CN109191494A - 润滑油磨粒在线监测方法、终端及存储介质 - Google Patents
润滑油磨粒在线监测方法、终端及存储介质 Download PDFInfo
- Publication number
- CN109191494A CN109191494A CN201810771554.XA CN201810771554A CN109191494A CN 109191494 A CN109191494 A CN 109191494A CN 201810771554 A CN201810771554 A CN 201810771554A CN 109191494 A CN109191494 A CN 109191494A
- Authority
- CN
- China
- Prior art keywords
- abrasive grain
- image
- lubricating oil
- video
- line monitoring
- 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
- 239000006061 abrasive grain Substances 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000006870 function Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 5
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000000105 evaporative light scattering detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001424438 Surendra Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种润滑油磨粒在线监测方法,该方法包括:提取运动磨粒视频中的磨粒图像帧序列;获取磨粒视频中的背景图像;通过背景图像记录原磨粒视频帧,以建立背景模型;计算图像序列与所述背景模型的差分图像,分离出前景图;对所述前景图进行数字化图像处理,得到处理后的前景图;对处理后的前景图中符合预设条件的磨粒进行跟踪监测。此外,本发明还公开了一种终端及存储介质。本发明采用混合高斯背景模型的方法能够自适应的对运动背景图像进行更新,并采用背景差分方法,实现对在线视频中运动磨粒的目标检测。
Description
技术领域
本发明涉及机械系统磨损状态在线监测技术领域,尤其涉及一种润滑油磨粒在线监测方法、终端及存储介质。
背景技术
油液磨粒检测是一种有效的磨损工况检测方法,通过对机械系统的润滑油分析,从而获得机器设备的润滑状况和磨粒状态信息,定性和定量的描绘装置的磨损状态,找出形成原因,评估设备的工况并预测出其故障,定位故障所在、原因和类型,保证设备运行的安全性和高效性。
传统的铁谱技术是分析人员通过显微镜观察铁谱片得到有关磨粒的尺寸、成分、类型等信息,确定机器的工作状态,该方法过分依赖个人的主观判断,不同的人分析同一张谱片可能会得到不同的结果,具有极大的不稳定性并且效率低。为了消除传统分析的局限性,近年来,一种能够实现对磨粒直接观测的技术——铁谱图像技术,得以迅速发展。现有的铁谱图像技术通常采用了基于Surendra算法对背景进行更新,从而实现对磨粒的运动检测,但是,此背景更新算法对于大而快的运动磨粒检测效果较差。
发明内容
本发明的主要目的在于提出一种润滑油磨粒在线监测方法、终端及存储介质,能够在不同工况下自适应更新磨粒的运动背景,实现对数字视频中符合要求的磨粒进行跟踪和标记。
为实现上述目的,本发明提供的一种润滑油磨粒在线监测方法,所述方法包括步骤:
提取运动磨粒视频中的磨粒图像帧序列;
根据所述磨粒图像帧序列,获取磨粒视频中的背景图像;
通过所述背景图像记录原磨粒视频帧,以建立背景模型;
计算图像序列与所述背景模型的差分图像,分离出前景图;
对所述前景图进行数字化图像处理,得到处理后的前景图;
对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测。
可选的,所述获取磨粒视频中的背景图像,包括:
记录每个像素点在一段时间内的灰度值变化,并将所述灰度值变化组成一组观测值序列;
设置K个状态,每个状态对应一个高斯函数,通过K个高斯函数,描述预设时间内所述像素点的像素值变化,其中,K为正整数;
计算预设长度的视频序列中的所述每个像素点的灰度均值和方差,得到初始化的高斯分布模型;
计算每个高斯分布权值和方差的比值,并对所述比值按照预设顺序排序,选取具备高斯分布的比值对应的像素点作为背景图像。
可选的,在得到高斯分布模型之后,所述方法还包括:
判断t时刻的每个像素点是否与所述高斯分布模型相匹配;
若是,则通过所述t时刻的像素值,实时更新K个高斯函数的权值、方差、灰度平均值。
可选的,若匹配不成功,则所述方法还包括:
实时更新所述K个高斯函数的权值,并保持所述灰度平均值和所述方差值不变。
可选的,所述高斯函数为:
其中,ωi,t代表在t时刻第i个高斯模型的权值,且 代表高斯分布概率密度函数,其中,Xt代表第t时刻下某个像素点的像素值,μi,t为在t时刻第i个高斯模型的均值,Σi,t为t时刻第i个高斯模型的协方差矩阵。
可选的,所述灰度均值为其中,N为所述视频序列的图像总帧数;所述方差为其中,It代表t时刻的灰度值。
可选的,对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测,具体包括:
设置所需跟踪的磨粒的面积大小范围,作为预设的磨粒条件;
从所示前景图中提取所有符合条件的磨粒;
计算所有符合条件的磨粒的质心、宽度和高度;
根据计算得到的磨粒的质心、宽度和高度,对每个已被跟踪的轨迹利用卡尔曼滤波器预测该轨迹在当前帧的磨粒的位置和大小;
对每个跟踪的轨迹进行处理,寻找离上一帧里的磨粒最近的当前帧的磨粒,将此磨粒添加到跟踪轨迹,从而实现对符合条件的磨粒的标记和跟踪。
此外,为实现上述目的,本发明还提出一种终端,所述终端包括处理器以及存储器;所述处理器用于执行存储器中存储的润滑油磨粒在线监测程序,以实现上述的方法。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的方法。
本发明提出的润滑油磨粒在线监测方法、终端及存储介质,通过提取运动磨粒视频中的磨粒图像帧序列,以获取磨粒视频中的背景图像,通过背景图像记录原磨粒视频帧,以建立背景模型,并计算图像序列与所述背景模型的差分图像,分离出前景图,再对所述前景图进行数字化图像处理,得到处理后的前景图,并对处理后的前景图中符合预设条件的磨粒进行跟踪监测。本发明采用混合高斯背景模型的方法能够自适应的对运动背景图像进行更新,并采用背景差分方法实现对在线视频中运动磨粒的目标检测。相对传统铁谱技术所获取的静态图像,本方法利用磨粒在润滑油中的翻滚运动,可以对磨粒进行多视角图像跟踪,进而获取磨粒的空间特征,提供更多磨粒不同视角的信息,从而为机械设备的监督和设备故障的预测提供更多、更可靠的判断依据。
附图说明
图1为本发明第一实施例提供的润滑油磨粒在线监测方法的流程示意图;
图2为本发明第一实施例提供的润滑油磨粒在线监测方法的子流程示意图;
图3为本发明第一实施例提供的润滑油磨粒在线监测方法的另一子流程示意图;
图4为本发明第一实施例提供的润滑油磨粒在线监测方法的另一子流程示意图;
图5为本发明第二实施例提供的终端的模块示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
第一实施例
如图1所示,为本发明第一实施例提供的润滑油磨粒在线监测方法的流程示意图。在图1中,所述润滑油磨粒在线监测方法包括:
步骤110,提取运动磨粒视频中的磨粒图像帧序列。
步骤120,根据所述磨粒图像帧序列,获取磨粒视频中的背景图像。
步骤130,通过所述背景图像记录原磨粒视频帧,以建立背景模型。
步骤140,计算图像序列与所述背景模型的差分图像,分离出前景图。
步骤150,对所述前景图进行数字化图像处理,得到处理后的前景图。
步骤160,对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测。
具体的,在步骤110中,采用CMOS图像传感器采集润滑系统中运动磨粒的视频,视频中的部分图像帧序列。
在步骤120中,根据磨粒图像帧序列,建立磨粒图像的混合高斯背景模型,以获取磨粒视频中的背景图像。在本实施例中,通过混合高斯背景模型差分算法,记录原视频帧,建立背景模型,计算出图像序列与背景模型的差分图像,从而分离出前景图,获取前景的二值化序列图像。如图2所示,步骤120中的获取磨粒视频中的背景图像,具体包括:
步骤210,记录每个像素点在一段时间内的灰度值变化,并将所述灰度值变化组成一组观测值序列;
步骤220,设置K个状态,每个状态对应一个高斯函数,通过K个高斯函数,描述预设时间内所述像素点的像素值变化,其中,K为正整数;
步骤230,计算预设长度的视频序列中的所述每个像素点的灰度均值和方差,得到初始化的高斯分布模型;
步骤240,计算每个高斯分布权值和方差的比值,并对所述比值按照预设顺序排序,选取具备高斯分布的比值对应的像素点作为背景图像。
更具体的,首先,在步骤210中,记录每个像素在一段时间内的灰度值变化并做成一组观测值序列,在任意时刻t,都可以在该序列中找到其对应的像素值,表示为:
{I(x,y,i)|1<i<t}={X1,...,Xt}
其中,I(x,y,i)坐标代表(x,y)的像素点在i时刻的像素值,将值赋给对应Xi。
在步骤220中,根据混合高斯模型的思想,定义K个状态,每个状态对应一个高斯函数,通过K个高斯函数对一段时间内的该像素点的像素值变化进行描述,表示为:
其中,ωi,t代表在t时刻第i个高斯模型的权值,且 代表高斯分布概率密度函数,其中,Xt代表第t时刻下某个像素点的像素值,μi,t为在t时刻第i个高斯模型的均值,Σi,t为t时刻第i个高斯模型的协方差矩阵。
在步骤230中,通过计算预设长度的视频序列中的灰度均值μ0和方差以N为所述视频序列的图像总帧数为例,则其中,It代表代表t时刻的灰度值。
在步骤240中,根据计算的高斯分布权值与方差的比值,并对比值按照预设的顺序进行排序,以获取具备高斯分布的比值对应的像素点作为背景图像。具体的,计算每个高斯分布权值和方差的比值,即ω/σi 2,并从大到小排序,具备背景特性的高斯分布,其ω/σi 2会大于一定阈值,选取前B个分布表征为背景图像,其中B为:
其中,th代表背景模型的分布的权值之和在所有分布中所占的比列的阈值,b代表位于序列前面的权值之和大于th的分布个数。
可选的,如图3所示,在步骤230之后,所述方法还包括:
步骤310,判断t时刻的每个像素点是否与所述高斯分布模型相匹配;若是,则进入步骤320,若否,则进入步骤330;
步骤320,通过所述t时刻的像素值,实时更新K个高斯函数的权值、方差、灰度平均值。
步骤330,实时更新所述K个高斯函数的权值,并保持所述灰度平均值和所述方差值不变。
具体的,在完成初始化之后,由K个高斯模态组成背景模型,开始检测,对t时刻下的样本Xt中的全部点,将其值分别与这K个模型进行匹配运算,匹配运算的公式如下:
其中,μi代表高斯模态的均值,σi代表高斯模态的标准方差,T代表匹配常数。
若匹配成功,则使用其t时刻的像素值分别对K个高斯分布的权值进行实时更新,对权值更新的公式如下:
ωi,t=(1-α)ωi,t-1+α(Mi,t),其中α代表学习速率,Mi,t代表布尔量。若匹配成功,则布尔量的值为1,否则为布尔量值为0;
灰度均值的公式如下:
μi,t=(1-ρ)μi,t-1+ρXt;
方差的公式如下:
其中,ρ代表参数学习效率,且
若匹配不成功,则保持所述灰度平均值和所述方差值不变,仅实时更新所述K个高斯函数的权值。
在步骤130中,使用混合高斯背景模型差分算法,记录原视频帧,建立背景模型。
在步骤140中,计算出图像序列与背景模型的差分图像,从而分离出前景图。
在步骤150中,对分离出的前景图进行图像处理,例如,采用二值化、滤波、以及形态学等图像处理方式。进而得到处理后的前景图。
在步骤160中,通过Blob团块检测跟踪算法实现对符合要求的磨粒进行跟踪,如图4所示,步骤160具体包括:
步骤410,设置所需跟踪的磨粒的面积大小范围,作为预设的磨粒条件;
步骤420,从所示前景图中提取所有符合条件的磨粒;
步骤430,计算所有符合条件的磨粒的质心、宽度和高度;
步骤440,根据计算得到的磨粒的质心、宽度和高度,对每个已被跟踪的轨迹利用卡尔曼滤波器预测该轨迹在当前帧的磨粒的位置和大小;
步骤450,对每个跟踪的轨迹进行处理,寻找离上一帧里的磨粒最近的当前帧的磨粒,将此磨粒添加到跟踪轨迹,从而实现对符合条件的磨粒的标记和跟踪。采用本实施例的方法,通过采用卡尔曼滤波器和Blob团块跟踪检测的方法,实现对符合要求的多个磨粒目标的运动跟踪与标记。
本实施例提供的润滑油磨粒在线监测方法,通过提取运动磨粒视频中的磨粒图像帧序列,以获取磨粒视频中的背景图像,通过背景图像记录原磨粒视频帧,以建立背景模型,并计算图像序列与所述背景模型的差分图像,分离出前景图,再对所述前景图进行数字化图像处理,得到处理后的前景图,并对处理后的前景图中符合预设条件的磨粒进行跟踪监测。本发明采用高斯背景模型的方法能够自适应的对运动背景图像进行更新,并采用背景差分方法,实现对在线视频中运动磨粒的目标检测。相对传统铁谱技术所获取的静态图像,本方法利用磨粒在润滑油中的翻滚运动,可以对磨粒进行多视角图像跟踪,进而获取磨粒的空间特征,提供更多磨粒不同视角的信息,从而为机械设备的监督和设备故障的预测提供更多、更可靠的判断依据。
第二实施例
如图5所示,本申请另一实施例提供的终端,基于上述的实施例,终端包括处理器510、存储器520,处理器510用于执行存储器520中存储的润滑油磨粒在线监测程序530,以实现以下步骤:
提取运动磨粒视频中的磨粒图像帧序列。
根据所述磨粒图像帧序列,获取磨粒视频中的背景图像。
通过所述背景图像记录原磨粒视频帧,以建立背景模型。
计算图像序列与所述背景模型的差分图像,分离出前景图。
对所述前景图进行数字化图像处理,得到处理后的前景图。
对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测。
具体的,采用CMOS图像传感器采集润滑系统中运动磨粒的视频,视频中的部分图像帧序列。
根据磨粒图像帧序列,建立磨粒图像的混合高斯背景模型,以获取磨粒视频中的背景图像。在本实施例中,通过混合高斯背景模型差分算法,记录原视频帧,建立背景模型,计算出图像序列与背景模型的差分图像,从而分离出前景图,获取前景的二值化序列图像。
可选的,处理器510还用于执行存储器520中存储的润滑油磨粒在线监测程序530,以实现以下步骤:
记录每个像素点在一段时间内的灰度值变化,并将所述灰度值变化组成一组观测值序列;
设置K个状态,每个状态对应一个高斯函数,通过K个高斯函数,描述预设时间内所述像素点的像素值变化,其中,K为正整数;
计算预设长度的视频序列中的所述每个像素点的灰度均值和方差,得到初始化的高斯分布模型;
计算每个高斯分布权值和方差的比值,并对所述比值按照预设顺序排序,选取具备高斯分布的比值对应的像素点作为背景图像。
更具体的,首先,记录每个像素在一段时间内的灰度值变化并做成一组观测值序列,在任意时刻t,都可以在该序列中找到其对应的像素值,表示为:
{I(x,y,i)|1<i<t}={X1,...,Xt}
其中,I(x,y,i)坐标代表(x,y)的像素点在i时刻的像素值,将值赋给对应Xi。
根据混合高斯模型的思想,定义K个状态,每个状态对应一个高斯函数,通过K个高斯函数对一段时间内的该像素点的像素值变化进行描述,表示为:
其中,ωi,t代表在t时刻第i个高斯模型的权值,且 代表高斯分布概率密度函数,其中,Xt代表第t时刻下某个像素点的像素值,μi,t为在t时刻第i个高斯模型的均值,Σi,t为t时刻第i个高斯模型的协方差矩阵。
通过计算预设长度的视频序列中的灰度均值μ0和方差以N为所述视频序列的图像总帧数为例,则其中,It代表代表t时刻的灰度值。
根据计算的高斯分布权值与方差的比值,并对比值按照预设的顺序进行排序,以获取具备高斯分布的比值对应的像素点作为背景图像。具体的,计算每个高斯分布权值和方差的比值,即ω/σi 2,并从大到小排序,具备背景特性的高斯分布,其ω/σi 2会大于一定阈值,选取前B个分布表征为背景图像,其中B为:
其中,th代表背景模型的分布的权值之和在所有分布中所占的比列的阈值,b代表位于序列前面的权值之和大于th的分布个数。
可选的,处理器510还用于执行存储器520中存储的润滑油磨粒在线监测程序530,以实现以下步骤:
判断t时刻的每个像素点是否与所述高斯分布模型相匹配;若是,则通过所述t时刻的像素值,实时更新K个高斯函数的权值、方差、灰度平均值。若否,则实时更新所述K个高斯函数的权值,并保持所述灰度平均值和所述方差值不变。
具体的,在完成初始化之后,由K个高斯模态组成背景模型,开始检测,对t时刻下的样本Xt中的全部点,将其值分别与这K个模型进行匹配运算,匹配运算的公式如下:
其中,μi代表高斯模态的均值,σi代表高斯模态的标准方差,T代表匹配常数。
若匹配成功,则使用其t时刻的像素值分别对K个高斯分布的权值进行实时更新,对权值更新的公式如下:
ωi,t=(1-α)ωi,t-1+α(Mi,t),其中α代表学习速率,Mi,t代表布尔量。若匹配成功,则布尔量的值为1,否则为布尔量值为0;
灰度均值的公式如下:
μi,t=(1-ρ)μi,t-1+ρXt;
方差的公式如下:
其中,ρ代表参数学习效率,且
若匹配不成功,则保持所述灰度平均值和所述方差值不变,仅实时更新所述K个高斯函数的权值。
使用混合高斯背景模型差分算法,记录原视频帧,建立背景模型。
计算出图像序列与背景模型的差分图像,从而分离出前景图。
对分离出的前景图进行图像处理,例如,采用二值化、滤波、以及形态学等图像处理方式。进而得到处理后的前景图。
通过Blob团块检测跟踪算法实现对符合要求的磨粒进行跟踪。
可选的,处理器510还用于执行存储器520中存储的润滑油磨粒在线监测程序530,以实现以下步骤:
设置所需跟踪的磨粒的面积大小范围,作为预设的磨粒条件;
从所示前景图中提取所有符合条件的磨粒;
计算所有符合条件的磨粒的质心、宽度和高度;
根据计算得到的磨粒的质心、宽度和高度,对每个已被跟踪的轨迹利用卡尔曼滤波器预测该轨迹在当前帧的磨粒的位置和大小;
对每个跟踪的轨迹进行处理,寻找离上一帧里的磨粒最近的当前帧的磨粒,将此磨粒添加到跟踪轨迹,从而实现对符合条件的磨粒的标记和跟踪。采用本实施例的方法,通过采用卡尔曼滤波器和Blob团块跟踪检测的方法,实现对符合要求的多个磨粒目标的运动跟踪与标记。
本实施例提供的终端,通过提取运动磨粒视频中的磨粒图像帧序列,以获取磨粒视频中的背景图像,通过背景图像记录原磨粒视频帧,以建立背景模型,并计算图像序列与所述背景模型的差分图像,分离出前景图,再对所述前景图进行数字化图像处理,得到处理后的前景图,并对处理后的前景图中符合预设条件的磨粒进行跟踪监测。本发明采用高斯背景模型的方法能够自适应的对运动背景图像进行更新,并采用背景差分方法,实现对在线视频中运动磨粒的目标检测。相对传统铁谱技术所获取的静态图像,本方法利用磨粒在润滑油中的翻滚运动,可以对磨粒进行多视角图像跟踪,进而获取磨粒的空间特征,提供更多磨粒不同视角的信息,从而为机械设备的监督和设备故障的预测提供更多、更可靠的判断依据。
第三实施例
本申请实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中,计算机可读存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。当计算机可读存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述第一实施例所提供的润滑油磨粒在线监测方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种润滑油磨粒在线监测方法,其特征在于,所述方法包括步骤:
提取运动磨粒视频中的磨粒图像帧序列;
根据所述磨粒图像帧序列,获取磨粒视频中的背景图像;
通过所述背景图像记录原磨粒视频帧,以建立背景模型;
计算图像序列与所述背景模型的差分图像,分离出前景图;
对所述前景图进行数字化图像处理,得到处理后的前景图;
对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测。
2.根据权利要求1所述的润滑油磨粒在线监测方法,其特征在于,所述获取磨粒视频中的背景图像,包括:
记录每个像素点在一段时间内的灰度值变化,并将所述灰度值变化组成一组观测值序列;
设置K个状态,每个状态对应一个高斯函数,通过K个高斯函数,描述预设时间内所述像素点的像素值变化,其中,K为正整数;
计算预设长度的视频序列中的所述每个像素点的灰度均值和方差,得到初始化的高斯分布模型;
计算每个高斯分布权值和方差的比值,并对所述比值按照预设顺序排序,选取具备高斯分布的比值对应的像素点作为背景图像。
3.根据权利要求2所述的润滑油磨粒在线监测方法,其特征在于,在得到高斯分布模型之后,所述方法还包括:
判断t时刻的每个像素点是否与所述高斯分布模型相匹配;
若是,则通过所述t时刻的像素值,实时更新K个高斯函数的权值、方差、灰度平均值。
4.根据权利要求3所述的润滑油磨粒在线监测方法,其特征在于,若匹配不成功,则所述方法还包括:
实时更新所述K个高斯函数的权值,并保持所述灰度平均值和所述方差值不变。
5.根据权利要求2所述的润滑油磨粒在线监测方法,其特征在于,所述高斯函数为:
其中,ωi,t代表在t时刻第i个高斯模型的权值,且 代表高斯分布概率密度函数,其中,Xt代表第t时刻下某个像素点的像素值,μi,t为在t时刻第i个高斯模型的均值,Σi,t为t时刻第i个高斯模型的协方差矩阵。
6.根据权利要求2所述的润滑油磨粒在线监测方法,其特征在于,所述灰度均值为其中,N为所述视频序列的图像总帧数;所述方差为其中,It代表t时刻的灰度值。
7.根据权利要求1所述的润滑油磨粒在线监测方法,其特征在于,对所述处理后的前景图中符合预设条件的磨粒进行跟踪监测,具体包括:
设置所需跟踪的磨粒的面积大小范围,作为预设的磨粒条件;
从所示前景图中提取所有符合条件的磨粒;
计算所有符合条件的磨粒的质心、宽度和高度;
根据计算得到的磨粒的质心、宽度和高度,对每个已被跟踪的轨迹利用卡尔曼滤波器预测该轨迹在当前帧的磨粒的位置和大小;
对每个跟踪的轨迹进行处理,寻找离上一帧里的磨粒最近的当前帧的磨粒,将此磨粒添加到跟踪轨迹,从而实现对符合条件的磨粒的标记和跟踪。
8.一种终端,其特征在于,所述终端包括处理器以及存储器;
所述处理器用于执行存储器中存储的润滑油磨粒在线监测程序,以实现权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771554.XA CN109191494B (zh) | 2018-07-13 | 2018-07-13 | 润滑油磨粒在线监测方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771554.XA CN109191494B (zh) | 2018-07-13 | 2018-07-13 | 润滑油磨粒在线监测方法、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191494A true CN109191494A (zh) | 2019-01-11 |
CN109191494B CN109191494B (zh) | 2021-03-26 |
Family
ID=64936098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810771554.XA Active CN109191494B (zh) | 2018-07-13 | 2018-07-13 | 润滑油磨粒在线监测方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191494B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932290A (zh) * | 2019-01-16 | 2019-06-25 | 中国科学院水生生物研究所 | 一种基于流式影像运动目标追踪的颗粒计数方法 |
CN110470822A (zh) * | 2019-08-21 | 2019-11-19 | 岭澳核电有限公司 | 一种核电站机械设备磨损监测系统及方法 |
CN111060442A (zh) * | 2019-04-30 | 2020-04-24 | 威海戥同测试设备有限公司 | 一种基于图像处理的油液颗粒检测方法 |
CN111412864A (zh) * | 2020-02-26 | 2020-07-14 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN112362540A (zh) * | 2020-10-26 | 2021-02-12 | 重庆邮电大学 | 一种油液磨粒运动轨迹图像监测系统及检测方法 |
CN114324829A (zh) * | 2021-12-31 | 2022-04-12 | 四川德胜集团钒钛有限公司 | 冶金产线润滑油管理系统 |
CN114972436A (zh) * | 2022-06-13 | 2022-08-30 | 西安交通大学 | 一种基于时空域联合信息的运动磨粒检测跟踪方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
CN103278431A (zh) * | 2013-04-22 | 2013-09-04 | 西安交通大学 | 一种基于视频获取的润滑油磨粒在线监测与分析方法 |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
WO2015158009A1 (en) * | 2014-04-19 | 2015-10-22 | Shengguo Wang | Alumina zirconia abrasive grain especially designed for light duty grinding applications |
CN107025657A (zh) * | 2016-01-31 | 2017-08-08 | 天津新天星熠测控技术有限公司 | 一种基于视频图像的车辆行为轨迹检测方法 |
-
2018
- 2018-07-13 CN CN201810771554.XA patent/CN109191494B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
CN103278431A (zh) * | 2013-04-22 | 2013-09-04 | 西安交通大学 | 一种基于视频获取的润滑油磨粒在线监测与分析方法 |
WO2015158009A1 (en) * | 2014-04-19 | 2015-10-22 | Shengguo Wang | Alumina zirconia abrasive grain especially designed for light duty grinding applications |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
CN107025657A (zh) * | 2016-01-31 | 2017-08-08 | 天津新天星熠测控技术有限公司 | 一种基于视频图像的车辆行为轨迹检测方法 |
Non-Patent Citations (2)
Title |
---|
ZHANPING HE等: "Micro motion at the failed contact interfaces", 《IEEE》 * |
李大光: "磨粒图像计算机识别分析方法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊 )》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932290A (zh) * | 2019-01-16 | 2019-06-25 | 中国科学院水生生物研究所 | 一种基于流式影像运动目标追踪的颗粒计数方法 |
CN109932290B (zh) * | 2019-01-16 | 2020-10-20 | 中国科学院水生生物研究所 | 一种基于流式影像运动目标追踪的颗粒计数方法 |
CN111060442A (zh) * | 2019-04-30 | 2020-04-24 | 威海戥同测试设备有限公司 | 一种基于图像处理的油液颗粒检测方法 |
CN111060442B (zh) * | 2019-04-30 | 2022-06-17 | 威海戥同测试设备有限公司 | 一种基于图像处理的油液颗粒检测方法 |
CN110470822A (zh) * | 2019-08-21 | 2019-11-19 | 岭澳核电有限公司 | 一种核电站机械设备磨损监测系统及方法 |
CN111412864A (zh) * | 2020-02-26 | 2020-07-14 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN111412864B (zh) * | 2020-02-26 | 2021-12-07 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN112362540A (zh) * | 2020-10-26 | 2021-02-12 | 重庆邮电大学 | 一种油液磨粒运动轨迹图像监测系统及检测方法 |
CN112362540B (zh) * | 2020-10-26 | 2024-06-04 | 重庆矩子兴智能科技有限公司 | 一种油液磨粒运动轨迹图像监测系统及检测方法 |
CN114324829A (zh) * | 2021-12-31 | 2022-04-12 | 四川德胜集团钒钛有限公司 | 冶金产线润滑油管理系统 |
CN114972436A (zh) * | 2022-06-13 | 2022-08-30 | 西安交通大学 | 一种基于时空域联合信息的运动磨粒检测跟踪方法及系统 |
CN114972436B (zh) * | 2022-06-13 | 2024-02-23 | 西安交通大学 | 一种基于时空域联合信息的运动磨粒检测跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109191494B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191494A (zh) | 润滑油磨粒在线监测方法、终端及存储介质 | |
Lamb et al. | A strawberry detection system using convolutional neural networks | |
Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
CN105761261B (zh) | 一种检测摄像头遭人为恶意破坏的方法 | |
CN108932479A (zh) | 一种人体异常行为检测方法 | |
CN110188635A (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN102013022B (zh) | 一种针对人群密集监控场景的选择式特征背景减除方法 | |
CN108805900A (zh) | 一种跟踪目标的确定方法及装置 | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
CN111860471B (zh) | 一种基于特征检索的工服穿戴识别方法及系统 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
Bakti et al. | Vehicle detection and tracking using gaussian mixture model and kalman filter | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
Widiyanto et al. | Texture feature extraction based on GLCM and DWT for beef tenderness classification | |
CN110163103B (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
CN113810605A (zh) | 目标对象处理方法及装置 | |
Fikri et al. | Clustering green openspace using uav (unmanned aerial vehicle) with cnn (convolutional neural network) | |
CN112651355A (zh) | 一种基于混合高斯模型和卷积神经网络的危险品识别预警方法 | |
CN114445767B (zh) | 一种传输带传输异物检测方法及系统 | |
Chen et al. | Integral optical flow and its application for monitoring dynamic objects from a video sequence | |
Liang et al. | Identification of coal and gangue by self-organizing competitive neural network and SVM |
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 |