CN113177922A - 一种原料异物识别方法、系统、介质及电子终端 - Google Patents

一种原料异物识别方法、系统、介质及电子终端 Download PDF

Info

Publication number
CN113177922A
CN113177922A CN202110490388.8A CN202110490388A CN113177922A CN 113177922 A CN113177922 A CN 113177922A CN 202110490388 A CN202110490388 A CN 202110490388A CN 113177922 A CN113177922 A CN 113177922A
Authority
CN
China
Prior art keywords
particle
raw material
image
foreign matter
identified
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.)
Pending
Application number
CN202110490388.8A
Other languages
English (en)
Inventor
庞殊杨
刘斌
贾鸿盛
冯远航
毛尚伟
刘璇
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202110490388.8A priority Critical patent/CN113177922A/zh
Publication of CN113177922A publication Critical patent/CN113177922A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种原料异物识别方法、系统、介质及电子终端，原料异物识别方法包括：采集原始原料图像；将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；获取待识别图像；将待识别图像输入轮廓分割模型进行轮廓分割，获取待识别图像中的原料颗粒关联信息，原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；根据原料颗粒关联信息，进行原料异物识别；通过将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型，并将待识别图像输入轮廓分割模型进行轮廓分割，获取待识别图像中的原料颗粒关联信息，根据原料颗粒关联信息，进行原料异物识别，提高异物识别精确度，自动化程度较高，避免产生安全隐患。

Description

一种原料异物识别方法、系统、介质及电子终端
技术领域
本发明涉及图像识别领域，尤其涉及一种原料异物识别方法、系统、介质及电子终端。
背景技术
在钢铁冶炼运送原料的过程中，矿石等原料中常常会混有异物，例如布料、衣物和鞋子等，这些异物有可能会影响冶炼的产品质量和安全生产，对工厂的生产造成损失。目前，大部分原料运送过程中通常采用人工的方式进行异物识别，然而，由于冶金等原料在使用皮带机等工具运输过程中涉及到多种危险因素，人工不便识别，且由于人眼视角限制容易造成检测遗漏，识别精确度较低，容易产生一定的安全隐患。
发明内容
本发明提供一种原料异物识别方法、系统、介质及电子终端，以解决现有技术中采用人工的方式不便对运输中的矿石等原料进行异物识别，识别精确度较低，且容易产生一定的安全隐患的问题。
本发明提供的原料异物识别方法，包括：
采集原始原料图像；
将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
获取待识别图像；
将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
根据所述原料颗粒关联信息，进行原料异物识别。
可选的，获取所述待识别图像中的原料颗粒关联信息的步骤包括：
将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中颗粒轮廓信息，所述颗粒轮廓信息包括：待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
根据所述异物候选颗粒，进行原料异物识别。
可选的，根据所述异物候选颗粒，进行原料异物识别的步骤包括：
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述待识别图像中的异物。
可选的，所述颗粒轮廓信息为所述待识别图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息还包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径，进而获取异物候选颗粒；获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure BDA0003052225540000021
其中，D为待识别颗粒的等效直径，Daverage为预先设置的物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。
可选的，获取颗粒颜色RGB像素值的步骤包括：
在所述待识别图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052225540000022
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
可选的，获取颗粒表面线条数量的步骤包括：
构建边缘检测网络；
将训练数据集输入所述边缘检测网络进行训练，获取边缘检测模型；
将所述待识别图像输入所述边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
可选的，根据所述颗粒表面信息，确定所述待识别图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
本发明还提供一种原料异物识别系统，包括：
预采集模块，用于采集原始原料图像；
训练模块，用于将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
采集模块，用于获取待识别图像；
处理模块，用于将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
识别模块，用于根据所述原料颗粒关联信息，进行原料异物识别；所述预采集模块、训练模块、采集模块、处理模块和识别模块连接。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。
本发明的有益效果：本发明中的原料异物识别方法，通过将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型，并将待识别图像输入轮廓分割模型进行轮廓分割，获取待识别图像中的原料颗粒关联信息，根据原料颗粒关联信息，进行原料异物识别，提高对原料中异物识别的精确度，自动化程度较高，避免产生安全隐患，可实施性较强，成本较低。
附图说明
图1是本发明实施例中原料异物识别方法的流程示意图；
图2是本发明实施例中原料异物识别方法的实施例一的流程示意图；
图3是本发明实施例中原料异物识别方法中异物候选颗粒判断的示意图；
图4是本发明实施例中原料异物识别方法中判断颗粒表面线条数量是否超出线条数量阈值范围的示意图一；
图5是本发明实施例中原料异物识别方法中判断颗粒表面线条数量是否超出线条数量阈值范围的示意图二；
图6是本发明实施例中原料异物识别方法的实施例二的流程示意图；
图7是本发明实施例中原料异物识别方法的实施例三的流程示意图；
图8是本发明实施例中原料异物识别系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
发明人发现，在钢铁冶炼运送原料的过程中，矿石等原料中常常会混有异物，例如布料、衣物和鞋子等，这些异物有可能会影响冶炼的产品质量和安全生产，对工厂的生产造成损失。目前，大部分原料运送过程中通常采用人工的方式进行异物识别，然而，由于冶金等原料在使用皮带机等工具运输过程中涉及到多种危险因素，人工不便识别，且由于人眼视角限制容易造成检测遗漏，识别精确度较低，容易产生一定的安全隐患，因此，发明人提出一种原料异物识别方法、系统、介质及电子终端，通过将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型，并将待识别图像输入轮廓分割模型进行轮廓分割，获取待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息，根据原料颗粒关联信息，进行原料异物识别，有效提高对原料中异物识别的精确度，自动化程度较高，避免产生安全隐患，可实施性较强，成本较低，实施较方便。
如图1所示，本实施例中的原料异物识别方法，包括：
S101：采集原始原料图像；所述原始原料图像包括：轮廓标注信息，通过将一个或多个所述原始原料图像输入轮廓分割神经网络进行迭代训练，能够较好地提高轮廓分割模型的精确度，为训练轮廓分割神经网络提供数据基础，例如：通过摄像装置如工业摄像头等，从原料厂运送原料颗粒的皮带机采集原始原料图像，并对所述原始原料图像进行颗粒轮廓标注，进而将一个或多个标注后的原始原料图像作为训练集，输入轮廓分割神经网络进行训练，提高轮廓分割神经网络的训练精确度。
S102：将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；通过将原始原料图像输入基于深度学习的轮廓分割神经网络进行迭代训练，逐步调整梯度下降的速度、迭代学习率、学习次数及迭代次数等，获得较优的轮廓分割模型，提高轮廓分割的精确度，可实施性较强。
S103：获取待识别图像；所述待识别图像可以为钢铁冶炼原料运输过程中的原料图像，例如：在使用皮带机或运输车时所采集的原料图像，将其作为待识别图像，进一步地，还可以预先设置图像获取周期，根据图像获取周期，定期采集待识别图像，可以理解的，还可以在原料运输路径中设置触发装置，当检测到原料经过时，则触发图像采集装置进行图像采集，并将采集的待识别图像输入轮廓分割模型，进而实现对原料中异物的实时识别与检测。
S104：将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
S105：根据所述原料颗粒关联信息，进行原料异物识别。例如：根据所述颗粒轮廓信息和/或颗粒表面信息，进行原料异物识别，能够有效提高对待识别图像中的原料中的异物识别的精确度，自动化程度较高，避免产生安全隐患，可实施性较强，成本较低。
如图2所示，为了提高对待识别图像中的异物识别的精确度，发明人提出实施例一，包括：
S201：采集原始原料图像；可以理解的，所述原始原料图像可以为包括原料颗粒的原料图像，将一个或多个带有轮廓标注信息的原始原料图像输入轮廓分割神经网络进行训练，能够较好地提高轮廓分割神经网络的训练效率。
S202：将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；所述轮廓分割神经网络为基于深度学习的轮廓分割神经网络。
S203：获取待识别图像；例如：通过工业摄像头采集原料图像，或从原料视频中提取原料图像作为待识别图像。
S204：将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的颗粒轮廓信息，所述颗粒轮廓信息为所述待识别图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，即封闭获得的原料轮廓图像中的非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息包括：待识别颗粒的等效直径；
S205：判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；即当所述待识别颗粒的等效直径超出预设的尺寸阈值时，则判定该待识别颗粒为异物候选颗粒。
为了提高异物候选颗粒获取的精确度，发明人提出，所述颗粒轮廓信息还包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径，进而获取异物候选颗粒。获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure BDA0003052225540000061
其中，D为待识别颗粒的等效直径，Daverage为预先设置的正常物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。可以理解的，当待识别颗粒的等效直径与预先设置的正常物料颗粒等效直径平均值之间的差值大于或等于预设的尺寸阈值时，则判定该待识别颗粒为异物候选颗粒。如图3所示，当D≥Daverage+ThresholdD时，则判定该待识别颗粒为异物候选颗粒，如图3中的异物候选颗粒A和异物候选颗粒B。
S206：获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
为了便于获取待识别颗粒的颗粒颜色RGB值，发明人提出，获取颗粒颜色RGB像素值的步骤包括：
在所述待识别图像中建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052225540000062
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
进一步地，获取颗粒表面线条数量的步骤包括：
构建边缘检测网络；
将训练数据集输入所述边缘检测网络进行训练，获取边缘检测模型；
将所述待识别图像输入所述边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
S207：根据所述颗粒表面信息，确定所述待识别图像中的异物，完成原料异物识别。通过将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型，将采集的待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的颗粒轮廓信息，根据所述颗粒轮廓信息，确定异物候选颗粒，获取异物候选颗粒的颗粒表面信息，根据所述颗粒表面信息，进行原料异物识别，能够有效提高原料异物识别的精确度，及时判断出原料中的异物，避免造成不必要的损失，可实施性较强。
为了提高异物识别的精确度，发明人提出，根据所述颗粒表面信息，确定所述待识别图像中的异物的步骤包括：
当所述异物候选颗粒的颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。例如：当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，且所述颗粒表面线条数量未超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；当所述颗粒表面线条数量超出预设的线条数量阈值范围，且所述颗粒颜色RGB像素值未超出预设的颜色阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，且所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示。进一步地，可以采用声光警报器、蜂鸣器等作为警示器件，通过将警示信号传输至警示器件发出警报，能够提醒相关人员对异物进行处理，有效降低安全隐患。
进一步地，如图4和图5所示，当CountourNum-CountourNumaverage>ThresholdN或CountourNumaverage-ountourNum<ThresholdN时，则判定对应的所述异物候选颗粒为异物并发出警示。
如图6所示，为了对原料中的异物进行较好地识别与检测，发明人提出的原料异物识别方法的实施例二包括：
S301：采集原始原料图像；所述原始原料图像包括：轮廓标注信息；
S302：将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
S303：获取待识别图像；
S304：将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的颗粒轮廓信息，所述颗粒轮廓信息为所述待识别图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息包括：待识别颗粒的等效直径；
S305：根据所述颗粒轮廓信息，确定待识别图像中的异物，即通过判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，确定待识别图像中的异物，当所述待识别颗粒的等效直径超出预设的尺寸阈值时，则判定该待识别颗粒为异物。通过判断待识别颗粒的等效直径是否超出预设的尺寸阈值，能够较好地判定出对应的待识别颗粒是否为异物，实施较方便。
为了便于获取待识别颗粒的等效直径，发明人提出：所述颗粒轮廓信息还包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径，进而获取异物候选颗粒。获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure BDA0003052225540000081
其中，D为待识别颗粒的等效直径，Daverage为预先设置的正常物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。可以理解的，当待识别颗粒的等效直径与预先设置的正常物料颗粒等效直径平均值之间的差值大于或等于预设的尺寸阈值时，则判定该待识别颗粒为异物候选颗粒。
如图7所示，为了对矿石等原料中的异物进行较好地识别与检测，发明人提出实施例三，包括：
S401：采集原始原料图像；所述原始原料图像包括：轮廓标注信息；
S402：将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
S403：获取待识别图像；
S404：将所述待识别图像输入轮廓分割模型进行轮廓分割，获取待识别颗粒；
S405：获取所述待识别颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
其中，获取颗粒颜色RGB像素值的步骤包括：
在所述待识别图像中建立参考坐标系，进而确定所述待识别颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述待识别颗粒的颗粒颜色RGB像素值；
获取所述待识别颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052225540000091
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C2是待识别颗粒的颗粒颜色RGB像素值。
进一步地，获取颗粒表面线条数量的步骤包括：
构建边缘检测网络；
将训练数据集输入所述边缘检测网络进行训练，获取边缘检测模型；
将所述待识别图像输入所述边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
S406：根据所述颗粒表面信息，对所述待识别图像进行异物识别。即当所述待识别颗粒的颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述待识别颗粒的颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述待识别颗粒为异物并发出警示。通过获取待识别图像的颗粒表面信息，并根据所述颗粒表面信息，对所述待识别图像进行异物识别，能够提高对所述待识别图像进行异物识别的精确度，自动化程度较高，实施较方便。
如图8所示，本实施例还提供一种原料异物识别系统，包括：
预采集模块，用于采集原始原料图像；
训练模块，用于将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
采集模块，用于获取待识别图像；
处理模块，用于将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
识别模块，用于根据所述原料颗粒关联信息，进行原料异物识别；所述预采集模块、训练模块、采集模块、处理模块和识别模块依次连接。通过将原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型，并将待识别图像输入轮廓分割模型进行轮廓分割，获取待识别图像中的原料颗粒关联信息，根据原料颗粒关联信息，进行原料异物识别，提高对原料中异物识别的精确度，自动化程度较高，避免产生安全隐患，可实施性较强，成本较低。
在一些实施例中，获取所述待识别图像中的原料颗粒关联信息的步骤包括：
将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中颗粒轮廓信息，所述颗粒轮廓信息包括：待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
根据所述异物候选颗粒，进行原料异物识别。
在一些实施例中，根据所述异物候选颗粒，进行原料异物识别的步骤包括：
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述待识别图像中的异物。
在一些实施例中，所述颗粒轮廓信息为所述待识别图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息还包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径，进而获取异物候选颗粒；获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure BDA0003052225540000101
其中，D为待识别颗粒的等效直径，Daverage为预先设置的物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。
在一些实施例中，获取颗粒颜色RGB像素值的步骤包括：
在所述待识别图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052225540000102
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
在一些实施例中，获取颗粒表面线条数量的步骤包括：
构建边缘检测网络；
将训练数据集输入所述边缘检测网络进行训练，获取边缘检测模型；
将所述待识别图像输入所述边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
在一些实施例中，根据所述颗粒表面信息，确定所述待识别图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
本实施例还提供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本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种原料异物识别方法，其特征在于，包括：
采集原始原料图像；
将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
获取待识别图像；
将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
根据所述原料颗粒关联信息，进行原料异物识别。
2.根据权利要求1所述的原料异物识别方法，其特征在于，获取所述待识别图像中的原料颗粒关联信息的步骤包括：
将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中颗粒轮廓信息，所述颗粒轮廓信息包括：待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
根据所述异物候选颗粒，进行原料异物识别。
3.根据权利要求2所述的原料异物识别方法，其特征在于，根据所述异物候选颗粒，进行原料异物识别的步骤包括：
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述待识别图像中的异物。
4.根据权利要求1所述的原料异物识别方法，其特征在于，所述颗粒轮廓信息为所述待识别图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息还包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径，进而获取异物候选颗粒；
获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure FDA0003052225530000011
其中，D为待识别颗粒的等效直径，Daverage为预先设置的物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。
5.根据权利要求3所述的原料异物识别方法，其特征在于，获取颗粒颜色RGB像素值的步骤包括：
在所述待识别图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure FDA0003052225530000021
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
6.根据权利要求3所述的原料异物识别方法，其特征在于，获取颗粒表面线条数量的步骤包括：
构建边缘检测网络；
将训练数据集输入所述边缘检测网络进行训练，获取边缘检测模型；
将所述待识别图像输入所述边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
7.根据权利要求3所述的原料异物识别方法，其特征在于，根据所述颗粒表面信息，确定所述待识别图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
8.一种原料异物识别系统，其特征在于，包括：
预采集模块，用于采集原始原料图像；
训练模块，用于将所述原始原料图像输入轮廓分割神经网络进行训练，获取轮廓分割模型；
采集模块，用于获取待识别图像；
处理模块，用于将所述待识别图像输入轮廓分割模型进行轮廓分割，获取所述待识别图像中的原料颗粒关联信息，所述原料颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
识别模块，用于根据所述原料颗粒关联信息，进行原料异物识别；所述预采集模块、训练模块、采集模块、处理模块和识别模块连接。
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：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述方法。
CN202110490388.8A 2021-05-06 2021-05-06 一种原料异物识别方法、系统、介质及电子终端 Pending CN113177922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110490388.8A CN113177922A (zh) 2021-05-06 2021-05-06 一种原料异物识别方法、系统、介质及电子终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110490388.8A CN113177922A (zh) 2021-05-06 2021-05-06 一种原料异物识别方法、系统、介质及电子终端

Publications (1)

Publication Number Publication Date
CN113177922A true CN113177922A (zh) 2021-07-27

Family

ID=76928442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110490388.8A Pending CN113177922A (zh) 2021-05-06 2021-05-06 一种原料异物识别方法、系统、介质及电子终端

Country Status (1)

Country Link
CN (1) CN113177922A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591740A (zh) * 2021-08-04 2021-11-02 清华大学 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN115196250A (zh) * 2022-09-19 2022-10-18 山西戴德测控技术有限公司 一种异物识别方法、装置、系统及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824304A (zh) * 2014-03-18 2014-05-28 中国矿业大学(北京) 传送带上矿石传送过程中故障诊断方法
CN107742292A (zh) * 2017-10-31 2018-02-27 成都意町工业产品设计有限公司 一种高压输电线路上的异物巡检系统
CN108510539A (zh) * 2018-05-09 2018-09-07 中国矿业大学(北京) 一种基于图像分析的煤炭产量监测方法
CN108764202A (zh) * 2018-06-06 2018-11-06 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN109447071A (zh) * 2018-11-01 2019-03-08 博微太赫兹信息科技有限公司 一种基于fpga和深度学习的毫米波成像危险物品检测方法
CN109816675A (zh) * 2018-12-28 2019-05-28 歌尔股份有限公司 物体的检测方法、检测装置及存储介质
JP2019174411A (ja) * 2018-03-29 2019-10-10 住友化学株式会社 画像処理装置、異物検査装置、画像処理方法、および異物検査方法
CN111161292A (zh) * 2019-11-21 2020-05-15 合肥合工安驰智能科技有限公司 一种矿石尺度测量方法及应用系统
CN111415364A (zh) * 2020-03-29 2020-07-14 中国科学院空天信息创新研究院 一种计算机视觉中图像分割样本的转换方法、系统及存储介质
CN112001878A (zh) * 2020-05-21 2020-11-27 合肥合工安驰智能科技有限公司 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
US20210104038A1 (en) * 2019-10-07 2021-04-08 Institute For Cancer Research D/B/A The Research Institute Of Fox Chase Cancer Center Retained Surgical Items
CN112712134A (zh) * 2021-01-15 2021-04-27 中冶赛迪重庆信息技术有限公司 一种原料颗粒分类识别方法、系统、介质及电子终端

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824304A (zh) * 2014-03-18 2014-05-28 中国矿业大学(北京) 传送带上矿石传送过程中故障诊断方法
CN107742292A (zh) * 2017-10-31 2018-02-27 成都意町工业产品设计有限公司 一种高压输电线路上的异物巡检系统
JP2019174411A (ja) * 2018-03-29 2019-10-10 住友化学株式会社 画像処理装置、異物検査装置、画像処理方法、および異物検査方法
CN108510539A (zh) * 2018-05-09 2018-09-07 中国矿业大学(北京) 一种基于图像分析的煤炭产量监测方法
CN108764202A (zh) * 2018-06-06 2018-11-06 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN109447071A (zh) * 2018-11-01 2019-03-08 博微太赫兹信息科技有限公司 一种基于fpga和深度学习的毫米波成像危险物品检测方法
CN109816675A (zh) * 2018-12-28 2019-05-28 歌尔股份有限公司 物体的检测方法、检测装置及存储介质
US20210104038A1 (en) * 2019-10-07 2021-04-08 Institute For Cancer Research D/B/A The Research Institute Of Fox Chase Cancer Center Retained Surgical Items
CN111161292A (zh) * 2019-11-21 2020-05-15 合肥合工安驰智能科技有限公司 一种矿石尺度测量方法及应用系统
CN111415364A (zh) * 2020-03-29 2020-07-14 中国科学院空天信息创新研究院 一种计算机视觉中图像分割样本的转换方法、系统及存储介质
CN112001878A (zh) * 2020-05-21 2020-11-27 合肥合工安驰智能科技有限公司 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
CN112712134A (zh) * 2021-01-15 2021-04-27 中冶赛迪重庆信息技术有限公司 一种原料颗粒分类识别方法、系统、介质及电子终端

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591740A (zh) * 2021-08-04 2021-11-02 清华大学 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN113591740B (zh) * 2021-08-04 2024-05-14 清华大学 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN115196250A (zh) * 2022-09-19 2022-10-18 山西戴德测控技术有限公司 一种异物识别方法、装置、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109508688B (zh) 基于骨架的行为检测方法、终端设备及计算机存储介质
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN106568783B (zh) 一种五金零件缺陷检测系统及方法
CN111860060A (zh) 目标检测方法、装置、终端设备及计算机可读存储介质
CN106709524B (zh) 一种电气工程图中的元件符号检测与识别方法
CN110929713B (zh) 一种基于bp神经网络的钢印字符识别方法
CN113177922A (zh) 一种原料异物识别方法、系统、介质及电子终端
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
CN116188462A (zh) 一种基于视觉鉴定的贵金属质量检测方法及系统
CN105740872B (zh) 图像特征提取方法及其装置
CN109389105B (zh) 一种基于多任务的虹膜检测和视角分类方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111833369A (zh) 一种矾花图像处理方法、系统、介质及电子设备
CN114005058A (zh) 粉尘识别方法、装置及终端设备
CN112052782A (zh) 基于环视的停车位识别方法、装置、设备及存储介质
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN114627116B (zh) 一种基于人工智能的织物疵点识别方法及系统
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN114782473A (zh) 一种基于像素关系的金相组织晶界提取方法
CN113989196A (zh) 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN112967226A (zh) 一种基于人工智能的高反光制品检测系统、方法及介质
CN105844651A (zh) 一种图像分析装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210727