基于实时图像分析的晶体二维尺寸生长研究

发布时间:2021-05-26 12:05
  工业结晶技术在精细化工和制药等行业有着广泛的应用。为了得到期望晶型和保证晶体产品质量,需要实时监测晶体生长过程,以便实时控制和优化。近些年来越来越多应用图像监测技术对工业结晶过程进行实时在线分析。本文首先介绍了工业结晶过程图像检测技术的应用现状和研究进展,分析了实时图像系统检测结晶过程的优点和实际应用中存在的问题。对于针状晶体提出了一种适用于原位图像检测的图像处理方法,能克服不均匀照明、颗粒运动、溶液搅拌带来的不利影响,消除图像中噪声信息以改进图像质量,增强图像中晶体形状区域。该图像处理方法主要包括基于多尺度Retinex的图像增强处理以及基于最小交叉熵的图像分割处理,从而能有效地从原始图像中提取出晶体形状区域。为了在L-谷氨酸结晶过程中在线监测晶体种群的生长质量,本文提出了一种基于非侵入性微观成像系统实时检测晶体种群生长速率的图像分析方法。采用基于掩膜区域卷积神经网络(Mask Regional Convolutional Neural Networks,简称Mask R-CNN)的图像分割算法,基于离线样本训练权重网络模型,能实时快速分析原位采集图像。该算法能够对结晶过程采集图像中... 

【文章来源】:大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】:64 页

【学位级别】:硕士

【文章目录】:
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作
2 晶体图像采集与处理
    2.1 L-谷氨酸晶体的图像采集
        2.1.1 实验材料
        2.1.2 图像采集设备
    2.2 晶体图像增强
        2.2.1 直方图均衡化
        2.2.2 多尺度Retinex法
    2.3 晶体图像分割
        2.3.1 最大类间方差法
        2.3.2 最小交叉熵分割法
        2.3.3 图像分割技术应用
    2.4 本章小结
3 基于深度学习的晶体图像分析与二维尺寸测量
    3.1 基于区域的卷积神经网络(R-CNN)
    3.2 基于Mask R-CNN的图像处理
        3.2.1 Mask R-CNN
        3.2.2 Mask R-CNN的损失函数
        3.2.3 网络学习的超参设置
        3.2.4 基于原始图像数据集的训练
        3.2.5 基于深度学习的图像处理结果
    3.3 晶体图像特征分析
        3.3.1 晶体的尺寸特征
        3.3.2 晶体的形状特征
    3.4 基于原位图像的晶体二维尺寸测量
        3.4.1 晶体图像的尺寸标定
        3.4.2 晶体的二维尺寸测量
    3.5 本章小结
4 基于图像分析的晶体生长率计算方法
    4.1 晶体生长率
    4.2 晶体种群二维尺寸分布统计
        4.2.1 晶体数量统计分析
        4.2.2 晶体尺寸分布的核密度估计
    4.3 晶体种群尺寸分布的评价指标
    4.4 晶体生长率的在线估计方法
    4.5 本章小结
5 L-谷氨酸冷却结晶过程在线图像检测实验与结果分析
    5.1 L-谷氨酸冷却结晶实验的在线图像检测方案
    5.2 实时图像监控界面设计
    5.3 实验结果与分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文和申请专利情况
致谢


【参考文献】:
期刊论文
[1]过程分析技术在晶体多晶型研究中的应用[J]. 王娜,陶晓龙,史欢欢,谢闯,尹秋响,郝红勋.  化学工业与工程. 2017(02)
[2]基于多尺度Retinex算法的遥感图像增强[J]. 赵艳飞,高清维,卢一相.  计算机技术与发展. 2008(02)
[3]多晶型药物的生物利用度研究概况[J]. 张伟国,刘昌孝.  天津药学. 2007(02)
[4]药物多晶型的研究及其对药效和理化性质的影响[J]. 唐素芳.  天津药学. 2002(02)

博士论文
[1]基于原位图像的结晶过程检测方法[D]. 霍焱.大连理工大学 2019

硕士论文
[1]基于原位图像检测结晶过程中针状晶体尺寸和粘连的方法[D]. 邹康.大连理工大学 2018
[2]基于视觉的行人检测技术研究[D]. 王浩.辽宁工业大学 2018
[3]晶体生长行为的实验研究[D]. 唐爱利.华南理工大学 2014
[4]基于核密度估计的环境传感器数据流异常检测方法[D]. 朱虹.浙江农林大学 2014



本文编号:3206350

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3206350.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户d6e05***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com