基于边缘检测和S3N网络的沙粒检测与目数分类方法

本发明属于计算机视觉，尤其涉及一种基于边缘检测和s3n网络的沙粒检测与目数分类方法及系统。

背景技术：

1、在工业生产中，依据工程需求或者产品原料的选用标准，往往需要对沙粒进行目数分类，合适的沙粒目数分布对产品质量或者工程结果有着至关重要的影响。比如在芯片生产行业中，有一种名为“光刻”的工艺，需要使用微米级颗粒的沙子(如100目左右)作为填充材料，以实现电路图形的转移和固定；在玻璃行业中，沙子作为原料之一，可以用于生产玻璃。在玻璃制造过程中，不同目数的沙子可以用于调节玻璃的粒径分布和性能；在陶瓷行业中，沙子作为陶瓷制品的原料，可以用于制备陶瓷釉料、陶瓷坯体等；在金属磨料行业中，较高目数的沙子(如200目以上)可以作为金属磨料，用于金属表面的抛光、去毛刺等加工过程。通过选择适宜的沙粒目数，可以提高产品的均匀性、致密性和美观性等特点。因此，如何对原沙进行筛选分类，找到一种方法能够高效率、不间断地快速进行沙粒检测并进行目数分类，进而帮助工厂达到资源合理利用、节能减排、优化工程质量的目的显得至关重要。

2、目前沙粒目数分类一般采用筛分法，通过使用不同孔径的筛子对沙粒进行筛选，根据筛子上留下的沙粒粒径对沙粒进行分类。虽然这类方法依靠大量不同孔径的筛孔经过多次筛选，并通过多次重复筛选以消除可能出现的分类误差，最终可以有效的对沙粒目数进行分类。

3、通过上述分析，现有技术存在的问题及缺陷为：

4、(1)精度限制：筛分法主要依靠筛孔大小来区分沙粒，但是筛孔的精度受到加工工艺和使用材料的限制，难以做到完全精确。

5、(2)受人为因素影响：筛分法需要人工操作，如筛分时间、筛分力度等因素都会影响到最终的测试结果。这些人为因素很难做到完全一致，导致不同次的测试结果可能存在偏差。

6、(3)设备成本和维护：筛分法需要专门的设备和场地，设备购置和维护成本较高。

7、(4)在筛分过程中，颗粒尺寸较大的物料容易堵塞筛孔，使得筛网无法正常工作，进而导致筛分效果不佳。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于边缘检测和s3n网络的沙粒检测与目数分类方法及系统。

2、本发明是这样实现的，一种基于边缘检测和s3n网络的沙粒检测与目数分类方法，包括：

3、s1，用工业相机对平铺在平板上的沙粒进行图像采集，并通过对采集的图像进行灰度化，进行预处理训练；如果沙粒较多，分批次进行图像采集，重复s1；

4、s2，选择laplacian(拉普拉斯)来计算图像中每个像素点的梯度值，以此来确定所拍摄的图像源中沙粒图像的边缘；

5、s3，对梯度图像进行二值化分割，通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，以确定沙粒的轮廓，确定沙粒的边缘像素点；

6、s4，使用canny边缘检测跟踪算法，通过检测边缘上的局部极大值来连接边缘上的像素，以获得最准确的边缘；

7、s5，使用霍夫变换连接到检测边缘，将它们组合成一个完整连续的边缘线；

8、s6，对检测完的沙粒图像进行高精度匹配，通过匹配图像中沙粒的特征点和模板，将沙粒在图像中进行定位与跟踪；

9、s7，对沙粒图像进行blob分析，以确定沙粒的形状特征，最后分析出图像中所有沙粒的面积和长度的数据；

10、s8，将blob分析出的数据通过canny算子进行条件检测，以确保blob分析得出的最终数据无误；

11、s9，通过选择性稀疏采样网络对样本中的沙粒长度和面积进行训练，根据目数的定义标准，最终将原沙进行最终的目数分类。

12、进一步，s1中对沙粒进行图像采集的大恒工业相机为高像素摄像头，可1秒钟拍摄十张图像，清晰地呈现出沙粒的细节特征，然后可以将图像中沙粒影像初步黑度化，接着能将图像以.bmp格式快速传送到设备计算机中。

