CN114897891A - 用于螺条式混合机的混合均匀度检测方法及系统 - Google Patents

用于螺条式混合机的混合均匀度检测方法及系统 Download PDF

Info

Publication number
CN114897891A
CN114897891A CN202210811758.8A CN202210811758A CN114897891A CN 114897891 A CN114897891 A CN 114897891A CN 202210811758 A CN202210811758 A CN 202210811758A CN 114897891 A CN114897891 A CN 114897891A
Authority
CN
China
Prior art keywords
image
uniformity
dispersion
hsi
discrete
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
Application number
CN202210811758.8A
Other languages
English (en)
Other versions
CN114897891B (zh
Inventor
冯春丽
许美香
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.)
Nantong Hennly Machinery Equipment Co ltd
Original Assignee
Nantong Hennly Machinery Equipment 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 Nantong Hennly Machinery Equipment Co ltd filed Critical Nantong Hennly Machinery Equipment Co ltd
Priority to CN202210811758.8A priority Critical patent/CN114897891B/zh
Publication of CN114897891A publication Critical patent/CN114897891A/zh
Application granted granted Critical
Publication of CN114897891B publication Critical patent/CN114897891B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/213—Measuring of the properties of the mixtures, e.g. temperature, density or colour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/214—Measuring characterised by the means for measuring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于螺条式混合机的混合均匀度检测方法及系统。该方法能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；通过对螺条式混合机中物料RGB图像的处理得到第一类别和第二类别，基于多帧物料RGB图像的第一类别的第一离散均匀度和第二类别的第二离散均匀度进行直线拟合得到第一离散曲线和第二离散曲线，根据第一离散曲线的收敛点以及第二离散曲线的收敛点得到该螺条式混合机的混合均匀度。本发明应用电子设备进行数据处理和识别，避免了螺条式混合机自身工作特性造成的误差，提高了检测结果的准确度。

Description

用于螺条式混合机的混合均匀度检测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于螺条式混合机的混合均匀度检测方法及系统。
背景技术
随着科学技术的发展，对混合机的混合均匀度检测方法也越来越多，混合均匀度是评价混合机功能优劣的主要指标；目前常用的混合均匀度检测方法有化学检验法、显微镜观察法、甲基紫检测法、红外光谱法以及感观检测法。
但是化学检验法的检测成本较高，步骤复杂，受限于粉末的类别；甲基紫检测法在遇到超细粉、超重粉或者有色粉时，会产生混合结果不均匀与甲基紫检测结果不一致的情况；而常用的人工感观的检测方法缺乏客观性，检测精度较低。随着机器视觉的发展应用，利用视觉图像技术对粉末混合均匀度进行检测评价的方法也越来越多，而现有进行利用视觉图像检测往往没有考虑到混合机工作的特点，从而忽略了螺条式混合机自身工作特性对检测结果产生的偏差，使得检测结果准确性较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于螺条式混合机的混合均匀度检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种用于螺条式混合机的混合均匀度检测方法，该方法包括以下步骤：
获取螺条式混合机多帧连续的物料RGB图像，基于每帧所述物料RGB图像得到对应的HSI图像，获取每帧所述HSI图像在色调通道的灰度图像；
将任意一帧所述灰度图像划分为多个子块，获取每个所述子块对应的逆差矩；基于任意相邻两个所述子块之间的逆差矩差异得到多个图像块；获取每个所述图像块对应的逆差矩均值，将所述逆差矩均值大于预设阈值的所述图像块归为第一类别，所述逆差矩均值小于预设阈值的所述图像块归为第二类别；
获取所述第一类别对应的第一HSI图像以及第二类别对应的第二HSI图像；计算所述第一HSI图像的第一离散均匀度以及所述第二HSI图像的第二离散均匀度；
基于每帧所述HSI图像的第一离散均匀度拟合第一离散曲线，基于每帧所述HSI图像的第二离散均匀度拟合第二离散曲线，获取所述第一离散曲线收敛时的第一离散均匀度以及所述第二离散曲线收敛时的第二离散均匀度，根据所述第一离散均匀度和所述第二离散均匀度得到所述螺条式混合机的混合均匀度。
优选的，所述获取每个所述子块对应的逆差矩的步骤，包括：
获取每个子块对应的子灰度图像，获取所述子灰度图像对应的灰度共生矩阵；基于所述灰度共生矩阵得到所述子块对应的逆差矩。
优选的，所述基于任意相邻两个所述子块之间的逆差矩差异得到多个图像块的步骤，包括：
获取任意相邻两个所述子块的逆差矩的差值为逆差矩差异，所述逆差矩差异小于预设阈值时，相邻两个所述子块合并为所述图像块。
优选的，所述计算所述第一HSI图像的第一离散均匀度的步骤，包括：
选取任意大小的高斯核在所述第一HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；
基于每个所述颜色通道下的所述高斯模型中的方差与均值得到所述第一离散均匀度。
优选的，所述第一离散均匀度为：
Figure 596588DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第一离散均匀度；
Figure 189113DEST_PATH_IMAGE004
表示第一HSI图像中所有高斯模型的数量；
Figure DEST_PATH_IMAGE005
表示 通道的数量；
Figure 988704DEST_PATH_IMAGE006
表示在第
Figure 796123DEST_PATH_IMAGE005
个通道下第
Figure DEST_PATH_IMAGE007
个高斯模型对应的均值；
Figure 124598DEST_PATH_IMAGE008
表示在第
Figure 283047DEST_PATH_IMAGE005
个通道下 所有高斯模型的均值的平均值；
Figure DEST_PATH_IMAGE009
表示在第
Figure 853706DEST_PATH_IMAGE005
个通道下第
Figure 282675DEST_PATH_IMAGE007
个高斯模型对应的方差；
Figure 483849DEST_PATH_IMAGE010
表 示在第
Figure 129594DEST_PATH_IMAGE005
个通道下所有高斯模型的方差的平均值。
优选的，所述计算所述第二HSI图像的第二离散均匀度的步骤，包括：
选取任意大小的高斯核在所述第二HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；
基于每个所述颜色通道下的所述高斯模型中的方差与均值得到所述第二离散均匀度。
优选的，所述第二离散均匀度为：
Figure 441627DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示第二离散均匀度；
Figure 912054DEST_PATH_IMAGE014
表示第二HSI图像中所有高斯模型的数量；
Figure 284129DEST_PATH_IMAGE005
表示
通道的数量；
Figure DEST_PATH_IMAGE015
表示在第
Figure 715373DEST_PATH_IMAGE005
个通道下第
Figure 831096DEST_PATH_IMAGE016
个高斯模型对应的均值；
Figure 733193DEST_PATH_IMAGE008
表示在第
Figure 512056DEST_PATH_IMAGE005
个通道下所有高斯模型的均值的平均值；
Figure DEST_PATH_IMAGE017
表示在第
Figure 929131DEST_PATH_IMAGE005
个通道下第
Figure 582966DEST_PATH_IMAGE016
个高斯模型对应的方 差；
Figure 852753DEST_PATH_IMAGE010
表示在第
Figure 566631DEST_PATH_IMAGE005
个通道下所有高斯模型的方差的平均值。
优选的，所述混合均匀度与所述第一离散均匀度呈正相关关系，与所述第二离散均匀度呈正相关关系。
第二方面，本发明另一个实施例提供了一种用于螺条式混合机的混合均匀度检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如上述方法所述的步骤。
本发明具有如下有益效果：本发明实施例能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发。根据螺条式混合机的工作特性，结合每个子块的逆差矩将混合物料的区域分为第一类别和第二类别，分别对第一类别和第二类别的离散均匀度进行分析，避免了由于螺条式混合机自身工作特性对检测结果产生的影响，同时通过每个类别离散均匀度拟合的离散曲线中的收敛点计算最终的混合均匀度，通过应用电子设备进行数据处理和识别，提高了数据分析的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于螺条式混合机的混合均匀度检测的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于螺条式混合机的混合均匀度检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技
术人员通常理解的含义相同。
本申请适用于螺条式混合机对有色粉末混合的均匀度，首先获取多帧连续的物料RGB图像划分多个图像块，基于每个图像块的逆差矩均值将物料RGB图像划分为第一类别和第二类别。对每个类别构建多次高斯模型计算每个类别对应的离散均匀度，基于多帧物料的HSI图像拟合第一离散曲线和第二离散曲线；根据第一离散曲线和第二离散曲线的全局收敛点得到物料混合均匀度，达到了对螺条式混合机混合均匀度获取的目的，提高了数据分析的准确性，避免了有色粉末的颜色干扰，且极大减少了由于螺条式混合机的工作特点造成的检测误差。
下面结合附图具体的说明本发明所提供的一种用于螺条式混合机的混合均匀度检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于螺条式混合机的混合均匀度检测的方法流程图，该方法包括以下步骤：
步骤S100，获取螺条式混合机多帧连续的物料RGB图像，基于每帧物料RGB图像得到对应的HSI图像，获取每帧HSI图像在色调通道的灰度图像。
具体的，设置相机对螺条式混合机工作时的内部物料混合进行图像采集，混合机螺旋桨的转动速度和转动规律为匀速并可根据人为控制；将相机布置在混合机机箱上方，采集混合机多帧连续的混合物料图像，为了提高分析的准确性，对获取到的每帧混合物料图像进行预处理，本发明实施例中采用中值滤波算法对混合物料图像进行去噪处理，减少图像中椒盐噪声所造成的影响。然后利用Gamma校正算法对混合物料图像进行图像增强，从而提高图像中的对比度信息，将预处理后的图像记为物料RGB图像，对物料RGB图像进行后续分析。
作为优选，本发明实施例中对图像进行采集的频率设置为30秒/帧。
螺条式混合机在对有色粉末进行混合时，其粉末颜色会对最终混合均匀度检测产生一定的影响，因此对每帧物料RGB图像进行颜色空间转换，本发明实施例中将RGB图像转换为HSI颜色空间得到每帧物料RGB图像对应的HSI图像；进一步对每张HSI图像进行灰度化处理，得到该HSI图像在每个颜色通道对应的灰度图，灰度化处理方法为公知技术，在此不做过多赘述。为了更接近人的感官对不同颜色的感受，本发明实施中选取色调H通道对应的灰度图像进行后续分析。
步骤S200，将任意一帧灰度图像划分为多个子块，获取每个子块对应的逆差矩；基于任意相邻两个子块之间的逆差矩差异得到多个图像块；获取每个图像块对应的逆差矩
均值，将逆差矩均值大于预设阈值的图像块归为第一类别，逆差矩均值小于预设阈值的图像块归为第二类别。
由步骤S100中获取到每帧物料RGB图像对应的HSI图像，进一步获取到每帧物料RGB图像对应的色调通道的灰度图像。本发明实施例中将该灰度图像等分为多个子块，获取每个子块对应的子灰度图像，获取子灰度图像对应的灰度共生矩阵；基于灰度共生矩阵得到子块对应的逆差矩。
具体的，根据每个子块对应的子灰度图像构建灰度共生矩阵，像素对之间的偏移距离以及方向由实施者自行设定，灰度共生矩阵的构建方法为现有公知技术，不再赘述。
作为优选，本发明实施例中将像素对的偏移距离设置为1，具体方向选取设置为：
Figure 674264DEST_PATH_IMAGE018
。
进一步的，根据每个子块对应的灰度共生矩阵获取该子块对应的逆差矩为：
Figure 492310DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示逆差矩；
Figure 165737DEST_PATH_IMAGE022
表示像素点的坐标；
Figure DEST_PATH_IMAGE023
为该子块对应的长度；
Figure 614298DEST_PATH_IMAGE024
表示像 素对之间的偏移距离，
Figure DEST_PATH_IMAGE025
表示不同方向；
Figure 5965DEST_PATH_IMAGE026
表示在方向
Figure 1603DEST_PATH_IMAGE025
下偏移距离为
Figure 968684DEST_PATH_IMAGE024
的像素对 出现的概率。
以此类推，获取每个子块对应的逆差矩；逆差矩反映了图像局部纹理变化的大小，若图像纹理在不同方向上的分布较为均匀，变化较慢，则逆差矩取值会较大；反之，若图像纹理在不同方向上的分布不均匀，变化距离，则逆差矩取值较小。而由于螺条式混合机自身工作特性，在不同的混合区域，物料的混合均匀度可能存在一定的差异，从而导致反映出的局部逆差矩不同，因此可根据逆差矩之间的差异对多个子块进行分类。
获取任意相邻两个子块的逆差矩的差值为逆差矩差异，逆差矩差异小于预设阈值时，相邻两个子块合并为图像块。具体的，获取任意两个相邻子块之间的逆差矩差异为：
Figure 289944DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示逆差矩差异；
Figure 168907DEST_PATH_IMAGE030
表示第
Figure DEST_PATH_IMAGE031
个子块对应的逆差矩；
Figure 266438DEST_PATH_IMAGE032
表示第
Figure DEST_PATH_IMAGE033
个子块对应的逆差矩。
当任意两个相邻子块之间的逆差矩差异小于预设阈值时，将该两个子块合并为一个图像块；以此类推，根据所有的子块之间的逆差矩差异得到多个图像块。
作为优选，本发明实施例中将预设阈值设置为
Figure 914457DEST_PATH_IMAGE034
。
计算每个图像块中对应的逆差矩均值，即对每个图像块中所有子块对应的逆差矩求和，根据该求和获取该图像块的逆差矩均值；根据每个图像块对应的逆差矩均值对所有的图像块进行分类，将逆差矩均值大于预设阈值的图像块归为第一类别，将逆差矩均值小于预设阈值的图像块归为第二类别；第一类别为螺条式混合机在搅拌过程中搅拌较为均匀的区域；第二类别为螺条式混合机在搅拌过程中搅拌相对不均匀的区域。
作为优选，本发明实施例中将预设阈值设置为0.6，即逆差矩均值大于0.6的图像块归为第一类别，逆差矩均值小于0.6的归为第二类别。
步骤S300，获取第一类别对应的第一HSI图像以及第二类别对应的第二HSI图像；计算第一HSI图像的第一离散均匀度以及第二HSI图像的第二离散均匀度。
由步骤S200的方法获取到每帧物料RGB图像中的第一类别和第二类别，对每个类别区域的混合度进行分析，一般对于均匀程度的分析方法是通过对所有不同颜色粉末颗粒进行计数和获取对应坐标位置，然后利用区域坐标分布方差进行均匀程度的评价，但是该方法计算量较大，效率较低。本发明实施例中通过不同颜色颗粒的颜色分布信息和纹理信息构建高斯模型，通过多通道的高斯模型完成混合均匀度的评价。
具体的，将第一类别与第二类别对应到步骤S100中获取到的HSI图像中，从该HSI图像中分割出第一类别对应的第一HSI图像以及第二类别对应的第二HSI图像；具体分割方法为：将第一类别对应区域的像素点像素值置1，第二类别对应区域的像素点像素值置0，得到对应的二值图像作为第一类别的掩膜图像，将该掩膜图像与HSI图像相乘得到第一类别的第一HSI图像；相应的，根据相同的方法得到第二类别的第二HSI图像。
进一步的，选取任意大小的高斯核在第一HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；基于每个颜色通道下的高斯模型中的方差与均值得到第一离散均匀度。即设置任意大小的高斯核对第一HSI图像在H通道、S通道以及I通道分别构建高斯模型为：
Figure 767138DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示任意滑窗在第
Figure 602239DEST_PATH_IMAGE005
个通道对应的高斯模型；
Figure 706723DEST_PATH_IMAGE038
表示任意滑窗在第
Figure 412511DEST_PATH_IMAGE005
个通道对应的方差；
Figure DEST_PATH_IMAGE039
表示任意滑窗在第
Figure 606732DEST_PATH_IMAGE005
个通道对应的均值；
Figure 899435DEST_PATH_IMAGE040
表示任意滑窗中像素点；
Figure DEST_PATH_IMAGE041
表示自然常数；
Figure 102884DEST_PATH_IMAGE042
表示圆周率。
作为优选，本发明实施例中选取
Figure DEST_PATH_IMAGE043
大小的高斯核对该第一HSI图像进行滑窗。 获取每个窗口对应的高斯模型，基于不同通道下每个窗口对应的均值和方差得到该第一 HSI图像的第一离散均匀度为：
Figure 949662DEST_PATH_IMAGE044
其中，
Figure 518046DEST_PATH_IMAGE003
表示第一离散均匀度；
Figure 796581DEST_PATH_IMAGE004
表示第一HSI图像中所有高斯模型的数量，即所 有窗口的数量；
Figure 741403DEST_PATH_IMAGE005
表示通道的数量，本发明实施例中
Figure DEST_PATH_IMAGE045
；
Figure 579040DEST_PATH_IMAGE006
表示在第
Figure 583905DEST_PATH_IMAGE005
个通道下第
Figure 585622DEST_PATH_IMAGE007
个高 斯模型对应的均值；
Figure 802976DEST_PATH_IMAGE008
表示在第
Figure 337863DEST_PATH_IMAGE005
个通道下所有高斯模型的均值的平均值；
Figure 248050DEST_PATH_IMAGE009
表示在第
Figure 737063DEST_PATH_IMAGE005
个通道下第
Figure 758108DEST_PATH_IMAGE007
个高斯模型对应的方差；
Figure 147501DEST_PATH_IMAGE010
表示在第
Figure 494169DEST_PATH_IMAGE005
个通道下所有高斯模型的方差的平均 值。
基于上述获取第一HSI图像对应的第一离散均匀度相同的方法，选取任意大小的 高斯核在第二HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；基于每个颜色通道下 的高斯模型中的方差与均值得到第二离散均匀度。即选取任意大小的高斯核对第二HSI图 像在H通道、S通道以及I通道分别构建高斯模型。作为优选，本发明实施例中对第二HSI图像 进行处理时采用
Figure 204898DEST_PATH_IMAGE046
的高斯核进行滑窗。获取每个窗口对应的高斯模型，基于不同通道下 每个窗口对应的均值和方差得到该第二HSI图像的第二离散均匀度为：
Figure DEST_PATH_IMAGE047
其中，
Figure 91952DEST_PATH_IMAGE013
表示第二离散均匀度；
Figure 335851DEST_PATH_IMAGE014
表示第二HSI图像中所有高斯模型的数量，即所 有窗口的数量；
Figure 354885DEST_PATH_IMAGE005
表示通道的数量，本发明实施例中
Figure 317025DEST_PATH_IMAGE045
；
Figure 804507DEST_PATH_IMAGE015
表示在第
Figure 404378DEST_PATH_IMAGE005
个通道下第
Figure 92848DEST_PATH_IMAGE016
个 高斯模型对应的均值；
Figure 542284DEST_PATH_IMAGE008
表示在第
Figure 443244DEST_PATH_IMAGE005
个通道下所有高斯模型的均值的平均值；
Figure 163200DEST_PATH_IMAGE017
表示在第
Figure 22572DEST_PATH_IMAGE005
个通道下第
Figure 693725DEST_PATH_IMAGE016
个高斯模型对应的方差；
Figure 663955DEST_PATH_IMAGE010
表示在第
Figure 250137DEST_PATH_IMAGE005
个通道下所有高斯模型的方差的平 均值。
需要说明的是，本发明实施例中对不同颜色通道的分量进行计算时，均为经过归一化后的数据。由此获取到第一类别对应的第一离散均匀度以及第二类别对应的第二离散均匀度；离散均匀度指标反映了混合物料的混合均匀程度，当混合物料达到足够均匀的情况时，离散均匀度应收敛于最小值。
步骤S400，基于每帧HSI图像的第一离散均匀度拟合第一离散曲线，基于每帧HSI图像的第二离散均匀度拟合第二离散曲线，获取第一离散曲线收敛时的第一离散均匀度以及第二离散曲线收敛时的第二离散均匀度，根据第一离散均匀度和第二离散均匀度得到螺条式混合机的混合均匀度。
由步骤S300中得到第一类别的第一离散均匀度和第二类别的第二离散均匀度，即得到每帧HSI图像对应的第一离散均匀度和第二离散均匀度；获取步骤S100中多帧连续HSI图像分别对应的第一离散均匀度和第二离散均匀度，根据获取到的离散均匀度构建离散曲线。即根据多帧HSI图像对应的第一离散均匀度拟合出第一离散曲线，根据多帧HSI图像对应的第二离散均匀度拟合出第二离散曲线。
进一步的，获取第一离散曲线和第二离散曲线分别对应的全局收敛点，该全局收 敛点为从此点开始的后续所有的相邻时间点之间的梯度差值均小于预设阈值。即收敛时的 条件为：
Figure DEST_PATH_IMAGE049
其中，
Figure 342726DEST_PATH_IMAGE050
表示第一离散曲线上第
Figure DEST_PATH_IMAGE051
个点对应梯度值；
Figure 64957DEST_PATH_IMAGE052
表示第一离散曲线上第
Figure DEST_PATH_IMAGE053
个点对应的梯度值；
Figure 370036DEST_PATH_IMAGE054
表示预设阈值，由实施者自行设置。
作为优选，本发明实施例中将预设阈值设置为
Figure DEST_PATH_IMAGE055
。
当第一离散曲线中后续所有时间点对应的梯度差值均小于预设阈值时，则达到全局收敛的条件。基于相同的原理，获取第二离散曲线中全局收敛的时间点。基于第一离散曲线全局收敛时间点的第一离散均匀度以及第二离散曲线的全局收敛点对应的第二离散均匀度对物料的混合均匀度进行评价；混合均匀度与第一离散均匀度呈正相关关系，与第二离散均匀度呈正相关关系，具体公式为：
Figure DEST_PATH_IMAGE057
其中，
Figure 48274DEST_PATH_IMAGE058
表示物料的混合均匀度；
Figure DEST_PATH_IMAGE059
表示第一离散曲线的全局收敛点对应的第 一离散均匀度；
Figure 547650DEST_PATH_IMAGE060
表示第二离散曲线的全局收敛点对应的第二离散均匀度；
Figure DEST_PATH_IMAGE061
表示第一 离散均匀度的权值系数；
Figure 255712DEST_PATH_IMAGE062
表示第二离散均匀度的权重系数。
作为优选，本发明实施例中设置
Figure DEST_PATH_IMAGE063
，
Figure 865947DEST_PATH_IMAGE064
。
根据获取到的混合均匀度得到该螺条式混合机的总体工作状态，基于混合均匀度的大小可实现对螺条式混合机质量的检测，混合均匀度越小，表明该螺条式混合机对物料的最终混合状态越好。本发明实施例中设置经验值0.1对该螺条式混合机的混合均匀度进行评价，当对该螺条式混合机的混合均匀度小于0.1时，表明该螺条式混合机的混合均匀度较好。
进一步的，本发明实施例中还能够实现根据离散曲线的收敛点减少数据的处理量，
利用离散曲线对图像采集时间间隔的优化，获取第一离散曲线在第一次局部收敛时的时间点，判断局部收敛的条件为在该第一离散曲线中相邻两个点的梯度值的差值小于预设阈值。由此获取第一离散曲线中对应的局部收敛的时间点。同理获取第二离散曲线中对应的局部收敛的时间点，选取第一离散曲线的局部收敛时间点和第二离散曲线的局部收敛的时间点的较小值得到最优采样间隔，即从开始采集到局部收敛的时间间隔为最优采样间隔。
需要说明的是，当第一离散曲线或者第二离散曲线中不存在局部收敛的时间点时，则按照原有的采样图像间隔进行采样。
综上所述，本发明实施例首先获取多帧连续的物料RGB图像，然后将所有的物料RGB图像转换至HSI颜色空间得到对应的HSI图像，进一步获取每帧HSI图像在色调通道的灰度图像，将该灰度图像划分为多个子块，计算每个子块对应的灰度共生矩阵从而得到每个子块对应的逆差矩，根据相邻两个子块之间逆差矩的差异将子块合并为一个图像块，由此得到多个图像块，基于每个图像块对应的逆差矩均值将物料RGB图像划分为均匀度较好的第一类别和均匀度较差的第二类别。对每个类别构建多次高斯模型从而计算出每个类别对应的离散均匀度，基于多帧物料的HSI图像中第一类别的第一离散均匀度均匀度拟合第一离散曲线，同理根据第二类别的第二离散均匀度拟合第二离散曲线；基于第一离散曲线和第二离散曲线的全局收敛点得到物料混合均匀度，根据混合均匀度的大小得到该混合机的混合质量情况，基于螺条式混合机的工作特性分区域对物料的均匀程度进行分析，提高了数据分析的准确性，避免了有色粉末的颜色干扰，且极大减少了由于螺条式混合机的工作特点造成的检测误差。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种用于螺条式混合机的混合均匀度检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种用于螺条式混合机的混合均匀度检测方法实施例中的步骤，例如图1所示的步骤。该一种用于螺条式混合机的混合均匀度检测方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种用于螺条式混合机的混合均匀度检测方法，其特征在于，该方法包括以下步骤：
获取螺条式混合机多帧连续的物料RGB图像，基于每帧所述物料RGB图像得到对应的HSI图像，获取每帧所述HSI图像在色调通道的灰度图像；
将任意一帧所述灰度图像划分为多个子块，获取每个所述子块对应的逆差矩；基于任意相邻两个所述子块之间的逆差矩差异得到多个图像块；获取每个所述图像块对应的逆差矩均值，将所述逆差矩均值大于预设阈值的所述图像块归为第一类别，所述逆差矩均值小于预设阈值的所述图像块归为第二类别；
获取所述第一类别对应的第一HSI图像以及第二类别对应的第二HSI图像；计算所述第一HSI图像的第一离散均匀度以及所述第二HSI图像的第二离散均匀度；
基于每帧所述HSI图像的第一离散均匀度拟合第一离散曲线，基于每帧所述HSI图像的第二离散均匀度拟合第二离散曲线，获取所述第一离散曲线收敛时的第一离散均匀度以及所述第二离散曲线收敛时的第二离散均匀度，根据所述第一离散均匀度和所述第二离散均匀度得到所述螺条式混合机的混合均匀度；
其中，所述计算所述第一HSI图像的第一离散均匀度以及所述第二HSI图像的第二离散均匀度的步骤，包括：
选取任意大小的高斯核在所述第一HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；
基于每个所述颜色通道下的所述高斯模型中的方差与均值得到所述第一离散均匀度，所述第一离散均匀度为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第一离散均匀度；
Figure DEST_PATH_IMAGE006
表示第一HSI图像中所有高斯模型的数量；
Figure DEST_PATH_IMAGE008
表示通道的数量；
Figure DEST_PATH_IMAGE010
表示在第
Figure 534985DEST_PATH_IMAGE008
个通道下第
Figure DEST_PATH_IMAGE012
个高斯模型对应的均值；
Figure DEST_PATH_IMAGE014
表示在第
Figure 373497DEST_PATH_IMAGE008
个通道下所有高斯模型的均值的平均值；
Figure DEST_PATH_IMAGE016
表示在第
Figure 763021DEST_PATH_IMAGE008
个通道下第
Figure 220547DEST_PATH_IMAGE012
个高斯模型对应的方差；
Figure DEST_PATH_IMAGE018
表示在第
Figure 423469DEST_PATH_IMAGE008
个通道下所有高斯模型的方差的平均值；
选取任意大小的高斯核在所述第二HSI图像上滑窗，得到每个颜色通道下的多个高斯模型；
基于每个所述颜色通道下的所述高斯模型中的方差与均值得到所述第二离散均匀度，所述第二离散均匀度为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
表示第二离散均匀度；
Figure DEST_PATH_IMAGE024
表示第二HSI图像中所有高斯模型的数量；
Figure DEST_PATH_IMAGE026
表示在第
Figure 216238DEST_PATH_IMAGE008
个通道下第
Figure DEST_PATH_IMAGE028
个高斯模型对应的均值；
Figure DEST_PATH_IMAGE030
表示在第
Figure 155375DEST_PATH_IMAGE008
个通道下第
Figure 665860DEST_PATH_IMAGE028
个高斯模型对应的方差。
2.根据权利要求1所述的方法，其特征在于，所述获取每个所述子块对应的逆差矩的步骤，包括：
获取每个子块对应的子灰度图像，获取所述子灰度图像对应的灰度共生矩阵；基于所述灰度共生矩阵得到所述子块对应的逆差矩。
3.根据权利要求1所述的方法，其特征在于，所述基于任意相邻两个所述子块之间的逆差矩差异得到多个图像块的步骤，包括：
获取任意相邻两个所述子块的逆差矩的差值为逆差矩差异，所述逆差矩差异小于预设阈值时，相邻两个所述子块合并为所述图像块。
4.根据权利要求1所述的方法，其特征在于，所述混合均匀度与所述第一离散均匀度呈正相关关系，与所述第二离散均匀度呈正相关关系。
5.一种用于螺条式混合机的混合均匀度检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1
Figure DEST_PATH_IMAGE032
4任意一项方法所述的步骤。
CN202210811758.8A 2022-07-12 2022-07-12 用于螺条式混合机的混合均匀度检测方法及系统 Active CN114897891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811758.8A CN114897891B (zh) 2022-07-12 2022-07-12 用于螺条式混合机的混合均匀度检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811758.8A CN114897891B (zh) 2022-07-12 2022-07-12 用于螺条式混合机的混合均匀度检测方法及系统

Publications (2)

Publication Number Publication Date
CN114897891A true CN114897891A (zh) 2022-08-12
CN114897891B CN114897891B (zh) 2022-09-09

Family

ID=82730147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811758.8A Active CN114897891B (zh) 2022-07-12 2022-07-12 用于螺条式混合机的混合均匀度检测方法及系统

Country Status (1)

Country Link
CN (1) CN114897891B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063420A (zh) * 2022-08-16 2022-09-16 江苏美克美斯自动化科技有限责任公司 一种智能化混合机混合性能的检测评估方法
CN116596926A (zh) * 2023-07-17 2023-08-15 成都交大光芒科技股份有限公司 烟丝参配均匀性检测方法与系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095907A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于rbf神经网络的棉花异质纤维鉴别方法
CN109036547A (zh) * 2018-06-11 2018-12-18 燕山大学 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
CN109190571A (zh) * 2018-09-12 2019-01-11 内蒙古大学 一种放牧绵羊采食典型植物种类的检测识别方法及其装置
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095907A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于rbf神经网络的棉花异质纤维鉴别方法
CN109036547A (zh) * 2018-06-11 2018-12-18 燕山大学 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
CN109190571A (zh) * 2018-09-12 2019-01-11 内蒙古大学 一种放牧绵羊采食典型植物种类的检测识别方法及其装置
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063420A (zh) * 2022-08-16 2022-09-16 江苏美克美斯自动化科技有限责任公司 一种智能化混合机混合性能的检测评估方法
CN116596926A (zh) * 2023-07-17 2023-08-15 成都交大光芒科技股份有限公司 烟丝参配均匀性检测方法与系统

Also Published As

Publication number Publication date
CN114897891B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN114897891B (zh) 用于螺条式混合机的混合均匀度检测方法及系统
CN107886514B (zh) 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
CN109840913B (zh) 一种乳腺x线图像中肿块分割的方法和系统
JP6999812B2 (ja) 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法
CN111968080B (zh) 一种基于高光谱和深度学习的肥城桃内外品质检测方法
US11501435B2 (en) Unsupervised content-preserved domain adaptation method for multiple CT lung texture recognition
CN109829882B (zh) 一种糖尿病视网膜病变分期预测方法
Garnavi et al. Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels
Wright et al. The effect of quality control on accuracy of digital pathology image analysis
CN111462042A (zh) 癌症预后分析方法及系统
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
CN111062953A (zh) 一种超声图像中甲状旁腺增生的识别方法
CN115587985A (zh) 组织病理图像细胞核分割以及染色风格规范化方法
CN112330790A (zh) 基于对抗学习与自适应色度修正的ct图像自动着色方法
WO2018098697A1 (zh) 一种影像特征的可重复性测量方法及装置
Huang et al. HEp-2 cell images classification based on textural and statistic features using self-organizing map
CN114864075A (zh) 一种基于病理图像的胶质瘤级别分析方法及装置
Samsi et al. Colorization of H&E stained tissue using Deep Learning
CN112200815B (zh) 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法
CN112494063B (zh) 一种基于注意力机制神经网络的腹部淋巴结分区方法
CN116883994A (zh) 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质
EP4024336A1 (en) Neural network training method and apparatus, defect inspection method and apparatus, and non-transitory computer-readable medium
Ma et al. Deep attention network for melanoma detection improved by color constancy
CN116385373A (zh) 结合稳定学习与混合增强的病理学图像分类方法及系统
CN115206497A (zh) 一种基于深度学习方法非诊断目的分析肺腺癌亚型及其解释方法

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