[发明专利]一种基于图像分割的篦冷机料层厚度测量方法

权利要求书

1.一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，包括以下步骤：

S1:基于深度学习的图像分割网络模型离线训练；

S2:基于所述训练完成的图像分割模型实时对篦冷机内部图像实行图像分割；

将训练完成的分割模型在线部署至图像分析平台，同时，图像平台实时采集篦冷机内部图像数据，由图像分割模型对实时采集的篦冷机内部图像做分割处理，得到分割结果；

S3:分割结果后处理转换得到篦冷机料层厚度；

采用传统图像处理技术如最大连通区域识别、边缘提取等技术手段，对所述实时预测后的结果进行后处理得到篦冷机料层厚度。

2.根据权利要求1所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S1,采集高温相机拍摄的篦冷机内部图像信息，标注处理后，选择合适的图像分割模型训练并评估，具体包括但不限于以下内容与步骤顺序：

S11：离线采集高温相机拍摄的篦冷机内部图像信息；

S12：使用标注工具对所述篦冷机内部图像信息的料层区域或者未被料层覆盖的侧面墙壁区域标注；

S13：将所述标注完成的图像数据按照训练集、验证集和测试集做数据集划分；

S14：选择合适的图像分割神经网络模型，设置初始参数，如求解器、学习率、轮回次数等；

S15：将所述训练集和验证集图像信息输入所述图像分割模型，通过迭代优化得到收敛后的模型参数；

S16：使用AP或者mAP指标对所述优化后的模型评估，如果评估模型满足使用要求，则考虑部署上线，如不满足，则进入S11步骤重新更新图像数据或者进入S14步骤调整训练模型参数重新训练模型；

S17：使用模型剪枝和模型量化等技术对所述离线训练完的模型做模型压缩和加速，并存储模型文件。

3.根据权利要求2所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S2，部署所述训练完的图像分割模型到图像平台，并对实时采集的图像做实时分割处理，包括但不限于以下内容与步骤顺序：

S21：将图像分析平台部署在物理服务器或者云服务器；

S22：所述物理服务器或者云服务器具备深度学习基本环境，如支持CUDA运算功能；

S23：所述图像分析平台具备读取视频流并抽帧的功能，以及周期调用所述训练完模型的能力，所述视频流可以是网络视频流或者是离线视频流；

S24：将所述离线训练完的模型加载到所述图像平台，并启动运行算法模型；

S25：通过暗通道先验技术或者其他图像处理技术对所述视频流抽帧图像数据去雾化和飞沙，以增强图像清晰度；

S26：按照一定周期将预处理完的图像输入启动的图像分割模型，执行分割任务，输出分割结果。

4.根据权利要求3所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S3，对实时预测后的分割结果进行后处理得到篦冷机料层厚度，包括但不限于以下内容与步骤顺序：

S31：将分割后的图像数据做高斯滤波和二值化处理；

S32：获取所述二值化图像中的最大连通区域；

S33：对最大连通区域做边缘检测，获取边缘曲线中相同像素宽度x轴中最大像素高度y值，形成一维向量，所述x轴的范围根据历史数据统计分析篦冷机料层有效边界数据得到；

S34：对一维向量做异常值和滤波处理，得到预处理后的一维向量；

S35：对预处理后的一维向量求取均值或者中值，再将计算结果限制在一定范围内，作为最终料层厚度值；

S36：将最终料层厚度值除以原始图像像素高度得到相对料层厚度。

5.根据权利要求4所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S36，实时预测的篦冷机料层相对厚度引入到控制回路中，作为被控变量使用，通过操纵篦冷机速度，可以实现对篦冷机料层厚度的稳定控制，将料层厚度稳定在设定范围内，在保证熟料冷却质量的同时，提升换热效率。

6.根据权利要求1所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S14的图像分割神经网络具备图像增强功能，能够有效解决高温图像雾化、飞沙等传统图像处理无法克服的问题。

7.根据权利要求6所述的一种基于图像分割的篦冷机料层厚度测量方法，其特征在于，所述步骤S14的图像分割神经网络可以采用小样本量训练模型，避免了海量数据下载、预处理和标注的繁琐过程。