CN108710852A - 一种限定拍摄深度的粒度分布图像识别方法及系统 - Google Patents
一种限定拍摄深度的粒度分布图像识别方法及系统 Download PDFInfo
- Publication number
- CN108710852A CN108710852A CN201810488194.2A CN201810488194A CN108710852A CN 108710852 A CN108710852 A CN 108710852A CN 201810488194 A CN201810488194 A CN 201810488194A CN 108710852 A CN108710852 A CN 108710852A
- Authority
- CN
- China
- Prior art keywords
- depth
- image
- crystal grain
- fuzziness
- size distribution
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了限定拍摄深度的粒度分布图像识别方法及系统。其中,该方法,包括采集溶液中不同深度的晶体颗粒图像,预处理后获得相应二值图像和灰度图像;根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;利用模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。本发明利用限定的深度划分图像中不同晶体所处位置类别,统计限定深度内的晶体粒度分布,适用于不同光照条件下的晶体粒度分布识别,对后续结晶控制提供准确数据。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种限定拍摄深度的粒度分布图像识别方法及系统。
背景技术
在化学试剂制备和生物制药领域,常常需要通过结晶过程获得最终的产品。结晶产品的好坏直接影响到产品的效用和下游的运输难度。一批优质的晶体颗粒尺寸应尽量较大,且同一批次的粒径大小较为均衡。为控制和结晶过程和检测晶体产品的质量,需要获得晶体的形状和粒径分布等信息。目前晶体粒度分布的测定方式主要包括筛分法、沉降法、光散射法和图像识别法。相较而言,图像识别法的设备造价低,识别准确度更高,更加直观可靠,且可用于实时测定,利于结晶过程的自动监控。
目前图像识别溶液中的晶体粒度分布,采用统计图像中出现的全部颗粒粒度,得到不同粒度范围内,晶体颗粒所占百分比的方式。但通过该方式来识别溶液中的晶体粒度分布存在以下不足:
(1)得到的粒度分布不能同时表征溶液中晶体的密度特征,不能得到结晶控制模型中所需的足够的信息。
(2)当结晶罐体积较大时,不同深度下晶体的粒度分布不会完全呈均匀状态,图像测得的粒度分布只能表征该图像采集设备可测的深度范围内的粒度分布。
综上所述,由于溶液中晶体会受所在深度的影响,导致溶液中不同深度下晶体的粒度分布不尽相同,而目前图像识别方法不能区别不同深度下的晶体粒度,影响最终粒度分布测定的准确性。
发明内容
为了解决现有技术的不足,本发明的第一目的是提供一种限定拍摄深度的粒度分布图像识别方法,其利用限定的深度划分图像中不同晶体所处位置类别,统计限定深度内的晶体粒度分布,最终提高了粒度分布测定的准确性。
本发明的一种限定拍摄深度的粒度分布图像识别方法,包括:
步骤1:采集溶液中不同深度的晶体颗粒图像,预处理后获得相应二值图像和灰度图像;
步骤2:根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;
步骤3:利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;
步骤4:计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
步骤5:利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
进一步的,在所述步骤1中,利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。
进一步的,在所述步骤2中,利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像;对二值图像中各晶体颗粒的边缘采用形态学算法提取ROI区域,进而构建出基于梯度函数的模糊度评价函数。
进一步的,在所述步骤4中,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差。
其中,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类错误率最小且均方根误差最小的深度用于晶体颗粒分类。
分类错误率指的是对错误分类的晶体个数在样本总体所占的百分比。
均方根误差利用测量值与真实值之间的偏差进行计算。
若利用分类模糊度对晶体进行分类正确时,则记为测量值与真实值之间偏差为0;
若分类错误,则测量值与真实值之间的偏差记为用于分类的深度与实际深度之间的偏差。
进一步的,所述步骤5具体包括:
步骤5.1:将筛预设清晰度的晶体颗粒作为限定深度下粒度分布统计的数据集;
步骤5.2:计算每个晶体颗粒二值图像中连通域的外接矩形,并记录像素长度;
步骤5.3:对晶体颗粒图像采集成像系统进行尺寸标定,获得像素的实际长度;
步骤5.4:统计限定深度下的晶体颗粒的实际长度,获得晶体颗粒的粒度分布直方图。
本发明的第二目的是提供一种限定拍摄深度的粒度分布图像识别系统。
本发明的一种限定拍摄深度的粒度分布图像识别系统,包括:
晶体颗粒图像采集成像系统,其被配置为采集溶液中不同深度的晶体颗粒图像;及
晶体颗粒图像处理器,其被配置为:
预处理后获得相应二值图像和灰度图像;
根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;
利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;
计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
进一步的,所述晶体颗粒图像处理器,被配置为:利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。
进一步的,所述晶体颗粒图像处理器,被配置为:利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像;对二值图像中各晶体颗粒的边缘采用形态学算法提取ROI区域,进而构建出基于梯度函数的模糊度评价函数。
进一步的,所述晶体颗粒图像处理器,被配置为:利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差。
其中,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类错误率最小且均方根误差最小的深度用于晶体颗粒分类。
分类错误率指的是对错误分类的晶体个数在样本总体所占的百分比。
均方根误差利用测量值与真实值之间的偏差进行计算。
若利用分类模糊度对晶体进行分类正确时,则记为测量值与真实值之间偏差为0;
若分类错误,则测量值与真实值之间的偏差记为用于分类的深度与实际深度之间的偏差。
进一步的,所述晶体颗粒图像处理器,包括:
数据集筛选模块,其被配置为将筛预设清晰度的晶体颗粒作为限定深度下粒度分布统计的数据集;
像素长度计算模块,其被配置为计算每个晶体颗粒二值图像中连通域的外接矩形,并记录像素长度;
成像系统标定模块,其被配置为对晶体颗粒图像采集成像系统进行尺寸标定,获得像素的实际长度;
统计模块,其被配置为统计限定深度下的晶体颗粒的实际长度,获得晶体颗粒的粒度分布直方图。
与现有技术相比,本发明的有益效果是:
(1)本发明主要针对单目拍摄中晶体颗粒的深度识别问题,利用限定的深度划分图像中不同晶体所处位置类别,统计限定深度内的晶体粒度分布,最终提高了粒度分布测定的准确性。
(2)本发明可适用于不同光照条件下的晶体粒度分布识别,对后续结晶控制提供准确数据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的一种限定拍摄深度的粒度分布图像识别方法流程图;
图2(a)是晶体颗粒图像的灰度图像;
图2(b)是晶体颗粒图像的二值图像;
图2(c)是提取的ROI区域;
图3是深度与图像模糊度的回归曲线图;
图4是粒度分布直方图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种限定拍摄深度的粒度分布图像识别方法流程图。
如图1所示,本发明的一种限定拍摄深度的粒度分布图像识别方法,包括步骤1~步骤5。
具体地,步骤1:采集溶液中不同深度的晶体颗粒图像,预处理后获得相应二值图像和灰度图像。
在所述步骤1中,利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。
下面以谷氨酸钠饱和溶液的一实施例来说明该步骤:
在3*3*6mm的玻璃结晶皿中配置谷氨酸钠饱和溶液,将谷氨酸钠晶体颗粒贴壁放置在饱和溶液中,采用工业相机作为平行结晶仪中的图像采集装置,从聚焦位置起分别拍摄距晶体颗粒0×0.66mm、1×0.66mm、2×0.66mm、3×0.66mm、4×0.66mm、5×0.66mm、6×0.66mm下的图片,获得1280*960像素的彩色图片,并通过千兆网端口将图片传输到PC机端,利用彩色图像灰度化和Otsu阈值分割算法得到灰度图像和二值图像。
步骤2:根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数。
具体地,该步骤包括:
步骤2.1梯度图像获取:利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像。
步骤2.2提取ROI区域:利用半径为10的圆盘形结构元B1对二值图像f1进行腐蚀,再将腐蚀前后的两图像做差,得到的是边界宽度为20个像素值的晶体边界区域图像f2;选取半径为1个大小的圆盘形结构元B2,采用膨胀算法对原边界进行膨胀,得到更宽的颗粒ROI区域图f3。
灰度图像、二值图像以及颗粒的ROI区域图对比如图2(a)-图2(c)所示。公式如下:
步骤2.3构建基于梯度函数的模糊度评价函数:
引入梯度阈值th,当梯度图像的ROI中该点的梯度值小于梯度阈值时,判断该点为背景点,否则为边界点;
将每个晶体颗粒的边界点的灰度梯度值累加后求平均,表征该晶体的模糊度avg。
ci数组中存储的是第i个颗粒边界区域的坐标值,其中第j个边界点的坐标为ci(j),n为第i个颗粒的边界ci数组中元素的个数。
对于图像中梯度阈值th的选择,选择背景区域的梯度的最大值作为梯度阈值th。公式如下:
步骤3:利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程。
具体地,利用模糊度评价函数计算出的各深度晶体颗粒的模糊度,利用MATLAB选择多种拟合模型拟合曲线,利用拟合优度选择拟合度最好的模型,构建深度与模糊度的回归方程。建立的拟合曲线如图3所示。
步骤4:计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
限定的深度将用于筛分晶体颗粒是否在该深度范围内,而回归方程中不同深度位置筛分误差不同,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类错误率最小且均方根误差最小的深度用于晶体颗粒分类。
其中分类错误率指的是对错误分类的晶体个数在样本总体所占的百分比。
均方根误差RMSE利用测量值与真实值之间的偏差进行计算。
若利用分类模糊度对晶体进行分类正确时,则记为测量值与真实值之间偏差为0;
若分类错误,则测量值与真实值之间的偏差记为用于分类的深度与实际深度之间的偏差。均方根误差的计算公式如下,其中yi标识分类错误的晶体实际深度,为用于分类的深度,n表示样本总量:
步骤5:利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
具体地,步骤5的过程包括:
步骤5.1筛选限定深度下的晶体颗粒:利用模糊度评价函数求取每个晶体颗粒的模糊度,比较该模糊度与回归曲线中限定深度对应的模糊度数值大小,若该颗粒的模糊度大于限定深度对应的模糊度,则判定为该晶体颗粒在限定深度范围内,将用于后续的粒度分布统计。
步骤5.2计算晶体颗粒的像素长度:利用Graham算法和旋转卡壳法得到二值图像中该晶体颗粒的外接矩形,外接矩形的像素长度即为晶体颗粒的像素长度。
步骤5.3成像系统的尺寸标定:利用成像系统拍摄一张千分尺的照片,计数千分尺中间隔一毫米的像素个数,求得成像系统的像素实际大小。
步骤5.4统计限定深度下晶体颗粒的粒度分布直方图,最终获得的粒度分布直方图如图4所示。
本发明主要针对单目拍摄中晶体颗粒的深度识别问题,利用限定的深度划分图像中不同晶体所处位置类别,统计限定深度内的晶体粒度分布,最终提高了粒度分布测定的准确性。
本发明可适用于不同光照条件下的晶体粒度分布识别,对后续结晶控制提供准确数据。
本发明还提供了一种限定拍摄深度的粒度分布图像识别系统。
本发明的一种限定拍摄深度的粒度分布图像识别系统,包括:晶体颗粒图像采集成像系统和晶体颗粒图像处理器。
(1)晶体颗粒图像采集成像系统,其被配置为采集溶液中不同深度的晶体颗粒图像。
其中,在晶体颗粒图像采集成像系统为单目相机。
(2)晶体颗粒图像处理器,其被配置为:
预处理后获得相应二值图像和灰度图像;
根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;
利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;
计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
具体地,所述晶体颗粒图像处理器,被配置为:利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。
所述晶体颗粒图像处理器,被配置为:利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像;对二值图像中各晶体颗粒的边缘采用形态学算法提取ROI区域,进而构建出基于梯度函数的模糊度评价函数。
所述晶体颗粒图像处理器,被配置为:利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差。
其中,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类错误率最小且均方根误差最小的深度用于晶体颗粒分类。
分类错误率指的是对错误分类的晶体个数在样本总体所占的百分比。
均方根误差利用测量值与真实值之间的偏差进行计算。
若利用分类模糊度对晶体进行分类正确时,则记为测量值与真实值之间偏差为0;
若分类错误,则测量值与真实值之间的偏差记为用于分类的深度与实际深度之间的偏差。
具体地,所述晶体颗粒图像处理器,包括:
数据集筛选模块,其被配置为将筛预设清晰度的晶体颗粒作为限定深度下粒度分布统计的数据集;
像素长度计算模块,其被配置为计算每个晶体颗粒二值图像中连通域的外接矩形,并记录像素长度;
成像系统标定模块,其被配置为对晶体颗粒图像采集成像系统进行尺寸标定,获得像素的实际长度;
统计模块,其被配置为统计限定深度下的晶体颗粒的实际长度,获得晶体颗粒的粒度分布直方图。
本发明主要针对单目拍摄中晶体颗粒的深度识别问题,利用限定的深度划分图像中不同晶体所处位置类别,统计限定深度内的晶体粒度分布,最终提高了粒度分布测定的准确性。
本发明可适用于不同光照条件下的晶体粒度分布识别,对后续结晶控制提供准确数据。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种限定拍摄深度的粒度分布图像识别方法,其特征在于,包括:
步骤1:采集溶液中不同深度的晶体颗粒图像,预处理后获得相应二值图像和灰度图像;
步骤2:根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;
步骤3:利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;
步骤4:计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
步骤5:利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
2.如权利要求1所述的一种限定拍摄深度的粒度分布图像识别方法,其特征在于,在所述步骤1中,利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
3.如权利要求1所述的一种限定拍摄深度的粒度分布图像识别方法,,其特征在于,在所述步骤2中,利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像;对二值图像中各晶体颗粒的边缘采用形态学算法提取ROI区域,进而构建出基于梯度函数的模糊度评价函数。
4.如权利要求1所述的一种限定拍摄深度的粒度分布图像识别方法,其特征在于,在所述步骤4中,利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差。
5.如权利要求1所述的一种限定拍摄深度的粒度分布图像识别方法,其特征在于,所述步骤5具体包括:
步骤5.1:将筛预设清晰度的晶体颗粒作为限定深度下粒度分布统计的数据集;
步骤5.2:计算每个晶体颗粒二值图像中连通域的外接矩形,并记录像素长度;
步骤5.3:对晶体颗粒图像采集成像系统进行尺寸标定,获得像素的实际长度;
步骤5.4:统计限定深度下的晶体颗粒的实际长度,获得晶体颗粒的粒度分布直方图。
6.一种限定拍摄深度的粒度分布图像识别系统,其特征在于,包括:
晶体颗粒图像采集成像系统,其被配置为采集溶液中不同深度的晶体颗粒图像;及
晶体颗粒图像处理器,其被配置为:
预处理后获得相应二值图像和灰度图像;
根据二值图像和灰度图像,构建基于梯度函数的模糊度评价函数;
利用所述模糊度评价函数计算各深度晶体颗粒的模糊度,构建深度与模糊度的回归方程;
计算回归方程中不同深度下利用模糊度分类时造成的分类误差,选择分类误差最小的深度作为当前光照下的最优深度;
利用最优深度下对应的模糊度对晶体分类,统计最优深度限定下的晶体粒度分布。
7.如权利要求6所述的一种限定拍摄深度的粒度分布图像识别系统,其特征在于,所述晶体颗粒图像处理器,被配置为:利用彩色图像灰度化和Otsu阈值分割算法分别对晶体颗粒图像进行预处理,得到相应的灰度图像和二值图像。
8.如权利要求6所述的一种限定拍摄深度的粒度分布图像识别系统,其特征在于,所述晶体颗粒图像处理器,被配置为:利用Sobel算子对灰度图像卷积,得到灰度图像的梯度图像;对二值图像中各晶体颗粒的边缘采用形态学算法提取ROI区域,进而构建出基于梯度函数的模糊度评价函数。
9.如权利要求6所述的一种限定拍摄深度的粒度分布图像识别系统,其特征在于,所述晶体颗粒图像处理器,被配置为:利用分类错误率和均方根误差计算回归方程中不同深度下利用模糊度分类时造成的分类误差。
10.如权利要求6所述的一种限定拍摄深度的粒度分布图像识别系统,其特征在于,所述晶体颗粒图像处理器,包括:
数据集筛选模块,其被配置为将筛预设清晰度的晶体颗粒作为限定深度下粒度分布统计的数据集;
像素长度计算模块,其被配置为计算每个晶体颗粒二值图像中连通域的外接矩形,并记录像素长度;
成像系统标定模块,其被配置为对晶体颗粒图像采集成像系统进行尺寸标定,获得像素的实际长度;
统计模块,其被配置为统计限定深度下的晶体颗粒的实际长度,获得晶体颗粒的粒度分布直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488194.2A CN108710852B (zh) | 2018-05-21 | 2018-05-21 | 一种限定拍摄深度的粒度分布图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488194.2A CN108710852B (zh) | 2018-05-21 | 2018-05-21 | 一种限定拍摄深度的粒度分布图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710852A true CN108710852A (zh) | 2018-10-26 |
CN108710852B CN108710852B (zh) | 2021-08-03 |
Family
ID=63869269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488194.2A Active CN108710852B (zh) | 2018-05-21 | 2018-05-21 | 一种限定拍摄深度的粒度分布图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710852B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070537A (zh) * | 2019-04-25 | 2019-07-30 | 清华大学 | 静态图像颗粒的粒度与球形度的智能识别方法和装置 |
