CN117994067A - 一种基于羽毛粉生产的智能控制方法 - Google Patents
一种基于羽毛粉生产的智能控制方法 Download PDFInfo
- Publication number
- CN117994067A CN117994067A CN202410396583.8A CN202410396583A CN117994067A CN 117994067 A CN117994067 A CN 117994067A CN 202410396583 A CN202410396583 A CN 202410396583A CN 117994067 A CN117994067 A CN 117994067A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel points
- particle
- pixel
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000003746 feather Anatomy 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 235000012054 meals Nutrition 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 140
- 239000000843 powder Substances 0.000 claims abstract description 28
- 238000003064 k means clustering Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于羽毛粉生产的智能控制方法。包括:计算羽毛粉灰度图像上每个像素点的差异系数;再计算每个像素点的正常系数。根据像素点的正常系数获得疑似大颗粒像素点;将疑似大颗粒像素点与其八邻域像素点的正常系数差异作为第一距离权重;根据疑似大颗粒像素点与聚类中心像素点之间的关系作为第二距离权重;再根据第一距离权重、第二距离权重以及初始聚类距离加权获得最终聚类距离,再进行聚类,获得大颗粒部分像素点;并将得到的大颗粒部分像素点进行控制处理;提高了羽毛粉生产中大颗粒像素检测的准确性,保证进行羽毛生产的过程中不会出现大量的大颗粒。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于羽毛粉生产的智能控制方法。
背景技术
羽毛粉在生产过程中由于缺乏有效的自动化和智能化控制方法,可能导致生产过程中不稳定性和难以控制的问题,影响产品的质量和一致性。相关技术中,使用传统的基于灰度值的K-means聚类方式识别大颗粒;这种方式下,由于羽毛粉内部是粉末状且灰度值变化较大,传统的基于灰度值的K-means聚类无法完全将羽毛粉中的大颗粒聚类出来,导致保证羽毛粉生产控制能力较差。
发明内容
本发明提供一种基于羽毛粉生产的智能控制方法,以解决羽毛粉生产时由于一些原因导致存在部分大颗粒未被完全打碎从而影响羽毛粉的质量;由于羽毛粉内部是粉末状且灰度值变化较大,导致传统的基于灰度值的K-means聚类无法完全将羽毛粉中的大颗粒聚类出来,会存在很多干扰的问题。
本发明的一种基于羽毛粉生产的智能控制方法采用如下技术方案:
本发明一个实施例提供了一种基于羽毛粉生产的智能控制方法,该方法包括以下步骤:
获得羽毛粉的灰度图像;
根据灰度图像上每个像素点灰度值与其八邻域像素点的灰度值,获得每个像素点的差异系数;
根据像素点灰度值与其八邻域像素点的差异系数、以及预设邻域像素点个数,获得像素点的正常系数;根据像素点的正常系数获得第一正常部分像素点和疑似大颗粒像素点;
将任意一个疑似大颗粒像素点,记为目标像素点;
利用目标像素点的正常系数和初始聚类中心像素点的正常系数,获得初始聚类距离;
根据目标像素点与其八邻域像素点的正常系数差异获得目标像素点与聚类中心像素点的第一距离权重;
根据目标像素点八邻域内第一正常部分像素点的个数、目标像素点八邻域内疑似大颗粒像素点的个数、聚类中心像素点八邻域内第一正常部分像素点的个数、聚类中心像素点八邻域内疑似大颗粒像素点的个数以及目标像素点与聚类中心像素点的欧氏距离,获得目标像素点与聚类中心像素点的第二距离权重;
根据第一距离权重、第二距离权重以及初始聚类距离获得最终聚类距离;
根据最终聚类距离对所有疑似大颗粒像素点进行聚类,得到大颗粒部分像素点;
利用大颗粒部分像素点进行控制处理。
优选的,所述根据灰度图像上每个像素点灰度值与其八邻域像素点的灰度值,获得每个像素点的差异系数,包括的具体公式如下:
式中,表示第/>个像素点的差异系数,/>表示第/>个像素点的灰度值,/>是第/>个像素点的八邻域中第/>个像素点的灰度值; />表示八邻域范围内其他像素点的数量。
优选的,所述根据像素点灰度值与其八邻域像素点的差异系数、以及预设邻域的像素点个数,获得像素点的正常系数,包括的具体公式如下:
式中,表示第/>个像素点的正常系数,/>表示第/>个像素点的灰度值,/>表示第/>个像素点八邻域上第/>个像素点的差异系数,/>表示以第/>个像素点为中心构建预设邻域为5×5邻域的像素点个数,其中5×5邻域的像素点由canny算法获得;/>表示/>函数;/>表示八邻域范围内其他像素点的数量。
优选的,所述根据像素点的正常系数获得第一正常部分像素点和疑似大颗粒像素点,包含的具体步骤如下:
预设阈值;正常系数大于等于阈值/>的像素点为第一正常部分像素点,正常系数小于阈值/>的像素点为疑似大颗粒像素点。
优选的,所述利用目标像素点的正常系数和初始聚类中心像素点的正常系数,获得初始聚类距离,包括的具体公式如下:
式中,表示K-means聚类算法的第/>个聚类中心像素点;/>表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示第/>个疑似大颗粒像素点的正常系数;/>表示第/>个聚类中心像素点的正常系数;
其中,第个疑似大颗粒像素点为目标像素点。
优选的,所述根据目标像素点与其八邻域像素点的正常系数差异获得目标像素点与聚类中心像素点的第一距离权重,包括的具体公式如下:
式中,表示第/>个疑似大颗粒像素点与聚类中心像素点的第一距离权重;/>表示第/>个疑似大颗粒像素点八邻域内的第/>个像素点的正常系数;N表示第i个疑似大颗粒像素点的八邻域像素点个数;/>表示第/>个疑似大颗粒像素点的正常系数,/>表示归一化函数;
其中,第个疑似大颗粒像素点为目标像素点。
优选的,所述根据目标像素点八邻域内第一正常部分像素点的个数、目标像素点八邻域内疑似大颗粒像素点的个数、聚类中心像素点八邻域内第一正常部分像素点的个数、聚类中心像素点八邻域内疑似大颗粒像素点的个数以及目标像素点与聚类中心像素点的欧氏距离,获得目标像素点与聚类中心像素点的第二距离权重,包括的具体公式如下:
式中,表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的第二距离权重;是/>函数;/>表示第/>个疑似大颗粒像素点八邻域内第一正常部分像素点的个数,/>表示第/>个疑似大颗粒像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个聚类中心像素点八邻域内第一正常部分像素点的个数,/>表示第/>个聚类中心像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的欧氏距离;
其中,第个疑似大颗粒像素点为目标像素点。
优选的,所述根据第一距离权重、第二距离权重以及初始聚类距离获得最终聚类距离,包括的具体步骤如下:
式中,表示最终聚类距离;/>表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示第/>个疑似大颗粒像素点与聚类中心像素点的第一距离权重;/>表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的第二距离权重。
优选的,所述根据最终聚类距离对所有疑似大颗粒像素点进行聚类,得到大颗粒部分像素点,包含的具体步骤如下:
利用最终聚类距离对所有疑似大颗粒像素点进行K-means聚类,得到两个簇,其中平均正常系数最大的一个簇为第二正常部分像素点,另一个簇为大颗粒部分像素点。
优选的,所述利用大颗粒部分像素点进行控制处理,包括的具体步骤如下:
大颗粒部分像素点数量与灰度图像上像素点数量的比值大于th1时,则调整粉碎机的功率,当大颗粒部分像素点数量与灰度图像上像素点数量的比值小于等于th1时,则不调整粉碎机的功率,th1为预设阈值。
本发明的技术方案的有益效果是:根据每个像素点的差异系数,获得所有的疑似大颗粒像素点,可以减少其他正常部分对于异常的干扰。传统K-means聚类是欧式距离进行聚类,本实例利用疑似大颗粒像素点的正常系数和聚类中心像素点的正常系数,获得初始聚类距离;根据目标像素点与其八邻域像素点的正常系数差异获得疑似大颗粒像素点与聚类中心像素点的第一距离权重;再由疑似大颗粒像素点与聚类中心像素点的第二距离权重;获得最终聚类距离。提高了聚类时得到大颗粒部分像素点的准确性,从而能够对大颗粒部分进行有效识别分析,保证大颗粒部分识别的准确性,进而根据准确的大颗粒状态进行羽毛粉生产控制,增强羽毛粉生产智能控制的客观性与可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于羽毛粉生产的智能控制方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于羽毛粉生产的智能控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于羽毛粉生产的智能控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于羽毛粉生产的智能控制方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取羽毛粉生产图像的灰度图像。
在带控制生产的羽毛粉生产线正上方架设图像采集装置高清工业CCD相机,基于图像采集装置采集仅包含羽毛粉的原始图像,而后,对原始图像进行图像均值灰度化处理,得到灰度图像。
步骤S002:根据像素点灰度值与其八邻域像素点的差异系数、以及八邻域像素点个数,获得像素点的正常系数;根据像素点的正常系数获得疑似大颗粒像素点。
对羽毛粉灰度图进行边缘检测,得到若干条边缘,由于羽毛粉在生产过程中可能会未完全打碎,导致形成一些较大的颗粒,从而影响羽毛粉的质量,由于正常部分羽毛粉颗粒被打散的很小,而异常的部分的大颗粒很大,导致正常部分由于漫反射,导致其灰度值普遍较低,而异常的大颗粒部分的灰度值由于反射角度相同,在灰度图中表现的灰度值普遍较高;所以对于每个像素点,它的灰度值越高,代表其属于大颗粒部分的概率越大,并且由于正常部分是很多细小颗粒,导致正常部分边缘较多,且正常部分灰度值差异较大,对每个像素点构建八邻域。
首先基于每个像素点的八邻域计算出每个像素点灰度值与其八邻域像素点的差异系数,具体计算公式为:
式中,表示第/>个像素点灰度值与其八邻域像素点的差异系数,简记第/>个像素点的差异系数;/>表示第/>个像素点的灰度值,/>表示第/>个像素点八邻域中第/>个像素点的灰度值;/>表示八邻域范围内其他像素点的数量。
至此,获得了每个像素点的差异系数。
然后,基于第个像素点灰度值与其八邻域像素点的差异系数获取第/>个像素点的正常系数,具体计算公式为:
式中,表示第/>个像素点的正常系数,/>表示第/>个像素点的灰度值,/>表示第/>个像素点八邻域上第/>个像素点的差异系数,/>表示以第/>个像素点为中心构建预设邻域为5×5邻域的像素点个数,其中5×5邻域的像素点由canny算法获得;/>表示/>函数;/>表示八邻域范围内其他像素点的数量。
需要说明的是,由于羽毛粉正常部分因为漫反射原因,导致其灰度值较低,那么第个像素点的灰度值/>越低,那么其对应的正常系数就应该越高,并且由于正常部分有很多细小颗粒组成,所以会导致正常部分灰度值方差较大,那么各像素点周围像素点的波动值较大,从而每个像素点与其八邻域像素点的差异系数/>越大,那么对于每个像素点,其八邻域内每个像素点的差异系数和越大,那么对于该像素点其周围像素点的灰度值波动就较大,那么其正常系数越大,与/>成正相关;并且由于正常部分的灰度值变化较大,所以导致像素点周围有较多的边缘,那么各个像素点周围存在的边缘像素点数量/>越多,代表其正常系数越大,那么其与/>成正相关。
设置判断阈值,本实施例以阈值/>为例进行叙述,当/>的像素点为第一正常部分像素点,当/>的像素点为疑似大颗粒像素点。
至此,获得所有的疑似大颗粒像素点,将其数量记为k。
步骤S003:利用疑似大颗粒像素点的正常系数和初始聚类中心像素点的正常系数,获得初始聚类距离。
为了将得到个疑似大颗粒像素点聚类为大颗粒像素点以及第二正常部分像素点,将疑似大颗粒的/>个像素点中,正常系数最大以及最小的两个疑似大颗粒像素点设为初始聚类中心像素点。而对于聚类的距离,传统K-means聚类是欧式距离进行聚类,由于欧氏距离依赖于初始聚类中心的选取,所以本实施例则利用各聚类的像素点与聚类中心像素点的正常系数差值作为初始聚类距离,其计算公式为:
式中,表示K-means聚类算法的第/>个聚类中心像素点;/>表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示第/>个疑似大颗粒像素点的正常系数;/>表示第/>个聚类中心像素点的正常系数。
至此,得到各个疑似大颗粒像素点相较于初始聚类中心像素点的初始聚类距离。
步骤S004:根据疑似大颗粒像素点与聚类中心像素点的第一距离权重、第二距离权重以及初始聚类距离获得最终聚类距离,根据最终聚类距离获得大颗粒部分像素点。
由于羽毛粉中大颗粒像素点是分散的,需要使聚类结果为成团的像素点,为了使聚类效果好,需要参考像素点周围其他像素点的正常系数进行加权,比较每个需要被聚类的像素点八邻域内部需要被聚类的像素点的正常系数,并将其作比较。若八邻域内聚类像素点的正常系数大于该像素点,那么说明需要使该像素点的权重加大,反之亦然;并且对于每个聚类像素以及聚类中心像素点比较其第一正常部分像素点及疑似大颗粒像素点的数量差异,若差异较大代表其距离权重相应较大,并且对于与聚类中心像素点距离较远的像素点,其可能由于与聚类中心像素点距离较大,其周围正常系数与聚类中心像素点的正常系数并不相关,其与聚类权重呈负相关。
式中,表示第/>个疑似大颗粒像素点与其八邻域像素点的正常系数差异作为第一距离权重;/>表示第/>个疑似大颗粒像素点进行K-means聚类时与第/>个聚类中心像素点的第二距离权重;/>是线性归一化函数,目的是将数据处理到/>之间;/>表示第/>个疑似大颗粒像素点八邻域内第/>个像素点的正常系数;/>是/>函数,目的是将数据处理到/>之间;N表示第i个疑似大颗粒像素点的八邻域像素点个数;/>表示第/>个疑似大颗粒像素点的正常系数;/>表示第/>个疑似大颗粒像素点八邻域内第一正常部分像素点的个数,/>表示第/>个疑似大颗粒像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个聚类中心像素点八邻域内第一正常部分像素点的个数,/>表示第/>个聚类中心像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的欧氏距离。
需要说明的是,将对于每个疑似大颗粒像素点,是将其八邻域中的像素点的正常系数与聚类中心像素点的正常系数作差,若差值为负那么说明八邻域像素点的聚类距离较小,那么需要对当前疑似大颗粒像素点的权值减小,反正亦然;通过/>归一化函数,将差值进行归一化,得到第一距离权重;并且比较其第一正常部分像素点及疑似大颗粒像素点的数量差异/>,若差异较大代表其与聚类中心像素点的差异较大,那么第二距离权重较大;并且对于疑似大颗粒像素点与聚类中心像素点距离/>,对于/>较大的像素点,其可能由于与聚类中心像素点距离较大,导致其周围第一正常部分像素点与疑似大颗粒像素点之间的关系与聚类中心像素点的相关性变小,所以其与聚类权重呈负相关。
将计算所得的权重,对聚类距离,进行调整,调整操作如下:
式中,表示根据第一距离权重、第二距离权重对初始聚类距离/>进行调整后的聚类距离,记为最终聚类距离; />表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示表示第/>个疑似大颗粒像素点与其八邻域像素点的正常系数差异作为第一距离权重;/>表示第/>个疑似大颗粒像素点进行K-means聚类时与第/>个聚类中心像素点的第二距离权重。基于初始聚类中心像素点利用最终聚类距离对所有疑似大颗粒像素点进行K-means聚类,得到两个簇,其中平均正常系数最大的一个簇为第二正常部分像素点,另一个簇为大颗粒部分像素点。
至此,获得大颗粒部分像素点。
步骤S005:根据大颗粒部分像素点数量进行控制处理。
大颗粒部分像素点数量与灰度图像上像素点数量的比值大于th1时,则说明羽毛粉中存在的大颗粒比较多,粉碎程度不够,此时当进行下一次羽毛粉生产时,将粉碎机的功率调高,当大颗粒部分像素点数量与灰度图像上像素点数量的比值小于等于th1时,说明羽毛粉中存在的大颗粒比较少,粉碎程度合适,此时当进行下一次羽毛粉生产时,粉碎机的功率不用调整。本实施例以th1=0.1为例进行叙述,同时本实施例调整粉碎机的功率时将功率调高1%。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于羽毛粉生产的智能控制方法,其特征在于,该方法包括以下步骤:
获得羽毛粉的灰度图像;
根据灰度图像上每个像素点灰度值与其八邻域像素点的灰度值,获得每个像素点的差异系数;
根据像素点灰度值与其八邻域像素点的差异系数、以及预设邻域的像素点个数,获得像素点的正常系数;根据像素点的正常系数获得第一正常部分像素点和疑似大颗粒像素点;
将任意一个疑似大颗粒像素点,记为目标像素点;
将正常系数最大以及最小的两个疑似大颗粒像素点设为初始聚类中心像素点;
利用目标像素点的正常系数和初始聚类中心像素点的正常系数,获得初始聚类距离;
根据目标像素点与其八邻域像素点的正常系数差异获得目标像素点与聚类中心像素点的第一距离权重;
根据目标像素点八邻域内第一正常部分像素点的个数、目标像素点八邻域内疑似大颗粒像素点的个数、聚类中心像素点八邻域内第一正常部分像素点的个数、聚类中心像素点八邻域内疑似大颗粒像素点的个数以及目标像素点与聚类中心像素点的欧氏距离,获得目标像素点与聚类中心像素点的第二距离权重;
根据第一距离权重、第二距离权重以及初始聚类距离获得最终聚类距离;
根据最终聚类距离对所有疑似大颗粒像素点进行聚类,得到大颗粒部分像素点;
利用大颗粒部分像素点进行控制处理。
2.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据灰度图像上每个像素点灰度值与其八邻域像素点的灰度值,获得每个像素点的差异系数,包括的具体公式如下:
;
式中,表示第/>个像素点的差异系数,/>表示第/>个像素点的灰度值,/>是第/>个像素点的八邻域中第/>个像素点的灰度值; />表示八邻域范围内其他像素点的数量。
3.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据像素点灰度值与其八邻域像素点的差异系数、以及预设邻域的像素点个数,获得像素点的正常系数,包括的具体公式如下:
;
式中,表示第/>个像素点的正常系数,/>表示第/>个像素点的灰度值,/>表示第/>个像素点八邻域上第/>个像素点的差异系数,/>表示以第/>个像素点为中心构建预设邻域为5×5邻域的像素点个数,其中5×5邻域的像素点由canny算法获得;/>表示/>函数;表示八邻域范围内其他像素点的数量。
4.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据像素点的正常系数获得第一正常部分像素点和疑似大颗粒像素点,包含的具体步骤如下:
预设阈值;正常系数大于等于阈值/>的像素点为第一正常部分像素点,正常系数小于阈值/>的像素点为疑似大颗粒像素点。
5.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述利用目标像素点的正常系数和初始聚类中心像素点的正常系数,获得初始聚类距离,包括的具体公式如下:
;
式中,表示K-means聚类算法的第/>个聚类中心像素点;/>表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示第/>个疑似大颗粒像素点的正常系数;表示第/>个聚类中心像素点的正常系数;
其中,第个疑似大颗粒像素点为目标像素点。
6.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据目标像素点与其八邻域像素点的正常系数差异获得目标像素点与聚类中心像素点的第一距离权重,包括的具体公式如下:
;
式中,表示第/>个疑似大颗粒像素点与聚类中心像素点的第一距离权重;/>表示第/>个疑似大颗粒像素点八邻域内的第/>个像素点的正常系数;N表示第i个疑似大颗粒像素点的八邻域像素点个数;/>表示第/>个疑似大颗粒像素点的正常系数,/>表示归一化函数;
其中,第个疑似大颗粒像素点为目标像素点。
7.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据目标像素点八邻域内第一正常部分像素点的个数、目标像素点八邻域内疑似大颗粒像素点的个数、聚类中心像素点八邻域内第一正常部分像素点的个数、聚类中心像素点八邻域内疑似大颗粒像素点的个数以及目标像素点与聚类中心像素点的欧氏距离,获得目标像素点与聚类中心像素点的第二距离权重,包括的具体公式如下:
;
式中,表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的第二距离权重;是/>函数;/>表示第/>个疑似大颗粒像素点八邻域内第一正常部分像素点的个数,/>表示第/>个疑似大颗粒像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个聚类中心像素点八邻域内第一正常部分像素点的个数,/>表示第/>个聚类中心像素点八邻域内疑似大颗粒像素点的个数,/>表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的欧氏距离;
其中,第个疑似大颗粒像素点为目标像素点。
8.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据第一距离权重、第二距离权重以及初始聚类距离获得最终聚类距离,包括的具体步骤如下:
;
式中,表示最终聚类距离;/>表示第/>个疑似大颗粒像素点到第/>个聚类中心像素点的初始聚类距离;/>表示第/>个疑似大颗粒像素点与聚类中心像素点的第一距离权重;/>表示第/>个疑似大颗粒像素点与第/>个聚类中心像素点的第二距离权重。
9.根据权利要求8所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述根据最终聚类距离对所有疑似大颗粒像素点进行聚类,得到大颗粒部分像素点,包含的具体步骤如下:
利用最终聚类距离对所有疑似大颗粒像素点进行K-means聚类,得到两个簇,其中平均正常系数最大的一个簇为第二正常部分像素点,另一个簇为大颗粒部分像素点。
10.根据权利要求1所述一种基于羽毛粉生产的智能控制方法,其特征在于,所述利用大颗粒部分像素点进行控制处理,包括的具体步骤如下:
大颗粒部分像素点数量与灰度图像上像素点数量的比值大于th1时,则增加粉碎机的功率,th1为预设阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396583.8A CN117994067B (zh) | 2024-04-03 | 2024-04-03 | 一种基于羽毛粉生产的智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396583.8A CN117994067B (zh) | 2024-04-03 | 2024-04-03 | 一种基于羽毛粉生产的智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117994067A true CN117994067A (zh) | 2024-05-07 |
CN117994067B CN117994067B (zh) | 2024-06-04 |
Family
ID=90901002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410396583.8A Active CN117994067B (zh) | 2024-04-03 | 2024-04-03 | 一种基于羽毛粉生产的智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994067B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126516A1 (en) * | 2020-12-17 | 2022-06-23 | Covidien Lp | Adaptive image noise reduction system and method |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位*** |
CN117635609A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市智宇精密五金塑胶有限公司 | 一种塑胶产品生产质量视觉检测方法 |
-
2024
- 2024-04-03 CN CN202410396583.8A patent/CN117994067B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126516A1 (en) * | 2020-12-17 | 2022-06-23 | Covidien Lp | Adaptive image noise reduction system and method |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位*** |
CN117635609A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市智宇精密五金塑胶有限公司 | 一种塑胶产品生产质量视觉检测方法 |
Non-Patent Citations (1)
Title |
---|
张燕: "饲料质量检测技术的研究进展", 《中国饲料》, 28 August 2023 (2023-08-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117994067B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN115345802B (zh) | 一种机电设备运行状态远程监控方法 | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN114612550A (zh) | 一种基于多级优化的圆拟合算法 | |
CN113935953A (zh) | 基于图像处理的钢卷缺陷检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及*** | |
CN115170567A (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN115311689A (zh) | 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法 | |
CN117994067B (zh) | 一种基于羽毛粉生产的智能控制方法 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及*** | |
CN116167921B (zh) | 一种飞行太空舱全景图像拼接方法及*** | |
CN115862006B (zh) | 一种面粉磨粉过程中麸星的检测方法 | |
CN116934787A (zh) | 基于边缘检测的图像处理方法 | |
CN116563254A (zh) | 一种电子元器件表面印刷图案的纹理检测与匹配方法 | |
CN113567466B (zh) | 一种微型芯片外观缺陷的智能识别方法 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN114618371A (zh) | 基于人工智能的分批式混合机控制方法及*** | |
CN110610152B (zh) | 基于判别特征学习无监督网络的多光谱云检测方法 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 |
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 |