CN116773520A - 基于图像分割算法的料液雾化状况检测方法 - Google Patents
基于图像分割算法的料液雾化状况检测方法 Download PDFInfo
- Publication number
- CN116773520A CN116773520A CN202310734198.5A CN202310734198A CN116773520A CN 116773520 A CN116773520 A CN 116773520A CN 202310734198 A CN202310734198 A CN 202310734198A CN 116773520 A CN116773520 A CN 116773520A
- Authority
- CN
- China
- Prior art keywords
- particle
- image
- particles
- uniformity
- atomization
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 238000009688 liquid atomisation Methods 0.000 title claims abstract description 15
- 238000003709 image segmentation Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 124
- 241000208125 Nicotiana Species 0.000 claims abstract description 54
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000000889 atomisation Methods 0.000 claims abstract description 30
- 239000007788 liquid Substances 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 26
- 239000000428 dust Substances 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000011077 uniformity evaluation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000003031 feeding effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000013599 spices Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
提供一种基于图像分割算法的料液雾化状况检测方法，通过在加香料滚筒内安装设有工业镜头的工业相机，为料液雾化状况的分析提供信息采集条件，将采集到的雾化颗粒视频通过逐帧分析提取相关雾化特征、进行算法分析，量化评价雾化效果，为持续优化过程工艺参数奠定了基础，提高烟叶加料效果，雾化均匀性反映雾化后液滴直径分布的大小以及不同直径的液滴在雾化区域内的分布情况，从而实现根据精确反馈的料液雾化状态来指导日常维修及操作。
Description
技术领域
本发明属于卷烟加工技术领域，具体涉及一种基于图像分割算法的料液雾化状况检测方法。
背景技术
卷烟加工过程中，烟叶加香加料是制丝过程中极其重要的环节，对卷烟口感有着直接的影响。而加香加料属特殊工序，加料时由于对雾化特性不能完全掌握，不利于日常生产的管理。目前检测喷嘴雾化状况的方法比较主观，导致检测差异性较大，不能精确反映料液雾化细微情况，造成物料吸收料液的差异化。在烟叶的加料过程中，液滴尺寸分布的均匀度关系着烟叶对料液的均匀吸收，从而对烟叶最终加料效果产生较大的影响。雾化均匀度反映着雾化后液滴直径分布的大小以及不同直径的液滴在雾化区域内的分布情况，有效的观测评价加料的雾化均匀性。为了精确反馈料液的雾化状态，从而指导日常维修及操作，需研究一种衡量料液雾化状况的检测方法。
发明内容
本发明解决的技术问题：提供一种基于图像分割算法的料液雾化状况检测方法，通过在加香料滚筒内安装设有工业镜头的工业相机，为料液雾化状况的分析提供信息采集条件，将采集到的雾化颗粒视频通过逐帧分析提取相关雾化特征、进行算法分析，量化评价雾化效果，为持续优化过程工艺参数奠定了基础，提高烟叶加料效果，雾化均匀性反映雾化后液滴直径分布的大小以及不同直径的液滴在雾化区域内的分布情况，从而实现根据精确反馈的料液雾化状态来指导日常维修及操作。
本发明采用的技术方案：基于图像分割算法的料液雾化状况检测方法，包括以下步骤：
1)图像的采集：在加香加料滚筒内部安装有用于采集喷嘴雾化颗粒视频图像信息的工业相机，且工业相机上安装有使光能量衰减到正常工作的光照强度的工业镜头，由工业相机采集喷嘴雾化颗粒的图像信息；
2)图像预处理：对工业相机采集的每个图像信息进行图像滤波去噪，用以去除图像上引起较强视觉效果的孤立像素点或像素块的图像噪声；再对去噪后的图形进行图像二值化处理，将烟叶与烟叶碎片粉尘分割出来；接着进行去除烟叶烟尘干扰处理，并对处理后的图片进行颗粒轮廓提取，最后进行单位像素精度计算，确定单位像素精度，即单位像素与实际刻度的比值；
3)根据颗粒轮廓提取到的每个颗粒的轮廓，计算颗粒的面积，再计算每个颗粒所占像素面积，即颗粒像素面积，根据计算的颗粒像素面积对图像中的颗粒划分为小颗粒、中颗粒、大颗粒三种种类，最后，根据单位像素精度和颗粒像素面积计算每个颗粒的实际大小，实现喷嘴喷出的雾化颗粒大小以及分布情况的分析；
4)均匀性评估：将步骤2)中预处理后的图片划分为3×3的9个区域，对划分的各区域内雾化的均匀度υ进行评价：
上式中，pi(i＝1～N)，为第i个区域内颗粒数量，为9个区域颗粒平均数量，N＝9为分割成的区域数量；
5)图片均匀性归一化处理：采用min-max标准化方法对所有视频中的每张图片计算出的均匀度υ进行归一化处理，具体处理公式如下：
上式中，Min为所有视频中所有帧图片中均匀度最小值，Max为所有视频内所有帧图片中均匀度最大值，x为当前图片的均匀度值；
通过归于化处理分析所有图片的均匀性，得到一个新序列x1，x2,...,xn∈[0,1]且无量纲，其中，n为新序列的个数，即图片数量，将新序列的数据乘以100，使其映射到0-100之间，实现各图片的均匀性评分；
7)确定变异系数cv：根据步骤5)中获得的新序列计算所有图片均匀性的标准偏差σ，具体计算公式如下：
上式中，为新序列的平均值；
再根据所有图片均匀性的标准偏差σ和图片均匀性的平均值μ计算变异系数cv，具体计算公式如下：
变异系数的取值范围为[0，+∞]，其中，变异系数越小，数据的变异程度越小且指标越稳定，反之，变异系数越大，数据的变异程度越大且数据波动越大，设定当变异系数大于100时，将其视为100，所以最后视频总体均匀性评分＝100-cv。
上述步骤1)中，所述工业相机采用PIV跨帧相机，所述工业镜头选用MVL-KF5024M-25MP工业镜头，所述工业相机设于喷嘴一侧，而光源安装在喷嘴的另一侧并相对工业相机设置。
上述步骤2)中，所述图像滤波去噪采用高斯滤波中的离散化窗口滑窗卷积处理方式，所述离散化窗口滑窗卷积处理方式中的卷积核为7×7。
上述步骤2)中，所述图像二值化处理中的灰度阈值为255，并将小于灰度阈值255的像素点进行分割并被排出在区域外，对区域内的像素进行灰度值取反处理后的图片采用局部自适应阈值法进行处理，并选用偏移值为7的调整量对自适应阈值法处理后的阈值进行调整，最终将取反图片中的细小颗粒分割出去。
上述步骤2)中，所述去除烟叶烟尘干扰一方面是通过设定阈值，去除连通性面积大于设定阈值的像素，从而实现去除烟叶、粉尘的干扰，其中，设定阈值为80；另一方面是使用色度阈值的方法排出烟叶粉尘的干扰。
进一步地，所述色度阈值法具体如下；
统计二值化图像中颗粒和烟叶的色度值，使用平均法来求取色度阈值，具体计算如下：
上述中，min烟叶色度和max颗粒色度分别为统计330张颗粒图片后获取的最小烟叶色度值和最大颗粒色度值；
根据求得的色度阈值T，将色度小于色度阈值T的烟叶去除，实现烟叶的与颗粒的区分。
上述步骤3)中，计算每个图片中相同颗粒粒度对应的颗粒数量占该图片中累计颗粒粒度的百分数，并根据计算的百分数划分颗粒种类，由于颗粒面积与颗粒粒度为正比例关系，因此，所述小颗粒、中颗粒、大颗粒的具体划分依据为：
小颗粒<3.5像素面积
3.5像素面积<中颗粒<13像素面积
13像素面积<大颗粒。
本发明与现有技术相比的优点：
1、本技术方案通过在加香料滚筒内安装设有工业镜头的工业相机，为料液雾化状况的分析提供高清信息的采集条件；
2、本技术方案将采集到的雾化颗粒视频通过逐帧分析提取相关雾化特征、进行算法分析，量化评价雾化效果，不仅实现了雾化颗粒实际大小的分析以及颗粒大小的分布，而且实现了雾化颗粒均匀性的评价，为持续优化过程工艺参数奠定了基础，提高烟叶加料效果；
3、本技术方案分析方法设计可靠，分析结果精准性高，雾化均匀性反映雾化后液滴直径分布的大小以及不同直径的液滴在雾化区域内的分布情况，从而实现根据精确反馈的料液雾化状态来指导日常维修及操作；
附图说明
图1为本发明流程框图；
图2为本发明粒度分布曲线图。
具体实施方式
下面将结合本发明实施例中的图1-2，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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于图像分割算法的料液雾化状况检测方法，包括以下步骤：
1)图像的采集：在加香加料滚筒内部安装有用于采集喷嘴雾化颗粒视频图像信息的工业相机，且工业相机上安装有使光能量衰减到正常工作的光照强度的工业镜头，由工业相机采集喷嘴雾化颗粒的图像信息；具体的，所述工业相机采用PIV跨帧相机，所述工业镜头选用MVL-KF5024M-25MP工业镜头，所述工业相机设于喷嘴一侧，而光源安装在喷嘴的另一侧并相对工业相机设置；
表1：跨帧相机2F162参数
表2：工业镜头MVL-KF5024M-25MP参数
2)图像预处理：对工业相机采集的每个图像信息进行图像滤波去噪，用以去除图像上引起较强视觉效果的孤立像素点或像素块的图像噪声；再对去噪后的图形进行图像二值化处理，将烟叶与烟叶碎片粉尘分割出来；接着进行去除烟叶烟尘干扰处理，并对处理后的图片进行颗粒轮廓提取，最后进行单位像素精度计算，确定单位像素精度，即单位像素与实际刻度的比值；
其中，所述图像滤波去噪采用高斯滤波中的离散化窗口滑窗卷积处理方式，所述离散化窗口滑窗卷积处理方式中的卷积核为7×7，通过对图片进行高斯处理，测试合适的卷积核大小后，较大的卷积核进行滤波操作可以有效地去除背景横条纹的噪声，但是当卷积核核越大，也会导致原图像中粒子变得模糊，为了在去除噪声和保持粒子清晰度上取得平衡，最终选择7×7的卷积核；
首先,采集的图像因光照不均匀等因素导致图像背景亮度不均匀,对图片直接二值化处理可能会损失部分有效特征，所以需要通过图像处理中的高斯滤波对图像进行平滑去噪，高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用，在实际场景中，通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声；
经过图像滤波去噪处理后，图片可满足图片有效信息提取，接下来对图片进行二值化处理，所述图像二值化处理中的灰度阈值为255，并将小于灰度阈值255的像素点进行分割并被排出在区域外，对区域内的像素进行灰度值取反处理后的图片采用局部自适应阈值法进行处理，并选用偏移值为7的调整量对自适应阈值法处理后的阈值进行调整，最终将取反图片中的细小颗粒分割出去；
在自适应阈值二值化算法中，需要给出计算的块大小(只能为奇数)，其意味着按着给定块的大小作为某一区域阈值计算的范围，块不能过大或者过小，一般情况下，滤波器宽度应该大于被识别物体的宽度，块太小，无法代表背景，太大的话会影响到临近物体，一般二值化使用21,31,41，经过统计分析，雾化颗粒的像素范围为1到30，于是设定块值为31；当偏移量值为5-9时，分割效果较为良好，其中，当偏移量逐步增大时，一些本身细小的颗粒可能不会被准确地分割出来，因此根据试验分析，为保证平衡分割效果和分割精度，选择偏移量为7；
由于相机工作环境所致，图像采集中会采集到烟尘和烟叶(途中出现了烟叶和部分烟叶碎片粉尘)，在经过上述图像二值化处理分割操作后，烟叶也会被分离出来，因此，对二值化处理后的图片进行去除烟叶烟尘干扰，所述去除烟叶烟尘干扰一方面是通过设定阈值，去除连通性面积大于设定阈值的像素，从而实现去除烟叶、粉尘的干扰，其中，为了有效地去除粉尘和烟叶，并且尽可能保险地不错误地去除颗粒，特设定阈值为80；另一方面是使用色度阈值的方法排出烟叶粉尘的干扰；所述色度阈值法具体如下；
统计二值化图像中颗粒和烟叶的色度值，使用平均法来求取色度阈值，具体计算如下：
上述中，min烟叶色度和max颗粒色度分别为统计330张颗粒图片后获取的最小烟叶色度值和最大颗粒色度值；
根据求得的色度阈值T，将色度小于色度阈值T的烟叶去除，实现烟叶的与颗粒的区分；
通过统计330张实际工况中采集到的颗粒，获取全部图像中烟叶色度的最大值和颗粒色度的最小值，两者相加求平均，求出的阈值能更合适地将烟叶和颗粒区分开了，由于烟叶碎末粉尘是烟叶形态上的变化，不会改变其色度，故使用色度阈值的方法，可以有效地排除烟叶粉尘的干扰。
单位像素精度计算时，通过测量工业镜头到喷头的距离(260mm)，并在相应的测量位置放置刻度尺，获取到刻度尺的实际尺寸与图像中的尺寸关系，通过刻度尺上实际长度除以其长度所占像素数量，获得到单位像素精度，经过计算，单位像素精度约为0.0197；
3)根据颗粒轮廓提取到的每个颗粒的轮廓，计算颗粒的面积，再计算每个颗粒所占像素面积，即颗粒像素面积，根据计算的颗粒像素面积对图像中的颗粒划分为小颗粒、中颗粒、大颗粒三种种类，最后，根据单位像素精度和颗粒像素面积计算每个颗粒的实际大小，实现喷嘴喷出的雾化颗粒大小以及分布情况的分析；
计算每个图片中相同颗粒粒度对应的颗粒数量占该图片中累计颗粒粒度的百分数，并根据计算的百分数划分颗粒种类，由于颗粒面积与颗粒粒度为正比例关系，因此，所述小颗粒、中颗粒、大颗粒的具体划分依据为：
小颗粒<3.5像素面积
3.5像素面积<中颗粒<13像素面积
13像素面积<大颗粒；
表3：颗粒像素面积分布表
表4：粒度分布表
| 百分比(％) | 粒子面积(像素) |
| 0 | 0 |
| 10 | 3.5 |
| 20 | 5.5 |
| 30 | 8.0 |
| 40 | 10.0 |
| 50 | 13.0 |
| 60 | 16.0 |
| 70 | 20.0 |
| 80 | 26.0 |
| 90 | 37.0 |
| 100 | 65.5 |
如2所示，粒度分布曲线图和分布表如上述所示，10％等于3.5像素面积，50％等于13像素面积，得到颗粒种类划分依据。
4)均匀性评估：将步骤2)中预处理后的图片划分为3×3的9个区域，对划分的各区域内雾化的均匀度υ进行评价：
上式中，pi(i＝1～N)，为第i个区域内颗粒数量，为9个区域颗粒平均数量，N＝9为分割成的区域数量；
5)图片均匀性归一化处理：采用min-max标准化方法对所有视频中的每张图片计算出的均匀度υ进行归一化处理，具体处理公式如下：
上式中，Min为所有视频中所有帧图片中均匀度最小值，Max为所有视频内所有帧图片中均匀度最大值，x为当前图片的均匀度值；
通过归于化处理分析所有图片的均匀性，得到一个新序列x1，x2,...,xn∈[0,1]且无量纲，其中，n为新序列的个数，即图片数量，将新序列的数据乘以100，使其映射到0-100之间，实现各图片的均匀性评分；
6)确定变异系数cv：根据步骤5)中获得的新序列计算所有图片均匀性的标准偏差σ，具体计算公式如下：
上式中，为新序列的平均值；
再根据所有图片均匀性的标准偏差σ和图片均匀性的平均值μ计算变异系数cv，具体计算公式如下：
变异系数的取值范围为[0，+∞]，其中，变异系数越小，数据的变异程度越小且指标越稳定，反之，变异系数越大，数据的变异程度越大且数据波动越大，设定当变异系数大于100时，将其视为100，所以最后视频总体均匀性评分＝100-cv，即视频总体均匀性评分越高，雾化颗粒的均匀性约好。
本技术方案通过在加香料滚筒内安装设有工业镜头的工业相机，为料液雾化状况的分析提供信息采集条件，将采集到的雾化颗粒视频通过逐帧分析提取相关雾化特征、进行算法分析，量化评价雾化效果，为持续优化过程工艺参数奠定了基础，提高烟叶加料效果，雾化均匀性反映雾化后液滴直径分布的大小以及不同直径的液滴在雾化区域内的分布情况，从而实现根据精确反馈的料液雾化状态来指导日常维修及操作。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.基于图像分割算法的料液雾化状况检测方法，其特征在于包括以下步骤：
1)图像的采集：在加香加料滚筒内部安装有用于采集喷嘴雾化颗粒视频图像信息的工业相机，且工业相机上安装有使光能量衰减到正常工作的光照强度的工业镜头，由工业相机采集喷嘴雾化颗粒的图像信息；
2)图像预处理：对工业相机采集的每个图像信息进行图像滤波去噪，用以去除图像上引起较强视觉效果的孤立像素点或像素块的图像噪声；再对去噪后的图形进行图像二值化处理，将烟叶与烟叶碎片粉尘分割出来；接着进行去除烟叶烟尘干扰处理，并对处理后的图片进行颗粒轮廓提取，最后进行单位像素精度计算，确定单位像素精度，即单位像素与实际刻度的比值；
3)根据颗粒轮廓提取到的每个颗粒的轮廓，计算颗粒的面积，再计算每个颗粒所占像素面积，即颗粒像素面积，根据计算的颗粒像素面积对图像中的颗粒划分为小颗粒、中颗粒、大颗粒三种种类，最后，根据单位像素精度和颗粒像素面积计算每个颗粒的实际大小，实现喷嘴喷出的雾化颗粒大小以及分布情况的分析；
4)均匀性评估：将步骤2)中预处理后的图片划分为3×3的9个区域，对划分的各区域内雾化的均匀度υ进行评价：
上式中，pi(i＝1～N)，为第i个区域内颗粒数量，为9个区域颗粒平均数量，N＝9为分割成的区域数量；
5)图片均匀性归一化处理：采用min-max标准化方法对所有视频中的每张图片计算出的均匀度υ进行归一化处理，具体处理公式如下：
上式中，Min为所有视频中所有帧图片中均匀度最小值，Max为所有视频内所有帧图片中均匀度最大值，x为当前图片的均匀度值；
通过归于化处理分析所有图片的均匀性，得到一个新序列x1，x2,...,xn∈[0,1]且无量纲，其中，n为新序列的个数，即图片数量，将新序列的数据乘以100，使其映射到0-100之间，实现各图片的均匀性评分；
6)确定变异系数cv：根据步骤5)中获得的新序列计算所有图片均匀性的标准偏差σ，具体计算公式如下：
上式中，为新序列的平均值；
再根据所有图片均匀性的标准偏差σ和图片均匀性的平均值μ计算变异系数cv，具体计算公式如下：
变异系数的取值范围为[0，+∞]，其中，变异系数越小，数据的变异程度越小且指标越稳定，反之，变异系数越大，数据的变异程度越大且数据波动越大，设定当变异系数大于100时，将其视为100，所以最后视频总体均匀性评分＝100-cv。
2.根据权利要求1所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：上述步骤1)中，所述工业相机采用PIV跨帧相机，所述工业镜头选用MVL-KF5024M-25MP工业镜头，所述工业相机设于喷嘴一侧，而光源安装在喷嘴的另一侧并相对工业相机设置。
3.根据权利要求1所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：上述步骤2)中，所述图像滤波去噪采用高斯滤波中的离散化窗口滑窗卷积处理方式，所述离散化窗口滑窗卷积处理方式中的卷积核为7×7。
4.根据权利要求1所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：上述步骤2)中，所述图像二值化处理中的灰度阈值为255，并将小于灰度阈值255的像素点进行分割并被排出在区域外，对区域内的像素进行灰度值取反处理后的图片采用局部自适应阈值法进行处理，并选用偏移值为7的调整量对自适应阈值法处理后的阈值进行调整，最终将取反图片中的细小颗粒分割出去。
5.根据权利要求1所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：上述步骤2)中，所述去除烟叶烟尘干扰一方面是通过设定阈值，去除连通性面积大于设定阈值的像素，从而实现去除烟叶、粉尘的干扰，其中，设定阈值为80；另一方面是使用色度阈值的方法排出烟叶粉尘的干扰。
6.根据权利要求5所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：所述色度阈值法具体如下；
统计二值化图像中颗粒和烟叶的色度值，使用平均法来求取色度阈值，具体计算如下：
上述中，min烟叶色度和max颗粒色度分别为统计330张颗粒图片后获取的最小烟叶色度值和最大颗粒色度值；
根据求得的色度阈值T，将色度小于色度阈值T的烟叶去除，实现烟叶的与颗粒的区分。
7.根据权利要求1所述的基于图像分割算法的料液雾化状况检测方法，其特征在于：上述步骤3)中，计算每个图片中相同颗粒粒度对应的颗粒数量占该图片中累计颗粒粒度的百分数，并根据计算的百分数划分颗粒种类，由于颗粒面积与颗粒粒度为正比例关系，因此，所述小颗粒、中颗粒、大颗粒的具体划分依据为：
小颗粒<3.5像素面积
3.5像素面积<中颗粒<13像素面积
13像素面积<大颗粒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310734198.5A CN116773520A (zh) | 2023-06-20 | 2023-06-20 | 基于图像分割算法的料液雾化状况检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310734198.5A CN116773520A (zh) | 2023-06-20 | 2023-06-20 | 基于图像分割算法的料液雾化状况检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116773520A true CN116773520A (zh) | 2023-09-19 |
Family
ID=87994266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310734198.5A Pending CN116773520A (zh) | 2023-06-20 | 2023-06-20 | 基于图像分割算法的料液雾化状况检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116773520A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455924A (zh) * | 2023-12-26 | 2024-01-26 | 杭州首域万物互联科技有限公司 | 一种卷烟雾化测量数据分析方法及系统 |
-
2023
- 2023-06-20 CN CN202310734198.5A patent/CN116773520A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455924A (zh) * | 2023-12-26 | 2024-01-26 | 杭州首域万物互联科技有限公司 | 一种卷烟雾化测量数据分析方法及系统 |
| CN117455924B (zh) * | 2023-12-26 | 2024-05-24 | 杭州首域万物互联科技有限公司 | 一种卷烟雾化测量数据分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115222741B (zh) | 一种电缆表面缺陷检测方法 | |
| CN116773520A (zh) | 基于图像分割算法的料液雾化状况检测方法 | |
| Gill et al. | Monitoring and grading of tea by computer vision–A review | |
| CN115330784B (zh) | 一种布匹表面缺陷检测方法 | |
| CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
| CN115272321B (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
| CN115359053B (zh) | 一种金属板材缺陷智能检测方法及系统 | |
| CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
| CN113012105B (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
| CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
| CN111445512B (zh) | 一种复杂产线背景中的轮毂参数特征提取方法 | |
| CN112330663A (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
| CN115439494A (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
| CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
| CN115018765A (zh) | 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法 | |
| CN108171693B (zh) | 一种自动检测劣质蘑菇的方法 | |
| CN115115641A (zh) | 一种瞳孔图像分割方法 | |
| CN116363126A (zh) | 一种数据线usb插头焊接质量检测方法 | |
| CN115346126A (zh) | 一种边坡裂纹识别方法 | |
| CN111445485B (zh) | 一种在线磨粒图像数据处理方法 | |
| CN108765316B (zh) | 雾气浓度自适应判断方法 | |
| CN113724167A (zh) | 一种高清视频信息的自适应采集及图像处理方法 | |
| CN115496753B (zh) | 基于机器视觉的烟丝结构检测方法 | |
| CN114758159A (zh) | 一种液压制动器切削工艺的切削控制方法 | |
| CN113284096B (zh) | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
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 |