CN117253024B - 一种基于机器视觉的工业盐质检管控方法及系统 - Google Patents
一种基于机器视觉的工业盐质检管控方法及系统 Download PDFInfo
- Publication number
- CN117253024B CN117253024B CN202311532146.6A CN202311532146A CN117253024B CN 117253024 B CN117253024 B CN 117253024B CN 202311532146 A CN202311532146 A CN 202311532146A CN 117253024 B CN117253024 B CN 117253024B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- data
- algorithm
- adopting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 150000003839 salts Chemical class 0.000 title claims abstract description 62
- 238000007689 inspection Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 178
- 238000004458 analytical method Methods 0.000 claims abstract description 87
- 239000002245 particle Substances 0.000 claims abstract description 80
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000003908 quality control method Methods 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000003708 edge detection Methods 0.000 claims abstract description 20
- 238000003064 k means clustering Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000013145 classification model Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 230000002146 bilateral effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 238000004876 x-ray fluorescence Methods 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 235000013619 trace mineral Nutrition 0.000 claims description 7
- 239000011573 trace mineral Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001028 reflection method Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 230000008676 import Effects 0.000 description 5
- 239000003623 enhancer Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 color Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/10—Image acquisition
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06V10/20—Image preprocessing
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉和图像处理技术领域,具体为一种基于机器视觉的工业盐质检管控方法及系统,包括以下步骤:基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像。本发明中,采用光谱校准和色彩空间转换技术提高图像颜色分辨率,为质量检测提供准确色彩信息,利用K‑均值聚类算法对颜色进行细致分析,为盐的质量分类奠定基础,引入边缘检测和卷积神经网络自动识别盐颗粒形状和大小,提高精度并节省成本,通过长短时记忆网络分析X光荧光图像特征,确保盐的食用安全性,采用异常检测卷积神经网络和生成对抗网络学习异常特征,增强质量控制的实时性和准确性。
Description
技术领域
本发明涉及计算机视觉和图像处理技术领域,尤其涉及一种基于机器视觉的工业盐质检管控方法及系统。
背景技术
计算机视觉和图像处理涵盖了图像数据的捕获、处理、分析和识别。这个领域的主要目标是让计算机系统能够理解和处理图像,从而实现自动化的视觉任务,如物体识别、图像增强、目标跟踪等。
其中,基于机器视觉的工业盐质检管控方法是一种利用计算机视觉技术来监测和控制工业盐质检测过程的方法。它通常涉及使用相机或传感器来捕获盐品质的图像,然后使用图像处理和机器学习技术来分析这些图像,以评估盐的质量和进行质量管控。方法的主要目的是确保工业盐的质量符合规定的标准和要求。它可以检测盐中的不纯物、颗粒大小、颜色等特征,以保证产品的一致性。使用机器视觉技术,此方法旨在实现工业盐质检的自动化,减少人工干预,提高效率和一致性。
现有的工业盐质检管控方法在颜色分辨率的提取上没有充分利用先进的图像处理技术,导致颜色信息不够精确,无法有效地区分微小的颜色差异,从而影响了质量的准确分类。此外,缺乏自动识别颗粒形状和大小的功能,使得盐的颗粒特性分析大多依赖于人工,既耗时又容易出错。对于微量元素的分析,若仅依靠传统的荧光技术而没有结合先进的神经网络进行特征学习,导致有害元素的检测不够准确,增加了食用风险。而缺乏实时的异常预警系统,会使生产线上的问题不能及时被发现和解决,增加了质量风险。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种基于机器视觉的工业盐质检管控方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种基于机器视觉的工业盐质检管控方法,包括以下步骤:
S1:基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像;
S2:基于所述颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集;
S3:基于所述颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型;
S4:基于所述图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据;
S5:基于所述图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告;
S6:基于所述微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息;
所述颜色特征数据集包括多组颜色簇的中心值、分布范围和频率,所述颜色质量关联模型具体指通过训练得到的可以区分多级别质量盐的分类器,所述颗粒几何特征数据包括颗粒的边缘坐标、形状描述符和尺寸参数,所述微量元素分析报告具体为多组微量元素的荧光强度值和含量估计,所述质量控制预警信息具体指标记出的异常图像数据和预警等级。
作为本发明的进一步方案,基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像的步骤具体为:
S101:基于相机系统,采用Bayer插值算法,进行图像的捕获,并进行图像解码,生成原始图像数据;
S102:基于所述原始图像数据,采用白平衡调整算法,进行色彩平衡,并进行光谱校正,生成色彩校正图像;
S103:基于所述色彩校正图像,采用CIELAB色彩空间转换算法,进行色彩表示转换,并进行色彩增强,生成色彩空间增强图像;
S104:基于所述色彩空间增强图像,采用双边滤波算法,进行颜色分辨率增强,并进行质量控制,生成颜色谱预处理图像;
所述相机系统具体为采用大于2000万像素的CCD或CMOS传感器,所述Bayer插值算法具体指对Bayer模式下的图像进行颜色重建,所述白平衡调整算法包括灰度世界法、完美反射法和基于统计的方法,所述CIELAB色彩空间转换算法具体指将RGB色彩空间转换为CIELAB色彩空间,所述双边滤波算法具体为参照空间和像素值的滤波方法。
作为本发明的进一步方案,基于所述颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集的步骤具体为:
S201:基于所述颜色谱预处理图像,采用直方图均衡化算法,进行颜色特征提取,并进行数据归一化,生成颜色直方图数据;
S202:基于所述颜色直方图数据,采用MinMax归一化算法,进行数据处理,并进行数据标准化,生成归一化颜色数据;
S203:基于所述归一化颜色数据,采用K-均值聚类算法,进行颜色特征分类,并进行类别标签分配,生成颜色类别标签;
S204:基于所述颜色类别标签,采用中心矩算法,进行主要颜色特征提取,并进行特征数据集构建,生成颜色特征数据集;
所述直方图均衡化算法具体指调整图像的对比度,使其在整个可见区域内均匀分布,所述MinMax归一化算法具体指将数据缩放到[0,1]或[-1,1]范围内,所述K-均值聚类算法具体为通过最小化每个点到其分配中心的距离来对数据进行划分,所述中心矩算法具体为计算颜色分布的几何中心,用于描述颜色分布的形状。
作为本发明的进一步方案,基于所述颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型的步骤具体为:
S301:基于所述颜色特征数据集,采用主成分分析算法,进行维度降低,并进行特征向量化,生成颜色特征向量;
S302:基于所述颜色特征向量,采用高斯核函数,进行非线性映射,并进行高维特征转化,生成高维特征数据;
S303:基于所述高维特征数据,采用支持向量机算法,进行模式识别,并进行质量分类学习,生成初步质量分类模型;
S304:基于所述初步质量分类模型,采用网格搜索与交叉验证,进行参数优化,并进行模型调整,生成颜色质量关联模型;
所述高斯核函数具体指在支持向量机中,将输入向量映射到高维特征空间的计算相似度的函数,所述支持向量机算法包括选择惩罚参数和核函数参数构造最优化问题,并通过解决所述最优化问题得到分类决策函数。
作为本发明的进一步方案,基于所述图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据的步骤具体为:
S401:基于所述图像数据,采用Canny边缘检测算法,进行特征提取,并进行边缘增强,生成边缘增强图像;
S402:基于所述边缘增强图像,采用图像膨胀与腐蚀算法,进行形态学处理,并进行颗粒分割,生成分割后的盐粒子图像;
S403:基于所述分割后的盐粒子图像,采用深度学习卷积神经网络模型,进行特征学习,并进行形状大小识别,生成粒子形状和大小数据;
S404:基于所述粒子形状和大小数据,采用几何度量算法,进行数值计算,并进行几何特性分析,生成颗粒几何特征数据;
所述Canny边缘检测算法具体为多级别阈值的边缘检测器,通过找到图像中亮度变化最强的点确定边缘,所述图像膨胀与腐蚀算法具体为使用结构元素来调整图像中对象边界的形态学操作,所述几何度量算法具体包括计算每个颗粒的面积、周长、形状比。
作为本发明的进一步方案,基于所述图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告的步骤具体为:
S501:基于所述X光荧光图像数据,采用长短时记忆网络算法,进行时序特征抽取,并进行特征序列化处理,生成特征序列数据;
S502:基于所述特征序列数据,采用多元线性回归方法,进行元素含量的回归分析,并生成元素含量关系模型;
S503:基于所述元素含量关系模型,应用阈值判定法,识别超标的有害元素,并生成有害元素检测结果;
S504:基于所述有害元素检测结果,利用数据报告生成算法,整理分析数据,生成微量元素分析报告;
所述多元线性回归分析具体为统计学中预测连续变量之间关系的方法,所述阈值判定法具体指根据预定义的安全含量标准,对元素含量进行分类,用于判断是否超过安全阈值,所述数据报告生成算法包括数据整合、格式化输出及可视化处理。
作为本发明的进一步方案,基于所述微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息的步骤具体为:
S601:基于所述微量元素分析报告及颜色质量关联模型,采用异常检测卷积神经网络,学习异常特征,并生成异常特征数据;
S602:基于所述异常特征数据,采用生成对抗网络,生成增强的异常特征样本;
S603:基于所述增强的异常特征样本,运用图像标记算法,对异常图像进行自动标记,生成标记的异常图像;
S604:基于所述标记的异常图像,应用预警信息生成机制,融合历史与实时数据,生成质量控制预警信息;
所述生成对抗网络包括一组生成网络及一组判别网络,所述生成网络用于产生数据,所述判别网络用于评估数据,所述图像标记算法具体为自动识别图像中异常区域,并给予标记,所述预警信息生成机制具体包括预警规则设定、数据监测、信息提取及预警信号输出。
一种基于机器视觉的工业盐质检管控系统,所述基于机器视觉的工业盐质检管控系统用于执行上述基于机器视觉的工业盐质检管控方法,所述系统包括图像采集模块、色彩分析模块、色彩特征提取模块、颗粒特征分析模块、元素含量分析模块、异常特征识别模块、预警信息生成模块。
作为本发明的进一步方案,所述图像采集模块基于相机系统,采用Bayer插值算法,图像捕获过程被转化为对相邻像素实施插值计算,解码图像,生成原始图像数据;
所述色彩分析模块利用原始图像数据,采用白平衡调整算法恢复图像真实色彩,再利用CIELAB色彩空间转换算法将RGB色彩空间转换到CIELAB色彩空间,进行色彩增强,生成色彩空间增强图像;
所述色彩特征提取模块基于色彩空间增强图像,采用景物导向的双边滤波算法,提高颜色分辨率,通过直方图均衡化算法提取出色彩特性,并利用面向数据的归一化方法实施处理,生成颜色直方图数据;
所述颗粒特征分析模块基于颜色直方图数据,采用MinMax归一化算法将数据标准化至[0,1]区间,并用K-均值聚类算法对颜色特征进行分类,得到颜色类别标签;
所述元素含量分析模块基于颜色类别标签,运用中心矩算法提取主要颜色特征,经主成分分析算法降低数据维度并特征向量化,生成色彩特征向量;
所述异常特征识别模块将矩阵分解的变体高斯核函数应用于颜色特征向量,实现从低维空间到高维空间的非线性映射,运用支持向量机算法进行模式识别,生成初步质量分类模型;
所述预警信息生成模块利用初步质量分类模型,通过网格搜索与交叉验证,实现参数优化并对原始模型进行调整,生成颜色质量关联模型。
作为本发明的进一步方案,所述图像采集模块包括图像捕获子模块、图像解码子模块、图像预处理子模块;
所述色彩分析模块包括白平衡子模块、色彩校正子模块、色彩增强子模块;
所述色彩特征提取模块包括滤波增强子模块、第一特征提取子模块、数据归一化子模块;
所述颗粒特征分析模块包括数据处理子模块、颜色分类子模块、第二特征提取子模块;
所述元素含量分析模块包括第三特征提取子模块、维度降低子模块、向量化子模块;
所述异常特征识别模块包括特征映射子模块、模式识别子模块、模型优化子模块;
所述预警信息生成模块包括参数优化子模块、模型调整子模块、预警生成子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过采用光谱校准和色彩空间转换技术显著增强图像的颜色分辨率,为质量检测提供更为准确的色彩信息。利用K-均值聚类算法对颜色进行细致分析,为盐的质量等级分类奠定了坚实基础。引入边缘检测和卷积神经网络对盐的颗粒形状和大小进行自动识别,提高精度并大大节省了人工检测的时间和成本。通过长短时记忆网络对X光荧光图像进行特征分析,使得对有害微量元素的识别更为准确,确保了盐的食用安全性。采用异常检测卷积神经网络和生成对抗网络进行异常特征学习,为工业生产提供及时的预警,增强质量控制的实时性和准确性。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图;
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例:请参阅图1,本发明提供一种技术方案:一种基于机器视觉的工业盐质检管控方法,包括以下步骤:
S1:基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像;
S2:基于颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集;
S3:基于颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型;
S4:基于图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据;
S5:基于图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告;
S6:基于微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息;
颜色特征数据集包括多组颜色簇的中心值、分布范围和频率,颜色质量关联模型具体指通过训练得到的可以区分多级别质量盐的分类器,颗粒几何特征数据包括颗粒的边缘坐标、形状描述符和尺寸参数,微量元素分析报告具体为多组微量元素的荧光强度值和含量估计,质量控制预警信息具体指标记出的异常图像数据和预警等级。
首先,该方法通过自动化的机器视觉技术,能够快速、准确地捕获和处理图像数据,大大提高了质检的效率,节省了大量的人力资源。其次,机器视觉技术可以对图像进行精确的分析和处理,避免了人为因素对质检结果的影响,提高了质检的精度。此外,该方法还可以实现对工业盐生产过程的实时监控,及时发现和处理质量问题。同时,该方法不仅可以分析盐的颜色、颗粒形状和大小等外观特征,还可以分析X光荧光图像,识别有害元素含量,提供了全面的质量信息。通过异常检测卷积神经网络和生成对抗网络,可以学习异常特征,标记和预警异常图像,实现了质量的智能预警。此外,该方法还可以降低生产成本,提升产品质量,保障产品质量安全。总的来说,基于机器视觉的工业盐质检管控方法具有显著的经济效益和社会效益。
请参阅图2,基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像的步骤具体为:
S101:基于相机系统,采用Bayer插值算法,进行图像的捕获,并进行图像解码,生成原始图像数据;
S102:基于原始图像数据,采用白平衡调整算法,进行色彩平衡,并进行光谱校正,生成色彩校正图像;
S103:基于色彩校正图像,采用CIELAB色彩空间转换算法,进行色彩表示转换,并进行色彩增强,生成色彩空间增强图像;
S104:基于色彩空间增强图像,采用双边滤波算法,进行颜色分辨率增强,并进行质量控制,生成颜色谱预处理图像;
相机系统具体为采用大于2000万像素的CCD或CMOS传感器,Bayer插值算法具体指对Bayer模式下的图像进行颜色重建,白平衡调整算法包括灰度世界法、完美反射法和基于统计的方法,CIELAB色彩空间转换算法具体指将RGB色彩空间转换为CIELAB色彩空间,双边滤波算法具体为参照空间和像素值的滤波方法。
首先,使用大于2000万像素的CCD或CMOS传感器作为相机系统,通过Bayer插值算法对图像进行捕获。该算法可以对Bayer模式下的图像进行颜色重建,生成原始图像数据。
接下来,根据原始图像数据,采用白平衡调整算法进行色彩平衡和光谱校正。白平衡调整算法包括灰度世界法、完美反射法和基于统计的方法等。通过这些算法,可以消除图像中的色偏,使图像的色彩更加真实和准确。
然后,将色彩校正后的图像转换为CIELAB色彩空间。CIELAB色彩空间转换算法可以将RGB色彩空间转换为CIELAB色彩空间,使得颜色表示更加一致和可比较。同时,还可以进行色彩增强操作,提升图像的对比度和饱和度。
最后,在色彩空间增强图像的基础上,采用双边滤波算法进行颜色分辨率增强和质量控制。双边滤波算法是一种参照空间和像素值的滤波方法,可以有效地去除噪声并保留边缘信息,从而得到高质量的颜色谱预处理图像。
请参阅图3,基于颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集的步骤具体为:
S201:基于颜色谱预处理图像,采用直方图均衡化算法,进行颜色特征提取,并进行数据归一化,生成颜色直方图数据;
S202:基于颜色直方图数据,采用MinMax归一化算法,进行数据处理,并进行数据标准化,生成归一化颜色数据;
S203:基于归一化颜色数据,采用K-均值聚类算法,进行颜色特征分类,并进行类别标签分配,生成颜色类别标签;
S204:基于颜色类别标签,采用中心矩算法,进行主要颜色特征提取,并进行特征数据集构建,生成颜色特征数据集;
直方图均衡化算法具体指调整图像的对比度,使其在整个可见区域内均匀分布,MinMax归一化算法具体指将数据缩放到[0,1]或[-1,1]范围内,K-均值聚类算法具体为通过最小化每个点到其分配中心的距离来对数据进行划分,中心矩算法具体为计算颜色分布的几何中心,用于描述颜色分布的形状。
首先,使用直方图均衡化算法对颜色谱预处理图像进行颜色特征提取。该算法可以调整图像的对比度,使其在整个可见区域内均匀分布。然后,对提取到的颜色特征数据进行归一化处理,生成颜色直方图数据。
接下来,采用MinMax归一化算法对颜色直方图数据进行处理,将数据缩放到[0,1]或[-1,1]范围内。这样可以消除数据的量纲影响,使得不同特征具有相同的尺度。
然后,使用K-均值聚类算法对归一化颜色数据进行颜色特征分类。K-均值聚类算法通过最小化每个点到其分配中心的距离来对数据进行划分,将相似的颜色样本聚集在一起形成不同的类别。同时,为每个类别分配一个类别标签,用于后续的特征数据集构建。
最后,根据颜色类别标签,采用中心矩算法进行主要颜色特征提取。中心矩算法计算颜色分布的几何中心,用于描述颜色分布的形状。通过提取主要颜色特征,可以构建一个包含各种颜色特征的颜色特征数据集。
请参阅图4,基于颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型的步骤具体为:
S301:基于颜色特征数据集,采用主成分分析算法,进行维度降低,并进行特征向量化,生成颜色特征向量;
S302:基于颜色特征向量,采用高斯核函数,进行非线性映射,并进行高维特征转化,生成高维特征数据;
S303:基于高维特征数据,采用支持向量机算法,进行模式识别,并进行质量分类学习,生成初步质量分类模型;
S304:基于初步质量分类模型,采用网格搜索与交叉验证,进行参数优化,并进行模型调整,生成颜色质量关联模型;
高斯核函数具体指在支持向量机中,将输入向量映射到高维特征空间的计算相似度的函数,支持向量机算法包括选择惩罚参数和核函数参数构造最优化问题,并通过解决最优化问题得到分类决策函数。
首先,使用主成分分析算法对颜色特征数据集进行维度降低,并进行特征向量化,生成颜色特征向量。主成分分析算法可以将原始的高维数据转化为低维的数据表示,同时保留最重要的信息。
接下来,采用高斯核函数对颜色特征向量进行非线性映射,并进行高维特征转化,生成高维特征数据。高斯核函数在支持向量机中用于计算输入向量之间的相似度,将输入向量映射到高维特征空间。这样可以更好地捕捉数据中的非线性关系。
然后,使用支持向量机算法对高维特征数据进行模式识别,并进行质量分类学习,生成初步质量分类模型。支持向量机算法通过选择惩罚参数和核函数参数构造最优化问题,并通过解决最优化问题得到分类决策函数。该算法可以有效地处理非线性问题,并具有较高的泛化能力。
最后,基于初步质量分类模型,采用网格搜索与交叉验证进行参数优化,并进行模型调整,生成颜色质量关联模型。网格搜索与交叉验证可以帮助确定最佳的参数组合,提高模型的准确性和稳定性。
请参阅图5,基于图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据的步骤具体为:
S401:基于图像数据,采用Canny边缘检测算法,进行特征提取,并进行边缘增强,生成边缘增强图像;
S402:基于边缘增强图像,采用图像膨胀与腐蚀算法,进行形态学处理,并进行颗粒分割,生成分割后的盐粒子图像;
S403:基于分割后的盐粒子图像,采用深度学习卷积神经网络模型,进行特征学习,并进行形状大小识别,生成粒子形状和大小数据;
S404:基于粒子形状和大小数据,采用几何度量算法,进行数值计算,并进行几何特性分析,生成颗粒几何特征数据;
Canny边缘检测算法具体为多级别阈值的边缘检测器,通过找到图像中亮度变化最强的点确定边缘,图像膨胀与腐蚀算法具体为使用结构元素来调整图像中对象边界的形态学操作,几何度量算法具体包括计算每个颗粒的面积、周长、形状比。
S401中,使用Canny边缘检测算法来检测图像中的边缘。该算法首先使用高斯滤波来平滑图像,然后计算图像中的梯度,找到梯度变化最大的位置作为边缘。可以使用以下Python代码来进行Canny边缘检测,使用OpenCV库:
import cv2
# 读取图像
image = cv2.imread("your_image.jpg", cv2.IMREAD_GRAYSCALE)
# 高斯平滑
blurred = cv2.GaussianBlur(image, (5, 5), 0)
# Canny边缘检测
edges = cv2.Canny(blurred, threshold1, threshold2)
边缘检测之后,得到一幅边缘增强图像。
S402中,使用图像膨胀和腐蚀操作进行形态学处理,以增强颗粒的边缘并去除噪声。之后,可以使用分水岭分割等方法来将颗粒分割成单独的区域,生成分割后的盐粒子图像。
import cv2
import numpy as np
# 读取分割后的图像
segmented_image = cv2.imread("segmented_image.jpg", cv2.IMREAD_GRAYSCALE)
# 定义结构元素
kernel = np.ones((5, 5), np.uint8)
# 膨胀操作
dilated_image = cv2.dilate(segmented_image, kernel, iterations=1)
# 腐蚀操作
eroded_image = cv2.erode(dilated_image, kernel, iterations=1)
S403中,使用深度学习卷积神经网络模型对分割后的图像进行特征学习,以识别颗粒的形状和大小。训练一个CNN模型,例如使用TensorFlow或PyTorch库,来学习颗粒的特征和形状。
import tensorflow as tf
# 创建和编译CNN模型
model = tf.keras.Sequential([
# 添加卷积层和池化层
# ...
# 添加全连接层
# ...
])
# 训练模型
model.fit(training_data, training_labels, epochs=10)
S404中,基于CNN的输出结果,可以计算每个颗粒的面积、周长、形状比等几何特性。这些特性可以通过图像处理和数学计算来获得。
import cv2
# 计算颗粒的轮廓
contours, _ = cv2.findContours(segmented_image, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
# 计算颗粒的面积
area = cv2.contourArea(contour)
# 计算颗粒的周长
perimeter = cv2.arcLength(contour, closed=True)
# 计算颗粒的形状比
x, y, w, h = cv2.boundingRect(contour)
aspect_ratio = float(w) / h
首先,使用Canny边缘检测算法对图像数据进行特征提取,并进行边缘增强。Canny边缘检测算法是一种多级别阈值的边缘检测器,通过找到图像中亮度变化最强的点来确定边缘。这样可以有效地提取出盐粒子的边缘信息。
接下来,采用图像膨胀与腐蚀算法对边缘增强图像进行形态学处理,并进行颗粒分割。图像膨胀与腐蚀算法使用结构元素来调整图像中对象边界的形态学操作。通过膨胀和腐蚀操作,可以将盐粒子从背景中分离出来,生成分割后的盐粒子图像。
然后,使用深度学习卷积神经网络模型对分割后的盐粒子图像进行特征学习,并进行形状大小识别。卷积神经网络可以通过多层卷积层和池化层来提取图像中的高级特征,并通过全连接层进行分类。通过训练一个预训练的卷积神经网络模型,可以实现对盐粒子的形状和大小的自动识别。
最后,根据粒子形状和大小数据,采用几何度量算法进行数值计算,并进行几何特性分析,生成颗粒几何特征数据。几何度量算法可以计算每个颗粒的面积、周长、形状比等几何特性。这些几何特征可以用于描述颗粒的形状和大小,为后续的分析和应用提供基础。
请参阅图6,基于图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告的步骤具体为:
S501:基于X光荧光图像数据,采用长短时记忆网络算法,进行时序特征抽取,并进行特征序列化处理,生成特征序列数据;
S502:基于特征序列数据,采用多元线性回归方法,进行元素含量的回归分析,并生成元素含量关系模型;
S503:基于元素含量关系模型,应用阈值判定法,识别超标的有害元素,并生成有害元素检测结果;
S504:基于有害元素检测结果,利用数据报告生成算法,整理分析数据,生成微量元素分析报告;
多元线性回归分析具体为统计学中预测连续变量之间关系的方法,阈值判定法具体指根据预定义的安全含量标准,对元素含量进行分类,用于判断是否超过安全阈值,数据报告生成算法包括数据整合、格式化输出及可视化处理。
首先,使用长短时记忆网络算法对X光荧光图像数据进行时序特征抽取,并进行特征序列化处理,生成特征序列数据。长短时记忆网络算法可以捕捉到时序信息,并提取出具有时间相关性的特征。这样可以有效地描述X光荧光图像中的元素分布情况。
接下来,采用多元线性回归方法对特征序列数据进行元素含量的回归分析,并生成元素含量关系模型。多元线性回归是一种统计学方法,用于预测连续变量之间的关系。通过建立元素含量与特征序列数据的线性模型,可以实现对有害元素含量的定量分析。
然后,基于元素含量关系模型,应用阈值判定法识别超标的有害元素,并生成有害元素检测结果。阈值判定法根据预定义的安全含量标准,对元素含量进行分类,用于判断是否超过安全阈值。通过将实际测量结果与安全阈值进行比较,可以确定哪些元素的含量超过了安全范围。
最后,利用数据报告生成算法整理分析数据,生成微量元素分析报告。数据报告生成算法包括数据整合、格式化输出及可视化处理。通过将有害元素检测结果和其他相关信息整合起来,生成一份详细的微量元素分析报告。这样可以为后续的质量控制和决策提供有力的支持。
请参阅图7,基于微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息的步骤具体为:
S601:基于微量元素分析报告及颜色质量关联模型,采用异常检测卷积神经网络,学习异常特征,并生成异常特征数据;
S602:基于异常特征数据,采用生成对抗网络,生成增强的异常特征样本;
S603:基于增强的异常特征样本,运用图像标记算法,对异常图像进行自动标记,生成标记的异常图像;
S604:基于标记的异常图像,应用预警信息生成机制,融合历史与实时数据,生成质量控制预警信息;
生成对抗网络包括一组生成网络及一组判别网络,生成网络用于产生数据,判别网络用于评估数据,图像标记算法具体为自动识别图像中异常区域,并给予标记,预警信息生成机制具体包括预警规则设定、数据监测、信息提取及预警信号输出。
首先,根据微量元素分析报告和颜色质量关联模型,使用异常检测卷积神经网络学习异常特征,并生成异常特征数据。异常检测卷积神经网络可以通过训练来识别与正常情况有显著差异的特征,从而提取出异常特征。
接下来,采用生成对抗网络对异常特征数据进行增强,生成增强的异常特征样本。生成对抗网络由一组生成网络和一组判别网络组成,生成网络用于产生数据,判别网络用于评估数据的真实性。通过生成对抗网络的训练过程,可以生成更具有代表性和区分度的异常特征样本。
然后,利用图像标记算法对异常图像进行自动标记,生成标记的异常图像。图像标记算法可以自动识别图像中的异常区域,并给予相应的标记。这样可以将异常图像与正常图像区分开来,为后续的分析和应用提供基础。
最后,应用预警信息生成机制,融合历史与实时数据,生成质量控制预警信息。预警信息生成机制包括预警规则设定、数据监测、信息提取及预警信号输出等步骤。通过将历史数据与实时数据进行综合分析,并根据预设的预警规则进行判断,可以生成准确的质量控制预警信息。
请参阅图8,一种基于机器视觉的工业盐质检管控系统,基于机器视觉的工业盐质检管控系统用于执行上述基于机器视觉的工业盐质检管控方法,系统包括图像采集模块、色彩分析模块、色彩特征提取模块、颗粒特征分析模块、元素含量分析模块、异常特征识别模块、预警信息生成模块。
图像采集模块基于相机系统,采用Bayer插值算法,图像捕获过程被转化为对相邻像素实施插值计算,解码图像,生成原始图像数据;
色彩分析模块利用原始图像数据,采用白平衡调整算法恢复图像真实色彩,再利用CIELAB色彩空间转换算法将RGB色彩空间转换到CIELAB色彩空间,进行色彩增强,生成色彩空间增强图像;
色彩特征提取模块基于色彩空间增强图像,采用景物导向的双边滤波算法,提高颜色分辨率,通过直方图均衡化算法提取出色彩特性,并利用面向数据的归一化方法实施处理,生成颜色直方图数据;
颗粒特征分析模块基于颜色直方图数据,采用MinMax归一化算法将数据标准化至[0,1]区间,并用K-均值聚类算法对颜色特征进行分类,得到颜色类别标签;
元素含量分析模块基于颜色类别标签,运用中心矩算法提取主要颜色特征,经主成分分析算法降低数据维度并特征向量化,生成色彩特征向量;
异常特征识别模块将矩阵分解的变体高斯核函数应用于颜色特征向量,实现从低维空间到高维空间的非线性映射,运用支持向量机算法进行模式识别,生成初步质量分类模型;
预警信息生成模块利用初步质量分类模型,通过网格搜索与交叉验证,实现参数优化并对原始模型进行调整,生成颜色质量关联模型。
首先,通过图像采集模块和色彩分析模块,系统能够快速捕获、解码和处理原始图像数据,实现对工业盐的快速质检。其次,系统采用先进的算法和技术,实现了质检过程的自动化,减少了人为误差和工作量。此外,通过颗粒特征分析和元素含量分析模块,系统能够提取出工业盐的颜色特征和成分信息,并进行准确的质量分类。同时,系统具备实时监测和预警功能,能够根据质检结果生成预警信息,提醒相关人员进行处理,避免质量问题的扩大化。最后,系统能够记录和管理质检过程中产生的数据和信息,实现质检过程的可追溯性,方便后续的数据分析和质量管理。综上,基于机器视觉的工业盐质检管控系统通过提高质检效率、自动化质检过程、高精度的质量分类、实时监测和预警功能以及可追溯性和数据管理等有益效果,为工业盐的生产和管理提供了有力的支持。
请参阅图9,图像采集模块包括图像捕获子模块、图像解码子模块、图像预处理子模块;
色彩分析模块包括白平衡子模块、色彩校正子模块、色彩增强子模块;
色彩特征提取模块包括滤波增强子模块、第一特征提取子模块、数据归一化子模块;
颗粒特征分析模块包括数据处理子模块、颜色分类子模块、第二特征提取子模块;
元素含量分析模块包括第三特征提取子模块、维度降低子模块、向量化子模块;
异常特征识别模块包括特征映射子模块、模式识别子模块、模型优化子模块;
预警信息生成模块包括参数优化子模块、模型调整子模块、预警生成子模块。
图像采集模块中,图像捕获子模块通过相机系统进行图像的实时捕获,图像解码子模块将捕获到的图像数据进行解码,生成原始图像数据,图像预处理子模块对原始图像数据进行预处理,如去噪、平滑等操作。
色彩分析模块中,白平衡子模块利用原始图像数据,采用白平衡调整算法恢复图像真实色彩,色彩校正子模块利用CIELAB色彩空间转换算法将RGB色彩空间转换到CIELAB色彩空间,进行色彩增强,生成色彩空间增强图像。
色彩特征提取模块中,滤波增强子模块基于色彩空间增强图像,采用景物导向的双边滤波算法,提高颜色分辨率,第一特征提取子模块通过直方图均衡化算法提取出色彩特性,数据归一化子模块利用面向数据的归一化方法实施处理,生成颜色直方图数据。
颗粒特征分析模块中,数据处理子模块基于颜色直方图数据,采用MinMax归一化算法将数据标准化至[0,1]区间,颜色分类子模块用K-均值聚类算法对颜色特征进行分类,得到颜色类别标签,第二特征提取子模块根据颜色类别标签提取主要颜色特征。
元素含量分析模块中,第三特征提取子模块运用中心矩算法提取主要颜色特征,维度降低子模块经主成分分析算法降低数据维度并特征向量化,生成色彩特征向量。
异常特征识别模块中,特征映射子模块将矩阵分解的变体高斯核函数应用于颜色特征向量,实现从低维空间到高维空间的非线性映射,模式识别子模块运用支持向量机算法进行模式识别,生成初步质量分类模型。
预警信息生成模块中,参数优化子模块利用初步质量分类模型,通过网格搜索与交叉验证,实现参数优化并对原始模型进行调整,模型调整子模块根据参数优化结果调整模型,预警生成子模块根据调整后的模型生成颜色质量关联模型。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于机器视觉的工业盐质检管控方法,其特征在于,包括以下步骤:
基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像;
基于所述颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集;
基于所述颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型;
基于所述图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据;
基于所述图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告;
基于所述微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息;
所述颜色特征数据集包括多组颜色簇的中心值、分布范围和频率,所述颜色质量关联模型具体指通过训练得到的可以区分多级别质量盐的分类器,所述颗粒几何特征数据包括颗粒的边缘坐标、形状描述符和尺寸参数,所述微量元素分析报告具体为多组微量元素的荧光强度值和含量估计,所述质量控制预警信息具体指标记出的异常图像数据和预警等级;
基于所述颜色特征数据集,采用支持向量机算法,进行质量关联颜色特征学习,并进行盐质量等级分类,生成颜色质量关联模型的步骤具体为:
基于所述颜色特征数据集,采用主成分分析算法,进行维度降低,并进行特征向量化,生成颜色特征向量;
基于所述颜色特征向量,采用高斯核函数,进行非线性映射,并进行高维特征转化,生成高维特征数据;
基于所述高维特征数据,采用支持向量机算法,进行模式识别,并进行质量分类学习,生成初步质量分类模型;
基于所述初步质量分类模型,采用网格搜索与交叉验证,进行参数优化,并进行模型调整,生成颜色质量关联模型;
所述高斯核函数具体指在支持向量机中,将输入向量映射到高维特征空间的计算相似度的函数,所述支持向量机算法包括选择惩罚参数和核函数参数构造最优化问题,并通过解决所述最优化问题得到分类决策函数。
2.根据权利要求1所述的基于机器视觉的工业盐质检管控方法,其特征在于,基于相机系统,采用光谱校准和色彩空间转换技术,进行图像的捕获和预处理,获取图像数据,并进行颜色分辨率增强,生成颜色谱预处理图像的步骤具体为:
基于相机系统,采用Bayer插值算法,进行图像的捕获,并进行图像解码,生成原始图像数据;
基于所述原始图像数据,采用白平衡调整算法,进行色彩平衡,并进行光谱校正,生成色彩校正图像;
基于所述色彩校正图像,采用CIELAB色彩空间转换算法,进行色彩表示转换,并进行色彩增强,生成色彩空间增强图像;
基于所述色彩空间增强图像,采用双边滤波算法,进行颜色分辨率增强,并进行质量控制,生成颜色谱预处理图像;
所述相机系统具体为采用大于2000万像素的CCD或CMOS传感器,所述Bayer插值算法具体指对Bayer模式下的图像进行颜色重建,所述白平衡调整算法包括灰度世界法、完美反射法和基于统计的方法,所述CIELAB色彩空间转换算法具体指将RGB色彩空间转换为CIELAB色彩空间,所述双边滤波算法具体为参照空间和像素值的滤波方法。
3.根据权利要求1所述的基于机器视觉的工业盐质检管控方法,其特征在于,基于所述颜色谱预处理图像,采用K-均值聚类算法,进行颜色分布分析,并进行主要颜色特征提取,生成颜色特征数据集的步骤具体为:
