CN115855942A - 一种萃取液图像采集与色度检测分析装置及方法 - Google Patents
一种萃取液图像采集与色度检测分析装置及方法 Download PDFInfo
- Publication number
- CN115855942A CN115855942A CN202211591357.2A CN202211591357A CN115855942A CN 115855942 A CN115855942 A CN 115855942A CN 202211591357 A CN202211591357 A CN 202211591357A CN 115855942 A CN115855942 A CN 115855942A
- Authority
- CN
- China
- Prior art keywords
- extraction liquid
- card
- chromaticity
- image
- extraction
- 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.)
- Pending
Links
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及一种萃取液图像采集与色度检测分析装置,该装置包括由混合相、有机相和水相三个仓室构成的萃取槽、萃取液色度分析系统工作站以及置于防爆密封箱内的流通杯、工业环形照明光源和卡片双目摄像机。萃取槽的仓室一侧侧壁设有采样泵管,采样泵管经萃取槽与流通杯的上部进液孔连接;流通杯的下部设有萃取液回流泵管,萃取液回流泵管穿过防爆密封箱与萃取槽相通;流通杯的顶部设有气压平衡管;流通杯分别与工业环形照明光源和卡片双目摄像机之间设有间隙,且卡片双目摄像机经工业网络交换机和千兆网络与萃取液色度分析系统工作站相连。同时,本发明还公开了该萃取液图像采集与色度检测分析方法。本发明快速、准确,可实现在线自动检测与校正。
Description
技术领域
本发明涉及萃取生产流程色度检测领域,尤其涉及一种萃取液图像采集与色度检测分析装置及方法。
背景技术
萃取与反萃是一种传统而又古老的经典冶金富集分离方法,各级萃取槽之间通过槽液位高差实现料液充分混合、传递和输送,高效而又简单,广泛应用于有色及稀散金属提炼过程。由于萃取作业在高温、高湿、有腐蚀性及有机多相不相溶等复杂工况下进行,导致国内外湿法萃取生产企业的自动化水平偏低,仅采用PID控制器实现了基本回路的自动控制,且由于现场环境复杂、维护量大等原因,对在线检测仪表的稳定性、可靠性提出了很高的要求。
在湿法冶金萃取生产工艺这一过程中,萃取液金属离子的浓度影响着萃取过程的进度和精度,长期以来是由人工凭经验观察或离线分析仪器,通过对萃取液色度来判断离子浓度的变化。在离线分析仪器中,比较常用的分光光度法是利用溶液的吸光度来实现溶液色度测定的。该方法可重复性好、检测精度高,主要用于技术装备精良、检测人员素质相对较高的检测中心或实验室。但该方法检测步骤繁琐,不能进行快速测定。
发明内容
本发明所要解决的技术问题是提供一种快速、准确、实现在线自动检测与校正的萃取生产工艺中的萃取液图像采集处理装置。
本发明所要解决的另一个技术问题是提供该萃取生产工艺中的萃取液图像采集处理装置的处理方法。
为解决上述问题,本发明所述的一种萃取液图像采集与色度检测分析装置,其特征在于:该装置包括由混合相、有机相和水相三个仓室构成的萃取槽、萃取液色度分析系统工作站以及置于防爆密封箱内的流通杯、工业环形照明光源和卡片双目摄像机;所述萃取槽的仓室一侧侧壁设有采样泵管,该采样泵管经所述萃取槽的上部与所述流通杯的上部进液孔连接;所述流通杯的下部设有萃取液回流泵管,该萃取液回流泵管穿过所述防爆密封箱与所述萃取槽相通;所述流通杯的顶部设有气压平衡管;所述流通杯分别与所述工业环形照明光源和所述卡片双目摄像机之间设有间隙,且所述卡片双目摄像机经工业网络交换机和千兆网络与所述萃取液色度分析系统工作站相连。
所述防爆密封箱内设有托盘支架,该托盘支架上固定有所述流通杯。
所述防爆密封箱外观为长方体,外观尺寸规格为长35cm、宽35cm、高25cm。
所述流通杯为圆柱形或近似圆柱形,直径为120mm,其材质为高透明石英。
所述采样泵管上设有蠕动泵。
所述萃取液回流泵管上设有调节阀;
所述流通杯分别与所述工业环形照明光源和所述卡片双目摄像机之间的间隙距离为100mm。
所述卡片双目摄像机采用螺栓紧固的方式安装并固定在在所述防爆密封箱的侧壁中部,该卡片双目摄像机的外侧安装有所述工业环形照明光源,两者中心与所述流通杯的上下中心保持在统一高度,间距10cm。
所述卡片双目摄像机获取的图像采用RGB三通道彩色图像模式。
一种萃取液图像采集与色度检测分析方法,包括以下步骤:
⑴来自萃取槽的萃取液由采样泵管经蠕动泵引流至防爆密封箱内的流通杯,同时调节萃取液回流泵管上的调节阀开度,使得进出流通杯的萃取液流量一致,保持流通杯的液面基本不变;
⑵通过工业环形照明光源对防爆密封箱内流通杯的萃取液进行补光,卡片双目摄像机对流通杯内萃取液视频监控成像;
⑶根据卡片双目摄像机实时采集的RGB色彩空间图像作为原始辨识数据,并以连续时间抓取包含萃取液色度信息的ROI区域图像作为该时间段的色度分析图像,然后进行图像预处理,获得摄像机识别萃取液色度的结果;
⑷将标准色卡垂直放置于流通杯的固定位置处,通过卡片双目摄像机和萃取液色度分析系统工作站处理程序,采用所述步骤⑶的图像处理方法,获得每张色卡色度的计算机测量值;通过标准色差仪采集对应色卡多个点位的色度值,取其平均值后得到该色卡色度的标准值;
⑸按照所述步骤⑷的方式获取1000张以上的不同颜色色卡的计算机识别数据与色差仪测量数据构成的数据集,将其作为BP网络色度校正模型的训练数据;
⑹根据所述步骤⑸获得的数据集,建立萃取液BP网络色度校正模型,该BP网络由多层神经元组成,采用误差反向传播算法,第一层为输入层,最后一层为输出层,中间层为2层隐含层;
⑺利用所构建的BP网络色度校正模型对卡片双目摄像机获取的萃取液色度值进行校正,得到去除环境干扰后的萃取液色度值。
所述步骤⑶中图像预处理按下述方法进行:
①将RGB色彩空间图像通过下式转化为Lab色彩空间图像:
式中:
其中,[R,G,B]为原始输入图像RGB颜色空间色彩分量;[X,Y,Z]为中间颜色空间XYZ颜色空间色彩分量;[L,a,b]为输出的Lab颜色空间色彩分量结果;
②对ROI区域进行高斯滤波,采用零均值离散高斯滤波器函数,对图像每个像素点三个通道分别进行卷积操作,该函数表达式为:
式中:k为高斯卷积核参数,对应核大小为(2 k+1)×(2 k+1);σ为方差;i、j为像素点坐标;e为常数,e=2.71828;
③高斯滤波后得到去噪图像,使用K均值聚类算法对图像进行分割;簇类距离采用欧几里得距离,评价聚类性能的误差平方和准则函数为:
式中:E是样本数据集中所有数据的误差平方和;k1为聚类簇类种数,x j 是样本集中某个数据;S i 代表归属i类的样本数据集合;m i 代表S i 的均值;
④将簇类中点数最多的一类S max 令为有效像素集,统计该簇类内色度平均值作为最终卡片双目摄像机识别萃取液色度的结果,计算方式为:
所述步骤⑹中萃取液BP网络色度校正模型按下述方法建立:
令输入为所述图像预处理中簇类S max 色度平均值,称其为原始值;输出为BP网络色度校正模型校正后的萃取液色度值,称其为校正值;学习率为0.01~0.05,2层隐含层的节点数范围分别为[35~45, 35~45],激活函数均为Sigmoid;
所述BP网络色度校正模型表达式为
式中
本发明与现有技术相比具有以下优点:
1、本发明将图像处理技术与BP(back propagation)反向传播神经网络相结合,通过实际的视频信号自动实现萃取特性信息提取的目的。
2、本发明采用蠕动泵经采样导管将萃取槽内的萃取液引流至防爆密封箱内的流通杯中,由工业照明光源进行补光,卡片双目摄像机实时采集流通杯萃取液RGB色彩空间图像作为原始辨识数据,并以连续时间抓取包含萃取液色度信息的ROI区域图像作为该时间段的萃取液色度分析样本。在此基础上,经图像预处理,获得摄像机识别萃取液色度的结果。
3、为提高色度在线测量精度,本发明所提出的模型通过卡片双目摄像机获取不同颜色色卡的计算机识别数据与色差仪测量数据构建BP网络色度校正模型的训练样本数据集。利用所构建的BP网络色度校正模型对卡片双目摄像机获取的萃取液色度值进行校正,得到去除环境干扰后的萃取液色度值,从而实现对萃取生产工艺系统萃取液色度的在线自动检测与校正。
4、本发明快速、准确。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明装置的结构示意图。
图中:1—萃取槽;2—采样泵管;3—蠕动泵;4—流通杯;5—防爆密封箱;6—气压平衡管;7—工业环形照明光源;8—卡片双目摄像机;9—调节阀;10—萃取液回流泵管;11—千兆网络;12—工业网络交换机;13—萃取液色度分析系统工作站。
图2为本发明中BP前馈神经网络拓扑结构图。
图3为本发明实施例卡片双目摄像机采集画面。
图4为本发明实施例滤波后ROI画面。
图5为本发明实施例ROI区域在K-means算法聚类后分类示意图。
图6为本发明实施例色卡采样示意图。
图7为本发明实施例3nh标准色差仪SC-10。
具体实施方式
如图1所示,一种萃取液图像采集与色度检测分析装置,该装置包括由混合相、有机相和水相三个仓室构成的萃取槽1、萃取液色度分析系统工作站13以及置于防爆密封箱5内的流通杯4、工业环形照明光源7和卡片双目摄像机8。
萃取槽1的仓室一侧侧壁设有采样泵管2,该采样泵管2经萃取槽1的上部与流通杯4的上部进液孔连接;流通杯4的下部设有萃取液回流泵管10,该萃取液回流泵管10穿过防爆密封箱5与萃取槽1相通,将检测分析后的萃取液回流至原萃取槽1内。流通杯4的顶部设有气压平衡管6;流通杯4分别与工业环形照明光源7和卡片双目摄像机8之间设有间隙,且卡片双目摄像机8经工业网络交换机12和千兆网络11与萃取液色度分析系统工作站13相连。
其中:防爆密封箱5内设有托盘支架,该托盘支架上固定有流通杯4。
防爆密封箱5外观为长方体,外观尺寸规格为长35cm、宽35cm、高25cm。
流通杯4为圆柱形或近似圆柱形,直径为120mm,其材质为高透明石英。
采样泵管2上设有蠕动泵3。
萃取液回流泵管10上设有调节阀9。为保持流通杯内液面基本稳定,通过调整萃取液回流泵管10上的调节阀9开度,实现进出液流量平衡。
流通杯4分别与工业环形照明光源7和卡片双目摄像机8之间的间隙距离为100mm。
卡片双目摄像机8采用螺栓紧固的方式安装并固定在在防爆密封箱5的侧壁中部,该卡片双目摄像机8的外侧安装有工业环形照明光源7,两者中心与流通杯4的上下中心保持在统一高度,间距10cm。
卡片双目摄像机8获取的图像采用RGB三通道彩色图像模式,此做法是为了排除外界光线等因素影响,能有效控制摄像机观察环境。画面流实时传输至工作站13。
一种萃取液图像采集与色度检测分析方法,包括以下步骤:
⑴来自萃取槽1的萃取液由采样泵管2经蠕动泵3引流至防爆密封箱5内的流通杯4,同时调节萃取液回流泵管10上的调节阀9开度,使得进出流通杯4的萃取液流量一致,保持流通杯4的液面基本不变。
⑵通过工业环形照明光源7对防爆密封箱5内流通杯4的萃取液进行补光,卡片双目摄像机8对流通杯4内萃取液视频监控成像。
⑶根据卡片双目摄像机8实时采集的RGB色彩空间图像作为原始辨识数据,并以连续时间抓取包含萃取液色度信息的ROI区域图像作为该时间段的色度分析图像,然后进行图像预处理,获得摄像机识别萃取液色度的结果。
图像预处理按下述方法进行:
①将RGB色彩空间图像通过下式转化为Lab色彩空间图像:
式中:
其中,[R,G,B]为原始输入图像RGB颜色空间色彩分量;[X,Y,Z]为中间颜色空间XYZ颜色空间色彩分量;[L,a,b]为输出的Lab颜色空间色彩分量结果。
②对ROI区域进行高斯滤波,采用零均值离散高斯滤波器函数,对图像每个像素点三个通道分别进行卷积操作,该函数表达式为:
式中:k为高斯卷积核参数,对应核大小为(2 k+1)×(2 k+1);σ为方差;i、j为像素点坐标;e为常数,e=2.71828。
③高斯滤波后得到去噪图像,使用K均值聚类算法对图像进行分割;簇类距离采用欧几里得距离,评价聚类性能的误差平方和准则函数为:
式中:E是样本数据集中所有数据的误差平方和;k1为聚类簇类种数,x j 是样本集中某个数据;S i 代表归属i类的样本数据集合;m i 代表S i 的均值。
