基于U-Net深度学习网络的粒度检测分析方法技术

本发明专利技术公开了一种基于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。

Granularity detection and analysis method based on U-Net deep learning network

The invention discloses a method of granularity detection and analysis based on the U Net deep learning network, which includes the following steps: A, collecting a large number of block images of the object to be detected; B, preprocessing the grain block image, obtaining the standardized image; C, manually calibrating the standardized image, drawing the edge of the particle block to be demarcated artificially The image is taken as a label image; D, a deep learning network based on the U Net is built, and the standardized image in step B is used as the input image and the label image in step C is loaded into the depth learning network as the output image. After training the particle size model of the particles to be detected, the particle size distribution of the particle or powder can be analyzed quickly when the needle is processed into the granularity model when the needle is processed to analyze the particle size.

【技术实现步骤摘要】
基于U-Net深度学习网络的粒度检测分析方法
本专利技术属于视觉检测领域，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术采取以下技术方案：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为本专利技术流程图。具体实施方式结合附图1对本专利技术做出进一步的说明：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。本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。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。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...

【专利技术属性】
技术研发人员：郭杰，李端发，万力，
申请(专利权)人：合肥金星机电科技发展有限公司，
类型：发明
国别省市：安徽,34