CN109598715B - 基于机器视觉的物料粒度在线检测方法 - Google Patents
基于机器视觉的物料粒度在线检测方法 Download PDFInfo
- Publication number
- CN109598715B CN109598715B CN201811478182.8A CN201811478182A CN109598715B CN 109598715 B CN109598715 B CN 109598715B CN 201811478182 A CN201811478182 A CN 201811478182A CN 109598715 B CN109598715 B CN 109598715B
- Authority
- CN
- China
- Prior art keywords
- image
- particles
- segmentation
- particle
- distance
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000010191 image analysis Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000007921 spray Substances 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003863 fast low-angle shot imaging Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004663 powder metallurgy Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及机器视觉技术领域。基于机器视觉的物料粒度在线检测方法,通过相机采集传送带上的物料颗粒的图像信息,通过测距模块采集传送带上的物料颗粒的距离信息,通过计算机对采集到的图像信息进行图像分析获得物料的粒度分布图。本发明采用基于凸包分析的颗粒分割算法,通过检测颗粒的凸度率来判断颗粒是否为欠分割,并对欠分割颗粒进行二次分割,区分图像中的粘粘颗粒,从而实现对传送带上物料粒度分布实时在线检测的算法设计。本发明还加入了测距模块,所测距离值代入像素标定算法中以消除皮带上物料厚度变化引起的粒度测量误差。
Description
技术领域
本发明涉及机器视觉技术领域,特别涉及对传送带上物料的粒度分布进行在线检测领域。
背景技术
电力、化工、医药、粉末冶金等工业生产中,传送带上原料或产品都是由大小颗粒组成的粒状物料,粒度大小及分布是其最重要的性质之一,检测和控制传送带上物料的粒度是保证工业生产技术指标的重要环节。传统的物料粒度检测采用人工筛分法,工序繁琐且耗时,滞后的测量数据不能及时指导工业生产。基于机器视觉的图像处理方法所具有的实时在线优势,无疑成为今后传送带上物料粒度检测的发展趋势。目前国外已经有了基于机器视觉的物料粒度分析商业化产品,如加拿大WipWare公司的WipFrag系列、芬兰Metso公司的VisioRock系列、美国Split Engineering公司的Split-Online系列等,但售价昂贵、维护费用高,难以在我国普遍推广。因此,有必要开发低成本的、基于机器视觉的物料粒度在线检测技术及装置。
目前,基于机器视觉的粒度检测的关键技术瓶颈是如何实现颗粒图像的精确分割。针对该问题,国际上已经展开了大量的研究。例如,英国诺丁汉大学T.K.Koh等人利用多闪光成像方法,捕获不同照明方向时样品的图像,通过计算阴影得到颗粒的轮廓信息,从而减少图像分割的误差,但该方法需按序对样品进行多角度投影,难以应用于传送带上的移动样品;瑞典吕勒奥理工大学M.J.Thurley等人利用激光三角测距的机器视觉方法采集颗粒的三维数据,实现颗粒图像的精确分割,但需额外增加激光器、高速相机等设备,成本较高。除此之外,人们也在不断地改进分割算法。例如,美国麻省理工大学Sobel等人通过卷积边缘提取算子,获取图像梯度信息,但该方法分割精度不高,易受环境影响,且无法分割堆积颗粒;加拿大曼尼托巴大学H.K.Mebatsion等人提出了基于傅里叶级数近似的分割算法,利用边界曲率成功分割了接触颗粒,但该方法算法复杂且仅适用于规则形状颗粒,分割效率较低。
发明内容
本发明所要解决的技术问题是:如何解决目前基于机器视觉的粒度分析方法中图像分割不精确而造成的粒度测量误差大的技术问题。
本发明所采用的技术方案是:基于机器视觉的物料粒度在线检测方法,通过相机(7)采集传送带(14)上的物料颗粒的图像信息,通过测距模块(10)采集传送带(14)上的物料颗粒的距离信息,通过计算机(11)对采集到的图像信息进行图像分析获得物料的粒度分布图;对采集到的图像信息进行图像分析获得物料的粒度分布图的具体步骤如下
步骤一、对物料颗粒的图像信息进行图像预处理,即先将彩色图像转化为灰度图像,再用自适应直方图均衡法提高图像局部对比度,保留图像细节,减弱图像噪声对后期图像处理带来的影响;
步骤二、构造多尺度Hessian矩阵滤波器,并对预处理后的图像信息进行边缘提取,以任意一张预处理后的图像为例,具体方法为,以图像左上角第一个点为原点、水平方向为x轴、竖直方向为y轴,建立直角坐标系,记图像上(x,y)处的Hessian矩阵为:其中,I(x,y)为该位置处图像的强度值,Ixx(x,y)、Iyy(x,y)分别为I(x,y)在x方向、y方向上的二阶偏微分,Ixy(x,y)、Iyx(x,y)分别为I(x,y)在x、y方向和y、x方向上的混合偏微分,引入一个尺度因子σ,二阶偏微分变为:其中,/>选择尺度因子σ合适的尺度范围及步长进行迭代,为获得更好的增强效果,记实际颗粒间隙范围为[d0,d1],尺度因子σ合适的尺度范围选取为[d0/4,d1/4],步长选取为(d1-d0)/4n,n为正整数,n值越大,则迭代次数越多,边缘的细节提取也越多,相应的计算量也越大,计算所有尺度下每个点对应Hessian矩阵的特征值的绝对值,提取每点所对应的特征值绝对值中的最大值,共同组成物料颗粒的边缘图像;
步骤三、使用双阈值方法将边缘图像二值化,其中高阈值通过最大类间方差法获得,低阈值设置为高阈值的一半,再使用基于距离变换的分水岭分割算法对颗粒进行分割,得到一次分割的颗粒图像;
步骤四、使用基于凸包分析的分割方法对一次分割的颗粒图像中的欠分割颗粒进行二次分割,该方法通过计算凸度率对颗粒进行筛选,对筛选出的颗粒寻找对应凸包进行二次分割;
步骤五、利用物料颗粒的距离信息计算像素标定值:v=au+b,其中,u为距离值,系数a、b为利用标定板进行像素标定所获测量值的线性拟合系数,这里,基于距离的像素标定算法用于消除皮带上物料厚度变化引起的粒度测量误差;
步骤六、结合二次分割图像和像素标定值,绘制出物料的粒度分布图。
作为一种优选方式:通过相机(7)采集传送带(14)上的物料颗粒的图像信息过程中,使用第一时间继电器(1)控制安装在传送带(14)两侧的LED灯(6)间隔亮和灭,使用第二时间继电器(2)控制相机(7)间隔拍照,使用第三时间继电器(3)控制喷头(8)对工业相机(7)镜头窗口进行间隔喷水,使用第四时间继电器(4)控制刮水器(9)刮洗工业相机(7)镜头窗口,使用时间控制器(5)定期对第一时间继电器(1)、第二时间继电器(2)、第三时间继电器(3)、第四时间继电器(4)同时进行复位,设置好第一时间继电器(1)、第二时间继电器(2)、第三时间继电器(3)、第四时间继电器(4)间隔时间,在LED灯(6)亮时,相机(7)进行拍照,在LED灯(6)灭时,顺序进行喷水和刮洗。
作为一种优选方式:步骤四中,基于凸包分析的分割方法对一次分割的颗粒图像中的欠分割颗粒进行二次分割的具体方法为,计算各颗粒的凸度率:其中,S为颗粒的原始面积,Sc为凸包面积,对所有ε值按大小进行排序后,将其中某一比例处的凸度率值定义为阈值ε0,则凸度率小于ε0的颗粒即被认定为欠分割颗粒,对欠分割进行二次分割的方法为,将原始颗粒图像与凸包图像相减,消除过小的连通区域后,得到多个连通片段的二值图;求得剩余连通区域的凸包点,计算连通区域间的所有凸包点间距;在原始图像上用暗线连接最小间距的两个凸包点,完成对图像中欠分割颗粒的二次分割。
本发明的有益效果是:本发明采用基于Hessian矩阵的多尺度滤波器提取颗粒边缘,并结合距离变换分水岭对物料颗粒进行一次分割。采用基于凸包分析的颗粒分割算法,通过检测颗粒的凸度率来判断颗粒是否为欠分割,并对欠分割颗粒进行二次分割,区分图像中的粘粘颗粒,从而实现对传送带上物料粒度分布实时在线检测的算法设计。本发明还加入了测距模块,所测距离值代入像素标定算法中以消除皮带上物料厚度变化引起的粒度测量误差。
附图说明
图1是本发明的流程结构框图。
图2是本发明的安装示意图;
图3是本发明的图像处理效果图;a)是煤矸石原始图像;b)是预处理图像;c)是多尺度滤波器处理后的边缘图像;d)是一次分割图像;e)是二次分割图像;
图4是本发明基于凸包分析的二次分割示例图;f)是颗粒的原始二值图像;g)是凸包图像;h)是差值图像;i)是分割结果;j)是一次分割的局部放大图;k)是二次分割的局部放大图。
图5是本发明像素标定图;
图6是本发明方法和标准筛分法、单次分割图像处理法测量结果的对比图。
其中,1、第一时间继电器,2、第二时间继电器,3、第三时间继电器,4、第四时间继电器,5、时间控制器,6、LED照明灯,7、相机,8、喷水器,9、刮水器,10、测距模块,11、计算机,12、机箱,13、支架,14、传送带。
具体实施方式
下面以传送带上的煤矸石为例,结合附图对本发明所述的基于机器视觉的物料粒度在线检测技术及装置进一步描述如下:
本发明装置中的现场安装示意图如图2,包含有工业相机7、测距模块10、第一时间继电器1、第二时间继电器2、第三时间继电器3、第四时间继电器4、第五时间继电器5(时间控制器)、喷水器8和刮水器9的机箱12由支架13吊放于传送带14上方,支架13两侧固定有两个500W的LED照明灯6。具体运行流程为:第一时间继电器1控制LED灯6亮;5秒后,第二时间继电器2触发相机7采集一张传送带14上的物料图像;再5秒后,第一时间继电器1控制LED灯6灭;所采集的物料图像发送至计算机11进行图像分割处理;由实时测距模块10传送的距离数据计算出像素标定值;结合分割图像和像素标定值,计算出传送带14上煤矸石的粒度分布,至此完成一次物料粒度分布检测;以1分钟为周期重复上述步骤,实现对传送带14上物料粒度分布的连续在线检测。其中,第三时间继电器3每隔1小时控制喷水器8对工业相机7镜头前的窗口喷水2秒,同时第四时间继电器4控制刮水器9刮洗窗口3秒;时间控制器5每隔1小时对时间继电器1、2、3、4同时进行复位。
对采集到的图像信息进行图像分析获得物料的粒度分布图的具体步骤为
(1)对传送至计算机的煤矸石图像进行图像预处理,即先将彩色图像转化为灰度图像(图3a),再用自适应直方图均衡法进行处理(图3b)。
(2)构造多尺度Hessian矩阵滤波器,并对图3b进行边缘提取。其中,实际颗粒间隙范围为[6,38],则σ的尺度范围选取为[1.5,9.5],将n值定为2,则步长选取为1。迭代9次后,提取所有尺度下每个点所对应的特征值绝对值中的最大值,共同组成颗粒的边缘图像,如图3c。
(3)使用双阈值方法将图像3c二值化,再使用基于距离变换的分水岭分割算法对颗粒进行分割,得到一次分割颗粒图像,如图3d,图中的白线代表分割线。
(4)使用凸包分析对图3d中的欠分割颗粒进行二次分割。计算各颗粒的凸度率并进行大小排序,将10%比例处的凸度率值0.75定义为阈值ε0。对凸度率小于0.75的欠分割颗粒进行二次分割,结果如图3e。例如,图4f是某颗粒的原始二值图像,将其与相应凸包图像图4g相减,消除过小的连通区域后,得到多个连通片段的二值图(图4h);求得剩余连通区域的凸包点,计算连通区域间的所有凸包点间距;在原始图像上用暗线连接最小间距的两个凸包点,结果如图4i。图4j、4k分别为图片中同一区域的一次分割和二次分割局部放大图,经二次分割的颗粒圈在了灰色方框中,可见二次分割能够有效地分离欠分割颗粒。
(5)利用测距模块所测相机与物料间的距离,按下式计算像素标定值:v=0.0005u-0.0906。
其中,利用标定板标定像素时所获测量值的线性拟合如图5。本次拍照时距离值为590mm,则相应的像素标定值为0.2044mm/pixel。
(6)结合二次分割图像图3e和像素标定值0.2044mm/pixel,所获物料的粒度分布与标准筛分法、单次分割图像处理法测量结果的对比见图6。与标准筛分结果相比,传统单次分割图像分析法的平均绝对测量误差为3.78%,而本图像分析的平均绝对测量误差仅2.23%,可见本发明所述二次分割图像分析的测量结果更加精确。
Claims (3)
1.基于机器视觉的物料粒度在线检测方法,其特征在于:通过相机(7)采集传送带(14)上的物料颗粒的图像信息,通过测距模块(10)采集传送带(14)上的物料颗粒的距离信息,通过计算机(11)对采集到的图像信息进行图像分析获得物料的粒度分布图;对采集到的图像信息进行图像分析获得物料的粒度分布图的具体步骤如下
步骤一、对物料颗粒的图像信息进行图像预处理,即先将彩色图像转化为灰度图像,再用自适应直方图均衡法提高图像局部对比度,保留图像细节,减弱图像噪声对后期图像处理带来的影响;
步骤二、构造多尺度Hessian矩阵滤波器,并对预处理后的图像信息进行边缘提取,以任意一张预处理后的图像为例,具体方法为,以图像左上角第一个点为原点、水平方向为x轴、竖直方向为y轴,建立直角坐标系,记图像上坐标(x,y)处的Hessian矩阵为:其中,I(x,y)为坐标(x,y)处图像的强度值,Ixx(x,y)、Iyy(x,y)分别为I(x,y)在x方向、y方向上的二阶偏微分,Ixy(x,y)、Iyx(x,y)分别为I(x,y)在x、y方向和y、x方向上的混合偏微分,引入一个尺度因子σ,二阶偏微分变为:其中,选择尺度因子σ合适的尺度范围及步长进行迭代,为获得更好的增强效果,记实际颗粒间隙范围为[d0,d1],尺度因子σ合适的尺度范围选取为[d0/4,d1/4],步长选取为(d1-d0)/4n,n为正整数,n值越大,则迭代次数越多,边缘的细节提取也越多,相应的计算量也越大,计算所有尺度下每个点对应Hessian矩阵的特征值的绝对值,提取每点所对应的特征值绝对值中的最大值,共同组成物料颗粒的边缘图像;
步骤三、使用双阈值方法将边缘图像二值化,其中高阈值通过最大类间方差法获得,低阈值设置为高阈值的一半,再使用基于距离变换的分水岭分割算法对颗粒进行分割,得到一次分割的颗粒图像;
步骤四、使用基于凸包分析的分割方法对一次分割的颗粒图像中的欠分割颗粒进行二次分割,该方法通过计算凸度率对颗粒进行筛选,对筛选出的颗粒寻找对应凸包进行二次分割;
步骤五、利用测距模块所测相机与物料间的距离计算像素标定值:v=au+b,其中,u为距离值,系数a、b为利用标定板进行像素标定所获测量值的线性拟合系数,这里,基于距离的像素标定算法用于消除皮带上物料厚度变化引起的粒度测量误差;
步骤六、结合二次分割图像和像素标定值,绘制出物料的粒度分布图。
2.根据权利要求1中所述的基于机器视觉的物料粒度在线检测方法,其特征在于:通过相机(7)采集传送带(14)上的物料颗粒的图像信息过程中,使用第一时间继电器(1)控制安装在传送带(14)两侧的LED灯(6)间隔亮和灭,使用第二时间继电器(2)控制相机(7)间隔拍照,使用第三时间继电器(3)控制喷头(8)对工业相机(7)镜头窗口进行间隔喷水,使用第四时间继电器(4)控制刮水器(9)刮洗工业相机(7)镜头窗口,使用时间控制器(5)定期对第一时间继电器(1)、第二时间继电器(2)、第三时间继电器(3)、第四时间继电器(4)同时进行复位,设置好第一时间继电器(1)、第二时间继电器(2)、第三时间继电器(3)、第四时间继电器(4)间隔时间,在LED灯(6)亮时,相机(7)进行拍照,在LED灯(6)灭时,顺序进行喷水和刮洗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478182.8A CN109598715B (zh) | 2018-12-05 | 2018-12-05 | 基于机器视觉的物料粒度在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478182.8A CN109598715B (zh) | 2018-12-05 | 2018-12-05 | 基于机器视觉的物料粒度在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598715A CN109598715A (zh) | 2019-04-09 |
CN109598715B true CN109598715B (zh) | 2023-03-24 |
Family
ID=65961065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478182.8A Active CN109598715B (zh) | 2018-12-05 | 2018-12-05 | 基于机器视觉的物料粒度在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598715B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595959B (zh) * | 2019-04-19 | 2023-03-21 | 齐鲁工业大学 | 一种糖膏颗粒粒度分析系统及分析方法 |
CN110782436B (zh) * | 2019-10-18 | 2023-11-17 | 宁波大学 | 一种基于计算机视觉的传送带物料状态检测方法 |
CN110736688B (zh) * | 2019-10-25 | 2022-04-01 | 陕西科技大学 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
CN112819745B (zh) * | 2019-10-31 | 2023-02-28 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
CN112819746B (zh) * | 2019-10-31 | 2024-04-23 | 合肥美亚光电技术股份有限公司 | 坚果籽仁虫蚀缺陷检测方法及装置 |
CN111055811A (zh) * | 2019-12-05 | 2020-04-24 | 浙江合众新能源汽车有限公司 | 一种基于车载智能摄像头的雨刮器控制方法及系统 |
CN113552028B (zh) * | 2020-04-23 | 2022-12-13 | 中冶长天国际工程有限责任公司 | 混合料视觉分析装置、混合料粒度组成检测方法及系统 |
CN111562201B (zh) * | 2020-05-28 | 2024-06-14 | 清华大学 | 固态酿造制酒颗粒状原料粒度在线测量装置和方法 |
CN112233178B (zh) * | 2020-11-11 | 2024-05-17 | 广东拓斯达科技股份有限公司 | 基于机器视觉的复杂环境中动态物料测距方法 |
CN112634248B (zh) * | 2020-12-29 | 2024-04-12 | 清华大学 | 颗粒状原料粒度测量系统及方法、电子设备及存储介质 |
CN116026855A (zh) * | 2023-02-27 | 2023-04-28 | 英飞智信(北京)科技有限公司 | 基于视觉分析的固体颗粒检验用样品分析系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208122A (zh) * | 2013-04-18 | 2013-07-17 | 湖南大学 | 基于一维标定杆设计的多相机标定方法 |
CN103226113A (zh) * | 2013-03-29 | 2013-07-31 | 中国计量科学研究院 | 锥束3d-ct扫描系统重建体素尺寸的自动标定方法 |
CN104075965A (zh) * | 2014-07-02 | 2014-10-01 | 北京机械设备研究所 | 一种基于分水岭分割的显微图像颗粒粒度测量方法 |
WO2016146105A1 (de) * | 2015-03-16 | 2016-09-22 | Hochschule Offenburg | Verfahren und vorrichtung zur kalibration einer kamera |
CN106123864A (zh) * | 2016-06-21 | 2016-11-16 | 徐贵力 | 基于成像原理及数据回归模型的图像测距方法 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
WO2017113535A1 (zh) * | 2015-12-30 | 2017-07-06 | 完美幻境(北京)科技有限公司 | 一种相机几何标定处理方法及装置 |
CN107804514A (zh) * | 2017-10-23 | 2018-03-16 | 江苏艾萨克机器人股份有限公司 | 一种基于图像识别的牙刷分拣方法 |
CN108460780A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于背景骨架特征的粘连米粒图像分割方法 |
CN108665472A (zh) * | 2017-04-01 | 2018-10-16 | 华为技术有限公司 | 点云分割的方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439756B (zh) * | 2013-07-31 | 2016-02-10 | 中国人民解放军理工大学 | 一种基于粒子成像测速的自然降水粒子微物理特征测量方法 |
-
2018
- 2018-12-05 CN CN201811478182.8A patent/CN109598715B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226113A (zh) * | 2013-03-29 | 2013-07-31 | 中国计量科学研究院 | 锥束3d-ct扫描系统重建体素尺寸的自动标定方法 |
CN103208122A (zh) * | 2013-04-18 | 2013-07-17 | 湖南大学 | 基于一维标定杆设计的多相机标定方法 |
CN104075965A (zh) * | 2014-07-02 | 2014-10-01 | 北京机械设备研究所 | 一种基于分水岭分割的显微图像颗粒粒度测量方法 |
WO2016146105A1 (de) * | 2015-03-16 | 2016-09-22 | Hochschule Offenburg | Verfahren und vorrichtung zur kalibration einer kamera |
WO2017113535A1 (zh) * | 2015-12-30 | 2017-07-06 | 完美幻境(北京)科技有限公司 | 一种相机几何标定处理方法及装置 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106123864A (zh) * | 2016-06-21 | 2016-11-16 | 徐贵力 | 基于成像原理及数据回归模型的图像测距方法 |
CN108665472A (zh) * | 2017-04-01 | 2018-10-16 | 华为技术有限公司 | 点云分割的方法和设备 |
CN107804514A (zh) * | 2017-10-23 | 2018-03-16 | 江苏艾萨克机器人股份有限公司 | 一种基于图像识别的牙刷分拣方法 |
CN108460780A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于背景骨架特征的粘连米粒图像分割方法 |
Non-Patent Citations (9)
Title |
---|
"Estimation of Particle Size Distribution on an Industrial Conveyor Belt using Image Analysis and Neural Networks";Hamzeloo E等;《Powder technology》;20141231;第261卷(第7期);第185-190页 * |
"Physical parameters of the Small Magellanic Cloud RR Lyrae stars and the distance scale";Deb S等;《Monthly Notices of the Royal Astronomical Society》;20101231;第1-10页 * |
"基于中心距像素标定的工业CT尺寸测量方法";齐子诚等;《兵器材料科学与工程》;20170930;第40卷(第5期);第122-126页 * |
"基于凸包算法的计算尺寸形状在线视觉高通量检测方法";段宇飞等;《农业工程学报》;20161231;第32卷(第15期);第282-288页 * |
"基于凸壳的重叠苹果目标分割与重建算法";宋怀波等;《农业工程学报》;20130228;第29卷(第3期);第163-168页 * |
"基于凹性分析的粘连车辆分割";刘洋等;《计算机应用研究》;20120131;第29卷(第1期);第344-347页 * |
"基于图像处理的矿石粒度在线检测系统";罗小燕等;《仪表技术与传感器》;20151231(第7期);第63-64页和第80页 * |
"基于图像处理的矿石粒度检测系统设计";蔡改贫等;《冶金自动化》;20131130;第37卷(第6期);第63-66页 * |
"基于图像轮廓曲线提取的CT系统参数标定";龙建辉等;《福建工程学院学报》;20180228;第16卷(第1期);第44-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109598715A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
Heydari et al. | An industrial image processing-based approach for estimation of iron ore green pellet size distribution | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
CN115222709A (zh) | 一种基于人工智能的拉链布带缺陷检测方法 | |
Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
Chen et al. | SwinTD: Transformer-based detection network for foreign objects in the cut section of tobacco packets | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN113177925A (zh) | 一种无损检测水果表面缺陷的方法 | |
Yang et al. | Application of highlight removal and multivariate image analysis to color measurement of flotation bubble images | |
CN117058089A (zh) | 烟支外观检测方法 | |
CN116500052A (zh) | 一种食用油杂质视觉检测系统及其使用方法 | |
CN109034172B (zh) | 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法 | |
CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 |
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 |