CN116883394A - 一种基于图像数据处理的金刚石质量检测方法 - Google Patents
一种基于图像数据处理的金刚石质量检测方法 Download PDFInfo
- Publication number
- CN116883394A CN116883394A CN202311139199.1A CN202311139199A CN116883394A CN 116883394 A CN116883394 A CN 116883394A CN 202311139199 A CN202311139199 A CN 202311139199A CN 116883394 A CN116883394 A CN 116883394A
- Authority
- CN
- China
- Prior art keywords
- diamond
- quality
- data
- image
- stage
- 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
Links
- 229910003460 diamond Inorganic materials 0.000 title claims abstract description 301
- 239000010432 diamond Substances 0.000 title claims abstract description 301
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 24
- 230000003749 cleanliness Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 206010027146 Melanoderma Diseases 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000003595 mist Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 claims 1
- 239000000463 material Substances 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06V10/40—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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像数据处理的金刚石质量检测方法,具体涉及图像处理技术领域,包括:图像获取阶段、预处理阶段、检测提取阶段、计算处理阶段、模型训练阶段、分类阶段、输出显示阶段,本发明利用计算机视觉技术进行金刚石质量检测,实现了自动化的检测过程,减少了人工操作的需求,提高了检测的效率,通过模型训练阶段,可以利用大量的金刚石图像数据进行训练,建立起准确可靠的金刚石质量检测模型,提高了检测结果的准确性和可靠性,在输出显示阶段,可以将检测结果以图像或数据的形式进行展示,方便用户直观地了解金刚石的质量情况,本发明有助于实现智能化的金刚石质量检测和评估,提高了质量检测准确性。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,本发明涉及一种基于图像数据处理的金刚石质量检测方法。
背景技术
金刚石,一种古老而神奇的晶体材料,自古以来,作为珠宝以其闪耀的外表,深受人们喜爱。在精密制造、石油勘探、建材加工、航天航空等国民经济诸多领域得到了非常广泛的应用,在国民经济中占有举足轻重的地位,金刚石也被誉为最锋利的牙齿,同时,随着科学技术的进步,单晶金刚石的各种优异材料性能逐渐被挖掘出来,这种古老的材料在近几十年再次成为学者们研究的热点;
然而金刚石在生长和加工时,其生产加工质量参差不齐,现有市场缺少一种对金刚石质量进行监测评估的智能化系统和方法,导致在进行金刚石质量评估时,都是依靠人工观察,缺少一定的数据依据,鉴定评估结果可信度不够,现有技术无法智能化的识别金刚石的好坏,也无法对金刚石进行多层面分析以评估该金刚石的质量,单纯依靠人工鉴定,鉴定效率低,鉴定准确率不高。
发明内容
为了克服现有技术的上述缺陷,本发明的一种基于图像数据处理的金刚石质量检测方法,通过计算出金刚石的净度、结构质量、外观质量、综合评估指数,并建立评估分级模型对金刚石的质量进行评估分析,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:包括:图像获取阶段、预处理阶段、检测提取阶段、计算处理阶段、模型训练阶段、分类阶段、输出显示阶段。
图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据;
预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,并分析图像中包含的金刚石基础数据,包括:金刚石体积、颜色等级、瑕疵量、裂纹、黑点、云雾、明显的内含物个数;
检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测技术,对金刚石的其他数据进行检测,具体包括:颜色等级、抗压强度、受热温度、粒度、抗冲击度、色散度、折射率、光泽度;
计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量、外观质量以及综合评估指数;
模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练;
分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测;
输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面。
优选的,图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据,所述图像获取阶段进行金刚石图像获取的具体步骤为:
步骤一、摄像准备:启动摄像装置,调整合适的曝光时间和对焦距离,对显微镜进行实时拍摄;
步骤二、显微镜观测:使用高倍显微镜对金刚石进行观察,通过摄像装置将金刚石的图像实时传输到计算机上。
步骤三、图像数据保存:在计算机上保存金刚石图像数据。
优选的,预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,并分析图像中包含的金刚石基础数据,所述预处理阶段进行金刚石图像预处理的步骤为:
步骤一、图像去噪:采用中值滤波算法对金刚石图像进行去噪处理,去除金刚石初始图像中的噪声;
步骤二、图像增强:采用直方图均衡化算法,对金刚石图像进行增强处理,增强图像的细节和对比度;
步骤三、数据分析:通过图像分割算法,将金刚石从背景中提取出来,并利用特征提取算法,通过提取金刚石图像中的特征来区分瑕疵部分和无瑕疵部分,这些特征可以包括:纹理、形状、边缘、颜色,通过特征提取算法获取金刚石的体积、瑕疵量、裂纹、黑点、云雾、明显的内含物个数。
优选的,检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测仪,对金刚石的其他数据进行检测,所述检测提取模块进行金刚石其他特性检测提取的具体步骤为:
步骤一、利用色度计对金刚石进行检测,并利用GIA颜色分级系统,将金刚石的颜色与标准样品进行比较,以确定其颜色等级;
步骤二、利用不同参数的压力、温度、冲击力设备分别对金刚石进行试验检测,获取金刚石的抗压强度、受热温度、抗冲击力;
步骤三、分别利用激光粒度仪以及光泽度仪,采集金刚石的粒度以及光泽度数据。
优选的,计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量指数、外观质量以及综合评估指数,所述计算处理阶段进行金刚石数据分析计算的具体步骤为:
步骤一、净度计算:根据金刚石的检测数据,计算出金刚石的净度为:,其中vn代表金刚石体积、zn代表金刚石瑕疵数、cn代表金刚石裂纹数、bn代表黑点个数、mn代表金刚石云雾个数、kn代表明显的内含物个数;
步骤二、结构质量计算:根据金刚石的构成数据以及物理特性,计算金刚石的结构质量指数为:,其中an代表金刚石的抗压强度、sn代表受热温度、wn代表抗冲击力、fn代表金刚石粒度;
步骤三、外观质量计算:根据金刚石的净度、以及其他外观数据,计算出金刚石的外观质量为:,其中jn代表颜色等级、hn代表光泽度、t1<0,t2、t3皆为常数,可为0;
步骤四、综合评估指数计算:根据计算出的金刚石的净度、结构质量指数、外观质量,计算金刚石的综合评估指数为:。
优选的,模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练,所述模型训练阶段具体步骤为:
步骤一、数据爬虫准备训练数据: 确定需要爬取的金刚石质量相关数据,使用数据爬虫技术从数据源上爬取金刚石相关信息,对爬取的数据进行清洗和预处理,去除重复数据、处理缺失值;
步骤二、特征提取和数据准备:根据金刚石质量检测的目标,使用尺寸归一化技术将爬取的金刚石数据转化为机器学习算法可用的格式;
步骤三、训练模型:利用支持向量机和深度学习算法,将准备好的训练数据集分为训练集和验证集,用训练集对模型进行训练,不断调整模型的超参数,使用验证集评估模型的性能,并进行调整和改进;
步骤四、模型部署和应用:利用API接口将训练好的模型部署到实际应用中。
优选的,分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测,所述分类阶段进行金刚石质量分类评估的具体步骤为:
步骤一、建立特征数据集:获取待检测金刚石的净度、结构质量、外观质量、综合评估指数,以及爬取的国际标准对照金刚石的净度、结构质量、外观质量、综合评估指数,构建两个特征数据集合,对照金刚石的特征数据集为:,其中Qn、En、Un、Pn分别代表标准金刚石的净度、结构质量、外观质量、综合评估指数,待测金刚石的特征数据集为:;
步骤二、匹配程度计算:根据上述对照金刚石的特征数据集和待测金刚石的特征数据集,计算二者的匹配程度为:;
步骤三、等级划分:根据计算出的匹配结果,对金刚石的质量进行划分,划分为:差、及格、良好、优秀,四个等级;当,金刚石质量等级为差等级,当/>,金刚石质量等级为及格等级,当/>,金刚石质量等级为良好等级,当/>,金刚石质量等级为优秀等级;
步骤四、等级预测:将匹配程度Vn与预设值进行对比,判断二者大小关系,并给出等级判断结果。
优选的,输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面,所述输出显示阶段进行数据显示的具体步骤为:
步骤一、创建图形化界面:使用编程语言和工具,创建一个图形化界面,以显示金刚石质量检测的结果,界面主要包括金刚石的基本信息、质量评估结果和其他相关信息;
步骤二、设计用户交互:添加用户交互功能,用户输入金刚石的相关数据,触发质量评估过程,并查看评估结果;
步骤三、显示结果:在图形化界面中显示金刚石质量评估的结果,使用文字、图表以及其他可视化方式展示结果。
本发明的技术效果和优点:
本发明通过图像获取阶段获取金刚石的图像数据,并经过预处理阶段对图像进行去噪、平滑等处理,提高了图像质量,从而能够更准确地检测金刚石的质量,本发明利用计算机视觉技术进行金刚石质量检测,实现了自动化的检测过程,减少了人工操作的需求,提高了检测的效率,通过模型训练阶段,可以利用大量的金刚石图像数据进行训练,建立起准确可靠的金刚石质量检测模型,提高了检测结果的准确性和可靠性,在输出显示阶段,可以将检测结果以图像或数据的形式进行展示,方便用户直观地了解金刚石的质量情况,本发明可以根据需要进行扩展和改进,例如可以添加更多的图像处理算法和特征提取方法,以进一步提高检测的准确性和效果。
附图说明
图1为本发明的系统结构框图。
图2为本发明的系统流程图。
具体实施方式
下面将结合本发明实施例中的附图,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。
本实施例提供了如图1所示一种基于图像数据处理的金刚石质量检测方法,包括:图像获取阶段、预处理阶段、检测提取阶段、计算处理阶段、模型训练阶段、分类阶段、输出显示阶段。
所述图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据,将图像传输至预处理阶段,所述预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,将处理后的数据传输至检测提取阶段,所述检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测技术,对金刚石的其他数据进行检测,将检测到的数据传输至计算处理阶段,所述计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量、外观质量以及综合评估指数,将计算出的数据传输至分类阶段,所述模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练,所述分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测,即将分类结果传输至输出显示阶段,所述输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面。
本实施与现有技术的区别在于计算处理阶段、模型训练阶段、分类阶段,计算处理阶段增加计算功能,根据金刚石的基础数据,计算出金刚石的净度、结构质量、外观质量以及综合评估指数,模型训练阶段增设模型分类功能,通过建立和训练模型,对金刚石进行评估,有助于对金刚石进行等级分类,分类阶段增设计算和对比功能,分类阶段通过将金刚石的综合评估指数与训练模型中训练出的对比数据进行比对,计算二者的匹配程度,从而完成金刚石的等级评估和划分,有助于提高检测结果的准确性和可靠性,也提高了金刚石检测评估的效率,整个过程是现有技术不具备的。
如图2本实施例提供一种基于图像数据处理的金刚石质量检测方法的方法流程图,具体包括下列步骤:
S01、通过图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据,所述图像获取阶段进行金刚石图像获取的具体步骤为:
A1、摄像准备:启动摄像装置,调整合适的曝光时间和对焦距离,对显微镜进行实时拍摄;
A2、显微镜观测:使用高倍显微镜对金刚石进行观察,通过摄像装置将金刚石的图像实时传输到计算机上。
A3、图像数据保存:在计算机上保存金刚石图像数据。
S02、通过预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,并分析图像中包含的金刚石基础数据,所述预处理阶段进行金刚石图像预处理的步骤为:
B1、图像去噪:采用中值滤波算法对金刚石图像进行去噪处理,去除金刚石初始图像中的噪声;
B2、图像增强:采用直方图均衡化算法,对金刚石图像进行增强处理,增强图像的细节和对比度;
B3、数据分析:通过图像分割算法,将金刚石从背景中提取出来,并利用特征提取算法,通过提取金刚石图像中的特征来区分瑕疵部分和无瑕疵部分,这些特征可以包括:纹理、形状、边缘、颜色,通过特征提取算法获取金刚石的体积、瑕疵量、裂纹、黑点、云雾、明显的内含物个数;
进一步地,使用图像分割算法将金刚石从背景中分离出来,这里采用阈值分割算法,采用颜色特征、纹理特征和形状特征提取方法,对提取出的金刚石图像进行特征提取,以区分瑕疵部分和无瑕疵部分,利用选定的特征,使用支持向量机算法,对金刚石图像进行瑕疵检测。
S03、通过检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测仪,对金刚石的其他数据进行检测,所述检测提取模块进行金刚石其他特性检测提取的具体步骤为:
C1、利用色度计对金刚石进行检测,并利用GIA颜色分级系统,将金刚石的颜色与标准样品进行比较,以确定其颜色等级;
进一步地,GIA颜色分类系统是常用的金刚石颜色分类评估系统,采用国际标准对金刚石的颜色进行分类评估;
C2、利用不同参数的压力、温度、冲击力设备分别对金刚石进行试验检测,获取金刚石的抗压强度、受热温度、抗冲击力;
C3、分别利用激光粒度仪以及光泽度仪,采集金刚石的粒度以及光泽度数据。
S04、通过计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量指数、外观质量以及综合评估指数,所述计算处理阶段进行金刚石数据分析计算的具体步骤为:
D1、净度计算:根据金刚石的检测数据,计算出金刚石的净度为:,其中vn代表金刚石体积、zn代表金刚石瑕疵数、cn代表金刚石裂纹数、bn代表黑点个数、mn代表金刚石云雾个数、kn代表明显的内含物个数;
D2、结构质量计算:根据金刚石的构成数据以及物理特性,计算金刚石的结构质量指数为:,其中an代表金刚石的抗压强度、sn代表受热温度、wn代表抗冲击力、fn代表金刚石粒度;
D3、外观质量计算:根据金刚石的净度、以及其他外观数据,计算出金刚石的外观质量为:,其中jn代表颜色等级、hn代表光泽度、t1<0,t2、t3皆为常数,可为0;
D4、综合评估指数计算:根据计算出的金刚石的净度、结构质量指数、外观质量,计算金刚石的综合评估指数为:。
S05、通过模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练,所述模型训练阶段具体步骤为:
E1、数据爬虫准备训练数据: 确定需要爬取的金刚石质量相关数据, 使用数据爬虫技术从数据源上爬取金刚石相关信息,对爬取的数据进行清洗和预处理,去除重复数据、处理缺失值;
E2、特征提取和数据准备:根据金刚石质量检测的目标,使用尺寸归一化技术将爬取的金刚石数据转化为机器学习算法可用的格式;
进一步地,对选择的特征进行转换,使其符合机器学习算法的要求,对数据进行归一化处理,将其转化为0到1之间的值,并且处理爬取出的金刚石数据,将每个样本的特征转化为向量表示,可以将每个特征作为向量的一个维度,将特征值作为向量的取值;
E3、训练模型:利用支持向量机和深度学习算法,将准备好的训练数据集分为训练集和验证集,用训练集对模型进行训练,不断调整模型的超参数,使用验证集评估模型的性能,并进行调整和改进;
进一步地,在进行模型训练时,首先将特征向量作为训练数据集的输入,选择支持向量机作为基础模型,将准备好的训练数据集进一步划分为训练集和验证集,通常采用交叉验证的方法,使用训练集对模型进行训练,对于支持向量机,通过调节超参数,使用训练数据集进行训练,这里的超参数包括核函数类型、正则化参数。
E4、模型部署和应用:利用API接口将训练好的模型部署到实际应用中。
S06、通过分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测,所述分类阶段进行金刚石质量分类评估的具体步骤为:
F1、建立特征数据集:获取待检测金刚石的净度、结构质量、外观质量、综合评估指数,以及爬取的国际标准对照金刚石的净度、结构质量、外观质量、综合评估指数,构建两个特征数据集合,对照金刚石的特征数据集为:,其中Qn、En、Un、Pn分别代表标准金刚石的净度、结构质量、外观质量、综合评估指数,待测金刚石的特征数据集为:;
F2、匹配程度计算:根据上述对照金刚石的特征数据集和待测金刚石的特征数据集,计算二者的匹配程度为:;
进一步地,选择适当的匹配度计算方法来度量两组特征数据集合之间的相似度,相似度越低,金刚石的评估等级越低;
F3、等级划分:根据计算出的匹配结果,对金刚石的质量进行划分,划分为:差、及格、良好、优秀,四个等级;当,金刚石质量等级为差等级,当/>,金刚石质量等级为及格等级,当/>,金刚石质量等级为良好等级,当/>,金刚石质量等级为优秀等级;
进一步地,这里的仅为数据对比的预设值,不同情况下对金刚石的质量等级要求不同,因此预设值的大小可以根据实际情况进行更改,在这里不对/>的具体值做出限定;
F4、等级预测:将匹配程度Vn与预设值进行对比,判断二者大小关系,并给出等级判断结果。
S07、通过输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面,所述输出显示阶段进行数据显示的具体步骤为:
G1、创建图形化界面:使用编程语言和工具,创建一个图形化界面,以显示金刚石质量检测的结果,界面主要包括金刚石的基本信息、质量评估结果和其他相关信息;
G2、设计用户交互:添加用户交互功能,用户输入金刚石的相关数据,触发质量评估过程,并查看评估结果;
G3、显示结果:在图形化界面中显示金刚石质量评估的结果,使用文字、图表或其他可视化方式展示结果。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像数据处理的金刚石质量检测方法,其特征在于:包括:
S01、图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据;
S02、预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,并分析图像中包含的金刚石基础数据,包括:金刚石体积、颜色等级、瑕疵量、裂纹、黑点、云雾、明显的内含物个数;
S03、检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测技术,对金刚石的其他数据进行检测,具体包括:颜色等级、抗压强度、受热温度、粒度、抗冲击度、色散度、折射率、光泽度;
S04、计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量、外观质量以及综合评估指数;
S05、模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练;
S06、分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测;
S07、输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面。
2.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述图像获取阶段利用图像获取模块,使用高倍显微镜和摄像装置,对金刚石进行高倍显微镜下的图像采集,获取金刚石图像数据,所述图像获取阶段进行金刚石图像获取的具体步骤为:
步骤一、摄像准备:启动摄像装置,调整合适的曝光时间和对焦距离,对显微镜进行实时拍摄;
步骤二、显微镜观测:使用高倍显微镜对金刚石进行观察,通过摄像装置将金刚石的图像实时传输到计算机上;
步骤三、图像数据保存:在计算机上保存金刚石图像数据。
3.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述预处理阶段利用图像预处理模块,对金刚石图像进行去噪、增强预处理操作,并分析图像中包含的金刚石基础数据,所述预处理阶段进行金刚石图像预处理的步骤为:
步骤一、图像去噪:采用中值滤波算法对金刚石图像进行去噪处理,去除金刚石初始图像中的噪声;
步骤二、图像增强:采用直方图均衡化算法,对金刚石图像进行增强处理,增强图像的细节和对比度;
步骤三、数据分析:通过图像分割算法,将金刚石从背景中提取出来,并利用特征提取算法,通过提取金刚石图像中的特征来区分瑕疵部分和无瑕疵部分,这些特征包括:纹理、形状、边缘、颜色,通过特征提取算法获取金刚石的体积、瑕疵量、裂纹、黑点、云雾、明显的内含物个数。
4.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述检测提取阶段利用检测提取模块,提取金刚石图像的颜色特征、形状特征,并利用检测仪,对金刚石的其他数据进行检测,所述检测提取模块进行金刚石其他特性检测提取的具体步骤为:
步骤一、利用色度计对金刚石进行检测,并利用GIA颜色分级系统,将金刚石的颜色与标准样品进行比较,以确定其颜色等级;
步骤二、利用不同参数的压力、温度、冲击力设备分别对金刚石进行试验检测,获取金刚石的抗压强度、受热温度、抗冲击力;
步骤三、分别利用激光粒度仪以及光泽度仪,采集金刚石的粒度以及光泽度数据。
5.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述计算处理阶段利用数据计算模块,根据金刚石的图像数据和其他数据,计算出金刚石的净度、结构质量指数、外观质量以及综合评估指数,所述计算处理阶段进行金刚石数据分析计算的具体步骤为:
步骤一、净度计算:根据金刚石的检测数据,计算出金刚石的净度为:,其中vn代表金刚石体积、zn代表金刚石瑕疵数、cn代表金刚石裂纹数、bn代表黑点个数、mn代表金刚石云雾个数、kn代表明显的内含物个数;
步骤二、结构质量计算:根据金刚石的构成数据以及物理特性,计算金刚石的结构质量指数为:,其中an代表金刚石的抗压强度、sn代表受热温度、wn代表抗冲击力、fn代表金刚石粒度;
步骤三、外观质量计算:根据金刚石的净度、以及其他外观数据,计算出金刚石的外观质量为:,其中jn代表颜色等级、hn代表光泽度、t1<0,t2、t3皆为常数;
步骤四、综合评估指数计算:根据计算出的金刚石的净度、结构质量指数、外观质量,计算金刚石的综合评估指数为:。
6.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述模型训练阶段利用训练数据准备模块和机器学习模块,训练数据准备模块采用数据爬虫技术准备金刚石质量分类的训练数据,机器学习模块采用支持向量机、深度学习算法进行金刚石质量检测模型的训练,所述模型训练阶段具体步骤为:
步骤一、数据爬虫准备训练数据: 确定需要爬取的金刚石质量相关数据,使用数据爬虫技术从数据源上爬取金刚石相关信息,对爬取的数据进行清洗和预处理,去除重复数据、处理缺失值;
步骤二、特征提取和数据准备:根据金刚石质量检测的目标,使用尺寸归一化技术将爬取的金刚石数据转化为机器学习算法可用的格式;
步骤三、训练模型:利用支持向量机和深度学习算法,将准备好的训练数据集分为训练集和验证集,用训练集对模型进行训练,不断调整模型的超参数,使用验证集评估模型的性能,并进行调整和改进;
步骤四、模型部署和应用:利用API接口将训练好的模型部署到实际应用中。
7.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述分类阶段利用分类预测模块,根据金刚石的净度、结构质量、外观质量、综合评估指数,计算分类预测模型与金刚石的评估数据进行匹配程度计算,根据计算结果,对待检测金刚石进行质量等级的分类预测,所述分类阶段进行金刚石质量分类评估的具体步骤为:
步骤一、建立特征数据集:获取待检测金刚石的净度、结构质量、外观质量、综合评估指数,以及爬取的国际标准对照金刚石的净度、结构质量、外观质量、综合评估指数,构建两个特征数据集合,对照金刚石的特征数据集为:,其中Qn、En、Un、Pn分别代表标准金刚石的净度、结构质量、外观质量、综合评估指数,待测金刚石的特征数据集为:;
步骤二、匹配程度计算:根据上述对照金刚石的特征数据集和待测金刚石的特征数据集,计算二者的匹配程度为:;
步骤三、等级划分:根据计算出的匹配结果,对金刚石的质量进行划分,划分为:差、及格、良好、优秀,四个等级;当,金刚石质量等级为差等级,当/>,金刚石质量等级为及格等级,当/>,金刚石质量等级为良好等级,当/>,金刚石质量等级为优秀等级;
步骤四、等级预测:将匹配程度Vn与预设值进行对比,判断二者大小关系,并给出等级判断结果。
8.根据权利要求1所述的一种基于图像数据处理的金刚石质量检测方法,其特征在于:所述输出显示阶段利用结果输出模块和界面显示模块,将金刚石质量检测结果输出为可读性的形式,并以图形化界面的形式显示金刚石质量检测界面,所述输出显示阶段进行数据显示的具体步骤为:
步骤一、创建图形化界面:使用编程语言和工具,创建一个图形化界面,以显示金刚石质量检测的结果,界面主要包括金刚石的基本信息、质量评估结果和其他相关信息;
步骤二、设计用户交互:添加用户交互功能,用户输入金刚石的相关数据,触发质量评估过程,并查看评估结果;
步骤三、显示结果:在图形化界面中显示金刚石质量评估的结果,使用文字、图表以及其他可视化方式展示结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139199.1A CN116883394B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像数据处理的金刚石质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139199.1A CN116883394B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像数据处理的金刚石质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883394A true CN116883394A (zh) | 2023-10-13 |
CN116883394B CN116883394B (zh) | 2023-11-17 |
Family
ID=88260862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311139199.1A Active CN116883394B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像数据处理的金刚石质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883394B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117933828A (zh) * | 2024-03-20 | 2024-04-26 | 上海强华实业股份有限公司 | 一种精烧工艺闭环质量反馈与过程参数自适应调节方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150041372A1 (en) * | 2013-08-07 | 2015-02-12 | Kinik Company | Diamond Screening Apparatus |
CN107315012A (zh) * | 2017-06-22 | 2017-11-03 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片端面崩角的智能检测方法 |
CN107369136A (zh) * | 2017-06-22 | 2017-11-21 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
CN108961233A (zh) * | 2018-06-28 | 2018-12-07 | 华侨大学 | 一种聚晶金刚石复合片表面缺陷分类识别方法 |
CN109187567A (zh) * | 2018-08-07 | 2019-01-11 | 华侨大学 | 一种聚晶金刚石复合片表面白点缺陷检测系统 |
CN210922513U (zh) * | 2019-12-17 | 2020-07-03 | 上海昌润极锐超硬材料有限公司 | 一种单晶金刚石生长过程中的监测装置 |
CN114757940A (zh) * | 2022-05-20 | 2022-07-15 | 哈尔滨工业大学 | 单晶金刚石表面缺陷自动识别与修复方法 |
-
2023
- 2023-09-06 CN CN202311139199.1A patent/CN116883394B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150041372A1 (en) * | 2013-08-07 | 2015-02-12 | Kinik Company | Diamond Screening Apparatus |
CN107315012A (zh) * | 2017-06-22 | 2017-11-03 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片端面崩角的智能检测方法 |
CN107369136A (zh) * | 2017-06-22 | 2017-11-21 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
CN108961233A (zh) * | 2018-06-28 | 2018-12-07 | 华侨大学 | 一种聚晶金刚石复合片表面缺陷分类识别方法 |
CN109187567A (zh) * | 2018-08-07 | 2019-01-11 | 华侨大学 | 一种聚晶金刚石复合片表面白点缺陷检测系统 |
CN210922513U (zh) * | 2019-12-17 | 2020-07-03 | 上海昌润极锐超硬材料有限公司 | 一种单晶金刚石生长过程中的监测装置 |
CN114757940A (zh) * | 2022-05-20 | 2022-07-15 | 哈尔滨工业大学 | 单晶金刚石表面缺陷自动识别与修复方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117437235B (zh) * | 2023-12-21 | 2024-03-12 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117933828A (zh) * | 2024-03-20 | 2024-04-26 | 上海强华实业股份有限公司 | 一种精烧工艺闭环质量反馈与过程参数自适应调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883394B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116883394B (zh) | 一种基于图像数据处理的金刚石质量检测方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN113989279A (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN110133049B (zh) | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN112734734A (zh) | 一种基于改进残差网络的铁路隧道裂缝检测方法 | |
CN103593668B (zh) | 一种金属板材冲压接头力学性能试验裂纹自动识别方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
CN112415050B (zh) | 一种基于温度分布差异的羊肉掺假定性判别方法 | |
CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
CN112730326A (zh) | 一种岩石薄片智能鉴定装置及方法 | |
CN104657714B (zh) | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN117197092A (zh) | 一种煤矿井下图像质量评估方法 | |
CN114972353B (zh) | 一种金属高压特种管件质量评估方法及系统 | |
Ayitenfsu | Method of coffee bean defect detection | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
CN112767365A (zh) | 一种探伤方法 | |
Limsripraphan et al. | Algorithm for mango classification using image processing and naive bayes classifier | |
Khoje et al. | A Comprehensive survey of fruit grading systems for tropical fruits of maharashtra | |
CN113624759A (zh) | 一种基于机器学习的苹果无损检测方法 | |
CN109724921B (zh) | 一种基于光谱成像技术的书画鉴定图谱特征表示方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Diamond Quality Detection Method Based on Image Data Processing Granted publication date: 20231117 Pledgee: Heze rural commercial bank Limited by Share Ltd. Pledgor: Shandong Rongze New Materials Co.,Ltd. Registration number: Y2024980002334 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |