CN116596921A - 一种焚烧炉渣分选方法及系统 - Google Patents
一种焚烧炉渣分选方法及系统 Download PDFInfo
- Publication number
- CN116596921A CN116596921A CN202310862069.4A CN202310862069A CN116596921A CN 116596921 A CN116596921 A CN 116596921A CN 202310862069 A CN202310862069 A CN 202310862069A CN 116596921 A CN116596921 A CN 116596921A
- Authority
- CN
- China
- Prior art keywords
- initial
- grid
- degree
- determining
- distance
- 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
Links
- 239000002893 slag Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 abstract description 7
- 230000003287 optical effect Effects 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06T2207/30—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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/12—Heat utilisation in combustion or incineration of waste
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光学图像处理技术领域,具体涉及一种焚烧炉渣分选方法及系统。该方法基于可见光手段获取焚烧炉渣可见光图像,对焚烧炉渣可见光图像进行灰度处理得到焚烧炉渣灰度图像,确定网格边长,对焚烧炉渣灰度图像进行图像划分确定初始网格;基于连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度,根据相似程度对相邻的初始网格进行网格合并得到目标网格;确定待选种子点,选择目标种子点;根据目标种子点对焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,对目标图像块进行语义识别,得到分选结果。本发明能够基于可见光手段有效对焚烧炉渣内的图像信息进行分析,提升焚烧炉渣分选的可靠性。
Description
技术领域
本发明涉及光学图像处理技术领域,具体涉及一种焚烧炉渣分选方法及系统。
背景技术
焚烧炉渣是指自焚烧炉炉床尾端排出的炉渣物质,它们主要是炉内生成的物质和煤块组成,煤块中包含有未燃烧完全的煤块和燃烧完全的煤块,为了实现更好的经济效益和环境效益,需要将其中未燃烧完全的煤块分选出来。
相关技术中,使用预设大数据分选模型识别未燃烧完全的煤块与燃烧完全的煤块,这种方式下,由于是通过大数据处理模型进行焚烧炉渣的分选,需大量数据进行模型训练,且在分选过程中,无法针对未燃烧完全的煤块和燃烧完全的煤块的特征进行有效识别,焚烧炉渣分选的可靠性不足。
发明内容
为了解决焚烧炉渣分选的可靠性不足的技术问题,本发明提供一种焚烧炉渣分选方法及系统,所采用的技术方案具体如下:
本发明提出了一种焚烧炉渣分选方法,方法包括:
获取焚烧炉渣可见光图像,对所述焚烧炉渣可见光图像进行灰度处理得到焚烧炉渣灰度图像,根据所述焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,基于所述网格边长对所述焚烧炉渣灰度图像进行图像划分,确定多个初始网格,将每个所述初始网格的中心点作为初始种子点;
根据所述初始网格中像素点的灰度值,确定断点像素点,根据所述初始网格内所述断点像素点的数量和所述网格边长,确定所述初始网格的连续程度,基于所述连续程度和相邻的两个所述初始网格中所述断点像素点的位置,确定相邻的所述初始网格间的相似程度,根据所述相似程度对相邻的所述初始网格进行网格合并,得到目标网格;
根据所述目标网格中像素点的所述连续程度和所述初始种子点的数量,确定所述目标网格的待选数量,选择所述目标网格中梯度幅值最大的所述待选数量个像素点作为待选种子点,确定所述待选种子点的重要程度,根据所述重要程度从所述待选种子点中选择目标种子点;
根据所述目标种子点对所述焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,对所述目标图像块进行语义识别,得到识别结果,将所述识别结果作为所述焚烧炉渣的分选结果。
进一步地,所述基于所述连续程度和相邻的两个所述初始网格中所述断点像素点的位置,确定相邻的所述初始网格间的相似程度,包括:
