图2展示了铁水流从鱼雷车倒入钢包时的红外图像。图像出自西班牙Avilé的ArcelorMit- tal炼钢厂。一般情况下，根据温度的不同在图像中铁水能被明显区分出来，不过，为了准确的测量温度，十分有必要确认哪些像素真正属于铁水。本测量方法是基于检测铁水流位置和消除因覆盖在铁水上的熔渣所形成的温度区域。之所以确定铁水流位置是为了避免可视范围内其他热源的干扰。比如附近的鱼雷车。**掉铁水范围内以高温呈现的溶渣影像是为了避免在*终温度计算中出现错误。
用于测量温度的红外摄像机是Flir ThermoVision A325，其像素是320 ×240，*大采集频率60Hz,即每16.67毫秒可获得一个新图像，温度范围可配置在几个可用范围内。实验中，选中300 ◦ C, 2000 ◦ C范围，制造商报告的测量精度为±2 ◦ C，灵敏度低于50 mK。摄像机通过专用的千兆以太网电缆链接计算机。红外长波段摄像相可运转8–12 μm。
在工厂中安装此系统并不容易，因为周围环境会很脏而且空气中充满灰尘。这种恶劣的环境严重影响昂贵的红外摄像机，以及锗造敏感镜头。因此，必须保护长久性安装的摄像机，我们的建议是使用好的摄像机外壳，然而，当使用这个保障性的外壳时，红外透射率会受到影响，为了解决这一问题，必须对在外壳中的摄像机进行发射率校正。因此，发射率补偿将会降低温度计算期间接收到的辐射量。我们还建议经常清洁玻璃表面，因为玻璃表面上可能会覆盖上灰尘或其他微粒，而它们会减少摄像机测量的辐射和导致测量的误差。该方法在接下来的章节中分成几个步骤介绍。图3 显示了方法的总述
A.
铁水流检测
该测量方法是基于图像的几何特征的提取来检测红外图像中的铁水流。程序开始于先检测鱼雷车开口的位置，然后基于这一点，计算铁水流的整个轮廓。
1
开口的检测
当铁水倒入铜包时，铁水的起点是鱼雷车开口的位置，因此，开口部位一直在红外成像范围内。开口位置的检测可以提供图像中铁水流位置的精准信息。
采用边缘检测程序检测开口位置的目的是检测鱼雷口的轮廓，为了减少所需的处理时间，以下的优化已经应用到边缘检测。
1）由于开口部位始终位于图像上方，所以只有图像的1/3会被处理
2）只有像素在该温度值高于*低阙值时被予以考虑，如，众所周知的高于此温度的铁水.
3）边缘计算将只考虑梯形水平分量
4）图像区域中要考虑的每一行，只有**个正面的和*后一个负面的边缘被视为有效。这确保了检测到的是开口边缘的轮廓而不是开口部位里温度变化的材料。
T
图4a显示边缘检测的结果。可以看出，由于只有图像的上三分之一被处理，此过程只是部分生成开口的轮廓，不过，这些数据足以运用*小二乘法来计算出椭圆的整个轮廓。结果如图4b所示，在那里可以看到该程序如何正确检测鱼雷开口。此检测过程即快速又稳定的生成了图像中鱼雷车的开口坐标。
2
2）ROI定义：ROI是常用术语，指对图像的一部分很感兴趣。这种情况下，ROI是指对铁水流在图像上的那部分，一旦ROI确定，就没有必要处理整个铁水流图像来测温。
铁水流的位置取决于鱼雷车沿纵轴旋转的角度，识别图像中鱼雷车开口的椭圆坐标的知识极大的简化了图像中铁水流的检测。设置两条线作为ROI的垂直与水平方向的限制，铁水流将始终位于鱼雷车开口下方，即，位于椭圆*底点相切的水平线以下，沿椭圆主轴的大体方向也可以找到铁水流的位置，因此，可以设定与椭圆短轴*低点相交的垂直线为界线。ROI的位置如图4c所示。这种保守的ROI可以进一步缩小，但这些限制可以确保鱼雷车旋转时的任何角度都可以精准的进行检测。ROI也适用于鱼雷车从左到右的倾注铁水。
图4d 显示的是从原图中提取的ROI。提取的比原图小75%的ROI将用于下面的所有步骤，这种方法不仅避免了其他热源的干扰，也大幅度了降低了应用于下一个图像处理的计算需求。
3）铁水流轮廓的计算：**步，计算铁水流外形是一个应用ROI的边缘检测应用程序。ROI只有每一行的**个*正面和*后一个负面的边缘梯度的水平分量将予以考虑。在图4e可看到有两组结果，:每组是一边（左右）。
铁水流没有完整的边界，因此，噪声出现在检测边缘，这类型的问题在图4e左上方可以看出来，同时，该区域的其他热源，如现场地面上的铁水滴或其他发热的物体都可能产生虚假的边缘，为克服这一问题，将会运用到边缘连接程序。
边缘连接法首先使用单一的二次函数来确定所有左边界的边缘。每当近似函数和边缘间的*大误差εmax大于预设的阙值ε时，该时段在εmax发生的位置分成两部分，每一部分会再都由二次函数f1 (x)和 f2 (x)重新确定。此分割过程递归运行，直到*大误差εmax低于阙值ε时停止。
图5显示边缘连接程序是如何运用在正弦函数上的。**步，设一条符合正弦函数的直线，然后这条线会在近似和正弦函数间*大的区别出现时被分解为两个子分段（正弦波的*低值），在接下来的步骤中可以看出来每段都出现两个新函数。接下来直到正弦函数正确安装，短段才停止分裂。这种情况下，七段足够了，就像看到的，每个组段都能精准描述正弦函数的轮廓。
某些分段因一些噪声可以创建出近似伪边缘，这些分段，因为没有被检测到一个超过预定阙值的，所以会被**并形成空白轮廓。必要时，连接程序的*后一步填补了空白，只要相邻的空白点是兼容的，此程序就可以使邻近两段的边缘增长。同样的过程也会应用到右边界的边缘，*后，左右两边的边界端点连接。边缘连接程序是为应用在重型噪声条件下的低计算需求而设计的。
图4f显示应用了边缘检测和连接程序的铁水流轮廓计算，(ε=1 E=8像素)。可以看到，不符合的边界被移除。连接程序可以检测到伪边缘并从铁水流轮廓中**，结果证明，此程序即使在严酷的环境下也不影响铁水流的计算。
B 熔渣的检测
从图6a可以看出铁水流被部分熔渣所覆盖，因此，一些被测的铁水流轮廓像素不是铁水的温度而是熔渣的。所以使用属于铁水和熔渣混合像素的任何类型的计算都会引起很大的误差，因为熔渣发出的辐射大于铁水在相同温度下发出的辐射，因此，一个从熔渣中区分铁水的方法是很必要的。
这个方法是利用在红外图像中出现的明显温差把铁水从熔渣中区分开。此方法是随着区域增长的一个温度阙值法。
图5 适用于正弦函数的边缘连接程序
1）温度阈值:阈值是一个简单但有效的图像分割方法，使用这种方法分割铁水和熔渣的图像部分，因为铁水和熔渣间的明显温度差异，所以使用静态阙值Ths。所有高于这个阙值的像素点被视为熔渣，所以，在铁水流中不能应用它来测量铁水的温度。校准中Ths值将会稍后计算。
Thresholdingisappliedusing(2),whereI(i,j)represents thepixelvalueatrowicolumnjandThS isthethreshold. Pixelswithzerovaluewillnotbeconsideredforthenextsteps
阙值使用（2）计算，I 代表像素值行i 列j，Ths是阙值。像素为零时不考虑下一步
T
阙值Ths必须高于*大可能的铁水温度，在几乎相同的温度下，相对于铁水，熔渣使用相同测量配置时会出现超过这个阙值的温度。因此,选择的阈值可以区分渣和铁水。为Ths使用1800◦C 的温度阈值如图6(b)所示，矿渣的像素已被移除。
2）增长区：关闭已检测到的受熔渣影响的像素的ROI区域，因为它们的反射会改变材料的辐射特性。于是，对于这些“像素”，测量过程无法正确应用，即计算出来的温度不正确。为了探测这些像素，将使用一种“区域增长”过程。过程如下：
1）在感兴趣区内的像素即某个熔渣区域相邻的像素，如果其温度与该区域的平均温度水平近似，这些像素将会合并到该区域中。
2）)重复**步，区域不断增长，直到无法满足合并的标准
此过程将删除归类在铁水像素组的熔渣影响的像素。如图6c所示，剩余的所有像素都来自铁水。
此过程的结果是，拥有一个完全属于倒出铁水流时红外图像像素的分类，基于此分类，可通过分析每一个像素的温度水平来进行温度测量，同时，每一帧可有多个测温点，有多种选项可以用来计算单一稳定的温度测量值，比如使用所有可用像素的温度水平的平均值，其他的选项,例如温度分布的计算，是否能使用，取决于安装有温度测量系统的设备要求
C 执行时间
本文的方法可快速又稳定可靠的提供检测结果，很多不同类型的应用，如工业检测系统，需要快速的图像处理算法，以便及时发现问题和尽可能快的应用纠正行为，该方法的设计已考虑到这点。
为了测试该方法的速度，需要足够的时间从多个红外图像中测量铁水的温度，实验采用运行于2.67 GHz的特尔酷睿i5 750（RAM 4 GB）。该算法使用c++编写。
图7 显示了测量的执行时间为10000张图像，像素是320× 240的直方图。平均时间为13.70毫秒，在约95%的水平，执行时间间隔是2.23ms 和14.86ms.
计算成本低是本方法的*大优势，例如，它可以实时用于高帧频率，在低帧频时，对其他种类的任务留有足够的时间。如特征提取或网络通讯。此外，它使低中端嵌入式计算成为可能。
D 实时测量系统
如图7所示，60hz的摄像头不能处理所有低于16.67(A310,9hz)的帧。然而，一个基于分离采集和处理任务的低藕合架构的实时系统可以解决这一问题，采用这种方式，采集和处理任务可以并行运行，通过一个灵活的行列进行连接。系统可独立又并行的运行两个任务：“采集任务”在行列中存储帧，“处理任务”在行列中检索帧并对其进行处理，如果处理任务在下一个帧来前还没有完成这个帧的处理，行列会随着画面存储并等待处理。之后，当处理花费的时间变少，行列就会缩小，因为这种情况下处理任务的速度要快于采集任务。在一个稳定的状态下，一个系统设计遵循建议的体系结构，在考虑到执行时间所需要的方法和指定的期限时，是能够满足实时约束的。