CN108182674B - 基于U-Net深度学习网络的粒度检测分析方法 - Google Patents

基于U-Net深度学习网络的粒度检测分析方法 Download PDF

Info

Publication number
CN108182674B
CN108182674B CN201711338870.XA CN201711338870A CN108182674B CN 108182674 B CN108182674 B CN 108182674B CN 201711338870 A CN201711338870 A CN 201711338870A CN 108182674 B CN108182674 B CN 108182674B
Authority
CN
China
Prior art keywords
image
deep learning
learning network
granularity
standardized
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
Application number
CN201711338870.XA
Other languages
English (en)
Other versions
CN108182674A (zh
Inventor
郭杰
李端发
万力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Gstar Intelligent Control Technical Co Ltd
Original Assignee
Hefei Gold Star Mechatronics Technical Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Gold Star Mechatronics Technical Development Co ltd filed Critical Hefei Gold Star Mechatronics Technical Development Co ltd
Priority to CN201711338870.XA priority Critical patent/CN108182674B/zh
Publication of CN108182674A publication Critical patent/CN108182674A/zh
Application granted granted Critical
Publication of CN108182674B publication Critical patent/CN108182674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20036—Morphological image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于U‑Net深度学习网络的粒度检测分析方法，包括如下步骤：A、收集待检测物的大量粒块图像；B、对粒块图像进行预处理，得到标准化图像；C、对标准化图像进行人工标定，绘制出粒块的边缘得到人工标定图像，将人工标定图像作为标签图像；D、搭建基于U‑Net的深度学习网络，将步骤B中的标准化图像作为输入图像、步骤C中的标签图像作为输出图像载入至深度学习网络，开始训练，得到训练好的粒度模型。进行训练得出待检测物的粒块的粒度模型，之后针对待检测物进行粒度分析时，只需将拍摄处理好的标准化图像输入至粒度模型中，便可快速的对粒块或粉体完成粒度分布分析。

Description

基于U-Net深度学习网络的粒度检测分析方法
技术领域
本发明属于视觉检测领域，特别涉及一种基于U-Net深度学习网络的粒度检测分析方法。
背景技术
粒度检测是通过特定的仪器和方法对粒块粒度特性进行表征的一项实验工作。粒块在日常生活和工农业生产中的应用非常广泛，如面粉、水泥、塑料、造纸、橡胶、陶瓷、药品等。在不同领域，对粒块特性有不同的要求，在所有反映粒块特性的指标中，粒块的大小是通过粒度放映的，所以粒度分布是所有应用领域中最受关注的一项指标。粒度分布对粒块的使用效果有重要的影响，如粒度分布是煤块、水泥品位分类中的重要一环，所以客观真实地反映粒块或粉体的粒度分布是一项非常重要的工作。基于视觉的粒块粒度检测是一种新兴的技术，它利用相机拍摄粒块图像，通过图像处理可以快速分析得到粒度分布，具有非接触式、远距离测量、智能分析的特点。但是现有技术中使用传统数字图像方法，需要综合多种图像处理算法，如图像均衡化、Sobel边缘检测、阈值分割、距离变换、形态学校正等，其流程复杂，有大量参数需要调整，而且在实际图像分析过程中，重叠粒块的边缘检测和分割是需首要解决的难题。
发明内容
本发明的目的在于提供一种基于U-Net深度学习网络的粒度检测分析方法，得出待检测物的粒度模型，快速的对粒块完成粒度分布分析。
为了实现上述目的，本发明采取以下技术方案：一种基于U-Net深度学习网络的粒度检测分析方法，包括如下步骤：A、收集待检测物的大量粒块图像；B、对粒块图像进行预处理，得到标准化图像；C、对标准化图像进行人工标定，绘制出粒块的边缘得到人工标定图像，将人工标定图像作为标签图像；D、搭建基于U-Net的深度学习网络，将步骤B中的标准化图像作为输入图像、步骤C中的标签图像作为输出图像载入至深度学习网络，开始训练，得到训练好的粒度模型。
上述技术方案中，对待检测物的大量粒块图像进行预处理得到标准化图像，先采用人工根据标准化图像进行绘制粒块边缘，得到标签图像，然后将标准化图像、标签图像分别作为输入、输出图像载入至基于U-Net的深度学习网络中，进行训练得出待检测物的粒块的粒度模型，之后针对待检测物进行粒度分析时，只需将拍摄处理好的标准化图像输入至粒度模型中，便可快速的对粒块或粉体完成粒度分布分析。
附图说明
图1为本发明流程图。
具体实施方式
结合附图1对本发明做出进一步的说明：
一种基于U-Net深度学习网络的粒度检测分析方法，包括如下步骤：A、收集待检测物的大量粒块图像；B、对粒块图像进行预处理，得到标准化图像；C、对标准化图像进行人工标定，绘制出粒块的边缘得到人工标定图像，将人工标定图像作为标签图像；D、搭建基于U-Net的深度学习网络，将步骤B中的标准化图像作为输入图像、步骤C中的标签图像作为输出图像载入至深度学习网络，开始训练，得到训练好的粒度模型。对待检测物的大量粒块图像进行预处理得到标准化图像，先采用人工根据标准化图像进行绘制粒块边缘，得到标签图像，然后将标准化图像、标签图像分别作为输入、输出图像载入至基于U-Net的深度学习网络中，进行训练得出待检测物的粒块的粒度模型，之后针对待检测物进行粒度分析时，只需将拍摄处理好的标准化图像输入至粒度模型中，便可快速的对粒块或粉体完成粒度分布分析。
所述的步骤D后还包括如下步骤：E、重新拍摄得到新的粒块图像，并进行预处理得到标准化图像，将标准化图像输入至步骤D中的粒度模型进行粒块边缘检测；F、将步骤E中的粒度边缘检测结果输出进行图像处理，使用形态学运算增强图像边缘，使用分水岭算法分割出粒块区域；G、对步骤E中分割好的粒块区域进行二值图像统计，得到粒块半径、面积、数量等统计参数，最后绘制粒块的粒度分布直方图曲线。得出步骤D中的粒度模型后，在实际应用中只需将重新拍摄得到的待检测物标准化图像输入粒度模型，即可快速的进行粒块边缘检测，并且对结果进行图像处理分割出粒块区域，统计粒块半径、面积、数量等参数，得出直观的粒度分布直方图曲线，便于人员参考分析。
所述的步骤A包括如下步骤：A1、将待检测物均匀摊铺在水平面上；A2、确定拍摄位置、固定相机，调整相机方向及镜头焦距，使待检测物的粒块在相机上清晰成像；A3、切换相机位置及角度对待检测物进行拍摄收集大量粒块图像。在进行U-Net深度学习网络前，要确保得到大量稳定、清晰的待检测物粒块图像。
所述的步骤B中对粒块图像进行如下预处理：使用均值滤波降低图像噪声，使用自适应直方图均衡化提升图像对比度，使用白化处理最终得到标准化图像。
所述的步骤D中包括如下步骤：D1、将步骤B中的标准化图像与步骤C中的标签图像对应进行小区域随机分割，在深度学习网络中根据相互对应的小区域标准化图像和小区域标签图像进行训练，得到粒度模型；D2、得出粒度模型后，深度学习网络自动将步骤B中的标准化图像输入至粒度模型中，得出检测图像；D3、将与步骤B中标准化图像对应的标签图像与检测图像进行对比，查看相似度是否达到98％，是，则粒度模型为最终的检测粒度模型；否，则继续进行深度学习网络训练。为了便于深度学习网络进行快速的学习，将标准化图像进行小区域随机分割，如将1000×1000像素的标准化图像和标签图像随机分割为若干个48×48的小区域图像，然后再进行训练，快速、准确的得出粒度模型，然后自动对粒度模型进行检测，如果检测图像与标签图像相似度达不到98％，则证明此粒度模型训练的不够准确，需继续进行训练。

Claims (3)

1.一种基于U-Net深度学习网络的粒度检测分析方法，包括如下步骤：
A、收集待检测物的大量粒块图像；
B、对粒块图像进行预处理，得到标准化图像；
C、对标准化图像进行人工标定，绘制出粒块的边缘得到人工标定图像，将人工标定图像作为标签图像；
D、搭建基于U-Net的深度学习网络，将步骤B中的标准化图像作为输入图像、步骤C中的标签图像作为输出图像载入至深度学习网络，开始训练，得到训练好的粒度模型；
E、重新拍摄得到新的粒块图像，并进行预处理得到标准化图像，将标准化图像输入至步骤D中的粒度模型进行粒块边缘检测；
F、将步骤E中的粒度边缘检测结果输出进行图像处理，使用形态学运算增强图像边缘，使用分水岭算法分割出粒块区域；
G、对步骤E中分割好的粒块区域进行二值图像统计，得到粒块半径、面积、数量统计参数，最后绘制粒块的粒度分布直方图曲线；
所述的步骤D中包括如下步骤：
D1、将步骤B中的标准化图像与步骤C中的标签图像对应进行小区域随机分割，在深度学习网络中根据相互对应的小区域标准化图像和小区域标签图像进行训练，得到粒度模型；
D2、得出粒度模型后，深度学习网络自动将步骤B中的标准化图像输入至粒度模型中，得出检测图像；
D3、将与步骤B中标准化图像对应的标签图像与检测图像进行对比，查看相似度是否达到98%，是，则粒度模型为最终的检测粒度模型；否，则继续进行深度学习网络训练。
2.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤A包括如下步骤：
A1、将待检测物均匀摊铺在水平面上；
A2、确定拍摄位置、固定相机，调整相机方向及镜头焦距，使待检测物的粒块在相机上清晰成像；
A3、切换相机位置及角度对待检测物进行拍摄收集大量粒块图像。
3.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤B中对粒块图像进行如下预处理：使用均值滤波降低图像噪声，使用自适应直方图均衡化提升图像对比度，使用白化处理最终得到标准化图像。
CN201711338870.XA 2017-12-14 2017-12-14 基于U-Net深度学习网络的粒度检测分析方法 Active CN108182674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711338870.XA CN108182674B (zh) 2017-12-14 2017-12-14 基于U-Net深度学习网络的粒度检测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711338870.XA CN108182674B (zh) 2017-12-14 2017-12-14 基于U-Net深度学习网络的粒度检测分析方法

Publications (2)

Publication Number Publication Date
CN108182674A CN108182674A (zh) 2018-06-19
CN108182674B true CN108182674B (zh) 2021-11-23

Family

ID=62545982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711338870.XA Active CN108182674B (zh) 2017-12-14 2017-12-14 基于U-Net深度学习网络的粒度检测分析方法

Country Status (1)

Country Link
CN (1) CN108182674B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064477A (zh) * 2018-07-06 2018-12-21 陕西师范大学 用改进的U-Net检测细胞核边缘的方法
CN110089297B (zh) * 2019-05-18 2021-11-26 安徽大学 小麦赤霉病大田环境下病情严重度诊断方法及装置
CN110211099A (zh) * 2019-05-18 2019-09-06 安徽大学 综合麦穗正反面病情的小麦赤霉病检测方法及装置
CN110443808B (zh) * 2019-07-04 2022-04-01 杭州深睿博联科技有限公司 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质
CN112070722A (zh) * 2020-08-14 2020-12-11 厦门骁科码生物科技有限公司 一种荧光原位杂交细胞核分割方法及***
CN113592829B (zh) * 2021-08-04 2024-05-17 清华大学 基于分割重组的深度学习泥沙颗粒识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006204160A (ja) * 2005-01-27 2006-08-10 Raito Kogyo Co Ltd アマモホルダー
CN104792674A (zh) * 2015-04-01 2015-07-22 东南大学 一种颗粒浓度测量方法
CN107330900A (zh) * 2017-06-22 2017-11-07 成都品果科技有限公司 一种自动人像分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7655895B2 (en) * 1992-05-05 2010-02-02 Automotive Technologies International, Inc. Vehicle-mounted monitoring arrangement and method using light-regulation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006204160A (ja) * 2005-01-27 2006-08-10 Raito Kogyo Co Ltd アマモホルダー
CN104792674A (zh) * 2015-04-01 2015-07-22 东南大学 一种颗粒浓度测量方法
CN107330900A (zh) * 2017-06-22 2017-11-07 成都品果科技有限公司 一种自动人像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lung Cancer Detection and Classification with 3D Convolutional Neural Network (3D-CNN);Wafaa Alakwaa 等;《International Journal of Advanced Computer Science and Applications》;20170831;第8卷(第8期);全文 *
基于深度学习的红外遥感信息自动提取;陈睿敏;《红外》;20170831;第38卷(第8期);全文 *

Also Published As

Publication number Publication date
CN108182674A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN108182674B (zh) 基于U-Net深度学习网络的粒度检测分析方法
CN110852395B (zh) 一种基于自主学习和深度学习的矿石粒度检测方法和***
CN110929756B (zh) 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN108288033A (zh) 一种基于随机蕨融合多特征的安全帽检测方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及***
CN112014413A (zh) 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
CN106780437B (zh) 一种快速qfn芯片塑封图像获取与放大方法
CN112329782A (zh) 一种原料粒度确定方法、***、终端及介质
CN114897789B (zh) 一种基于图像分割的烧结矿粒度检测方法及***
CN114494305A (zh) 一种球团生球粒径在线检测方法及***
CN112419397A (zh) 一种基于图像和深度神经网络的矿石粒度分级方法及***
Yao et al. An automatic segmentation algorithm for touching rice grains images
CN103245666A (zh) 一种蓄电池极板外观缺陷自动检测方法
CN107679581B (zh) 基于红外图像像素矩阵的特征值处理煤气流分布的方法
CN109977738B (zh) 一种视频场景分割判断方法、智能终端及存储介质
Gong et al. An improved Canny algorithm based on adaptive 2D-Otsu and Newton Iterative
CN113177922A (zh) 一种原料异物识别方法、***、介质及电子终端
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测***
CN109255805B (zh) 机器学习的工业智能数据收集***和方法
CN107024416A (zh) 结合相似性和不连续性的准圆形颗粒平均尺寸检测方法
CN113628155A (zh) 一种圆盘造球机的生球粒径检测方法及***
CN116309561A (zh) 一种基于防漏电绝缘材料的表面缺陷识别方法
Kiratiratanapruk et al. Worm egg segmentation based centroid detection in low contrast image
CN114386492A (zh) 基于深度学习网络的矿石分类和粒度分级方法及装置
Jalali Moghaddam et al. Crowd density estimation for outdoor environments

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No. 228, Wanshui Road, high tech Zone, Hefei City, Anhui Province, 230088

Patentee after: Hefei Jinxing Intelligent Control Technology Co.,Ltd.

Address before: No. 228, Wanshui Road, high tech Zone, Hefei City, Anhui Province, 230088

Patentee before: HEFEI GOLD STAR MECHATRONICS TECHNICAL DEVELOPMENT Co.,Ltd.