CN115546501B - 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法 - Google Patents

具有机器视觉的用于增效剂内核的智能涂覆系统及其方法 Download PDF

Info

Publication number
CN115546501B
CN115546501B CN202211496008.2A CN202211496008A CN115546501B CN 115546501 B CN115546501 B CN 115546501B CN 202211496008 A CN202211496008 A CN 202211496008A CN 115546501 B CN115546501 B CN 115546501B
Authority
CN
China
Prior art keywords
surface state
matrix
topological
global surface
state feature
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
CN202211496008.2A
Other languages
English (en)
Other versions
CN115546501A (zh
Inventor
闫瑞山
申有青
王金鹏
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.)
Kefeng Xingtai Hangzhou Biotechnology Co ltd
Original Assignee
Kefeng Xingtai Hangzhou Biotechnology 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 Kefeng Xingtai Hangzhou Biotechnology Co ltd filed Critical Kefeng Xingtai Hangzhou Biotechnology Co ltd
Priority to CN202211496008.2A priority Critical patent/CN115546501B/zh
Publication of CN115546501A publication Critical patent/CN115546501A/zh
Application granted granted Critical
Publication of CN115546501B publication Critical patent/CN115546501B/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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开了一种具有机器视觉的用于增效剂内核的智能涂覆系统及其方法，其中，所述智能涂覆系统通过机器视觉来判断硝化抑制剂涂覆于内核表面的涂覆状态，从而对涂覆均匀度进行智能监测与把控，以提高最终缓释增效剂成型质量。

Description

具有机器视觉的用于增效剂内核的智能涂覆系统及其方法
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种具有机器视觉的用于增效剂内核的智能涂覆系统及其方法。
背景技术
目前农业生产对化肥的依赖度较高，其中氮肥的总体利用率仅为30％～35％，其它约30％以上由淋失、挥发和地表径流等途径而损失，约30％左右被微生物分解消耗。例如：尿素施入土壤后在土壤中的脲酶作用下很快转化为铵态氮，铵态氮在高pH土壤中转变为氨气挥发。土壤中的某些细菌可使铵态氮发生硝化/反硝化作用转化为硝态氮或亚硝态氮，硝态氮在土壤中极易淋失，而亚硝态氮会以氮的氧化物的形式呈气态损失，造成氮肥的大量损失，降低了肥料氮的利用率，造成资源的巨大浪费，同时也导致了地下水和土壤面源的污染，引起温室气体效应和水体的富营养化。
本申请人经研究，如图1A所示，提出了一种缓释增效剂，其包括内核1，涂覆于内核表面的硝化抑制剂2，以及，将涂覆有硝化抑制剂2的内核1包覆在内的缓释囊体3，其中，所述囊体3由特定材料制成以使得涂覆于所述内核1的硝化抑制剂2能够以预定速率从所述内核自所述缓释囊体3以预定速率排出，通过这样的方式，避免硝化抑制剂2在被直接施加于土壤之后因被分解而失去效用。
在制备工艺中，期待对硝化抑制剂涂覆于所述内核表面的均匀性进行判断，其原因为当硝化抑制剂均匀地涂覆于内核表面时，其在土壤中能够以各向均匀地向土壤缓释所述硝化抑制剂，以提高土壤增效效果；其次，当涂覆均匀时，硝化抑制剂与所述内核表面的结合强度也能够被有效地确保。
因此，期待一种用于增效剂内核的智能涂覆设备，其能够在硝化抑制剂的包覆过程中对硝化抑制剂在内核表面的包覆均匀性进行智能分析与判断以提高最终的成型质量。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种具有机器视觉的用于增效剂内核的智能涂覆系统及其方法，其中，所述智能涂覆系统通过机器视觉来判断硝化抑制剂涂覆于内核表面的涂覆状态，从而对涂覆均匀度进行智能监测与把控，以提高最终缓释增效剂成型质量。
根据本申请的一个方面，提供了一种具有机器视觉的用于增效剂内核的智能涂覆系统，其包括：图像采集模块，用于获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；局部视角特征提取模块，用于将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；不同视角比较模块，用于计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；二维结构化模块，用于将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；图结构数据编码模块，用于将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；特征分布校正模块，用于基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及包覆效果判断模块，用于将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
在上述具有机器视觉的用于增效剂内核的智能涂覆系统中，所述局部视角特征提取模块，使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个侧面表面状态特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像。
在上述具有机器视觉的用于增效剂内核的智能涂覆系统中，所述不同视角比较模块，进一步用于：以如下公式来计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到多个余弦距离；其中，所述公式为：
Figure 606137DEST_PATH_IMAGE001
其中
Figure 518468DEST_PATH_IMAGE002
和
Figure 778548DEST_PATH_IMAGE003
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量，
Figure 670411DEST_PATH_IMAGE004
和
Figure 699547DEST_PATH_IMAGE005
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量的各个位置的特征值，
Figure 267932DEST_PATH_IMAGE006
表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离；以及，将所述多个余弦距离进行二维排列为所述余弦距离矩阵。
在上述具有机器视觉的用于增效剂内核的智能涂覆系统中，在所述图结构数据编码模块中，所述图神经网络通过可学习的神经网络参数来对所述全局表面状态特征矩阵和所述余弦距离矩阵进行处理以得到包含不同侧面图像之间的相似度特征和各个侧面图像的图像特征的所述拓扑全局表面状态特征矩阵。
在上述具有机器视觉的用于增效剂内核的智能涂覆系统中，所述特征分布校正模块，进一步用于：基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，以如下公式对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure 553592DEST_PATH_IMAGE007
其中
Figure 967256DEST_PATH_IMAGE008
表示所述拓扑全局表面状态特征矩阵，
Figure 116478DEST_PATH_IMAGE009
表示所述拓扑全局表面状态特征矩阵的最大特征值的倒数，
Figure 340917DEST_PATH_IMAGE010
表示所述校正后拓扑全局表面状态特征矩阵，
Figure 575589DEST_PATH_IMAGE011
表示按位置点乘。
在上述具有机器视觉的用于增效剂内核的智能涂覆系统中，所述包覆效果判断模块，包括：展开单元，用于将所述校正后拓扑全局表面状态特征矩阵沿着行向量或列向量展开为一维的分类特征向量；全连接编码单元，用于将所述分类特征向量输入所述分类器的至少一个全连接层以得到编码分类特征向量；分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种具有机器视觉的用于增效剂内核的智能涂覆方法，其包括：获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的具有机器视觉的用于增效剂内核的智能涂覆方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的具有机器视觉的用于增效剂内核的智能涂覆方法。
与现有技术相比，本申请提供的一种具有机器视觉的用于增效剂内核的智能涂覆系统及其方法，其中，所述智能涂覆设备通过机器视觉来判断硝化抑制剂涂覆于内核表面的涂覆状态，从而对涂覆均匀度进行智能监测与把控，以提高最终缓释增效剂成型质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1A图示了根据本申请实施例的缓释增效剂的结构示意图。
图1B示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的场景图。
图2图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的框图。
图3图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的系统架构图。
图4图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统中第一卷积神经网络特征提取过程的流程图。
图5图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统中包覆效果判断模块的框图。
图6图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述:相应地，在对于硝化抑制剂涂覆于内核表面的均匀性进行检测，以保证其在土壤中能够以各向均匀地向所述土壤缓释所述硝化抑制剂来提高所述土壤增效效果时，由于涂覆于所述内核表面的硝化抑制剂在不同的角度上具有不同的均匀性特征信息，并且这些特征信息之间是具有关联性特征分布的。因此，为了提高对于所述硝化抑制剂的涂覆均匀性进行准确地检测判断以提高最终的成型质量，在本申请的技术方案中，选择从多个角度来采集的涂覆有硝化抑制剂的内核的多个侧面图像作为输入数据，并利用深度神经网络模型来作为特征提取器来分别挖掘出所述多个侧面图像的硝化抑制剂涂覆的均匀性隐含特征。这样，再以所述涂覆有硝化抑制剂的内核的多个侧面图像的特征向量作为节点，以每两个所述侧面特征向量之间的余弦距离作为节点与节点之间的关联，进而使用图神经网络模型来得到所述内核的多个侧面的包含各个节点的相似度的全局表面均匀性特征表示，以此来提高分类的精度以及最终的缓释增效剂的成型质量。
具体地，在本申请的技术方案中，首先，通过多个摄像头从不同拍摄视角采集涂覆有硝化抑制剂的内核的多个侧面图像。接着，进一步使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型对于所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别进行处理，以分别提取出所述各个侧面图像的局部隐含特征在高维空间中的特征分布表示，从而得到多个侧面表面状态特征向量。进一步地，再将所述多个侧面表面状态特征向量进行二维排列以整合所述内核的各个侧面图像的隐含特征分布信息，从而得到全局表面状态特征矩阵。
应可以理解，由于所述内核是立体的，考虑到所述内核的各个表面具有关联性的特征信息，并且当涂覆于所述内核的硝化抑制剂覆盖均匀时，那么所述内核的各个表面的均匀性特征相一致，因此，可以利用所述内核的各个表面的关于硝化抑制剂覆盖的相似度特征信息来辅助进行均匀度判断，进而进一步提高分类的精准度。也就是，进一步计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵。
进一步地，以所述涂覆有硝化抑制剂的内核的多个侧面图像的特征向量作为节点，以每两个所述侧面特征向量之间的余弦距离作为节点与节点之间的关联，这样再使用图神经网络模型进行处理来得到所述内核的多个侧面的包含各个节点的相似度的全局表面均匀性特征表示，以此来提高分类的精度以及最终的缓释增效剂的成型质量。也就是，进一步将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络中进行处理，以生成包含有所述内核的多个侧面图像特征信息与不规则的所述各个图像表面均匀度相似关联特征的拓扑全局表面状态特征矩阵。
特别地，在本申请的技术方案中，这里，在将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络得到所述拓扑全局表面状态特征矩阵时，由于所述拓扑全局表面状态特征矩阵的与所述侧面表面状态特征向量相同维度的每个特征向量，例如，假定为行向量之间的相关性较低，因此当所述拓扑全局表面状态特征矩阵作为整体通过分类器进行分类时，由于行向量之间的低相关性导致的行向量之间的相位差可能会对分类器的分类解的类概率聚合造成负面影响。
因此，在本申请的技术方案中，优选地对所述拓扑全局表面状态特征矩阵进行的波函数表征聚合，具体为：
Figure 58523DEST_PATH_IMAGE012
其中
Figure 311519DEST_PATH_IMAGE013
是所述拓扑全局表面状态特征矩阵
Figure 956127DEST_PATH_IMAGE014
的最大特征值的倒数。
这里，通过引入矩阵的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对特征矩阵的各个位置的特征值的信息表征进行类复函数域的聚合，从而弥补特征矩阵的各位置的特征值之间可能存在的相位差在类概率聚合上导致的负面影响（也就是，从波函数原理出发的同相加强和异相抵消），以提升所述拓扑全局表面状态特征矩阵的分类效果，进而提高分类的准确性。这样，能够在所述硝化抑制剂的包覆过程中对硝化抑制剂在内核表面的包覆均匀性进行智能准确地分析与判断，以提高最终的成型质量，进而提高土壤的增效效果。
基于此，本申请提出了一种具有机器视觉的用于增效剂内核的智能涂覆系统，其包括：图像采集模块，用于获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；局部视角特征提取模块，用于将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；不同视角比较模块，用于计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；二维结构化模块，用于将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；图结构数据编码模块，用于将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；特征分布校正模块，用于基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及，包覆效果判断模块，用于将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
图1B图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的应用场景图。如图1B所示，在该应用场景中，通过多个摄像头（例如，如图1B中所示意的C1-Cn）从不同拍摄视角采集在所述智能涂覆设备对所述内核的表面涂覆消化抑制剂的过程中的多个侧面图像（例如，图1B中的F1-Fn）。然后，将所述多个侧面图像输入至部署有智能包覆算法的服务器（例如，如图1B中所示意的S）中，其中，所述服务器能够以所述智能包覆算法对所述多个侧面图像进行处理以生成用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准的分类结果。这样，对涂覆均匀度进行智能监测与把控，以提高最终缓释增效剂成型质量。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的框图。如图2所示，根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统300，包括：图像采集模块310；局部视角特征提取模块320；不同视角比较模块330；二维结构化模块340；图结构数据编码模块350；特征分布校正模块360；以及，包覆效果判断模块370。
其中，所述图像采集模块310，用于获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；所述局部视角特征提取模块320，用于将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；所述不同视角比较模块330，用于计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；所述二维结构化模块340，用于将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；所述图结构数据编码模块350，用于将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；特征分布校正模块，用于基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及，所述包覆效果判断模块360，用于将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
图3图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统的系统架构图。如图3所示，首先通过所述图像采集模块310获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；然后，所述局部视角特征提取模块320将所述图像采集模块310获取的所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；所述不同视角比较模块330计算所述局部视角特征提取模块320得到的所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；接着，所述二维结构化模块340将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；所述图结构数据编码模块350将所述二维结构化模块340得到的所述全局表面状态特征矩阵和所述不同视角比较模块330计算所得的所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；所述特征分布校正模块360基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；进而，所述包覆效果判断模块370将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述图像采集模块310，用于获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像。相应地，在对于硝化抑制剂涂覆于内核表面的均匀性进行检测，以保证其在土壤中能够以各向均匀地向所述土壤缓释所述硝化抑制剂来提高所述土壤增效效果时，由于涂覆于所述内核表面的硝化抑制剂在不同的角度上具有不同的均匀性特征信息，并且这些特征信息之间是具有关联性特征分布的。因此，在本申请的技术方案中，选择从多个角度来采集的涂覆有硝化抑制剂的内核的多个侧面图像作为输入数据，更具体地，可通过部署于不同角度的多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述局部视角特征提取模块320，用于将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量。也就是，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型对于所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别进行处理，以分别提取出所述各个侧面图像的局部隐含特征在高维空间中的特征分布表示，从而得到多个侧面表面状态特征向量。
图4图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统中第一卷积神经网络特征提取过程的流程图。如图4所示，所述第一卷积神经网络特征提取过程，包括：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个侧面表面状态特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述不同视角比较模块330，用于计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵。应可以理解，由于所述内核是立体的，考虑到所述内核的各个表面具有关联性的特征信息，并且当涂覆于所述内核的硝化抑制剂覆盖均匀时，那么所述内核的各个表面的均匀性特征相一致，因此，可以利用所述内核的各个表面的关于硝化抑制剂覆盖的相似度特征信息来辅助进行均匀度判断，进而进一步提高分类的精准度。也就是，进一步计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵。
在本申请的一个具体示例中，所述不同视角比较模块，进一步用于：以如下公式来计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到多个余弦距离；其中，所述公式为：
Figure 694407DEST_PATH_IMAGE015
其中
Figure 449873DEST_PATH_IMAGE016
和
Figure 573687DEST_PATH_IMAGE017
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量，
Figure 638464DEST_PATH_IMAGE018
和
Figure 113307DEST_PATH_IMAGE019
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量的各个位置的特征值，
Figure 938044DEST_PATH_IMAGE020
表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离；以及，将所述多个余弦距离进行二维排列为所述余弦距离矩阵。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述二维结构化模块340，用于将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵。也就是，将所述多个侧面表面状态特征向量进行二维排列以整合所述内核的各个侧面图像的隐含特征分布信息，从而得到全局表面状态特征矩阵。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述图结构数据编码模块350，用于将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵。更具体地，以所述涂覆有硝化抑制剂的内核的多个侧面图像的特征向量作为节点，以每两个所述侧面特征向量之间的余弦距离作为节点与节点之间的关联，这样再使用图神经网络模型进行处理来得到所述内核的多个侧面的包含各个节点的相似度的全局表面均匀性特征表示，以此来提高分类的精度以及最终的缓释增效剂的成型质量。也就是，进一步将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络中进行处理，以生成包含有所述内核的多个侧面图像特征信息与不规则的所述各个图像表面均匀度相似关联特征的拓扑全局表面状态特征矩阵。
在本申请的一个具体示例中，在所述图结构数据编码模块中，所述图神经网络通过可学习的神经网络参数来对所述全局表面状态特征矩阵和所述余弦距离矩阵进行处理以得到包含不同侧面图像之间的相似度特征和各个侧面图像的图像特征的所述拓扑全局表面状态特征矩阵。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述特征分布校正模块360，用于基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵。特别地，在本申请的技术方案中，这里，在将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络得到所述拓扑全局表面状态特征矩阵时，由于所述拓扑全局表面状态特征矩阵的与所述侧面表面状态特征向量相同维度的每个特征向量，例如，假定为行向量之间的相关性较低，因此当所述拓扑全局表面状态特征矩阵作为整体通过分类器进行分类时，由于行向量之间的低相关性导致的行向量之间的相位差可能会对分类器的分类解的类概率聚合造成负面影响。
因此，在本申请的技术方案中，优选地对所述拓扑全局表面状态特征矩阵进行的波函数表征聚合，具体为：
Figure 667097DEST_PATH_IMAGE021
其中
Figure 919086DEST_PATH_IMAGE022
是所述拓扑全局表面状态特征矩阵
Figure 84488DEST_PATH_IMAGE023
的最大特征值的倒数。
这里，通过引入矩阵的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对特征矩阵的各个位置的特征值的信息表征进行类复函数域的聚合，从而弥补特征矩阵的各位置的特征值之间可能存在的相位差在类概率聚合上导致的负面影响（也就是，从波函数原理出发的同相加强和异相抵消），以提升所述拓扑全局表面状态特征矩阵的分类效果，进而提高分类的准确性。这样，能够在所述硝化抑制剂的包覆过程中对硝化抑制剂在内核表面的包覆均匀性进行智能准确地分析与判断，以提高最终的成型质量，进而提高土壤的增效效果。
在本申请的一个具体示例中，所述特征分布校正模块，进一步用于：基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，以如下公式对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到所述校正后拓扑全局表面状态特征矩阵；
其中，所述公式为：
Figure 696604DEST_PATH_IMAGE024
其中
Figure 795010DEST_PATH_IMAGE025
表示所述拓扑全局表面状态特征矩阵，
Figure 968634DEST_PATH_IMAGE026
表示所述拓扑全局表面状态特征矩阵的最大特征值的倒数，
Figure 621332DEST_PATH_IMAGE027
表示所述校正后拓扑全局表面状态特征矩阵，
Figure 787871DEST_PATH_IMAGE028
表示按位置点乘。
具体地，在所述具有机器视觉的用于增效剂内核的智能涂覆系统300的运行过程中，所述包覆效果判断模块370，用于将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
图5图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统中包覆效果判断模块的框图。如图5所示，所述包覆效果判断模块370，包括;展开单元371，用于将所述校正后拓扑全局表面状态特征矩阵沿着行向量或列向量展开为一维的分类特征向量；全连接编码单元372，用于将所述分类特征向量输入所述分类器的至少一个全连接层以得到编码分类特征向量；分类单元373，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆系统300被阐明，其中，所述智能涂覆设备通过机器视觉来判断硝化抑制剂涂覆于内核表面的涂覆状态，从而对涂覆均匀度进行智能监测与把控，以提高最终缓释增效剂成型质量。
示例性方法：图6图示了根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆方法的流程图。如图6所示，根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆方法，包括步骤：S110，获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；S120，将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；S130，计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；S140，将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；S150，将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；S160，基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及，S170，将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
在一个示例中，在上述具有机器视觉的用于增效剂内核的智能涂覆方法中，所述步骤S120，包括：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个侧面表面状态特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像。
在一个示例中，在上述具有机器视觉的用于增效剂内核的智能涂覆方法中，所述步骤S130，进一步用于：以如下公式来计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到多个余弦距离；
其中，所述公式为：
Figure 475204DEST_PATH_IMAGE029
其中
Figure 583844DEST_PATH_IMAGE030
和
Figure 989417DEST_PATH_IMAGE031
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量，
Figure 444800DEST_PATH_IMAGE032
和
Figure 252219DEST_PATH_IMAGE033
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量的各个位置的特征值，
Figure 16913DEST_PATH_IMAGE034
表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离；以及，将所述多个余弦距离进行二维排列为所述余弦距离矩阵。
在一个示例中，在上述具有机器视觉的用于增效剂内核的智能涂覆方法中，所述步骤S150，所述图神经网络通过可学习的神经网络参数来对所述全局表面状态特征矩阵和所述余弦距离矩阵进行处理以得到包含不同侧面图像之间的相似度特征和各个侧面图像的图像特征的所述拓扑全局表面状态特征矩阵。
在一个示例中，在上述具有机器视觉的用于增效剂内核的智能涂覆方法中，所述步骤S160，进一步用于：基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，以如下公式对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure 893471DEST_PATH_IMAGE035
其中
Figure 401813DEST_PATH_IMAGE036
表示所述拓扑全局表面状态特征矩阵，
Figure 63738DEST_PATH_IMAGE037
表示所述拓扑全局表面状态特征矩阵的最大特征值的倒数，
Figure 484486DEST_PATH_IMAGE038
表示所述校正后拓扑全局表面状态特征矩阵，
Figure 864652DEST_PATH_IMAGE039
表示按位置点乘。
在一个示例中，在上述具有机器视觉的用于增效剂内核的智能涂覆方法中，所述步骤S170，包括：将所述校正后拓扑全局表面状态特征矩阵沿着行向量或列向量展开为一维的分类特征向量；将所述分类特征向量输入所述分类器的至少一个全连接层以得到编码分类特征向量；将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的具有机器视觉的用于增效剂内核的智能涂覆方法被阐明，其通过从多个角度来采集的涂覆有硝化抑制剂的内核的多个侧面图像作为输入数据，并利用深度神经网络模型来作为特征提取器来分别挖掘出所述多个侧面图像的硝化抑制剂涂覆的均匀性隐含特征，再以所述涂覆有硝化抑制剂的内核的多个侧面图像的特征向量作为节点，以每两个所述侧面特征向量之间的余弦距离作为节点与节点之间的关联，使用图神经网络进行编码，继而通过波函数表征聚合得到包含各个节点的相似度的全局表面均匀性特征表示，以此来提高分类的精度，进而提高缓释增效剂最终的成型质量。

Claims (10)

1.一种具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，包括：图像采集模块，用于获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；局部视角特征提取模块，用于将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；不同视角比较模块，用于计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；二维结构化模块，用于将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；图结构数据编码模块，用于将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；特征分布校正模块，用于基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及包覆效果判断模块，用于将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
2.根据权利要求1所述的具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，所述局部视角特征提取模块，使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个侧面表面状态特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像。
3.根据权利要求2所述的具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，所述不同视角比较模块，进一步用于：以如下公式来计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到多个余弦距离；其中，所述公式为：
Figure 525988DEST_PATH_IMAGE001
其中
Figure 625400DEST_PATH_IMAGE002
和
Figure 527497DEST_PATH_IMAGE003
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量，
Figure 821206DEST_PATH_IMAGE004
和
Figure 175964DEST_PATH_IMAGE005
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量的各个位置的特征值，
Figure 564220DEST_PATH_IMAGE006
表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离；以及将所述多个余弦距离二维排列为所述余弦距离矩阵。
4.根据权利要求3所述的具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，在所述图结构数据编码模块中，所述图神经网络通过可学习的神经网络参数来对所述全局表面状态特征矩阵和所述余弦距离矩阵进行处理以得到包含不同侧面图像之间的相似度特征和各个侧面图像的图像特征的所述拓扑全局表面状态特征矩阵。
5.据权利要求4所述的具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，所述特征分布校正模块，进一步用于：基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，以如下公式对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到所述校正后拓扑全局表面状态特征矩阵；
其中，所述公式为：
Figure 570091DEST_PATH_IMAGE007
其中
Figure 283970DEST_PATH_IMAGE008
表示所述拓扑全局表面状态特征矩阵，
Figure 611177DEST_PATH_IMAGE009
表示所述拓扑全局表面状态特征矩阵的最大特征值的倒数，
Figure 803124DEST_PATH_IMAGE010
表示所述校正后拓扑全局表面状态特征矩阵，
Figure 414234DEST_PATH_IMAGE011
表示按位置点乘。
6.根据权利要求5所述的具有机器视觉的用于增效剂内核的智能涂覆系统，其特征在于，所述包覆效果判断模块，包括：展开单元，用于将所述校正后拓扑全局表面状态特征矩阵沿着行向量或列向量展开为一维的分类特征向量；全连接编码单元，用于将所述分类特征向量输入所述分类器的至少一个全连接层以得到编码分类特征向量；分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种具有机器视觉的用于增效剂内核的智能涂覆方法，其特征在于，包括：获取由多个摄像头从不同拍摄视角采集的涂覆有硝化抑制剂的内核的多个侧面图像；将所述涂覆有硝化抑制剂的内核的多个侧面图像中各个侧面图像分别通过作为过滤器的第一卷积神经网络模型以得到多个侧面表面状态特征向量；计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵；将所述多个侧面表面状态特征向量进行二维排列以得到全局表面状态特征矩阵；将所述全局表面状态特征矩阵和所述余弦距离矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵；以及将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示硝化抑制剂涂覆于内核的涂覆均匀度是否满足预定标准。
8.根据权利要求7所述的具有机器视觉的用于增效剂内核的智能涂覆方法，其特征在于，所述计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到余弦距离矩阵，包括：以如下公式来计算所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离以得到多个余弦距离；其中，所述公式为：
Figure 282701DEST_PATH_IMAGE012
其中
Figure 346472DEST_PATH_IMAGE013
和
Figure 342110DEST_PATH_IMAGE014
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量，
Figure 558459DEST_PATH_IMAGE015
和
Figure 348560DEST_PATH_IMAGE016
分别表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量的各个位置的特征值，
Figure 148895DEST_PATH_IMAGE017
表示所述多个侧面表面状态特征向量中每两个侧面表面状态特征向量之间的余弦距离；以及将所述多个余弦距离进行二维排列为所述余弦距离矩阵。
9.根据权利要求8所述的具有机器视觉的用于增效剂内核的智能涂覆方法，其特征在于，所述图神经网络通过可学习的神经网络参数来对所述全局表面状态特征矩阵和所述余弦距离矩阵进行处理以得到包含不同侧面图像之间的相似度特征和各个侧面图像的图像特征的所述拓扑全局表面状态特征矩阵。
10.根据权利要求9所述的具有机器视觉的用于增效剂内核的智能涂覆方法，其特征在于，基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到校正后拓扑全局表面状态特征矩阵，包括：基于所述拓扑全局表面状态特征矩阵的最大特征值的倒数，以如下公式对所述拓扑全局表面状态特征矩阵中各个位置的特征值进行波函数表征聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure 948224DEST_PATH_IMAGE018
其中
Figure 268347DEST_PATH_IMAGE019
表示所述拓扑全局表面状态特征矩阵，
Figure 980082DEST_PATH_IMAGE020
表示所述拓扑全局表面状态特征矩阵的最大特征值的倒数，
Figure 18445DEST_PATH_IMAGE021
表示所述校正后拓扑全局表面状态特征矩阵，
Figure 355886DEST_PATH_IMAGE022
表示按位置点乘。
CN202211496008.2A 2022-11-28 2022-11-28 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法 Active CN115546501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211496008.2A CN115546501B (zh) 2022-11-28 2022-11-28 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211496008.2A CN115546501B (zh) 2022-11-28 2022-11-28 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法

Publications (2)

Publication Number Publication Date
CN115546501A CN115546501A (zh) 2022-12-30
CN115546501B true CN115546501B (zh) 2023-02-21

Family

ID=84721788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211496008.2A Active CN115546501B (zh) 2022-11-28 2022-11-28 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法

Country Status (1)

Country Link
CN (1) CN115546501B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116201316B (zh) * 2023-04-27 2023-07-07 佛山市佳密特防水材料有限公司 大规格瓷砖的密缝铺贴方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108982546A (zh) * 2018-08-29 2018-12-11 燕山大学 一种智能机器人涂胶质量检测系统及方法
CN111440027A (zh) * 2020-05-27 2020-07-24 深圳市芭田生态工程股份有限公司 缓释肥用涂覆材料、缓释肥料及其制备方法
CN114612450A (zh) * 2022-03-17 2022-06-10 无锡东如科技有限公司 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN115304208A (zh) * 2022-06-15 2022-11-08 中煤科工集团杭州研究院有限公司 一种乳化炸药生产废水处理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11591276B2 (en) * 2018-09-09 2023-02-28 Cotex Technologies Inc. System and method for manufacturing polymer coated controlled release fertilizers
US20210106009A1 (en) * 2019-10-12 2021-04-15 Bao Q. Tran Agricultural microbial coating

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108982546A (zh) * 2018-08-29 2018-12-11 燕山大学 一种智能机器人涂胶质量检测系统及方法
CN111440027A (zh) * 2020-05-27 2020-07-24 深圳市芭田生态工程股份有限公司 缓释肥用涂覆材料、缓释肥料及其制备方法
CN114612450A (zh) * 2022-03-17 2022-06-10 无锡东如科技有限公司 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN115304208A (zh) * 2022-06-15 2022-11-08 中煤科工集团杭州研究院有限公司 一种乳化炸药生产废水处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning graph edit distance by graph neural networks;Pau Riba等;《Pattern Recognition》;20220702;全文 *
冷喷涂铜复合涂层制备技术及其防腐防污性能研究;丁锐;《中国优秀博士学位论文全文数据库工程科技II辑》;20150215;全文 *

Also Published As

Publication number Publication date
CN115546501A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN109165682B (zh) 一种融合深度特征和显著性特征的遥感图像场景分类方法
CN115546501B (zh) 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法
CN112288770A (zh) 基于深度学习的视频实时多目标检测与跟踪方法和装置
CN111626184B (zh) 一种人群密度估计方法及系统
CN105549009B (zh) 一种基于超像素的sar图像cfar目标检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN105046714A (zh) 一种非监督的基于超像素和目标发现机制的图像分割方法
CN110503113B (zh) 一种基于低秩矩阵恢复的图像显著性目标检测方法
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
US9430850B1 (en) System and method for object dimension estimation using 3D models
CN112580434A (zh) 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备
CN114743273A (zh) 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统
Krauße et al. Towards a more representative parametrisation of hydrologic models via synthesizing the strengths of Particle Swarm Optimisation and Robust Parameter Estimation
CN116994144A (zh) 基于合成孔径雷达图像的高分辨率冬小麦产量估算方法、系统、存储介质及电子设备
Kim et al. A multi-class classification approach for target localization in wireless sensor networks
CN108834043B (zh) 基于先验知识的压缩感知多目标无源定位方法
Flewelling et al. Information theoretic weighting for robust star centroiding
Pascal et al. Scale-free texture segmentation: Expert feature-based versus deep learning strategies
CN112862002A (zh) 多尺度目标检测模型的训练方法、目标检测方法和装置
Zhan et al. SMC-PHD based multi-target track-before-detect with nonstandard point observations model
CN113538573B (zh) 服饰关键点定位方法、装置、电子设备及计算机存储介质
CN114419453B (zh) 一种基于电磁散射特征与拓扑构型的群目标检测方法
Qu Research on image segmentation algorithm based on fuzzy clustering
Van Meirvenne et al. Afbakening van de fosfaatverzadigde gebieden in Vlaanderen op basis van een kritische fosfaatverzadigingsgraad van 35%
CN117611833A (zh) 点刻码模块提取方法、装置、存储介质及计算机设备

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