确定相邻的两个所述初始网格为第一初始网格与第二初始网格,计算所述第一初始网格中的每个断点像素点分别与所述第二初始网格的所有断点像素点的距离值,确定其中的最小距离值,将所述第一初始网格中的所有所述断点像素点对应的所述最小距离值的累加值作为所述第一初始网格和所述第二初始网格间的初始距离值;
根据所述第一连续程度、所述第二连续程度与所述初始距离值确定所述相似程度。
进一步地,所述根据所述第一连续程度、所述第二连续程度与所述初始距离值确定所述相似程度,对应的计算公式为:
式中,表示相似程度,/>表示第一连续程度,/>表示第二连续程度,/>表示初始距离值,/>表示取绝对值。
进一步地,所述根据所述相似程度对相邻的所述初始网格进行网格合并,得到目标网格,包括:
将所述相似程度小于预设相似程度阈值且相邻的所述初始网格进行网格合并,得到所述目标网格。
进一步地,所述根据所述目标网格中像素点的所述连续程度和所述初始种子点的数量,确定所述目标网格的待选数量,包括:
计算所述目标网格中像素点的所述连续程度和所述初始种子点的数量的乘积作为数量乘积,对所述数量乘积进行向上取整处理,得到所述待选数量。
进一步地,所述根据所述初始网格中像素点的灰度值,确定断点像素点,包括:
基于灰度游程矩阵对所述初始网格进行扫描,将所述初始网格中灰度值相同且相邻的像素点组成游程线段,将所述游程线段的起始点位置处的像素点和终点位置处的像素点作为所述断点像素点。
进一步地,所述确定所述待选种子点的重要程度,包括:
确定所述待选种子点所处的所述游程线段两端的所述断点像素点为第一像素点和第二像素点,计算所述第一像素点与所述第二像素点间的距离作为游程距离;
计算所述待选种子点和所述第一像素点的距离为第一断点距离,计算所述待选种子点和所述第二像素点的距离为第二断点距离,确定所述第一断点距离和所述第二断点距离中的最大值为最大断点距离,计算所述游程距离与所述最大断点距离的比值为距离比值;
计算所述游程距离和所述距离比值的乘积作为所述重要程度。
进一步地,所述根据所述重要程度从所述待选种子点中选择目标种子点,包括:
选择所述重要程度最大的所述待选种子点作为所述目标种子点。
进一步地,所述根据所述焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,对应的公式为:
式中,表示网格边长,/>表示经验值,/>表示梯度幅值的最大值,/>表示梯度幅值,表示焚烧炉渣灰度图像中梯度幅值为/>的像素点的数量,/>表示求归一化。
本发明提出了一种焚烧炉渣分选系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的一种焚烧炉渣分选方法。
本发明具有如下有益效果:
本发明通过可见光手段获取焚烧炉渣可见光图像,而后确定网格边长,能够结合焚烧炉渣灰度图像中像素点的梯度分布,基于可见光手段有效对焚烧炉渣内的图像信息进行分析;通过初始网格内断点像素点的数量和网格边长,确定初始网格的连续程度,能够对每个初始网格的连续程度进行有效统计,从而便于后续根据连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度,相似程度的确定,能够结合两个相邻的初始网格间的断点像素点位置与连续程度,有效提升相似程度的准确性,而后根据相似程度对相邻的初始网格进行网格合并,得到目标网格,有效提升目标网格中像素点表示同一语义的可靠性;通过确定待选数量,并选择待选数量个像素点作为待选种子点,从待选种子点中确定目标种子点,能够避免遍历目标网格中的全部像素点,从而有效提升目标种子点确定的效率,通过目标种子点对焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,能够根据目标种子点对焚烧炉渣灰度图像进行准确分割,保证目标图像块中像素点具有相同的语义,有效提升焚烧炉渣灰度图像分割的可靠性,对目标图像块进行语义识别,得到焚烧炉渣的分选结果,能够结合超像素分割和语义识别,准确识别各目标图像块的语义结果,得到更为准确可靠的焚烧炉渣的分选结果。综上,本发明能够基于可见光手段有效对焚烧炉渣内的图像信息进行分析,提升焚烧炉渣分选的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种焚烧炉渣分选方法流程图;
图2为本发明一个实施例所提供的焚烧炉渣灰度图像示意图;
图3为本发明一个实施例所提供的初始网格示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种焚烧炉渣分选方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种焚烧炉渣分选方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种焚烧炉渣分选方法流程图,该方法包括:
S101:获取焚烧炉渣可见光图像,对焚烧炉渣可见光图像进行灰度处理得到焚烧炉渣灰度图像,根据焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,基于网格边长对焚烧炉渣灰度图像进行图像划分,确定多个初始网格,将每个初始网格的中心点作为初始种子点。
本发明实施例中,可以在焚烧炉焚烧完成停炉之后,使用能够采集可见光的设备采集焚烧炉渣可见光图像,而后,对焚烧炉渣可见光图像进行材料分析,实现焚烧炉渣的分选,具体的材料分析包括:生成焚烧炉渣灰度图像,如图2所示,图2为本发明一个实施例所提供的焚烧炉渣灰度图像示意图。其中,图像预处理包括图像去噪处理与图像灰度化处理,其中,图像去噪处理和图像灰度化处理为本领域所熟知的技术,对此不作赘述。
可以理解的是,如图2所示,焚烧炉渣具有表面纹理分布复杂的特点,因此,直接根据焚烧炉渣灰度图像进行图像处理从而实现炉渣分选,得到分选结果,该分选结果的可靠性无法得到保证,因此,本发明有效结合焚烧炉渣灰度图像的表面纹理分布特点,对焚烧炉渣灰度图像进行处理。
本发明实施例在获取焚烧炉渣可见光图像,对焚烧炉渣可见光图像进行灰度处理得到焚烧炉渣灰度图像之后,可以使用sobel边缘检测算子处理焚烧炉渣灰度图像,获取焚烧炉渣灰度图像中像素点的梯度幅值。
本发明实施例中,可以以像素点的梯度幅值为横轴,该梯度幅值所对应像素点的数量为纵轴构建梯度分布直方图,便于更直观地确定焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量。
本发明实施例中,可以将图像分割为多个初始网格。可以理解的是,在像素点梯度幅值较大时,可以表示焚烧炉渣灰度图像中像素点灰度分布越不规律,则可以结合像素点的梯度幅值和相同梯度幅值的像素点的数量,确定图像分割过程中所使用的网格边长。
本发明实施例中,根据焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,包括:
根据网格边长公式计算网格边长,其中,对应的公式为:
式中,表示网格边长,/>表示经验值,/>表示梯度幅值的最大值,/>表示梯度幅值,表示焚烧炉渣灰度图像中梯度幅值为/>的像素点的数量,/>表示求归一化。
由网格边长公式可知,表示将焚烧炉渣灰度图像中梯度幅值大小与梯度幅值大小对应的像素点数量相乘,当梯度幅值越大的部分像素点所占数量越多时,的值就越大,则对应的网格边长越小,可以理解的是,在网格边长偏大时,就会使得对焚烧炉渣灰度图像中的部分边缘无法有效逼近拟合边缘,从而导致对焚烧炉渣灰度图像中的区域分割不准确。其中,/>表示经验值,优选地,/>选取20,当然,/>的值也可以根据实际处理情况进行调整,对此不作限制。
本发明实施例中,基于网格边长对焚烧炉渣灰度图像进行图像划分,确定多个初始网格,也即是说,在确定网格边长之后,可以根据网格边长将焚烧炉渣灰度图像划分为多个初始网格,并将每个初始网格的中心点作为初始种子点,如图3所示,图3为本发明一个实施例所提供的初始网格示意图,其中,初始网格的中心点可以作为初始种子点。
可以理解的是,初始网格的划分是为了将图像划分为多个区域,以便根据区域中像素点的纹理特征等对初始网格进行处理,实现本发明实施例的焚烧炉渣分选方法,具体参见后续实施例。
S102:根据初始网格中像素点的灰度值,确定断点像素点,根据初始网格内断点像素点的数量和网格边长,确定初始网格的连续程度,基于连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度,根据相似程度对相邻的初始网格进行网格合并,得到目标网格。
其中,断点像素点,是灰度值不同于下一像素点的像素点,根据初始网格中像素点的灰度值,确定断点像素点,包括:基于灰度游程矩阵对初始网格进行扫描,将初始网格中灰度值相同且相邻的像素点组成游程线段,将游程线段的起始点位置处的像素点和终点位置处的像素点作为断点像素点。
也即是说,本发明实施例中,可以利用灰度游程矩阵对初始网格进行逐行地横向遍历扫描,以及逐列地纵向遍历扫描,当灰度游程矩阵在对图像进行遍历扫描的过程中,将初始网格中灰度值相同且相邻的像素点组成游程线段,在某一像素点的灰度值不同于下一个像素点的灰度值时,将该像素点进行标记为断点像素点。
本发明实施例中,在得到多个横向或纵向的游程线段之后,可以统计初始网格中断点像素点的数量,而后,根据初始网格内断点像素点的数量和网格边长,确定初始网格的连续程度。
本发明实施例中,可以计算初始网格内断点像素点的数量和初始网格的面积的比值作为连续程度,可以理解的是,由于已知初始网格的网格边长,则网格边长的平方即为初始网格的面积,当初始网格内出现的断点像素点数量与初始网格的面积的比值越大,说明该处初始网格内出现多次灰度变化,也即连续程度的值越大,则该初始网格中像素点的纹理变化越复杂,当然,本发明还支持使用多种其他任意可能的实现方式根据初始网格内断点像素点的数量和网格边长,确定初始网格的连续程度,对此不作限制。
本发明实施例中,通过利用灰度游程矩阵标记的断点像素点获取的初始网格内的连续程度,有效描述了初始网格中的纹理变化。
本发明实施例在得到连续程度之后,可以基于连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度。
进一步地,本发明实施例中,基于连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度,包括:确定相邻的两个初始网格为第一初始网格与第二初始网格,计算第一初始网格中的每个断点像素点分别与第二初始网格的所有断点像素点的距离值,确定其中的最小距离值,将第一初始网格中的所有断点像素点对应的最小距离值的累加值作为第一初始网格和第二初始网格间的初始距离值;根据第一连续程度、第二连续程度与初始距离值确定相似程度。
