的宽度比值,计算二值化图像中有效轮廓的最小外接矩形的高度与检测区域rect-2的高度比值;当任一比值存在超过设定的宽度比值或高度比值时,判断篦板存在未复位状况;反之,则判断篦板正常复位;
S4、当经过步骤S3判断出篦板存在异常状况时,报警;与此同时,调取启动上述步骤S3的待检测图像,得到图像上的号牌,进而确定异常的轴号;同时调取步骤S301的伪彩色图像并均分为多个区块,建立区位图;当篦板未复位时,可依据区位图对篦板更换提供依据。
进一步地,在步骤S1和步骤S2中,感兴趣矩形区域rect-1为小轴轴头的图像。
进一步地,在步骤S2中,归一化匹配法的具体实施步骤为:
S201、将待检测图像定义为图像I,其大小为(W*H);模板图像定义为图像T,其大小为(w*h);结果图像定义为图像R,大小为(W-w+1,H-h+1);其中,W为待检测图像的宽度,H为待检测图像的长度,w为模板图像的宽度,h为模板图像的长度;
S202、根据式(1)以“图像大小为(w*h)的搜索框”遍历图像I,得到最终的结果矩阵R:
其中,x,y表示当前搜索框在矩阵I中的左上角元素的坐标;x′,y′表示图像T和当前搜索框框出来的矩阵I的矩阵的元素坐标;矩阵I为图像I的像素矩阵;
S203、在矩阵R中提取最大值max_val,即相似度最高值,以及最大值max_val的位置max_loc,即图像T滑行时左上角的坐标;
S204、当max_val>0.92时,则判断为匹配,即定位到小轴位置,进而说明小轴在图像I中的左上角坐标为(max_loc.x,max_loc.y),其大小与模板大小一致;反之则判断为不匹配。
进一步地,步骤S303采用膨胀运算和腐蚀运算实现,其具体步骤为:先对图像进行大小为3×3的矩形滤波窗口的膨胀运算2次,再对图像进行大小为3×3的矩形滤波窗口的腐蚀运算1次,以消除细小毛刺、小孔洞;。
进一步地,步骤S304的具体步骤为:
(1)对获取的二值化图像进行反色,得到命名为Img图像。
(2)遍历Img图像的每个轮廓,对于轮廓面积>预设阈值(经验值)的Img图像采用横向投影法进行如下优化步骤:
i)对二值化图像的轮廓区域进行横向投影,得到投影的横向直方图hist,以统计每行非0元素的个数;
ii)计算直方图hist中每行非0元素的个数的均值mean和标准差std,以获取直方图hist中每行非0元素的个数的值大于mean+std*0.5的行号;
iii)将上述步骤(2)所得行号的对应整行像素值赋值为0,获得图像轮廓;
(3)计算图像轮廓的最小外接矩形,并定义为r;
(4)计算最小外接矩形的宽度、高度与检测区域rect-3的比值;
(5)将步骤(4)所得的比值与设定的宽度比值与高度比值进行对比,判断篦板复位情况;具体地,
设定的宽度比值的计算公式为:ratioWidth=r.width/rect.width,
设定的高度比值的计算公式为:ratioHeight=r.height/rect.height;
其中,ratioWidth为检测到的图像轮廓的最小外接矩形r的宽度与检测区域rect-3的宽度的比值,r.width为检测到的图像轮廓的最小外接矩形r的宽度,rect.width是检测区域rect-3的宽度,ratioHeight为检测到的图像轮廓的最小外接矩形r的高度与检测区域rect-3的高度的比值,r.height为检测到的图像轮廓的最小外接矩形r的高度,rect.height为检测区域rect-3的高度;
当ratioWidth>0.7且ratioHeight>0.4时,认为存在篦板未复位的情况;反之,则认为篦板正常。
进一步地,在步骤S4中,确定故障篦板轴号的方法为:1)调取启动上述步骤S3的待检测图像,即步骤S2中的与图像I匹配的图像T;2)将待检测图像输入至小轴牌号识别模型中,识别出图像中的小轴牌号;其中,小轴牌号识别模型的获得方法为:i)采集大量包含有蓖条小轴和轴号号牌图片作为训练图像;ii)将大量训练图像输入至深度学习模型yolov2中进行训练,直至实现向模型中输入包含有小轴和牌号的图像后,模型能够识别出图像上的小轴牌号。
进一步地,在步骤S4中,形成区位图并判断篦板未复位位置的方法为:1)获得步骤S301采集的整个篦板的伪彩色图像,作为原始图像;2)设定6个感兴趣矩形区域,并分别标注为ROI_1、ROI_2、ROI_3、ROI_4、ROI_5和ROI_6;
3)对步骤2)中的6个感兴趣区域图像依次按照步骤S302~S305进行检测,确定篦板未复位位置处于哪个区位。
一种实现上述球团链篦机状态监测方法的球团链篦机状态监测系统,包括篦板状态采集单元、定位单元、数据传输单元和图像处理单元;
篦板状态采集单元包括对称设置在链篦机中部两侧的两台红外热像仪;两台红外热像仪对称且斜向设置在篦板上方,使二者采集的图像组合形成整块篦板运行状态的伪彩色图像;
定位单元设置在链篦机侧面且邻近链篦机机头的小轴邻侧,其包括定位相机及安装在定位相机上的镜头;定位相机朝向链篦机小轴轴头设置,且其镜头高度与小轴轴头及其下方的号牌的高度相适应;
数据传输单元包括交换机和第一光纤收发器;交换机设置在现场电控箱内,第一光纤收发器的一端与交换机连接;篦板状态采集单元的两台红外热像仪和定位单元的定位相机分别通过数据传输线与交换机连接;
图像处理单元包括工控机和第二光纤收发器;第二光纤收发器的一端与工控机连接、另一端通过光纤与第一光纤收发器连接。
进一步地,在两台红外热像仪和一台定位相机外部均套装防护套,且防护套内设置气体吹扫装置,使压缩气体自后向前对相机及镜头表面进行整体吹扫。
进一步地,在两台红外热像仪通过可伸缩装置设置在防护套内侧,且在防护套内侧设有温度检测装置,使其在温度超过设定阈值时处于缩回至防护套内侧状态、温度恢复正常时自动伸出至防护套外侧。
与现有技术相比,该球团链篦机状态监测方法及其监测系统采用机器视觉技术7×24小时对篦板运行情况进行不间断监测以实现取代人工观测,降低作业者工作强度;同时,利用红外热像仪采集的伪彩色图像作为处理对象,能够准确识别篦板形态,通过模型比对确定篦板是否处于正常状态,对未复位篦板及时报警,且通过区位图指出未复位篦板区位,为篦板维修提供可靠依据,有效提高监测效率,避免漏检风险。
附图说明
图1为本发明的球团链篦机状态监测系统的构成示意图;
图2为本发明的球团链篦机状态监测系统的安装结构示意图;
图3为本发明的球团链篦机状态监测系统的篦板状态采集单元的安装示意图;
图4为本发明的球团链篦机状态监测系统的定位单元的安装示意图;
图5为本发明的球团链篦机状态监测方法的流程图;
图6为本发明的球团链篦机状态监测系统的定位单元采集的待检测图像的示意图;
图7本发明的球团链篦机篦板状态监测方法中经过实施例2的步骤S402得到的图像。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明,但下述实施例绝非对本发明有任何限制。
实施例1
如图1所示,该球团链篦机状态监测系统包括篦板状态采集单元1、定位单元3、数据传输单元4和图像处理单元5;其中,
如图2和图3所示,篦板状态采集单元1包括对称设置在链篦机中部6两侧的两台红外热像仪;两台红外热像仪对称且斜向设置在篦板上方,使二者采集的图像组合形成整块篦板运行状态的伪彩色图像;
如图2和图4所示,定位单元3设置在链篦机侧面且邻近链篦机机头2的小轴3-2邻侧,其包括定位相机3-1及安装在定位相机3-1上的镜头;定位相机3-1朝向链篦机小轴轴头设置,且其镜头高度与小轴轴头3-2及其下方的号牌3-3的高度相适应;
数据传输单元4包括交换机和第一光纤收发器;交换机设置在现场电控箱内,第一光纤收发器的一端与交换机连接;篦板状态采集单元的两台红外热像仪和定位单元的定位相机分别通过数据传输线与交换机连接,用于接收各图像信号并进而通过第一光纤收发器传输各图像信号;
图像处理单元5包括工控机和第二光纤收发器;第二光纤收发器的一端与工控机连接、另一端通过光纤与第一光纤收发器连接;第二光纤收发器接收第一光纤收发器传输的各图像信号并传送至工控机上进行各类图像处理。
作为本实施例的一个优选技术方案,在各工业相机和各红外热像仪的外部均套装防护套,且防护套内设置气体吹扫装置,使压缩气体自后向前对相机及镜头表面进行整体吹扫。
作为本实施例的另一个优选技术方案,在两台红外热像仪通过可伸缩装置设置在防护套内侧,且在防护套内侧设有温度检测装置,使其在温度超过设定阈值时处于缩回至防护套内侧状态、温度恢复正常时自动伸出至防护套外侧。
实施例2
一种采用实施例1的球团链篦机状态监测系统实现的球团链篦机篦板状态监测方法,如图5所示,其具体实施步骤如下:
S1、初始工作状态下,自链篦机机头一侧侧面采集包含有小轴轴头及其下方牌号的图像1,并在图像1中设定固定的感兴趣矩形区域rect-1,提取该区域图像作为模板图像;
