CN111815618B - 基于时序特征的稀土元素组分含量动态监测方法及系统 - Google Patents
基于时序特征的稀土元素组分含量动态监测方法及系统 Download PDFInfo
- Publication number
- CN111815618B CN111815618B CN202010708783.4A CN202010708783A CN111815618B CN 111815618 B CN111815618 B CN 111815618B CN 202010708783 A CN202010708783 A CN 202010708783A CN 111815618 B CN111815618 B CN 111815618B
- Authority
- CN
- China
- Prior art keywords
- space
- image
- hsi
- sample
- time sequence
- 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
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 101
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 150000002910 rare earth metals Chemical class 0.000 claims abstract description 45
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 245
- 239000012488 sample solution Substances 0.000 claims description 103
- 238000000605 extraction Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 28
- 238000013139 quantization Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 8
- 238000009533 lab test Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 229910052727 yttrium Inorganic materials 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 7
- 239000000243 solution Substances 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 14
- 238000000513 principal component analysis Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 239000011259 mixed solution Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 229910052779 Neodymium Inorganic materials 0.000 description 1
- 229910052777 Praseodymium Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 229910052747 lanthanoid Inorganic materials 0.000 description 1
- 150000002602 lanthanoids Chemical class 0.000 description 1
- QEFYFXOXNSNQGX-UHFFFAOYSA-N neodymium atom Chemical compound [Nd] QEFYFXOXNSNQGX-UHFFFAOYSA-N 0.000 description 1
- PUDIUYLPXJFUGB-UHFFFAOYSA-N praseodymium atom Chemical compound [Pr] PUDIUYLPXJFUGB-UHFFFAOYSA-N 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910052706 scandium Inorganic materials 0.000 description 1
- SIXSYDAISGFNSX-UHFFFAOYSA-N scandium atom Chemical compound [Sc] SIXSYDAISGFNSX-UHFFFAOYSA-N 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30136—Metal
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于时序特征的稀土元素组分含量动态监测方法及系统，所述监测方法，利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；在混合颜色空间通过主成分分析方法对时序图像提取时序特征；判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；否则直接等待进行下一个采样时间点的时序图像的采集，无需在每次采集时均需要根据时序图像计算组分含量，减少了计算量和计算时间。
Description
技术领域
本发明涉及稀土元素组分含量监测技术领域，特别涉及一种基于时序特征的稀土元素组分含量动态监测方法及系统。
背景技术
稀土是由镧系元素、钪和钇等17种元素组成，且以共生矿形式存在。为了从稀土共生矿中得到达到标准的单一元素产品，稀土企业大多采用溶剂串级萃取方法。在稀土串级萃取工艺过程中，因稀土元素具有独特的电子层结构，部分稀土元素离子在可见光区域具有吸收峰而显现出特征颜色，故一些学者将颜色特征应用于稀土元素组分含量的快速检测中。
而现有的基于颜色特征的稀土元素检测的方法在应用时每次都要确定稀土溶液的组分含量值，不仅占据内存空间而且耗时。
发明内容
本发明的目的是提供一种基于时序特征的稀土元素组分含量动态监测方法及系统，以克服现有的基于颜色特征的稀土元素检测的方法的技术缺陷，减少计算量和计算时间。
为实现上述目的，本发明提供了如下方案：
一种基于时序特征的稀土元素组分含量动态监测方法，所述监测方法包括如下步骤：
获取稀土生产现场在不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集；
基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重；
根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间；
利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；
根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值；
判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；
若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”；
若所述判断结果表示是，则返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”。
可选的，所述基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重，具体包括：
将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；
分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；
分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；
分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；
分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
可选的，根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间，具体包括：
将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；
其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；
通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；
将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；
利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
可选的，所述根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值，具体包括：
将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像；
根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像；
通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
可选的，所述在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量，具体包括：
利用公式G(i)＝16Hi+4Si+Vi将时序图像的HSV颜色空间的H分量、S分量和V分量合成一维特征向量，获得时序图像的每个像素的量化值索引；其中，G(i)表示时序图像的第i个像素的量化值索引，Hi、Si和Vi分别表示时序图像的第i个像素的HSV颜色空间的H分量、S分量和V分量；
根据时序图像的每个像素的量化值索引，利用公式
计算时序图像与样本数据集中每个图像样本的直方图相交距离；其中，ρ(G,Gj')表示时序图像与样本数据集中第j个样本图像的直方图相交距离，N表示时序图像的像素的个数，Gj'(i)表示样本数据集中第j个样本图像的第i个像素的量化值索引；
计算直方图相交距离较大的图像样本的组分含量的平均值，作为所述时序图像的稀土元素组分含量。
可选的，所述根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值，之前还包括：
对时序图像进行背景分割、滤波和中心区域提取，获得处理后的时序图像。
一种基于时序特征的稀土元素组分含量动态监测系统，所述监测系统包括：
样本数据集建立模块，用于获取稀土生产现场在不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集；
权重确定模块，用于基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重；
混合颜色空间的期望区间确定模块，用于根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间；
定时采集模块，用于利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；
特征提取模块，用于根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值；
判断模块，用于判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；
组分含量确定模块，用于若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量。
可选的，所述权重确定模块，具体包括：
第一空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
第一特征提取子模块，用于分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；
第一关系模型确定子模块，用于分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；
第一期望区间确定子模块，用于分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；
判断准确率计算子模块，用于分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；
权重确定子模块，用于分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
可选的，所述混合颜色空间的期望区间确定模块，具体包括：
第二空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
第一图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；
其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；
第二特征提取子模块，用于通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；
第二关系模型确定子模块，用于将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；
第二期望区间确定子模块，用于利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
可选的，所述特征提取模块，具体包括：
第三空间转换子模块，用于将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像；
第二图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像；
第三特征提取子模块，用于通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于时序特征的稀土元素组分含量动态监测方法及系统，所述监测方法，利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征；判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；根据时序图像对应的稀土元素组分含量对稀土萃取过程的工艺参数进行调整，如果判断结果表示是，则无需进行组分含量的确定，直接等待进行下一个采样时间点的时序图像的采集，无需在每次采集时均需要根据时序图像计算组分含量，减少了计算量和计算时间。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于时序特征的稀土元素组分含量动态监测方法的流程图；
图2为本发明提供的一种基于时序特征的稀土元素组分含量动态监测方法的原理图；
图3为本发明提供的不同颜色空间下的最小二乘法拟合曲线图；其中，图3(a)为HSI空间下的最小二乘法拟合曲线图，图3(b)为YUV空间下的最小二乘法拟合曲线图，图3(c)为混合颜色空间下的最小二乘法拟合曲线图；
图4为本发明提供的基于时序特征的稀土元素组分含量动态监测系统的工况判断系统的界面图；
图5为本发明提供的基于时序特征的稀土元素组分含量动态监测系统的图像检索平台的界面图。
具体实施方式
本发明的目的是提供一种基于时序特征的稀土元素组分含量动态监测方法及系统，以克服现有的基于颜色特征的稀土元素检测的方法的技术缺陷，减少计算量和计算时间。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。
如图2所示，本发明首先利用稀土溶液的图像信息采集装置定时采集时序图像，之后在混合颜色空间通过主成分分析(Principal Component Analysis，PCA)和最小二乘拟合方法对时序图像提取时序特征，得到期望区间，接着判断待测图像的时序特征值是否位于期望区间，若时序特征值在期望区间则不对稀土萃取过程工艺参数进行调整，等待下一次时序图像的判断；反之，则启动图像检索系统(执行稀土混合溶液组分含量确定的步骤)，在HSV颜色空间下利用巴氏系数计算图像的直方图相交距离来评判待测图像的相似度，选取相似度较强的溶液图像，求取对应组分含量的平均值，实现稀土混合溶液组分含量的预测。
如图1所示，本发明提供一种基于时序特征的稀土元素组分含量动态监测方法，所述监测方法包括如下步骤：
步骤101，获取稀土生产现场在不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集。
从某稀土企业的生产现场，不同时段不同工况下采集样本溶液，每一个样本均分为两份，一份用于离线实验室化验获取样本溶液的元素组分含量，另一份采用基于机器视觉技术的稀土溶液图像信息采集装置获取混合溶液图像，然后对图像进行背景分割、图像滤波、提取中心区域，得到剪裁大小为128×128的正方形图片，在此基础上提取溶液图像的最佳时序特征。
步骤102，基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重。
本发明的HSI空间的权重和YUV空间的权重的大小由单一颜色空间下的时序特征阈值所测试的准确率归一化处理后确定。具体的HSI空间的权重和YUV空间的权重由下面的方法确定：分别利用HSI和YUV颜色空间三个分量的颜色一阶矩，经过PCA降维处理和最小二乘曲线拟合，得到单一颜色空间下，最佳工况条件时监测级组分含量区间对应的溶液图像时序特征的期望区间，进而得到工况判断的准确率，将两个单一颜色空间下得到的工况判断准确率进行归一化处理，从而确定不同颜色空间的最佳权重。
步骤102所述基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重，具体包括：将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
步骤103，根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间。
根据HSI空间的权重和YUV空间的权重进行空间颜色融合，对于混合颜色空间的三个分量同样进行PCA降维和最小二乘曲线拟合，得到混合颜色空间对应最佳工况时监测级萃取槽体溶液图像的时序特征阈值区间，即为混合颜色空间的期望区间。
步骤103所述根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间，具体包括：将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
步骤104，利用图像信息采集装置定时采集待监测的稀土溶液的时序图像。
步骤105，根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值。
为了避免单一颜色模型的片面性，选用多颜色空间融合的方式进行时序特征描述，以期获得该稀土元素在混合溶液图像中的最佳特征分量。首先需要由式(1)和式(2)把剪裁大小为128×128的正方形的处理后的时序图像由RGB颜色空间转换到HSI和YUV颜色空间，再根据式(3)将HSI、YUV两个颜色空间的亮度分量对应的一阶矩进行融合，得到混合颜色空间亮度分量的一阶矩。由于YUV颜色空间对于色度的描述不够准确，故混合颜色空间的色调分量和饱和度分量只采用HSI颜色空间的H和S向量。
步骤105所述根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值，具体包括：
利用公式(1)和(2)将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像。
根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像。
通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
本发明引用PCA方法可以减少数据冗余，提高运算速度。PCA方法的实现步骤如下：
设获取的剪裁大小为128×128的时序图像共有m个样本点和n个参数变量，则构成的样本集合矩阵Xm×n如下：
其中每一行代表某一时刻各测点不同颜色分量一阶矩的值，每一列代表某个测点在不同时刻同一颜色分量一阶矩的值。
第一步，对样本集合矩阵Xm×n进行Z-score标准化处理，得到标准化样本集合矩阵Z。
式中：
即矩阵Xm×n每一列的均值，
即矩阵Xm×n每一列数据的标准差。
得到的标准化样本集合矩阵Z为：
第二步，利用公式(7)计算Z的相关系数矩阵R。
式中：
k，l分别为矩阵Z中的第k列和第l列，且rkl＝rlk,l＝1,2…n。
得到的相关系数矩阵R:
第三步，求相关系数矩阵R的特征值λj和特征向量v。
第四步，将特征向量v根据特征值从大到小的顺序按列排列，取前k列特征向量组成矩阵P，计算矩阵P的各特征向量的贡献率cj及累计贡献率Ck。
式中，k(k＜n)是前k个主元。
第五步，按式(10)计算，得到的矩阵Y即为矩阵Xm×n降维到k维后的数据，也就是提取到的时序特征值。
Y＝ZP (10)
工程上当Ck≥85％时，便可认为前k个主元保留了原始数据的大部分信息，被保留的信息即为降维后的颜色特征分量。
数据经过主成分分析之后，引用最小二乘拟合算法，利用式(10)，建立基于经过PCA处理后的新特征变量Y与组分含量之间的模型描述，以此模型代入某监测级要求的组分含量区间(x1,x2)，求出判断最佳工况的阈值区间[f(x1),f(x2)]，其关系模型可表述为式(11)。
式中，f(·)表示拟合后的新特征变量值，x表示组分含量值，k表示拟合多项式的阶数，ai为拟合多项式中对应的xi项的系数，a0是常数项。
步骤106，判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；
步骤107，若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”；
步骤107所述在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量，具体包括：利用公式G(i)＝16Hi+4Si+Vi将时序图像的HSV颜色空间的H分量、S分量和V分量合成一维特征向量，获得时序图像的每个像素的量化值索引；其中，G(i)表示时序图像的第i个像素的量化值索引，Hi、Si和Vi分别表示时序图像的第i个像素的HSV颜色空间的H分量、S分量和V分量；根据时序图像的每个像素的量化值索引，利用公式
计算时序图像与样本数据集中每个图像样本的直方图相交距离；其中，ρ(G,Gj')表示时序图像与样本数据集中第j个样本图像的直方图相交距离，N表示时序图像的像素的个数，Gj'(i)表示样本数据集中第j个样本图像的第i个像素的量化值索引；计算直方图相交距离较大的图像样本的组分含量的平均值，作为所述时序图像的稀土元素组分含量。
若所述判断结果表示是，则返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”。
本发明的权重和期望区间确定的具体步骤如下：
步骤1：由式(1)和式(2)把时序图像由RGB颜色空间转换到HSI和YUV颜色空间，在HSI、YUV颜色空间下，利用式(4)～(10)对各自三个颜色分量进行PCA，选取新的主成分Y1和Y2代替原有样本。
步骤2：依据式(11)的形式，在HSI、YUV颜色空间下分别通过最小二乘曲线拟合方法建立Y1和Y2与组分含量间的关系，由萃取生产现场得到稀土萃取流程中某监测级最佳工况下组分含量区间的设定值，得到两组判断工况的时序特征阈值并测试准确率。
步骤3：将步骤2判断工况的准确率归一化后作为权重带入式(3)得到混合颜色空间的三个分量，即HSI颜色空间下的H分量一阶矩、S分量一阶矩和混合颜色空间下亮度分量颜色一阶矩。
步骤4：将步骤3得到的混合颜色空间的三个分量进行PCA，由式(10)得到混合颜色空间下的时序特征Y3。再通过最小二乘拟合，由萃取生产现场得到稀土萃取流程中某监测级最佳工况下组分含量区间的设定值，根据时序特征Y3与组分含量的拟合关系模型，即式(11)，得到混合颜色空间下判断工况的期望区间。
如图2所示，图2中基于检索系统确定组分含量的具体步骤可以概括为：
当实时监测的时序图像的时序特征值超过期望区间，就需要利用稀土溶液图像检索算法，获取元素的组分含量值。
根据人眼分辨颜色的能力，对HSV颜色空间进行非等间隔量化，H、S、V各自的量化级数分别为16，4，4。接着把HSV颜色空间的H分量、S分量和V分量这3个颜色特征分量合成为一维特征向量G：
G＝16H+4S+V (12)
通过式(12)，HSV颜色空间的3个颜色特征分量均可以由矢量G来表示，G的取值范围为[0,255]，量化后就得到了每一个像素的量化值索引。在图像处理中，巴氏系数可用于进行相似图像匹配，用巴氏系数来表征基于直方图距离的图像相似度的定义如下：
式中，p,p′分别代表两张图像在直方图上同一位置的概率分布，ρ是图像相似度的值，其范围为0到1之间，ρ的值越大，图像越相似。
当溶液图像特征超出时序特征阈值时，检索系统被启动，依据式(13)中ρ值的大小，在稀土混合溶液历史图像库中选取相似度较强的溶液图像，求取检索结果最相似的前两张图像对应元素组分含量的平均值，作为待检索图像稀土元素组分含量的检测结果，其具体步骤如下所述：
步骤1：输入待检索的时序图像；
步骤2：依据式(12)，对待检索图像进行特征提取，得到待检索图像每一个像素的量化值索引，图像特征以特征向量的形式提取出来并存储于特征数据库中；
步骤3：由上一步得到的量化值索引，根据此索引与特征数据库中样本图像的量化值索引进行匹配，即由式(13)，利用巴氏系数作为相似性度量，计算出待检索图像特征向量与特征数据库各特征向量间的直方图相交距离；
步骤4：根据上一步计算出来的距离数值，从图像数据库中选取符合要求的检索结果图像，并按距离值由大到小的顺序对图像进行排序。取检索结果最相似的前两张图像计算对应组分含量的平均值，输出待测图像的组分含量预测值。
一种基于时序特征的稀土元素组分含量动态监测系统，所述监测系统包括：
样本数据集建立模块，用于获取稀土生产现场在不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集；
权重确定模块，用于基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重。
所述权重确定模块，具体包括：第一空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；第一特征提取子模块，用于分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；第一关系模型确定子模块，用于分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；第一期望区间确定子模块，用于分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；判断准确率计算子模块，用于分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；权重确定子模块，用于分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
混合颜色空间的期望区间确定模块，用于根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间。
所述混合颜色空间的期望区间确定模块，具体包括：第二空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；第一图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；第二特征提取子模块，用于通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；第二关系模型确定子模块，用于将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；第二期望区间确定子模块，用于利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
定时采集模块，用于利用图像信息采集装置定时采集待监测的稀土溶液的时序图像。
特征提取模块，用于根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值。
所述特征提取模块，具体包括：第三空间转换子模块，用于将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像；第二图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像；第三特征提取子模块，用于通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
判断模块，用于判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果。
组分含量确定模块，用于若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量。
本发明通过一下具体的实施方式来说明本发明的监测方法及系统的效果。本发明选用某稀土公司的Pr/Nd萃取线混合槽体的某监测级中的真实数据进行仿真实验。不同时段不同工况下采集90份样本溶液，每一个样本均分为两份，一份用于离线实验室化验获取样本溶液的元素组分含量，其中Nd元素组分含量分布在0.01％～99.965％；另一份采用实验室自行开发的基于机器视觉技术的稀土溶液图像信息采集装置获取混合溶液图像。图2表示基于时序特征的稀土元素组分含量动态监测方法流程图。
为了用较少的综合指标表示出存在于不同变量中的各类信息，达到对数据的降维和重构，对两个颜色空间下的基本特征量进行PCA分析，其结果如表1所示，可以看出，当HSI、YUV和混合颜色空间下选取的主元个数都为1时，方差贡献率分别达到了92.94％、96.56％和92.98％，均大于工程上所要求的85％，表明前1个主元既代表了原始数据信息，又减少了冗余，提高了运算速度，故取前1个主元作为建模变量。
表1三种颜色空间下的PCA分析结果
在此次实验中，从90组样本溶液中随机选取70组数据作为训练集，剩余20组数据作为测试集，用于验证时序特征阈值选取的有效性。三个颜色空间下各自的拟合结果及阈值判断结果如图3和表2所示，综合图3与表2中的数据，对比三个颜色空间，混合颜色空间下得到的阈值区间来判断工况的准确率是最高的。由于混合颜色空间对具有相同属性的颜色分量进行独立融合，综合考虑了图像的颜色信息，因此利用混合颜色空间的时序特征阈值来判断工况的效果是最佳的。
表2三个颜色空间的阈值判断结果
为了验证基于HSV颜色直方图特征的图像检索算法的有效性，对采集到的90个样本溶液图像提取图像的颜色直方图特征，随机抽取80个样本图像构建历史图像的特征数据库，剩余10组图像作为测试图像。检测结果与误差分析结果如表3所示，由图3可以看出，随机抽取的10组测试图像数据的相对误差都在3％以内，说明该算法的检测结果满足组分含量在线检测的精度要求。
表3检测结果与误差分析结果
稀土元素组分含量动态监测系统的操作界面如图4和图5所示，系统主要包括图像显示区、按钮控制区和输出结果区等模块。
为了测试系统的整体性能，现设计如下实验：利用实验室的稀土溶液图像信息在线采集装置，在某稀土公司镨/钕生产现场的萃取槽体监测级处，定时采集稀土溶液的时序图像，从8点钟开始采集，每隔30分钟采集一次图像，直至12点30分共采集10组图像。每采集一次图像，均通过基于时序特征的稀土元素组分含量动态监测系统进行测试。由于最佳工况条件下，萃取段监测级的组分含量区间为[87.2,92.2]，系统测试结果离线化验样本溶液的元素组分含量相比较，测试性能表4所示。由表4的结果可以看出，10组定时采集的图像测试数据进入基于时序特征的稀土元素组分含量动态监测系统后，稀土萃取工况判断的结果准确，图像检索平台输出的组分含量值相对误差较小，达到了稀土萃取生产现场的应用要求，能够实现稀土元素组分含量的动态监测。
表4性能测试结果
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于时序特征的稀土元素组分含量动态监测方法及系统，所述监测方法，利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征；判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；根据时序图像对应的稀土元素组分含量对稀土萃取过程的工艺参数进行调整，如果判断结果表示是，则无需进行组分含量的确定，直接等待进行下一个采样时间点的时序图像的采集，无需在每次采集时均需要根据时序图像计算组分含量，减少了计算量和计算时间。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对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，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (10)
1.一种基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述监测方法包括如下步骤：
在稀土生产现场，获取在不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集；
基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重；
根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间；
利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；
根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值；
判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；
若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量；返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”，等待采集下一个采样时间点的时序图像；
若所述判断结果表示是，则返回步骤“利用图像信息采集装置定时采集待监测的稀土溶液的时序图像”，等待采集下一个采样时间点的时序图像。
2.根据权利要求1所述的基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重，具体包括：
将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；
分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；
分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；
分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；
分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
3.根据权利要求1所述的基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间，具体包括：
将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；
其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；
通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；
将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；
利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
4.根据权利要求1所述的基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值，具体包括：
将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像；
根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像；
通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
5.根据权利要求1所述的基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量，具体包括：
利用公式G(i)＝16Hi+4Si+Vi将时序图像的HSV颜色空间的H分量、S分量和V分量合成一维特征向量，获得时序图像的每个像素的量化值索引；其中，G(i)表示时序图像的第i个像素的量化值索引，Hi、Si和Vi分别表示时序图像的第i个像素的HSV颜色空间的H分量、S分量和V分量；
根据时序图像的每个像素的量化值索引，利用公式
计算时序图像与样本数据集中每个图像样本的直方图相交距离；其中，ρ(G,Gj')表示时序图像与样本数据集中第j个样本图像的直方图相交距离，N表示时序图像的像素的个数，Gj'(i)表示样本数据集中第j个样本图像的第i个像素的量化值索引；
计算直方图相交距离较大的图像样本的组分含量的平均值，作为所述时序图像的稀土元素组分含量。
6.根据权利要求1所述的基于时序特征的稀土元素组分含量动态监测方法，其特征在于，所述根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值，之前还包括：
对时序图像进行背景分割、滤波和中心区域提取，获得处理后的时序图像。
7.一种基于时序特征的稀土元素组分含量动态监测系统，其特征在于，所述监测系统包括：
样本数据集建立模块，用于在稀土生产现场，获取不同时段不同工况下的样本溶液，并通过离线实验室化验获得每种样本溶液的组分含量，通过图像信息采集装置获得每种样本溶液的样本图像，建立包括每种样本溶液的组分含量和样本图像的样本数据集；
权重确定模块，用于基于所述样本数据集确定用于颜色空间融合的HSI空间的权重和YUV空间的权重；
混合颜色空间的期望区间确定模块，用于根据HSI空间的权重和YUV空间的权重，基于所述样本数据集确定混合颜色空间的期望区间；
定时采集模块，用于利用图像信息采集装置定时采集待监测的稀土溶液的时序图像；
特征提取模块，用于根据HSI空间的权重和YUV空间的权重，在混合颜色空间通过主成分分析方法对时序图像提取时序特征，获得时序图像的时序特征值；
判断模块，用于判断时序图像的时序特征值是否位于混合颜色空间的期望区间，得到判断结果；
组分含量确定模块，用于若所述判断结果表示否，则在HSV颜色空间下，计算时序图像与样本数据集中样本图像的直方图相交距离，根据直方图相交距离较大的样本图像对应的组分含量确定所述时序图像对应的稀土元素组分含量。
8.根据权利要求7所述的基于时序特征的稀土元素组分含量动态监测系统，其特征在于，所述权重确定模块，具体包括：
第一空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
第一特征提取子模块，用于分别通过主成分分析方法对HSI空间的样本图像和YUV空间的样本图像进行特征提取，获得每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值；
第一关系模型确定子模块，用于分别将每种样本溶液的HSI空间的样本图像特征值和YUV空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型；
第一期望区间确定子模块，用于分别利用HSI空间的特征值与组分含量的关系模型和YUV空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为HSI空间的期望区间和YUV空间的期望区间；
判断准确率计算子模块，用于分别基于所述HSI空间的期望区间和YUV空间的期望区间，利用每种样本溶液在HSI空间的样本图像特征值和YUV空间的样本图像特征值，对所述样本溶液的工况进行判断，计算基于HSI空间的判断准确率和基于YUV空间的判断准确率；
权重确定子模块，用于分别对基于HSI空间的判断准确率和基于YUV空间的判断准确率进行归一化处理，获得归一化后的基于HSI空间的判断准确率和基于YUV空间的判断准确率，分别作为HSI空间的权重和YUV空间的权重。
9.根据权利要求7所述的基于时序特征的稀土元素组分含量动态监测系统，其特征在于，所述混合颜色空间的期望区间确定模块，具体包括：
第二空间转换子模块，用于将每种样本溶液的样本图像在RGB空间转换至HSI空间和YUV空间，获得每种样本溶液的HSI空间的样本图像和YUV空间的样本图像；
第一图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式
将HSI空间的样本图像和YUV空间的样本图像进行融合，获得混合颜色空间的样本图像；
其中，μMIX-1、μMIX-2和μMIX-3分别表示混合颜色空间下色调分量、饱和度分量和亮度分量颜色一阶矩的值；μHSI-H、μHSI-S和μHSI-I分别表示HSI空间下H分量、S分量和I分量颜色一阶矩的值，μYUV-Y表示YUV空间下Y分量颜色一阶矩的值，
Pxy为图像中第y个像素的第x个分量颜色一阶矩的值，x的取值为HSI-H、HSI-S、HSI-I和YUV-Y，N表示样本图像的像素点的个数；WHSI和WYUV分别表示HSI空间的权重和YUV空间的权重；
第二特征提取子模块，用于通过主成分分析方法对混合颜色空间的样本图像进行特征提取，获得每种样本溶液的混合颜色空间的样本图像特征值；
第二关系模型确定子模块，用于将每种样本溶液的混合颜色空间的样本图像特征值与每种样本溶液的组分含量进行最小二乘法曲线拟合，获得混合颜色空间的特征值与组分含量的关系模型；
第二期望区间确定子模块，用于利用混合颜色空间的特征值与组分含量的关系模型确定最佳工况下的组分含量区间对应的特征值区间，作为混合颜色空间的期望区间。
10.根据权利要求7所述的基于时序特征的稀土元素组分含量动态监测系统，其特征在于，所述特征提取模块，具体包括：
第三空间转换子模块，用于将所述时序图像由RGB空间转换到HSI空间和YUV空间，获得HSI空间的时序图像和YUV空间的时序图像；
第二图像融合子模块，用于根据HSI空间的权重和YUV空间的权重，利用图像融合公式，将HSI空间的时序图像和YUV空间的时序图像进行融合，获得混合颜色空间的时序图像；
第三特征提取子模块，用于通过主成分分析方法对混合颜色空间的时序图像进行特征提取，获得时序图像的时序特征值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708783.4A CN111815618B (zh) | 2020-07-22 | 2020-07-22 | 基于时序特征的稀土元素组分含量动态监测方法及系统 |
| US17/107,918 US11361425B2 (en) | 2020-07-22 | 2020-11-30 | Method for dynamically monitoring content of rare earth element component based on time-series feature |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708783.4A CN111815618B (zh) | 2020-07-22 | 2020-07-22 | 基于时序特征的稀土元素组分含量动态监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815618A CN111815618A (zh) | 2020-10-23 |
| CN111815618B true CN111815618B (zh) | 2022-04-05 |
Family
ID=72862132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010708783.4A Active CN111815618B (zh) | 2020-07-22 | 2020-07-22 | 基于时序特征的稀土元素组分含量动态监测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11361425B2 (zh) |
| CN (1) | CN111815618B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246811A (zh) * | 2018-03-08 | 2019-09-17 | Toto株式会社 | 复合结构物和其评价方法、半导体和显示屏制造装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1971340A (zh) * | 2005-11-21 | 2007-05-30 | 耿征 | 真三维高清晰度显示方法和装置 |
| US8379048B2 (en) * | 2007-05-04 | 2013-02-19 | Esko Software Bvba | User adjustable gamut mapping and conversion of images from a source color space to a destination color space including primary and redundant colors |
| CN101358936B (zh) * | 2007-08-02 | 2011-03-16 | 同方威视技术股份有限公司 | 一种利用双视角多能量透射图像进行材料识别的方法及系统 |
| US9343931B2 (en) * | 2012-04-06 | 2016-05-17 | David Deak | Electrical generator with rotational gaussian surface magnet and stationary coil |
| AU2014315049B2 (en) * | 2013-09-09 | 2019-03-14 | GE Lighting Solutions, LLC | Enhanced color-preference light sources |
| US9141872B2 (en) * | 2013-09-11 | 2015-09-22 | Digitalglobe, Inc. | Automated and scalable object and feature extraction from imagery |
| US10286718B2 (en) * | 2014-05-16 | 2019-05-14 | U-Nica Technology Ag | Data carrier comprising a customizable authenticity feature |
| CN110059704B (zh) * | 2019-04-19 | 2021-04-13 | 中国科学院遥感与数字地球研究所 | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 |
| CN110223288B (zh) * | 2019-06-17 | 2021-01-08 | 华东交通大学 | 一种稀土萃取过程多组分含量预测方法及系统 |
-
2020
- 2020-07-22 CN CN202010708783.4A patent/CN111815618B/zh active Active
- 2020-11-30 US US17/107,918 patent/US11361425B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246811A (zh) * | 2018-03-08 | 2019-09-17 | Toto株式会社 | 复合结构物和其评价方法、半导体和显示屏制造装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815618A (zh) | 2020-10-23 |
| US20220028050A1 (en) | 2022-01-27 |
| US11361425B2 (en) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
| CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
| CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
| CN112767327B (zh) | 基于神经网络的图像质量管理系统及方法 | |
| CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN110766095A (zh) | 基于图像灰度特征的缺陷检测方法 | |
| CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
| CN112001241A (zh) | 基于通道注意力机制的微表情识别方法及系统 | |
| CN112580536A (zh) | 一种高位视频车辆及车牌的检测方法及装置 | |
| CN114821155A (zh) | 一种基于可变形nts-net神经网络的多标签分类方法及系统 | |
| CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
| Jin et al. | Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment. | |
| CN114170478A (zh) | 基于跨图像局部特征对齐的缺陷检测、定位的方法及系统 | |
| CN116597350A (zh) | 基于BiLSTM预测偏离度的浮选过程故障早期预警方法 | |
| CN111815618B (zh) | 基于时序特征的稀土元素组分含量动态监测方法及系统 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN116311088B (zh) | 一种基于建筑工地的施工安全监测方法 | |
| CN116416534A (zh) | 一种面向保护目标的无人机备降区域识别方法 | |
| CN107610101B (zh) | 一种测量数字图像视觉平衡质量的方法 | |
| CN114627327A (zh) | 一种基于特征增强的图像分类方法 | |
| CN116246330A (zh) | 一种基于水平金字塔匹配的细粒度人脸年龄估计方法 | |
| CN116757518A (zh) | 用于品质评估的指标提取方法及装置、设备、存储介质 | |
| CN114255215A (zh) | 一种基于蒙皮缺陷检测系统的飞机蒙皮缺陷检测的识别方法 | |
| CN113255547A (zh) | 电力仪表指针图像轮廓计算方法 |
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 |