CN113270156B - 基于图像处理的机制砂石粉的检测建模、检测方法及系统 - Google Patents
基于图像处理的机制砂石粉的检测建模、检测方法及系统 Download PDFInfo
- Publication number
- CN113270156B CN113270156B CN202110472418.2A CN202110472418A CN113270156B CN 113270156 B CN113270156 B CN 113270156B CN 202110472418 A CN202110472418 A CN 202110472418A CN 113270156 B CN113270156 B CN 113270156B
- Authority
- CN
- China
- Prior art keywords
- image
- machine
- made sand
- detection
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—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
- G06T2207/30204—Marker
Abstract
本发明属于机制砂石粉检测领域,公开了一种基于图像处理的机制砂石粉检测模型建立及检测方法。包括以下步骤:获取机制砂图像及人工标注,以制作检测模型数据集;创建基于深度学习图像处理技术的石粉检测模型;获取机制砂图像中石粉的区域;将测试样本输入该模型进行测试,并得出分割结果。本发明提升图像的清晰度以提升检测准确率,不但杜绝了人为因素,还解决了检测步骤繁琐的问题,在保证检测较高准确率的同时大大缩短了检测的时间。
Description
技术领域
本发明属于机制砂石粉检测领域,具体涉及一种基于图像处理的机制砂石粉检测建模、检测方法及系统。
背景技术
机制砂是指岩石经除土开采、机械破碎、筛分制成的,粒径在4.75mm以下的岩石颗粒。机制砂是机制砂混凝土的细骨料,对机制砂高性能混凝土的影响十分显著,特别的是机制砂生产过程中容易引入石粉,较高或较低的石粉含量对机制砂高性能混凝土的强度、工作性、耐久性和经济性都会造成一定的不良影响,因此需对机制砂石粉含量指标进行检测以及严格控制对混凝土的质量有着重要的意义。
目前机制砂石粉的测定为亚甲蓝试验,它的试验原理是观察机制砂与水搅拌制成的悬浊液中是否有游离的亚甲蓝放射出的浅蓝色色晕,来判断机制砂对染料溶液的吸附情况,然后计算亚甲蓝值MBV,即每1000g试样吸收的亚甲蓝的克数,从而反映出石粉的多少。该方法需称重、搅拌、烘干、冷却等步骤,程序繁锁且时间久,人为的观察及环境因素还会对实验数据造成不可避免的影响。故智能化、自动化的设备被迫切需要。
发明内容
本发明的目的在于提供一种于图像处理的机制砂石粉检测建模、检测方法及系统,用以解决现有技术中机制砂石粉难以测量的问题。
为了实现上述任务,本发明采用以下技术方案:
基于图像处理的机制砂石粉的检测建模方法,包括如下步骤:
步骤1:获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集;
步骤2:建立卷积神经网络,所述的卷积神经网络特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子;
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
步骤3:将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型。
进一步的,步骤1中所述预处理包括:以放大20倍的倍数采集原始机制砂图像,对原始机制砂图像依次进行无损放大、强化纹理细节、滤波和轮廓提取操作。
进一步的,所述特征提取层采用3个连续的标准残差卷积块,所述多通道特征图的通道数为64、128或256。
基于图像处理的机制砂石粉检测方法,包括如下步骤:
步骤一:获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;
步骤二:将待检测的机制砂图像输入如任一种基于图像处理的机制砂石粉的检测建模方法得到的机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图。
基于图像处理的机制砂石粉检测系统,包括图像采集模块、模型建立模块、模型训练模块和检测模块;
所述的图像采集模块用于获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集;
所述的模型建立模块用于建立卷积神经网络,所述的卷积神经网络特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子;
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
所述的模型训练模块用于将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型;
所述的检测模块用于获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;将待检测的机制砂图像输机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图。
进一步的,所述预处理包括:以放大20倍的倍数采集原始机制砂图像,对原始机制砂图像依次进行无损放大、强化纹理细节、滤波和轮廓提取操作。
进一步的,所述特征提取层采用3个连续的标准残差卷积块,所述多通道特征图的通道数为64、128或256。
本发明与现有技术相比具有以下技术特点:
(1)本发明使用30倍放大倍数的显微镜采集的图像作为图像处理模块的输入图像,提升图像的清晰度以提升检测准确率,图像处理技术不但杜绝了人为因素,还解决了检测步骤繁琐的问题,在保证检测较高准确率的同时大大缩短了检测的时间。
(2)本发明能够实现自动化检测,以满足当下的市场需求。
附图说明
图1是本发明方法的流程图;
图2是机制砂部分原图及标注图;
图3是机制砂四种算子提取特征图及提升效果图;
图4是机制砂原图与结果图的对比图;
图5是卷积神经网络结构示意图。
具体实施方式
首先对本发明中出现的技术词语进行解释说明:
通道:每一个通道对应一类提取到的特征。
多通道特征图:包括卷积后提取到的全部特征图,每张特征图对应一个通道的特征。
低通道特征图:包括光照强度、对比度、几何变化、砂粉边缘这四类特征的四张特征图。
类别概率图:类别概率是机制砂图像中各个类别的概率,其中,机制砂背景为一类,机制砂上的石粉为一类。
二值化检测图:经过阈值分割,分割出石粉区域后得到的二值化图,石粉区域为1,背景为0。
在本实施例中公开了一种基于图像处理的机制砂石粉检测模型建立方法,包括如下步骤:
步骤1:获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集,部分原图及标注图如图2(a)和图2(b)所示;
步骤2:建立卷积神经网络,所述的卷积神经网络特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子,提取到的特征图如图3(a1)(b1)(c1)(d1)所示;
机制砂图像的检测不需要用到全部特征,仅需用到其中光照强度、对比度、几何变化、砂粉边缘细节相关特征,因此特征选择后的可将卷积后的通道数降低40%以上。去掉冗余的图像特征,只保留检测所需特征,并增强这些特征,可减少模型的运算量,提升检测精度。
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子,提升后的效果图如图3(a2)(b2)(c2)(d2)所示;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
步骤3:将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型。
具体的,步骤1中所述预处理包括:以放大20倍的倍数采集原始机制砂图像,对原始机制砂图像依次进行无损放大、强化纹理细节、滤波和轮廓提取等操作。
具体的,步骤1中对每张原始机制砂图像中的石粉区域进行标注是指将预处理过的图像使用掩膜图像标注软件,对石粉区域进行像素级别标注,获得标注的掩膜图像。
具体的,所述特征提取层采用3个连续的标准残差卷积块,所述多通道特征图的通道数为64、128或256。
具体的,低通道特征图中,每个通道的尺寸均为64*64*16。
具体的,所述网络参数的固化过程是通过加入数据集的神经网络训练,由梯度下降法优化交叉熵损失函数的输出数值,并通过反向传播更新网络的权重,直到损失达到最小值。
具体的,所述的反向卷积层用于将增强的低通道数特征图进行反卷积运算,逐步压缩特征通道数,提升特征图尺寸,通过上下交互式特征匹配提升语义信息的空间准确率得到原图尺寸的2通道检测特征图像,所述的softmax层用于进行像素类型判断,输出类别概率图;根据模型训练情况设定阈值,并通过阈值判断生成最终的二值化检测图。
具体的,步骤2中卷积神经网络是由卷积层、池化层、softmax层组合而成的人工智能神经网络,其网络权重通过加入训练集、验证集的模型训练所得,针对每一个数据集,均有最优的一组权重。检测模型是权重固化的神经网络,网络输入为待检测的机制砂图像,输出为二值化的检测图。神经网络结构包含编码、解码两大模块,编码模块由卷积层和池化层组成,其作用为将输入图像进行特征提取并进行特征压缩,即将输入图像由二维图像压缩成一维的特征向量,解码模块是将压缩的特征向量进行反向卷积运算,将特征向量还原为二维特征图,通过softmax层进行像素类型判断,输出类别概率图,根据模型训练情况设定阈值,并通过阈值判断生成最终的二值化检测图。
本实施例中还公开了一种基于图像处理的机制砂石粉检测方法,包括如下步骤:
步骤一:获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;
步骤二:将待检测的机制砂图像输入机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图。
该检测模型输出的二值图中的白色区域为检测出的石粉区域,黑色背景为其他内容。得出分割出来的机制砂中的石粉部分的图像,得到获取的特征值与机制砂图像的像素面积比值。该比值是对分割出来的机制砂石粉部分的进行量化分析的一个参考值,该值与机制砂石粉含量标准可以形成对应的映射,最终依据此值可以判断出机制砂的石粉含量是否合格。
具体的,步骤一获取待检测的原始机制砂图像包括:选取不同含石粉量的机制砂原样若干颗,使用奥林巴斯显微镜,调整光源、放大倍数等,以放大20倍的倍数采集机制砂图像;并对显微镜采集到的图像做了预处理工作,包括结合显微镜进行图像无损放大、强化纹理细节、使用双边滤波器及数据增强完成滤波和轮廓提取等操作。
本实施例还公开了一种基于图像处理的机制砂石粉检测系统,包括图像采集模块、模型建立模块、模型训练模块和检测模块;
所述的图像采集模块用于获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集;
所述的模型建立模块用于建立卷积神经网络,所述的卷积神经网络特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子;
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
所述的模型训练模块用于将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型;
所述的检测模块用于获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;将待检测的机制砂图像输机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图。
实施例1
本实施例中公开了一种基于图像处理的机制砂石粉检测模型建立方法,在上述实施例的基础上,还公开了如下技术特征:
步骤1中取机制砂试样15颗;使用光学显微镜,放大倍数为20倍,光源自动调节,拍摄景深图像;通过图像处理得到机制砂的石粉含量。再由规范判定其石粉含量是否合格。步骤2建立卷积神经网络如图5所示,步骤3在训练时,按照8:1:1的比例将机制砂图像集分为训练集、验证集、测试集参与训练。
