CN108062750A - 一种智能机器视觉矿石颗粒检测系统 - Google Patents
一种智能机器视觉矿石颗粒检测系统 Download PDFInfo
- Publication number
- CN108062750A CN108062750A CN201711334998.9A CN201711334998A CN108062750A CN 108062750 A CN108062750 A CN 108062750A CN 201711334998 A CN201711334998 A CN 201711334998A CN 108062750 A CN108062750 A CN 108062750A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- picture
- mtd
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种智能机器视觉矿石颗粒检测系统,图像分析软件运行于物联网模块,所述的物联网模块分别与图像采集模块和矿石加工设备中央控制系统通讯连接,物联网模块与矿石加工设备中央控制系统建立连接后,读取矿石加工设备中央控制系统的生产线是否在运行的参数,物联网模块才会采集图像并进行分析处理,图像采集模块每隔一段时间采集一张图像并传入图像处理分析软件,通过图像分析软件得到分析结果,并通过物联网模块将分析结果上传云端数据库和矿石加工设备中央控制系统。本发明采集多条生产线的数据,并在模块本地对数据计算分析,只传计算结果到中央控制系统,减小数据传输所需的带宽,效率高、成本低。
Description
技术领域
本发明涉及工业检测系统技术领域,尤其涉及一种智能机器视觉矿石颗粒检测系统。
背景技术
当前中国矿石后续加工行业的现状是生产工艺落后、自动化程度低,比如水泥行业,生产操作依靠中控操作员,设备状态依靠工人巡检,系统运行记录和生产报表依靠人工记录和计算,自动化和智能化程度低,造成员工数量多、劳动强度大、生产效率低、资源消耗多、故障判断滞后等不利于企业生产经营的情况。而且,随着生产规模的扩大,这些不利因素进一步加剧。尤其是对原料的来料一直没有合适的手段获得实时数据,基本上依赖设备加工人员的经验和定期人工巡检获得大致来料情况,在整个制造行业像自动化智能化控制转型的当下,来料状态成为首要的关键核心数据,因此针对此想需求,进行专门的研究和分析。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种智能机器视觉矿石颗粒检测系统。
本发明是通过以下技术方案实现的:
一种智能机器视觉矿石颗粒检测系统,包括有物联网模块、图像分析软件、图像采集模块和矿石加工设备中央控制系统,所述的图像分析软件运行于物联网模块,所述的物联网模块分别与图像采集模块和矿石加工设备中央控制系统通讯连接,物联网模块与矿石加工设备中央控制系统建立连接后,读取矿石加工设备中央控制系统的生产线是否在运行的参数,当生产线在运行时,物联网模块才会采集图像并进行分析处理,图像采集模块每隔一段时间采集一张图像并传入图像处理分析软件,通过图像分析软件得到分析结果,并通过物联网模块将分析结果上传云端数据库和矿石加工设备中央控制系统。
所述的图像采集模块为高精度工业相机。
还包括有照明模块,所述的照明模块使用LED光源阵列发出平行光,均匀照射矿石原料传输带流水线。
所述的通过图像分析软件得到分析结果,具体方法如下:由于使用了独立的照明模块,减小了环境光对系统的影响,因此认为背景光强度总是服从一个特定的分布,这个分布不随时间改变,图像去背景部分由两过程组成,第一个过程是训练过程,当设备安装到现场正常工作后,首先不断的采集图片,并实时的对所有采集到的图片计算平均值图片,计算方法是每个像素点分别平均,令I为平均值图片,P为每次采集到的图片,n为当前总共采集到的图片的个数,ij为图片上每个像素的坐标,则平均值图片的计算方法可以用如下公式来表示
训练的过程中,不断的使用这个训练结果,将平均值图片作为背景图片,将此图片中的每个像素作为背景阈值,对新采集到的图片进行去背景测试,并进行人工比对,当测试结果符合要求并稳定工作时结束这个训练过程;令T为去背景之后的图片,那么上述计算方法可以用如下公式来表示,
训练过程结束之后,我们可以得到一个稳定工作的背景图片,在这之后的使用的使用过程则是依赖于这张背景图片,使用方法与测试方法相同,用I来表示最终得到的平均值图片,那么去背景之后的图片可以用如下公式来表示
提取轮廓部分使用的是Canny算法,之后对提取到的每个轮廓进行进一步的分割,这个部分使用的是分水岭算法,图片分割完成之后,对每个轮廓计算最小包含圈并计算其直径。
所述的物联网模块采用基于x86芯片的硬件架构,搭载Windows 10操作系统,并支持TCP/IP、PPI、MPI、Profinet工业标准通讯协议,物联网模块拥有多个可与矿石加工设备中央控制系统进行通讯连接的以太网接口。
所述图像分析软件,使用C++语言开发并使用OpenCV视觉库进行图像处理,图像处理采用机器深度学习的模式进行图像识别和处理。软件以相机采集的图像作为输入,以图像上矿石加工所有颗粒的直径和颜色作为输出。
本发明的优点是:本发明单个模块可连接多台工业相机,同时采集多条生产线的数据,并在模块本地对数据计算分析,只传计算结果到中央控制系统,减小数据传输所需的带宽,效率高、成本低。系统自带LED照明模块,减小了环境光对系统的影响,使得图像处理软件工作更加稳定可靠。
附图说明
图1为本发明的结构框图。
图2为图像分析软件工作流程图。
图3为深度学习图像识别结果图。
具体实施方式
如图1所示,一种智能机器视觉矿石颗粒检测系统,包括有物联网模块1、图像分析软件2、图像采集模块3和矿石加工设备中央控制系统4,所述的图像分析软件2运行于物联网模块1,所述的物联网模块1分别与图像采集模块3和矿石加工设备中央控制系统4通讯连接,物联网模块1与矿石加工设备中央控制系统4建立连接后,读取矿石加工设备中央控制系统4的生产线是否在运行的参数,当生产线在运行时,物联网模块1才会采集图像并进行分析处理,图像采集模块3每隔一段时间采集一张图像并传入图像处理分析软件2,通过图像分析软件2得到分析结果,并通过物联网模块1将分析结果上传云端数据库5和矿石加工设备中央控制系统4。
所述的图像采集模块3为高精度工业相机。
还包括有照明模块,所述的照明模块使用LED光源阵列发出平行光,均匀照射矿石原料传输带流水线。
如图2所示,所述的通过图像分析软件2得到分析结果,具体方法如下:由于使用了独立的照明模块,减小了环境光对系统的影响,因此认为背景光强度总是服从一个特定的分布,这个分布不随时间改变,图像去背景部分由两过程组成,第一个过程是训练过程,当设备安装到现场正常工作后,首先不断的采集图片,并实时的对所有采集到的图片计算平均值图片,计算方法是每个像素点分别平均,令I为平均值图片,P为每次采集到的图片,n为当前总共采集到的图片的个数,ij为图片上每个像素的坐标,则平均值图片的计算方法可以用如下公式来表示
训练的过程中,不断的使用这个训练结果,将平均值图片作为背景图片,将此图片中的每个像素作为背景阈值,对新采集到的图片进行去背景测试,并进行人工比对,当测试结果符合要求并稳定工作时结束这个训练过程;令T为去背景之后的图片,那么上述计算方法可以用如下公式来表示,
训练过程结束之后,我们可以得到一个稳定工作的背景图片,在这之后的使用的使用过程则是依赖于这张背景图片,使用方法与测试方法相同,用I来表示最终得到的平均值图片,那么去背景之后的图片可以用如下公式来表示
提取轮廓部分使用的是Canny算法,之后对提取到的每个轮廓进行进一步的分割,这个部分使用的是分水岭算法,图片分割完成之后,对每个轮廓计算最小包含圈并计算其直径。
所述的物联网模块1采用基于x86芯片的硬件架构,搭载Windows 10操作系统,并支持TCP/IP、PPI、MPI、Profinet工业标准通讯协议,物联网模块拥有多个可与矿石加工设备中央控制系统进行通讯连接的以太网接口。
如图3所示,通过机器深度学习,利用先进的计算机图像处理技术,以及机器视觉等技术,对矿石颗粒中的粒径及颜色等外观特征进行检测,检出颗粒的粒径变化,及矿石料中的矿石类别,用于生产过程的配比控制和加工设备的用功最优工艺方案控制。
Claims (5)
1.一种智能机器视觉矿石颗粒检测系统,其特征在于:包括有物联网模块、图像分析软件、图像采集模块和矿石加工设备中央控制系统,所述的图像分析软件运行于物联网模块,所述的物联网模块分别与图像采集模块和矿石加工设备中央控制系统通讯连接,物联网模块与矿石加工设备中央控制系统建立连接后,读取矿石加工设备中央控制系统的生产线是否在运行的参数,当生产线在运行时,物联网模块才会采集图像并进行分析处理,图像采集模块每隔一段时间采集一张图像并传入图像处理分析软件,通过图像分析软件得到分析结果,并通过物联网模块将分析结果上传云端数据库和矿石加工设备中央控制系统。
2.根据权利要求1所述的一种智能机器视觉矿石颗粒检测系统,其特征在于:所述的图像采集模块为高精度工业相机。
3.根据权利要求1所述的一种智能机器视觉矿石颗粒检测系统,其特征在于:还包括有照明模块,所述的照明模块使用LED光源阵列发出平行光,均匀照射矿石原料传输带流水线。
4.根据权利要求3所述的一种智能机器视觉矿石颗粒检测系统,其特征在于:所述的通过图像分析软件得到分析结果,具体方法如下:由于使用了独立的照明模块,减小了环境光对系统的影响,因此认为背景光强度总是服从一个特定的分布,这个分布不随时间改变,图像去背景部分由两过程组成,第一个过程是训练过程,当设备安装到现场正常工作后,首先不断的采集图片,并实时的对所有采集到的图片计算平均值图片,计算方法是每个像素点分别平均,令I为平均值图片,P为每次采集到的图片,n为当前总共采集到的图片的个数,ij为图片上每个像素的坐标,则平均值图片的计算方法可以用如下公式来表示
<mrow>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
训练的过程中,不断的使用这个训练结果,将平均值图片作为背景图片,将此图片中的每个像素作为背景阈值,对新采集到的图片进行去背景测试,并进行人工比对,当测试结果符合要求并稳定工作时结束这个训练过程;令T为去背景之后的图片,那么上述计算方法可以用如下公式来表示,
<mrow>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>></mo>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
训练过程结束之后,我们可以得到一个稳定工作的背景图片,在这之后的使用的使用过程则是依赖于这张背景图片,使用方法与测试方法相同,用I来表示最终得到的平均值图片,那么去背景之后的图片可以用如下公式来表示
<mrow>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>></mo>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
提取轮廓部分使用的是Canny算法,之后对提取到的每个轮廓进行进一步的分割,这个部分使用的是分水岭算法,图片分割完成之后,对每个轮廓计算最小包含圈并计算其直径。
5.根据权利要求1所述的一种智能机器视觉矿石颗粒检测系统,其特征在于:所述的物联网模块采用基于x86芯片的硬件架构,搭载Windows 10操作系统,并支持TCP/IP、PPI、MPI、Profinet工业标准通讯协议,物联网模块拥有多个可与矿石加工设备中央控制系统进行通讯连接的以太网接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711334998.9A CN108062750A (zh) | 2017-12-14 | 2017-12-14 | 一种智能机器视觉矿石颗粒检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711334998.9A CN108062750A (zh) | 2017-12-14 | 2017-12-14 | 一种智能机器视觉矿石颗粒检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108062750A true CN108062750A (zh) | 2018-05-22 |
Family
ID=62138652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711334998.9A Pending CN108062750A (zh) | 2017-12-14 | 2017-12-14 | 一种智能机器视觉矿石颗粒检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458941A (zh) * | 2018-12-29 | 2019-03-12 | 天津市三特电子有限公司 | 矿车自动装载监测系统及监测方法 |
CN110443299A (zh) * | 2019-08-01 | 2019-11-12 | 东北大学 | 一种基于图像识别的自动化放矿实验方法及系统 |
CN112629477A (zh) * | 2020-12-12 | 2021-04-09 | 江苏德罗智能科技有限公司 | 一种新型的纱布平面包检测剔除计数控制算法 |
CN113591981A (zh) * | 2021-07-30 | 2021-11-02 | 上海建工四建集团有限公司 | 基于人工智能的既有水磨石信息查勘方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4503555A (en) * | 1982-04-21 | 1985-03-05 | University Of California | Semi-automatic optical scanning apparatus utilizing line integration |
CN202837147U (zh) * | 2012-10-29 | 2013-03-27 | 山东黄金矿业(莱州)有限公司焦家金矿 | 一种传送带矿石粒度图像获取设备 |
CN105678224A (zh) * | 2015-12-31 | 2016-06-15 | 中国电子科技集团公司第二十七研究所 | 一种用于矿石智能拣选的图像识别系统及拣选方法 |
-
2017
- 2017-12-14 CN CN201711334998.9A patent/CN108062750A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4503555A (en) * | 1982-04-21 | 1985-03-05 | University Of California | Semi-automatic optical scanning apparatus utilizing line integration |
CN202837147U (zh) * | 2012-10-29 | 2013-03-27 | 山东黄金矿业(莱州)有限公司焦家金矿 | 一种传送带矿石粒度图像获取设备 |
CN105678224A (zh) * | 2015-12-31 | 2016-06-15 | 中国电子科技集团公司第二十七研究所 | 一种用于矿石智能拣选的图像识别系统及拣选方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458941A (zh) * | 2018-12-29 | 2019-03-12 | 天津市三特电子有限公司 | 矿车自动装载监测系统及监测方法 |
CN109458941B (zh) * | 2018-12-29 | 2023-03-07 | 天津市三特电子有限公司 | 矿车自动装载监测系统及监测方法 |
CN110443299A (zh) * | 2019-08-01 | 2019-11-12 | 东北大学 | 一种基于图像识别的自动化放矿实验方法及系统 |
CN110443299B (zh) * | 2019-08-01 | 2023-05-30 | 东北大学 | 一种基于图像识别的自动化放矿实验方法及系统 |
CN112629477A (zh) * | 2020-12-12 | 2021-04-09 | 江苏德罗智能科技有限公司 | 一种新型的纱布平面包检测剔除计数控制算法 |
CN113591981A (zh) * | 2021-07-30 | 2021-11-02 | 上海建工四建集团有限公司 | 基于人工智能的既有水磨石信息查勘方法及系统 |
CN113591981B (zh) * | 2021-07-30 | 2024-02-09 | 上海建工四建集团有限公司 | 基于人工智能的既有水磨石信息查勘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062750A (zh) | 一种智能机器视觉矿石颗粒检测系统 | |
CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN110163852B (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
CN103454285A (zh) | 基于机器视觉的传动链条质量检测系统 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN102706274A (zh) | 工业结构化场景中机器视觉精确定位机械零件的系统 | |
CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
CN104056790A (zh) | 一种马铃薯智能分选方法与装置 | |
CN106815575A (zh) | 人脸检测结果集的优选系统及其方法 | |
CN112801965A (zh) | 一种基于卷积神经网络的烧结皮带异物监测方法及系统 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN112676195B (zh) | 基于线阵cmos相机的实木地板的颜色分选装置及方法 | |
CN108491759A (zh) | 一种基于深度学习的工序检测装置及其工序检测方法 | |
CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和系统 | |
CN206951597U (zh) | 一种基于机器视觉的蓝莓果实分级检测系统 | |
CN109001215A (zh) | 一种基于机器视觉的电力接线端子缺陷检测系统 | |
CN107121063A (zh) | 检测工件的方法 | |
CN112989881A (zh) | 一种无监督可迁移的3d视觉物体抓取方法 | |
CN111222420A (zh) | 一种基于ftp协议的低带宽要求的安全帽识别方法 | |
CN206911765U (zh) | 一种异色羽绒自动分离装置 | |
CN109345519A (zh) | 基于深度学习yolo算法的线束连接器加工型号检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220405 |