CN113706478A - 核锻件锻造温度视觉测量方法 - Google Patents

核锻件锻造温度视觉测量方法 Download PDF

Info

Publication number
CN113706478A
CN113706478A CN202110924580.3A CN202110924580A CN113706478A CN 113706478 A CN113706478 A CN 113706478A CN 202110924580 A CN202110924580 A CN 202110924580A CN 113706478 A CN113706478 A CN 113706478A
Authority
CN
China
Prior art keywords
temperature
forging
neural network
training
temperature measurement
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.)
Withdrawn
Application number
CN202110924580.3A
Other languages
English (en)
Inventor
陈飞
张乐福
马武江
宣禹澄
杨婧婧
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.)
SHANGHAI XINMIN (DONGTAI) HEAVY FORGING CO Ltd
Original Assignee
SHANGHAI XINMIN (DONGTAI) HEAVY FORGING 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 SHANGHAI XINMIN (DONGTAI) HEAVY FORGING CO Ltd filed Critical SHANGHAI XINMIN (DONGTAI) HEAVY FORGING CO Ltd
Priority to CN202110924580.3A priority Critical patent/CN113706478A/zh
Publication of CN113706478A publication Critical patent/CN113706478A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20081—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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种核锻件锻造温度视觉测量方法，其包括以下步骤：一、利用CCD相机采集不同温度下的高温锻件图像，提供锻件图像颜色信息值；二、对采集的高温锻件图像进行预处理，选取不同高温锻件区域并做归一化处理的神经网络训练样本；三、建立RBF网络测温模型并初设网络参数，并找到最合适的参数值；四、得到训练好的RBF网络测温模型，将该模型运用到后续温度测量中，后续的测温将不再需要红外测温模块，只需通过采集的高温锻件图像颜色信息即可测量高温锻件的温度。本发明利用红外测温仪采集红热锻件不同部位的温度数据，从而根据采集的图像颜色信息便可获取该时刻的锻件温度，而无需其他的测温设备，而且测量精度高，速度快。

Description

核锻件锻造温度视觉测量方法
技术领域
本发明涉及核反应堆用大型锻件锻造温度测量的非接触测量方法，具体地说是一种核锻件图像颜色温度视觉测量方法。
背景技术
核电是一种清洁、安全的能源，且核电的环境影响小，核反应堆是实现核能利用的装置。核反应堆通过合理布置核燃料，使得在无需补加中子源的条件下能在其中发生自持链式核裂变过程。核锻件长期处于高温高压的恶劣环境中，而且锻件大都属于大型深孔锻件，形状复杂，制造难度非常大。
核锻件锻造生产制造过程中，准确的监控温度变化是保证锻造生产效率和保证锻造产品质量的先决条件，测温方法从大方向上包括：非接触式和接触式测温。接触式测温是将测温传感器直接放置于被测物体的温度场或是其介质中，其结果不被待测物体的形态等物理特性参数的影响，其温度测量设备简便、使用方便且精度较高，但其只适合实现逐点的温度检测，其测温周期耗时长，并且需要与被测物体接触，因此无法适用于超高温的测量，其主要的测温仪表包括：电阻温度计、热电偶温度计、接触式光纤高温计。
非接触式测温方法是基于物体辐射的能量强度跟温度之间存在的关系实现温度的测量，其测量过程无需与被测目标物体接触、不影响物体周边温度场、能测量超高温物体并且响应速度快，特别的，其仍可适用于温度不稳定热力过程的物体测量，其主要的测温仪表包括：辐射温度计、亮度温度计、比色温度计、多波长温度计。在非接触测量中，基于CCD的测温技术因其具有的优势得到了国内外众多学者的重视和研究。基于CCD的测温方法虽各有不同，但多数是基于了辐射测温原理的比色测温法或是单色测温法，各方法的区别主要在于测温所依据的波段和使用的装置有所不同。另外，现有的基于CCD的图像温度测量主要是针对火焰的研究，因此亟待提出将CCD图像测温方法用于高温锻件温度的测量，并结合了神经网络方法改善了测温的精度。
发明内容
本发明的目的是要解决现有技术中存在的不足，提供核锻件锻造温度视觉测量方法。
为达到上述目的，本发明是按照以下技术方案实施的：
核锻件锻造温度视觉测量方法，包括以下步骤：
步骤一、将加热到锻造温度要求的高温锻件置于锻造环境中，利用CCD相机采集不同温度下的高温锻件图像，提供锻件图像颜色信息值；同时，利用红外测温仪采集高温锻件图像对应的高温锻件温度T；
步骤二、对CCD相机采集的高温锻件图像进行预处理，分割出高温锻件区域的部分，选取不包含氧化皮的高温锻件区域，并截取该区域像素大小为200*200的标准图片，获取各个标准图片的RGB颜色信息值，并做归一化处理，得到
Figure DEST_PATH_IMAGE001
的神经网络训练样本；
步骤三、建立RBF网络测温模型并初设网络参数，将神经网络训练样本数据带入RBF网络测温模型，并拟合出RGB值与温度T的非线性关系，通过设定神经网络训练样本数据对应温度误差及网络训练的效率以调整网络参数，并找到最合适的参数值；
步骤四、得到训练好的RBF网络测温模型，将该RBF网络测温模型运用到后续温度测量中，后续的测温将不再需要红外测温模块，只需通过采集的高温锻件图像颜色信息即可测量高温锻件的温度。
具体地，所述步骤三包括：
（1）隐含层节点数选择：设定RBF神经网络的最大的神经元个数为训练样本组数40，迭代步长为1，借助MATLAB实现RBF神经网络训练时，其隐含层的神经元数目会在训练中自动取得最佳值；
（2）径向基扩展系数的选取：在MATLAB中，选用newrb函数实现“K均值聚类法”功能，利用神经网络训练样本，设置不同的spread值，分别进行训练并记录各值对应的训练结果，比较各spread值对应的隐含层神经元个数neurons、误差表示MSE，选取
Figure 764933DEST_PATH_IMAGE002
，此时RBF神经网络训练误差最小，迭代次数最少为12次；
（3）根据步骤（1）-（2）中描述搭建RBF神经网络测温模型并训练，利用训练好的RBF神经网络测温模型预测当前各图像颜色信息对应的温度值。
与现有技术相比，本发明在某一锻造环境下首次利用该测量系统进行尺寸测量时，利用红外测温仪采集红热锻件不同部位的温度数据，并从采集到的图像中测温仪测量锻件位置截取同一大小的局部图像，利用该局部图像的颜色信息及测温仪测量的温度值建立图像颜色测温模型，在后续锻造过程中，仅需根据采集的图像颜色信息便可获取该时刻的锻件温度，而无需其他的测温设备，而且测量精度高，速度快。
附图说明
图1为本发明的实施例中采用锻件图像颜色温度视觉测量系统结构示意图。
图2为为本发明的RBF神经网络测温模型拓扑结构图。
具体实施方式
下面结合具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1、图2所示的采用高温锻件图像颜色温度视觉测量系统示意图，包括：高性能计算机1：用以处理测温仪的温度数据和相机采集的图像数据。数据线2：计算机和测温仪、相机间的数据通信。相机云台3：支撑相机并实现相机的各方向角度变化，以调整相机的视场范围。CCD相机4：采集高温锻件图像，提供锻件图像颜色信息值。相机镜头5：配合相机实现图像采集。相机视场6：测量时需将高温锻件置于相机视场范围内。高温锻件7。测温仪视场8：测温仪采集温度时，需将高温锻件置于测温仪视场范围内。红外测温仪9：用以高温锻件的温度T的采集，在图像颜色温度测量模型训练时提供对比温度数据。测温仪云台10：支撑测温仪并实现测温仪的各方向角度变化，以调整测温仪的视场范围；具体的高温锻件图像颜色温度视觉测量方法，包括以下步骤：步骤一、将加热到锻造温度要求的高温锻件置于锻造环境中，利用CCD相机采集不同温度下的高温锻件图像，提供锻件图像颜色信息值并发送至高性能计算机1；同时，利用红外测温仪采集高温锻件图像对应的高温锻件温度T并发送至高性能计算机1；步骤二、高性能计算机1对CCD相机采集的高温锻件图像进行预处理，分割出高温锻件区域的部分，选取不包含氧化皮的高温锻件区域，并截取该区域像素大小为200*200的标准图片，获取各个标准图片的RGB颜色信息值，对获取各个标准图片的RGB颜色信息值做归一化处理步骤分别为某组神经网络训练样本各个数据的归一化值、各神经网络训练样本数据值、该组神经网络训练样本中数据的最小值和最大值；步骤三、建立RBF网络测温模型并初设网络参数，将神经网络训练样本数据带入RBF网络测温模型，并拟合出RGB值与温度T的非线性关系，通过设定神经网络训练样本数据对应温度误差及网络训练的效率以调整网络参数，并找到最合适的参数值具体为：（1）RBF神经网络结构设计：RBF神经网络为三层前向网络，网络结构中含有信号源节点的为第一层输入层；隐含层为第二层，其单元个数依据问题复杂度而定；第三层实现对输入的响应，为输出层；RBF神经网络的输入量为图像颜色信息值R、G和B，输出量为温度T，隐含层传递函数为高斯径向基函数，
Figure DEST_PATH_IMAGE003
为函数对称中心，
Figure 836270DEST_PATH_IMAGE004
为高斯函数宽度；（2）隐含层节点数选择：设定RBF神经网络的最大的神经元个数为训练样本组数40，迭代步长为1，借助MATLAB实现RBF神经网络训练时，其隐含层的神经元数目会在训练中自动取得最佳值；
（3）径向基扩展系数的选取：在MATLAB中，选用newrb函数实现“K均值聚类法”功能，利用神经网络训练样本，设置不同的spread值，分别进行训练并记录各值对应的训练结果，比较各spread值对应的隐含层神经元个数neurons、误差表示MSE，选取，此时RBF神经网络训练误差最小，迭代次数最少为12次；根据步骤（1）-（3）中描述搭建RBF神经网络测温模型并训练，搭建RBF神经网络测温模型结构，然后利用训练好的RBF神经网络测温模型预测当前各图像颜色信息对应的温度值，其模型训练测试结果及部分测试结果中圆圈表示实际值为测温仪采集的温度数据，雪花表示红色预测值为采用图像颜色测温法获取的温度数据；由上述训练结果可知，利用搭建的RBF神经网络测温模型测温可获得与红外测温仪测温相近的结果，其总体平均训练误差为1.03℃，具有较高的测温精度；步骤四、得到训练好的RBF网络测温模型，将该RBF网络测温模型运用到后续温度测量中，后续的测温将不再需要红外测温模块，只需通过采集的高温。将标准图片颜色信息值带入训练好的RBF测温模型，获得温度测量结果本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (2)

1.一种核锻件锻造温度视觉测量方法，其特征在于，包括以下步骤：
步骤一、将加热到锻造温度要求的高温锻件置于锻造环境中，利用CCD相机采集不同温度下的高温锻件图像，提供锻件图像颜色信息值；同时，利用红外测温仪采集高温锻件图像对应的高温锻件温度T；
步骤二、对CCD相机采集的高温锻件图像进行预处理，分割出高温锻件区域的部分，选取不包含氧化皮的高温锻件区域，并截取该区域像素大小为200*200的标准图片，获取各个标准图片的RGB颜色信息值，并做归一化处理，得到
Figure 525779DEST_PATH_IMAGE002
的神经网络训练样本；
步骤三、建立RBF网络测温模型并初设网络参数，将神经网络训练样本数据带入RBF网络测温模型，并拟合出RGB值与温度T的非线性关系，通过设定神经网络训练样本数据对应温度误差及网络训练的效率以调整网络参数，并找到最合适的参数值；
步骤四、得到训练好的RBF网络测温模型，将该RBF网络测温模型运用到后续温度测量中，后续的测温将不再需要红外测温模块，只需通过采集的高温锻件图像颜色信息即可测量高温锻件的温度。
2.根据权利要求1所述的高温锻件图像颜色温度视觉测量方法其特征在于：所述步骤三包括：
（1）隐含层节点数选择：设定RBF神经网络的最大的神经元个数为训练样本组数40，迭代步长为1，借助MATLAB实现RBF神经网络训练时，其隐含层的神经元数目会在训练中自动取得最佳值；
（2）径向基扩展系数的选取：在MATLAB中，选用newrb函数实现“K均值聚类法”功能，利用神经网络训练样本，设置不同的spread值，分别进行训练并记录各值对应的训练结果，比较各spread值对应的隐含层神经元个数neurons、误差表示MSE，选取
Figure 223608DEST_PATH_IMAGE004
，此时RBF神经网络训练误差最小，迭代次数最少为12次；
（3）根据步骤（1）-（2）中描述搭建RBF神经网络测温模型并训练，利用训练好的RBF神经网络测温模型预测当前各图像颜色信息对应的温度值。
CN202110924580.3A 2021-08-12 2021-08-12 核锻件锻造温度视觉测量方法 Withdrawn CN113706478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924580.3A CN113706478A (zh) 2021-08-12 2021-08-12 核锻件锻造温度视觉测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924580.3A CN113706478A (zh) 2021-08-12 2021-08-12 核锻件锻造温度视觉测量方法

Publications (1)

Publication Number Publication Date
CN113706478A true CN113706478A (zh) 2021-11-26

Family

ID=78652424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924580.3A Withdrawn CN113706478A (zh) 2021-08-12 2021-08-12 核锻件锻造温度视觉测量方法

Country Status (1)

Country Link
CN (1) CN113706478A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115524014A (zh) * 2022-10-17 2022-12-27 湖南力得尔智能科技股份有限公司 基于超高温智能测温传感器的温度检测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115524014A (zh) * 2022-10-17 2022-12-27 湖南力得尔智能科技股份有限公司 基于超高温智能测温传感器的温度检测系统

Similar Documents

Publication Publication Date Title
CN113706478A (zh) 核锻件锻造温度视觉测量方法
Khodayar et al. Infrared thermography and NDT: 2050 horizon
Sarawade et al. Infrared thermography and its applications: A review
CN101825516A (zh) 一种红外焦平面阵列器件的测试装置及其测试方法
CN108072459A (zh) 一种测量钢板温度场及计算其辐射强度的方法
Herraiz et al. A review on condition monitoring system for solar plants based on thermography
CN108020322B (zh) 煤田火区的机载热红外高光谱遥感定量探测方法
Mantel et al. Machine learning prediction of defect types for electroluminescence images of photovoltaic panels
CN206146624U (zh) 一种热红外高光谱成像仪盲元检测装置
CN101936771A (zh) 红外成像测温式能流密度测量装置
CN103335717B (zh) 一种基于变积分模式的红外热像仪高精度抗温漂测温方法
CN110186566A (zh) 基于光场相机多谱测温的二维真实温度场成像方法及系统
CN106679819A (zh) 瞬态温度场测量方法及装置
CN105965017B (zh) 一种slm成形过程的温度场监控装置及方法
CN105092054A (zh) 一种用于热释电非制冷红外焦平面探测器的测试评价装置
CN110160661A (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
CN111189541A (zh) 一种基于红外热像扫描的在线热损失测量方法
Yuan et al. Temperature measurement of metal surface at normal temperatures by visible images and machine learning
CN116878669A (zh) 基于短波红外测温的温度补偿方法、火情监测方法及系统
CN113357666B (zh) 基于神经网络的炉内温度测量方法、装置及设备
Jadin et al. Hotspot detection in photovoltaic array using thermal imaging method
CN114777931A (zh) 一种基于关联成像的物体表面温度分布测量方法与系统
Cipriani et al. Thermal anomalies detection in a photovoltaic plant using artificial intelligence: Italy case studies
CN102519622B (zh) 气门电镦成形工件温度和形状动态测量装置的测试方法
CN205679318U (zh) 基于光电二极管的瞬态光学高温计

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211126

WW01 Invention patent application withdrawn after publication