基于卷积神经网络的混合颗粒分类法研究

蔡杨; 苏明旭; 蔡小舒

doi:doi:10.3788/AOS201939.0712002

光学学报, 2019, 39 (7): 0712002, 网络出版: 2019-07-16

基于卷积神经网络的混合颗粒分类法研究下载： 841次

Method for Mixed-Particle Classification Based on Convolutional Neural Network

蔡杨苏明旭 ^*蔡小舒

作者单位

上海理工大学能源与动力工程学院, 上海 200093

图 & 表

图 1. 混合颗粒分类的CNN结构

Fig. 1. CNN structure of mixed-particle classification

下载图片查看原文

图 2. RPN网络结构。(a)锚框尺度设置;(b)锚框比例设置

Fig. 2. RPN network structure. (a) Anchor frame scale setting; (b) anchor frame ratio setting

下载图片查看原文

图 3. 混合颗粒的分类算法流程

Fig. 3. Flow chart of mixed-particle classification algorithm

下载图片查看原文

图 4. 不同类型的颗粒。(a)球形颗粒;(b)长条形颗粒;(c)非规则颗粒

Fig. 4. Examples of different types of particles. (a) Spherical particles; (b) elongated particles; (c) irregular particles

下载图片查看原文

图 5. 混合颗粒测量系统

Fig. 5. Measuring system of mixed particles

下载图片查看原文

图 6. 图像处理流程

Fig. 6. Flow chart of image processing

下载图片查看原文

图 7. 不同方法处理后混合颗粒的图像。(a)混合颗粒;(b)维纳滤波;(c)二值化和孔洞填充;(d) watershed分割;(e)手动精分割

Fig. 7. Images of mixed particles processed by different methods. (a) Mixed particles; (b) Wiener filtering; (c) binarization and hole filling; (d) watershed segmentation; (e) manually fine segmentation

下载图片查看原文

图 8. 不同分类方法得到的颗粒计数结果

Fig. 8. Particle counting results obtained by different classification methods

下载图片查看原文

图 9. 不同分类方法的检测准确率

Fig. 9. Detection accuracy of different classification methods

下载图片查看原文

图 10. 不同分类方法得到的颗粒的当量直径累积分布

Fig. 10. Cumulative distributions of equivalent diameters of particles obtained by different classification methods

下载图片查看原文

图 11. 不同分类方法得到的长条形颗粒的长宽比累积分布

Fig. 11. Cumulative distributions of aspect ratios for elongated particles obtained by different classification methods

下载图片查看原文

图 12. 不同分类方法得到的球形颗粒的长宽比累积分布

Fig. 12. Cumulative distributions of aspect ratios for spherical particles obtained by different classification methods

下载图片查看原文

图 13. 不同分类方法得到的非规则颗粒的长宽比累积分布

Fig. 13. Cumulative distributions of aspect ratios for irregular particles obtained by different classification methods

下载图片查看原文

表 1颗粒的特征描述子

Table1. Feature descriptors of particles

Parameter	Symbol	Description	Category
Perimeter	P	The distance around the boundary of the region
Area	A	The actual number of pixels in the region
Equivalent diameter	D_eq	D_eq=2 $\sqrt[]{\frac{A}{π}}$	1
Major axis	L	The major axis of the external ellipse
Minor axis	S	The minor axis of the external ellipse
Circularity	C	C= $\frac{P}{2 \sqrt[]{A \cdot π}}$
Aspect ratio	A_R	The aspect ratio of minimum bounding rectangle
Boundary irregularity	B_irr	B_irr=2π $(\frac{\sqrt[]{A}}{P} - \sqrt[]{\frac{L^{2} + S^{2}}{2 LS}})$	2
Uniformity	U	The ratio of the outer rectangle to the outer convex polygon
Angular point	A_P	The number of concave and convex points

查看原文

表 2conv3_x和conv4_x的结构配置

Table2. Structure configurations of conv3_x and conv4_x

Stage	Output size /(pixel×pixel)	Block structure	Block count
conv3_x	28×28	$[\begin{array}{l} 1 \times 1 & 128 \\ 3 \times 3 & 128 \\ 1 \times 1 & 512 \end{array}]$	3
conv4_x	14×14	$[\begin{array}{l} 1 \times 1 & 256 \\ 3 \times 3 & 256 \\ 1 \times 1 & 1024 \end{array}]$	20

查看原文

表 3不同分类方法得到的颗粒的测量尺寸

Table3. Particle sizes measured by different classification methods

Method	Diameter of spherical particles /μm				Diameter of irregular particles /μm			Diameter of elongated particles /μm
Method	${D_{n}}_{10}$	${D_{n}}_{50}$	${D_{n}}_{90}$		${D_{n}}_{10}$	${D_{n}}_{50}$	${D_{n}}_{90}$	${D_{n}}_{10}$		${D_{n}}_{50}$	${D_{n}}_{90}$
Ground truth	111.9			122.5					131.1			98.5	136.4	172.9	74.4	96.0	137.6
CNN	110.0			118.5					126.8			103.3	136.4	171.2	74.3	95.8	135.9
SVM_1	110.0			117.2					129.7			84.6	120.9	160.4	73.3	94.4	138.4
SVM_2	110.5			117.3					131.3			75.7	117.8	159.4	69.7	93.2	139.0
BP	105.3			116.1					137.3			84.2	112.0	157.7	76.0	101.1	147.4

查看原文

蔡杨, 苏明旭, 蔡小舒. 基于卷积神经网络的混合颗粒分类法研究[J]. 光学学报, 2019, 39(7): 0712002. Yang Cai, Mingxu Su, Xiaoshu Cai. Method for Mixed-Particle Classification Based on Convolutional Neural Network[J]. Acta Optica Sinica, 2019, 39(7): 0712002.

基于卷积神经网络的混合颗粒分类法研究下载： 841次

图 1. 混合颗粒分类的CNN结构

Fig. 1. CNN structure of mixed-particle classification

图 2. RPN网络结构。(a)锚框尺度设置;(b)锚框比例设置

Fig. 2. RPN network structure. (a) Anchor frame scale setting; (b) anchor frame ratio setting

图 3. 混合颗粒的分类算法流程

Fig. 3. Flow chart of mixed-particle classification algorithm

图 4. 不同类型的颗粒。(a)球形颗粒;(b)长条形颗粒;(c)非规则颗粒

Fig. 4. Examples of different types of particles. (a) Spherical particles; (b) elongated particles; (c) irregular particles

图 5. 混合颗粒测量系统

Fig. 5. Measuring system of mixed particles

图 6. 图像处理流程

Fig. 6. Flow chart of image processing

图 7. 不同方法处理后混合颗粒的图像。(a)混合颗粒;(b)维纳滤波;(c)二值化和孔洞填充;(d) watershed分割;(e)手动精分割

Fig. 7. Images of mixed particles processed by different methods. (a) Mixed particles; (b) Wiener filtering; (c) binarization and hole filling; (d) watershed segmentation; (e) manually fine segmentation

图 8. 不同分类方法得到的颗粒计数结果

Fig. 8. Particle counting results obtained by different classification methods

图 9. 不同分类方法的检测准确率

Fig. 9. Detection accuracy of different classification methods

图 10. 不同分类方法得到的颗粒的当量直径累积分布

Fig. 10. Cumulative distributions of equivalent diameters of particles obtained by different classification methods

图 11. 不同分类方法得到的长条形颗粒的长宽比累积分布

Fig. 11. Cumulative distributions of aspect ratios for elongated particles obtained by different classification methods

图 12. 不同分类方法得到的球形颗粒的长宽比累积分布

Fig. 12. Cumulative distributions of aspect ratios for spherical particles obtained by different classification methods

图 13. 不同分类方法得到的非规则颗粒的长宽比累积分布

Fig. 13. Cumulative distributions of aspect ratios for irregular particles obtained by different classification methods

表 1颗粒的特征描述子

Table1. Feature descriptors of particles

表 2conv3_x和conv4_x的结构配置

Table2. Structure configurations of conv3_x and conv4_x

表 3不同分类方法得到的颗粒的测量尺寸

Table3. Particle sizes measured by different classification methods

关于本站 Cookie 的使用提示

全站搜索

基于卷积神经网络的混合颗粒分类法研究 下载： 841次

图 1. 混合颗粒分类的CNN结构

Fig. 1. CNN structure of mixed-particle classification

图 2. RPN网络结构。(a)锚框尺度设置;(b)锚框比例设置

Fig. 2. RPN network structure. (a) Anchor frame scale setting; (b) anchor frame ratio setting

图 3. 混合颗粒的分类算法流程

Fig. 3. Flow chart of mixed-particle classification algorithm

图 4. 不同类型的颗粒。(a)球形颗粒;(b)长条形颗粒;(c)非规则颗粒

Fig. 4. Examples of different types of particles. (a) Spherical particles; (b) elongated particles; (c) irregular particles

图 5. 混合颗粒测量系统

Fig. 5. Measuring system of mixed particles

图 6. 图像处理流程

Fig. 6. Flow chart of image processing

图 7. 不同方法处理后混合颗粒的图像。(a)混合颗粒;(b)维纳滤波;(c)二值化和孔洞填充;(d) watershed分割;(e)手动精分割

Fig. 7. Images of mixed particles processed by different methods. (a) Mixed particles; (b) Wiener filtering; (c) binarization and hole filling; (d) watershed segmentation; (e) manually fine segmentation

图 8. 不同分类方法得到的颗粒计数结果

Fig. 8. Particle counting results obtained by different classification methods

图 9. 不同分类方法的检测准确率

Fig. 9. Detection accuracy of different classification methods

图 10. 不同分类方法得到的颗粒的当量直径累积分布

Fig. 10. Cumulative distributions of equivalent diameters of particles obtained by different classification methods

图 11. 不同分类方法得到的长条形颗粒的长宽比累积分布

Fig. 11. Cumulative distributions of aspect ratios for elongated particles obtained by different classification methods

图 12. 不同分类方法得到的球形颗粒的长宽比累积分布

Fig. 12. Cumulative distributions of aspect ratios for spherical particles obtained by different classification methods

图 13. 不同分类方法得到的非规则颗粒的长宽比累积分布

Fig. 13. Cumulative distributions of aspect ratios for irregular particles obtained by different classification methods

表 1颗粒的特征描述子

Table1. Feature descriptors of particles

表 2conv3_x和conv4_x的结构配置

Table2. Structure configurations of conv3_x and conv4_x

表 3不同分类方法得到的颗粒的测量尺寸

Table3. Particle sizes measured by different classification methods

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于卷积神经网络的混合颗粒分类法研究下载： 841次