CN113834810B - 冶金焦炭光学组织的自动检测方法 - Google Patents
冶金焦炭光学组织的自动检测方法 Download PDFInfo
- Publication number
- CN113834810B CN113834810B CN202010592398.8A CN202010592398A CN113834810B CN 113834810 B CN113834810 B CN 113834810B CN 202010592398 A CN202010592398 A CN 202010592398A CN 113834810 B CN113834810 B CN 113834810B
- Authority
- CN
- China
- Prior art keywords
- image
- anisotropic
- color
- changing particles
- area
- 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.)
- Active
Links
- 239000000571 coke Substances 0.000 title claims abstract description 80
- 230000003287 optical effect Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000008520 organization Effects 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims description 25
- 239000000835 fiber Substances 0.000 claims description 22
- 230000010287 polarization Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 8
- 239000010419 fine particle Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 27
- 239000003245 coal Substances 0.000 abstract description 5
- 238000002156 mixing Methods 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract 1
- 238000002310 reflectometry Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000008187 granular material Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000220225 Malus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000006482 condensation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种冶金焦炭光学组织的自动检测方法，在光学显微镜正交偏光并加入λ补色板条件下，拍摄一组200倍同一视域两个不同检偏角度图像，将视域内的背景﹑丝质组及破片组织识别，通过两张同一区域不同检偏角度图片数据的判断与计算将各项异性光学组织标识，对标识后的各向异性组织变色颗粒的形状特性参数进行计算，通过形状特性参数进行分类，最后计算不同类别变色颗粒的比例，并得到各向同性等其他光学组织的比例，重复上述步骤直至所有视域图像的变色颗粒的比例计算。本发明能实现焦炭光学组织的识别、分类、定量的自动化操作，实现对焦炭光学组织的准确、快速的自动化测定，从而为研究焦炭质量与配煤质量关系提供可靠的分析手段。
Description
技术领域
本发明涉及一种冶金材料的性能检测方法，尤其涉及一种冶金焦炭光学组织的自动检测方法。
背景技术
目前，国内外普遍使用的焦炭光学组织测定方法是人工数点的统计法。在正交偏光下加入λ补色板的条件下形成不同干涉色，旋转载物台时干涉色发生变化，根据焦炭各种光学组织的干涉色变化同色区的特点，对所选点进行区分和识别，分为各向同性、各向异性组织、丝质及破片组织、以及基础各向异性组织组织，其中各向异性组织又分为细粒镶嵌、中粒镶嵌、粗粒镶嵌、不完全纤维、完全纤维、以及片状组织，通过对这些点的归类统计，分析与定量焦炭光学组织的相对比例。人工数点的方法劳动强度大，时间长，测点数少，测定结果的准确度不高，人为因素影响较大，同时测定人员必须经过专业训练。
采用焦炭反射率对光学组织进行分析近些年得到了发展，炭质基本结构单元由碳原子的六元环层片组成，而反射率指标可以反映出这种微观结构的变化。在炼焦过程中，煤分子经过缩合反应生成芳香族大分子，随着这些平面大分子的排列趋于有序化，在光学特征上则表现为反射率增高。Crelling在《Bireflectance imaging of coal and carbonspecimens》提出了一种焦炭双反射率测定系统，使用显微镜拍摄焦炭样本，光源为角度可变的极化光，标定过的数码摄像头可以将像素值转化为反射率，获得焦炭样本的双反射率图像。但由于没有可以自动分割识别焦炭光学组织的算法，测定光学组织还是需要人工完成。M.Li在《An imaging technique using rotational polarization microscopy forthe microstructure analysis of carbon/carbon composites》使用一个自适应的灰度阈值来分割焦炭反射率图片，但也无法识别不同的光学组织。D.E.Pearson在《Quantitative Reflectance Measurements of Metallurgical Coke》提出了一个系统可以自动拍摄焦炭双反射率图片并且分割识别不同的光学组织并开发应用；谢威在《冶金焦炭图像的拍摄与自动分析技术》中提出一种使用Gabor滤波器提取反射率图像的纹理信息来分割识别不同光学组织的算法，但识别精度和效率都较低，且无法实现自动化检测识别，实用性较低。
中国发明专利申请CN200610028521公开了一种焦炭光学组织中各向异性组织的自动检测方法，对从数字摄像头采集出来的焦炭微观图像进行类别估计，初步判断该图像包含的是哪种类型的各向异性组织；进行对比度调整以及灰度级重量化，对原图像进行分水岭分割，将各个各向异性组织区域轮廓分割出来；对这些区域进行特征抽取与统计，将特征向量值送入模式识别的分类器中进行分类，最终得到分析结果，即各向异性组织的轮廓示意图与大小统计直方图。该检测方法只能通过双反射率法表达各向异性的程度，无法量化不同各向异性组织含量，不同各向异性组织的区分性较差。
发明内容
本发明的目的在于提供一种冶金焦炭光学组织的自动检测方法，能利用各向异性变色颗粒的形状特性进行各类光学组织的识别、分类和定量的自动化检测，且检测结果准确度高。
本发明是这样实现的：
一种冶金焦炭光学组织的自动检测方法，包括以下步骤：
步骤1：在正交偏光和加入λ补色板的条件下，获取一种焦炭的粉光片在若干个不同视域下的图像，其中每个视域均拍摄两个检偏角度的图像；
步骤2：取某一视域下的其中一个检偏角度的图像，去除该图像中的背景和惰性组织，得到焦炭的光学组织面积，并识别和提取丝质组和破片组织；
步骤3：标识各向异性变色颗粒；
步骤4：将第五图像和第六图像中的各向异性变色颗粒标出并进行分类；
步骤5：将第五图像和第六图像中每一类各向异性变色颗粒的面积分别相加，得到该视域下每一类各向异性变色颗粒的面积，即为该类各向异性变色颗粒对应的各向异性组织的面积，同一视域下各类各向异性变色颗粒的面积之和即为该视域下各向异性组织的面积；
步骤6：通过差减法计算该视域下各向同性的面积，计算方法为：各向同性组织面积＝总光学组织面积-各向异性组织面积-丝质组和破片组织面积；
步骤7：重复步骤2至步骤6，直至完成所有视域的图像处理，即完成每个视域中不同类别光学组织的统计和定量；
步骤8：将所有视域中每一类光学组织的面积分别相加，得到该焦炭中各类光学组织的总面积。
所述的步骤1中两个检偏角度的θ夹角一致，θ夹角为入射线偏振光的振动方向与检偏片振动方向的夹角。
所述的两个检偏角度为10°和170°。
所述的步骤1中，视域个数为100-400个，图像采用光学显微镜拍摄，图像的放大倍数为200倍。
所述的步骤3还包括以下分步骤：
步骤3.1：取步骤2中同一视域下的两个检偏角度的图像，即第一图像和第二图像；
步骤3.2：比较第一图像和第二图像中每个像素点的R通道值和G通道值，当G通道值大于R通道值一定的阈值时，将小于G通道值一定阈值的R通道值清零，反之，则当R通道值大于G通道值一定的阈值时，将小于R通道值一定阈值的G通道值清零；
步骤3.3：将步骤3.2中预处理后的第一图像和第二图像中每个相对应的像素点的R通道值、G通道值、B通道值分别进行相减操作，即第一图像-第二图像，获得第三图像，以及第二图像-第一图像，获得第四图像，并在第三图像和第四图像上标识各向异性变色颗粒。
所述的步骤3.3还包括以下分步骤：
步骤3.3.1：分别提取第三图像和第四图像上R通道中相减后差值为负数的像素点；
步骤3.3.2：在步骤3.3.1中提取的像素点中，将R通道和G通道中相减后为的负数差值均归零，并保留正数差值，同时将B通道中所有差值归零，得到第五图像和第六图像。
