CN117153277B - 一种甲基磺酰氯生产过程中的反应状态识别方法 - Google Patents
一种甲基磺酰氯生产过程中的反应状态识别方法 Download PDFInfo
- Publication number
- CN117153277B CN117153277B CN202310850346.XA CN202310850346A CN117153277B CN 117153277 B CN117153277 B CN 117153277B CN 202310850346 A CN202310850346 A CN 202310850346A CN 117153277 B CN117153277 B CN 117153277B
- Authority
- CN
- China
- Prior art keywords
- reaction
- image
- region
- interest
- color
- 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
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 203
- QARBMVPHQWIHKH-UHFFFAOYSA-N methanesulfonyl chloride Chemical compound CS(Cl)(=O)=O QARBMVPHQWIHKH-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005520 cutting process Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000012359 Methanesulfonyl chloride Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 52
- 239000011521 glass Substances 0.000 description 12
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 8
- 239000000460 chlorine Substances 0.000 description 8
- 229910052801 chlorine Inorganic materials 0.000 description 8
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 8
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 8
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 4
- 235000017491 Bambusa tulda Nutrition 0.000 description 4
- 241001330002 Bambuseae Species 0.000 description 4
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 4
- 239000011425 bamboo Substances 0.000 description 4
- WQOXQRCZOLPYPM-UHFFFAOYSA-N dimethyl disulfide Chemical compound CSSC WQOXQRCZOLPYPM-UHFFFAOYSA-N 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009279 wet oxidation reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/70—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本发明公开了一种甲基磺酰氯生产过程中的反应状态识别方法,包括:在反应开始后,获取摄像头拍摄的反应装置图像;对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;基于所述主体颜色,对反应装置内的气体反应状态进行判断。本发明解决了现有技术中由于依赖人工进行甲基磺酰氯生产过程中的反应状态识别而导致的识别速度慢、人工成本高、自动化程度低的技术问题。
Description
技术领域
本发明涉及甲基磺酰氯生产技术领域,具体涉及一种甲基磺酰氯生产过程中的反应状态识别方法、装置、电子设备及存储介质。
背景技术
目前工业上主要采用氯气湿法氧化工艺制备甲基磺酰氯,该工艺主要是向二甲二硫溶液中持续通入氯气,发生氯氧化反应,得到甲基磺酰氯和氯化氢尾气。
为了保证最终得到的气体的纯度,在氯气通入反应釜内后,需要监测反应釜内的反应状态,以避免通入的氯气过量,导致最终得到的气体纯度不高。
当前一般采取的方式是依靠人工经验来判断反应釜后端连接的尾气管内通入的尾气是否为高纯度的氯化氢尾气,对人工要求较高,而且需要人工持续观察,识别速度慢、自动化程度低,而且无法保证判断的准确性,导致原料浪费现象较为严重,而且对气体纯度影响较大。
发明内容
本发明的目的在于克服上述技术不足,提供一种甲基磺酰氯生产过程中的反应状态识别方法、装置、电子设备及存储介质,解决现有技术中的由于依赖人工进行甲基磺酰氯生产过程中的反应状态识别而导致的识别速度慢、人工成本高、自动化程度低的技术问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供一种甲基磺酰氯生产过程中的反应状态识别方法,包括如下步骤:
在反应开始后,获取摄像头拍摄的反应装置图像;
对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;
将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;
基于所述主体颜色,对反应装置内的气体反应状态进行判断。
在一些实施例中,所述在反应开始后,获取摄像头拍摄的反应装置图像,包括:
在反应开始后,获取摄像头拍摄的反应装置视频,并截取出所述反应装置视频中的关键帧图像;
对所述关键帧图像进行预处理,以得到所述反应装置图像。
在一些实施例中,所述对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域,包括:
将所述反应装置图像输入预先训练完备的物体识别模型中,获取输出结果;
基于所述输出结果,对所述反应装置图像进行裁剪,以得到所述反应装置图像中包含反应尾气管的感兴趣区域。
在一些实施例中,所述物体识别模型为卷积神经网络模型。
在一些实施例中,所述将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色,包括:
将所述感兴趣区域转换成HSV图像格式,并对所述HSV图像进行裁剪,以得到预设大小的HSV图像;
将所述HSV图像输入值预先训练完成的颜色识别模型中,以获取所述HSV图像的基本亮度特征;
基于所述基本亮度特征,判断出所述感兴趣区域的主体颜色。
在一些实施例中,所述基本亮度特征至少包括色相、饱和度和明度。
在一些实施例中,所述气体反应状态为未反应完成状态和反应完成状态中的一种,所述基于所述主体颜色,对反应装置内的气体反应状态进行判断,包括:
当所述主体颜色为无色时,判定所述反应装置内的气体反应状态为未反应完成状态;当所述主体颜色为黄绿色时,判定所述反应装置内的气体反应状态为反应完成状态。
第二方面,本发明还提供一种甲基磺酰氯生产过程中的反应状态识别装置,包括:
图像获取模块,用于在反应开始后,获取摄像头拍摄的反应装置图像;
感兴趣区域获取模块,用于对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;
颜色识别模块,用于将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;
状态判断模块,用于基于所述主体颜色,对反应装置内的气体反应状态进行判断。
第三方面,本发明还提供一种电子设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的甲基磺酰氯生产过程中的反应状态识别方法中的步骤。
第四方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的甲基磺酰氯生产过程中的反应状态识别方法中的步骤。
与现有技术相比,本发明提供的甲基磺酰氯生产过程中的反应状态识别方法、装置、电子设备及存储介质,通过实时拍摄反应装置的图像,然后对图像进行处理后,利用预先训练完成的颜色识别模型来识别感兴趣区域的颜色,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,当识别到反应尾气管内的颜色开始变成黄绿色时,表示已经反应完全,从而可以根据识别出的颜色来判断出反应的状态,相较于现有的依靠人工经验判断,准确度以及自动化程度更高,而且无需人工持续观察,降低了人工强度,也避免了因人工监测不及时而导致的原料浪费,降低了成本。
附图说明
图1是本发明实施例提供的甲基磺酰氯生产过程中的反应状态识别方法的流程图;
图2是本发明提供的甲基磺酰氯生产过程中的反应状态识别装置的一实施例的示意图;
图3是本发明甲基磺酰氯生产过程中的反应状态识别程序的一实施例的运行环境示意图。
具体实施方式
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仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明提供的一种甲基磺酰氯生产过程中的反应状态识别方法,包括如下步骤:
S100、在反应开始后,获取摄像头拍摄的反应装置图像;
S200、对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;
S300、将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;
S400、基于所述主体颜色,对反应装置内的气体反应状态进行判断。
本实施例中,通过实时拍摄反应装置的图像,然后对图像进行处理后,利用预先训练完成的颜色识别模型来识别感兴趣区域的颜色,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,当识别到反应尾气管内的颜色开始变成黄绿色时,表示已经反应完全,从而可以根据识别出的颜色来判断出反应的状态,相较于现有的依靠人工经验判断,准确度以及自动化程度更高,而且无需人工持续观察,降低了人工强度,也避免了因人工监测不及时而导致的原料浪费,降低了成本。
在一些实施例中,所述步骤S100具体包括:
在反应开始后,获取摄像头拍摄的反应装置视频,并截取出所述反应装置视频中的关键帧图像;
对所述关键帧图像进行预处理,以得到所述反应装置图像。
本实施例中,首先进行关键帧图像的获取,示例性的,关键帧图像的获取步骤如下:把镜头的第一帧作为关键帧,并作为参考帧,计算当前参考帧与剩余帧之差,如果差值大于设定阈值,再选取一个关键帧,把刚选出来的帧作为参考帧,依此类推,进而获取到视频中的关键帧图像,为了增加图像识别的准确率,对关键帧图像进行预处理,进而方便后续的识别过程,示例性的,预处理的过程包括但不限于滤波、去噪、增强等过程。
在一些实施例中,所述步骤S200具体包括:
将所述反应装置图像输入预先训练完备的物体识别模型中,获取输出结果;
基于所述输出结果,对所述反应装置图像进行裁剪,以得到所述反应装置图像中包含反应尾气管的感兴趣区域。
本实施例中,由于反应装置图像中可能包含很多无关的装置,因此,需要进行感兴趣区域的获取,感兴趣区域即包含反应尾气管的区域,故本发明首先通过物体识别模型识别出反应尾气管的位置,然后根据反应尾气管的位置,对反应装置图像进行裁剪,进而得到主体区域为反应尾气管的感兴趣区域,增加后续颜色识别的准确性。
在一些实施例中,所述识别模型为卷积神经网络模型,可选的,所述卷积神经网络模型可以是CNN、RNN等模型,在进行物体识别前,先对所述识别模型进行训练,具体的,将若干个带标注信息的反应装置图像输入至预先建立的卷积神经网络模型中,对模型进行训练后,得到训练完备的模型,然后通过测试集对模型进行测试,以对模型进行优化处理后,最终得到所需的识别模型。
在一些实施例中,所述步骤S300具体包括:
将所述感兴趣区域转换成HSV图像格式,并对所述HSV图像进行裁剪,以得到预设大小的HSV图像;
将所述HSV图像输入值预先训练完成的颜色识别模型中,以获取所述HSV图像的基本亮度特征;
基于所述基本亮度特征,判断出所述感兴趣区域的主体颜色。
在一些实施例中,所述基本亮度特征至少包括色相、饱和度和明度。
本实施例中,HSV图像反映了图像的色相、饱和度和明度,其中,色相(H)是色彩的基本属性,就是平常所说的颜色名称,如红色、黄色等。饱和度(S)是指色彩的纯度,越高色彩越纯,低则逐渐变灰,取0-100%的数值。明度(V)也叫亮度(L),其值为0-100%。首先输入感兴趣区域,其为RGB图像,通过特定的函数将RGB图像转化为HSV图像,然后计算HSV颜色空间中V通道的平均值作为亮度特征,具体实施时,输入一张RGB格式的图像,函数会将其转换为HSV格式,并遍历像素点,找到饱和度大于阈值的像素点,然后计算这些像素点的红色和绿色通道的平均值,如果没有找到符合条件的像素点,则调用函数查找最饱和度的像素点,并判断该像素点的红色和绿色通道哪个更高,之后返回一个包含特征信息的元组,其中第一个元素是亮度特征或红色通道的平均值,第二个元素是绿色通道的平均值,进而可以得到基本亮度特征,最终可以根据颜色的特性,通过基本亮度特征得到感兴趣区域的主体颜色。
在一些实施例中,所述步骤S400具体包括:
当所述主体颜色为无色时,判定所述反应装置内的气体反应状态为未反应完成状态;当所述主体颜色为黄绿色时,判定所述反应装置内的气体反应状态为反应完成状态。
本实施例中,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,在得到了主体颜色后,可以根据颜色判断出反应状态,如果主体颜色为无色,则表示反应装置的气体还在继续反应,如果主体颜色为黄绿色,则表示已经有部分氯气进入尾气管中,因此可以判定反应装置的气体已经反应完成。
本发明提供的技术方案,通过实时拍摄反应装置的图像,然后对图像进行处理后,利用预先训练完成的颜色识别模型来识别感兴趣区域的颜色,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,当识别到反应尾气管内的颜色开始变成黄绿色时,表示已经反应完全,从而可以根据识别出的颜色来判断出反应的状态,相较于现有的依靠人工经验判断,准确度以及自动化程度更高,而且无需人工持续观察,降低了人工强度,也避免了因人工监测不及时而导致的原料浪费,降低了成本。
基于上述甲基磺酰氯生产过程中的反应状态识别方法,本发明实施例还相应的提供一种甲基磺酰氯生产过程中的反应状态识别装置500,请参阅图2,所述甲基磺酰氯生产过程中的反应状态识别装置500包括图像获取模块510、感兴趣区域获取模块520、颜色识别模块530以及状态判断模块540。
图像获取模块510用于在反应开始后,获取摄像头拍摄的反应装置图像。
感兴趣区域获取模块520用于对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域。
颜色识别模块530用于将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色。
状态判断模块540用于基于所述主体颜色,对反应装置内的气体反应状态进行判断。
本实施例中,通过实时拍摄反应装置的图像,然后对图像进行处理后,利用预先训练完成的颜色识别模型来识别感兴趣区域的颜色,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,当识别到反应尾气管内的颜色开始变成黄绿色时,表示已经反应完全,从而可以根据识别出的颜色来判断出反应的状态,相较于现有的依靠人工经验判断,准确度以及自动化程度更高,而且无需人工持续观察,降低了人工强度,也避免了因人工监测不及时而导致的原料浪费,降低了成本。
需要说明的是,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述甲基磺酰氯生产过程中的反应状态识别的执行过程,各模块的具体实施方式请参考上述对应的方法实施例,此处不再赘述。
在一些实施例中,所述图像获取模块510具体用于:
在反应开始后,获取摄像头拍摄的反应装置视频,并截取出所述反应装置视频中的关键帧图像;
对所述关键帧图像进行预处理,以得到所述反应装置图像。
在一些实施例中,所述感兴趣区域获取模块520具体用于:
将所述反应装置图像输入预先训练完备的物体识别模型中,获取输出结果;
基于所述输出结果,对所述反应装置图像进行裁剪,以得到所述反应装置图像中包含反应尾气管的感兴趣区域。
在一些实施例中,所述物体识别模型为卷积神经网络模型。
在一些实施例中,所述颜色识别模块530具体用于:
将所述感兴趣区域转换成HSV图像格式,并对所述HSV图像进行裁剪,以得到预设大小的HSV图像;
将所述HSV图像输入值预先训练完成的颜色识别模型中,以获取所述HSV图像的基本亮度特征;
基于所述基本亮度特征,判断出所述感兴趣区域的主体颜色。
在一些实施例中,所述基本亮度特征至少包括色相、饱和度和明度。
在一些实施例中,所述状态判断模块540具体用于:
当所述主体颜色为无色时,判定所述反应装置内的气体反应状态为未反应完成状态;当所述主体颜色为黄绿色时,判定所述反应装置内的气体反应状态为反应完成状态。
如图3所示,基于上述甲基磺酰氯生产过程中的反应状态识别方法,本发明还相应提供了一种电子设备,该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。图3仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是该电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器20在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于电子设备的应用软件及各类数据,例如安装电子设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有甲基磺酰氯生产过程中的反应状态识别程序40,该甲基磺酰氯生产过程中的反应状态识别程序40可被处理器10所执行,从而实现本发明各实施例的甲基磺酰氯生产过程中的反应状态识别方法。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行甲基磺酰氯生产过程中的反应状态识别方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在所述甲基磺酰氯生产过程中的反应状态识别设备的信息以及用于显示可视化的用户界面。电子设备的部件10-30通过系统总线相互通信。
在一些实施例中,当处理器10执行存储器20中甲基磺酰氯生产过程中的反应状态识别程序40时实现如上述各实施例所述的甲基磺酰氯生产过程中的反应状态识别方法,由于上文已对甲基磺酰氯生产过程中的反应状态识别方法进行详细描述,甲基磺酰氯生产过程中的反应状态识别方法具备的技术效果,电子设备同样具备,故在此不再赘述。
综上所述,本发明提供的甲基磺酰氯生产过程中的反应状态识别方法、装置、电子设备及存储介质,通过实时拍摄反应装置的图像,然后对图像进行处理后,利用预先训练完成的颜色识别模型来识别感兴趣区域的颜色,由于黄绿色的氯气经反应后生成无色的氯化氢气体,所以开始尾气管上的玻璃视筒内呈无色,如果釜内物料反应完全,氯气过量,就会使玻璃视筒呈现黄绿色,因此,当识别到反应尾气管内的颜色开始变成黄绿色时,表示已经反应完全,从而可以根据识别出的颜色来判断出反应的状态,相较于现有的依靠人工经验判断,准确度以及自动化程度更高,而且无需人工持续观察,降低了人工强度,也避免了因人工监测不及时而导致的原料浪费,降低了成本。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述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做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 (8)
1.一种甲基磺酰氯生产过程中的反应状态识别方法,其特征在于,包括如下步骤:
在反应开始后,获取摄像头拍摄的反应装置图像;
对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;
将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;
基于所述主体颜色,对反应装置内的气体反应状态进行判断;
所述对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域,包括:
将所述反应装置图像输入预先训练完备的物体识别模型中,获取输出结果;
基于所述输出结果,对所述反应装置图像进行裁剪,以得到所述反应装置图像中包含反应尾气管的感兴趣区域;
所述将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色,包括:
将所述感兴趣区域转换成HSV图像格式,并对所述HSV图像进行裁剪,以得到预设大小的HSV图像;
将所述HSV图像输入至预先训练完成的颜色识别模型中,以获取所述HSV图像的基本亮度特征;
基于所述基本亮度特征,判断出所述感兴趣区域的主体颜色;
基本亮度特征的获取方法为:遍历像素点,找到饱和度大于阈值的像素点,然后计算这些像素点的红色和绿色通道的平均值,如果没有找到符合条件的像素点,则调用函数查找最高饱和度的像素点,并判断该像素点的红色和绿色通道哪个更高,之后返回一个包含特征信息的元素,其中第一个元素是亮度特征或红色通道的平均值,第二个元素是绿色通道的平均值,进而得到基本亮度特征。
2.根据权利要求1所述的甲基磺酰氯生产过程中的反应状态识别方法,其特征在于,所述在反应开始后,获取摄像头拍摄的反应装置图像,包括:
在反应开始后,获取摄像头拍摄的反应装置视频,并截取出所述反应装置视频中的关键帧图像;
对所述关键帧图像进行预处理,以得到所述反应装置图像。
3.根据权利要求1所述的甲基磺酰氯生产过程中的反应状态识别方法,其特征在于,所述物体识别模型为卷积神经网络模型。
4.根据权利要求1所述的甲基磺酰氯生产过程中的反应状态识别方法,其特征在于,所述基本亮度特征至少包括色相、饱和度和明度。
5.根据权利要求1所述的甲基磺酰氯生产过程中的反应状态识别方法,其特征在于,所述气体反应状态为未反应完成状态和反应完成状态中的一种,所述基于所述主体颜色,对反应装置内的气体反应状态进行判断,包括:
当所述主体颜色为无色时,判定所述反应装置内的气体反应状态为未反应完成状态;当所述主体颜色为黄绿色时,判定所述反应装置内的气体反应状态为反应完成状态。
6.一种甲基磺酰氯生产过程中的反应状态识别装置,其特征在于,包括:
图像获取模块,用于在反应开始后,获取摄像头拍摄的反应装置图像;
感兴趣区域获取模块,用于对所述反应装置图像进行处理,获取所述反应装置图像中包含反应尾气管的感兴趣区域;
颜色识别模块,用于将所述感兴趣区域进行转换处理后,输入预先建立的颜色识别模型中,以识别出所述感兴趣区域的主体颜色;
状态判断模块,用于基于所述主体颜色,对反应装置内的气体反应状态进行判断;
所述感兴趣区域获取模块具体用于:
将所述反应装置图像输入预先训练完备的物体识别模型中,获取输出结果;
基于所述输出结果,对所述反应装置图像进行裁剪,以得到所述反应装置图像中包含反应尾气管的感兴趣区域;
所述颜色识别模块具体用于:
将所述感兴趣区域转换成HSV图像格式,并对所述HSV图像进行裁剪,以得到预设大小的HSV图像;
将所述HSV图像输入至预先训练完成的颜色识别模型中,以获取所述HSV图像的基本亮度特征;
基于所述基本亮度特征,判断出所述感兴趣区域的主体颜色;
基本亮度特征的获取方法为:遍历像素点,找到饱和度大于阈值的像素点,然后计算这些像素点的红色和绿色通道的平均值,如果没有找到符合条件的像素点,则调用函数查找最高饱和度的像素点,并判断该像素点的红色和绿色通道哪个更高,之后返回一个包含特征信息的元素,其中第一个元素是亮度特征或红色通道的平均值,第二个元素是绿色通道的平均值,进而得到基本亮度特征。
7.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机程序;
所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述的甲基磺酰氯生产过程中的反应状态识别方法中的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-5任意一项所述的甲基磺酰氯生产过程中的反应状态识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850346.XA CN117153277B (zh) | 2023-07-11 | 2023-07-11 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850346.XA CN117153277B (zh) | 2023-07-11 | 2023-07-11 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117153277A CN117153277A (zh) | 2023-12-01 |
CN117153277B true CN117153277B (zh) | 2024-06-14 |
Family
ID=88885652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310850346.XA Active CN117153277B (zh) | 2023-07-11 | 2023-07-11 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117153277B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4915678B2 (ja) * | 2008-07-17 | 2012-04-11 | 独立行政法人産業技術総合研究所 | 特徴抽出装置および特徴抽出方法 |
US20130311136A1 (en) * | 2012-05-18 | 2013-11-21 | Mustard Tree Instruments, Llc | Rule-Based Sample Verification and Chemical Monitoring Methodology |
CN105719318B (zh) * | 2016-01-26 | 2018-07-10 | 上海葡萄纬度科技有限公司 | 一种教育玩具套件中基于hsv的魔方颜色识别方法 |
CN108596849B (zh) * | 2018-04-23 | 2021-11-23 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN110298893A (zh) * | 2018-05-14 | 2019-10-01 | 桂林远望智能通信科技有限公司 | 一种行人衣着颜色识别模型的生成方法及装置 |
CN110277140A (zh) * | 2019-06-21 | 2019-09-24 | 贵州大学 | 基于火焰颜色识别燃烧当量比计算模型的建立方法、系统及装置 |
CN112330688A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置和计算机设备 |
CN113176211B (zh) * | 2021-04-27 | 2023-03-14 | 中国科学院南海海洋研究所 | 一种基于hsv颜色空间模型变换的日间云检测方法 |
CN114419308A (zh) * | 2021-12-21 | 2022-04-29 | 携程旅游信息技术(上海)有限公司 | 基于感兴趣区域的颜色识别方法、系统、电子设备和介质 |
CN115830343A (zh) * | 2022-12-08 | 2023-03-21 | 无锡信捷电气股份有限公司 | 一种基于hsv色彩空间的颜色识别方法 |
CN116402813B (zh) * | 2023-06-07 | 2023-08-04 | 江苏太湖锅炉股份有限公司 | 基于神经网络的铜转炉吹炼造铜期终点判断方法 |
-
2023
- 2023-07-11 CN CN202310850346.XA patent/CN117153277B/zh active Active
Non-Patent Citations (3)
Title |
---|
Baklanova, OE (Baklanova, Olga E.) [1] * |
Shvets, OY (Shvets, Olga Ya) [2].Methods and Algorithms of Cluster Analysis in the Mining Industry Solution of Tasks for Mineral Rocks Recognition.IEEE.2014,165-171. * |
基于MATLAB的红绿灯识别系统研究;桂欣悦;李振伟;吴晨晨;李彦玥;;电子设计工程;20200818(第16期);133-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN117153277A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110460782B (zh) | 信息采集装置、方法、巡检机器人和存储介质 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN112162930A (zh) | 一种控件识别的方法、相关装置、设备及存储介质 | |
CN111355941A (zh) | 图像颜色实时校正方法、装置和系统 | |
CN110689539A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110363747B (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
CN110930296A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112082999A (zh) | 一种工业产品缺陷检测方法和工业智能相机 | |
CN109871751A (zh) | 基于人脸表情识别的服务态度评估方法、装置及存储介质 | |
CN112750162A (zh) | 一种目标识别定位方法和装置 | |
US10140555B2 (en) | Processing system, processing method, and recording medium | |
CN116007750A (zh) | Led检测方法、装置、设备、存储介质及系统 | |
CN117153277B (zh) | 一种甲基磺酰氯生产过程中的反应状态识别方法 | |
CN113838015B (zh) | 一种基于网络协同的电器产品外观缺陷检测方法 | |
CN110222571B (zh) | 黑眼圈智能判断方法、装置及计算机可读存储介质 | |
CN111179222B (zh) | 脑出血点智能检测方法、装置及计算机可读存储介质 | |
CN111985471A (zh) | 一种车牌定位方法、装置及存储介质 | |
CN108491820B (zh) | 图像中肢体表示信息的识别方法、装置及设备、存储介质 | |
CN116402820A (zh) | 一种检测方法、装置、设备及存储介质 | |
CN116523853A (zh) | 一种基于深度学习的芯片检测系统及方法 | |
CN115937593A (zh) | 一种模型法建立方法、物体检测方法及相关设备 | |
CN110211094B (zh) | 黑眼圈智能判断方法、装置及计算机可读存储介质 | |
CN111507944B (zh) | 皮肤光滑度的确定方法、装置和电子设备 | |
CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
CN102682275B (zh) | 图像匹配方法 |
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 |