CN116258680A - 一种烧结皮带下料异常监测图像的处理方法 - Google Patents

一种烧结皮带下料异常监测图像的处理方法 Download PDF

Info

Publication number
CN116258680A
CN116258680A CN202310009741.5A CN202310009741A CN116258680A CN 116258680 A CN116258680 A CN 116258680A CN 202310009741 A CN202310009741 A CN 202310009741A CN 116258680 A CN116258680 A CN 116258680A
Authority
CN
China
Prior art keywords
belt
image
finished product
finished
treatment
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
Application number
CN202310009741.5A
Other languages
English (en)
Inventor
黄日清
黄学忠
韦保弹
欧小秋
刘晓文
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.)
Guangxi Beihai Zonghong Technology Development Co ltd
Original Assignee
Guangxi Beihai Zonghong Technology Development 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 Guangxi Beihai Zonghong Technology Development Co ltd filed Critical Guangxi Beihai Zonghong Technology Development Co ltd
Priority to CN202310009741.5A priority Critical patent/CN116258680A/zh
Publication of CN116258680A publication Critical patent/CN116258680A/zh
Pending 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种烧结皮带下料异常监测图像的处理方法，涉及烧结皮带加工领域，用于对烧结皮带下料过程的实时监控视频进行处理，S1：在烧结皮带下料过程中出现异常状态时，采集实时监控视频中的异常图像；S2：对所述异常图像进行预处理；S3：确认异常状态特征，并对预处理后的异常图像进行异常状态特征的提取；S4：对S3中提取的异常状态特征进行判断，并根据判断结果进行相应处理，本发明公开一种烧结皮带下料异常监测图像的处理方法，本发明的提高了烧结过程中故障检测的速度和准确率，提高了生产效率，降低了资源浪费。

Description

一种烧结皮带下料异常监测图像的处理方法
技术领域
本发明涉及烧结皮带加工领域，特别涉及一种烧结皮带下料异常监测图像的处理方法。
背景技术
烧结工艺作为钢铁冶炼过程中第一道关键工艺，其烧结流程的智能化将极大的促进钢铁行业的发展。钢铁生产过程中高炉的炉料有八成以上是烧结矿，由此可以看出，烧结生产钢铁行业中占有重要的地位，烧结矿作为钢铁冶炼的主要原料，烧结过程的安全稳定的运行对钢铁质量、产量和能耗起到至关重要的作用。
烧结后烧结矿经过环形冷却机及其后诸多皮带运输，将成品烧结矿运输至高炉中。因此当流程中发生未被及时发现或无法检测的异常时，随着流程中物流与设备间的连接，可能会引起相关参数或运行单元出现异常，从而导致整个流程出现波动。这种由于流程中任何部分或其中部件发生异常往往而引发的链式效应，将造成远比单一异常时间大而深远的危害和影响。而现在一些自动化程度不高的钢铁企业仍然采用人工巡检的方式进行生产和设备的异常排查，在一些具有一定规模自动化程度的钢铁企业已经上线了一些异常监测系统，但依旧只能定点的对单一异常进行排查，并不能运用相对简单的设备对多种异常进行排查，或是对出现的异常不能在一定程度上进行溯源，这使得操作人员面对流程中大量的异常报警信息往往难以及时做出正确的决定，从而使工业过程长时间处于非优状态，造成资源能源的浪费，以及埋下更大的安全隐患。
发明内容
本发明的目的在于提供一种烧结皮带下料异常监测图像的处理方法，实现了对烧结过程中的异常状态进行快速监测。
为了实现上述目的，本发明提供如下技术方案：一种烧结皮带下料异常监测图像的处理方法，用于对烧结皮带下料过程的实时监控视频进行处理，S1：在烧结皮带下料过程中出现异常状态时，采集实时监控视频中的异常图像；S2：对所述异常图像进行预处理；S3：确认异常状态特征，并对预处理后的异常图像进行异常状态特征的提取；S4：对S3中提取的异常状态特征进行判断，并根据判断结果进行相应处理。
进一步地，所述采集实时监控视频中的异常图像的步骤为：通过网络通讯方式与交换机通讯，通过交换机将实时监控视频转换为监控视频流信息；通过定时取帧方式将所述监控视频流信息转换为单帧可处理图像；将所述单帧可处理图像进行图像压缩，降低所述单帧可处理图像的分辨率。
进一步地，所述单帧可处理图像包括环形冷却机监控单帧可处理图像、转八皮带单帧可处理图像和成品皮带单帧可处理图像。
进一步地，对所述异常图像进行预处理包括环形冷却机监控异常图像预处理、转八皮带异常图像预处理和成品皮带异常图像预处理。
进一步地，所述环形冷却机监控异常图像预处理的步骤为：获取所述环形冷却机监控单帧可处理图像；将所述环形冷却机监控单帧可处理图像依次进行图像去雾处理、图像降噪处理、亮度调整处理、灰度化处理、直方图均衡化处理和平滑处理后得到环形冷却机打滑特征预处理图像；所述转八皮带异常图像预处理的步骤为：获取转八皮带单帧可处理图像；将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、色调直方图均衡化处理和颜色空间转化处理后得到转八皮带红矿预处理图像；将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和灰度化处理后得到转八皮带少料断料预处理图像；将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和双阈值大津法处理后得到转八皮带边缘预处理图像；将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、灰度直方圆均衡化处理和二值化处理后得到转八皮带打滑预处理图像；所述成品皮带异常图像预处理的步骤为：获取成品皮带单帧可处理图像；将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理和图像对比度增强处理后得到成品皮带异物预处理图像；将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理和灰度化处理后得到成品皮带少料断料预处理图像；将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理和双阈值大津法处理后得到成品皮带边缘预处理图像；将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理、灰度直方图均衡化处理和二值化处理后得到成品皮带打滑预处理图像。
进一步地，所述对预处理后的异常图像进行异常状态特征的提取包括皮带感兴趣区域提取、红矿特征提取、跑偏特征提取、少料断料特征提取、打滑特征提取、异物特征提取。
进一步地，所述皮带感兴趣区域提取的步骤为：对所述转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；对提取后的所述转八皮带边缘处进行跟踪；基于所述转八皮带边缘，通过感兴趣区域提取法形成转八皮带感兴趣区域；对所述成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；对提取后的所述成品皮带边缘处进行跟踪；基于所述成品皮带边缘，通过感兴趣区域提取法形成成品皮带感兴趣区域；所述红矿特征提取的步骤为：提取若干所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域；对若干所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域进行红矿识别，并计算出每个所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域的红矿的面积，其中，所述若干所述转八皮带红矿预处理图像在时间上是连续的；基于每个所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域的红矿的面积变化情况计算出相应时间内的红矿的生产量；基于所述单位时间内红矿的生产量确定所述红矿的量级；所述跑偏特征提取的步骤为：对所述转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；对提取后的所述转八皮带边缘处进行跟踪，并确定转所述八皮带边缘位置；对所述转八皮带边缘预处理图像中的转八皮带架边缘进行识别和提取；对提取后的所述转八皮带架边缘处进行跟踪，并确定所述转八皮带架边缘位置；对所述成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；对提取后的所述成品皮带边缘处进行跟踪，并确定所述成品皮带边缘位置；对所述成品皮带边缘预处理图像中的成品皮带架边缘进行识别和提取；对提取后的所述成品皮带架边缘处进行跟踪，并确定所述成品皮带架边缘位置；所述少料断料特征提取的步骤为：提取所述转八皮带少料断料预处理图像中的所述转八皮带感兴趣区域；对所述转八皮带少料断料预处理图像中的所述转八皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；确认转八皮带上的矿料的实际宽度；获取转八皮带实际过程中的物理模型，并基于所述转八皮带实际过程中的物理模型对转八皮带表面矿料流量进行识别；提取所述成品皮带少料断料预处理图像中的所述成品皮带感兴趣区域；对所述成品皮带少料断料预处理图像中的所述成品皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；确认成品皮带上的矿料的实际宽度；获取成品皮带实际过程中的物理模型，并基于所述成品皮带实际过程中的物理模型对成品皮带表面矿料流量进行识别。
进一步地，对S3中提取的异常状态特征进行判断包括：红矿异常综合判断、跑偏异常综合判断、少料断料异常综合判断、和异物异常综合判断。
进一步地，所述红矿异常综合判断的步骤为：基于所述相应时间内的红矿的生产量判断红矿生产状况；所述跑偏异常综合判断的步骤为：通过所述转八皮带架边缘位置和所述成品皮带边缘位置，确定转八皮带异常偏移量；对若干个时间上连续的所述转八皮带偏移量进行统计和分析，判断转八皮带的跑偏状态；通过所述成品皮带架边缘位置和所述成品皮带边缘位置，确定成品皮带异常偏移量；对若干个时间上连续的所述成品皮带偏移量进行统计和分析，判断成品皮带的跑偏状态；所述少料断料异常综合判断的步骤为：获取环形冷却机台车的启停信息、转八皮带的启停信息、转八皮带的物理信息、成品皮带的物理信息、成品皮带的换位信息和成品皮带的启停信息；通过所述转八皮带表面矿料流量、所述环形冷却机台车的启停信息、所述转八皮带的启停信息和所述转八皮带的物理信息，确认所述转八皮带是否处于少料断料状态；通过转八皮带的少料断料状态、所述成品皮带的物理信息、所述成品皮带的换位信息和成品皮带的启停信息，确认所述成品皮带是否处于少料断料状态；所述打滑异常综合判断的步骤为：通过所述转八皮带打滑识别特征识别所述转八皮带的打滑状态；通过所述成品皮带打滑识别特征识别所述成品皮带的打滑状态；通过所述环形冷却机的移动速度识别所述环形冷却机的打滑状态；所述异物异常综合判断的步骤为：通过所述转八皮带上处于矿料上方的异物图像的轮廓信息对所述转八皮带上的异物进行识别和分类；通过所述成品皮带上处于矿料上方的异物图像的轮廓信息对所述成品皮带上的异物进行识别和分类。进一步地，所述打滑特征提取的步骤为：对若干所述环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘进行识别；基于若干所述环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘的移动情况，确定所述环形冷却机的移动速度；提取所述转八皮带打滑预处理图像中的所述转八皮带感兴趣区域；通过帧差法对所述转八皮带打滑预处理图像中的所述转八皮带感兴趣区域的矿面移动情况进行分析，并得到转八皮带打滑识别特征；提取所述成品皮带打滑预处理图像中的所述成品皮带感兴趣区域；通过帧差法对所述成品皮带打滑预处理图像中的所述成品皮带感兴趣区域的矿面移动情况进行分析，并得到成品皮带打滑识别特征；其中，若干所述环形冷却机打滑特征预处理图像在时间上是连续的，若干所述转八皮带打滑预处理图像在时间上是连续的，若干所述成品皮带打滑预处理图像在时间上是连续的；所述异物特征提取的步骤为：提取若干所述转八皮带异物预处理图像中的所述转八皮带感兴趣区域；通过对若干所述转八皮带异物预处理图像中的所述转八皮带感兴趣区域进行异物关键帧识别，将所述转八皮带上处于矿料上方的异物图像与矿料面进行分割；通过边缘检测与连通区域轮廓提取的方法提取出所述转八皮带上处于矿料上方的异物图像的轮廓信息；对所述转八皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处所述转八皮带上的异物位置；提取若干所述成品皮带异物预处理图像中的所述成品皮带感兴趣区域；通过卷积神经网络和多尺度异物检测对若干所述成品皮带异物预处理图像中的所述成品皮带感兴趣区域进行异物关键帧识别，将所述成品皮带上处于矿料上方的异物图像与矿料面进行分割；通过边缘检测与连通区域轮廓提取的方法提取出所述成品皮带上处于矿料上方的异物图像的异物轮廓信息；对所述成品皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处所述成品皮带上的异物位置。
分析可知，本发明公开一种烧结皮带下料异常监测图像的处理方法，本发明的提高了烧结过程中故障检测的速度和准确率，提高了生产效率，降低了资源浪费。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：
图1本发明一个实施例的一种烧结皮带下料异常监测图像的处理方法的流程图。
图2本发明一个实施例的一种烧结皮带下料异常监测图像的处理方法的环冷机图像预处理流程图。
图3本发明一个实施例的一种烧结皮带下料异常监测图像的处理方法的转八皮带图像预处理流程图。
图4本发明一个实施例的一种烧结皮带下料异常监测图像的处理方法的成品皮带图像预处理流程图
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在本发明的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”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而不是要求本发明必须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。本发明中使用的术语“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连；可以是有线电连接、无线电连接，也可以是无线通信信号连接，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
所附附图中示出了本发明的一个或多个示例。详细描述使用了数字和字母标记来指代附图中的特征。附图和描述中的相似或类似标记的已经用于指代本发明的相似或类似的部分。如本文所用的那样，用语“第一”、“第二”、“第三”以及“第四”可互换地使用，以将一个构件与另一个区分开，且不旨在表示单独构件的位置或重要性。
如图1至图4所示，根据本发明的实施例，提供了一种烧结皮带下料异常监测图像的处理方法，用于对烧结皮带下料过程的实时监控视频进行处理，
S1：在烧结皮带下料过程中出现异常状态时，采集实时监控视频中的异常图像；
S2：对异常图像进行预处理；
S3：确认异常状态特征，并对预处理后的异常图像进行异常状态特征的提取；
S4：对S3中提取的异常状态特征进行判断，并根据判断结果进行相应处理。
采集实时监控视频中的异常图像，其主要针对双线六点监控点位所采集的烧结皮带异常下料图像进行一系列预处理，其中双线六点监控点位能够监测环形冷却机、转八皮带你和成品皮带处的工作情况，其中包含定时提取帧图像、图像压缩、图像去雾、降噪、增强等，包含皮带边缘提取、感兴趣区域(ROI)提取、异物关键帧提取、矿料纹理特征提取等。对预处理后的异常图像进行异常状态特征的提取，其主要针对烧结机理、设备物理模型、设备控制信息中与异常发生、异常判断有关的过程变量、控制变量等参数的筛选与提取。对S3中提取的异常状态特征进行判断，其主要是将S1中所提取到的异常特征与第二部分所选取的异常相关过程表变量进行融合，设置一系列具有因果性的信息融合模块，对异常的发生进行综合判断，减少异常误报率与漏报率，并且通过人机交互方式，包含声光报警、弹窗提示、确认修正等，为总控制室监控人员进行及时的异常提示，然后将所发生的异常记录到异常报警数据库中，进行一个长久的历史记录的管理和保存。
优选地，采集实时监控视频中的异常图像的步骤为：
通过网络通讯方式与交换机通讯，通过交换机将实时监控视频转换为监控视频流信息；
通过定时取帧方式将监控视频流信息转换为单帧可处理图像；
将单帧可处理图像进行图像压缩，降低单帧可处理图像的分辨率。
烧结工作现场采用海康威视DS-2CD6626B-IZHS型摄像头作为异常监测摄像头，并进行烧结皮带下料异常监测并拍摄实时监控视频，该摄像头拍摄视频分辨率为1920*1080，帧率为30帧/秒，采用网络通讯方式与交换机通讯。所以异常监测时需先实现与交换机通讯协议，将异常监测摄像头采集的实时监控视频转换为系统所处理的监控视频流信息。
依据异常监测摄像头的视频拍摄帧率、系统异常识别与处理周期及异常发生时在监测视频中存在的时间，采用定时取帧方式将监控视频流信息转换为单帧可处理图像，其取帧周期为200ms。为减小系统处理的数据量，减小系统异常识别与处理周期，采用图像压缩的方式将原1920*1080的图像转换为1280*720或560*282，从而得到用于图像预处理的单帧异常监测图像
优选地，单帧可处理图像包括环形冷却机监控单帧可处理图像、转八皮带单帧可处理图像和成品皮带单帧可处理图像，因为烧结矿料运输线为高污染环境，其环境恶劣、干扰大，所以针对不同的环境需采取不同的图像预处理策略以达到图像预处理最优效果。
优选地，对异常图像进行预处理包括环形冷却机监控异常图像预处理、转八皮带异常图像预处理和成品皮带异常图像预处理。
优选地，环形冷却机监控异常图像预处理的步骤为：
获取环形冷却机监控单帧可处理图像；
将环形冷却机监控单帧可处理图像依次进行图像去雾处理、图像降噪处理、亮度调整处理、灰度化处理、直方图均衡化处理和平滑处理后得到环形冷却机打滑特征预处理图像。
环形冷却机异常监测摄像头被安置在环形冷却机外体钢架上，用于拍摄环形冷却机侧面，以检测台车运动情况。其所处的环境为室外开阔环境，所拍摄图像中包含扬尘、热空气流动、水雾、室外光照变化、环形冷却机外体钢架阴影等环境干扰。
针对以上环境干扰，首先对环形冷却机监控单帧可处理图像进行图像去雾处理，使之去除水雾等对图像的干扰。而扬尘等工厂环境下漂浮在空气中的细小颗粒物质是一种常见的椒盐噪声，采用图像降噪处理可将之较好的去除。亮度调节方面，为了减小室外光照变化及环形冷却机外体钢架阴影所带来的干扰，采用动态亮度调整方式对图像明暗程度进行调节。
因为环形冷却机异常特征与图像颜色无关，所以图像进行灰度化，减少图像处理过程中处理的数据量，加快异常识别速度。然后采用灰度直方图均衡化的方式，增加图像对比度，凸显异常特征。为减小直方图均衡化后无关特征的加强，采用平滑处理的方式，减弱无关特征的干扰，使之得到最终的可用于识别环形冷却机打滑特征的环形冷却机打滑特征预处理图像。
转八皮带异常图像预处理的步骤为：
获取转八皮带单帧可处理图像；
将转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、色调直方图均衡化处理和颜色空间转化处理后得到转八皮带红矿预处理图像；
将转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和灰度化处理后得到转八皮带少料断料预处理图像；
将转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和双阈值大津法处理后得到转八皮带边缘预处理图像；
将转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、灰度直方圆均衡化处理和二值化处理后得到转八皮带打滑预处理图像；
转八皮带异常检测摄像头位于转八皮带正上方，用于拍摄转八皮带运输矿面，主要监测的异常为红矿、跑偏、少料、断料以及打滑。其所处的环境为室内半封闭环境，由于转八皮带是环形冷却机后第一条皮带，其运输的矿料依旧处于高温状态，所以其环境有水雾、烟雾、扬尘、热空气流动、暗光线等干扰。
针对该处特殊环境，需针对不同异常提取特征的不同制定不同的图像预处理方案。对于红矿异常，需要保留其颜色特征，并且减少发光发热矿料的红色光晕影响，在进行图像去雾及降噪的同时，进行色调直方图均衡化，以达到增强颜色对比度的效果。并且将原图像进行颜色空间转换，由原来的RGB图像转换为HSV图像，以方便提取红矿区域特征。对于打滑异常，皮带打滑与环形冷却机打滑所提取的特征不同，其利用的是不同帧图像间的差别来判定皮带运动情况，可利用二值化方法将灰度图像转化为二值图像，达到进一步减小算法运算量，加快异常识别速度的目的。也可利用双阈值大津法，将灰度图像转化为三值图像，即可保留图像有效的识别信息，又可以减小运算量，并达到降低非主要因素干扰的目的，利于图像边缘提取。
成品皮带异常图像预处理的步骤为：
获取成品皮带单帧可处理图像；
将成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理和图像对比度增强处理后得到成品皮带异物预处理图像；
将成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理和灰度化处理后得到成品皮带少料断料预处理图像；
将成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理和双阈值大津法处理后得到成品皮带边缘预处理图像；
将成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理、灰度直方图均衡化处理和二值化处理后得到成品皮带打滑预处理图像。
成品皮带异常监测摄像头位于皮带正上方，用于拍摄成品皮带运输矿面，其主要监测的异常为跑偏、少料、断料、打滑以及异物。其所处的环境为室内半敞开环境，由于成品皮带为最末段皮带，其运输矿料已基本冷却，不会出现高温矿料，所以其主要环境干扰为扬尘、外界光照变化等。
针对该处环境干扰，通过图像降噪方式去除扬尘的干扰，通过亮度调整及对比度增强的方式，抑制外界光照变化的干扰。
优选地，对预处理后的异常图像进行异常状态特征的提取包括皮带感兴趣区域提取、红矿特征提取、跑偏特征提取、少料断料特征提取、打滑特征提取、异物特征提取。
优选地，皮带感兴趣区域提取的步骤为：
对转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；
对提取后的转八皮带边缘处进行跟踪；
基于转八皮带边缘，通过感兴趣区域提取法形成转八皮带感兴趣区域；
对成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；
对提取后的成品皮带边缘处进行跟踪；
基于成品皮带边缘，通过感兴趣区域提取法形成成品皮带感兴趣区域；
在异常图像中，系统监测的异常主要发生在的转八皮带或者成品皮带上，所以系统只需要针对运行的转八皮带或者成品皮带所在区域提取异常特征，其他区域图像既可以忽视，这种只处理某一个特殊部分图像信息的方式，称为图像感兴趣区域(ROI)提取。
对于的转八皮带或者成品皮带ROI区域提取，首先需要精确识别出转八皮带或者成品皮带的边缘信息，再根据转八皮带或者成品皮带的边缘划分出转八皮带或者成品皮带的ROI区域。针对图像预处理后的转八皮带边缘预处理图像或成品皮带边缘预处理图像，首先对转八皮带边缘预处理图像或成品皮带边缘预处理图像进行图像边缘提取，该处利用Sobel算子进行转八皮带或者成品皮带的边缘提取，因为转八皮带或者成品皮带的边缘为一对特定方向的直线，Sobel算子能够强化一个方向的边缘特征，弱化其他方向的边缘特征，起到了即提取特征又减小干扰的目的。对Sobel算子处理后的图像利用Hough直线检测识别出其中的转八皮带或者成品皮带的边缘，并且设置皮带边缘跟踪算子，保证转八皮带或者成品皮带的边缘识别的稳定性。确定转八皮带或者成品皮带的边缘后，利用ROI提取方法形成转八皮带或者成品皮带的ROI区域。
红矿特征提取的步骤为：
提取若干转八皮带红矿预处理图像中的转八皮带感兴趣区域；
对若干转八皮带红矿预处理图像中的转八皮带感兴趣区域进行红矿识别，并计算出每个转八皮带红矿预处理图像中的转八皮带感兴趣区域的红矿的面积，其中，若干转八皮带红矿预处理图像在时间上是连续的；
基于每个转八皮带红矿预处理图像中的转八皮带感兴趣区域的红矿的面积变化情况计算出相应时间内的红矿的生产量；
基于单位时间内红矿的生产量确定红矿的量级；
转八皮带红矿预处理图像是经由颜色空间转换后得到的HSV颜色空间图像，对其提取合适的皮带感兴趣(ROI)区域后，可通过颜色分割的方法提取转八皮带红矿预处理图像中的红矿区域，然后针对红矿区域进行红矿识别，并且计算出红矿面积。根据连续多帧转八皮带红矿预处理图像中红矿面积的变化，计算出一段时间内红矿的产生量，从而划分红矿量级。
跑偏特征提取的步骤为：
对转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；
对提取后的转八皮带边缘处进行跟踪，并确定转八皮带边缘位置；
对转八皮带边缘预处理图像中的转八皮带架边缘进行识别和提取；
对提取后的转八皮带架边缘处进行跟踪，并确定转八皮带架边缘位置；
对成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；
对提取后的成品皮带边缘处进行跟踪，并确定成品皮带边缘位置；
对成品皮带边缘预处理图像中的成品皮带架边缘进行识别和提取；
对提取后的成品皮带架边缘处进行跟踪，并确定成品皮带架边缘位置；
跑偏异常的识别是通过判断皮带边缘与皮带架边缘偏移量的大小来判定的，所以针对边缘提取图像进行边缘检测，采用Sobel算子提取皮带边缘，利用Hough直线检测识别皮带边缘，设置皮带边缘跟踪算子，保证皮带边缘识别的稳定性。再采用Canny算子提取皮带架边缘，并利用其边缘特性划分出皮带架边缘识别线。
少料断料特征提取的步骤为：
提取转八皮带少料断料预处理图像中的转八皮带感兴趣区域；
对转八皮带少料断料预处理图像中的转八皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；
确认转八皮带上的矿料的实际宽度；
获取转八皮带实际过程中的物理模型，并基于转八皮带实际过程中的物理模型对转八皮带表面矿料流量进行识别；
提取成品皮带少料断料预处理图像中的成品皮带感兴趣区域；
对成品皮带少料断料预处理图像中的成品皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；
确认成品皮带上的矿料的实际宽度；
获取成品皮带实际过程中的物理模型，并基于成品皮带实际过程中的物理模型对成品皮带表面矿料流量进行识别；
少料断料特征是针对进行皮带ROI区域提取后的成品皮带少料断料预处理图像或转八皮带少料断料预处理图像利用灰度共生矩阵分析其成品皮带或转八皮带的表面的纹理信息，通过分析成品皮带或转八皮带的表面纹理疏密程度的变化，对成品皮带或转八皮带的表面实际矿料宽度进行识别，通过成品皮带或转八皮带运行过程中的物理模型分析，进一步对成品皮带或转八皮带的表面矿料流量进行识别。
打滑特征提取的步骤为：
对若干环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘进行识别；
基于若干环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘的移动情况，确定环形冷却机的移动速度；
提取转八皮带打滑预处理图像中的转八皮带感兴趣区域；
通过帧差法对转八皮带打滑预处理图像中的转八皮带感兴趣区域的矿面移动情况进行分析，并得到转八皮带打滑识别特征；
提取成品皮带打滑预处理图像中的成品皮带感兴趣区域；
通过帧差法对成品皮带打滑预处理图像中的成品皮带感兴趣区域的矿面移动情况进行分析，并得到成品皮带打滑识别特征；
其中，若干环形冷却机打滑特征预处理图像在时间上是连续的，若干转八皮带打滑预处理图像在时间上是连续的，若干成品皮带打滑预处理图像在时间上是连续的；
对于环形冷却机、转八皮带和下料皮带均需要检测其打滑异常。对于环形冷却机，利用边缘检测与Hough直线提取的方法，识别并提取出环形冷却机打滑提取图像中的环形冷却机隔板边缘，通过分析连续多帧内隔板边缘的移动情况，计算出环形冷却机的隔板移动速度。对于转八皮带和成品皮带，首先提取出转八皮带感兴趣区域和成品皮带感兴趣区域，采用帧差法分析连续多帧内转八皮带和成品皮带的矿面移动情况，从而得到其转八皮带或成品皮带的打滑识别特征。
异物特征提取的步骤为：
提取若干转八皮带异物预处理图像中的转八皮带感兴趣区域；
通过对若干转八皮带异物预处理图像中的转八皮带感兴趣区域进行异物关键帧识别，将转八皮带上处于矿料上方的异物图像与矿料面进行分割；
通过边缘检测与连通区域轮廓提取的方法提取出转八皮带上处于矿料上方的异物图像的轮廓信息；
对转八皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处转八皮带上的异物位置；
提取若干成品皮带异物预处理图像中的成品皮带感兴趣区域；
通过卷积神经网络和多尺度异物检测对若干成品皮带异物预处理图像中的成品皮带感兴趣区域进行异物关键帧识别，将成品皮带上处于矿料上方的异物图像与矿料面进行分割；
通过边缘检测与连通区域轮廓提取的方法提取出成品皮带上处于矿料上方的异物图像的异物轮廓信息；同时进行多边形拟合，通过包围异物的最小外接矩形框定出异物位置。
对成品皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处成品皮带上的异物位置。
优选地，对S3中提取的异常状态特征进行判断包括：红矿异常综合判断、跑偏异常综合判断、少料断料异常综合判断、和异物异常综合判断。
优选地，红矿异常综合判断的步骤为：
基于相应时间内的红矿的生产量判断红矿生产状况；
红矿是一种经由环形冷却机冷却后依旧保持在红热状态甚至是燃烧状态的烧结矿，红矿异常的发生不仅与环形冷却机转速有关，还与烧结状态甚至是配料参数有关。红矿发生的频率能够在一定程度上反应烧结过程参数调节的优劣。
对于红矿异常的识别，是为了防止在皮带上运输时过多高温高热的红矿造成皮带损坏，从而降低皮带的使用寿命。所以针对单一皮带的红矿异常识别，主要针对的是一段时间内转八皮带运输矿料中红矿的含量进行识别的，通过首先识别出单帧图像中红矿的面积，然后进行一段时间内连续多帧图像中红矿含量的统计，从而对实际矿料中红矿的含量进行分析，判定是否为发生了红矿异常。
跑偏异常综合判断的步骤为：
通过转八皮带架边缘位置和成品皮带边缘位置，确定转八皮带异常偏移量；
对若干个时间上连续的转八皮带偏移量进行统计和分析，判断转八皮带的跑偏状态；
通过成品皮带架边缘位置和成品皮带边缘位置，确定成品皮带异常偏移量；
对若干个时间上连续的成品皮带偏移量进行统计和分析，判断成品皮带的跑偏状态；
跑偏异常发生在转八皮带和成品皮带老化变形或是转八皮带和成品皮带安装时位置未完全校正的状态下，跑偏异常将导致转八皮带和成品皮带运行时转八皮带和成品皮带边缘与下料口发生摩擦，从而导致转八皮带和成品皮带边缘受损，减少转八皮带和成品皮带使用寿命。
对转八皮带和成品皮带跑偏的检测主要是依据所提取的转八皮带和成品皮带架边缘特征确定跑偏异常判断边界，然后针对运行中的转八皮带和成品皮带实时检测出转八皮带和成品皮带边缘位置，从而确定出跑偏异常判断边界与转八皮带和成品皮带边缘间的偏移量。由于烧结厂现场转八皮带和成品皮带长度过长，单一检测点位的偏移量并不一定能反应转八皮带和成品皮带整体跑偏情况，但是转八皮带和成品皮带各处的偏移量间有一定的相关性，所以对一段时间内的偏移量进行统计，并对统计的数据进行有效的分析，从而对跑偏异常进行判定。
少料断料异常综合判断的步骤为：
获取环形冷却机台车的启停信息、转八皮带的启停信息、转八皮带的物理信息、成品皮带的物理信息、成品皮带的换位信息和成品皮带的启停信息；
通过转八皮带表面矿料流量、环形冷却机台车的启停信息、转八皮带的启停信息和转八皮带的物理信息，确认转八皮带是否处于少料断料状态；
通过转八皮带的少料断料状态、成品皮带的物理信息、成品皮带的换位信息和成品皮带的启停信息，确认成品皮带是否处于少料断料状态；
少料及断料异常是一种与前序工序及设备控制信息息息相关的异常情况，检测单一皮带(转八皮带或成品皮带)上矿料流量的变化并不一定能精确的识别出少料及断料异常的发生。
针对转八皮带少料及断料异常的判断需要环形冷却机及转八皮带启停信息等设备控制信息和转八皮带长度、转八皮带运行速度等设备物理信息，再结合对检测图像分析后所得到的转八皮带上物料流量信息进行综合分析，对多输入信息建立综合判断机制，从而判定转八皮带少料断料异常。而对于成品皮带更是要将皮带换位信息、成品皮带控制信息及转八皮带少料断料情况和所得到的成品皮带物料流量情况相结合，从而判定成品皮带少料断料异常。
打滑异常综合判断的步骤为：
通过转八皮带打滑识别特征识别转八皮带的打滑状态；
通过成品皮带打滑识别特征识别成品皮带的打滑状态；
通过环形冷却机的移动速度识别环形冷却机的打滑状态；
环形冷却机台车或皮带(转八皮带或成品皮带)打滑异常常发生在其被雨水湿润后，环形冷却机台车或皮带(转八皮带或成品皮带)与主动轮间摩擦系数减小的情况，以及环形冷却机台车或皮带(转八皮带或成品皮带)负载过重，其与主动轮间的摩擦力小于带动所需的拉力的情况。环形冷却机台车或皮带转八皮带或成品皮带)发生打滑时，其与主动轮间由静摩擦变为动摩擦，主动轮所受摩擦力减小，而电机电压不变时，电机转速升高。在监控图像中的表现为环形冷却机台车或皮带(转八皮带或成品皮带)出现掉速甚至停止运行的情况。
结合环形冷却机电机及皮带(转八皮带或成品皮带)电机电压信息和转速信息以及由监控图像分析所得到的环形冷却机台车运行速度情况或皮带(转八皮带或成品皮带)运行情况综合分析，从而判定环冷或皮带的打滑异常。
异物异常综合判断的步骤为：
通过转八皮带上处于矿料上方的异物图像的轮廓信息对转八皮带上的异物进行识别和分类；
通过成品皮带上处于矿料上方的异物图像的轮廓信息对成品皮带上的异物进行识别和分类。
转八皮带和成品皮带上存在的非烧结矿异物主要可以分为两大类，即需排除异物及无关异物。需排除异物包含可能引起下料口堵料的钢板、较大体积石块等，以及可能引起转八皮带和成品皮带损伤的钢条、炉篦条等。异物异常识别主要是针对需排除类异物进行报警，在通过卷积神经网络提取到异物关键帧图像后，采用图像分割和轮廓提取的方式，提取关键帧图像中的异物轮廓，并且识别出异物体积。通过对所识别出的异物进行分类，判定是否进行异物异常报警。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种烧结皮带下料异常监测图像的处理方法，用于对烧结皮带下料过程的实时监控视频进行处理，其特征在于，
S1：在烧结皮带下料过程中出现异常状态时，采集实时监控视频中的异常图像；
S2：对所述异常图像进行预处理；
S3：确认异常状态特征，并对预处理后的异常图像进行异常状态特征的提取；
S4：对S3中提取的异常状态特征进行判断，并根据判断结果进行相应处理。
2.根据权利要求1所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述采集实时监控视频中的异常图像的步骤为：
通过网络通讯方式与交换机通讯，通过交换机将实时监控视频转换为监控视频流信息；
通过定时取帧方式将所述监控视频流信息转换为单帧可处理图像；
将所述单帧可处理图像进行图像压缩，降低所述单帧可处理图像的分辨率。
3.根据权利要求2所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述单帧可处理图像包括环形冷却机监控单帧可处理图像、转八皮带单帧可处理图像和成品皮带单帧可处理图像。
4.根据权利要求3所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，对所述异常图像进行预处理包括环形冷却机监控异常图像预处理、转八皮带异常图像预处理和成品皮带异常图像预处理。
5.根据权利要求4所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述环形冷却机监控异常图像预处理的步骤为：
获取所述环形冷却机监控单帧可处理图像；
将所述环形冷却机监控单帧可处理图像依次进行图像去雾处理、图像降噪处理、亮度调整处理、灰度化处理、直方图均衡化处理和平滑处理后得到环形冷却机打滑特征预处理图像；
所述转八皮带异常图像预处理的步骤为：
获取转八皮带单帧可处理图像；
将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、色调直方图均衡化处理和颜色空间转化处理后得到转八皮带红矿预处理图像；
将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和灰度化处理后得到转八皮带少料断料预处理图像；
将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理和双阈值大津法处理后得到转八皮带边缘预处理图像；
将所述转八皮带单帧可处理图像依次进行图像去雾处理、图像降噪处理、灰度直方圆均衡化处理和二值化处理后得到转八皮带打滑预处理图像；
所述成品皮带异常图像预处理的步骤为：
获取成品皮带单帧可处理图像；
将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理和图像对比度增强处理后得到成品皮带异物预处理图像；
将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理和灰度化处理后得到成品皮带少料断料预处理图像；
将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理和双阈值大津法处理后得到成品皮带边缘预处理图像；
将所述成品皮带单帧可处理图像依次进行图像降噪处理、图像亮度调整处理、图像对比度增强处理、灰度化处理、灰度直方图均衡化处理和二值化处理后得到成品皮带打滑预处理图像。
6.根据权利要求5所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述对预处理后的异常图像进行异常状态特征的提取包括皮带感兴趣区域提取、红矿特征提取、跑偏特征提取、少料断料特征提取、打滑特征提取、异物特征提取。
7.根据权利要求1所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述皮带感兴趣区域提取的步骤为：
对所述转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；
对提取后的所述转八皮带边缘处进行跟踪；
基于所述转八皮带边缘，通过感兴趣区域提取法形成转八皮带感兴趣区域；
对所述成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；
对提取后的所述成品皮带边缘处进行跟踪；
基于所述成品皮带边缘，通过感兴趣区域提取法形成成品皮带感兴趣区域；
所述红矿特征提取的步骤为：
提取若干所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域；
对若干所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域进行红矿识别，并计算出每个所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域的红矿的面积，其中，所述若干所述转八皮带红矿预处理图像在时间上是连续的；
基于每个所述转八皮带红矿预处理图像中的所述转八皮带感兴趣区域的红矿的面积变化情况计算出相应时间内的红矿的生产量；
基于所述单位时间内红矿的生产量确定所述红矿的量级；
所述跑偏特征提取的步骤为：
对所述转八皮带边缘预处理图像中的转八皮带边缘进行识别和提取；
对提取后的所述转八皮带边缘处进行跟踪，并确定转所述八皮带边缘位置；
对所述转八皮带边缘预处理图像中的转八皮带架边缘进行识别和提取；
对提取后的所述转八皮带架边缘处进行跟踪，并确定所述转八皮带架边缘位置；
对所述成品皮带边缘预处理图像中的成品皮带边缘进行识别和提取；
对提取后的所述成品皮带边缘处进行跟踪，并确定所述成品皮带边缘位置；
对所述成品皮带边缘预处理图像中的成品皮带架边缘进行识别和提取；
对提取后的所述成品皮带架边缘处进行跟踪，并确定所述成品皮带架边缘位置；
所述少料断料特征提取的步骤为：
提取所述转八皮带少料断料预处理图像中的所述转八皮带感兴趣区域；
对所述转八皮带少料断料预处理图像中的所述转八皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；
确认转八皮带上的矿料的实际宽度；
获取转八皮带实际过程中的物理模型，并基于所述转八皮带实际过程中的物理模型对转八皮带表面矿料流量进行识别；
提取所述成品皮带少料断料预处理图像中的所述成品皮带感兴趣区域；
对所述成品皮带少料断料预处理图像中的所述成品皮带感兴趣区域的裸露皮带纹理和矿面纹理进行分析；
确认成品皮带上的矿料的实际宽度；
获取成品皮带实际过程中的物理模型，并基于所述成品皮带实际过程中的物理模型对成品皮带表面矿料流量进行识别。
8.根据权利要求7所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，对S3中提取的异常状态特征进行判断包括：红矿异常综合判断、跑偏异常综合判断、少料断料异常综合判断、和异物异常综合判断。
9.根据权利要求8所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，
所述红矿异常综合判断的步骤为：
基于所述相应时间内的红矿的生产量判断红矿生产状况；
所述跑偏异常综合判断的步骤为：
通过所述转八皮带架边缘位置和所述成品皮带边缘位置，确定转八皮带异常偏移量；
对若干个时间上连续的所述转八皮带偏移量进行统计和分析，判断转八皮带的跑偏状态；
通过所述成品皮带架边缘位置和所述成品皮带边缘位置，确定成品皮带异常偏移量；
对若干个时间上连续的所述成品皮带偏移量进行统计和分析，判断成品皮带的跑偏状态；
所述少料断料异常综合判断的步骤为：
获取环形冷却机台车的启停信息、转八皮带的启停信息、转八皮带的物理信息、成品皮带的物理信息、成品皮带的换位信息和成品皮带的启停信息；
通过所述转八皮带表面矿料流量、所述环形冷却机台车的启停信息、所述转八皮带的启停信息和所述转八皮带的物理信息，确认所述转八皮带是否处于少料断料状态；
通过转八皮带的少料断料状态、所述成品皮带的物理信息、所述成品皮带的换位信息和成品皮带的启停信息，确认所述成品皮带是否处于少料断料状态；
所述打滑异常综合判断的步骤为：
通过所述转八皮带打滑识别特征识别所述转八皮带的打滑状态；
通过所述成品皮带打滑识别特征识别所述成品皮带的打滑状态；
通过所述环形冷却机的移动速度识别所述环形冷却机的打滑状态；
所述异物异常综合判断的步骤为：
通过所述转八皮带上处于矿料上方的异物图像的轮廓信息对所述转八皮带上的异物进行识别和分类；
通过所述成品皮带上处于矿料上方的异物图像的轮廓信息对所述成品皮带上的异物进行识别和分类。
10.根据权利要求7所述的一种烧结皮带下料异常监测图像的处理方法，其特征在于，所述打滑特征提取的步骤为：
对若干所述环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘进行识别；
基于若干所述环形冷却机打滑特征预处理图像中的环形冷却机隔板边缘的移动情况，确定所述环形冷却机的移动速度；
提取所述转八皮带打滑预处理图像中的所述转八皮带感兴趣区域；
通过帧差法对所述转八皮带打滑预处理图像中的所述转八皮带感兴趣区域的矿面移动情况进行分析，并得到转八皮带打滑识别特征；
提取所述成品皮带打滑预处理图像中的所述成品皮带感兴趣区域；
通过帧差法对所述成品皮带打滑预处理图像中的所述成品皮带感兴趣区域的矿面移动情况进行分析，并得到成品皮带打滑识别特征；
其中，若干所述环形冷却机打滑特征预处理图像在时间上是连续的，若干所述转八皮带打滑预处理图像在时间上是连续的，若干所述成品皮带打滑预处理图像在时间上是连续的；
所述异物特征提取的步骤为：
提取若干所述转八皮带异物预处理图像中的所述转八皮带感兴趣区域；
通过对若干所述转八皮带异物预处理图像中的所述转八皮带感兴趣区域进行异物关键帧识别，将所述转八皮带上处于矿料上方的异物图像与矿料面进行分割；
通过边缘检测与连通区域轮廓提取的方法提取出所述转八皮带上处于矿料上方的异物图像的轮廓信息；
对所述转八皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处所述转八皮带上的异物位置；
提取若干所述成品皮带异物预处理图像中的所述成品皮带感兴趣区域；
通过卷积神经网络和多尺度异物检测对若干所述成品皮带异物预处理图像中的所述成品皮带感兴趣区域进行异物关键帧识别，将所述成品皮带上处于矿料上方的异物图像与矿料面进行分割；
通过边缘检测与连通区域轮廓提取的方法提取出所述成品皮带上处于矿料上方的异物图像的异物轮廓信息；
对所述成品皮带上处于矿料上方的异物图像的轮廓信息进行多边形拟合，并定位处所述成品皮带上的异物位置。
CN202310009741.5A 2023-01-04 2023-01-04 一种烧结皮带下料异常监测图像的处理方法 Pending CN116258680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310009741.5A CN116258680A (zh) 2023-01-04 2023-01-04 一种烧结皮带下料异常监测图像的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310009741.5A CN116258680A (zh) 2023-01-04 2023-01-04 一种烧结皮带下料异常监测图像的处理方法

Publications (1)

Publication Number Publication Date
CN116258680A true CN116258680A (zh) 2023-06-13

Family

ID=86681854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310009741.5A Pending CN116258680A (zh) 2023-01-04 2023-01-04 一种烧结皮带下料异常监测图像的处理方法

Country Status (1)

Country Link
CN (1) CN116258680A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116573366A (zh) * 2023-07-07 2023-08-11 江西小马机器人有限公司 基于视觉的皮带跑偏检测方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116573366A (zh) * 2023-07-07 2023-08-11 江西小马机器人有限公司 基于视觉的皮带跑偏检测方法、系统、设备及存储介质
CN116573366B (zh) * 2023-07-07 2023-11-21 江西小马机器人有限公司 基于视觉的皮带跑偏检测方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110015553B (zh) 基于视频分析的运输皮带系统异物检测保护方法
CN113962997B (zh) 基于图像处理的带钢边裂缺陷检测方法及系统
CN110057198B (zh) 烧结机台车轮工作状态检测方法及检测装置
CN116258680A (zh) 一种烧结皮带下料异常监测图像的处理方法
CN113034480B (zh) 一种基于人工智能及图像处理的高炉损坏分析方法
CN110519566B (zh) 一种基于视频处理的皮带运动状态监测方法
CN112330653B (zh) 一种基于图像识别技术的矿石粒度在线检测方法
CN114140733A (zh) 一种基于视频的皮带运行状态检测方法
CN111573200B (zh) 一种井下皮带转接处堵塞的视觉检测系统及检测方法
CN113177605A (zh) 一种基于视频监控的废钢车厢等级判定方法
CN115456963A (zh) 一种基于视觉识别的料场皮带跑偏检测方法及系统
CN115861294A (zh) 一种基于计算机视觉的混凝土生产异常检测方法及装置
CN110378866B (zh) 一种基于无人机巡检的渠道衬砌破损图像识别方法
CN116177146A (zh) 一种基于ai与激光监测技术的输送皮带检测系统及方法
CN117094609B (zh) 一种基于机器视觉的铝型材生产质量智能管理系统
CN112124900B (zh) 一种井下皮带偏移的视觉检测方法
CN117696470A (zh) 一种基于金属探测仪和目标分割的煤矿异物排除方法
CN115504187B (zh) 一种矿用皮带智能调速和保护系统及控制方法
CN111127442A (zh) 台车轮轴缺陷检测方法和装置
CN113658135B (zh) 一种基于模糊pid自适应调光皮带异物检测方法与系统
CN113283339A (zh) 基于机器视觉的工业矿料运输皮带少料异常监测方法
CN113191234A (zh) 一种基于机器视觉的带式输送机输送带防撕裂方法及装置
CN111017728A (zh) 一种基于机器视觉的起重机制动器健康状态评估方法
CN111359892A (zh) 一种基于机器视觉的天宝蜜柚外观检测分级装置及其方法
CN113962956B (zh) 一种运煤皮带机异物检测方法

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