所述的步骤3.3.2中，第五图像中的绿色像素点表示该视域下第一图像中为蓝色并在第二图像中转变为红色的所有各向异性变色颗粒；第六图像中的绿色像素点表示该视域下第一图像中为红色并在第二图像中转变为蓝色的所有各向异性变色颗粒。
所述的步骤4还包括以下分步骤：
步骤4.1：将第五图像和第六图像中的各向异性变色颗粒分别进行二值化处理并标出；
步骤4.2：计算每个各向异性变色颗粒的基本参数，基本参数包括面积A、周长P和最大费雷特直径dmax；
步骤4.3：将各向异性变色颗粒进行椭圆状拟合，并测量拟合后椭圆的特征参数；
步骤4.4：根据特征参数对不同的各向异性变色颗粒进行分类。
所述的椭圆特征参数的测量方法是：通过各向异性变色颗粒的面积A和周长P构建形状参数S，；
若S＞0.4，以各向异性变色颗粒的最大费雷特直径dmax为椭圆的长径a(E)，使椭圆面积A(E)＝各向异性变色颗粒的面积A，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度；
若S≤0.4，使椭圆面积A(E)＝各向异性变色颗粒的面积A，椭圆周长P(E)＝各向异性变色颗粒的周长P，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度。
所述的各向异性变色颗粒通过特征参数的分类方法是：特征参数包括长径a(E)和短径b(E)，a(E)＞b(E)；
将a(E)＜1um的各向异性变色颗粒归类为细粒镶嵌；
将1um≤a(E)＜5um的各向异性变色颗粒归类为中粒镶嵌；
将5um≤a(E)＜10um的各向异性变色颗粒归类为粗粒镶嵌；
将10um≤a(E)＜30um，且b(E)＜10um的各向异性变色颗粒归类为不完全纤维；
将a(E)≥30um，且b(E)＜10um的各向异性变色颗粒归类为完全纤维；
将a(E)≥10um，且b(E)≥10um的各向异性变色颗粒归类为片状组织。
本发明与现有技术相比，具有如下有益效果：
1、本发明通过同一视域内两个不同检偏角度的变色颗粒的识别和提取，能通过形状拟合后的特性参数对各向异性组织进行分类，实现准确、快速的焦炭光学组织自动化测定，从而通过所有视域图像对焦炭质量进行可靠的分析。
2、本发明通过差减法获得各向同性组织，不仅能实现各向异性组织和各向同性组织的分离，且能对各向同性组织进行精确的定量计算，更有利于准确、全面的分析焦炭光学组织。
3、本发明通过光学显微镜和计算机等设备进行图像采集和数据处理，采集的有效像素点数量能达到8000万点以上，能有效提高光学组织数据的分析精确性，为焦炭的性能及其在高炉中或在其他化工过程中的反应性评价提供关键参数，且分析处理速度远远快于人工数点等现有方法，适用范围广。
本发明能快速识别焦炭的各向异性变色颗粒，并根据形状特性参数对变色颗粒进行分类，从而实现各类光学组织的识别、分类和定量的自动化检测，且检测结果准确度高，为研究焦炭质量与配煤质量关系提供了可靠的分析手段。
附图说明
图1是本发明冶金焦炭光学组织的自动检测方法中步骤4.1标识的变色颗粒示意图；
图2是本发明冶金焦炭光学组织的自动检测方法中步骤4.3的椭圆状拟合示意图；
图3是本发明冶金焦炭光学组织的自动检测方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
请参见附图3，一种冶金焦炭光学组织的自动检测方法，包括以下步骤：
步骤1：在正交偏光和加入λ补色板的条件下，获取一种焦炭的粉光片在若干个不同视域下的图像，其中每个视域均拍摄两个检偏角度的图像。
优选的，所述的视域个数为100-400个，100-400个视域平均分布在粉光片上，图像采用光学显微镜拍摄，图像的放大倍数为200倍。根据马吕斯定律，强度为Lo的线偏振光透过检偏片后，透射光强度为L＝lo(cosθ)2，θ是入射线偏振光的振动方向与检偏片振动方向之间的夹角。
优选的，所述的两个检偏角度的θ夹角一致，如10°和170°，使各向异性变色颗粒在两个角度下呈现为红色、蓝色之间变化，具有明显区分，便于后续的处理。
步骤2：取某一视域下的其中一个检偏角度的图像，去除该图像中的背景，得到焦炭的光学组织面积，并识别和提取丝质组和破片组织(即惰性物)。
在去除图像中的背景和惰性组织后，剩下的像素点为焦炭的光学组织，将焦炭的光学组织面积记为T，其中，丝质组和破片组织的面积记为I。
由于背景较暗，可采用RGB阈值法去除图像中较暗的背景；惰性物的自动识别可通过机器学习实现，即通过惰性物的特征提取自学习，以及大量人工标定的惰性物图片去给分类器学习，从而实现惰性物的自动识别和提取。
步骤3：标识各向异性变色颗粒。
步骤3.1：取步骤2中同一视域下的两个检偏角度的图像，即在该视域下的一个检偏角度(如10°)对应的第一图像和另一个检偏角度(如170°)对应的第二图像，以下简称第一图像和第二图像。
步骤3.2：根据红、蓝变色颗粒的RGB范围不同，由于红色颗粒的R通道值普遍高于G通道值，而蓝色颗粒的G通道值普遍高于R通道值，对第一图像和第二图像进行预处理，即比较第一图像和第二图像中每个像素点的R通道值和G通道值，当G通道值大于R通道值一定的阈值时，将小于G通道值一定阈值的R通道值清零，反之，则当R通道值大于G通道值一定的阈值时，将小于R通道值一定阈值的G通道值清零，能在保留各向异性变色颗粒完整性的同时，压缩图像的色彩，便于下一步处理。阈值的取值范围为10-45，优选为15。
步骤3.3：将步骤3.2中预处理后的第一图像和第二图像中每个相对应的像素点的R通道值、G通道值、B通道值分别进行相减操作，即第一图像-第二图像(即10°-170°)，获得第三图像，以及第二图像-第一图像(即170°-10°)，获得第四图像，并在第三图像和第四图像上标识各向异性变色颗粒。
步骤3.3.1：分别提取第三图像和第四图像上R通道中相减后差值为负数的像素点。
步骤3.3.2：在步骤3.3.1中提取的像素点中，将R通道和G通道中相减后为的负数差值均归零，并保留正数差值，同时将B通道中所有差值归零，得到第五图像和第六图像。
第五图像中的绿色像素点表示该视域下第一图像即检偏角度10°为蓝色并在第二图像即检偏角度170°转变为红色的所有各向异性变色颗粒；第六图像中的绿色像素点表示该视域下第一图像即检偏角度10°为红色并在第二图像即检偏角度170°转变为蓝色的所有各向异性变色颗粒。
步骤4：将第五图像和第六图像中的各向异性变色颗粒标出并进行分类。
步骤4.1：将第五图像和第六图像中的各向异性变色颗粒分别进行二值化处理并标出，即通过黑白色将各向异性变色颗粒标出，如附图1所示，二值化为图像处理中常用的技术手段，此处不再赘述。
步骤4.2：计算每个各向异性变色颗粒的基本参数，基本参数包括面积A、周长P和最大费雷特直径dmax。
步骤4.3：由于大多数各向异性变色颗粒为类椭圆状，因此将各向异性变色颗粒进行椭圆状拟合，如附图2所示，并测量拟合后椭圆的特征参数。
所述的椭圆特征参数的测量方法是：通过各向异性变色颗粒的面积A和周长P构建形状参数S，
若S＞0.4，以各向异性变色颗粒的最大费雷特直径dmax为椭圆的长径a(E)，使椭圆面积A(E)＝各向异性变色颗粒的面积A，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度。
若S≤0.4，使椭圆面积A(E)＝各向异性变色颗粒的面积A，椭圆周长P(E)＝各向异性变色颗粒的周长P，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度，其中，a(E)＞b(E)。
步骤4.4：根据特征参数对不同的各向异性变色颗粒进行分类，分类方法是：
将a(E)＜1um的各向异性变色颗粒归类为细粒镶嵌；
将1um≤a(E)＜5um的各向异性变色颗粒归类为中粒镶嵌；
将5um≤a(E)＜10um的各向异性变色颗粒归类为粗粒镶嵌；
将10um≤a(E)＜30um，且b(E)＜10um的各向异性变色颗粒归类为不完全纤维；
将a(E)≥30um，且b(E)＜10um的各向异性变色颗粒归类为完全纤维；
将a(E)≥10um，且b(E)≥10um的各向异性变色颗粒归类为片状组织。
步骤5：将第五图像和第六图像中每一类各向异性变色颗粒的面积分别相加，得到该视域下每一类各向异性变色颗粒的面积，即为该类各向异性变色颗粒对应的各向异性组织的面积，同一视域下各类各向异性变色颗粒的面积之和即为该视域下各向异性组织的面积。
步骤6：通过差减法计算该视域下各向同性的面积，计算方法为：各向同性组织面积＝总光学组织面积-各向异性组织面积-丝质组和破片组织面积。
不同光学组织的定量方法如表1所示：
表1不同类别光学组织的定量计算表
| 光学组织类别 | 面积 | 比例(％) |
| 细粒镶嵌(各向异性组织) | T1 | 100％×T1/T |
| 中粒镶嵌(各向异性组织) | T2 | 100％×T2/T |
| 粗粒镶嵌(各向异性组织) | T3 | 100％×T3/T |
| 不完全纤维(各向异性组织) | T4 | 100％×T4/T |
| 完全纤维(各向异性组织) | T5 | 100％×T5/T |
| 片状组织(各向异性组织) | T6 | 100％×T6/T |
| 各项同性组织 | T7 | 100％×(T-T1-T2-T3-T4-T5-T6-I)/T |
| 丝质组与破片组织 | I | I/T |
步骤7：重复步骤2至步骤6，直至完成所有视域的图像处理，即完成每个视域中不同类别光学组织的统计和定量，包括各向异性组织的细粒镶嵌、中粒镶嵌、粗粒镶嵌、不完全纤维、完全纤维和片状组织、以及各项同性组织、丝质组与破片组织的统计和定量。
步骤8：将所有视域中每一类光学组织的面积分别相加，得到该焦炭中各类光学组织的总面积，通过表1的计算方法可对该焦炭中每一类光学组织进行定量计算，即可通过定量计算结果分析焦炭的光学组织。
实施例1-5：参照现有技术的MT116.1-86方法，分别制取5种焦炭(即焦炭1、焦炭2、焦炭3、焦炭4和焦炭5)的粉光片，并通过本发明分别对该5种焦炭的光学组织进行识别分类与定量。
5种焦炭的分类与定量方法均相同，以其中一种焦炭为例，具体步骤为：
在偏光和加入λ补色板的条件下，利用现有技术的光学显微镜拍摄300个视域下的焦炭粉光片图像，图像放大倍数为200倍，每个视域分别在10°与170°两个检偏角度下各拍一张图像，拍摄的所有图像可输入现有技术的计算机设备中进行图像处理和计算。
取第1个视域的10°检偏角度的图像，即第1个视域中的第一图像，并将该第一图像内的背景(粘结剂)去除，剩下的为该视域内的焦炭的光学组织面积，记为T1，并通过惰性物特征提取将丝质组与破片组织进行识别并提取，其面积记为I1。
对10°与170°两个检偏角度的第一图像和第二图像分别进行预处理，比较第一图像和第二图像中每个像素点的R通道值和G通道值，当某一像素点的G通道值比R通道值大15时，将小于G通道值一定阈值的R通道值清零，反之将小于R通道值一定阈值的G通道值清零，得到处理后的10°与170°两个检偏角度的图像，并将两个预处理后的图像每个对应像素点进行R通道值、G通道值、B通道值分别相减的操作：首先进行检偏角度10°图像-检偏角度170°图像的操作，只提取R通道相减后差值为负数的像素点，其它像素点不做提取，提取的像素点的R通道的差值归零，G通道的差值为正数的保留，为负数的则归零，B通道差值全部归零，得到第三图像，提取后的像素点相减后的差值保留在另一张同尺寸的图像(RGB值均为0)上，这样就将检偏角度10°的第一图像中为蓝色而在检偏角度170°的第二图像中转变为红色的各向异性变色颗粒标识出来，并在第五图像上显示为绿色；然后进行检偏角度170°图像-检偏角度10°图像的操作，操作方法与检偏角度10°图像-检偏角度170°图像一致，此处不再赘述，得到第四图像，这样就将检偏角度10°的第一图像中为红色而在检偏角度170的第二图像中转变为蓝色的各向异性变色颗粒标识出来，并在第六图像上显示为绿色。分别对第五图像与第六图像中的绿色各向异性变色颗粒进行二值化处理，将各向异性变色颗粒标识出，计算每个各向异性变色颗粒的基本参数，包括面积A、周长P、最大费雷特直径dmax。
对标识出的各向异性变色颗粒进行拟合分类，将第五图像与第六图像中每一类各向异性组织面积分别加和得到第1个视域的各向异性组织统计结果，包括细粒镶嵌面积T11、中粒镶嵌面积T21、粗粒镶嵌面积T31、不完全纤维面积T41、完全纤维面积T51和片状组织面积T61。第1视域下各向同性组织面积T71＝光学组织面积T1-细粒镶嵌面积T11-中粒镶嵌面积T21-粗粒镶嵌面积T31-不完全纤维面积T41-完全纤维面积T51-片状组织面积T61-丝质组与破片组织面积I1。
重复上述方法对第2个视域的光学组织进行分类和统计，得到第2个视域下的光学组织面积T2、丝质组与破片组织面积I2、细粒镶嵌面积T12、中粒镶嵌面积T22、粗粒镶嵌面积T32、不完全纤维面积T42、完全纤维面积T52、片状组织面积T62、各项同性组织面积T72。
继续重复上述方法直至完成300个视域内的光学组织进行分类和统计，将300个视域中每一类别光学组织的面积进行相加，即：
该焦炭的总光学组织面积：Tt＝T1+T2+…+T300；
总丝质组与破片组织面积：It＝I1+I2+…I300；
细粒镶嵌面积：T1t＝T11+T12+…T1300；
中粒镶嵌面积：T2t＝T21+T22+…T2300；
粗粒镶嵌面积：T3t＝T31+T32+…T3300；
不完全纤维面积：T4t＝T41+T42+…T4300；
全纤维面积：T5t＝T51+T52+…T5300；
片状组织面积：T6t＝T61+T62+…T6300；
各项同性面积：T7t＝T71+T72+…T7300。
再根据表1的计算方法对该焦炭进行每一类别光学组织的定量，完成该焦炭的光学组织检测。5种焦炭的光学组织定量结果如表2所示：
表2 5种焦炭中各光学组织的定量表
| 焦炭1 | 焦炭2 | 焦炭3 | 焦炭4 | 焦炭5 | |
| 细粒镶嵌 | 11％ | 17％ | 15％ | 10％ | 7％ |
| 中粒镶嵌 | 4％ | 8％ | 10％ | 17％ | 9％ |
| 粗粒镶嵌 | 3％ | 5％ | 15％ | 21％ | 10％ |
| 不完全纤维 | 2％ | 4％ | 4％ | 3％ | 20％ |
| 完全纤维 | 0％ | 0％ | 4％ | 4％ | 12％ |
| 片状组织 | 0％ | 0％ | 0％ | 0％ | 5％ |
| 各项同性组织 | 68％ | 51％ | 30％ | 20％ | 6％ |
| 丝质组与破片组织 | 12％ | 15％ | 22％ | 25％ | 31％ |
对5种焦炭采用现有技术的人工数点法进行光学组织分析，如表3所示：
表3 5种焦炭的人工数点法光学组织定量表
现有技术的人工数点法的有效点数为400个点，一个样品的分析时间为2小时；而本发明的有效点数能达到8000万点以上，其分析结果的精确度也越高，采用计算机实现自动化分析后，一个样品的分析时间仅需为15-30分钟，具有数据点量级增加、分析速度快、劳动强度低、分析结果更可靠等优点。
相比现有技术中基于焦炭双反射率法得到的焦炭最大反射率与双反射率来评价焦炭质量的方法，本发明能提供更具体的焦炭光学组织分类与量化结果，为研究焦炭质量与配煤质量关系提供可靠的分析手段。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种冶金焦炭光学组织的自动检测方法，其特征是：包括以下步骤：
步骤1：在正交偏光和加入λ补色板的条件下，获取一种焦炭的粉光片在若干个不同视域下的图像，其中每个视域均拍摄两个检偏角度的图像；所述两个检偏角度的θ夹角一致，θ夹角为入射线偏振光的振动方向与检偏片振动方向的夹角，使各向异性变色颗粒在两个角度下呈现为红色、蓝色之间变化，具有明显区分；
步骤2：取某一视域下的其中一个检偏角度的图像，去除该图像中的背景和惰性组织，得到焦炭的光学组织面积，并识别和提取丝质组和破片组织；
步骤3：标识各向异性变色颗粒；
步骤4：将第五图像和第六图像中的各向异性变色颗粒标出并进行分类；
步骤5：将第五图像和第六图像中每一类各向异性变色颗粒的面积分别相加，得到该视域下每一类各向异性变色颗粒的面积，即为该类各向异性变色颗粒对应的各向异性组织的面积，同一视域下各类各向异性变色颗粒的面积之和即为该视域下各向异性组织的面积；
步骤6：通过差减法计算该视域下各向同性的面积，计算方法为：各向同性组织面积＝总光学组织面积-各向异性组织面积-丝质组和破片组织面积；
步骤7：重复步骤2至步骤6，直至完成所有视域的图像处理，即完成每个视域中不同类别光学组织的统计和定量；
步骤8：将所有视域中每一类光学组织的面积分别相加，得到该焦炭中各类光学组织的总面积；
所述的步骤3还包括以下分步骤：
步骤3.1：取步骤2中同一视域下的两个检偏角度的图像，即第一图像和第二图像；
步骤3.2：比较第一图像和第二图像中每个像素点的R通道值和G通道值，当G通道值大于R通道值一定的阈值时，将小于G通道值一定阈值的R通道值清零，反之，则当R通道值大于G通道值一定的阈值时，将小于R通道值一定阈值的G通道值清零；
步骤3.3：将步骤3.2中预处理后的第一图像和第二图像中每个相对应的像素点的R通道值、G通道值、B通道值分别进行相减操作，即第一图像-第二图像，获得第三图像，以及第二图像-第一图像，获得第四图像，并在第三图像和第四图像上标识各向异性变色颗粒；
所述的步骤3.3还包括以下分步骤：
步骤3.3.1：分别提取第三图像和第四图像上R通道中相减后差值为负数的像素点；
步骤3.3.2：在步骤3.3.1中提取的像素点中，将R通道和G通道中相减后为的负数差值均归零，并保留正数差值，同时将B通道中所有差值归零，得到第五图像和第六图像。
2.根据权利要求1所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的两个检偏角度为10°和170°。
3.根据权利要求1所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的步骤1中，视域个数为100-400个，图像采用光学显微镜拍摄，图像的放大倍数为200倍。
4.根据权利要求1所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的步骤3.3.2中，第五图像中的绿色像素点表示该视域下第一图像中为蓝色并在第二图像中转变为红色的所有各向异性变色颗粒；第六图像中的绿色像素点表示该视域下第一图像中为红色并在第二图像中转变为蓝色的所有各向异性变色颗粒。
5.根据权利要求1所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的步骤4还包括以下分步骤：
步骤4.1：将第五图像和第六图像中的各向异性变色颗粒分别进行二值化处理并标出；
步骤4.2：计算每个各向异性变色颗粒的基本参数，基本参数包括面积A、周长P和最大费雷特直径dmax；
步骤4.3：将各向异性变色颗粒进行椭圆状拟合，并测量拟合后椭圆的特征参数；
步骤4.4：根据特征参数对不同的各向异性变色颗粒进行分类。
6.根据权利要求5所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的椭圆特征参数的测量方法是：通过各向异性变色颗粒的面积A和周长P构建形状参数S，
若S＞0.4，以各向异性变色颗粒的最大费雷特直径dmax为椭圆的长径a(E)，使椭圆面积A(E)＝各向异性变色颗粒的面积A，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度；
若S≤0.4，使椭圆面积A(E)＝各向异性变色颗粒的面积A，椭圆周长P(E)＝各向异性变色颗粒的周长P，拟合椭圆，测量得到拟合后椭圆的特征参数：长径a(E)和短径b(E)，并分别作为各向异性变色颗粒的长度和宽度。
7.根据权利要求5所述的冶金焦炭光学组织的自动检测方法，其特征是：所述的各向异性变色颗粒通过特征参数的分类方法是：特征参数包括长径a(E)和短径b(E)，a(E)＞b(E)；
将a(E)＜1um的各向异性变色颗粒归类为细粒镶嵌；
将1um≤a(E)＜5um的各向异性变色颗粒归类为中粒镶嵌；
将5um≤a(E)＜10um的各向异性变色颗粒归类为粗粒镶嵌；
将10um≤a(E)＜30um，且b(E)＜10um的各向异性变色颗粒归类为不完全纤维；
将a(E)≥30um，且b(E)＜10um的各向异性变色颗粒归类为完全纤维；
将a(E)≥10um，且b(E)≥10um的各向异性变色颗粒归类为片状组织。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592398.8A CN113834810B (zh) | 2020-06-24 | 2020-06-24 | 冶金焦炭光学组织的自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592398.8A CN113834810B (zh) | 2020-06-24 | 2020-06-24 | 冶金焦炭光学组织的自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113834810A CN113834810A (zh) | 2021-12-24 |
| CN113834810B true CN113834810B (zh) | 2023-11-14 |
Family
ID=78964918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010592398.8A Active CN113834810B (zh) | 2020-06-24 | 2020-06-24 | 冶金焦炭光学组织的自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113834810B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101097205A (zh) * | 2006-06-30 | 2008-01-02 | 宝山钢铁股份有限公司 | 焦炭光学组织中各向异性的自动检测方法 |
| JP2012010763A (ja) * | 2010-06-29 | 2012-01-19 | Fujifilm Corp | 偏光画像計測方法及び偏光画像計測表示方法 |
| JP2017111046A (ja) * | 2015-12-17 | 2017-06-22 | 三菱化学株式会社 | 色変化距離を用いる組織構造分類方法及びその分類を使った材料物性推算方法 |
| CN110487785A (zh) * | 2018-05-15 | 2019-11-22 | 宝山钢铁股份有限公司 | 一种焦炭显微光学组织测定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6241058B2 (ja) * | 2013-04-15 | 2017-12-06 | ソニー株式会社 | 液晶表示装置 |
-
2020
- 2020-06-24 CN CN202010592398.8A patent/CN113834810B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101097205A (zh) * | 2006-06-30 | 2008-01-02 | 宝山钢铁股份有限公司 | 焦炭光学组织中各向异性的自动检测方法 |
| JP2012010763A (ja) * | 2010-06-29 | 2012-01-19 | Fujifilm Corp | 偏光画像計測方法及び偏光画像計測表示方法 |
| JP2017111046A (ja) * | 2015-12-17 | 2017-06-22 | 三菱化学株式会社 | 色変化距離を用いる組織構造分類方法及びその分類を使った材料物性推算方法 |
| CN110487785A (zh) * | 2018-05-15 | 2019-11-22 | 宝山钢铁股份有限公司 | 一种焦炭显微光学组织测定方法 |
Non-Patent Citations (2)
| Title |
|---|
| Observation of symmetry breaking in photoalignment-induced periodic 3D LC structures;Varsenik Nersesyan 等;Journal of Molecular Liquids;第306卷;第112864页 * |
| 焦炭显微光学组织自动识别关键技术研究;周芳;中国博士学位论文全文数据库(第10期);第1-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113834810A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
| CN100595799C (zh) | 一种二维货币自动识别方法及系统 | |
| US7979212B2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| Gomes et al. | Classification of hematite types in iron ores through circularly polarized light microscopy and image analysis | |
| WO2004044845A2 (en) | Image analysis | |
| Iglesias et al. | Automatic recognition of hematite grains under polarized reflected light microscopy through image analysis | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| JP2014513292A (ja) | 定量的ビデオ顕微鏡を準備する方法及び関連システム | |
| CN108346147B (zh) | 一种煤岩显微组分快速自动精确识别技术方法 | |
| CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN111310628A (zh) | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 | |
| CN113657335A (zh) | 基于hsv颜色空间的矿相识别方法 | |
| Lyashenko et al. | Wavelet Analysis of Cytological Preparations Image in Different Color Systems | |
| Raof et al. | Color thresholding method for image segmentation algorithm of Ziehl-Neelsen sputum slide images | |
| WO2005076197A2 (en) | Method and system for morphology based mitosis identification and classification of digital images | |
| CN113834810B (zh) | 冶金焦炭光学组织的自动检测方法 | |
| CN115761341A (zh) | 基于图像识别的纺织废料自动分类方法及装置 | |
| Raof et al. | Image segmentation of Ziehl-Neelsen sputum slide images for tubercle bacilli detection | |
| CN109191479A (zh) | 一种烧结矿中复合铁酸钙矿相含量的自动测量方法 | |
| CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
| CN108846839B (zh) | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 | |
| CN111797730A (zh) | 一种水泥熟料岩相自动分析方法 | |
| CN111307070A (zh) | 基于数字图像处理对混凝土粗集料的棱角度测量方法 | |
| Malage et al. | Automatic quantitative analysis of microstructure of ductile cast iron using digital image processing |
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 |