CN114049375A - 基于piv的分区域油烟逃逸量计算方法和装置 - Google Patents
基于piv的分区域油烟逃逸量计算方法和装置 Download PDFInfo
- Publication number
- CN114049375A CN114049375A CN202111327094.XA CN202111327094A CN114049375A CN 114049375 A CN114049375 A CN 114049375A CN 202111327094 A CN202111327094 A CN 202111327094A CN 114049375 A CN114049375 A CN 114049375A
- Authority
- CN
- China
- Prior art keywords
- oil smoke
- area
- image
- escape
- calculating
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 326
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 31
- 230000000630 rising effect Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000009792 diffusion process Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 239000004071 soot Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 2
- 230000001268 conjugating effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 15
- 238000010521 absorption reaction Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 208
- 238000000917 particle-image velocimetry Methods 0.000 description 25
- 239000003517 fume Substances 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 239000006233 lamp black Substances 0.000 description 7
- 239000008162 cooking oil Substances 0.000 description 5
- 238000010411 cooking Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000000827 velocimetry Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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
- G06T7/60—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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于PIV的分区域油烟逃逸量计算方法和装置，包括：获取油烟在上升过程中的油烟原始图像；根据油烟原始图像确定目标区域；将目标区域进行图像预处理，得到去噪后的油烟图像；将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在当前时刻和下一时刻之间的平均位移；根据平均位移和预设时间步长，计算平均速度；根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量；可以描述油烟上升过程的速度变化和油烟逃逸量，缩短图像处理周期，有效评估油烟机的吸油烟效果；并且通过图像预处理去除图像噪声，使得计算更加准确。
Description
技术领域
本发明涉及智能家电控制领域，尤其是涉及基于PIV的分区域油烟逃逸量计算方法和装置。
背景技术
一直以来，烹饪是我们传统家庭中最常见的日常活动，在烹饪过程中，油烟的产生使得人们必须考虑使用一定的厨房排烟设备，以减少这些污染物的接触，从而使厨房内保持良好的空气质量，一个高性能的油烟机可以非常迅速地引导烹饪油烟和废气排放到户外。那么烹饪油烟在油烟机工作时上升速度的测量、油烟逃逸情况的追踪与计算、油烟机整体拢烟效果的可视化操作对于整个吸油烟机性能的提高与优化显得尤为重要。
