使用在合成数据上训练的 CNN 实现颗粒尺寸分布的即时测量
计算机视觉与模式识别
2025-07-02 v1
摘要
颗粒尺寸分布（PSD）的精确测量对于矿业、制药和肥料制造等行业至关重要，直接影响产品质量和操作效率。传统的 PSD 方法如筛分和激光衍射属于手动、耗时的技术，且受颗粒重叠的限制。近期的卷积神经网络（CNN）技术的发展使自动化、实时的 PSD 估计从颗粒图像直接实现成为可能。本文提出了一种基于 CNN 的方法，该方法使用 Blender 的高级渲染功能生成的真实合成颗粒图像进行训练。该方法生成的合成数据集可通过系统性变更颗粒形状、纹理、照明和空间布局来复制 various 工业情境， closely resemble 实际配置。我们评估了三个 CNN 架构（ResNet-50、InceptionV3 和 EfficientNet-B0）用于预测关键 PSD 参数（d10、d50、d90）。结果表明，各模型在准确性方面表现相当，EfficientNet-B0 在计算效率方面取得最佳，适合实时工业部署。该方法展示了真实合成数据为稳健的 CNN 训练提供了显著潜力，适用于自动化工业 PSD 监测。代码已发布于：https://github.com/YasserElj/Synthetic-Granular-Gen
引用
@article{arxiv.2507.00822,
title = {Instant Particle Size Distribution Measurement Using CNNs Trained on Synthetic Data},
author = {Yasser El Jarida and Youssef Iraqi and Loubna Mekouar},
journal= {arXiv preprint arXiv:2507.00822},
year = {2025}
}
备注
Accepted at the Synthetic Data for Computer Vision Workshop @ CVPR 2025. 10 pages, 5 figures. Code available at https://github.com/YasserElj/Synthetic-Granular-Gen