论文部分内容阅读
水泥是一种重要的资源性和影响国民经济发展的基础性产品,作为基础材料,广泛应用在民用建筑、桥梁公路建设、水利建设、工业建筑等的人们生活的方方面面。其中间产品熟料的质量监控和评估是保证水泥质量的重要环节,但是目前国内水泥厂停留在人工干预、采样分析方式,非常耗时耗力,故本文设计了一种基于机器视觉的熟料颗粒粒度检测算法。本文在借鉴结合传统选矿领域中的颗粒粒度检测算法的基础上,首次引入深度卷积网络UNet算法对熟料颗粒图像进行分割,并在此基础上做出了改进,提升了颗粒分割的准确率,最后,利用一些典型的颗粒大小特征来对分割图像进行颗粒粒度分布估计。本文的主要研究内容及成果如下:1.引入深度卷积网络UNet算法对熟料颗粒图像进行分割。传统颗粒图像分割算法需要复杂、专业的步骤设计和精细的参数调节,且鲁棒性不够好,不同风格的颗粒图像分割需要不同的算法流程。而对于深度卷积网络算法,对不同种颗粒图像的分割的算法流程是一致的,需要人工调节的参数少。2.UNet算法框架的搭建、训练和测试。利用基于Tensorflow的Keras工具搭建了 UNet算法框架,将训练集数据进行简单的预处理后结合人工手绘的标签图像进行训练,训练之后,利用测试集来验证UNet算法的颗粒分割效果,并进行量化统计。最后,使用网上下载的两张与熟料颗粒不同风格的颗粒图像来检验了 UNet算法的知识迁移特性。3.UNet算法的改进。基于加深网络层和损失函数这两点对UNet算法进行了改进:将预训练好的VGG16网络作为UNet框架中的编码器,在损失函数中对正样本点即颗粒间隙点增大了权重。并对改进的VGG_UNet算法和之前的UNet算法进行比较。4.熟料颗粒粒度估计。利用之前改进的分割算法,对熟料颗粒图像进行分割,并使用一些典型的颗粒大小特征参数对分割颗粒图像进行粒度估计,并和实际粒度分布进行比对。