[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116593408B - 一种重质碳酸钙粉体色度检测方法 - Google Patents

一种重质碳酸钙粉体色度检测方法 Download PDF

Info

Publication number
CN116593408B
CN116593408B CN202310884981.XA CN202310884981A CN116593408B CN 116593408 B CN116593408 B CN 116593408B CN 202310884981 A CN202310884981 A CN 202310884981A CN 116593408 B CN116593408 B CN 116593408B
Authority
CN
China
Prior art keywords
image
stripes
chromaticity
neural network
convolutional neural
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
CN202310884981.XA
Other languages
English (en)
Other versions
CN116593408A (zh
Inventor
彭贵明
李林富
彭建蓉
钱程
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.)
Sichuan Yixin New Material Co ltd
Original Assignee
Sichuan Yixin New Material 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 Sichuan Yixin New Material Co ltd filed Critical Sichuan Yixin New Material Co ltd
Priority to CN202310884981.XA priority Critical patent/CN116593408B/zh
Publication of CN116593408A publication Critical patent/CN116593408A/zh
Application granted granted Critical
Publication of CN116593408B publication Critical patent/CN116593408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/462—Computing operations in or between colour spaces; Colour management systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/463—Colour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种重质碳酸钙粉体色度检测方法，属于重质碳酸钙粉体色度检测技术领域，解决现有技术中接触式检测干扰问题，其包括：沿垂直于透明标准板方向采集含有透明标准板和储存有重质碳酸钙的粉末皿的第一图像；对第一图像进行分割，求得第一图像中条纹的间距或条纹的宽度；根据第一图像中条纹的间距或条纹的宽度与透明标准板的实际条纹的间距或实际条纹的宽度进行比例缩放；构建色度标准数据库；建构色度识别网格模型；利用色度标准数据库对色度识别网格模型进行训练；将比例缩放后的第一图像输入至训练后的色度识别网格模型，识别得到重质碳酸钙粉体色度值。通过上述方案，本发明具有逻辑简单、检测准确可靠等优点。

Description

一种重质碳酸钙粉体色度检测方法
技术领域
本发明涉及色度检测技术领域，尤其是一种重质碳酸钙粉体色度检测方法。
背景技术
本文的重质碳酸钙简称重钙，其是由天然碳酸盐矿物如方解石、大理石、石灰石磨碎而成。重质碳酸钙具有化学纯度高、惰性大、不易化学反应、热稳定性好、在400℃以下不会分解、白度高、吸油率低、折光率低、质软、干燥、不含结晶水、硬度低磨耗值小、无毒、无味、无臭、分散性好等优点。另外，碳酸钙是涂料生产中重要的填充剂，被广泛运用于各种涂料生产中，但是并并非所有的碳酸钙都可以作为填充剂添加到涂料中。其中，粒径比较大的碳酸钙常被用于做为腻子、填孔化合物、金属的底漆及其他产物，它们需要高颜料量、流动性及粗的表面；中等粒径的碳酸钙比较合适用于建筑涂料及室内无光或半光漆上；细小粒级的碳酸钙主要用于印刷油墨。其中，重质碳酸钙的平均粒径一般为5-10μm，其属于微粒碳酸钙。
在造纸技术领域中，碳酸钙在纸张中作为填料主要有以下目的：第一，填料分散于浆料纤维间将空隙填充，改善纸张的不透明度、白度等光学性质；第二，改进纸张的吸油墨性，使纸张具有更好的印刷适性；第三，满足纸张某些特殊性能要求，如提高纸张的导电性、耐热性等；第四，减少纤维原料的使用，降低生产成本；第五，填料具有大的比表面积，有助于克服树脂障碍。其中，碳酸钙的色度直接影响纸张的视觉色相、印刷质量、色相持久性。
目前，现有技术中碳酸钙色度检测采用“专利公开号为：CN112763068A、名称为：一种碳酸钙粉体色度的检测方法”的中国发明专利的方式，其包括：(1)混料：开启天平，将烧杯置于电子天平上，去皮，向烧杯中加入无色树脂，再向装有无色树脂的烧杯中加入需检测的碳酸钙粉体样品，充分混匀，得到粉团；(2)制样：将粉团放在圆形制样器中压平，直至充满整个制样器且使摊塌面平整，静置5-10分钟，得到检测样品备测；(3)检测：按测色仪的操作规程进行测试前处理，然后对检测样品进行测试，每个检测样品取两个重现的数据，并记录L、a、b值。其依然采用测色仪进行测量，在无色树脂和碳酸钙粉体混合时，由于其并非液体，其混匀较为困难，只能实现理论上的混匀，检测的结果与真实结果存在一定误差。另外，测色仪需要挤压贴紧检测样品才可进行准确检测，其对检测样品存在一定的挤压，会导致样本厚度发生改变，其依然对样本的色度检测造成影响。若对色度检测精度不高时，上述方式可以实现。
因此，急需要提出一种逻辑简单、检测准确可靠的重质碳酸钙粉体色度检测方法。
发明内容
针对上述问题，本发明的目的在于提供一种重质碳酸钙粉体色度检测方法，本发明采用的技术方案如下：
一种重质碳酸钙粉体色度检测方法，其采用圆形透明的粉末皿存储待检测的重质碳酸钙，并对粉末皿内的重质碳酸钙进行刮平，将刮平重质碳酸钙后的粉末皿放置在透明标准板上；所述透明标准板的一端刻有两根条纹；两根所述条纹沿垂直于透明标准板的长度方式布设；
所述重质碳酸钙粉体色度检测方法包括以下步骤：
沿垂直于透明标准板方向采集含有透明标准板和储存有重质碳酸钙的粉末皿的第一图像；拍摄所述第一图像的图像采集设备位于粉末皿的轴线方向上；
对第一图像进行分割，求得第一图像中条纹的间距或条纹的宽度；
根据第一图像中条纹的间距或条纹的宽度与透明标准板的实际条纹的间距或实际条纹的宽度进行比例缩放；
构建色度标准数据库；
建构色度识别网格模型；所述色度识别网格模型包括并分支设置、并提取第一图像中重质碳酸钙的特征向量的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络，与第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络连接的特征选取模块，以及与特征选取模块连接的全连接层；所述特征选取模块选取第一图像中色度特征最大的特征点；
利用色度标准数据库对色度识别网格模型进行训练，得到训练后的色度识别网格模型；
将比例缩放后的第一图像输入至训练后的色度识别网格模型，识别得到重质碳酸钙粉体色度值。
进一步地，所述对第一图像进行分割，求得第一图像中条纹的间距或条纹的宽度，包括：
对第一图像进行分割，得到含有条纹的第二图像和含有储存有重质碳酸钙的粉末皿的第三图像；
求得第二图像中的条纹的间距或条纹的宽度；
根据第二图像中的条纹的间距或条纹的宽度与透明标准板的实际条纹的间距或实际条纹的宽度对第三图像进行比例缩放。
进一步地，还包括：将比例缩放的第三图像输入至训练后的色度识别网格模型，识别得到重质碳酸钙粉体色度值。
进一步地，所述图像采集设备上设置有一测距设备，所述测距设备采集获得图像采集设备与粉末皿之间的第一距离。
进一步地，求得第一图像中条纹的间距或条纹的宽度，包括：求得条纹在第一图像中的正投影，并利用条纹在第一图像中的正投影进行条纹的间距或条纹的宽度求得；所述求得条纹在第一图像中的正投影，包括以下步骤：
在第一图像中，求得第一图像中两根条纹之间的中间点，并获取中间点与粉末皿的中心点的第二距离；所述图像采集设备与粉末皿的中心点的连线记为直线L1；所述图像采集设备与两根条纹之间的中间点的连线记为直线L2；
利用第一距离和第二距离，并采用反正切，求得直线L1与直线L2的夹角；
采用正投影法校正两根条纹的宽度和两根条纹的间距。
进一步地，所述第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络提取第一图像中重质碳酸钙的特征向量；所述特征向量包括HSV颜色模型通道中的色相H和饱和度S、YUV颜色空间通道中的明度V和色度U。
进一步地，所述特征选取模块对第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络输出的特征向量进行拼接，并与权重核 W进行元素积乘积，选取第一图像中色度特征最大的特征点，完成特征选择，所述元素积的表达式为：
其中，表示第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷 积神经网络输出的特征向量；表示元素积。
与现有技术相比，本发明具有以下有益效果：
（1）本发明对粉末皿内的重质碳酸钙进行刮平，沿水平方向观察，无凹凸不平、疵点和瘢痕，以保证后期检测的准确性。另外，本发明通过设置两根条纹，根据图像中条纹的间距或条纹的宽度与实际的条纹的间距或条纹的宽度进行比例缩放，保证任一次检测获得的图像尺寸相同，有效地避免因拍摄图像的远近造成识别差异，进一步提高了识别准确率。本发明采用非接触的图像识别，其与标准的色度进行对比，排出因检测操作造成的干扰，保证检测准确可靠。
（2）本发明通过建构色度识别网格模型，其中，第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络分别提取HSV颜色模型通道中的色相H和饱和度S、YUV颜色空间通道中的明度V和色度U，并利用特征选取模块去增加特征分布的稀疏性，并定位和选择出最显著的特征，以便于准确可靠进行色度识别。
（3）本发明对条纹进行正投影，保证任一次采集获得的粉末皿图像均在同一次条件下进行对比。其中，在任一次图像采集时，图像采集设备与粉末皿的中心点的距离、两根条纹之间的中间点与粉末皿的中心点的第二距离均可能发生改变，此时，利用正投影和比例缩放配合进行校正，保证任一次采集的图像中的粉末皿的尺寸相同，以克服因拍摄的位置差异造成的误差，保证检测准确可靠性。
综上所述，本发明具有逻辑简单、检测准确可靠等优点，在色度检测技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。
图1为本发明的检测状态示意图。
图2为本发明的粉末皿和透明标准板的结构示意图。
图3为本发明的色度识别网格模型的结构示意图。
上述附图中，附图标记对应的部件名称如下：
1、透明标准板；2、粉末皿；3、条纹；4、图像采集设备；5、测距设备。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个系统是指两个或两个以上的系统。
如图1至图3所示，本实施例提供了一种重质碳酸钙粉体色度检测方法，其采用图像识别技术，与传统的接触式的测色仪不同，其无需接触贴合在待检测的样品上。其采用圆形透明的粉末皿存储待检测的重质碳酸钙，并对粉末皿内的重质碳酸钙进行刮平，将刮平重质碳酸钙后的粉末皿放置在透明标准板上。为了保证任一次采集的图像在比例缩放校正后尺寸相同，并且能实现准确定位，在透明标准板的一端刻有两根条纹，以作为参考。其中，两根所述条纹沿垂直于透明标准板的长度方式布设。在此，图像采集设备与粉末皿的中心点的连线记为直线L1，图像采集设备与两根条纹之间的中间点的连线记为直线L2。直线L1与直线L2之间的夹角为δ。
在本实施例中，将粉末皿放置在图像采集设备的下部，由于其并未每一次都能放置在图像采集设备的正下方（即图像采集设备与粉末皿的轴线重合），因此，图像采集设备的位置必须需要调整，其包括三轴方向的调整。另外，粉末皿也并非每一次放置透明标准板的同一个点，即存在位置偏差。那么，图像采集设备与粉末皿的中心点的距离、两根条纹之间的中间点与粉末皿的中心点的第二距离均差异。由此可见，图像中的粉末皿势必有一定的尺寸差异，这对后期的颜色空间输出也会有影响，造成色相识别误差。因此，本实施例均需要考虑以上技术问题。
本实施例的重质碳酸钙粉体色度检测方法包括以下步骤：
第一步，沿垂直于透明标准板方向采集含有透明标准板和储存有重质碳酸钙的粉末皿的第一图像。其中，拍摄所述第一图像的图像采集设备位于粉末皿的轴线方向上；在检测前，需要对图像采集设备进行三轴方向调整，保证图像采集设备在粉末皿的轴线方向上。
第二步，对第一图像进行分割，求得第一图像中条纹的间距或条纹的宽度。在此之前，还需要对条纹进行正投影；每一次图像采集时，图像采集设备与粉末皿的中心点的距离、两根条纹之间的中间点与粉末皿的中心点的第二距离均存在差异，那么需要对其进行修正。具体来说：
（1）在第一图像中，求得第一图像中两根条纹之间的中间点，并获取中间点与粉末皿的中心点的第二距离。其中，图像采集设备与粉末皿的中心点的距离记为第一距离。
（2）利用第一距离和第二距离，并采用反正切，求得直线L1与直线L2的夹角δ。
（3）在本实施例中，图像采集设备与粉末皿的中心点的连接、两根条纹之间的中间点与粉末皿的中心点的连线、图像采集设备与两根条纹之间的中间点的连线构成直角三角形，那么，根据直线L1与直线L2的夹角δ、第一距离采用正投影法校正第一图像中的两根条纹的宽度和两根条纹的间距。
在此基础上，对图像进行分割，求得第一图像中条纹的间距或条纹的宽度。具体来说：
（1）对第一图像进行分割，得到含有条纹的第二图像和含有储存有重质碳酸钙的粉末皿的第三图像；在此，对第一图像进行分割，以便于对第三图像进行缩放，无需对第二图像进行缩放操作，节省计算工作量。
（2）求得第二图像中的条纹的间距或条纹的宽度。在本实施例中，可以采用条纹的宽度，也可以采集条纹的间距作为参考进行缩放。当粉末皿放置在远离条纹时，即直线L2的长度较长时，第一图像中的条纹的间距、条纹的宽度变窄。在实物的透明标准板上，条纹的间距、条纹的宽度是恒定不变的，因此，通过缩放以修正拍摄图像的干扰。
第三步，本实施例根据第二图像中的条纹的间距或条纹的宽度与透明标准板的实际条纹的间距或实际条纹的宽度对第三图像进行比例缩放。即根据第二图像中的条纹的间距与透明标准板的实际条纹的间距的比例进行缩放；或者根据第二图像中的某一条纹的宽度与透明标准板中该对应条纹的实际条纹的宽度的比例进行缩放。经过上述步骤后，获得图像中的粉末皿尺寸完全相同，为准确识别提供保障。
第四步，构建色度标准数据库，该色度标准数据库建立的依据为GB/T20147《CIE标准色度观察者》，其属于国家标准。
第五步，建构色度识别网格模型。具体来说，色度识别网格模型包括并分支设置、并提取第一图像中重质碳酸钙的特征向量的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络，与第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络连接的特征选取模块，以及与特征选取模块连接的全连接层；所述特征选取模块选取第一图像中色度特征最大的特征点。
其中，第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络提取第一图像中重质碳酸钙的特征向量，该特征向量包括HSV颜色模型通道中的色相H和饱和度S、YUV颜色空间通道中的明度V和色度U。
特征选取模块对第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络输出的特征向量进行拼接，并与权重核 W进行元素积乘积，选取第一图像中色度特征最大的特征点，完成特征选择，所述元素积的表达式为：
其中，表示第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷 积神经网络输出的特征向量。
在本实施例中，采用4个卷积神经网络（CNN）提取出每一条色度通道 (H, S inHSV; U, V in YUV) 的128 维的特征信息并把它们拼接在一起，然后将拼接后的向量与权重核 W 进行乘积便可完成特征的选择。其中，通过增加特征分布的稀疏性，并定位和选择出最显著的特征点（即色度特征最大的特征点），利用最显著的特征点进行色度对比识别。
第六步，利用色度标准数据库对色度识别网格模型进行训练，得到训练后的色度识别网格模型。
第七步，将比例缩放后的第一图像（具体是第一图像拆分得到的第三图像，第三图像属于第一图像的一部分）输入至训练后的色度识别网格模型，识别得到重质碳酸钙粉体色度值。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (3)

1.一种重质碳酸钙粉体色度检测方法，其特征在于，采用圆形透明的粉末皿存储待检测的重质碳酸钙，并对粉末皿内的重质碳酸钙进行刮平，将刮平重质碳酸钙后的粉末皿放置在透明标准板上；所述透明标准板的一端刻有两根条纹；两根所述条纹沿垂直于透明标准板的长度方式布设；
所述重质碳酸钙粉体色度检测方法包括以下步骤：
沿垂直于透明标准板方向采集含有透明标准板和储存有重质碳酸钙的粉末皿的第一图像；拍摄所述第一图像的图像采集设备位于粉末皿的轴线方向上；
对第一图像进行分割，求得第一图像中条纹的间距或条纹的宽度，包括：
对第一图像进行分割，得到含有条纹的第二图像和含有储存有重质碳酸钙的粉末皿的第三图像；
求得第二图像中的条纹的间距或条纹的宽度，即为第一图像中条纹的间距或条纹的宽度；
所述求得第一图像中条纹的间距或条纹的宽度，包括：求得条纹在第一图像中的正投影，并利用条纹在第一图像中的正投影进行条纹的间距或条纹的宽度求得；所述求得条纹在第一图像中的正投影，包括以下步骤：
在第一图像中，求得第一图像中两根条纹之间的中间点，并获取中间点与粉末皿的中心点的第二距离；所述图像采集设备与粉末皿的中心点的连线记为直线L1；所述图像采集设备与两根条纹之间的中间点的连线记为直线L2；
利用第一距离和第二距离，并采用反正切，求得直线L1与直线L2的夹角δ；
根据直线L1与直线L2的夹角δ、第一距离采用正投影法校正第一图像中的两根条纹的宽度和两根条纹的间距；
根据第二图像中的条纹的间距或条纹的宽度与透明标准板的实际条纹的间距或实际条纹的宽度对第三图像进行比例缩放；
构建色度标准数据库；
建构色度识别网格模型；所述色度识别网格模型包括并分支设置、并提取第一图像中重质碳酸钙的特征向量的第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络，与第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络连接的特征选取模块，以及与特征选取模块连接的全连接层；所述特征选取模块选取第一图像中色度特征最大的特征点；所述第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络提取第一图像中重质碳酸钙的特征向量；所述特征向量包括HSV颜色模型通道中的色相H和饱和度S、YUV颜色空间通道中的明度V和色度U；
利用色度标准数据库对色度识别网格模型进行训练，得到训练后的色度识别网格模型；
将比例缩放的第三图像输入至训练后的色度识别网格模型，识别得到重质碳酸钙粉体色度值。
2.根据权利要求1所述的一种重质碳酸钙粉体色度检测方法，其特征在于，所述图像采集设备上设置有一测距设备，所述测距设备采集获得图像采集设备与粉末皿之间的第一距离。
3.根据权利要求1所述的一种重质碳酸钙粉体色度检测方法，其特征在于，所述特征选取模块对第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络输出的特征向量进行拼接，并与权重核 W进行元素积乘积，选取第一图像中色度特征最大的特征点，完成特征选择，所述元素积的表达式为：
；
其中，表示第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络输出的特征向量；/>表示元素积。
CN202310884981.XA 2023-07-19 2023-07-19 一种重质碳酸钙粉体色度检测方法 Active CN116593408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310884981.XA CN116593408B (zh) 2023-07-19 2023-07-19 一种重质碳酸钙粉体色度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310884981.XA CN116593408B (zh) 2023-07-19 2023-07-19 一种重质碳酸钙粉体色度检测方法

Publications (2)

Publication Number Publication Date
CN116593408A CN116593408A (zh) 2023-08-15
CN116593408B true CN116593408B (zh) 2023-10-17

Family

ID=87594159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310884981.XA Active CN116593408B (zh) 2023-07-19 2023-07-19 一种重质碳酸钙粉体色度检测方法

Country Status (1)

Country Link
CN (1) CN116593408B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118392308A (zh) * 2024-04-19 2024-07-26 广东翔龙科技股份有限公司 一种重质碳酸钙粉体色度检测装置及方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4812902A (en) * 1986-08-29 1989-03-14 Agfa-Gevaert Aktiengesellschaft Method and apparatus for adjusting color saturation in electronic image processing
JP2009249517A (ja) * 2008-04-08 2009-10-29 Teijin Ltd 色相および湿熱安定性に優れたポリ乳酸組成物
JP2011066814A (ja) * 2009-09-18 2011-03-31 Toyo Ink Engineering Kk 画像変換装置及び画像変換プログラム
CN104618700A (zh) * 2015-01-29 2015-05-13 电子科技大学 一种彩色高动态范围图像增强显示的方法
CN104915955A (zh) * 2015-05-27 2015-09-16 上海交通大学 基于图像分割的图片搜索方法
CN108205677A (zh) * 2017-09-21 2018-06-26 北京市商汤科技开发有限公司 对象检测方法、装置、计算机程序、存储介质和电子设备
CN109253862A (zh) * 2018-08-31 2019-01-22 武汉精测电子集团股份有限公司 一种基于神经网络的色度测量方法
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN110602491A (zh) * 2019-08-30 2019-12-20 中国科学院深圳先进技术研究院 帧内色度预测方法、装置、设备及视频编解码系统
CN112330790A (zh) * 2020-11-20 2021-02-05 东北大学 基于对抗学习与自适应色度修正的ct图像自动着色方法
CN112668426A (zh) * 2020-12-19 2021-04-16 中国民用航空飞行学院 一种基于三种色彩模式的火灾图像偏色度量化方法
CN112763068A (zh) * 2020-12-29 2021-05-07 广西贺州市科隆粉体有限公司 一种碳酸钙粉体色度的检测方法
CN112788200A (zh) * 2020-12-04 2021-05-11 光大科技有限公司 频谱信息的确定方法及装置、存储介质、电子装置
CN114037632A (zh) * 2021-07-02 2022-02-11 合肥工业大学 基于lab色彩空间的多尺度残差注意力图像去雾方法
CN216645201U (zh) * 2021-09-29 2022-05-31 天津岩彩石韵建材科技有限公司 一种建材仓储系统用大理石平面度检测装置
CN114830144A (zh) * 2020-07-23 2022-07-29 株式会社鄂本贝斯 基于数据增强的风格分析模型学习装置及方法
CN114930824A (zh) * 2020-01-08 2022-08-19 谷歌有限责任公司 深度调色板预测
CN115190312A (zh) * 2021-04-02 2022-10-14 西安电子科技大学 一种基于神经网络的跨分量色度预测方法及装置
CN115186996A (zh) * 2022-06-20 2022-10-14 阿里云计算有限公司 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN115482160A (zh) * 2022-08-09 2022-12-16 上海贝业斯健康科技有限公司 基于深度卷积神经网络的舌色校正方法
CN115855942A (zh) * 2022-12-12 2023-03-28 金川集团股份有限公司 一种萃取液图像采集与色度检测分析装置及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804943B (zh) * 2018-10-03 2023-09-26 株式会社岛津制作所 学习完成模型的制作方法、亮度调整方法以及图像处理装置
CN111327903B (zh) * 2018-12-13 2023-05-16 华为技术有限公司 色度块的预测方法和装置
US11460602B2 (en) * 2019-09-05 2022-10-04 Saudi Arabian Oil Company Systems and methods for saturation logging of hydrocarbon wells
US11455485B2 (en) * 2020-06-29 2022-09-27 Adobe Inc. Content prediction based on pixel-based vectors

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4812902A (en) * 1986-08-29 1989-03-14 Agfa-Gevaert Aktiengesellschaft Method and apparatus for adjusting color saturation in electronic image processing
JP2009249517A (ja) * 2008-04-08 2009-10-29 Teijin Ltd 色相および湿熱安定性に優れたポリ乳酸組成物
JP2011066814A (ja) * 2009-09-18 2011-03-31 Toyo Ink Engineering Kk 画像変換装置及び画像変換プログラム
CN104618700A (zh) * 2015-01-29 2015-05-13 电子科技大学 一种彩色高动态范围图像增强显示的方法
CN104915955A (zh) * 2015-05-27 2015-09-16 上海交通大学 基于图像分割的图片搜索方法
CN108205677A (zh) * 2017-09-21 2018-06-26 北京市商汤科技开发有限公司 对象检测方法、装置、计算机程序、存储介质和电子设备
CN109253862A (zh) * 2018-08-31 2019-01-22 武汉精测电子集团股份有限公司 一种基于神经网络的色度测量方法
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN110602491A (zh) * 2019-08-30 2019-12-20 中国科学院深圳先进技术研究院 帧内色度预测方法、装置、设备及视频编解码系统
CN114930824A (zh) * 2020-01-08 2022-08-19 谷歌有限责任公司 深度调色板预测
CN114830144A (zh) * 2020-07-23 2022-07-29 株式会社鄂本贝斯 基于数据增强的风格分析模型学习装置及方法
CN112330790A (zh) * 2020-11-20 2021-02-05 东北大学 基于对抗学习与自适应色度修正的ct图像自动着色方法
CN112788200A (zh) * 2020-12-04 2021-05-11 光大科技有限公司 频谱信息的确定方法及装置、存储介质、电子装置
CN112668426A (zh) * 2020-12-19 2021-04-16 中国民用航空飞行学院 一种基于三种色彩模式的火灾图像偏色度量化方法
CN112763068A (zh) * 2020-12-29 2021-05-07 广西贺州市科隆粉体有限公司 一种碳酸钙粉体色度的检测方法
CN115190312A (zh) * 2021-04-02 2022-10-14 西安电子科技大学 一种基于神经网络的跨分量色度预测方法及装置
CN114037632A (zh) * 2021-07-02 2022-02-11 合肥工业大学 基于lab色彩空间的多尺度残差注意力图像去雾方法
CN216645201U (zh) * 2021-09-29 2022-05-31 天津岩彩石韵建材科技有限公司 一种建材仓储系统用大理石平面度检测装置
CN115186996A (zh) * 2022-06-20 2022-10-14 阿里云计算有限公司 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN115482160A (zh) * 2022-08-09 2022-12-16 上海贝业斯健康科技有限公司 基于深度卷积神经网络的舌色校正方法
CN115855942A (zh) * 2022-12-12 2023-03-28 金川集团股份有限公司 一种萃取液图像采集与色度检测分析装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A HYBRID NEURAL NETWORK FOR CHROMA INTRA PREDICTION";Flachot, A K al;《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》;第1797-1801页 *
"BP神经网络算法在页岩气饱和度评价的应用";王志豪等;《工程地球物理学报》;第19卷(第2期);第216-222页 *
"Color for object recognition: Hue and chroma sensitivity in the deep features of convolutional neural networks";Morales, LI et al;《VISION RESEARCH》(第182期);第89-100页 *
"基于卷积神经网络的逆光图像增强研究";马铖旭等;《广西师范大学学报(自然科学版)》;第40卷(第2期);第81-90页 *

Also Published As

Publication number Publication date
CN116593408A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Lisker et al. Virgo cluster early-type dwarf galaxies with the sloan digital sky survey. I. On the possible disk nature of bright early-type dwarfs
CN112257676B (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN116593408B (zh) 一种重质碳酸钙粉体色度检测方法
CN107220645A (zh) 基于动态图像处理的水表识别方法
CN101561251B (zh) 基于相位标靶的光学三坐标测量方法
CN103743452B (zh) 非接触式液位测量系统
CN110230993A (zh) 一种光学三维扫描仪的精度评定方法
CN106168461B (zh) 一种新型远距离测量定标仪
CN107917695A (zh) 一种基于图像识别技术的房屋倾斜监测方法
CN109520706A (zh) 汽车保险丝盒装配检测系统、图像识别方法及螺孔定位法
CN105608703A (zh) 一种变电站智能巡检机器人的电流互感器油位检测方法
CN105763871A (zh) 一种摄像机清晰度的实时检测系统及检测方法
CN109000578A (zh) 一种全场非接触式的建筑幕墙风压变形监测方法
CN106937109B (zh) 低成本判断摄像头分辨率水平的方法
CN108846864A (zh) 一种运动物体的位置捕捉系统、方法及装置
CN110049319A (zh) 一种摄像头清晰度检测方法及清晰度检测图卡
CN105423975A (zh) 一种大型工件的标定系统及方法
CN117571661A (zh) 一种油墨印刷品质量检测方法及系统
CN201903342U (zh) 分光测角仪
CN112361989A (zh) 一种通过点云均匀性考量测量系统标定参数的方法
CN113240635B (zh) 一种裂缝分辨为基准的结构物检测图像质量测试方法
CN117635603B (zh) 基于目标检测的中空遮阳产品在线质量检测系统及方法
CN113807238A (zh) 一种河道水面漂浮物面积的视觉测量方法
CN113435442A (zh) 水位测量方法、装置、水尺及电子设备
Han et al. Acquisition of subcentimeter GSD images using UAV and analysis of visual resolution

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