CN114486647A - 物料粒子的检测方法、装置、粒子检测装置、计算机设备 - Google Patents
物料粒子的检测方法、装置、粒子检测装置、计算机设备 Download PDFInfo
- Publication number
- CN114486647A CN114486647A CN202111668238.8A CN202111668238A CN114486647A CN 114486647 A CN114486647 A CN 114486647A CN 202111668238 A CN202111668238 A CN 202111668238A CN 114486647 A CN114486647 A CN 114486647A
- Authority
- CN
- China
- Prior art keywords
- particle
- information
- image
- granularity
- particles
- 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 489
- 239000000463 material Substances 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 45
- 238000013136 deep learning model Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 239000000523 sample Substances 0.000 description 31
- 238000010586 diagram Methods 0.000 description 23
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011084 recovery Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000005357 flat glass Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种物料粒子的检测方法、装置、粒子检测装置、计算机设备。所述方法包括：获取粒子图像，粒子图像是通过粒子检测装置采集得到的，粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，采样装置用于从物料出口处采集物料粒子，图像采集装置用于对物料粒子进行成像得到粒子图像；检测得到粒子图像中粒子的粒度信息；当粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。采用本方法能够通过全自动化的方式实现物料粒子的粒度检测，在粒度信息异常时实现实时地、全自动化地对设备参数进行调整。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种物料粒子的检测方法、装置、粒子检测装置、计算机设备、存储介质和计算机程序产品。
背景技术
在食品及饲料加工领域，锤片粉碎机、超微粉碎机等加工设备得到广泛应用。这些加工设备能够对输入的物料进行加工处理，输出细粒度的物料粒子。
为了确保生产的正常进行，通常需要对上述加工设备输出的物料粒子进行检测，确定物料粒子的粒度是否在正常范围内。若不在正常范围内，则需要对设备的参数进行调整。传统技术中，通常需通过检验人员定期对物料粒子进行采样，并对采样的物理粒子进行人工检测得到物料粒子的粒度。由于人工检测耗时较长，在物料粒度异常时不能及时地对设备的参数进行调整，从而容易导致生产异常发生。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现物料粒子的粒度检测实时性的物料粒子的检测方法、装置、粒子检测装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种物料粒子的检测方法。所述方法包括：
获取粒子图像，所述粒子图像是通过粒子检测装置采集得到的，所述粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，所述采样装置用于从所述物料出口处采集物料粒子，所述图像采集装置用于对所述物料粒子进行成像得到所述粒子图像；
检测得到所述粒子图像中粒子的粒度信息；
当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述粒度阈值。
在其中一个实施例中，所述参数调整信息为设备参数的调整方式；所述当所述粒度信息不符合粒度阈值时，生成参数调整信息，包括：
当所述粒度信息不符合粒度阈值时，确定所述粒度信息与所述粒度阈值之间的差异信息；
根据所述差异信息确定所述设备参数的调整方式，按照所述调整方式对所述设备参数进行调整，所述调整方式包括调整方向和调整值。
在其中一个实施例中，所述根据所述差异信息确定所述设备参数的调整方式，包括：
获取差异信息与调整方式之间的映射关系；
从所述映射关系中查找与当前的所述差异信息对应的调整方式。
在其中一个实施例中，所述参数调整信息为报警信息；所述当所述粒度信息不符合粒度阈值时，生成参数调整信息，包括：
当所述粒度信息不符合预设条件时，生成报警信息，所述报警信息携带所述粒度信息，所述报警信息用于指示根据所述粒度信息对所述设备参数进行调整。
在其中一个实施例中，所述检测得到所述粒子图像中粒子的粒度信息，包括：
通过深度学习模型对所述粒子图像进行图像分割，得到粒子的粒子分割结果；
根据所述粒子分割结果中包括的像素信息，确定所述粒子的粒度信息。
在其中一个实施例中，所述深度学习模型的训练生成方法，包括：
获取第一粒子图像样本；
通过已校验完成的粒子标注方式对所述第一粒子图像样本进行标注，得到所述第一粒子图像样本的粒子标注数据；
根据所述粒子标注数据，从所述第一粒子图像样本中提取得到第一单颗粒子图像；
对所述第一单颗粒子图像进行变换处理，得到多个第二单颗粒子图像；
生成灰度随机的背景图像，叠加所述第二单颗粒子图像与所述背景图像，得到第二粒子图像样本；
采用所述第一粒子图像样本和所述第二粒子图像样本对初始的深度学习模型进行训练，得到所述深度学习模型。
在其中一个实施例中，所述检测得到所述粒子图像中粒子的粒度信息，包括：
对所述粒子图像进行降噪处理，对降噪处理后的所述粒子图像进行转换，得到对应的二值图像；
对所述二值图像依次进行加边处理、填充处理、取反处理，根据处理后的二值化图像确定所述粒子的粒度信息。
第二方面，本申请实施例提供一种物料粒子的检测装置，所述装置包括：
获取模块，用于获取粒子图像，所述粒子图像是通过粒子检测装置采集得到的，所述粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，所述采样装置用于从所述物料出口处采集物料粒子，所述图像采集装置用于对所述物料粒子进行成像得到所述粒子图像；
粒度检测模块，用于检测得到所述粒子图像中粒子的粒度信息；
信息生成模块，用于当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述粒度阈值。
第三方面，本申请还提供了一种粒子检测装置。所述装置包括：
采样装置，一端与设备的物料出口连接，用于从所述物料出口处采集物料粒子；
图像采集装置，用于对所述物料粒子进行成像，得到粒子图像；
控制装置，与所述图像采集装置连接，用于接收所述图像采集装置采集的所述粒子图像，检测得到所述粒子图像中粒子的粒度信息，当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述度阈值。
在其中一个实施例中，所述装置还包括：
粒子分散装置，设置于所述采样装置的另一端，用于通过压缩空气对所述物料粒子进行分散处理，使分散处理后的物料粒子自由落体式的下落；
所述图像采集装置，用于对下落过程中的所述物料粒子进行成像，得到所述粒子图像。
在其中一个实施例中，所述装置还包括：
光照装置，所述光照装置与所述图像采集装置相对设置，用于提供向所述图像采集装置提供光源。
第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的物料粒子的检测方法。
第五方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项实施例所述的物料粒子的检测方法。
第六方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项实施例所述的物料粒子的检测方法。
上述物料粒子的检测方法、装置、粒子检测装置、计算机设备、存储介质和计算机程序产品，在设备的物料出口处设置粒子检测装置，通过粒子检测装置中的图像采集装置实时对采样到的物料粒子进行成像，得到粒子图像，将该粒子图像发送至粒子检测装置中的控制装置，使控制装置实时检测得到粒子图像中粒子的粒度信息。当控制装置确定粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值，从而可以通过全自动化的方式实现物料粒子的粒度检测，在粒度信息异常时实现实时地、全自动化地对设备参数进行调整，有助于提高生产异常时的恢复效率、减少生产成本。
附图说明
图1为一个实施例中物料粒子的检测方法的流程示意图；
图2a～图2o为一个实施例中采用视觉检测方式对粒子图像进行处理的相关示意图；
图3a～图3b为一个实施例中采用深度学习模型对粒子图像进行处理的相关示意图；
图4为一个实施例中生成深度学习模型步骤的流程示意图；
图5为一个实施例中标注后的粒子图像样本的示意图；
图6为一个实施例中物料粒子的检测方法的流程示意图；
图7为一个实施例中粒子的粒度分布曲线的示意图；
图8为一个实施例中粒子检测装置的结构示意图；
图9为一个实施例中物料粒子的检测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的物料粒子的检测方法，可以应用于粒子检测装置中的控制装置中。粒子检测装置设置于设备的物料出口处，可以但不限于包括该控制装置、采样装置和图像采集装置。在设备的物料出口输出物料粒子时，通过采样装置采集当前输出的物料粒子。通过图像采集装置对采集到的物料粒子进行成像，得到粒子图像，并将粒子图像发送至连接中的控制装置。控制装置中预先部署有粒子检测方式，控制装置通过该粒子检测方式对粒子图像进行检测，得到粒子的粒度信息。控制装置将粒度信息与粒度阈值进行比较，当粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。其中，控制装置可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。图像采集装置可以但不限于是各种照相机、摄像机。
在一个实施例中，如图1所示，提供了一种物料粒子的检测方法，以该方法应用于粒子检测装置中的控制装置为例进行说明，包括以下步骤：
步骤S110，获取粒子图像。
具体地，粒子检测装置设置于设备的物料出口处，可以但不限于包括控制装置、采样装置和图像采集装置。在设备的物料出口输出物料粒子时，通过采样装置采集当前输出的物料粒子。通过图像采集装置对采集到的物料粒子进行成像，得到粒子图像，并将粒子图像发送至连接中的控制装置，使控制装置获取该粒子图像。其中，设备可以是任意一种能够输出不同粒度(例如0.05毫米－6毫米中的任意尺寸)的物料粒子的加工设备，例如，锤片粉碎机、超微粉碎机等。
步骤S120，检测得到粒子图像中粒子的粒度信息。
具体地，控制装置中预先部署有粒子检测方式。一个实施例中，粒子检测方式可以为视觉检测方式。控制装置通过视觉检测方式识别粒子图像内每个粒子的粒子轮廓。获取每个粒子的粒子轮廓所占区域的像素信息。根据该像素信息计算得到每个粒子的粒度信息。另一个实施例中，粒子检测方式可以为基于深度学习理论的方式。控制装置通过深度学习模型识别粒子图像内每个粒子的粒子区域。根据粒子区域的尺寸信息计算得到每个粒子的粒度信息。
步骤S130，当粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。
一个实施例中，粒度信息不符合粒度阈值可以是粒度信息大于或者小于粒度阈值，或者，粒度信息大于第一预设比例的粒度阈值，或者，粒度信息小于第二预设比例的第二粒度阈值。也可以是超过第三比例的粒子的粒度信息大于或者小于粒度阈值等，视具体情况而定。
一个实施例中，控制装置与设备电连接。参数调整信息可以包括具体的调整方式，当控制装置将粒子图像中粒子的粒度信息与粒度阈值进行比较，确定粒度信息不符合粒度阈值时，便可按照该调整方式对设备参数进行调整。在调整过程中，控制装置可以实时执行步骤S110～步骤S130，对后续采集的粒子图像进行检测，直至后续得到的粒度信息符合粒度阈值，停止调整设备参数。
另一个实施例中，粒子检测装置中还可以包括报警装置。当控制装置确定粒度信息不符合粒度阈值时，可以控制报警装置发出报警信息，以提示用户及时查看设备的异常情况。其中，报警装置可以但不限于是声音报警器、报警灯等。
另一个实施例中，设备的物料出口处还可以设置有物料回收装置。该物料回收装置可以与控制装置电连接。当控制装置确定当前的粒度信息不符合粒度阈值时，可以通过控制装置启动物料回收装置，使物料回收装置回收当前生产出的不良物料。在对设备参数调整完毕后，关闭物料回收装置。
上述物料粒子的检测方法中，在设备的物料出口处设置粒子检测装置，通过粒子检测装置中的图像采集装置实时对采样装置采样到的物料粒子进行成像，得到粒子图像，将该粒子图像发送至粒子检测装置中的控制装置，使控制装置实时检测得到粒子图像中粒子的粒度信息。当控制装置确定粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值，从而可以通过全自动化的方式实现物料粒子的粒度检测，在粒度信息异常时实现实时地、全自动化地对设备参数进行调整，有助于提高生产异常时的恢复效率、减少生产成本。尤其地，对于超微粉碎机这种需要实时调整粉碎细度的设备，更加能够满足设备的实时性需求。
在一个实施例中，参数调整信息可以为设备参数的调整方式。在本实施例中，当粒度信息不符合粒度阈值时，生成参数调整信息，包括：确定粒度信息与粒度阈值之间的差异信息；根据差异信息确定设备参数的调整方式，按照调整方式对设备参数进行调整。
其中，调整方式可以但不限于包括设备参数的调整方向(例如，向参数值变大/变小的方向)、调整值等。
具体地，控制装置计算粒度信息与粒度阈值之间的差异信息。一个示例中，控制装置可以计算粒度信息与粒度阈值之间的差值/比值/标准差等中的任一种，将差值/比值/标准差中的任一种作为差异信息。控制装置中预先部署有参数调整的确定方式。控制装置可以按照该确定方式，确定需调整的设备参数，以及设备参数对应的调整方式。
一个实施例中，参数调整确定方式可以采用基于深度学习理论的参数预测模型实现。该参数预测模型可以但不限于是卷积神经网络、循环神经网络等中的任一种。控制装置可以将当前的粒度信息输入至参数预测模型，通过参数预测模型输出需要调整的设备参数以及设备参数的调整方式。可以理解的是，参数预测模型是预先采用若干粒度信息以及与每个粒度信息对应的设备参数训练得到的。
本实施例中，通过使控制装置自身具备调整设备参数的能力，一方面，能够在异常发生时第一时间完成设备的参数调整，提高异常修复效率；另一方面，能够提高物料加工的全自动化程度，减少人力成本。
在一个实施例中，控制装置中可以预先部署有差异信息与调整方式之间的映射关系。该映射关系可以是基于若干次的历史生产数据总结得到的。控制装置在获取差异信息后，便可从该映射关系中查找与当前的差异信息对应的调整方式，按照该调整方式对设备参数进行调整。通过预先部署映射关系，使控制装置在识别出异常发生时能够通过查找的方式快速获取调整方式，可以提升异常修复效率。
在一个实施例中，参数调整信息可以是报警信息。当控制装置确定当前的粒度信息不符合粒度阈值时，生成报警信息，报警信息可以携带当前的粒度信息。控制装置可以将该报警信息发送至用户所持的外部设备，从而使用户能够根据该报警信息及时对设备参数进行调整。其中，外部设备可以为用户所持终端设备，例如，个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备等。本实施例中，在发生异常情况时发出预警信息，使用户能够及时获悉异常情况，并及时对异常情况进行处理，可以提升异常情况的处理灵活性。
在一个实施例中，粒度信息可以采用视觉检测方式检测得到。步骤S120，检测得到粒子图像中粒子的粒度信息，包括：对粒子图像进行降噪处理，对降噪处理后的粒子图像进行转换，得到对应的二值图像；对二值图像依次进行加边处理、填充处理、取反处理，根据处理后的二值化图像确定粒子的粒度信息。
具体地，首先，控制装置在获取粒子图像后，对粒子图像进行降噪处理。对粒子图像进行中值滤波，使用中值替代粒子图像中的像素的值，可以通过以下公式实现：
g(x,y)＝med{f(x-k,y-l)}
其中，g(x,y)为中值滤波后的像素；f(x,y)为中值滤波之前的像素；k、l分别为x、y领域的像素位置，也称为模板位置。一个实施例中，模板位置可以采用十字模板。
一个示例中，图2a示出了粒子图像中部分区域的像素灰度值的示意图。以像素灰度值161为中心，采用十字格(五个像素)的中值滤波核进行滤波。参照图2a，十字区域为[186,161,204,194,106]，在排序之后为[106,161,186,194,204]可以得到中值为186，则将中心点的像素值由161变更为186。图2b示出了滤波前和滤波后的对比示意图。图2c示出了滤波前和滤波后的局部对比示意图，从图2c可以看出，在滤波后粒子图像中的某些噪声点被消除。
然后，控制装置继续对降噪处理后的粒子图像进行转换，得到对应的二值图像，具体可以通过以下过程实现：
由于粒子图像是离散数据，首先使用中心差来近似梯度，可以通过以下公式实现：
其中，h为像素间隔单位；f(x)为x点的像素值，实际计算中，由于h为定值可以忽略，上述公式可以进一步简化为[-1,0,1]的卷积核。图2d示出了一种水平方向进行梯度计算的示意图。
但是，直接用上述卷积核进行计算易受到噪点影响。为了降低对噪点的敏感性，可以使用Sobel(索贝尔)算子计算x或者y方向的梯度。图2e示出了生成x方向和y方向的Sobel算子的示意图。如图2e所示，高斯滤波卷积核(一维高斯滤波器)和x方向的梯度卷积核(x导数)相乘，得到x方向的Sobel算子。高斯滤波卷积核和y方向的梯度卷积核(y导数)相乘，得到y方向的Sobel算子。图2f示出了采用Sobel算子对粒子图像进行处理得到的梯度图的示意图。
一个实施例中，为了结合x方向和y方向的信息，可将Sobel算子在x方向和y方向的计算结果分别记为Gx和Gy。对于粒子图像中的每个像素点，可以通过以下公式进一步计算其梯度的大小(图2g示出了结合后的粒子图像的示意图)：
进一步将结合后的粒子图像归一化到0～255的空间内(图2h示出了归一化后的粒子图像的示意图)，可以通过以下公式实现：
其中，src(i,j)为原始的像素值；dst(i,j)为归一化后的像素值。像素点G值越大，表示越有可能是边界。
控制装置对归一化后的粒子图像进行二值化，得到二值图像。图2i示出了一种二值图像的示意图。如图2i所示，二值图像的背景和粒子是黑色的，粒子的轮廓是白色的，这种情况下不易分离出背景信息。一个实施例中，可以对二值图像进行加边处理，在二值图像上添加一层与背景颜色相同的边框。图2j示出了加边处理的原理示意图。如图2j所示，原始图像的大小为(h,w)，进行加边操作后大小变为(h+2,w+2)。
一个实施例中，可以选择边上任意一点(seed point，种子点)进行洪水填充。该过程会从某个点不断去向四周填充指定的颜色，直至遇到其他颜色停止。在本实施例中，可以选择二值图像中的原点(0，0)为种子点，将背景填充为白色(图2k示出了洪水填充后的二值图像的示意图)。
最后，控制装置对处理后的二值图像进行取反处理，以使二值图像能够示出粒子信息(图2l示出了取反处理后的二值图像的示意图)。将未经处理的二值图像的边缘信息(参照图2i)，与取反处理后的二值图像的粒子信息(参照图2l)进行合并，得到完整的粒子图(图2m示出了合并后的二值图像的示意图)。
一个实施例中，合并后的二值图像可能存在很多的噪点，这些大都为相机焦平面外的颗粒点。在本实施例中，可以对合并后的二值图像进行开运算处理，使图像中黑色部分向四周膨胀，再向内部腐蚀。图2n示出了开运算处理后的二值图像的示意图。比较图2m和图2n可知，通过开运算处理，可以消除细小噪点和轮廓模糊的点。图2n中的白色区域便为每个粒子的所占的区域。控制装置获取每个粒子的像素信息，根据像素信息计算得到粒子的像素粒径。采用预先得到的转换系数Pr(Pixel Resolution)对像素粒径进行转换，得到粒子的真实粒径，将该真实粒径作为粒度信息。
一个实施例中，控制装置可以计算粒子区域的OBB(Oriented Bound Box，方向包围盒)的，或者，计算粒子区域的AABB(Axis-Aligned Bound Box，轴对齐包围盒)。可以按照以下公式计算得到粒子的像素粒径。
其中，
为像素粒径；l为包围盒的长度；w为包围盒的宽度。
或者，采用等面积的圆计算得到粒子的像素粒径：
其中，
为像素粒径；s为粒子的面积。
一个实施例中，对转换系数的确定方式进行说明。控制装置可以基于视觉检测方式对已知真实粒径的参考图像进行处理，得到参考图像中各个粒子的像素粒径。图2o示出了粒子的真实粒径和像素粒径的对比示意图。其中，参考图像中粒子的真实粒径可以预先采用游标卡尺等测量装置测量得到。采用以下公式计算得到转换系数：
其中，Pr为转换系数；d1为参考图像中粒子的真实粒径；
为参考图像中粒子的像素粒径。
本实施例中，采用上述优化后的视觉检测方式对粒子图像进行处理，得到粒子的粒度信息，能够消除噪声的影响，提升粒度信息的检测准确性。
在一个实施例中，粒度信息可以基于深度学习理论检测得到。步骤S120，检测得到粒子图像中粒子的粒度信息，包括：通过深度学习模型对粒子图像进行图像分割，得到粒子的粒子分割结果；根据粒子分割结果中包括的像素信息，确定粒子的粒度信息。
具体地，深度学习模型可以采用任一种具有图像分割能力的模型，例如，U-Net(一种语义分割模型)、PSPNet(Pyramid Scene Parsing Network，金字塔场景分析网络)、DeepLab(一种语义分割模型)、FCN(全卷积网络)、SegNet(一种语义分割模型)。控制装置将粒子图像输入至预训练的深度学习模型。通过深度学习模型对粒子图像进行语义分割，得到每个粒子的粒子分割结果。控制装置确定粒子分割结果中包括的像素信息，根据像素信息确定粒子的真实粒径，作为粒度信息。其中，基于像素信息确定真实粒径的具体实施方式可以参照上述实施例，在此不做具体阐述。
一个示例中，深度学习模型可以采用FCN。图3a示例性示出了FCN的结构示意图。如图3a所示，FCN通过主干网络(backbone)对粒子图像进行池化下采样，得到高维特征。使用跳跃连接将高维特征与低维特征有效的结合，以减少图像信息损失。再采用转置卷积上采样至原始的粒子图像大小。最后，对每个像素进行分类，区分背景和需要分割的粒子，得到粒子分割结果。图3b示例性示出了通过FCN输出的粒子分割结果的示意图。其中，FCN模型中的主干网络可以为GoogleNet(一种深度学习结构)、AlexNet(一种卷积神经网络)、VGG(一种卷积神经网络)中的任一种。
本实施例中，通过采用深度学习模型对粒子图像进行粒度检测，能够较为全面地识别出粒子图像中的粒子，避免漏检的情况发生。此外，采用深度学习模型，可以减少光源强度、图像采集装置的镜头灰尘等造成的图像颜色偏差问题，提升粒子检测的鲁棒性，进而有助于提升粒度检测的准确性。
在一个实施例中，如图4所示，深度学习模型的训练生成方法，包括：
步骤S410，获取第一粒子图像样本，通过已校验完成的粒子标注方式对第一粒子图像样本进行标注，得到第一粒子图像样本的粒子标注数据。
具体地，对深度学习模型进行训练可以通过计算机设备预先完成。该计算机设备可以是本申请实施例提到的控制装置，也可以是控制装置之外的其他设备。已校验完成的粒子标注方式可以但不限于是上述实施例提到的视觉检测方式、已训练完成且精度满足要求的深度学习模型等。计算机设备获取若干第一粒子图像样本，采用已校验完成的粒子标注方式对第一粒子图像样本中的粒子标注标签，得到第一粒子图像样本的粒子标注数据。图5示例性示出了一种标注后的粒子图像样本的示意图。如图5所示，语义标签包括背景(图5中的黑色)和粒子(图5中除黑色之外的其他颜色)。
一个实施例中，在标注完成后，用户还可以查看粒子标注数据是否完整。若不完整，可以通过手动的方式进行补充，从而确保标注数据的准确性。
步骤S420，根据粒子标注数据，从第一粒子图像样本中提取得到第一单颗粒子图像，对第一单颗粒子图像进行变换处理，得到多个第二单颗粒子图像。
步骤S430，生成灰度随机的背景图像，叠加第二单颗粒子图像与背景图像，得到若干第二粒子图像样本。
具体地，首先，计算机设备从标注后的第一粒子图像样本中提取出各个粒子对应的第一单颗粒子图像。随机改变每个第一单颗粒子图像的大小、方向、位置等，得到第二单颗粒子图像。接着，计算机设备生成灰度随机的若干背景图像，在背景图像上添加一些噪点，以模拟光源变化及有灰尘下的真实背景。最后，计算机设备对每张背景图像以及多个第二粒子图像样本进行叠加，得到若干第二粒子图像样本。
步骤S440，采用第一粒子图像样本和第二粒子图像样本对初始的深度学习模型进行训练，得到深度学习模型。
具体地，计算设备对每张第一粒子图像样本和每张第二粒子图像样本进行归一化处理。将归一化处理之后的粒子图像样本(第一粒子图像样本或者第二粒子图像样本)输入至初始深度学习模型，得到预测数据。通过损失函数计算预测数据和标注数据之间的损失值。向损失值变小的方向调整初始深度学习模型的模型参数，直至训练达到预设停止条件，得到深度学习模型。其中，预设停止条件可以是训练次数达到预设次数、损失值预设值等。
可以通过以下公式进行归一化处理：
首先，计算所有图像样本的平均像素：
然后，计算所有像素的标准差：
其中，
为平均像素；xi为第i个粒子图像样本；n为第一粒子图像样本和第二粒子图像样本的总数。
最后，归一化每张图像样本：
其中，src(i,j)为归一化前的像素值；dst(i,j)为归一化后的像素值。
本实施例中，通过使用已校验完成的粒子标注方式对粒子图像样本进行标注，能够提升标注效率，减少时间成本。对已标注的粒子图像样本进行数据增强，一方面，能够增加样本量、模拟更多的图像采集场景，使深度学习模型学习到更多的先验知识，从而使深度学习模型具有较高的性能；另一方面，还可以减少采集图像样本的工作量，提升模型训练的前期准备效率。
在一个实施例中，如图6所示，提供了一种物料粒子的检测方法，该粒子检测方法应用于粒子检测装置中的控制装置，包括以下步骤：
步骤S602，获取粒子图像。粒子图像是通过粒子检测装置中的图像采集装置采集得到的。一个示例中，图像采集装置可以为超高速摄像机。
步骤S604，通过视觉检测方式或者深度学习模型对粒子图像进行检测，得到粒子图像中粒子的粒度信息。视觉检测方式和深度学习模型的具体实现方式可以参照上述实施例，在此不作具体阐述。
步骤S606，将粒度信息与粒度阈值进行比较，当粒度信息不符合粒度阈值时，生成参数调整信息。
步骤S608，在参数调整信息为设备参数的调整方式时，按照调整方式对设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。在参数调整信息为报警信息的情况下，将报警信息发送至外部设备，以指示用户对设备参数进行调整。
在步骤S610，每对预设数量的粒子图像处理完毕，根据预设数量的粒子图像的粒度信息生成粒度分布曲线。图7示例性示出了粒度分布曲线的示意图。如图7所示，粒度分布曲线的横轴为粒径(单位：毫米)，纵轴为粒子数量。
在一个实施例中，本申请实施例提供一种粒子检测装置，包括采样装置、图像采集装置、控制装置。
其中，采样装置的一端可以与物料出口连接设置，当物料出口输出物料时，采样得到物料粒子。图像采集装置与控制装置电连接，可以设置于采样装置的另一端，用于对物料粒子进行成像，得到粒子图像，并将粒子图像发送至控制装置。控制装置为粒子检测装置的控制主体，可以采用微处理器、特定集成电路、中央处理器等实现。控制装置接收图像采集装置采集的粒子图像，检测得到粒子图像中粒子的粒度信息，当粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。
在一个实施例中，粒子检测装置还包括：粒子分散装置，与采样装置的另一端连接设置，设置有压缩空气(CDA，Compress Dry Air)输入口，能够持续输入压缩空气。当采样装置将物料粒子传输至粒子分散装置后，通过压缩空气对物料粒子进行分散处理，并使分散处理后的物料粒子自由落体式地下落。在本实施例中，图像采集装置可以设置于粒子分散装置的下方，从而可以对下落过程中的物料粒子进行成像，得到粒子图像。
在一个实施例中，粒子检测装置还包括：光照装置。该光照装置与图像采集装置相对设置，例如，设置于图像采集装置的镜头的正对面，或者，与图像采集装置的镜头成预设角度设置。光照装置在图像采集装置工作时持续提供光源，以辅助图像采集装置采集到质量较高的粒子图像。
在一个实施例中，如图8所示，提供了一种具体的粒子检测装置。如图8所示，粒子检测装置包括采样装置、粒子分散装置、超高速摄像机、计算机设备、光源。其中：
采样装置水平设置，一端与设备的物料出口连接，另一端设置有粒子分散装置。
粒子分散装置为球体，当然，多面体等规则或者不规则形状也同样适用于本实施例。粒子分散装置上设置有压缩空气输入口，正下方设置有管状物，该管状物可以采用透明材质，例如透明玻璃。当采样装置采集到的物料粒子被传输至粒子分散装置内后，便可通过压缩空气吹散物料粒子，使吹散后的物料粒子在管状物内呈自由落体式下降。
超高速摄像机和光源可以设置在密封箱内，两者相对设置。该密封箱可以为不透光或者透光性较弱的密封箱，从而可以减少外界因素对图像质量的影响。超高速摄像机实时地对下落中的物料粒子进行成像，得到粒子图像，并将粒子图像发送至计算机设备，以使计算机设备对粒子图像进行检测。
一个实施例中，管状物在密封箱内的部分可以设置为漏斗状。
一个实施例中，超高速摄像机的镜头正前方可以设置有窗玻璃，该窗玻璃与管状物靠近该窗玻璃的一侧之间相隔预设距离。该预设距离视物料的粒度信息以及粒子检测装置的整体尺寸而定。一个示例中，当粒子检测装置用于检测0.05毫米-6毫米的粒子时，预设距离可以为110毫米。
一个实施例中，光源的正前方可以设置有窗玻璃，该窗玻璃与管状物靠近该窗玻璃的一侧之间相隔预设距离。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的物料粒子的检测方法的物料粒子的检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个物料粒子的检测装置实施例中的具体限定可以参见上文中对于物料粒子的检测方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种物料粒子的检测装置X00，包括：获取模块X02、粒度检测模块X04、信息生成模块X06，其中：
获取模块X02，用于获取粒子图像，粒子图像是通过粒子检测装置采集得到的，粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，采样装置用于从物料出口处采集物料粒子，图像采集装置用于对物料粒子进行成像得到粒子图像；粒度检测模块X04，用于检测得到粒子图像中粒子的粒度信息；信息生成模块X06，用于当粒度信息不符合粒度阈值时，生成参数调整信息，参数调整信息用于指示对设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合粒度阈值。
在一个实施例中，参数调整信息为设备参数的调整方式；信息生成模块X06，包括：差异确定单元，用于在粒度信息不符合粒度阈值时，确定粒度信息与粒度阈值之间的差异信息；参数调整单元，用于根据差异信息确定设备参数的调整方式，按照调整方式对设备参数进行调整，调整方式包括调整方向和调整值。
在一个实施例中，参数调整单元，用于获取差异信息与调整方式之间的映射关系；从映射关系中查找与当前的差异信息对应的调整方式。
在一个实施例中，参数调整信息为报警信息；信息生成模块X06，用于当粒度信息不符合预设条件时，生成报警信息，报警信息携带粒度信息，报警信息用于指示根据粒度信息对设备参数进行调整。
在一个实施例中，粒度检测模块X04，包括：分割单元，用于通过深度学习模型对粒子图像进行图像分割，得到粒子的粒子分割结果；第一粒度确定单元，用于根据粒子分割结果中包括的像素信息，确定粒子的粒度信息。
在一个实施例中，装置X00还包括：样本获取模块，用于获取第一粒子图像样本；标注模块，用于通过已校验完成的粒子标注方式对第一粒子图像样本进行标注，得到第一粒子图像样本的粒子标注数据；图像提取模块，用于根据粒子标注数据，从第一粒子图像样本中提取得到第一单颗粒子图像；变换模块，用于对第一单颗粒子图像进行变换处理，得到多个第二单颗粒子图像；图像生成模块，用于生成灰度随机的背景图像，叠加第二单颗粒子图像与背景图像，得到第二粒子图像样本；模型训练模块，用于采用第一粒子图像样本和第二粒子图像样本对初始的深度学习模型进行训练，得到深度学习模型。
在一个实施例中，粒度检测模块X04，包括：图像处理单元，用于对粒子图像进行降噪处理，对降噪处理后的粒子图像进行转换，得到对应的二值图像；第二粒度确定单元，用于对二值图像依次进行加边处理、填充处理、取反处理，根据处理后的二值化图像确定粒子的粒度信息。
上述物料粒子的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种物料粒子的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一项实施例所述的物料粒子的检测方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施例所述的物料粒子的检测方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述的物料粒子的检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种物料粒子的检测方法，其特征在于，所述方法包括：
获取粒子图像，所述粒子图像是通过粒子检测装置采集得到的，所述粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，所述采样装置用于从所述物料出口处采集物料粒子，所述图像采集装置用于对所述物料粒子进行成像得到所述粒子图像；
检测得到所述粒子图像中粒子的粒度信息；
当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述粒度阈值。
2.根据权利要求1所述的方法，其特征在于，所述参数调整信息为设备参数的调整方式；所述当所述粒度信息不符合粒度阈值时，生成参数调整信息，包括：
当所述粒度信息不符合粒度阈值时，确定所述粒度信息与所述粒度阈值之间的差异信息；
根据所述差异信息确定所述设备参数的调整方式，按照所述调整方式对所述设备参数进行调整，所述调整方式包括调整方向和调整值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述差异信息确定所述设备参数的调整方式，包括：
获取差异信息与调整方式之间的映射关系；
从所述映射关系中查找与当前的所述差异信息对应的调整方式。
4.根据权利要求1所述的方法，其特征在于，所述参数调整信息为报警信息；所述当所述粒度信息不符合粒度阈值时，生成参数调整信息，包括：
当所述粒度信息不符合预设条件时，生成报警信息，所述报警信息携带所述粒度信息，所述报警信息用于指示根据所述粒度信息对所述设备参数进行调整。
5.根据权利要求1所述的方法，其特征在于，所述检测得到所述粒子图像中粒子的粒度信息，包括：
通过深度学习模型对所述粒子图像进行图像分割，得到粒子的粒子分割结果；
根据所述粒子分割结果中包括的像素信息，确定所述粒子的粒度信息。
6.根据权利要求5所述的方法，其特征在于，所述深度学习模型的训练生成方法，包括：
获取第一粒子图像样本；
通过已校验完成的粒子标注方式对所述第一粒子图像样本进行标注，得到所述第一粒子图像样本的粒子标注数据；
根据所述粒子标注数据，从所述第一粒子图像样本中提取得到第一单颗粒子图像；
对所述第一单颗粒子图像进行变换处理，得到多个第二单颗粒子图像；
生成灰度随机的背景图像，叠加所述第二单颗粒子图像与所述背景图像，得到第二粒子图像样本；
采用所述第一粒子图像样本和所述第二粒子图像样本对初始的深度学习模型进行训练，得到所述深度学习模型。
7.根据权利要求1所述的方法，其特征在于，所述检测得到所述粒子图像中粒子的粒度信息，包括：
对所述粒子图像进行降噪处理，对降噪处理后的所述粒子图像进行转换，得到对应的二值图像；
对所述二值图像依次进行加边处理、填充处理、取反处理，根据处理后的二值化图像确定所述粒子的粒度信息。
8.一种物料粒子的检测装置，其特征在于，所述装置包括：
获取模块，用于获取粒子图像，所述粒子图像是通过粒子检测装置采集得到的，所述粒子检测装置设置于设备的物料出口，包括采样装置和图像采集装置，所述采样装置用于从所述物料出口处采集物料粒子，所述图像采集装置用于对所述物料粒子进行成像得到所述粒子图像；
粒度检测模块，用于检测得到所述粒子图像中粒子的粒度信息；
信息生成模块，用于当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述粒度阈值。
9.一种粒子检测装置，其特征在于，所述装置包括：
采样装置，一端与设备的物料出口连接，用于从所述物料出口处采集物料粒子；
图像采集装置，用于对所述物料粒子进行成像，得到粒子图像；
控制装置，与所述图像采集装置连接，用于接收所述图像采集装置采集的所述粒子图像，检测得到所述粒子图像中粒子的粒度信息，当所述粒度信息不符合粒度阈值时，生成参数调整信息，所述参数调整信息用于指示对所述设备的设备参数进行调整，直至后续采集的物料粒子的粒度信息符合所述度阈值。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
粒子分散装置，设置于所述采样装置的另一端，用于通过压缩空气对所述物料粒子进行分散处理，使分散处理后的物料粒子自由落体式的下落；
所述图像采集装置，用于对下落过程中的所述物料粒子进行成像，得到所述粒子图像。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括：
光照装置，所述光照装置与所述图像采集装置相对设置，用于提供向所述图像采集装置提供光源。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111668238.8A CN114486647A (zh) | 2021-12-31 | 2021-12-31 | 物料粒子的检测方法、装置、粒子检测装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111668238.8A CN114486647A (zh) | 2021-12-31 | 2021-12-31 | 物料粒子的检测方法、装置、粒子检测装置、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114486647A true CN114486647A (zh) | 2022-05-13 |
Family
ID=81497386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111668238.8A Pending CN114486647A (zh) | 2021-12-31 | 2021-12-31 | 物料粒子的检测方法、装置、粒子检测装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486647A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110218824A (zh) * | 2019-06-05 | 2019-09-10 | 青岛大学 | 一种基于图像识别的高炉渣离心粒化粒径检测***及方法 |
| CN110263918A (zh) * | 2019-06-17 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 训练卷积神经网络的方法、装置、电子设备和计算机可读存储介质 |
| CN110766650A (zh) * | 2019-08-05 | 2020-02-07 | 南方科技大学 | 生物检测预警方法、***、装置、计算机设备和存储介质 |
| CN112861899A (zh) * | 2019-11-28 | 2021-05-28 | 配天机器人技术有限公司 | 自动生成图像训练数据的方法、图像处理设备和存储装置 |
| CN113289759A (zh) * | 2021-06-01 | 2021-08-24 | 浙江大学 | 干法粉磨***微粉粒度分布调控方法及装置 |
-
2021
- 2021-12-31 CN CN202111668238.8A patent/CN114486647A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110218824A (zh) * | 2019-06-05 | 2019-09-10 | 青岛大学 | 一种基于图像识别的高炉渣离心粒化粒径检测***及方法 |
| CN110263918A (zh) * | 2019-06-17 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 训练卷积神经网络的方法、装置、电子设备和计算机可读存储介质 |
| CN110766650A (zh) * | 2019-08-05 | 2020-02-07 | 南方科技大学 | 生物检测预警方法、***、装置、计算机设备和存储介质 |
| CN112861899A (zh) * | 2019-11-28 | 2021-05-28 | 配天机器人技术有限公司 | 自动生成图像训练数据的方法、图像处理设备和存储装置 |
| CN113289759A (zh) * | 2021-06-01 | 2021-08-24 | 浙江大学 | 干法粉磨***微粉粒度分布调控方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王倩: "《医学图像 分析技术及其应用》", 30 November 2021, 武汉大学出版社, pages: 49 - 50 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
| CN111060520B (zh) | 一种产品缺陷检测方法、装置与*** | |
| US9846932B2 (en) | Defect detection method for display panel based on histogram of oriented gradient | |
| CN111179253A (zh) | 一种产品缺陷检测方法、装置与*** | |
| RU2653461C2 (ru) | Обнаружение блика в кадре данных изображения | |
| CN103914676B (zh) | 一种在人脸识别中使用的方法和装置 | |
| CN111161246A (zh) | 一种产品缺陷检测方法、装置与*** | |
| CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
| TWI525555B (zh) | 影像處理裝置及處理方法 | |
| CN113076861B (zh) | 一种基于二阶特征的鸟类细粒度识别方法 | |
| CN112183482A (zh) | 危险驾驶行为识别方法、装置、***及可读存储介质 | |
| US20210390282A1 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
| WO2019061659A1 (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
| CN111833369A (zh) | 一种矾花图像处理方法、***、介质及电子设备 | |
| CN110766007A (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN114494305A (zh) | 一种球团生球粒径在线检测方法及*** | |
| CN110751004B (zh) | 二维码检测方法、装置、设备及存储介质 | |
| Chumuang et al. | Sorting red and green chilies by digital image processing | |
| US10839251B2 (en) | Method and system for implementing image authentication for authenticating persons or items | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| Li et al. | DDR-Unet: A High Accuracy and Efficient Ore Image Segmentation Method | |
| Kraichan et al. | Face and eye tracking for controlling computer functions | |
| CN105913427B (zh) | 一种基于机器学习的噪声图像显著性检测方法 | |
| CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 |
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 |