CN117871354A - 一种基于双目散射图像的粉尘质量浓度及其分布测量装置 - Google Patents
一种基于双目散射图像的粉尘质量浓度及其分布测量装置 Download PDFInfo
- Publication number
- CN117871354A CN117871354A CN202410001476.0A CN202410001476A CN117871354A CN 117871354 A CN117871354 A CN 117871354A CN 202410001476 A CN202410001476 A CN 202410001476A CN 117871354 A CN117871354 A CN 117871354A
- Authority
- CN
- China
- Prior art keywords
- dust
- image
- concentration
- word line
- binocular
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 358
- 239000002245 particle Substances 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000007637 random forest analysis Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 25
- 238000000149 argon plasma sintering Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 239000004744 fabric Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008033 biological extinction Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004062 sedimentation Methods 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 4
- 238000005259 measurement Methods 0.000 abstract description 13
- 239000007789 gas Substances 0.000 description 39
- 230000031700 light absorption Effects 0.000 description 5
- 239000012528 membrane Substances 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005250 beta ray Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于双目散射图像的粉尘质量浓度及其分布测量装置，粉尘气体发生收集模块用于发生粉尘气体、收集和清空粉尘气体，粉尘散射图像采集模块通过两个不同功率的一字线激光发生器照射粉尘气体，并使用两个工业摄像机拍摄粉尘气体产生的截面散射图像，图像处理算法用于识别和提取粉尘颗粒并计算粉尘三维位置，粉尘浓度预测算法用于探究两个一字线激光发生器在不同激光强度下分别测得的粉尘图像特征值与粉尘浓度值的数学关系，从而达到对未知粉尘浓度的图像进行预测的目的。本发明结构简单，能够实时测量不同位置待测气体中的粉尘质量浓度及其分布，同时能够解决高浓度粉尘环境会干扰激光射光信号，降低测量精度的问题。
Description
技术领域
本发明涉及一种粉尘浓度及分布测量装置，具体是一种基于双目散射图像的粉尘质量浓度及其分布测量装置，属于粉尘粒径分布与质量浓度测量技术领域。
背景技术
目前检测粉尘浓度的方法主要包括滤膜称重法、β射线吸收法、微量振荡天平法和光散射法。滤膜称重法通过收集一定流量的粉尘并称量滤膜前后的重量差来计算质量浓度，这种方法虽准确但操作繁琐；β射线吸收法通过衡量β射线穿过粉尘颗粒后强度的衰减来计算颗粒质量，这个系统虽可靠但复杂，且容易受环境影响；微量振荡天平法利用捕获粉尘颗粒后引起的振荡频率变化来估算质量，它可以实时测量但设备成本高；光散射法通过测定一定波长的光在粉尘气体中散射的光强度来计算粉尘浓度，虽然该方法准确且能够避免破坏样本，但通常只能在有限空间内进行点抽样测量，不适合大范围浓度监测；而一般光散射法仅使用某一固定款式激光发生器对所有粉尘浓度情况下的粉尘进行照射，不能处理高粉尘浓度下激光发生群散射现象的情况，且只能测量一段范围内的粉尘浓度，不能对多个不同位置下的粉尘浓度进行测量。
发明内容
本发明的目的是提供一种基于双目散射图像的粉尘质量浓度及其分布测量装置，该装置结构简单，能够实时测量不同位置待测气体中的粉尘质量浓度及其分布，同时能够解决高浓度粉尘环境会干扰激光射光信号，降低测量精度的问题。
为了实现上述目的，本发明提供一种基于双目散射图像的粉尘质量浓度及其分布测量装置，包括粉尘气体发生收集模块、粉尘散射图像采集模块、数据处理模块，所述粉尘气体发生收集模块包括粉尘气体收集箱体、吸光布、涡轮风扇、粉尘导流管道、旋风除尘器、粉尘传感器、变径管道、粉尘发生器，粉尘导流管道的一端与粉尘气体收集箱体的顶部一侧连通，粉尘导流管道的另一端连接涡轮风扇，并在粉尘导流管道上设置旋风除尘器；所述粉尘气体收集箱体内部壁面使用吸光布进行覆盖；所述粉尘气体收集箱体的底部右侧设置有进风口，进风口与变径管道的一端连通，变径管道的另一端连接粉尘发生器；
粉尘传感器可移动的设置在粉尘气体收集箱体壁面，且粉尘传感器通过信号线与MCU微处理器信号连接；
所述粉尘散射图像采集模块包括摄像头保护罩、两个工业摄像机、信号线、计算机、直线滑轨、激光固定三角架、一字线激光发生器；所述激光固定三角架固定在粉尘收集箱体一侧，直线滑轨固定在激光固定三脚架的顶端，一字线激光发生器设置为两个，两个一字线激光发生器分别固定在直线滑轨的两端，且安装角度可调，两个工业摄像机固定在直线滑轨的中间部分并对齐，激光固定三角架始终保持一字线激光发生器的激光与工业摄像机中心线在同一水平面上；所述摄像头保护罩凸出部分伸入粉尘气体收集箱体的侧壁凹槽内部，两个工业摄像机的摄像头置于摄像头保护罩的凹陷处并固定；两个工业摄像机、两个一字线激光发生器以及MCU微处理器均通过信号线连接计算机；所述两个一字线激光发生器功率不同，其中大功率一字线激光发生器针对粉尘浓度较小时的浓度测量，小功率一字线激光发生器针对粉尘浓度较大时的浓度测量；所述粉尘传感器均与两个一字线激光发生器处于同一水平线上；
数据处理模块为计算机内部程序，包括图像处理算法和基于随机森林的粉尘浓度预测算法，图像处理算法用于识别和提取粉尘颗粒并计算粉尘三维距离，粉尘浓度预测算法用于探究两个一字线激光发生器在不同激光强度下分别测得的粉尘图像特征值与粉尘浓度值的数学关系，从而在预知粉尘浓度大小的情况下选择功率合适的一字线激光发生器来发射激光，避免高浓度粉尘环境干扰激光射光信号，达到精准预测的目的。
所述图像处理算法的具体处理过程如下：
S1：实验前，先使用棋盘格图像，运用OpenCV算法库对两个工业摄像机拍摄的双目图像进行几何校正，确保两个视角的图像在同一平面上对齐；
S2：开启粉尘发生器，向粉尘气体收集箱体导入粉尘样品气体后关闭粉尘发生器，打开功率较小的一字线激光发生器发射激光，通过两个工业摄像机同时拍摄粉尘颗粒沉降过程中不同质量浓度粉尘的散射图像，获得第一组双目图像，再迅速切换功率较大的一字线激光发生器发射激光，两个工业摄像机拍摄并获得第二组双目图像；然后转变一字线激光发生器的角度，由两个工业摄像机拍摄并获得多组双目图像；
S3：对双目图像执行灰度化处理，应用双边滤波算法降噪以提高图像中粉尘线条的清晰度，并使用结构相似性指数SSIM对图像质量进行评价，双边滤波算法的公式为：
其中：I(x)是原始图像在位置x的强度值；
I′(x)是滤波后图像在位置x的强度值；
Gσs(||x-xi||)是基于像素间的空间距离计算的空间高斯函数，用于减少距离中心像素x越远的像素的权重；
Gσr(||I(x)-I(xi)||)是基于像素强度差异计算的强度高斯函数，用于减少强度差异大的像素的影响；
Wp是归一化因子；
σS和σr分别是空间和强度高斯函数的标准差；
而结构相似性指数SSIM是测量双目图像相似性的指标，通过亮度、对比度和结构三个方面的对比，评估图像去噪的效果，其公式为：
其中：ux和uy分别是图像x和y的平均灰度；
和/>分别是图像x和y的方差；
σxy是协方差；
C1和C2是为避免分母为0引入的小常数，通常取C1＝(K1L)2和C2＝(K2L)2，其中L是像素值的动态范围(对于8位图像，L＝255)，K1＝0.01和K2＝0.03是默认值；
S4：使用SIFT特征匹配算法，调用OpenCV库对图像进行特征匹配；
S5：利用匹配点计算视差，生成深度图，并对生成的深度图进行视差校正和滤波，以提高其质量。深度图表征了每个像素点到相机的距离，深度图Z的计算公式为：
其中：f是相机的焦距；
B是两个相机镜头之间的基线距离；
d是视差；
S6：利用已知的相机参数和深度图计算粉尘的三维位置和相对距离，对于图像中的点(u，v)，其对应的三维位置即三维坐标(X，Y，Z)的计算公式(Z为该点的深度图值)为：
其中：(cx，cy)是相机的主点坐标；
(fx，fy)是相机的焦距；
S7：对降噪后的灰度图像计算平均灰度值，对灰度图像进行线性或最大最小归一化处理；
S8：将步骤S6计算得到的图像各点的三维坐标信息与步骤S7得到的归一化的灰度图像进行汇总，得到显示距离信息的灰度图像，在该灰度图像上，随机选一个点即可得到该点的三维坐标，随机选两个点即可获得该两点的相对距离；
在指定图像任意两点后可计算该两点的相对距离，公式为：
所述基于随机森林的粉尘浓度预测算法的具体处理过程如下：
SⅠ：依次打开两个一字线激光发生器分别发射大小激光，两个工业摄像机分别对应获得大小激光下双目图像的同时，粉尘传感器测得相同时刻不同位置的质量浓度；
SⅡ：将这些表征粉尘质量浓度的图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数、粉尘传感器测得浓度作为样本数据，随机选择四分之三的样本数据训练随机森林模型，剩下四分之一的样本数据作为预测样本数据，用于对所建模型进行评价和验证；
SⅢ：针对训练样本数据，以图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量，对应的粉尘传感器测得的质量浓度作为输出变量，考虑到图像灰度值是与激光光强有关的量(一般之间用每个像素的灰度值表示相对光强)，而激光光强受粉尘浓度的影响，在距离上满足Beer-lambert衰减，与粉尘浓度表示强相关，而一些输入变量如SSIM表征的是两幅图像相似性的大小，可能与粉尘质量浓度表现为弱相关甚至不相关，因此使用随机森林算法对所有变量的函数关系进行模拟，调用Python的scikit-learn库对问题进行求解，其中随机森林能够处理非线性关系，并通过特征重要性评分来帮助识别哪些变量对预测更重要，它不要求数据的线性分布，并且对异常值有很好的鲁棒性，粉尘灰度图像的光强值与粉尘浓度的测算关系式为：
其中：I0是初始入射光强；
C是颗粒质量浓度；
是颗粒平均消光系数；
PL是光学长度，在粉尘图像中表示测得粉尘颗粒组成的散射体总长度；
FN(D)是气溶胶粒径颗粒数分布函数；
是颗粒平均密度；
为定值；
随着距离的增加光强值会发生衰变，将图像中测得的粉尘颗粒的光学长度PL均分为5段，每等份长度l＝PL/n＝5，每一等份即为所定义的光散射颗粒单元，光散射颗粒单元的标值取0，1,...，4，单位为Δl；初始入射光强I0，经过第一个光散射颗粒单元后，被工业摄像机接收到的散射光强为F1，入射光强衰减为I1，以此类推，第k个光散射颗粒单元对入射光进行散射和衰减，接收到的散射光强为Fk，入射光强衰减为Ik，满足公式：
其中：Ck为第k点的颗粒质量浓度；
a为定值，量纲为m3/kg；
由图像处理算法得到的灰度图与图像中各点粉尘的三维坐标，跟实际粉尘传感器的位置结合得到图像中所测的粉尘传感器对应点的灰度值(光强值)和相对位置，基于此，开始训练随机森林模型；
SⅣ：将预测样本的图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量输入到所建立的随机森林模型中，得到相应的粉尘质量预测浓度值；
SⅤ：结合粉尘传感器测得的粉尘质量浓度值，对步骤SD得到的粉尘质量预测浓度值进行评估，计算两者的均方误差，假设两者偏差超出可接受范围，则调节随机森林相关参数值(如树的数量、树的最大深度等)重新进行训练预测，直至符合可接受范围，从而确定随机森林预测模型；
SⅥ：利用所确定的随机森林模型对两个工业摄像机后续拍摄的未知质量浓度的双目散射图像进行预测。
本发明的粉尘传感器设置为四个，四个粉尘传感器分别等间距的设置在粉尘气体收集箱体壁面，且与两个一字线激光发生器处于同一水平线上。
本发明的一字线激光发生器设置为两个，两个一字线激光发生器分别设置在直线滑轨的两端且一字线激光发生器的安装角度可调；本发明两个一字线激光发生器的功率不同，其中大功率一字线激光发生器针对粉尘浓度较小时的浓度测量，小功率一字线激光发生器针对粉尘浓度较大时的浓度测量，考虑到两个一字线激光发生器功率不同，对不同浓度的粉尘照射测量的结果有差异，可以多次实验在不同浓度下两个一字线激光发生器分布照射计算的结果，得到不同一字线激光发生器适合测量的粉尘浓度区间。
本发明激光固定三角架的高度和角度均可调节，所以本发明可测算一段时间内的粉尘三维立体分布浓度情况；
本发明的一字线激光器角度可调，粉尘传感器位置可调，即可以通过短时间内更改一字线激光发生器的水平角度重新拍照，并对新图像进行分析，与原图像计算的结果汇总，结合可得粉尘水平面分布浓度图；考虑到两个一字线激光发生器功率不同，对不同浓度的粉尘照射测量的结果有差异，可以多次实验在不同浓度下两一字线激光器分布照射计算的结果，得到不同一字线激光器适合测量的粉尘浓度区间。
本发明粉尘传感器的不同粒径通道的粒子数目包括0.3、0.5、1.0、2.5、5.0、10微米的粒子粒径；四个粉尘传感器的安装间距为30cm。
与现有技术相比，本发明包括粉尘气体发生收集模块、粉尘散射图像采集模块、数据处理模块，其中粉尘气体发生收集模块用于发生粉尘气体、收集以及清空粉尘气体，粉尘散射图像采集模块通过两个不同功率的一字线激光发生器照射粉尘气体，并使用两个工业摄像机拍摄粉尘气体产生的截面散射图像，数据处理模块的图像处理算法用于识别和提取粉尘颗粒并计算粉尘三维位置，数据处理模块的粉尘浓度预测算法用于探究两个一字线激光发生器在不同激光强度下分别测得的粉尘图像特征值与粉尘浓度值的数学关系，从而在预知粉尘浓度大小的情况下选择功率合适的一字线激光发生器来发射激光，具体为：通过两个功率不同的一字线激光发生器分别照射粉尘气体，并使用两个工业摄像机对应拍摄不同功率激光下的粉尘气体产生的截面散射图像，利用双目测距的原理提取不同距离的图像中的灰度值，通过灰度值与激光强度之间的关系，对图像截面的粉尘浓度值进行标定计算；通过图像处理相关算法消除图像噪声，提高预测结果的准确率；提取有效散射区域的特征值，综合粉尘平均粒径、粉尘质量浓度、距离等信息，训练随机森林模型，探究不同激光强度下图像特征值与粉尘浓度值的数学关系，从而达到对未知粉尘浓度的图像进行预测的目的。本发明能够将一字线激光发生器转动不同的角度实现粉尘平面分布监测，采集不同激光强度下的粉尘散射图像，获取不同位置的粉尘分布特征并计算浓度值。
附图说明
图1是本发明的整体结构示意图；
图2是激光固定三脚架的细节图；
图3是计算图像某点的深度原理图；
图4是本发明实施例的粉尘浓度分布图；
图5是本发明实施例的90cm高度处水平平面上的粉尘浓度分布图；
图6是本发明实施例的一段时间内90cm高度水平平面上的粉尘浓度分布图。
图中：1、吸光布，2、粉尘气体收集箱体，3、涡轮风扇，4、粉尘导流管道，5、旋风除尘器，6、计算机，7、信号线，8、粉尘传感器，9、MCU微处理器，10、变径管道，11、粉尘发生器，13、激光固定三角架，14、一字线激光发生器，15、工业摄像机，16、直线滑轨，17、保护罩。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，一种基于双目散射图像的粉尘质量浓度及其分布测量装置，包括粉尘气体发生收集模块、粉尘散射图像采集模块、数据处理模块，所述粉尘气体发生收集模块包括粉尘气体收集箱体2、吸光布1、涡轮风扇3、粉尘导流管道4、旋风除尘器5、粉尘传感器8、变径管道10、粉尘发生器11，在粉尘气体收集箱体2的顶部设置有供粉尘气体流通的粉尘导流管道4，粉尘导流管道4的一端与粉尘气体收集箱体2的顶部一侧连通，粉尘导流管道4的另一端连接涡轮风扇3，并在粉尘导流管道4上设置旋风除尘器5；所述粉尘气体收集箱体2内部壁面使用吸光布1进行覆盖，吸光布1的设置是为了防止环境光以及粉尘收集箱体内部壁面散射光的干扰；所述粉尘气体收集箱体2的底部右侧设置有进风口，进风口与变径管道10的一端连通，变径管道10的另一端连接粉尘发生器11；变径管道10的目的是为了适配粉尘发生器11的粉尘喷出口；粉尘气体通过粉尘发生器11产生，经过变径管道10处进入装置内部；
粉尘传感器8可移动的设置在粉尘气体收集箱体2壁面，且粉尘传感器8通过信号线与MCU微处理器9信号连接；
如图2所示，所述粉尘散射图像采集模块包括摄像头保护罩17、两个工业摄像机15、信号线7、计算机6、直线滑轨16、激光固定三角架13、一字线激光发生器14；所述激光固定三角架13固定在粉尘收集箱体2一侧，直线滑轨16固定在激光固定三脚架13的顶端，本发明的一字线激光发生器14设置为两个，两个一字线激光发生器14分别固定在直线滑轨16的两端，且安装角度可调，两个工业摄像机15固定在直线滑轨16的中间部分并对齐，激光固定三角架13始终保持一字线激光发生器14的激光与工业摄像机15中心线在同一水平面上；所述摄像头保护罩17凸出部分伸入粉尘气体收集箱体2的侧壁凹槽内部，两个工业摄像机15的摄像头置于摄像头保护罩17的凹陷处并固定；两个工业摄像机15、两个一字线激光发生器14以及MCU微处理器9均通过信号线7连接计算机6；所述两个一字线激光发生器14功率不同，且与直线滑轨间的角度可调，以实现粉尘平面分布情况的测量；所述粉尘传感器8均与两个一字线激光发生器14处于同一水平线上；本发明的两个一字线激光发生器14的功率不同，其中大功率一字线激光发生器针对粉尘浓度较小时的浓度测量，小功率一字线激光发生器针对粉尘浓度较大时的浓度测量，考虑到两个一字线激光发生器功率不同，对不同浓度的粉尘照射测量的结果有差异，可以多次实验在不同浓度下两一字线激光发生器分布照射计算的结果，得到不同一字线激光发生器适合测量的粉尘浓度区间。
本发明将粉尘传感器8设置为可移动的，激光固定三角架13设置为可调节高度和角度的，均是为了便于调节，将粉尘传感器8与两个一字线激光发生器14、以及两个工业摄像机15处于同一水平线上；
数据处理模块为计算机6内部程序，包括图像处理算法和基于随机森林的粉尘浓度预测算法，图像处理算法用于识别和提取粉尘颗粒并计算粉尘三维位置，粉尘浓度预测算法用于探究两个一字线激光发生器14在不同激光强度下分别测得的粉尘图像特征值与粉尘浓度值的数学关系，从而在预知粉尘浓度大小的情况下选择功率合适的一字线激光发生器14来发射激光，避免高浓度粉尘环境干扰激光射光信号，达到精准预测的目的。
所述图像处理算法的具体处理过程如下：
S1：实验前，先使用棋盘格图像，运用OpenCV算法库对两个工业摄像机拍摄的双目图像进行几何校正，确保两个视角的图像在同一平面上对齐，本发明使用的OpenCV算法为现有技术，能够对双目图像进行几何校正，确保两个视角的图像在同一水平面上对齐；
S2：开启粉尘发生器11，向粉尘气体收集箱体2导入与箱体体积相同的粉尘样品气体后关闭粉尘发生器11，打开功率较小的一字线激光发生器14发射激光，通过两个工业摄像机15同时拍摄粉尘颗粒沉降过程中不同质量浓度粉尘的散射图像，获得第一组双目图像，再迅速切换功率较大的一字线激光发生器14发射激光，两个工业摄像机15拍摄并获得第二组双目图像，然后转变一字线激光发生器14的角度，由两个工业摄像机15拍摄并获得多组双目图像；
S3：对双目图像执行灰度化处理，应用双边滤波算法降噪以提高图像中粉尘线条的清晰度，并使用结构相似性指数SSIM对图像质量进行评价，双边滤波算法的公式为：
其中：I(x)是原始图像在位置x的强度值；
I′(x)是滤波后图像在位置x的强度值；
Gσs(||x-xi||)是基于像素间的空间距离计算的空间高斯函数，用于减少距离中心像素x越远的像素的权重；
Gσr(||I(x)-I(xi)||)是基于像素强度差异计算的强度高斯函数，用于减少强度差异大的像素的影响；
Wp是归一化因子；
σS和σr分别是空间和强度高斯函数的标准差；
而结构相似性指数SSIM是测量双目图像相似性的指标，通过亮度、对比度和结构三个方面的对比，评估图像去噪的效果，其公式为：
其中：ux和uy分别是图像x和y的平均灰度；
和/>分别是图像x和y的方差；
σxy是协方差；
C1和C2是为避免分母为0引入的小常数，通常取C1＝(K1L)2和C2＝(K2L)2，其中L是像素值的动态范围(对于8位图像，L＝255)，K1＝0.01和K2＝0.03是默认值；
S4：使用SIFT特征匹配算法，调用OpenCV库对图像进行特征匹配；
S5：利用匹配点计算视差，生成深度图，如图3所示，并对生成的深度图进行视差校正和滤波，以提高其质量。深度图表征了每个像素点到相机的距离，深度图Z的计算公式为：
其中：f是相机的焦距；
B是两个相机镜头之间的基线距离；
d是视差，d＝XR-XT；
S6：利用已知的相机参数和深度图计算粉尘的三维位置和相对距离，对于图像中的点(u，v)，其对应的三维位置即三维坐标(X，Y，Z)的计算公式(Z为该点的深度图值)为：
其中：(cx，cy)是相机的主点坐标；
(fx，fy)是相机的焦距；
S7：对降噪后的灰度图像计算平均灰度值，即灰度化以后每个像素点的值就是灰度值，对灰度图像进行线性或最大最小归一化处理；
S8：将步骤S6计算得到的图像各点的三维坐标信息与步骤S7得到的归一化的灰度图像进行汇总，得到显示距离信息的灰度图像，在该灰度图像上，随机选一个点即可得到该点的三维坐标，随机选两个点即可获得该两点的相对距离；
在指定图像任意两点后可计算该两点的相对距离，公式为：
本发明的基于随机森林的粉尘浓度预测算法的具体处理过程如下：
SⅠ：依次打开两个一字线激光发生器14分别发射大小激光，两个工业摄像机15分别对应获得大小激光下双目图像的同时，粉尘传感器8测得相同时刻不同位置的质量浓度；
SⅡ：将这些表征粉尘质量浓度的图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数、粉尘传感器8测得的质量浓度作为样本数据，随机选择四分之三的样本数据训练随机森林模型，剩下四分之一的样本数据作为预测样本数据，用于对所建模型进行评价和验证，上述粉尘粒径在通入粉尘的时候就确定是某种粒径的粉尘；
SⅢ：针对训练样本数据，以图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量，对应的粉尘传感器8测得的质量浓度作为输出变量，考虑到图像灰度值是与激光光强有关的量(一般之间用每个像素的灰度值表示相对光强)，而激光光强受粉尘浓度的影响，在距离上满足Beer-lambert衰减，与粉尘浓度表示强相关，而一些输入变量如SSIM表征的是两幅图像相似性的大小，可能与粉尘质量浓度表现为弱相关甚至不相关，因此使用随机森林算法对所有变量的函数关系进行模拟，调用Python的scikit-learn库对问题进行求解，其中随机森林能够处理非线性关系，并通过特征重要性评分来帮助识别哪些变量对预测更重要，它不要求数据的线性分布，并且对异常值有很好的鲁棒性，粉尘灰度图像的光强值与粉尘浓度的测算关系式为：
其中：I0是初始入射光强(激光在其源头或初始状态时的光强度，根据买的激光发生器的型号就能确定初始入射光强)；
C是颗粒质量浓度；
是颗粒平均消光系数；
PL是光学长度，在粉尘图像中表示测得粉尘颗粒组成的散射体总长度；
FN(D)是气溶胶粒径颗粒数分布函数；
是颗粒平均密度；
为定值；
随着距离的增加光强值会发生衰变，将图像中测得的粉尘颗粒的光学长度PL均分为5段，每等份长度l＝PL/n＝PL/5，每一等份即为所定义的光散射颗粒单元，根据图1中4个粉尘传感器的位置，故有效测量的光散射颗粒单元为4个，记光散射颗粒单元的标值取光散射颗粒单元的标值取0，1,...，4，单位为Δl；初始入射光强I0，经过第一个光散射颗粒单元后，被工业摄像机接收到的散射光强为F1，入射光强衰减为I1，以此类推，第k个光散射颗粒单元对入射光进行散射和衰减，接收到的散射光强为Fk，入射光强衰减为Ik，满足公式：
其中：Ck为第k点的颗粒质量浓度；
当图像是灰度图时，可以简单取a为定值，
KI0为定值，KI0＝105；
用图像的灰度值表征图像散射光强进行计算时，基于图像处理算法得到的灰度图像与图像中各点粉尘的三维坐标，得到与实际粉尘传感器监测处(即4个有效测量的光散射颗粒单元处)的灰度值F1，F2，F3，F4与相对距离H1，H2，H3，H4，基于此，开始训练随机森林模型；
SⅣ：将预测样本的图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量输入到所建立的随机森林模型中，得到相应的粉尘质量预测浓度值；
SⅤ：结合粉尘传感器测得的粉尘质量浓度值，对步骤SD得到的粉尘质量预测浓度值进行评估，计算两者的均方误差，假设两者偏差超出可接受范围，则调节随机森林相关参数值(如树的数量、树的最大深度等)重新进行训练预测，直至符合可接受范围，从而确定随机森林预测模型，所述可接受范围指的是这两个浓度差不超过一个数，一般是实际浓度值的上下20％区间内，或者10％，这个是可以随机取的；
SⅥ：利用所确定的随机森林模型对两个工业摄像机后续拍摄的未知质量浓度的双目散射图像进行预测。
所述粉尘传感器8有四个，分别等间距的设置在粉尘气体收集箱体壁面，且均与一字线激光发生器14处于同一水平线上。
激光固定三角架13的高度和角度均可调节，所以本发明可测算一段时间内的粉尘三维立体分布浓度情况。
粉尘传感器8的不同粒径通道的粒子数目包括0.3、0.5、1.0、2.5、5.0、10微米的粒子粒径。
四个粉尘传感器8的间距为30cm。
下面给出本发明的实施例
本发明选用的粉尘收集箱箱体2的尺寸为150cm(长)×60cm(宽)×120cm(高)；激光固定三角架13的具体型号为：NT-777，总重量2.86kg(含云台)，碗径65mm，云台可360°旋转，工作高度范围为810mm至1900mm；工业摄像机的具体型号为：RER-USB4KHDR01，感光片为SONY IMX415(1/2.8”)，像素尺寸为1.45μM×1.45μM；工业摄像机最大分辨率为3840(水平)×2160(垂直)，且对焦至散射截面；工业摄像机的镜头选用500万像素的FA定焦镜头，其产品型号为MVL-MF0824M-5MP，焦距为8mm，最近工作距离为50mm，光圈为F2.4-F16，对应的芯片尺寸为11mm(2/3”)。
首先使用棋盘格图像对两个工业摄像头进行双目标定，之后向粉尘收集箱箱体2中通入箱体体积相同的粉尘样品气体后关闭粉尘发生器，打开功率较小的一字线激光发生器，通过两个工业摄像机同时拍摄粉尘颗粒沉降过程中不同质量浓度粉尘的散射图像，获得第一组双目图像；再迅速切换功率较大的一字线激光发生器拍摄并获得第二组双目图像；转换一字线激光发射器的角度再进行拍摄，多次拍摄最后获得多组双目图像，分别对两个激光发生器拍摄的双目图像运用图像处理算法，得到灰度化后已经过几何校正的双目图像，即图像中对一个粉尘点的双目图像对应点将在水平方向上对齐，且图像中各点的三维坐标已知。再分别运用随机森林算法，以图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径中位数作为输入变量，对应的粉尘传感器8测得的质量浓度作为输出变量训练出两套模型，模型最终可能的结果为：针对该粉尘浓度下，功率较低的一字线激光发生器拍摄双目图像训练的随机森林模型可能包含200棵树，每棵树的最大深度为30，误差为5％；而功率较高的一字线激光发生器拍摄双目图像训练的随机森林模型可能包含220棵树，每棵树的最大深度为25，误差为2％，则该粉尘浓度下选用功率较高的一字线激光发生器更好，选用高功率一字线激光发生器求解的随机森林模型。
使用涡轮风扇3、粉尘导流管道4、旋风除尘器5来清除粉尘收集箱箱体2中的粉尘，重新通入与上次粉尘样品浓度不同的样品气体后关闭粉尘发生器，重复以上操作，最终可获得针对不同浓度的随机森林模型，粉尘浓度高时选用使用低功率一字线激光发生器拍摄的图像，粉尘浓度低时选用使用高功率一字线激光发生器拍摄的图像。而图像的灰度值能表征图像浓度且灰度值越大表示粉尘浓度越大，可将图像灰度值小于等于几时的图像用高功率求解的随机森林模型，反之低功率(最后的样子应该是在粉尘灰度值小于几时使用高功率求解的随机森林模型，大于时是低功率的)。
运用随机森林模型对未知浓度的双目图像中的粉尘浓度进行预测。
图4是测得40个点的粉尘浓度值及其分布状态，X轴为粉尘收集箱箱体长度方向，Y轴为粉尘收集箱箱体宽度方向，由于所测粉尘都在高度为粉尘收集箱体高度90cm高处，故在图像中没有表征。由图4中各点的分布可知使用的是激光固定三角架右侧的一字线激光发生器(以面向工业摄像头照射方向为正面)，测得的粉尘浓度集中在10.95mg/m3上下，误差远小于5％。
如果要得到粉尘颗粒在一个方向上的浓度连续分布的测量图而只有有限个粉尘浓度传感器(如本发明中只有四个)时，可以对由这几个有限传感器均匀排布而划分的区域进行切割，进行插值而得到想要的结果。以本案为例，由四个粉尘传感器在粉尘收集箱箱体长度方向上的均匀排布而划分的5个区域进行切割，每个区域分别切分为100段，则每段距离相等。在已知各段端点的光强值(用经过图像算法处理后的灰度图中各个端点对应位置的灰度值表征)和各段初始两端端点的粉尘浓度值(即粉尘传感器的测量值，第一段和最后一段靠近箱体壁面的粉尘浓度都规定为0)，利用前述粉尘灰度图像的光强值与粉尘浓度的测算关系式，对每段中各端点的浓度进行插值计算，最后的结果如图5所示。
由图5可知，在该激光路径下，粉尘的浓度在粉尘收集箱体长度方向基本保持均匀，主要为11mg/m3上下。
基于该情况下，转变一字线激光发生器的角度，重复以上步骤多次测量即可获得一段时间内该水平平面上的粉尘浓度分布图，如图6所示。
Claims (8)
1.一种基于双目散射图像的粉尘质量浓度及其分布测量装置，包括粉尘气体发生收集模块、粉尘散射图像采集模块、数据处理模块，其特征在于，所述粉尘气体发生收集模块包括粉尘气体收集箱体(2)、吸光布(1)、涡轮风扇(3)、粉尘导流管道(4)、旋风除尘器(5)、粉尘传感器(8)、变径管道(10)、粉尘发生器(11)，粉尘导流管道(4)的一端与粉尘气体收集箱体(2)的顶部一侧连通，粉尘导流管道(4)的另一端连接涡轮风扇(3)，并在粉尘导流管道(4)上设置旋风除尘器(5)；所述粉尘气体收集箱体(2)内部壁面使用吸光布(1)进行覆盖；所述粉尘气体收集箱体(2)的底部右侧设置有进风口，进风口与变径管道(10)的一端连通，变径管道(10)的另一端连接粉尘发生器(11)；
粉尘传感器(8)可移动的设置在粉尘气体收集箱体(2)壁面，粉尘传感器(8)通过信号线连接MCU微处理器(9)；
所述粉尘散射图像采集模块包括摄像头保护罩(17)、两个工业摄像机(15)、信号线(7)、计算机(6)、直线滑轨(16)、激光固定三角架(13)、一字线激光发生器(14)；所述激光固定三角架(13)固定在粉尘收集箱体(2)一侧，直线滑轨(16)固定在激光固定三脚架(13)的顶端，所述一字线激光发生器(14)设置为两个，两个一字线激光发生器(14)分别固定在直线滑轨(16)的两端，且安装角度可调，两个工业摄像机(15)固定在直线滑轨(16)的中间部分并对齐，激光固定三角架(13)始终保持一字线激光发生器(14)的激光与工业摄像机(15)中心线在同一水平面上；所述摄像头保护罩(17)凸出部分伸入粉尘气体收集箱体(2)的侧壁凹槽内部，两个工业摄像机(15)的摄像头置于摄像头保护罩(17)的凹陷处并固定；两个工业摄像机(15)、两个一字线激光发生器(14)以及MCU微处理器(9)均通过信号线(7)连接计算机(6)；所述两个一字线激光发生器(14)功率不同，其中大功率一字线激光发生器(14)针对粉尘浓度较小时的浓度测量，小功率一字线激光发生器(14)针对粉尘浓度较大时的浓度测量；所述粉尘传感器(8)均与两个一字线激光发生器(14)处于同一水平线上；
数据处理模块为计算机(6)内部程序，包括图像处理算法和基于随机森林的粉尘浓度预测算法，图像处理算法用于识别和提取粉尘颗粒并计算粉尘三维位置，粉尘浓度预测算法用于探究两个一字线激光发生器(14)在不同激光强度下分别测得的粉尘图像特征值与粉尘浓度值的数学关系，从而在预知粉尘浓度大小的情况下选择功率合适的一字线激光发生器(14)来发射激光，避免高浓度粉尘环境干扰激光射光信号，达到精准预测的目的。
2.根据权利要求1所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，所述图像处理算法的具体处理过程如下：
S1：实验前，先使用棋盘格图像，运用OpenCV算法库对两个工业摄像机拍摄的双目图像进行几何校正，确保两个视角的图像在同一平面上对齐；
S2：开启粉尘发生器(11)，向粉尘气体收集箱体(2)导入粉尘样品气体后关闭粉尘发生器(11)，打开功率较小的一字线激光发生器(14)发射激光，通过两个工业摄像机(15)同时拍摄粉尘颗粒沉降过程中不同质量浓度粉尘的散射图像，获得第一组双目图像，再迅速切换功率较大的一字线激光发生器(14)发射激光，两个工业摄像机(15)拍摄并获得第二组双目图像，然后转变一字线激光发生器(14)的角度，由两个工业摄像机(15)拍摄最终获得多组双目图像；
S3：对上述双目图像执行灰度化处理，应用双边滤波算法降噪以提高图像中粉尘线条的清晰度，并使用结构相似性指数SSIM对图像质量进行评价；
S4：使用SIFT特征匹配算法，调用OpenCV库对图像进行特征匹配；
S5：利用匹配点计算视差，生成深度图，并对生成的深度图进行视差校正和滤波，深度图表征了每个像素点到相机的距离，深度图Z的计算公式为：
其中：f是相机的焦距；
B是两个相机镜头之间的基线距离；
d是视差；
S6：利用已知的相机参数和深度图Z计算粉尘的三维位置和相对距离，对于图像中的点(u，v)，其对应的三维位置即三维坐标(X，Y，Z)的计算公式为：
其中：(cx，cy)是相机的主点坐标；
(fx，fy)是相机的焦距；
S7：对降噪后的灰度图像计算平均灰度值，对灰度图像进行线性或最大最小归一化处理，得到归一化的灰度图像；
S8：将步骤S6计算得到的图像各点的三维坐标信息与步骤S7得到的归一化的灰度图像进行汇总，得到显示距离信息的灰度图像，在该灰度图像上，随机选一个点即可得到该点的三维坐标，随机选两个点即可获得该两点的相对距离；
在指定图像任意两点后可计算该两点的相对距离，公式为：
3.根据权利要求2所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，步骤S3中双边滤波算法的公式为：
其中：I(x)是原始图像在位置x的强度值；
I′(x)是滤波后图像在位置x的强度值；
Gσs(||x-xi||)是基于像素间的空间距离计算的空间高斯函数；
Gσr(||I(x)-I(xi)||)是基于像素强度差异计算的强度高斯函数；
Wp是归一化因子；
σS和σr分别是空间和强度高斯函数的标准差；
结构相似性指数SSIM是测量双目图像相似性的指标，通过亮度、对比度和结构三个方面的对比，评估图像去噪的效果，其公式为：
其中：ux和uy分别是图像x和y的平均灰度；
和/>分别是图像x和y的方差；
σxy是协方差；
C1和C2是为避免分母为0引入的小常数，通常取C1＝(K1L)2和C2＝(K2L)2，其中L是像素值的动态范围，K1＝0.01和K2＝0.03是默认值。
4.根据权利要求2所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，所述基于随机森林的粉尘浓度预测算法的具体处理过程如下：
SⅠ：依次打开两个一字线激光发生器(14)分别对应发射大小激光，两个工业摄像机(15)分别对应获得大小激光下双目图像的同时，粉尘传感器(8)测得相同时刻不同位置的质量浓度；
SⅡ：将这些表征粉尘质量浓度的平均灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数、粉尘传感器(8)测得质量浓度作为样本数据，随机选择四分之三的样本数据训练随机森林模型，剩下四分之一的样本数据作为预测样本数据，用于对所建模型进行评价和验证；
SⅢ：针对训练样本数据，以图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量，对应的粉尘传感器(8)测得的质量浓度作为输出变量，粉尘灰度图像的光强值与粉尘浓度的测算关系式为：
其中：I0是初始入射光强；
C是颗粒质量浓度；
是颗粒平均消光系数；
PL是光学长度，在粉尘图像中表示测得粉尘颗粒组成的散射体总长度；
FN(D)是气溶胶粒径颗粒数分布函数；
是颗粒平均密度；
为定值；
随着距离的增加光强值会发生衰变，将图像中测得的粉尘颗粒的光学长度PL均分为5段，每等份长度l＝PL/n＝PL/5，每一等份即为所定义的光散射颗粒单元，光散射颗粒单元的标值取0，1,…，4，单位为Δl；初始入射光强I0，经过第一个光散射颗粒单元后，被工业摄像机接收到的散射光强为F1，入射光强衰减为I1，以此类推，第k个光散射颗粒单元对入射光进行散射和衰减，接收到的散射光强为Fk，入射光强衰减为Ik，满足公式：
C0＝0
其中：Ck为第k点的颗粒质量浓度；
灰度图像的a为定值；
用图像的灰度值表征图像散射光强进行计算时，基于图像处理算法得到的灰度图像与图像中各点粉尘的三维坐标，得到与实际粉尘传感器监测处的灰度值与相对距离，基于此，开始训练随机森林模型；
SⅣ：将预测样本的图像灰度值、结构相似性指数SSIM、粉尘的三维位置、粉尘粒径的中位数作为输入变量输入到所建立的随机森林模型中，得到相应的粉尘质量预测浓度值；
SⅤ：结合粉尘传感器测得的粉尘质量浓度值，对步骤SⅣ得到的粉尘质量预测浓度值进行评估，计算两者的均方误差，假设两者偏差超出可接受范围，则调节随机森林相关参数值重新进行训练预测，直至符合可接受范围，从而确定随机森林预测模型；
SⅥ：利用所确定的随机森林模型对两个工业摄像机后续拍摄的未知质量浓度的双目散射图像进行预测，得到最终的粉尘质量浓度。
5.根据权利要求4所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，所述粉尘传感器(8)有四个，分别等间距的设置在粉尘气体收集箱体壁面，且与一字线激光发生器(14)处于同一水平线上。
6.根据权利要求4所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，激光固定三角架(13)的高度和角度均可调节。
7.根据权利要求4所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，粉尘传感器(8)的不同粒径通道的粒子数目包括0.3、0.5、1.0、2.5、5.0、10微米的粒子粒径。
8.根据权利要求5所述的一种基于双目散射图像的粉尘质量浓度及其分布测量装置，其特征在于，四个粉尘传感器(8)的间距为30cm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001476.0A CN117871354B (zh) | 2024-01-02 | 2024-01-02 | 一种基于双目散射图像的粉尘质量浓度及其分布测量装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001476.0A CN117871354B (zh) | 2024-01-02 | 2024-01-02 | 一种基于双目散射图像的粉尘质量浓度及其分布测量装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117871354A true CN117871354A (zh) | 2024-04-12 |
| CN117871354B CN117871354B (zh) | 2024-07-16 |
Family
ID=90582325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001476.0A Active CN117871354B (zh) | 2024-01-02 | 2024-01-02 | 一种基于双目散射图像的粉尘质量浓度及其分布测量装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117871354B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019240514A1 (ko) * | 2018-06-14 | 2019-12-19 | 코웨이 주식회사 | 공기 정화 장치 및 이를 제어하는 방법 |
| CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
| CN113552033A (zh) * | 2021-06-30 | 2021-10-26 | 杭州电子科技大学 | 一种基于光学测量的粉尘浓度分布检测方法 |
| CN114383985A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于多参数特征融合的浮选精矿品位检测方法 |
| CN114659953A (zh) * | 2022-03-29 | 2022-06-24 | 中国矿业大学 | 基于振荡天平的矿井便携式实时粉尘浓度监测装置及方法 |
| CN115210031A (zh) * | 2019-12-30 | 2022-10-18 | 努布鲁有限公司 | 使用激光减少焊接金属产生的危害副产物的方法和系统 |
| CN115876655A (zh) * | 2022-12-02 | 2023-03-31 | 中国矿业大学 | 一种受限空间涉爆粉尘全过程监测系统及方法 |
-
2024
- 2024-01-02 CN CN202410001476.0A patent/CN117871354B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019240514A1 (ko) * | 2018-06-14 | 2019-12-19 | 코웨이 주식회사 | 공기 정화 장치 및 이를 제어하는 방법 |
| CN115210031A (zh) * | 2019-12-30 | 2022-10-18 | 努布鲁有限公司 | 使用激光减少焊接金属产生的危害副产物的方法和系统 |
| CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
| CN113552033A (zh) * | 2021-06-30 | 2021-10-26 | 杭州电子科技大学 | 一种基于光学测量的粉尘浓度分布检测方法 |
| CN114383985A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于多参数特征融合的浮选精矿品位检测方法 |
| CN114659953A (zh) * | 2022-03-29 | 2022-06-24 | 中国矿业大学 | 基于振荡天平的矿井便携式实时粉尘浓度监测装置及方法 |
| CN115876655A (zh) * | 2022-12-02 | 2023-03-31 | 中国矿业大学 | 一种受限空间涉爆粉尘全过程监测系统及方法 |
Non-Patent Citations (5)
| Title |
|---|
| SHIJUN WEI，等: "Aerosol Analysis Using Handheld Raman Spectrometer: On-site Quantification of Trace Crystalline Silica in Workplace Atmospheres", ANNALS OF WORK EXPOSURES AND HEALTH, vol. 66, no. 5, 31 December 2022 (2022-12-31), pages 656 * |
| SHIJUN WEI，等: "Aerosol analysis using quantum cascade laser infrared spectroscopy: Application to crystalline silica measurement", JOURNAL OF AEROSOL SCIENCE, vol. 150, 31 December 2020 (2020-12-31), pages 1 - 13 * |
| 李晴，等: "全尺寸巷/隧道火灾风烟流温度预测模型与验证", 中国安全生产科学技术, vol. 18, no. 8, 31 August 2022 (2022-08-31), pages 5 - 12 * |
| 王和堂，等: "基于集成学习的综掘面粉尘浓度预测模型", 金属矿山, 15 August 2023 (2023-08-15), pages 1 - 13 * |
| 霍 文，等: "基于环境因素的露天煤矿粉尘质量浓度预测", 辽宁工程技术大学学报（自然科学版）, vol. 40, no. 5, 31 October 2021 (2021-10-31), pages 409 - 414 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117871354B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8988673B2 (en) | Beam scattering laser monitor | |
| CN103969162B (zh) | 一种基于数据融合的矿井煤尘浓度测量的方法及装置 | |
| CN111707221B (zh) | 一种多曝光散射信号融合的表面粗糙度测量方法 | |
| CN105588792A (zh) | 一种基于片光源的二维烟雾浓度场测量装置 | |
| US11480920B2 (en) | Image processing apparatus, evaluation system, image processing program, and image processing method | |
| CN117053852B (zh) | 一种水下结构的光学测量矫正方法及系统 | |
| CN107860722A (zh) | 一种蜜瓜内部品质在线检测方法及系统 | |
| CN110851965B (zh) | 一种基于物理模型的光源优化方法及优化系统 | |
| CN117871354B (zh) | 一种基于双目散射图像的粉尘质量浓度及其分布测量装置 | |
| JPH06109615A (ja) | 粒度分布測定装置 | |
| CN212693602U (zh) | 一种实现自适应谱线均衡的libs土壤检测设备 | |
| CN112203390A (zh) | 一种提取激光等离子体轮廓的方法 | |
| CN112504240A (zh) | 一种激光投线仪校准系统及校准方法 | |
| US6011621A (en) | Method and apparatus for measuring particle size at low concentration | |
| Liu et al. | Research on noise processing and particle recognition algorithm of PTV image | |
| CN109724690A (zh) | 基于光谱角度填图的纹影法远场测量焦斑自动重构方法 | |
| CN111855643A (zh) | 一种实现自适应谱线均衡的libs土壤检测方法、系统及设备 | |
| JPH0648238B2 (ja) | 噴射燃料の平均粒径計測装置 | |
| CN114486664B (zh) | 一种颗粒物运动轨迹捕捉系统及方法 | |
| JPS5896238A (ja) | 粒子群の平均粒径及び体積濃度測定方法 | |
| CN109613462A (zh) | 一种ct成像的标定方法 | |
| KR102139477B1 (ko) | 매질 특성 차이를 이용한 영상 기반의 시료 분석 장치를 이용하여 시료를 측정하고 분석하는 방법 | |
| CN118243337A (zh) | 一种基于波前信息统计量矩阵的水下湍流环境异常感知方法 | |
| Jähne et al. | An imaging optical technique for bubble measurements | |
| CN114910447A (zh) | 基于激光照射和图像处理的切削液浓度测量的方法 |
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 |