一种基于视觉神经的橡胶促进剂颗粒直径监测方法及系统与流程
本发明涉及图像处理，尤其涉及一种基于视觉神经的橡胶促进剂颗粒直径监测方法及系统。
背景技术：
1、随着工业自动化水平的提升和产品质量要求的日益严格，橡胶制品的质量控制变得越来越重要。橡胶促进剂作为橡胶制品生产过程中不可或缺的添加剂之一，其颗粒直径的均匀性和稳定性直接影响到橡胶制品的物理性能和使用寿命。因此，对橡胶促进剂颗粒直径进行精确检测成为确保产品质量的关键环节。
2、橡胶促进剂颗粒直径的均匀性对于橡胶制品的加工性能、物理性能以及最终产品的质量稳定性至关重要。如果橡胶促进剂颗粒直径分布不均，可能会导致橡胶制品在硫化过程中出现不均匀硫化现象，从而影响制品的强度、弹性和耐磨性等性能指标。此外，颗粒直径的大小还会影响橡胶制品的加工工艺和生产效率。因此，对橡胶促进剂颗粒直径进行精确检测对于保障橡胶制品的质量具有重要意义。
3、目前，橡胶促进剂颗粒直径的检测方法主要包括光学显微镜法、激光粒度分析法和图像处理法等。光学显微镜法是一种传统的颗粒直径检测方法。通过显微镜观察橡胶促进剂颗粒的形态和尺寸，并根据颗粒的投影面积或长度计算出颗粒的直径。这种方法操作简单、成本低廉，但精度较低，且无法实现自动化检测。激光粒度分析法是一种非接触式检测技术。通过激光束照射橡胶促进剂颗粒，利用颗粒对激光的散射原理进行粒度分析。该方法具有检测速度快、精度高、重复性好等优点，但设备成本较高。图像处理法是通过数字图像处理技术对橡胶促进剂颗粒进行尺寸测量。该方法通过图像采集设备获取颗粒图像，然后利用图像处理软件对颗粒进行识别和尺寸测量。该方法具有自动化程度高优点，但检测稳定性不高。
4、因此，如何实现大批量、高精度且稳定性的橡胶促进剂颗粒直径是目前研究的问题。
技术实现思路
1、本发明实施例提供一种基于视觉神经的橡胶促进剂颗粒直径监测方法及系统，用以大批量、高精度且稳定性的橡胶促进剂颗粒直径。
2、为达到上述目的，本发明采用如下技术方案：
3、第一方面，提供一种基于视觉神经的橡胶促进剂颗粒直径监测方法，应用于电子设备，方法包括：电子设备获取目标图像，图像包含多个橡胶促进剂颗粒，多个橡胶促进剂颗粒包含多个批次的橡胶促进剂颗粒；电子设备通过视觉神经网络模型处理目标图像，得到多个橡胶促进剂颗粒各自的直径，其中，视觉神经网络模型的卷积尺度与图像中橡胶促进剂颗粒的尺寸匹配。
4、可选地，电子设备通过视觉神经网络模型处理目标图像，得到多个橡胶促进剂颗粒各自的直径，包括：电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，至少一个卷积核均为三角卷积核；电子设备通过视觉神经网络模型的特征处理层对目标图像的卷积特征向量，得到多个橡胶促进剂颗粒各自的直径，其中，特征处理层按处理的先后顺序依次包括： relu激励层、池化层和 全联接层。
5、可选地，至少一个卷积核包括第一卷积核，第一卷积核为三角卷积核包括第一卷积核为，k为大于或等于5的整数，--2表示依次递减2，即表示：第一卷积核中第1行的大小为k，且第一卷积核中每行的大小依次递减2，直至第一卷积核中最后1行的大小为1或2；第一卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
6、可选地，第一卷积核的横向移动的步长为x1，第一卷积核的纵向移动的步长y1，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第一卷积核，按步长分别为x1和y1对目标图像进行卷积操作，得到目标图像的卷积特征向量；
7、其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；在卷积操作的过程中，第一卷积核从位于目标图像中第0行第0列的位置进行1次卷积，之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第0行第n列的位置并进行1次卷积，第一卷积核按步长为y1纵向移动至位于目标图像中第y1行第n列的位置并进行1次卷积，之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第y1行第0列的位置并进行1次卷积，然后再依次类推，直至卷积完成，在卷积完成时，第一卷积核移动至位于目标图像中第m-j1行且第n列的位置，j1为第一卷积核包含的行数；
8、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
9、可选地，至少一个卷积核包括第二卷积核，第二卷积核为三角卷积核包括第二卷积核为，k为大于或等于5的整数，++2表示依次递加2，即表示：第二卷积核中第1行的大小为1或2，且第二卷积核中每行的大小依次递加2，直至第二卷积核中最后1行的大小为k；第二卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
10、可选地，第二卷积核的横向移动的步长为x2，第二卷积核的纵向移动的步长y2，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第二卷积核，按步长分别为x2和y2对目标图像进行卷积操作，得到目标图像的卷积特征向量；
11、其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；在卷积操作的过程中，第二卷积核从位于目标图像中第j2行第0列的位置进行1次卷积，j2为第二卷积核包含的行数，之后，第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第j2行第n列的位置并进行1次卷积，第二卷积核按步长为y2纵向移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，之后，第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，然后再依次类推，直至卷积完成，在卷积完成时，第二卷积核移动至位于目标图像中第m行且第n列的位置；
12、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
13、可选地，至少一个卷积核包括第一卷积核和第二卷积核；第一卷积核为三角卷积核包括第一卷积核为，k为大于或等于5的整数，--2表示依次递减2，即表示：第一卷积核中第1行的大小为k，且第一卷积核中每行的大小依次递减2，直至第一卷积核中最后1行的大小为1或2；第一卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1；第二卷积核为三角卷积核包括第二卷积核为，k为大于或等于5的整数，++2表示依次递加2，即表示：第二卷积核中第1行的大小为1或2，且第二卷积核中每行的大小依次递加2，直至第二卷积核中最后1行的大小为k；第二卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
14、可选地，第一卷积核的横向移动的步长为x1，第一卷积核的纵向移动的步长y1，第二卷积核的横向移动的步长为x2，第二卷积核的纵向移动的步长y2，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第一卷积核，按步长分别为x1和y1对目标图像进行卷积操作，以及同步通过视觉神经网络模型的卷积层中的第二卷积核，按步长分别为x2和y2对目标图像进行卷积操作，得到目标图像的卷积特征向量；其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；
15、在卷积操作的过程中：第一卷积核从位于目标图像中第0行第0列的位置进行1次卷积，同时，第二卷积核移动至位于目标图像中第m-j行且第n列的位置，j1为第一卷积核包含的行数；之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第0行第n列的位置并进行1次卷积，同时第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第j2行第n列的位置并进行1次卷积；之后，第一卷积核按步长为y1纵向移动至位于目标图像中第y1行第n列的位置并进行1次卷积，同时第二卷积核按步长为y2纵向移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积；之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第y1行第0列的位置并进行1次卷积，同时第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，然后再依次类推，直至卷积完成；
16、在卷积完成时，在卷积完成时，第一卷积核移动至位于目标图像中第m-j1行且第n列的位置，j1为第一卷积核包含的行数，第二卷积核移动至位于目标图像中第m行且第n列的位置。
17、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
18、可选地，方法还包括：电子设备通过对多个橡胶促进剂颗粒各自的直径进行分析，确定多个批次的橡胶促进剂颗粒中是否有存在质量问题的批次。
19、第二方面，提供一种基于视觉神经的橡胶促进剂颗粒直径监测系统，系统包括电子设备，系统被配置为：电子设备获取目标图像，图像包含多个橡胶促进剂颗粒，多个橡胶促进剂颗粒包含多个批次的橡胶促进剂颗粒；电子设备通过视觉神经网络模型处理目标图像，得到视觉神经网络模型输出的多个橡胶促进剂颗粒各自的直径，其中，视觉神经网络模型的卷积尺度与图像中橡胶促进剂颗粒的尺寸匹配。
20、可选地，电子设备通过视觉神经网络模型处理目标图像，得到多个橡胶促进剂颗粒各自的直径，包括：电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，至少一个卷积核均为三角卷积核；电子设备通过视觉神经网络模型的特征处理层对目标图像的卷积特征向量，得到多个橡胶促进剂颗粒各自的直径，其中，特征处理层按处理的先后顺序依次包括： relu激励层、池化层和 全联接层。
21、可选地，至少一个卷积核包括第一卷积核，第一卷积核为三角卷积核包括第一卷积核为，k为大于或等于5的整数，--2表示依次递减2，即表示：第一卷积核中第1行的大小为k，且第一卷积核中每行的大小依次递减2，直至第一卷积核中最后1行的大小为1或2；第一卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
22、可选地，第一卷积核的横向移动的步长为x1，第一卷积核的纵向移动的步长y1，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第一卷积核，按步长分别为x1和y1对目标图像进行卷积操作，得到目标图像的卷积特征向量；
23、其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；在卷积操作的过程中，第一卷积核从位于目标图像中第0行第0列的位置进行1次卷积，之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第0行第n列的位置并进行1次卷积，第一卷积核按步长为y1纵向移动至位于目标图像中第y1行第n列的位置并进行1次卷积，之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第y1行第0列的位置并进行1次卷积，然后再依次类推，直至卷积完成，在卷积完成时，第一卷积核移动至位于目标图像中第m-j1行且第n列的位置，j1为第一卷积核包含的行数；
24、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
25、可选地，至少一个卷积核包括第二卷积核，第二卷积核为三角卷积核包括第二卷积核为，k为大于或等于5的整数，++2表示依次递加2，即表示：第二卷积核中第1行的大小为1或2，且第二卷积核中每行的大小依次递加2，直至第二卷积核中最后1行的大小为k；第二卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
26、可选地，第二卷积核的横向移动的步长为x2，第二卷积核的纵向移动的步长y2，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第二卷积核，按步长分别为x2和y2对目标图像进行卷积操作，得到目标图像的卷积特征向量；
27、其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；在卷积操作的过程中，第二卷积核从位于目标图像中第j2行第0列的位置进行1次卷积，j2为第二卷积核包含的行数，之后，第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第j2行第n列的位置并进行1次卷积，第二卷积核按步长为y2纵向移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，之后，第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，然后再依次类推，直至卷积完成，在卷积完成时，第二卷积核移动至位于目标图像中第m行且第n列的位置；
28、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
29、可选地，至少一个卷积核包括第一卷积核和第二卷积核；第一卷积核为三角卷积核包括第一卷积核为，k为大于或等于5的整数，--2表示依次递减2，即表示：第一卷积核中第1行的大小为k，且第一卷积核中每行的大小依次递减2，直至第一卷积核中最后1行的大小为1或2；第一卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1；第二卷积核为三角卷积核包括第二卷积核为，k为大于或等于5的整数，++2表示依次递加2，即表示：第二卷积核中第1行的大小为1或2，且第二卷积核中每行的大小依次递加2，直至第二卷积核中最后1行的大小为k；第二卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
30、可选地，第一卷积核的横向移动的步长为x1，第一卷积核的纵向移动的步长y1，第二卷积核的横向移动的步长为x2，第二卷积核的纵向移动的步长y2，电子设备通过视觉神经网络模型的卷积层中的至少一个卷积核对目标图像进行卷积操作，得到目标图像的卷积特征向量，包括：电子设备通过视觉神经网络模型的卷积层中的第一卷积核，按步长分别为x1和y1对目标图像进行卷积操作，以及同步通过视觉神经网络模型的卷积层中的第二卷积核，按步长分别为x2和y2对目标图像进行卷积操作，得到目标图像的卷积特征向量；其中，目标图像是分辨率为m*n的图像，m和n为大于k的整数，m为行数，n为列数；
31、在卷积操作的过程中：第一卷积核从位于目标图像中第0行第0列的位置进行1次卷积，同时，第二卷积核移动至位于目标图像中第m-j行且第n列的位置，j1为第一卷积核包含的行数；之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第0行第n列的位置并进行1次卷积，同时第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第j2行第n列的位置并进行1次卷积；之后，第一卷积核按步长为y1纵向移动至位于目标图像中第y1行第n列的位置并进行1次卷积，同时第二卷积核按步长为y2纵向移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积；之后，第一卷积核按照步长为x1依次横向移动并依次进行卷积，直至移动至位于目标图像中第y1行第0列的位置并进行1次卷积，同时第二卷积核按照步长为x2依次横向移动并依次进行卷积，直至移动至位于目标图像中第y2+j2行第n列的位置并进行1次卷积，然后再依次类推，直至卷积完成；
32、在卷积完成时，在卷积完成时，第一卷积核移动至位于目标图像中第m-j1行且第n列的位置，j1为第一卷积核包含的行数，第二卷积核移动至位于目标图像中第m行且第n列的位置。
33、其中，视觉神经网络模型的卷积尺度与目标图像中橡胶促进剂颗粒的尺寸匹配是指：目标图像中被重复卷积的特征向量之间的距离为目标图像中橡胶促进剂颗粒的直径。
34、可选地，系统还被配置为：电子设备通过对多个橡胶促进剂颗粒各自的直径进行分析，确定多个批次的橡胶促进剂颗粒中是否有存在质量问题的批次。
35、第三方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的方法。
36、综上，上述方法及系统具有如下技术效果：
37、电子设备能够获取包含多个批次的橡胶促进剂颗的目标图像，并通过视觉神经网络模型处理目标图像，由于视觉神经网络模型的卷积尺度与图像中橡胶促进剂颗粒的尺寸匹配，能够在卷积时进行较好的特征提取，能够准确的得到多个橡胶促进剂颗粒各自的直径，以实现大批量、高精度且稳定性的橡胶促进剂颗粒直径。
技术特征：
1.一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，应用于电子设备，所述方法包括：
2.根据权利要求1所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述电子设备通过视觉神经网络模型处理所述目标图像，得到所述多个橡胶促进剂颗粒各自的直径，包括：
3.根据权利要求2所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述至少一个卷积核包括第一卷积核，所述第一卷积核为三角卷积核包括所述第一卷积核为，k为大于或等于5的整数，--2表示依次递减2，即表示：所述第一卷积核中第1行的大小为k，且所述第一卷积核中每行的大小依次递减2，直至所述第一卷积核中最后1行的大小为1或2；所述第一卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
4.根据权利要求3所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述第一卷积核的横向移动的步长为x1，所述第一卷积核的纵向移动的步长y1，所述电子设备通过所述视觉神经网络模型的卷积层中的至少一个卷积核对所述目标图像进行卷积操作，得到所述目标图像的卷积特征向量，包括：
5.根据权利要求2所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述至少一个卷积核包括第二卷积核，所述第二卷积核为三角卷积核包括所述第二卷积核为，k为大于或等于5的整数，++2表示依次递加2，即表示：所述第二卷积核中第1行的大小为1或2，且所述第二卷积核中每行的大小依次递加2，直至所述第二卷积核中最后1行的大小为k；所述第二卷积核的横向移动的步长和纵向移动的步长的大小均k且大于或等于1。
6.根据权利要求5所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述第二卷积核的横向移动的步长为x2，所述第二卷积核的纵向移动的步长y2，所述电子设备通过所述视觉神经网络模型的卷积层中的至少一个卷积核对所述目标图像进行卷积操作，得到所述目标图像的卷积特征向量，包括：
7.根据权利要求2所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述至少一个卷积核包括第一卷积核和第二卷积核；
8.根据权利要求7所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述第一卷积核的横向移动的步长为x1，所述第一卷积核的纵向移动的步长y1，所述第二卷积核的横向移动的步长为x2，所述第二卷积核的纵向移动的步长y2，所述电子设备通过所述视觉神经网络模型的卷积层中的至少一个卷积核对所述目标图像进行卷积操作，得到所述目标图像的卷积特征向量，包括：
9.根据权利要求1-8中任一项所述的一种基于视觉神经的橡胶促进剂颗粒直径监测方法，其特征在于，所述方法还包括：
10.一种基于视觉神经的橡胶促进剂颗粒直径监测系统，其特征在于，所述系统包括电子设备，所述系统被配置为：
技术总结
本发明提供一种基于视觉神经的橡胶促进剂颗粒直径监测方法及系统，属于图像处理技术领域，用以大批量、高精度且稳定性的橡胶促进剂颗粒直径。方法包括：电子设备获取目标图像，图像包含多个橡胶促进剂颗粒，多个橡胶促进剂颗粒包含多个批次的橡胶促进剂颗粒；电子设备通过视觉神经网络模型处理目标图像，得到多个橡胶促进剂颗粒各自的直径，其中，视觉神经网络模型的卷积尺度与图像中橡胶促进剂颗粒的尺寸匹配。
技术研发人员：栾希政,杨晓辉,孙右振
受保护的技术使用者：荣成市化工总厂有限公司
技术研发日：
技术公布日：2024/12/5