基于实时图像分析的晶体二维尺寸生长研究

摘要

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的重叠和未重叠晶体进行准确的图像分类和分割，并且生成像素级精度的目标掩膜。相应地，根据椭圆拟合对每个晶体图像进行晶体二维尺寸测量。然后，利用基于高斯核函数的密度估计来平滑数值计算的晶体尺寸分布（Crystal Size Distribution，简称CSD），以便直观评估。通过引入两个描述晶体种群性质的指标，即相对熵的对称变体（Symmetric Variant of Relative Entropy，简称SVRE）和CSD分散度，可以对晶体种群的尺寸分布和形状分布进行实时监测，并且给出一种实时计算晶体种群尺寸增长率的方法。 针对针状晶体生长过程，设计了一个实时图像监控界面。通过对β型L-谷氨酸冷却结晶过程的实时监测实验，验证了所提出的图像分析方法的有效性和实用性。

目录

声明

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

3.2.2Mask 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

5.3 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

大连理工大学学位论文版权使用授权书