CN113674201A - 一种骨料粒径抽样监测方法 - Google Patents
一种骨料粒径抽样监测方法 Download PDFInfo
- Publication number
- CN113674201A CN113674201A CN202110780443.7A CN202110780443A CN113674201A CN 113674201 A CN113674201 A CN 113674201A CN 202110780443 A CN202110780443 A CN 202110780443A CN 113674201 A CN113674201 A CN 113674201A
- Authority
- CN
- China
- Prior art keywords
- image
- aggregate
- value
- particle size
- belt
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及骨料监测方法技术领域，特别涉及一种骨料粒径抽样监测方法，其包括皮带运行检测、摄像机拍摄图像、图像预分析、图像处理、比对判断，其中图像预分析，选取图像上下左右边缘的四条线，分别计算四条线上的各像素灰度值,分别计算四条线上像素点灰度值的差分值，分别计算每条线上像素点灰度值的方差；当满足每条线上各像素点灰度的差分值的绝对值求和大于数据库内对应的预设值，并且每条线上各像素点灰度的差分值的绝对值的方差大于数据库内对应的预设值时判断为有效图像。图像预分析通过对方形图像边缘灰度值的差值的进行简易判断，排除了无效图像对监测结果的干扰，降低了后续图像处理的计算量，提高准确度。
Description
技术领域
本发明涉及骨料监测方法技术领域，特别涉及一种骨料粒径抽样监测方法。
背景技术
骨料是沥青混合料与水泥混凝土的主要用料，骨料级配的准确性对最终成品料的质量有着较大影响。目前生产设备运行过程中，对于骨料粒径的判断一般是在料堆上进行取样筛分判断，设备上没有有效的对骨料粒径是否合格进行监测的装置，实际上的料堆骨料量大，需要消耗较多的人力，也很难做到具有代表性的检测，若料堆中存在部分粒径不合格的骨料，通过这种检测方式很难发现，容易导致设备生产的成品不合格，也有可能导致设备的损坏。
发明内容
为克服现有技术中的不足，本发明提供一种低计算量，高准确度，实时监测且低延时性的骨料粒径抽样监测方法。
为实现上述目的，本发明采用的技术方案如下：一种骨料粒径抽样监测方法，其特征在于包括如下步骤：
a.皮带运行检测，距离传感器朝向皮带进行间距测量，通过测量数据与数据库内对应的预设数据进行比对判断皮带是否运行及皮带上是否运载有骨料；若皮带运行且运载有骨料则进行步骤b；
b.摄像机拍摄图像，摄像机朝向皮带进行图像拍摄，获取方形图像，所述方形图像的各边缘均处于皮带范围内；
c.图像预分析，对方形图像边缘像素进行提取，选取图像上下边缘若干行像素组成的两条水平线，选取图像左右边缘若干列像素组成的两条竖直线，分别计算四条线上的各像素灰度值,分别计算四条线上像素点灰度值的差分值，分别计算每条线上像素点灰度值的方差；当满足每条线上各像素点灰度的差分值的绝对值求和大于数据库内对应的预设值，并且每条线上各像素点灰度的差分值的绝对值的方差大于数据库内对应的预设值时判断为有效图像，否则判断为图像不完整为无效图像；
d.图像处理，对有效图像进行处理，获得图上各骨料的颗粒信息；
e.比对判断，对一段时间内所有的有效图像的各骨料的颗粒信息进行整合，获得实际骨料级配曲线，将实际骨料级配曲线与数据库中预设骨料级配曲线进行比对计算，获得偏移度数值，通过偏移度数值判断骨料是否合格，若不合格则发送报警信息提示。
进一步的，皮带运行检测包括：距离传感器朝向皮带进行间距测量，通过测量数据获取皮带上骨料的料位高度信息，距离传感器通过一设定频率进行连续化测量，采集间隔时间为50ms-200ms，取1s内的间距测量结果进行平均值及极差计算，判断平均值与极差是否满足数据库内预设值，若连续2s均满足，则判定皮带运行且皮带上运载有骨料。
进一步的，图像处理包括：对有效图像进行灰度均匀化处理，将图像均匀分为若干个子分区，统计出每个子分区的灰度分布，根据各个分区的差异，选择灰度适中的灰度作为目标灰度对各个子区间的灰度进行加强；通过中值滤波与双边滤波方式去除图像的噪声点以及奇异点；进行灰度重构，利用过滤灰度极大值点的方式将图像中的灰度值大于设定阈值的区域进行重新定义；将得到的图像进行边缘提取，并通过距离变换得到一幅新的灰度图像，对距离变换后的图像进行分水岭计算并分割，将新的灰度图像叠加到原图并扣除黑色背景区域，得到对应骨料的颗粒位置的分割图像。
进一步的，图像处理还包括：通过计算各个骨料颗粒的等效椭圆Feret径作为识别骨料的粒径，统计每一张图像的每个骨料的粒径和面积，通过面积与粒径的乘积表示骨料颗粒体积，即获得骨料粒径及体积的颗粒信息。
进一步的，比对判断包括：根据骨料粒径分为若干子粒径区间，计算各子粒径区间内的骨料的体积占总体积的比例，得到实际骨料级配曲线。
进一步的，对比判断还包括：将实际骨料级配曲线的各子粒径区间的体积占比，与预设骨料级配曲线对应各子粒径区间的体积占比进行差值计算，且计算各差值的绝对值之和，差值、差值的绝对值之和为所述偏移度数值，判断差值的最大值和绝对值之和是否均小于数据库中的预设值，两者均满足条件即表示监测骨料粒径合格，否则，判定不合格并发送报警信息提示。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种骨料粒径抽样监测方法，对皮带上运送的骨料进行在线实时抽样监测，相比于对堆料进行检测的方式极大降低了时延性，当出现骨料级配出问题后可及时发现以进行相应处理，保证了最终产品的质量。通过距离传感器对皮带进行料位高度的监测，以极低的计算量实现了对皮带是否运行及皮带是否运载骨料的判断，效率高。摄像机在皮带上拍摄方形图像，图像预分析通过对方形图像边缘灰度值的差值的进行简易判断，即可识别出图像是否为有效图像，排除了无效图像对监测结果的干扰，图像预分析极大降低了后续图像处理的计算量，提高准确度。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
一种骨料粒径抽样监测方法，包括如下步骤：
a.皮带运行检测，距离传感器朝向皮带进行间距测量，通过测量数据获取皮带上骨料的料位高度信息，距离传感器通过一设定频率进行连续化测量，采集间隔时间为50ms-200ms，优选100ms进行一次测量，取1s内的间距测量结果进行平均值及极差计算，判断平均值与极差是否满足数据库内预设值，若连续2s均满足，则判定皮带运行且皮带上运载有骨料，若皮带运行且运载有骨料则进行步骤b；
b.摄像机拍摄图像，摄像机朝向皮带进行图像拍摄，获取方形图像，所述方形图像的各边缘均处于皮带范围内；
c.图像预分析，对方形图像边缘像素进行提取，选取图像上下边缘若干行像素组成的两条水平线，优选四行像素，选取图像左右边缘若干列像素组成的两条竖直线，优选四行像素，分别计算四条线上的各像素灰度值,分别计算四条线上像素点灰度值的差分值，分别计算每条线上像素点灰度值的方差；当满足每条线上各像素点灰度的差分值的绝对值求和大于数据库内对应的预设值，并且每条线上各像素点灰度的差分值的绝对值的方差大于数据库内对应的预设值时判断为有效图像，否则判断为图像不完整为无效图像；
d.图像处理，对有效图像进行灰度均匀化处理，将图像均匀分为若干个子分区，统计出每个子分区的灰度分布，根据各个分区的差异，选择灰度适中的灰度作为目标灰度对各个子区间的灰度进行加强；通过中值滤波与双边滤波方式去除图像的噪声点以及奇异点；进行灰度重构，利用过滤灰度极大值点的方式将图像中的灰度值大于设定阈值的区域进行重新定义；将得到的图像进行边缘提取，并通过距离变换得到一幅新的灰度图像，对距离变换后的图像进行分水岭计算并分割，将新的灰度图像叠加到原图并扣除黑色背景区域，得到对应骨料的颗粒位置的分割图像；通过计算各个骨料颗粒的等效椭圆Feret径作为识别骨料的粒径，统计每一张图像的每个骨料的粒径和面积，通过面积与粒径的乘积表示骨料颗粒体积，即获得骨料粒径及体积的颗粒信息；
e.比对判断，对一段时间内所有的有效图像的各骨料的颗粒信息进行整合，根据骨料粒径分为若干子粒径区间，计算各子粒径区间内的骨料的体积占总体积的比例，得到实际骨料级配曲线，将实际骨料级配曲线的各子粒径区间的体积占比，与预设骨料级配曲线对应各子粒径区间的体积占比进行差值计算，且计算各差值的绝对值之和，差值、差值的绝对值之和为偏移度数值，判断差值的最大值和绝对值之和是否均小于数据库中的预设值，两者均满足条件即表示监测骨料粒径合格，否则，判定不合格并发送报警信息提示。
图像预分析的原理为：骨料在输送开始阶段，输送即将结束的尾料阶段、中途暂停及重启阶段，皮带上的骨料并不均匀，表现为较大部分的位置骨料缺失，若将这些阶段进行监测并计算输出的结果将会有较大的偏差，输出错误结果而产生误报警，因此需要图像预分析识别出这些无效阶段的图像以排除；由于皮带的颜色相对骨料较为一致，图像中若拍摄到皮带背景，则各像素点灰度变化幅度较小，差值较小，采用取方形图像四条边缘附近的直线上的灰度值，根据其灰度波动的幅度即可判断是否有皮带背景，将存在皮带背景的图像排除。
本实施例中，子粒径区间长度为0.1mm，总测量范围在0-50mm，一共分为500个子粒径区间。每一个骨料(粒径50mm以内)均有对应的体积和，各个子粒径区间的体积和与总体积和的比值为各个子粒径区间的体积占比。
通过大量的实验数据可以用2D图像法测量的信息变化表示真实的骨料颗粒尺寸的变化情况。将一段时间的测量结果统计结果与预先采集的标准样本的预设骨料级配曲线进行对比，计算两者各子粒径区间体积占比的差值，如果测量的骨料尺寸与标准的样本尺寸无较大差异，两者的骨料级配曲线应该较为接近或者重合，得到的差值也在正常值范围内。如果两者粒径差异较大，则计算出的实际骨料级配曲线会与预设骨料级配曲线距离较远，通过计算两者差值，可以得到具体的相差幅度。
当实际骨料级配曲线与预设骨料级配曲线相差较大时，两者差值的绝对值和达到一定数值后，或者某一段差值大于一定值时，提示粒径偏移报警。本实施例中，偏移判断的各个预设阈值在软件中提前设定，在监测过程中也可根据实际需要进行更改。
将超粒径阈值设为固定的粒径值，当超过此值的体积占比超出设定范围时，即提示超粒径报警。比如，在监测20-30mm的骨料时，设定超粒径阈值为40mm，超过比例阈值设为20％，即当监测的骨料粒径超过40mm的颗粒体积占比大于20％时，开始超粒径报警提示。
上述仅为本发明的一种具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (6)
1.一种骨料粒径抽样监测方法，其特征在于包括如下步骤：
a.皮带运行检测，距离传感器朝向皮带进行间距测量，通过测量数据与数据库内对应的预设数据进行比对判断皮带是否运行及皮带上是否运载有骨料；若皮带运行且运载有骨料则进行步骤b；
b.摄像机拍摄图像，摄像机朝向皮带进行图像拍摄，获取方形图像，所述方形图像的各边缘均处于皮带范围内；
c.图像预分析，对方形图像边缘像素进行提取，选取图像上下边缘若干行像素组成的两条水平线，选取图像左右边缘若干列像素组成的两条竖直线，分别计算四条线上的各像素灰度值,分别计算四条线上像素点灰度值的差分值，分别计算每条线上像素点灰度值的方差；当满足每条线上各像素点灰度的差分值的绝对值求和大于数据库内对应的预设值，并且每条线上各像素点灰度的差分值的绝对值的方差大于数据库内对应的预设值时判断为有效图像，否则判断为图像不完整为无效图像；
d.图像处理，对有效图像进行处理，获得图上各骨料的颗粒信息；
e.比对判断，对一段时间内所有的有效图像的各骨料的颗粒信息进行整合，获得实际骨料级配曲线，将实际骨料级配曲线与数据库中预设骨料级配曲线进行比对计算，获得偏移度数值，通过偏移度数值判断骨料是否合格，若不合格则发送报警信息提示。
2.根据权利要求1所述一种骨料粒径抽样监测方法，其特征在于：皮带运行检测包括：距离传感器朝向皮带进行间距测量，通过测量数据获取皮带上骨料的料位高度信息，距离传感器通过一设定频率进行连续化测量，采集间隔时间为50ms-200ms，取1s内的间距测量结果进行平均值及极差计算，判断平均值与极差是否满足数据库内预设值，若连续2s均满足，则判定皮带运行且皮带上运载有骨料。
3.根据权利要求1所述一种骨料粒径抽样监测方法，其特征在于：图像处理包括：对有效图像进行灰度均匀化处理，将图像均匀分为若干个子分区，统计出每个子分区的灰度分布，根据各个分区的差异，选择灰度适中的灰度作为目标灰度对各个子区间的灰度进行加强；通过中值滤波与双边滤波方式去除图像的噪声点以及奇异点；进行灰度重构，利用过滤灰度极大值点的方式将图像中的灰度值大于设定阈值的区域进行重新定义；将得到的图像进行边缘提取，并通过距离变换得到一幅新的灰度图像，对距离变换后的图像进行分水岭计算并分割，将新的灰度图像叠加到原图并扣除黑色背景区域，得到对应骨料的颗粒位置的分割图像。
4.根据权利要求3所述一种骨料粒径抽样监测方法，其特征在于：图像处理还包括：通过计算各个骨料颗粒的等效椭圆Feret径作为识别骨料的粒径，统计每一张图像的每个骨料的粒径和面积，通过面积与粒径的乘积表示骨料颗粒体积，即获得骨料粒径及体积的颗粒信息。
5.根据权利要求4所述一种骨料粒径抽样监测方法，其特征在于：比对判断包括：根据骨料粒径分为若干子粒径区间，计算各子粒径区间内的骨料的体积占总体积的比例，得到实际骨料级配曲线。
6.根据权利要求5所述一种骨料粒径抽样监测方法，其特征在于：对比判断还包括：将实际骨料级配曲线的各子粒径区间的体积占比，与预设骨料级配曲线对应各子粒径区间的体积占比进行差值计算，且计算各差值的绝对值之和，差值、差值的绝对值之和为所述偏移度数值，判断差值的最大值和绝对值之和是否均小于数据库中的预设值，两者均满足条件即表示监测骨料粒径合格，否则，判定不合格并发送报警信息提示。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780443.7A CN113674201A (zh) | 2021-07-09 | 2021-07-09 | 一种骨料粒径抽样监测方法 |
| PCT/CN2021/122223 WO2023279556A1 (zh) | 2021-07-09 | 2021-09-30 | 一种骨料粒径抽样监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780443.7A CN113674201A (zh) | 2021-07-09 | 2021-07-09 | 一种骨料粒径抽样监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113674201A true CN113674201A (zh) | 2021-11-19 |
Family
ID=78539014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110780443.7A Pending CN113674201A (zh) | 2021-07-09 | 2021-07-09 | 一种骨料粒径抽样监测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113674201A (zh) |
| WO (1) | WO2023279556A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797472A (zh) * | 2023-02-03 | 2023-03-14 | 山东百成新材料科技股份有限公司 | 一种改性沥青生产用智能筛分方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861301B (zh) * | 2023-02-16 | 2023-05-16 | 山东百成新材料科技股份有限公司 | 用于改性沥青生产的多物料均匀性视觉评价方法 |
| CN116129364B (zh) * | 2023-04-17 | 2023-06-30 | 山东山矿机械有限公司 | 一种皮带集控系统 |
| CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
| CN116681695B (zh) * | 2023-07-27 | 2023-12-01 | 山东阁林板建材科技有限公司 | 一种抗变形模板端面的质量检测方法 |
| CN117711127A (zh) * | 2023-11-08 | 2024-03-15 | 金舟消防工程（北京）股份有限公司 | 一种消防安全监管方法及系统 |
| CN117772392B (zh) * | 2024-02-26 | 2024-05-10 | 湖南华菱湘潭钢铁有限公司 | 一种烧结燃料粒度全智能控制方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7020307B2 (en) * | 2002-02-15 | 2006-03-28 | Inco Limited | Rock fragmentation analysis system |
| CN107220946B (zh) * | 2017-05-18 | 2020-06-23 | 长安大学 | 一种岩石运输带上不良块度图像的实时剔除方法 |
| CN108711149B (zh) * | 2018-05-16 | 2022-01-28 | 郑州大学 | 基于图像处理的矿岩粒度检测方法 |
| CN109060813A (zh) * | 2018-06-05 | 2018-12-21 | 中国矿业大学(北京) | 基于图像优化分类的土石料级配自动检测方法 |
| CN111047555B (zh) * | 2019-11-13 | 2023-10-17 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
| 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 |
| CN111968173A (zh) * | 2020-08-14 | 2020-11-20 | 湖南长天自控工程有限公司 | 一种混合料粒度分析方法及系统 |
| CN112017164A (zh) * | 2020-08-18 | 2020-12-01 | 中国水利水电科学研究院 | 基于深度阈值卷积模型的土石料级配检测方法 |
-
2021
- 2021-07-09 CN CN202110780443.7A patent/CN113674201A/zh active Pending
- 2021-09-30 WO PCT/CN2021/122223 patent/WO2023279556A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797472A (zh) * | 2023-02-03 | 2023-03-14 | 山东百成新材料科技股份有限公司 | 一种改性沥青生产用智能筛分方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023279556A1 (zh) | 2023-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674201A (zh) | 一种骨料粒径抽样监测方法 | |
| CN107727540A (zh) | 一种机制砂在线检测装置及在线检测方法 | |
| CN114445387A (zh) | 一种基于机器视觉的纤维板质量分类方法 | |
| CN110118775B (zh) | 厂拌水泥稳定碎石骨料组成快速检测方法 | |
| CN110648364B (zh) | 一种多维度空间固废视觉检测定位及识别方法与系统 | |
| CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
| CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
| CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
| Boukouvalas et al. | Ceramic tile inspection for colour and structural defects | |
| CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
| CN113706566A (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
| CN110555373A (zh) | 一种基于图像识别的混凝土振捣质量实时检测方法 | |
| CN113177605A (zh) | 一种基于视频监控的废钢车厢等级判定方法 | |
| CN1106572C (zh) | 铸坯断面质量的自动评价方法 | |
| CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
| CN115861294B (zh) | 一种基于计算机视觉的混凝土生产异常检测方法及装置 | |
| CN106254864B (zh) | 监控视频中的雪花和噪点噪声检测方法 | |
| CN111833327A (zh) | 一种基于图像识别的砂石检测方法 | |
| CN111307820A (zh) | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 | |
| CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
| CN102937592B (zh) | 陶瓷天线罩气孔及材质疏松缺陷自动检测方法 | |
| CN108982544A (zh) | 一种印制电路板瑕疵部件检测方法 | |
| CN108508053A (zh) | 一种系统性极微物理缺陷的检测方法 | |
| CN114002228A (zh) | 基于图像识别的皮带裂缝检测方法 | |
| CN113566890A (zh) | 大宗散粮皮带连续输送过程中多要素实时在线检测方法及装置 |
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 |