CN108765504A - 一种快速筛选高速粒子流中杂色粒子的方法 - Google Patents
一种快速筛选高速粒子流中杂色粒子的方法 Download PDFInfo
- Publication number
- CN108765504A CN108765504A CN201810529965.8A CN201810529965A CN108765504A CN 108765504 A CN108765504 A CN 108765504A CN 201810529965 A CN201810529965 A CN 201810529965A CN 108765504 A CN108765504 A CN 108765504A
- Authority
- CN
- China
- Prior art keywords
- particle
- current
- rows
- variegated
- value
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明利用彩色数字相机实时采集记录粒子流图像,对应三个通道记录每个像素点的R、G、B值并转化为H、S、I值,在HS平面内用一个矩形框来定义一种颜色,加上第三维的Intensity,将杂色粒子定义为一个长方体。对采集到的图片进行二值化处理,开启多线程同时进行处理,每一个线程处理一种类型的杂色粒子。利用寻找连通域的方法,找到每个二值图像中连通区域,并记录其面积,颜色等信息。对数字相机实时采集到序列粒子流图像图进行上述相同的处理,便得到了杂色粒子在视场范围内的连续移动过程。将其连成线段,便绘制出杂色粒子在进入视场到移动出视场过程中的运动轨迹。该方法快速便捷,具有较好的实际应用价值。
Description
技术领域
本发明涉及光电检测领域,更具体地说,涉及一种用于对高速粒子流中杂色粒子进行检测的方法。
背景技术
高分子聚合物在生产生活中有着广泛的应用,这种材料具有化学性能稳定、耐冲击性好,具有较好的透明性和耐磨耗性、绝缘性好、导热性低、易成型、加工成本低等优点,在机械配件、包装工业的行业中扮演了重要的角色。但在大规模生产中,如果原材料中存在大量的杂色粒子,便会产生重大的质量问题。所以对其原材料的产品质量进行检测尤为重要。目前尚未有成熟的设备能够在高速粒子流中检测杂色粒子,并记录其尺寸、面积等信息。
发明内容
鉴于以上情形,本发明的目的在于提供一种快速筛选高速粒子流中杂色粒子颜色、对应数目和尺寸的方法,该方法速度快、精度高,能够实现实时检测。
本发明利用彩色数字相机实时采集记录粒子流图像,对应三个通道记录每个像素点的R、G、B值。将获得的每个像素点的R、G、B的三个值转化为H、S、I值,在HS平面内用一个矩形框来定义一种颜色,加上第三维的Intensity,将杂色粒子定义为一个长方体。对采集到的图片进行二值化处理,开启多线程同时进行处理,每一个线程处理一种类型的杂色粒子。利用寻找连通域的方法,找到每个二值图像中连通区域,并记录其面积,颜色等信息。对数字相机实时采集到序列粒子流图像图进行上述相同的处理,便得到了杂色粒子在视场范围内的连续移动过程。将其连成线段,便绘制出杂色粒子在进入视场到移动出视场过程中的运动轨迹。该方法快速便捷,具有较好的实际应用价值。
本发明技术方案的具体操作步骤如下:
步骤1,利用彩色CCD相机实时采集记录粒子流图像,记录每个像素点的R、G、B值;
步骤2,将步骤1中彩色CCD相机得到的每个像素点的R、G、B值转化为H、S、I值,得到HSI模型。考虑到RGB模型中,很难定义杂色和普通颜色的区别,因此对RGB模型进行了将基于笛卡尔坐标系的立方体向一个基于圆柱极坐标系的圆柱体的转换,得到HSI模型(色度Hue,饱和度Saturation,亮度Intensity)。
步骤3,在HSI模型选择所需的Hue、Saturation、Intensity区域定义杂色粒子。处理将针对定义的颜色进行处理,此方法可以定义多种杂色粒子,并对定义的每种杂色粒子分别进行检测。
步骤4,对步骤2中的图片进行二值化处理,将满足步骤3中杂色粒子定义范围的像素点的灰度值赋值为255,其它像素点的灰度值赋值为0。
步骤5,针对不同类别的杂色粒子,对步骤4中的二值化图像分别进行处理,寻找二值化图像中的连通区域,记录找到的每个连通域信息,称其为L型结构体;从而确定粒子上缺陷的轮廓和缺陷个数。该步骤的处理是为了寻找二值化图像中的连通区域,从而确定粒子上缺陷的轮廓和缺陷个数。处理过程中使用多线程技术以提高计算速度,每一个线程处理一种类别的杂色粒子。
步骤6,将所述二值化图像从上到下,从左到右进行逐行扫描,扫描第current行,记录这一行上所有像素为255的线段,如没有这样的线段,则执行步骤9,否则执行步骤7。
步骤7,利用连通的定义对current行中寻找出来的线段与current-1行进行连通的判断;如果current行的某一直线段与current-1行所有直线段均不联通或current-1行没有扫描出直线段,则创建一个L型结构体,记录连通域标记为一个新的值,pixsum为这一直线段像素点个数,minrect为这可以包围这一直线段的最小矩形;如果current行的某一直线段与current-1行的某一直线段连通,便将current-1行中这一直线段对应的L型结构体数据进行更新。
步骤8,如果current行中的某一直线段与current-1行中的两个或两个以上的线段连通,则表示在current-1行中本不连通的线段通过current行中的这条线段连通到了一起;此时进行如下操作:将current-1行中的这几条线段对应的L型结构体进行合并,将其合并到连通域标记值最小的那个L型结构体之中,计算并更新这个结构体的pixsum与minrect;然后将current行中的这条线段计算到最终合并的这个L型结构体中,计算并更新这个结构体的pixsum与minrect。
步骤9,执行current = current+1,然后重复步骤6的动作直到图像扫描到最后一行。
步骤10,执行完图像扫描之后,对于存在的所有L型结构体进行扫描,如果存在某一个L型结构体的minrect与另一个的L型结构体的minrect相交,则合并这两个L型结构体。因为在二值化过程中,一个杂色粒子二值化之后不一定只有一个连通域,这样合并操作能提高检测的准确性。
步骤11,通过数字相机实时采集粒子流的序列图像,进行步骤1至步骤10操作,可得到杂色粒子在显示区域内的连续移动过程。定义在垂直于粒子流运动方向一定像素内运动的杂色粒子为同一粒子,并将其在每幅图中的坐标中心连成线段,绘制出其在进入视场到移动出视场过程中的运动轨迹;等到粒子移出视场区域后,便认为检测出了一系列缺陷。
步骤12,统计得出不同类型杂色粒子数目和尺寸等信息。
优选地,所述将步骤1中彩色CCD相机得到的每个像素点的R、G、B值转化为H、S、I值,在于对RGB模型进行将基于笛卡尔坐标系的立方体向一个基于圆柱极坐标系的圆柱体的转换,得到HSI模型。
优选地,所述寻找二值化图像中的连通区域,其方法在于,
首先定义结构体
Strcut L{
int mark;
int pixsum;
Rect minrect
}LStruct;
用来记录找到的每个连通域信息,称其为L型结构体;
其中mark为连通域标记,pixsum为连通域的像素点总数,而minrect为可以包围连通域最小矩形;
同时给出两直线段连通的定义:设ab与cd分别为第i行与第i+1行的两条直线,其坐标值为a(xi,ya),b(xi,yb),c(xi+1,yc),d(xi+1,yd),(ya<yb,yc<yd),若满足条件:ya<=yd且yc<=yb,则称这两条直线连通。
优选地,所述对步骤4中的二值化图像分别进行处理,处理过程中使用多线程技术以提高计算速度,每一个线程处理一种类别的杂色粒子。
根据本发明的快速筛选高速粒子流中杂色粒子的方法,其有益效果在于,运用彩色三通道CCD面阵数字相机实时采集粒子流的图像,同时对图像进行分析,快速准确地获得高速粒子流中杂色粒子的颜色、数量、尺寸、面积等信息,具有极大的工程应用价值。速度快、精度高,能够实现实时检测。
附图说明
图1是传统RGB色彩空间模型。
图2是本发明采用的HSI柱状色彩空间示意图。
图3是将HIS柱状色彩空间模型展开后的图像。
图4是三通道相机采集到的有杂色粒子的粒子流图像。
图5是利用定义的黑色杂色粒子进行二值化之后的图像。
图6是利用定义的彩色杂色粒子进行二值化之后的图像。
图7是对图5寻找连通域之后的二值化图像。
图8是对图6寻找连通域之后的二值化图像。
图9是杂色粒子的追踪轨迹图。
图10是具体实施方案流程图。
具体实施方式
下面将参照附图对本发明的各个优选的实施方式进行描述。提供以下参照附图的描述,以帮助对由权利要求及其等价物所限定的本发明的示例实施方式的理解。其包括帮助理解的各种具体细节,但它们只能被看作是示例性的。因此,本领域技术人员将认识到,可对这里描述的实施方式进行各种改变和修改,而不脱离本发明的范围和精神。而且,为了使说明书更加清楚简洁,将省略对本领域熟知功能和构造的详细描述。
一种用于对高速粒子流中杂色粒子进行检测的方法,用于在高速粒子流中快速检测杂质颜色、对应数目和尺寸,能够快速准确的分别统计粒子流中黑色及彩色杂质数目,检测过程如下:
1)利用彩色数字相机实时采集记录粒子流图像,对应三个通道记录每个像素点的R、G、B值。如图1所示传统RGB色彩空间模型。
2)对应的由1)中彩色数字相机获得的每个像素点的R、G、B值转化为H、S、I值。请参考图2和图3所示。
3)在HSI模型中进行杂色粒子的定义,如图4中,对应三种颜色红、蓝、黑的粒子,定义两种类型杂色粒子:黑色和彩色,具体定义如下,黑色:Hue 0~255°、Saturation 0~100%、Intension 0~55%;彩色:Hue 0~255°、Saturation 30~100%、Intension 0~100%。
4)对采集到的数字图像二值化处理,根据定义的黑色与彩色杂色粒子分别进行处理。例如黑色,对于满足其定义值范围的像素点,将其像素值赋值为255,而不满足的像素点,赋值为0。如图5和图6,分别为黑色与彩色两种杂质二值化处理后的图像。
5)创建两个线程,分别处理上述定义的黑色与彩色两种杂色粒子,两个线程同步进行,互不打扰。线程所需完成的工作包括如下步骤6-11。
6)寻找二值图像中的连通区域。定义结构体
Strcut L{
int mark;
int pixsum;
Rect minrect
}LStruct;
用来记录找到的每个连通域信息,称其为L型结构体,其中mark为连通域标记,pixsum为连通域的像素总数,而minrect为可以包围连通域最小矩形。
7)对二值化图像从上到下、从左到右进行逐行扫描,假设扫描第current行,记录这一行上所有像素为255的线段,如没有这样的线段,则执行步骤10),否则执行步骤8)。
8)利用连通域的定义对current行中寻找出来的线段与current-1行进行连通的判断,如果current行的某一直线段与current-1行所有直线段均不联通或current-1行没有扫描出直线段。则创建一个L型结构体,记录连通域标记为一个新的值,pixsum为这一直线段像素点个数,minrect为这可以包围着一直线段的最小矩形。如果current行的某一直线段与current-1行的某一直线段连通,便将current-1行中这一直线段对应的L型结构体数据进行更新。
9)如果current行中的某一直线段与current-1行中的两个或两个以上的线段连通,则表示在current-1行中本不连通的线段通过current行中的这条线段连通到了一起。这时进行如下操作:将current-1行中的这几条线段对应的L型结构体进行合并,将其合并到连通域标记值最小的那个L行结构体之中,计算并更新这个结构体的pixsum与minrect。然后将current行中的这条线段计算到最终合并的这个L型结构体中,计算并更新这个结构体的pixsum与minrect。
10)执行current = current+1,然后重复步骤7)的操作直到图像扫描到最后一行。
11)执行完图像之后,对于存在的所有连通域进行扫描,如果存在某一个L型结构体的minrect与另一个的L型结构体的minrect相交,则合并这两个L型结构体。这样二值化图像图5、图6经过连通域处理之后得到图7、图8。方框为连通域的最小矩形。
12)此时每个线程执行的工作结束,先完成处理的线程将等待其它线程全部结束后一同进入步骤13)。
13)对数字相机实时采集到图像每幅图进行1)~11)操作,便得到了杂色粒子在显示区域内的连续移动过程。定义在垂直于粒子流运动方向一定像素内运动的杂色粒子为同一粒子,将其在每幅图中的坐标中心连线,便绘制成了杂色粒子在进入视场到移动出视场过程中的运动轨迹图,如图9中,代表杂色粒子从出现在视场内到移出视场一共被检测到11次。等到杂色粒子移动出视场,将其数据保存,认为检测出了一个杂色粒子。整个流程图如图10所示。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可实施。当然,以上所列的情况仅为示例,本发明并不仅限于此。本领域的技术人员应该理解,根据本发明技术方案的其他变形或简化,都可以适当地应用于本发明,并且应该包括在本发明的范围内。
Claims (5)
1.一种快速筛选高速粒子流中杂色粒子的方法,其特征在于,包括以下步骤:
步骤1,利用彩色CCD相机实时采集记录粒子流图像,记录每个像素点的R、G、B值;
步骤2,将步骤1中彩色CCD相机得到的每个像素点的R、G、B值转化为H、S、I值,得到HSI模型;
步骤3,在HSI模型选择所需的Hue、Saturation、Intensity区域定义杂色粒子;
步骤4,对步骤2中的图片进行二值化处理,将满足步骤3中杂色粒子定义范围的像素点的灰度值赋值为255,其它像素点的灰度值赋值为0;
步骤5,针对不同类别的杂色粒子,对步骤4中的二值化图像分别进行处理,寻找二值化图像中的连通区域,记录找到的每个连通域信息,称其为L型结构体;从而确定粒子上缺陷的轮廓和缺陷个数;
步骤6,将所述二值化图像从上到下,从左到右进行逐行扫描,扫描第current行,记录这一行上所有像素为255的线段,如没有这样的线段,则执行步骤9,否则执行步骤7;
步骤7,利用连通的定义对current行中寻找出来的线段与current-1行进行连通的判断;如果current行的某一直线段与current-1行所有直线段均不联通或current-1行没有扫描出直线段,则创建一个L型结构体,记录连通域标记为一个新的值,pixsum为这一直线段像素点个数,minrect为这可以包围这一直线段的最小矩形;如果current行的某一直线段与current-1行的某一直线段连通,便将current-1行中这一直线段对应的L型结构体数据进行更新;
步骤8,如果current行中的某一直线段与current-1行中的两个或两个以上的线段连通,则表示在current-1行中本不连通的线段通过current行中的这条线段连通到了一起;此时进行如下操作:将current-1行中的这几条线段对应的L型结构体进行合并,将其合并到连通域标记值最小的那个L型结构体之中,计算并更新这个结构体的pixsum与minrect;然后将current行中的这条线段计算到最终合并的这个L型结构体中,计算并更新这个结构体的pixsum与minrect;
步骤9,执行current = current+1,然后重复步骤6的动作直到图像扫描到最后一行;
步骤10,执行完图像扫描之后,对于存在的所有L型结构体进行扫描,如果存在某一个L型结构体的minrect与另一个的L型结构体的minrect相交,则合并这两个L型结构体;
步骤11,通过数字相机实时采集粒子流的序列图像,进行步骤1至步骤10操作,可得到杂色粒子在显示区域内的连续移动过程;
步骤12,统计得出不同类型杂色粒子数目和尺寸等信息。
2.根据权利要求1所述的一种快速筛选高速粒子流中杂色粒子的方法,其特征在于,定义在垂直于粒子流运动方向一定像素内运动的杂色粒子为同一粒子,并将其在每幅图中的坐标中心连成线段,绘制出其在进入视场到移动出视场过程中的运动轨迹;等到粒子移出视场区域后,便认为检测出了一系列缺陷。
3.根据权利要求1或2所述的一种快速筛选高速粒子流中杂色粒子的方法,其特征在于,所述将步骤1中彩色CCD相机得到的每个像素点的R、G、B值转化为H、S、I值,在于对RGB模型进行将基于笛卡尔坐标系的立方体向一个基于圆柱极坐标系的圆柱体的转换,得到HSI模型。
4.根据权利要求1或2所述的一种快速筛选高速粒子流中杂色粒子的方法,其特征在于,所述寻找二值化图像中的连通区域,其方法在于,
首先定义结构体
Strcut L{
int mark;
int pixsum;
Rect minrect
}LStruct;
用来记录找到的每个连通域信息,称其为L型结构体;
其中mark为连通域标记,pixsum为连通域的像素点总数,而minrect为可以包围连通域最小矩形;
同时给出两直线段连通的定义:设ab与cd分别为第i行与第i+1行的两条直线,其坐标值为a(xi,ya),b(xi,yb),c(xi+1,yc),d(xi+1,yd),(ya<yb,yc<yd),若满足条件:ya<=yd且yc<=yb,则称这两条直线连通。
5.根据权利要求1或2所述的一种快速筛选高速粒子流中杂色粒子的方法,其特征在于,所述对步骤4中的二值化图像分别进行处理,处理过程中使用多线程技术以提高计算速度,每一个线程处理一种类别的杂色粒子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529965.8A CN108765504A (zh) | 2018-05-29 | 2018-05-29 | 一种快速筛选高速粒子流中杂色粒子的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529965.8A CN108765504A (zh) | 2018-05-29 | 2018-05-29 | 一种快速筛选高速粒子流中杂色粒子的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765504A true CN108765504A (zh) | 2018-11-06 |
Family
ID=64003240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810529965.8A Pending CN108765504A (zh) | 2018-05-29 | 2018-05-29 | 一种快速筛选高速粒子流中杂色粒子的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114001945A (zh) * | 2021-11-02 | 2022-02-01 | 上海视疆科学仪器有限公司 | 金属接骨螺钉自攻实验中自动判断自攻点的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050130167A1 (en) * | 2002-10-25 | 2005-06-16 | Gang Bao | Multifunctional magnetic nanoparticle probes for intracellular molecular imaging and monitoring |
CN101630414A (zh) * | 2009-08-20 | 2010-01-20 | 上海交通大学 | 实时图像连通域质心确定方法 |
CN107016699A (zh) * | 2017-03-14 | 2017-08-04 | 上海大学 | 一种自动识别杂色粒子的彩色编码方法 |
CN107103604A (zh) * | 2017-05-23 | 2017-08-29 | 重庆天之助生物科技有限公司 | 一种微粒子色度自动聚类分析系统 |
-
2018
- 2018-05-29 CN CN201810529965.8A patent/CN108765504A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050130167A1 (en) * | 2002-10-25 | 2005-06-16 | Gang Bao | Multifunctional magnetic nanoparticle probes for intracellular molecular imaging and monitoring |
CN101630414A (zh) * | 2009-08-20 | 2010-01-20 | 上海交通大学 | 实时图像连通域质心确定方法 |
CN107016699A (zh) * | 2017-03-14 | 2017-08-04 | 上海大学 | 一种自动识别杂色粒子的彩色编码方法 |
CN107103604A (zh) * | 2017-05-23 | 2017-08-29 | 重庆天之助生物科技有限公司 | 一种微粒子色度自动聚类分析系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114001945A (zh) * | 2021-11-02 | 2022-02-01 | 上海视疆科学仪器有限公司 | 金属接骨螺钉自攻实验中自动判断自攻点的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102643990B1 (ko) | 플레이팅된 배지 상의 스트리킹된 샘플로부터 자동화된 미생물 콜로니 카운트를 위한 방법 및 시스템 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
KR102664258B1 (ko) | 콜로니 콘트라스트 수집 | |
CN102334422B (zh) | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 | |
Feng et al. | Study on color image processing based intelligent fruit sorting system | |
CN106338520A (zh) | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 | |
CN105149794A (zh) | 一种基于双目视觉的智能激光切边系统及其方法 | |
WO1990010273A1 (de) | Verfahren und anordnung zur automatischen optischen klassifikation von pflanzen | |
CN105894534B (zh) | 一种基于ViBe的改进运动目标检测方法 | |
CN105869154A (zh) | 一种250ml医药大输液可见异物与气泡的分类识别检测方法 | |
CN105574514B (zh) | 温室生西红柿自动识别方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
Pers et al. | Computer vision system for tracking players in sports games | |
CN109308711A (zh) | 目标检测方法、装置及图像处理设备 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
CN111062346A (zh) | 一种白细胞自动定位检测及分类识别系统及方法 | |
CN107016699A (zh) | 一种自动识别杂色粒子的彩色编码方法 | |
CN110826552A (zh) | 基于深度学习的葡萄无损自动检测装置及其方法 | |
CN110473174A (zh) | 一种基于图像计算铅笔精确数目的方法 | |
CN108765504A (zh) | 一种快速筛选高速粒子流中杂色粒子的方法 | |
CN106960424A (zh) | 基于优化分水岭的结核杆菌图像分割识别方法及装置 | |
CN109726853A (zh) | 基于机器视觉的工业协作机器人路径规划算法 | |
CN210377552U (zh) | 一种水果分类用多面图像获取装置 | |
Zhang et al. | PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |