CN109146860A - 全自动机械设备安装泄露检测方法及装置 - Google Patents
全自动机械设备安装泄露检测方法及装置 Download PDFInfo
- Publication number
- CN109146860A CN109146860A CN201810878084.7A CN201810878084A CN109146860A CN 109146860 A CN109146860 A CN 109146860A CN 201810878084 A CN201810878084 A CN 201810878084A CN 109146860 A CN109146860 A CN 109146860A
- Authority
- CN
- China
- Prior art keywords
- image
- mechanical equipment
- full
- follows
- automatic mechanical
- 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 59
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003628 erosive effect Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000010339 dilation Effects 0.000 claims abstract description 6
- 230000008030 elimination Effects 0.000 claims abstract 2
- 238000003379 elimination reaction Methods 0.000 claims abstract 2
- 238000005260 corrosion Methods 0.000 claims description 29
- 230000007797 corrosion Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005530 etching Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全自动机械设备安装泄露检测方法及装置,其中,方法包括:获取目标视频;逐帧提取目标视频序列中的图像,并将图像转换为灰度图像;将灰度图像进行高斯模糊;将模糊后的图像,进行前后帧的帧差运算得到差值图像;将差值图像进行阈值化得到二值图像;将二值图像进行形态学腐蚀处理消除噪点得到相应图像;将获取到的图像进行形态学膨胀处理,获取新的二值图像;提取新的二值图像中所有白色区域的轮廓;分别判断提取的轮廓面积是否大于预设最小值。该方法可以准确地实时定位监控视频中动态气泡变化的位置,而且能避免摄像头的轻微异常晃动对检测的干扰以及消除部分噪声,从而很好的辅助判断机械设备漏气位置,具有较高的准确度。
Description
技术领域
本发明涉及图像处理和计算机视觉技术领域,特别涉及一种全自动机械设备安装泄露检测方法及装置。
背景技术
随着视频监控相关技术的不断发展,高清监控设备的普及以及监控成本的降低,在工厂的日常生产与维护中大量的使用视频监控技术,由于工厂中在检测一些机械设备缝隙是否存在漏气现象时,常使用肥皂水涂抹表面,通过观察气泡变化情况,判断是否存在漏气现象,因此可以利用图像处理技术从视频中标记气泡变化的情况和位置,从而确定设备的漏气区域,并予以报警,利用这种方法检测安装设备是否泄露,可以有效降低人工成本,免除工作人员的疲劳操作。
利用图像帧差法可以得到视频中相邻两帧图像的差值图像,传统的视频检测的方法通常使用将差值图像阈值化转换成二值图像的方式,将检测目标从背景分离,进而实现视频中的目标检测,但是在气泡检测过程中,气泡作为待检测目标变化微弱,且面积很小,因此将差值图像转换成二值图像时阈值的选择十分重要,阈值过大则无法检测出气泡,阈值过小则检测过程中会将噪声点标记出来,且受光照、摄像头轻微晃动等自然因素的影响十分明显。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种全自动机械设备安装泄露检测方法,该方法提出一种能够动态调整阈值,消除大部分噪声影响,适应性较好,并且能相对准确地检测视频中变化较小的动态气泡的方法。
本发明的另一个目的在于提出一种全自动机械设备安装泄露检测装置。
为达到上述目的,本发明一方面实施例提出了一种全自动机械设备安装泄露检测方法,包括以下步骤:获取目标视频;根据所述目标视频逐帧提取视频序列中的图像,并将所述图像转换为灰度图像;将所述灰度图像进行高斯模糊,以得到模糊后的图像;将所述模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像;将所述差值图像进行阈值化,以得到二值图像;将所述二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像;将所述腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像;提取所述膨胀后的二值图像中所有白色区域的轮廓;以及分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于所述预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。
本发明实施例的全自动机械设备安装泄露检测方法,通过帧差法提取视频中主要变化区域,通过设置动态阈值的方法,较好的区分视频图像中的动态气泡和噪声点,再通过腐蚀操作消除细小噪声影响,以及膨胀处理填充图像中的小孔,连接相邻较近的区域以凸显有动态变化的位置,最后提取所有白色区域的轮廓,判断轮廓面积如果大于设定的最小值,则可以确定动态气泡的位置,最终达到检测视频中动态气泡的目的。本发明基于真实场景数据确定判断阈值,检测更加可靠,具有较好的实时性和准确性,同时本方法也适用于其他视频中的物体动态检测。
另外,根据本发明上述实施例的全自动机械设备安装泄露检测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述将所述灰度图像进行高斯模糊,以得到模糊后的图像,进一步包括:对所述灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
进一步地,在本发明的一个实施例中,帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
进一步地,在本发明的一个实施例中,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
进一步地,在本发明的一个实施例中,阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
进一步地,在本发明的一个实施例中,利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
进一步地,在本发明的一个实施例中,利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
为达到上述目的,本发明另一方面实施例提出了一种全自动机械设备安装泄露检测装置,包括:获取模块,用于获取目标视频;转换模块,用于根据所述目标视频逐帧提取视频序列中的图像,并将所述图像转换为灰度图像;模糊模块,用于将所述灰度图像进行高斯模糊,以得到模糊后的图像;计算模块,用于将所述模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像;分割模块,用于将所述差值图像进行阈值化,以得到二值图像;消除模块,用于将所述二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像;膨胀模块,用于将所述腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像;提取模块,用于提取所述膨胀后的二值图像中所有白色区域的轮廓;以及判断模块,用于分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于所述预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。
本发明实施例的全自动机械设备安装泄露检测装置,通过帧差法提取视频中主要变化区域,通过设置动态阈值的方法,较好的区分视频图像中的动态气泡和噪声点,再通过腐蚀操作消除细小噪声影响,以及膨胀处理填充图像中的小孔,连接相邻较近的区域以凸显有动态变化的位置,最后提取所有白色区域的轮廓,判断轮廓面积如果大于设定的最小值,则可以确定动态气泡的位置,最终达到检测视频中动态气泡的目的。本发明基于真实场景数据确定判断阈值,检测更加可靠,具有较好的实时性和准确性,同时本方法也适用于其他视频中的物体动态检测。
另外,根据本发明上述实施例的全自动机械设备安装泄露检测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
进一步地,在本发明的一个实施例中,所述将所述灰度图像进行高斯模糊,以得到模糊后的图像,进一步包括:
对所述灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的全自动机械设备安装泄露检测方法的流程示意图;
图2为根据本发明一个实施例的在固定阈值T=1时的二值图像;
图3为根据本发明一个实施例的在动态阈值T=2.68时的二值图像;
图4为根据本发明一个实施例的在固定阈值T=1时的标记结果图;
图5为根据本发明一个实施例的在动态阈值T=2.68时的标记结果图;
图6为根据本发明一个实施例的全自动机械设备安装泄露检测方法的流程图;
图7为根据本发明一个实施例的经过形态学处理后的二值图像;
图8为根据本发明一个实施例的标记动态气泡位置的效果图;
图9为根据本发明一个实施例的全自动机械设备安装泄露检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的全自动机械设备安装泄露检测方法及装置进行描述,首先将参照附图描述根据本发明实施例提出的全自动机械设备安装泄露检测方法。
图1是本发明一个实施例的全自动机械设备安装泄露检测方法的流程示意图。
如图1所示,该全自动机械设备安装泄露检测方法包括以下步骤:
在步骤S101中,获取目标视频。
在步骤S102中,根据目标视频逐帧提取视频序列中的图像,并将图像转换为灰度图像。
在步骤S103中,将灰度图像进行高斯模糊,以得到模糊后的图像。
进一步地,在本发明的一个实施例中,将灰度图像进行高斯模糊,以得到模糊后的图像,还可以包括:
对灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
在步骤S104中,将模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像。
进一步地,在本发明的一个实施例中,帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
在步骤S105中,将差值图像进行阈值化,以得到二值图像。
进一步地,在本发明的一个实施例中,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
进一步地,在本发明的一个实施例中,阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
举例而言,在上述步骤S104得到的差值图像进行阈值化,其中图2和图3分别为固定阈值T=1和动态阈值T=2.68时的实验结果。
在步骤S106中,将二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像。
进一步地,在本发明的一个实施例中,利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
在步骤S107中,将腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像。
进一步地,在本发明的一个实施例中,利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
在步骤S108中,提取膨胀后的二值图像中所有白色区域的轮廓。
在步骤S109中,分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。
具体而言,分别判断所有提取的轮廓面积是否大于设定的最小值,如果大于设定的最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记出来,当固定阈值T=1时对应的二值图像标记的结果如图4所示,当固定阈值T=2.68时对应的二值图像标记的结果如图5所示。
如图6所示,下面对本发明实施的全自动机械设备安装泄露检测方法进行具体流程详细赘述。
首先获取目标视频,逐帧提取视频序列中的图像,并将图像转换为灰度图像记为gray,并将得到的灰度图像gray进行高斯模糊,高斯模糊就是对整幅图像进行加权平均的过程,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。本发明中模糊半径σ=10。
将进行高斯模糊后的图像,每次以前一帧图像为背景,以后一帧图像作为前景,做前后帧的帧差运算,得到差值图像frameDelta;
将得到的差值图像frameDelta进行阈值化,得到二值图像thresh,其中阈值化过程中阈值的设置是动态变换的,具体原理如下:
图像阈值化的公式为
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,取值范围根据经验值一般为10-30之间,在本发明中α=20。
将得到的二值图像进行形态学腐蚀去噪和膨胀处理,图7为处理后的结果。
腐蚀原理具体如下:
腐蚀定义为:
表示图像A被结构元素B腐蚀,其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理。
膨胀原理具体如下:
膨胀定义为:
表示结构元素B对图像A的膨胀,其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理。
提取膨胀后的二值图像中所有白色区域的轮廓,分别判断所有提取的轮廓面积是否大于设定的最小值,如果大于设定的最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记出来,图8为标记显示结果。
综上所述,本发明实施例就是利用帧差法得到差值图像,消除固定背景的影响,然后通过基于贝叶斯原理的动态阈值调整的方法设置阈值,使得在将当前视频得到的差值图像阈值化的过程中,根据噪声和目标像素的情况动态调整阈值,以减少噪声的干扰,再通过腐蚀操作消除细小噪声影响,通过膨胀处理填充图像中的小孔,连接相邻较近的区域,以凸显有动态变化的位置。最后通过提取所有白色区域的轮廓,判断轮廓面积,如果大于设定的最小值,则可以确定动态气泡的位置,从而有效检测出视频中的微小变化的气泡并标记,消除大部分噪声干扰的影响,有较好的适应性。
根据本发明实施例提出的全自动机械设备安装泄露检测方法,通过帧差法提取视频中主要变化区域,通过设置动态阈值的方法,较好的区分视频图像中的动态气泡和噪声点,再通过腐蚀操作消除细小噪声影响,以及膨胀处理填充图像中的小孔,连接相邻较近的区域以凸显有动态变化的位置,最后提取所有白色区域的轮廓,判断轮廓面积如果大于设定的最小值,则可以确定动态气泡的位置,最终达到检测视频中动态气泡的目的,在真实场景数据确定判断阈值,检测更加可靠,具有较好的实时性和准确性,同时本方法也适用于其他视频中的物体动态检测。
其次参照附图描述根据本发明实施例提出的全自动机械设备安装泄露检测装置结构示意图。
图9是本发明一个实施例的全自动机械设备安装泄露检测装置的结构示意图。
如图9所示,该包括:获取模块100、转换模块200、模糊模块300、计算模块400、分割模块500、消除模块600、膨胀模块700、提取模块800和判断模块900。
其中,获取模块100用于获取目标视频。转换模块200用于根据目标视频逐帧提取视频序列中的图像,并将图像转换为灰度图像。模糊模块300用于将灰度图像进行高斯模糊,以得到模糊后的图像。计算模块400用于将模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像。分割模块500用于将差值图像进行阈值化,以得到二值图像。消除模块600用于将二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像。膨胀模块700用于将腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像。提取模块800用于提取膨胀后的二值图像中所有白色区域的轮廓。判断模块900用于分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。本发明实施例的装置10能有效检测出视频中的微小变化的气泡并标记,消除大部分噪声干扰的影响,有较好的适应性。
另外,根据本发明上述实施例的全自动机械设备安装泄露检测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
进一步地,在本发明的一个实施例中,将灰度图像进行高斯模糊,以得到模糊后的图像,还可以包括:
对灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
需要说明的是,前述对全自动机械设备安装泄露检测方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的全自动机械设备安装泄露检测装置,通过帧差法提取视频中主要变化区域,通过设置动态阈值的方法,较好的区分视频图像中的动态气泡和噪声点,再通过腐蚀操作消除细小噪声影响,以及膨胀处理填充图像中的小孔,连接相邻较近的区域以凸显有动态变化的位置,最后提取所有白色区域的轮廓,判断轮廓面积如果大于设定的最小值,则可以确定动态气泡的位置,最终达到检测视频中动态气泡的目的,在真实场景数据确定判断阈值,检测更加可靠,具有较好的实时性和准确性,同时本装置也适用于其他视频中的物体动态检测。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种全自动机械设备安装泄露检测方法,其特征在于,包括以下步骤:
获取目标视频;
根据所述目标视频逐帧提取视频序列中的图像,并将所述图像转换为灰度图像;
将所述灰度图像进行高斯模糊,以得到模糊后的图像;
将所述模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像;
将所述差值图像进行阈值化,以得到二值图像;
将所述二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像;
将所述腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像;
提取所述膨胀后的二值图像中所有白色区域的轮廓;以及
分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于所述预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。
2.根据权利要求1所述的全自动机械设备安装泄露检测方法,其特征在于,所述将所述灰度图像进行高斯模糊,以得到模糊后的图像,进一步包括:
对所述灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
3.根据权利要求1所述的全自动机械设备安装泄露检测方法,其特征在于,帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
4.根据权利要求1所述的全自动机械设备安装泄露检测方法,其特征在于,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
5.根据权利要求4所述的全自动机械设备安装泄露检测方法,其特征在于,阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
6.根据权利要求1所述的全自动机械设备安装泄露检测方法,其特征在于,利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
7.根据权利要求1所述的全自动机械设备安装泄露检测方法,其特征在于,利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
8.一种全自动机械设备安装泄露检测装置,其特征在于,包括:
获取模块,用于获取目标视频;
转换模块,用于根据所述目标视频逐帧提取视频序列中的图像,并将所述图像转换为灰度图像;
模糊模块,用于将所述灰度图像进行高斯模糊,以得到模糊后的图像;
计算模块,用于将所述模糊后的图像,每次用前一帧图像为背景,后一帧图像作为前景,进行前后帧的帧差运算,以得到差值图像;
分割模块,用于将所述差值图像进行阈值化,以得到二值图像;
消除模块,用于将所述二值图像进行形态学腐蚀处理消除噪点,以得到腐蚀处理后的图像;
膨胀模块,用于将所述腐蚀处理后的图像进行形态学膨胀处理,以凸显动态位置,并获取膨胀后的二值图像;
提取模块,用于提取所述膨胀后的二值图像中所有白色区域的轮廓;以及
判断模块,用于分别判断所有提取的轮廓面积是否大于预设最小值,其中,如果大于所述预设最小值,则在当前二值图像对应的前景图像上,在轮廓所在的位置用黑色方框标记。
9.根据权利要求8所述的全自动机械设备安装泄露检测装置,其特征在于,其中,阈值化公式为:
其中,E(i,j)为目标的二值图,D(i,j)为差值图像,T为阈值。
10.根据权利要求8所述的全自动机械设备安装泄露检测装置,其特征在于,所述将所述灰度图像进行高斯模糊,以得到模糊后的图像,进一步包括:
对所述灰度图像进行加权平均,其中,图像中的每一个像素点的值都由其本身和邻域内的其他像素值经过正态分布类型的权重加权平均后得到,公式为:
其中,σ是模糊半径,x,y是图像中周边像素对于中心像素的相对坐标。
帧差运算公式为:
D(i,j)=F(i,j)-B(i,j),
其中,F(i,j)为前景图像,B(i,j)为背景图像。
阈值的设置采用基于贝叶斯理论的动态阈值检测算法,公式为:
其中,E(i,j)为目标的二值图,β为动态阈值,m1为目标信号的平均值,m2为噪声信号的平均值,α为补偿系数,α取值范围根据经验值一般为10-30之间。
利用腐蚀操作消除噪点,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行腐蚀处理,表示图像A被结构元素B腐蚀。
利用膨胀操作以凸显动态位置,定义如下:
其中,A,B为两个集合,结构元素B采用3×3的内核进行膨胀处理,表示结构元素B对图像A的膨胀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878084.7A CN109146860B (zh) | 2018-08-03 | 2018-08-03 | 全自动机械设备安装泄露检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878084.7A CN109146860B (zh) | 2018-08-03 | 2018-08-03 | 全自动机械设备安装泄露检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146860A true CN109146860A (zh) | 2019-01-04 |
CN109146860B CN109146860B (zh) | 2021-04-27 |
Family
ID=64791696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810878084.7A Active CN109146860B (zh) | 2018-08-03 | 2018-08-03 | 全自动机械设备安装泄露检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146860B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951323A (zh) * | 2020-07-21 | 2020-11-17 | 汕头大学 | 一种可用于网格排序并计算裂纹数量及其对应面积的方法 |
CN112351247A (zh) * | 2020-10-16 | 2021-02-09 | 国电大渡河枕头坝发电有限公司 | 一种基于图像处理的水电厂内电光闪光检测方法 |
CN114387248A (zh) * | 2022-01-12 | 2022-04-22 | 苏州天准科技股份有限公司 | 一种硅料熔化度监测方法、存储介质、终端和拉晶设备 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114699702A (zh) * | 2022-04-15 | 2022-07-05 | 长沙海信智能系统研究院有限公司 | 消防设备检测方法及相关装置 |
CN115019030A (zh) * | 2022-03-05 | 2022-09-06 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种钻井线流异常视觉检测与识别方法 |
CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
CN116468726A (zh) * | 2023-06-13 | 2023-07-21 | 厦门福信光电集成有限公司 | 一种在线异物线路检测方法及系统 |
CN117152064A (zh) * | 2023-08-11 | 2023-12-01 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
US20240005771A1 (en) * | 2023-08-10 | 2024-01-04 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for gas leakage safety warning based on internet of things (iot) of smart gas |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872546A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 一种基于视频的过境车辆快速检测方法 |
US20140177946A1 (en) * | 2012-12-21 | 2014-06-26 | Electronics and Telecommunicatidons Research Institute | Human detection apparatus and method |
CN106600625A (zh) * | 2016-12-13 | 2017-04-26 | 广东沅朋网络科技有限公司 | 检测小型生物的图像处理方法及装置 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN107564041A (zh) * | 2017-08-31 | 2018-01-09 | 成都空御科技有限公司 | 一种可见光图像空中运动目标的检测方法 |
CN107993254A (zh) * | 2017-12-14 | 2018-05-04 | 广西科技大学 | 基于关联帧差分法的运动目标检测方法 |
-
2018
- 2018-08-03 CN CN201810878084.7A patent/CN109146860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872546A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 一种基于视频的过境车辆快速检测方法 |
US20140177946A1 (en) * | 2012-12-21 | 2014-06-26 | Electronics and Telecommunicatidons Research Institute | Human detection apparatus and method |
CN106600625A (zh) * | 2016-12-13 | 2017-04-26 | 广东沅朋网络科技有限公司 | 检测小型生物的图像处理方法及装置 |
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN107564041A (zh) * | 2017-08-31 | 2018-01-09 | 成都空御科技有限公司 | 一种可见光图像空中运动目标的检测方法 |
CN107993254A (zh) * | 2017-12-14 | 2018-05-04 | 广西科技大学 | 基于关联帧差分法的运动目标检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951323A (zh) * | 2020-07-21 | 2020-11-17 | 汕头大学 | 一种可用于网格排序并计算裂纹数量及其对应面积的方法 |
CN111951323B (zh) * | 2020-07-21 | 2023-07-18 | 汕头大学 | 一种可用于网格排序并计算裂纹数量及其对应面积的方法 |
CN112351247A (zh) * | 2020-10-16 | 2021-02-09 | 国电大渡河枕头坝发电有限公司 | 一种基于图像处理的水电厂内电光闪光检测方法 |
CN114387248A (zh) * | 2022-01-12 | 2022-04-22 | 苏州天准科技股份有限公司 | 一种硅料熔化度监测方法、存储介质、终端和拉晶设备 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN115019030B (zh) * | 2022-03-05 | 2024-04-09 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种钻井线流异常视觉检测与识别方法 |
CN115019030A (zh) * | 2022-03-05 | 2022-09-06 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种钻井线流异常视觉检测与识别方法 |
CN114699702A (zh) * | 2022-04-15 | 2022-07-05 | 长沙海信智能系统研究院有限公司 | 消防设备检测方法及相关装置 |
CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
CN116147842B (zh) * | 2022-11-14 | 2024-04-26 | 广州科易光电技术有限公司 | 气体泄漏检测方法及装置、设备、存储介质 |
CN116468726B (zh) * | 2023-06-13 | 2023-10-03 | 厦门福信光电集成有限公司 | 一种在线异物线路检测方法及系统 |
CN116468726A (zh) * | 2023-06-13 | 2023-07-21 | 厦门福信光电集成有限公司 | 一种在线异物线路检测方法及系统 |
US20240005771A1 (en) * | 2023-08-10 | 2024-01-04 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for gas leakage safety warning based on internet of things (iot) of smart gas |
CN117152064A (zh) * | 2023-08-11 | 2023-12-01 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
CN117152064B (zh) * | 2023-08-11 | 2024-04-30 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109146860B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146860A (zh) | 全自动机械设备安装泄露检测方法及装置 | |
CN109583425B (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
JP4533836B2 (ja) | 変動領域検出装置及びその方法 | |
WO2007127085A1 (en) | Generating a bitonal image from a scanned colour image | |
CN109214380A (zh) | 车牌倾斜校正方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN106651880B (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
EP2858037B1 (en) | Moving object detector | |
Osorio et al. | An algorithm for the measurement of shoreline and intertidal beach profiles using video imagery: PSDM | |
JP6776070B2 (ja) | 水面境界検出装置、水面境界検出方法及びコンピュータプログラム | |
CN115311275B (zh) | 一种电子元器件表面缺陷检测方法及系统 | |
KR20120018267A (ko) | 화상 처리 장치 및 방법, 및 프로그램 | |
JP3583659B2 (ja) | 液面検出方式 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN109064479A (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
KR20050090840A (ko) | 지문 인식 방법 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
US7639860B2 (en) | Substrate inspection device | |
US20160283805A1 (en) | Method and device for classifying an object in an image | |
CN109447946A (zh) | 一种架空通信光缆异常检测方法 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
Nguyen et al. | Improved watershed segmentation using water diffusion and local shape priors | |
CN108416354A (zh) | 基于直升机巡检输电线路的杆塔编号提取方法 | |
CN114838297A (zh) | 一种原油管道泄露检测方法、装置、存储介质及系统 |
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 |