目前，对处于工作状态下油烟机的吸排烹饪油烟性能无法精准计量，导致无法有效评估油烟机的吸油烟效果；吸排过程中烹饪油烟的动态流场数据无法准确获取，影响油烟机性能进一步设计提升。
发明内容
有鉴于此，本发明的目的在于提供基于PIV的分区域油烟逃逸量计算方法和装置，可以描述油烟上升过程的速度变化和油烟逃逸量，针对油烟目标，通过迭代窗口网格划分方法和纵深量计算油烟逃逸量，从而缩短图像处理周期，有效评估油烟机的吸油烟效果；并且通过图像预处理去除图像噪声，使得计算更加准确，对后续油烟机性能的提高和改善有一定的可靠作用。
第一方面，本发明实施例提供了基于PIV的分区域油烟逃逸量计算方法，所述方法包括：
获取油烟在上升过程中的油烟原始图像；
根据所述油烟原始图像确定目标区域；
将所述目标区域进行图像预处理，得到去噪后的油烟图像；
将所述去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
将所述各区域中的油烟粒子通过平均速度求解算法，得到所述油烟粒子在所述当前时刻和下一时刻之间的平均位移；
根据所述平均位移和预设时间步长，计算平均速度；
根据所述各区域在当前时刻网格的面积、所述平均速度和纵深量，得到所述油烟机的总体油烟逃逸量。
第二方面，本发明实施例提供了基于PIV的分区域油烟逃逸量计算装置，所述装置包括：
获取单元，用于获取油烟在上升过程中的油烟原始图像；
确定单元，用于根据所述油烟原始图像确定目标区域；
预处理单元，用于将所述目标区域进行图像预处理，得到去噪后的油烟图像；
划分单元，用于将所述去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
平均位移计算单元，用于将所述各区域中的油烟粒子通过平均速度求解算法，得到所述油烟粒子在所述当前时刻和下一时刻之间的平均位移；
平均速度计算单元，用于根据所述平均位移和预设时间步长，计算平均速度；
油烟逃逸量计算单元，用于根据所述各区域在当前时刻网格的面积、所述平均速度和纵深量，得到所述油烟机的总体油烟逃逸量。
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明实施例提供了基于PIV的分区域油烟逃逸量计算方法和装置，包括：获取油烟在上升过程中的油烟原始图像；根据油烟原始图像确定目标区域；将目标区域进行图像预处理，得到去噪后的油烟图像；将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在当前时刻和下一时刻之间的平均位移；根据平均位移和预设时间步长，计算平均速度；根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量；可以描述油烟上升过程的速度变化和油烟逃逸量，针对油烟目标，通过迭代窗口网格划分方法和纵深量计算油烟逃逸量，从而缩短图像处理周期，有效评估油烟机的吸油烟效果；并且通过图像预处理去除图像噪声，使得计算更加准确，对后续油烟机性能的提高和改善有一定的可靠作用。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于PIV的分区域油烟逃逸量计算方法流程图；
图2为本发明实施例一提供的噪声滤波算法流程图；
图3为本发明实施例一提供的中值滤波算子示意图；
图4为本发明实施例一提供的高斯滤波算子示意图；
图5为本发明实施例一提供的平均速度求解算法示意图；
图6为本发明实施例一提供的迭代窗口网格划分示意图；
图7为本发明实施例一提供的基于PIV的分区域油烟逃逸量计算装置示意图。
图标：
1-油烟机；2-模拟上升过程的烹饪油烟；3-发烟锅；11-获取单元；12-确定单元；13-预处理单元；14-划分单元；15-平均位移计算单元；16-平均速度计算单元；17-油烟逃逸量计算单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本申请结合数字图像处理技术，将油烟机的整个拢烟情况进行可视化处理，并且对油烟上升的速度进行测量，分区域进行迭代窗口网格划分设置计算油烟机的总体油烟逃逸量。
其中，PIV技术(Particle Image Velocimetry，全称粒子图像测速技术)是一种非接触式流体力学测速方法，也是目前应用最为广泛的全场无干扰测速手段。PIV技术的基本原理是：首先需要在测量的流场区域散播一定的示踪粒子，示踪粒子需要具有较好的跟随性，然后通过激光器发射激光，在测量流场区域形成薄片光，使用高速相机拍摄流场区域，使得粒子运动轨迹清楚成像作为后续PIV实验图像，最后再根据数学的方法分析处理PIV图像，得到每个小区域内的粒子的平均速度，进而可得到整个测量流场范围内的流动信息。
CCD工业相机：由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点；
椒盐噪声：也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)；
高斯噪声：是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声，在数字图像中的高斯噪声的主要来源出现在采集期间，由于不良照明和/或高温引起的传感器噪声；
目标(使能)区域：选中油烟所在区域进行后续图像处理。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的基于PIV的分区域油烟逃逸量计算方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，获取油烟在上升过程中的油烟原始图像；
步骤S102，根据油烟原始图像确定目标区域；
具体地，CCD工业相机帧速率设置为250帧/秒，同时设置所需测试的吸油烟机的工作风量、吸力大小等参数。利用CCD工业相机对油烟上升过程进行正面和侧面两个方位的拍摄，进而得到各时刻对应两个方位的两组油烟原始图像，图像格式为tiff。假设为点热源，油烟扩散区域整体呈现为倒锥形(实际计算需考虑热源直径)，通过PIV算法进行批量读取载入，并对油烟所在区域范围进行选取使能，即根据PIV算法的设定范围选取目标区域，其中，目标区域为使能区域。
步骤S103，将目标区域进行图像预处理，得到去噪后的油烟图像；
这里，图像预处理指对于载入PIV算法程序中的目标区域进行亮度调节以及图像中噪声的滤除，目的是突出油烟所在区域，区分背景部分，便于后续对于油烟粒子的处理计算更为准确。
步骤S104，将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
步骤S105，将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在当前时刻和下一时刻之间的平均位移；
步骤S106，根据平均位移和预设时间步长，计算平均速度；
步骤S107，根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量。
本实施例中，不仅可以定性观察油烟机的整体拢烟效果，还可以定量描述油烟上升过程的速度变化和油烟机的总体油烟逃逸量，其中，针对油烟目标，通过迭代窗口网格划分方法，利用切片分层方法得到的纵深量计算油烟机的总体油烟逃逸量，可缩短图像处理周期，并且通过图像预处理去除图像噪声，使得计算更加准确，并对后续油烟机性能的提高、改善有一定可靠作用。
进一步的，步骤S104包括以下步骤：
步骤S201，获取油烟总体高度和发烟锅直径；
步骤S202，根据油烟总体高度和发烟锅直径，计算油烟扩散的断面直径；
步骤S203，根据油烟扩散的断面直径和油烟机的长度，计算油烟逸出部分的长度；
步骤S204，当油烟扩散的断面直径为油烟机长度时，根据发烟锅直径计算油烟高度；
步骤S205，根据油烟高度和油烟总体高度，计算油烟逃逸区域的长度；
步骤S206，根据油烟逸出部分的长度和油烟逃逸区域的长度，构建油烟逃逸区域；
步骤S207，根据油烟逃逸区域的边界角坐标和目标区域，确定油烟上升平稳区域和油烟稀少区域；
步骤S208，将油烟逃逸区域、油烟上升平稳区域和油烟稀少区域分别进行迭代窗口网格划分，得到油烟逃逸区域在当前时刻的网格的面积、油烟上升平稳区域在当前时刻的网格的面积和油烟稀少区域在当前时刻的网格的面积；
其中，油烟总体高度为油烟机距离发烟锅的垂直高度。
具体地，迭代窗口网格划分方法及参数标定是指依据目标区域大小设置合理的迭代窗口网格尺寸，同时输入时间步长(秒)，对油烟机距离发烟锅垂直距离(米)进行参数标定。其中，时间步长为4毫秒，油烟机距离发烟锅的垂直高度h为500毫米。
一般的PIV算法计算中迭代窗口网格划分通常为等面积网格，只能整体调整网格尺寸，运算速度和识别计算的细致性并不可兼顾，而本申请通过对油烟扩散特性的研究，针对油烟目标提出一种分区域网格划分方法，可在保证处理精度的同时加快运算速度，具体的实现方法如下：
已知油烟机整体长度，油烟机距离发烟锅垂直高度，发烟锅(热源)直径，同时通过对于烹饪油烟热羽流扩散模型的研究，可得油烟扩散特性公式如下：
D＝0.4915h+0.8537B (1)
其中，D为油烟扩散的断面直径，h为油烟总体高度，B为发烟锅直径。
α＝12.77exp(-0.0398h)-79.04exp(-15.88h) (2)
其中，α为油烟扩散角。考虑油烟机以及油烟扩散具有一定的对称性，现对油烟扩散的单边区域进行网格划分说明，另一侧以相同方法进行处理。
参照图6，当模拟上升过程的烹饪油烟2时，油烟逃逸区域的划分方法具体为：令油烟机1一半长度为d1，油烟逸出部分的长度为d2，则d2＝D/2-d1，已知发烟锅3直径为B，油烟机1长度为2d1，将其带入到式(1)中，可得到油烟断面直径D为2d1时的油烟高度h1；然后根据油烟高度h1和油烟总体高度h，计算油烟逃逸区域的长度d3，d2和d3围成区域即为油烟逃逸区域A1。
