CN107485929A - 一种过滤网污染检测方法及装置 - Google Patents
一种过滤网污染检测方法及装置 Download PDFInfo
- Publication number
- CN107485929A CN107485929A CN201710632796.6A CN201710632796A CN107485929A CN 107485929 A CN107485929 A CN 107485929A CN 201710632796 A CN201710632796 A CN 201710632796A CN 107485929 A CN107485929 A CN 107485929A
- Authority
- CN
- China
- Prior art keywords
- screen pack
- view data
- wave crest
- gray
- original data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000011109 contamination Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 6
- 241000894006 Bacteria Species 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000004075 alteration Effects 0.000 description 5
- 230000002000 scavenging effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
- B01D46/0084—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours provided with safety means
- B01D46/0086—Filter condition indicators
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开一种过滤网污染检测方法及装置。其中，该方法包括：采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染。本发明通过数字图像处理技术，实现新风处理系统内过滤网使用情况的自动检测，判断过滤网最佳的更换或清洗时间，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议，避免过滤网污染严重。
Description
技术领域
本发明涉及过滤网技术领域，具体而言，涉及一种过滤网污染检测方法及装置。
背景技术
目前的新风处理系统均配置有过滤网，用于对新风中的污染物进行物理拦截，达到清洁新风的目的。过滤网具有有限的容尘量，当使用一段时间后，过滤网上所积累的颗粒量达到最大，此时需要及时清洗或更换，否则会影响机组新风量，增大机组功耗，影响机组性能。
当前新风处理系统对过滤网更换或清洗的时间由程序内定，程序设置固定的时间周期，当机组运行时间达到该周期后，系统提示用户更换或清洗过滤网，当用户更换或清洗完成后，系统重新按此时间周期计算下一次更换过滤网的时间。
该方案虽然可以实现过滤网更换时间的判断，但由于不同地区天气状况不同以及用户使用习惯不同，系统程序内定的过滤网更换周期有时候并非是更换的最佳时间。
针对现有技术中过滤网更换或清洗的最佳时间无法自动判断的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种过滤网污染检测方法及装置，以解决现有技术中过滤网更换或清洗的最佳时间无法自动判断的问题。
为解决上述技术问题，本发明提供了一种过滤网污染检测方法，其中，该方法包括：采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染。
进一步地，采集所述初始图像数据以及所述使用图像数据之后，所述方法还包括：根据所述初始图像数据和所述使用图像数据相应生成灰度直方图；其中，所述灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。
进一步地，通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染，包括：通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵；如果是，则确定所述过滤网被污染；如果否，判断所述过滤网是否霉菌污染，若是，则确定所述过滤网被污染，若否，则继续采集所述使用图像数据。
进一步地，通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵，包括：在所述初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；在所述使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；比对x0和xi，如果|xi－x0|≥第一预设值，则确定所述过滤网出现脏堵。
进一步地，判断所述过滤网是否霉菌污染，包括：在所述初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；在所述使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取所述使用图像数据中颜色深于预设深度的一个或多个轮廓；计算所述轮廓的面积，如果所述面积处于预设范围内，则确定所述过滤网出现霉菌污染。
进一步地，采集过滤网使用过程中的使用图像数据，包括：每隔指定时长，通过图像传感器采集过滤网使用过程中的使用图像数据。
进一步地，所述灰度级的取值范围是[0-255]，所述灰度级包括256个级别。
进一步地，确定所述过滤网被污染之后，所述方法还包括：提示过滤网更换或清洗。
进一步地，所述过滤网位于新风处理系统。
本发明还提供了一种过滤网污染检测装置，其中，该装置包括：采集模块，用于采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；比对模块，用于通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染。
进一步地，所述装置还包括：数据处理模块，用于根据所述初始图像数据和所述使用图像数据相应生成灰度直方图；其中，所述灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。
进一步地，所述比对模块包括：第一判断单元，用于通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵；如果是，则确定所述过滤网被污染；第二判断单元，用于在所述第一判断单元的判断结果为否时，判断所述过滤网是否霉菌污染，若是，则确定所述过滤网被污染，若否，则继续采集所述使用图像数据。
进一步地，所述第一判断单元，具体用于在所述初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；在所述使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；比对x0和xi，如果|xi－x0|≥第一预设值，则确定所述过滤网出现脏堵。
进一步地，所述第二判断单元，具体用于在所述初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；在所述使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取所述使用图像数据中颜色深于预设深度的一个或多个轮廓；计算所述轮廓的面积，如果所述面积处于预设范围内，则确定所述过滤网出现霉菌污染。
进一步地，所述灰度级的取值范围是[0-255]，所述灰度级包括256个级别。
进一步地，所述装置还包括：提示模块，用于提示过滤网更换或清洗。
本发明通过数字图像处理技术，实现新风处理系统内过滤网使用情况的自动检测，判断过滤网最佳的更换或清洗时间，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议，避免过滤网污染严重。
附图说明
图1是根据本发明实施例的过滤网污染检测方法的流程图；
图2是根据本发明实施例的新过滤网的灰度图及灰度直方图的示意图；
图3是根据本发明实施例的过滤网脏堵的灰度图及灰度直方图的示意图；
图4是根据本发明实施例的过滤网霉菌污染的灰度图及灰度直方图的示意图；
图5是根据本发明实施例的过滤网检测流程图；
图6是根据本发明实施例的过滤网污染检测装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
图1是根据本发明实施例的过滤网污染检测方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；
步骤S102，通过比对初始图像数据与使用图像数据，确定过滤网是否被污染。
本实施例通过数字图像处理技术，实现过滤网使用情况的自动检测，判断过滤网最佳的更换或清洗时间，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议，避免过滤网污染严重。
在采集初始图像数据以及使用图像数据之后，可以根据初始图像数据和使用图像数据相应生成灰度直方图，如图2所示的新过滤网的灰度图及灰度直方图的示意图，图2中左侧所示是过滤网未使用时的初始灰度图，图2中右侧所示是灰度直方图，灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。由于灰度图像每个像素在计算机中是用1个字节表示，而1个字节有8位，每位都可取0或1中的一个值，所以每个像素的取值范围为[0-255]，即：横坐标灰度级的取值范围可以设置为[0-255]，灰度级包括256个级别。
图3所示的是过滤网脏堵的灰度图及灰度直方图的示意图，如图3所示，左侧的灰度图能看出比图2中的初始灰度图的颜色加深，说明过滤网中出现脏堵。图4所示的是过滤网霉菌污染的灰度图及灰度直方图的示意图，图4中左侧所示的灰度图中可以看出过滤网上出现几处霉菌污染。其主要特征是灰度图上有菌落，在灰度直方图上表示为波峰数增多。
在本实施例中，通过比对初始图像数据与使用图像数据，确定过滤网是否被污染，主要包括以下两个步骤：通过比对初始图像数据与使用图像数据，判断过滤网是否脏堵；如果是，则确定过滤网被污染；如果否，则判断过滤网是否霉菌污染，若是，则确定过滤网被污染，若否，则继续采集使用图像数据。基于此，可以首先根据图像数据的变化判断过滤网是否脏堵，在过滤网没有脏堵的情况下，还需要进一步判断是否有霉菌污染，在确认没有霉菌污染后，可以继续采集使用图像数据，进一步进行过滤网污染情况的判断。
在具体实施时，也可以设置周期性的对过滤网污染情况进行检测。例如，每隔指定时长通过图像传感器采集过滤网的使用图像数据，该指定时长可以是一天、一周或者一个月等。
对于如何判断过滤网是否脏堵，可以通过以下优选实施方式实现：在初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；在使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；比对x0和xi，如果|xi－x0|≥第一预设值，则确定过滤网出现脏堵。之后，可以提醒用户对过滤网进行更换或清洗，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议。
对于如何判断过滤网是否霉菌污染，可以通过以下优选实施方式实现：在初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；在使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取使用图像数据中颜色深于预设深度的一个或多个轮廓；计算轮廓的面积，如果面积处于预设范围内，则确定过滤网出现霉菌污染。之后，可以提醒用户对过滤网进行更换或清洗，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议。
需要说明的是，本实施例中的过滤网位于新风处理系统。
实施例二
下面通过优选实施例对本发明的技术方案进行详细描述。
新风处理机在运行一段时间后，机组内的过滤网由于吸附了尘粒，颜色会发生变化，当过滤网严重脏堵时，过滤网几乎呈现黑色。为了提醒用户在合理的时间更换或清洗过滤网，本发明利用过滤网使用前后的色差变化，基于计算机视觉技术，实现了过滤网使用情况的检测，判断出过滤网的最佳更换时间。
图5是根据本发明实施例的过滤网检测流程图，如图5所示，该流程包括以下步骤(步骤S501-步骤S515)：
步骤S501，新过滤网在机组中安装完成且未使用，启动图像传感器。
步骤S502，采集新过滤网的初始图像数据M0并存储初始图像数据M0。
步骤S303，根据初始图像数据M0生成灰度图和灰度直方图，提取灰度直方图中的最高波峰点P(x0，y0)，统计纵坐标>Yn的波峰点的个数N0，图3中N0取2。其中，Yn为设定阈值，用于剔除像素中的噪音数据。
初始图像数据M0的数据结构为多维矩阵，生成灰度直方图后，初始图像数据M0的数据结构变成二维矩阵，且矩阵中元素的取值范围为[0，255]。0表示白色，255表示黑色，这样，灰度直方图总共被分成256个灰度级。
步骤S504，关闭图像传感器。
步骤S505，在预设时间间隔T后启动图像传感器，采集过滤网的使用图像数据Mi。T可以是一天、一周或者一个月。
步骤S506，根据使用图像数据Mi生成灰度图和灰度直方图，提取灰度直方图中的最高波峰点P(xi，yi)，统计纵坐标>Yn的波峰点的个数Ni。
步骤S507，当机组运行一段时间后，过滤网颜色发生变化，与初始过滤网之间形成色差。由于最高波峰点P(xi，yi)代表了过滤网的主体颜色，以|xi-x0|的值衡量色差大小。
通过比对xi与x0，判断使用一段时间后的过滤网与原始过滤网的灰度色差大小，设定灰度色差阈值为Xn1，判断|xi-x0|≥Xn1是否成立，如果是，说明色差超出了设定值，过滤网脏堵情况严重，则执行步骤S508，否则，执行步骤S510。Xn1是设定的灰度色差阈值，可以取0、1等。
步骤S508，确定过滤网脏堵。
步骤S509，提醒用户更换或清洗过滤网。
步骤S510，若|xi-x0|<Xn1，则说明过滤网还可继续使用，需进一步判断是否有霉菌污染。
当用户安装机组后，如果长时间未使用，则过滤网也易被霉菌污染，此时过滤网主体颜色发生的变化并不大，但局部会由于菌落的生成而发生颜色变化。
判断Ni＞Nn是否成立，如果是，则执行步骤S511，否则，执行步骤S515。
步骤S511，提取使用通信图像数据中颜色较深(例如颜色深度超过预设深度)的轮廓，计算各轮廓所包围的面积Si。
步骤S512，判断|xi-x0|<Xn2且Sn1<Si<Sn2是否成立，如果是，则执行步骤S513，否则，执行步骤S515。其中Nn，Sn1、Sn2均为设定阈值，用于剔除噪音数据。
步骤S513，确定过滤网霉菌污染或有异物。
步骤S514，提醒用户更换或清洗过滤网。
步骤S515，过滤网可正常继续使用。
在实际应用时，可重复执行步骤S505至步骤S515，对过滤网的使用情况定期检测。
实施例三
对应于图1介绍的过滤网污染检测方法，本实施例提供了一种过滤网污染检测装置，如图6所示的过滤网污染检测装置的结构框图，该装置包括：
采集模块10，用于采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；
比对模块20，用于通过比对初始图像数据与使用图像数据，确定过滤网是否被污染。
本实施例通过数字图像处理技术，实现过滤网使用情况的自动检测，判断过滤网最佳的更换或清洗时间，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议，避免过滤网污染严重。
上述装置还可以包括：数据处理模块，用于根据初始图像数据和使用图像数据相应生成灰度直方图；其中，灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。灰度级的取值范围是[0-255]，灰度级包括256个级别。
上述比对模块20可以包括：第一判断单元，用于通过比对初始图像数据与使用图像数据，判断过滤网是否脏堵；如果是，则确定过滤网被污染；第二判断单元，用于在第一判断单元的判断结果为否时，判断过滤网是否霉菌污染，若是，则确定过滤网被污染，若否，则继续采集使用图像数据。
在具体实施时，也可以设置周期性的对过滤网污染情况进行检测。例如，每隔指定时长通过图像传感器采集过滤网的使用图像数据，该指定时长可以是一天、一周或者一个月等。
上述第一判断单元，具体用于在初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；在使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；比对x0和xi，如果|xi－x0|≥第一预设值，则确定过滤网出现脏堵。
上述第二判断单元，具体用于在初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；在使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取使用图像数据中颜色深于预设深度的一个或多个轮廓；计算轮廓的面积，如果面积处于预设范围内，则确定过滤网出现霉菌污染。
上述装置还包括：提示模块，用于提示过滤网更换或清洗。从而提升用户体验。需要说明的是，本实施例中的过滤网位于新风处理系统。
从以上的描述中可知，本发明主要实现以下技术效果：
1)实现过滤网脏堵情况的检测；
2)实现过滤网霉菌污染情况的检测；
3)实现过滤网最佳更换或清洗时间的判别。
本发明通过数字图像处理技术，实现过滤网使用情况的自动检测，判断过滤网最佳的更换或清洗时间，提高了过滤网使用的合理性，为用户更换过滤网的时间提供更合理的建议，避免过滤网污染严重。
当然，以上是本发明的优选实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明基本原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (14)
1.一种过滤网污染检测方法，其特征在于，所述方法包括：
采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；
通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染。
2.根据权利要求1所述的方法，其特征在于，采集所述初始图像数据以及所述使用图像数据之后，所述方法还包括：
根据所述初始图像数据和所述使用图像数据相应生成灰度直方图；其中，所述灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。
3.根据权利要求2所述的方法，其特征在于，通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染，包括：
通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵；
如果是，则确定所述过滤网被污染；
如果否，判断所述过滤网是否霉菌污染，若是，则确定所述过滤网被污染，若否，则继续采集所述使用图像数据。
4.根据权利要求3所述的方法，其特征在于，通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵，包括：
在所述初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；
在所述使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；
比对x0和xi，如果|xi－x0|≥第一预设值，则确定所述过滤网出现脏堵。
5.根据权利要求4所述的方法，其特征在于，判断所述过滤网是否霉菌污染，包括：
在所述初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；
在所述使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；
比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取所述使用图像数据中颜色深于预设深度的一个或多个轮廓；
计算所述轮廓的面积，如果所述面积处于预设范围内，则确定所述过滤网出现霉菌污染。
6.根据权利要求1所述的方法，其特征在于，采集过滤网使用过程中的使用图像数据，包括：
每隔指定时长，通过图像传感器采集过滤网使用过程中的使用图像数据。
7.根据权利要求1所述的方法，其特征在于，确定所述过滤网被污染之后，所述方法还包括：
提示过滤网更换或清洗。
8.根据权利要求1所述的方法，其特征在于，所述过滤网位于新风处理系统。
9.一种过滤网污染检测装置，其特征在于，所述装置包括：
采集模块，用于采集过滤网未使用时的初始图像数据，以及过滤网使用过程中的使用图像数据；
比对模块，用于通过比对所述初始图像数据与所述使用图像数据，确定所述过滤网是否被污染。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
数据处理模块，用于根据所述初始图像数据和所述使用图像数据相应生成灰度直方图；其中，所述灰度直方图的横坐标x是灰度级，纵坐标y是灰度级像素出现的频率。
11.根据权利要求10所述的装置，其特征在于，所述比对模块包括：
第一判断单元，用于通过比对所述初始图像数据与所述使用图像数据，判断所述过滤网是否脏堵；如果是，则确定所述过滤网被污染；
第二判断单元，用于在所述第一判断单元的判断结果为否时，判断所述过滤网是否霉菌污染，若是，则确定所述过滤网被污染，若否，则继续采集所述使用图像数据。
12.根据权利要求11所述的装置，其特征在于，
所述第一判断单元，具体用于在所述初始图像数据对应的灰度直方图中，采集最高波峰点P(x0，y0)；其中，x0表示最高波峰点的灰度级，y0表示该灰度级像素出现的频率；在所述使用图像数据对应的灰度直方图中，采集最高波峰点P(xi，yi)；其中，xi表示最高波峰点的灰度级，yi表示该灰度级像素出现的频率；比对x0和xi，如果|xi－x0|≥第一预设值，则确定所述过滤网出现脏堵。
13.根据权利要求11所述的装置，其特征在于，
所述第二判断单元，具体用于在所述初始图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数N0；在所述使用图像数据对应的灰度直方图中，统计所有波峰点中纵坐标大于预设纵坐标值的波峰点的个数Ni；比对N0和Ni，如果Ni＞N0，且|xi－x0|＜第二预设值，则提取所述使用图像数据中颜色深于预设深度的一个或多个轮廓；计算所述轮廓的面积，如果所述面积处于预设范围内，则确定所述过滤网出现霉菌污染。
14.根据权利要求9所述的装置，其特征在于，所述装置还包括：
提示模块，用于提示过滤网更换或清洗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632796.6A CN107485929B (zh) | 2017-07-28 | 2017-07-28 | 一种过滤网污染检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632796.6A CN107485929B (zh) | 2017-07-28 | 2017-07-28 | 一种过滤网污染检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107485929A true CN107485929A (zh) | 2017-12-19 |
| CN107485929B CN107485929B (zh) | 2020-01-31 |
Family
ID=60644919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710632796.6A Active CN107485929B (zh) | 2017-07-28 | 2017-07-28 | 一种过滤网污染检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107485929B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109028517A (zh) * | 2018-07-31 | 2018-12-18 | 广东美的制冷设备有限公司 | 过滤网洁净度的检测方法、空调器及计算机可读存储介质 |
| CN109030306A (zh) * | 2018-06-26 | 2018-12-18 | 杭州老板电器股份有限公司 | 油烟机状态检测方法、装置、系统及油烟机 |
| CN109268970A (zh) * | 2018-09-19 | 2019-01-25 | 珠海格力电器股份有限公司 | 一种空气净化器及其控制方法 |
| CN109589683A (zh) * | 2018-12-29 | 2019-04-09 | 河南省星碟节能科技有限公司 | 一种智能可视自动排污二次滤网的清洗系统及清洗方法 |
| CN109685775A (zh) * | 2018-12-10 | 2019-04-26 | 美的集团武汉制冷设备有限公司 | 滤网脏堵识别方法、装置、智能设备及可读存储介质 |
| CN110307617A (zh) * | 2019-07-03 | 2019-10-08 | 珠海格力电器股份有限公司 | 换热器及其脏堵检测方法、装置和系统、电器设备 |
| CN111107948A (zh) * | 2019-12-27 | 2020-05-05 | 重庆康佳光电技术研究院有限公司 | 一种待转移led芯片的筛选方法及装置 |
| CN111706955A (zh) * | 2020-06-24 | 2020-09-25 | 珠海格力电器股份有限公司 | 一种空气净化器的清洁方法、装置及空气净化器 |
| CN112456733A (zh) * | 2020-11-25 | 2021-03-09 | 北京诺和兴建设工程有限公司 | 一种污水处理系统 |
| CN113465118A (zh) * | 2021-07-01 | 2021-10-01 | 广东鑫钻节能科技股份有限公司 | 一种空调节能控制系统及其控制方法 |
| CN113945566A (zh) * | 2021-11-16 | 2022-01-18 | 南京华鼎纳米技术研究院有限公司 | 一种滤网失效检测方法 |
| CN114396699A (zh) * | 2021-12-13 | 2022-04-26 | 珠海格力电器股份有限公司 | 过滤网的清洁方法、过滤网清洁装置、空调 |
| CN115163261A (zh) * | 2022-06-23 | 2022-10-11 | 北京博威能源科技股份有限公司 | 一种具有尾气净化功能的柴油发电机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080181530A1 (en) * | 2007-01-26 | 2008-07-31 | Quanta Computer, Inc. | Image processing apparatus and method for reducing blocking effect and Gibbs effect |
| US20090320880A1 (en) * | 2007-01-24 | 2009-12-31 | Ubd Cleantech Aktiebolag | Method and system for cleaning filters |
| CN103658015A (zh) * | 2013-12-10 | 2014-03-26 | 中联重科股份有限公司 | 振动筛筛网网孔状态监控方法、装置及系统 |
| CN104596051A (zh) * | 2015-01-29 | 2015-05-06 | 皓庭(唐山）环境科技有限公司 | 空气净化装置滤网图像检测系统 |
| CN205191775U (zh) * | 2015-12-11 | 2016-04-27 | 四川长虹空调有限公司 | 具备监控滤网洁净度功能的智能空气净化器 |
-
2017
- 2017-07-28 CN CN201710632796.6A patent/CN107485929B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090320880A1 (en) * | 2007-01-24 | 2009-12-31 | Ubd Cleantech Aktiebolag | Method and system for cleaning filters |
| US20080181530A1 (en) * | 2007-01-26 | 2008-07-31 | Quanta Computer, Inc. | Image processing apparatus and method for reducing blocking effect and Gibbs effect |
| CN103658015A (zh) * | 2013-12-10 | 2014-03-26 | 中联重科股份有限公司 | 振动筛筛网网孔状态监控方法、装置及系统 |
| CN104596051A (zh) * | 2015-01-29 | 2015-05-06 | 皓庭(唐山）环境科技有限公司 | 空气净化装置滤网图像检测系统 |
| CN205191775U (zh) * | 2015-12-11 | 2016-04-27 | 四川长虹空调有限公司 | 具备监控滤网洁净度功能的智能空气净化器 |
Non-Patent Citations (2)
| Title |
|---|
| 徐科等: "《金属表面质量在线检测技术》", 31 October 2016 * |
| 杨洪臣等: "《视频侦查技术》", 31 July 2015 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109030306A (zh) * | 2018-06-26 | 2018-12-18 | 杭州老板电器股份有限公司 | 油烟机状态检测方法、装置、系统及油烟机 |
| CN109028517B (zh) * | 2018-07-31 | 2020-10-20 | 广东美的制冷设备有限公司 | 过滤网洁净度的检测方法、空调器及计算机可读存储介质 |
| CN109028517A (zh) * | 2018-07-31 | 2018-12-18 | 广东美的制冷设备有限公司 | 过滤网洁净度的检测方法、空调器及计算机可读存储介质 |
| CN109268970A (zh) * | 2018-09-19 | 2019-01-25 | 珠海格力电器股份有限公司 | 一种空气净化器及其控制方法 |
| CN109685775A (zh) * | 2018-12-10 | 2019-04-26 | 美的集团武汉制冷设备有限公司 | 滤网脏堵识别方法、装置、智能设备及可读存储介质 |
| CN109589683A (zh) * | 2018-12-29 | 2019-04-09 | 河南省星碟节能科技有限公司 | 一种智能可视自动排污二次滤网的清洗系统及清洗方法 |
| CN110307617A (zh) * | 2019-07-03 | 2019-10-08 | 珠海格力电器股份有限公司 | 换热器及其脏堵检测方法、装置和系统、电器设备 |
| CN110307617B (zh) * | 2019-07-03 | 2020-05-26 | 珠海格力电器股份有限公司 | 换热器及其脏堵检测方法、装置和系统、电器设备 |
| CN111107948A (zh) * | 2019-12-27 | 2020-05-05 | 重庆康佳光电技术研究院有限公司 | 一种待转移led芯片的筛选方法及装置 |
| CN111706955A (zh) * | 2020-06-24 | 2020-09-25 | 珠海格力电器股份有限公司 | 一种空气净化器的清洁方法、装置及空气净化器 |
| CN112456733A (zh) * | 2020-11-25 | 2021-03-09 | 北京诺和兴建设工程有限公司 | 一种污水处理系统 |
| CN112456733B (zh) * | 2020-11-25 | 2022-07-15 | 北京诺和兴建设工程有限公司 | 一种污水处理系统 |
| CN113465118A (zh) * | 2021-07-01 | 2021-10-01 | 广东鑫钻节能科技股份有限公司 | 一种空调节能控制系统及其控制方法 |
| CN113465118B (zh) * | 2021-07-01 | 2022-02-22 | 广东鑫钻节能科技股份有限公司 | 一种空调节能控制系统及其控制方法 |
| CN113945566A (zh) * | 2021-11-16 | 2022-01-18 | 南京华鼎纳米技术研究院有限公司 | 一种滤网失效检测方法 |
| CN114396699A (zh) * | 2021-12-13 | 2022-04-26 | 珠海格力电器股份有限公司 | 过滤网的清洁方法、过滤网清洁装置、空调 |
| CN115163261A (zh) * | 2022-06-23 | 2022-10-11 | 北京博威能源科技股份有限公司 | 一种具有尾气净化功能的柴油发电机 |
| CN115163261B (zh) * | 2022-06-23 | 2023-02-10 | 北京博威能源科技股份有限公司 | 一种具有尾气净化功能的柴油发电机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107485929B (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107485929A (zh) | 一种过滤网污染检测方法及装置 | |
| CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
| CN107801024B (zh) | 一种用于帧内预测的边界滤波方法 | |
| CN104390322B (zh) | 一种过滤网使用寿命的自动判断方法、装置及系统 | |
| CN110172941B (zh) | 一种智慧城市道路环卫系统 | |
| CN106210712A (zh) | 一种图像坏点检测及处理方法 | |
| CN110889801B (zh) | 一种烟灶系统的摄像头去污优化方法以及烟灶系统 | |
| CN107297109A (zh) | 空气净化设备及其过滤件寿命提醒系统和提醒方法 | |
| CN104353655B (zh) | 清洁设备及其控制方法和装置 | |
| EP1223760A3 (en) | Mosquito noise reducing apparatus and method | |
| CN105163110A (zh) | 摄像头清洁度的检测方法、检测系统及拍摄终端 | |
| CN101123680B (zh) | 去除摄像头斑点噪声的方法 | |
| CN107454285A (zh) | 图像噪声估计方法及装置与图像提取装置 | |
| CN104767913B (zh) | 一种对比度自适应的视频去噪系统 | |
| CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
| CN104700405A (zh) | 一种前景检测方法和系统 | |
| CN110349090A (zh) | 一种基于牛顿二阶插值的图像缩放方法 | |
| Ha et al. | An improved adaptive median filter algorithm and its application | |
| CN103530856B (zh) | 一种Bayer图像去椒盐噪声的方法和系统 | |
| CN100458847C (zh) | 一种数字图像边缘信息提取方法 | |
| CN111706955A (zh) | 一种空气净化器的清洁方法、装置及空气净化器 | |
| CN112614078A (zh) | 一种图像降噪方法和存储介质 | |
| CN109713745B (zh) | 一种智能充电检测电路 | |
| CN101778192A (zh) | 图像处理方法和图像处理装置 | |
| CN107025633A (zh) | 一种图像处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |