CN110751606A - 一种基于神经网络算法的泡沫图像处理方法及系统 - Google Patents
一种基于神经网络算法的泡沫图像处理方法及系统 Download PDFInfo
- Publication number
- CN110751606A CN110751606A CN201910988902.3A CN201910988902A CN110751606A CN 110751606 A CN110751606 A CN 110751606A CN 201910988902 A CN201910988902 A CN 201910988902A CN 110751606 A CN110751606 A CN 110751606A
- Authority
- CN
- China
- Prior art keywords
- foam
- image
- processed
- result image
- blocks
- 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
- 239000006260 foam Substances 0.000 title claims abstract description 221
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 239000004088 foaming agent Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000004604 Blowing Agent Substances 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/13—Edge detection
-
- 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]
-
- 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
- G06T2207/30242—Counting objects in image
Abstract
本发明中的基于神经网络算法的泡沫图像处理方法及系统，通过对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；再将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述图形优化模型中，得到标注出泡沫轮廓的识别结果图像块；将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像。相比现有技术，本发明中的泡沫图像处理方法，能自动标注待处理图像的泡沫轮廓，能大大节省人工标注泡沫图像的时间和人力，提高画泡沫轮廓图的效率。
Description
技术领域
本发明属于图像检测与统计方法，尤其涉及一种基于神经网络算法的泡沫图像处理方法及系统。
背景技术
泡沫数量与粒径分布是检验泡沫发泡剂性能的一个重要指标，统计泡沫数量与粒径对于设计和优化泡沫发泡剂有着重要意义。目前，对于泡沫数量与粒径的统计方法是人工统计，即人工在含泡沫的图像上画出泡沫轮廓，利用方格网统计方法得出面积进而计算泡沫轮廓，并统计轮廓数量。传统人工统计泡沫数量与粒径的方法存在以下缺点：(1)在需要处理多张泡沫图片时，存在耗时长、效率低的缺点；(2)泡沫较小处，放大图像后模糊不清，此处对泡沫轮廓的确定因人而异，无统一标准，导致泡沫粒径统计有偏差。
因此，如何解决现有的人工画泡沫轮廓的方法耗时长、效率低、不能统一确定小泡沫边界的问题已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是现有的人工画出泡沫轮廓的方法耗时长、效率低、不能统一确定小泡沫边界已成为本领域技术人员亟待解决的技术问题，为克服以上背景技术中提到的不足和缺陷，提供一种基于神经网络算法的泡沫图像处理方法；
为解决上述技术问题，本发明提出的技术方案为：
一种基于神经网络算法的泡沫图像处理方法，包括以下步骤：
对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像；
分别将所述样本图像和标签图像随机切割成尺寸相同的样本图像块和标签图像块；
以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；
将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述卷积神经网络模型中，得到标注出泡沫轮廓的识别结果图像块；
将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像。
优选的，将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，具体包括：
使用与所述样本图像块尺寸相同的滑动窗口按序截取待处理图像块；若滑动窗口超出待处理图像边界时，反向移动滑动窗口，令滑动窗口的边缘与待处理图像边界重合。
优选的，分别将所述样本图像和标签图像随机切割成尺寸相同的样本图像块和标签图像块；具体包括：
在样本图像和标签图像中随机选取一个像素点，从该点依次截取尺寸相同的样本图像块和标签图像块。
优选的，进行泡沫轮廓标注之前，对历史数据中的多个样本图像进行图像增强预处理，所述图像增强预处理包括对比度增强和图像亮度直方图均衡化。
优选的，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像是通过滑动高斯权重方法实现的，所述滑动高斯权重方法包括：
生成一张与待处理图像尺寸相同的纯黑色图像作为初始结果图像，，并构建一张与待处理图像尺寸相同且权重值全为0的背景权重图；
使用二维高斯函数，生成与所述识别结果图像块尺寸相同的滑动权重图像块；
比较滑动权重图像块与背景权重图的权重值，在滑动权重图块的权重值大于背景权重图的像素处，将滑动权重图像块的权重值赋予背景权重图，其余位置权重值保持不变；并在所述泡沫识别结果图像上对应于背景权重图中权重值被调整的像素位置，将所述像素位置对应的识别结果图像块的像素值赋值到所述像素位置，以得到泡沫识别结果图像。
优选的，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像后，还包括对所述泡沫识别结果图像进行泡沫数量统计的步骤:
使用阈值分割对泡沫识别结果图像进行二值化处理和等高线检测；
提取并统计所述泡沫识别结果图像的闭合等高线数量以得到所述泡沫识别结果图像的泡沫数量。
优选的，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像后，还包括对所述泡沫识别结果图像进行泡沫粒径统计的步骤:
使用阈值分割对泡沫识别结果图像进行二值化处理和等高线检测；
通过轮廓跟踪算法提取所述泡沫识别结果图像的闭合等高线作为泡沫轮廓，并计算闭合等高线面积；
通过所述闭合等高线面积以及泡沫粒径计算公式计算出所述泡沫识别结果图像中的泡沫粒径；所述泡沫粒径计算公式为：
其中，d为泡沫粒径，S为闭合等高线面积；
统计所述泡沫识别结果图像中不同粒径区间的泡沫数量，绘制泡沫粒径分布曲线。
一种计算机系统，包括存储器、处理器以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计算机程序时实现上述任一所述方法的步骤。
与现有技术相比，本发明的有益效果为：
1、本发明中的基于神经网络算法的泡沫图像处理方法，通过对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；再将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述图形优化模型中，得到标注出泡沫轮廓的识别结果图像块；将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像。相比现有技术，本发明中的泡沫图像处理方法，能自动标注待处理图像的泡沫轮廓，能大大节省人工标注泡沫图像的时间和人力，提高画泡沫轮廓图的效率，统一确定小泡沫边界，从而解决现有的传统人工画出泡沫轮廓的方法耗时长、效率低、不能统一确定小泡沫边界的问题。且本发明中通过神经网络构建基于图像块的图形处理模型，通过将待处理图像分割后，输入图形处理模型中，生成标注好泡沫轮廓的识别结果图像块，在将识别结果图像块拼接在一起形成泡沫识别结果图像的技术方案来克服现有的泡沫图像由于图形太大，像素太高而应用不了神经网络的技术难题。
2、在优选方案中，本发明采用滑动高斯权重方法拼接泡沫识别结果图像，在拼接图像时，能有效避免边界效应造成的泡沫图像轮廓不清楚，不准确的问题，从而提高泡沫轮廓的标注的准确性。
3、在优选方案中，通过本发明中基于神经网络算法的泡沫图像处理方法得到标注过泡沫轮廓的优化图像检测泡沫并统计粒径和泡沫数量，对于泡沫数量的统计，其准确率可达99％以上，对于泡沫粒径的统计，其准确率可达95％以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明优选实施例的泡沫数量与粒径统计方法流程图；
图2是本发明优选实施例的发泡剂发泡后拍摄的原始泡沫图片；
图3是本发明优选实施例的人工标记标签图；
图4是本发明优选实施例的本发明实施例中合成图像流程示意图；
图5是本发明优选实施例的网络检测输出图的合成图像；
图6是本发明中的基于神经网络算法的泡沫图像处理方法的流程图。
图中：1、背景权重图；2、滑动权重图像块；3、泡沫识别结果图像；4、识别结果图像块；5、背景权重图待比较区；6、输出结果图待合成区。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明做更全面、细致地描述，但本发明的保护范围并不限于以下具体实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
除非另有特别说明，本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例一：
如图6所示，本发明提供一种基于神经网络算法的泡沫图像处理方法，包括以下步骤：
一种基于神经网络算法的泡沫图像处理方法，包括以下步骤：
对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像；
分别将所述样本图像和标签图像随机切割成尺寸相同的样本图像块和标签图像块；
以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；
将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述卷积神经网络模型中，得到标注出泡沫轮廓的识别结果图像块4；
将所述多个识别结果图像块4按序合成标注出泡沫轮廓的泡沫识别结果图像3。
本发明中的基于神经网络算法的泡沫图像处理方法，通过对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的卷积神经网络模型；再将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述卷积神经网络模型中，得到标注出泡沫轮廓的识别结果图像块4；将所述多个识别结果图像块4按序合成标注出泡沫轮廓的泡沫识别结果图像3。相比现有技术，本发明中的泡沫图像处理方法，能自动标注待处理图像的泡沫轮廓，能大大节省人工标注泡沫图像的时间和人力，提高画泡沫轮廓图的效率，统一确定小泡沫边界，从而解决现有的传统人工画出泡沫轮廓的方法耗时长、效率低、不能统一确定小泡沫边界的问题。且本发明中通过神经网络构建基于图像块的图形处理模型，通过将待处理图像分割后，输入图形处理模型中，生成标注好泡沫轮廓的识别结果图像块4，在将识别结果图像块4拼接在一起形成泡沫识别结果图像3的技术方案来克服现有的泡沫图像由于图形太大，像素太高而应用不了神经网络的技术难题。
实施例二：
实施例二是实施例一的拓展实施例，其与实施例一的不同之处在于，对如何构建卷积神经网络模型、拼接泡沫识别结果图像3并对泡沫识别结果图像3统计破泡沫粒径和泡沫数量进行了细化，即公开一种如图1所示的基于图像处理技术和深度卷积神经网络的泡沫数量与粒径统计方法，包括以下步骤：
S1、对历史数据中的样本图像形成标记过泡沫轮廓的标签图像。
对历史数据中发泡剂发泡后拍摄的原始泡沫图片，即样本图像，进行图像增强预处理和标记泡沫，形成标记过泡沫轮廓的标签图像，原始泡沫图片如图2所示，标记过的泡沫轮廓的标签图像如图3所示。
具体地，本实施例中对样本图像进行图像增强预处理，进行了对比度增强和图像亮度直方图均衡化，样本图像的大小为2592*1944像素，采用Colabeler(精灵标注助手)标记软件标记泡沫形成标签图像。
S2、将步骤S1获得的样本图像与标签图像分割成多个相同尺寸的训练图块，训练图块包含样本图像块及其标签图像块，并放入卷积神经网络进行训练。
具体地，本实施例中将即样本图像与标签图像分割成多个相同尺寸的训练图块，训练图块的大小为256*256像素，为保证截取的图块不超出样本图像尺寸，在样本图像2592*1944像素右侧和底部均除去一个训练图块宽度的范围内，即在以即样本图像左上顶点为原点的2336*1688像素范围内，随机选取一个像素点，从该点往左和往下截取256*256像素的正方形的训练图块，采样数量为200张。
S3、使用步骤S2得到的训练图块训练基于深度卷积神经网络的图形优化模型。
具体地，在本实施例中，将S2得到的200个训练图块放入结构为(8,16,32,64,128)的UNet(深度卷积神经网络)神经网络进行训练，训练使用自适应动量调整(Adam)算法进行学习，损失函数使用平均平方差(mean square error)，训练次数为1000次，若损失函数连续20次不下降则提前终止。
S4、将待处理图像使用与训练图块尺寸一致的滑动窗口，按照半尺寸的步长从左至右、从上至下顺序截取待处理图像块。若滑动窗口超出右侧或底部边界时，反向移动滑动窗口，令滑动窗口的右侧/底部边缘与待处理图像的右侧/底部边缘重合。将待处理图像块输入至步骤S2训练好的Unet神经网络中，输出得到标注过轮廓的识别结果图像块4。
具体地，本实施例中将待处理图像从左上顶点开始，以128像素宽为步长，从左至右，从上至下，依次截取出大小为256*256像素的待处理图像块。靠最右侧时，采样点为x坐标取2336-265＝2071；靠最下侧时，采样点y坐标取1688-256＝1432。将所截取的70张待处理图像块，输入S2中训练好的UNet网络，生成70张与待处理图像块对应的识别结果图像块4。识别结果图像块4为灰度图，识别结果图像块4的像素的灰度值表示该像素是泡沫的概率。
S5、将步骤S4输出的识别结果图像块4按序合成标注出泡沫轮廓的泡沫识别结果图像3。
如图4所示，本实施例中将识别结果图像块4合成泡沫识别结果图像3的方法，具体如下步骤：
A、使用二维高斯函数，取σ＝100，生成一个大小为256*256像素的滑动权重图像块2；生成一个大小为2592*1944像素且像素值全为0的初始的背景权重图1和纯黑色的初始泡沫识别结果图像3；
B、从背景权重图1和输出的初始的泡沫识别结果图像3的左上顶点开始，以128像素宽为步长，从左至右，从上至下，比较滑动权重图像块2与背景权重图1的权重值(即比较图4中的背景权重图待比较区5的权重)，在滑动权重图像块2像素值大于背景权重图1的像素值处，将滑动权重图像块2像素值重新赋予背景权重图1对应位置像素值，其余位置像素值保持不变，在初始的泡沫识别结果图像3上对应于背景权重图1中权重值被调整的像素位置上，将像素位置对应的识别结果图像块4的像素值赋值到像素位置(即图4中的输出结果图待合成区6)，以得到如图5所示的泡沫识别结果图像3；
在优选方法中，若滑动权重图像块2的滑动窗口超出背景权重图1右侧或底部边界时，反向移动滑动窗口，令滑动窗口的右侧/底部边缘与背景权重图1的右侧/底部边缘重合。
S6、对步骤S5泡沫识别结果图像3进行二值化和提取轮廓，统计泡沫轮廓数量与粒径。
具体地，本实施例中使用0.8的阈值对S5中得到的泡沫识别结果图像3进行分割。分割后，使用轮廓跟踪算法提取分割图的等高线，通过得出闭合轮廓面积S与泡沫数量N＝649，通过泡沫粒径计算公式计算出泡沫识别结果图像3的泡沫粒径，并绘制泡沫粒径分布曲线。其中，泡沫粒径计算公式为：
其中，d为泡沫粒径，S为闭合等高线面积。
在本实施例中还公开了一种计算机系统，包括存储器、处理器以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计算机程序时实现上述任一所述方法的步骤。
综上所述，本发明中的基于神经网络算法的泡沫图像处理方法，通过对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；再将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述图形优化模型中，得到标注出泡沫轮廓的识别结果图像块4；将所述多个识别结果图像块4按序合成标注出泡沫轮廓的泡沫识别结果图像3。相比现有技术，本发明中的泡沫图像处理方法，能自动标注待处理图像的泡沫轮廓，能大大节省人工标注泡沫图像的时间和人力，提高画泡沫轮廓图的效率，统一确定小泡沫边界，从而解决现有的传统人工画出泡沫轮廓的方法耗时长、效率低、不能统一确定小泡沫边界的问题。
且本发明中通过神经网络构建基于图像块的图形处理模型，通过将待处理图像分割后，输入图形处理模型中，生成标注好泡沫轮廓的识别结果图像块4，在将识别结果图像块4拼接在一起形成泡沫识别结果图像3的技术方案来克服现有的泡沫图像由于图形太大，像素太高而应用不了神经网络的技术难题。
在优选方案中，本发明采用滑动高斯权重方法拼接泡沫识别结果图像3，在拼接图像时，能有效避免边界效应造成的泡沫图像轮廓不清楚，不准确的问题，从而提高泡沫轮廓的标注的准确性。
在优选方案中，通过本发明中基于神经网络算法的泡沫图像处理方法得到标注过泡沫轮廓的优化图像检测泡沫并统计粒径和泡沫数量，对于泡沫数量的统计，其准确率可达99％以上，对于泡沫粒径的统计，其准确率可达95％以上。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于神经网络算法的泡沫图像处理方法，其特征在于，包括以下步骤：
对包含泡沫的样本图像进行泡沫轮廓标注，形成标签图像；
分别将所述样本图像和标签图像随机切割成尺寸相同的样本图像块和标签图像块；
以样本图像块和标签图像块作为训练集，构建并训练以样本图像块为输入，以标签图像块为输出的泡沫识别神经网络模型；
将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，并输入所述泡沫识别神经网络模型中，得到泡沫轮廓的识别结果图像块；
将所述多个识别结果图像块按序合成泡沫轮廓的识别结果图像。
2.根据权利要求1所述的基于神经网络算法的泡沫图像处理方法，其特征在于，将包含泡沫的待处理图像按序切割成与所述样本图像块尺寸相同的多个待处理图像块，具体包括：
使用与所述样本图像块尺寸相同的滑动窗口按序截取待处理图像块；若滑动窗口超出待处理图像边界时，反向移动滑动窗口，令滑动窗口的边缘与待处理图像边界重合。
3.根据权利要求1所述的基于神经网络算法的泡沫图像处理方法，其特征在于，进行泡沫轮廓标注之前，对历史数据中的多个样本图像进行图像增强预处理，所述图像增强预处理包括对比度增强和图像亮度直方图均衡化。
4.根据权利要求1至3中任意一项中所述的基于神经网络算法的泡沫图像处理方法，其特征在于，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像是通过滑动高斯权重方法实现的，所述滑动高斯权重方法包括：
生成一张与待处理图像尺寸相同的纯黑色图像作为初始结果图像，并构建一张与待处理图像尺寸相同且权重值全为0的背景权重图；
使用二维高斯函数，生成与所述识别结果图像块尺寸相同的滑动权重图像块；
比较滑动权重图像块与背景权重图的权重值，在滑动权重图块的权重值大于背景权重图的像素处，将滑动权重图像块的权重值赋予背景权重图，其余位置权重值保持不变；并在所述泡沫识别结果图像上对应于背景权重图中权重值被调整的像素位置，将所述像素位置对应的识别结果图像块的像素值赋值到所述像素位置，以得到泡沫识别结果图像。
5.根据权利要求4所述的基于神经网络算法的泡沫图像处理方法，其特征在于，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像后，还包括对所述泡沫识别结果图像进行泡沫数量统计的步骤:
使用阈值分割对泡沫识别结果图像进行二值化处理和等高线检测；
提取并统计所述泡沫识别结果图像的闭合等高线数量以得到所述泡沫识别结果图像的泡沫数量。
6.根据权利要求4所述的基于神经网络算法的泡沫图像处理方法，其特征在于，将所述多个识别结果图像块按序合成标注出泡沫轮廓的泡沫识别结果图像后，还包括对所述泡沫识别结果图像进行泡沫粒径统计的步骤:
使用阈值分割对泡沫识别结果图像进行二值化处理和等高线检测；
通过轮廓跟踪算法提取所述泡沫识别结果图像的闭合等高线作为泡沫轮廓，并计算闭合等高线面积；
通过所述闭合等高线面积以及泡沫粒径计算公式计算出所述泡沫识别结果图像中的泡沫粒径；所述泡沫粒径计算公式为：其中，d为泡沫粒径，S为闭合等高线面积；
统计所述泡沫识别结果图像中不同粒径区间的泡沫数量，绘制泡沫粒径分布曲线。
7.一种计算机系统，包括存储器、处理器以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计算机程序时实现上述权利要求1至6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910988902.3A CN110751606B (zh) | 2019-10-17 | 2019-10-17 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910988902.3A CN110751606B (zh) | 2019-10-17 | 2019-10-17 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751606A true CN110751606A (zh) | 2020-02-04 |
| CN110751606B CN110751606B (zh) | 2023-09-19 |
Family
ID=69278714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910988902.3A Active CN110751606B (zh) | 2019-10-17 | 2019-10-17 | 一种基于神经网络算法的泡沫图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751606B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669311A (zh) * | 2021-01-08 | 2021-04-16 | 西北大学 | 一种陶瓷显微图像气泡的提取方法 |
| CN112964712A (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 一种快速检测沥青路面状态的方法 |
| WO2022038061A1 (en) * | 2020-08-21 | 2022-02-24 | Sartorius Stedim Data Analytics Ab | Automated foam detection |
| CN114897673A (zh) * | 2022-05-31 | 2022-08-12 | 浙江理工大学 | 一种基于分层原理的云锦风格图像生成方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129548A (zh) * | 2011-03-15 | 2011-07-20 | 中国石油大学(华东) | 多孔介质中流动泡沫结构图像实时采集与识别方法 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN108520511A (zh) * | 2018-03-19 | 2018-09-11 | 中国海洋大学 | 一种基于鱼探仪的水下鱼类目标探测与识别方法 |
| CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
-
2019
- 2019-10-17 CN CN201910988902.3A patent/CN110751606B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129548A (zh) * | 2011-03-15 | 2011-07-20 | 中国石油大学(华东) | 多孔介质中流动泡沫结构图像实时采集与识别方法 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN108520511A (zh) * | 2018-03-19 | 2018-09-11 | 中国海洋大学 | 一种基于鱼探仪的水下鱼类目标探测与识别方法 |
| CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022038061A1 (en) * | 2020-08-21 | 2022-02-24 | Sartorius Stedim Data Analytics Ab | Automated foam detection |
| CN112669311A (zh) * | 2021-01-08 | 2021-04-16 | 西北大学 | 一种陶瓷显微图像气泡的提取方法 |
| CN112964712A (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 一种快速检测沥青路面状态的方法 |
| CN114897673A (zh) * | 2022-05-31 | 2022-08-12 | 浙江理工大学 | 一种基于分层原理的云锦风格图像生成方法 |
| CN114897673B (zh) * | 2022-05-31 | 2024-04-09 | 浙江理工大学 | 一种基于分层原理的云锦风格图像生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110751606B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751606A (zh) | 一种基于神经网络算法的泡沫图像处理方法及系统 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| WO2018103608A1 (zh) | 一种文字检测方法、装置及存储介质 | |
| CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN107563379B (zh) | 用于对自然场景图像中文本的定位方法 | |
| CN104820990A (zh) | 一种交互式图像抠图系统 | |
| CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
| CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
| CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
| CN108376232A (zh) | 一种用于遥感影像的自动解译的方法与装置 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN110598698A (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
| CN111612747A (zh) | 产品表面裂缝快速检测方法及检测系统 | |
| CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN112508836A (zh) | 一种基于标注框拼接的深度学习图像增强方法 | |
| CN114187595A (zh) | 基于视觉特征和语义特征融合的文档布局识别方法及系统 | |
| CN111080723B (zh) | 基于Unet网络的图像元素分割方法 | |
| CN104281850A (zh) | 一种文字区域识别方法和装置 | |
| CN113537017A (zh) | 基于级联型回归修正的光学遥感图像飞机检测方法和装置 | |
| CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
| CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
| CN113012167B (zh) | 一种细胞核与细胞质的联合分割方法 |
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 |