CN112330605B - 一种红宝石的颜色分级方法 - Google Patents

一种红宝石的颜色分级方法 Download PDF

Info

Publication number
CN112330605B
CN112330605B CN202011124418.5A CN202011124418A CN112330605B CN 112330605 B CN112330605 B CN 112330605B CN 202011124418 A CN202011124418 A CN 202011124418A CN 112330605 B CN112330605 B CN 112330605B
Authority
CN
China
Prior art keywords
ruby
color
formula
matrix
diaphragm
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
Application number
CN202011124418.5A
Other languages
English (en)
Other versions
CN112330605A (zh
Inventor
雷自力
顾浩
赵丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Emers Intelligent Testing Equipment Co ltd
Huazhong University of Science and Technology
Original Assignee
Hubei Emers Intelligent Testing Equipment Co ltd
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Emers Intelligent Testing Equipment Co ltd, Huazhong University of Science and Technology filed Critical Hubei Emers Intelligent Testing Equipment Co ltd
Priority to CN202011124418.5A priority Critical patent/CN112330605B/zh
Publication of CN112330605A publication Critical patent/CN112330605A/zh
Application granted granted Critical
Publication of CN112330605B publication Critical patent/CN112330605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/87—Investigating jewels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/063—Illuminating optical parts
    • G01N2201/0634—Diffuse illumination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/065—Integrating spheres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/068—Optics, miscellaneous
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/08—Optical fibres; light guides
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20032—Median filtering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明属于彩色宝石颜色分级相关技术领域，其公开了一种红宝石的颜色分级方法，该方法所采用的图像采集系统包括工业相机、远心镜头、漫反射板、垫片、光阑、光阑座、积分球、漫反射平板、光纤及光源，光纤的两端分别连接积分球的输入口及光源的出口；漫反射平板设置在积分球内，其与积分球的输入口正对；积分球的上端形成有出射孔，垫片呈阶梯状，其覆盖在出射孔上；所述光阑及所述光阑座均设置在所述垫片的台阶面上，且所述光阑设置在所述光阑座内；所述远心镜头设置在所述光阑的上方，且所述工业相机与所述远心镜头相连接；所述垫片与所述光阑的缩放光圈之间安装有所述漫反射板。本发明提高了适用性，且结构简单。

Description

一种红宝石的颜色分级方法
技术领域
本发明属于彩色宝石颜色分级相关技术领域，更具体地，涉及一种红宝石的颜色分级方法。
背景技术
红宝石是指颜色呈红色的刚玉，它是刚玉的一种，主要成分是氧化铝。红色来自铬(Cr)，主要为Cr2O3，含量一般0.1～3％，最高者达4％；含Fe、Ti而呈蓝色称蓝宝石，非铬Cr致色的其他颜色的刚玉也统称为蓝宝石。
由于光源会对红蓝宝石的颜色产生很大的影响，因此对红蓝宝石分级的观察方法明确要求如下：
1.将宝石置于白色背景下。
2.从宝石台面进行观察。
3.在自然光下观察红宝石。
通常红宝石色彩越纯正、越浓艳，品质越高，价值也就越高。在综合影响红蓝宝石颜色的各种因素之后，一般分别将红蓝宝石分成五个级别，其中红宝石分为深红色、红色、中等红色、浅红色、淡红色五级。在进行颜色分级时，需要考虑颜色分布均匀程度、反火(切工造成的内反射光)对红宝石颜色分级的影响，通常它们可以使红蓝宝石的颜色等级上升或者下降一个亚级。
随着红宝石市场的发展与繁荣，对红宝石快速无损准确鉴定有了新的要求，而红宝石总品质中其决定作用的是颜色，但是用色卡比较的方法仍然无法避免人为的因素，重复性不高，难以令人信服。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种红宝石的颜色分级方法，其主要用于解决红宝石分级易受人为因素影响、重复性不高的技术问题。同时，所述图像采集系统的结构简单，易于操作，适用性较强，且为红宝石的颜色分级提供了参考数据和训练样本。
为实现上述目的，按照本发明的一个方面，提供了一种红宝石的图像采集系统，所述图像采集系统包括工业相机、远心镜头、漫反射板、垫片、光阑、光阑座、积分球、漫反射平板、光纤及光源，所述光纤的两端分别连接所述积分球的输入口及所述光源的出口；所述漫反射平板设置在所述积分球内，其与所述积分球的输入口正对；所述积分球的上端形成有出射孔，所述垫片呈阶梯状，其覆盖在所述出射孔上；所述光阑及所述光阑座均设置在所述垫片的台阶面上，且所述光阑设置在所述光阑座内；所述远心镜头设置在所述光阑的上方，且所述工业相机与所述远心镜头相连接；所述垫片与所述光阑的缩放光圈之间安装有所述漫反射板。
进一步地，所述光阑的通孔中心轴与所述出射孔的中心轴重合，所述光阑用于承载待观测红宝石样品。
进一步地，所述垫片为中部开设有通孔的两层圆形台阶式结构，所述垫片的通孔中心轴与所述积分球的出射孔的中心轴重合。
进一步地，所述垫片的通孔的孔径不小于所述积分球的出射孔的孔径；所述漫反射板的载物面与所述光阑的缩孔光圈之间留有间隙。
按照本发明的另一个方面，提供了一种红宝石的颜色分级方法，所述颜色分级方法主要包括以下步骤：
步骤一，采用如上所述的红宝石的图像采集系统采集红宝石的透射图像；
步骤二，对红宝石的透射图像进行大津法二值化和中值滤波预处理；
步骤三，采用轮廓检测算法提取红宝石的二值化图像中红宝石的轮廓线；
步骤四，确定红宝石透射图像中在红宝石轮廓线范围内的像素点集合；
步骤五，在Lab颜色空间中，提取像素点集合内像素点三通道的强度值pij，并计算每个通道强度的平均值Ei和方差Ti；
Figure GDA0004038684810000031
Figure GDA0004038684810000032
其中，i表示第i个通道，i＝1,2,3；pij表示第i个通道第j个像素点的强度值；N表示像素点集合中像素点的总数目；
步骤六，将E1,E2,E3,T1,T2,T3合成矩阵[E1,E2,E3,T1,T2,T3]，以作为红宝石样品的颜色特征矩阵；
步骤七，采用不同颜色的红宝石样品重复步骤一到步骤六，获得每颗红宝石样品的颜色特征矩阵和颜色类别矩阵，由这两个矩阵构成每颗红宝石样品的颜色素材数据，进而建立红宝石样品颜色素材数据库；
步骤八，通过BP神经网络训练颜色素材数据库，以得到颜色分级模型；
步骤九，对于待测红宝石样品，按照步骤一到步骤五得到颜色特征矩阵[E1,E2,E3,T1,T2,T3]，进而采用所述颜色分级模型对待测红宝石进行颜色分级，以实现红宝石颜色分级。
进一步地，所述颜色分级模型的数学表达式为：
Y＝XW1+B1                       (3)
Z＝f1(Y)W2+B2                    (4)
Figure GDA0004038684810000033
式中，从红宝石样品的颜色素材数据库中抽取一个样品的颜色特征矩阵X，作为BP神经网络的输入，抽取该样品的颜色类别矩阵C，作为BP神经网络的预期输出；W1、W2、B1、B2均为自定义的矩阵；W1为6×K的权重矩阵，K是一个中间参数，K>M；W2为K×M的权重矩阵；B1为1×K的偏置矩阵；B2为1×M的偏置矩阵；f1、f2为激活函数；Y为1×K的矩阵；Z为1×M的矩阵；ΔZ表示C与实际输出f2()之间的误差。
进一步地，将X和C带入公式(3)、公式(4)和公式(5)计算ΔZ，当误差ΔZ小于预设阈值时，得到由W1、W2、B1、B2和公式(3)、公式(4)、公式(5)构成的颜色分级模型；否则按照公式(6)、公式(7)、公式(8)和公式(9)将W1、W2、B1、B2修正为
Figure GDA0004038684810000041
并替换其在公式(3)、公式(4)和公式(5)中的对应位置：
Figure GDA0004038684810000042
Figure GDA0004038684810000043
Figure GDA0004038684810000044
Figure GDA0004038684810000045
接着，从颜色素材数据库中抽取另一个红宝石样本的颜色特征矩阵和颜色类别矩阵带入公式(3)、公式(4)和公式(5)计算ΔZ，直到ΔZ小于设定阈值，此时获得颜色分级模型。
进一步地，将颜色特征矩阵[E1,E2,E3,T1,T2,T3]作为颜色分级模型的输入X，带入公式(3)、公式(4)和公式(5)以得到颜色分级的实际输出f2(Z)，矩阵f2(Z)第几列的值最大，则将该值所在的列数作为红宝石的颜色等级。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的红宝石的颜色分级方法主要具有以下有益效果：
1.本发明通过采集红宝石透射图像，量化在Lab颜色空间中的6个参数，并建立不同颜色红宝石的颜色素材数据库，为红宝石颜色分级提供参考数据和训练样本，克服了人为因素的干扰和重复性不高的不足。
2.所述图像采集系统的结构简单，易于操作，适用性较强。
3.利用光学成像系统采集红宝石透射图像，计算在Lab颜色空间中每个通道像素强度值的平均值和方差，量化红宝石的颜色，并建立不同颜色红宝石的颜色素材数据库，为红宝石颜色分级提供参考数据和训练样本。
附图说明
图1是本发明提供的红宝石的图像采集系统的结构示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1-工业相机，2-远心镜头，3-红宝石样品，4-漫反射板，5-垫片，6-缩放光圈，7-光阑，8-光阑座，9-积分球，10-漫反射平板，11-光纤，12-光源。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，本发明提供的红宝石的图像采集系统包括工业相机1、远心镜头2、漫反射板4、垫片5、光阑7、光阑座8、积分球9、漫反射平板10、光纤11及光源12。
所述光纤11的一端与所述光源12的出口相连接，另一端与所述积分球9的输入口相连接。所述漫反射平板10设置在所述积分球9内，其与所述积分球9的输入口正对。所述积分球9的上端形成有出射孔，所述垫片5呈阶梯状，其覆盖在所述出射孔上。所述光阑7及所述光阑座8均设置在所述垫片5的台阶面上，且所述光阑7设置在所述光阑座8内。所述光阑7的通孔中心轴与所述出射孔的中心轴重合，所述光阑7用于承载待观测红宝石样品3。所述垫片5与所述光阑7的缩放光圈6之间安装有所述漫反射板4，所述漫反射板4用作载物平面。
由所述出射孔发出的漫反射光束透过所述漫反射板4照射入所述红宝石样品3，所述光阑7的正上方安装有所述远心镜头2，所述远心镜头2的中心轴与所述光阑7的通孔中心轴重合。所述工业相机1与所述远心镜头2相连，侧装在垂直调焦位移台上，通过所述远心镜头2及所述工业相机1采集得到红宝石透射图像。
所述垫片5为中部开设有通孔的两层圆形台阶式结构，所述垫片5的通孔中心与所述积分球9的出射孔的中心轴重合。所述垫片5的通孔的孔径不小于所述积分球9的出射孔的孔径。所述垫片5上层圆形台阶的外径大于所述漫反射板4的直径，且小于所述光阑7的最大通光孔径；所述垫片5上台阶面安装所述漫反射板4后，要保证所述漫反射板4的载物面与所述光阑7的缩孔光圈6之间留有间隙。
本实施方式中，所述工业相机1的型号为MVGE500C-T；所述远心镜头2的型号为GCO-232204；所述漫反射板4单面磨砂，0.5mm厚，直径为25mm；所述垫片5的通孔孔径为20mm，其下层圆形台阶外径为80mm，上层圆形台阶外径为27mm，上层圆形台阶厚3mm；所述光阑7与所述光阑座8型号为HGMD128，最大通光孔径为28mm，缩放光圈与光阑底面距离为4mm；所述积分球9的型号为IS50-F，内胆直经为50mm，样品口直径为20mm；所述光纤11的型号为FIB-IR1000-0.1，红外石英光纤，1000um芯经，0.1m长度；所述光源12的型号为HL100，卤素灯光源，20W。
本发明还提供了一种红宝石的颜色分级方法，所述颜色分级方法主要包括以下步骤：
步骤一，通过所述红宝石图像采集系统得到红宝石的透射图像。
步骤二，对红宝石的透射图像进行大津法二值化和中值滤波预处理。具体地，先用大津法二值化区分宝石图像的前景和背景，再用中值滤波平滑前景中的一些边角，得到红宝石的二值化图像。
步骤三，采用轮廓检测算法提取红宝石的二值化图像中红宝石的轮廓线。具体地，使用findcontours()和drawContours()函数算法，findcontours()函数用于提取图像的轮廓，其中的mode参数选择为CV_RETR_CCOMP，表示检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层；method参数选择为CV_CHAIN_APPROX_SIMPLE，表示仅保存轮廓的拐点信息，减少内存占用。drawContours()函数用于绘制找到的图像轮廓，其中的thickness参数设为-1，表示轮廓内部也被填充；color参数设为Scalar(k*55％255,k*55％255,k*55％255)，表示填充轮廓的颜色，其中k表示提取的轮廓序号，如第一个轮廓k值为1，则color参数为Scalar(55,55,55)。
步骤四，确定红宝石透射图像中在红宝石轮廓线范围内的像素点集合。如步骤三中所述，最后一个轮廓序号为背景，其余轮廓序号均为宝石轮廓，根据轮廓颜色提取红宝石透射图像在轮廓内的像素点集合。
步骤五：在Lab颜色空间中，提取像素点集合内像素点三通道的强度值pij，并计算每个通道强度的平均值Ei和方差Ti；
Figure GDA0004038684810000071
Figure GDA0004038684810000072
其中，i表示第i个通道，i＝1,2,3；pij表示第i个通道第j个像素点的强度值；N表示像素点集合中像素点的总数目。
步骤六，将E1,E2,E3,T1,T2,T3合成矩阵[E1,E2,W3,T1,T2,T3]，以作为红宝石样品的颜色特征矩阵。其中，初始定义一个1×M的红宝石颜色类别矩阵C，M表示定义的红宝石样品的不同颜色等级总数。
所述步骤六中的矩阵C，定义红宝石的颜色等级由矩阵C的列数表示，红宝石样品的颜色属于第几级，则将矩阵C对应列的值赋为1，其它列赋值为0。
步骤七，采用不同颜色的红宝石样品重复步骤一到步骤六，获得每颗红宝石样品的颜色特征矩阵和颜色类别矩阵，由这两个矩阵构成每颗红宝石样品的颜色素材数据，并建立红宝石样品颜色素材数据库。
步骤八，通过BP神经网络训练颜色素材数据库，以得到颜色分级模型。
所述步骤八中的BP神经网络训练方法和颜色分级模型，如公式(3)、公式(4)和公式(5)所示。
Y＝XW1+B1                       (3)
Z＝f1(Y)W2+B2                    (4)
Figure GDA0004038684810000081
从红宝石样品的颜色素材数据库中抽取一个样品的颜色特征矩阵X，作为BP神经网络的输入，抽取该样品的颜色类别矩阵C，作为BP神经网络的预期输出。W1、W2、B1、B2均为自定义的矩阵，矩阵初始值任意，其中W1为6×K的权重矩阵，K是一个中间参数，K>M；W2为K×M的权重矩阵；B1为1×K的偏置矩阵；B2为1×M的偏置矩阵；f1、f2为激活函数，用来增加模型的非线性，通常可采用Sigmoid函数或ReLU函数；Y为1×K的矩阵；Z为1×M的矩阵；ΔZ表示预期输出C与实际输出f2()之间的误差。
将X和C带入公式(3)、公式(4)和公式(5)计算ΔZ，当误差ΔZ小于预设阈值时，得到由W1、W2、B1、B2和公式(3)、公式(4)、公式(5)构成的颜色分级模型。
当误差ΔZ大于预设阈值时，按照公式(6)、公式(7)、公式(8)和公式(9)将W1、W2、B1、B2修正为
Figure GDA0004038684810000086
并替换其在公式(3)、公式(4)和公式(5)中的对应位置。
Figure GDA0004038684810000082
Figure GDA0004038684810000083
Figure GDA0004038684810000084
Figure GDA0004038684810000085
同时，从颜色素材数据库中抽取另一个红宝石样本的颜色特征矩阵和颜色类别矩阵带入公式(3)、公式(4)和公式(5)计算ΔZ；
只要ΔZ仍然大于设定阈值，则不断按照公式(6)、公式(7)、公式(8)和公式(9)迭代修正W1、W2、B1、B2，并同步从颜色素材数据库抽取新红宝石样本的颜色特征矩阵、颜色类别矩阵一并带入公式(3)、公式(4)和公式(5)计算ΔZ，直到计算得到ΔZ小于设定阈值，此时获取颜色分级模型。
步骤九，对于任意红宝石样品，按照步骤一到步骤五得到颜色特征矩阵[E1,E2,E3,T1,T2,T3]，采用所述颜色分级模型进行颜色分级，以实现红宝石颜色分级。
所述步骤九中的任意红宝石的颜色分级，将颜色特征矩阵[E1,E2,E3,T1,T2,T3]作为颜色分级模型的输入X，带入公式(3)、公式(4)和公式(5)以得到颜色分级的实际输出f2(Z)，矩阵f2(Z)第几列的值最大，则将该值所在的列数作为红宝石的颜色等级。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种红宝石的颜色分级方法，其特征在于，所述颜色分级方法包括以下步骤：
步骤一，采用红宝石的图像采集系统采集红宝石的透射图像；
步骤二，对红宝石的透射图像进行大津法二值化和中值滤波预处理；
步骤三，采用轮廓检测算法提取红宝石的二值化图像中红宝石的轮廓线；
步骤四，确定红宝石透射图像中在红宝石轮廓线范围内的像素点集合；
步骤五，在Lab颜色空间中，提取像素点集合内像素点三通道的强度值pij，并计算每个通道强度的平均值Ei和方差Ti；
Figure FDA0004038684800000011
Figure FDA0004038684800000012
其中，i表示第i个通道，i＝1,2,3；pij表示第i个通道第j个像素点的强度值；N表示像素点集合中像素点的总数目；
步骤六，将E1,E2,E3,T1,T2,T3合成矩阵[E1,E2,E3,T1,T2,T3]，以作为红宝石样品的颜色特征矩阵；
步骤七，采用不同颜色的红宝石样品重复步骤一到步骤六，获得每颗红宝石样品的颜色特征矩阵和颜色类别矩阵，由这两个矩阵构成每颗红宝石样品的颜色素材数据，进而建立红宝石样品颜色素材数据库；
步骤八，通过BP神经网络训练颜色素材数据库，以得到颜色分级模型；
步骤九，对于待测红宝石样品，按照步骤一到步骤五得到颜色特征矩阵[E1,E2,E3,T1,T2,T3]，进而采用所述颜色分级模型对待测红宝石进行颜色分级，以实现红宝石颜色分级；
所述图像采集系统包括工业相机、远心镜头、漫反射板、垫片、光阑、光阑座、积分球、漫反射平板、光纤及光源，所述光纤的两端分别连接所述积分球的输入口及所述光源的出口；所述漫反射平板设置在所述积分球内，其与所述积分球的输入口正对；所述积分球的上端形成有出射孔，所述垫片呈阶梯状，其覆盖在所述出射孔上；所述光阑及所述光阑座均设置在所述垫片的台阶面上，且所述光阑设置在所述光阑座内；所述远心镜头设置在所述光阑的上方，且所述工业相机与所述远心镜头相连接；所述垫片与所述光阑的缩放光圈之间安装有所述漫反射板；所述光阑的通孔中心轴与所述出射孔的中心轴重合，所述光阑用于承载待观测红宝石样品。
2.如权利要求1所述的红宝石的颜色分级方法，其特征在于：所述颜色分级模型的数学表达式为：
Y＝XW1+B1    (3)
Z＝f1(Y)W2+B2    (4)
Figure FDA0004038684800000021
式中，从红宝石样品的颜色素材数据库中抽取一个样品的颜色特征矩阵X，作为BP神经网络的输入，抽取该样品的颜色类别矩阵C，作为BP神经网络的预期输出；W1、W2、B1、B2均为自定义的矩阵；W1为6×K的权重矩阵，K是一个中间参数，K>M；W2为K×M的权重矩阵；B1为1×K的偏置矩阵；B2为1×M的偏置矩阵；f1、f2为激活函数；Y为1×K的矩阵；Z为1×M的矩阵；ΔZ表示C与实际输出f2(Z)之间的误差。
3.如权利要求2所述的红宝石的颜色分级方法，其特征在于：将X和C带入公式(3)、公式(4)和公式(5)计算ΔZ，当误差ΔZ小于预设阈值时，得到由W1、W2、B1、B2和公式(3)、公式(4)、公式(5)构成的颜色分级模型；否则按照公式(6)、公式(7)、公式(8)和公式(9)将W1、W2、B1、B2修正为
Figure FDA0004038684800000022
并替换其在公式(3)、公式(4)和公式(5)中的对应位置：
Figure FDA0004038684800000031
Figure FDA0004038684800000032
Figure FDA0004038684800000033
Figure FDA0004038684800000034
接着，从颜色素材数据库中抽取另一个红宝石样本的颜色特征矩阵和颜色类别矩阵带入公式(3)、公式(4)和公式(5)计算ΔZ，直到ΔZ小于设定阈值，此时获得颜色分级模型。
4.如权利要求2所述的红宝石的颜色分级方法，其特征在于：将颜色特征矩阵[E1,E2,E3,T1,T2,T3]作为颜色分级模型的输入X，带入公式(3)、公式(4)和公式(5)以得到颜色分级的实际输出f2(Z)，矩阵f2(Z)第几列的值最大，则将该值所在的列数作为红宝石的颜色等级。
5.如权利要求1所述的红宝石的颜色分级方法，其特征在于：所述垫片为中部开设有通孔的两层圆形台阶式结构，所述垫片的通孔中心轴与所述积分球的出射孔的中心轴重合。
6.如权利要求5所述的红宝石的颜色分级方法，其特征在于：所述垫片的通孔的孔径不小于所述积分球的出射孔的孔径；所述漫反射板的载物面与所述光阑的缩孔光圈之间留有间隙。
CN202011124418.5A 2020-10-20 2020-10-20 一种红宝石的颜色分级方法 Active CN112330605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011124418.5A CN112330605B (zh) 2020-10-20 2020-10-20 一种红宝石的颜色分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011124418.5A CN112330605B (zh) 2020-10-20 2020-10-20 一种红宝石的颜色分级方法

Publications (2)

Publication Number Publication Date
CN112330605A CN112330605A (zh) 2021-02-05
CN112330605B true CN112330605B (zh) 2023-04-07

Family

ID=74310712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011124418.5A Active CN112330605B (zh) 2020-10-20 2020-10-20 一种红宝石的颜色分级方法

Country Status (1)

Country Link
CN (1) CN112330605B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006920A (zh) * 2018-12-27 2019-07-12 浙江大学台州研究院 一种复杂表面红宝石轴承缺陷检测的装置及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858858A (zh) * 2010-05-26 2010-10-13 广州标旗电子科技有限公司 一种用于珠宝或宝石检测的反射测量光谱取样方法
CN102967604B (zh) * 2012-11-06 2014-11-05 广州标旗电子科技有限公司 一种用于宝石检测的反射光谱测量取样系统及方法
CN103090973B (zh) * 2013-01-07 2015-01-14 广州标旗电子科技有限公司 基于光谱的Ia型钻石颜色快速分级方法
US9678018B2 (en) * 2015-03-30 2017-06-13 Gemological Institute Of America Inc. (Gia) Apparatus and method for assessing optical quality of gemstones
GB201510652D0 (en) * 2015-06-17 2015-07-29 Beers Uk De Ltd Colour measurement of gemstones
CN205426338U (zh) * 2015-09-28 2016-08-03 浙江理工大学 一种适用于纺织品高光谱图像采集及数码测色的光照系统
CN105181135B (zh) * 2015-09-28 2017-06-16 浙江理工大学 一种适用于纺织品高光谱图像采集及数码测色的光照系统和使用方法
CN109916823A (zh) * 2017-12-13 2019-06-21 香港纺织及成衣研发中心有限公司 多光谱颜色成像装置及校正方法
CA3087409C (en) * 2017-12-29 2023-10-10 Goldway Technology Limited Colour grading process and system for diamonds
CN207779671U (zh) * 2018-02-07 2018-08-28 无锡市星迪仪器有限公司 一种双光路检测装置及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006920A (zh) * 2018-12-27 2019-07-12 浙江大学台州研究院 一种复杂表面红宝石轴承缺陷检测的装置及方法

Also Published As

Publication number Publication date
CN112330605A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
US10438096B2 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
JP4376058B2 (ja) 定量的ビデオ顕微鏡法とそれに関連するシステム及びコンピューターソフトウェアプログラム製品
ES2301706T3 (es) Metodo de videomicroscopia cuantitativa y sistema asociado asi como el producto de programa informatico de sofware.
US11199488B2 (en) Method for counting particles in a sample by means of lensless imaging
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN109636787B (zh) 一种基于深度学习的高精度实时电池点焊质量检测方法
US12007320B2 (en) Assay detection, accuracy and reliability improvement
MX2007014016A (es) Metodos de analisis de imagenes basados en la separacion del cromogen.
CN106461373B (zh) 用于涂层预测、施涂和检查的实时数字增强成像
EP4071458A1 (en) Methods and systems for image data processing
KR20170139590A (ko) 콜로니 콘트라스트 수집
WO2002097716A1 (en) Robust stain detection and quantification for histological specimens based on a physical model for stain absorption
US20200134831A1 (en) Segmenting 3d intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions
CN109741307A (zh) 摄像模组的杂光检测方法、杂光检测装置及杂光检测系统
JP2021535369A (ja) インテリジェントモニタリング構造を用いた画像ベースのアッセイ
CN115082451A (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
JP5984127B2 (ja) 真珠評価システム、真珠評価装置、及び真珠評価方法
US20230408534A1 (en) Assay Error Reduction
CN107014755A (zh) 一种用于藻类鉴别和藻类增殖无损监测情况的系统
CN112330605B (zh) 一种红宝石的颜色分级方法
JP2014149286A (ja) 面粗さ測定装置
CN113781457A (zh) 基于病理图像的细胞探测方法、装置、设备及存储介质
CN117256514A (zh) 一种用于分选系统的剔除不合格种蛋的方法
CN116958960A (zh) 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法
Wang et al. On the development of an effective image acquisition system for diamond quality grading

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