进一步的，步骤S207包括以下步骤：
步骤S301，根据油烟逃逸区域和所述目标区域，得到剩余区域；
步骤S302，根据设定的热源边界坐标和油烟逃逸区域的边界角坐标，得到油烟边界拟合曲线；
步骤S303，根据油烟边界拟合曲线将剩余区域划分为油烟上升平稳区域和油烟稀少区域。
这里，然后定义热源边界坐标为a(B/2,0)，油烟逃逸区域边界角坐标为b(d1,h-d3)，由a和b即可确定一条油烟边界拟合曲线，以此油烟边界拟合曲线为界，将油烟上升平稳区域记为A2，油烟稀少区域记为A3，从而完成油烟整体区域划分。
根据上述区域划分可得到各区域坐标边界坐标，然后对各个区域进行不同的网格尺寸设置，考虑后续需对油烟逃逸量进行计算，即对于A1区域网格设置较为密集，A2区域次之，A3区域网格较为稀疏。针对不同区域进行不同尺寸网格划分的方法，既可保证处理的精确，又可提高运算速度。对于网格的设定，油烟图像被分割为一个个小的检测窗口，其中散布着油烟粒子。
进一步的，步骤S105包括以下步骤：
步骤S401，获取当前时刻的第一油烟流场图像和下一时刻的第二油烟流场图像；
步骤S402，将第一油烟流场图像进行傅里叶变换，得到傅里叶变换后的第一油烟流场图像；
步骤S403，将第二油烟流场图像进行傅里叶变换，得到傅里叶变换后的第二油烟流场图像；
步骤S404，将傅里叶变换后的第一油烟流场图像求共轭，得到共轭后的第一油烟流场图像；
步骤S405，根据共轭后的第一油烟流场图像和傅里叶变换后的第二油烟流场图像，得到频域处理后的结果；
步骤S406，将频域处理后的结果进行傅里叶反变换，得到时域下的函数；
步骤S407，将时域下的函数的最大值作为油烟粒子在当前时刻和下一时刻之间的平均位移。
具体地，对迭代窗口网格内油烟粒子的平均速度进行求解，参照图5，假设第一帧油烟粒子初始时刻为t1，在经过Δt时间间隔后油烟粒子在x和y两方向的位移为(Δx,Δy)，将t1时刻的油烟流场图像表示为I1(x,y)＝I(x,y)+n1(x,y)，在考虑到Δt足够小的情况下，t2时刻的油烟流场图像可表示为I2(x,y)＝I(x+Δx,y+Δy)+n2(x,y)，其中n1(x,y)和n2(x,y)为系统中随机噪声，各个时刻检测窗口内油烟粒子的平均位移可由以下公式确定：
IF1(u,v)＝∫∫I1(x,y)e-j(ux+vy)dxdy (3)
其中，IF1(u,v)为傅里叶变换后的第一油烟流场图像。
IF2(u,v)＝∫∫I2(x,y)e-j(ux+vy)dxdy (4)
其中，IF2(u,v)为傅里叶变换后的第二油烟流场图像。
RF12(u,v)＝I* F1(u,v)×IF2(u,v) (5)
其中，I* F1(u,v)为IF2(u,v)的共轭，RF12(u,v)为频域处理后的结果。
又根据r12＝∫∫I1(x,y)I2(x+τx,y+τy)dxdy＝∫∫I(x,y)I(x+Δx+τx,y+Δy+τy)dxdy
可得r12(τx,τy)＝∫∫I(x,y)I(x+τx,y+τy)dxdy (7)
其中，r12(τx,τy)为时域下的函数。
将公式(7)转化为r12(τx,τy)＝r(τx+Δx,τy+Δy)，由于上述函数是偶函数，并在原点取得最大值，即r(τx,τy)≤r(0,0)，使得如下不等式成立：
r12(τx,τy)≤r12(-Δx,-Δy) (8)
将时域下r12(τx,τy)函数的最大值所在位置即对应于流场间的相对位移，也即认定为检测窗口内的油烟粒子在当前时刻t1和下一时刻t2之间的平均位移。采样间隔Δt为时间步长，进而计算出平均速度。采用上述平均速度求解算法计算量更小，进而使油烟图像PIV算法的处理时间大大加快。
进一步的，步骤S107包括以下步骤：
步骤S501，获取第一侧面油烟扩散区域和第二侧面油烟扩散区域；
步骤S502，将第一侧面油烟扩散区域进行分割，得到n个第一等宽片状区域，其中，每个第一等宽片状区域为每个网格的第一纵深量；
步骤S503，将第二侧面油烟扩散区域进行分割，得到m个第二等宽片状区域，其中，每个第二等宽片状区域为每个网格的第二纵深量；
步骤S504，根据各区域在当前时刻网格的面积、平均速度和每个网格的第一纵深量，计算第一侧面油烟扩散区域的第一油烟逃逸量；
步骤S505，根据各区域在当前时刻网格的面积、平均速度和每个网格的第二纵深量，计算第二侧面油烟扩散区域的第二油烟逃逸量；
步骤S506，根据第一油烟逃逸量和第二油烟逃逸量，计算油烟机的总体油烟逃逸量。
具体地，采用切片分层方法对油烟逃逸量进行分区域计算，首先定位油烟逃逸区域，然后通过算法加载油烟侧方位图像进行分区域分层累加计算，具体实现方法如下：
平均速度也称之为油烟粒子的逃逸速度vi(米/秒)，已知油烟扩散特性公式，可令拍摄得到的第一侧面油烟扩散区域分割为n个第一等宽片状区域，每片宽度记为li，记为当前时刻每个网格的第一纵深量li，其中i为网格数量i＝1,2,3,......,n，第一侧面油烟扩散区域的第一油烟逃逸量可由下面公式确定：
其中，Qt1为第一侧面油烟扩散区域的第一油烟逃逸量，s为各区域在当前时刻网格的面积，li为每个网格的第一纵深量，vi为平均速度。
根据上述方法对油烟另一侧区域(第二侧面油烟扩散区域)进行相同分析计算，油烟机另一侧油烟逃逸区域网格划分数量记为j，j＝1,2,3,......,n，油烟机的总体油烟逃逸量可由下面公式确定：
其中，Qt为油烟机的总体油烟逃逸量，lj为每个网格的第二纵深量，vj为平均速度。
进一步的，步骤S103包括以下步骤：
步骤S601，将目标区域通过噪声滤波算法，得到滤波后的图像；
步骤S602，通过中值滤波算子和高斯滤波算子对滤波后的油烟图像分别进行中值滤波处理和高斯滤波处理，得到去噪后的图像。
进一步的，步骤S601包括以下步骤：
步骤S701，将目标区域取对数，得到取对数后的目标区域；
步骤S702，将取对数后的目标区域进行傅里叶变换，得到傅里叶变换后的图像；
步骤S703，将傅里叶变换后的图像与频域内中心环绕函数进行尺度变换，得到尺度变换后的函数；
步骤S704，将尺度变换后的函数进行傅里叶反变换，得到滤波后的图像。
具体地，本发明依据高斯滤波原理构造出高通滤波器，并且将时域图像转换至频域中进行滤波计算，设计出一种可以消除图像上照明不均问题的噪声滤波算法，此方法既可增强暗区的图像细节，同时又不损失亮区的图像细节，一定程度上避免了图像的失真。该噪声滤波算法具体实现过程参照图2：
f(x,y)＝i(x,y)r(x,y) (11)
其中，f(x,y)为目标区域，i(x,y)为照射强度分量，r(x,y)为反射强度分量。
lnf(x,y)＝lni(x,y)+lnr(x,y) (12)
其中，lnf(x,y)为取对数后的目标区域，lni(x,y)为取对数后的照射强度分量，lnr(x,y)为取对数后的反射强度分量。
G(u,v)＝∫∫[lni(x,y)]e-j(ux+vy)dxdy+∫∫[lnr(x,y)]e-j(ux+vy)dxdy (13)
其中，G(u,v)为傅里叶变换后的图像。
设置H(u,v)为频域内中心环绕函数，
c和λ为高斯环绕尺度，且H(u,v)选取需满足：∫∫H(x,y)dxdy＝1
S(u,v)＝G(u,v)H(u,v) (14)
其中，S(u,v)为尺度变换后的函数，即频域内滤波图像。
h(x,y)＝eg(x,y) (16)
其中，h(x,y)为滤波后的图像。
在图像去噪过程中，中值滤波和高斯滤波相结合的方式去除图像噪声；中值滤波，其滤波对象针对于非平稳信号的图像，首先将滤波模板窗口所包含的全部像素点的灰度值进行排序，找到其中的中间值来代替模板中心点所对应的图像上的该像素点的灰度值，主要滤除图像中的椒盐噪声；高斯滤波主要滤除图像中的高斯噪声；参照图3和图4，图3为5×5中值滤波算子，图4为5×5高斯滤波算子，通过中值滤波算子对滤波后的油烟图像进行中值滤波处理，然后再通过高斯滤波算子进行高斯滤波处理，最终得到去噪后的图像。
进一步的，该方法还包括以下步骤：
步骤S801，根据平均速度，得到速度矢量；
步骤S802，将速度矢量与设定速度范围进行比较；如果小于，则执行步骤S803；如果大于，则执行步骤S804；
步骤S803，根据速度矢量生成速度矢量图，并根据速度矢量图生成速度变化曲线；
步骤S804，通过二维双线性插值算法对速度矢量进行剔除和插值矫正。
具体地，平均速度包括水平方向平均速度和竖直方向平均速度，并且可显示出油烟整体上升速度。在得到平均速度后，根据平均速度得到速度矢量，速度矢量中可能会出现某些粒子的跟踪判别错误，通过设定速度范围，使用二维双线性插值算法对错误值进行剔除和插值矫正，最终可绘制出油烟粒子上升过程的速度矢量图，并且可选择输出任意帧中油烟粒子的速度变化曲线图，以颜色标尺表示速度值的变化。
本申请在对于测量油烟无接触，无干扰的情况下，不仅可以定性观察油烟机的整体拢烟效果，将油烟的整体上升情况进行可视化，生成速度矢量图，而且可以定量描述油烟上升过程的速度变化和油烟在上升过程中的总体油烟逃逸量，其中针对油烟目标，提出进行迭代窗口网格划分和切片分层计算总体油烟逃逸量，并且通过图像预处理去除图像噪声，从而缩短图像处理周期，测量准确，省时省力，能够对油烟机的性能测试提供可靠参考。
本发明实施例提供了基于PIV的分区域油烟逃逸量计算方法，包括：获取油烟在上升过程中的油烟原始图像；根据油烟原始图像确定目标区域；将目标区域进行图像预处理，得到去噪后的油烟图像；将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在当前时刻和下一时刻之间的平均位移；根据平均位移和预设时间步长，计算平均速度；根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量；可以描述油烟上升过程的速度变化和油烟逃逸量，针对油烟目标，通过迭代窗口网格划分方法和纵深量计算油烟逃逸量，从而缩短图像处理周期，有效评估油烟机的吸油烟效果；并且通过图像预处理去除图像噪声，使得计算更加准确，对后续油烟机性能的提高和改善有一定的可靠作用。
实施例二：
图7为本发明实施例二提供的基于PIV的分区域油烟逃逸量计算装置示意图。
参照图7，该装置包括：
获取单元11，用于获取油烟在上升过程中的油烟原始图像；
确定单元12，用于根据油烟原始图像确定目标区域；
预处理单元13，用于将目标区域进行图像预处理，得到去噪后的油烟图像；
划分单元14，用于将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
平均位移计算单元15，用于将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在所述当前时刻和下一时刻之间的平均位移；
平均速度计算单元16，用于根据平均位移和预设时间步长，计算平均速度；
油烟逃逸量计算单元17，用于根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量。
本发明实施例提供了基于PIV的分区域油烟逃逸量计算装置，包括：获取油烟在上升过程中的油烟原始图像；根据油烟原始图像确定目标区域；将目标区域进行图像预处理，得到去噪后的油烟图像；将去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；将各区域中的油烟粒子通过平均速度求解算法，得到油烟粒子在当前时刻和下一时刻之间的平均位移；根据平均位移和预设时间步长，计算平均速度；根据各区域在当前时刻网格的面积、平均速度和纵深量，得到油烟机的总体油烟逃逸量；可以描述油烟上升过程的速度变化和油烟逃逸量，针对油烟目标，通过迭代窗口网格划分方法和纵深量计算油烟逃逸量，从而缩短图像处理周期，有效评估油烟机的吸油烟效果；并且通过图像预处理去除图像噪声，使得计算更加准确，对后续油烟机性能的提高和改善有一定的可靠作用。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的基于PIV的分区域油烟逃逸量计算方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的基于PIV的分区域油烟逃逸量计算方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述方法包括：
获取油烟在上升过程中的油烟原始图像；
根据所述油烟原始图像确定目标区域；
将所述目标区域进行图像预处理，得到去噪后的油烟图像；
将所述去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
将所述各区域中的油烟粒子通过平均速度求解算法，得到所述油烟粒子在所述当前时刻和下一时刻之间的平均位移；
根据所述平均位移和预设时间步长，计算平均速度；
根据所述各区域在当前时刻网格的面积、所述平均速度和纵深量，得到所述油烟机的总体油烟逃逸量。
2.根据权利要求1所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述将所述去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积，包括：
获取油烟总体高度和发烟锅直径；
根据所述油烟总体高度和所述发烟锅直径，计算油烟扩散的断面直径；
根据油烟扩散的断面直径和油烟机的长度，计算油烟逸出部分的长度；
当油烟扩散的断面直径为油烟机长度时，根据所述发烟锅直径计算油烟高度；
根据所述油烟高度和所述油烟总体高度，计算油烟逃逸区域的长度；
根据油烟逸出部分的长度和油烟逃逸区域的长度，构建所述油烟逃逸区域；
根据所述油烟逃逸区域的边界角坐标和所述目标区域，确定油烟上升平稳区域和油烟稀少区域；
将所述油烟逃逸区域、所述油烟上升平稳区域和所述油烟稀少区域分别进行迭代窗口网格划分，得到所述油烟逃逸区域在所述当前时刻的网格的面积、所述油烟上升平稳区域在所述当前时刻的网格的面积和所述油烟稀少区域在所述当前时刻的网格的面积；
其中，油烟总体高度为所述油烟机距离所述发烟锅的垂直高度。
3.根据权利要求2所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述根据所述油烟逃逸区域的边界角坐标和所述目标区域，确定油烟上升平稳区域和油烟稀少区域，包括：
根据所述油烟逃逸区域和所述目标区域，得到剩余区域；
根据设定的热源边界坐标和所述油烟逃逸区域的边界角坐标，得到油烟边界拟合曲线；
根据所述油烟边界拟合曲线将所述剩余区域划分为所述油烟上升平稳区域和所述油烟稀少区域。
4.根据权利要求1所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述将所述各区域中的油烟粒子通过平均速度求解算法，得到所述油烟粒子在所述当前时刻和下一时刻之间的平均位移，包括：
获取所述当前时刻的第一油烟流场图像和下一时刻的第二油烟流场图像；
将所述第一油烟流场图像进行傅里叶变换，得到傅里叶变换后的第一油烟流场图像；
将所述第二油烟流场图像进行傅里叶变换，得到傅里叶变换后的第二油烟流场图像；
将所述傅里叶变换后的第一油烟流场图像求共轭，得到共轭后的第一油烟流场图像；
根据所述共轭后的第一油烟流场图像和所述傅里叶变换后的第二油烟流场图像，得到频域处理后的结果；
将所述频域处理后的结果进行傅里叶反变换，得到时域下的函数；
将所述时域下的函数的最大值作为所述油烟粒子在所述当前时刻和所述下一时刻之间的所述平均位移。
5.根据权利要求1所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述根据所述各区域在当前时刻网格的面积、所述平均速度和纵深量，得到所述油烟机的总体油烟逃逸量，包括：
获取第一侧面油烟扩散区域和第二侧面油烟扩散区域；
将所述第一侧面油烟扩散区域进行分割，得到n个第一等宽片状区域，其中，每个第一等宽片状区域为每个网格的第一纵深量；
将所述第二侧面油烟扩散区域进行分割，得到m个第二等宽片状区域，其中，每个第二等宽片状区域为每个所述网格的第二纵深量；
根据所述各区域在当前时刻网格的面积、所述平均速度和每个所述网格的第一纵深量，计算所述第一侧面油烟扩散区域的第一油烟逃逸量；
根据所述各区域在当前时刻网格的面积、所述平均速度和每个所述网格的第二纵深量，计算所述第二侧面油烟扩散区域的第二油烟逃逸量；
根据所述第一油烟逃逸量和所述第二油烟逃逸量，计算所述油烟机的总体油烟逃逸量。
6.根据权利要求1所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述将所述目标区域进行图像预处理，得到去噪后的油烟图像，包括：
将所述目标区域通过噪声滤波算法，得到滤波后的图像；
通过中值滤波算子和高斯滤波算子对所述滤波后的油烟图像分别进行中值滤波处理和高斯滤波处理，得到所述去噪后的图像。
7.根据权利要求6所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述将所述目标区域通过噪声滤波算法，得到滤波后的图像，包括：
将所述目标区域取对数，得到取对数后的目标区域；
将所述取对数后的目标区域进行傅里叶变换，得到傅里叶变换后的图像；
将所述傅里叶变换后的图像与频域内中心环绕函数进行尺度变换，得到尺度变换后的函数；
将所述尺度变换后的函数进行傅里叶反变换，得到所述滤波后的图像。
8.根据权利要求1所述的基于PIV的分区域油烟逃逸量计算方法，其特征在于，所述方法还包括：
根据所述平均速度，得到速度矢量；
将所述速度矢量与设定速度范围进行比较；
如果小于，则根据所述速度矢量生成速度矢量图，并根据所述速度矢量图生成速度变化曲线；
如果大于，则通过二维双线性插值算法对所述速度矢量进行剔除和插值矫正。
9.一种基于PIV的分区域油烟逃逸量计算装置，其特征在于，所述装置包括：
获取单元，用于获取油烟在上升过程中的油烟原始图像；
确定单元，用于根据所述油烟原始图像确定目标区域；
预处理单元，用于将所述目标区域进行图像预处理，得到去噪后的油烟图像；
划分单元，用于将所述去噪后的油烟图像进行迭代窗口网格划分，得到各区域在当前时刻网格的面积；
平均位移计算单元，用于将所述各区域中的油烟粒子通过平均速度求解算法，得到所述油烟粒子在所述当前时刻和下一时刻之间的平均位移；
平均速度计算单元，用于根据所述平均位移和预设时间步长，计算平均速度；
油烟逃逸量计算单元，用于根据所述各区域在当前时刻网格的面积、所述平均速度和纵深量，得到所述油烟机的总体油烟逃逸量。
10.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327094.XA CN114049375A (zh) | 2021-11-10 | 2021-11-10 | 基于piv的分区域油烟逃逸量计算方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111327094.XA CN114049375A (zh) | 2021-11-10 | 2021-11-10 | 基于piv的分区域油烟逃逸量计算方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114049375A true CN114049375A (zh) | 2022-02-15 |
Family
ID=80208077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111327094.XA Pending CN114049375A (zh) | 2021-11-10 | 2021-11-10 | 基于piv的分区域油烟逃逸量计算方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049375A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273039A (zh) * | 2022-09-29 | 2022-11-01 | 中汽数据(天津)有限公司 | 一种基于摄像头的小障碍物探测方法 |
-
2021
- 2021-11-10 CN CN202111327094.XA patent/CN114049375A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273039A (zh) * | 2022-09-29 | 2022-11-01 | 中汽数据(天津)有限公司 | 一种基于摄像头的小障碍物探测方法 |
| CN115273039B (zh) * | 2022-09-29 | 2023-01-10 | 中汽数据(天津)有限公司 | 一种基于摄像头的小障碍物探测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102096921B (zh) | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 | |
| CN102840829B (zh) | 基于人工标记的高温物体面内位移场的测量方法 | |
| CN110992363B (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
| CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
| CN114049375A (zh) | 基于piv的分区域油烟逃逸量计算方法和装置 | |
| CN113160088B (zh) | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 | |
| Fan et al. | Dim small target detection based on high-order cumulant of motion estimation | |
| CN109631796A (zh) | 一种基于二维s变换取脊方法的三维面形垂直测量方法 | |
| CN110225335B (zh) | 相机稳定性评估方法及装置 | |
| CN114022589A (zh) | 一种星敏感器抗杂散光星点提取方法 | |
| CN112504240B (zh) | 一种激光投线仪校准系统及校准方法 | |
| Fan et al. | Objective evaluation of pucker in three-dimensional garment seams | |
| CN117784082A (zh) | 基于偏振成像探测的水体衰减系数反演方法、系统及介质 | |
| CN116614713B (zh) | 一种用于三维形貌测量的自适应多重曝光方法 | |
| CN117522944A (zh) | 一种基于深度感知的自适应面外振动测量系统及方法 | |
| CN110210359B (zh) | 空间滤波测速技术中速度测量优化方法 | |
| CN108364274A (zh) | 微纳米尺度下光学图像的无损清晰重构方法 | |
| CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
| CN115115653A (zh) | 一种冷热冲击试验箱精细化温度校准方法 | |
| CN111062887B (zh) | 基于改进的Retinex算法的图像清晰度判定方法 | |
| Deng et al. | Application of constrained least squares filtering technique to focal plane detection in digital holography | |
| CN113222929A (zh) | 一种基于全变分的烟雾浓度检测方法及装置 | |
| CN108122226B (zh) | 一种玻璃缺陷的检测方法及装置 | |
| CN113658037B (zh) | 一种深度图像到灰度图像的转换方法和装置 | |
| Zha et al. | Research on non-contact measurement based on machine vision |
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 |