CN114858301A - 物体表面温度测量系统、测量方法、智能终端及存储介质 - Google Patents

物体表面温度测量系统、测量方法、智能终端及存储介质 Download PDF

Info

Publication number
CN114858301A
CN114858301A CN202210468775.6A CN202210468775A CN114858301A CN 114858301 A CN114858301 A CN 114858301A CN 202210468775 A CN202210468775 A CN 202210468775A CN 114858301 A CN114858301 A CN 114858301A
Authority
CN
China
Prior art keywords
image
module
data
temperature measurement
color component
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
Application number
CN202210468775.6A
Other languages
English (en)
Other versions
CN114858301B (zh
Inventor
王铖
王杨
宋亚奇
郭孔辉
崔笑仙
刘航
刘雨萌
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202210468775.6A priority Critical patent/CN114858301B/zh
Publication of CN114858301A publication Critical patent/CN114858301A/zh
Application granted granted Critical
Publication of CN114858301B publication Critical patent/CN114858301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/12—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in colour, translucency or reflectance
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/194—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
    • G06T7/90—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

Landscapes

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

Abstract

本发明提供一种物体表面温度测量系统、测量方法、智能终端及存储介质，其中的测量系统包括：图像采集模块、超灰度处理模块、图像分割模块、信息提取模块和数据输出模块；图像采集模块用于对物体表面的目标图像进行采集，超灰度处理模块用于去除目标图像中的背景干扰信息；图像分割模块用于将带有颜色分量信息的目标区域从目标图像中分离出来；信息提取模块用于提取目标区域中的颜色分量信息；数据输出模块用于将颜色分量信息输入至最优测温模型进行计算得到物体表面的温度。本发明可以有效排除复杂环境下的背景干扰，降低噪声并有效提取特性色彩信息。改善了传统测温技术中操作复杂的问题，提高了温度测量精度，具有成本低，结构简单等优点。

Description

物体表面温度测量系统、测量方法、智能终端及存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种物体表面温度测量系统、测量方法、智能终端及存储介质。
背景技术
温度是工业领域一项重要的参数，温度测量是工业应用中重要的内容。目前，国内外的测温方法主要有接触式和非接触式方法。国际通用的接触式测温方法主要通过利用热电偶和热电阻等测温工具进行测量，这些测温器材具有良好的可操作性且造价相对低廉、制造方式易得，通过实验验证与实际工程应用，皆证明了这些方法在很多温度场的测量中起到了良好的作用。
利用这些工具测量出的温度数据信息，有利于控制生产中的温度，降低生产成本。但是通常情况下，在实际工业应用恶劣的工作环境下，接触式测温器材与设备的精度将大幅减小，使用寿命亦将严重降低，同时由于其引线的布置相对复杂，且其对温度较为敏感等缺点，此类接触式测温方法无法长期且稳定的胜任研究。而国际上通用的非接触式测温方法，如高温计仅指示目标位置的温度，为了获得总体温度分布，需要使用光学或辐射高温计扫描热源表面，但部分工业环境不宜长时间暴露；虽然使用红外非接触式传感器或红外热扫描仪也可以呈现温度分布，然而其失真的图像、极高的成本与复杂的技术实现却使之并不适用于传统工业领域测温。因此，需要一种实时、精确且相对廉价的温度测量技术。
针对上述需求，目前，国内外仅有少量相关的解决方案。
专利CN110160661B公开了一种基于可见光照片的物体表面温度的测量方法及装置，其方法包括首先通过训练得到优化的基于可见光照片的物体表面温度识别的温度识别模型，采集未知温度下的待测物体表面的可见光照片，提取可见光照片的三基色灰度频率分布信息输入该温度识别模型，得到待测物体表面的温度。该方法结构简单，便于操作，但也存在一些问题如：(1)所选固定区域为矩形，未能对有效信息进行充分提取，但实际情况的测温区域复杂多变，该方法易采集到无效背景信息，则精度会下降；(2)选用K邻近算法进行测温模型的优化，未能充分利用RGB信息与温度之间的关系，信息利用不充分；(3)选用常规灰度处理，符合人眼习惯却并不符合色温关系。
发明内容
鉴于上述问题，本发明的目的是提出物体表面温度测量系统、测量方法、智能终端及存储介质，通过非接触式的方式对目标图像进行拍摄，并对目标图像中的色温信息进行提取后带入最优测温模型得到准确度较高的物体表面温度，从而改善了传统测温技术中操作复杂的问题，提高了温度测量精度，具有成本低，结构简单等优点。
为实现上述目的，本发明采用以下具体技术方案：
本发明提供一种物体表面温度测量系统，包括：图像处理单元和数据处理单元，图像处理单元包括：图像采集模块、超灰度处理模块、图像分割模块和信息提取模块；数据处理单元包括数据输出模块；
图像采集模块用于对物体表面的目标图像进行采集，超灰度处理模块用于去除目标图像中的背景干扰信息；图像分割模块用于从目标图像中分离出带有颜色分量信息的目标区域；信息提取模块用于提取目标区域中的颜色分量信息；数据输出模块用于将颜色分量信息输入至最优测温模型进行计算得到物体表面的温度。
优选地，超灰度处理模块通过aR+bG+cB模型对目标图像进行超灰度处理；
aR+bG+cB模型为：
Figure BDA0003625669740000021
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a，b，c为超灰度处理系数，a、b、c为超灰度处理系数，a的取值范围为0.9～1.1，b的取值范围为-1.6～-1.4，c的取值范围为0.4～0.6。
优选地，图像分割模块包括：分割阈值计算单元、图像二值化单元和连通区域提取单元；
分割阈值计算单元用于通过最大类间方差法计算目标图像的最优分割阈值；
图像二值化单元用于根据最优分割阈值对目标图像进行二值化处理；
连通区域提取单元用于确定二值化图像中的最大连通区域；并通过Canny算子对最大连通区域进行提取，得到目标区域。
优选地，数据处理单元还包括数据预处理模块；
数据预处理模块用于根据颜色分量信息分别计算单色数据、比色数据和三色数据；
单色数据I1的计算公式为：
Figure BDA0003625669740000031
比色数据I2的计算公式为：
Figure BDA0003625669740000032
三色数据I3的计算公式为：
Figure BDA0003625669740000033
优选地，数据处理单元还包括模型训练模块；
模型训练模块根据颜色分量信息、单色数据、比色数据和所护三色数据对最优测温模型进行训练。
本发明还提供一种物体表面温度测量方法，包括以下步骤：
S1、通过图像采集模块对物体表面的目标图像进行采集；
S2、通过超灰度处理模块和图像分割模块分别对目标图像进行超灰度处理和图像分割处理后得到目标区域；
S3、通过信息提取模块提取目标区域中的颜色分量信息；
S4、通过数据输出模块将颜色分量信息输入至最优测温模型中进行计算，得到物体表面的温度。
优选地，步骤S2包括：
通过aR+bG+cB模型对目标图像进行超灰度处理；
aR+bG+cB模型为：
Figure BDA0003625669740000041
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a、b、c为超灰度处理系数，a的取值范围为0.9～1.1，b的取值范围为-1.6～-1.4，c的取值范围为0.4～0.6。
优选地，步骤S2包括以下子步骤：
S201、通过分割阈值计算单元计算目标图像的最优分割阈值；
S202、通过图像二值化单元对目标图像进行二值化处理；
S203、通过连通区域提取单元确定二值化图像中的最大连通区域；并通过Canny算子对最大连通区域进行提取，得到目标区域。
优选地，步骤S3包括：
将目标区域与目标图像进行像素与操作，获得包含R、G、B三种颜色的颜色分量值。
优选地，步骤S4包括以下子步骤：
S41、将颜色分量信息组成数据集，并将数据集随机划分成训练集和验证集；
S42、通过后向传播神经网络算法的初始赋值得到初始测温模型，初始测温模型通过后向传播神经网络对训练集进行学习；
S43、完成学习后的初始测温模型在验证集进行验证后得到验证温度；
S44、计算验证温度与验证集所对应物体表面真实温度值的方差；
S45、重复步骤S43-S44，经过预定次数训练后得到最优测温模型。
本发明还提供一种智能终端，包括：处理器和存储器；
其中，存储器用于存储如上述的物体表面温度测量方法的一个或多个程序指令；处理器用于执行存储器存储的程序指令以实现对物体表面温度的测量。
本发明还提供一种存储介质，存储介质用于存储如上述的物体表面温度测量方法的一个或多个程序文件。
与现有的技术相比，本发明通过非接触式的方式对目标图像进行拍摄，并对目标图像中的色温信息进行提取后带入最优测温模型得到准确度较高的物体表面温度，具有以下优点：
(1)通过aR+bG+cB的方法对图像进行超灰度化处理，可以有效排除复杂环境下背景干扰，抑制外在光源的影响，降低噪声并有效提取特性色彩信息。根据色温特性提出的超灰度处理方法可以更更大程度的提取有效信息，其检出率与准确率均在97％之上。
(2)利用单色、比色和三色测温理论对采集到的信息进行预处理，并将其作为输入数据输入神经网络，可以有效地对色彩信息的比色特征进行保留，使神经网络学习到更多特性，有效提高温度测量的准确性，测温准确性可达99.3％。
(3)在图像处理单元加入图像分割模块，相比于矩形框可以有效排除背景信息的干扰。
附图说明
图1是根据本发明实施例提供的物体表面温度测量方法的流程示意图。
图2是根据本发明实施例提供的物体表面温度测量系统的逻辑框架示意图。
具体实施方式
在下文中，将参考附图描述本发明的实施例。在下面的描述中，相同的模块使用相同的附图标记表示。在相同的附图标记的情况下，它们的名称和功能也相同。因此，将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。
图1示出了根据本发明实施例提供的物体表面温度测量方法的流程图。
如图1所示，本发明实施例提供的物体表面温度测量方法包括以下步骤：
S1、通过图像采集模块对物体表面的目标图像进行采集。
在图像采集模块中：利用型号为SY011HD的数码相机对高温物体表面受热发光的目标图像进行采集，分辨率为640(Pixel)×480(Pixel)，格式为JPG。
S2、对目标图像分别进行超灰度处理和图像分割处理后得到目标区域。
将采集到的目标图像输入至超灰度处理模块中对目标图像中的背景信息及干扰信息进行过滤。
在超灰度处理模块中：
温度信息与红色及蓝色信息呈正相关关系，与绿色信息呈负相关关系。
通过经验公式外推建立aR+bG+cB模型以实现对目标图像进行超灰度处理。aR+bG+cB模型为：
Figure BDA0003625669740000061
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a、b、c为超灰度处理系数，a的最佳取值范围为0.9～1.1，b的最佳取值范围为-1.6～-1.4，c的最佳取值范围为0.4～0.6。
该超灰度处理系数的选取保证了较高的准确率和检出率，对比表格表1所示。
表1：根据本发明实施例提供的灰度处理模块的实验数据
a，b，c的取值范围 准确率 检出率
(1.1，1.3)，(-2.0，-1.6)，(0.6，0.8) 83.7％ 86.5％
(0.9，1.1)，(-1.6，-1.4)，(0.4，0.6) 97.9％ 98.3％
(0.7，0.9)，(-1.4，-1.0)，(0.2，0.4) 63.4％ 57.2％
(0.4，0.6)，(-1.6，-1.4)，(0.9，1.1) 27.3％ 31.6％
通过对目标图像进行超灰度处理后，将目标图像中的干扰区域、背景区域和目标区域有效的分离开，其中目标区域即为目标图像中的物体表面受热发光区域，通过这种方式提取受热发光区域的效果较好，其周围的阴影、管道等背景区域及白色金属表面等干扰区域均受到了良好的抑制，发光区域进一步得到对比增强，且对于较暗的发光区域与明显的发光区域均有良好的处理效果。
将对背景信息和干扰信息进行过滤后的目标图像输入至图像分割模块中，将目标图像中的目标区域提取出来。
在图像分割模块中：
尽管经过超灰度处理模块进行处理后的目标图像过滤了大量的背景信息，但仍有部分干扰信息保留，因此需要对目标图像进行图像分割。
通过最大类间方差法OTSU来进一步确定最优分割阈值。设灰度阈值为L，像素灰度值小于L被归类为背景和干扰信息像素，像素灰度值大于等于L则被归类为发光目标信息像素。
设背景干扰信息像素所占像素比例为w0，平均灰度值为m0；设发光目标信息像素所占像素比例为w1，平均灰度值为m1；全局像素平均灰度值为mG，则有：
w0m0+w1m1＝mG
w0+w1＝1
根据方差的概念，类间方差表达式为：
σ2＝w0(m0-mG)2+w1(m1-mG)2
代入上式可得：
σ2＝w0w1(m0-m1)2
满足上式且能够使类间方差最大化所对应的灰度阈值L即为通过OTSU算法求得的最优分割阈值，遍历0到255即可求得。
求得最优分割阈值L后，可根据下式将目标图像进行二值化：
Figure BDA0003625669740000081
其中，I为目标图像中任一点的像素值。
将二值化图像通过最大连通区域提取算法进行下一步的图像分割。区域连通是指在一幅二值化图像中，任意一点加上其n个邻域点，按照从上到下且从左到右的顺序，以非0则为连通区域的规则且从1开始整数递增顺序标记各连通区域。根据最大轮廓面积确定最大连通区域后，利用Canny算子进行二值化图像连续轮廓提取，得到目标区域的图像。
将目标区域输入值信息提取模块中。
S3、通过信息提取模块提取目标区域中的颜色分量信息。
在信息提取模块中：将目标区域与原目标图像进行像素与操作处理，获得包含R、G、B三种颜色的颜色分量信息。
将颜色分量信息输入至数据处理单元中。
S4、将颜色分量信息输入至最优测温模型中进行计算，得到物体表面的温度。
数据处理单元包括：数据预处理模块、模型训练模块和数据输出模块。
在数据预处理模块中：
根据测温原理对R、G、B三种颜色的颜色分量信息进行数据预处理，分别得到单色数据、比色数据和三色数据。
具体过程如下：
红色在色温相关性中为重要增益参数，故单色数据的变换公式为：
Figure BDA0003625669740000091
根据比色测温原理经验公式可知，选择增益参数R与减益参数G可以更好的表征色温关系，则比色数据的变换公式为：
Figure BDA0003625669740000092
根据经验公式，三色数据的变换公式为：
Figure BDA0003625669740000093
本发明还提供一种最优测温模型的训练方法，具体包括以下步骤：
S41、预处理步骤：将颜色分量信息组成数据集，并将数据集随机划分成训练集和验证集。
S42、通过后向传播神经网络算法的初始赋值得到初始测温模型，初始测温模型通过后向传播神经网络对训练集进行学习。
S43、完成学习后的初始测温模型在验证集进行验证后得到验证温度。
S44、计算验证温度与验证集所对应物体表面真实温度值的方差。
S45、重复步骤S43-S44，经过500次训练后得到最优测温模型。
在模型训练模块中：
将颜色分量信息组成数据集，将数据集随机划分成训练集和验证集。
利用后向传播(BP)神经网络算法的初始赋值得到初始测温模型，初始测温模型通过BP神经网络对训练集进行学习，完成学习后的初始测温模型在验证集进行验证，得到验证温度，计算验证温度与验证集所对应物体表面真实温度值的方差。
将BP神经网络设置为输入层、隐藏层、输出层等三层，输入层有3个神经元，分别对应输入单色数据、比色数据和三色数据；隐藏层有10个神经元，对应不同颜色信息进行组合；输出层有1个神经元，即得到提供BP神经网络算法计算的预测温度。经过500次训练后，得到最优测温模型。
在数据输出模块中：
将最优测温模型嵌入到本发明提高的物体表面温度测量系统中，将采集得到的R、G、B三种颜色的颜色分量信息通过数据处理模块中的计算变换后代入数据计算单元中，对物体表面温度进行计算并输出。
图2是根据本发明实施例提供的物体表面温度测量系统的逻辑图。
如图2所示，本发明实施例提供的物体表面温度测量系统包括：图像处理单元和数据处理单元。
图像处理单元包括：图像采集模块、超灰度处理模块、图像分割模块和信息提取模块。
图像采集模块用于对物体表面的目标图像进行采集，超灰度处理模块用于去除目标图像中的背景干扰信息；图像分割模块用于从目标图像中分离出带有颜色分量信息的目标区域；信息提取模块用于提取目标区域中的颜色分量信息；数据输出模块用于将颜色分量信息输入至最优测温模型进行计算得到物体表面的温度。
超灰度处理模块通过aR+bG+cB模型对目标图像进行超灰度处理；
aR+bG+cB模型为：
Figure BDA0003625669740000101
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a，b，c为超灰度处理系数，a的最佳取值范围为0.9～1.1，b的最佳取值范围为-1.6～-1.4，c的最佳取值范围为0.4～0.6。
图像分割模块包括：分割阈值计算单元、图像二值化单元和连通区域提取单元。
分割阈值计算单元用于通过最大类间方差法计算目标图像的最优分割阈值；
图像二值化单元用于根据最优分割阈值对目标图像进行二值化处理；
连通区域提取单元用于确定二值化图像中的最大连通区域；并通过Canny算子对最大连通区域进行提取，得到目标区域。
数据处理单元还包括数据预处理模块。
数据预处理模块用于根据颜色分量信息分别计算单色数据、比色数据和三色数据；
单色数据I1的计算公式为：
Figure BDA0003625669740000111
比色数据I2的计算公式为：
Figure BDA0003625669740000112
三色数据I3的计算公式为：
Figure BDA0003625669740000113
数据处理单元还包括模型训练模块。
模型训练模块根据颜色分量信息、单色数据、比色数据和所述三色数据对最优测温模型进行训练。参考上述步骤S11-S55的描述。
本发明还提供一种物体表面温度测量的智能终端，包括：数据采集装置、处理器和存储器；
数据采集装置用于采集目标图像数据；
存储器用于存储本发明提供的物体表面温度测量方法的一个或多个程序指令；
处理器用于执行存储器存储的程序指令以实现对物体表面温度的测量。
本发明提供的智能终端为英伟达Xavier，使用英伟达Xavier可提高计算速度，保证系统的实时性，经实验验证该系统处理速度可达25fps。
本发明还提供一种计算机可读存储介质，用于存储本发明提供的物体表面温度测量方法的一个或多个程序文件。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种物体表面温度测量系统，其特征在于，包括：图像处理单元和数据处理单元，所述图像处理单元包括：图像采集模块、超灰度处理模块、图像分割模块和信息提取模块；所述数据处理单元包括数据输出模块；
所述图像采集模块用于对物体表面的目标图像进行采集，所述超灰度处理模块用于去除所述目标图像中的背景干扰信息；所述图像分割模块用于从所述目标图像中分离出带有颜色分量信息的目标区域；所述信息提取模块用于提取所述目标区域中的颜色分量信息；所述数据输出模块用于将所述颜色分量信息输入至最优测温模型进行计算得到物体表面的温度。
2.根据权利要求1所述的物体表面温度测量系统，其特征在于，所述超灰度处理模块通过aR+bG+cB模型对所述目标图像进行超灰度处理；
所述aR+bG+cB模型为：
Figure FDA0003625669730000011
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a、b、c为超灰度处理系数，a的取值范围为0.9～1.1，b的取值范围为-1.6～-1.4，c的取值范围为0.4～0.6。
3.根据权利要求2所述的物体表面温度测量系统，其特征在于，所述图像分割模块包括：分割阈值计算单元、图像二值化单元和连通区域提取单元；
所述分割阈值计算单元用于通过最大类间方差法计算所述目标图像的最优分割阈值；
所述图像二值化单元用于根据所述最优分割阈值对所述目标图像进行二值化处理；
所述连通区域提取单元用于确定所述二值化图像中的最大连通区域；并通过Canny算子对所述最大连通区域进行提取，得到所述目标区域。
4.根据权利要求3所述的物体表面温度测量系统，其特征在于，所述数据处理单元还包括数据预处理模块；
所述数据预处理模块用于根据所述颜色分量信息分别计算单色数据、比色数据和三色数据；
所述单色数据I1的计算公式为：
Figure FDA0003625669730000021
所述比色数据I2的计算公式为：
Figure FDA0003625669730000022
所述三色数据I3的计算公式为：
Figure FDA0003625669730000023
所述数据处理单元还包括模型训练模块；
所述模型训练模块根据所述颜色分量信息、所述单色数据、所述比色数据和所护三色数据对所述最优测温模型进行训练。
5.一种利用如权利要求1-4任一项所述的物体表面温度测量系统的测量方法，其特征在于，包括以下步骤：
S1、通过所述图像采集模块对物体表面的目标图像进行采集；
S2、通过所述超灰度处理模块和所述图像分割模块分别对所述目标图像进行超灰度处理和图像分割处理后得到目标区域；
S3、通过所述信息提取模块提取所述目标区域中的颜色分量信息；
S4、通过所述数据输出模块将所述颜色分量信息输入至所述最优测温模型中进行计算，得到物体表面的温度。
6.根据权利要求5所述的物体表面温度测量方法，其特征在于，所述步骤S2包括：
通过aR+bG+cB模型对所述目标图像进行超灰度处理；
所述aR+bG+cB模型为：
Figure FDA0003625669730000024
其中，Gray为灰度值；R、G、B分别为红色、绿色和蓝色三个颜色分量信息，a、b、c为超灰度处理系数，a的取值范围为0.9～1.1，b的取值范围为-1.6～-1.4，c的取值范围为0.4～0.6；
所述步骤S2还包括以下子步骤：
S201、通过所述分割阈值计算单元计算所述目标图像的最优分割阈值；
S202、通过所述图像二值化单元对所述目标图像进行二值化处理；
S203、通过所述连通区域提取单元确定所述二值化图像中的最大连通区域；并通过Canny算子对所述最大连通区域进行提取，得到所述目标区域。
7.根据权利要求6所述的物体表面温度测量方法，其特征在于，所述步骤S3包括：
将所述目标区域与所述目标图像进行像素与操作，获得包含R、G、B三种颜色的颜色分量值。
8.根据权利要求7所述的物体表面温度测量方法，其特征在于，所述步骤S4包括以下子步骤：
S41、将所述颜色分量信息组成数据集，并将所述数据集随机划分成训练集和验证集；
S42、通过后向传播神经网络算法的初始赋值得到初始测温模型，所述初始测温模型通过所述后向传播神经网络对所述训练集进行学习；
S43、完成学习后的初始测温模型在所述验证集进行验证后得到验证温度；
S44、计算所述验证温度与所述验证集所对应物体表面真实温度值的方差；
S45、重复所述步骤S43-S44，经过预定次数训练后得到所述最优测温模型。
9.一种智能终端，其特征在于，包括：处理器和存储器；
其中，所述存储器用于存储如权利要求5-8所述的物体表面温度测量方法的一个或多个程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现对物体表面温度的测量。
10.一种存储介质，其特征在于，所述存储介质用于存储如权利要求5-8所述的物体表面温度测量方法的一个或多个程序文件。
CN202210468775.6A 2022-04-29 2022-04-29 物体表面温度测量系统、测量方法、智能终端及存储介质 Active CN114858301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210468775.6A CN114858301B (zh) 2022-04-29 2022-04-29 物体表面温度测量系统、测量方法、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210468775.6A CN114858301B (zh) 2022-04-29 2022-04-29 物体表面温度测量系统、测量方法、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN114858301A true CN114858301A (zh) 2022-08-05
CN114858301B CN114858301B (zh) 2024-03-26

Family

ID=82635783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210468775.6A Active CN114858301B (zh) 2022-04-29 2022-04-29 物体表面温度测量系统、测量方法、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN114858301B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117398231A (zh) * 2023-11-30 2024-01-16 西安好博士医疗科技有限公司 一种基于数据分析的医学储液装置温度控制系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539008A (zh) * 2012-01-09 2012-07-04 太原理工大学 利用图像颜色测定钢管温度的方法
CN106017694A (zh) * 2016-05-31 2016-10-12 成都德善能科技有限公司 一种基于图像传感器的温度测量系统
JP2019045474A (ja) * 2017-08-30 2019-03-22 セイコーインスツル株式会社 温度表示デバイスの読取処理装置、サーバー装置、温度検知デバイスの読取処理システム、および温度表示デバイスの読取処理装置の制御方法
CN112053341A (zh) * 2020-09-01 2020-12-08 广东电网有限责任公司 一种基于光反射率和人工智能的合金材料的表面温度测量方法
CN113706478A (zh) * 2021-08-12 2021-11-26 上海新闵（东台）重型锻造有限公司 核锻件锻造温度视觉测量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539008A (zh) * 2012-01-09 2012-07-04 太原理工大学 利用图像颜色测定钢管温度的方法
CN106017694A (zh) * 2016-05-31 2016-10-12 成都德善能科技有限公司 一种基于图像传感器的温度测量系统
JP2019045474A (ja) * 2017-08-30 2019-03-22 セイコーインスツル株式会社 温度表示デバイスの読取処理装置、サーバー装置、温度検知デバイスの読取処理システム、および温度表示デバイスの読取処理装置の制御方法
CN112053341A (zh) * 2020-09-01 2020-12-08 广东电网有限责任公司 一种基于光反射率和人工智能的合金材料的表面温度测量方法
CN113706478A (zh) * 2021-08-12 2021-11-26 上海新闵（东台）重型锻造有限公司 核锻件锻造温度视觉测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHE YUAN: "Temperature Measurement of Metal Surface at Normal Temperatures by Visible Images and Machine Learning", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 70, 31 December 2021 (2021-12-31) *
任艳;周小敏;关威;傅莉;陈新宇;: "支持向量回归机在颜色测温中的仿真应用", 系统仿真学报, no. 11, 8 November 2016 (2016-11-08) *
吴凌燕;周永华;谭文贵;肖飞;: "LS-SVM在单通道颜色测温中的应用", 计算技术与自动化, no. 03, 15 September 2009 (2009-09-15) *
朱丽娟;周永华;: "径向基神经网络的图像颜色软测温方法", 宁夏工程技术, no. 04, 15 December 2007 (2007-12-15) *
袁野, 仲崇权, 余松煜, 田中旭: "基于神经网络的图像颜色测温方法", 红外与激光工程, no. 05, 25 October 2003 (2003-10-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117398231A (zh) * 2023-11-30 2024-01-16 西安好博士医疗科技有限公司 一种基于数据分析的医学储液装置温度控制系统及方法

Also Published As

Publication number Publication date
CN114858301B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN105445607B (zh) 一种基于等温线绘制的电力设备故障检测方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN108563975B (zh) 一种基于深度学习的高密度人群人数估计方法
CN112233067A (zh) 一种热轧钢卷端面质量检测方法及系统
CN110490924B (zh) 一种基于多尺度Harris的光场图像特征点检测方法
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
CN114858301B (zh) 物体表面温度测量系统、测量方法、智能终端及存储介质
Liu et al. Iterating tensor voting: A perceptual grouping approach for crack detection on EL images
Flor et al. PRNU-based source camera identification for multimedia forensics
CN113139730B (zh) 一种基于数字孪生模型的电力设备状态评估方法及系统
CN107424134B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN113096103A (zh) 一种面向放空火炬的烟气智能影像感知方法
CN114998326B (zh) 一种基于人工智能的煤气流分布情况检测方法及系统
Xiao et al. Effective PRNU extraction via densely connected hierarchical network
CN117146733A (zh) 一种高温目标三维形貌与温度场综合测量方法
CN106886609B (zh) 街区式农村居民地遥感快速标注方法
CN115937093A (zh) 融合hsl空间和改进暗通道技术的烟雾浓度检测方法
CN114092441A (zh) 一种基于双重神经网络的产品表面缺陷检测方法及系统
CN114463192A (zh) 一种基于深度学习的红外视频畸变校正的方法
CN109376749B (zh) 基于深度学习的输变电设备红外图像温宽范围识别方法
CN105740841A (zh) 一种车辆检测模式的确定方法和装置
CN113591933B (zh) 一种基于相关性度量的遥感图像变化检测方法及系统
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN117078608B (zh) 一种基于双掩码引导的高反光皮革表面缺陷检测方法

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