[发明专利]一种烧结机的台车箅条图像摄取方法及系统

权利要求书

1.一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法包括如下步骤：

对采集的箅条图像进行ROI提取，得到ROI提取后的图像；

将所述ROI提取后图像分割为与箅条排数相等的若干部分；

将分割后的每一排的图像进行外轮廓提取；

对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量。

2.如权利要求1所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括如下步骤：

通过如下公式求得各排轮廓值的平均值：

3.如权利要求2所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括如下步骤：

通过如下公式求得各排轮廓值的均方差：

4.如权利要求1-3任一项所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括：

采用深度学习算法提取箅条的四个角点，进行全景图粗定位，基于角点再进行透视变换，从而展平图像。

5.如权利要求4所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括：

训练深度学习网络，得到深度网络模型：

通过手动标定训练样本，标定样本保证角点位于预测框的中心，并根据预测框的大小得到角点的坐标值。

6.如权利要求5所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括：

测试时，将全景图粗定位的四个角点图像输入训练好的深度网络模型，得到角点在预测框中的坐标(X,Y)，根据如下转换公式，得到角点在原图中的坐标值：

左上角C_lt：(X+mg,Y)

左下角C_lb：(X+mg,H-sq+Y)

右上角C_rt：(W-mg-sq+X,Y)

右下角C_rb：(W-mg-sq+X,H-sq+Y)

其中，H表示原图的长，W表示原图的宽，mg表示距离左右边缘的距离，sq表示预测框的长宽。

7.如权利要求6所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括：

基于四个角点在原图中的坐标值，采用如下四点透视变换对图像进行展平，透视变换公式为：

其中，为透视变换矩阵，

为已知的需要移动的点，

为转换后的目标点。

8.如权利要求7所述的一种烧结机的台车箅条图像摄取方法，其特征在于，所述图像摄取方法还包括：

已知四个角点的坐标值，对如下透视变换矩阵进行计算，得到其值：

。

9.一种烧结机的台车箅条图像摄取系统，其特征在于，所述图像摄取系统包括：

ROI提取单元，用于对采集的箅条图像进行ROI提取，得到ROI提取后的图像；

分割单元，用于将所述ROI提取后图像分割为与箅条排数相等的若干部分；

外轮廓提取单元，用于将分割后的每一排的图像进行外轮廓提取；

判断单元，对提取的轮廓大小进行判断，构成轮廓的像素点数大于或等于设定阈值时，则判定为箅条外轮廓，若构成轮廓的像素点的数量小于设定阈值，则判定认为是图像中其他纹理变化形成的轮廓，为无效轮廓；统计每个子区域内符合条件的轮廓数量。

10.如权利要求9所述的一种烧结机的台车箅条图像摄取系统，其特征在于，所述图像摄取系统还包括：

深度学习变换单元，用于采用深度学习算法提取箅条的四个角点，进行全景图粗定位，基于角点再进行透视变换，从而展平图像；

所述深度学习变换单元包括：

深度网络模型子单元，用于训练深度学习网络，得到深度网络模型：通过手动标定训练样本，标定样本保证角点位于预测框的中心，并根据预测框的大小得到角点的坐标值。