如图6所示,感兴趣矩形区域rect-1一般为小轴轴头的图像;
S2、某工作时刻,以与采集图像1完全相同的采集方式,自篦板侧面采集包含有小轴轴头的图像2,并提取图像2的感兴趣矩形区域rect-1对应的图像,作为待检测图像;继而利用归一化匹配法判断待检测图像是否与模板图像相匹配,当判断为匹配时说明篦板运行至指定图像采集位置,进而启动步骤S3;同时,该与图像I匹配的图像T上由于还包括有其牌号影像,因此后续还可以用于当篦板监测出存在异常时对篦板进行定位;
具体地,在步骤S2中,归一化匹配法的具体实施步骤如下:
S201、将待检测图像定义为图像I,其大小为(W*H);模板图像定义为图像T,其大小为(w*h);结果图像定义为图像R,大小为(W-w+1,H-h+1);其中,W为待检测图像的宽度,H为待检测图像的长度,w为模板图像的宽度,h为模板图像的长度;采用该定义方式原因在于:在匹配时,以模板大小的搜索框一次遍历整张图片时,每行需要遍历(W-w+1)次,每列需要遍历(H-h+1)次;
S202、根据式(1)以“图像大小为(w*h)的搜索框”遍历图像I,得到最终的结果矩阵R:
其中,x,y表示当前搜索框在矩阵I中的左上角元素的坐标;x′,y′表示图像T和当前搜索框框出来的矩阵I的矩阵的元素坐标;矩阵I为图像I的像素矩阵;
S203、在矩阵R中提取最大值max_val,即相似度最高值,以及最大值max_val的位置max_loc,即图像T滑行时左上角的坐标;
S204、当max_val>0.92时,则判断为匹配,即定位到小轴位置,进而说明小轴在图像I中的左上角坐标为(max_loc.x,max_loc.y),其大小与模板大小一致;反之则判断为不匹配;
S3、自链篦机中部两侧位置采集包含有篦板的伪彩色图像,并分析篦板状态是否存在未复位的异常状况;
具体地,分析篦板状态是否存在未复位的异常状况的具体实施步骤如下:
S301、通过热像仪对进行温度采集,获取整个篦板的伪彩色图像,并选取包含有篦板轮廓的图像部分为检测区域,,将检测区域设定为rect-2;
S302、按照下式(2)~(9),对步骤S301处理后的图像进行自适应二值化操作,将初始图像处理为背景部分和目标部分;
N1+N2=M×N 式(4),
ω1+ω2=1 式(5),
μ=μ1×ω1+μ2× 2 式(6),
g=ω1×(μ-μ1)2+ω2×(μ-μ2)2=ω1×ω2×(μ1-μ2)2 式(7),
threshold=maxj=0,1.....255gj 式(8),
其中,M×N为图像的大小,N1为图像中灰度值小于阈值的像素个数,ω1为灰度值小于阈值的像素个数占整幅图像的比例,μ1为灰度值小于阈值的像素的平均灰度,N2为图像中灰度值大于阈值的像素个数,ω2为图像中大于阈值的像素个数占整幅图像的比例,μ2为灰度值大于阈值的像素的平均灰度,g为类间方差,threshold是遍历灰度值0~255后得到最大类间方差的阈值,即自适应二值化阈值,f(x,y)是原始图像在像素点(x,y)的灰度值,g(x,y)是经过自适应二值化处理后的图像在像素点(x,y)的灰度值;
由于当背景和目标之间的类间方差g越大,说明构成背景、目标间的差别越大,当部分目标错分为背景或者部分背景错分为目标都会导致两部分的方差变小,因此使类间方差g最大的分割就意味着分错的概率最小;因此,在该步骤中,遍历0-255之间的每个阈值,分别计算出对应的类间方差g,其中取得到最大类间方差g的阈值,并将其定义为threshold,然后使用这个threshold进行二值化即可实现上述图像处理目标;
S303、对步骤S302处理后的二值化图像进行膨胀运算和腐蚀运算;具体地,先对图像进行大小为3×3的矩形滤波窗口的膨胀运算2次,再对图像进行大小为3×3的矩形滤波窗口的腐蚀运算1次,以消除细小毛刺、小孔洞;
其中,腐蚀运算按公式:进行,用B(x)对E进行腐蚀运算的结果就是把结构元素B平移后使B包含于E的所有点构成的集合;膨胀运算按公式:进行,用B(y)对E进行膨胀运算的结果就是把结构元素B平移后使B与E的交集非空的点构成集合;其中,B代表结构元素,E代表工作空间,x、y代表工作空间E中的像素点;
S304、对步骤S303处理得到的新二值化图像进行分析:
计算二值化图像中有效轮廓的最小外接矩形的宽度与检测区域rect-2的宽度比值,计算二值化图像中有效轮廓的最小外接矩形的高度与检测区域rect-2的高度比值;当任一比值存在超过设定的宽度比值或高度比值时,判断篦板存在未复位状况;反之,则判断篦板正常复位;
具体地,步骤S304中对二值化图像分析,判断篦板复位情况方法如下:
(1)对获取的二值化图像进行反色,得到命名为Img图像。
(2)遍历Img图像的每个轮廓,对于轮廓面积>预设阈值(经验值)的Img图像采用横向投影法进行如下优化步骤:
i)对二值化图像的轮廓区域进行横向投影,得到投影的横向直方图hist,以统计每行非0元素的个数;
ii)计算直方图hist中每行非0元素的个数的均值mean和标准差std,以获取直方图hist中每行非0元素的个数的值大于mean+std*0.5的行号;
iii)将上述步骤(2)所得行号的对应整行像素值赋值为0,获得图像轮廓;
(3)计算图像轮廓的最小外接矩形,并定义为r;
(4)计算最小外接矩形的宽度、高度与检测区域rect-3的比值;
(5)将步骤(4)所得的比值与设定的宽度比值与高度比值进行对比,判断篦板复位情况;具体地,
设定的宽度比值的计算公式为:ratioWidth=r.width/rect.width,
设定的高度比值的计算公式为:ratioHeight=r.height/rect.height;
其中,ratioWidth为检测到的图像轮廓的最小外接矩形r的宽度与检测区域rect-3的宽度的比值,r.width为检测到的图像轮廓的最小外接矩形r的宽度,rect.width是检测区域rect-3的宽度,ratioHeight为检测到的图像轮廓的最小外接矩形r的高度与检测区域rect-3的高度的比值,r.height为检测到的图像轮廓的最小外接矩形r的高度,rect.height为检测区域rect-3的高度;
当ratioWidth>0.7且ratioHeight>0.4时,认为存在篦板未复位的情况;反之,则认为篦板正常。
S4、与此同时,调取启动上述步骤S3的待检测图像,得到图像上的号牌,进而确定异常的轴号;同时调取步骤S301的伪彩色图像并均分为多个区块,建立区位图;当篦板未复位时,可依据区位图对篦板更换提供依据;
具体地,在该步骤S4中,确定故障篦板轴号的方法为:1)调取启动上述步骤S3的待检测图像,即步骤S2中的与图像I匹配的图像T;2)将待检测图像输入至小轴牌号识别模型中,识别出图像中的小轴牌号;其中,小轴牌号识别模型的获得方法为:i)采集大量包含有蓖条小轴和轴号号牌图片作为训练图像;ii)将大量训练图像输入至深度学习模型yolov2中进行训练,直至实现向模型中输入包含有小轴和牌号的图像后,模型能够识别出图像上的小轴牌号。
具体地,在该步骤S4中,形成区位图方法如下:
1)获得步骤S301采集的整个篦板的伪彩色图像,作为原始图像;
2)如图7所示,沿链篦机运行方向将篦板划分为6个感兴趣矩形区域,并分别标注为ROI_1(第1区)、ROI_2(第2区)、ROI_3(第3区)、ROI_4(第4区)、ROI_5(第5区)和ROI_6(第6区);
3)对步骤S402中的6个感兴趣区域图像依次按照步骤S302~S305进行检测,确定篦板未复位位置处于哪个区位。
Claims (10)
1.一种球团链篦机蓖板状态监测方法,其特征在于,步骤如下:
S1、自链篦机机头单侧采集包含有小轴轴头及其下方牌号的图像1,并提取图像1中的突出图像特征作为特征模板;
S2、在链篦机工作状态下,以与步骤S1相同方式持续采集图像2,应用归一化算法判断图像2是否与特征模板匹配,匹配值达到阈值时,定义篦板运行至监测位置,进而启动步骤S3;
S3、自链篦机中部两侧位置采集包含有篦板的伪彩色图像,并分析篦板状态是否存在未复位的异常状况;具体步骤为:
S301、通过热像仪对进行温度采集,获取整个篦板的伪彩色图像,并选取包含有篦板轮廓的图像部分为检测区域,将检测区域设定为rect-2;
S302、按照下式(2)~(9),对步骤S301处理后的图像进行自适应二值化操作,将初始图像处理为背景部分和目标部分;
N1+N2=M×N 式(4),
ω1+ω2=1 式(5),
μ=μ1×ω1+μ2×ω2 式(6),
g=ω1×(μ-μ1)2+ω2×(μ-μ2)2=ω1×ω2×(μ1-μ2)2 式(7),
threshold=maxj=0,1.....255gj 式(8),
其中,M×N为图像的大小,N1为图像中灰度值小于阈值的像素个数,ω1为灰度值小于阈值的像素个数占整幅图像的比例,μ1为灰度值小于阈值的像素的平均灰度,N2为图像中灰度值大于阈值的像素个数,ω2为图像中大于阈值的像素个数占整幅图像的比例,μ2为灰度值大于阈值的像素的平均灰度,g为类间方差,threshold是遍历灰度值0~255后得到最大类间方差的阈值,即自适应二值化阈值,f(x,y)是原始图像在像素点(x,y)的灰度值,g(x,y)是经过自适应二值化处理后的图像在像素点(x,y)的灰度值;
S303、对步骤S302处理后的二值化图像进行图像形态学操作,主要包括多次膨胀和腐蚀运算。
S304、对步骤S303处理得到的新二值化图像进行分析:计算二值化图像中有效轮廓的最小外接矩形的宽度与检测区域rect-2的宽度比值,计算二值化图像中有效轮廓的最小外接矩形的高度与检测区域rect-2的高度比值;当任一比值存在超过设定的宽度比值或高度比值时,判断篦板存在未复位状况;反之,则判断篦板正常复位;
S4、当经过步骤S3判断出篦板存在异常状况时,报警;与此同时,调取启动上述步骤S3的待检测图像,得到图像上的号牌,进而确定异常的轴号;同时调取步骤S301的伪彩色图像并均分为多个区块,建立区位图;当篦板未复位时,可依据区位图对篦板更换提供依据。
2.根据权利要求1所述的球团链篦机状态监测方法,其特征在于,在步骤S1和步骤S2中,图像特征包含小轴轴头。
3.根据权利要求1所述的球团链篦机状态监测方法,其特征在于,在步骤S2中,归一化匹配法的具体实施步骤为:
S201、将待检测图像定义为图像I,其大小为(W*H);模板图像定义为图像T,其大小为(w*h);结果图像定义为图像R,大小为(W-w+1,H-h+1);其中,W为待检测图像的宽度,H为待检测图像的长度,w为模板图像的宽度,h为模板图像的长。
S202、根据式(1)以“图像大小为(w*h)的搜索框”遍历图像I,得到最终的结果矩阵R:
其中,x,y表示当前搜索框在矩阵I中的左上角元素的坐标;x′,y′表示图像T和当前搜索框框出来的矩阵I的矩阵的元素坐标;矩阵I为图像I的像素矩阵;
S203、在矩阵R中提取最大值max_val,即相似度最高值,以及最大值max_val的位置max_loc,即图像T滑行时左上角的坐标;
S204、当max_val>0.92时,则判断为匹配,即定位到小轴位置,进而说明小轴在图像I中的左上角坐标为(max_loc.x,max_loc.y),其大小与模板大小一致;反之则判断为不匹配。
4.根据权利要求3所述的球团链篦机状态监测方法,其特征在于,步骤S303采用膨胀运算和腐蚀运算实现,其具体步骤为:先对图像进行大小为3×3的矩形滤波窗口的膨胀运算2次,再对图像进行大小为3×3的矩形滤波窗口的腐蚀运算1次。
5.根据权利要求4所述的球团链篦机状态监测方法,其特征在于,步骤S304的具体步骤为:
(1)对获取的二值化图像进行反色,得到命名为Img图像。
(2)遍历Img图像的每个轮廓,对于轮廓面积>预设阈值(经验值)的Img图像采用横向投影法进行优化:
i)对二值化图像的轮廓区域进行横向投影,得到投影的横向直方图hist,以统计每行非0元素的个数;
ii)计算直方图hist中每行非0元素的个数的均值mean和标准差std,以获取直方图hist中每行非0元素的个数的值大于mean+std*0.5的行号;
iii)将上述步骤(2)所得行号的对应整行像素值赋值为0,获得图像轮廓;
(3)计算图像轮廓的最小外接矩形,并定义为r;
(4)计算最小外接矩形的宽度、高度与检测区域rect-2的比值;
(5)将步骤(4)所得的比值与设定的宽度比值与高度比值进行对比,判断篦板复位情况;具体地,
设定的宽度比值的计算公式为:ratioWidth=r.width/rect.width,
设定的高度比值的计算公式为:ratioHeight=r.height/rect.height;
其中,ratioWidth为检测到的图像轮廓的最小外接矩形r的宽度与检测区域rect-2的宽度的比值,r.width为检测到的图像轮廓的最小外接矩形r的宽度,rect.width是检测区域rect-2的宽度,ratioHeight为检测到的图像轮廓的最小外接矩形r的高度与检测区域rect-2的高度的比值,r.height为检测到的图像轮廓的最小外接矩形r的高度,rect.height为检测区域rect-2的高度;
当ratioWidth>0.7且ratioHeight>0.4时,认为存在篦板未复位的情况;反之,则认为篦板正常。
6.根据权利要求1所述的球团链篦机篦板状态监测方法,其特征在于,在步骤S4中,确定故障篦板轴号的方法为:1)调取启动上述步骤S3的待检测图像,即步骤S2中的与图像I匹配的图像T;2)将待检测图像输入至小轴牌号识别模型中,识别出图像中的小轴牌号;其中,小轴牌号识别模型的获得方法为:i)采集大量包含有蓖条小轴和轴号号牌图片作为训练图像;ii)将大量训练图像输入至深度学习模型yolov2中进行训练,直至实现向模型中输入包含有小轴和牌号的图像后,模型能够识别出图像上的小轴牌号。
7.根据权利要求1所述的球团链篦机状态监测方法,其特征在于,在步骤S4中,形成区位图并判断篦板未复位位置的方法为:1)获得步骤S301采集的整个篦板的伪彩色图像,作为原始图像;2)设定6个感兴趣矩形区域,并分别标注为ROI_1、ROI_2、ROI_3、ROI_4、ROI_5和ROI_6;3)对步骤2)中的6个感兴趣区域图像依次按照步骤S302~S305进行检测,确定篦板未复位位置处于哪个区位。
8.一种实现所述权利要求1所述的球团链篦机状态监测方法的球团链篦机状态监测系统,其特征在于,包括篦板状态采集单元(1)、定位单元(3)、数据传输单元(4)和图像处理单元(5);其中,
篦板状态采集单元(1)包括对称设置在链篦机中部(6)两侧的两台红外热像仪;两台红外热像仪对称且斜向设置在篦板上方,使二者采集的图像组合形成整块篦板运行状态的伪彩色图像;
定位单元(3)设置在链篦机侧面且邻近链篦机机头(2)的小轴(3-2)邻侧,其包括定位相机(3-1)及安装在定位相机(3-1)上的镜头;定位相机(3-1)朝向链篦机小轴轴头设置,且其镜头高度与小轴轴头(3-2)及其下方的号牌(3-3)的高度相适应;
数据传输单元(4)包括交换机和第一光纤收发器;交换机设置在现场电控箱内,第一光纤收发器的一端与交换机连接;篦板状态采集单元的两台红外热像仪和定位单元的定位相机分别通过数据传输线与交换机连接;
图像处理单元(5)包括工控机和第二光纤收发器;第二光纤收发器的一端与工控机连接、另一端通过光纤与第一光纤收发器连接。
9.根据权利要求7所述的球团链篦机状态监测系统,其特征在于,在两台红外热像仪和一台定位相机外部均套装防护套,且防护套内设置气体吹扫装置,使压缩气体自后向前对相机及镜头表面进行整体吹扫。
10.根据权利要求9所述的球团链篦机状态监测系统,其特征在于,在两台红外热像仪通过可伸缩装置设置在防护套内侧,且在防护套内侧设有温度检测装置,使其在温度超过设定阈值时处于缩回至防护套内侧状态、温度恢复正常时自动伸出至防护套外侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756332.2A CN113469974B (zh) | 2021-07-05 | 2021-07-05 | 球团链篦机篦板状态监测方法及其监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756332.2A CN113469974B (zh) | 2021-07-05 | 2021-07-05 | 球团链篦机篦板状态监测方法及其监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469974A true CN113469974A (zh) | 2021-10-01 |
CN113469974B CN113469974B (zh) | 2022-12-02 |
Family
ID=77878012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110756332.2A Active CN113469974B (zh) | 2021-07-05 | 2021-07-05 | 球团链篦机篦板状态监测方法及其监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469974B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115853762A (zh) * | 2023-02-28 | 2023-03-28 | 海澜智云科技有限公司 | 空压机运行状态影像鉴定系统 |
CN116700196A (zh) * | 2023-07-31 | 2023-09-05 | 湖南隆深氢能科技有限公司 | Gdl烧结生产线的实时控制方法、系统、终端设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198260A (zh) * | 2016-10-12 | 2016-12-07 | 安徽工业大学 | 一种运动状态下生球团落下强度的检测设备 |
CN106644776A (zh) * | 2016-10-12 | 2017-05-10 | 安徽工业大学 | 一种检测运动状态下生球团落下强度的方法 |
CN109345558A (zh) * | 2018-10-29 | 2019-02-15 | 网易(杭州)网络有限公司 | 图像处理方法、装置、介质和电子设备 |
CN110057198A (zh) * | 2019-05-17 | 2019-07-26 | 天津市三特电子有限公司 | 烧结机台车轮工作状态检测方法及检测装置 |
CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测系统 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
CN111768390A (zh) * | 2020-07-01 | 2020-10-13 | 南京凯盛国际工程有限公司 | 一种基于图像识别的篦冷机红河识别方法 |
CN111881929A (zh) * | 2020-06-09 | 2020-11-03 | 长江大学 | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 |
CN112215821A (zh) * | 2020-10-13 | 2021-01-12 | 郭燕 | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 |
CN112837302A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 模具的状态监测方法、装置、工控机、存储介质及系统 |
CN112990071A (zh) * | 2021-03-31 | 2021-06-18 | 香港中文大学(深圳) | 一种输电线路异常检测方法、装置及计算机可读存储介质 |
-
2021
- 2021-07-05 CN CN202110756332.2A patent/CN113469974B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198260A (zh) * | 2016-10-12 | 2016-12-07 | 安徽工业大学 | 一种运动状态下生球团落下强度的检测设备 |
CN106644776A (zh) * | 2016-10-12 | 2017-05-10 | 安徽工业大学 | 一种检测运动状态下生球团落下强度的方法 |
CN109345558A (zh) * | 2018-10-29 | 2019-02-15 | 网易(杭州)网络有限公司 | 图像处理方法、装置、介质和电子设备 |
CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测系统 |
CN110057198A (zh) * | 2019-05-17 | 2019-07-26 | 天津市三特电子有限公司 | 烧结机台车轮工作状态检测方法及检测装置 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
CN111881929A (zh) * | 2020-06-09 | 2020-11-03 | 长江大学 | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 |
CN111768390A (zh) * | 2020-07-01 | 2020-10-13 | 南京凯盛国际工程有限公司 | 一种基于图像识别的篦冷机红河识别方法 |
CN112215821A (zh) * | 2020-10-13 | 2021-01-12 | 郭燕 | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 |
CN112837302A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 模具的状态监测方法、装置、工控机、存储介质及系统 |
CN112990071A (zh) * | 2021-03-31 | 2021-06-18 | 香港中文大学(深圳) | 一种输电线路异常检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
李昌海等: "基于图像轮廓分析的LCD线路缺陷检测", 《激光技术》 * |
陈丽芳等: "改进的归一互相关法的灰度图像模板匹配方法", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115853762A (zh) * | 2023-02-28 | 2023-03-28 | 海澜智云科技有限公司 | 空压机运行状态影像鉴定系统 |
CN116700196A (zh) * | 2023-07-31 | 2023-09-05 | 湖南隆深氢能科技有限公司 | Gdl烧结生产线的实时控制方法、系统、终端设备及介质 |
CN116700196B (zh) * | 2023-07-31 | 2023-10-31 | 湖南隆深氢能科技有限公司 | Gdl烧结生产线的实时控制方法、系统、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113469974B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN113469974B (zh) | 球团链篦机篦板状态监测方法及其监测系统 | |
CN111754466B (zh) | 传输机皮带损伤状况的智能检测方法 | |
CN104506857A (zh) | 一种摄像头位置偏离检测方法及设备 | |
CN113850749B (zh) | 训练缺陷侦测器的方法 | |
CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
KR102470422B1 (ko) | 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템 | |
CN112364740A (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
CN109724776A (zh) | 一种烧结机台车的篦条损坏程度的确定方法及装置 | |
CN117935452A (zh) | 一种基于视觉多模态分析的车间安防系统和方法 | |
CN114655655A (zh) | 一种基于UNet网络的传送带跑偏检测方法 | |
CN116912805B (zh) | 一种基于无人清扫车的井盖异常智能检测识别方法及系统 | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
CN115641534A (zh) | 一种设备渗漏的图像识别方法 | |
CN112150453B (zh) | 一种铁路货车摇枕弹簧折断故障自动检测方法 | |
CN112907524B (zh) | 基于图像处理的铁路货车防火板故障检测方法 | |
CN115239723A (zh) | 基于图形识别的卷板机零件检测方法 | |
JP6459550B2 (ja) | 機械設備の異常検出方法および異常検出装置 | |
CN113570551B (zh) | 球团链篦机篦条状态监测方法及其监测系统 | |
CN117953434B (zh) | 基于智能网关的输电线路外力破坏监测方法及系统 | |
CN118275451B (zh) | 一种基于视觉检测的印刷电路板缺陷检测系统及方法 | |
CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 | |
CN112232243B (zh) | 基于3d图像信息的锁紧板故障识别方法 | |
JP7367408B2 (ja) | 外観検査方法及び外観検査装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |