CN108389216B - 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 - Google Patents

面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 Download PDF

Info

Publication number
CN108389216B
CN108389216B CN201810119775.9A CN201810119775A CN108389216B CN 108389216 B CN108389216 B CN 108389216B CN 201810119775 A CN201810119775 A CN 201810119775A CN 108389216 B CN108389216 B CN 108389216B
Authority
CN
China
Prior art keywords
image
gray
formula
pixel
value
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.)
Active
Application number
CN201810119775.9A
Other languages
English (en)
Other versions
CN108389216A (zh
Inventor
武通海
杨羚烽
王硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Zhipu Weichuang Information Technology Co ltd
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810119775.9A priority Critical patent/CN108389216B/zh
Publication of CN108389216A publication Critical patent/CN108389216A/zh
Application granted granted Critical
Publication of CN108389216B publication Critical patent/CN108389216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

面向在线铁谱图像磨粒识别的局部自适应阈值分割方法，首先将在线铁谱的透射光图像经过预处理转换为灰度图像和拉普拉斯图像，分别对灰度图像和拉普拉斯图像求其积分图像，以降低后续处理的时间复杂度。其次结合两者的分布信息，建立比例因子t的自适应模型，从而得到局部阈值Threshold的自适应模型。最后，逐像素点将灰度图像的各像素值与其对应阈值比较，判别为目标或背景，完成在线铁谱图像的分割。本发明基于局部阈值分割的思想，结合磨粒图像的特点，建立了完整的自动分割机制，该方法能适应变工况下获取的不同情况的磨粒图像，解决了在线铁谱图像磨粒与背景的自动分割问题。

Description

面向在线铁谱图像磨粒识别的局部自适应阈值分割方法
技术领域
本发明涉及机械设备故障诊断和状态监测领域，具体涉及在线铁谱图像数字化自动识别技术，特别涉及一种面向在线铁谱图像磨粒识别的局部自适应阈值分割方法。
背景技术
状态监测与故障诊断技术是现代重大装备可靠运行的重要保障。铁谱分析技术作为一种摩擦学状态监测诊断手段，通过分析润滑油所携带的设备磨损颗粒的数量、形状和尺寸等信息，可以提取机械设备磨损状态信息，对磨损故障诊断及制定相应的视情维护策略具有重要作用。离线铁谱分析技术已经形成了非常成熟的分析方法，并广泛应用于工业设备磨损状态监测领域。随着现代装备的视请维护需求对状态监测提出实时性和自动化的要求，在线铁谱分析技术成为新的技术领域。西安交通大学开发了系列在线铁谱传感器，如在线数字图像可视电磁永磁混合励磁铁谱传感器(公开号：CN 1673733A)，短沉积距离的图像型在线铁谱传感器(公开号：CN100365413C)。由于在实时获取磨粒图像上的优势，基于在线铁谱图像的分析技术推动传统的离线铁谱技术向在线状态监测和数字化、自动化铁谱图像分析的方向发展。
铁谱图像分析以磨粒的特征参数作为判别设备磨损状态和预测故障的依据，因此针对磨粒图像的识别成为技术的关键。南京航空航天大学的王静秋等在“铁谱图像分割及磨粒识别关键技术研究”中对于背景颜色均匀一致的铁谱图像，认为背景部分的颜色分量比值相对固定，基于颜色分量比对彩色铁谱图像的进行背景减除；对于背景较复杂的铁谱图像，提出在CIELAB颜色空间利用二维颜色分量进行背景与磨粒分割的K-means聚类。该方法建立在磨粒与背景颜色差异较大的前提下，且需要多组不同照明类型的铁谱图像。西安交通大学的温广瑞等在“基于差商的油液监测铁谱图像自适应分割”中利用三维灰度直方图，采用切片的方式获取插值点，插值得到Newton多项式，以此为基础，构造两类接受函数，在接受误差迭代下求得阈值。该方法对背景颜色单一及灰度直方图呈“单峰”的铁谱磨粒图像能准确提取单个目标磨粒，而在线铁谱透射光图像灰度直方图多为双峰，并且背景会出现暗边等情况。因此，上述研究分析的对象局限为离线铁谱图像，不能完全适用于在线铁谱图像。
针对在线铁谱图像的分割，邱辉鹏等人在“图像型在线铁谱仪磨粒图像信息提取技术研究”中采用Otsu最大类间方差法、迭代阈值分割等自动获取阈值，依然存在误分割的现象，提出了基于铁谱图像特征的背景差分算法，分割的磨粒区域结果虽然较为准确，但是该方法需要提前获取无磨粒的参考图像，受实时性和变工况的影响，不能达到理想的效果。此外，陶辉等在“在线铁谱图像分析中基于蚁群算法改进Otsu的设计与应用”中将边缘检测与阈值分割结合，基于蚁群算法改进Otsu方法求取最佳的阈值并进行二值化处理，但是全局的阈值化方法受图像局部奇异性质的影响较大，在噪声、光照不均匀等因素下，背景或目标内部的灰度发生变化，对整幅图像用统一的阈值来分割会产生较高的误判率。因此，在线铁谱图像磨粒与背景的自动分割急需一种快速、准确的方法。
发明内容
为了解决现有技术的瓶颈，本发明的目的在于提供一种面向在线铁谱图像磨粒识别的局部自适应阈值分割方法。将在线铁谱图像预处理之后，逐像素点对灰度图像处理，考虑该像素点领域内的信息，结合磨粒图像的特点，建立局部阈值的自适应模型，从而判断该像素点属于目标还是背景。
为实现上述目的，本发明采用如下技术方案：
一种面向在线铁谱图像磨粒识别的局部自适应阈值分割方法，包括以下步骤：
(1)将在线铁谱的透射光图像经过预处理转换为灰度图像和拉普拉斯图像。
(2)为了降低图像处理的时间复杂度，分别对灰度图像和拉普拉斯图像求积分图像。
(3)基于局部阈值分割的思想，建立阈值自适应模型，具体包括以下步骤：
步骤3.1：按照公式(6)即可求解任意点(i,j)的S×S领域内的积分值。
公式(6)：
Figure BDA0001571734560000031
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值；I(x,y)为积分图像中第x行y列的值。
步骤3.2：为适应背景不均匀的在线铁谱图像，根据灰度图像整体均值Gray_avg与任意点(i,j)的S×S领域内平均值Gray_mean(i,j)之间的关系：若Gray_avg<Gray_mean(i,j)，则该区域内背景点较多或者背景较亮，取初始值t0即可；若Gray_avg>Gray_mean(i,j)，则该区域内背景较暗或者目标磨粒较多，需要适当降低阈值，因此得到按公式(7)分段取值的t1。
公式(7)：
Figure BDA0001571734560000041
步骤3.3：根据拉普拉斯图像整体均值Lap_avg与任意点(i,j)的S×S领域内平均值Lap_mean(i,j)之间的关系，得到t2。
公式(8)：
Figure BDA0001571734560000042
式中，T为常数。
步骤3.4：综合步骤3.2和步骤3.3可得到公式(9)所示，以gray_mean(i,j)和Lap_mean(i,j)为变量，在任意点(i,j)比例因子t的自适应模型
公式(9)：
Figure BDA0001571734560000043
步骤3.5：根据灰度图像数据和t值按照公式(10)建立任意点(i,j)处阈值Threshold的自适应模型
公式(10)：
Figure BDA0001571734560000051
式中，f(m,n)表示灰度图像第m行n列的灰度值；
(4)逐像素点将灰度图像的各像素值与其对应阈值比较，判断为目标或背景，完成在线铁谱图像的分割。
所述步骤1具体包括如下步骤：
步骤1.1：根据YUV的颜色空间和RGB颜色空间的转换关系，对图像进行灰度化，用Y分量来表示灰度图像上像素点的灰度值，原始图像中任意点(i,j)的像素fij＝{Rij,Gij,Bij}，对图像按公式(1)灰度化处理后，每一个像素为
Figure BDA0001571734560000052
公式(1)：
Figure BDA0001571734560000053
式中，R、G、B分别表示彩色图像颜色三通道的值。
步骤1.2：对步骤1.1所得的灰度图像进行双边滤波，达到去除噪声的同时保留边界的目的；
步骤1.3：对步骤1.2所得的图像做拉普拉斯卷积处理，首先定义一个3×3的卷积核，以此卷积核作为滑动窗口，窗口中心(i,j)为当前要处理的像素，读取窗口中各对应像素值；其次，将卷积核窗口翻转180度，按公式(2)与各像素值计算，然后，按照公式(3)使用线性变换转换所得值到0～255，最后，将这个结果值dst赋给窗口中心位置的像素，按照从上到下、从左到右依次遍历图像各个像素点，进行灰度图像完整的卷积处理；
公式(2)：
Figure BDA0001571734560000061
公式(3)：
Figure BDA0001571734560000062
式中，scale为比例因子；shift为偏移量；abs为取绝对值处理。
所述步骤2具体如下：
定义某像素点(i,j)处的积分值I(i,j)为其左方和上方所有像素值的和，为减少计算量，按公式(4)在前一步积分结果基础上计算。
公式(4):I(i,j)＝f(i,j)+I(i-1,j)+I(i,j-1)-I(i-1,j-1)
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值。
有益效果
本发明具有快速、准确地分割在线铁谱图像的特点，具有以下有益效果：
(1)本发明适用于图像可视化在线铁谱传感器磨粒图像磨损颗粒特征参数的提取，基于局部自适应阈值分割方法，实现了在线铁谱图像中磨损颗粒与背景的分割。
(2)本发明适应于受复杂工况影响，在线铁谱图像光源照度不均匀、暗边角或者整体偏暗等情况。
(3)本发明准确分割出在线铁谱图像的磨粒，为后续的磨粒链分割及磨粒特征参数提取奠定了基础。
附图说明
图1为一种面向在线铁谱图像磨粒识别的局部自适应阈值分割方法的整体流程图。
图2为计算图像中任意区域内像素值和的示意图。
图3(a)、(b)、(c)为实例中待分割的在线铁谱图像。
图3(d)、(e)、(f)为图像分割的结果。
具体实施方式
下面结合附图，以图3(a)、(b)、(c)为例对本发明作进一步说明：
参照图1，一种面向在线铁谱图像磨粒识别的局部自适应阈值分割方法包括以下步骤：
步骤1，将在线铁谱的透射光图像经过预处理转换为灰度图像，灰度图像只能表示当前点的亮度值信息，单独以灰度值作为阈值分割的依据，容易产生误判。为结合磨粒分布信息，达到更准确的阈值分割，在灰度图像的基础上做拉普拉斯变换，得到拉普拉斯图像。
所述步骤1包括如下步骤：
步骤1.1：根据YUV的颜色空间和RGB颜色空间的转换关系，对图像进行灰度化，用Y分量来表示灰度图像上像素点的灰度值。原始图像中任意点(i,j)像素fij＝{Rij,Gij,Bij}，对图像按公式(1)灰度化处理后，每一个像素为
Figure BDA0001571734560000071
公式(1)：
Figure BDA0001571734560000072
式中，R、G、B分别表示彩色图像颜色三通道的值。
步骤1.2：对步骤1.1所得的灰度图像进行双边滤波，达到去除噪声的同时保留边界的目的。
步骤1.3：对步骤1.2所得的图像做拉普拉斯卷积处理。首先定义一个3×3的卷积核，以此卷积核作为滑动窗口，窗口中心(i,j)为当前要处理的像素，读取窗口中各对应像素值。其次，将卷积核窗口翻转180度，按公式(2)与各像素值计算。然后，按照公式(3)使用线性变换转换所得值到0～255。最后，将这个结果值dst赋给窗口中心位置的像素，按照从上到下、从左到右依次遍历图像各个像素点，进行灰度图像完整的卷积处理；
公式(2)：
Figure BDA0001571734560000081
公式(3)：
Figure BDA0001571734560000082
式中，scale为比例因子；shift为偏移量；abs为取绝对值处理。
步骤2.为保证在线铁谱图像分析的实时性，需要降低图像处理的时间复杂度，加快计算速度。因此，分别对灰度图像和拉普拉斯图像求积分图像。
定义某像素点(i,j)处的积分值I(i,j)为其左方和上方所有像素值的和，为减少计算量，按公式(4)在前一步积分结果基础上计算。
公式(4):I(i,j)＝f(i,j)+I(i-1,j)+I(i,j-1)-I(i-1,j-1)
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值。
步骤3.基于局部阈值分割的思想，建立阈值自适应模型。
所述步骤3包括以下步骤：
步骤3.1：如图2所示，为求解阴影区域D内的积分值，即该局部区域内所有像素值的和，可由公式(5)得到。同理，根据步骤2所得的积分图像，按照公式(6)即可求解任意点(i,j)的S×S领域内的积分值。
公式(5)：D＝(A+B+C+D)-(A+B)-(A+C)+A
公式(6)：
Figure BDA0001571734560000091
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值；I(x,y)为积分图像中第x行y列的值。
步骤3.2：为适应背景不均匀的在线铁谱图像，根据灰度图像整体均值Gray_avg与任意点(i,j)的S×S领域内平均值Gray_mean(i,j)之间的关系：若Gray_avg<Gray_mean(i,j)，则该区域内背景点较多或者背景较亮，取初始值t0即可；若Gray_avg>Gray_mean(i,j)，则该区域内背景较暗或者目标磨粒较多，需要适当降低阈值。因此得到按公式(7)分段取值的t1。
公式(7)：
Figure BDA0001571734560000092
步骤3.3：当区域内的平均值小于整幅灰度图像均值时，无法判断是背景较暗还是磨粒较多造成的，如果是该区域磨粒较多造成阈值选取过低，则会出现磨粒误判断为背景的情况。因此需要结合磨粒分布信息，即根据拉普拉斯图像整体均值Lap_avg与任意点(x,y)的S×S领域内平均值Lap_mean(x,y)之间的关系，得到t2。
公式(8)：
Figure BDA0001571734560000093
式中，T为常数。
步骤3.4：综合步骤3.2和步骤3.3可得到公式(9)所示，以gray_mean(i,j)和Lap_mean(i,j)为变量，在任意点(i,j)比例因子t的自适应模型
公式(9)：
Figure BDA0001571734560000101
步骤3.5：根据灰度图像数据和t值按照公式(10)建立任意点(i,j)处阈值Threshold的自适应模型
公式(10)：
Figure BDA0001571734560000102
式中，f(m,n)表示灰度图像第m行n列的灰度值。
步骤4.实例中磨粒图像像素尺寸为640x480，取S为宽度的1/8，即S＝80。取初始值t0＝35，逐像素将灰度图像的各像素值与其对应阈值比较，按公式(11)判断其为目标或背景，完成在线铁谱图像的分割，得到如图3(d)、(e)、(f)的分割结果。
公式(11)：
Figure BDA0001571734560000103

Claims (3)

1.面向在线铁谱图像磨粒识别的局部自适应阈值分割方法，其特征在于，包括以下步骤：
(1)将在线铁谱的透射光图像经过预处理转换为灰度图像和拉普拉斯图像；
(2)为了降低图像处理的时间复杂度，分别对灰度图像和拉普拉斯图像求积分图像；
(3)基于局部阈值分割的思想，建立阈值自适应模型，具体包括以下步骤：
步骤3.1：按照公式(6)即可求解任意点(i,j)的S×S邻域内的积分值；
公式(6)：
Figure FDA0002441588320000011
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值；I(x,y)为积分图像中第x行y列的值；
步骤3.2：为适应背景不均匀的在线铁谱图像，根据灰度图像整体均值Gray_avg与任意点(i,j)的S×S邻域内平均值Gray_mean(i,j)之间的关系：若Gray_avg≤Gray_mean(i,j)，则该区域内背景点较多或者背景较亮，取初始值t0即可；若Gray_avg>Gray_mean(i,j)，则该区域内背景较暗或者目标磨粒较多，需要适当降低阈值，因此得到按公式(7)分段取值的t1(i,j)；
公式(7)：
Figure FDA0002441588320000021
步骤3.3：根据拉普拉斯图像整体均值Lap_avg与任意点(i,j)的S×S邻域内平均值Lap_mean(i,j)之间的关系，得到t2(i,j)；
公式(8)：
Figure FDA0002441588320000022
式中，T为常数；
步骤3.4：综合步骤3.2和步骤3.3可得到公式(9)所示，以gray_mean(i,j)和Lap_mean(i,j)为变量，在任意点(i,j)比例因子t的自适应模型
公式(9)：
Figure FDA0002441588320000023
步骤3.5：根据灰度图像数据和t值按照公式(10)建立任意点(i,j)处阈值Threshold的自适应模型
公式(10)：
Figure FDA0002441588320000024
式中，f(m,n)表示灰度图像第m行n列的灰度值；
(4)逐像素点将灰度图像的各像素值与其对应阈值比较，判断为目标或背景，完成在线铁谱图像的分割。
2.根据权利要求1所述的面向在线铁谱图像磨粒识别的局部自适应阈值分割方法，其特征在于，所述步骤(1)具体包括如下步骤：
步骤1.1：根据YUV的颜色空间和RGB颜色空间的转换关系，对图像进行灰度化，用Y分量来表示灰度图像上像素点的灰度值，原始图像中任意点(i,j)的像素fij＝{Rij,Gij,Bij}，对图像按公式(1)灰度化处理后，每一个像素为
Figure FDA0002441588320000031
公式(1)：
Figure FDA0002441588320000032
式中，R、G、B分别表示彩色图像颜色三通道的值；
步骤1.2：对步骤1.1所得的灰度图像进行双边滤波，达到去除噪声的同时保留边界的目的；
步骤1.3：对步骤1.2所得的图像做拉普拉斯卷积处理，首先定义一个3×3的卷积核，以此卷积核作为滑动窗口，窗口中心(i,j)为当前要处理的像素，读取窗口中各对应像素值；其次，将卷积核窗口翻转180度，按公式(2)与各像素值计算，然后，按照公式(3)使用线性变换转换所得值到0～255，最后，将这个结果值dst赋给窗口中心位置的像素，按照从上到下、从左到右依次遍历图像各个像素点，进行灰度图像完整的卷积处理；
公式(2)：
Figure FDA0002441588320000033
公式(3)：
Figure FDA0002441588320000034
式中，scale为比例因子；shift为偏移量；abs为取绝对值处理。
3.根据权利要求1所述的面向在线铁谱图像磨粒识别的局部自适应阈值分割方法，其特征在于，所述步骤(2)具体如下：
定义某像素点(i,j)处的积分值I(i,j)为其左方和上方所有像素值的和，为减少计算量，按公式(4)在前一步积分结果基础上计算；
公式(4):I(i,j)＝f(i,j)+I(i-1,j)+I(i,j-1)-I(i-1,j-1)
式中，i为图像的第i行；j为图像的第j列；f(i,j)为第i行j列像素点的灰度值。
CN201810119775.9A 2018-02-06 2018-02-06 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 Active CN108389216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810119775.9A CN108389216B (zh) 2018-02-06 2018-02-06 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810119775.9A CN108389216B (zh) 2018-02-06 2018-02-06 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法

Publications (2)

Publication Number Publication Date
CN108389216A CN108389216A (zh) 2018-08-10
CN108389216B true CN108389216B (zh) 2020-06-26

Family

ID=63075321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810119775.9A Active CN108389216B (zh) 2018-02-06 2018-02-06 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法

Country Status (1)

Country Link
CN (1) CN108389216B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110473213B (zh) * 2019-08-16 2021-08-10 重庆邮电大学 一种基于先验点阵的铁谱图像分割方法、装置及系统
CN111060540A (zh) * 2019-12-18 2020-04-24 汇鸿智能科技(辽宁)有限公司 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法
CN111723818A (zh) * 2020-06-22 2020-09-29 浙江大华技术股份有限公司 图像预处理方法和装置
CN112017109B (zh) * 2020-08-24 2023-03-21 内蒙古农业大学 一种在线铁谱视频图像气泡的消除方法
CN112288000A (zh) * 2020-10-27 2021-01-29 西安科技大学 一种基于支持向量机的铁谱图像智能识别方法
CN114359023B (zh) * 2022-01-10 2022-11-18 成都智元汇信息技术股份有限公司 基于复杂度将图片分流调度到中心的方法、设备及系统
CN117011243A (zh) * 2023-07-11 2023-11-07 广东龙泉科技有限公司 矶花图像对比分析方法
CN117723739A (zh) * 2023-12-13 2024-03-19 广东哈弗石油能源股份有限公司 一种低碳润滑油的质量分析方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003009579A2 (en) * 2001-07-17 2003-01-30 Amnis Corporation Computational methods for the segmentation of images of objects from background in a flow imaging instrument
CN101719273A (zh) * 2009-10-21 2010-06-02 苏州有色金属研究院有限公司 基于一维信息熵冶金板带表面缺陷在线自适应提取方法
WO2012061669A3 (en) * 2010-11-05 2012-07-12 Cytognomix,Inc. Centromere detector and method for determining radiation exposure from chromosome abnormalities
CN103439229A (zh) * 2013-08-06 2013-12-11 西安交通大学 一种基于数字视频的快速铁谱分析方法
CN103886579A (zh) * 2013-12-11 2014-06-25 西安交通大学 面向在线铁谱图像自动识别的磨粒链自适应分割方法
CN105631481A (zh) * 2016-01-07 2016-06-01 西安交通大学 基于遗传编程的铁谱磨粒复合特征构造方法
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
CN107168049A (zh) * 2017-05-19 2017-09-15 浙江工业大学 光伏阵列输出特性曲线实时获取方法
CN107657604A (zh) * 2017-09-06 2018-02-02 西安交通大学 一种基于近场非标准光源的磨痕三维形貌原位获取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003009579A2 (en) * 2001-07-17 2003-01-30 Amnis Corporation Computational methods for the segmentation of images of objects from background in a flow imaging instrument
CN101719273A (zh) * 2009-10-21 2010-06-02 苏州有色金属研究院有限公司 基于一维信息熵冶金板带表面缺陷在线自适应提取方法
WO2012061669A3 (en) * 2010-11-05 2012-07-12 Cytognomix,Inc. Centromere detector and method for determining radiation exposure from chromosome abnormalities
CN103439229A (zh) * 2013-08-06 2013-12-11 西安交通大学 一种基于数字视频的快速铁谱分析方法
CN103886579A (zh) * 2013-12-11 2014-06-25 西安交通大学 面向在线铁谱图像自动识别的磨粒链自适应分割方法
CN105631481A (zh) * 2016-01-07 2016-06-01 西安交通大学 基于遗传编程的铁谱磨粒复合特征构造方法
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
CN107168049A (zh) * 2017-05-19 2017-09-15 浙江工业大学 光伏阵列输出特性曲线实时获取方法
CN107657604A (zh) * 2017-09-06 2018-02-02 西安交通大学 一种基于近场非标准光源的磨痕三维形貌原位获取方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
"A New Method for Motion Target Detection by Background Subtraction and Update";JIN-BIN YANG等;《Physics Procedia》;20121231;第1768-1775页 *
"A non-reference evaluation method for edge detection of wear particles in ferrograph images";Jingqiu Wang等;《Mechanical Systems and Signal Processing》;20170818;第863–876页 *
"Image enhancement using the averaging histogram equalization(AVHEQ) approach for contrast improvement and brightness preservation";S.C.F.Lin等;《Computers and Electrical Engineering》;20150707;第356-370页 *
"Local Energy Pattern for Texture Classification Using Self-Adaptive Quantization Thresholds";Jun Zhang等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20130131;第22卷(第1期);第31-42页 *
"New Fuzzy Object Segmentation Algorithm for Video Sequences";KUO-LIANG CHUNG等;《JOURNAL OF INFORMATION SCIENCE AND ENGINEERING》;20081231;第521-537页 *
"图像可视在线铁谱传感器图像数字化处理技术";武通海等;《机械工程学报》;20080930;第44卷(第9期);第83-87页 *
"基于改进灰色聚类的铁谱图像分割";姚盼盼;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;第2015年卷(第1期);I138-1507 *
"蚁群算法在铁谱图像处理中的应用研究";张龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615;第2014年卷(第6期);I138-671 *
"铁谱图像分割与磨粒特征提取技术研究";李洪雷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215;第2012年卷(第2期);I138-2061 *
"铁谱图像分割及磨粒识别关键技术研究";王静秋;《中国博士学位论文全文数据库 信息科技辑》;20160115;第2016年卷(第1期);I138-138 *

Also Published As

Publication number Publication date
CN108389216A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108389216B (zh) 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
CN108629343B (zh) 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
CN111415363A (zh) 一种图像边缘识别方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN110288618B (zh) 一种光照不均图像的多目标分割方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN109543686B (zh) 基于自适应多阈值的字符识别预处理二值化方法
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN114037691A (zh) 一种基于图像处理的碳纤维板裂纹检测方法
CN117036341A (zh) 一种基于图像处理的路面裂缝检测方法
Liu et al. Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN110728286B (zh) 一种基于火花图像的砂带磨削材料去除率识别方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN110348442B (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN113129265B (zh) 瓷砖表面缺陷检测方法、装置及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221207

Address after: 710061 Fengxi New Town, Xixian New District, Xi'an, Shaanxi

Patentee after: Shaanxi Zhipu Weichuang Information Technology Co.,Ltd.

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Patentee before: XI'AN JIAOTONG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231206

Address after: 214437, 4th Floor 1-26, No. 37 Panlongshan Road, Jiangyin City, Wuxi City, Jiangsu Province

Patentee after: Wuxi Zhipu Weichuang Information Technology Co.,Ltd.

Address before: 710061 Fengxi New Town, Xixian New District, Xi'an, Shaanxi

Patentee before: Shaanxi Zhipu Weichuang Information Technology Co.,Ltd.