切分方法

切分方法（精选7篇）

切分方法 篇1

1 引言

土耳其语是土耳其的官方语言, 使用人数达到7562多万。现代土耳其语言属于乌古斯克普恰克语支, 是黏着型语言。目前, 国内以传统语言学方面对现代土耳其语, 有了初步的研究及成果。如:周正清的《土耳其语汉语词典》等。但以计算语言学的角度对土耳其语的研究成果几乎没有。虽然现代土耳其语音节这一语音层的结构单位并不像汉语那样带有语素的性质而具备语义价值, 但音节这一语音结构单位在现在土耳其语里音系中价值并不低。比如说:词语的音节末尾的开音节或者闭音节性往往影响后缀的追加或者影响到语音的变化等。因此研究并归纳土耳其语的音节并找出音节切分的规则是非常必要的。如, 语音合成和语音识别研究中, 音节是最基本的语音单位;文字校对处理中, 根据词语的音节结构可以找出部分拼写错误;文字识别技术中, 根据切分结果是否符合现代土耳其语音节切分规则可初步判断和修正识别结果。因此音节切分技术是土—维机器翻译、跨语言检测等自然语言处理领域的基础工作, 是处理土耳其语的重要环节, 同时也是机器翻译的基础处理工作之一。

现代土耳其语有29个字母, 其中有8个元音, 21个辅音字母。土耳其语词语间以空格、逗号等符号来分开, 词语由音节组成, 音节之间没有专用标志。音节是最小的语音结构, 是人的听觉能够自然感受到的最小语音片段。土耳其语中, 单词由若干音节构成, 而每个音节都符合一定的音节规则。在土耳其语音节切分研究中, 主要难点是不符合土耳其语原有音节规则的外来词的音节切分。本文通过分析音节结构, 建立音节切分规则, 在没有使用附加音节库的情况下, 首次解决了包括外来词在内的土耳其语自动音节切分问题。

2 土耳其语音节结构分析研究

土耳其语固有的音节是由起音、领音、收音构成的, 其中领音必须是元音, 音节中可以没有起音和收音, 但是不能没有领音。通过分析现代土耳其语词典的三万个词汇, 归纳出了土耳其语的基本音节结构。众所周知, 音节是语言学家根据发音的感悟和听觉划分出来的因素。所以, 各个语言的音节类型和规模大体上相同但也有差别。比如, 在土耳其语, 单独一个元音可以代表一个音节, 但是这种情况很少见, 而一个元音带有一个或前后各一个辅音作为一个音节出现的情况更多。

土耳其语的音节像其他亲属语言一样首先可分为开音节和闭音节。以元音结尾的叫做开音节, 以辅音结尾的叫做闭音节。 (V表示元音, C表示辅音, ︱表示音节分割线)

土耳其语的单音节词的音节有11种形式, 表1所示。

表1中, 第1~6号音节结构主要是土耳其语原有的音节类型, 第7~10号音节结构主要用于记录外来词。第8号音节结构的每个音节有两个元音, 主要用于记录来自汉语等语言中有两个元音的词语。如Mao Zedong“毛泽东”、Guangdong“广东”、Sichuan“四川”。

3 土耳其语的音节切分规则分析研究

根据以上的音节类型, 利用最大匹配方法, 人机交互分析, 可总结出9种基本音节切分规则, 如表2所示:

注:表2中, #表示词语开始。

4 音节切分存在的问题及解决方法

4.1 音节自动切分存在的问题

(1) 表1所示的第7-11音节结构用于记录主要用于土耳其民族借用外来词描述使用, 是实现自动音节切分的主要技术难点。土尔其音节特征是1个音节只包含1个元音, 可以不包含辅音, 词语的元音数量理论上等于该词语的音节数量, 但是汉语等借词中有时可出现2个元音, 如tuan hua等。

(2) 土耳其语音节里, 元音前面的辅音不会超过1个, 但是大量外语借词则存在元音前面有1个以上的辅音, 如Stalin、Strategiya等。在确定当前音节边界时, 有些汉语借词的2个元音的音节结构和外来词的多个辅音的音节结构容易使切分算法产生歧义, 如音节类型11 (cvvc) 从结构上看是音节类型2和类型3的结合, 则一个词语里出现cvvc结构的字符串时, 该字符串是1个音节还是2个音节, 是必须解决的问题, 也是其他切分唯一的方法用规则库和附加音节库来实现音节切分的主要原因。

4.2 基于规则的切分算法

步骤一, 如果词的类型为vcv/vcvc/vcvcc, 且第一个字母为元音时, 将第一个字母划分为第一个音节。

步骤二, 如果词的类型为vcvc/vccv/vccvc/vccvcc, 且第一个字母为元音时, 第二个字母为辅音, 那么前两个字母为一个音节, 后面的字母另一个音节。

步骤三, 如果词的类型为cvv/cvvc/cvcv/cvcvc/cvcvcc时且第一个字母为辅音, 第二个字母为元音, 那么取两个字母为一个音节, 后面的字母一个音节。

步骤四, 如果词的类型为vcccvc时, 且第一个字母为元音, 后两个字母为辅音, 那么取前三个字母作为一个音节, 后面的字母一个音节。

步骤五, 如果词的类型为cvcv/cvccv/cvccvc时, 且前三个字母cvc, 那么取前三个字母一个音节, 后面的字母一个音节。

步骤六, 如果词的类型为cvcccv/cvcccvc时, 且前四个个字母为cvcc, 那么取前四个字母第一个音节, 后面的字母一个音节。

步骤七, 如果词的类型为CCCVCC时, 且前五个字母为CCCVC, 那么取前五个字母第一个音节, 后面的字母一个音节。

4.3 土耳其语音节处理方法

4.3.1 音节处理分析方法

(1) 土耳其语语料预处理技术:收集语料, 对语料进行预处理, 并形成文本文件。

(2) 土耳其语语料统计技术。

(1) 对调查语料统计:研究项目包括音节次、音节种、音节长等项目, 最终形成土耳其语音节频率表, 为获得调查对象的音节种等有关数据分析, 进一步正确、科学音节切分、分析打基础。

音节次 (频次) :每一调查对象的频次同其前调查对象频次的累加和。频次是一个具体的数字, 他直观地反映了某个词语在语料中真实、原始的使用情况。

其中:Ai为调查对象i的累加频次, ni为调查对象i的出现次数。

频率:每一调查对象的词次的累加和, 与所有语料中调查对象总次数的比值, 即:

其中:Bi为调查对象i的累加频率, ni为调查对象i的出现次数, N为所有语料中调查对象出现的总次数。

一般来说, 频率愈高的词其常用程度愈高。这是最直观, 且大多情况下都颇有成效的统计方法。

4.3.2 验证方法

采用计算准确率P来评测实验结果。计算公式如下:

P=A/B*100%

其中, A表示自动切分正确的词数;B表示语料中的词汇总数;P衡量的是切分方法的准确度。

5 实验结果分析

5.1 音节测试方法

方法1首先土耳其教育部的官方网站 (www.meb.gov.tr) 收集到的新闻收集词汇, 对生语进行消重、检查拼音是否正确。然后对语料进行切分, 最后人工检查切分结果是否符合音节切分规则。测试结果:语料包括的词汇数量为30000, 没有重复出现的词汇。切分错误的词汇的数量为2100个。正确率为93%。

切分出现错误的词汇大部分是音节结构不标准的外来词, 比如:yuan (元) 。

方法2因为我们不能保证实际语料覆盖到全部的音节结构类型, 所以以10种切分规则的基础上, 建立了一个模拟词汇语料库。对33个模拟词汇进行切分, 切分的正确率为100%。

如表3所示:

5.2 音节统计结果分析

通过对30000个土耳其语词汇作为测试语料, 人工和机器翻译相结合, 对其做了两种测试。根据音节测试方法1和方法2的结果可知, 两种方法测试结果相同且节分结果与原规则匹配, 准确率较高, 正确率达到93%。实现各类土耳其语文本信息处理技术需要准确、快速、高效的音节自动切分。

如表4所示:

统计切分测试结果是30000种词汇共有88025个音节, 从音节结果类型的角度分析, 土耳其语基本的六种音节结构类型占大部分, 属于7-10的音节类型属于外来词的音节结构很少。

音节的自动切分通过建立规则来实现。本文通过分析语料, 归纳现代土耳其语的音节结构类型, 总结音节切分的规则来实现现代土耳其语的音节自动切分。测试结果表明, 现代土耳其语的外来词较多, 而且这些词汇不符合现代土耳其语原有的基本音节规律。音节切分和音节统计结果表明, 本方法可行有效。

切分方法 篇2

汽车牌照识别 (LicensePlateRecognition) , 简称LPR技术是车辆自动识别技术的重要组成部分和发展方向, 它通过辨别车辆的车型或车牌自动识别车辆, 为交通管理、通行收费、区域出入控制等工作的高效开展提供便利的条件, 在公路自动收费、停车场无人管理等方面有着广泛的应用。

通常的处理步骤是对牌照先后进行牌照定位、字符切分、字符识别三个部分。在模糊、污浊、阴雨天气等情况下, 字符笔划的全局亮度不均匀、字符断裂以及前期定位结果不精确等情况会导致车牌在字符切分阶段出现困难。目前, 主要的切分算法有直接简单的字符比例关系[1], 基于水平扫描的方法[2]、基于投影法的车牌字符分割方法[3,4]、基于人工神经网络的方法[5]、基于彩色的车牌字符分割方法[6]、基于边缘检测的方法[7]等。上述方法各具优缺点:直接按比例关系切分实用性简单但实用性低;基于投影的方法对除字符外的抗干扰能力很弱;基于人工神经网络的方法当特征定义遇到困难时效果不好;基于彩色的车牌字符分割方法在照明不均匀环境下定位不够准确, 并且定位速度慢, 难以达到实时性识别要求;基于边缘检测的方法缺点是要求图像边缘的连续性要好, 但实际拍摄的车牌字符边框往往不连续。它们的共同点是:这些方法都是针对一个特定的条件, 容易受天气、背景、光照等因素的限制, 鲁棒性不好。一旦条件发生变化, 它们的分割准确率就会发生较大的波动, 从而整个车牌识别系统的性能大大降低。由于上述方法都假设定位有很高的精确度, 而实际应用中, 对于复杂的情况定位模块会出现定位不精确的问题, 对此类情况上述方法不太适用。

实际应用中汽车牌照基本上是蓝色和黑色格式的, 本文根据上述方法的优点和不足, 提出了一种新的基于蓝黑牌照字符排列格式的活动模板匹配算法, 首先利用该方法确定字符的水平坐标, 然后采用双直线拟合的方法精确定位字符的垂直坐标。该方法对成像效果差导致笔划断裂和缺失的车牌图像具有较高的切分准确度。

1 字符切分前的预处理

一个完整的汽车牌照识别系统分为三个模块: (1) 车牌定位模块; (2) 车牌字符切分模块; (3) 字符识别器。本文中的字符切分模块设置按如图1所示:分为包括中值滤波、灰度拉伸、二值化、去除噪点的预处理部分和包括垂直投影、滑动窗口、活动模板和修正高度在内的切分字符两个部分。

1.1 车牌定位

车牌定位模块本文采用文献[8]的基于模板匹配的汽车牌照快速定位方法, 该方法准确率高并且满足实时性要求。缺点是由于该方法基于纹理特征, 对车牌的定位不够精确, 对一些复杂情况的图像 (如车牌外边框有丰富的纹理, 或者阴雨天等) 会出现下列两种情况: (1) 定位过大, 原因是车牌字符之外的区域同样具有丰富的纹理信息, 如图2所示; (2) 定位过小, 原因是图像成像效果太差导致纹理信息太弱, 如图3所示。

1.2 切分字符前的预处理

从摄像机镜头获得的图像会出现噪声导致图像模糊, 而且复杂情况下如阴雨天得到的图像亮度和对比度都偏低, 在进行二值化前必须进行中值滤波和灰度拉伸。本文采用文献[9]的基于LoG算子的边缘零交叉二值化方法进行二值化。在应用中, 该方法对光照不均、有少量污渍及逆光等情况下的牌照图像有优良的二值化结果。

2 活动模板精确定位字符水平坐标

2.1 蓝黑牌照的标准格式

根据图4可以看到普通蓝黑车牌的排列特点:

所有7个字符的尺寸完全一样;前2个字符和后5个字符之间有一个比较大的间距, 其余字符间距相同。所以字符的间隔和字符的宽度的比例是一定的, 字符的宽度和高度值都分别属于两个范围很小的闭区间内。

2.2 定位方法的不足

经过对大量样本的研究发现, 利用文献[8]的方法定位到的图像经过预处理后的车牌图像存在以下不足:

(1) 车牌周围区域纹理丰富的图像在定位时会出现定位过大的现象, 如图2所示, 将会对切分造成较大的影响。 (2) 成像效果较差的图像定位时缺失字符, 如图3示例。缺失字符会直接导致切分错位。

2.3 活动模板

根据车牌的字符排列顺序和文献[8]定位的不足, 提出以下的活动模板。

2.3.1 垂直投影

对经过定位和切分预处理的图片进行水平投影, 结果如图5所示。

2.3.2 确定字符宽、高和字符间距

滑动窗口法确定字符的宽和高。具体步骤如下:

(1) 统计投影的宽度数值, 将他们按升序顺序放入数组a, 再相应地设置一个数组b统计数组a中各个宽度数值的出现次数;

(2) 设置一个固定长度为long_width的滑动窗口, 从数组a的最小下标至最大下标, 统计该窗口内部的宽度数值出现的最大次数;

(3) 取得最大次数后对窗口内部的宽度值进行求和平均作为字符的宽度 (char_width) 。

高度 (char_height) 和字符间距 (centerd) 采用同样的方法获得。实验证明对于文献[8]中的方法定位到的车牌图像绝大部分都可以采用该方法确定字符宽高和字符间距。

2.3.3 活动模板定位水平坐标

根据上面确定的字符的高、宽、字符间距三个信息建立相应尺寸的活动模板。规定一个和车牌格式相符的宽度和字符间距可以在一定范围内变化的模板, 利用这个模板统计该模板内部的白点数, 取白点数最大的情况作为最后的水平坐标X的切分结果。

活动模板的设置如图6所示。该图中白色区域表示该模板有效区域, 白色区域内部的白点总数记为tmp_white。模板从字符图像的最左边运动至最右边, 取统计到的最大白点数的位置作为最终的水平坐标X的结果。图中的char_width是字符宽度, centerd是普通的字符间距, centerd2是第二个间距, centerd2=Kcenterd, 其中K是个固定的比值, 与图4的标准格式相符。图6中三个参数各自属于在2.3.2中确定的数值为中心的闭区间内。活动模板的模板基本格式固定但模板的尺寸可变, 比固定的模板匹配更准确。实际的程序中包含了三层嵌套: (1) 模板水平坐标递增; (2) char_width递增; (3) centerd递增。由于在实际编程中各层嵌套的循环长度很小, 所以该算法的实际计算时间很短 (低于5ms) 。定位效果参见图7。

3 拟合双直线法精确定位垂直坐标

对成像效果差的图像, 会出现字符断裂导致比划断裂且连通区域太小而被认为是噪声点去除 (如图8) , 在这种情况下必须对字符的高度进行修正。根据几何原理我们知道不管车牌是正对镜头与否, 字符的上边沿和下边沿组成了两条平行的直线 (参见图9) 。

3.1 双直线拟合

根据汽车牌照的上下边沿两条平行线的特点, 拟合双直线的方法比分别拟合两条直线的效果要好得多。我们由双直线平行的性质得到如下公式:

(1) 式中x1～xn, y1～yn是各个字符上边沿的中点的坐标, x′1～x′n, y′1～y′n是各个字符下边沿的中点的坐标;b1, b2分别是上下直线的垂直分量;直线的斜率为k1/k2。用最小二乘法解公式即可得到双平行直线的参数。

3.2 排除误差点

直线拟合时, 断裂处 (如图8的最右边字符) 不能作为拟合数据, 需要排除。排除误差点的算法如下:

(1) 将所有字符的上下边沿的中点坐标放入集合A, 创建一个空集合B;

(2) 用集合A里的点拟合直线, 获得两条直线的四个参数;

(3) 利用获得的四个参数计算各个点的误差, 找出最大的误差M;

(4) 如果误差满足条件或者循环次数达到最大, 退出循环, 转6;

(5) 如果误差M超过S (固定阈值) , 从集合A里剔除该点放入集合B转2;

(6) 对放入集合B的点进行高度修复。

处理效果见图10。该图中第一个和最后一个字符笔画缺失都得到了修复。

图11给出三组活动模板和双直线拟合后的切分结果。

4 实验结果及分析

4.1 单幅图像定位X坐标实验结果

用实地采集不同天气下的图像 (768×288) 对本文方法进行验证, 实验结果见表1。正常天气情况切分准确率达到96.7%;在阴雨天条件下准确率为95.2%;对综合样本的准确率为85%。

对表1的说明: (1) 切分成功的三个子项分别代表:定位精确指定位包括很少的牌照外边的纹理区域 (非车牌部分水平方向长度≤25%) , 定位过大指包含了比较多的车牌外的纹理 (非车牌部分水平方向长度>25%) , 定位过少指定位时缺失了字符;

(2) 综合样本指正常天气、侧光逆光、阴雨天三种以及车牌有污渍和磨损、夜间有补光和无补光、曝光不足和对焦不准等情况下的混合车牌图像样本;

(3) 其他原因是指牌照被污渍严重污染、车牌的纹理信息太弱等情况导致活动模板失效;

从表格数据来看, 文献[8]的定位率很高, 但定位的精确度不够, 定位太大和定位缺字符的情况将近一半。活动模板能很好的解决定位过大或者过小的情况。

4.2 单幅图像定位Y坐标试验结果

统计4.1的图像样本库中, 需要修复高度的字符数的数据结果见表2。

从表中数据可以看出字符缺失的情况比较普遍。需要进行高度修正的字符一般为下述两种情况: (1) 图像效果太差导致字符缺失; (2) 车牌图像字符和边框粘连。

4.3 切分模块计算时间

实验中, 完成一次切分 (预处理和定位X、Y坐标) 所需的平均时间为5 ms左右, 统计结果见表3。实验硬件配置:CPU奔腾IV 3.0 G, 内存512 M;软件实现:VC6.0。

存在最小时间和最大时间的跨度是因为牌照图像大小不同, 且定位时候存在过大过小的情况。

4.4 结果分析

从上述数据看, 活动模板能很好地适应定位过大过小的情况, 双直线拟合修复字符高度的效果较好, 并且最终的切分算法可以满足实时性要求。

5 结束语

本文采用活动模板和双直线拟合的方法对粗定位后的蓝黑车牌图像进行字符切分处理, 较好的解决了定位时出现的定位过大和过小、效果较差图像的字符缺失问题, 且切分的准确度较高, 满足实时性要求。如何解决该算法对非蓝黑牌照车牌的适应性问题还有待进一步研究。

参考文献

[1]董安国, 高琳, 张兴华.汽车牌照的检测与文字分割.长安大学学报 (自然科学版) , 2008;28 (4) :79—82

[2]关山, 崔玉萍, 孙业明.基于水平扫描的汽车牌照图像定位与分割.计算机工程与设计, 2005;26 (5) :1369—1372

[3]宋建才.汽车牌照识别技术研究.工业控制计算机, 2004;7 (4) :44—57

[4]Zhang Yungang, Zhang Changshui.A new algorithm for character segmentation of license plate.Intelligent Vehicles Symposium, 2003.Proceedings.IEEE, 9-11June2003;106—109

[5]Satriyo N, A, Kuroyanagi, S Iwata A.An algorithm for locating char-acters in color image using stroke analysis neural network.Neural In-formation Processing, 2002.ICONIP'02.Proceedings of the9th In-ternational Conference on Volume4, 18-22Nov.2002;4:2132—2136

[6]Goto H, Aso H.Character pattern extraction from colorful documents with complex backgrounds.Proceedings of16th International Confer-ence on Pattern Recognition, ICPR2002, Canada Aug.2002

[7]Fu Yuqing, Shen Wei, Huang Xinhua.Research on vehicle license plate character extraction from complex background.Pattern Recogni-tion and Artificial Intelligence, 2000, 13 (3) :345—348 (in Chi-nese)

[8]杨志刚, 王庆.一种基于模板匹配的汽车牌照快速定位方法.计算机工程与科学, 2008;30 (8) :39—82

基于分形理论的字符切分方法研究 篇3

文字识别技术是指利用计算机自动识别纸张、车牌和图书索书号等文字图像，为了达到准确的识别和处理目的，必须对数字、英文符号和汉字进行正确的切分。常用的方法是在字符宽度的约束下根据上下轮廓的凹凸特征直接建立切分路径，但是由于受噪声、随机污点和文字图像边缘线的干扰，采用上述方法已经很难对文字图像进行精确的分割。

分形几何的发展为上述问题开辟了新的解决途径，它打破了几何整数维的限制，引入了分数维来描述复杂、不规则和非线性信号的粗糙度，可以应用在复杂自然几何体的纹理分析和测量方面等。

鉴于文字图像的纹理细节具有严重的非线性，从几何维数上讲已具有分形特性，因此本文以汽车车牌字符切割为例，研究如何将分形理论应用于文字图像的字符切分。

1 分形维数的计算方法

分形维数能反映分形信号的几何特征，能度量分形信号的复杂度和不规则度。分形维数有相似维、Hausdoff维、信息维数、关联维数和计盒维数等多种定义方法[1]，本文采用计盒维数。

针对一幅M×N维的文字图像矩阵I，采用一个网格边长为s的网状栅格将其覆盖，N(s)为网格中含有集合I中任何一部分的网格数，则计盒维数为：

实现步骤为：

1）将图像矩阵I的每一列信号归一化到单位正方形区域；

2）将正方形区域划分为边长为s的网格，计算出lgN(s)，lg(1/s)。

3）改变s的大小，计算相应的lgN(s)，lg(1/s)。

4）令xi=lg(1/si),yi=lg N(si),i=1,2,…,M，利用最小二乘拟合直线y=kx+b，求出k即为计盒维数DB。

其数学简化公式[2]为：

2 基于分形维数的车牌字符切分方法

随着公路交通事业的发展，人工管理方式已不能满足需要，利用计算机的汽车牌照自动识别技术极大地提高了交通管理（违章车辆自动记录系统和停车场的自动计费、安全防盗系统等）效率[3]。其关键技术包括车牌定位、彩色或灰色图像二值化、字符切分及字符识别等。车牌识别技术同样也可以应用到其它的文字图像识别方面。

为了正确可靠地识别车牌，必须在车牌定位后对字符进行精确地切分。现有的切分方法有[3]：

1）基于轮廓凹凸特征近似检测单个字符的宽度，在字符宽度的约束下，根据轮廓凹凸特征，直接建立切分路径。但这种方法对于解决车牌图像轮廓中有边缘线的情况非常不合适。

2）基于识别的切分方法，先通过图像分析，确定几个可能的切分点，借助识别结果，选择合理的切分点。这种切分方法的识别比较高，但多次搜索和识别，比较耗时，速度慢，步骤繁琐。

为解决噪声污染严重，字符笔划边缘不光滑和图像边缘线明显等干扰因素的影响，本文提出采用分形理论对字符进行切分。切分算法如下：

1）对原输入彩色小汽车图像采用彩色像素点统计的方法进行车牌定位。

2）对分割后的车牌进行二值化处理，得到矩阵I。

3）对矩阵I的每一列求分形维，归一化后画出分形维图像。

4）设定合理的阈值，在字符宽度的约束下，确定车牌各字符的分割区间。

3 仿真结果

在仿真中选取了100幅小汽车图像，采用了基于分形理论的字符切分方法，分割正确率达到95%左右，本文在此选用了一幅河南新乡的小汽车图像（车牌为豫GA3665）说明仿真结果。为证明本方法在抑制噪声和消除车牌边缘框影响时的有效性，在进行车牌定位和车牌二值化处理后，没有采取任何去噪预处理，从图1中可以看出车牌具有明显的边缘线和噪声。同时为说明基于分形理论字符切分方法的先进性，和传统的基于轮廓凹凸特征的分割方法进行了对比。

车牌为豫GA3665的小汽车图像经过车牌区域定位后得到的字符串，经阈值分割后的二值化图像如图1所示。根据轮廓检测法得到的上轮廓曲线如图2所示，分割效果如图3所示。采用分形理论切分方法得到的归一划分形维数曲线如图4所示，分割效果如图5所示。

从图1、图2和图3可以看出，二值化图像具有明显的边缘线和噪声，所以车牌图像上轮廓曲线中本应该在字符间隔处出现的凹结构由于边缘线的影响并未出现，这直接导致了此方法分割的错误性，图3中可以看出车牌被分割成豫G和A3665两个字符串。而采用本文所提出的方法，得到了很好的7字符分割效果，提高了后续字符识别工作的正确率。

4 结束语

本文提出了基于分形理论的文字图像字符切分方法，以汽车牌照的字符切分为例进行仿真验证。结果表明，在图像干扰严重特别是具有明显文字边框时，本文所提出的方法和基于轮廓凹凸特征的方法相比，较大地提高了字符切分的正确率。但是本文也存在待改进的地方，比如阈值选定时采取的是经验分析法，不能达到阈值的自适应选取目的，具有一定程度的局限性。

参考文献

[1]费珍福,王树勋,何凯.分形理论在语音信号端点检测及增强中的应用[J].吉林大学学报(信息科学版).2005,23(1):139-142

[2]冯凯,刘珩.基于分形理论的语音端点检测[J].中国农业大学学报.2006,11(4):114-116

切分方法 篇4

目前地理信息系统处理显示的数据量已达GB级、TB级甚至PB级,一次性完全加载显示基本没有可能,也会造成显示效率低下。因此需要对空间数据进行预处理,形成统一的存储组织标准,进行分块存放。实时调度时可根据空间位置索引到瓦片, 直接调用对应数据,实现海量信息的快速共享与高效应用［1，2］。

本文对TMS切片算法进行了设计实现,针对以前的TMS切片算法效率不高、单线程执行的特点, 利用多线程的方法对TMS切片算法进行了改进,有效提高了TMS切片算法的效率。新的TMS切片算法特别在处理大数据上具有显著优势。

1 TMS瓦片金字塔技术

地图瓦片技术是一种地图预缓存技术,将配置好的一定坐标范围的地图,按照固定的若干个比例尺( 瓦片级别) 和指定图片尺寸,切成若干行及列的正方形图片,以指定的格式保存成图像文件,按一定的命名规则和组织方式存储到目录系统中或是数据库系统里,形成金字塔模型的静态地图缓存,地图切图所获得的地图切片也叫瓦片( Tile) 。瓦片金字塔模型是一种多分辨率层次模型,从瓦片金字塔的底层到顶层,分辨率越来越低,但表示的地理范围不变［3，4］。瓦片金字塔的示意如图1所示。

瓦片地图由于采用了以“空间换取时间”的策略,预先缓存地图,读取静态的图片在客户端拼接浏览,从而可以快速地提供地图的服务,带来更好的用户体验［5］。

TMS是由开源地理空间基金会( Open Source Geospatial Foundation,OSGeo) 定义和发布的一种地图瓦片规范。通过定义统一的切图标准和独立服务接口,以地图切片的行列位置为基础参数直接访问栅格地图,提高地图的访问速度。目前,TMS正逐步成为事实标准,TMS服务是栅格地图发布的发展方向［6］。TMS是一种倒金字塔模型,0层分辨率最低。

1.1 TMS元文件解析

一个TMS数据定义了一个访问地图数据的统一接口,客户端并不直接访问这些地图数据,而是根据TMS的描述信息间接获取,一般表现为一个XML配置文件［7］。一个典型的TMS配置文件如图2所示。

由于使用XML文件进行组织,TMS元文件表现为一个典型的树状结构。根节点<Tile Map>资源表示一个完整的地图,子节点<Title>表示该地图名称, 子节点< Abstract > 表示该地图简要描述,子节点<SRS>( Spatial Reference System) 表示该地图使用的空间参考,子节点<Bounding Box>表示数据覆盖的空间范围,子节点<Origin>表示数据的原点坐标,子节点<tileformat>表示瓦片格式,包括瓦片大小和扩展名,子节点<Tile Sets>表示一些与尺度相关的地图数据集,包含一个投影模式( Profile) 属性,投影模式共有3种: global-geodetic、global-mercator和local。

子节点<Tile Sets>的子节点集合<Tile Set>由规则采样的图像数据块构成,一个<Tile Set>表示在某一尺度上一系列固定大小均匀采样的数据块。一个<Tile Set>的存储路径由其href属性决定,若href没有指定,则可以由其order( 尺度或级数) 指定。 units-per-pixel表示瓦片的分辨率,即每个像素代表的度数,

当前最大级数一般为22级( 折合分辨率约为0.01 m / 像素) 。其中,width为一个瓦片的像素宽度,一般定义为512或256,n为order级数。

若Imge Width表示一幅影像的像素宽度,max X表示该影像的最大经度坐标,min X表示该影像的最小经度坐标,则该影像分辨率为( max X - min X) / Imge Width,则切片的级数应满足Rn< = 影像分辨率, 结合式( 1) 推导得:

n> = log2( 180* Imge Width/width/( max X-min X) ) 。

即

n = ceil( log2( 180* Imge Width/width/( max X-min X) ) ) 。

其中,n = ceil( dblvalue) 表示n为大于等于dblvalue的最小整数。

1.2 TMS瓦片划分规则

TMS采用四叉树结构进行瓦片划分,四叉树是一种每个非叶子节点最多只有4个分支的树型结构,也是一种层次数据结构,其特性是能够实现空间递归分解。瓦片金字塔模型的四叉树结构示意图如图3所示,其中矩形符号代表叶子节点,圆形符号代表非叶子节点。

在瓦片金字塔基础上构建线性四叉树瓦片索引,与构建瓦片金字塔对应,规定块划分从地形数据左下角开始,从左至右,从下到上依次进行。同时规定四叉树的层编码与金字塔的层编码保持一致,如图4所示。

以一幅使用WGS84投影的地球全球地图为例, 在0图层,TMS将这幅影像分成2块瓦片,每一块影像跨度为180°×180°。图层1在图层0影像的基础之上提高2倍的分辨率,也就是说对于同一影像,被分成90° ×90°的片段,因此产生8块信息的瓦片。 在图层2,分辨率提高到含有32块45°×45°的瓦片, 图层3也就是22.5°×22.5°,含有128块瓦片,以此类推,如表1所示。

1.3 TMS瓦片命名规则

TMS根据不同的细节层次,将瓦片存储在不同的文件夹中,瓦片的位置索引信息存储在文件路径中,如文件路径为“… 图层名 level column row. ext”,其中level表示层级,column表示列号,row表示行号,ext为后缀名: 可为png、jpg、tiff等。坐标与图片命名的对应公式如下:

情况1: 已知某坐标点X,Y( 经度,纬度) ,求其在某层level的文件号column row:

其中,n =floor( dblvalue) 表示n为小于等于dblvalue的最大整数。

假设: X = 120,Y = 30,Level = 2,则column = floor( 6.667) = 6,row = floor ( 2. 667 ) = 2。 即2 6 2.png。

情况2: 已知图片编号column row,求这张图片的左下角坐标( X1,Y1) :

右上角坐标( X2,Y2) 为:

2 TMS切片算法设计

2.1金字塔层级命中算法

对瓦片进行调度显示时,首先需要定位到瓦片所在层级,对于特定的请求范围,如一个屏幕大小表示的地理空间范围: BBox ( min X,min Y,max X, max Y) ,命中的金字塔级别计算如下:

首先计算屏幕像素分辨率,即1个屏幕像素的地理空间长度( 度数/像素) :

式中,Screen Width代表请求范围的屏幕像素宽度。

然后与金字塔层级对应的分辨率进行比较:

0级分辨率为180 / width,1级分辨率为180 / width / 2,

n级分辨率为Rn = 180 / width / 2n。

式中,width为一个瓦片的像素宽度; n为金字塔级数,n>= 0。

若Rs<= 1.5Rn,则命中的金字塔层级为n,推导可得:

即

n = floor ( dblvalue) 表示n为小于等于dblvalue的最大整数。

2.2瓦片命中算法

对于某一级别Level,特定的请求范围: BBox( minx,min Y,max X,max Y ) ,命中的瓦片编号( column、row) 计算如下:

最小瓦片编号:

最大瓦片编号:

则命中的瓦片列数为:

命中的瓦片行数为:

命中的瓦片数目为:

CCount* RCount。

定义命中的瓦片编号为: ( CX,RY ) ,则CMin < = CX< = CMax; RMin < = RY< = RMax。

即命中的瓦片编号列表为:

2.3 TMS切片算法

TMS瓦片金字塔为四叉树的层次数据结构,可采用深度优先算法或广度优先算法进行切片。

深度优先算法［8，9］: 从0层开始进行切片,左下角为起始点,先切片0 /0 /0.ext,再进行0 /0 /0.ext的4个子树的第一个子树1 / 0 / 0. ext进行切片,再进行1 /0 / 0.ext的第一个子树进行切片,如此递归。算法具有编程实现简单、递归嵌套较多、切片效率不高、 尤其是大数据量的特点。

广度优先算法［10，11］: 先进行0层切片,再进行1层切片,如此类推至n层或先进行n层切片,再进行n-1层,如此类推至0层。算法具有编程逻辑清晰、 切片效率较高、单线程执行的特点。

算法优化: 对于大数据量的影像,每次数据读取和瓦片切割会耗费较长时间,事先将图像分别缩放至n层分辨率,n-1层分辨率,直至0层。然后再逐层进行切片,每层可由一个独立的线程进行切片处理。每层切片完毕后,同时删除缩放的预处理影像, 释放临时占用的存储空间。

但是,对于n层或接近n层的预处理影像数据量仍然较大,改进为每层先按行进行切片,生成长条图像,长条图像高度等于瓦片高度,再每行一个线程独立进行逐列切片。每行切片完毕,则删除该行长条图像。

算法特点: 采用临时的“空间换取时间”的策略,有效降低每个瓦片的切割时间,采用多线程并行执行,充分发挥多核处理器的性能,可有效提高切片效率,尤其是大数据量［12］。

2.4切片实验分析

实验采用GDAL库函数进行影像数据的读写, 瓦片大小设定为512* 512像素,在惠普Z600图形工作站上进行,工作站系统配置如下:

● 操作系统: Windows XP SP3,32位;

● CPU: Intel E5620 2.4 GHz,4 核;

● 内存: 4 GB;

● 显卡: NVIDIA Quadro FX1800,显存768 MB;

● 硬盘: 500 GB。

多次实验取平均值,影像图像数据量和切片时间记录如表2所示。

由表2可知,切割一个固定大小的瓦片,影像大小对切片效率影响较大,小于300 Mbytes的图像一个切片时间约在100 ms以下,对于大于2 GB的文件约1~3 s或更长时间。因此,减少影像大小能够有效提高切片效率。

对于一个5.1 GB ( 48 455宽* 37 721高* 3波段) 的2.5 m分辨率的遥感影像,只切分第14层,共7 200个瓦片,单线程与多线程切片所用时间如表3所示。

由表3可知,多线程切片效率是单线程的4 ~ 6倍。但随着线程数的增加,效率改进并不明显,线程过多将会耗费更多的线程同步时间,也可能与操作系统、CPU的多线程处理能力、磁盘IO等有关。 但多线程并发处理同一幅影像,生成的瓦片会出现影像条带空缺的情况,严重影响使用,且线程数越多,出现的概率越大。

为避免多个线程并发处理同一幅影像而出现条带空缺的情况,使用一个单线程( 主线程) 处理原始影像按行生成长条图像,在长条图像生成后同时启动一个新线程( 子线程) 对该长条图像进行切片,主线程继续处理生成下一个长条图像。

对于上述5.1 GB的同一幅影像,生成一个长条图像的时间约16 s,大小约96 MB,含96个瓦片,结合表2,每个瓦片切割的时间按100 ms计算,则切片时间为: 96* 100 /1 000 = 9.6 s。对于该幅影像,理论上,在主线程生成下一个长条图像后,子线程即可完成上一个长条图像的切片。该影像共需生成75个长条图像,则理论上计算总时间为: 75 * 16 / 60 = 20 min。经多次试验取平均值,实际耗费时间约为26.8 min。

3结束语

通过对TMS技术进行深入研究和切片算法设计,实现了TMS瓦片金字塔的快速切分,可为项目工程应用提供数据处理支持。对切片效率改进仍有较大的提升空间,今后可在多线程切片机制或多机并行处理等方面继续进行研究试验。

摘要：为了有效提高大数据量下的切片效率,从瓦片地图服务(Tile Map Service,TMS)元文件、瓦片划分规则和瓦片命名规则等方面对TMS技术进行了研究,对切片算法进行了设计实现,并结合多线程机制进行了优化改进,从而提出一种基于TMS的瓦片金字塔切分方法。试验结果表明,该方法能提高瓦片的切片效率。

关键词：金字塔,瓦片,四叉树,多线程,TMS

参考文献

[1]张学亮,陈金勇,陈勇.基于Hadoop云计算平台的海量文本处理研究[J].无线电通信技术,2014,40(1):54-57.

[2]唐伟广,马健.基于瓦片技术的遥感影像库设计与实现[J].无线电工程,2013,43(6):44-46,57.

[3]黄梦龙.瓦片地图技术在桌面端GIS中的应用[J].地理空间信息,2011,9(4):149-151.

[4]李钊,李建军,李冰,等.海量数据纹理映射技术研究[J].无线电通信技术,2011,37(4):34-36.

[5]王文涛.地理栅格数据压缩与场景组织管理技术研究与实现[D].长沙:国防科学技术大学,2011.

[6]聂云峰,周文生,舒坚,等.基于Z曲线的瓦片地图服务空间索引[J].中国图像图形学报,2012,17(2):286-292.

[7]吴小东,许捍卫.基于OSGEarth的城市三维场景构建[J].地理空间信息,2013,11(2):107-110.

[8]唐青松.深度优先算法在创建树形结构中的应用研究[J].计算机技术与发展,2014,24(9):226-229.

[9]龚建华.深度优先搜索算法及其改进[J].现代电子技术,2007,30(22):90-92.

[10]杨爱民.并行广度优先搜索算法研究[D].西安:西安电子科技大学,2012.

[11]鄢靖丰,陶少华,夏方玉.基于单元树结构的广度优先P2P搜索算法[J].计算机工程,2011,37(9):135-137.

切分方法 篇5

时间序列连续而高维的特征导致对其进行直接处理较为困难,故建模成为实际数据挖掘之前的一个重要环节。

传统的时间序列数据建模通常采用分段表示的方式, 可划分为两类: 基于时域的分段表示方法与基于变换域的分段表示方法。 其中基于时域的分段表示方法主要包括:使用分段的特征值来表示序列、使用分段的近似曲线来表示序列、使用重要特征点来表示序列、使用符号化来表示序列等。 基于变换域的分段表示方法主要包括:离散傅里叶变换、离散小波变换、奇异值分解算法等。

2基于市场行为的时间序列数据切分及表示方法

2.1切分方法描述

为充分还原市场的单边模式及震荡情形, 本文引入数理统计中线性回归的思想,基于市场行为,对期货市场时间序列数据进行切分处理与表示。

算法基本思想是,在对时间序列数据进行切分处理时,对每个得到的子序列进行线性回归, 当切分得到的子序列的回归判定系数R2大于给定的阈值t时, 可将时间序列中的下一个数据点加入该子系列中继续计算,否则,可将当前数据点视为切分断点,从该数据点开始重新搜寻下一个子序列,直到将整个序列搜索结束或到达最新时间点。 对于切分后得到的数据,长度达到3及以上的子序列,即可视为市场单边模式序列,对其利用线性回归的结果进行描述;而对于切分断点,相连即可得到市场震荡点序列。

对于行文中所需设定的回归判断系数的阈t值,若t设定过小,得出切分断点将极为迟钝,滞后严重;若t设定过大,将导致很少的数据点被划入到子序列中, 从而出现时间序列被过度分割的现象。 t的选择具有极强的主观性, 本文建议t的参考范围为:t~[0.7,0.8]。

2.2样本数据的切分处理

以伦敦金属交易所(LME)交易品种之一的伦铜期货为主要研究对象,将2001年1月2日至2015年5月12日的伦铜指数日交易数据的收盘价作为样本,进行数据的切分处理,将回归判定系数阈值t设为0.7。 具体可获得3632个交易日的交易数据。

按照上述算法描述,对3 632个交易日收盘价序列进行数据切分处理, 获得单边模式序列及震荡点序列。 图1所示为2015年3月13日至2015年4月17日伦铜期货40个交易日的收盘价序列的切分结果。

2.3切分后样本数据的表示

对于上述3 632个交易日收盘价序列切分得到的切分结果, 将一个单边模式序列与一个震荡点序列组合, 将其从取样期开始至结束划分为703组,结合领域知识与传统技术分析方法,每组选取6个属性进行描述:单边持续时间、单边趋势幅度、震荡持续时间、断点幅度、成交总量、终点收盘价距MA20差额百分比。 对于单边模式后,趋势直接反转,即不存在市场震荡的情形, 为统一分组处理方式,可将该组中震荡持续时间记为0。 其中:

单边趋势幅度可定义为:

(单边模式终点收盘价-单边模式起点收盘价 ) / 单边模式起点收盘价;

断点调整幅度定义为:

(断点收盘价-单边模式终点收盘价) / 单边模式终点收盘价 ;

终点距移动平均线差额百分比定义为:

(终点收盘价-终点对应MA20值 ) / 终点对应MA20值 。

对于切分后得到的样本数据, 可进一步利用数据挖掘中时间序列分析的方法对单边运行的趋势方向及单边运行深度的比例进行预测,以及对期货市场进行数理统计分析。

3结论

对于期货市场所形成的时间序列数据, 其主要的市场特征可概括为其单边模式,为了对其进行充分还原,本文引入数理统计中线性回归的思想, 提出基于市场行为的时间序列数据切分方法。 对于切分得到的结果,以一个单边模式序列与一个震荡点序列相组合的方式,单边持续时间、单边趋势幅度、震荡持续时间、断点幅度、成交总量、终点收盘价距MA20差额百分比等6个属性进行描述。

由“切分音”所想到的 篇6

“切分音”是乐谱中常看到的音谱之一, 简单的说就是二个半拍音阶中夹个一拍音阶, 换言说就是二个半拍的长度和中间一拍的长度相同 (我的话免不了歌者笑话) 。在听歌手唱歌时很难听到把切分音准确唱出来, 往往是丢了正规的切分音!还真不如中小学音乐课堂唱的准确。问题在于大家都这样去唱见怪不怪, 若是有指挥的人一到这里就很难去描述这个音阶, 至少是瞬间的空白。这只是我个人的看法, 可能是歌者的无意更多的是有意为之, 认为这样不安切分音唱会更好听!我想说的是这就是所谓的“离谱”用老百姓的话说就是“不靠谱”!由此我联想到在生活中的很多种种, 有很多事本身就不靠谱但确有很多人相信, 跟风者还会传染。早年什么打鸡血啊到后来的吃绿豆啊, 如今保健品满天飞, 学者、营养专家如雨后春笋。在网络上转载的随处可见, 黑的面容能抹白了?个头低能变高了?

我在想这些不靠谱为什么到处是?原因很简单:有需求就会有市场!市场内有一大批不靠谱的人, 去访友看到家里全是保健品的药, 面对朋友的认真我哭笑不得。真感觉又回到了古代历史上长生不老的炼丹时代!给黑发变白很容易等你老了就行, 反过来给白发变黑, 如果有人能行, 医院早就关门了。但就是有人去信!靠谱吗?我想说任何事终究要有规矩, 这不是在唱歌。没规矩不成方圆凡事讲科学。在当下盲目随处可见, 多了反倒见怪不怪。为了钱可以不择手段, 跟风的又不靠谱这真是应了句话:“两好和一好, 不闹也不吵”。只有感觉上当了才会出现:“两怪和一怪, 锥子两头快”。万事求真但很多时候我们不知啥是真正的真, 这很正常不可怕。真正可怕的是不求真把假认真, 赋予了不靠谱的心态, 离谱太远肯定跑调, 和协不了!

浅析螺纹钢三切分轧制技术 篇7

1 切分轧制的发展过程

钢铁切分轧制技术发展至今应经有90多年的历史, 美国在20世纪20年代就对钢铁的切分轧制技术做了试探性工作, 工厂采用孔型预切分对废旧钢轨进行切分分离, 根据各部分的不同性能轧制成各种型材, 以达到废物合理利用。这次探索使用楔形切刀滑动切割, 摩擦力大, 刀具磨损严重, 得不偿失, 以至于没有得到推广。受到美国的启发, 前苏联对钢铁轧制技术进行改进, 采用大辊缝范围设计的对角方切分孔型系统, 有效减小了对刀具的磨损, 使得切分技术得到推广, 推动着切分轧制技术的研究。20世纪70年代后期, 小型材的大量需求刺激了切分轧制技术的进一步发展, 随后利用切分轧制技术顺利生产出带肋钢筋, 不仅质量好, 而且耗能少, 将切分轧制技术的研究推上一个新的台阶, 从此, 其应用研究如日中天。我国对钢铁切分轧制技术的应用比较晚, 1983年首都钢铁公司第一型材厂首次引带肋钢筋的二线切分轧制技术, 切分轧制技术才在中国慢慢发展起来。

2 切分轧制的种类

切分轧制技术可以分为以下四种:圆盘剪切分法、切分轮切分法、轧辊切分法和火焰切分法。其中圆盘剪切分是最传统的方法, 发展比较成熟;火焰切分消耗燃料多, 轧制件易氧化, 应用受到限制。

2.1 圆盘剪切分法

圆盘剪切分法是指轧件通过特定形状的模孔后, 被压轧成相连的两个轧件, 接着用后续设置的圆盘剪将两个轧件进行纵向切轧, 使两个轧件基本分离, 最后用分离设备将两个轧件彻底分离, 完成切分轧制过程。

2.2 切分轮切分法

切分轮切分法的原理与圆盘剪切分法类似, 也是通过两个步骤完成轧制切分过程, 即轧件先通过设定好的孔型, 然后利用按在切分轮上的切分锥, 将轧件进行纵向分离。

2.3 轧辊切分法

轧辊切分法是在轧件通过孔型受到压缩产生纵向变形的同时, 直接进行切分。不同于圆盘剪切分法和切分轮切分法的“两步法”, 轧辊切分法集“轧制”和“切分”于一体。孔型系统中设有多个预切孔和一个切分孔, 轧件在孔型系统中不断的压缩拉伸产生形变, 最后型材到达出口时, 不需要其他切分设备即可达到轧件的分离。这种轧制方法具有广泛适用性, 效率较高。

2.4 火焰切分法

首先将钢坯轧制成并排的轧件, 然后利用火焰在轧件的连接处进行纵向分割, 从而得到很多小的轧件。这种方法生产效率高, 但是需要大量的燃料, 且必须安装专门的设备, 经济上不合理, 所以没有得到广泛应用。

3 螺纹钢三切分轧制难点及解决方案

3.1 料形尺寸控制

螺纹钢三切分轧制时, 矩形坯的尺寸, 如:厚度、宽度等都会影响切分轧制件的尺寸, 特别是中轧进料的尺寸, 若其大小和厚度不稳定, 则会影响成品中三根轧件尺寸的稳定性, 使得后续切分轧制过程波动性很大, 造成成品件尺寸不合格, 浪费钢材, 所以要控制好料形的尺寸。首先, 在进料之前要对料的尺寸进行初步筛选, 避免尺寸相差过大的料一起轧制, 从源头上杜绝造成切分不稳定的因素;其次, 可以从设备上进行改进, 如:设置多个预切分孔, 预切分孔可以对料形的尺寸进行初步的调节, 能在一定程度上消除轧件尺寸不均匀而造成的不稳定现象。

3.2 钢坯质量好坏

钢坯的质量也会影响切分效果, 特别是浇筑钢坯, 其内部含有少量气体排放困难, 散热慢, 冷却后, 往往会形成缩孔和夹渣等缺陷。当进行分切后, 这些埋藏于钢坯内部的缺陷就会暴露于切分轧制品表面, 影响成品坯件的外观和质量, 造成经济损失。避免钢坯质量问题, 要从钢坯生产源头入手, 严格把关, 对生产或购买的每一批钢坯, 都要进行检测, 确保钢坯的质量, 做好检测记录, 供查询使用, 只有这样才能保证后续切分轧制顺利。

3.3 轧制过程稳定性

螺纹钢在三分轧制过程中, 边线只受到一侧的推力, 而中线则受到两侧的推力, 这就很容易造成受力不均, 使得中线只能在纵向延伸, 而边线不仅可以在纵向延伸, 还可以在横向伸展, 变形不对称。所以轧件经过预切孔时, 两边面积相等, 而经过分切后, 往往会出现两边的面积小于中间的面积。要保证切分后各个轧制件尺寸相当, 就必须保证预切时边界尺寸大于中间尺寸。针对以上问题, 可以通过辊缝大小来调节中线, 通过辊缝大小和宽展来调整边线, 合理的选择参数, 及时对轧机的弹性、压下装置等进行检修, 保证轧制过程的高效安全。

4 结语

三线切分技术作为具有很高利用价值的工艺, 其操作较为困难。钢坯的质量、料形的尺寸、轧制机器的稳定性和参数都会影响产品性能, 所以轧制切分过程中, 选用无空洞钢坯、严格控制料形尺寸、合理调节辊缝等参数, 以得到最佳切分工艺。

摘要：随着钢铁行业的发展, 生产投入越来越大。为了提高生产效率, 降低生产成本, 钢铁切分轧制技术得到不断发展, 工艺日趋成熟, 其也由开始的二切分发展到三切分。本文就切分轧制技术的发展起源、切分轧制技术的分类和三切分轧制技术的难点进行了探讨, 希望可以提高钢铁企业的利润。

关键词：螺纹钢,三切分,技术难点

参考文献

[1]曹杰, 阎军, 章静.螺纹钢三切分轧制轧件尺寸影响因素的分析[J].重型机械, 2003 (5) .

[2]肖国栋.圆钢切分轧制技术的研究与开发[D].硕士毕业论文, 2004.

[3]马启红, 尹志香, 陈华强.12螺纹钢三切分技术的应用与改进[J].鄂钢科技, 2008.