基于卷积神经网络的离焦颗粒粒径与位置测量
针对双相机成像系统所获取的颗粒离焦图像,搭建了基于Faster-RCNN和VGG16卷积神经网络(CNN)的颗粒粒径与位置同步预测模型.在75~95 mm(约9~10倍的成像系统景深)深度范围内,拍摄直径为50~350 μm的9种不同圆点用于所提模型的训练,并将所提模型与基于离焦测距(DFD)理论模型的处理方法进行了比较分析.测量结果表明,与基于DFD理论模型的处理方法相比,CNN模型的颗粒深度测量范围有所提高,直径测量误差有所降低,但深度测量误差有所增大.进一步采用双相机系统拍摄在循环样品池内流动的粒径为120 μm的标准颗粒,应用所提CNN模型对相应图片进行处理,粒径预测结果的相对误差范围为-8%~8%.
测量、卷积神经网络、双相机离焦成像系统、位置测量、粒径测量
42
TP389.1;TP183(计算技术、计算机技术)
国家自然科学基金;上海理工大学校级大创项目
2022-11-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
92-98