CN115035114B - 基于图像处理的干草粉碎机状态监测方法 - Google Patents
基于图像处理的干草粉碎机状态监测方法 Download PDFInfo
- Publication number
- CN115035114B CN115035114B CN202210958222.9A CN202210958222A CN115035114B CN 115035114 B CN115035114 B CN 115035114B CN 202210958222 A CN202210958222 A CN 202210958222A CN 115035114 B CN115035114 B CN 115035114B
- Authority
- CN
- China
- Prior art keywords
- image
- hay
- image block
- dimension
- dust
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 135
- 239000000428 dust Substances 0.000 claims abstract description 127
- 238000012937 correction Methods 0.000 claims abstract description 23
- 230000008901 benefit Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000001303 quality assessment method Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 239000000843 powder Substances 0.000 description 44
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的干草粉碎机状态监测方法，该方法包括：对获取的干草灰度图像进行分割得到图像块，计算各图像块的邻域像素差异和长游程优势，进而获得尘土信息值构成尘土信息向量；获取图像块的稀疏向量，计算稀疏向量中各维度的描述值向量；根据尘土信息向量和各维度的描述值向量的相似度确定各维度的权重，根据权重获得图像块的基准增强系数；获得尘土图像，根据尘土图像计算修正系数，进而获得综合增强系数，对图像进行增强得到增强图像；利用增强图像获得干草粉碎质量等级，进而判断粉碎机的运行状态。本发明能够对模糊图像进行自适应增强处理，在抑制噪声的同时也保留了图像的细节部分。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的干草粉碎机状态监测方法。
背景技术
图像在人类的感知中扮演着非常重要的角色，图像所传递的信息也比其他任何形式更加丰富和真切。目前，数字图像处理已成为人们认识世界、改造世界的重要手段。数字图像处理的最高目的是实现对数字图像中物体的分类或识别，即模式识别，从而构造自动处理某些信息的机器系统，以代替人工完成分类和识别的任务。这种机器系统一般分为四个部分：信息获取、预处理、特征提取、决策分类。其中，预处理部分使用图像变换、增强和复原等技术对图像进行处理，提高图像的视觉效果，优化各种统计指标，为特征提取提供高质量的图像。其中，图像增强是一种基本的图像底层处理的手段，它的目的在于改善原始图像的视觉效果。
而随着社会经济的发展、工业化水平的提高，养殖业也随之繁荣。干草饲料作为养殖业的重要需求之一，其需求量也大大提高。影响干草饲料质量好坏的一个重要环节就是干草粉碎，只有粉碎出的干草细碎均匀才能不影响饲料的后续处理。因而在利用干草粉碎机进行粉碎饲料时需实时监控干草粉碎机运行状态，根据粉碎机运行状态来对干草粉碎机进行智能调控。
在对干草粉碎机运行状态进行实时监控时，首先需要获取利用干草粉碎机粉碎后的干草图像。而在干草粉碎的过程中会产生大量由干草粉末造成的尘土，使得采集的干草图像出现模糊，这种现象会影响对图像的后续处理操作，因而需要对采集的干草图像进行增强处理。常见的图像增强算法，都是直接对图像中的像素进行处理，并未考虑图像中是否存在模糊的部分，在抑制噪声的同时也削弱了图像的细节部分。
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基于图像处理的干草粉碎机状态监测方法，所采用的技术方案具体如下：
获取粉碎后的干草灰度图像，将干草灰度图像进行均匀分割得到多个图像块，计算各图像块的邻域像素差异值；获取各图像块中包含的不同灰度级对应的灰度游程长度，计算各灰度级下每个灰度游程长度出现的概率，根据所述概率计算图像块的长游程优势；根据图像块的邻域像素差异值和长游程优势得到图像块的尘土信息值，将所有图像块的尘土信息值构成尘土信息向量；
对分割后的图像利用K-SVD算法进行处理得到稀疏向量序列；其中，一个图像块对应一个稀疏向量；针对任一个维度，将所有稀疏向量中在该维度的取值构成维度的描述值向量；分别计算尘土信息向量与每个维度的描述值向量的相似度，根据各维度对应的相似度确定各维度的权重；根据各维度的权重和图像块的稀疏向量在对应维度的取值得到图像块的基准增强系数；
将各稀疏向量中所有维度对应的相似度小于设定阈值的维度下的取值置零，根据置零操作后的稀疏向量获得尘土图像；根据尘土图像和干草灰度图像上像素点的梯度值和梯度方向的差异，计算像素的修正系数；
根据所述基准增强系数和修正系数得到综合增强系数，根据综合增强系数对分割后的图像进行处理得到增强图像；将增强图像输入质量评估网络，输出干草粉碎质量等级，根据干草粉碎质量等级判断粉碎机的运行状态。
优选地，所述图像块的邻域像素差异值的获取方法具体为：
对于图像块中任意一个像素点，获取该像素点8邻域内各像素点与该像素点像素值的差值，计算所有差值的绝对值的平均值得到该像素点的对比度值；计算图像块中所有像素点的对比度值的均值得到图像块的邻域像素差异值。
所述图像块的长游程优势的获取方法具体为：
其中，
表示第i个图像块的长游程优势，
表示第d个灰度级对应的灰度游程长度，
表示第d个灰度级对应的灰度游程长度
出现的概率，
表示灰度级的总数量，
表示第i个图像块中最长的灰度游程长度。
优选地，所述根据各维度对应的相似度确定各维度的权重具体为：
计算所有维度对应的相似度的和值，根据维度对应的相似度与所述和值的比值得到该维度的权重，进而计算各维度的权重。
优选地，所述图像块的基准增强系数的获取方法具体为：
其中，
表示第i个图像块的基准增强系数，
表示常量系数，
表示第i个图像块的稀疏向量在第s维的取值，
为第s维的权重，S为字典矩阵包含字典向量的总数量。
优选地，所述根据置零操作后的稀疏向量获得尘土图像具体为：
对分割后的图像利用K-SVD算法进行处理得到字典矩阵，根据字典矩阵与置零操作后的稀疏向量的乘积获得尘土图像。
优选地，所述像素的修正系数的获取方法具体为：
其中，
表示第i个图像块中第k个像素点的修正系数，
表示干草灰度图像中第i个图像块中第k个像素点的梯度值，
表示尘土图像中第i个图像块中第k个像素点的梯度值，
表示干草灰度图像中第i个图像块中第k个像素点的梯度方向，
表示尘土灰度图像中第i个图像块中第k个像素点的梯度方向，
表示常量参数。
优选地，所述质量评估网络为Encoder-FC网络。
本发明实施例至少具有如下有益效果：
本发明根据图像中不同图像块的邻域像素差异值和灰度游程长度的分布情况，获得各图像块中包含的尘土信息值，充分考虑了每个图像块对应的区域包含的干草粉末尘土浓度不同，导致每个图像块对应的区域的模糊程度不同，因而对不同图像块采用不同的增强系数，本发明根据图像中每个图像块包含的干草粉末尘土信息含量来确定各图像块的基准增强系数，使得后续能够对不同模糊程度的图像块进行不同程度的增强操作，克服了常见的图像增强技术没有考虑图像模糊性的不足。同时，考虑到干草粉末尘土的分布不均匀可能会导致图像中存在一些浓度纹理，这些浓度纹理会干扰干草纹理信息，因而本发明根据各像素的梯度纹理信息与尘土梯度纹理信息的差异情况确定各像素的增强修正系数，结合增强修正系数与基准增强系数得到准确的综合增强系数，利用各像素的综合增强系数分别对各像素进行自适应的增强处理，使得该图像增强处理后能够在抑制噪声的同时也保留了图像的细节部分。
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是本发明的一种基于图像处理的干草粉碎机状态监测方法的方法流程图。
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基于图像处理的干草粉碎机状态监测方法，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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的干草粉碎机状态监测方法的具体方案。
实施例：
本发明所针对的具体场景为：利用干草粉碎机对干草进行粉碎，粉碎后的干草会被传送带输出，在干草粉碎机的传送带上方布置相机，当干草粉碎机运转时采集粉碎后的干草图像。
本发明的主要目的是：通过分析采集的干草图像来确定各区域图像的模糊程度，根据模糊程度来确定各区域的基准增强系数，通过分析各区域内各信息为尘土信息的情况来计算各区域的增强修正系数，进而得到准确的综合增强系数，利用综合增强系数进行自适应的增强处理，将增强后的图像输入到干草粉碎质量评估网络中得到干草粉碎质量等级，根据干草粉碎质量等级获得干草粉碎机的运行状态。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的干草粉碎机状态监测方法的方法流程图，该方法包括以下步骤：
步骤一，获取粉碎后的干草灰度图像，将干草灰度图像进行均匀分割得到多个图像块，计算各图像块的邻域像素差异值；获取各图像块中包含的不同灰度级对应的灰度游程长度，计算各灰度级下每个灰度游程长度出现的概率，根据所述概率计算图像块的长游程优势；根据图像块的邻域像素差异值和长游程优势得到图像块的尘土信息值，将所有图像块的尘土信息值构成尘土信息向量。
首先，在干草粉碎机的传送带上方布置相机，利用相机采集粉碎后的干草图像，并对干草图像进行灰度化处理得到干草灰度图像。需要说明的是，干草粉碎后会通过传送带进行传输，粉碎后的干草在传送带上的时候可能会堆叠在一起，但是堆成的堆厚度很小，又因为此时被表面干草碎料覆盖的底部的干草碎料均是干草被粉碎机同时粉碎后传输出来的，所以通过对表面的干草进行图像采集进行后续的研究，能够表征粉碎后全部的干草粉碎情况。
将干草灰度图像均匀划分为相同大小的图像块，其中，对图像进行均匀分割得到的图像块的尺寸大小根据原图像的尺寸大小不同而不同。
然后，需要说明的是，当获取的干草灰度图像模糊时，该图像中各图像块对应的不同区域内的对比度降低，同时会导致图像块对应的不同区域内的一些较为细小的纹理丢失，使得区域内的灰度游程变长。但是由于干草纹理长度不同，对比度不尽相同，一个区域的对比度较小时不能说明该区域模糊程度大。
对干草灰度图像中各个图像块进行分析，计算各图像块的邻域像素差异值。具体地，对于图像块中任意一个像素点，获取该像素点8邻域内各像素点与该像素点像素值的差值，计算这8个差值的绝对值的平均值得到该像素点的对比度值，计算图像块中所有像素点的对比度值的均值得到图像块的邻域像素差异值，例如，将第i个图像块的邻域像素差异值记为
。
最后，获取干草灰度图像中各图像块包含的灰度级，进而获取每个图像块中的各灰度级在不同方向上的灰度游程，获得灰度游程矩阵。其中，在本实施例中，将方向设置为30°、60°、90°、120°、150°和180°，并计算图像块中包含的各灰度级在所有方向上的灰度游程长度，将相同灰度级对应的灰度游程长度进行统计，获得每个灰度级下的每个灰度游程长度出现的概率。例如，灰度级为10对应的灰度游程长度为3出现的次数为4，所有的灰度游程长度出现的次数为500，则灰度级为10对应的灰度游程长度为3出现的概率为4/500。
当图像的模糊程度较大时，可能会导致图像中一些较为细小的纹理丢失，使得图像中存在的纹理较长、较大。因此当图像的模糊程度较大时，图像块中细小的纹理丢失的较多时，则该图像块中包含的灰度级对应的灰度游程长度较长，且较长的灰度游程的占比较大，故可以计算图像块的长游程优势，以此来反映图像块中包含长度较长的灰度游程的情况。因此，将图像块中包含的灰度级的灰度游程长度以及对应长度出现的概率作为长游程优势的影响指标。
计算图像块的长游程优势，用公式表示为：
其中，
表示第i个图像块的长游程优势，
表示第d个灰度级对应的灰度游程长度，
表示第d个灰度级对应的灰度游程长度
出现的概率，
表示灰度级的总数量，
表示第i个图像块中最长的灰度游程长度。
图像块的长游程优势表示通过各个角度对应的方向上的灰度游程矩阵计算出的包含灰度游程的情况，若图像块中包含的干草粉末尘土的含量越大，该图像块对应的部分模糊程度就越大，细小纹理丢失的量可能就越多，图像块中剩余的多为长度较长的纹理信息，因此，图像块的长游程优势的取值越大，说明该图像块的细节纹理丢失的越多，该图像块越模糊。
根据图像块的邻域像素差异值和长游程优势的乘积得到图像块的尘土信息值，通过图像块的邻域像素差异值来反映该图像块对应的区域内的对比度信息情况，通过图像块的长游程优势来反映该图像块内包含长度较长的灰度游程的情况。而当图像块较为模糊时，该图像块对应的区域内的对比度降低，包含的长度较长的灰度游程占比较大。故可将图像块的尘土信息值作为尘土量的表征值。且一个图像块对应一个尘土信息值，将干草灰度图像中所有图像块对应的尘土信息值构成一个尘土信息向量，表示为
，其中，
为第i个图像块的尘土信息值，
为第M个图像块的尘土信息值。
步骤二，对分割后的图像利用K-SVD算法进行处理得到稀疏向量序列；其中，一个图像块对应一个稀疏向量；针对任一个维度，将所有稀疏向量中在该维度的取值构成维度的描述值向量；分别计算尘土信息向量与每个维度的描述值向量的相似度，根据各维度对应的相似度确定各维度的权重；根据各维度的权重和图像块的稀疏向量在对应维度的取值得到图像块的基准增强系数。
首先，对分割后的图像利用K-SVD算法进行处理得到稀疏向量序列以及字典矩阵，且一个图像块对应一个稀疏向量。其中，K-SVD算法是一种图像稀疏化方法，其可以将图像写成一个字典矩阵和稀疏向量。其中字典矩阵中每个字典向量描述的是图像中的一些特征。由于模糊是干草粉末尘土信息的一种反映情况，当一个区域干草粉末尘土浓度大时就会呈现出区域信息模糊程度较大。因而可以先在字典矩阵中获取对应的描述干草粉末尘土信息的字典向量，通过分析每个区域干草粉末尘土字典向量的描述值的情况来表征模糊程度。且K-SVD算法为公知技术，在此只做简单的介绍。
具体地，将干草灰度图像上各图像块对应的像素点的像素值构成像素矩阵，一个图像块对应一个像素矩阵，将各图像块的像素矩阵展开得到图像块向量。其中，将矩阵展开得到向量为公知技术，实施者可根据实际情况选择合适的处理方法，例如按行展开。K-SVD算法的输入为各图像块向量构成的序列，输出为字典矩阵和稀疏向量序列，一个图像块对应一个图像块向量，且对应一个稀疏向量。
第i个图像块的图像块向量可以表征为
，其中，
为第i个图像块的图像块向量，H为字典矩阵，
为第i个图像块的稀疏向量。字典矩阵H是由S个字典向量构成的，将第s个字典向量记为
，每个稀疏向量均为S维，一个字典向量对应各稀疏向量的一个维度。将第i个图像块的稀疏向量的第s维度的取值记为
，则第i个图像块的图像块向量可以表征为
。
需要说明的是，由于干草灰度图像中每个图像块对应的区域包含干草粉末尘土的含量不同，因而每个图像块对应的区域的模糊程度不同，故需要根据每个图像块对应的区域包含干草粉末尘土的信息含量情况确定各图像块的增强程度。而为了分析每个图像块对应的区域包含干草粉末尘土的信息情况，需分析每个图像块中包含的能够表征干草粉末尘土信息的字典向量的情况来确定，当一个图像块包含较多的能够表征干草粉末尘土信息的字典向量，说明该图像块对应的区域的干草粉末尘土含量较大，该图像块较为模糊，反之则说明该图像块对应的区域的干草粉末尘土含量较小，该图像块较为清晰。
然后，计算每个字典向量包含干草粉末尘土信息的权重。基于单个字典向量进行分析，为了便于分析，在本实施例中以第s个字典向量为例进行说明。其中，第s个字典向量对应第s维。而各图像块对应的稀疏向量中的第s维下的取值，表示各图像块中包含第s个字典向量所包含的特征信息的含量，从所有图像块对应的所有稀疏向量中获取第s维下的取值，组合在一起构成一个向量记为第s维的描述值向量，也可以看作是第s维对应的第s个字典向量的描述值向量，表示为
，其中，
为第i个图像块的稀疏向量的第s维的取值，
为第M个图像块的稀疏向量的第s维的取值。
当图像块对应的区域包含较多的干草粉末尘土时，该图像块呈现出较为模糊的状态，该图像块包含的干草粉末尘土的特征较多，同时该图像块包含的能够表征干草粉末尘土信息情况的字典向量也较多。反之，当图像块对应的区域包含较少的干草粉末尘土时，该图像块呈现出较为清晰的状态，该图像块包含的干草粉末尘土的特征较少，同时该图像块包含的能够表征干草粉末尘土信息情况的字典向量也较少。
获取尘土信息向量与第s维的描述值向量的相似度，在本实施例中，通过计算尘土信息向量与第s维的描述值向量之间的皮尔逊相关系数来获得两个向量的相似度，相似度的大小表示了第s维对应的第s个字典向量与尘土信息向量之间的关联程度，能够反映第s维对应的第s个字典向量包含干草粉末尘土信息的情况。实施者也可根据其他方法获得两个向量之间的相似度，例如通过计算两个向量之间的余弦相似度来获得。按照相同的方法获取其他维度的描述值向量与尘土信息向量的相似度。
当一个维度的描述值向量与尘土信息向量的相似度越大，表示该维度的取值与各图像块的尘土信息值的相关程度越大，说明该维度对应的字典向量包含表征干草粉末尘土信息的特征越多。反之，当一个维度的描述值向量与尘土信息向量的相似度越小，表示该维度的取值与各图像块的尘土信息值的相关程度越小，说明该维度对应的字典向量包含表征干草粉末尘土信息的特征越少。
因而各图像块的尘土信息值与各维度下的取值相关，也即各图像块的尘土信息值与各维度对应的字典向量的取值相关。当尘土信息值与各维度对应的字典向量的取值的相关程度越大，说明该维度对应的字典向量包含能够表征干草粉末尘土信息的特征越多，因此，基于此来计算每个维度对应的字典向量包含干草粉末尘土信息的权重，用公式表示为：
其中，
为第s维的权重，表示第s维对应的第s个字典向量包含干草粉末尘土信息的权重，S为字典矩阵包含字典向量的总数量，
为第s维的描述值向量与尘土信息向量的相似度，相似度的取值越大，表示该维度的取值与各图像块的尘土信息值的相关程度越大，说明该维度对应的字典向量包含表征干草粉末尘土信息的特征越多。
最后，根据各维度的权重和图像块的稀疏向量在对应维度的取值得到图像块的基准增强系数。当图像块对应的区域包含较多的干草粉末尘土时，该图像块呈现出较为模糊的状态，该图像块包含的干草粉末尘土的特征较多，同时该图像块包含的能够表征干草粉末尘土信息情况的字典向量也较多。而各维度的权重能够表征每个维度对应的字典向量包含干草粉末尘土信息的权重，利用该权重分别对图像块的稀疏向量中各个维度的取值进行加权，能够获得图像块中包含干草粉末尘土的情况。因此，将各维度权重和图像块的稀疏向量在对应维度的取值作为图像块的基准增强系数的影响指标，且各维度权重和图像块的稀疏向量在对应维度的取值与基准增强系数的关系为正相关关系，但是并非线性关系。
计算图像块的基准增强系数，用公式表示为：
其中，
表示第i个图像块的基准增强系数，
表示常量系数，
表示第i个图像块的稀疏向量在第s维的取值，
为第s维的权重，表示第s维对应的第s个字典向量包含干草粉末尘土信息的权重，S为字典矩阵包含字典向量的总数量。
的取值越大，说明第i个图像块中包含第s个字典向量中描述的特征信息越多。
的取值越大，说明第s维对应的第s个字典向量中包含干草粉末尘土信息的特征就越多。当该图像块中能够表征干草粉末尘土信息的特征对应的字典向量的取值较大，说明该图像块中干草粉末尘土信息含量越大。反之，当该图像块中能够表征干草粉末尘土信息的特征对应的字典向量的取值较小，说明该图像块中干草粉末尘土信息含量越小。在本实施例中常量系数
的取值为1.5。
步骤三，将各稀疏向量中所有维度对应的相似度小于设定阈值的维度下的取值置零，根据置零操作后的稀疏向量获得尘土图像；根据尘土图像和干草灰度图像上像素点的梯度值和梯度方向的差异，计算像素的修正系数。
首先，需要说明的是，通过上述步骤获得的各图像块的基准增强系数，所述基准增强系数是基于图像块中包含的干草粉末尘土信息含量来确定的，图像块中包含的干草粉末尘土信息含量越多，该图像块对应的部分越模糊，则该图像块的基准增强系数越大。但是由于尘土的分布是不均匀的，导致尘土会存在由于尘土浓度变化而产生的纹理，该纹理信息会干扰干草自身的纹理信息，因而需要判断干草灰度图像中各信息与尘土存在的关联性来计算各纹理的增强修正系数。
然后，获取各维度的描述值向量与尘土信息向量的相似度，将所述相似度的绝对值小于设定阈值对应的维度记为信息维度，将所有信息维度对应的字典向量构成字典向量信息集合。在本实施例中，设定阈值的取值为0.8。
当一个维度的描述值向量与尘土信息向量的相似度越小，表示该维度的取值与各图像块的尘土信息值的相关程度越小，说明该维度对应的字典向量包含表征干草粉末尘土信息的特征越少。因此，将各图像块的稀疏向量的各个维度中属于信息维度的取值置零，通过将包含较小的表征干草粉末尘土特征的维度进行置零处理，从而达到去除干草灰度图像中属于干草部分信息的目的，以得到只包含干草粉末尘土的图像。
获取各图像块置零处理后的稀疏向量，将字典矩阵与各图像块置零处理后的稀疏向量相乘得到只包含干草粉末尘土信息的图像，记为尘土图像。同时，尘土图像中包含与干草灰度图像进行分割后对应位置及大小的图像块。基于尘土图像中的各图像块进行分析，分别计算各像素点的梯度值以及梯度方向。基于分割处理后的干草灰度图像中的各图像块进行分析，分别计算各像素点的梯度值以及梯度方向。
最后，由于尘土图像中只包含干草粉末尘土信息，当干草灰度图像中的纹理信息与尘土图像中的纹理信息较为相似或者相同时，说明干草灰度图像中各像素属于尘土信息的可能性越大。进而通过判断干草灰度图像中各像素点的梯度信息与尘土图像中各像素点的梯度信息之间的差异，来判断各像素点为尘土纹理的可能性。故以干草灰度图像中与尘土图像中各像素点的梯度信息之间的差异作为各像素点对应的图像增强的修正系数。其中，像素点的梯度信息包括像素点的梯度方向和梯度值。
根据尘土图像和干草灰度图像上像素点的梯度值和梯度方向的差异计算像素的修正系数，用公式表示为：
其中，
表示第i个图像块中第k个像素点的修正系数，
表示干草灰度图像中第i个图像块中第k个像素点的梯度值，
表示尘土图像中第i个图像块中第k个像素点的梯度值，
表示干草灰度图像中第i个图像块中第k个像素点梯度方向，
表示尘土灰度图像中第i个图像块中第k个像素点的梯度方向，
表示常量参数，在本实施例中的取值为0.1。
通过上式计算每个图像块中干草信息去除前后各像素点的梯度信息的变化情况，来确定干草灰度图像上图像块中各像素点属于尘土纹理信息的可能性。当一个像素点的梯度信息在干草信息去除前后发生变化，即干草灰度图像上与尘土图像上像素点的梯度信息的差异较大，说明在去除干草信息同时将干草的梯度纹理信息去除，从而使得尘土图像中像素点的纹理信息为尘土纹理的可能性较大，故需要给该像素点较大的图像增强的修正系数。反之，当一个像素点的梯度信息在干草信息去除前后没有发生变化或者变化较小，即干草灰度图像上与尘土图像上像素点的梯度信息没有差异或者差异较小，说明尘土图像中像素点的纹理信息为尘土纹理的可能性较小，故需要给该像素点较小的图像增强的修正系数。
步骤四，根据所述基准增强系数和修正系数得到综合增强系数，根据综合增强系数对分割后的图像进行处理得到增强图像；将增强图像输入质量评估网络，输出干草粉碎质量等级，根据干草粉碎质量等级判断粉碎机的运行状态。
首先，结合图像块的基准增强系数以及图像块中各像素点的修正系数得到各图像块中像素点准确的综合增强系数，用公式表示为：
根据综合增强系数对干草灰度图像中各像素点进行自适应的增强处理，用公式表示为：
其中，
表示第i个图像块中第k个像素点增强后的灰度值，
表示第i个图像块中第k个像素点的综合增强系数，
表示第i个图像块中第k个像素点灰度值对应的灰度级的累计概率，所述累计概率的计算方法与直方图均衡化的灰度级累计概率的计算方法相同。进而对干草灰度图像中每一个像素点进行自适应的增强处理得到增强后的图像记为增强图像。
然后，将增强图像输入干草粉碎的质量评估网络中，输出干草粉碎质量等级，来确定当前干草的粉碎效果。在本实施例中所述干草粉碎的质量评估网络为Encoder-FC网络，网络的输入为增强处理后的干草图像数据集，即输入为增强图像数据集，输出是干草粉碎质量等级，网络的损失函数为交叉熵损失函数。
训练网络中的数据集为带标签的增强图像数据集，增强图像通过人工对该图像标注干草粉碎等级分类标签，例如通过人工根据增强图像判断干草的颗粒大小以及颗粒的均匀程度来获得干草的粉碎质量，以此确定增强图像对应的干草粉碎质量等级。例如，将质量最好的等级记为第一质量等级，第一质量等级标签为[1,0,0,0,0]，以此类推，第二质量等级标签为[0,1,0,0,0]，第三质量等级标签为[0,0,1,0,0]，第四质量等级标签为[0,0,0,1,0]，第五质量等级标签为[0,0,0,0,1]。在本实施例中共划分五个质量等级，实施者可根据实际情况进行设置。
最后，根据增强图像对应的干草粉碎质量等级来判断粉碎机的运行状态，当质量等级为第一和第二质量等级时，说明当前粉碎机的运行状态良好。当质量等级为第五质量等级时，说明此时粉碎机的运行状态较差，需对粉碎机进行停机整修。当质量等级为第三质量等级时，需观察粉碎机粉碎出当前质量等级干草的持续时间，当持续时间大于阈值
，判定此时粉碎机的运行状态较差，需对粉碎机进行停机整修，当持续时间小于阈值
，判定此时粉碎机的运行状态较为正常。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于图像处理的干草粉碎机状态监测方法，其特征在于，该方法包括以下步骤：
获取粉碎后的干草灰度图像，将干草灰度图像进行均匀分割得到多个图像块，计算各图像块的邻域像素差异值；获取各图像块中包含的不同灰度级对应的灰度游程长度，计算各灰度级下每个灰度游程长度出现的概率，根据所述概率计算图像块的长游程优势；根据图像块的邻域像素差异值和长游程优势的乘积得到图像块的尘土信息值，将所有图像块的尘土信息值构成尘土信息向量；
对分割后的图像利用K-SVD算法进行处理得到稀疏向量序列；其中，一个图像块对应一个稀疏向量；针对任一个维度，将所有稀疏向量中在该维度的取值构成维度的描述值向量；分别计算尘土信息向量与每个维度的描述值向量的相似度，根据各维度对应的相似度确定各维度的权重；根据各维度的权重和图像块的稀疏向量在对应维度的取值得到图像块的基准增强系数；
将各稀疏向量中所有维度对应的相似度小于设定阈值的维度下的取值置零，根据置零操作后的稀疏向量获得尘土图像；根据尘土图像和干草灰度图像上像素点的梯度值和梯度方向的差异，计算像素的修正系数；
根据所述基准增强系数和修正系数得到综合增强系数，根据综合增强系数对分割后的图像进行处理得到增强图像；将增强图像输入质量评估网络，输出干草粉碎质量等级，根据干草粉碎质量等级判断粉碎机的运行状态。
2.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述图像块的邻域像素差异值的获取方法具体为：
对于图像块中任意一个像素点，获取该像素点8邻域内各像素点与该像素点像素值的差值，计算所有差值的绝对值的平均值得到该像素点的对比度值；计算图像块中所有像素点的对比度值的均值得到图像块的邻域像素差异值。
3.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述图像块的长游程优势的获取方法具体为：
其中，
表示第i个图像块的长游程优势，
表示第d个灰度级对应的灰度游程长度，
表示第d个灰度级对应的灰度游程长度
出现的概率，
表示灰度级的总数量，
表示第i个图像块中最长的灰度游程长度。
4.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述根据各维度对应的相似度确定各维度的权重具体为：
计算所有维度对应的相似度的和值，根据维度对应的相似度与所述和值的比值得到该维度的权重，进而计算各维度的权重。
5.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述图像块的基准增强系数的获取方法具体为：
其中，
表示第i个图像块的基准增强系数，
表示常量系数，
表示第i个图像块的稀疏向量在第s维的取值，
为第s维的权重，S为字典矩阵包含字典向量的总数量。
6.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述根据置零操作后的稀疏向量获得尘土图像具体为：
对分割后的图像利用K-SVD算法进行处理得到字典矩阵，根据字典矩阵与置零操作后的稀疏向量的乘积获得尘土图像。
7.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述像素的修正系数的获取方法具体为：
其中，
表示第i个图像块中第k个像素点的修正系数，
表示干草灰度图像中第i个图像块中第k个像素点的梯度值，
表示尘土图像中第i个图像块中第k个像素点的梯度值，
表示干草灰度图像中第i个图像块中第k个像素点的梯度方向，
表示尘土灰度图像中第i个图像块中第k个像素点的梯度方向，
表示常量参数。
8.根据权利要求1所述的一种基于图像处理的干草粉碎机状态监测方法，其特征在于，所述质量评估网络为Encoder-FC网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958222.9A CN115035114B (zh) | 2022-08-11 | 2022-08-11 | 基于图像处理的干草粉碎机状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958222.9A CN115035114B (zh) | 2022-08-11 | 2022-08-11 | 基于图像处理的干草粉碎机状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115035114A CN115035114A (zh) | 2022-09-09 |
| CN115035114B true CN115035114B (zh) | 2022-11-11 |
Family
ID=83130977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210958222.9A Active CN115035114B (zh) | 2022-08-11 | 2022-08-11 | 基于图像处理的干草粉碎机状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115035114B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660789B (zh) * | 2022-11-23 | 2023-08-04 | 广州锐竞信息科技有限责任公司 | 基于智慧电商平台的产品图像管理系统 |
| CN115661447B (zh) * | 2022-11-23 | 2023-08-04 | 上海行蕴信息科技有限公司 | 一种基于大数据的产品图像调整方法 |
| CN117115152B (zh) * | 2023-10-23 | 2024-02-06 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线生产监测方法 |
| CN117407727B (zh) * | 2023-11-28 | 2024-05-14 | 星环信息科技(上海)股份有限公司 | 一种向量相似度确定方法及向量搜索方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933723A (zh) * | 2015-07-21 | 2015-09-23 | 闽江学院 | 基于稀疏表示的舌图像分割方法 |
| CN105608676A (zh) * | 2015-12-23 | 2016-05-25 | 浙江宇视科技有限公司 | 一种视频图像的增强方法及装置 |
| US10049427B1 (en) * | 2017-08-15 | 2018-08-14 | Apple Inc. | Image data high throughput predictive compression systems and methods |
| CN110276414A (zh) * | 2019-07-01 | 2019-09-24 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 基于字典学习和稀疏表示的影像特征提取方法及表达方法 |
| CN112734666A (zh) * | 2020-12-31 | 2021-04-30 | 西安电子科技大学 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
| CN114841947A (zh) * | 2022-04-27 | 2022-08-02 | 广东省人民医院 | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 |
| CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190238796A1 (en) * | 2017-05-11 | 2019-08-01 | Jacob Nathaniel Allen | Object Inspection System And Method For Inspecting An Object |
| CN114049283A (zh) * | 2021-11-16 | 2022-02-15 | 上海无线电设备研究所 | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 |
| CN114612345B (zh) * | 2022-04-01 | 2023-05-09 | 上海兴驰电子有限公司 | 一种基于图像处理的光源检测方法 |
-
2022
- 2022-08-11 CN CN202210958222.9A patent/CN115035114B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933723A (zh) * | 2015-07-21 | 2015-09-23 | 闽江学院 | 基于稀疏表示的舌图像分割方法 |
| CN105608676A (zh) * | 2015-12-23 | 2016-05-25 | 浙江宇视科技有限公司 | 一种视频图像的增强方法及装置 |
| US10049427B1 (en) * | 2017-08-15 | 2018-08-14 | Apple Inc. | Image data high throughput predictive compression systems and methods |
| CN110276414A (zh) * | 2019-07-01 | 2019-09-24 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 基于字典学习和稀疏表示的影像特征提取方法及表达方法 |
| CN112734666A (zh) * | 2020-12-31 | 2021-04-30 | 西安电子科技大学 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
| CN114841947A (zh) * | 2022-04-27 | 2022-08-02 | 广东省人民医院 | 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置 |
| CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| Enhanced Local Gradient Order Features and Discriminant Analysis for Face Recognition;Chuan-Xian Ren等;《 IEEE Transactions on Cybernetics 》;20161130;第46卷(第11期);第2656 - 2669页 * |
| 尿沉渣显微图像有形成分分割与特征提取方法研究;于林杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;第2017年卷(第3期);I138-5609 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115035114A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115035114B (zh) | 基于图像处理的干草粉碎机状态监测方法 | |
| CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
| CN110555368B (zh) | 基于三维卷积神经网络的跌倒行为识别方法 | |
| CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
| Yu et al. | A new edge detection approach based on image context analysis | |
| CN113610862B (zh) | 一种屏幕内容图像质量评估方法 | |
| CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN112419397B (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 | |
| CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
| CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
| CN112950586A (zh) | 一种lf炉钢渣红外识别方法和系统 | |
| CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
| CN116363127A (zh) | 基于图像处理的全降解塑料制品质量检测方法 | |
| CN110910347B (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
| CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
| CN115131375A (zh) | 一种矿石自动分割方法 | |
| CN112070714B (zh) | 一种基于局部三元计数特征的翻拍图像检测方法 | |
| CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
| CN101710989B (zh) | 一种对数字图像jpeg压缩的识别方法 | |
| CN104079934B (zh) | 一种实时视频通信中的感兴趣区域提取方法 | |
| CN107895355A (zh) | 一种移动侦测和图像对比度自适应增强系统及其方法 | |
| Riyadi et al. | Evaluation of mangosteen surface quality using discrete curvelet transform | |
| CN116563286B (zh) | 一种移动硬盘盒生产质量快速检测系统 | |
| CN112704259B (zh) | 一种密集烟叶识别的打叶质量评价方法及系统 |
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 |