CN114324078A - 一种颗粒粒径识别方法、装置、设备和介质 - Google Patents
一种颗粒粒径识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114324078A CN114324078A CN202111599624.6A CN202111599624A CN114324078A CN 114324078 A CN114324078 A CN 114324078A CN 202111599624 A CN202111599624 A CN 202111599624A CN 114324078 A CN114324078 A CN 114324078A
- Authority
- CN
- China
- Prior art keywords
- particle
- size
- distribution
- determining
- particles
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 500
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000009826 distribution Methods 0.000 claims description 303
- 239000011148 porous material Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 10
- 239000000428 dust Substances 0.000 description 29
- 239000003245 coal Substances 0.000 description 26
- 238000005315 distribution function Methods 0.000 description 18
- 230000001186 cumulative effect Effects 0.000 description 17
- 239000000463 material Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 239000000843 powder Substances 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000008187 granular material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005204 segregation Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000010415 tidying Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种颗粒粒径识别方法、装置、设备和介质。该方法包括:获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;根据所述颗粒区域,确定对应的颗粒的像素尺寸;获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。本发明实施例提高了颗粒区域对应的颗粒的实际尺寸的检测准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种颗粒粒径识别方法、装置、设备和介质。
背景技术
煤粉粒度是燃烧优化控制和焦炭炼制等过程核心参数之一,煤粉细度会直接影响到不完全燃烧热损失和破碎机耗能等。
对于煤粉粒度信息的测量,可以采用图像识别煤粉颗粒的方法。
该方法采用相同的像素和实际尺寸的比例关系计算。但煤粉通常是不均匀堆叠,若采用相同的比例关系计算,会导致不同厚度煤粉颗粒计算得到实际尺寸不准确。
发明内容
本发明实施例提供一种颗粒粒径识别方法、装置、设备和介质,以实现提高颗粒区域对应的颗粒的实际尺寸的检测准确度。
第一方面,本发明实施例提供了一种颗粒粒径分布识别方法,该方法包括:
获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
根据所述颗粒区域,确定对应的颗粒的像素尺寸;
获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
第二方面,本发明实施例还提供了一种颗粒粒径分布识别装置,该装置包括:
颗粒区域识别模块,用于获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
像素尺寸确定模块,用于根据所述颗粒区域,确定对应的颗粒的像素尺寸;
实际尺寸确定模块,用于获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的颗粒粒径分布识别方法。
第四方面,本发明实施例还提供了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发明任一实施例所述的颗粒粒径分布识别方法。
本发明实施例的技术方案,通过对颗粒的采集图像进行颗粒识别得到颗粒区域,确定对应的像素尺寸,并根据颗粒区域与图像采集位置的距离确定该距离下的像素尺寸和实际尺寸之间的对应关系,从而根据该对应关系和像素尺寸,确定颗粒区域对应的颗粒的实际尺寸,从而可以精准根据颗粒与图像采集设备的距离,精准区分不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,以确定不同堆叠高度的颗粒的实际尺寸,解决了不同堆叠高度的颗粒采用相同像素尺寸和实际尺寸的对应关系计算实际尺寸不准确的问题,可以准确确定不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,从而计算颗粒的实际尺寸,提高了颗粒的实际尺寸的检测准确性。
附图说明
图1为本发明实施例一提供的一种颗粒粒径识别方法的流程图;
图2为本发明实施例二提供的一种颗粒粒径识别方法的流程图;
图3为本发明实施例三提供的一种颗粒粒径识别方法的流程图;
图4为本发明实施例四提供的一种颗粒粒径识别方法的流程图;
图5为本发明实施例五所提供的一种颗粒粒径识别装置的结构示意图;
图6为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种颗粒粒径识别方法的流程图,本实施例可适用于颗粒图像进行颗粒识别情况,该方法可以由颗粒粒径识别装置来执行,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于计算机设备中,该方法具体包括:
S110、获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域。
其中,采集图像是指利用图像采集设备针对颗粒采集的图像。颗粒识别是指对采集图像中颗粒的识别。颗粒区域是指采集图像中识别出的颗粒所在的区域。一个颗粒区域可以对应一个颗粒。其中,颗粒粒径识别方法可以是边缘提取或预先训练的颗粒识别模型,其中,颗粒识别模型为机器学习模型,输入为采集图像等,输出为在该采集图像中识别出至少一个颗粒区域。
具体的,通过图像采集设备对粉尘料层进行图像采集,得到颗粒的采集图像,并对采集图像中的颗粒进行颗粒识别,得到每个颗粒对应的颗粒区域。可以通过皮带运输颗粒,图像采集设备置于皮带上方,并在运输过程中,图像采集设备对经过正下方图像采集范围的皮带上堆叠的粉尘料层进行图像采集。相应的,采集图像可以是周期性采集,至少能够保证粉尘料层的所有部分都能够采集到图像。示例性的,颗粒为煤粉颗粒,图像采集设备为摄像头。本实施例中,通过摄像头对在皮带上运输的煤粉料层进行图像采集,得到煤粉颗粒的采集图像,并对采集图像中的煤粉颗粒进行颗粒识别,得到每个煤粉颗粒所在的颗粒区域。
进一步的,在获取颗粒的采集图像之前包括,对运输的颗粒进行拍摄,得到初始图像;对所述初始图像进行预处理,得到所述颗粒的采集图像。其中预处理至少包括下述至少一项:灰度化、图像去噪和图像增强等。在本实施例中,对图像进行预处理的过程如下,其中,预处理包括灰度化、图像去噪和图像增强,下述内容只是示例性描述,本发明不限于此预处理过程:
1)灰度化:加权平均法
采集图像采用加权平均法进行灰度化,每一个像素g(x,y)RGB三分量灰度化转换算法如下:
g0(x,y)=R*299/100+G*587/1000+B*114/1000
根据以上操作,得到灰度图;其中g0(x,y)为像素坐标值。
2)图像去噪:非局部均值滤波
灰度图g0(x,y),去噪后的图像为g1(x,y),g1(x,y)中像素点A处的灰度值通过如下方式得到:
g1(A)=∑w(A,B)*g0(B)
其中,w(A,B)为点A与搜索窗口中任意一点B的高斯权重,由两点各自邻域块的均方误差相似度计算而得。
根据以上操作,得到去噪声灰度图g1(x,y)。
3)图像增强:限制对比度自适应直方图均衡化
增强粉尘图像的对比度,
3.1)将图像g1(x,y)均匀分成等份矩形大小,每个矩形(8行8列),共m*n个。
3.2)计算每个矩形块的原始灰度直方图H1(i,j),并计算累计分布函数C1(i,j)。
3.3)使用预定义的阈值Limit对累计分布函数C1(i,j)。进行裁剪,将裁剪掉的部分均匀分布到直方图C1(i,j)的底部,得到矩形块新的累计分布函数C2(i,j)。
3.4)重分布过程会导致修改过的直方图高度重新超过了裁剪值,重复步骤3.3)直至C矩形块累计分布函数C2(i,j)≤Limit;此时C矩形块灰度直方图定义为H2(ci,cj)。
3.5)根据矩形块累计分布函数C2(i,j),利用线性插值法将矩形块内原始图像中的每个像素值通过映射为新的像素值g2(x,y)。
进一步的,在对采集图像进行预处理后,进行颗粒识别,得到颗粒区域。在本实施例中,利用图像边缘提取,进行颗粒识别,并根据识别结果进行区域分割,得到颗粒区域,具体处理过程如下,但不限于此处理过程:
1)图像边缘提取:soble边缘提取
1.1)一阶偏导有限差分来计算梯度的幅值和方向
g2(x,y)图像梯度的幅值和方向采用3*3的sobel算子计算,dx表示X方向梯度幅值,dy表示Y方向梯度幅值,根据偏导数计算图像g2(x,y)任一点像素的边缘强度M(x,y)。θ(x,y)表示边缘的梯度方向。
1.2)根据角度对梯度进行非极大值抑制
非极大值抑制作用在于细化边缘,保留局部梯度最大的点,沿着梯度方向对幅值进行非极大值抑制。
①计算当前像素沿正负梯度方向上的2个像素梯度M(x,y)。
②如当前像素梯度幅值M(x,y)>其他2个像素梯度幅值M(x,y),则当前像素为边缘点,否则当前像素被抑制。
根据以上步骤得到g2(x,y)的非极大值抑制图像:Nms(x,y)。
1.3)双阈值算法检测和连接边缘
根据Nms(x,y)图像,应用双阀值,减少假边缘段数量。
②选取高阈值TH和低阈值TL,且2TH≈TL。
②取出非极大值抑制后的图像中的最大梯度幅Max,重新定义高低阈值:
THM=TH*Max;THL=TL*Max。
③根据阈值计算得到双阈值检测图像g3(x,y):
将TLM≤Nms(x,y)≤THM的点使用8连通区域,判断该点的8邻域点中寻找满足超过高阈值的点,只要其中一个为强边缘像素,则该弱边缘点就可以保留为真实的边缘。
整个图像找完后,将非边缘点除,得到g3(x,y)。
2)分水岭算法区域分割
基于距离变换的分水岭分割算法对g3(x,y)进行分割,得到颗粒图像g4(x,y)。
S120、根据所述颗粒区域,确定对应的颗粒的像素尺寸。
其中,像素尺寸是指颗粒区域代表的颗粒的像素级别的尺寸。像素尺寸用于计算颗粒对应的实际尺寸。实际上,在图像采集设备的参数固定,针对颗粒的角度和距离固定的情况下,颗粒在图像中的像素尺寸和实际尺寸是存在对应关系且固定。从而可以根据颗粒的像素尺寸确定实际尺寸。像素尺寸可以根据颗粒区域包括的像素的数量和各像素的位置确定。具体的,扫描颗粒区域,通过累计颗粒区域中像素个数和确定各像素在颗粒区域的位置,得到采集图像中对应的颗粒的像素尺寸。在本实施例中,通过扫描颗粒图像g4(x,y),并累计颗粒区域中像素个数和确定各像素在颗粒区域的位置,得到采集图像中对应的颗粒的像素的尺寸。示例性的,像素尺寸可以包括长度、宽度和厚度等。
S130、获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
其中,图像采集位置的距离是指图像采集点与颗粒区域之间的竖直距离,图像采集点可以是指摄像头的镜头位置点。具体是指图像采集点所在的水平面与颗粒区域所在的水平面之间的垂直距离。实际尺寸是指颗粒区域代表的颗粒的实际大小尺寸。一个距离下的像素尺寸和实际尺寸之间的对应关系用于将像素尺寸转换为实际尺寸。一个距离下的像素尺寸和实际尺寸之间的对应关系可以根据针孔模型原理确定的,成像后图像尺寸与实际物体尺寸之间的对应关系。
在实际中,当物距远大于两倍焦距时,可视为“针孔模型”。通过针孔模型,可以得到三维坐标到二维坐标的对应关系。等长度物体在不同高度时,在成像中长度不一致,呈现出远小近大的关系。图像上每个像素点转化为实际尺寸时并不相同,因此通过图像上的像素点计算实际物体尺寸,可以根据物体与图像采集位置之间距离进行修正。例如,皮带上煤粉料层厚度会影响到粒粒度分布的检测结果,即同一的煤粉颗粒距离相机近时所成图像中粒径测值会偏大,远时则偏小。
本发明实施例的技术方案,通过对颗粒的采集图像进行颗粒识别得到颗粒区域,确定对应的像素尺寸,并根据颗粒区域与图像采集位置的距离确定该距离下的像素尺寸和实际尺寸之间的对应关系,从而根据该对应关系和像素尺寸,确定颗粒区域对应的颗粒的实际尺寸,从而可以精准根据颗粒与图像采集设备的距离,精准区分不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,以确定不同堆叠高度的颗粒的实际尺寸,解决了不同堆叠高度的颗粒采用相同像素尺寸和实际尺寸的对应关系计算实际尺寸不准确的问题,可以准确确定不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,从而计算颗粒的实际尺寸,提高了颗粒的实际尺寸的检测准确性。
在上述技术方案的基础上,根据所述距离和图像采集设备的参数,确定所述距离下的像素尺寸和实际尺寸之间的对应关系,所述距离包括竖直高度。
其中,图像采集设备的参数是指图像采集设备的相机参数,至少包括焦距。竖直高度是指镜头所在水平面与颗粒所在水平面之间的垂直高度。
具体的,根据颗粒区域与图像采集位置的竖直高度和图像采集设备的参数,确定不同竖直高度下采集图像中物体的像素尺寸和该物体的实际尺寸之间的对应关系。
在本实施例中,可以选择黑白棋盘标定板,在距离摄像头不同高度下,根据方格像素尺寸和方格实际空间尺寸计算像素标定值。根据测量数据获取摄像头焦距,摄像头焦距的公式:F=(P x D)/W。
其中:F为摄像头焦距;P为标定板方格像素尺寸;D为标定板距离摄像头的竖直高度,由安装的测距传感器获取;W为标定板方格实际尺寸。
摄像头在运输带上方对粉尘料层进行拍摄时,同一张照片采用的摄像头焦距是相同,根据摄像头焦距公式变形,即可根据像素尺寸计算颗粒的实际尺寸;计算公式为W=(Px D)/F。该公式,将竖直高度引入像素尺寸和实际尺寸之间的比例关系中,实现基于不同竖直高度确定不同的像素尺寸和实际尺寸之间的对应关系。
根据以上换算,可通过图像中像素尺寸计算颗粒实际尺寸大小。
需要注意的是,通过根据颗粒区域与图像采集位置的距离和图像采集设备的参数,确定该距离下像素尺寸和实际尺寸之间的对应关系,实现了对同一采集图像中像素尺寸与实际尺寸之间对应关系的校准,提高了颗粒区域对应的颗粒的实际尺寸的检测准确度。
进一步的,获取颗粒的采集图像,包括:对颗粒的环境进行清洁处理;对清洁处理后的颗粒的环境进行图像采集,得到所述颗粒的采集图像。
辅助清洁装置用于对拍摄环境进行降尘,减少漂浮在空气中的无效颗粒。无效颗粒是指与待检测的颗粒不同的颗粒,会对待检测的颗粒存在干扰的颗粒。例如现有中煤粉制备环境是是一个高粉尘环境,摄像头布置在煤粉输送皮带上方,环境空气中充斥着大量粉尘颗粒,无法通过摄像头获取清晰的煤粉颗粒图像。通过设置辅助清洁装置,及时有效对拍摄环境进行降尘处理,使得摄像头可以获得边界清晰的颗粒图,提高了采集图像的清晰度,提高采集图像的颗粒识别准确率,同时降低了对该采集图像进行图像处理的难度,并减少了图像处理的数据量,提高图像处理效率。
实施例二
图2为本发明实施例二提供的一种颗粒粒径识别方法的流程图,本实施例在上述各实施例的基础上,将所述根据所述颗粒区域,确定对应的颗粒的像素尺寸,具体化为:根据所述颗粒区域包括像素的数量和像素的位置,确定至少一个尺寸类型对应的像素统计数据,同时,将所述根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸具体化为:根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,以及各所述尺寸类型对应的像素统计数据,确定各所述尺寸类型对应的属性值,并作为所述颗粒区域对应的颗粒的实际尺寸。具体方法如下:
S210、获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域。
S220、根据所述颗粒区域包括像素的数量和像素的位置,确定至少一个尺寸类型对应的像素统计数据。
其中,像素的数量是指像素点的个数。像素的位置是指像素点在颗粒区域的图像的位置,例如,坐标。尺寸类型是指描述颗粒区域的尺寸的类型,至少包括:长度、宽度、厚度、面积和周长等。像素统计数据是指对应尺寸类型下的像素级别的数值。示例性的,尺寸类型为长度,1个像素的长度为1mm,长度为5个像素的长度,相应的,长度的像素统计数据为5mm。具体的,可以根据像素的位置,确定满足尺寸类型的统计像素,根据统计像素的数量,各像素的像素尺寸,确定该尺寸类型的像素统计数据。
其中,长度是指颗粒区域在x轴方向上的最大长度,具体是颗粒区域在x轴方向上包括最多像素个数的行所包括的像素个数与像素的长度的乘积,长度的统计像素为最多像素个数的行包括的像素。宽度是指颗粒区域在y轴方向上的最大长度,具体是颗粒区域在y轴方向上包括最多像素个数的列所包括的像素个数与像素的长度的乘积,宽度的统计像素为最多像素个数的列包括的像素。厚度是指颗粒区域对应的颗粒在z轴方向的最大长度,但采集图像是二维图像,没有深度信息,所以无法直接通过颗粒区域包括的像素个数和各像素的位置获取。可以根据长度、宽度、面积和周长计算厚度,具体可以基于如下公式计算:
其中,dh为厚度、dl为长度、dw为宽度。S为面积,P为周长。厚度的统计像素包括长度、宽度、面积和周长的统计像素。
面积是指颗粒区域包括的各像素的面积之和,一个像素的面积可以采用该像素的长度平方(正方形)或圆形面积计算,面积的统计像素为颗粒区域包括的像素。周长是指颗粒区域中统计的全部边缘像素的长度之和,具体可以通过边缘像素的长度和全部边缘像素的个数的乘积计算全部边缘像素的长度之和。其中,颗粒区域的边缘像素是指处于颗粒区域的边界线上像素,边缘像素即为统计像素。
需要说明的是,可以将像素的长度和宽度都作为是单位长度,可以减少计算的复杂度,相应的,前述像素的长度都可以认为是1,以及像素的面积为1,颗粒区域的长度即为x轴方向上包括最多像素个数的行所包括的像素个数,颗粒区域的宽度即为y轴方向上包括最多像素个数的列所包括的像素个数等,面积是指颗粒区域包括的各像素的个数,周长是指颗粒区域中统计的边缘像素的个数。示例性的,尺寸类型为长度,长度为n个像素,对应的像素统计数据为n个像素,也即n。
S230、根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,以及各所述尺寸类型对应的像素统计数据,确定各所述尺寸类型对应的属性值,并作为所述颗粒区域对应的颗粒的实际尺寸。
其中,属性值是指将实际尺寸后的数值。具体的,根据颗粒区域与图像采集位置之间的距离下的像素尺寸和实际尺寸之间的对应关系,对不同尺寸类型对应的像素统计数据进行转化,得到各尺寸类型对应的属性值,并将属性值作为颗粒区域对应的颗粒的实际尺寸。需要注意的是,可以先计算长度的像素统计数据、宽度的像素统计数据、面积的像素统计数据和周长的像素统计数据,并根据前述公式计算厚度的像素统计数据,根据对应关系,确定厚度的属性值;或者可以先计算长度的像素统计数据、宽度的像素统计数据、面积的像素统计数据和周长的像素统计数据,根据对应关系,计算长度的属性值、宽度的属性值、面积的属性值和周长的属性值,并根据前述公式,直接计算厚度的属性值。
本发明实施例的技术方案,通过颗粒区域包括的像素的数量和位置,确定至少一个尺寸类型对应的像素统计数据,根据像素尺寸和实际尺寸之间的对应关系,将尺寸类型对应像素统计数据转换为各尺寸类型对应的属性值,并作为实际尺寸,可以精准统计像素级别的数据,提高像素统计数据的准确率,并根据准确的像素统计数据,计算实际尺寸,提高实际尺寸的检测准确率,并为后续的质量分布的计算提供了数据基础。
实施例三
图3为本发明实施例三提供的一种颗粒粒径识别方法的流程图,本实施例在上述各实施例的基础上,将颗粒粒径识别方法优化为:根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型;统计各所述目标分布组包括的颗粒数量;根据预设的分布类型和颗粒平均质量之间对应关系,确定各所述目标分布组的表面质量分布数据。具体方法如下:
S310、获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域。
S320、根据所述颗粒区域,确定对应的颗粒的像素尺寸。
S330、获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
S340、根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型。
在本实施例中,通过筛分法确定目标分布组和对应的分布类型。其中,目标分布组是指根据颗粒的至少一个属性值的数值进行分级后形成的组别。分布类型是指对应的目标分布组的所属分级对应的属性值范围。将不同属性值对应的一个分布类型进行组合形成目标分布组。例如,针对长度的分布类型可以是0mm≤dl<2mm、2mm≤dl<3mm和dl≥3mm。针对宽度的分布类型可以是0mm≤dw<2mm、2mm≤dw<3mm和dw≥3mm。针对厚度的分布类型可以是0mm≤dh<1mm、1mm≤dh<2mm和dh≥2mm。一个目标分布组可以是0mm≤dl<2mm、2mm≤dw<3mm和1mm≤dh<2mm。
具体的,根据颗粒区域的实际尺寸对应的属性值进行分级,得到目标分布组和对应的分布类型。
S350、统计各所述目标分布组包括的颗粒数量。
目标分布组的颗粒数量是指该目标分布组包括的颗粒区域的数量。具体的,针对每一个目标分布组,根据目标分布组中对应的分布类型,对符合所有分布类型的颗粒区域的数量进行累计。
S360、根据预设的分布类型和颗粒平均质量之间对应关系,确定各所述目标分布组的表面质量分布数据。
其中,分布类型对应的颗粒平均质量是指在该分布类型下的颗粒的质量。不同分布类型的颗粒平均质量不同。可以针对每个分布类型,预先实验统计该分布类型对应的一堆颗粒的总质量和该堆颗粒的总数量,计算得到总质量和总数量之间的比值,确定为该分布类型对应的颗粒平均质量。分布类型和颗粒平均质量之间一一对应。目标分布组的表面质量分布数据是指该目标分布组包括颗粒的质量总质量与所有目标分布组包括的颗粒总质量的比值。表面质量分布数据用于描述粉尘料层中表面颗粒的质量分布数据,以描述粉尘料层中整体颗粒(包括图像中未示出的颗粒)的质量分布数据。需要说明的是,颗粒的采集图像只能采集粉尘料层表面的颗粒的图像,对堆叠的粉尘料层中底部的颗粒无法在图像中显示,从而,此时计算的质量分布数据,是根据采集图像估算的表面颗粒的质量分布数据,本实施例中是基于粉尘料层中表面颗粒的质量分布数据描述粉尘料层中整体颗粒(包括图像中未示出的颗粒)的质量分布数据。
示例性的,目标分布组1中颗粒的总数量为A,平均质量为a;目标分布组2中颗粒的总数量为B,平均质量为b;则目标分布组1的表面质量分布数据为Aa/(Aa+Bb),目标分布组2的表面质量分布数据为Bb/(Aa+Bb)。
现有中,图像处理算法只能获取煤粒的表面信息,不能获取煤粒的质量信息,但实际生产中煤粒度分布和密度分布都以质量百分比度量。
本发明实施例的技术方案,通过确定目标办分布组和对应的分布类型,统计各目标分布组包括的颗粒数量,并根据预设的分布类型和颗粒平均质量之间的对应关系,确定各目标分布组的表面质量分布数据,可以基于颗粒的体积尺寸,确定颗粒质量百分比,实现颗粒的体积百分比到质量百分比的转换,从而准确确定多个分布类型下的颗粒的质量分布。
在上述技术方案的基础上,所述根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型,包括:根据各所述颗粒区域的所述第一尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个备选分布组;根据所述备选分布组包括的各所述颗粒区域的所述第二尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组;根据所述备选分布组包括的各所述区域的所述第三尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组,确定目标分布组;将所述目标分布组的所述第一尺寸类型对应的属性值、所述第二尺寸类型对应的属性值和所述第三尺寸类型对应的属性值,确定为所述目标分布组的分布类型;其中,所述尺寸类型包括长度、宽度和厚度。
其中,第一尺寸类型是指颗粒区域的尺寸类型中的任意一个。备选分组是指根据第一尺寸类型的分布类型确定的目标分布组。第二尺寸类型是指颗粒区域的尺寸类型中除第一尺寸类型外的其余尺寸类型中的任意一个。第三尺寸类型是指颗粒区域的尺寸类型中除第一尺寸类型和第二尺寸类型外的其余尺寸类型中的任意一个。第一尺寸类型、第二尺寸类型和第三尺寸类型,可以从尺寸类型包括长度、宽度和厚度中选择。
具体的,首先从尺寸类型中选取一个类型作为第一尺寸类型,根据第一尺寸类型的属性值进行分组,并根据分组对颗粒区域进行统计,得到至少一个备选分布组。然后从剩余的尺寸类型中选取一个类型作为第二尺寸类型,并在上一备选分布组的基础上,根据第二尺寸类型的属性值进行二级分组和统计,更新备选分组。然后从剩余的尺寸类型中选取一个类型作为第三尺寸类型,并在上一备选分布组的基础上,根据第三尺寸类型的属性值进行三级分组和统计,更新备选分组,并确定为目标分布组。最后将目标分布组中的第一尺寸类型对应的属性值、第二尺寸类型对应的属性值和第三尺寸类型对应的属性值,确定为目标分布组的分布类型。
需要注意的是,通过从尺寸类型中依次选取第一尺寸类型、第二尺寸类型和第三尺寸类型,逐渐对备选分布组进行更新,最终确定目标分布组和目标分布组的分组类型,加快了目标分布组的确定速度,简化了目标分布组确定的流程,并且实现三级精准分组,提高颗粒筛分的精准性。
示例性的,由采集图像获取的体积分布转化为质量分布的过程,首先建立颗粒体积粒度分级累计分布函数Cv。煤粒是三维固体颗粒,在振动环境下,表面煤粒都以最稳固方式存在,即底面积最大。由此可知绝大多数颗粒的高度都要小于等于表面积的长度dl(mm)、宽度dw(mm)。根据筛分方式分级,只有2个维度参数小于筛分孔直径,才可筛除,因此颗粒的dw决定其颗粒分级。据此建立体积粒度分级累计分布函数Cv1。
质量粒度分级累计分布函数
以2mm≤dw<3mm为例说明体积粒度分级累计分布函数Cv1转化质量粒度分级累计分布函数Cg过程。
1)根据筛分法,计算颗粒质量估算模型
①根据筛分法,获取分级颗粒中2mm≤dw<3mm颗粒,并测量此部分颗粒如下参数:颗粒总质量G、颗粒总数量N、颗粒质量G、颗粒尺寸如长度dl(mm)、厚度dh(mm);
②根据dl二次分级,每一级颗粒数量n;
③在dl分级的基础上,根据dh对颗粒进行三次分级,并记录颗粒质量及颗粒数量;
④计算三次分级中每级分组中颗粒平均质量g。
2)估算图像中颗粒的厚度dh
3)质量粒度分级累计分布函数Cg1、Cg2、Cg3
根据体积粒度分级累计分布函数Cv1,针对dl及dh分别进行分级,并形成累计分布函数Cv2和Cv3。
根据Cv3及颗粒平均质量g计算得到根据dh分级的粒度质量累计分布函数Cg3,重复以上操作,分别得到根据dh、dw分级的粒度质量累计分数函数Cg2及Cg。
实施例四
图4为本发明实施例四提供的一种颗粒粒径识别方法的流程图,本实施例在上述各实施例的基础上,将颗粒粒径识别方法优化为:根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据。具体方法如下:
S410、获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域。
S420、根据所述颗粒区域,确定对应的颗粒的像素尺寸。
S430、获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
S440、根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型。
S450、统计各所述目标分布组包括的颗粒数量。
S460、根据预设的分布类型和颗粒平均质量之间对应关系,确定各所述目标分布组的表面质量分布数据。
S470、根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据。
由前述可知,颗粒的采集图像只能采集粉尘料层表面的颗粒的图像,对堆叠的粉尘料层中底部的颗粒无法在图像中显示,从而,此时计算的表面质量分布数据,是根据采集图像估算的表面颗粒的质量分布数据,和现实中粉尘料层中整体颗粒(包括图像中未示出的颗粒)的质量分布数据还是存在一定误差。表面颗粒分布参数与整体颗粒分布参数之间的对应关系用于修正上述误差,得到准确的整体质量分布数据。表面颗粒分布参数与整体颗粒分布之间的对应关系是指将表面颗粒分布数据转换为整体颗粒分布数据的转换关系。根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系可以将表面质量分布数据转换为整体质量分布数据。
在本实施例中,建立表面颗粒分布参数与整体颗粒分布参数的转换模型,通过计算转换模型中的参数获得表面颗粒分布参数与整体颗粒分布参数之间的对应关系,进而确定整体质量分布数据。例如可以通过最小二乘法确定表面颗粒分布参数与整体颗粒分布参数之间的对应关系。
现有中,皮带震动等外界因素导致煤堆中小颗粒会通过大颗粒之间的间隙运动到颗粒层的下部,大颗粒容易偏移到煤流两侧的现象称为颗粒偏析,这种现象使得煤堆表面粒度分布不能代表煤堆整体粒度组成,这种粒度偏析误差影响通过表层图像分析处理计算粒径的准确性。
本发明实施例的技术方案,通过确定表面颗粒分布参数与整体颗粒分布参数之间的对应关系,并根据该对应关系确定整体质量分布数据,可以修正表面质量分布数据不能描述堆叠图像中无示出的颗粒的质量分布,提高质量分布数据的准确性。
在上述技术方案的基础上,所述根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据,包括:根据各所述目标分布组的表面质量分布数据,确定至少一个筛孔尺寸对应的整体质量分布数据;根据所述筛孔尺寸和对应的整体质量分布数据,确定所述筛孔尺寸的颗粒分布参数;根据预设的表面颗粒分布参数与整体颗粒分布参数之间的对应关系,对所述筛孔尺寸的颗粒分布参数进行修正;根据修正后的颗粒分布参数和对应的筛孔尺寸,对所述对应的筛孔尺寸对应的整体质量分布数据进行修正。
其中,筛孔尺寸用于筛选颗粒。筛孔尺寸是指筛选出颗粒的尺寸。示例性的,筛孔尺寸为3mm,过筛的颗粒的尺寸小于3mm,未过筛的颗粒的尺寸大于等3mm。筛孔尺寸对应的整体质量分布数据可以由多个目标分布组的整体质量分布数据确定。可以根据筛孔尺寸,和各目标分布组的分布类型,确定筛孔尺寸对应的至少一个目标分布组,将各对应的目标分布组的表面质量分布数据之和,确定为该筛孔尺寸的整体质量分布数据。示例性的,当筛孔尺寸为3mm时,对应的目标分布组有:目标分布组A,对应的分布类型为:0mm≤dl<3mm、0mm≤dh<3mm和0mm≤dw<3mm;目标分布组B,对应的分布类型为:0mm≤dl<3mm、0mm≤dh<3mm和dw≥3mm;目标分布组C,对应的分布类型为:0mm≤dl<3mm、dh≥3mm和0mm≤dw<3mm;目标分布组D,对应的分布类型为:dl≥3mm、0mm≤dh<3mm和0mm≤dw<3mm;目标分布组E,对应的分布类型为:dl≥3mm、dh≥3mm和0mm≤dw<3mm。筛孔尺寸的颗粒分布参数用于计算筛孔尺寸对应的整体颗粒分布数据。不同筛孔尺寸的颗粒分布参数不同。筛孔尺寸和对应的颗粒分布参数,可以计算得到整体质量分布数据。具体基于如下公式计算:
R(Dq)为大于筛孔Dq的整体质量分布数据;Dq为筛孔尺寸(mm);De为特征粒径,例如,当R(Dq)=36.8%所对应的粒径,e为自然对数,n为均匀性指数,与物料性质有关的参数。De和n为颗粒分布参数。不同筛孔尺寸下的De和n不同。
表面颗粒分布参数与整体颗粒分布参数之间的对应关系用于对颗粒分布参数进行修正。
需要说明的是,根据表面质量分布数据确定的筛孔尺寸对应的整体质量分布数据,实际是采用表面颗粒的表面质量分布数据估算整体质量分布数据,与实际的整体质量分布数据存在误差。这种误差体现在表面颗粒分布参数与整体颗粒分布参数之间的对应关系上。
实际上,根据目标分布组的表面质量分布数据确定的整体质量分布数据,是代表筛孔法下的表面质量分布数据,由此计算得到的颗粒分布参数是表面颗粒的颗粒分布参数。对该表面颗粒的颗粒分布参数,按照表面颗粒分布参数与整体颗粒分布参数之间的对应关系进行修正,可以得到整体颗粒的颗粒分布参数,再将修正后的整体颗粒的颗粒分布参数和筛孔尺寸带入到前述公式,可以得到准确的整体颗粒的整体质量分布数据。
通过确定筛孔尺寸对应的颗粒分布参数,修正筛孔尺寸的颗粒分布参数,进而修正筛孔尺寸对应的整体质量分布数据,解决了颗粒偏误差影响通过表层图像分析处理计算粒径的准确性问题,提高了颗粒分级的准确性,以及提高质量分布数据的准确性。
示例性的,粉尘料层从表面质量分布转换为整体质量分布的过程如下:
1)颗粒偏析误差校正
对等式两侧同时取两次对数,并进行简化
y=nx-nln(De)
即颗粒筛分孔径Dq与大于筛孔Dq的累计产率,在ln(Dq)为横坐标,为纵坐标图的坐标图中是一条直线。据此将图像处理得到颗粒质量分布函数Cg中筛分孔径Dq及对应的累计质量分布R(Dq),该系列点进行最小二乘法拟合,得到对应Cg的y=nx-nln(De)直线。
以Cg中3mm粒径与5mm粒径为例,进行说明:
Cg中筛孔Dq=3时,R(Dq=3)=30;筛孔Dq=5时,R(Dq=5)=10;
x3=ln(3)=1.098612
x5=ln(5)=1.609438
带入y=nx-nln(De),得到n=1.2693,De=2.5918。
2)建立粉尘料层整体与表面粒度特性方程参数(De和n)转换模型
2.1)采用图像处理技术,获取粉尘堆表面粒度质量分布Cg,带入罗辛-拉姆勒公式,分别计算得到De1和n1。
2.2)对同一粉尘堆,重新进行振动,获取粉尘堆表面图像,重复以上步骤,获取多组De1和n1。
2.3)对同一粉尘堆根据筛分法,获取粉尘堆整理粒度质量分布CG,根据罗辛-拉姆勒方程,获取参数De和n。
2.4)利用多组De1和n1,根据最小二乘法,获取粉尘堆整理粒度质量分布(De,n)与粉尘堆表面粒度质量分布(De1,n1)之间的关系:
De=A*n1+B*De1+C
n=D*n1+E
3)颗粒偏析误差校正后分布函数
根据以上(De,n)计算公式,当获得粉尘堆表面粒度质量分布Cg1时,带入辛-拉姆勒公式,分别计算得到De1和n1。
通过De=A*n1+B*De1+C,n=D*n1+E,得到De和n参数后,带入罗辛-拉姆勒公式,获得粉尘堆整体粒度分布函数。需要注意的是计算值R是大于筛孔Dq的累计产率,%。
实施例五
图5为本发明实施例五所提供的一种颗粒粒径识别装置的结构示意图,该装置可以执行上述实施例所提供的颗粒粒径识别方法,该装置可以包括:颗粒区域识别模块501、像素尺寸确定模块502和实际尺寸确定模块503。
其中,颗粒区域识别模块501,用于获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
像素尺寸确定模块502,用于根据所述颗粒区域,确定对应的颗粒的像素尺寸;
实际尺寸确定模块503,用于获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
本发明实施例的技术方案,通过对颗粒的采集图像进行颗粒识别得到颗粒区域,确定对应的像素尺寸,并根据颗粒区域与图像采集位置的距离确定该距离下的像素尺寸和实际尺寸之间的对应关系,从而根据该对应关系和像素尺寸,确定颗粒区域对应的颗粒的实际尺寸,从而可以精准根据颗粒与图像采集设备的距离,精准区分不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,以确定不同堆叠高度的颗粒的实际尺寸,解决了不同堆叠高度的颗粒采用相同像素尺寸和实际尺寸的对应关系计算实际尺寸不准确的问题,可以准确确定不同距离下的颗粒的像素尺寸和实际尺寸的对应关系,从而计算颗粒的实际尺寸,提高了颗粒的实际尺寸的检测准确性。
上述装置中,可选的是,还包括:
实际尺寸对应关系确定模块,用于根据所述距离和图像采集设备的参数,确定所述距离下的像素尺寸和实际尺寸之间的对应关系,所述距离包括竖直高度。
上述装置中,可选的是,实际尺寸确定模块503包括:
像素统计数据确定单元,用于根据所述颗粒区域包括像素的数量和像素的位置,确定至少一个尺寸类型对应的像素统计数据;
实际尺寸确定单元,用于根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,以及各所述尺寸类型对应的像素统计数据,确定各所述尺寸类型对应的属性值,并作为所述颗粒区域对应的颗粒的实际尺寸。
上述装置中,可选的是,还包括:
目标分布组确定模块,用于根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型;
颗粒数量统计模块,用于统计各所述目标分布组包括的颗粒数量;
表面质量分布数据确定模块,用于根据预设的分布类型和颗粒平均质量之间对应关系,确定各所述目标分布组的表面质量分布数据。
上述装置中,可选的是,目标分布组确定模块包括:
第一备选分布组确定单元,用于根据各所述颗粒区域的所述第一尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个备选分布组;
第二备选分布组确定单元,用于根据所述备选分布组包括的各所述颗粒区域的所述第二尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组;
目标分布组确定单元,用于根据所述备选分布组包括的各所述区域的所述第三尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组,确定目标分布组;
分布类型确定单元,用于将所述目标分布组的所述第一尺寸类型对应的属性值、所述第二尺寸类型对应的属性值和所述第三尺寸类型对应的属性值,确定为所述目标分布组的分布类型;
其中,所述尺寸类型包括长度、宽度和厚度。
上述装置中,可选的是,还包括:
整体质量分布数据确定模块,用于根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据。
上述装置中,可选的是,整体质量分布数据确定模块包括:
整体质量分布数据确定单元,用于根据各所述目标分布组的表面质量分布数据,确定至少一个筛孔尺寸对应的整体质量分布数据;
颗粒分布参数确定单元,用于根据所述筛孔尺寸和对应的整体质量分布数据,确定所述筛孔尺寸的颗粒分布参数;
颗粒分布参数修正单元,用于根据预设的表面颗粒分布参数与整体颗粒分布参数之间的对应关系,对所述筛孔尺寸的颗粒分布参数进行修正;
整体质量分布数据修正单元,用于根据修正后的颗粒分布参数和对应的筛孔尺寸,对所述对应的筛孔尺寸对应的整体质量分布数据进行修正。
本发明实施例所提供的颗粒粒径识别装置可执行本发明任意实施例所提供的颗粒粒径识别方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例六提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括处理器60、存储器61、输入装置62和输出装置63;计算机设备中处理器60的数量可以是一个或多个,图6中以一个处理器60为例;计算机设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的颗粒粒径识别方法对应的程序指令和/或模块(例如,颗粒区域识别模块501、像素尺寸确定模块502和实际尺寸确定模块503)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的颗粒粒径识别方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种颗粒粒径识别方法,该方法包括:
获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
根据所述颗粒区域,确定对应的颗粒的像素尺寸;
获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的颗粒粒径识别方法中的相关操作.
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述颗粒粒径识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种颗粒粒径识别方法,其特征在于,包括:
获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
根据所述颗粒区域,确定对应的颗粒的像素尺寸;
获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述距离和图像采集设备的参数,确定所述距离下的像素尺寸和实际尺寸之间的对应关系,所述距离包括竖直高度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述颗粒区域,确定对应的颗粒的像素尺寸,包括:
根据所述颗粒区域包括像素的数量和像素的位置,确定至少一个尺寸类型对应的像素统计数据;
所述根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸,包括:
根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,以及各所述尺寸类型对应的像素统计数据,确定各所述尺寸类型对应的属性值,并作为所述颗粒区域对应的颗粒的实际尺寸。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型;
统计各所述目标分布组包括的颗粒数量;
根据预设的分布类型和颗粒平均质量之间对应关系,确定各所述目标分布组的表面质量分布数据。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述颗粒区域的实际尺寸包括的至少一个尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个目标分布组和对应的分布类型,包括:
根据各所述颗粒区域的第一尺寸类型对应的属性值,对各所述颗粒区域进行统计,得到至少一个备选分布组;
根据所述备选分布组包括的各所述颗粒区域的第二尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组;
根据所述备选分布组包括的各所述颗粒区域的第三尺寸类型对应的属性值,对所述备选分布组包括的各所述颗粒区域进行统计,并更新备选分布组,确定目标分布组;
将所述目标分布组的所述第一尺寸类型对应的属性值、所述第二尺寸类型对应的属性值和所述第三尺寸类型对应的属性值,确定为所述目标分布组的分布类型;
其中,所述尺寸类型包括长度、宽度和厚度。
6.根据权利要求4所述的方法,其特征在于,还包括:
根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据。
7.根据权利要求6所述的方法,其特征在于,所述根据表面颗粒分布参数与整体颗粒分布参数之间的对应关系,和各所述目标分布组的表面质量分布数据,确定整体质量分布数据,包括:
根据各所述目标分布组的表面质量分布数据,确定至少一个筛孔尺寸对应的整体质量分布数据;
根据所述筛孔尺寸和对应的整体质量分布数据,确定所述筛孔尺寸的颗粒分布参数;
根据预设的表面颗粒分布参数与整体颗粒分布参数之间的对应关系,对所述筛孔尺寸的颗粒分布参数进行修正;
根据修正后的颗粒分布参数和对应的筛孔尺寸,对所述对应的筛孔尺寸对应的整体质量分布数据进行修正。
8.一种颗粒粒径识别装置,其特征在于,包括:
颗粒区域识别模块,用于获取颗粒的采集图像,并进行颗粒识别,得到颗粒区域;
像素尺寸确定模块,用于根据所述颗粒区域,确定对应的颗粒的像素尺寸;
实际尺寸确定模块,用于获取所述颗粒区域与图像采集位置的距离,并根据在所述距离下的像素尺寸和实际尺寸之间的对应关系,确定所述颗粒区域对应的颗粒的实际尺寸。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的颗粒粒径识别方法。
10.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的颗粒粒径识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599624.6A CN114324078B (zh) | 2021-12-24 | 2021-12-24 | 一种颗粒粒径识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599624.6A CN114324078B (zh) | 2021-12-24 | 2021-12-24 | 一种颗粒粒径识别方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114324078A true CN114324078A (zh) | 2022-04-12 |
CN114324078B CN114324078B (zh) | 2024-07-26 |
Family
ID=81012306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111599624.6A Active CN114324078B (zh) | 2021-12-24 | 2021-12-24 | 一种颗粒粒径识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324078B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115711836A (zh) * | 2022-11-17 | 2023-02-24 | 上海勘测设计研究院有限公司 | 扫描粒径级配方法及系统 |
CN116330516A (zh) * | 2023-05-29 | 2023-06-27 | 乳山市东方硅胶有限公司 | 一种硅胶颗粒生产设备颗粒大小控制系统 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
CN117274221A (zh) * | 2023-10-10 | 2023-12-22 | 安徽省康宁实业(集团)有限公司 | 一种在线检测固体药物颗粒粒度的方法及系统 |
WO2024025851A1 (en) * | 2022-07-26 | 2024-02-01 | Becton, Dickinson And Company | System and method for estimating object distance and/or angle from an image capture device |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050099626A1 (en) * | 2003-11-10 | 2005-05-12 | King Frederick D. | Method and apparatus for particle measurement employing optical imaging |
WO2007030364A2 (en) * | 2005-09-08 | 2007-03-15 | Imerys Kaolin, Inc. | Large particle, high mineral purity calcined kaolins and methods of preparing and using same |
US20090231628A1 (en) * | 2008-03-14 | 2009-09-17 | Seiko Epson Corporation | Image Processing Apparatus, Image Processing Method, Computer Program for Image Processing |
CN102870135A (zh) * | 2010-06-29 | 2013-01-09 | 富士胶片株式会社 | 用于形状提取的方法和装置、尺寸测量装置和距离测量装置 |
CN203929575U (zh) * | 2014-05-04 | 2014-11-05 | 中煤科工集团武汉设计研究院有限公司 | 煤粉粒度分布自动测定装置 |
MX2015017426A (es) * | 2015-12-16 | 2016-08-30 | Magdalena MENA ARELLANOS Martha | Procedimiento para medir el tamaño real de un objeto utilizando una cámara de una terminal móvil configurada con la distancia focal fija. |
CN107807520A (zh) * | 2017-09-11 | 2018-03-16 | 南京亿海水利工程技术有限公司 | 一种确定粗粒料填筑指标与现场质量控制的方法 |
CN108375529A (zh) * | 2018-02-12 | 2018-08-07 | 中国水利水电科学研究院 | 土石料级配自动检测方法及检测系统 |
CN109740248A (zh) * | 2018-12-29 | 2019-05-10 | 首钢集团有限公司 | 一种通过生球表面质量预测回转窑结圈状况的方法及装置 |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
CN110763601A (zh) * | 2019-11-21 | 2020-02-07 | 上海烟草集团有限责任公司 | 一种烟丝筛分仪及烟丝结构分布测定方法 |
CN110766709A (zh) * | 2019-10-30 | 2020-02-07 | 成都理工大学 | 基于图像识别的滑坡颗粒堆积特征识别方法 |
AU2019204680B1 (en) * | 2019-01-31 | 2020-07-30 | Central South University | Sieving instrument and sieving method for detecting reliability of particle size distribution characteristics of granular material |
CN111504862A (zh) * | 2020-04-29 | 2020-08-07 | 中铁二院工程集团有限责任公司 | 一种基于图像技术的粗颗粒土级配确定方法 |
CN111652270A (zh) * | 2020-04-23 | 2020-09-11 | 中南大学 | 基于图像匹配的粗粒土填料级配自动识别方法及应用系统 |
CN113313726A (zh) * | 2021-06-28 | 2021-08-27 | 安徽信息工程学院 | 一种社保卡的识别方法及系统 |
CN113781481A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 非接触测量物体形状和尺寸的方法、装置以及电子设备 |
-
2021
- 2021-12-24 CN CN202111599624.6A patent/CN114324078B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050099626A1 (en) * | 2003-11-10 | 2005-05-12 | King Frederick D. | Method and apparatus for particle measurement employing optical imaging |
WO2007030364A2 (en) * | 2005-09-08 | 2007-03-15 | Imerys Kaolin, Inc. | Large particle, high mineral purity calcined kaolins and methods of preparing and using same |
US20090231628A1 (en) * | 2008-03-14 | 2009-09-17 | Seiko Epson Corporation | Image Processing Apparatus, Image Processing Method, Computer Program for Image Processing |
CN102870135A (zh) * | 2010-06-29 | 2013-01-09 | 富士胶片株式会社 | 用于形状提取的方法和装置、尺寸测量装置和距离测量装置 |
CN203929575U (zh) * | 2014-05-04 | 2014-11-05 | 中煤科工集团武汉设计研究院有限公司 | 煤粉粒度分布自动测定装置 |
MX2015017426A (es) * | 2015-12-16 | 2016-08-30 | Magdalena MENA ARELLANOS Martha | Procedimiento para medir el tamaño real de un objeto utilizando una cámara de una terminal móvil configurada con la distancia focal fija. |
CN107807520A (zh) * | 2017-09-11 | 2018-03-16 | 南京亿海水利工程技术有限公司 | 一种确定粗粒料填筑指标与现场质量控制的方法 |
CN108375529A (zh) * | 2018-02-12 | 2018-08-07 | 中国水利水电科学研究院 | 土石料级配自动检测方法及检测系统 |
CN109740248A (zh) * | 2018-12-29 | 2019-05-10 | 首钢集团有限公司 | 一种通过生球表面质量预测回转窑结圈状况的方法及装置 |
AU2019204680B1 (en) * | 2019-01-31 | 2020-07-30 | Central South University | Sieving instrument and sieving method for detecting reliability of particle size distribution characteristics of granular material |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
CN110766709A (zh) * | 2019-10-30 | 2020-02-07 | 成都理工大学 | 基于图像识别的滑坡颗粒堆积特征识别方法 |
CN110763601A (zh) * | 2019-11-21 | 2020-02-07 | 上海烟草集团有限责任公司 | 一种烟丝筛分仪及烟丝结构分布测定方法 |
CN111652270A (zh) * | 2020-04-23 | 2020-09-11 | 中南大学 | 基于图像匹配的粗粒土填料级配自动识别方法及应用系统 |
CN111504862A (zh) * | 2020-04-29 | 2020-08-07 | 中铁二院工程集团有限责任公司 | 一种基于图像技术的粗颗粒土级配确定方法 |
CN113313726A (zh) * | 2021-06-28 | 2021-08-27 | 安徽信息工程学院 | 一种社保卡的识别方法及系统 |
CN113781481A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 非接触测量物体形状和尺寸的方法、装置以及电子设备 |
Non-Patent Citations (8)
Title |
---|
M. J. THURLEY: "Three Dimensional Data Analysis for the Separation and Sizing of Rock Piles in Mining", ENGINEERING, 31 December 2002 (2002-12-31), pages 27 - 60 * |
任素波等: "《气基竖炉直接还原技术及仿真》", 31 December 2018, 冶金工业出版社, pages: 120 - 123 * |
孔令德, 桑正中: "正转旋耕土壤破碎情况的研究", 农业机械学报, no. 03, 25 March 2001 (2001-03-25), pages 31 - 32 * |
张建立;叶平坤;孙深深;: "形态学图像处理下的矿石粒度的检测", 机械设计与制造, no. 03, 8 March 2020 (2020-03-08), pages 68 - 71 * |
李哲, 王芝银, 谢永利: "粗粒土类别的分形图解", 长安大学学报(自然科学版), no. 06, 30 November 2004 (2004-11-30), pages 15 - 19 * |
王超凡: "集料形态特征与混合料级配的图像法分析技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑;信息科技, no. 11, 15 November 2017 (2017-11-15), pages 1 - 187 * |
胡佳寅: "沥青混合料级配离析特性的分形评价与控制技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑, no. 05, 15 May 2014 (2014-05-15), pages 1 - 76 * |
范德增: "采用数学图像法进行粗骨料粒度分布分析", 国外耐火材料, no. 04, 30 April 1999 (1999-04-30), pages 13 - 18 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024025851A1 (en) * | 2022-07-26 | 2024-02-01 | Becton, Dickinson And Company | System and method for estimating object distance and/or angle from an image capture device |
CN115711836A (zh) * | 2022-11-17 | 2023-02-24 | 上海勘测设计研究院有限公司 | 扫描粒径级配方法及系统 |
CN116330516A (zh) * | 2023-05-29 | 2023-06-27 | 乳山市东方硅胶有限公司 | 一种硅胶颗粒生产设备颗粒大小控制系统 |
CN116330516B (zh) * | 2023-05-29 | 2023-08-29 | 乳山市东方硅胶有限公司 | 一种硅胶颗粒生产设备颗粒大小控制系统 |
CN116493290A (zh) * | 2023-06-28 | 2023-07-28 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
CN116493290B (zh) * | 2023-06-28 | 2023-09-05 | 苏州吉玛环保科技有限公司 | 一种用于塑料颗粒生产的智能分选方法及系统 |
CN117274221A (zh) * | 2023-10-10 | 2023-12-22 | 安徽省康宁实业(集团)有限公司 | 一种在线检测固体药物颗粒粒度的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114324078B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114324078A (zh) | 一种颗粒粒径识别方法、装置、设备和介质 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN109478329B (zh) | 图像处理方法和装置 | |
CN108875504B (zh) | 基于神经网络的图像检测方法和图像检测装置 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN110675396A (zh) | 遥感影像云检测方法、装置、设备及计算机可读存储介质 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN111968173A (zh) | 一种混合料粒度分析方法及系统 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN114119437B (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN116129365A (zh) | 输送设备上颗粒物料的检测方法和系统 | |
CN113409297A (zh) | 骨料体积计算方法、粒形级配数据生成方法、系统和设备 | |
Secord et al. | Tree detection in aerial lidar and image data | |
CN111027560B (zh) | 文本检测方法以及相关装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |