CN115147596A - 用于热收缩管生产工艺的辐照剂量控制方法及系统 - Google Patents

用于热收缩管生产工艺的辐照剂量控制方法及系统 Download PDF

Info

Publication number
CN115147596A
CN115147596A CN202211081221.7A CN202211081221A CN115147596A CN 115147596 A CN115147596 A CN 115147596A CN 202211081221 A CN202211081221 A CN 202211081221A CN 115147596 A CN115147596 A CN 115147596A
Authority
CN
China
Prior art keywords
convolution kernel
irradiation
shrinkable tube
edge
irradiation dose
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
CN202211081221.7A
Other languages
English (en)
Other versions
CN115147596B (zh
Inventor
诸惠磊
胡金波
周�高
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 Dingcai New Material Technology Co ltd
Original Assignee
Nantong Dingcai New Material 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 Nantong Dingcai New Material Technology Co ltd filed Critical Nantong Dingcai New Material Technology Co ltd
Priority to CN202211081221.7A priority Critical patent/CN115147596B/zh
Publication of CN115147596A publication Critical patent/CN115147596A/zh
Application granted granted Critical
Publication of CN115147596B publication Critical patent/CN115147596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及用于热收缩管生产工艺的辐照剂量控制方法及系统。该方法首先提取热收缩管图像的感兴趣区域；基于卷积核内各像素点至卷积核中心点的距离远近，对各像素点灰度值加权得到加权值，计算卷积核的各边缘行列的边阈值；延展卷积核，直至边缘行列的边阈值超过卷积核的加权值均值时得到自适应高斯模糊半径；基于自适应高斯模糊半径对感兴趣区域边缘检测，得到目标明亮区域；计算辐照前后目标明亮区域的收缩程度；拟合辐照剂量和收缩程度的关系模型；将实时的辐照剂量输入关系模型得到实时的收缩程度，对辐照剂量进行控制。本发明通过得到辐照前后的收缩程度对辐照剂量进行调节控制，实现对辐照剂量及时调控的目的。

