CN115063420A - 一种智能化混合机混合性能的检测评估方法 - Google Patents

一种智能化混合机混合性能的检测评估方法 Download PDF

Info

Publication number
CN115063420A
CN115063420A CN202210980110.3A CN202210980110A CN115063420A CN 115063420 A CN115063420 A CN 115063420A CN 202210980110 A CN202210980110 A CN 202210980110A CN 115063420 A CN115063420 A CN 115063420A
Authority
CN
China
Prior art keywords
image
mixing
matrix
effect
obtaining
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
CN202210980110.3A
Other languages
English (en)
Other versions
CN115063420B (zh
Inventor
许会学
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.)
Jiangsu Meikemeisi Automation Technology Co ltd
Original Assignee
Jiangsu Meikemeisi Automation Technology 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 Jiangsu Meikemeisi Automation Technology Co ltd filed Critical Jiangsu Meikemeisi Automation Technology Co ltd
Priority to CN202210980110.3A priority Critical patent/CN115063420B/zh
Publication of CN115063420A publication Critical patent/CN115063420A/zh
Application granted granted Critical
Publication of CN115063420B publication Critical patent/CN115063420B/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理领域，提出了一种智能化混合机混合性能的检测评估方法，包括：采集当前时刻的物料混合图像；将物料混合图像划分为尺寸相同的多个图像块，得到每个图像块的联合特征值；得到图像块的混合效果；得到最小混合离散程度；通过所有图像块的混合效果得到混合效果矩阵，对混合效果矩阵进行列分割，得到尺寸相同的第一矩阵和第二矩阵，得到第一矩阵中每一列和第二矩阵对应列的互相关系数；得到局部均匀程度；得到物料混合图像的混合效果；当物料混合图像的混合效果大于或等于混合效果阈值时，继续进行搅拌；当物料混合图像的混合效果小于混合效果阈值时，停止搅拌。本发明得到混合机混合效果的数字化评价模型，评估的准确性更高。

Description

一种智能化混合机混合性能的检测评估方法
技术领域
本发明涉及数据处理领域，具体涉及一种智能化混合机混合性能的检测评估方法。
背景技术
当前在工业农业领域中，混合机的使用范围越来越广泛，混合机将多种物料均匀快速的搅拌在一起，以达到使用的标准，取代了传统依靠人力进行搅拌的方法，传统依靠人力的方法效率低下且搅拌效果不好。混合机的混合效果反应了在生产中是否达到物料的混合标准，因此对混合机的混合效果评估是极其重要的。
现有的混合机的混合效果一般都是基于出料口物料混合图像进行评估，由于出料口的物料图像只代表了部分混合效果，不代表整体混合效果，有可能存在物料局部混合均匀而整体混合不均匀的情况，导致这种方式对物料混合效果的评估不全面、不准确。因此本发明提出了一种基于图像整体均匀性和局部均匀性的智能化混合机混合性能的评价方法。
发明内容
本发明提供一种智能化混合机混合性能的检测评估方法，以解决现有的评估结果不准确的问题。
本发明的一种智能化混合机混合性能的检测评估方法，采用如下技术方案，包括：
采集当前时刻的物料混合图像；
将物料混合图像划分为尺寸相同的多个图像块，计算每个图像块的信息熵和该图像块的灰度值的方差，通过每个图像块的信息熵和该图像块的灰度值的方差得到每个图像块的联合特征值；
通过每个图像块的联合特征值以及标准图像联合特征值得到该图像块的混合效果；通过每个图像块的混合效果以及所有图像块的混合效果中的最小混合效果得到最小混合离散程度；
通过所有图像块的混合效果得到混合效果矩阵，对混合效果矩阵进行列分割，得到尺寸相同的第一矩阵和第二矩阵，通过第一矩阵中每一列和第二矩阵对应列之间的协方差以及第一矩阵和第二矩阵中每一列混合效果的标准差得到第一矩阵中每一列和第二矩阵对应列的互相关系数；
通过得到的所有互相关系数中的最大互相关系数和最小互相关系数得到局部均匀程度；
通过局部均匀程度、最小混合离散程度以及所有图像块的混合效果的均值得到当前时刻物料混合图像的混合效果；
当物料混合图像的混合效果大于或等于混合效果阈值时，对物料继续进行搅拌；当物料混合图像的混合效果小于混合效果阈值时，对物料停止搅拌。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，所述图像块的混合效果为标准图像联合特征值与该图像块的联合特征值的差值。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，得到所述标准图像联合特征值的方法为：
获取物料混合均匀时的标准物料混合图像；
根据标准物料混合图像中每个灰度值在所有像素点的灰度值中的概率获得标准物料混合图像的信息熵；
计算标准物料混合图像中所有像素点的灰度值方差；
通过标准物料混合图像的信息熵和标准物料混合图像中所有像素点的灰度值方差的乘积得到标准图像联合特征值。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，所述图像块的联合特征值为该图像块的信息熵和该图像块的灰度值方差的乘积。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，得到所述第一矩阵中每一列和第二矩阵对应列的互相关系数的方法为：
计算第一矩阵中每一列和第二矩阵对应列混合效果的标准差的乘积，计算第一矩阵中每一列和第二矩阵对应列之间的协方差与该乘积的比值，得到的该比值即为第一矩阵中每一列和第二矩阵对应列的互相关系数。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，所述物料混合图像的混合效果的表达式为：
Figure 160127DEST_PATH_IMAGE001
式中，
Figure 760872DEST_PATH_IMAGE002
表示物料混合图像的混合效果，
Figure 286532DEST_PATH_IMAGE003
表示局部均匀程度，
Figure 896505DEST_PATH_IMAGE004
表示最小混合离散程度，
Figure 925641DEST_PATH_IMAGE005
表示所有图像块的混合效果的均值。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，所述局部均匀程度为第一矩阵中所有列和第二矩阵对应列的互相关系数中最大互相关系数和最小互相关系数的差值。
进一步的，所述的一种智能化混合机混合性能的检测评估方法，所述最小混合离散程度的表达式为：
Figure 962867DEST_PATH_IMAGE006
式中，
Figure 447593DEST_PATH_IMAGE007
表示混合效果矩阵中第
Figure 861257DEST_PATH_IMAGE008
行第
Figure 744899DEST_PATH_IMAGE009
列的图像块的混合效果，
Figure 218606DEST_PATH_IMAGE010
表示混合效果矩阵中所有图像块的混合效果中的最小混合效果，
Figure 187699DEST_PATH_IMAGE011
表示混合效果矩阵共
Figure 139475DEST_PATH_IMAGE011
行，
Figure 143203DEST_PATH_IMAGE012
表示混合效果矩阵共
Figure 787811DEST_PATH_IMAGE012
列，
Figure 244200DEST_PATH_IMAGE008
表示混合效果矩阵中的第
Figure 999666DEST_PATH_IMAGE008
行，
Figure 592322DEST_PATH_IMAGE009
表示混合效果矩阵中的第
Figure 407831DEST_PATH_IMAGE009
列。
本发明的有益效果是：本发明采集当前物料混合图像，通过标准物料混合图像的信息计算标准图像联合特征值，将当前物料混合图像划分为尺寸相同的图像块，得到每个图像块的混合效果，从而获得最小混合离散程度和混合效果均值，根据最小混合离散程度和混合效果均值对混合效果进行整体评估；为了对混合效果进行局部评估，接着将混合效果矩阵划分为两个矩阵，计算局部均匀程度；最后通过局部均匀程度和最小混合离散程度以及混合效果均值判断当前图像中物料是否混合充分，本发明对物料混合的整体均匀性和局部均匀性进行了相关的度量，相对于只考虑局部均匀性，评价结果更加全面、准确。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种智能化混合机混合性能的检测评估方法的实施例的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明的一种智能化混合机混合性能的检测评估方法的实施例，如图1所示，包括：
101、采集当前时刻的物料混合图像。
本实施例对混合机内部物料的图像进行采集，按照一定时间间隔采集一次图像，不同的混料效果图像有不同的特征，根据图像的特征判断混合机的混料效果。一般情况下物料都有不同的颜色、颗粒大小等特征，混合机的作用是将不同颜色、不同大小颗粒的物料混合在一起。拍摄不同时间的图像可以连续判断当前混料效果，达到标准以后即可出料，防止时间和资源的浪费。
在混合机对物料进行搅拌的过程中，不同物料之间的特征是不同的。最初各种物料独立分布，各自特征分布明显，随着混合机的工作，物料之间充分混合，物料的特征也变成随机分布，随机性越大表明混料效果越好。
物料经过混合机搅拌，不同种类的物料有不同的颗粒大小、边缘形状、颜色属性等，混合的目的就是使不同的物料充分的混合在一起，混合效果越好，图像中的颜色分布和颗粒分布等特征越散乱。所以根据图像的这些特征分析可以得到混料效果。
在实际混合机对物料进行混合的过程中，各种物料之间有一个固定的比例，理想状态下是使得这不同比例的物料均匀混合，而在图像中也表现为物料颗粒的均匀混合。当物料混合均匀时，采集图像，作为标准物料混合图像，从而获取物料混合均匀时的标准物料混合图像；
根据标准物料混合图像中每个灰度值在所有像素点的灰度值中的概率获得标准物料混合图像的信息熵；
计算标准物料混合图像中所有像素点的灰度值方差；
通过标准物料混合图像的信息熵和标准物料混合图像中所有像素点的灰度值方差的乘积得到标准图像联合特征值。
标准物料混合图像的信息熵
Figure 351516DEST_PATH_IMAGE013
为：
Figure 910673DEST_PATH_IMAGE014
式中，
Figure 623414DEST_PATH_IMAGE013
表示标准物料混合图像的信息熵，
Figure 344246DEST_PATH_IMAGE015
表示灰度值
Figure 778157DEST_PATH_IMAGE016
在标准物料混合图像所有像素点的灰度值中的概率，
Figure 875426DEST_PATH_IMAGE016
表示灰度值为
Figure 973832DEST_PATH_IMAGE016
。
信息熵表明了图像含有信息的多少。
标准物料混合图像中所有像素点的灰度值方差为：
Figure 599985DEST_PATH_IMAGE017
式中，
Figure 518263DEST_PATH_IMAGE018
表示标准物料混合图像中所有像素点的灰度值方差，
Figure 419223DEST_PATH_IMAGE019
表示标准物料混合图像中所有像素点的灰度均值，
Figure 840977DEST_PATH_IMAGE008
表示标准物料混合图像中第
Figure 434769DEST_PATH_IMAGE008
个像素点，
Figure 574763DEST_PATH_IMAGE020
表示标准物料混合图像中第
Figure 279414DEST_PATH_IMAGE008
个像素点的灰度值，
Figure 821254DEST_PATH_IMAGE021
表示标准物料混合图像中的像素点个数，物料搅拌的最终效果是其充分混合。
基于以上分析，本实施例获取标准物料混合图像的图像特性，根据熵和方差的大小确定一个理想图像的参考标准，称为标准图像联合特征值，标准图像联合特征值
Figure 523631DEST_PATH_IMAGE022
的表达式如下：
Figure 947659DEST_PATH_IMAGE023
上式中通过信息熵和方差的乘积
Figure 190421DEST_PATH_IMAGE022
来表征标准图像特征。
本实施例通过实际混合机混料过程中的图像与标准图像特征值之间的对比来得到混合效果的量化。因为标准参考值是一个理想的特征值，而实际混合中，达不到这种理想的状态，但是和标准状态的差距越小表明混合效果越好。
102、将物料混合图像划分为尺寸相同的多个图像块，计算每个图像块的信息熵和该图像块的灰度值的方差，通过每个图像块的信息熵和该图像块的灰度值的方差得到每个图像块的联合特征值。
本实施例将拍摄得到的图像分成m*n块，计算每个图像块的联合特征值。由于混合机物料混合的不充分，有可能某一部分并没有充分混合，但是剩余部分已经充分混合，因此在这种情况下对图像进行整体分析会出现误判的情况，所以本实施例通过对拍摄得到的图像进行整体分块，得到每一个分块的图像特征，进而判断整体的混料效果。
Figure 586768DEST_PATH_IMAGE024
Figure 256783DEST_PATH_IMAGE025
式中，
Figure 574632DEST_PATH_IMAGE026
表示第
Figure 358436DEST_PATH_IMAGE027
个分块的信息熵，
Figure 874868DEST_PATH_IMAGE028
表示第
Figure 715785DEST_PATH_IMAGE027
个分块的灰度值方差，
Figure 114405DEST_PATH_IMAGE029
表示第
Figure 698971DEST_PATH_IMAGE027
个分块中第
Figure 69909DEST_PATH_IMAGE030
种灰度值出现的概率，
Figure 81727DEST_PATH_IMAGE030
表示该分块中第
Figure 905327DEST_PATH_IMAGE030
种灰度值，
Figure 293583DEST_PATH_IMAGE031
表示该分块共
Figure 519028DEST_PATH_IMAGE031
种灰度值，
Figure 701748DEST_PATH_IMAGE032
表示第
Figure 278222DEST_PATH_IMAGE027
个分块的灰度值均值，
Figure 204590DEST_PATH_IMAGE033
第
Figure 284542DEST_PATH_IMAGE027
个分块的
Figure 903742DEST_PATH_IMAGE034
位置处的灰度值，分块的维度为
Figure 716582DEST_PATH_IMAGE035
，表示分块共有
Figure 446640DEST_PATH_IMAGE036
行
Figure 381098DEST_PATH_IMAGE037
列，
Figure 171200DEST_PATH_IMAGE038
表示该分块的第
Figure 456688DEST_PATH_IMAGE038
行,
Figure 724858DEST_PATH_IMAGE039
表示该分块的第
Figure 779402DEST_PATH_IMAGE039
行，
Figure 740404DEST_PATH_IMAGE036
表示分块共有
Figure 247609DEST_PATH_IMAGE036
行，
Figure 319470DEST_PATH_IMAGE037
表示分块共有
Figure 697362DEST_PATH_IMAGE037
列。
则分块的联合特征值为：
Figure 81463DEST_PATH_IMAGE040
式中，
Figure 341543DEST_PATH_IMAGE041
表示第
Figure 685937DEST_PATH_IMAGE027
个分块的联合特征值。
通过计算混合均匀的标准物料混合图像的方差和信息熵得到了标准图像联合特征值，因此后续的量化都要按照相同的计算方式来进行，因此依然通过计算每个分块的方差和信息熵来度量。
103、通过每个图像块的联合特征值以及标准图像联合特征值得到该图像块的混合效果；通过每个图像块的混合效果以及所有图像块的混合效果中的最小混合效果得到最小混合离散程度。
而当前分块的联合特征值与标准图像联合特征值之间的差异表示当前分块的混合效果，如下式：
Figure 715073DEST_PATH_IMAGE042
式中，
Figure 752299DEST_PATH_IMAGE007
表示第
Figure 499675DEST_PATH_IMAGE027
个分块的混合效果。上述的含义在于理想状态下的联合特征值即标准图像联合特征值是最大的，因为考虑的是完全理想下的物料的分布特性，拥有最大的信息熵和方差，而实际图像块和标准图像联合特征值之间的差距越小，表明混合效果越好。
在实际混合过程中，混料的均匀性是最为重要的，它决定着整体混合的效果的成败。而均匀性在所有图像块混合效果得到的矩阵
Figure 913339DEST_PATH_IMAGE043
中表现为元素的波动程度即离散程度。传统离散程度是根据所有元素和均值之间的平均距离得到的。而本实施例不但要对离散程度进行量化，同时也要对混合效果进行量化，因此本实施例以所有图像块的混合效果中的最小混合效果为参考，因为值越小表明混料效果越好，计算所有元素值和最小值之间的平均差值，一方面可以表示离散程度，另一方面可以表示混料效果。
Figure 796982DEST_PATH_IMAGE044
Figure 335935DEST_PATH_IMAGE006
式中，
Figure 305028DEST_PATH_IMAGE010
表示所有图像块的混合效果中的最小混合效果，
Figure 53541DEST_PATH_IMAGE004
表示最小混合离散程度。
104、通过所有图像块的混合效果得到混合效果矩阵，对混合效果矩阵进行列分割，得到尺寸相同的第一矩阵和第二矩阵，通过第一矩阵中每一列和第二矩阵对应列之间的协方差以及第一矩阵和第二矩阵中每一列混合效果的标准差得到第一矩阵中每一列和第二矩阵对应列的互相关系数。
获取图像分块的差异联合特征值矩阵，即混合效果矩阵，如下所示：
Figure 48480DEST_PATH_IMAGE045
式中，
Figure 161929DEST_PATH_IMAGE043
表示图像分块的差异联合特征值矩阵，即混合效果矩阵，
Figure 618319DEST_PATH_IMAGE046
表示第
Figure 373785DEST_PATH_IMAGE047
个分块的混合效果，
Figure 232020DEST_PATH_IMAGE048
表示第
Figure 47529DEST_PATH_IMAGE049
个分块的混合效果，
Figure 991214DEST_PATH_IMAGE050
表示第
Figure 81530DEST_PATH_IMAGE051
个分块的混合效果，
Figure 794271DEST_PATH_IMAGE052
表示第
Figure 780681DEST_PATH_IMAGE053
个分块的混合效果，即混合效果矩阵中第
Figure 211663DEST_PATH_IMAGE011
行第
Figure 308932DEST_PATH_IMAGE012
列的图像分块的混合效果。
上述根据分块特征和标准图像联合特征值之间的差异得到了一个差异联合特征值矩阵。本步骤首先通过将图像分块，避免了某些地方混合不均对整体结果的影响，而后通过计算每个分块中联合特征值和标准参考值之间的差异来判断混合效果的好坏，得到了一个差异值组成的整体的矩阵，从整体和局部两个方面考虑了混合料效果带来的不同的变化。
上述矩阵整体表述的是每个分块和理想混合状态之间的差距，可知差距越小表明混合机的混合效果越好。因此对矩阵
Figure 876179DEST_PATH_IMAGE043
的分析可以知晓混合机的混和效果。
本实施例通过对矩阵
Figure 33491DEST_PATH_IMAGE043
的整体进行分析，作为整幅图像的量化，矩阵
Figure 951769DEST_PATH_IMAGE043
中全部元素的平均值即所有分块的联合特征值和标准图像联合特征值差值的平均值越小，表明混合效果越好。
Figure 590079DEST_PATH_IMAGE054
式中，
Figure 808571DEST_PATH_IMAGE005
表示所有图像块的混合效果的均值。
均值是指图像混合效果的整体性表达，但是对于获得的混料图像来说有可能存在某些地方混料不均，因此各位置之间的相似性也可以表达混料效果。因此本实施例通过混合效果矩阵中行列间的相似性来判断混料的局部均匀性。
Figure 340046DEST_PATH_IMAGE055
上式是对差异联合特征值矩阵进行列划分，如果w为偶数，则
Figure 276778DEST_PATH_IMAGE056
表示中间列，将矩阵直接均分为两组，如果w为奇数，则
Figure 184691DEST_PATH_IMAGE057
表示中间列，去除最后一列计算前面w-1列的相似性，从而将矩阵
Figure 523269DEST_PATH_IMAGE043
划分得到两个尺寸相同的矩阵。为了计算不同区域的相似性，更好的表征图像的均匀性，考虑到相邻块本身的相似性特点，本实施例通过跨区域计算每列之间的相似性即互相关系数来对整体混合效果均匀性进行判断，即计算
Figure 22383DEST_PATH_IMAGE058
两列间的互相关系数。
Figure 649674DEST_PATH_IMAGE059
上述划分得到的两个矩阵分别以原本矩阵
Figure 626857DEST_PATH_IMAGE043
的第1列和第e列为初始列，计算划分得到的两个矩阵第
Figure 492045DEST_PATH_IMAGE060
列的互相关系数
Figure 162061DEST_PATH_IMAGE061
，
Figure 276647DEST_PATH_IMAGE062
表示划分得到的两个矩阵第
Figure 57521DEST_PATH_IMAGE060
列之间的协方差，
Figure 573953DEST_PATH_IMAGE063
分别表示划分得到的两个矩阵第
Figure 414870DEST_PATH_IMAGE060
列混合效果的标准差。
105、通过得到的所有互相关系数中的最大互相关系数和最小互相关系数得到局部均匀程度。
以上通过计算共得到了e-1个互相关系数，互相关系数表明了列与列之间的相关性即相似性，相似性越大表明整体的混合效果越好。得到的所有互相关系数中，最大值和最小值分别为：
Figure 16753DEST_PATH_IMAGE064
上式中
Figure 604248DEST_PATH_IMAGE065
表示互相关系数中的最大值和最小值，在均匀性计算的过程中，相关性最大和最小是最能表征混料均匀性的数据，理想情况下列与列间的相似性是一致的，因此本实施例通过相似性的最大值和最小值之间的差异来最大程度表征混料的均匀效果。局部均匀程度
Figure 975186DEST_PATH_IMAGE003
为：
Figure 987005DEST_PATH_IMAGE066
上式中对混料的局部均匀性进行了相关的量化，
Figure 810604DEST_PATH_IMAGE003
越小表明均匀性越好。
106、通过局部均匀程度、最小混合离散程度以及所有图像块的混合效果的均值得到当前时刻物料混合图像的混合效果。
上述步骤从平均混合效果、局部混合程度以及最小混合离散程度对物料的混合效果进行了量化。
综合以上本实施例通过对
Figure 198860DEST_PATH_IMAGE043
矩阵的分析得到了三个评价指标，分别为所有图像块的混合效果的均值
Figure 424305DEST_PATH_IMAGE005
、局部均匀程度
Figure 607025DEST_PATH_IMAGE003
、最小混合离散程度
Figure 183500DEST_PATH_IMAGE004
。综合三个指标最终可得当前物料混合图像的混合效果
Figure 109867DEST_PATH_IMAGE002
为：
Figure 189819DEST_PATH_IMAGE001
上式的含义在于：由于物料混合的均匀性是混合效果的重点，即最小混合离散程度
Figure 809019DEST_PATH_IMAGE004
是重点，而局部均匀程度
Figure 403948DEST_PATH_IMAGE003
是混料效果的次重点，因此以
Figure 868428DEST_PATH_IMAGE004
作为指数函数的指数，以
Figure 68465DEST_PATH_IMAGE003
作为底数。而平均混合效果即所有图像块的混合效果的均值
Figure 858566DEST_PATH_IMAGE005
对混合效果的影响不敏感，因此作为一个偏置对整体的函数进行调整。
107、当物料混合图像的混合效果大于或等于混合效果阈值时，对物料继续进行搅拌；当物料混合图像的混合效果小于混合效果阈值时，对物料停止搅拌。
最终根据上述的评价函数对物料混合图像的混合效果进行评价，当前混合机的混合效果
Figure 881405DEST_PATH_IMAGE002
小于混合效果阈值
Figure 415154DEST_PATH_IMAGE067
时，表明物料已经充分混合，可以将物料送出，否则，表明物料没有充分混合，需继续混合。
本发明采集当前物料混合图像，通过标准物料混合图像的信息计算标准图像联合特征值，将当前物料混合图像划分为尺寸相同的图像块，得到每个图像块的混合效果，从而获得最小混合离散程度和混合效果均值，根据最小混合离散程度和混合效果均值对混合效果进行整体评估；为了对混合效果进行局部评估，接着将混合效果矩阵划分为两个矩阵，计算局部均匀程度；最后通过局部均匀程度和最小混合离散程度以及混合效果均值判断当前图像中物料是否混合充分，本发明对物料混合的整体均匀性和局部均匀性进行了相关的度量，相对于只考虑局部均匀性，评价结果更加全面、准确。
以上所述仅为本发明的较佳实施例而已，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 (8)

1.一种智能化混合机混合性能的检测评估方法，其特征在于，包括：
采集当前时刻的物料混合图像；
将物料混合图像划分为尺寸相同的多个图像块，计算每个图像块的信息熵和该图像块的灰度值的方差，通过每个图像块的信息熵和该图像块的灰度值的方差得到每个图像块的联合特征值；
通过每个图像块的联合特征值以及标准图像联合特征值得到该图像块的混合效果；通过每个图像块的混合效果以及所有图像块的混合效果中的最小混合效果得到最小混合离散程度；
通过所有图像块的混合效果得到混合效果矩阵，对混合效果矩阵进行列分割，得到尺寸相同的第一矩阵和第二矩阵，通过第一矩阵中每一列和第二矩阵对应列之间的协方差以及第一矩阵和第二矩阵中每一列混合效果的标准差得到第一矩阵中每一列和第二矩阵对应列的互相关系数；
通过得到的所有互相关系数中的最大互相关系数和最小互相关系数得到局部均匀程度；
通过局部均匀程度、最小混合离散程度以及所有图像块的混合效果的均值得到当前时刻物料混合图像的混合效果；
当物料混合图像的混合效果大于或等于混合效果阈值时，对物料继续进行搅拌；当物料混合图像的混合效果小于混合效果阈值时，对物料停止搅拌。
2.根据权利要求1所述的一种智能化混合机混合性能的检测评估方法，其特征在于，所述图像块的混合效果为标准图像联合特征值与该图像块的联合特征值的差值。
3.根据权利要求2所述的一种智能化混合机混合性能的检测评估方法，其特征在于，得到所述标准图像联合特征值的方法为：
获取物料混合均匀时的标准物料混合图像；
根据标准物料混合图像中每个灰度值在所有像素点的灰度值中的概率获得标准物料混合图像的信息熵；
计算标准物料混合图像中所有像素点的灰度值方差；
通过标准物料混合图像的信息熵和标准物料混合图像中所有像素点的灰度值方差的乘积得到标准图像联合特征值。
4.根据权利要求2所述的一种智能化混合机混合性能的检测评估方法，其特征在于，所述图像块的联合特征值为该图像块的信息熵和该图像块的灰度值方差的乘积。
5.根据权利要求1所述的一种智能化混合机混合性能的检测评估方法，其特征在于，得到所述第一矩阵中每一列和第二矩阵对应列的互相关系数的方法为：
计算第一矩阵中每一列和第二矩阵对应列混合效果的标准差的乘积，计算第一矩阵中每一列和第二矩阵对应列之间的协方差与该乘积的比值，得到的该比值即为第一矩阵中每一列和第二矩阵对应列的互相关系数。
6.根据权利要求1所述的一种智能化混合机混合性能的检测评估方法，其特征在于，所述物料混合图像的混合效果的表达式为：
Figure DEST_PATH_IMAGE001
式中，
Figure 625729DEST_PATH_IMAGE002
表示物料混合图像的混合效果，
Figure 74028DEST_PATH_IMAGE003
表示局部均匀程度，
Figure 384923DEST_PATH_IMAGE004
表示最小混合离散程度，
Figure 311291DEST_PATH_IMAGE005
表示所有图像块的混合效果的均值。
7.根据权利要求6所述的一种智能化混合机混合性能的检测评估方法，其特征在于，所述局部均匀程度为第一矩阵中所有列和第二矩阵对应列的互相关系数中最大互相关系数和最小互相关系数的差值。
8.根据权利要求6所述的一种智能化混合机混合性能的检测评估方法，其特征在于，所述最小混合离散程度的表达式为：
Figure 656822DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE007
表示混合效果矩阵中第
Figure 744863DEST_PATH_IMAGE008
行第
Figure 543055DEST_PATH_IMAGE009
列的图像块的混合效果，
Figure 273114DEST_PATH_IMAGE010
表示混合效果矩阵中所有图像块的混合效果中的最小混合效果，
Figure 473151DEST_PATH_IMAGE011
表示混合效果矩阵共
Figure 997673DEST_PATH_IMAGE011
行，
Figure 283161DEST_PATH_IMAGE012
表示混合效果矩阵共
Figure 551331DEST_PATH_IMAGE012
列，
Figure 871454DEST_PATH_IMAGE008
表示混合效果矩阵中的第
Figure 832457DEST_PATH_IMAGE008
行，
Figure 608171DEST_PATH_IMAGE009
表示混合效果矩阵中的第
Figure 414453DEST_PATH_IMAGE009
列。
CN202210980110.3A 2022-08-16 2022-08-16 一种智能化混合机混合性能的检测评估方法 Active CN115063420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210980110.3A CN115063420B (zh) 2022-08-16 2022-08-16 一种智能化混合机混合性能的检测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210980110.3A CN115063420B (zh) 2022-08-16 2022-08-16 一种智能化混合机混合性能的检测评估方法

Publications (2)

Publication Number Publication Date
CN115063420A true CN115063420A (zh) 2022-09-16
CN115063420B CN115063420B (zh) 2022-10-25

Family

ID=83207315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210980110.3A Active CN115063420B (zh) 2022-08-16 2022-08-16 一种智能化混合机混合性能的检测评估方法

Country Status (1)

Country Link
CN (1) CN115063420B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266536A (zh) * 2022-09-26 2022-11-01 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115294138A (zh) * 2022-10-09 2022-11-04 如皋市中如新材料科技有限公司 一种基于高速混料机的混料均匀程度评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108597016A (zh) * 2018-04-19 2018-09-28 西安交通大学 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法
CN114693650A (zh) * 2022-03-31 2022-07-01 南通俊朗智能科技有限公司 一种基于机器视觉的混合机智能控制方法
CN114897891A (zh) * 2022-07-12 2022-08-12 南通恒立机械设备有限公司 用于螺条式混合机的混合均匀度检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108597016A (zh) * 2018-04-19 2018-09-28 西安交通大学 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法
CN114693650A (zh) * 2022-03-31 2022-07-01 南通俊朗智能科技有限公司 一种基于机器视觉的混合机智能控制方法
CN114897891A (zh) * 2022-07-12 2022-08-12 南通恒立机械设备有限公司 用于螺条式混合机的混合均匀度检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266536A (zh) * 2022-09-26 2022-11-01 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115266536B (zh) * 2022-09-26 2022-12-13 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115294138A (zh) * 2022-10-09 2022-11-04 如皋市中如新材料科技有限公司 一种基于高速混料机的混料均匀程度评估方法

Also Published As

Publication number Publication date
CN115063420B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115063420B (zh) 一种智能化混合机混合性能的检测评估方法
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
US8437054B2 (en) Methods and systems for identifying regions of substantially uniform color in a digital image
CN101477632B (zh) 一种灰度图像匹配方法及系统
CN108961345B (zh) 一种尿液试纸中有效颜色的确定方法及确定装置
CN106203461B (zh) 一种图像处理方法及装置
CN114494739B (zh) 基于人工智能的色粉混合效果检测方法
US11200156B2 (en) Tester and method for testing a device under test using relevance scores
Arefi et al. Recognition of weed seed species by image processing
CN114638958A (zh) 一种多特征融合的三元正极材料粗糙度提取方法及装置
CN112016621B (zh) 分类模型的训练方法、颜色的分类方法及电子设备
CN113838081A (zh) 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置
CN110473169B (zh) 一种仿真图片置信度评价方法
Biswas et al. Biological averaging in RNA-seq
Ahmed et al. Analysis of probability density functions in existing no-reference image quality assessment algorithm for contrast-distorted images
CN112985605B (zh) 三维物体色差计算方法及装置、三维物体色差计算系统
CN109685757B (zh) 一种基于灰度差分统计的无参考图像质量评价方法及系统
JP4147322B2 (ja) 画像識別回路
CN108537092B (zh) 变异红细胞识别方法及装置
CN112954310A (zh) 图像质量检测方法、装置、计算机设备以及可读存储介质
CN113393539A (zh) 化学反应溶液颜色突变识别方法
CN114189677A (zh) 色彩均匀性评估方法、装置、计算机设备及介质
CN114189677B (zh) 色彩均匀性评估方法、装置、计算机设备及介质
Mao et al. Discriminating Gene Transfer and Microarray Concordance Analysis.
CN104751167A (zh) 尿液有形成分分类方法和装置

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