[發明專利]基于影像統計特征和LSTM復合網絡的顆粒物料混合均勻性檢測方法

有效

• 申請號: 202110019487.8
• 申請日: 2021-01-07
• 公開（公告）號: CN112686881B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 王彩玲;宋曉楠;焦龍
• 申請（專利權）人: 西安石油大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/82;G06N3/0442;G06N3/049
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 段俊濤

本發明提出了一種基于影像統計特征和LSTM復合網絡的顆粒物料混合均勻性檢測方法，主要包括以下步驟：1)獲取不同均勻態的顆粒物料的DR影像數據，對DR影像數據提取一維統計特征；2)將一維統計特征數據拼接成二維矩陣，劃分為訓練集數據和測試集數據；3)構建LSTM復合網絡模型；4)選用Softmax分類器，對LSTM網絡輸出進行分類；5)對LSTM復合網絡進行參數優化和驗證。本發明首先對顆粒物料攪拌的不同時間、不同位置提取DR影像做統計特征信息提取，充分利用LSTM網絡對不同時長的物料混合影像分類，從而檢測物料混合是否均勻充分。通過檢測混合物的均勻性，可指導非透明容器的“盲混”工作。

技術領域

本發明屬于顆粒物料混合技術與其理化分析檢測技術領域，特別涉及一種基于影像統計特征和LSTM(長短期記憶網絡)復合網絡的顆粒物料混合均勻性檢測方法。

背景技術

在顆粒物料的混合過程中，拌和的時長和均勻性會影響顆粒物料的理化性能。因此對不同混合狀態的DR影像的準確分類有重要的意義。DR影像用人工的方法難以分辨出混合均勻性程度，同時，影像易受到視點、旋轉、光強等多種變化的影響。對DR影像的預處理技術及基于深度學習的數據分類技術可作為重要的技術手段應用于DR影像。

傳統的分類器模型在處理圖像、視頻、語音等高維數據方面表現較差，難以提取到表現力較好的特征。隨著深度學習的發展，國內外學者在卷積神經網絡的基礎上嘗試將深度學習引入到時間序列分類任務中，循環神經網絡RNN就是一種自帶循環結構的網絡模型，它最大的優勢就是可以處理具有時間序列性質的數據，但循環神經網絡由于存在梯度爆炸和梯度消失問題而不夠穩定，長短期記憶網絡LSTM可以有效地解決這個問題。

發明內容

本發明的目的在于提供一種基于影像統計特征和LSTM復合網絡的顆粒物料混合均勻性檢測方法，針對DR影像，基于影像統計特征和LSTM復合網絡的圖像二分類方法對顆粒物料混合的均勻性進行檢測，可用于顆粒物料混合工藝的自動化，并可進一步用于化學分析、檢測及化學品混合儀器自動化監控等領域。

為了實現上述目的，本發明采用的技術方案是：

一種基于影像統計特征和LSTM復合網絡的顆粒物料混合均勻性檢測方法，包括如下步驟：

步驟1)，獲取不同均勻態的顆粒物料的DR影像數據，對DR影像數據提取一維統計特征；

步驟2)，將一維統計特征數據拼接成二維矩陣，劃分為訓練集數據和測試集數據；

步驟3)，構建LSTM復合網絡模型；

步驟4)，選用Softmax分類器，對LSTM復合網絡模型輸出進行分類；

步驟5)，利用訓練集數據對構建的LSTM復合網絡模型進行訓練；

步驟6)，對訓練好的LSTM復合網絡模型，通過調試參數進行優化，在優化后的LSTM復合網絡模型中，選用測試集數據進行驗證，最終，利用優化后的LSTM復合網絡模型檢測顆粒物料的混合均勻性。

所述步驟1)中，在顆粒物料混合工藝過程中的不同時間、不同位置取相同質量的樣本裝入相同尺寸的塑料實驗瓶中，采用微焦點CT掃描的方法，獲取DR影像數據，對獲取的DR影像數據進行歸一化處理，處理方式為最大最小值方法。

所述步驟1)中，一維統計特征為灰度直方圖特征：

式中，H(i)表示灰度直方圖，i表示灰度級，L表示灰度級種類數，n_i表示圖像中具有灰度級i的像素個數，N表示圖像的總像素。