CN116883911A - 一种激光粒径仪的粒径分析方法 - Google Patents
一种激光粒径仪的粒径分析方法 Download PDFInfo
- Publication number
- CN116883911A CN116883911A CN202310968012.2A CN202310968012A CN116883911A CN 116883911 A CN116883911 A CN 116883911A CN 202310968012 A CN202310968012 A CN 202310968012A CN 116883911 A CN116883911 A CN 116883911A
- Authority
- CN
- China
- Prior art keywords
- image
- particle size
- filtering
- treatment
- gray level
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003921 particle size analysis Methods 0.000 title claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002146 bilateral effect Effects 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000013618 particulate matter Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 206010042674 Swelling Diseases 0.000 claims 1
- 238000005530 etching Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 230000008961 swelling Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种激光粒径仪的粒径分析方法。该方法首先采集连续帧图像，而后对各帧图像进行平滑处理，并调节RGB通道的权重系数，再将各灰度图像输入UNet神经网络得到掩码图，再先后进行双边滤波处理和二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸，最后，采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。本发明不再以静态图像作为分析对象，而是采用视频图像中相邻的连续帧进行校正，并通过算法的优化提升了检测精度。本发明对样本分散性要求较低，检测精度更高，具有突出的技术优势。
Description
技术领域
本发明涉及激光粒径仪技术领域，具体涉及一种激光粒径仪的粒径分析方法。
背景技术
激光粒径仪又称为激光粒度分析仪，是测量分析物理颗粒丰度的仪器，依据分散系统分为湿法测试仪器，干法测试仪器，干湿一体测试仪器其原理是光在传播中，波前受到与波长尺度相当的隙孔或颗粒的限制，以受限波前处各元波为源的发射在空间干涉而产生衍射和散射，衍射和散射的光能的空间分布与光波波长和隙孔或颗粒的尺度有关。用激光做光源，光为波长一定的单色光后，衍射和散射的光能的空间分布就只与粒径有关。对颗粒群的衍射，各颗粒级的多少决定着对应各特定角处获得的光能量的大小，各特定角光能量在总光能量中的比例，应反映着各颗粒级的分布丰度。按照这一思路可建立表征粒度级丰度与各特定角处获取的光能量的数学物理模型，进而研制仪器，测量光能，由特定角度测得的光能与总光能的比较推出颗粒群相应粒径级的丰度比例量。现有技术中，常规算法对样本分散性要求较高，当分散的均一性不理想时，往往难以得到客观的检测结果；此外，目前常规分析方法在检测精度层面也有待提升。
发明内容
本发明旨在针对现有技术的技术缺陷，提供一种激光粒径仪的粒径分析方法，以解决目前常规算法对样本分散性要求较高的技术问题。
本发明要解决的另一技术问题是，如何进一步提高检测精度。
为实现以上技术目的，本发明采用以下技术方案：
一种激光粒径仪的粒径分析方法，包括：
1)采集样品在进样时的视频信息，提取视频的连续帧图像；
2)以中值滤波法对各帧图像进行平滑处理，再调整各帧图像RGB通道的权重系数，得到灰度图像；
3)将各灰度图像输入UNet神经网络，得到掩码图；
4)将各掩码图进行双边滤波处理，接收标注指令，形成具有边缘轮廓的滤波图像；
5)对各所述滤波图像进行二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸；
6)采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。
作为优选，步骤1)中，在采集视频信息的同时，获取样品撞击采集板所产生的激振信号，对所述激振信号进行特征分析，得到信号特征图谱。
作为优选，步骤2)中，在进行平滑处理后，依次进行形态学处理去噪、腐蚀和膨胀处理。
作为优选，步骤3)中，在将各灰度图像输入UNet神经网络时，将颗粒物内部的向量场作为目标进行拟合。
作为优选，步骤4)中，在所述双边滤波处理的过程中保留图像边缘和图像阴影，同时移除图像纹理。
作为优选，步骤4)中，在接收标注指令后，先将目标体进行连通域检测，从而得到具有边缘轮廓的滤波图像。
作为优选，步骤5)中所述遍历二值化结果图的每个轮廓内像素点，包括：通过算法遍历二值化图像中的各像素点，并划分出每个非联通的单个颗粒物的图像区域。
作为优选，步骤6)中，canny边缘检测算子通过高斯滤波去除噪声。
本发明提供了一种激光粒径仪的粒径分析方法。该方法首先采集连续帧图像，而后对各帧图像进行平滑处理，并调节RGB通道的权重系数，再将各灰度图像输入UNet神经网络得到掩码图，再先后进行双边滤波处理和二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸，最后，采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。本发明不再以静态图像作为分析对象，而是采用视频图像中相邻的连续帧进行校正，并通过算法的优化提升了检测精度。本发明对样本分散性要求较低，检测精度更高，具有突出的技术优势。
附图说明
图1是本发明方法的流程图。
具体实施方式
以下将对本发明的具体实施方式进行详细描述。为了避免过多不必要的细节，在以下实施例中对属于公知的结构或功能将不进行详细描述。以下实施例中所使用的近似性语言可用于定量表述，表明在不改变基本功能的情况下可允许数量有一定的变动。除有定义外，以下实施例中所用的技术和科学术语具有与本发明所属领域技术人员普遍理解的相同含义。
实施例1
一种激光粒径仪的粒径分析方法，包括：
1)采集样品在进样时的视频信息，提取视频的连续帧图像；
2)以中值滤波法对各帧图像进行平滑处理，再调整各帧图像RGB通道的权重系数，得到灰度图像；
3)将各灰度图像输入UNet神经网络，得到掩码图；
4)将各掩码图进行双边滤波处理，接收标注指令，形成具有边缘轮廓的滤波图像；
5)对各所述滤波图像进行二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸；
6)采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。
实施例2
一种激光粒径仪的粒径分析方法，包括：
1)采集样品在进样时的视频信息，提取视频的连续帧图像；
2)以中值滤波法对各帧图像进行平滑处理，再调整各帧图像RGB通道的权重系数，得到灰度图像；
3)将各灰度图像输入UNet神经网络，得到掩码图；
4)将各掩码图进行双边滤波处理，接收标注指令，形成具有边缘轮廓的滤波图像；
5)对各所述滤波图像进行二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸；
6)采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。
步骤1)中，在采集视频信息的同时，获取样品撞击采集板所产生的激振信号，对所述激振信号进行特征分析，得到信号特征图谱。步骤2)中，在进行平滑处理后，依次进行形态学处理去噪、腐蚀和膨胀处理。步骤3)中，在将各灰度图像输入UNet神经网络时，将颗粒物内部的向量场作为目标进行拟合。步骤4)中，在所述双边滤波处理的过程中保留图像边缘和图像阴影，同时移除图像纹理。步骤4)中，在接收标注指令后，先将目标体进行连通域检测，从而得到具有边缘轮廓的滤波图像。步骤5)中所述遍历二值化结果图的每个轮廓内像素点，包括：通过算法遍历二值化图像中的各像素点，并划分出每个非联通的单个颗粒物的图像区域。步骤6)中，canny边缘检测算子通过高斯滤波去除噪声。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种激光粒径仪的粒径分析方法，其特征在于，包括：
1)采集样品在进样时的视频信息，提取视频的连续帧图像；
2)以中值滤波法对各帧图像进行平滑处理，再调整各帧图像RGB通道的权重系数，得到灰度图像；
3)将各灰度图像输入UNet神经网络，得到掩码图；
4)将各掩码图进行双边滤波处理，接收标注指令，形成具有边缘轮廓的滤波图像；
5)对各所述滤波图像进行二值化处理，遍历二值化结果图的每个轮廓内像素点，再基于边界坐标索引计算每个颗粒物在至少三个方向上的尺寸；
6)采用canny边缘检测算子检测各所述滤波图像，再利用半径阈值过滤方法对相邻帧图像所标定的颗粒物进行归一化，得到粒径检测结果。
2.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤1)中，在采集视频信息的同时，获取样品撞击采集板所产生的激振信号，对所述激振信号进行特征分析，得到信号特征图谱。
3.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤2)中，在进行平滑处理后，依次进行形态学处理去噪、腐蚀和膨胀处理。
4.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤3)中，在将各灰度图像输入UNet神经网络时，将颗粒物内部的向量场作为目标进行拟合。
5.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤4)中，在所述双边滤波处理的过程中保留图像边缘和图像阴影，同时移除图像纹理。
6.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤4)中，在接收标注指令后，先将目标体进行连通域检测，从而得到具有边缘轮廓的滤波图像。
7.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤5)中所述遍历二值化结果图的每个轮廓内像素点，包括：通过算法遍历二值化图像中的各像素点，并划分出每个非联通的单个颗粒物的图像区域。
8.根据权利要求1所述的一种激光粒径仪的粒径分析方法，其特征在于，步骤6)中，canny边缘检测算子通过高斯滤波去除噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968012.2A CN116883911A (zh) | 2023-08-03 | 2023-08-03 | 一种激光粒径仪的粒径分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310968012.2A CN116883911A (zh) | 2023-08-03 | 2023-08-03 | 一种激光粒径仪的粒径分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116883911A true CN116883911A (zh) | 2023-10-13 |
Family
ID=88264394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310968012.2A Pending CN116883911A (zh) | 2023-08-03 | 2023-08-03 | 一种激光粒径仪的粒径分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883911A (zh) |
-
2023
- 2023-08-03 CN CN202310968012.2A patent/CN116883911A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
| CN103759676A (zh) | 一种工件表面粗糙度非接触式的检测方法 | |
| EP4099012A1 (en) | Metal structure phase classification method, metal structure phase classification device, metal structure phase learning method, metal structure phase learning device, material property prediction method for metal material, and material property prediction device for metal material | |
| CN110032988B (zh) | 紫外拉曼光谱系统实时降噪增强方法 | |
| CN103440644A (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
| US10546213B2 (en) | Method for evaluating the authenticity of a painting as well as a corresponding use | |
| Ceccarelli et al. | Automatic detection and surface measurements of micronucleus by a computer vision approach | |
| CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
| CN105116412B (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
| CN114998664A (zh) | 一种多光学平台的海水中微塑料快速检测方法及检测装置 | |
| US20090214114A1 (en) | Pixel classification in image analysis | |
| JP7326316B2 (ja) | 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法 | |
| CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN116416164B (zh) | 一种紫外光路成像分辨率优化方法 | |
| CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
| CN116883911A (zh) | 一种激光粒径仪的粒径分析方法 | |
| CN116403211B (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 | |
| CN116777917A (zh) | 一种光缆生产用缺陷检测方法及系统 | |
| Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
| Wu et al. | Nanoparticle size measurement method based on improved watershed segmentation | |
| Li et al. | Adaptive image enhancement and dynamic-template-matching-based edge extraction method for diamond roller on-machine profile measurement |
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 |