CN109614879A - 基于图像识别的料斗颗粒检测方法 - Google Patents
基于图像识别的料斗颗粒检测方法 Download PDFInfo
- Publication number
- CN109614879A CN109614879A CN201811374114.7A CN201811374114A CN109614879A CN 109614879 A CN109614879 A CN 109614879A CN 201811374114 A CN201811374114 A CN 201811374114A CN 109614879 A CN109614879 A CN 109614879A
- Authority
- CN
- China
- Prior art keywords
- template
- subgraph
- image
- pixel
- 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.)
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的料斗颗粒检测方法,一、实时获取料斗筒壁的图像;二、并对数字图像进行量化和取样获得矩阵:三、获取粉尘颗粒模板图;四、转换为灰度图,并获得矩阵第i行第j列的像素值;五、对灰度图进行分割,并对灰度图进行二值处理获得二值化像素值,六、获得模板,并将模板与样本比对,获得子图;七、通过比较模板与子图的相似性,衡量模板与子图之间的关系,在模板与子图匹配时,该项具有极大值,并对其归一化得到模板匹配的相关系数R(i,j),并将模板与子图进行匹配,完成图像识别;八、在R(i,j)≥0.5时,继续进行清洗,反之则完成清洗,基于颗粒检测系统将大大提高清洗机清洗效率,并节约水资源,尤其在清洗大批量料斗时候,最为突出。
Description
技术领域
本发明涉及料斗洁净度检测领域,具体涉及一种基于图像识别的料斗颗粒检测方法。
背景技术
在固体制剂生产中,常离不开混合、加料传递及器具清洗工序,而我国当前大多固体制剂生产中最突出的问题便是工具器的清洗(即料斗的清洗)。从《药品生产验证指南(2003)》对设备清洗验证的目的作了定义,“设备清洗验证的目的是通过测试证明该设备的自动清洗程序或人工清洗程序能够清除设备部件上的活性药物残留物,并达到可接受的合格标准,并证明此清洗程序的稳定性和重演性。”现有单腔式、双腔式料斗清洗机虽然摆脱手工清洗方式,采用自动智能清洗方式,但是清洗方式采用单一化方案,即清洗机按照程序要求完成清洗,清洗方式、时间等关键参数按照经验所设定来完成对料斗的清洗过程,此时桶壁上是否残留药品粉尘颗粒清洗系统并不知道。
现有采用对清洗后水质进行检测来间接说明清洗的洁净度,事实证明该方法并不能说明桶壁是否有残留物。
发明内容
针对以上不足,本发明提供一种基于图像识别的料斗颗粒检测方法。
为实现上述目的,本发明提供一种基于图像识别的料斗颗粒检测方法,其包括以下步骤:
一、通过拍摄装置实时获取料斗筒壁的图像,并将其发送至上位机,获得数字图像;
二、并对数字图像进行量化和取样获得矩阵:
其中,彩色图像由三张单色像素图合成构成,表示为fr(x1,y1),fb(x2,y2),fg(x3,y3),其中(x,y)为坐标,M为行数,N为列数;
三、获取粉尘颗粒模板图;
四、将获取的粉尘颗粒模板图转换为灰度图f(x,y),并获得矩阵第i行第j列的像素值
五、对灰度图f(x,y)进行分割,并对灰度图f(x,y)进行二值处理获得二值化像素值g(x,y),T为二值化阈值;
六、将上述分割区域为0的像素集合定义为w×h个像素,并作为模板T(x4,y4),将步骤一中获得的图像作为样本,定义为W×H个像素,模板少于样本,并将模板与样本比对,矩阵第i行,第j列,模板的移动范围为
而模板覆盖样本的区域定义为子图Sij(x5,y5);
七、通过比较模板与子图的相似性,利用
衡量模板与子图之间的关系,其中
为子图能量,为模板的能量项,为模板与子图的互相关,随(i,j)变化而变化,在模板与子图匹配时,该项具有极大值,并对其归一化得到模板匹配的相关系数,
并将模板与子图进行匹配,随着(i,j)变化,当找到R(i,j)的最大值Rmax(i,j)时,此时对应的子图为匹配目标,完成图像识别;
八、在R(i,j)≥0.5时,继续进行清洗,反之则完成清洗。
步骤三中,粉尘颗粒模板图表示该模板上有一处粉尘颗粒块存在。
步骤五中,获取灰度值k的概率其中图像像素总数t=M*N,灰色范围为[0,L-1],灰度值k的像素为nk,
将图像中的像素按灰度值用阈值T分成两类C0和C1,其中C0对应于灰度值在[0,T-1]之间的像素,C1对应于灰度值(像素值)在[T,T-1]之间的像素,则C0和C1的概率分别为C0和C1的均值分别为整个图像的灰度均值为u=w0u0+w1u1,获得类间方差为σ2=ω*w0(u0-u)2+w1(u1-u)2,其中权重因子ω∈[0,1],T在[0,L-1]范围内以步长1依次递增,L为灰度图像的灰度级数目,当σ2最大时对应的T为最佳阈值。
权重因子ω为0.3。
本发明的有益效果:现有清洗系统基于经验方式,对于不同规格的料斗,均采用固定时间,无形中造成资源的浪费。而基于颗粒检测系统将大大提高清洗机清洗效率,经系统监测已经清洗“干净”,则停止清洗,本办法切实有效节约水资源及电力,而且在清洗大批量料斗时候,清洗效率更为突出。
附图说明
图1是检测系统流程图。
具体实施方式
下面针对附图对本发明的实施例作进一步说明:
本发明提供一种基于图像识别的料斗颗粒检测方法,其包括以下步骤:
一、通过拍摄装置实时获取料斗筒壁的图像,并将其发送至上位机,获得数字图像;
二、并对数字图像进行量化和取样获得矩阵:
其中,彩色图像由三张单色像素图合成构成,表示为fr(x1,y1),fb(x2,y2),fg(x3,y3),其中(x,y)为坐标,M为行数,N为列数;
三、获取粉尘颗粒模板图,步骤三中,粉尘颗粒模板图表示该模板上有一处粉尘颗粒块存在;
四、将获取的粉尘颗粒模板图转换为灰度图f(x,y),并获得矩阵第i行第j列的像素值
五、对灰度图f(x,y)进行分割,并对灰度图f(x,y)进行二值处理获得二值化像素值g(x,y),T为二值化阈值;
步骤五中,获取灰度值k的概率其中图像像素总数t=M*N,灰色范围为[0,L-1],灰度值k的像素为nk,
将图像中的像素按灰度值用阈值T分成两类C0和C1,其中C0对应于灰度值在[0,T-1]之间的像素,C1对应于灰度值(像素值)在[T,T-1]之间的像素,则C0和C1的概率分别为C0和C1的均值分别为整个图像的灰度均值为u=w0u0+w1u1,获得类间方差为σ2=ω*w0(u0-u)2+w1(u1-u)2,其中权重因子ω∈[0,1],目标较小时候取小值,通过对目标方差加权,使加权后目标方差小于原始目标方差,增大目标与背景的方差,权重因子ω为0.3,T在[0,L-1]范围内以步长1依次递增,L为灰度图像的灰度级数目,当σ2最大时对应的T为最佳阈值。
六、将上述分割区域为0的像素集合定义为w×h个像素,并作为模板T(x4,y4),将步骤一中获得的图像作为样本,定义为W×H个像素,模板少于样本,并将模板与样本比对,矩阵第i行,第j列,模板的移动范围为
而模板覆盖样本的区域定义为子图Sij(x5,y5);
七、通过比较模板与子图的相似性,利用
衡量模板与子图之间的关系,其中
为子图能量,为模板的能量项,为模板与子图的互相关,随(i,j)变化而变化,在模板与子图匹配时,该项具有极大值,并对其归一化得到模板匹配的相关系数,
并将模板与子图进行匹配,随着(i,j)变化,当找到R(i,j)的最大值Rmax(i,j)时,此时对应的子图为匹配目标,完成图像识别;
八、在R(i,j)≥0.5时,继续进行清洗,反之则完成清洗。
实施例不应视为对本发明的限制,但任何基于本发明的精神所作的改进,都应在本发明的保护范围之内。
Claims (4)
1.一种基于图像识别的料斗颗粒检测方法,其特征在于:其包括以下步骤:
一、通过拍摄装置实时获取料斗筒壁的图像,并将其发送至上位机,获得数字图像;
二、并对数字图像进行量化和取样获得矩阵:
其中,彩色图像由三张单色像素图合成构成,表示为fr(x1,y1),fb(x2,y2),fg(x3,y3),其中(x,y)为坐标,M为行数,N为列数;
三、获取粉尘颗粒模板图;
四、将获取的粉尘颗粒模板图转换为灰度图f(x,y),并获得矩阵第i行第j列的像素值
五、对灰度图f(x,y)进行分割,并对灰度图f(x,y)进行二值处理获得二值化像素值g(x,y),T为二值化阈值;
六、将上述分割区域为0的像素集合定义为w×h个像素,并作为模板T(x4,y4),将步骤一中获得的图像作为样本,定义为W×H个像素,模板少于样本,并将模板与样本比对,矩阵第i行,第j列,模板的移动范围为
而模板覆盖样本的区域定义为子图Sij(x5,y5);
七、通过比较模板与子图的相似性,利用
衡量模板与子图之间的关系,其中
为子图能量,为模板的能量项,为模板与子图的互相关,随(i,j)变化而变化,在模板与子图匹配时,该项具有极大值,并对其归一化得到模板匹配的相关系数,
并将模板与子图进行匹配,随着(i,j)变化,当找到R(i,j)的最大值Rmax(i,j)时,此时对应的子图为匹配目标,完成图像识别;
八、在R(i,j)≥0.5时,继续进行清洗,反之则完成清洗。
2.根据权利要求1所述的基于图像识别的料斗颗粒检测方法,其特征在于:步骤三中,粉尘颗粒模板图表示该模板上有一处粉尘颗粒块存在。
3.根据权利要求1所述的基于图像识别的料斗颗粒检测方法,其特征在于:步骤五中,获取灰度值k的概率其中图像像素总数t=M*N,灰色范围为[0,L-1],灰度值k的像素为nk,
将图像中的像素按灰度值用阈值T分成两类C0和C1,其中C0对应于灰度值在[0,T-1]之间的像素,C1对应于灰度值在[T,T-1]之间的像素,则C0和C1的概率分别为C0和C1的均值分别为 整个图像的灰度均值为u=w0u0+w1u1,获得类间方差为σ2=ω*w0(u0-u)2+w1(u1-u)2,其中权重因子ω∈[0,1],T在[0,L-1]范围内以步长1依次递增,L为灰度图像的灰度级数目,当σ2最大时对应的T为最佳阈值。
4.根据权利要求3所述的基于图像识别的料斗颗粒检测方法,其特征在于:权重因子ω为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811374114.7A CN109614879B (zh) | 2018-11-19 | 2018-11-19 | 基于图像识别的料斗颗粒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811374114.7A CN109614879B (zh) | 2018-11-19 | 2018-11-19 | 基于图像识别的料斗颗粒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614879A true CN109614879A (zh) | 2019-04-12 |
CN109614879B CN109614879B (zh) | 2022-12-02 |
Family
ID=66003502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811374114.7A Active CN109614879B (zh) | 2018-11-19 | 2018-11-19 | 基于图像识别的料斗颗粒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614879B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110130987A (zh) * | 2019-04-19 | 2019-08-16 | 同济大学 | 一种基于图像分析的隧道收敛变形监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040099A1 (zh) * | 2016-08-31 | 2018-03-08 | 深圳市唯特视科技有限公司 | 一种基于灰度和深度信息的三维人脸重建方法 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
CN108346148A (zh) * | 2017-09-21 | 2018-07-31 | 华南理工大学 | 一种高密度柔性ic基板氧化区域检测系统及方法 |
-
2018
- 2018-11-19 CN CN201811374114.7A patent/CN109614879B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040099A1 (zh) * | 2016-08-31 | 2018-03-08 | 深圳市唯特视科技有限公司 | 一种基于灰度和深度信息的三维人脸重建方法 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
CN108346148A (zh) * | 2017-09-21 | 2018-07-31 | 华南理工大学 | 一种高密度柔性ic基板氧化区域检测系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110130987A (zh) * | 2019-04-19 | 2019-08-16 | 同济大学 | 一种基于图像分析的隧道收敛变形监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109614879B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Nonintrusive methods for biomass estimation in aquaculture with emphasis on fish: a review | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN105469111B (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN108230307B (zh) | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN105678806A (zh) | 一种基于Fisher判别的生猪行为轨迹自动跟踪方法 | |
US11222207B2 (en) | Intelligent sweeping robot | |
CN113469264A (zh) | 一种垃圾自动分类模型的构建方法、垃圾分拣方法和系统 | |
CN113799124A (zh) | 一种非结构化环境的机器人灵活抓取检测方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN103077398A (zh) | 基于嵌入式的自然环境下家畜群体数目监测方法 | |
CN1870051A (zh) | 基于神经网络和形态学的红外弱小目标单帧检测方法 | |
CN101034440A (zh) | 一种类球形果蔬的识别方法 | |
CN1760888A (zh) | 利用星载sar多时相图像识别地表变化的方法 | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
CN108305270A (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
CN109614879A (zh) | 基于图像识别的料斗颗粒检测方法 | |
Yao et al. | An automatic segmentation algorithm for touching rice grains images | |
Zewei et al. | Vehicle recognition and classification method based on laser scanning point cloud data | |
CN103471514A (zh) | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 | |
CN115311589B (zh) | 一种用于采光建筑的隐患处理方法及设备 |
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 |