CN110389090A (zh) * | 2019-08-06 | 2019-10-29 | 哈尔滨工业大学 | 一种大口径反射镜表面颗粒污染物亚像素尺寸标定方法 |
CN113221919A (zh) * | 2021-05-19 | 2021-08-06 | 神华神东煤炭集团有限责任公司 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
CN113731321A (zh) * | 2021-10-08 | 2021-12-03 | 广西埃索凯循环科技有限公司 | 一种基于多传感技术的硫酸锌的生产系统 |
CN114418990A (zh) * | 2022-01-18 | 2022-04-29 | 北京石油化工学院 | 一种基于深度学习的连续工业结晶图像处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004086503A1 (en) * | 2003-03-27 | 2004-10-07 | Green Vision Systems Ltd. | Generating intra-particle crystallographic parameter maps and histograms of a chemically pure crystalline particulate substance |
CN102323281A (zh) * | 2011-08-22 | 2012-01-18 | 长沙高新技术产业开发区爱威科技实业有限公司 | 液体性质检测方法和系统 |
CN103473776A (zh) * | 2013-09-17 | 2013-12-25 | 深圳市华因康高通量生物技术研究院 | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 |
CN103745185A (zh) * | 2013-12-27 | 2014-04-23 | 沈阳东软医疗系统有限公司 | 一种识别探测器晶体单元位置的方法和装置 |
CN104732227A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于清晰度和亮度评估的车牌快速定位方法 |
CN105378453A (zh) * | 2012-12-19 | 2016-03-02 | 皇家飞利浦有限公司 | 用于流体样本中的颗粒的分类的系统和方法 |
CN106442279A (zh) * | 2011-08-29 | 2017-02-22 | 安进公司 | 非破坏性地检测流体中未溶解的颗粒的方法和装置 |
-
2018
- 2018-05-21 CN CN201810488194.2A patent/CN108710852B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004086503A1 (en) * | 2003-03-27 | 2004-10-07 | Green Vision Systems Ltd. | Generating intra-particle crystallographic parameter maps and histograms of a chemically pure crystalline particulate substance |
CN102323281A (zh) * | 2011-08-22 | 2012-01-18 | 长沙高新技术产业开发区爱威科技实业有限公司 | 液体性质检测方法和系统 |
CN106442279A (zh) * | 2011-08-29 | 2017-02-22 | 安进公司 | 非破坏性地检测流体中未溶解的颗粒的方法和装置 |
CN105378453A (zh) * | 2012-12-19 | 2016-03-02 | 皇家飞利浦有限公司 | 用于流体样本中的颗粒的分类的系统和方法 |
CN103473776A (zh) * | 2013-09-17 | 2013-12-25 | 深圳市华因康高通量生物技术研究院 | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 |
CN103745185A (zh) * | 2013-12-27 | 2014-04-23 | 沈阳东软医疗系统有限公司 | 一种识别探测器晶体单元位置的方法和装置 |
CN104732227A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于清晰度和亮度评估的车牌快速定位方法 |
Non-Patent Citations (6)
Title |
---|
BAHRAM JAVIDI ET AL.: ""Multidimensional Optical Sensing and Imaging System (MOSIS): From Macroscales to Microscales"", 《IEEE》 * |
YING ZHOU ET AL.: ""Critical evaluation of image processing approaches for real-time crystal size measurements"", 《COMPUTERS AND CHEMICAL ENGINEERING》 * |
吴学成 等: ""数字共轴全息中颗粒识别与定位"", 《浙江大学学报(工学报)》 * |
涂超平 等: ""基于各向异性热扩散方程的多聚焦图像融合算法"", 《电子学报》 * |
韩宏伟 等: ""一种用于水下距离选通成像的变步长扫描方法"", 《激光技术》 * |
高雪妮 等: ""基于多级分块迭代法的不同聚焦图像融合"", 《电子学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070537A (zh) * | 2019-04-25 | 2019-07-30 | 清华大学 | 静态图像颗粒的粒度与球形度的智能识别方法和装置 |
CN110389090A (zh) * | 2019-08-06 | 2019-10-29 | 哈尔滨工业大学 | 一种大口径反射镜表面颗粒污染物亚像素尺寸标定方法 |
CN110389090B (zh) * | 2019-08-06 | 2022-03-11 | 哈尔滨工业大学 | 一种大口径反射镜表面颗粒污染物亚像素尺寸标定方法 |
CN113221919A (zh) * | 2021-05-19 | 2021-08-06 | 神华神东煤炭集团有限责任公司 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
CN113221919B (zh) * | 2021-05-19 | 2023-12-26 | 神华神东煤炭集团有限责任公司 | 一种煤泥颗粒图像的特征提取方法及电子设备 |
CN113731321A (zh) * | 2021-10-08 | 2021-12-03 | 广西埃索凯循环科技有限公司 | 一种基于多传感技术的硫酸锌的生产系统 |
CN114418990A (zh) * | 2022-01-18 | 2022-04-29 | 北京石油化工学院 | 一种基于深度学习的连续工业结晶图像处理系统 |
CN114418990B (zh) * | 2022-01-18 | 2024-05-24 | 北京石油化工学院 | 一种基于深度学习的连续工业结晶图像处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108710852B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710852A (zh) | 一种限定拍摄深度的粒度分布图像识别方法及系统 | |
US11669971B2 (en) | Colony contrast gathering | |
CN109086718A (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
CN108985159A (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
CN104854620B (zh) | 图像处理装置、图像处理系统和程序 | |
WO2021228088A1 (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN108985155A (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
KR20190004807A (ko) | 지폐 관리 방법 및 시스템 | |
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN107328776A (zh) | 一种免疫层析试纸卡的快速检测方法 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN108186051A (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
CN106056129A (zh) | 一种融合多种特征的监控视频图像过曝光区域检测方法 | |
CN108267455A (zh) | 塑料薄膜印刷字符缺陷检测装置及方法 | |
CN110245626A (zh) | 一种在虹膜图像中精确检测眼睫毛图像的方法 | |
Chao et al. | Design of a dual-camera system for poultry carcasses inspection | |
CN115761341A (zh) | 基于图像识别的纺织废料自动分类方法及装置 | |
KR101343623B1 (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
CN105279244B (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
CN104573743B (zh) | 一种人脸图像检测过滤方法 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN116503912B (zh) | 基于电子图囊的安检预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |