【技术实现步骤摘要】
本申请涉及渣面识别，尤其涉及一种渣面形态识别方法、装置、电子设备及存储介质。
技术介绍
1、渣面识别是扒渣环节的重要步骤之一，渣面识别的准确性直接影响到后续的扒渣效率。目前，现有的渣面识别主要侧重于对渣面面积进行识别，并未对渣面形态进行识别。然而，不同的渣面形态通常需要采用不同的扒渣策略进行扒渣。例如，对于粉状渣，只需要按照常规手法伸缩扒除即可；对于块状渣，有可能存在结壳现象，渣面变硬，难以直接扒除，需要用扒渣壁将表面硬壳敲碎再进行扒除；对于黏稠渣，最佳的扒渣手法是将渣面快速聚拢，再集中扒除等。
2、因此，如何对渣面形态进行准确识别，以最适合的扒渣策略进行扒渣来提高整体扒渣效率，成为亟待解决的技术问题。
技术实现思路
1、本申请提供了一种渣面形态识别方法、装置、电子设备及存储介质，以解决现有技术中未对渣面形态进行识别，导致扒渣效率较低的问题。
2、第一方面，本申请提供了一种渣面形态识别方法，所述方法包括：
3、获取待识别渣面的目标图像，其中，所述目标图像用于表征渣耙在单次扒渣前后的所述待识别渣面的渣面变化情况；
4、根据所述目标图像，确定所述待识别渣面的渣面形态。
5、可选地，所述获取待识别渣面的目标图像，包括：
6、获取渣耙在单次扒渣前的所述待识别渣面的第一渣面图像，并对所述第一渣面图像进行网格划分，得到第一网格图像；
7、获取渣耙在单次扒渣后的所述待识别渣面的第二渣面图像，并对所述第二渣面图像进
8、基于所述第一网格图像和所述第二网格图像，得到所述目标图像，其中，所述目标图像为n*m的网格图像。
9、可选地，所述第一网格图像的数量为k1，所述第二网格图像的数量为k2，k1和k2均为大于1的整数；
10、所述基于所述第一网格图像和所述第二网格图像，得到所述目标图像，包括：
11、对k1个所述第一网格图像进行均值计算，得到第一候选图像，其中，所述第一候选图像为n*m的网格图像，所述第一候选图像中目标网格所对应的灰度值为k1个所述第一网格图像所对应的k1个目标网格的灰度值的平均值，所述目标网格为n*m个网格中的任一网格；
12、对k2个所述第二网格图像进行均值计算，得到第二候选图像，其中，所述第二候选图像为n*m的网格图像，所述第二候选图像中目标网格所对应的灰度值为k2个所述第二网格图像所对应的k2个目标网格的灰度值的平均值，所述目标网格为n*m个网格中的任一网格；
13、基于所述第一候选图像和所述第二候选图像，得到所述目标图像。
14、可选地，所述根据所述目标图像，确定所述待识别渣面的渣面形态，包括：
15、将所述目标图像输入至预先训练的机器学习模型，预测得到所述待识别渣面的渣面形态，其中，所述预先训练的机器学习模型是基于多个样本图像训练得到，每个所述样本图像包括渣面图像样本和所述渣面图像样本对应的渣面形态标签；所述预先训练的机器学习模型用于根据所述目标图像中各网格对应的灰度值和权重值，对所述目标图像进行渣面粘稠度评分，并根据所述渣面粘稠度评分确定出所述待识别渣面的渣面形态，所述目标图像中各网格对应的权重值与扒渣轨迹的距离成正比。
16、可选地，在所述将所述目标图像输入至预先训练的机器学习模型，预测得到所述待识别渣面的渣面形态之后，所述方法还包括：
17、将所述目标图像和预测得到的所述待识别渣面的渣面形态作为新的样本图像，对所述预先训练的机器学习模型进行优化。
18、可选地，所述根据所述目标图像，确定所述待识别渣面的渣面形态，包括：
19、利用预设卷积核对所述目标图像进行卷积计算，得到特征图像，其中，所述特征图像用于表征所述待识别渣面上的铁水渣在受到剪应力作用下露出铁水的网格区域；
20、根据所述露出铁水的网格区域的面积和所述露出铁水的网格区域与扒渣轨迹之间的距离，计算所述待识别渣面上的铁水渣的粘稠程度；
21、根据所述粘稠程度，确定所述待识别渣面的渣面形态。
22、可选地，在所述根据所述目标图像，确定所述待识别渣面的渣面形态之后，所述方法还包括：
23、根据所述待识别渣面的渣面形态，确定所述待识别渣面上的铁水渣的目标类型；
24、根据所述待识别渣面上的铁水渣的目标类型，按照目标扒渣策略进行自动扒渣，其中，所述目标扒渣策略为与所述待识别渣面上的铁水渣的目标类型相匹配的扒渣策略。
25、第二方面，本申请提供了一种渣面形态识别装置，所述装置包括：
26、获取模块，用于获取待识别渣面的目标图像，其中，所述目标图像用于表征渣耙在单次扒渣前后的所述待识别渣面的渣面变化情况；
27、第一确定模块，用于根据所述目标图像，确定所述待识别渣面的渣面形态。
28、第三方面，本申请提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
29、存储器，用于存放计算机程序；
30、处理器，用于执行存储器上所存放的程序时，实现第一方面任一项所述的渣面形态识别方法的步骤。
31、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的渣面形态识别方法的步骤。
32、本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，通过获取待识别渣面的目标图像，其中，所述目标图像用于表征渣耙在单次扒渣前后的所述待识别渣面的渣面变化情况；根据所述目标图像，确定所述待识别渣面的渣面形态。通过上述方式，可以根据获取到的待识别渣面的目标图像，准确地确定出待识别渣面的渣面形态，从而方便后续根据待识别渣面的渣面形态，确定出最适合的扒渣策略，并采用最适合的扒渣策略进行扒渣来提高整体扒渣效率。
本文档来自技高网...【技术保护点】
1.一种渣面形态识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取待识别渣面的目标图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一网格图像的数量为K1，所述第二网格图像的数量为K2，K1和K2均为大于1的整数；
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像，确定所述待识别渣面的渣面形态，包括：
5.根据权利要求4所述的方法，其特征在于，在所述将所述目标图像输入至预先训练的机器学习模型，预测得到所述待识别渣面的渣面形态之后，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像，确定所述待识别渣面的渣面形态，包括：
7.根据权利要求1所述的方法，其特征在于，在所述根据所述目标图像，确定所述待识别渣面的渣面形态之后，所述方法还包括：
8.一种渣面形态识别装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的渣面形态识别方法的步骤。
...【技术特征摘要】
1.一种渣面形态识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取待识别渣面的目标图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一网格图像的数量为k1，所述第二网格图像的数量为k2，k1和k2均为大于1的整数；
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像，确定所述待识别渣面的渣面形态，包括：
5.根据权利要求4所述的方法，其特征在于，在所述将所述目标图像输入至预先训练的机器学习模型，预测得到所述待识别渣面的渣面形态之后，所述方法还包括：
6.根据权利...
【专利技术属性】
技术研发人员：田陆，王彬，刘彪，谢尧，许振祥，
申请(专利权)人：衡阳镭目科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。