CN115311445B - 一种用于冶金工艺的渣盒智能检测方法 - Google Patents

一种用于冶金工艺的渣盒智能检测方法 Download PDF

Info

Publication number
CN115311445B
CN115311445B CN202211245004.7A CN202211245004A CN115311445B CN 115311445 B CN115311445 B CN 115311445B CN 202211245004 A CN202211245004 A CN 202211245004A CN 115311445 B CN115311445 B CN 115311445B
Authority
CN
China
Prior art keywords
image
molten steel
drop
frame
ladle
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
Application number
CN202211245004.7A
Other languages
English (en)
Other versions
CN115311445A (zh
Inventor
郑光晖
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.)
Nantong Hongyun Metal Technology Co ltd
Original Assignee
Nantong Hongyun Metal Technology 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 Nantong Hongyun Metal Technology Co ltd filed Critical Nantong Hongyun Metal Technology Co ltd
Priority to CN202211245004.7A priority Critical patent/CN115311445B/zh
Publication of CN115311445A publication Critical patent/CN115311445A/zh
Application granted granted Critical
Publication of CN115311445B publication Critical patent/CN115311445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30221—Sports video; Sports 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Treatment Of Steel In Its Molten State (AREA)

Abstract

本发明涉及一种用于冶金工艺的渣盒智能检测方法，该方法的具体步骤包括：对钢包区域进行时序图像采集并获取预处理时序图像；判断预处理时序图像中每一帧图像是否存在钢水滴像素点，获取每一帧图像中所有钢水滴的位置信息；将时序图像中上一帧图像的钢水滴位置信息标记到当前图像中；对上一帧图像和当前图像中的钢水滴进行一一对应匹配，将上一帧图像匹配的结果对应到当前图像的标记钢水滴上；获取每一滴钢水的运动轨迹；预测钢水滴的落地区域，确定渣盒的大小和放置的位置。该方法能够得到每一滴钢水滴准确可靠的落地位置，根据所有钢水滴的落地区域完成渣盒位置的摆放，不仅节省了空间资源，也避免钢水滴落地造成其他影响和危害。

Description

一种用于冶金工艺的渣盒智能检测方法
技术领域
本发明涉及冶金安全领域，具体涉及一种用于冶金工艺的渣盒智能检测方法。
背景技术
在冶金连铸工程中，需要把钢包从反应区运送至铸造区，在钢包转运过程中，由于机械臂的晃动或者惯性的原因造成钢包在运输方向上的左右轻微晃动，从而导致钢水从钢包中溅出。
现有技术通常采用在钢包的运行路线中，有间隔的摆放普通渣盒，用来接收溅出的钢水。现有技术存在的问题在于，未考虑到结合钢包溅出的钢水规则，自适应的设置渣盒摆放间隔和渣盒的大小，导致溅出的钢水不能精准接收，既浪费了空间资源，同时又造成了其他的影响和危害。
发明内容
针对现有技术的不足，本发明的目的是提供一种用于冶金工艺的渣盒智能检测方法。
为了实现上述目的，本发明采用以下技术方案：
一种用于冶金工艺的渣盒智能检测方法，具体包括以下步骤：
对钢包区域进行时序图像采集，并对采集到的时序图像进行预处理，得到预处理时序图像；
构建图像数据分析指标，对预处理时序图像中每一帧图像进行分析，判断每一帧图像中是否存在钢水滴像素点，获取每一帧图像中所有钢水滴的位置信息；
利用图像位置信息遗忘值将时序图像中上一帧图像内的钢水滴位置信息标记到时序图像的当前图像中，在当前图像中对上一帧图像的钢水滴进行标记，且该标记的钢水滴位置与上一帧图像中的钢水滴位置对应；
分别获取时序图像中上一帧图像和当前图像的钢水滴明度信息，利用上一帧图像和当前图像中钢水滴的明度差异值和当前图像内钢水滴的位置信息遗忘值对上一帧图像和当前图像中的钢水滴进行一一对应匹配，将上一帧图像匹配的结果对应到当前图像的标记钢水滴上；
通过获取的当前图像中每一钢水滴位置信息和与当前图像匹配的标记钢水滴的位置信息得到每一滴钢水的运动轨迹；
通过每一滴钢水的运动轨迹预测钢水滴的落地区域，根据落地区域确定渣盒的大小和放置的位置。
进一步地，判断所述每一帧图像中是否存在钢水滴像素点的方法为：
将预处理后的预处理时序图像中的每一帧图像进行语义分割，对分割后的图像进行色彩空间转换，获取每一帧图像中像素点的H、S、V，其中H为色调，S为饱和度，V为明度，若
Figure 458709DEST_PATH_IMAGE001
，则该像素点确定为钢水滴的像素点，所述
Figure 32910DEST_PATH_IMAGE002
为色调分类阈值。
进一步地，对判断像素点为钢水滴像素点的像素进行超像素分割，得到该钢水滴的像素块，利用该像素块确定出获取每一帧图像中所有钢水滴的位置信息。
进一步地，所述钢水滴位置信息遗忘值的表达式为：
Figure DEST_PATH_IMAGE003
式中：
Figure 169362DEST_PATH_IMAGE004
表示位置遗忘系数，
Figure 133907DEST_PATH_IMAGE005
表示记忆系数，
Figure 459846DEST_PATH_IMAGE006
表示第
Figure 639286DEST_PATH_IMAGE007
帧图像中钢水滴的位置信息遗忘值。
进一步地，对所述上一帧图像和当前图像中的钢水滴进行一一对应匹配的方法是：将获取当前图像中钢水滴位置信息遗忘值与明度差异值做差，根据差值判断匹配结果；所述明度差异值的表达式为：
Figure 759689DEST_PATH_IMAGE008
；
Figure 477109DEST_PATH_IMAGE009
；
式中：
Figure 856007DEST_PATH_IMAGE010
表示第
Figure 76904DEST_PATH_IMAGE011
帧和第
Figure 899366DEST_PATH_IMAGE007
帧图像中同一钢水滴的明度差异值；
Figure 383044DEST_PATH_IMAGE006
表示第
Figure 988469DEST_PATH_IMAGE007
帧图像中钢水滴的位置信息遗忘值，
Figure 391768DEST_PATH_IMAGE012
为差值指标；
当
Figure 368820DEST_PATH_IMAGE013
时，即为匹配成功，所述
Figure 529674DEST_PATH_IMAGE014
表示容忍度。
进一步地，当
Figure 266686DEST_PATH_IMAGE015
时，利用
Figure 212908DEST_PATH_IMAGE016
对钢水滴明度值进行更新，通过更新后的钢水滴明度值
Figure 846014DEST_PATH_IMAGE017
重新对当前图像中的钢水滴与前一帧图像中的钢水滴进行匹配。
进一步地，在对钢水滴轨迹进行获取前对所述钢包的晃动情况按照如下方法判断：
获取钢包的边缘直线和钢包垂直地面的中心线，当中心线与边缘直线平行时，钢包不存在晃动，当中心线与边缘直线存在夹角
Figure 822061DEST_PATH_IMAGE018
时，钢包存在晃动，所述
Figure 284135DEST_PATH_IMAGE019
为钢包垂直地面中心线的斜率，
Figure 130868DEST_PATH_IMAGE020
为钢包边缘直线的斜率。
进一步地，当判断钢包晃动时，对位置遗忘系数
Figure 466035DEST_PATH_IMAGE004
进行修正，表达式为：
Figure 146021DEST_PATH_IMAGE021
；
式中：线速度
Figure 162519DEST_PATH_IMAGE022
，
Figure 394917DEST_PATH_IMAGE023
表示归一化操作，
Figure 619094DEST_PATH_IMAGE024
是
Figure 507415DEST_PATH_IMAGE004
修正后的位置遗忘系数。
进一步地，所述渣盒的大小为落地区域大小的二倍。
本发明的有益效果是：
本发明通过预测钢水滴的运动轨迹得到每一滴钢水滴准确的落地位置，相对于通过钢水滴的初始速度进行钢水滴轨迹预测更加准确可靠，根据钢水滴真实的落地位置完成渣盒位置的摆放，不仅能够节省空间资源，也能避免钢水滴落地，造成其他影响和危害。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例1
本发明所针对的具体场景为：在冶金连铸工程中，钢包从反应区运送到铸造区的过程，未考虑到结合钢包溅出的钢水规则，自适应的设置渣盒摆放间隔和渣盒的大小，导致溅出的钢水不能精准接收。
如图1所示，为了解决上述技术问题，本发明提供了一种用于冶金工艺的渣盒智能检测方法。具体包括以下步骤：
在钢包上方的机械臂放置耐高温双目相机，通过耐高温双目相机正视跟踪拍摄，对钢包区域进行时序图像采集，通过双目相机的视差算法获取时序图像像素点的深度信息，并对采集到的时序图像进行预处理：采用中值滤波去噪法对采集到的时序图像进行去噪，去除时序图像中存在的噪声点，再通过直方图均衡化提高时序图像之间的对比度，得到预处理时序图像。
该步骤的目的是对钢包区域进行时序图像采集，并对采集到的时序图像进行预处理，得到预处理时序图像。
将预处理后的RGB-D图像进行语义分割，将钢包区域标注为0，钢包行进方向上两侧区域标注为1，得到Mask图像，将Mask图像与原图像相乘，得到分割后的图像，对分割后的图像进行HSV色彩空间转换，得到图像中像素点的H、S、V，其中H为色调，S为饱和度，V为明度，
Figure 124341DEST_PATH_IMAGE025
为色调分类阈值，识别图像中钢水滴所在位置的像素点，当像素点的色调值
Figure 899662DEST_PATH_IMAGE001
时，即为钢水滴像素点，阈值
Figure 311051DEST_PATH_IMAGE026
，此为经验值，可根据具体钢水色调进行微调。
由于钢水滴一般较大，所以得到的钢水滴位置可能包含很多像素，通过SLIC算法进行超像素分割，得到钢水滴的像素块。
该步骤的目的是构建图像数据分析指标，对预处理时序图像中每一帧图像进行分析，判断每一帧图像中是否存在钢水滴像素点，获取每一帧图像中所有钢水滴的位置信息。
当钢包初始出现溅射出的钢水滴时，采集第一帧图像并存储分析，存储分析图像的触发条件为图像中出现满足
Figure 670358DEST_PATH_IMAGE001
的像素点。
假设钢水滴在溅落的过程中，存在热量损失，明度
Figure 825395DEST_PATH_IMAGE027
会出现轻微的变化，但是由于钢水滴在时序图像中只能获取图像信息，不能获取标签信息，所以无法确定时序图象中钢水滴的隶属标签，只能获取钢水滴的明度特征。因此，我们通过构建时序图象中钢水滴位置遗忘系数和明度信息来确定时序图像中钢水滴的运动轨迹。具体规则如下：
将时序图像第一帧图像中所存在的钢水滴的位置信息全部设为1，钢水滴位置信息遗忘值的表达式为：
Figure 766807DEST_PATH_IMAGE028
式中：
Figure 311881DEST_PATH_IMAGE004
表示位置遗忘系数，
Figure 971533DEST_PATH_IMAGE005
表示记忆系数，
Figure 867945DEST_PATH_IMAGE006
表示第
Figure 913130DEST_PATH_IMAGE007
帧图像中钢水滴的位置信息遗忘值。
此步骤的目的是利用图像位置信息遗忘值将时序图像中上一帧图像内的钢水滴位置信息标记到时序图像的当前图像中，在当前图像中对上一帧图像的钢水滴进行标记，且该标记的钢水滴位置与上一帧图像中的钢水滴位置对应。
分别获取时序图像中上一帧图像和当前图像的钢水滴明度信息，利用上一帧图像和当前图像中钢水滴的明度差异值和当前图像内钢水滴的位置信息遗忘值对上一帧图像和当前图像中的钢水滴进行一一对应匹配，将上一帧图像匹配的结果对应到当前图像的标记钢水滴上。
设定上一帧图像中的钢水滴为A，对上一帧图像中的钢水滴A利用图像位置信息遗忘值处理后，标记到当前图像中对应的点为
Figure 931902DEST_PATH_IMAGE029
，由于上一帧图像中的钢水滴的数量较多，因此在当前帧中并没有办法找到该钢水滴A经过时序变化后对应的钢水滴B，本实施例利用上一帧图像中钢水滴和当前帧图像中钢水滴的明度差异值及位置信息遗忘值匹配出上一帧钢水滴A在当前帧图像中所有钢水滴中对应的钢水滴B，即该钢水滴B和上一帧图像中钢水滴A为同一滴钢水滴，位置发生变化是由时间引起的，因此在确定钢水滴的运动轨迹时，通过当前帧图像中的钢水滴
Figure 547691DEST_PATH_IMAGE029
（与上一帧钢水滴A为同一滴钢水）与钢水滴B（为钢水滴A经过时序变化后出现的新的位置）预测出钢水滴A的轨迹，采用此种方法将上一帧图像中所有钢水滴的轨迹都能够确定出来。
在本发明的一个实施例中为了方便确定出上一帧图像中的钢水滴经过时序变化后在当前帧中的位置，本实施例是通过下落钢水滴的超像素块中所有像素点的明度均值确定时序图像中所有钢水滴的明度信息
Figure 998526DEST_PATH_IMAGE027
，根据时序图像不同帧图像中所存在的实时的钢水滴位置和明度信息以及位置信息遗忘值，进行运动轨迹分析。根据上一帧图像中钢水滴的明度值
Figure 914529DEST_PATH_IMAGE030
和当前图像中的明度值
Figure 838623DEST_PATH_IMAGE031
得到差异值
Figure 659817DEST_PATH_IMAGE008
，然后根据当前图像钢水滴的位置信息遗忘值
Figure 960349DEST_PATH_IMAGE032
和明度值
Figure 668542DEST_PATH_IMAGE033
差值指标
Figure 776919DEST_PATH_IMAGE009
，其中，
Figure 367300DEST_PATH_IMAGE010
表示第
Figure 409205DEST_PATH_IMAGE011
帧和第
Figure 549068DEST_PATH_IMAGE007
帧图像中同一钢水滴的明度差异，
Figure 814965DEST_PATH_IMAGE012
为差值指标，同一钢水滴从初始溅出到不断下落的过程中，相邻帧间钢水滴的明度信息的衰减变化量和位置遗忘信息衰减量的变化关系是一致的，都是不断减小，且衰减量的大小也是近似的，满足明度衰减变化量和遗忘信息衰减比的差值指标
Figure 95904DEST_PATH_IMAGE012
。将时序图像中当前图像中的钢水滴与上一帧图像中的钢水滴进行匹配，当
Figure 488971DEST_PATH_IMAGE013
时，认为匹配成功，其中
Figure 968494DEST_PATH_IMAGE014
表示容忍度，本实施例提供的
Figure 608554DEST_PATH_IMAGE034
；利用当前帧匹配成功的当前帧的标记钢水滴和上一帧钢水滴经过时序变化后位于当前帧的钢水滴得到钢水滴下落的轨迹。
由于在获取当前帧图像中的钢水滴时，钢水滴是近似连续的，钢水滴前序的位置可能会被当前新出现的钢水滴覆盖，因此，当第
Figure 688374DEST_PATH_IMAGE007
帧钢水滴的明度值与相邻帧中钢水滴明度值的差异值
Figure 72082DEST_PATH_IMAGE008
发生异常时，即为
Figure 671690DEST_PATH_IMAGE015
，此时，利用
Figure 292771DEST_PATH_IMAGE016
对钢水滴明度值进行更新，通过更新后的钢水滴明度值
Figure 282724DEST_PATH_IMAGE017
重新对当前图像中的钢水滴与前一帧图像中的钢水滴进行匹配。
通过每一滴钢水的运动轨迹预测钢水滴的落地区域，根据落地区域确定渣盒的大小和放置的位置，具体步骤为：
因为双目相机采集图像的速度大大超过了机械臂运送钢包的速度，所以将采集到的连续10帧内的图像认为是钢包相对静止时产生的钢水滴图像，将后续10帧图像中再产生的钢水滴图像认为是下一次运动产生的，每10帧图像之间的时间间隔
Figure 266860DEST_PATH_IMAGE035
，即为钢包在运动过程中产生钢水滴的时间间隔
Figure 235822DEST_PATH_IMAGE035
，通过时间间隔
Figure 14423DEST_PATH_IMAGE035
和机械臂行进速度
Figure 491671DEST_PATH_IMAGE036
来确定渣盒放置的间隔大小。
通过连续10帧图像得到钢水滴的落地位置构建落地区域，渣盒的大小参考落地区域的大小，渣盒的大小可设定为落地区域大小的二倍。由于钢水滴产生的原因只是因为钢包在行进过程中出现行进方向上的轻微晃动，所以钢水滴溅出的位置一般只存在于钢包行进方向上，为了保证钢包溅出位置为单侧，可以考虑将钢包运送时设置一定的倾角，倾角的大小可以根据钢包的晃动幅度和钢水液面高度确定。
实施例2
由于钢包在转运的过程中，会因机械臂的晃动或者惯性的原因造成钢包在运输方向上的左右轻微晃动，从而对钢水滴溅出造成影响，所以需要通过钢包的边缘直线和钢包垂直地面的中心线判断钢包是否存在晃动。当中心线与边缘直线平行时，钢包不存在晃动，当中心线与边缘直线存在夹角
Figure 30231DEST_PATH_IMAGE037
时，钢包存在晃动，式中
Figure 542115DEST_PATH_IMAGE038
。
当判断钢包晃动时，对位置遗忘系数
Figure 757196DEST_PATH_IMAGE004
进行修正，具体步骤为：
通过时序图像中钢包的边缘直线和钢包垂直地面的中心线的夹角变化量
Figure 33325DEST_PATH_IMAGE039
得到钢包晃动的角速度
Figure 562527DEST_PATH_IMAGE040
，以钢包长度为半径
Figure 991234DEST_PATH_IMAGE041
，可以得到钢包包沿处的线速度
Figure 62702DEST_PATH_IMAGE042
。根据夹角的变化方向得到钢包包沿晃动的线速度方向
Figure 780122DEST_PATH_IMAGE043
。由于机械臂本身的不确定性，所以钢包晃动的角速度
Figure 159020DEST_PATH_IMAGE040
值可能不固定，从而钢包包沿处的线速度
Figure 645496DEST_PATH_IMAGE044
也不固定，变化的钢包包沿线速度
Figure 202379DEST_PATH_IMAGE044
对钢水每次溅出的影响也不同。根据实时得到的钢包包沿线速度
Figure 892249DEST_PATH_IMAGE044
对位置遗忘系数
Figure 825570DEST_PATH_IMAGE004
进行修正，此时的
Figure 963290DEST_PATH_IMAGE021
，式中线速度
Figure 878025DEST_PATH_IMAGE022
只有大小，不存在方向，
Figure 366775DEST_PATH_IMAGE023
表示归一化操作，使速度影响差异的取值范围到[0,1]之间。当
Figure 838208DEST_PATH_IMAGE045
时，
Figure 793219DEST_PATH_IMAGE046
，此时钢包不存在不固定的晃动频率，所以位置遗忘系数保持不变。
将更新后的
Figure 691904DEST_PATH_IMAGE024
替换之前步骤中的的位置遗忘系数
Figure 854901DEST_PATH_IMAGE004
，继续钢水滴轨迹的判断，直到完成该次钢水滴溅出的轨迹分析和落地位置判断。
以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (7)

1.一种用于冶金工艺的渣盒智能检测方法，其特征在于，所述方法包括以下步骤：
对钢包区域进行时序图像采集，并对采集到的时序图像进行预处理，得到预处理时序图像；
构建图像数据分析指标，对预处理时序图像中每一帧图像进行分析，判断每一帧图像中是否存在钢水滴像素点，获取每一帧图像中所有钢水滴的位置信息；
利用图像位置信息遗忘值将时序图像中上一帧图像内的钢水滴位置信息标记到时序图像的当前图像中，在当前图像中对上一帧图像的钢水滴进行标记，且该标记的钢水滴位置与上一帧图像中的钢水滴位置对应；
分别获取时序图像中上一帧图像和当前图像的钢水滴明度信息，利用上一帧图像和当前图像中钢水滴的明度差异值和当前图像内钢水滴的位置信息遗忘值对上一帧图像和当前图像中的钢水滴进行一一对应匹配，将上一帧图像匹配的结果对应到当前图像的标记钢水滴上；
通过获取的当前图像中每一钢水滴位置信息和与当前图像匹配的标记钢水滴的位置信息得到每一滴钢水的运动轨迹；
通过每一滴钢水的运动轨迹预测钢水滴的落地区域，根据落地区域确定渣盒的大小和放置的位置；
所述图像位置信息遗忘值的表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示位置遗忘系数，
Figure DEST_PATH_IMAGE006
示记忆系数，
Figure DEST_PATH_IMAGE008
表示第
Figure DEST_PATH_IMAGE010
帧图像中钢水滴的位置信息遗忘值；
在对钢水滴轨迹进行获取前对所述钢包的晃动情况按照如下方法判断：
获取钢包的边缘直线和钢包垂直地面的中心线，当中心线与边缘直线平行时，钢包不存在晃动，当中心线与边缘直线存在夹角
Figure DEST_PATH_IMAGE012
时，钢包存在晃动，所述
Figure DEST_PATH_IMAGE014
为钢包垂直地面中心线的斜率，
Figure DEST_PATH_IMAGE016
为钢包边缘直线的斜率。
2.根据权利要求1所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，判断所述每一帧图像中是否存在钢水滴像素点的方法为：
将预处理后的预处理时序图像中的每一帧图像进行语义分割，对分割后的图像进行色彩空间转换，获取每一帧图像中像素点的H、S、V，其中H为色调，S为饱和度，V为明度，若
Figure DEST_PATH_IMAGE018
，则该像素点确定为钢水滴的像素点，所述
Figure DEST_PATH_IMAGE020
为色调分类阈值。
3.根据权利要求2所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，对判断像素点为钢水滴像素点的像素进行超像素分割，得到该钢水滴的像素块，利用该像素块确定出获取每一帧图像中所有钢水滴的位置信息。
4.根据权利要求1所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，对所述上一帧图像和当前图像中的钢水滴进行一一对应匹配的方法是：将获取当前图像中钢水滴位置信息遗忘值与明度差异值做差，根据差值判断匹配结果；所述明度差异值的表达式为：
Figure DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE024
；
式中：
Figure DEST_PATH_IMAGE026
表示第
Figure DEST_PATH_IMAGE028
帧和第
Figure 317791DEST_PATH_IMAGE010
帧图像中同一钢水滴的明度差异值；
Figure 500511DEST_PATH_IMAGE008
表示第
Figure 545827DEST_PATH_IMAGE010
帧图像中钢水滴的位置信息遗忘值，
Figure DEST_PATH_IMAGE030
为差值指标；
当
Figure DEST_PATH_IMAGE032
时，即为匹配成功，所述
Figure DEST_PATH_IMAGE034
表示容忍度。
5.根据权利要求4所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，当
Figure DEST_PATH_IMAGE036
时，利用
Figure DEST_PATH_IMAGE038
对钢水滴明度值进行更新，通过更新后的钢水滴明度值
Figure DEST_PATH_IMAGE040
重新对当前图像中的钢水滴与前一帧图像中的钢水滴进行匹配。
6.根据权利要求1所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，当判断钢包晃动时，对位置遗忘系数
Figure 779186DEST_PATH_IMAGE004
进行修正，表达式为：
Figure DEST_PATH_IMAGE042
；
式中：线速度
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE046
表示归一化操作，
Figure DEST_PATH_IMAGE048
是
Figure 390296DEST_PATH_IMAGE004
修正后的位置遗忘系数。
7.根据权利要求1所述一种用于冶金工艺的渣盒智能检测方法，其特征在于，所述渣盒的大小为落地区域大小的二倍。
CN202211245004.7A 2022-10-12 2022-10-12 一种用于冶金工艺的渣盒智能检测方法 Active CN115311445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245004.7A CN115311445B (zh) 2022-10-12 2022-10-12 一种用于冶金工艺的渣盒智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245004.7A CN115311445B (zh) 2022-10-12 2022-10-12 一种用于冶金工艺的渣盒智能检测方法

Publications (2)

Publication Number Publication Date
CN115311445A CN115311445A (zh) 2022-11-08
CN115311445B true CN115311445B (zh) 2023-03-28

Family

ID=83868404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245004.7A Active CN115311445B (zh) 2022-10-12 2022-10-12 一种用于冶金工艺的渣盒智能检测方法

Country Status (1)

Country Link
CN (1) CN115311445B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318537B (zh) * 2014-09-30 2017-07-28 中国科学院深圳先进技术研究院 大雨场景视频数据中雨滴的检测和去除方法及系统
CN106503651B (zh) * 2016-10-21 2019-09-24 上海未来伙伴机器人有限公司 一种手势图像的提取方法及系统
CN111382624B (zh) * 2018-12-28 2023-08-11 杭州海康威视数字技术股份有限公司 动作识别方法、装置、设备及可读存储介质
CN112989962B (zh) * 2021-02-24 2024-01-05 上海商汤智能科技有限公司 轨迹生成方法、装置、电子设备及存储介质
CN114022837A (zh) * 2021-10-12 2022-02-08 交控科技股份有限公司 车站遗留物品检测方法、装置、电子设备及存储介质
CN114187656A (zh) * 2021-11-30 2022-03-15 上海商汤智能科技有限公司 一种动作检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115311445A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
JP4437714B2 (ja) 車線認識画像処理装置
US8184859B2 (en) Road marking recognition apparatus and method
US7221789B2 (en) Method for processing an image captured by a camera
CN108229475B (zh) 车辆跟踪方法、系统、计算机设备及可读存储介质
WO2009088035A1 (ja) 車線認識装置、車線認識方法および車線認識プログラム
CN105046198B (zh) 一种车道检测方法
US20050015201A1 (en) Method and apparatus for detecting obstacles
CN109460754A (zh) 一种水面异物检测方法、装置、设备及存储介质
CN110879991A (zh) 一种障碍物识别方法及系统
JP2012068961A (ja) 走路推定装置及びプログラム
CN113990108A (zh) 一种船舶优化识别和实时跟踪方法及防撞预警系统
CN110751669A (zh) 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统
CN111560489A (zh) 一种转炉出钢中的台车自动走行方法和系统
CN103729828A (zh) 视频去雨方法
CN115379123A (zh) 一种用无人机巡检的变压器故障检测方法
CN110832495A (zh) 波浪识别方法、装置、计算机可读存储介质和无人飞行器
CN109558877B (zh) 基于kcf的海上目标跟踪算法
CN115311445B (zh) 一种用于冶金工艺的渣盒智能检测方法
JP2008269218A (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN105869108B (zh) 一种用于动平台移动目标侦测中的图像配准方法
CN111260538B (zh) 基于长基线双目鱼眼相机的定位及车载终端
CN115973724B (zh) 航空行李自动化调姿方法、装置、设备及介质
JP2003185419A (ja) 反り形状計測方法及び装置
CN108830884A (zh) 一种多视觉传感器协同目标跟踪方法
JP5760523B2 (ja) 走路推定装置及びプログラム

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