高炉铁口铁水温度场(Molten iron temperature field,MITF)是表征铁水质量、判断炉温状况的重要信息.然而高炉出铁场动态粉尘的干扰使得铁水温度场的在线准确获取充满挑战.为此,首次提出基于红外与可见光视觉的高炉铁口铁水温度场检测方...高炉铁口铁水温度场(Molten iron temperature field,MITF)是表征铁水质量、判断炉温状况的重要信息.然而高炉出铁场动态粉尘的干扰使得铁水温度场的在线准确获取充满挑战.为此,首次提出基于红外与可见光视觉的高炉铁口铁水温度场检测方法,利用可见光图像为红外视觉测温提供先验粉尘干扰情况.首先,设计红外与可见光视觉协同的测温系统,同步获取高炉铁口铁水流的红外图像和可见光图像,铁水流红外图像表征铁水原始温度场信息,可见光图像为量化粉尘透射率提供数据基础.其次,构建基于色彩一致性的可见光图像中粉尘透射率估计模型和基于雾线先验的红外图像中粉尘透射率估计模型,得到红外波段下粉尘透射率.最后,结合红外辐射测温原理,构建基于粉尘透射率的红外测温近似补偿模型,实现铁水温度场的针对性补偿,获取误差较小的铁水温度.工业实验表明,相比于仅利用红外视觉测量铁水温度场,所提方法能够显著降低粉尘造成的测温误差,为高炉调控提供连续可靠的铁水温度数据.展开更多
针对暗环境动态特征轮廓模糊、盲区遮挡情况,高效准确地检测跟踪动态目标特征,对灾害救援、搜寻跟踪具有实际意义。为实现暗环境下模糊轮廓特征的有效检测跟踪,提出一种时空关联机制的红外目标实时检测深度学习网络(Spatial Local Dynam...针对暗环境动态特征轮廓模糊、盲区遮挡情况,高效准确地检测跟踪动态目标特征,对灾害救援、搜寻跟踪具有实际意义。为实现暗环境下模糊轮廓特征的有效检测跟踪,提出一种时空关联机制的红外目标实时检测深度学习网络(Spatial Local Dynamic You Only Look Once Version 8,SLD-YOLOv8),设计非局部自适应Non-local模块和空间通道卷积关联模块,对原YOLOv8网络的瓶颈层Bottleneck CSP进行优化。为有效提取深层空间多尺度表征信息,增加用于小目标检测的160×160检测层和动态检测头,较好地提升暗环境中目标跟踪的边界回归性能,并实时有效地推理出目标特征的相对深度位置信息。实验结果表明,改进后的红外目标检测算法对暗环境下的动态特征检测具有较好的鲁棒性和准确性,其平均精度评估指标mAP_0.5和mAP_0.5:0.95比原模型提高了5.6%和4.5%,证明了新算法对暗环境目标跟踪的有效性。展开更多
文摘高炉铁口铁水温度场(Molten iron temperature field,MITF)是表征铁水质量、判断炉温状况的重要信息.然而高炉出铁场动态粉尘的干扰使得铁水温度场的在线准确获取充满挑战.为此,首次提出基于红外与可见光视觉的高炉铁口铁水温度场检测方法,利用可见光图像为红外视觉测温提供先验粉尘干扰情况.首先,设计红外与可见光视觉协同的测温系统,同步获取高炉铁口铁水流的红外图像和可见光图像,铁水流红外图像表征铁水原始温度场信息,可见光图像为量化粉尘透射率提供数据基础.其次,构建基于色彩一致性的可见光图像中粉尘透射率估计模型和基于雾线先验的红外图像中粉尘透射率估计模型,得到红外波段下粉尘透射率.最后,结合红外辐射测温原理,构建基于粉尘透射率的红外测温近似补偿模型,实现铁水温度场的针对性补偿,获取误差较小的铁水温度.工业实验表明,相比于仅利用红外视觉测量铁水温度场,所提方法能够显著降低粉尘造成的测温误差,为高炉调控提供连续可靠的铁水温度数据.
文摘针对暗环境动态特征轮廓模糊、盲区遮挡情况,高效准确地检测跟踪动态目标特征,对灾害救援、搜寻跟踪具有实际意义。为实现暗环境下模糊轮廓特征的有效检测跟踪,提出一种时空关联机制的红外目标实时检测深度学习网络(Spatial Local Dynamic You Only Look Once Version 8,SLD-YOLOv8),设计非局部自适应Non-local模块和空间通道卷积关联模块,对原YOLOv8网络的瓶颈层Bottleneck CSP进行优化。为有效提取深层空间多尺度表征信息,增加用于小目标检测的160×160检测层和动态检测头,较好地提升暗环境中目标跟踪的边界回归性能,并实时有效地推理出目标特征的相对深度位置信息。实验结果表明,改进后的红外目标检测算法对暗环境下的动态特征检测具有较好的鲁棒性和准确性,其平均精度评估指标mAP_0.5和mAP_0.5:0.95比原模型提高了5.6%和4.5%,证明了新算法对暗环境目标跟踪的有效性。
