CN117252826A - 基于视觉技术含石墨模锻钢帽冷却污水检测方法 - Google Patents
基于视觉技术含石墨模锻钢帽冷却污水检测方法 Download PDFInfo
- Publication number
- CN117252826A CN117252826A CN202311172523.XA CN202311172523A CN117252826A CN 117252826 A CN117252826 A CN 117252826A CN 202311172523 A CN202311172523 A CN 202311172523A CN 117252826 A CN117252826 A CN 117252826A
- Authority
- CN
- China
- Prior art keywords
- foam
- block image
- image
- block
- index
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 59
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 42
- 239000010959 steel Substances 0.000 title claims abstract description 42
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 238000005242 forging Methods 0.000 title claims abstract description 38
- 229910002804 graphite Inorganic materials 0.000 title claims abstract description 38
- 239000010439 graphite Substances 0.000 title claims abstract description 38
- 239000010865 sewage Substances 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000006260 foam Substances 0.000 claims abstract description 206
- 239000000110 cooling liquid Substances 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000009792 diffusion process Methods 0.000 claims abstract description 24
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 239000002826 coolant Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002351 wastewater Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域，具体涉及基于视觉技术含石墨模锻钢帽冷却污水检测方法，采集图像，进行角点检测，根据角点聚类结果得到各区块泡沫聚集指数；结合各区块泡沫形状变化导致宽度不同得到各区块图像的泡沫特征强度；结合各区块图像泡沫扩散距离及灰度变化得到各区块图像的泡沫显著指数；基于泡沫显著指数自适应获取各区块图像的伽马值进行伽马变换，完成冷却液表面图像增强。从而实现冷却液表面图像增强，增加了冷却液表面图像细节，提高了冷却液表面图像识别效率，实现含石墨模锻钢帽冷却污水的检测。
Description
技术领域
本申请涉及图像处理领域，具体涉及基于视觉技术含石墨模锻钢帽冷却污水检测方法。
背景技术
石墨模锻钢帽在锻造过程中需要进行冷却操作，石墨通过适当的冷却处理，能够更均匀地分布在钢材中，其次，冷却处理可以促使钢帽中的石墨形成细小且均匀的微观结构，这种结构可以减少晶界的裂纹和缺陷，提高钢材的显微硬度和抗力强度。在钢帽冷却过程中，钢帽带来的高温导致冷却液产生大量的气泡与一定量的泡沫，冷却液被污染时，泡沫能反映冷却介质的污染状况，冷却液被污染时，会产生短时间不易消散的絮状泡沫。采集图像时，图像过亮或过暗区域的泡沫特征不明显。
采集冷却池内冷却液表面图像时，图像过亮或过暗区域的泡沫特征不明显，可采用伽马变换进行增强，传统的伽马变换可以使过曝或过暗的图像对比度得到增强，但由于伽马值固定，图像增强为全局增强，不能自适应增强图像中的局部过亮或过暗区域。
综上所述，本发明提出基于视觉技术含石墨模锻钢帽冷却污水检测方法，根据冷却池中泡沫的特征强度及不同区域的泡沫扩散距离构建不同区域的泡沫显著指数，根据不同区域的泡沫显著系数自适应得到不同区域的伽马值，结合伽马变化对不同区域进行自适应对比度增强，具有较高图像增强效果。
发明内容
为了解决上述技术问题，本发明提供基于视觉技术含石墨模锻钢帽冷却污水检测方法，以解决现有的问题。
本发明的基于视觉技术含石墨模锻钢帽冷却污水检测方法采用如下技术方案：
本发明一个实施例提供了基于视觉技术含石墨模锻钢帽冷却污水检测方法，该方法包括以下步骤：
采集冷却池内冷却液表面图像；将冷却液表面图像划分为大小相同的多个区块图像；
通过角点检测获得每个区块图像中的角点；根据角点坐标对各区块图像中的角点进行聚类得到各区块图像中的各聚类簇；根据各区块图像中的角点聚类结果得到各区块图像的泡沫聚集指数；根据各区块图像中泡沫形状得到各区块图像中每个闭合轮廓的宽度；根据各区块图像中每个闭合轮廓的宽度得到各区块图像的泡沫宽度差异指数；根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度；根据各区块图像泡沫变化得到各区块图像泡沫扩散距离及灰度距离；根据各区块图像泡沫扩散距离及灰度距离得到各区块图像的泡沫明显度；根据各区块图像的泡沫特征强度及泡沫明显度得到各区块图像的泡沫显著指数；
根据各区块图像的泡沫显著指数得到各区块图像的伽马值；根据各区块图像的伽马值对各区块图像进行伽马变换，完成冷却液表面图像增强。
优选的，所述采集冷却池内冷却液表面图像的具体步骤为：
设定石墨模锻钢帽放入冷却池后某时刻为采集时刻；在采集时刻采集冷却池内冷却液表面图像。
优选的，所述根据各区块图像中的角点聚类结果得到各区块图像的泡沫聚集指数，具体包括：
各区块图像的泡沫聚集指数与各区块图像中的角点数量及各聚类簇中角点数量最大值成正比，与各区块图像中聚类簇个数及各聚类簇中心到各区块图像中心点的欧氏距离方差成反比。
优选的，所述根据各区块图像中泡沫形状得到各区块图像中每个闭合轮廓的宽度的具体步骤为：
获取每个区块中的各闭合轮廓；通过闭合边缘上最值坐标将闭合轮廓分为两条边缘；将任意一条轮廓上的边缘点作为各起始边缘点；将另一条轮廓上的边缘点作为各终止边缘点；获取各起始边缘点对应的终止边缘点；将各起始边缘点与对应终止边缘点之间的距离作为各起始边缘点处的宽度；将每个闭合轮廓上起始像素点处宽度的均值作为每个闭合轮廓的宽度。
优选的，所述根据各区块图像中每个闭合轮廓的宽度得到各区块图像的泡沫宽度差异指数，具体包括：
各区块图像的泡沫宽度差异指数与各区块图像中闭合轮廓的个数及各闭合轮廓上起始像素点处宽度方差成正比，与各区块图像中各闭合轮廓的宽度成反比。
优选的，所述根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度，具体包括：
各区块图像的泡沫特征强度与各区块图像的疑似泡沫明显指数成正比，与各区块图像的泡沫絮宽差异指数成反比。
优选的，所述根据各区块图像泡沫变化得到各区块图像泡沫扩散距离及灰度距离的具体步骤为：
将气泡扩散中心所在区块图像作为中心区块图像；将各区块图像中心点到中心区块图像中心点的距离作为各区块图像的泡沫扩散距离；将各区块图像灰度均值与中心区块图像灰度均值的差值作为各区块图像的灰度距离。
优选的，所述根据各区块图像泡沫扩散距离及灰度距离得到各区块图像的泡沫明显度，具体包括：
各区块图像的泡沫明显度与各区块图像的泡沫扩散距离及灰度距离成反比。
优选的，所述根据各区块图像的泡沫特征强度及泡沫明显度得到各区块图像的泡沫显著指数的具体步骤为：
将各区块图像的泡沫特征强度与泡沫明显度的乘积作为各区块图像的泡沫显著指数。
优选的，所述根据各区块图像的泡沫显著指数得到各区块图像的伽马值，具体包括：
各区块图像的伽马值与各区块图像的泡沫显著指数成正比。
本发明至少具有如下有益效果：
本发明通过机器视觉结合冷却池内泡沫特征，获取冷却液表面图像中不同区域的泡沫明显度，进行伽马变换时，对泡沫明显度较低的区域采用较低伽马值，对大量气泡聚集的较亮区域采用较高伽马值，从而自适应增强不同区域的对比度，解决了图像过亮或过暗区域的泡沫边缘不明显的问题，避免了伽马值固定导致图像对比度增强效果较差的问题，提高了冷却液表面图像清晰度，增加了冷却液表面图像细节，提高了冷却液表面图像识别效率。
为了避免伽马值固定导致图像对比度增强效果较差的问题，本发明根据冷却液表面图像中角点分布得到各区块图像的泡沫聚集指数；根据冷却液表面图像中泡沫形状变化得到各区块图像的泡沫宽度差异指数；根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度；结合各区块图像的泡沫扩散距离及灰度变化得到各区块图像的泡沫显著指数；根据各区块图像的泡沫显著指数得到各区块图像的伽马值；进行伽马变换增强图像，实现对不同区域的泡沫进行针对性对比度增强，提高了图像中泡沫边缘的清晰度，有利于对冷却液产生絮状泡沫的情况进行判断，进而提高冷却污水检测速率。
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为本发明提供的基于视觉技术含石墨模锻钢帽冷却污水检测方法的流程图；
图2为冷区池内污水图像；
图3为划分区块及角点检测图像；
图4为本实施例完成后的效果图。
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基于视觉技术含石墨模锻钢帽冷却污水检测方法，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基于视觉技术含石墨模锻钢帽冷却污水检测方法的具体方案。
本发明一个实施例提供的基于视觉技术含石墨模锻钢帽冷却污水检测方法。
具体的，提供了如下的基于视觉技术含石墨模锻钢帽冷却污水检测方法，请参阅图1，该方法包括以下步骤：
步骤S001，采集冷却池内冷却液表面图像。
采用CCD工业相机采集冷却池内冷却液表面图像，如图2所示，拍摄位置固定于冷却池中的冷却操作位置中心的上方，采集时间为含石墨模锻钢帽放入冷却池中20S后进行采集，由于含石墨模锻钢帽放入冷却池初期会，冷却池中会产生大量气泡及水蒸气，其中大量水蒸气的存在会影响照相机采集图像，不利于对冷却液表面图像进行特征分析，因此，采集时间为含石墨模锻钢帽放入冷却池中20S后，此时冷却介质沸腾较为平稳，且蒸汽影响效果相对较小，采集的效果较佳。相机采集位置及采集时间实施者可自行设定，本实施例不做具体限制。
由于图像在采集过程中存在噪声，因此采用小波变化对冷却液表面图像进行去噪，具体去噪算法实施者可自行选取，此处不做具体限制。将去噪后图像转换为灰度图。
步骤S002，根据冷却液表面图像中角点分布及各区块泡沫形状变化得到冷却液表面图像中各区块泡沫特征强度，结合泡沫扩散情况得到各区块泡沫显著指数。
在一般情况下，含石墨模锻钢帽在冷却池进行冷却时，冷却液会迅速沸腾，产生大量气泡和泡沫并向四周扩散，扩散过程中气泡和泡沫逐渐消散，若冷却池中冷却液受到污染时，泡沫的存在时间变长，即冷却液表面远离气泡扩散中心的位置会产生较多不易消散的絮状泡沫。因此基于泡沫在冷却污水表面的性质构建泡沫显著指数，改进伽马变换图像增强算法，实现基于机器视觉含石墨模锻钢帽冷却污水检测方法。
由于高温的含石墨模锻钢帽进入冷却池，模锻钢帽释放模锻工艺过程中混入的空气，且冷却剂受热蒸发。泡沫和气泡会向外辐射扩散，在冷却污水中的扩散中心区域下方即为进行冷却操作的含石墨模锻钢帽，越靠近扩散中心区域，产生的气泡与泡沫越多，且呈现大面积的连续气泡分布；越远离扩散中心点，泡沫越少，且越靠近扩散边缘，泡沫呈现细长型絮状分布。
首先将含石墨模锻钢帽冷却液表面图像划分为大小相同的多个区块图像，划分个数为13×13＝169个，需要说明的是，划分个数实施者可自行设定，划分个数设为奇数个即可，本实施例不做具体限制，块数设置为奇数块是为了更好的确定中心扩散块的位置。由于拍摄位置固定于冷却池中的冷却操作位置中心上方，因此通过固定坐标截取法确定气泡扩散中心所在区块图像，并将其记为中心区块图像。
通过Harris角点检测获得每个区块图像中的角点，如图3所示，采用K-means聚类算法根据角点坐标对各区块图像中的角点进行聚类，得到各区块图像中的各聚类簇，将各聚类簇中角点坐标均值作为各聚类簇中心，获取各区块图像的中心点，对每个区块图像，计算各聚类簇中心到区块图像的中心点的欧氏距离。聚类簇个数越多，各聚类簇到中心点的距离之间的差别越大，说明各区域中泡沫或气泡越稀疏，因此以第k个区块图像为例，获取各区块图像的泡沫聚集指数的表达式为：
式中，E(k)为第k个区块图像的泡沫聚集指数；n(k)为第k个区块图像中的角点数量，m(k)为第k个区块图像中聚类簇个数，maxm(k)为第k个区块图像中各聚类簇中角点数量最大值，DF(k)为第k个区块图像中各聚类簇中心到中心点的欧氏距离方差。
n(k)越大，区块图像中角点数量越多，区块中泡沫或气泡越多，泡沫越聚集；maxm(k)越大，区块图像中泡沫聚集块越大，泡沫越聚集；m(x)越大，区块图像中泡沫之间越不连续，泡沫分布越稀疏；DF(k)越大，各聚类簇到中心点的距离之间的差别越大，说明各区域中泡沫越稀疏；综上，E(k)越大，泡沫越聚集，区块图像亮度越高，增强对比度所需伽马值越大。
由于泡沫的产生机制，越靠近冷却操作位置中心区域，泡沫或气泡的形状越宽大，且有明显的聚集现象；反之，越远离冷却污水中心块区域，泡沫或气泡的形状越细小，且泡沫聚集块的边缘轮廓上不同位置的宽度差别越大。获取泡沫块宽度如下：
通过轮廓跟踪算法得到每个区块中的各闭合轮廓；为获取闭合轮廓不同边缘点处的宽度，首先将闭合轮廓分为左右两个轮廓，具体为，获取各闭合轮廓上最大纵坐标边缘点及最小纵坐标边缘点作为轮廓分割点；根据分割点对闭合轮廓进行分割得到各闭合轮廓的左轮廓及右轮廓；然后将左侧轮廓上的边缘点作为各起始边缘点，将另一侧轮廓上的边缘点作为各终止边缘点；建立各起始边缘点处轮廓的法线，获取各起始边缘点的法线上的终止边缘点，将各法线上起始边缘点与终止边缘点之间的欧式距离作为各起始边缘点处的宽度；将每个闭合轮廓上各起始像素点处宽度的均值作为每个闭合轮廓的宽度。由此构建各区块图像的泡沫宽度差异指数的表达式为：
式中，WY(k)为第k个区块图像的泡沫宽度差异指数，u为第k个区块图像中闭合轮廓的个数，Wi(k)为第k个区块图像中第i个闭合轮廓的宽度，FWi(k)为第k个区块图像中第i个闭合轮廓上起始像素点处宽度方差。u越大，闭合轮廓越多，区块图像中每个泡沫块对应闭合轮廓内面积越小，泡沫越稀疏；FWi(k)越大，泡沫块的边缘轮廓上不同位置的宽度差别越大，泡沫块形状越复杂，越可能为稀疏泡沫形状；Wi(k)越小，泡沫块越细，与中心区块图中泡沫块的差别越大；综上，WY(k)越大，泡沫越稀疏，颜色越接近冷却液颜色，整体亮度越低，需要的伽马值越小。
由于各区块图像中泡沫特征主要受泡沫形状影响，泡沫形状又受泡沫宽度影响，因此结合各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度E(k)：
式中，G(k)为第k个区块图像的泡沫特征强度，E(k)为第k个区块图像的疑似泡沫明显指数，WY(k)为第k个区块图像的泡沫絮宽差异指数。E(k)越大、WY(k)越小，泡沫越聚集，泡沫特征强度越大，所需伽马值越大。
由于泡沫的产生是因为冷却液受到污染以及含石墨模锻钢帽与冷却液接触短时间内释放大量的热，所以泡沫的显著度还与其位置相关。中心区块图像的泡沫特征最为明显，越远离中心区块图像，泡沫聚集程度越低，泡沫宽度差异越大，泡沫的明显度越低。反之，越靠近中心区块图像，泡沫的明显度越高。因此，将各区块图像中心点到中心区块图像中心点的距离作为各区块图像的泡沫扩散距离；将各区块图像灰度均值与中心区块图像灰度均值的差值作为各区块图像的灰度距离；根据各区块图像的泡沫扩散距离及灰度距离得到各区块图像的泡沫明显度的表达式为：
式中，C(k)为第k个区块图像的泡沫明显度，DS(k)为第k个区块图像的泡沫扩散距离，DM(k)为第k个区块图像的灰度距离。DS(k)越小、DM(k)越小，泡沫越明显。
通过上述特征可以得到各区块图像的泡沫显著指数B(k)：
B(k)＝G(k)×C(k)
B(k)为第k个区块图像的泡沫显著指数，G(k)为第k个区块图像的泡沫特征强度，C(k)为第k个区块图像的泡沫明显度。G(k)越大，则第k个区块图像中的泡沫分布越密集，泡沫块宽度差异越小，B(k)越大；反之第k个区块图像中泡沫分布越稀疏，泡沫块宽度差异越大，B(k)越小，对第k个区块图像越应该采用较小伽马值进行增强。C(k)越大时，表示第k个区块图像与中心区块图像的灰度均值差异越大，泡沫越明显；反之泡沫越不明显，越应该采用较小伽马值增强第k个区块图像。
步骤S003，根据各区块图像的泡沫显著指数得到各区块图像的伽马值，根据各区块图像的伽马值对各区块图像进行伽马变换，完成冷却液表面图像增强。
将各区块图像的泡沫显著指数归一化，由于伽马值的一般变化范围为0.5-2.5，因此根据各区块图像的泡沫显著指数自适应获取各区块图像的伽马值的表达式为：
γ(k)＝a+B′(k)×b
式中，γ(k)为第k个区块图像的伽马值，a、b均为限制因子，a＝0.5，b＝2，B′(k)为第k个区块图像的归一化泡沫显著指数。
根据各区块图像的伽马值对各区块图像进行伽马变换，完成冷却液表面图像增强，如图4所示。
综上所述，本发明实施例通过机器视觉结合冷却池内泡沫特征，获取冷却液表面图像中不同区域的泡沫明显度，进行伽马变换时，对泡沫明显度较低的区域采用较低伽马值，对大量气泡聚集的较亮区域采用较高伽马值，从而自适应增强不同区域的对比度，解决了图像过亮或过暗区域的泡沫边缘不明显的问题，避免了伽马值固定导致图像对比度增强效果较差的问题，提高了冷却液表面图像清晰度，增加了冷却液表面图像细节，提高了冷却液表面图像识别效率。
为了避免伽马值固定导致图像对比度增强效果较差的问题，本实施例根据冷却液表面图像中角点分布得到各区块图像的泡沫聚集指数；根据冷却液表面图像中泡沫形状变化得到各区块图像的泡沫宽度差异指数；根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度；结合各区块图像的泡沫扩散距离及灰度变化得到各区块图像的泡沫显著指数；根据各区块图像的泡沫显著指数得到各区块图像的伽马值；进行伽马变换增强图像，实现对不同区域的泡沫进行针对性对比度增强，提高了图像中泡沫边缘的清晰度，有利于对冷却液产生絮状泡沫的情况进行判断，进而提高冷却污水检测速率。
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。且上述对本说明书特定实施例进行了描述。另外，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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，该方法包括以下步骤：
采集冷却池内冷却液表面图像；将冷却液表面图像划分为大小相同的多个区块图像；
通过角点检测获得每个区块图像中的角点；根据角点坐标对各区块图像中的角点进行聚类得到各区块图像中的各聚类簇；根据各区块图像中的角点聚类结果得到各区块图像的泡沫聚集指数；根据各区块图像中泡沫形状得到各区块图像中每个闭合轮廓的宽度；根据各区块图像中每个闭合轮廓的宽度得到各区块图像的泡沫宽度差异指数；根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度；根据各区块图像泡沫变化得到各区块图像泡沫扩散距离及灰度距离；根据各区块图像泡沫扩散距离及灰度距离得到各区块图像的泡沫明显度；根据各区块图像的泡沫特征强度及泡沫明显度得到各区块图像的泡沫显著指数；
根据各区块图像的泡沫显著指数得到各区块图像的伽马值；根据各区块图像的伽马值对各区块图像进行伽马变换，完成冷却液表面图像增强。
2.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述采集冷却池内冷却液表面图像的具体步骤为：
设定石墨模锻钢帽放入冷却池后某时刻为采集时刻；在采集时刻采集冷却池内冷却液表面图像。
3.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像中的角点聚类结果得到各区块图像的泡沫聚集指数，具体包括：
各区块图像的泡沫聚集指数与各区块图像中的角点数量及各聚类簇中角点数量最大值成正比，与各区块图像中聚类簇个数及各聚类簇中心到各区块图像中心点的欧氏距离方差成反比。
4.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像中泡沫形状得到各区块图像中每个闭合轮廓的宽度的具体步骤为：
获取每个区块中的各闭合轮廓；通过闭合边缘上最值坐标将闭合轮廓分为两条边缘；将任意一条轮廓上的边缘点作为各起始边缘点；将另一条轮廓上的边缘点作为各终止边缘点；获取各起始边缘点对应的终止边缘点；将各起始边缘点与对应终止边缘点之间的距离作为各起始边缘点处的宽度；将每个闭合轮廓上起始像素点处宽度的均值作为每个闭合轮廓的宽度。
5.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像中每个闭合轮廓的宽度得到各区块图像的泡沫宽度差异指数，具体包括：
各区块图像的泡沫宽度差异指数与各区块图像中闭合轮廓的个数及各闭合轮廓上起始像素点处宽度方差成正比，与各区块图像中各闭合轮廓的宽度成反比。
6.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像的泡沫聚集指数及泡沫宽度差异指数得到各区块图像的泡沫特征强度，具体包括：
各区块图像的泡沫特征强度与各区块图像的疑似泡沫明显指数成正比，与各区块图像的泡沫絮宽差异指数成反比。
7.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像泡沫变化得到各区块图像泡沫扩散距离及灰度距离的具体步骤为：
将气泡扩散中心所在区块图像作为中心区块图像；将各区块图像中心点到中心区块图像中心点的距离作为各区块图像的泡沫扩散距离；将各区块图像灰度均值与中心区块图像灰度均值的差值作为各区块图像的灰度距离。
8.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像泡沫扩散距离及灰度距离得到各区块图像的泡沫明显度，具体包括：
各区块图像的泡沫明显度与各区块图像的泡沫扩散距离及灰度距离成反比。
9.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像的泡沫特征强度及泡沫明显度得到各区块图像的泡沫显著指数的具体步骤为：
将各区块图像的泡沫特征强度与泡沫明显度的乘积作为各区块图像的泡沫显著指数。
10.如权利要求1所述的基于视觉技术含石墨模锻钢帽冷却污水检测方法，其特征在于，所述根据各区块图像的泡沫显著指数得到各区块图像的伽马值，具体包括：
各区块图像的伽马值与各区块图像的泡沫显著指数成正比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172523.XA CN117252826B (zh) | 2023-09-12 | 2023-09-12 | 基于视觉技术含石墨模锻钢帽冷却污水检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172523.XA CN117252826B (zh) | 2023-09-12 | 2023-09-12 | 基于视觉技术含石墨模锻钢帽冷却污水检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252826A true CN117252826A (zh) | 2023-12-19 |
| CN117252826B CN117252826B (zh) | 2024-03-12 |
Family
ID=89136124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172523.XA Active CN117252826B (zh) | 2023-09-12 | 2023-09-12 | 基于视觉技术含石墨模锻钢帽冷却污水检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252826B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118290163A (zh) * | 2024-06-05 | 2024-07-05 | 盘锦嘉碳新材料有限公司 | 一种等静压石墨专用电阻料的制备方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
| JP2016057429A (ja) * | 2014-09-09 | 2016-04-21 | コニカミノルタ株式会社 | 画像形成装置 |
| CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
| CN116258719A (zh) * | 2023-05-15 | 2023-06-13 | 北京科技大学 | 基于多模态数据融合的浮选泡沫图像分割方法和装置 |
-
2023
- 2023-09-12 CN CN202311172523.XA patent/CN117252826B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016057429A (ja) * | 2014-09-09 | 2016-04-21 | コニカミノルタ株式会社 | 画像形成装置 |
| CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
| CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
| CN116258719A (zh) * | 2023-05-15 | 2023-06-13 | 北京科技大学 | 基于多模态数据融合的浮选泡沫图像分割方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张体学: "锻造索具切边退料及出飞边复合装置研究与设计", 《锻造与冲压》, 1 August 2022 (2022-08-01), pages 75 - 76 * |
| 陈喜胜: "最大类间方差法在污水排放图像处理中的应用研究", 《现代计算机》, 15 November 2017 (2017-11-15), pages 65 - 70 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118290163A (zh) * | 2024-06-05 | 2024-07-05 | 盘锦嘉碳新材料有限公司 | 一种等静压石墨专用电阻料的制备方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252826B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046677B (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
| CN117252826B (zh) | 基于视觉技术含石墨模锻钢帽冷却污水检测方法 | |
| CN109145915A (zh) | 一种复杂场景下车牌快速畸变矫正方法 | |
| CN105046658B (zh) | 一种低照度图像处理方法和装置 | |
| CN102568007A (zh) | 利用改进霍夫变换进行类圆形检测的图像处理方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
| CN106529543B (zh) | 一种动态计算多色级二值化自适应阈值的方法及其系统 | |
| CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
| CN110400274B (zh) | 一种车载红外行人检测用红外图像增强方法 | |
| CN104504662A (zh) | 一种基于同态滤波的图像处理方法及系统 | |
| CN110838091B (zh) | 完全自适应的红外图像对比度增强方法及系统 | |
| CN105139344B (zh) | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 | |
| CN103295010A (zh) | 一种处理人脸图像的光照归一化方法 | |
| CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
| CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
| CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
| CN114862902A (zh) | 一种基于四叉树的光照自适应orb特征提取和匹配方法 | |
| CN104408695A (zh) | 直方图模糊加权调整与均衡的红外图像增强方法 | |
| Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
| CN111539967B (zh) | 一种焦平面太赫兹成像中干涉条纹区域识别与处理方法及系统 | |
| CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
| CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
| CN114339064B (zh) | 一种基于熵权图像梯度的贝叶斯优化曝光控制方法 | |
| CN111524152B (zh) | 一种基于深度估计的水下图像复原计算效率提升方法及系统 |
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 |