基于图像识别的色谱柱状态识别方法及系统技术方案

本申请实施例提供一种基于图像识别的色谱柱状态识别方法及系统，涉及色谱柱状态识别技术领域，依据参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像携带的色谱柱缺陷特征序列对应的色谱柱缺陷特征簇来训练色谱柱状态识别模型，这样，在训练色谱柱状态识别模型的过程中，不仅了结合参考色谱柱图像中各个色谱柱角度特征图之间的关系，还结合了色谱柱角度特征图与色谱柱缺陷特征以及色谱柱缺陷特征与色谱柱缺陷特征之间的关系，由此可以提高色谱柱状态识别模型的缺陷识别可靠性，使得依据该色谱柱状态识别模型可以准确分析出色谱柱图像具有色谱柱损伤关联性的多个色谱柱缺陷特征，提高色谱柱状态识别的精度。提高色谱柱状态识别的精度。提高色谱柱状态识别的精度。

【技术实现步骤摘要】
基于图像识别的色谱柱状态识别方法及系统


[0001]本申请实施例涉及色谱柱状态识别
，具体而言，涉及一种基于图像识别的色谱柱状态识别方法及系统。

技术介绍

[0002]色谱柱由柱管、压帽、卡套(密封环)、筛板(滤片)、接头、螺丝等组成，与分析设备配套使用，用于对检测样本中的被测物进行分离。色谱柱的选择会影响分离效果的好坏，不同品牌、同一品牌不同系列都有不同的功能，有能耐受低pH值的、有耐高温的、有适合碱性样品的等等，但是无论如何，存在缺陷（如磨损、表面疲惫和浸蚀等缺陷损伤）的色谱柱必然会影响最终的分离效果，基于此，需要对待应用的色谱柱进行色谱柱状态识别，以便于结合色谱柱状态识别结果采取较佳的色谱柱进行后续应用，如何提高色谱柱状态识别的精度，是所属
亟待解决的技术问题。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于图像识别的色谱柱状态识别方法及系统。
[0004]根据本申请实施例的一个方面，提供了一种基于图像识别的色谱柱状态识别方法，包括：获得多个参考色谱柱图像以及所述参考色谱柱图像携带的色谱柱缺陷特征序列，所述参考色谱柱图像的色谱柱缺陷特征序列包括：携带与所述参考色谱柱图像的色谱柱损伤关联性的多个色谱柱缺陷特征，所述参考色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合；对于各所述参考色谱柱图像，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述参考色谱柱图像的色谱柱损伤关联性估计信息反映估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像的色谱柱损伤关联性；对于各所述参考色谱柱图像，从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，所述参考色谱柱缺陷特征组包括多个色谱柱缺陷特征，所述观测关联标签信息反映所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致；依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习
网络的第一训练误差值；依据各参考色谱柱图像的所述参考色谱柱缺陷特征组的实际关联标签信息以及观测关联标签信息，确定所述多层感知机的第二训练误差值，所述参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征所述参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致；若依据所述第一训练误差值和第二训练误差值判定当前训练不满足终止要求，则更新所述深度学习网络和多层感知机的权重参数信息，并迭代进行训练，直到当前训练满足终止要求，将最终输出的深度学习网络确定为色谱柱状态识别模型。
[0005]在第一方面的一种可能的实施方式中，所述依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值，包括：对于各参考色谱柱图像，将所述参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得所述回归输出单元估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像之间的估计色谱柱损伤关联性；依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值。
[0006]在第一方面的一种可能的实施方式中，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，包括：依据所述参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建待学习特征数据；其中，所述待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在所述色谱柱角度特征图中的损伤位点特征集合中的损失形态特征，所述色谱柱角度特征图中的损伤位点特征集合为由所述色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，所述色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由所述色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成；将所述待学习特征数据加载至初始化权重参数的深度学习网络，获得所述深度学习网络生成的深度学习特征，所述深度学习特征包括损伤位点关联输出特征以及所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述损伤位点关联输出特征反映所述参考色谱柱图像的色谱柱损伤关联性估计信息，所述深度学习网络为基于蒙特卡洛神经网络的分类模型。
[0007]在第一方面的一种可能的实施方式中，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个第一
参考色谱柱缺陷特征组和多个第二参考色谱柱缺陷特征组，所述第一参考色谱柱缺陷特征组包括：源于所述第一色谱柱缺陷特征序列的两个第一色谱柱缺陷特征，所述第二参考色谱柱缺陷特征组包括：所述第一色谱柱缺陷特征序列中的一个第一色谱柱缺陷特征以及所述第二色谱柱缺陷特征序列中的一个第二色谱柱缺陷特征。
[0008]在第一方面的一种可能的实施方式中，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的第一色谱柱缺陷特征序列中选择一色谱柱缺陷特征子序列，所述色谱柱缺陷特征子序列包括所述第一色谱柱缺陷特征序列中多个第一色谱柱缺陷特征；从所述色谱柱缺陷特征序列中所述色谱柱缺陷特征子序列之外的色谱柱缺陷特征中选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的色谱柱状态识别方法，其特征在于，通过基于图像识别的色谱柱状态识别系统实现，所述方法包括：获得多个参考色谱柱图像以及所述参考色谱柱图像携带的色谱柱缺陷特征序列，所述参考色谱柱图像的色谱柱缺陷特征序列包括：携带与所述参考色谱柱图像的色谱柱损伤关联性的多个色谱柱缺陷特征，所述参考色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合；对于各所述参考色谱柱图像，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述参考色谱柱图像的色谱柱损伤关联性估计信息反映估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像的色谱柱损伤关联性；对于各所述参考色谱柱图像，从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，所述参考色谱柱缺陷特征组包括多个色谱柱缺陷特征，所述观测关联标签信息反映所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致；依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值；依据各参考色谱柱图像的所述参考色谱柱缺陷特征组的实际关联标签信息以及观测关联标签信息，确定所述多层感知机的第二训练误差值，所述参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征所述参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致；若依据所述第一训练误差值和第二训练误差值判定当前训练不满足终止要求，则更新所述深度学习网络和多层感知机的权重参数信息，并迭代进行训练，直到当前训练满足终止要求，将最终输出的深度学习网络确定为色谱柱状态识别模型。2.根据权利要求1所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值，包括：对于各参考色谱柱图像，将所述参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得所述回归输出单元估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像之间的估计色谱柱损伤关联性；依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值。3.根据权利要求2所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述依据
所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，包括：依据所述参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建待学习特征数据；其中，所述待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在所述色谱柱角度特征图中的损伤位点特征集合中的损失形态特征，所述色谱柱角度特征图中的损伤位点特征集合为由所述色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，所述色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由所述色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成；将所述待学习特征数据加载至初始化权重参数的深度学习网络，获得所述深度学习网络生成的深度学习特征，所述深度学习特征包括损伤位点关联输出特征以及所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述损伤位点关联输出特征反映所述参考色谱柱图像的色谱柱损伤关联性估计信息，所述深度学习网络为基于蒙特卡洛神经...

【专利技术属性】
技术研发人员：龚施健，陈国富，郑经纬，吴春弟，吕巧丽，翁新增，
申请(专利权)人：博纯材料股份有限公司，
类型：发明
国别省市：