Description

用于热收缩管生产工艺的辐照剂量控制方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及用于热收缩管生产工艺的辐照剂量控制方法及系统。
背景技术
热收缩管是一种特制的聚烯烃材质热收缩套管，外层采用优质柔软的交联聚烯烃材质及内层热熔胶复合加工而成的，外层材料有绝缘防蚀、耐磨等特点，内层有低熔点、防水密封和高粘结性等优点。生产热缩管时把热缩管加热到高弹态，施加载荷使其扩张，在保持扩张的情况下快速冷却，使其进入玻璃态。在使用热缩管时，把处于玻璃态的热缩管加热，热缩管就会恢复成高弹态，这时载荷就没有了，热缩管就会回缩。
目前。常见的对热收缩管进行辐照收缩时，通常采用固定的辐照剂量对热收缩管进行辐照收缩，该方法难以控制辐照剂量的高低，同样的无法消除不同辐照剂量对热收缩管的收缩效果带来的影响，当辐照剂量偏高，则热收缩管在收缩过程中容易出现开裂的现象，当辐照剂量偏低，则热收缩管在收缩时可能会出现收缩不到位的现象，故仅采用固定的辐照剂量对热收缩管进行辐照收缩无法实时控制热收缩管达到理想的收缩程度。
发明内容
为了解决上述技术问题，本发明的目的在于提供用于热收缩管生产工艺的辐照剂量控制方法及系统，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用于热收缩管生产工艺的辐照剂量控制方法，该方法包括以下步骤：
获取热收缩管图像，提取所述热收缩管图像的感兴趣区域；对所述感兴趣区域进行语义分割得到初始明亮区域；
选取所述初始明亮区域的中心点作为卷积核的中心；基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值；所述卷积核的每个边缘行列的加权值之和的开立方作为边阈值；延展所述卷积核，不断更新所述边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，所述卷积核的对角线的一半作为自适应高斯模糊半径；基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测，得到目标明亮区域；
选取任意辐照剂量对热收缩管进行辐照，获取辐照前后所述目标明亮区域的信息熵比值和获取辐照前后所述目标明亮区域的边长比值；根据所述信息熵比值和所述边长比值计算收缩程度；基于所述辐照剂量和所述收缩程度拟合函数关系模型；
将实时的辐照剂量输入所述函数关系模型得到实时的收缩程度，根据实时的收缩程度的大小对辐照剂量进行控制。
优选的，所述基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测，得到目标明亮区域之后，还包括：
对所述感兴趣区域进行边缘检测得到目标明亮区域和目标灰暗区域；根据等比原则对所述目标明亮区域和所述目标灰暗区域进行图像增强。
优选的，辐照前目标明亮区域的边长的获取方法为：
辐照前所述目标明亮区域边长为所述目标明亮区域的长边像素点数量和宽边像素点数量的之和的两倍。
优选的，辐照后目标明亮区域的边长的获取方法为：
基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测得到区域边缘分界线；
辐照后所述目标明亮区域边长的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 189219DEST_PATH_IMAGE002
为辐照后的目标明亮区域边长；
Figure 773784DEST_PATH_IMAGE003
为所述区域边缘分界线的每行或每列的像素点数量；
Figure 161035DEST_PATH_IMAGE004
为像素点数量为
Figure 172853DEST_PATH_IMAGE003
的行和列的数量。
优选的，所述根据所述信息熵比值和所述边长比值计算收缩程度，包括：
计算所述信息熵比值和所述边长比值的初始乘积；计算所述信息熵比值和所述边长比值的初始和，所述初始乘积和所述初始和的比值为所述收缩程度。
优选的，所述基于所述辐照剂量和所述收缩程度拟合函数关系模型，包括：
所述函数关系模型为：
Figure 996452DEST_PATH_IMAGE006
其中，
Figure 384708DEST_PATH_IMAGE008
为所述辐照剂量；
Figure 130860DEST_PATH_IMAGE010
为所述收缩程度。
第二方面，本发明一个实施例提供了用于热收缩管生产工艺的辐照剂量控制系统，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，所述处理器执行所述计算机程序时实现上述用于热收缩管生产工艺的辐照剂量控制方法。
本发明实施例至少具有如下有益效果：
该方法涉及人工智能技术领域，首先获取热收缩管图像，提取热收缩管图像的感兴趣区域和感兴趣区域中的初始明亮区域；选取初始明亮区域的中心点作为卷积核的中心；基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值；卷积核的每个边缘行列的加权值之和的开立方作为边阈值；延展卷积核，不断更新边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，卷积核的对角线的一半作为自适应高斯模糊半径，普通的高斯核尺寸选取是基于一个固定的值进行去噪，但是当高斯核的尺寸过大时会导致图像模糊，当高斯核的尺寸过小时则会导致图像噪声过多，本发明通过数据处理得到一个自适应高斯模糊半径，实现减少图像模糊并增强去噪效果的目的。基于自适应高斯模糊半径对感兴趣区域进行边缘检测，得到目标明亮区域；获取辐照前后目标明亮区域的信息熵比值和获取辐照前后目标明亮区域的边长比值。进而计算收缩程度；基于辐照剂量和收缩程度拟合函数关系模型；将实时的辐照剂量输入函数关系模型得到实时的收缩程度，根据实时的收缩程度的大小对辐照剂量进行控制。本发明实施例通过热收缩管的表面变化计算热辐照剂量对收缩程度的影响，然后判断当前辐照剂量对应的热收缩程度对辐照剂量进行进一步的调节控制，实现对辐照剂量及时调控的目的。
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用于热收缩管生产工艺的辐照剂量控制方法的方法流程图。
图2为本发明一个实施例所提供的热收缩管的收缩程度的获取步骤的步骤流程图。
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用于热收缩管生产工艺的辐照剂量控制方法及系统，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。
本发明实施例提供了用于热收缩管生产工艺的辐照剂量控制方法及系统的具体实施方法，该方法适用于辐照剂量控制场景。该场景下对热收缩管进行辐照，热收缩管遇热会收缩。为了解决仅采用固定的辐照剂量对热收缩管进行辐照收缩无法实时控制热收缩管达到理想的收缩程度。本发明实施例通过热收缩管的图像特征得到自适应高斯模糊半径，进而基于自适应高斯模糊半径进行边缘检测得到目标明亮区域，计算热辐照剂量对目标明亮区域的收缩程度的影响，然后判断当前辐照剂量对应的热收缩程度对辐照剂量进行进一步的调节控制，实现对辐照剂量及时调控的目的。
下面结合附图具体的说明本发明所提供的用于热收缩管生产工艺的辐照剂量控制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用于热收缩管生产工艺的辐照剂量控制方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取热收缩管图像，提取热收缩管图像的感兴趣区域；对感兴趣区域进行语义分割得到初始明亮区域。
首先，利用RGB相机俯视采集热收缩管图像，该热收缩管图像为RGB图像。对该热收缩管图像进行感兴趣区域提取，得到感兴趣区域图像，该感兴趣区域图像中只含有热收缩管区域。
获取感兴趣区域图像，具体的：利用DNN语义分割网络来识别热收缩管图像中的感兴趣区域。该DNN语义分割网络中使用的数据集为俯视采集的热收缩管图像数据集，其中，热收缩管的样式为多种多样的；该DNN语义分割网络需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，热收缩管对应位置处的像素标注为1，其他背景类的像素标注为0。该DNN语义分割网络的任务是分类，该网络的损失函数为交叉熵损失函数。即得到了0-1掩膜图像，将掩膜图像与热收缩管图像相乘得到感兴趣区域图像。
热收缩管在辐照前为圆形管状物，由于圆形管状物会产生反光的现象，其表面会留下一条白色近似于矩形的反光带，故得到的感兴趣区域中存在亮度较高的一条近似于矩形的区域。
对得到的感兴趣区域图像中的感兴趣区域进行语义分割得到初始明亮区域。
步骤S200，选取初始明亮区域的中心点作为卷积核的中心；基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值；卷积核的每个边缘行列的加权值之和的开立方作为边阈值；延展卷积核，不断更新边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，卷积核的对角线的一半作为自适应高斯模糊半径；基于自适应高斯模糊半径对感兴趣区域进行边缘检测，得到目标明亮区域。
图像的表面特征包括明暗程度和边缘的变化，根据图像的像素的变化程度和边缘的轮廓的变化提取前后图像的变化特征。将得到的感兴趣区域图像进行灰度化处理，因为热收缩管表面在采集图像时因为反光而存在一块明亮区域，仅根据语义分割得到的初始明亮区域由于光照的影响存在分割不准确的问题，故本发明通过canny边缘检测算法进行边缘检测，以得到加热前的目标明亮区域，因为在采集热收缩管图像时受到的光照影响比较大，所以在利用canny算子进行边缘检测时可以对高斯模糊半径进行自适应，根据光照分布得到适合的自适应高斯模糊半径。
选取初始明亮区域的中心点作为卷积核的中心，基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值。需要说明的是，初始的未延展前的卷积核的大小为3*3。因为图像中的像素点都是连续的，距离越近的像素点关系越密切，距离越远的像素点关系越疏远，故根据各像素点距离卷积核中心点的位置远近，计算周围八个像素点加权值，距离越近的点权重越大，距离越远的点权重越小。基于正态分布确定卷积核中各像素点的权重，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小，将卷积核的中心点作为正态分布曲线的原点，其他点按照其在正态分布曲线上的位置分配权重，权重和像素点对应的灰度值相乘就可以得到一个加权值。其计算公式如下：
Figure DEST_PATH_IMAGE011
其中，
Figure 844738DEST_PATH_IMAGE012
是均值，
Figure DEST_PATH_IMAGE013
是方差。因为计算平均值的时候，中心点就是原点，所以
Figure 703103DEST_PATH_IMAGE012
等于0。则：
Figure 895050DEST_PATH_IMAGE014
根据上式推广到二维模型得：
Figure 975002DEST_PATH_IMAGE015
根据该函数计算每个点的权重，得到权重矩阵，用每个像素点的灰度值乘以自己的权重值，设卷积核中九个像素点的灰度值分别为[
Figure 843470DEST_PATH_IMAGE016
]，灰度值和权重相乘得到各像素点的加权值。需要说明的是，卷积核中像素点标号从左往右，从上往下依次排序，即灰度值
Figure 641661DEST_PATH_IMAGE017
为卷积核中左上角的像素点的灰度值、灰度值
Figure 637299DEST_PATH_IMAGE018
为卷积核中右上角的像素点的灰度值、灰度值
Figure 588069DEST_PATH_IMAGE019
为卷积核中左下角的像素点的灰度值、灰度值
Figure 378170DEST_PATH_IMAGE020
为卷积核中左上角的像素点的灰度值。
根据像素点的像素值变化确定自适应高斯模糊半径，当像素点的灰度值变化较为明显时，认为到达明亮区域和灰暗区域的边缘区域，即停止计算。确定自适应高斯模糊半径，具体的：
将卷积核的每个边缘行列的加权值的开立方作为边阈值。
对应的每个边的边阈值的计算公式为：
Figure 663658DEST_PATH_IMAGE021
其中，
Figure 931828DEST_PATH_IMAGE022
为卷积核的上侧的边缘行列的边阈值；
Figure 235640DEST_PATH_IMAGE023
为卷积核的左侧的边缘行列的边阈值；
Figure 196642DEST_PATH_IMAGE024
为卷积核的右侧的边缘行列的边阈值；
Figure 703847DEST_PATH_IMAGE025
为卷积核的下侧的边缘行列的边阈值；
Figure DEST_PATH_IMAGE026
为卷积核中第一个像素点对应的权重；
Figure 323178DEST_PATH_IMAGE027
为卷积核中第二个像素点对应的权重；
Figure 497808DEST_PATH_IMAGE028
为卷积核中第三个像素点对应的权重；
Figure 629712DEST_PATH_IMAGE029
为卷积核中第四个像素点对应的权重；
Figure 139059DEST_PATH_IMAGE030
为卷积核中第五个像素点对应的权重，也即卷积核中心点对应的权重；
Figure 749032DEST_PATH_IMAGE031
为卷积核中第六个像素点对应的权重；
Figure 43747DEST_PATH_IMAGE032
为卷积核中第七个像素点对应的权重；
Figure 831706DEST_PATH_IMAGE033
为卷积核中第八个像素点对应的权重；
Figure 579082DEST_PATH_IMAGE034
为卷积核中第九个像素点对应的权重；
Figure 258325DEST_PATH_IMAGE017
为卷积核中第一个像素点的灰度值；
Figure 141967DEST_PATH_IMAGE035
为卷积核中第二个像素点的灰度值；
Figure 124662DEST_PATH_IMAGE018
为卷积核中第三个像素点的灰度值；
Figure 93755DEST_PATH_IMAGE036
为卷积核中第四个像素点的灰度值；
Figure 311109DEST_PATH_IMAGE037
为卷积核中第五个像素点的灰度值，也即卷积核中心点对应的灰度值；
Figure 65570DEST_PATH_IMAGE038
为卷积核中第六个像素点的灰度值；
Figure 444599DEST_PATH_IMAGE019
为卷积核中第七个像素点的灰度值；
Figure 900988DEST_PATH_IMAGE039
为卷积核中第八个像素点的灰度值；
Figure 656454DEST_PATH_IMAGE020
为卷积核中第九个像素点的灰度值；
Figure 763956DEST_PATH_IMAGE040
为第一个像素点对应的加权值；
Figure 579466DEST_PATH_IMAGE041
为第二个像素点对应的加权值；
Figure 788730DEST_PATH_IMAGE042
为第三个像素点对应的加权值；
Figure 98620DEST_PATH_IMAGE043
为第四个像素点对应的加权值；
Figure 811361DEST_PATH_IMAGE044
为第五个像素点对应的加权值，也即卷积核中心点对应的加权值；
Figure 797771DEST_PATH_IMAGE045
为第六个像素点对应的加权值；
Figure 228753DEST_PATH_IMAGE046
为第七个像素点对应的加权值；
Figure 840868DEST_PATH_IMAGE047
为第八个像素点对应的加权值；
Figure 408116DEST_PATH_IMAGE048
为第九个像素点对应的加权值。
延展卷积核，随着卷积核的延展不断的更新边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，将此时延展后的卷积核的对角线的一半作为自适应高斯模糊半径。其中，卷积核的加权值均值为卷积核内各像素点的加权值的均值。在本发明实施例中，向外延展卷积核时是采用3*3的卷积核进行延展的，即初始的未延展时卷积核为3*3的卷积核，向外延展一次，即向外延展8个3*3的矩阵作为延展后的卷积核，其卷积核的中心位置不变。
基于得到的自适应高斯模糊半径对感兴趣区域进行边缘检测，得到目标明亮区域、目标灰暗区域和区域边缘分界线。
得到目标明亮区域，具体的：根据感兴趣区域图像的灰度图获得对应的灰度直方图，因为采集的感兴趣区域内只有目标明亮区域和目标灰暗区域这两种区域的分布，且灰度的变化较大，故对应的灰度直方图中会出现两个波峰，灰度直方图一般都有很多极小值和极大值，故先对灰度直方图进行平滑处理，获取平滑后的灰度直方图的两个波峰之间的最低灰度值为波谷，将该波谷处对应的灰度值作为灰度阈值；将灰度值大于灰度阈值的区域作为目标明亮区域，将灰度值小于灰度阈值的区域作为目标灰暗区域。
在得到目标明亮区域之后，为了使得感兴趣区域图像中目标明亮区域和目标灰暗区域的对比更加明显，进一步的，根据等比原则对目标明亮区域和目标灰暗区域进行图像增强。
如增强前的目标明亮区域某像素点的灰度值为
Figure 831007DEST_PATH_IMAGE049
，目标灰暗区域某像素点的灰度值为
Figure 500017DEST_PATH_IMAGE050
，增强后的目标明亮区域的灰度值为
Figure 135398DEST_PATH_IMAGE051
，目标灰暗区域的灰度值为
Figure 88310DEST_PATH_IMAGE052
。则：
Figure 665791DEST_PATH_IMAGE053
根据等比原则进行图像的增强。如下公式：
Figure 805785DEST_PATH_IMAGE054
其中，对灰度区间
Figure 776015DEST_PATH_IMAGE055
进行了线性变换，而灰度区间
Figure 317855DEST_PATH_IMAGE056
和灰度区间
Figure 567702DEST_PATH_IMAGE057
收到了压缩，通过调整折线拐点的位置及控制分段直线的斜率，可对任意灰度区间进行扩展。其中，分段线性变换为本领域技术人员公知的。即完成了对感兴趣区域内的图像信息的增强。
步骤S300，选取任意辐照剂量对热收缩管进行辐照，获取辐照前后目标明亮区域的信息熵比值和获取辐照前后目标明亮区域的边长比值；根据信息熵比值和边长比值计算收缩程度；基于辐照剂量和收缩程度拟合函数关系模型。
辐照前的感兴趣区域中的反光区域也即目标明亮区域，为规则的亮白色矩形状；由于辐照后的热收缩管会产生收缩，故辐照后的感兴趣区域中的目标明亮区域变小，且呈现不规则的形状，根据辐照前后的目标明亮区域的像素信息的变化得到热辐射对热收缩管的影响程度，从而计算热收缩管的收缩程度。
基于任意辐照剂量对热收缩管进行辐照，获取热收缩管的收缩程度。
请参阅图2，热收缩管的收缩程度的获取步骤，具体的：
步骤S301，获取辐照前后目标明亮区域的信息熵比值。
利用目标明亮区域和目标灰暗区域的灰度差值较大的特点，根据像素点的数量的比值计算热收缩管的收缩量。
获取辐照前目标明亮区域的信息熵和辐照后目标明亮区域的信息熵，计算辐照前后的感兴趣区域的信息熵比值。
该信息熵比值
Figure 194992DEST_PATH_IMAGE058
的计算公式为：
Figure 172176DEST_PATH_IMAGE059
其中，
Figure 834101DEST_PATH_IMAGE060
为辐照后的目标明亮区域的信息熵；
Figure 24823DEST_PATH_IMAGE061
为辐照前的目标明亮区域的信息熵。
信息熵反映了图像信息的丰富程度，用辐照前后的目标明亮区域的信息熵的比值来反映辐照前后热收缩管的收缩程度。
步骤S302，获取辐照前后目标明亮区域的边长比值。
由于热收缩管加热会收缩，其紧贴在电线的表面，随之热收缩管的反光区域也会变小，根据热收缩管的边缘的变化量来计算辐照前后的收缩程度，计算热辐射对表面的影响。具体的：通过计算目标明亮区域的边缘的像素点数量的变化来计算加热前后的收缩程度。
由于辐照前的目标明亮区域可以看为是一个矩形，其边缘的像素点数量即可作为矩形的边长。辐照前的目标明亮区域比较规则，故获取目标明亮区域的长边的长边像素点数量和目标明亮区域的宽边的宽边像素点数量。长边像素点数量和宽边像素点数量之和的两倍即为矩形的边长，也即为目标明亮区域的边长。
而辐射后的目标明亮区域呈不规则的形状，对应的区域边缘分界线也呈不规则的形状，为了能够准确计算出其边缘的长度，采用微积分的原理将区域边缘分解想划分为若干各小段，通过计算每个小段的长度，进而来得到整个边缘的长度。
计算辐射后的目标明亮区域的边长的方法，具体的：将区域边缘分界线同一行或者同一列上的像素进行划分，当一行或者一列上的像素点的数量大于等于预设像素点阈值时，则将其作为一个长度单元；当一行或者一列上的像素点的数量小于预设像素点阈值时，则直接将其舍去。在本发明实施例中预设像素点阈值的取值为3，在其他实施例中实施者可根据实际情况调整该取值。
则该辐照后的目标明亮区域的边长
Figure 139410DEST_PATH_IMAGE062
的计算公式为：
Figure 920284DEST_PATH_IMAGE001
其中，
Figure 453027DEST_PATH_IMAGE003
为区域边缘分界线的每行或每列的像素点数量；
Figure 293944DEST_PATH_IMAGE004
为像素点数量为
Figure 161406DEST_PATH_IMAGE003
的行和列的数量。
获取辐照前的目标明亮区域的边长和辐照后的目标明亮区域的边长的边长比值。
该边长比值
Figure 995239DEST_PATH_IMAGE063
的计算公式为：
Figure 366177DEST_PATH_IMAGE064
其中，
Figure 377996DEST_PATH_IMAGE062
为辐照后的目标明亮区域的边长；
Figure 467175DEST_PATH_IMAGE065
为辐照前的目标明亮区域的边长。
由于当热收缩管在受到辐照收缩时，得到的目标明亮区域前后也会发生变化，根据辐照前后目标明亮区域的边长比值可以反映辐照前后的热收缩管的收缩程度。
步骤S303，根据信息熵比值和边长比值计算收缩程度。
结合辐照前后的信息熵比值和边长比值计算收缩程度。
首先，计算信息熵比值和边长比值的初始乘积。计算信息熵比值和边长比值的初始和，初始乘积和初始和的比值为收缩程度。
该收缩程度
Figure 606163DEST_PATH_IMAGE066
的计算公式为：
Figure 831608DEST_PATH_IMAGE067
其中，
Figure 279907DEST_PATH_IMAGE058
为信息熵比值；
Figure 105649DEST_PATH_IMAGE063
为边长比值；
Figure 297596DEST_PATH_IMAGE068
为初始乘积；
Figure 377548DEST_PATH_IMAGE069
为初始和。
得到收缩程度之后，根据收缩程度和辐照剂量之间的关系，拟合辐照剂量和收缩程度的函数关系模型。
该函数关系模型
Figure 996748DEST_PATH_IMAGE070
为：
Figure 545672DEST_PATH_IMAGE006
其中，
Figure 10151DEST_PATH_IMAGE010
为收缩程度。
辐照剂量和收缩程度符合对数函数模型，所以根据正相关关系，通过DNN神经网络对函数关系模型进行修正。将采集足够多的辐照剂量和收缩程度数据，根据正相关的函数关系，基于辐照剂量即可得到热收缩管的收缩程度。
通过控制辐照剂量从而控制热收缩管的收缩程度。辐照剂量和热收缩管的收缩程度为一个正相关的关系。即基于该函数关系模型输入辐照剂量即可得到对应的收缩程度。
步骤S400，将实时的辐照剂量输入函数关系模型得到实时的收缩程度，根据收缩程度的大小对辐照剂量进行控制。
将实时的辐照剂量输入步骤S300得到的函数关系模型，即可得到对应的实时的收缩程度。将得到的收缩程度进行归一化，使其值域位于[0,1]之间，归一化后的收缩程度越趋于1，即辐照前后的热收缩管的收缩程度越大；归一化后的收缩程度越趋于0，即辐照前后的热收缩管的收缩程度越小。当收缩程度小于预设收缩程度阈值时，反映辐照剂量不足，由于辐照剂量不足进而导致的收缩程度小于预设收缩程度阈值。为了使收缩程度达到理想状态，对辐照剂量进行调控，进而提高热收缩管的收缩程度，使其更紧密的贴合于电线。在本发明实施例中预设收缩程度阈值的取值为0.6，在其他实施例中实施者可根据实际情况调整该取值。
当收缩程度小于预设收缩程度阈值时，对辐照剂量进行调控，具体的：
调控辐照剂量的公式为：
Figure 475768DEST_PATH_IMAGE071
其中，
Figure 515137DEST_PATH_IMAGE072
为调控后的辐照剂量；
Figure 535045DEST_PATH_IMAGE073
为调控前的实时的辐照剂量；
Figure 68795DEST_PATH_IMAGE074
为实时的归一化后的收缩程度；
Figure 388918DEST_PATH_IMAGE075
为预设收缩程度阈值。
基于该计算公式实现对辐照剂量的调控，使得调控后的辐照剂量对应的收缩程度达到预设收缩程度阈值。
综上所述，本发明实施例涉及人工智能技术领域，该方法获取热收缩管图像，提取热收缩管图像的感兴趣区域；对感兴趣区域进行语义分割得到初始明亮区域；选取初始明亮区域的中心点作为卷积核的中心；基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值；卷积核的每个边缘行列的加权值之和的开立方作为边阈值；延展卷积核，不断更新边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，卷积核的对角线的一半作为自适应高斯模糊半径；基于自适应高斯模糊半径对感兴趣区域进行边缘检测，得到目标明亮区域；选取任意辐照剂量对热收缩管进行辐照，获取辐照前后目标明亮区域的信息熵比值和获取辐照前后目标明亮区域的边长比值；根据信息熵比值和边长比值计算收缩程度；基于辐照剂量和收缩程度拟合函数关系模型；将实时的辐照剂量输入函数关系模型得到实时的收缩程度，根据实时的收缩程度的大小对辐照剂量进行控制。本发明实施例通过热收缩管的表面变化计算热辐照剂量对收缩程度的影响，然后判断当前辐照剂量对应的热收缩程度对辐照剂量进行进一步的调节控制，实现对辐照剂量及时调控的目的。
本发明实施例还提出了用于热收缩管生产工艺的辐照剂量控制系统，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，所述处理器执行所述计算机程序时实现上述方法的步骤。由于用于热收缩管生产工艺的辐照剂量控制方法在上述给出了详细描述，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 (7)

1.用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，该方法包括以下步骤：
获取热收缩管图像，提取所述热收缩管图像的感兴趣区域；对所述感兴趣区域进行语义分割得到初始明亮区域；
选取所述初始明亮区域的中心点作为卷积核的中心；基于卷积核内各像素点至卷积核中心点的距离远近，对卷积核内各像素点的灰度值分配权重得到各像素点对应的加权值；所述卷积核的每个边缘行列的加权值之和的开立方作为边阈值；延展所述卷积核，不断更新所述边阈值，直至任意边缘行列的边阈值超过卷积核的加权值均值时，所述卷积核的对角线的一半作为自适应高斯模糊半径；基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测，得到目标明亮区域；
选取任意辐照剂量对热收缩管进行辐照，获取辐照前后所述目标明亮区域的信息熵比值和获取辐照前后所述目标明亮区域的边长比值；根据所述信息熵比值和所述边长比值计算收缩程度；基于所述辐照剂量和所述收缩程度拟合函数关系模型；
将实时的辐照剂量输入所述函数关系模型得到实时的收缩程度，根据实时的收缩程度的大小对辐照剂量进行控制。
2.根据权利要求1所述的用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，所述基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测，得到目标明亮区域之后，还包括：
对所述感兴趣区域进行边缘检测得到目标明亮区域和目标灰暗区域；根据等比原则对所述目标明亮区域和所述目标灰暗区域进行图像增强。
3.根据权利要求1所述的用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，辐照前目标明亮区域的边长的获取方法为：
辐照前所述目标明亮区域边长为所述目标明亮区域的长边像素点数量和宽边像素点数量的之和的两倍。
4.根据权利要求1所述的用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，辐照后目标明亮区域的边长的获取方法为：
基于所述自适应高斯模糊半径对所述感兴趣区域进行边缘检测得到区域边缘分界线；
辐照后所述目标明亮区域边长的计算公式为：
Figure 189535DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为辐照后的目标明亮区域边长；
Figure DEST_PATH_IMAGE005
为所述区域边缘分界线的每行或每列的像素点数量；
Figure 805062DEST_PATH_IMAGE006
为像素点数量为
Figure 627656DEST_PATH_IMAGE005
的行和列的数量。
5.根据权利要求1所述的用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，所述根据所述信息熵比值和所述边长比值计算收缩程度，包括：
计算所述信息熵比值和所述边长比值的初始乘积；计算所述信息熵比值和所述边长比值的初始和，所述初始乘积和所述初始和的比值为所述收缩程度。
6.根据权利要求1所述的用于热收缩管生产工艺的辐照剂量控制方法，其特征在于，所述基于所述辐照剂量和所述收缩程度拟合函数关系模型，包括：
所述函数关系模型为：
Figure DEST_PATH_IMAGE007
其中，
Figure 802285DEST_PATH_IMAGE008
为所述辐照剂量；
Figure DEST_PATH_IMAGE009
为所述收缩程度。
7.用于热收缩管生产工艺的辐照剂量控制系统，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1~6任意一项所述方法的步骤。
CN202211081221.7A 2022-09-06 2022-09-06 用于热收缩管生产工艺的辐照剂量控制方法及系统 Active CN115147596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081221.7A CN115147596B (zh) 2022-09-06 2022-09-06 用于热收缩管生产工艺的辐照剂量控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081221.7A CN115147596B (zh) 2022-09-06 2022-09-06 用于热收缩管生产工艺的辐照剂量控制方法及系统

Publications (2)

Publication Number Publication Date
CN115147596A true CN115147596A (zh) 2022-10-04
CN115147596B CN115147596B (zh) 2023-04-07

Family

ID=83415841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081221.7A Active CN115147596B (zh) 2022-09-06 2022-09-06 用于热收缩管生产工艺的辐照剂量控制方法及系统

Country Status (1)

Country Link
CN (1) CN115147596B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439475A (zh) * 2022-11-07 2022-12-06 欣灵电气股份有限公司 基于物联网技术的一种快速热收缩节能控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102498441A (zh) * 2009-07-31 2012-06-13 Asml荷兰有限公司 量测方法和设备、光刻系统以及光刻处理单元
CN111568451A (zh) * 2020-05-22 2020-08-25 上海联影医疗科技有限公司 一种曝光剂量调节方法和系统
CN113191281A (zh) * 2021-05-07 2021-07-30 南京云智控产业技术研究院有限公司 基于感兴趣区域及自适应半径的orb特征提取方法
CN114373513A (zh) * 2021-12-22 2022-04-19 黑龙江省原子能研究院 钴源辐照试验剂量不均匀度分析方法
CN114463294A (zh) * 2022-01-24 2022-05-10 北京唯迈医疗设备有限公司 一种x射线机自动计量控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102498441A (zh) * 2009-07-31 2012-06-13 Asml荷兰有限公司 量测方法和设备、光刻系统以及光刻处理单元
CN111568451A (zh) * 2020-05-22 2020-08-25 上海联影医疗科技有限公司 一种曝光剂量调节方法和系统
CN113191281A (zh) * 2021-05-07 2021-07-30 南京云智控产业技术研究院有限公司 基于感兴趣区域及自适应半径的orb特征提取方法
CN114373513A (zh) * 2021-12-22 2022-04-19 黑龙江省原子能研究院 钴源辐照试验剂量不均匀度分析方法
CN114463294A (zh) * 2022-01-24 2022-05-10 北京唯迈医疗设备有限公司 一种x射线机自动计量控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439475A (zh) * 2022-11-07 2022-12-06 欣灵电气股份有限公司 基于物联网技术的一种快速热收缩节能控制系统
CN115439475B (zh) * 2022-11-07 2023-03-24 欣灵电气股份有限公司 基于物联网技术的一种快速热收缩节能控制系统

Also Published As

Publication number Publication date
CN115147596B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN113313657B (zh) 一种用于低光照图像增强的非监督学习方法和系统
CN111507993B (zh) 一种基于生成对抗网络的图像分割方法、装置及存储介质
CN107680054B (zh) 雾霾环境下多源图像融合方法
CN110909690B (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN103295010B (zh) 一种处理人脸图像的光照归一化方法
CN109492636B (zh) 基于自适应感受野深度学习的目标检测方法
CN111310718A (zh) 一种遮挡人脸图像高准确率检测对比方法
CN115147596B (zh) 用于热收缩管生产工艺的辐照剂量控制方法及系统
CN108710832B (zh) 一种无参考虹膜图像清晰度检测方法
CN110276764A (zh) 基于K值估计的K-Means水下图像背景分割改进算法
Nalla et al. Image dehazing for object recognition using faster RCNN
CN109448019B (zh) 一种变分光流模型平滑参数的自适应方法
CN114051098A (zh) 一种视觉图像智能采集方法及平台
CN112364871A (zh) 基于改进投影算法的零件喷码字符分割方法
CN117522719A (zh) 基于机器学习的支气管镜图像辅助优化系统
CN117314793B (zh) 基于bim模型的建筑施工数据采集方法
CN114283431A (zh) 一种基于可微分二值化的文本检测方法
CN116543238B (zh) 一种电缆绝缘层的图像检测方法
CN115861308B (zh) 一种元宝枫病害检测方法
CN114535451B (zh) 一种用于换热器生产的折弯机智能控制方法及系统
CN116935133A (zh) 一种基于spect图像识别的心血管病分类方法及系统
CN107578393A (zh) 一种基于人工交互的航拍图像亮度调节方法
CN113643370A (zh) 一种基于ncc算法的图像定位方法与装置
CN115909117A (zh) 目标检测方法及系统
Choukali et al. An efficient contrast enhancement method using repulsive force of edges

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