CN110033486B - 透明晶体生长过程边缘及体积实时监测方法及系统 - Google Patents
透明晶体生长过程边缘及体积实时监测方法及系统 Download PDFInfo
- Publication number
- CN110033486B CN110033486B CN201910318830.1A CN201910318830A CN110033486B CN 110033486 B CN110033486 B CN 110033486B CN 201910318830 A CN201910318830 A CN 201910318830A CN 110033486 B CN110033486 B CN 110033486B
- Authority
- CN
- China
- Prior art keywords
- edge
- crystal
- transparent crystal
- transparent
- volume
- 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
- 239000013078 crystal Substances 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 235000019796 monopotassium phosphate Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000010924 continuous production Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910000402 monopotassium phosphate Inorganic materials 0.000 description 1
- PJNZPQUBCPKICU-UHFFFAOYSA-N phosphoric acid;potassium Chemical compound [K].OP(O)(O)=O PJNZPQUBCPKICU-UHFFFAOYSA-N 0.000 description 1
- 238000012827 research and development Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种透明晶体生长过程边缘及体积实时监测方法及系统。其中，一种透明晶体生长过程边缘及体积实时监测方法，包括步骤1：获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的边缘，得到原始训练集；步骤2：利用训练集来训练深度学习卷积神经网络；步骤3：将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；步骤4：对边缘立体图像进行校验，若符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再返回步骤2；否则，报警等待处理；步骤5：根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
Description
技术领域
本公开属于透明晶体生长过程实时监测领域，尤其涉及一种透明晶体生长过程边缘及体积实时监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
磷酸二氢钾(KDP)晶体是一种功能广泛的晶体，属于四方晶系,无色透明。20世纪七八十年代时，激光核聚变的研究发展迅速，惯性约束核聚变(ICF)工程进入了高需求阶段，并且满足ICF的非线性光学材料要求的晶体主要KDP类晶体，因此对于KDP晶体的需求也急速增长。随着ICF的发展，科研界越来越需要光学质量好并且尺寸大的KDP晶体因此，对特大尺寸的KDP优质光学晶体的研究，近几十年一直是ICF工程的焦点。
自20世纪初至今，人工生长晶体的方法被提出了很多种，其中溶液法生长晶体广为应用，因为其方法简单，生长出的晶体性能良好。但是生长速度较慢，并且需要有较高的温度控制精度。并且需要根据晶体的生长情况，例如棱长、顶点等，实时控制晶体生长温度，防止晶体生长错位。要对溶液法生长过程中晶体的定向生长实现良好的控制，必须对其进行准确的测量。目前山东大学晶体所使用的方法依然是人工使用测高仪测量，并根据经验估算晶体形状变化，比较依赖经验，并且耗费人力。
目前广为应用的方法是基于机器视觉的晶体监测方法。机器视觉是通过图像摄取装置，将目标图像转换为图像信号，根据图像信号的像素分布将其转变为数字信号，经过运算后提取特征。计算机软件通过特定算法在处理过的信号中提取目标特征，得出判别结果。发明人发现，针对这种培养溶液完全透明，晶体完全透明的情况，对图像直接提取特征带来了极大的挑战，难以保证透明晶体生长过程边缘及体积实时监测的准确性。
发明内容
为了解决上述问题，本公开的第一个方面提供一种透明晶体生长过程边缘及体积实时监测方法，其采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难；通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
为了实现上述目的，本公开采用如下技术方案：
一种透明晶体生长过程边缘及体积实时监测方法，包括：
步骤1：获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的边缘，得到原始训练集；
步骤2：利用训练集来训练深度学习卷积神经网络；
步骤3：将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；
步骤4：对边缘立体图像进行校验，若符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再返回步骤2；否则，报警等待处理；
步骤5：根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
为了解决上述问题，本公开的第二个方面提供一种透明晶体生长过程边缘及体积实时监测系统，其采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难；通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
为了实现上述目的，本公开采用如下技术方案：
一种透明晶体生长过程边缘及体积实时监测系统，包括：
原始训练集获取模块，其用于获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的边缘，得到原始训练集；
网络训练模块，其用于利用训练集来训练深度学习卷积神经网络；
实时测试模块，其用于将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；
校验模块，其用于对边缘立体图像进行校验，若符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再利用深度学习卷积神经网络进行训练；否则，报警等待处理；
体积算计模块，其用于根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
为了解决上述问题，本公开的第三个方面提供一种计算机可读存储介质，其采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难；通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
为了实现上述目的，本公开采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的透明晶体生长过程边缘及体积实时监测方法中的步骤。
为了解决上述问题，本公开的第四个方面提供一种计算机设备，其采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难；通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
为了实现上述目的，本公开采用如下技术方案：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的透明晶体生长过程边缘及体积实时监测方法中的步骤。
本公开的有益效果是：
本公开采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难，解决了人工使用测高仪测量晶体，并根据经验估算晶体形状变化，比较依赖经验，并且耗费人力的困难；
本公开通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例提供的一种透明晶体生长过程边缘及体积实时监测方法流程图。
图2是本公开实施例提供的透明晶体生长过程边缘及体积实时监测装置示意图。
图3是本公开实施例提供的透明晶体图像采集装置示意图。
图4是本公开实施例提供的经处理后的透明晶体样图。
图5是本公开实施例提供的深度学习中的卷积神经网络。
图6是本公开实施例提供的卷积神经网络训练过程。
图7是本公开实施例提供的采集待测试图。
图8是本公开实施例提供的测试结果图。
图9是本公开实施例提供的一种透明晶体生长过程边缘及体积实时监测系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
如图1所示，本实施例的一种透明晶体生长过程边缘及体积实时监测方法，包括：
步骤1：获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的边缘，得到原始训练集。
晶体生长是一个大小持续变化的过程，为了实现晶体的实时监测，需要采集晶体在不同生长阶段的生长情况，本实施例先以6个月为第一阶段，每周采集一次，每次采集晶体旋转两周的视频，在采集视频阶段可只使用一个相机拍摄，如图2中的相机1。
具体地，在图2中，透明晶体设置在透明培养容器中，透明晶体与转轴相连，所述转轴上安装有角度编码器，所述角度编码器用来实时检测转轴的旋转角度并传送至PC端。
所述PC端还与相机1和相机2相连，所述相机1和相机2均用于采集透明晶体图像并传送至PC端，标尺放置在所述相机1和相机2的拍摄范围内。
具体地，标尺的放置位置是在晶体生长的透明容器的容器壁上，同时不能遮挡晶体。
接下来将采集的视频进行分解，分解完成后认为的挑选出能同时展示三条竖棱关系且相对更容易利用Harris检测出角点的图像作为待处理图像，能展示三条竖棱的图像如图3中da、ab和bc之间的棱都能同时出现的图像。在一定角度范围内都能展示出某三条边的关系，设相机在正对某条棱时角度编码器的角度为σ，μ为偏移角度(μ一般小于20°)，训练集所采集的图像角度范围为(σ-μ,σ+μ)。按照这样采集利用6个月采集的大概6000张图像作为待处理图像，利用数字图像处理技术Harris提取特征点，再人为将不能识别的透明晶体的边缘通过数学方法亮点确定一条直线和点在直线上等定理推理勾画出来，如图4所示，从而得到原始训练集。
其中，不能够识别的透明晶体边缘是指由于晶体完全透明在拍摄角度范围内与生长溶液不能区分的情况下，通过人为的推理得到的晶体边缘，因为晶体完全透明所以能检测的关键点就很少，所以只能通过已有的关键点认为的进行修补，从而得到有效的训练集。
步骤2：利用训练集来训练深度学习卷积神经网络。
卷积神经网络如图5所示，卷积神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段。另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。
训练过程如图6所示，训练过程为：
(1)网络进行权值的初始化；
(2)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
(3)求出网络的输出值与目标值之间的误差；
(4)当误差大于我们的期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差。各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练。
(5)根据求得误差进行权值更新。然后再进入到第(2)步。
步骤3：将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像。
在所述步骤3中，实时生长的透明晶体图像的拍摄角度的选择原则是：该拍摄角度能够最大限度地显示透明晶体的三维特征。
在具体实施中，采集测试图像时选择在两个角度同时拍摄，如图3所示，这样就可以同时拍摄出三条边的关系，如a和b、b和c，当旋转180°以后再进行拍摄，此时就会拍到另外的几条边的关系，利用角度编码器对相机进行控制，当转到设定角度时，让两个相机同时拍摄，相机1的拍摄结果如图7所示，拍摄完成后将所采集的图像回传到电脑，通过学习得到透明晶体的边缘立体图像。
步骤4：对边缘立体图像进行校验，若符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再返回步骤2；否则，报警等待处理。
对得到的边缘立体图像进行校验，此例就是校验是否将计算体积所需的各个边检测出来了，如图8所示，检测出来以后判断三条竖棱是否平行，如果平行说明晶体没有长成楔形，属于正常生长，符合生长要求，则保存图像并添加到原始训练集，依次循环得到一个动态训练库。如果不符合晶体生长的要求就进行报警等待处理。
动态训练集为当每次测试出来的结果符合标准时又将此图像作为训练集中的一部分，更新训练集这样就能保证训练集的实时性和训练数据的充分性，更新训练集不是说每次更新后都让其重新学习，而是存储图像，等隔一段时间再进行学习，这个可根据具体添加图像的数量和晶体的生长情况而定，从而提高监测精度，同时也符合晶体生长的连续过程。
步骤5：根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
具体地，首先标定好相机，在相机拍摄范围内放入标尺，并记录相机和标尺之间的距离，根据重构出来的边缘模型计算晶体体积，在通过折射率反演计算得到晶体实际体积，从而实现晶体生长的实时监测。
根据培养容器壁的折射率ρ1和溶液折射率ρ2计算出实际边长和测量边长的对应函数关系y＝f(x),其中x为通过图像计算的长度，y为溶液中晶体的实际长度，根据公式可以计算出晶体各个边长的实际长度，而晶体的籽晶的尺寸是固定的，由此可以通过立体几何运算公式得出晶体体积，如图4(b)所示，晶体体积为V＝F(a,b,c,d,e,f)。
本实施例采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难，解决了人工使用测高仪测量晶体，并根据经验估算晶体形状变化，比较依赖经验，并且耗费人力的困难；
本实施例通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
如图9所示，该实施例提供了一种透明晶体生长过程边缘及体积实时监测系统，包括：
(1)原始训练集获取模块，其用于获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的边缘，得到原始训练集；
晶体生长是一个大小持续变化的过程，为了实现晶体的实时监测，需要采集晶体在不同生长阶段的生长情况，本实施例先以6个月为第一阶段，每周采集一次，每次采集晶体旋转两周的视频，在采集视频阶段可只使用一个相机拍摄，如图2中的相机1。
接下来将采集的视频进行分解，分解完成后认为的挑选出能同时展示三条竖棱关系且相对更容易利用Harris检测出角点的图像作为待处理图像，能展示三条竖棱的图像如图3中da、ab和bc之间的棱都能同时出现的图像。在一定角度范围内都能展示出某三条边的关系，设相机在正对某条棱时角度编码器的角度为σ，μ为偏移角度(μ一般小于20°)，训练集所采集的图像角度范围为(σ-μ,σ+μ)。按照这样采集利用6个月采集的大概6000张图像作为待处理图像，利用数字图像处理技术Harris提取特征点，再人为将不能识别的透明晶体的边缘通过数学方法亮点确定一条直线和点在直线上等定理推理勾画出来，如图4所示，从而得到原始训练集。
(2)网络训练模块，其用于利用训练集来训练深度学习卷积神经网络；
卷积神经网络如图5所示，卷积神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段。另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。
训练过程如图6所示，训练过程为：
(1)网络进行权值的初始化；
(2)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
(3)求出网络的输出值与目标值之间的误差；
(4)当误差大于我们的期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差。各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练。
(5)根据求得误差进行权值更新。然后再进入到第(2)步。
(3)实时测试模块，其用于将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；
实时生长的透明晶体图像的拍摄角度的选择原则是：该拍摄角度能够最大限度地显示透明晶体的三维特征。
在具体实施中，采集测试图像时选择在两个角度同时拍摄，如图3所示，这样就可以同时拍摄出三条边的关系，如a和b、b和c，当旋转180°以后再进行拍摄，此时就会拍到另外的几条边的关系，利用角度编码器对相机进行控制，当转到设定角度时，让两个相机同时拍摄，相机1的拍摄结果如图7所示，拍摄完成后将所采集的图像回传到电脑，通过学习得到透明晶体的边缘立体图像。
(4)校验模块，其用于对边缘立体图像进行校验，若符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再利用深度学习卷积神经网络进行训练；否则，报警等待处理；
对得到的边缘立体图像进行校验，此例就是校验是否将计算体积所需的各个边检测出来了，如图8所示，检测出来以后判断三条竖棱是否平行，如果平行说明晶体没有长成楔形，属于正常生长，符合生长要求，则保存图像并添加到原始训练集，依次循环得到一个动态训练库。如果不符合晶体生长的要求就进行报警等待处理。
动态训练集为当每次测试出来的结果符合标准时又将此图像作为训练集中的一部分，更新训练集这样就能保证训练集的实时性和训练数据的充分性，更新训练集不是说每次更新后都让其重新学习，而是存储图像，等隔一段时间再进行学习，这个可根据具体添加图像的数量和晶体的生长情况而定，从而提高监测精度，同时也符合晶体生长的连续过程。
(5)体积算计模块，其用于根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
具体地，首先标定好相机，在相机拍摄范围内放入标尺，并记录相机和标尺之间的距离，根据重构出来的边缘模型计算晶体体积，在通过折射率反演计算得到晶体实际体积，从而实现晶体生长的实时监测。
根据培养容器壁的折射率ρ1和溶液折射率ρ2计算出实际边长和测量边长的对应函数关系y＝f(x),其中x为通过图像计算的长度，y为溶液中晶体的实际长度，根据公式可以计算出晶体各个边长的实际长度，而晶体的籽晶的尺寸是固定的，由此可以通过立体几何运算公式得出晶体体积，如图4(b)所示，晶体体积为V＝F(a,b,c,d,e,f)。
本实施例采用深度学习中的卷积神经网络提取特征，解决了单纯利用图像处理技术难以检测到透明边缘的困难，解决了人工使用测高仪测量晶体，并根据经验估算晶体形状变化，比较依赖经验，并且耗费人力的困难；
本实施例通过不断更新训练库增加训练样本，解决了对晶体进行实时监测困难的问题，使检测结果还原性更高。
在另一实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的透明晶体生长过程边缘及体积实时监测方法中的步骤。
在另一实施例中，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的透明晶体生长过程边缘及体积实时监测方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种透明晶体生长过程边缘及体积实时监测方法，其特征在于，包括：
步骤1：获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的立体边缘，得到原始训练集；所述获取不同生长时期且不同角度的透明晶体图像的方法包括：所述透明晶体设置在透明培养容器中，透明晶体与转轴相连，所述转轴上安装有角度编码器，所述角度编码器用来实时检测转轴的旋转角度并传送至PC端；所述PC端还与两个相机相连，所述两个相机均用于采集透明晶体图像并传送至PC端，所述两个相机每次采集晶体旋转多周的视频；
步骤2：利用训练集来训练深度学习卷积神经网络；
步骤3：将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；
步骤4：对边缘立体图像进行校验，校验是否将计算体积所需的各个边检测出来，检测出来后判断三条竖棱是否平行，若平行说明符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再返回步骤2；否则，报警等待处理；
步骤5：根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
2.如权利要求1所述的一种透明晶体生长过程边缘及体积实时监测方法，其特征在于，所述步骤2利用训练集来训练深度学习卷积神经网络的训练过程分为两个阶段，第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。
3.如权利要求1所述的一种透明晶体生长过程边缘及体积实时监测方法，其特征在于，在所述步骤3中，实时生长的透明晶体图像的拍摄角度的选择原则是：该拍摄角度能够最大限度地显示透明晶体的三维特征。
4.如权利要求1所述的一种透明晶体生长过程边缘及体积实时监测方法，其特征在于，在所述步骤5中，计算透明晶体的体积的过程为：
标定好相机，在相机拍摄范围内放入标尺，并记录相机和标尺之间的距离，根据重构出来的边缘模型计算晶体体积，在通过折射率反演计算得到晶体实际体积，从而实现晶体生长的实时监测。
5.一种透明晶体生长过程边缘及体积实时监测系统，其特征在于，包括：
原始训练集获取模块，其用于获取不同生长时期且不同角度的透明晶体图像，提取透明晶体图像中的关键特征点，勾画透明晶体图像中透明晶体的立体边缘，得到原始训练集；所述获取不同生长时期且不同角度的透明晶体图像的方法包括：所述透明晶体设置在透明培养容器中，透明晶体与转轴相连，所述转轴上安装有角度编码器，所述角度编码器用来实时检测转轴的旋转角度并传送至PC端；所述PC端还与两个相机相连，所述两个相机均用于采集透明晶体图像并传送至PC端，所述两个相机每次采集晶体旋转多周的视频；
网络训练模块，其用于利用训练集来训练深度学习卷积神经网络；
实时测试模块，其用于将实时生长的透明晶体图像输入至训练后的深度学习卷积神经网络中，得到实时生长的透明晶体的边缘立体图像；
校验模块，其用于对边缘立体图像进行校验，校验是否将计算体积所需的各个边检测出来，检测出来后判断三条竖棱是否平行，若平行说明符合晶体生长要求，则保存边缘立体图像并添加至训练集，添加一定数量的符合晶体生长要求的透明晶体的边缘立体图像，增大训练集后再利用深度学习卷积神经网络进行训练；否则，报警等待处理；
体积算计模块，其用于根据符合晶体生长要求的边缘立体图像，计算透明晶体的体积从而达到实时监测的目的。
6.如权利要求5所述的一种透明晶体生长过程边缘及体积实时监测系统，其特征在于，所述网络训练模块，利用训练集来训练深度学习卷积神经网络的训练过程分为两个阶段，第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。
7.如权利要求5所述的一种透明晶体生长过程边缘及体积实时监测系统，其特征在于，在所述实时测试模块中，实时生长的透明晶体图像的拍摄角度的选择原则是：该拍摄角度能够最大限度地显示透明晶体的三维特征。
8.如权利要求5所述的一种透明晶体生长过程边缘及体积实时监测系统，其特征在于，在所述体积算计模块中，计算透明晶体的体积的过程为：
标定好相机，在相机拍摄范围内放入标尺，并记录相机和标尺之间的距离，根据重构出来的边缘模型计算晶体体积，在通过折射率反演计算得到晶体实际体积，从而实现晶体生长的实时监测。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的透明晶体生长过程边缘及体积实时监测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的透明晶体生长过程边缘及体积实时监测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318830.1A CN110033486B (zh) | 2019-04-19 | 2019-04-19 | 透明晶体生长过程边缘及体积实时监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318830.1A CN110033486B (zh) | 2019-04-19 | 2019-04-19 | 透明晶体生长过程边缘及体积实时监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033486A CN110033486A (zh) | 2019-07-19 |
| CN110033486B true CN110033486B (zh) | 2021-03-16 |
Family
ID=67239252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910318830.1A Active CN110033486B (zh) | 2019-04-19 | 2019-04-19 | 透明晶体生长过程边缘及体积实时监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033486B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689514B (zh) * | 2019-10-11 | 2022-11-11 | 深圳大学 | 一种透明物体的新视角合成模型的训练方法和计算机设备 |
| GB2590947B (en) | 2020-01-08 | 2023-12-20 | Opsydia Ltd | Methods and devices for determining a location associated with a gemstone |
| CN113699592B (zh) * | 2020-05-22 | 2023-07-07 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN111754516B (zh) * | 2020-05-25 | 2023-06-30 | 沈阳工程学院 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
| CN112863619A (zh) * | 2020-12-31 | 2021-05-28 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的导电型氧化镓制备方法 |
| CN112834700B (zh) | 2020-12-31 | 2023-03-21 | 杭州富加镓业科技有限公司 | 一种基于深度学习和导模法的高阻型氧化镓的质量预测方法、制备方法及系统 |
| CN112734009A (zh) * | 2020-12-31 | 2021-04-30 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的氧化镓制备方法及系统 |
| CN112863618A (zh) * | 2020-12-31 | 2021-05-28 | 杭州富加镓业科技有限公司 | 一种基于深度学习和热交换法的高阻型氧化镓制备方法 |
| CN113298806A (zh) * | 2021-06-18 | 2021-08-24 | 上海市机械施工集团有限公司 | 焊接缺陷智能检测方法、装置、焊接设备和存储介质 |
| CN114782439B (zh) * | 2022-06-21 | 2022-10-21 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102319058A (zh) * | 2011-09-09 | 2012-01-18 | 清华大学 | 一种融合荧光、核素和x光三模态的小动物成像系统 |
| CN103558129A (zh) * | 2013-11-22 | 2014-02-05 | 王学重 | 一种探头式在线立体成像检测系统及方法 |
| CN109240203A (zh) * | 2018-09-03 | 2019-01-18 | 中冶连铸技术工程有限责任公司 | 一种基于多模型的连铸坯定重控制方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024411A1 (en) * | 2011-07-18 | 2013-01-24 | Dongming Michael Cai | Discovery of Vegetation over the Earth (DOVE) |
| US8957374B2 (en) * | 2012-09-28 | 2015-02-17 | Corning Incorporated | Systems and methods for measuring birefringence in glass and glass-ceramics |
| CN102914270B (zh) * | 2012-10-12 | 2015-12-02 | 西安理工大学 | 基于支持向量机回归的晶体直径测量方法 |
| CN103679701B (zh) * | 2013-11-19 | 2016-12-07 | 西安理工大学 | 基于支持向量机回归的晶体图像直线轮廓检测方法 |
| CN103928363B (zh) * | 2014-04-11 | 2016-09-07 | 常州天合光能有限公司 | 一种硅片晶向检测方法及检测装置 |
| CN105425583B (zh) * | 2015-11-05 | 2017-12-12 | 浙江大学 | 基于协同训练lwpls的青霉素生产过程的控制方法 |
| EP3427024A4 (en) * | 2016-02-18 | 2019-11-06 | Optofluidics, Inc. | SYSTEM AND METHOD FOR CHARACTERIZING PARTICLES IN A LIQUID SAMPLE |
| CN106126751A (zh) * | 2016-08-18 | 2016-11-16 | 苏州大学 | 一种具有时间适应性的分类方法及装置 |
| TWI654277B (zh) * | 2018-03-23 | 2019-03-21 | 國立清華大學 | 高效率光轉換材料 |
-
2019
- 2019-04-19 CN CN201910318830.1A patent/CN110033486B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102319058A (zh) * | 2011-09-09 | 2012-01-18 | 清华大学 | 一种融合荧光、核素和x光三模态的小动物成像系统 |
| CN103558129A (zh) * | 2013-11-22 | 2014-02-05 | 王学重 | 一种探头式在线立体成像检测系统及方法 |
| CN109240203A (zh) * | 2018-09-03 | 2019-01-18 | 中冶连铸技术工程有限责任公司 | 一种基于多模型的连铸坯定重控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033486A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033486B (zh) | 透明晶体生长过程边缘及体积实时监测方法及系统 | |
| CN102331244A (zh) | 利用普通数码相机获取水稻冠层叶面积指数的方法 | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN115326026B (zh) | 基于非接触式测量-水动力融合同化获取水力特征的方法及装置 | |
| CN113484867A (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
| EP3940642A1 (en) | Underwater 3d reconstruction device | |
| CN115953402A (zh) | 一种基于机器视觉的植株应力应变测量方法及装置 | |
| CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
| Long et al. | Row and water front detection from UAV thermal-infrared imagery for furrow irrigation monitoring | |
| CN110851978A (zh) | 一种基于可见性的摄像机位置优化方法 | |
| CN107478155A (zh) | 产品检测方法、装置及系统 | |
| CN108459314A (zh) | 一种三维固态面阵激光雷达非均匀校正方法 | |
| CN117136894A (zh) | 一种鱼群定性分级投喂方法、终端及存储介质 | |
| CN117091706A (zh) | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 | |
| CN113096027B (zh) | 一种基于点云的农田土壤层水平校正及去除方法 | |
| CN116051645A (zh) | 作物群体的表型获取方法及装置 | |
| CN109540174A (zh) | 基于海上试验场的多站点同型号海洋仪器设备的比对方法 | |
| CN104391599A (zh) | 一种平衡精确度与灵敏度的触屏点过滤方法 | |
| CN113029014B (zh) | 一种单晶硅棒直径的检测方法及检测装置 | |
| CN114581361B (zh) | 物体形态测量方法、装置、设备及存储介质 | |
| CN118274795B (zh) | 一种火情经纬度坐标定位方法及装置 | |
| CN117646272B (zh) | 监测晶体生长的控制系统及方法 | |
| CN117408418B (zh) | 基于遥感大数据的区域综合生态环境质量评价方法和系统 | |
| CN113033335B (zh) | 一种基于炉渣智能分析及三维模型的转炉留渣量计算方法 | |
| CN110135731B (zh) | 实验室风险目标质量控制图绘制方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 250014 Room 401, building 1, Zhongrun Century Center, 12111 Jingshi Road, Lixia District, Jinan City, Shandong Province Patentee after: Jinan bosai Network Technology Co.,Ltd. Country or region after: China Address before: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province Patentee before: SHANDONG University Country or region before: China Patentee before: SHENZHEN RESEARCH INSTITUTE OF SHANDONG University |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Real time monitoring method and system for edge and volume of transparent crystal growth process Granted publication date: 20210316 Pledgee: Postal Savings Bank of China Limited Jinan Licheng District Sub-branch Pledgor: Jinan bosai Network Technology Co.,Ltd. Registration number: Y2024980025282 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |