[发明专利]梭式窑烧结工况图像识别方法

说明书

本发明涉及数据识别技术领域，具体涉及一种梭式窑烧结工况图像识别方法，包括：实时获取待处理边缘区域内的各个边缘对应的连通域，确定每个边缘对应的炉壁边缘直线显著系数、炉壁边缘色度显著系数和炉壁边缘粗糙度显著系数，进而确定炉壁边缘显著系数；根据每个边缘对应的多个角点目标簇，得到多个火焰尖角下滑梯度和多个角点距离指标，进而得到火焰外焰边缘显著系数；根据每个边缘对应的炉壁边缘显著系数和火焰外焰边缘显著系数，确定火焰分割边缘显著系数，进而确定目标火焰区域图像，从而确定待检测梭式窑的当前烧结工况。本发明利用数据识别技术，检测出当前的梭式窑烧结工况，有效提高了梭式窑烧结工况的检测准确性。

技术领域

本发明涉及数据识别技术领域，具体涉及一种梭式窑烧结工况图像识别方法。

背景技术

梭式窑是一种间歇式热工窑炉，因其生产调度灵活、操作简便，广泛应用于各种小规模的间歇性陶瓷生产，掌握梭式窑的烧结工况对陶瓷梭式窑烧制产品的质量会有重要影响，这里的烧结是指把粉状物料转变为致密体，是一个传统的工艺过程。目前现有的陶瓷梭式窑烧结工况识别方法仍主要采用热电偶检测并以人工看火方式进行辅助，但热电偶只能测量到炉内局部温度，检测精度较低，测量的数据不能如实反映烧结区的具体情况。另外，人工看火的劳动强度大、经验要求高，容易导致梭式窑陶瓷生产的自动化程度低和生产效率低。工业测温仪能够达到对烧结工况的准确识别，但该检测方法的成本过高，不适用于小规模的陶瓷生产。

随着机器视觉和图像处理技术的发展进步，出现了基于深度学习的火焰图像识别算法，该算法通过深度神经网络的特征层提取所采集的火焰图像的特征或属性，根据火焰图像的特征对火焰图像进行分类，克服了传统图像处理算法中对噪声数据敏感的固有缺点，图像分类识别的准确度较高。但是，由于梭式窑的结构和材料的特性，火焰的亮光在炉壁内反射形成的光与火焰外焰较为接近，不易将图像中的火焰划分出来，导致得不到精准的火焰图像，进而导致梭式窑烧结工况的检测准确性较差。

发明内容

为了解决上述现有方法的梭式窑烧结工况的检测准确性较差的技术问题，本发明的目的在于提供一种梭式窑烧结工况图像识别方法。

本发明提供了一种梭式窑烧结工况图像识别方法，包括以下步骤：

实时获取待检测梭式窑烧结时的火焰图像，对该火焰图像进行预处理操作，得到火焰灰度图像的待处理区域；

对火焰灰度图像的待处理区域进行边缘检测处理，得到待处理边缘区域，进而得到待处理边缘区域内的各个边缘对应的连通域；

根据待处理边缘区域内的各个边缘对应的连通域中的各个像素点的位置，确定每个边缘对应的炉壁边缘直线显著系数、炉壁边缘色度显著系数以及炉壁边缘粗糙度显著系数，进而确定每个边缘对应的炉壁边缘显著系数；

对待处理边缘区域内的每个边缘进行角点检测处理，得到每个边缘对应的多个角点目标簇，进而得到每个边缘对应的多个火焰尖角下滑梯度和多个角点距离指标；

根据每个边缘对应的多个角点目标簇、多个火焰尖角下滑梯度和多个角点距离指标，确定每个边缘对应的火焰外焰边缘显著系数；

根据每个边缘对应的炉壁边缘显著系数和火焰外焰边缘显著系数，确定每个边缘对应的火焰分割边缘显著系数，进而确定目标火焰区域图像；

根据目标火焰区域图像以及预先构建并训练好的工况检测神经网络，确定待检测梭式窑的当前烧结工况。

进一步的，确定每个边缘对应的炉壁边缘直线显著系数、炉壁边缘色度显著系数以及炉壁边缘粗糙度显著系数的步骤包括：

根据待处理边缘区域内的每个边缘对应的连通域中的各个像素点的位置，确定每个边缘对应的拟合直线、拟合直线的拟合优度、每个边缘对应的连通域中的各个像素点对应的窗口区域以及每个边缘对应的连通域扩展区域；