CN117428183B - 基于图像识别的扒渣控制方法、系统、设备及介质 - Google Patents
基于图像识别的扒渣控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117428183B CN117428183B CN202311761781.1A CN202311761781A CN117428183B CN 117428183 B CN117428183 B CN 117428183B CN 202311761781 A CN202311761781 A CN 202311761781A CN 117428183 B CN117428183 B CN 117428183B
- Authority
- CN
- China
- Prior art keywords
- slag
- raked
- information
- pixel
- fluid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000002893 slag Substances 0.000 claims abstract description 505
- 239000012530 fluid Substances 0.000 claims abstract description 175
- 239000002184 metal Substances 0.000 claims abstract description 90
- 229910052751 metal Inorganic materials 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 34
- 239000007788 liquid Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 46
- 229910052742 iron Inorganic materials 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 10
- 229910001021 Ferroalloy Inorganic materials 0.000 description 8
- 230000009471 action Effects 0.000 description 8
- 239000012535 impurity Substances 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000007667 floating Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000779 smoke 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D43/00—Mechanical cleaning, e.g. skimming of molten metals
- B22D43/005—Removing slag from a molten metal surface
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Furnace Charging Or Discharging (AREA)
Abstract
本发明公开了一种基于图像识别的扒渣控制方法、系统、设备及介质。基于图像识别的扒渣控制方法包括：获取位于金属流体表面的待扒炉渣的温度信息；基于针对金属流体获取的流体液面图像，确定待扒炉渣的位置信息；基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成扒渣控制信号，其中，扒渣控制信号用于指示将待扒炉渣从金属流体中扒出。本发明提高了扒渣的效率和效果，降低了扒渣成本。
Description
技术领域
本发明涉及视觉识别、图像处理、合金冶金等技术领域，尤其涉及一种基于图像识别的扒渣控制方法、系统、设备及存储介质。
背景技术
在铁合金冶金行业，由矿热炉流出的铁水通常伴随有杂质炉渣。在铁水浇筑锭模前，需要扒除铁水表面的杂质炉渣，然后铁水需经过铁水包浇筑在锭模内，等待冷却破碎。由于产生的杂质炉渣的密度一般比铁水小，杂质炉渣会浮在铁水表面。不同铁合金产品对扒渣后的残渣量要求不同，残渣量直接影响铁合金产品的品质，因此需要扒出铁水表面的炉渣。然而，由于工作环境温度高，且扒渣过程中会有大量铁水飞溅，采用人工扒渣的方式存在较多的安全问题，工作环境较恶劣，工作人员面临现场高温及烟气危害。
发明内容
本申请实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请实施方式的目的在于提出一种基于图像识别的扒渣控制方法、扒渣系统、装置、电子设备、存储介质及程序产品。
本申请实施方式提供一种基于图像识别的扒渣控制方法，所述方法包括：获取位于金属流体表面的待扒炉渣的温度信息；基于针对金属流体获取的流体液面图像，确定待扒炉渣的位置信息；基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，其中，所述扒渣控制信号用于指示将所述待扒炉渣从所述金属流体中扒出。
示例性地，所述基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，包括：基于所述待扒炉渣的温度信息，从所述待扒炉渣中确定目标炉渣，其中，所述目标炉渣的温度小于或等于剩余炉渣的温度，所述剩余炉渣为所述待扒炉渣中除所述目标炉渣之外的炉渣；基于所述目标炉渣的位置信息，生成所述扒渣控制信号。
示例性地，所述基于针对金属流体获取的流体液面图像，确定位于所述金属流体表面的待扒炉渣的位置信息，包括：对所述流体液面图像进行图像识别，确定位于所述金属流体表面的所述待扒炉渣的位置信息。
示例性地，所述对所述流体液面图像进行图像识别，确定位于所述金属流体表面的所述待扒炉渣的位置信息，包括：将所述流体液面图像的像素信息与参考像素信息进行对比，以从所述流体液面图像中确定所述待扒炉渣对应的像素；基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，得到所述待扒炉渣的位置信息。
示例性地，所述方法还包括：基于所述待扒炉渣的温度信息，确定所述参考像素信息，其中，所述待扒炉渣的温度信息包括所述待扒炉渣所处的环境温度信息和/或所述待扒炉渣的表面温度信息。
示例性地，所述基于所述待扒炉渣的温度信息，确定所述参考像素信息，包括：获取至少一个候选参考像素信息以及与每个候选参考像素信息对应的炉渣参考温度信息；基于所述待扒炉渣的温度信息，从所述至少一个候选参考像素信息中确定所述参考像素信息，其中，所述参考像素信息对应的炉渣参考温度信息与所述待扒炉渣的温度信息之间的差异满足预设条件。
示例性地，所述流体液面图像中各像素的像素信息包括多个第一像素值，所述参考像素信息包括分别与所述多个第一像素值对应的多个第二像素值区间；所述将所述流体液面图像的像素信息与参考像素信息进行对比，以从所述流体液面图像中确定所述待扒炉渣的像素，包括：分别将每个第一像素值与对应的第二像素值区间进行对比，得到对比结果；在所述对比结果表征每个第一像素值均位于对应的第二像素值区间之内的情况下，确定所述流体液面图像中的该像素为所述待扒炉渣的像素，在分别将每个第一像素值与对应的第二像素值区间进行对比之前，所述方法还包括：将每个第一像素值的数据类型转换为二进制类型。
示例性地，所述基于所述目标炉渣的位置信息，生成扒渣控制信号，包括：基于所述目标炉渣的位置信息，生成扒渣路径信息；基于所述扒渣路径信息，生成所述扒渣控制信号。
示例性地，所述目标炉渣的位置信息包括所述目标炉渣与所述金属流体之间的相对位置信息；所述基于所述目标炉渣的位置信息，生成扒渣路径信息，包括：基于所述目标炉渣与所述金属流体之间的相对位置信息以及所述金属流体的位置信息，生成所述扒渣路径信息，其中，所述扒渣路径信息包括距离信息和角度信息，所述距离信息包括所述扒渣装置从当前位置伸至所述目标炉渣的伸出长度，所述角度信息包括所述扒渣装置以当前位置为旋转中心进行旋转以指向所述目标炉渣的旋转角度。
示例性地，所述基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，得到所述待扒炉渣的位置信息，包括：基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，确定所述待扒炉渣在所述流体液面图像中形成的连通区域；将所述连通区域在所述流体液面图像中的位置信息，确定为所述待扒炉渣的位置信息。
示例性地，所述方法还包括：在扒渣的过程中，确定所述连通区域的区域面积；在所述连通区域的区域面积小于预设区域面积的情况下，生成停止扒渣的控制信号。
本申请另一实施方式提供一种扒渣系统，所述系统包括：温度采集装置、图像数据处理装置、扒渣控制装置和扒渣装置。温度采集装置，用于获取位于金属流体表面的待扒炉渣的温度信息；图像数据处理装置，用于基于针对所述金属流体获取的流体液面图像，确定所述待扒炉渣的位置信息；扒渣控制装置，用于基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，并基于所述扒渣控制信号，控制扒渣装置将所述待扒炉渣从所述金属流体中扒出；扒渣装置，用于将所述待扒炉渣从所述金属流体中扒出。
本申请另一实施方式提供一种基于图像识别的扒渣控制装置，所述装置包括：获取模块、确定模块和生成模块。获取模块，用于获取位于金属流体表面的待扒炉渣的温度信息；；确定模块，用于基于针对所述金属流体获取的流体液面图像，确定所待扒炉渣的位置信息；生成模块，用于基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，其中，所述扒渣控制信号用于指示将所述待扒炉渣从所述金属流体中扒出。
本申请另一实施方式提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项实施方式所述的方法的步骤。
本申请另一实施方式提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。
本申请另一实施方式提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被计算机设备的处理器执行时，使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。
上述实施方式中，通过获取位于金属流体表面的待扒炉渣的温度信息，基于针对金属流体获取的流体液面图像，确定位于金属流体表面的待扒炉渣的位置信息，基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成用于指示将待扒炉渣从金属流体中扒出的扒渣控制信号，提高了扒渣的效率和效果，降低了扒渣成本。
附图说明
图1为本申请实施方式提供的用于实现基于图像识别的扒渣控制方法的系统架构；
图2为本申请实施方式提供的基于图像识别的扒渣控制方法的流程示意图；
图3为本申请实施方式提供的图像识别的示意图；
图4为本申请实施方式提供的待扒炉渣的识别结果示意图；
图5为本申请实施方式提供的扒渣系统的框图；
图6为本申请另一实施方式提供的扒渣系统的示意图；
图7为本申请实施方式提供的扒渣轨迹示意图；
图8为本申请实施方式提供的控制系统的结构示意图；
图9为本申请实施方式提供的扒渣时的视频图像的示意图；
图10为本申请实施方式提供的基于图像识别的扒渣控制装置的示意图；
图11为本申请实施方式提供的电子设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在铁合金冶金行业，由矿热炉流出的铁水通常伴随有杂质炉渣。在铁水浇筑锭模前，需要扒除铁水表面的杂质炉渣，然后铁水需经过铁水包浇筑在锭模内，等待冷却破碎。由于产生的杂质炉渣的密度一般比铁水小，杂质炉渣会浮在铁水表面。不同铁合金产品对扒渣后的残渣量要求不同，残渣量直接影响铁合金产品的品质，因此需要扒出铁水表面的炉渣。
在一些示例中，可以利用专用的视觉相机或专用的视觉传感器识别炉渣，专用的视觉相机或专用的视觉传感器具有视频采集功能和视频数据识别功能，增加了设备成本和维护难度。在另一些示例中，在扒渣过程中，采用程序设定固定扒渣路径，基于固定扒渣路径进行扒渣的过程不够智能，且扒渣效率低、扒渣效果不佳。
有鉴于此，本申请实施方式提供了一种优化的基于图像识别的扒渣控制方法。
图1为本申请实施方式提供的用于实现基于图像识别的扒渣控制方法的系统架构。
如图1所示，系统架构100包括执行设备110、图像识别算法构建模块120、数据库130、客户设备140、数据存储系统150以及数据采集设备160。执行设备110包括计算模块111、I/O接口112、扒渣控制系统113和扒渣装置114，计算模块111中存储有图像识别算法101。
数据采集设备160 用于采集视频数据、图像数据、温度数据等等并将其存入数据库130。数据采集设备160例如包括视频采集装置、图像采集装置、温度采集装置等。
图像识别算法构建模块120用于构建图像识别算法，图像识别算法可以包括预先定义图像处理规则、用于进行图像识别的深度学习模型、机器学习模型等等。通过图像识别算法构建模块120构建得到的图像识别算法101可以应用到不同的系统或设备中，例如应用到执行设备110中。
执行设备110中配置有I/O接口112，通过I/O接口112与外部设备进行数据交互，外部设备例如包括客户设备140。用户可以通过客户设备140向I/O接口112输入针对金属流体获取的流体液面图像，该流体液面图像可以由数据采集设备160采集得到并存储至数据库130中，由用户确认或进行相应的处理后再输入执行设备110。另外，用户也可以通过客户设备140向I/O接口112输入用于指示执行设备110执行数据处理操作的指令。
执行设备110可以调用数据存储系统150中的数据、代码等，也可以将数据、指令等存入数据存储系统150中。
计算模块111中存储有图像识别算法101，计算模块111利用图像识别算法101基于针对金属流体获取的流体液面图像，确定位于金属流体表面的待扒炉渣的位置信息。
扒渣控制系统113基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成用于指示将待扒炉渣从金属流体中扒出的扒渣控制信号。
扒渣装置114基于扒渣控制信号将待扒炉渣从金属流体中扒出。
接下来，I/O接口112可以将扒渣结果返回给客户设备140，以提供给用户。
在图1所示的情况下，用户可以手动指定输入执行设备110的流体液面图像，例如，在I/O接口112提供的界面中执行输入操作。另一种情况下，客户设备140可以自动地向I/O接口112输入流体液面图像，例如客户设备140获得用户的授权后自动输入流体液面图像，用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的图像识别结果和扒渣结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以将图像识别结果和扒渣结果存入数据库130。
值得注意的，图1仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图1中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。
图2为本申请实施方式提供的基于图像识别的扒渣控制方法的流程示意图。
如图2所示，本申请实施方式提供的基于图像识别的扒渣控制方法200例如包括步骤S210-S230。
步骤S210，获取位于金属流体表面的待扒炉渣的温度信息。
示例性地，例如可以通过温度传感器获取待扒炉渣的温度信息，待扒炉渣的温度信息包括待扒炉渣所处的环境温度信息和/或待扒炉渣的表面温度信息。
步骤S220，基于针对金属流体获取的流体液面图像，确定待扒炉渣的位置信息。
示例性地，金属流体包括铁水或其他金属液体，本申请的实施例以金属流体为铁水为例进行说明。铁水例如被存储在铁水包或其他容器中，在将铁水浇筑锭模之前，为了保证铁合金产品的质量，需要扒出浮在铁水表面的炉渣。例如，可以获取针对金属流体的流体液面图像，并对流体液面图像进行处理从而确定位于金属流体表面的待扒炉渣的位置信息。例如，可以针对铁水包的包口采集图像，采集的图像为针对金属流体的流体液面图像。
可见，相比于通过高成本的专用视觉相机进行图像采集和图像处理，本申请的实施例可以通过高清网络摄像头获取流体液面图像，并将流体液面图像发送至图像数据处理装置进行图像处理，降低了设备成本。可以理解，高清网络摄像头可以直接采集流体液面图像，或者也可以针对金属流体采集视频数据，后续可以基于视频数据得到流体液面图像。
步骤S230，基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成扒渣控制信号。
示例性地，扒渣控制信号用于指示将待扒炉渣从金属流体中扒出。在基于流体液面图像得到待扒炉渣位于金属流体表面的位置信息之后，可以同时以待扒炉渣的位置信息和温度信息为依据进行扒渣控制。其中，以温度信息作为依据进行扒渣，能够及时将满足预设温度条件的待扒炉渣扒出，避免待扒炉渣长时间浮在金属流体表面而因温度变化导致后续难以扒出。在确定待扒炉渣的位置信息之后，可以基于待扒炉渣的位置信息和温度信息生成扒渣控制信号，以便基于扒渣控制信号将浮在金属流体表面的待扒炉渣扒出。
在执行步骤S220进行图像识别的过程中，也可以基于待扒炉渣的温度信息进行图像识别，此时由于待扒炉渣尚未被识别出来，因此待扒炉渣的温度信息可以是待扒炉渣所处的环境温度信息。在执行步骤S220之后，由于待扒炉渣已经被识别出来，在执行步骤S230的过程中待扒炉渣的温度信息可以是待扒炉渣的表面温度信息。
可以理解，本申请的实施例通过低成本的高清网络摄像头获取流体液面图像以进行扒渣控制，降低了扒渣设备的成本。另外，基于流体液面图像确定待扒炉渣的位置信息，并基于待扒炉渣的位置信息和温度信息进行扒渣控制，实现了及时将浮在金属流体表面的待扒炉渣扒出，避免待扒炉渣长时间浮在金属流体表面而因温度变化而难以扒出，由此提高了扒渣的效率和扒渣效果。
在另一示例中，满足预设温度条件的待扒炉渣包括温度低的炉渣。例如，可以基于待扒炉渣的温度信息从待扒炉渣中确定目标炉渣，待扒炉渣的温度信息可以是待扒炉渣的表面温度信息，目标炉渣的温度小于或等于剩余炉渣的温度，剩余炉渣为待扒炉渣中除目标炉渣之外的炉渣。确定出目标炉渣之后，可以基于目标炉渣的位置信息生成扒渣控制信号，以便基于扒渣控制信号将浮在金属流体表面的目标炉渣扒出。将目标炉渣扒出后，继续确定温度低的下一目标炉渣，以此循环直到扒渣任务结束。
在本申请的示例中，在基于图像识别进行扒渣控制时，加入温度信息作为参考，以便优先将温度低的目标炉渣扒出，防止温度降低后炉渣硬度大或黏在一起而导致难以扒出，以此提高扒渣效果。
在另一示例中，可以对流体液面图像进行图像识别，以确定位于金属流体表面的待扒炉渣的位置信息。在进行图像识别时，可以首先确定参考像素信息作为参考，参考像素信息为预先存储的像素信息，用于作为图像比对的参考基准。
例如，预先存储的像素信息包括至少一个候选参考像素信息，每个候选参考像素信息包括对应的炉渣参考温度信息，每个候选参考像素信息表示在与之对应的炉渣参考温度下炉渣的像素值。例如，当炉渣参考温度为a摄氏度时，对应的候选参考像素信息包括像素值A，表示在炉渣温度为a摄氏度时炉渣的像素值为A。同理，当炉渣参考温度为b摄氏度时，对应的候选参考像素信息为像素值B。其中，a、b、A、B均为数值。
对于参考像素信息，可以基于待扒炉渣的温度信息，从至少一个候选参考像素信息中确定参考像素信息。例如，待扒炉渣的温度信息包括待扒炉渣所处的环境温度信息，在待扒炉渣所处的环境温度信息表示待扒炉渣所处的环境温度为c摄氏度的情况下，所确定的参考像素信息对应的炉渣参考温度信息与环境温度信息之间的差异满足预设条件，其中c为数值，两者满足预设条件包括两者相等或两者之间的差值较小。例如，预设条件例如包括所确定的参考像素信息对应的炉渣参考温度与环境温度之间的差值小于等于其他候选参考像素信息对应的炉渣参考温度与环境温度之间的差值。换言之，炉渣在不同的温度下对应的像素值存在区别，为了提高炉渣识别的准确性，基于待扒炉渣的温度信息，从多个候选参考像素信息中确定对应的炉渣温度与环境温度最接近的参考像素信息，以将流体液面图像的像素信息与参考像素信息进行对比实现炉渣识别。
可以理解，虽然基于目标炉渣的温度信息确定参考像素信息更加准确，但是在进行图像比对以从流体液面图像中识别待扒炉渣对应的像素之前，由于目标炉渣尚未确定，因此目标炉渣的具体温度是待定的，并且目标炉渣的温度与待扒炉渣所处的环境温度差别不大，由此可以将待扒炉渣所处的环境温度信息作为依据来确定合适的参考像素信息，以此提高炉渣识别的准确性。
在确定参考像素信息之后，将流体液面图像的像素信息与参考像素信息进行对比，以从流体液面图像中确定待扒炉渣对应的像素，然后基于待扒炉渣对应的像素在流体液面图像中的位置，得到待扒炉渣的位置信息。
图3为本申请实施方式提供的图像识别的示意图。
如图3所示，获取的流体液面图像310包括多个像素，其中圆形线条包围的区域311为金属流体所在的区域，其余区域为外部区域。在识别待扒炉渣时，可以对流体液面图像310进行识别确定区域311，然后再对区域311进行进一步识别，减少图像识别的计算量。
示例性地，流体液面图像310中各像素的像素信息包括多个第一像素值，多个第一像素值例如包括R值、G值、B值。参考像素信息包括分别与多个第一像素值对应的多个第二像素值区间，多个第二像素值区间例如包括[r1，r2]、[g1，g2]、[b1，b2]三个。第二像素值区间[r1，r2]与R值对应，第二像素值区间[g1，g2]与G值对应，第二像素值区间[b1，b2]与B值对应。r1、r2、g1、g2、b1、b2均为具体的像素值。
针对区域311中的每个像素，分别将该像素的第一像素值（R值、G值、B值）与对应的第二像素值区间进行对比，得到对比结果。例如，将该像素的R值与r1及r2进行对比，将该像素的G值与g1及g2进行对比，将该像素的B值与b1及b2进行对比。
在对比结果表征每个第一像素值均位于对应的第二像素值区间之内的情况下，确定流体液面图像中的该像素为待扒炉渣的像素。例如，在该像素的R值大于等于r1且小于等于r2、G值大于等于g1且小于等于g2、B值大于等于b1且小于等于b2的情况下，确定该像素为待扒炉渣的像素。
示例性地，可以利用高清网络摄像头获取视频流，并将视频流发送至图像数据处理装置中，由图像数据处理装置对视频流进行编码，以转换为数字信号的形式，然后从视频中确定图像帧作为流体液面图像进行图像识别。另外，在将流体液面图像中各像素的第一像素值与对应的第二像素值区间进行对比之前，可以将每个第一像素值的数据类型转换为二进制类型，再将二进制类型的第一像素值和二进制类型的第二像素值区间进行比对，相比于十进制或其他数据类型的数据比对，二进制类型的数据比对极大提高了图像识别的效率和识别速度。
图4为本申请实施方式提供的待扒炉渣的识别结果示意图。
如图4所示，在识别得到待扒炉渣的每个像素之后，基于待扒炉渣对应的像素在流体液面图像中的位置，确定待扒炉渣在流体液面图像中形成的连通区域410。然后，将连通区域410在流体液面图像中的位置信息，确定为待扒炉渣的位置信息。
示例性地，在扒渣的过程中，可以实时确定待扒炉渣在流体液面图像中形成的连通区域410的区域面积，例如在扒渣的过程中实时采集当前的流体液面图像并识别得到实时的连通区域410。在实时检测的连通区域410的区域面积小于预设区域面积的情况下，表示剩余待扒炉渣较少，此时生成停止扒渣的控制信号，以便基于停止扒渣的控制信号停止扒渣，以结束扒渣任务。可见，通过图像识别实时确定连通区域的区域面积，并基于连通区域的区域面积控制扒渣任务的结束，提高扒渣智能化。
另外，在得到待扒炉渣的位置信息之后，可以进行平面图像数据建模，得到待扒炉渣的平面数据模型。平面数据模型包括坐标系和坐标系下各像素的位置信息，x为坐标系的横轴，y为坐标系的纵轴。平面图像数据建模过程包括基于待扒炉渣的位置建立坐标系，以及包括确定待扒炉渣与金属流体之间的相对位置关系、金属流体与金属流体容器之间的相对位置关系、待扒炉渣与用于扒渣的装置之间的相对位置关系等等。通过图像数据建模便于后续可以基于模型进行扒渣控制。
在一示例中，可以基于目标炉渣的位置信息生成扒渣路径信息，扒渣路径信息包括从扒渣装置的当前位置到待扒的目标炉渣的路径。示例性地，目标炉渣的位置信息包括目标炉渣与金属流体之间的相对位置信息，基于目标炉渣与金属流体之间的相对位置信息以及金属流体的位置信息，生成扒渣路径信息。具体地，扒渣路径信息包括距离信息和角度信息，距离信息表示从扒渣装置的当前位置到目标炉渣的距离，例如距离信息包括扒渣装置从当前位置伸至目标炉渣的伸出长度，角度信息表示从扒渣装置的当前位置到目标炉渣需要旋转的角度，例如角度信息包括扒渣装置以当前位置为旋转中心进行旋转以指向目标炉渣的旋转角度。生成扒渣路径信息之后，可以基于扒渣路径信息生成扒渣控制信号，扒渣控制信号用于控制扒渣装置进行扒渣。可以理解，基于位置信息和角度信息进行扒渣，提高了扒渣的自动化程度和智能化程度。
图5为本申请实施方式提供的扒渣系统的框图。
如图5所示，本申请实施方式提供的扒渣系统500包括：温度采集装置510、图像数据处理装置520、扒渣控制装置530和扒渣装置540。
示例性地，温度采集装置510用于获取位于金属流体表面的待扒炉渣的温度信息。图像数据处理装置520用于基于针对金属流体获取的流体液面图像，确定位于金属流体表面的待扒炉渣的位置信息。扒渣控制装置530用于基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成扒渣控制信号，并基于所述扒渣控制信号，控制扒渣装置540将待扒炉渣从金属流体中扒出。扒渣装置540用于将待扒炉渣从金属流体中扒出。
可以理解，本申请的实施例基于流体液面图像确定待扒炉渣的位置信息，并基于待扒炉渣的位置信息和温度信息进行扒渣，实现了及时将浮在金属流体表面的待扒炉渣扒出，避免待扒炉渣长时间浮在金属流体表面而因温度变化而难以扒出，由此提高了扒渣的效率和扒渣效果。
示例性地，图像数据处理装置520用于对流体液面图像进行图像识别，以确定位于金属流体表面的待扒炉渣的位置信息。例如，将流体液面图像的像素信息与参考像素信息进行对比，以从流体液面图像中确定待扒炉渣对应的像素，并基于待扒炉渣对应的像素在流体液面图像中的位置，得到待扒炉渣的位置信息。
示例性地，图像数据处理装置520用于基于待扒炉渣的温度信息，确定参考像素信息，待扒炉渣的温度信息包括待扒炉渣所处的环境温度信息和/或待扒炉渣的表面温度信息。例如，获取至少一个候选参考像素信息以及与每个候选参考像素信息对应的炉渣参考温度信息，基于待扒炉渣的温度信息，从至少一个候选参考像素信息中确定参考像素信息，其中，参考像素信息对应的炉渣参考温度信息与待扒炉渣的温度信息之间的差异满足预设条件。
示例性地，流体液面图像中各像素的像素信息包括多个第一像素值，参考像素信息包括分别与多个第一像素值对应的多个第二像素值区间。图像数据处理装置520用于分别将每个第一像素值与对应的第二像素值区间进行对比，得到对比结果，在对比结果表征每个第一像素值均位于对应的第二像素值区间之内的情况下，确定流体液面图像中的该像素为待扒炉渣的像素。由于炉渣的不同温度对应的像素值存在区别，基于待扒炉渣所处的环境温度，从多个候选参考像素信息中确定参考像素信息，并将待扒炉渣的像素与目标参考像素进行比对，提高了炉渣识别的准确性。
示例性地，在分别将每个第一像素值与对应的第二像素值区间进行对比之前，图像数据处理装置520用于将每个第一像素值的数据类型转换为二进制类型，基于二进制类型的数据比对极大提高了图像识别的效率。
示例性地，图像数据处理装置520用于基于待扒炉渣对应的像素在流体液面图像中的位置，确定待扒炉渣在流体液面图像中形成的连通区域，将连通区域在流体液面图像中的位置信息，确定为待扒炉渣的位置信息。在扒渣的过程中，图像数据处理装置520用于确定连通区域的区域面积，扒渣控制装置530用于在连通区域的区域面积小于预设区域面积的情况下，生成停止扒渣的控制信号。可见，通过图像识别实时确定连通区域的区域面积，并基于连通区域的区域面积控制扒渣任务的结束，提高扒渣智能化。
图6为本申请另一实施方式提供的扒渣系统的示意图。
如图6所示，本申请实施方式提供的另一扒渣系统包括：图像数据处理装置（未示出）、扒渣控制装置（未示出）、扒渣装置610、图像采集装置620、温度采集装置630、铁水包640、铁水包平台650和炉渣盆660。
示例性地，铁水包640由车辆或天车吊运至铁水包平台650上之后，再进行图像采集以及图像识别。扒渣装置610用于基于图像识别结果将待扒炉渣从金属流体中扒出，扒渣装置610包括扒渣机。例如，扒渣控制装置基于图像识别结果生成扒渣控制信号之后，扒渣控制装置基于扒渣控制信号控制扒渣装置610将待扒炉渣从金属流体中扒出。
示例性地，图像采集装置620包括高清网络摄像头，用于获取针对金属流体的流体液面图像。温度采集装置630可以是温度传感器，用于获取待扒炉渣的温度信息和待扒炉渣所处的环境温度信息。图像采集装置620和温度采集装置630可以是相互独立的装置，也可以是集成设置的一体装置。
扒渣控制装置具体可以用于基于待扒炉渣的温度信息，从待扒炉渣中确定目标炉渣，目标炉渣的温度小于或等于剩余炉渣的温度，剩余炉渣为待扒炉渣中除目标炉渣之外的炉渣。扒渣控制装置还可以基于目标炉渣的位置信息，生成扒渣控制信号。例如，扒渣控制装置基于目标炉渣的位置信息生成扒渣路径信息，并基于扒渣路径信息生成扒渣控制信号。接下来，扒渣控制装置基于扒渣控制信号对扒渣装置610进行控制，例如控制扒渣装置610基于扒渣路径到目标炉渣所在的位置并将目标炉渣从金属流体中扒出。可以理解，在基于图像识别进行扒渣控制时，加入温度信息作为参考，以便优先将温度低的目标炉渣扒出，防止温度降低后炉渣硬度大或黏在一起而导致难以扒出，以此提高扒渣效果。
例如，图像采集装置620用于实时采集铁水包640包口区域的视频图像，并且将采集到的视频图像数据传输至后台计算机中。图像采集装置620采集的视频数据包括视频流码，视频流码通常使用H.264/AVC或H.265/HEVC等标准进行编码，通过编码可以将视频数据压缩成占用存储空间较小的文件，以便传输和存储。采集到的视频图像数据传输至后台计算机之后可以由后台计算机将其转换为数字信号便于后续进行图像识别。
示例性地，高清网络摄像机采集的每一帧画面例如包含1920*1080约200万个像素点，每个像素点中都包含三个数值，分别是R值、G值、B值，R值、G值、B值的范围均是0~255。后台计算机安装有采用C+语言自主编写的程序，将读取到的视频图像流码信息以二进制数组的形式寄存到计算机的内存中，并将二进制的R值、G值、B值分别与计算机中设置的渣的像素数值（二进制类型）进行比对，从而识别出浮在铁水上渣的像素。
图7为本申请实施方式提供的扒渣轨迹示意图。
如图7所示，基于识别得到的待扒炉渣的位置信息建立坐标系，x为坐标系的横轴，y为坐标系的纵轴。待扒炉渣位于铁水包包沿710之内，铁水溜槽720与铁水包包沿毗邻或相连接。
示例性地，目标炉渣A的位置信息包括目标炉渣A与金属流体之间的相对位置信息，该相对位置信息例如目标炉渣A至铁水中心的距离X。金属流体的位置信息包括金属流体与扒渣装置之间的相对位置信息，该相对位置信息例如为铁水中心至扒渣装置之间的距离（R＋D），其中R为铁水包的半径，D为扒渣装置至铁水包包沿710的距离，或者D为扒渣装置至铁水溜槽720中心的距离。
示例性地，扒渣控制装置基于目标炉渣与金属流体之间的相对位置信息X以及金属流体的位置信息（R＋D），生成扒渣路径信息。扒渣路径信息包括距离信息和角度信息。距离信息包括扒渣装置从当前位置P伸至目标炉渣A的伸出长度信息，角度信息包括扒渣装置的旋转角度信息。例如，当扒渣装置包括扒渣机大臂时，扒渣装置的当前位置P包括扒渣机大臂中心所在的位置，D为扒渣机大臂中心至铁水包包沿710（或铁水溜槽720中心）的距离，伸出长度信息为扒渣机大臂伸出至目标炉渣A的伸出长度L，旋转角度信息为扒渣机大臂的旋转角度，即回转角度β。
在一示例中，伸出长度L与回转角度β之间的关系例如满足以下公式（1）的约束：
（1）
示例性地，扒渣系统还可以包括视频图像处理存储模块、后台计算机、可编程控制器。视频图像处理存储模块用于存储采集的视频图像。后台计算机用于进行图像识别等相关计算，后台计算机包括图像数据处理装置。扒渣控制装置包括可编程控制器。
后台计算机根据图4中的平面数据模型计算出扒渣机的运动路径信息，再将扒渣机的运动路径信息发送至扒渣装置（扒渣机）的远程控制系统内的控制器中，由扒渣装置的远程控制系统根据运动路径信息发出各项扒渣动作的运行指令。同时扒渣装置上的液压系统压力传感器和机械传动结构上的编码器或传感器将实时运行数据反馈回扒渣装置的远程控制系统，实现闭环控制。当后台计算机基于实时更新的平面数据模型确定炉渣的连通区域面积小于预设面积之后，扒渣任务结束。
图8为本申请实施方式提供的控制系统的结构示意图。
如图8所示，本申请实施例的铁合金自动扒渣机控制系统中设置有视频图像处理系统、远程控制台、人机交互界面、显示器、视频监控系统、就地控制箱和车载控制箱等等，更多的部件或结构可参考图8所示。视频图像处理系统可以用于存储视频图像采集装置（如高清网络摄像头）传输的图像，并进行视频图像的分析比较，以从图像中识别出待扒炉渣。远程控制台用于控制扒渣机的运动。人机交互界面可供操作人员监视查看扒渣机的各项运行数据，以及对扒渣机的系统参数进行修改。视频监控系统包括高清网络摄像机和图像传输网络，用于将现场的视频画面发送至后台的视频图像处理系统。然后，操作人员通过显示器观察现场铁水包和扒渣机的实际状态。就地控制箱和车载控制箱用于控制扒渣机的各项动作执行和控制系统的通讯。
在一示例中，基于扒渣控制系统进行扒渣控制的流程包括以下过程：
由视频监控系统采集铁水包的视频图像，通过就地控制箱里的网络交换机将视频图像发送至视频图像处理系统，例如，视频监控系统将视频图像发送至就地控制箱，由就地控制箱里的网络交换机基于视频通讯协议将视频图像发送至远程控制台，再由远程控制台将视频图像发送至视频图像处理系统。视频图像处理系统通过图像算法进行图像识别处理，将图像识别生成的识别结果发送至远程控制台里的控制器，识别结果包括炉渣的平面数据模型。
远程控制台里的控制器根据炉渣的平面数据模型计算得出扒渣机的运动路径和扒渣控制指令。扒渣控制指令通过CAN总线通讯协议发送至车载控制箱里的控制器，例如，远程控制台基于CAN总线通讯协议将扒渣控制指令发送至就地控制箱，由就地控制箱基于CAN总线通讯协议将扒渣控制指令发送至车载控制箱里的控制器。
车载控制箱里的控制器收到扒渣控制指令后，通过控制液压阀组上的各路比例阀（如俯仰油缸、回转马达、大臂推进马达），从而实现对扒渣机大臂的俯仰、回转、推进三个动作的运动控制，一种情况下，俯仰动作为预设的固定俯仰角度，回转动作包括上文的回转角度β，推进动作包括上文的伸出长度L。同时，通过各类传感器（包括压力传感器和位置编码器）检测扒渣机的各项动作数据，动态修正扒渣机的运动轨迹，实现闭环控制。扒渣时的视频图像可参考图9所示。
可以理解，本申请的实施例通过视频通讯协议和CAN总线通讯协议相互配合实现扒渣控制信号或相关数据的传输，保证了数据信号的传输的稳定性和传输性能，从而提高扒渣控制的准确性，提高扒渣效果。
图10为本申请实施方式提供的基于图像识别的扒渣控制装置的示意图。
如图10所示，本申请实施方式提供的基于图像识别的扒渣控制装置1000包括：获取模块1010、确定模块1020和生成模块1030。
示例性地，获取模块1010用于获取位于金属流体表面的待扒炉渣的温度信息。
示例性地，确定模块1020用于基于针对金属流体获取的流体液面图像，确定待扒炉渣的位置信息。
示例性地，生成模块1030用于基于待扒炉渣的位置信息和待扒炉渣的温度信息，生成扒渣控制信号，其中，扒渣控制信号用于指示将待扒炉渣从金属流体中扒出。
示例性地，生成模块1030用于基于待扒炉渣的温度信息，从待扒炉渣中确定目标炉渣，其中，目标炉渣的温度小于或等于剩余炉渣的温度，剩余炉渣为待扒炉渣中除目标炉渣之外的炉渣；基于目标炉渣的位置信息，生成扒渣控制信号。
示例性地，确定模块1020用于对流体液面图像进行图像识别，确定位于金属流体表面的待扒炉渣的位置信息。
示例性地，确定模块1020用于将流体液面图像的像素信息与参考像素信息进行对比，以从流体液面图像中确定待扒炉渣对应的像素；基于待扒炉渣对应的像素在流体液面图像中的位置，得到待扒炉渣的位置信息。
示例性地，基于图像识别的扒渣控制装置1000还包括：参考像素确定模块，用于基于待扒炉渣的温度信息，确定参考像素信息，其中，待扒炉渣的温度信息包括待扒炉渣所处的环境温度信息和/或待扒炉渣的表面温度信息。
示例性地，参考像素确定模块用于获取至少一个候选参考像素信息以及与每个候选参考像素信息对应的炉渣参考温度信息；基于待扒炉渣的温度信息，从至少一个候选参考像素信息中确定参考像素信息，其中，参考像素信息对应的炉渣参考温度信息与待扒炉渣的温度信息之间的差异满足预设条件。
示例性地，流体液面图像中各像素的像素信息包括多个第一像素值，参考像素信息包括分别与多个第一像素值对应的多个第二像素值区间；参考像素确定模块用于分别将每个第一像素值与对应的第二像素值区间进行对比，得到对比结果；在对比结果表征每个第一像素值均位于对应的第二像素值区间之内的情况下，确定流体液面图像中的该像素为待扒炉渣的像素。
示例性地，基于图像识别的扒渣控制装置1000还包括转换模块，用于在分别将每个第一像素值与对应的第二像素值区间进行对比之前，将每个第一像素值的数据类型转换为二进制类型。
示例性地，生成模块1030用于基于目标炉渣的位置信息，生成扒渣路径信息；基于扒渣路径信息，生成扒渣控制信号。
示例性地，扒渣路径信息包括距离信息和角度信息。
示例性地，目标炉渣的位置信息包括目标炉渣与金属流体之间的相对位置信息；生成模块1030用于基于目标炉渣与金属流体之间的相对位置信息以及金属流体的位置信息，生成扒渣路径信息，其中，扒渣路径信息包括距离信息和角度信息，距离信息包括扒渣装置从当前位置伸至目标炉渣的伸出长度，角度信息包括扒渣装置以当前位置为旋转中心进行旋转以指向目标炉渣的旋转角度。
示例性地，确定模块1020用于基于待扒炉渣对应的像素在流体液面图像中的位置，确定待扒炉渣在流体液面图像中形成的连通区域；将连通区域在流体液面图像中的位置信息，确定为待扒炉渣的位置信息。
示例性地，基于图像识别的扒渣控制装置1000还包括区域面积确定模块和停止信号生成模块。区域面积确定模块用于在扒渣的过程中，确定连通区域的区域面积；停止信号生成模块用于在连通区域的区域面积小于预设区域面积的情况下，生成停止扒渣的控制信号。
可以理解，基于图像识别的扒渣控制装置1000具体的实现过程可以参考上文的基于图像识别的扒渣控制方法的实现过程，在此不再赘述。
本申请实施方式提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施方式中的方法的步骤。
本申请的一个实施方式提供一种计算机程序产品，计算机程序产品中包括指令，指令被计算机设备的处理器执行时，使得计算机设备能够执行上述任一项实施方式的方法的步骤。
图11为本申请实施方式提供的电子设备的框图。
本申请实施方式提供一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于图像识别的扒渣控制方法。
如图11所示，为了便于理解，本申请的实施例示出了一种具体的电子设备1100。
电子设备1100旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器（ROM）1102中的计算机程序或者从存储单元1108加载到随机访问存储器（RAM）1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（I/O）接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，多个部件包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法，如基于图像识别的扒渣控制方法。例如，在一些实施例中，基于图像识别的扒渣控制方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的基于图像识别的扒渣控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基于图像识别的扒渣控制方法。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本申请而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本申请中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，本申请实施例中所使用的“第一”、“第二”等术语，仅用于描述目的，而不可以理解为指示或者暗示相对重要性，或者隐含指明本实施例中所指示的技术特征数量。由此，本申请实施例中限定有“第一”、“第二”等术语的特征，可以明确或者隐含地表示该实施例中包括至少一个该特征。在本申请的描述中，词语“多个”的含义是至少两个或者两个及以上，例如两个、三个、四个等，除非实施例中另有明确具体的限定。
在本申请中，除非实施例中另有明确的相关规定或者限定，否则实施例中出现的术语“安装”、“相连”、“连接”和“固定”等应做广义理解，例如，连接可以是固定连接，也可以是可拆卸连接，或成一体，可以理解的，也可以是机械连接、电连接等；当然，还可以是直接相连，或者通过中间媒介进行间接连接，或者可以是两个元件内部的连通，或者两个元件的相互作用关系。对于本领域的普通技术人员而言，能够根据具体的实施情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种基于图像识别的扒渣控制方法，其特征在于，所述扒渣控制方法包括：
获取位于金属流体表面的待扒炉渣的温度信息；
基于针对所述金属流体获取的流体液面图像，确定所述待扒炉渣的位置信息，包括：将所述流体液面图像的像素信息与参考像素信息进行对比，以从所述流体液面图像中确定所述待扒炉渣对应的像素，基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，得到所述待扒炉渣的位置信息；其中，确定所述参考像素信息包括：获取至少一个候选参考像素信息以及与每个候选参考像素信息对应的炉渣参考温度信息；基于所述待扒炉渣的温度信息，从所述至少一个候选参考像素信息中确定所述参考像素信息，所述参考像素信息对应的炉渣参考温度信息与所述待扒炉渣的温度信息之间的差异满足预设条件；以及
基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，其中，所述扒渣控制信号用于指示将所述待扒炉渣从所述金属流体中扒出；
其中，所述基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，包括：
基于所述待扒炉渣的温度信息，从所述待扒炉渣中确定目标炉渣，其中，所述目标炉渣的温度小于或等于剩余炉渣的温度，所述剩余炉渣为所述待扒炉渣中除所述目标炉渣之外的炉渣；以及
基于所述目标炉渣的位置信息，生成所述扒渣控制信号。
2.根据权利要求1所述的扒渣控制方法，其特征在于，所述基于针对金属流体获取的流体液面图像，确定位于所述金属流体表面的待扒炉渣的位置信息，包括：
对所述流体液面图像进行图像识别，确定位于所述金属流体表面的所述待扒炉渣的位置信息。
3.根据权利要求2所述的扒渣控制方法，其特征在于，
所述待扒炉渣的温度信息包括所述待扒炉渣所处的环境温度信息和/或所述待扒炉渣的表面温度信息。
4. 根据权利要求3所述的扒渣控制方法，其特征在于，所述流体液面图像中各像素的像素信息包括多个第一像素值，所述参考像素信息包括分别与所述多个第一像素值对应的多个第二像素值区间；所述将所述流体液面图像的像素信息与参考像素信息进行对比，以从所述流体液面图像中确定所述待扒炉渣的像素，包括：
分别将每个第一像素值与对应的第二像素值区间进行对比，得到对比结果；以及
在所述对比结果表征每个第一像素值均位于对应的第二像素值区间之内的情况下，确定所述流体液面图像中的该像素为所述待扒炉渣的像素，
其中，在分别将每个第一像素值与对应的第二像素值区间进行对比之前，所述扒渣控制方法还包括：将每个第一像素值的数据类型转换为二进制类型。
5. 根据权利要求1所述的扒渣控制方法，其特征在于，所述基于所述目标炉渣的位置信息，生成扒渣控制信号，包括：
基于所述目标炉渣的位置信息，生成扒渣路径信息；以及
基于所述扒渣路径信息，生成所述扒渣控制信号。
6.根据权利要求5所述的扒渣控制方法，其特征在于，所述目标炉渣的位置信息包括所述目标炉渣与所述金属流体之间的相对位置信息；所述基于所述目标炉渣的位置信息，生成扒渣路径信息，包括：
基于所述目标炉渣与所述金属流体之间的相对位置信息以及所述金属流体的位置信息，生成所述扒渣路径信息，
其中，所述扒渣路径信息包括距离信息和角度信息，所述距离信息包括扒渣装置从当前位置伸至所述目标炉渣的伸出长度，所述角度信息包括所述扒渣装置以当前位置为旋转中心进行旋转以指向所述目标炉渣的旋转角度。
7. 根据权利要求3所述的扒渣控制方法，其特征在于，所述基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，得到所述待扒炉渣的位置信息，包括：
基于所述待扒炉渣对应的像素在所述流体液面图像中的位置，确定所述待扒炉渣在所述流体液面图像中形成的连通区域；以及
将所述连通区域在所述流体液面图像中的位置信息，确定为所述待扒炉渣的位置信息。
8. 根据权利要求7所述的扒渣控制方法，其特征在于，所述扒渣控制方法还包括：
在扒渣的过程中，确定所述连通区域的区域面积；以及
在所述连通区域的区域面积小于预设区域面积的情况下，生成停止扒渣的控制信号。
9.一种扒渣系统，其特征在于，所述扒渣系统用于实现权利要求1-8中任一项所述的基于图像识别的扒渣控制方法，所述扒渣系统包括：
温度采集装置，用于获取位于金属流体表面的待扒炉渣的温度信息；
图像数据处理装置，用于基于针对所述金属流体获取的流体液面图像，确定所述待扒炉渣的位置信息；
扒渣控制装置，用于基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，并基于所述扒渣控制信号，控制扒渣装置将所述待扒炉渣从所述金属流体中扒出；以及
扒渣装置，用于将所述待扒炉渣从所述金属流体中扒出；
其中，所述基于所述待扒炉渣的位置信息和所述待扒炉渣的温度信息，生成扒渣控制信号，包括：
基于所述待扒炉渣的温度信息，从所述待扒炉渣中确定目标炉渣，其中，所述目标炉渣的温度小于或等于剩余炉渣的温度，所述剩余炉渣为所述待扒炉渣中除所述目标炉渣之外的炉渣；以及
基于所述目标炉渣的位置信息，生成所述扒渣控制信号。
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761781.1A CN117428183B (zh) | 2023-12-20 | 2023-12-20 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761781.1A CN117428183B (zh) | 2023-12-20 | 2023-12-20 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117428183A CN117428183A (zh) | 2024-01-23 |
| CN117428183B true CN117428183B (zh) | 2024-03-26 |
Family
ID=89546453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311761781.1A Active CN117428183B (zh) | 2023-12-20 | 2023-12-20 | 基于图像识别的扒渣控制方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117428183B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07159053A (ja) * | 1993-12-02 | 1995-06-20 | Nkk Corp | 除滓装置の制御方法 |
| CN106670449A (zh) * | 2015-11-05 | 2017-05-17 | 衡阳镭目科技有限责任公司 | 一种铁水扒渣测控方法 |
| CN108871189A (zh) * | 2018-06-26 | 2018-11-23 | 西安工业大学 | 一种金属冶炼排渣的炉渣位置检测装置及其检测方法 |
| CN110036257A (zh) * | 2016-12-06 | 2019-07-19 | 日本制铁株式会社 | 熔融金属表面的渣体积评价方法 |
| WO2020238714A1 (zh) * | 2019-05-31 | 2020-12-03 | 宝山钢铁股份有限公司 | 一种高效的铁水预处理自动扒渣方法和系统 |
| CN112150421A (zh) * | 2020-09-14 | 2020-12-29 | 武汉钢铁有限公司 | 钢包扒渣路径确定方法、装置及扒渣机 |
| CN115439393A (zh) * | 2021-06-02 | 2022-12-06 | 宝山钢铁股份有限公司 | 基于图像识别构建模型的铁水包内渣厚获取方法 |
-
2023
- 2023-12-20 CN CN202311761781.1A patent/CN117428183B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07159053A (ja) * | 1993-12-02 | 1995-06-20 | Nkk Corp | 除滓装置の制御方法 |
| CN106670449A (zh) * | 2015-11-05 | 2017-05-17 | 衡阳镭目科技有限责任公司 | 一种铁水扒渣测控方法 |
| CN110036257A (zh) * | 2016-12-06 | 2019-07-19 | 日本制铁株式会社 | 熔融金属表面的渣体积评价方法 |
| CN108871189A (zh) * | 2018-06-26 | 2018-11-23 | 西安工业大学 | 一种金属冶炼排渣的炉渣位置检测装置及其检测方法 |
| WO2020238714A1 (zh) * | 2019-05-31 | 2020-12-03 | 宝山钢铁股份有限公司 | 一种高效的铁水预处理自动扒渣方法和系统 |
| CN112150421A (zh) * | 2020-09-14 | 2020-12-29 | 武汉钢铁有限公司 | 钢包扒渣路径确定方法、装置及扒渣机 |
| CN115439393A (zh) * | 2021-06-02 | 2022-12-06 | 宝山钢铁股份有限公司 | 基于图像识别构建模型的铁水包内渣厚获取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117428183A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| CN115880296A (zh) | 基于机器视觉的预制构件质量检测方法及装置 | |
| CN107052320A (zh) | 基于图像检测的自动浇注系统及浇口杯液位识别方法 | |
| CN111522294A (zh) | 一种扒渣机的自动控制系统及方法 | |
| CN111560489A (zh) | 一种转炉出钢中的台车自动走行方法和系统 | |
| CN117428183B (zh) | 基于图像识别的扒渣控制方法、系统、设备及介质 | |
| CN114140263A (zh) | 一种连铸智慧集控智能应用平台构建方法 | |
| CN112723163A (zh) | 基于人工智能的冶金天车作业预警方法及系统 | |
| CN109954854B (zh) | 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端 | |
| CN113052828A (zh) | 基于人工智能的钢包渣线结渣清理时间预测方法及系统 | |
| CN109521730B (zh) | 一种铁水包内渣面的在线计算方法 | |
| CN112828275A (zh) | 一种自动扒渣方法、装置及系统 | |
| CN110962611B (zh) | 一种充电弓和受电弓的连接方法、装置及电子设备 | |
| CN114581859B (zh) | 一种转炉下渣监测方法及系统 | |
| CN104950929A (zh) | 基于视觉的铸轮液位自动控制系统与控制方法 | |
| CN110262439B (zh) | 一种炼钢过程质量控制方法及系统 | |
| CN112581425B (zh) | 一种专用车辆罐体倾角探测与倾动控制方法及应用 | |
| CN207026465U (zh) | 基于图像检测的自动浇注系统 | |
| JP2022100342A (ja) | 作業者端末、動画像処理方法及び動画像処理プログラム | |
| CN108830845B (zh) | 一种慢压射过程稳定性定量分析方法 | |
| CN115311445B (zh) | 一种用于冶金工艺的渣盒智能检测方法 | |
| CN118444697B (zh) | 无人机登塔防坠装置挂装控制方法、系统、终端及介质 | |
| CN117893966A (zh) | 一种基于视觉的起重机摆动识别方法、装置及计算设备 | |
| CN114913225B (zh) | 一种基于单目视觉的转炉液位实时测量方法 | |
| CN114314350B (zh) | 一种用于自动行车吊具摆角定位的自动标定方法 |
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 |