本发明K-means算法步骤如下:
ⅰ 设置k值取值范围Range集合,令当前k值为左边界,选择初始化的 k 个样本作为初始聚类中心S=S 1,S 2…S k;
ⅱ 针对数据集中每个样本x j 计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;
ⅳ 重复上面ⅱ,ⅲ两步操作,直到达到某个中止条件,如:达到最大迭代次数或最小误差变化低于阈值。
ⅴ 记录当前k值下聚类性能的误差平方和准则函数E k ,增大k值,重复步骤ⅰ~ⅴ直到k值达到Range右边界;
ⅵ 采用手肘法选择拐点处k值为最终的k值,其满足
④将簇类中点数最多的一类S max 令为有效像素集,统计该簇类内色度平均值作为最终卡片双目摄像机(8)识别萃取液色度的结果,计算方式为:
⑷将标准色卡垂直放置于流通杯4的固定位置处,通过卡片双目摄像机8和萃取液色度分析系统工作站13处理程序,采用步骤⑶的图像处理方法,获得每张色卡色度的计算机测量值;通过标准色差仪采集对应色卡多个点位的色度值,取其平均值后得到该色卡色度的标准值。
⑸按照步骤⑷的方式获取1000张以上的不同颜色色卡的计算机识别数据与色差仪测量数据构成的数据集,将其作为BP网络色度校正模型的训练数据。
⑹根据步骤⑸获得的数据集,建立萃取液BP网络色度校正模型,该BP网络由多层神经元组成,采用误差反向传播算法,第一层为输入层,最后一层为输出层,中间层为2层隐含层,其网络结构如图2所示。
萃取液BP网络色度校正模型按下述方法建立:
令输入为所述图像预处理中簇类S max 色度平均值,称其为原始值;输出为BP网络色度校正模型校正后的萃取液色度值,称其为校正值;学习率为0.01~0.05,2层隐含层的节点数范围分别为[35~45, 35~45],激活函数均为Sigmoid;
BP网络色度校正模型表达式为
式中
以隐含层的第i个神经元为例,本发明BP算法具体流程如下:
ⅰ 设定隐含层个数p 1、p 2,学习率a,随机初始化网络各节点权值和偏差;
ⅱ 若有N个训练样本,取其中第n个样本输出输入对网络进行训练,隐含层第一层输出为:
式中:为第n个样本的第k个输入值,/>为第n个样本输入时,隐含层第i个节点的输出,v ki 为输入层第k个节点到隐含层第i个节点的权值,/>为隐含层第i个节点的偏置,为该层隐含层激活函数Sigmoid;
ⅲ 同理可得隐含层第二层输出:
式中:为第n个样本输入时上一层的第k个输入值,/>为第n个样本输入时,当前层第i个节点的输出,u ki 为上一层第k个节点到当前层第i个节点的权值,/>为当前层第i个节点的偏置,/>为该层隐含层激活函数Sigmoid;
ⅳ 输出层输出为:
ⅴ BP 网络对所有的N个样本的总误差函数为:
ⅶ 权值和偏置更新:
ⅷ 转入第n+1个样本的训练,回到第ⅱ步,继续更新,直到达到停止条件。
使用根均方差指标作为评判模型好坏的标准,其计算公式为:
其中:N为模型训练样本总数,x i 为第i个样本的输入列向量,net(x i )为模型预测输出列向量,y i 为第i个样本的实际输出列向量。公式中求和部分为模型预测输出色度点位与样本实际色度点位在Lab色度空间内的欧式距离,求其均值作为最终的指标值。由上式可知,RMSE_lab值越低,总体上模型校正性能就越好。
由于模型输出维度为3,存在三个不同的色彩通道,因此,对于模型性能的考量,需对每个单独色彩通道设立指标,参考RMSE_lab指标值,可得到三个色彩通道指标计算公式:
⑺利用所构建的BP网络色度校正模型对卡片双目摄像机8获取的萃取液色度值进行校正,得到去除环境干扰后的萃取液色度值,从而实现对萃取生产工艺系统萃取液色度的在线自动检测与校正。
实施例 以某工厂萃取系统为例。
1、先实时采集图像作为原始辨识数据,连续抓取包含萃取液色度信息的ROI区域图像,作为该时间段的色度分析图像,并进行图像预处理。采用如下步骤:
1) 搭建如图1~2所示图像采集环境,设置卡片双目摄像机8的画面分辨率1280*1080,采用RGB三通道彩色图像模式,ROI区域为435*500像素分辨率大小,如图3所示。
2) 对ROI区域进行高斯滤波,对图像每个像素点三个通道分别进行卷积操作,设置高斯卷积核大小为3×3,方差σ=1,如图4所示。
3) 高斯滤波后得到去噪图像,使用K均值聚类算法(K-means)对图像进行分割,设置算法k=2。得到如图5所示的绿色区域簇类为有效像素集,统计该簇类内色度平均值并将其转化为Lab颜色空间,Lab值分别为[42.12,-16.38,8.15]。
4) 基于以上步骤,使用标准色卡进行前述BP神经网络训练数据的采集。令本次指定采集色卡为下图“中国红”色样,如图6所示。将其竖直放置于溶液玻璃杯前,选取ROI区域后采得摄像机识别Lab色度相对值为[42.54,45.81,15.89]。
5) 使用图7所示标准色差仪对该点位标准色卡进行多次采集,得到上中下三个点位色度值如表1所示,平均计算得到Lab色度绝对值为:[48.91,41.31,24.56]。
表1 标准色卡色度值采集表
6) 搭建BP网络色度校正模型,抽取全部数据中的100组数据作为前述BP网络的测试集,其余950组作为网络的训练集,采用十折交叉验证方法。使用网格训练方法调节超参数。最终设置学习率为0.05,网络隐含层为两层,激活函数均设置为Sigmoid,节点数为[45,45]。根据以上方法得到网络模型,并以步骤4)中“中国红”色卡块为例,得到基于BP网络色度校正模型的色度校正结果如表2、表3所示:
表2 “中国红”色卡色度校正结果
表3 BP网络色度校正模型训练集、测试集与“中国红”色卡校正结果指标
由表3可知,摄像机获取的色度值受环境影响大,与真实色度值偏差较大,而经BP网络色度校正模型校正后的偏差较小,因此,可以利用此模型快速准确地获取色度信息。
7) BP网络色度校正模型输出的图4所示溶液的色度值如表4所示:
表4 图4溶液颜色色度识别结果
Claims (12)
1.一种萃取液图像采集与色度检测分析装置,其特征在于:该装置包括由混合相、有机相和水相三个仓室构成的萃取槽(1)、萃取液色度分析系统工作站(13)以及置于防爆密封箱(5)内的流通杯(4)、工业环形照明光源(7)和卡片双目摄像机(8);所述萃取槽(1)的仓室一侧侧壁设有采样泵管(2),该采样泵管(2)经所述萃取槽(1)的上部与所述流通杯(4)的上部进液孔连接;所述流通杯(4)的下部设有萃取液回流泵管(10),该萃取液回流泵管(10)穿过所述防爆密封箱(5)与所述萃取槽(1)相通;所述流通杯(4)的顶部设有气压平衡管(6);所述流通杯(4)分别与所述工业环形照明光源(7)和所述卡片双目摄像机(8)之间设有间隙,且所述卡片双目摄像机(8)经工业网络交换机(12)和千兆网络(11)与所述萃取液色度分析系统工作站(13)相连。
2.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述防爆密封箱(5)内设有托盘支架,该托盘支架上固定有所述流通杯(4)。
3.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述防爆密封箱(5)外观为长方体,外观尺寸规格为长35cm、宽35cm、高25cm。
4.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述流通杯(4)为圆柱形或近似圆柱形,直径为120mm,其材质为高透明石英。
5.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述采样泵管(2)上设有蠕动泵(3)。
6.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述萃取液回流泵管(10)上设有调节阀(9)。
7.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述流通杯(4)分别与所述工业环形照明光源(7)和所述卡片双目摄像机(8)之间的间隙距离为100mm。
8.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述卡片双目摄像机(8)采用螺栓紧固的方式安装并固定在在所述防爆密封箱(5)的侧壁中部,该卡片双目摄像机(8)的外侧安装有所述工业环形照明光源(7),两者中心与所述流通杯(4)的上下中心保持在统一高度,间距10cm。
9.如权利要求1所述的一种萃取液图像采集与色度检测分析装置,其特征在于:所述卡片双目摄像机(8)获取的图像采用RGB三通道彩色图像模式。
10.一种萃取液图像采集与色度检测分析方法,包括以下步骤:
⑴来自萃取槽(1)的萃取液由采样泵管(2)经蠕动泵(3)引流至防爆密封箱(5)内的流通杯(4),同时调节萃取液回流泵管(10)上的调节阀(9)开度,使得进出流通杯(4)的萃取液流量一致,保持流通杯(4)的液面基本不变;
⑵通过工业环形照明光源(7)对防爆密封箱(5)内流通杯(4)的萃取液进行补光,卡片双目摄像机(8)对流通杯(4)内萃取液视频监控成像;
⑶根据卡片双目摄像机(8)实时采集的RGB色彩空间图像作为原始辨识数据,并以连续时间抓取包含萃取液色度信息的ROI区域图像作为该时间段的色度分析图像,然后进行图像预处理,获得摄像机识别萃取液色度的结果;
⑷将标准色卡垂直放置于流通杯(4)的固定位置处,通过卡片双目摄像机(8)和萃取液色度分析系统工作站(13)处理程序,采用所述步骤⑶的图像处理方法,获得每张色卡色度的计算机测量值;通过标准色差仪采集对应色卡多个点位的色度值,取其平均值后得到该色卡色度的标准值;
⑸按照所述步骤⑷的方式获取1000张以上的不同颜色色卡的计算机识别数据与色差仪测量数据构成的数据集,将其作为BP网络色度校正模型的训练数据;
⑹根据所述步骤⑸获得的数据集,建立萃取液BP网络色度校正模型,该BP网络由多层神经元组成,采用误差反向传播算法,第一层为输入层,最后一层为输出层,中间层为2层隐含层;
⑺利用所构建的BP网络色度校正模型对卡片双目摄像机(8)获取的萃取液色度值进行校正,得到去除环境干扰后的萃取液色度值。
11.如权利要求10所述的一种萃取液图像采集与色度检测分析方法,其特征在于:所述步骤⑶中图像预处理按下述方法进行:
①将RGB色彩空间图像通过下式转化为Lab色彩空间图像:
式中:
其中,[R,G,B]为原始输入图像RGB颜色空间色彩分量;[X,Y,Z]为中间颜色空间XYZ颜色空间色彩分量;[L,a,b]为输出的Lab颜色空间色彩分量结果;
②对ROI区域进行高斯滤波,采用零均值离散高斯滤波器函数,对图像每个像素点三个通道分别进行卷积操作,该函数表达式为:
式中:k为高斯卷积核参数,对应核大小为(2 k+1)×(2 k+1);σ为方差;i、j为像素点坐标;e为常数,e=2.71828;
③高斯滤波后得到去噪图像,使用K均值聚类算法对图像进行分割;簇类距离采用欧几里得距离,评价聚类性能的误差平方和准则函数为:
式中:E是样本数据集中所有数据的误差平方和;k1为聚类簇类种数,x j 是样本集中某个数据;S i 代表归属i类的样本数据集合;m i 代表S i 的均值;
④将簇类中点数最多的一类S max 令为有效像素集,统计该簇类内色度平均值作为最终卡片双目摄像机(8)识别萃取液色度的结果,计算方式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211591357.2A CN115855942A (zh) | 2022-12-12 | 2022-12-12 | 一种萃取液图像采集与色度检测分析装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211591357.2A CN115855942A (zh) | 2022-12-12 | 2022-12-12 | 一种萃取液图像采集与色度检测分析装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115855942A true CN115855942A (zh) | 2023-03-28 |
Family
ID=85672190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211591357.2A Pending CN115855942A (zh) | 2022-12-12 | 2022-12-12 | 一种萃取液图像采集与色度检测分析装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115855942A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116099230A (zh) * | 2023-04-12 | 2023-05-12 | 华南理工大学 | 基于物联网的智能超声萃取装置 |
CN116593408A (zh) * | 2023-07-19 | 2023-08-15 | 四川亿欣新材料有限公司 | 一种重质碳酸钙粉体色度检测方法 |
-
2022
- 2022-12-12 CN CN202211591357.2A patent/CN115855942A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116099230A (zh) * | 2023-04-12 | 2023-05-12 | 华南理工大学 | 基于物联网的智能超声萃取装置 |
CN116099230B (zh) * | 2023-04-12 | 2023-07-07 | 华南理工大学 | 基于物联网的智能超声萃取装置 |
CN116593408A (zh) * | 2023-07-19 | 2023-08-15 | 四川亿欣新材料有限公司 | 一种重质碳酸钙粉体色度检测方法 |
CN116593408B (zh) * | 2023-07-19 | 2023-10-17 | 四川亿欣新材料有限公司 | 一种重质碳酸钙粉体色度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115855942A (zh) | 一种萃取液图像采集与色度检测分析装置及方法 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
WO2023284341A1 (zh) | 一种基于深度学习、上下文相关的尿液有形成分检测方法 | |
CN107328776B (zh) | 一种免疫层析试纸卡的快速检测方法 | |
US5911002A (en) | Pattern recognition system | |
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN103984979B (zh) | 无透镜衍射成像的藻类自动检测计数装置及方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN109684938A (zh) | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN113554638A (zh) | 一种芯片表面缺陷检测模型建立方法和系统 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN103954334A (zh) | 一种全自动摄像式水表检定系统及其工作方法 | |
CN114943917A (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
CN113610035A (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN116805204A (zh) | 一种智慧厂务监控方法及系统 | |
CN111492065A (zh) | 一种鉴别细菌革兰氏类型的系统和方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN112132088A (zh) | 一种巡检点位漏巡识别方法 | |
CN114720425B (zh) | 一种基于图像识别的能见度监测系统及方法 | |
CN114152557B (zh) | 基于图像分析的血细胞计数方法和系统 | |
CN107016401B (zh) | 一种基于数码相机图像的水稻冠层识别方法 |
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 |