13、进一步，s2中laplacian(拉普拉斯)算法，使用sobel算子计算图像中每个像素点的梯度。梯度表示像素点灰度值的变化率，反映了图像中边缘和纹理的强度。将梯度图像进行平方操作，然后求和得到拉普拉斯图像；拉普拉斯图像中的数值代表了图像中像素点灰度值变化的总体程度，由于工业相机拍出的沙粒图像灰度分布较为均匀，因此采用100-150的中等灰度阈值；在拉普拉斯图像中，低于阈值的区域被认为是平滑的，高于阈值的区域被认为是边缘或纹理；最后可以将拉普拉斯图像中高于阈值的区域提取出来，得到最终的沙粒边缘检测结果；该算法相较于其他边缘算法，对噪声具有较好的抗干扰能力。

14、进一步，s3中二值化分割采用otsu法(最大类间方差法)，按沙粒图像的灰度特性，将图像分成背景和前景两部分；此方法计算简单，不受图像亮度和对比度的影响，将沙粒图像与背景完成分离后投入使用。

15、进一步，s4中canny边缘检测跟踪法，可将分割出来的沙粒的边缘像素中提取特征边缘，得出沙粒的相关特征，以此来区分出沙粒与其他杂质；比较当前帧的边缘特征与先前帧的边缘特征，找到匹配的目标；根据匹配到的目标位置和形状，预测下一帧的目标位置，并继续进行边缘检测和匹配。最终获得最准确的边缘。

16、进一步，s5中霍夫变换可以将分割出的所有像素进行边缘检测连接，从而找到亮度以及颜色变化剧烈的区域，以此来检测出图像中沙粒的几何形状，从而得到符合沙粒特定形状的集合。

17、进一步，s6中的高精度匹配可对所有沙粒在图像上的位置进行坐标定位、跟踪。可以将多幅图像进行配准和拼接，生成全景图像或大尺寸图像；通过匹配特征点和调整图像之间的变换参数，可以将图像无缝拼接在一起。

18、进一步，s7中blob分析法可进一步对沙粒的图像以及数据进行处理和分析。以确定最终沙粒的形状和面积等数据是否准确。

19、进一步，s8中canny算子通过计算信噪比与定位乘积的最优化逼近来实现边缘检测，对细化后的边缘进行阈值处理，得到最终的边缘；以此得出数据与blob分析出的数据进行比对，最终确定沙粒面积和长度的准确值。

20、进一步，s9中s3n网络(选择性稀疏采样网络)从多张沙粒图像数据样本中有目的的选择一部分样本，重点获取沙粒的长度和面积这两个具有代表性的特征值，同时对原始数据进行降采样，最后突出长度和面积这两个最具有代表性的沙粒特征。最终根据工业标准上的目数分类标准对沙粒实现最终的分类，得出不同目数的沙粒。

21、本发明的另一目的在于提供一种应用所述基于边缘检测和s3n网络的沙粒检测与目数分类方法的基于边缘检测和s3n网络的沙粒检测与目数分类系统，包括：大恒工业相机、工业微调支架、检测设备专用平板、方形视觉背光源、光源适配器、设备计算机；大恒工业相机与设备计算机连接，工业微调支架与大恒工业相机组装，检测设备专用平板与方形视觉背光源、光源适配器进行位置配置；检测设备专用平板与方形视觉背光源、光源适配器可以通过调整光源和平板到合适位置，为沙粒的采样提供稳定的采样背景与环境；大恒工业相机通过组装到的工业微调支架上，可以灵活调整角度，寻找合适的角度对平板上的沙粒进行拍摄采集图片；大恒工业相机能高精度的拍摄沙粒的高像素图片，并能及时传送到的设备计算机中，设备计算机能够对所传送来的图像源进行识别处理。

22、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于边缘检测和s3n网络的沙粒检测与目数分类方法的步骤。

23、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于边缘检测和s3n网络的沙粒检测与目数分类方法的步骤。

24、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于边缘检测和s3n网络的沙粒检测与目数分类系统。

25、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

26、第一，本发明所使用的工业相机能够精准的拍摄出沙粒的高像素图像，可以避免人为因素对原沙造成破坏，也无需大量人工筛选环节，降低了人工成本。同时能够捕捉到沙子的表面细节信息，为后面的目数分类提供准确的数据基础。

27、本发明通过将工业相机、边缘检测和s3n(选择性稀疏采样网络)相结合，实现了对沙粒大小和形状的准确检测与分类。这种集成多种技术的方法在一定程度上提高了分类的准确性和效率。可以实现沙粒目数的自动检测和分类，降低了人工干预，提高了生产过程的自动化管理水平。利用边缘检测法对沙粒进行图像检测与处理，处理速度上相对较快，可以实现实时性的图像处理，适用于快速采集和分析大量沙粒图像的场景可以清晰地标识出沙粒之间的边界，从而实现对各个颗粒的分割和计数。这对于科学研究、质量控制等领域都具有重要意义。利用选择性稀疏采样网络进行沙粒目数分类，可以自适应地选择有价值的样本进行训练，降低噪声对分类性能的影响，提高分类精度。根据实际应用场景和需求，可以调整选择性稀疏采样网络的参数和结构，以实现更好的分类效果。

28、第二，本发明的技术方案转化后的预期收益和商业价值为：沙子可以延伸到所有的粉状物的细度检测，以传统的沙子检测比对，可提前20分钟完成。二十分钟的产量是十吨。按高端沙子为300元，10吨为3000元，每天检测4次，增产12000元。

29、本发明的技术可以通过自动识别和分析沙子的外观特征，实现更准确的分类。可以实现对大量沙子的快速分类，提高筛分效率。同时本技术方案可以减少筛分过程中的人工参与，降低人力成本，特别是在大规模的生产和企业应用中，这种优势更为明显。解决了人工成本过高，筛分效率低的问题。传统的筛分方法可能会导致沙子的磨损和破碎，影响分类效果。而本技术方案则不会对沙子产生物理接触，因此可以避免人们一直困扰的问题。

30、第三，本发明的积极技术效果还体现在以下几个重要方面：

31、提升检测精度与效率：通过结合高级边缘检测算法和s3n网络，本发明极大地提升了沙粒检测的精度和效率。这对于需要处理大量样本的应用场景，如工业品质控制或环境监测，具有重要意义。

32、自动化与减少人工干预：该方案实现了高度自动化的处理流程，显著减少了人工干预的需求。这不仅提高了数据处理的效率，还降低了因人为因素导致的错误率。

33、复杂环境适应性：本发明能够有效处理在不同环境条件下采集的沙粒图像，包括不同的光照条件和沙粒密集度，展现出良好的环境适应性。

34、精细化特征分析：通过blob分析和霍夫变换，本发明能够提供沙粒的详细形状和大小信息，为沙粒的进一步研究和应用提供了更丰富的数据支持。

35、广泛的应用潜力：该方案不仅适用于沙粒的分类，其原理和技术也可以被应用于其他类似的颗粒物检测和分类，如粮食品质检测、矿物粒度分析等领域。

36、技术创新与前瞻性：本发明在沙粒检测和分类技术领域内展示了创新性，使用了最新的图像处理和机器学习技术，为该领域的技术进步提供了新的方向。

37、数据的准确性与可靠性：该方案通过高级算法确保了数据分析的准确性和可靠性，这对于确保最终结果的质量至关重要。