基于所述颜色谱预处理图像,采用直方图均衡化算法,进行颜色特征提取,并进行数据归一化,生成颜色直方图数据;
基于所述颜色直方图数据,采用MinMax归一化算法,进行数据处理,并进行数据标准化,生成归一化颜色数据;
基于所述归一化颜色数据,采用K-均值聚类算法,进行颜色特征分类,并进行类别标签分配,生成颜色类别标签;
基于所述颜色类别标签,采用中心矩算法,进行主要颜色特征提取,并进行特征数据集构建,生成颜色特征数据集;
所述直方图均衡化算法具体指调整图像的对比度,使其在整个可见区域内均匀分布,所述MinMax归一化算法具体指将数据缩放到[0,1]或[-1,1]范围内,所述K-均值聚类算法具体为通过最小化每个点到其分配中心的距离来对数据进行划分,所述中心矩算法具体为计算颜色分布的几何中心,用于描述颜色分布的形状。
4.根据权利要求1所述的基于机器视觉的工业盐质检管控方法,其特征在于,基于所述图像数据,采用边缘检测和卷积神经网络,进行颗粒形状和大小的自动识别,并进行颗粒几何度量,生成颗粒几何特征数据的步骤具体为:
基于所述图像数据,采用Canny边缘检测算法,进行特征提取,并进行边缘增强,生成边缘增强图像;
基于所述边缘增强图像,采用图像膨胀与腐蚀算法,进行形态学处理,并进行颗粒分割,生成分割后的盐粒子图像;
基于所述分割后的盐粒子图像,采用深度学习卷积神经网络模型,进行特征学习,并进行形状大小识别,生成粒子形状和大小数据;
基于所述粒子形状和大小数据,采用几何度量算法,进行数值计算,并进行几何特性分析,生成颗粒几何特征数据;
所述Canny边缘检测算法具体为多级别阈值的边缘检测器,通过找到图像中亮度变化最强的点确定边缘,所述图像膨胀与腐蚀算法具体为使用结构元素来调整图像中对象边界的形态学操作,所述几何度量算法具体包括计算每个颗粒的面积、周长、形状比。
5.根据权利要求1所述的基于机器视觉的工业盐质检管控方法,其特征在于,基于所述图像数据,采用长短时记忆网络,进行X光荧光图像的特征分析,并进行有害元素含量的识别,生成微量元素分析报告的步骤具体为:
基于所述X光荧光图像数据,采用长短时记忆网络算法,进行时序特征抽取,并进行特征序列化处理,生成特征序列数据;
基于所述特征序列数据,采用多元线性回归方法,进行元素含量的回归分析,并生成元素含量关系模型;
基于所述元素含量关系模型,应用阈值判定法,识别超标的有害元素,并生成有害元素检测结果;
基于所述有害元素检测结果,利用数据报告生成算法,整理分析数据,生成微量元素分析报告;
所述多元线性回归分析具体为统计学中预测连续变量之间关系的方法,所述阈值判定法具体指根据预定义的安全含量标准,对元素含量进行分类,用于判断是否超过安全阈值,所述数据报告生成算法包括数据整合、格式化输出及可视化处理。
6.根据权利要求1所述的基于机器视觉的工业盐质检管控方法,其特征在于,基于所述微量元素分析报告和颜色质量关联模型,采用异常检测卷积神经网络和生成对抗网络,进行异常特征学习,并进行异常图像的标记与预警,生成质量控制预警信息的步骤具体为:
基于所述微量元素分析报告及颜色质量关联模型,采用异常检测卷积神经网络,学习异常特征,并生成异常特征数据;
基于所述异常特征数据,采用生成对抗网络,生成增强的异常特征样本;
基于所述增强的异常特征样本,运用图像标记算法,对异常图像进行自动标记,生成标记的异常图像;
基于所述标记的异常图像,应用预警信息生成机制,融合历史与实时数据,生成质量控制预警信息;
所述生成对抗网络包括一组生成网络及一组判别网络,所述生成网络用于产生数据,所述判别网络用于评估数据,所述图像标记算法具体为自动识别图像中异常区域,并给予标记,所述预警信息生成机制具体包括预警规则设定、数据监测、信息提取及预警信号输出。
7.一种基于机器视觉的工业盐质检管控系统,其特征在于,根据权利要求1-6任一项所述的基于机器视觉的工业盐质检管控方法,所述系统包括图像采集模块、色彩分析模块、色彩特征提取模块、颗粒特征分析模块、元素含量分析模块、异常特征识别模块、预警信息生成模块;
所述图像采集模块基于相机系统,采用Bayer插值算法,图像捕获过程被转化为对相邻像素实施插值计算,解码图像,生成原始图像数据;
所述色彩分析模块利用原始图像数据,采用白平衡调整算法恢复图像真实色彩,再利用CIELAB色彩空间转换算法将RGB色彩空间转换到CIELAB色彩空间,进行色彩增强,生成色彩空间增强图像;
所述色彩特征提取模块基于色彩空间增强图像,采用景物导向的双边滤波算法,提高颜色分辨率,通过直方图均衡化算法提取出色彩特性,并利用面向数据的归一化方法实施处理,生成颜色直方图数据;
所述颗粒特征分析模块基于颜色直方图数据,采用MinMax归一化算法将数据标准化至[0,1]区间,并用K-均值聚类算法对颜色特征进行分类,得到颜色类别标签;
所述元素含量分析模块基于颜色类别标签,运用中心矩算法提取主要颜色特征,经主成分分析算法降低数据维度并特征向量化,生成色彩特征向量;
所述异常特征识别模块将矩阵分解的变体高斯核函数应用于颜色特征向量,实现从低维空间到高维空间的非线性映射,运用支持向量机算法进行模式识别,生成初步质量分类模型;
所述预警信息生成模块利用初步质量分类模型,通过网格搜索与交叉验证,实现参数优化并对原始模型进行调整,生成颜色质量关联模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532146.6A CN117253024B (zh) | 2023-11-17 | 2023-11-17 | 一种基于机器视觉的工业盐质检管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532146.6A CN117253024B (zh) | 2023-11-17 | 2023-11-17 | 一种基于机器视觉的工业盐质检管控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253024A CN117253024A (zh) | 2023-12-19 |
CN117253024B true CN117253024B (zh) | 2024-02-06 |
Family
ID=89137241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311532146.6A Active CN117253024B (zh) | 2023-11-17 | 2023-11-17 | 一种基于机器视觉的工业盐质检管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253024B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475240A (zh) * | 2023-12-26 | 2024-01-30 | 创思(广州)电子科技有限公司 | 基于图像识别的蔬菜核对方法及系统 |
CN117974658B (zh) * | 2024-03-29 | 2024-06-11 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
CN117970858B (zh) * | 2024-04-02 | 2024-06-11 | 山西久远爱思普软件股份有限公司 | 基于物联网的医疗设备监控方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101275954A (zh) * | 2008-05-09 | 2008-10-01 | 丁克祥 | 一种简便快速测定人类i型胸苷激酶基因蛋白的乳癌预警芯片 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN212091737U (zh) * | 2020-03-19 | 2020-12-08 | 青岛金海晟环保设备有限公司 | 一种带蒸汽伴热的液氨制备氨水装置 |
CN112651948A (zh) * | 2020-12-30 | 2021-04-13 | 重庆科技学院 | 一种基于机器视觉的青蒿素萃取智能跟踪与识别方法 |
CN113822869A (zh) * | 2021-09-27 | 2021-12-21 | 望知科技(深圳)有限公司 | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 |
CN115690382A (zh) * | 2022-12-27 | 2023-02-03 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、生成全景图的方法和装置 |
CN116630748A (zh) * | 2023-06-15 | 2023-08-22 | 江西理工大学 | 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
-
2023
- 2023-11-17 CN CN202311532146.6A patent/CN117253024B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101275954A (zh) * | 2008-05-09 | 2008-10-01 | 丁克祥 | 一种简便快速测定人类i型胸苷激酶基因蛋白的乳癌预警芯片 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN212091737U (zh) * | 2020-03-19 | 2020-12-08 | 青岛金海晟环保设备有限公司 | 一种带蒸汽伴热的液氨制备氨水装置 |
CN112651948A (zh) * | 2020-12-30 | 2021-04-13 | 重庆科技学院 | 一种基于机器视觉的青蒿素萃取智能跟踪与识别方法 |
CN113822869A (zh) * | 2021-09-27 | 2021-12-21 | 望知科技(深圳)有限公司 | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 |
CN115690382A (zh) * | 2022-12-27 | 2023-02-03 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、生成全景图的方法和装置 |
CN116630748A (zh) * | 2023-06-15 | 2023-08-22 | 江西理工大学 | 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Non-Patent Citations (5)
Title |
---|
Generative Adversarial Networks for spot weld design;Gerlach, T.等;2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA );全文 * |
Machine Learning Based Early Detection of Age-Related Macular Degeneration: Early Warning System;Deepthi K Prasad等;2018 Fourteenth International Conference on Information Processing (ICINPRO);全文 * |
基于支持向量机的水稻纹枯病识别研究;刘婷婷;;安徽农业科学;第39卷(第28期);全文 * |
结合对抗网络与条件均值的多源适应分类方法;夏青等;计算机工程与设计;第43卷(第3期);全文 * |
证据加权融合的多尺度形态学细胞边缘检测;邹刚等;计算机工程与应用;第46卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117253024A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
Masood et al. | Plants disease segmentation using image processing | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
Saidane et al. | Robust binarization for video text recognition | |
Gao et al. | Detection of wheat unsound kernels based on improved ResNet | |
Li et al. | DDR-Unet: A High Accuracy and Efficient Ore Image Segmentation Method | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
Wang et al. | Color edge detection using the normalization anisotropic Gaussian kernel and multichannel fusion | |
CN113344936A (zh) | 一种基于深度学习的土壤线虫图像分割与宽度测量方法 | |
CN117475240A (zh) | 基于图像识别的蔬菜核对方法及系统 | |
Li et al. | Surface feature detection and identification based on image processing for communication backplane |
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 |