所述的图像处理包括获取机制砂区域、获取特征值、反转、取模、相乘、计算结果等操作。其中获取机制砂区域是只提取图像中含有机制砂部分,排除背景因素对结果的影响;结合分割出机制砂中的石粉部分的图像,随后计算结果,即获取的特征值与机制砂图像的像素面积比值。
待检测原始机制砂图检测和得到的二值化检测图如图4所示,其中图4(a)是原图,图4(b)是机制砂区域,图4(c)二值化检测图,可以看出本方法有效检测出附着在机制砂表面的石粉含量。机制砂表面上的石粉基本上被识别并分割了出来,经过验证,该快速检测系统的检测速率与传统的检测方法相比,在保证正确率的前提下,由几十小时到几分钟,将近提升了100至200倍;具有可靠的精度,有非常重要的商业价值。
为了验证该方法的有效性,本发明采用评价指标F(面积比)、准确率(Accuracy)、召回率(Recall)和平均交并比(MIoU)对模型进行评价,计算公式如下:
其中,s1是机制砂面积,s2是机制砂中含有的石粉面积;根据IOU的计算法则即IOU阈值,若两个区域IOU值大于IOU阈值,其中A和B对应s1和s2,则剔除置信度较低的b边界框;召回率代表检测网络检测出的石粉区域的数量与所有真实存在的待检测区域的比例,准确率代表检测出的石粉区域中为真实有效区域的比例。其中,Precision、Recall均由检测样本混淆矩阵中的TP:真阳性,TN:真阴性,FP:假阳性,FN:假阴性指标决定。
Claims (3)
1.基于图像处理的机制砂石粉的检测建模方法,其特征在于,包括如下步骤:
步骤1:获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集;
步骤2:建立卷积神经网络,所述的卷积神经网络包括 特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子;
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
步骤3:将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型;
步骤1中所述预处理包括:以放大20倍的倍数采集原始机制砂图像,对原始机制砂图像依次进行无损放大、强化纹理细节、滤波和轮廓提取操作;
步骤1中对每张原始机制砂图像中的石粉区域进行标注是指将预处理过的图像使用掩膜图像标注软件,对石粉区域进行像素级别标注,获得标注的掩膜图像;
所述特征提取层采用3个连续的标准残差卷积块,所述多通道特征图的通道数为64、128或256。
2.基于图像处理的机制砂石粉检测方法,其特征在于,包括如下步骤:
步骤一:获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;
步骤二:将待检测的机制砂图像输入如权利要求1所述的基于图像处理的机制砂石粉的检测建模方法得到的机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图。
3.基于图像处理的机制砂石粉检测系统,其特征在于,包括图像采集模块、模型建立模块、模型训练模块和检测模块;
所述的图像采集模块用于获取原始机制砂图像集,对原始机制砂图像集进行预处理,得到机制砂图像集;对每张原始机制砂图像中的石粉区域进行标注,获得标注后的掩膜图像集;
所述的模型建立模块用于建立卷积神经网络,所述的卷积神经网络包括 特征提取层、特征选择层、特征优化层和特征还原层;
所述的特征提取层用于对输入图像进行特征提取,输出多通道特征图,所述的特征提取层包括多个连续的标准残差卷积块;
所述的特征选择层用于从多通道特征图筛选出低通道特征图,所述的特征选择层包括多个特征算子,所述的特征算子包括光照强度算子、对比度算子、几何变化算子和砂粉边缘细节算子;
所述的特征优化层用于对低通道特征图进行强化增强并进行特征融合,得到融合的增强特征图,所述的特征优化层包括多个特征提升算子,所述的特征提升算子包括光照强度提升算子、对比度提升算子、随机几何变化算子和边缘细节提升算子;
所述的特征还原层包括四层反向卷积层和softmax层,所述的反向卷积层用于压缩融合的增强特征图的通道数并提升压缩增强特征图的尺寸,所述的softmax层用于生成二值化检测图;
所述的模型训练模块用于将机制砂图像集作为训练集,将标注的掩膜图像集作为标签集对卷积神经网络进行训练,将训练好的模型作为机制砂石粉检测模型;
所述的检测模块用于获取待检测的原始机制砂图像,对待检测的原始机制砂图像进行预处理,得到待检测的机制砂图像;将待检测的机制砂图像输入 机制砂石粉检测模型中,输出该待检测的机制砂图像的二值化检测图;
所述预处理包括:以放大20倍的倍数采集原始机制砂图像,对原始机制砂图像依次进行无损放大、强化纹理细节、滤波和轮廓提取操作;
所述特征提取层采用3个连续的标准残差卷积块,所述多通道特征图的通道数为64、128或256。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472418.2A CN113270156B (zh) | 2021-04-29 | 2021-04-29 | 基于图像处理的机制砂石粉的检测建模、检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472418.2A CN113270156B (zh) | 2021-04-29 | 2021-04-29 | 基于图像处理的机制砂石粉的检测建模、检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113270156A CN113270156A (zh) | 2021-08-17 |
CN113270156B true CN113270156B (zh) | 2022-11-15 |
Family
ID=77229805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110472418.2A Active CN113270156B (zh) | 2021-04-29 | 2021-04-29 | 基于图像处理的机制砂石粉的检测建模、检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113270156B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
CN108872115A (zh) * | 2018-07-30 | 2018-11-23 | 宁波工程学院 | 石粉对聚羧酸减水剂吸附量的uv导数光谱定量分析方法 |
CN109975273A (zh) * | 2019-03-07 | 2019-07-05 | 四川大学 | 一种基于激光诱导击穿光谱的岩石分类方法 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111191583A (zh) * | 2019-12-30 | 2020-05-22 | 郑州科技学院 | 基于卷积神经网络的空间目标识别系统及方法 |
CN111611861A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于多尺度特征关联的图像变化检测方法 |
CN112604937A (zh) * | 2021-01-06 | 2021-04-06 | 中铁十二局集团有限公司 | 一种机制砂石粉筛分装置及机制砂石粉形状分类方法 |
CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
CN110287849B (zh) * | 2019-06-20 | 2022-01-07 | 北京工业大学 | 一种适用于树莓派的轻量化深度网络图像目标检测方法 |
CN110969608B (zh) * | 2019-11-29 | 2023-04-07 | 华侨大学 | 一种基于图像法的机制砂级配修正系统 |
-
2021
- 2021-04-29 CN CN202110472418.2A patent/CN113270156B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及系统 |
CN108872115A (zh) * | 2018-07-30 | 2018-11-23 | 宁波工程学院 | 石粉对聚羧酸减水剂吸附量的uv导数光谱定量分析方法 |
CN109975273A (zh) * | 2019-03-07 | 2019-07-05 | 四川大学 | 一种基于激光诱导击穿光谱的岩石分类方法 |
CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111191583A (zh) * | 2019-12-30 | 2020-05-22 | 郑州科技学院 | 基于卷积神经网络的空间目标识别系统及方法 |
CN111611861A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于多尺度特征关联的图像变化检测方法 |
CN112604937A (zh) * | 2021-01-06 | 2021-04-06 | 中铁十二局集团有限公司 | 一种机制砂石粉筛分装置及机制砂石粉形状分类方法 |
CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Nishank Saxena等."Application of deep learning for semantic segmentation of sandstone thin sections".《Computers and Geosciences》.2021, * |
黄晓宇."基于动态图像法的机制砂级配测量及补偿算法研究".《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》.2021, * |
Also Published As
Publication number | Publication date |
---|---|
CN113270156A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
CN109584286B (zh) | 一种基于广义回归神经网络的沥青路面构造深度计算方法 | |
CN110415233A (zh) | 基于两步卷积神经网络的路面裂缝快速提取方法 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN114897781A (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN109146888B (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN103971367B (zh) | 水文资料图像分割方法 | |
CN113903471A (zh) | 基于组织病理学图像和基因表达数据的胃癌患者生存风险预测方法 | |
CN114022474A (zh) | 一种基于yolo-v4的颗粒级配快速检测方法 | |
CN115170479A (zh) | 一种沥青路面修补病害自动提取方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN113270156B (zh) | 基于图像处理的机制砂石粉的检测建模、检测方法及系统 | |
CN111307070B (zh) | 基于数字图像处理对混凝土粗集料的棱角度测量方法 | |
CN112613505A (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
CN110889834A (zh) | 一种基于云计算的公路隧道围岩分级方法 | |
CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
CN116109813A (zh) | 一种钻锚孔识别方法、系统、电子设备及介质 | |
CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
CN115439690A (zh) | 一种结合CNN和Transformer的烤烟烟叶图像分级方法 |
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 |