本发明实施例中,通过两个相邻的初始网格中断点像素点的位置和连续程度,可以确定两个相邻初始网格的相似程度,则可以将两个相邻的初始网格分别称为第一初始网格与第二初始网格,以对两个相邻的初始网格进行区分,计算第一初始网格中的每个断点像素点分别与第二初始网格的所有断点像素点的距离值,确定其中的最小距离值,将第一初始网格中的所有断点像素点对应的最小距离值的累加值作为第一初始网格和第二初始网格间的初始距离值。
进一步地,本发明实施例中,根据第一连续程度、第二连续程度与初始距离值确定相似程度,包括:
根据相似程度公式计算相似程度,对应的计算公式为:
式中,表示相似程度,/>表示第一连续程度,/>表示第二连续程度,/>表示初始距离值,/>表示取绝对值。
由相似程度公式可知,在第一连续程度与第二连续程度的差值绝对值越大时,所对应相似程度越大,同理,初始距离值越大时,可以表示与第一初始网格中所有断点像素点对应的最小距离值的累加值越大,相似程度越大,在相似程度越大时,可以表示第一初始网格与第二初始网格越不相似,也即是说,根据相似程度对相邻的初始网格进行网格合并,得到目标网格,包括:将相似程度小于预设相似程度阈值且相邻的初始网格进行网格合并,得到目标网格。
其中,预设相似程度阈值,为相似程度的门限值,可选地,预设相似程度阈值可以设置为12,当然,也可以根据实际处理情况进行调整,对此不作限制。在第一初始网格与第二初始网格的相似程度小于该门限值时,可以将对应的第一初始网格与第二初始网格进行合并处理,由此,遍历焚烧炉渣灰度图像中所有的初始网格,得到合并完成后的目标网格。
S103:根据目标网格中像素点的连续程度和初始种子点的数量,确定目标网格的待选数量,选择目标网格中梯度幅值最大的待选数量个像素点作为待选种子点,确定待选种子点的重要程度,根据重要程度从待选种子点中选择目标种子点。
可选地,本发明实施例中,根据目标网格中像素点的连续程度和初始种子点的数量,确定目标网格的待选数量,包括:计算目标网格中像素点的连续程度和初始种子点的数量的乘积作为数量乘积,对数量乘积进行向上取整处理,得到待选数量。
其中,待选数量,为目标网格中待选种子点的数量。
其中,可以由待选数量公式计算得到待选数量,对应的计算公式为:
式中,表示目标网格中的待选数量,/>表示该目标网格中初始种子点的数量,/>表示目标网格中像素点的连续程度,/>表示向上取整函数。
由待选数量公式可知,当其他参数不变时,目标网格中初始种子点的数量越多,则可以表示目标网格越大,目标网格的大小越大,其中所含有的灰度变化信息可能越多,对应的待选数量需越多;同理,其他参数不变时,目标网格中待选择种子点数量与目标网格的连续程度也成正比,当目标网格的连续程度越高,即的值越大,则表示图像中的灰度变化越多,所对应的待选数量越多。
在确定目标网格的待选数量之后,可以根据目标网格中像素点的梯度幅值,选择目标网格中梯度幅值最大的待选数量个像素点作为待选种子点,举例而言,在待选数量为10个时,可以将目标网格中像素点的梯度幅值由大到小排序,选择序列中的前10个像素点作为待选种子点。
进一步地,本发明实施例中,确定待选种子点的重要程度,包括:确定待选种子点所处的游程线段两端的断点像素点为第一像素点和第二像素点,计算第一像素点和第二像素点间的距离作为游程距离;计算待选种子点和第一像素点的距离为第一断点距离,计算待选种子点和第二像素点的距离为第二断点距离,确定第一断点距离和第二断点距离中的最大值为最大断点距离,计算游程距离与最大断点距离的比值为距离比值;计算游程距离和距离比值的乘积作为重要程度。
本发明实施例中,可以确定待选种子点所处的游程线段,并将该游程线段两端的断点像素点作为第一像素点和第二像素点,并将第一像素点和第二像素点间的距离作为游程距离。可以理解的是,可以直接根据两点间的距离公式确定第一像素点和第二像素点间的游程距离,同理,后续在进行两点间的距离计算时,也同样可以使用两点间的距离公式。
本发明实施例中,计算待选种子点和第一像素点的距离为第一断点距离,计算待选种子点和第二像素点的距离为第二断点距离,确定第一断点距离和第二断点距离中的最大值为最大断点距离。举例而言,在待选种子点和第一像素点间的第一断点距离为10,待选种子点和第二像素点间的第二断点距离为20时,由于20大于10,则可以将20作为最大断点距离。
本发明实施例中,计算游程距离与最大断点距离的比值为距离比值,可以理解的是,由于第一断点距离和第二断点距离的和值即为游程距离,以第一断点距离为10,第二断点距离为20进行具体示例,则游程距离为30,距离比值为。
本发明实施例中,计算游程距离和距离比值的乘积作为重要程度,可以通过重要程度公式计算得到重要程度,对应的计算公式为:
式中,表示重要程度,/>表示游程距离,/>表示第一断点距离,/>表示第二断点距离,/>表示求最大值函数,/>表示最大断点距离,/>表示距离比值。
由重要程度公式可知,在其他因素不变时,游程距离越大,越可以表示待选种子点所处游程线段越长,重要程度越大;本发明实施例中,距离比值越大,可以表示待选种子点越处于该游程线段的中点位置,对应的重要程度越大。
本发明实施例中,待选种子点所处游程线段越长,且待选种子点越处于该游程线段的中点位置,则可以表示待选种子点作为中心点的效果越优,则本发明实施例中,选择重要程度最大的待选种子点作为目标种子点。
本发明实施例中,可以分别计算目标网格中每个待选种子点的重要程度,而后将重要程度最大的待选种子点作为目标种子点。由此,得到每个目标网格的目标种子点。
本发明实施例中,由于是通过确定待选种子点,而后根据待选种子点的重要程度确定目标种子点,可以避免遍历目标网格中所有的像素点,从而确定目标种子点,在保证目标种子点选择的客观性与准确性的同时,有效提升目标种子点的确定效率。
S104:根据目标种子点对焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,对目标图像块进行语义识别,得到识别结果,将识别结果作为焚烧炉渣的分选结果。
本发明实施例中,根据目标种子点对焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,也即是说,可以将目标种子点所处位置作为聚类中心,对焚烧炉渣灰度图像中的像素点进行聚类,从而生成多个目标图像块,其中,超像素分割为本领域所熟知的技术,可以基于目标种子点对焚烧炉渣灰度图像进行超像素分割处理,由此将焚烧炉渣灰度图像分割为多块目标图像块,从而有效将距离相近且语义相同的像素点分割至同一块目标图像块中。
可以理解的是,未燃烧完全的炉渣和已燃烧完全的炉渣之间存在较为明显的差异,在燃烧完全的炉渣表面,其灰度值通常较高,或者炉渣表面上存在较多的孔洞,而未燃烧完全的炉渣表面灰度值较低且不存在孔洞。因此,可以基于该特性,使用预训练的语义分割神经网络对经过超像素分割后的目标图像块进行语义识别,得到识别结果。
其中,识别结果,可以具体例如为识别标签,举例而言,标注未燃烧完全的炉渣为0,已燃烧完全的炉渣为1,其他杂质为2等,则对应的未燃烧完全的炉渣的识别标签为0,已燃烧完全的炉渣的识别标签为1,其他杂质的识别标签为2,对此不作限制。
示例性地,语义识别过程可以具体例如为使用预训练的全卷积神经网络(FullyConvolutional Network,FCN),将目标图像块作为输入,输出对应各目标图像块的识别检测结果。先通过卷积、池化等过程提取各目标图像块在焚烧炉渣灰度图像中的位置以及灰度值等图像特征,而后基于图像特征,使用预训练的语义识别模型识别各目标图像块的语义标签,并将语义标签作为识别结果。
本发明实施例中,还可以使用多种其他任意可能的实现方式对目标图像块进行语义识别,得到识别结果,对此不作限制。在确定识别结果之后,可以将识别结果作为焚烧炉渣的分选结果,由此,能够在保证焚烧炉渣的分选可靠性的同时,有效提升焚烧炉渣的分选效率。
本发明通过可见光手段获取焚烧炉渣可见光图像,而后确定网格边长,能够结合焚烧炉渣灰度图像中像素点的梯度分布,基于可见光手段有效对焚烧炉渣内的图像信息进行分析;通过初始网格内断点像素点的数量和网格边长,确定初始网格的连续程度,能够对每个初始网格的连续程度进行有效统计,从而便于后续根据连续程度和相邻的两个初始网格中断点像素点的位置,确定相邻的初始网格间的相似程度,相似程度的确定,能够结合两个相邻的初始网格间的断点像素点位置与连续程度,有效提升相似程度的准确性,而后根据相似程度对相邻的初始网格进行网格合并,得到目标网格,有效提升目标网格中像素点表示同一语义的可靠性;通过确定待选数量,并选择待选数量个像素点作为待选种子点,从待选种子点中确定目标种子点,能够避免遍历目标网格中的全部像素点,从而有效提升目标种子点确定的效率,通过目标种子点对焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,能够根据目标种子点对焚烧炉渣灰度图像进行准确分割,保证目标图像块中像素点具有相同的语义,有效提升焚烧炉渣灰度图像分割的可靠性,对目标图像块进行语义识别,得到焚烧炉渣的分选结果,能够结合超像素分割和语义识别,准确识别各目标图像块的语义结果,得到更为准确可靠的焚烧炉渣的分选结果。综上,本发明能够基于可见光手段有效对焚烧炉渣内的图像信息进行分析,提升焚烧炉渣分选的可靠性。
本发明还提出了一种焚烧炉渣分选系统,包括存储器和处理器,处理器执行存储器存储的计算机程序,以实现如上述的一种焚烧炉渣分选方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种焚烧炉渣分选方法,其特征在于,所述方法包括:
获取焚烧炉渣可见光图像,对所述焚烧炉渣可见光图像进行灰度处理得到焚烧炉渣灰度图像,根据所述焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,基于所述网格边长对所述焚烧炉渣灰度图像进行图像划分,确定多个初始网格,将每个所述初始网格的中心点作为初始种子点;
根据所述初始网格中像素点的灰度值,确定断点像素点,根据所述初始网格内所述断点像素点的数量和所述网格边长,确定所述初始网格的连续程度,基于所述连续程度和相邻的两个所述初始网格中所述断点像素点的位置,确定相邻的所述初始网格间的相似程度,根据所述相似程度对相邻的所述初始网格进行网格合并,得到目标网格;
根据所述目标网格中像素点的所述连续程度和所述初始种子点的数量,确定所述目标网格的待选数量,选择所述目标网格中梯度幅值最大的所述待选数量个像素点作为待选种子点,确定所述待选种子点的重要程度,根据所述重要程度从所述待选种子点中选择目标种子点;
根据所述目标种子点对所述焚烧炉渣灰度图像进行超像素分割处理,得到目标图像块,对所述目标图像块进行语义识别,得到识别结果,将所述识别结果作为所述焚烧炉渣的分选结果。
2.如权利要求1所述的方法,其特征在于,所述基于所述连续程度和相邻的两个所述初始网格中所述断点像素点的位置,确定相邻的所述初始网格间的相似程度,包括:
确定相邻的两个所述初始网格为第一初始网格与第二初始网格,计算所述第一初始网格中的每个断点像素点分别与所述第二初始网格的所有断点像素点的距离值,确定其中的最小距离值,将所述第一初始网格中的所有所述断点像素点对应的所述最小距离值的累加值作为所述第一初始网格和所述第二初始网格间的初始距离值;
将第一初始网格的连续程度作为第一连续程度,将第二初始网格的连续程度作为第二连续程度,根据所述第一连续程度、所述第二连续程度与所述初始距离值确定所述相似程度。
3.如权利要求2所述的方法,其特征在于,所述根据所述第一连续程度、所述第二连续程度与所述初始距离值确定所述相似程度,对应的计算公式为:
式中,表示相似程度,/>表示第一连续程度,/>表示第二连续程度,/>表示初始距离值,/>表示取绝对值。
4.如权利要求1所述的方法,其特征在于,所述根据所述相似程度对相邻的所述初始网格进行网格合并,得到目标网格,包括:
将所述相似程度小于预设相似程度阈值且相邻的所述初始网格进行网格合并,得到所述目标网格。
5.如权利要求1所述的方法,其特征在于,所述根据所述目标网格中像素点的所述连续程度和所述初始种子点的数量,确定所述目标网格的待选数量,包括:
计算所述目标网格中像素点的所述连续程度和所述初始种子点的数量的乘积作为数量乘积,对所述数量乘积进行向上取整处理,得到所述待选数量。
6.如权利要求1所述的方法,其特征在于,所述根据所述初始网格中像素点的灰度值,确定断点像素点,包括:
基于灰度游程矩阵对所述初始网格进行扫描,将所述初始网格中灰度值相同且相邻的像素点组成游程线段,将所述游程线段的起始点位置处的像素点和终点位置处的像素点作为所述断点像素点。
7.如权利要求6所述的方法,其特征在于,所述确定所述待选种子点的重要程度,包括:
确定所述待选种子点所处的所述游程线段两端的所述断点像素点为第一像素点和第二像素点,计算所述第一像素点与所述第二像素点间的距离作为游程距离;
确定所述待选种子点和所述第一像素点的距离为第一断点距离,确定所述待选种子点和所述第二像素点的距离为第二断点距离,确定所述第一断点距离和所述第二断点距离中的最大值为最大断点距离,计算所述游程距离与所述最大断点距离的比值为距离比值;
计算所述游程距离和所述距离比值的乘积作为所述重要程度。
8.如权利要求1所述的方法,其特征在于,所述根据所述重要程度从所述待选种子点中选择目标种子点,包括:
选择所述重要程度最大的所述待选种子点作为所述目标种子点。
9.如权利要求1所述的方法,其特征在于,所述根据所述焚烧炉渣灰度图像中像素点的梯度幅值和相同梯度幅值的像素点的数量,确定网格边长,对应的公式为:
式中,表示网格边长,/>表示经验值,/>表示梯度幅值的最大值,/>表示梯度幅值,/>表示焚烧炉渣灰度图像中梯度幅值为/>的像素点的数量,/>表示求归一化。
10.一种焚烧炉渣分选系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述的一种焚烧炉渣分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862069.4A CN116596921B (zh) | 2023-07-14 | 2023-07-14 | 一种焚烧炉渣分选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862069.4A CN116596921B (zh) | 2023-07-14 | 2023-07-14 | 一种焚烧炉渣分选方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596921A true CN116596921A (zh) | 2023-08-15 |
CN116596921B CN116596921B (zh) | 2023-10-20 |
Family
ID=87599391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862069.4A Active CN116596921B (zh) | 2023-07-14 | 2023-07-14 | 一种焚烧炉渣分选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596921B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871089A (zh) * | 2014-01-08 | 2014-06-18 | 天津大学 | 一种基于融合的图像超像素网格化方法 |
US20150234863A1 (en) * | 2014-02-18 | 2015-08-20 | Environmental Systems Research Institute (ESRI) | Automated feature extraction from imagery |
CN107704685A (zh) * | 2017-10-10 | 2018-02-16 | 中国石油大学(北京) | 一种网格划分方法及装置 |
US20190012768A1 (en) * | 2015-12-14 | 2019-01-10 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
CN109389601A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 基于像素间相似性的彩色图像超像素分割方法 |
CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及系统 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
CN110796667A (zh) * | 2019-10-22 | 2020-02-14 | 辽宁工程技术大学 | 基于改进小波聚类的彩色图像分割方法 |
CN111814711A (zh) * | 2020-07-15 | 2020-10-23 | 中国矿业大学 | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
CN112396619A (zh) * | 2019-08-15 | 2021-02-23 | 电子科技大学 | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 |
US11282268B1 (en) * | 2021-10-27 | 2022-03-22 | Flyreel, Inc. | Top-down view mapping of interior spaces |
CN115205289A (zh) * | 2022-09-15 | 2022-10-18 | 山东雅满家生物质科技有限公司 | 基于视觉的软木地板原材料分级方法 |
CN115272311A (zh) * | 2022-09-26 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种基于机器视觉的黑钨矿石图像分割方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
-
2023
- 2023-07-14 CN CN202310862069.4A patent/CN116596921B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871089A (zh) * | 2014-01-08 | 2014-06-18 | 天津大学 | 一种基于融合的图像超像素网格化方法 |
US20150234863A1 (en) * | 2014-02-18 | 2015-08-20 | Environmental Systems Research Institute (ESRI) | Automated feature extraction from imagery |
US20190012768A1 (en) * | 2015-12-14 | 2019-01-10 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
CN107704685A (zh) * | 2017-10-10 | 2018-02-16 | 中国石油大学(北京) | 一种网格划分方法及装置 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
CN109389601A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 基于像素间相似性的彩色图像超像素分割方法 |
CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及系统 |
CN112396619A (zh) * | 2019-08-15 | 2021-02-23 | 电子科技大学 | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 |
CN110796667A (zh) * | 2019-10-22 | 2020-02-14 | 辽宁工程技术大学 | 基于改进小波聚类的彩色图像分割方法 |
CN111814711A (zh) * | 2020-07-15 | 2020-10-23 | 中国矿业大学 | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 |
CN112037244A (zh) * | 2020-08-26 | 2020-12-04 | 大连海事大学 | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 |
US11282268B1 (en) * | 2021-10-27 | 2022-03-22 | Flyreel, Inc. | Top-down view mapping of interior spaces |
CN115205289A (zh) * | 2022-09-15 | 2022-10-18 | 山东雅满家生物质科技有限公司 | 基于视觉的软木地板原材料分级方法 |
CN115272311A (zh) * | 2022-09-26 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种基于机器视觉的黑钨矿石图像分割方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
Non-Patent Citations (8)
Title |
---|
DANIEL MORRIS ET AL.: "Growing Depth Image Superpixels for Foliage Modeling", 《2016 13TH CONFERENCE ON COMPUTER AND ROBOT VISION (CRV)》, pages 406 - 409 * |
FENGTING YANG ET AL.: "Superpixel Segmentation with Fully Convolutional Networks", 《 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 13961 - 13970 * |
刘安琪等: "改进的SLIC超像素图像分割与合并算法", 《安徽建筑大学学报》, vol. 28, no. 04, pages 39 - 46 * |
李啸宇等: "融合局部纹理特征的颗粒图像SLIC超像素分割方法", 《食品与机械》, vol. 32, no. 12, pages 31 - 34 * |
王涛等: "基于梯度的极化SAR图像超像素分割", 《电波科学学报》, vol. 34, no. 06, pages 761 - 770 * |
钱俊任等: "基于颜色和空间信息的彩色图简单线性迭代簇超像素分割", 《计算机应用》, vol. 37, no. 2, pages 150 - 154 * |
韩冬越: "基于超像素生成的图像分割算法研究及应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 03, pages 138 - 5022 * |
韩纪普等: "基于SLIC和区域生长的目标分割算法", 《计算机工程与应用》, vol. 57, no. 01, pages 213 - 218 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
CN116823811B (zh) * | 2023-08-25 | 2023-12-01 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116596921B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Automatic road crack detection using random structured forests | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN102722712A (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN101122953A (zh) | 一种图片文字分割的方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
CN109543686B (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
JP2005148987A (ja) | オブジェクト識別方法とその装置、プログラム及び記録媒体 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
JPWO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および識別辞書学習プログラム | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
TW201601119A (zh) | 物件辨識與定位方法 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Santosh et al. | Scalable arrow detection in biomedical images | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
JP2005250786A (ja) | 画像認識方法 | |
JP4194309B2 (ja) | 文書方向推定方法および文書方向推定プログラム |
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 |