CN115272319B - 一种矿石粒度检测方法 - Google Patents

一种矿石粒度检测方法 Download PDF

Info

Publication number
CN115272319B
CN115272319B CN202211179270.4A CN202211179270A CN115272319B CN 115272319 B CN115272319 B CN 115272319B CN 202211179270 A CN202211179270 A CN 202211179270A CN 115272319 B CN115272319 B CN 115272319B
Authority
CN
China
Prior art keywords
line
texture
point
superpixel
calculating
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
Application number
CN202211179270.4A
Other languages
English (en)
Other versions
CN115272319A (zh
Inventor
王小果
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 Yazhen Diamond Co ltd
Original Assignee
Jiangsu Yazhen Diamond 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 Yazhen Diamond Co ltd filed Critical Jiangsu Yazhen Diamond Co ltd
Priority to CN202211179270.4A priority Critical patent/CN115272319B/zh
Publication of CN115272319A publication Critical patent/CN115272319A/zh
Application granted granted Critical
Publication of CN115272319B publication Critical patent/CN115272319B/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
    • 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
    • G06V10/20—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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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

Landscapes

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

Abstract

本发明涉及数据处理技术领域，具体涉及一种矿石粒度检测方法，获取矿石颗粒的图像数据信息；将图像数据信息划分为若干个超像素块，相邻两超像素块具有一条共用边缘线；计算共用边缘线的梯度、纹理相似度与平均纹理坡度；得到各共用边缘线的软硬度；将软硬度划分为不同的软硬度等级；设置不同的软硬度等级的惩罚因子，基于惩罚因子计算阈值；计算相邻两超像素块的平均灰度的差值，当差值小于阈值，则将两超像素块进行合并得到第一超像素块，直至得到第N超像素块，计算矿石颗粒的矿石粒度。本发明中不同的软硬度等级具有不同的惩罚因子，通过惩罚因子得到不同的阈值，以达到对阈值进行自适应调节的目的。本发明够准确检测到矿石颗粒的矿石粒度。

Description

一种矿石粒度检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种矿石粒度检测方法。
背景技术
矿石粒度是矿石破碎的主要技术指标，同时矿石粒度的准确分布不但是选矿自动化的重要参数，而且是后续工序的依据。由于矿石本身会有一些泥土、凹槽、斑点等，再加上矿石本身不规则的纹理信息，会缩小矿石颗粒与背景的差异；除此之外，矿石所在现场环境的复杂程度，同样会导致矿石颗粒与背景的差异减小；例如，当现场环境粉尘过多时，导致获取的矿石图像较为模糊，在这种情况下，现有的一些检测矿石粒度的智能系统则出现把两块矿石颗粒检测成一块矿石颗粒的情况，致使获取的矿石粒度的结果不准确；同时，当同一块矿石颗粒的表面出现多条裂纹时，在这种情况下，现有的一些检测矿石粒度的智能系统同样会出现误检测，即把一块矿石颗粒检测成两块甚至多块矿石颗粒。
因此，亟需一种检测方法用于准确检测矿石粒度。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种矿石粒度检测方法，所采用的技术方案具体如下：
获取矿石的图像信息；并对所述图像信息进行预处理，得到灰度图像；将所述灰度图像划分为若干个超像素块；其中，相邻两超像素块之间具有一条共用边缘线；
根据所述共用边缘线上的各像素点的灰度值，计算各共用边缘线的梯度；
任意选取两个相邻的超像素块作为待选区域，对待选区域进行滑窗操作，获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵，进而计算待选区域中各像素点的纹理特征向量；基于所述纹理特征向量，计算所述共用边缘线的纹理相似度与平均纹理坡度；其中，滑窗操作过程中的窗口大小为n×n，n大于3；
基于所述梯度、纹理相似度以及平均纹理坡度，计算各共用边缘线对应的软硬度；将所述软硬度划分为不同的软硬度等级；
根据所述软硬度等级，设置不同的软硬度等级对应的惩罚因子，基于所述惩罚因子，计算各共用边缘线对应的阈值；
计算相邻两超像素块对应灰度均值的差值，当差值小于所述阈值，则将所述相邻两超像素块进行合并，得到第一超像素块，然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值，当第一差值小于阈值，将该超像素块与第一超像素块进行合并，得到第二超像素块；依次类推，直至第N差值大于阈值，超像素块，则第N超像素块为一块矿石颗粒；其中N大于1；
基于所述第N超像素块的面积，得到对应矿石颗粒的矿石粒度。
进一步地，所述纹理特征向量的获取方法为：计算灰度共生矩阵对应的能量
Figure 56614DEST_PATH_IMAGE001
、熵值
Figure 119248DEST_PATH_IMAGE002
、对比度
Figure 993663DEST_PATH_IMAGE003
以及逆差距
Figure 822948DEST_PATH_IMAGE004
，将能量
Figure 99208DEST_PATH_IMAGE001
、熵值
Figure 332743DEST_PATH_IMAGE002
、对比度
Figure 694454DEST_PATH_IMAGE003
以及逆差距
Figure 547004DEST_PATH_IMAGE004
组成一个向量
Figure 677771DEST_PATH_IMAGE005
，并将向量
Figure 82208DEST_PATH_IMAGE005
记为滑窗区域中心像素点的纹理特征向量。
进一步地，所述纹理相似度的获取方法为：将所述待选区域划分为8个等高区域，并将相邻的4个等高区域合并为一个渐变区域，共得到5个渐变区域，根据渐变区域中各像素点对应的纹理特征向量，计算各渐变区域对应的平均纹理特征；基于所述平均纹理特征，确定共用边缘线对应的纹理相似度；
其中，将所述待选区域划分为8个等高区域的具体步骤为：
1）分别将待选区域中的两超像素块记为
Figure 931215DEST_PATH_IMAGE006
和
Figure 848442DEST_PATH_IMAGE007
，获取
Figure 99294DEST_PATH_IMAGE006
的中点
Figure 658321DEST_PATH_IMAGE008
、
Figure 135569DEST_PATH_IMAGE007
的中点
Figure 454555DEST_PATH_IMAGE009
；
2）连接
Figure 559915DEST_PATH_IMAGE008
和
Figure 306154DEST_PATH_IMAGE009
，得到待选区域的基线
Figure 988808DEST_PATH_IMAGE010
，并获取基线
Figure 377064DEST_PATH_IMAGE010
的中点，然后延长基线
Figure 336930DEST_PATH_IMAGE010
，将基线
Figure 129436DEST_PATH_IMAGE010
的延长部分与
Figure 440332DEST_PATH_IMAGE006
的交点记为
Figure 101120DEST_PATH_IMAGE006
的最远脊点；将基线
Figure 915492DEST_PATH_IMAGE010
的延长部分与
Figure 393747DEST_PATH_IMAGE007
的交点记为
Figure 926360DEST_PATH_IMAGE007
的最远脊点；
3）根据
Figure 390839DEST_PATH_IMAGE011
的最远脊点、
Figure 308985DEST_PATH_IMAGE012
、脊线
Figure 708874DEST_PATH_IMAGE010
的中点、
Figure 994362DEST_PATH_IMAGE013
以及
Figure 996953DEST_PATH_IMAGE014
的最远脊点，获取7条等高线与基线
Figure 520338DEST_PATH_IMAGE010
的交点
Figure 605975DEST_PATH_IMAGE015
，其中，
Figure 847600DEST_PATH_IMAGE016
为第1条等高线与基线
Figure 653882DEST_PATH_IMAGE010
的交点，且
Figure 438298DEST_PATH_IMAGE016
为
Figure 39044DEST_PATH_IMAGE011
的最远脊点与
Figure 33545DEST_PATH_IMAGE012
连线的中点，
Figure 377939DEST_PATH_IMAGE017
为第2条等高线与基线
Figure 266129DEST_PATH_IMAGE010
的交点，且
Figure 37776DEST_PATH_IMAGE017
为
Figure 519573DEST_PATH_IMAGE012
，
Figure 667657DEST_PATH_IMAGE018
为第3条等高线与基线
Figure 161087DEST_PATH_IMAGE010
的交点，且
Figure 369214DEST_PATH_IMAGE018
为
Figure 72728DEST_PATH_IMAGE012
与脊线
Figure 758924DEST_PATH_IMAGE010
的中点连线的中点，
Figure 621707DEST_PATH_IMAGE019
为第4条等高线与基线
Figure 735156DEST_PATH_IMAGE010
的交点，且
Figure 925966DEST_PATH_IMAGE019
为脊线
Figure 415854DEST_PATH_IMAGE010
的中点，
Figure 883875DEST_PATH_IMAGE020
为第5条等高线与基线
Figure 433805DEST_PATH_IMAGE010
的交点，且
Figure 111911DEST_PATH_IMAGE020
为脊线
Figure 139910DEST_PATH_IMAGE010
的中点与
Figure 711706DEST_PATH_IMAGE013
连线的中点，
Figure 432537DEST_PATH_IMAGE021
为第6条等高线与基线
Figure 597939DEST_PATH_IMAGE010
的交点，且
Figure 570574DEST_PATH_IMAGE021
为
Figure 872243DEST_PATH_IMAGE013
，
Figure 763975DEST_PATH_IMAGE022
为第7条等高线与基线
Figure 416673DEST_PATH_IMAGE010
的交点，且
Figure 911109DEST_PATH_IMAGE022
为
Figure 332863DEST_PATH_IMAGE013
与
Figure 395497DEST_PATH_IMAGE014
的最远脊点连线的中点；
4）基于交点
Figure 269912DEST_PATH_IMAGE023
，获取7条等高线，则7条等高线将所述待选区域划分为8个等高区域。
进一步地，所述平均纹理坡度的获取方法为：根据所述纹理特征向量，计算共用边缘线上各像素点对应的纹理坡度，将共用边缘线上所有像素点对应的平均纹理坡度记为共用边缘线对应的平均纹理坡度；
像素点的纹理坡度为：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 849929DEST_PATH_IMAGE025
为
Figure 126189DEST_PATH_IMAGE026
中第k个元素，
Figure 359725DEST_PATH_IMAGE027
为
Figure 846070DEST_PATH_IMAGE028
中第k个元素；
式中，
Figure 557674DEST_PATH_IMAGE029
其中，
Figure 100002_DEST_PATH_IMAGE030
为坐标为
Figure 219599DEST_PATH_IMAGE031
处的像素点对应的纹理特征向量，
Figure 499402DEST_PATH_IMAGE032
为坐标为
Figure 348409DEST_PATH_IMAGE033
处的像素点对应的纹理特征向量，
Figure 129283DEST_PATH_IMAGE034
为坐标为
Figure 504770DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量；
Figure 80108DEST_PATH_IMAGE036
其中，
Figure 416411DEST_PATH_IMAGE037
为坐标为
Figure 100002_DEST_PATH_IMAGE038
处的像素点对应的纹理特征向量，
Figure 876343DEST_PATH_IMAGE039
为坐标为
Figure 981702DEST_PATH_IMAGE040
处的像素点对应的纹理特征向量，
Figure 727941DEST_PATH_IMAGE034
为坐标为
Figure 676174DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量。
进一步地，所述软硬度为：
Figure 798851DEST_PATH_IMAGE041
其中，
Figure 758717DEST_PATH_IMAGE042
为第t条共用边缘线的梯度，
Figure 675857DEST_PATH_IMAGE043
为第t条共用边缘线的纹理相似度，
Figure 100002_DEST_PATH_IMAGE044
为第t条共用边缘线的平均纹理坡度；
Figure 127698DEST_PATH_IMAGE045
为梯度的调节参数，
Figure 788487DEST_PATH_IMAGE046
为纹理坡度的调节参数。
进一步地，所述惩罚因子为：
Figure 602859DEST_PATH_IMAGE047
；其中，
Figure 81114DEST_PATH_IMAGE048
为惩罚因子，
Figure 613726DEST_PATH_IMAGE049
为软硬度等级。
进一步地，所述阈值为：
Figure 78206DEST_PATH_IMAGE050
，
Figure 991759DEST_PATH_IMAGE048
为惩罚因子。
本发明实施例至少具有如下有益效果：
本发明通过惩罚因子设置阈值，在一定程度上解决了由于矿石颗粒之间的堆叠出现的阴影区，导致同一块矿石颗粒的不同区域灰度分布不同，从而将同一块矿石颗粒划分为两块矿石颗粒的问题，同时，也能够有效避免由于矿石颗粒表面的裂纹将同一块矿石颗粒划分为两块矿石颗粒的问题。通过惩罚因子设置阈值也能够有效避免由于环境因素将两块矿石颗粒划分为一块矿石颗粒的问题。本发明能够更加准确的检测到矿石颗粒的矿石粒度。
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为本发明的一种矿石粒度检测方法实施例的方法流程图。
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，对依据本发明提出方案，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。
请参阅图1，其示出了本发明一个实施例提供的一种矿石粒度检测方法的方法流程图，该方法包括以下步骤：
步骤1，获取矿石的图像信息；并对图像信息进行预处理，得到灰度图像；将灰度图像划分为若干个超像素块；其中，相邻两超像素块之间具有一条共用边缘线。
具体地，利用相机获取矿石的图像信息，首先采用高斯滤波器去除图像信息中的噪声，然后采用最大值法对图像信息进行灰度化处理，得到灰度图像，最后采用直方图均衡化算法对灰度图像进行图像增强。
进一步地，采用超像素分割算法将灰度图像划分为若干个超像素块，本实施例中将超像素块的个数设置为800，其中，超像素分割算法为现有技术，不再赘述。
步骤2，根据共用边缘线上的各像素点的灰度值，计算各共用边缘线的梯度。
根据共用边缘线上的各像素点的灰度值，本实施例采用
Figure 516281DEST_PATH_IMAGE051
算子计算共用边缘线上各像素点的梯度，将共用边缘线上所有像素点的平均梯度记为该共用边缘线的梯度；得到所有共用边缘线对应的梯度。
需要说明的是，共用边缘线上的像素点的梯度越大，共用边缘线对应的梯度越大，则对应两个相邻超像素块的相似度越高。在后续操作过程中，这两个超像素块被合并为一个新的超像素块的可能就越大；反之，这两个超像素块被合并为一个新的超像素块的可能就越小。
步骤3，任意选取两个相邻的超像素块作为待选区域，对待选区域进行滑窗操作，获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵，进而计算待选区域中各像素点的纹理特征向量；基于纹理特征向量，计算共用边缘线的纹理相似度与平均纹理坡度；其中，滑窗操作过程中的窗口大小为n×n，n大于3。
本实施例中，滑窗操作过程中的窗口大小为5×5，在滑窗操作过程中，获取每一个滑窗区域对应的灰度共生矩阵，根据灰度共生矩阵，计算对应像素点的纹理特征向量；获取待选区域中所有像素点的纹理特征向量。
纹理特征向量的获取方法为：计算灰度共生矩阵对应的能量
Figure 145977DEST_PATH_IMAGE001
、熵值
Figure 414147DEST_PATH_IMAGE002
、对比度
Figure 203112DEST_PATH_IMAGE003
以及逆差距
Figure 632956DEST_PATH_IMAGE004
，将能量
Figure 264794DEST_PATH_IMAGE001
、熵值
Figure 71076DEST_PATH_IMAGE002
、对比度
Figure 714547DEST_PATH_IMAGE003
以及逆差距
Figure 721818DEST_PATH_IMAGE004
组成一个向量
Figure 450739DEST_PATH_IMAGE005
，
Figure 60712DEST_PATH_IMAGE052
，并将向量
Figure 824269DEST_PATH_IMAGE005
记为滑窗区域的中心像素点的纹理特征向量。
纹理相似度的获取方法为：将待选区域划分为8个等高区域，并将相邻的4个等高区域合并为一个渐变区域，即将第1个等高区域、第2个等高区域、第3个等高区域与第4个等高区域进行合并，得到第1个渐变区域，将第2个等高区域、第3个等高区域、第4个等高区域与第5个等高区域进行合并，得到第2个渐变区域，依次类推，共得到5个渐变区域，根据渐变区域中各像素点对应的纹理特征向量，计算各渐变区域对应的平均纹理特征；基于平均纹理特征，确定共用边缘线对应的纹理相似度。
其中，将待选区域划分为8个等高区域的具体步骤为：
1）分别将待选区域中的两超像素块记为
Figure 720549DEST_PATH_IMAGE006
和
Figure 202346DEST_PATH_IMAGE007
，获取
Figure 350431DEST_PATH_IMAGE006
的中点
Figure 109440DEST_PATH_IMAGE008
、
Figure 51988DEST_PATH_IMAGE007
的中点
Figure 755502DEST_PATH_IMAGE009
；
2）连接
Figure 707277DEST_PATH_IMAGE008
和
Figure 304480DEST_PATH_IMAGE009
，得到待选区域的基线
Figure 683509DEST_PATH_IMAGE010
，并获取基线
Figure 874319DEST_PATH_IMAGE010
的中点，然后延长基线
Figure 364206DEST_PATH_IMAGE010
，将基线
Figure 832228DEST_PATH_IMAGE010
的延长部分与
Figure 37950DEST_PATH_IMAGE006
的交点记为
Figure 575111DEST_PATH_IMAGE006
的最远脊点；将基线
Figure 868689DEST_PATH_IMAGE010
的延长部分与
Figure 315851DEST_PATH_IMAGE007
的交点记为
Figure 36682DEST_PATH_IMAGE007
的最远脊点；
3）根据
Figure 77450DEST_PATH_IMAGE006
的最远脊点、
Figure 909140DEST_PATH_IMAGE008
、脊线
Figure 210808DEST_PATH_IMAGE010
的中点、
Figure 102541DEST_PATH_IMAGE009
以及
Figure 614294DEST_PATH_IMAGE007
的最远脊点，获取7条等高线与基线
Figure 249675DEST_PATH_IMAGE010
的交点
Figure 671429DEST_PATH_IMAGE023
，其中，
Figure 734063DEST_PATH_IMAGE053
为第1条等高线与基线
Figure 483844DEST_PATH_IMAGE010
的交点，且
Figure 657336DEST_PATH_IMAGE053
为
Figure 933597DEST_PATH_IMAGE006
的最远脊点与
Figure 167132DEST_PATH_IMAGE008
连线的中点，
Figure 653477DEST_PATH_IMAGE054
为第2条等高线与基线
Figure 896240DEST_PATH_IMAGE010
的交点，且
Figure 292586DEST_PATH_IMAGE054
为
Figure 572389DEST_PATH_IMAGE008
，
Figure 890237DEST_PATH_IMAGE055
为第3条等高线与基线
Figure 936691DEST_PATH_IMAGE010
的交点，且
Figure 187544DEST_PATH_IMAGE055
为
Figure 887515DEST_PATH_IMAGE008
与脊线
Figure 958239DEST_PATH_IMAGE010
的中点连线的中点，
Figure 277225DEST_PATH_IMAGE056
为第4条等高线与基线
Figure 382585DEST_PATH_IMAGE010
的交点，且
Figure 4190DEST_PATH_IMAGE056
为脊线
Figure 827789DEST_PATH_IMAGE010
的中点，
Figure 684887DEST_PATH_IMAGE057
为第5条等高线与基线
Figure 910332DEST_PATH_IMAGE010
的交点，且
Figure 952106DEST_PATH_IMAGE057
为脊线
Figure 997423DEST_PATH_IMAGE010
的中点与
Figure 658211DEST_PATH_IMAGE009
连线的中点，
Figure 738162DEST_PATH_IMAGE058
为第6条等高线与基线
Figure 701570DEST_PATH_IMAGE010
的交点，且
Figure 234183DEST_PATH_IMAGE058
为
Figure 698662DEST_PATH_IMAGE009
，
Figure 367541DEST_PATH_IMAGE059
为第7条等高线与基线
Figure 626484DEST_PATH_IMAGE010
的交点，且
Figure 771026DEST_PATH_IMAGE059
为
Figure 101514DEST_PATH_IMAGE009
与
Figure 890478DEST_PATH_IMAGE007
的最远脊点连线的中点；
4）基于交点
Figure 320322DEST_PATH_IMAGE023
，获取7条等高线，则7条等高线将所述待选区域划分为8个等高区域。
本实施例中，当基线
Figure 952161DEST_PATH_IMAGE010
的延长部分与
Figure 758443DEST_PATH_IMAGE006
、
Figure 401914DEST_PATH_IMAGE007
的交点不止一个时，则计算对应超像素块的所有交点与基线
Figure 268239DEST_PATH_IMAGE010
的中点的欧氏距离，将最大欧式距离对应的交点记为对应超像素块的最远基点。
上述中获取等高线的方法为：获取基线
Figure 872526DEST_PATH_IMAGE010
与共用边缘线的交点
Figure 482499DEST_PATH_IMAGE060
，分别计算
Figure 980477DEST_PATH_IMAGE060
与交点
Figure 357318DEST_PATH_IMAGE023
的坐标差值，例如，交点
Figure 573536DEST_PATH_IMAGE053
与
Figure 721620DEST_PATH_IMAGE060
的坐标差值为：
Figure 339683DEST_PATH_IMAGE061
,其中，
Figure 672444DEST_PATH_IMAGE062
为
Figure 438275DEST_PATH_IMAGE053
与
Figure 390051DEST_PATH_IMAGE060
在x横上的坐标差值，
Figure 862620DEST_PATH_IMAGE063
为
Figure 897441DEST_PATH_IMAGE053
的x轴坐标值，
Figure 416147DEST_PATH_IMAGE064
为
Figure 906034DEST_PATH_IMAGE060
的x轴坐标值；
Figure 498690DEST_PATH_IMAGE065
；其中，
Figure 783041DEST_PATH_IMAGE066
为
Figure 336513DEST_PATH_IMAGE053
与
Figure 895670DEST_PATH_IMAGE060
在y横上的坐标差值，
Figure 342832DEST_PATH_IMAGE067
为
Figure 188297DEST_PATH_IMAGE053
的y轴坐标值，
Figure 88120DEST_PATH_IMAGE068
为
Figure 123072DEST_PATH_IMAGE060
的y轴坐标值；将共用边缘线上的各像素点移动按照坐标差值
Figure 814954DEST_PATH_IMAGE069
，
Figure 706686DEST_PATH_IMAGE070
进行移动，得到第1条等高线，依次类推，获取待选区域中的所有等高线。
上述中获取共用边缘线的纹理相似度的具体步骤为：根据渐变区域中各像素点对应的纹理特征向量，计算各渐变区域对应的平均纹理特征；平均纹理特征的计算方法为：根据渐变区域中所有像素点的纹理特征向量，计算所有纹理特征向量中每个维度对应元素的平均值，将平均值作为平均纹理特征的对应维度的元素，其中，平均纹理特征的维度与纹理特征向量的维度一一对应，纹理特征向量
Figure 93805DEST_PATH_IMAGE052
，
Figure 729186DEST_PATH_IMAGE001
为纹理特征向量的第1个维度，
Figure 291885DEST_PATH_IMAGE071
为纹理特征向量的第2个维度，
Figure 354519DEST_PATH_IMAGE003
为纹理特征向量的第3个维度，
Figure 228934DEST_PATH_IMAGE004
为纹理特征向量的第4个维度。
根据平均纹理特征，计算共用边缘线的纹理相似度。
纹理相似度的计算公式为：
Figure 527061DEST_PATH_IMAGE072
其中，
Figure 803321DEST_PATH_IMAGE073
为第
Figure 443381DEST_PATH_IMAGE074
个渐变区域的平均纹理特征中的第
Figure 805092DEST_PATH_IMAGE075
个元素，
Figure DEST_PATH_IMAGE076
为第
Figure 969226DEST_PATH_IMAGE074
+1个渐变区域的平均纹理特征中的第
Figure 99993DEST_PATH_IMAGE075
个元素，
Figure 379796DEST_PATH_IMAGE077
为常数，本实施例将
Figure 228803DEST_PATH_IMAGE077
设置为1。
需要说明的是，利用所有渐变区域的平均纹理特征计算纹理相似度，对平均纹理特征中的每一个维度都进行了计算，这样计算出的纹理相似度更能表征出相邻两超像素块中的纹理信息。纹理相似度能够更加真实地反映出相邻两超像素块的相似度。
具体地，平均纹理坡度的获取方法为：根据纹理特征向量，计算共用边缘线上各像素点对应的纹理坡度，将共用边缘线上所有像素点对应的平均纹理坡度记为该共用边缘线的平均纹理坡度；
像素点的纹理坡度为：
Figure 9677DEST_PATH_IMAGE024
其中，
Figure 994951DEST_PATH_IMAGE025
为
Figure 694923DEST_PATH_IMAGE026
中第k个元素，
Figure 296805DEST_PATH_IMAGE027
为
Figure 615791DEST_PATH_IMAGE028
中第k个元素；
式中，
Figure 596517DEST_PATH_IMAGE078
其中，
Figure 342756DEST_PATH_IMAGE030
为坐标为
Figure 166355DEST_PATH_IMAGE031
处的像素点对应的纹理特征向量，
Figure 23453DEST_PATH_IMAGE032
为坐标为
Figure 107952DEST_PATH_IMAGE033
处的像素点对应的纹理特征向量，
Figure 962776DEST_PATH_IMAGE034
为坐标为
Figure 8092DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量；
Figure 668881DEST_PATH_IMAGE079
其中，
Figure 748832DEST_PATH_IMAGE037
为坐标为
Figure 961508DEST_PATH_IMAGE038
处的像素点对应的纹理特征向量，
Figure 494120DEST_PATH_IMAGE039
为坐标为
Figure 224179DEST_PATH_IMAGE040
处的像素点对应的纹理特征向量，
Figure 34003DEST_PATH_IMAGE034
为坐标为
Figure 292946DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量。
步骤4，基于梯度、纹理相似度以及纹理坡度，计算各共用边缘线对应的软硬度；将软硬度划分为不同的软硬度等级。
软硬度为：
Figure 312855DEST_PATH_IMAGE041
其中，
Figure 315446DEST_PATH_IMAGE080
为第t条共用边缘线的软硬度，
Figure 229044DEST_PATH_IMAGE042
为第t条共用边缘线的梯度，
Figure 190047DEST_PATH_IMAGE043
为第t条共用边缘线的纹理相似度，
Figure 697251DEST_PATH_IMAGE044
为第t条共用边缘线的平均纹理坡度；
Figure 113320DEST_PATH_IMAGE045
为梯度的调节参数，
Figure 22371DEST_PATH_IMAGE046
为纹理坡度的调节参数；本实施例中
Figure 623116DEST_PATH_IMAGE081
，
Figure 617617DEST_PATH_IMAGE082
。
软硬度越小，代表相邻两超像素块的共用边缘越不明显，相邻两超像素块属于同一块矿石颗粒的概率越高，反之，相邻两超像素块属于同一块矿石颗粒的概率越低。
本实施例采用
Figure 86644DEST_PATH_IMAGE083
算法将软硬度划分为不同的软硬度等级，设置软硬度等级的个数
Figure 850201DEST_PATH_IMAGE084
，将软硬度从低到高划分为五个软硬度等级，软硬度等级用
Figure 887427DEST_PATH_IMAGE049
表示，
Figure 103645DEST_PATH_IMAGE085
代表第一个软硬度等级，每个软硬度等级对应一个软硬度区间。
步骤5，根据软硬度等级，设置不同的软硬度等级对应的惩罚因子，基于惩罚因子，计算各共用边缘线对应的阈值。
具体地，惩罚因子为：
Figure 392675DEST_PATH_IMAGE047
；其中，
Figure 10738DEST_PATH_IMAGE048
为惩罚因子，
Figure 218866DEST_PATH_IMAGE049
为软硬度等级。
阈值为：
Figure 47013DEST_PATH_IMAGE050
，
Figure 733209DEST_PATH_IMAGE048
为惩罚因子。
需要说明的是，不同的软硬度等级对应的不同的惩罚因子与不同的阈值，在后续的操作过程中，能够更加准确的得到矿石颗粒。
步骤6，计算相邻两超像素块对应灰度均值的差值，当差值小于所述阈值，则将所述相邻两超像素块进行合并，得到第一超像素块，然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值，当第一差值小于阈值，将该超像素块与第一超像素块进行合并，得到第二超像素块；依次类推，直至第N差值大于阈值，则第N超像素块为一块矿石颗粒；其中N大于1。
具体地，为了更加精确的得到矿石颗粒，保证超像素块在各个方向上均匀生长，本实施例并不是任意选择一块超像素块与其周围的超像素块计算对应灰度均值的差值，而是选择处于矿石颗粒内部的超像素块作为初始生长超像素块。
上述中选择初始生长超像素块的方法为：因为在矿石颗粒内部的超像素块与其相邻的超像素块的共用边缘线的软硬度比较低，所以本实施例计算与任一超像素块相邻的所有超像素块对应的共用边缘线的平均软硬度，作为该超像素块的平均软硬度；采用
Figure 471358DEST_PATH_IMAGE086
大津法对超像素块的平均软硬度进行平均软硬度阈值分割，将小于平均软硬度阈值的超像素块提取出来作为初始生长超像素块。平均软硬度阈值由实施者根据实际情况设定。
平均软硬度的计算公式为：
Figure 850387DEST_PATH_IMAGE087
，其中，
Figure 916563DEST_PATH_IMAGE088
为任一超像素块的平均软硬度，
Figure 406450DEST_PATH_IMAGE089
为与任一超像素块相邻的所有超像素块的总个数，
Figure 733526DEST_PATH_IMAGE090
为第a个超像素块与任一超像素块的共用边缘线的长度，
Figure 673669DEST_PATH_IMAGE091
为任一超像素块的边缘线的长度，
Figure 351775DEST_PATH_IMAGE092
为第a个超像素块与任一超像素块的共用边缘线的软硬度。其中，与任一超像素块相邻的所有超像素块对应的共用边缘线组成任一超像素块的边缘线。
进一步地，以初始生长超像素块为中心，计算初始生长超像素块的灰度均值，灰度均值为初始生长超像素块中所有像素点灰度值的平均值；然后计算初始生长超像素块周围超像素块的灰度均值，计算周围超像素块的灰度均值与初始生长超像素块的灰度均值的差值，比较差值与对应阈值的大小，本实施例认为差值小于对应阈值的周围超像素块满足初始生长超像素块的生长准则，并将满足生长准则对应的周围超像素块与初始生长超像素块进行合并，得到第一超像素块，然后判断第一超像素块的周围超像素块是否满足生长准则，即第一差值是否小于对应阈值，将满足生长准则的对应周围超像素块与第一超像素块进行合并，得到第二超像素块，依次类推，直至第N超像素块的周围超像素块均不满足生长准则，即第N差值大于对应阈值，则第N超像素块为一块矿石颗粒；
需要说明的是，步骤5已经明确指出不同的软硬度等级对应的不同的惩罚因子与不同的阈值，若超像素块与其相邻的超像素块的共用边缘线的软硬度的软硬度等级较高，则提升生长的“门槛”，即提出更严苛的生长准则，降低阈值；反之，降低生长的“门槛”，提出较为宽松的生长准则，增大阈值；采用这样的方法我们可以根据共用边缘线的软硬度自适应调节生长准则，在一定程度上解决了由于矿石颗粒之间的堆叠出现的阴影区，导致同一块矿石颗粒的不同区域灰度分布不同，从而将同一块矿石颗粒划分为两块矿石颗粒的问题，同时，也能够有效避免由于矿石颗粒表面的裂纹将同一块矿石颗粒划分为两块矿石颗粒的问题。自适应阈值也能够有效避免由于环境因素将两块矿石颗粒划分为一块矿石颗粒的问题。
步骤7，基于第N超像素块的面积，得到对应矿石颗粒的矿石粒度。
本实施例利用矿石颗粒对应的新的超像素块的面积表征该矿石颗粒的矿石粒度，将一个像素点的面积记为
Figure 645354DEST_PATH_IMAGE093
，则新的超像素块的面积为：
Figure 92515DEST_PATH_IMAGE094
，
Figure 423134DEST_PATH_IMAGE095
为新的超像素块中像素点的总个数。
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精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种矿石粒度检测方法，其特征在于，该方法包括以下步骤：
获取矿石的图像信息；并对所述图像信息进行预处理，得到灰度图像；将所述灰度图像划分为若干个超像素块；其中，相邻两超像素块之间具有一条共用边缘线；
根据所述共用边缘线上的各像素点的灰度值，计算各共用边缘线的梯度；
任意选取两个相邻的超像素块作为待选区域，对待选区域进行滑窗操作，获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵，进而计算待选区域中各像素点的纹理特征向量；基于所述纹理特征向量，计算所述共用边缘线的纹理相似度与平均纹理坡度；其中，滑窗操作过程中的窗口大小为n×n，n大于3；
所述纹理特征向量的获取方法为：计算灰度共生矩阵对应的能量
Figure 167079DEST_PATH_IMAGE001
、熵值
Figure 443340DEST_PATH_IMAGE002
、对比度
Figure 676875DEST_PATH_IMAGE003
以及逆差距
Figure 428799DEST_PATH_IMAGE004
，将能量
Figure 405982DEST_PATH_IMAGE001
、熵值
Figure 536749DEST_PATH_IMAGE002
、对比度
Figure 816552DEST_PATH_IMAGE003
以及逆差距
Figure 665559DEST_PATH_IMAGE004
组成一个向量
Figure 446434DEST_PATH_IMAGE005
，并将向量
Figure 821920DEST_PATH_IMAGE005
记为滑窗区域中心像素点的纹理特征向量；
所述纹理相似度的获取方法为：将所述待选区域划分为8个等高区域，并将相邻的4个等高区域合并为一个渐变区域，共得到5个渐变区域，根据渐变区域中各像素点对应的纹理特征向量，计算各渐变区域对应的平均纹理特征；基于所述平均纹理特征，确定共用边缘线对应的纹理相似度；
其中，将所述待选区域划分为8个等高区域的具体步骤为：
1）分别将待选区域中的两超像素块记为
Figure 397258DEST_PATH_IMAGE006
和
Figure 733561DEST_PATH_IMAGE007
，获取
Figure 52547DEST_PATH_IMAGE006
的中点
Figure 298852DEST_PATH_IMAGE008
、
Figure 45091DEST_PATH_IMAGE007
的中点
Figure 603111DEST_PATH_IMAGE009
；
2）连接
Figure 850422DEST_PATH_IMAGE008
和
Figure 810288DEST_PATH_IMAGE009
，得到待选区域的基线
Figure 727428DEST_PATH_IMAGE010
，并获取基线
Figure 38324DEST_PATH_IMAGE010
的中点，然后延长基线
Figure 495850DEST_PATH_IMAGE010
，将基线
Figure 434856DEST_PATH_IMAGE010
的延长部分与
Figure 54056DEST_PATH_IMAGE006
的交点记为
Figure 586669DEST_PATH_IMAGE006
的最远脊点；将基线
Figure 379044DEST_PATH_IMAGE010
的延长部分与
Figure 47923DEST_PATH_IMAGE007
的交点记为
Figure 572445DEST_PATH_IMAGE007
的最远脊点；
3）根据
Figure 467720DEST_PATH_IMAGE011
的最远脊点、
Figure 735890DEST_PATH_IMAGE012
、脊线
Figure 524855DEST_PATH_IMAGE010
的中点、
Figure 169131DEST_PATH_IMAGE013
以及
Figure 410756DEST_PATH_IMAGE014
的最远脊点，获取7条等高线与基线
Figure 217038DEST_PATH_IMAGE010
的交点
Figure 126088DEST_PATH_IMAGE015
，其中，
Figure 54730DEST_PATH_IMAGE016
为第1条等高线与基线
Figure 49231DEST_PATH_IMAGE010
的交点，且
Figure 393625DEST_PATH_IMAGE016
为
Figure 32547DEST_PATH_IMAGE011
的最远脊点与
Figure 804194DEST_PATH_IMAGE012
连线的中点，
Figure 551570DEST_PATH_IMAGE017
为第2条等高线与基线
Figure 434076DEST_PATH_IMAGE010
的交点，且
Figure 442352DEST_PATH_IMAGE017
为
Figure 650479DEST_PATH_IMAGE012
，
Figure 353993DEST_PATH_IMAGE018
为第3条等高线与基线
Figure 915556DEST_PATH_IMAGE010
的交点，且
Figure 653705DEST_PATH_IMAGE018
为
Figure 767154DEST_PATH_IMAGE012
与脊线
Figure 957964DEST_PATH_IMAGE010
的中点连线的中点，
Figure 572485DEST_PATH_IMAGE019
为第4条等高线与基线
Figure 165140DEST_PATH_IMAGE010
的交点，且
Figure 715070DEST_PATH_IMAGE019
为脊线
Figure 393176DEST_PATH_IMAGE010
的中点，
Figure 296541DEST_PATH_IMAGE020
为第5条等高线与基线
Figure 743703DEST_PATH_IMAGE010
的交点，且
Figure 464535DEST_PATH_IMAGE020
为脊线
Figure 629937DEST_PATH_IMAGE010
的中点与
Figure 586260DEST_PATH_IMAGE013
连线的中点，
Figure 684666DEST_PATH_IMAGE021
为第6条等高线与基线
Figure 841978DEST_PATH_IMAGE010
的交点，且
Figure 494676DEST_PATH_IMAGE021
为
Figure 989112DEST_PATH_IMAGE013
，
Figure 410866DEST_PATH_IMAGE022
为第7条等高线与基线
Figure 473500DEST_PATH_IMAGE010
的交点，且
Figure 347915DEST_PATH_IMAGE022
为
Figure 662353DEST_PATH_IMAGE013
与
Figure 204192DEST_PATH_IMAGE014
的最远脊点连线的中点；
4）基于交点
Figure 437728DEST_PATH_IMAGE023
，获取7条等高线，则7条等高线将所述待选区域划分为8个等高区域；
所述平均纹理坡度的获取方法为：根据所述纹理特征向量，计算共用边缘线上各像素点对应的纹理坡度，将共用边缘线上所有像素点对应的平均纹理坡度记为共用边缘线对应的平均纹理坡度；
像素点的纹理坡度为：
Figure DEST_PATH_IMAGE024
其中，
Figure 658493DEST_PATH_IMAGE025
为
Figure 494731DEST_PATH_IMAGE026
中第k个元素，
Figure 891077DEST_PATH_IMAGE027
为
Figure 295514DEST_PATH_IMAGE028
中第k个元素；
式中，
Figure 144521DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
为坐标为
Figure 66341DEST_PATH_IMAGE031
处的像素点对应的纹理特征向量，
Figure 317194DEST_PATH_IMAGE032
为坐标为
Figure 17165DEST_PATH_IMAGE033
处的像素点对应的纹理特征向量，
Figure 619048DEST_PATH_IMAGE034
为坐标为
Figure 938034DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量；
Figure 918759DEST_PATH_IMAGE036
其中，
Figure 664998DEST_PATH_IMAGE037
为坐标为
Figure DEST_PATH_IMAGE038
处的像素点对应的纹理特征向量，
Figure 488598DEST_PATH_IMAGE039
为坐标为
Figure 1488DEST_PATH_IMAGE040
处的像素点对应的纹理特征向量，
Figure 961353DEST_PATH_IMAGE034
为坐标为
Figure 878494DEST_PATH_IMAGE035
处的像素点对应的纹理特征向量；
基于所述梯度、纹理相似度以及平均纹理坡度，计算各共用边缘线对应的软硬度；将所述软硬度划分为不同的软硬度等级；
根据所述软硬度等级，设置不同的软硬度等级对应的惩罚因子，基于所述惩罚因子，计算各共用边缘线对应的阈值；
计算相邻两超像素块对应灰度均值的差值，当差值小于所述阈值，则将所述相邻两超像素块进行合并，得到第一超像素块，然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值，当第一差值小于阈值，将该超像素块与第一超像素块进行合并，得到第二超像素块；依次类推，直至第N差值大于阈值，超像素块，则第N超像素块为一块矿石颗粒；其中N大于1；
基于所述第N超像素块的面积，得到对应矿石颗粒的矿石粒度。
2.根据权利要求1所述的一种矿石粒度检测方法，其特征在于，所述软硬度为：
Figure 64756DEST_PATH_IMAGE041
其中，
Figure 725544DEST_PATH_IMAGE042
为第t条共用边缘线的梯度，
Figure 805496DEST_PATH_IMAGE043
为第t条共用边缘线的纹理相似度，
Figure DEST_PATH_IMAGE044
为第t条共用边缘线的平均纹理坡度；
Figure 283750DEST_PATH_IMAGE045
为梯度的调节参数，
Figure 81942DEST_PATH_IMAGE046
为纹理坡度的调节参数。
3.根据权利要求1所述的一种矿石粒度检测方法，其特征在于，
所述惩罚因子为：
Figure 280842DEST_PATH_IMAGE047
；其中，
Figure 90666DEST_PATH_IMAGE048
为惩罚因子，
Figure 615189DEST_PATH_IMAGE049
为软硬度等级。
4.根据权利要求1所述的一种矿石粒度检测方法，其特征在于，
所述阈值为：
Figure 369518DEST_PATH_IMAGE050
，
Figure 355798DEST_PATH_IMAGE048
为惩罚因子。
CN202211179270.4A 2022-09-27 2022-09-27 一种矿石粒度检测方法 Active CN115272319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211179270.4A CN115272319B (zh) 2022-09-27 2022-09-27 一种矿石粒度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211179270.4A CN115272319B (zh) 2022-09-27 2022-09-27 一种矿石粒度检测方法

Publications (2)

Publication Number Publication Date
CN115272319A CN115272319A (zh) 2022-11-01
CN115272319B true CN115272319B (zh) 2022-12-20

Family

ID=83757620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211179270.4A Active CN115272319B (zh) 2022-09-27 2022-09-27 一种矿石粒度检测方法

Country Status (1)

Country Link
CN (1) CN115272319B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115598025B (zh) * 2022-12-13 2023-03-10 四川亿欣新材料有限公司 图像处理方法及使用该方法的碳酸钙粉质检系统
CN116823827B (zh) * 2023-08-29 2023-11-10 山东德信微粉有限公司 一种基于图像处理的矿石粉碎效果评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN112330653A (zh) * 2020-11-16 2021-02-05 鞍钢集团矿业有限公司 一种基于图像识别技术的矿石粒度在线检测方法
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法
CN115100221A (zh) * 2022-08-22 2022-09-23 启东市云鹏玻璃机械有限公司 一种玻璃缺陷分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN112330653A (zh) * 2020-11-16 2021-02-05 鞍钢集团矿业有限公司 一种基于图像识别技术的矿石粒度在线检测方法
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法
CN115100221A (zh) * 2022-08-22 2022-09-23 启东市云鹏玻璃机械有限公司 一种玻璃缺陷分割方法

Also Published As

Publication number Publication date
CN115272319A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115272319B (zh) 一种矿石粒度检测方法
CN116310360A (zh) 一种电抗器表面缺陷检测方法
CN115311277B (zh) 一种不锈钢制品的凹坑缺陷识别方法
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN115131375B (zh) 一种矿石自动分割方法
CN113506246B (zh) 基于机器视觉的混凝土3d打印构件精细检测方法
CN109377450A (zh) 一种边缘保护的去噪方法
CN117745724B (zh) 基于视觉分析的石材打磨加工缺陷区域分割方法
CN115131351B (zh) 基于红外图像的机油散热器检测方法
CN111709964B (zh) 一种pcba目标边缘检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN116703251A (zh) 基于人工智能的胶圈生产质量检测方法
CN115311280A (zh) 一种碳化硅材质晶圆的缺陷检测方法
CN114862902A (zh) 一种基于四叉树的光照自适应orb特征提取和匹配方法
CN117314940B (zh) 基于人工智能的激光切割零件轮廓快速分割方法
CN116630321A (zh) 基于人工智能的桥梁健康智能监测系统
CN115880181A (zh) 一种增强图像对比度的方法、装置及终端
CN113763404B (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法
CN111223050A (zh) 一种实时图像边缘检测算法
CN112258534B (zh) 一种超声图像中小脑蚓部的定位及分割方法

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