CN111126413A - 基于图像识别的车用燃油清净性快速测定方法及装置 - Google Patents

基于图像识别的车用燃油清净性快速测定方法及装置 Download PDF

Info

Publication number
CN111126413A
CN111126413A CN201911164888.1A CN201911164888A CN111126413A CN 111126413 A CN111126413 A CN 111126413A CN 201911164888 A CN201911164888 A CN 201911164888A CN 111126413 A CN111126413 A CN 111126413A
Authority
CN
China
Prior art keywords
image
fuel
color
detected
texture
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
Application number
CN201911164888.1A
Other languages
English (en)
Other versions
CN111126413B (zh
Inventor
朱仁成
鲍晓峰
陈新
刘凯
苗嘉璐
林安晴
冯晓龙
王运静
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201911164888.1A priority Critical patent/CN111126413B/zh
Publication of CN111126413A publication Critical patent/CN111126413A/zh
Application granted granted Critical
Publication of CN111126413B publication Critical patent/CN111126413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于图像识别的车用燃油清净性快速测定方法和装置，测定方法包括如下步骤：建立燃油喷板数据库；所述燃油喷板数据库中存储有清净性等级以及各清净性等级相对应的颜色特征和纹理特征影像；获取待测燃油的喷板图像并提取其颜色特征；对待测燃油的喷板图像进行纹理特征计算，得到待测燃油喷板图像的纹理特征影像；将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对，得到待测燃油喷板图像的清净性等级。本发明所提供的技术方案能够根据待测燃油喷板图像的颜色特征和纹理特征影像得到其清净性等级，方法比较简单且准确性较高。

Description

基于图像识别的车用燃油清净性快速测定方法及装置
技术领域
本发明属于车用燃油清净性测定技术领域，具体涉及一种基于图像识别的车用燃油清净性快速测定方法和装置。
背景技术
近年来，随着科技的发展和人们生活水平的提高，机动车保有量急剧增加，机动车尾气所造成的污染也越来越严重。为了减少机动车燃油造车的污染，相关的权威机构制定了机动车尾气排放标准，而为满足这些标准，现代发动机技术不断进步，同时对车用燃料清净性要求也越来越高。与国外燃油相比，我国催化重整汽油占比较大且不饱和烃含量高，在发动机中易形成积炭，而这些杂质很容易堵塞过滤器和喷嘴，影响燃油喷射和发动机运行性能，使燃油燃烧不完全，造成油耗增加，导致排放恶化。
在燃油中添加清洁剂可以在一定程度上提高燃油的清净性，同时也催生了很多生产清净剂的企业。目前评价车用燃油清净性的标准方法是喷嘴结焦实验法(XUD-9法)，该方法基于发动机台架试验，将流量检查合格的清净喷嘴安装在上述发动机上，按照规定的工况运行10h。通过测量发动机XUD-9台架燃用待测试柴油前后喷嘴针阀的空气损失量来评定柴油的清净性。该方法能真实的反映车用燃油的清净性，但测试耗时长，油耗大，且设备体积庞大、造价高昂。我国《车用燃油清净剂》(GB19592-2004)标准中要求采用符合要求的燃油清净性模拟设备在规定的试验条件下，将定量的试验燃油经过喷嘴与空气混合并喷射到一个已经称重并加热到试验温度条件下的沉积物收集器上，模拟进气阀沉积物生成，然后将生成的沉积物称重，并照相留存；目前，法规只根据沉积物收集器上燃油受热生成的沉积物的多少来判断燃油的清净程度。该方法结果直观，操作方便，耗时也较短，但与沉积物相比，收集器本身质量较大，对质量称量要求较高，需精确到0.1mg。
但是随着车用燃油标准逐步加严，对燃油清净性的要求也相对有所提升，而燃油清净性越高，其在沉积板上沉积物越来越少，对其清净性检测的准确性变也越来越低，即现有技术中检测燃油清净性的方法在检测高清净性的燃油的清净性时，其检测的准确性较差。
发明内容
本发明的目的是提供一种基于图像识别的车用燃油清净性快速测定方法和装置，以解决现有技术中对燃油清净性检测结果准确性较差的问题。
为实现上述目的，本发明采用如下技术方案：
基于图像识别的车用燃油清净性快速测定方法，包括如下步骤：
步骤一：建立燃油喷板数据库；所述燃油喷板数据库中存储有清净性等级以及各清净性等级相对应的颜色特征和纹理特征影像；
步骤二：获取待测燃油的喷板图像并提取其颜色特征；
步骤三：对待测燃油的喷板图像进行纹理特征计算，得到待测燃油喷板图像的纹理特征影像；
步骤四：将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对，得到待测燃油喷板图像的清净性等级。
进一步的，所述颜色特征为图像的色块比例，提取燃油喷板图像颜色特征的方法包括如下步骤：
对待测燃油喷板图像进行单元色块划分，得到多个单元色块；
对各单元色块的数量进行统计，得到各色单元色块在所有单元色块中所占的比例，将其作为燃油喷板图像的色块比例。
进一步的，对待测燃油喷板图像进行纹理特征计算包括如下步骤：
对待测燃油的喷板图像进行灰度处理，得到其灰度图像；
对待测燃油喷板图像的灰度图像进行灰度级量化；
确定滑动窗口尺寸、移动步长和移动方向；
控制滑动窗口按照移动步长在灰度级量化处理后的图像上移动，直到遍历整个图像；每次移动滑动窗口时，将滑动窗口的中心点作为其纹理特征，得到纹理特征矩阵；
将纹理特征矩阵转换成纹理特征影像。
进一步的，所述步骤四中将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对的方法包括如下步骤：
将待测燃油喷板的颜色特征与燃油喷板数据库中存储的颜色特征进行比对，得到与其相似度大于第一设定值的清净性等级；
将到侧燃油喷板的纹理特征影像与得到的各清净性等级的纹理特征影像进行比对，得到与其相似度大于第二设定值的清净性等级，该清净性等级即为燃油的清净性等级。
进一步的，当筛选不出相应的清净性等级时，对待测燃油进行台架实验检测其清净性等级，并将该燃油的清净性等级和其颜色特征、纹理特征影像存储到燃油喷板数据库中。
基于图像识别的车用燃油清净性快速测定装置，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行所述计算机程序时实现如下步骤：
步骤一：建立燃油喷板数据库；所述燃油喷板数据库中存储有清净性等级以及各清净性等级相对应的颜色特征和纹理特征影像；
步骤二：获取待测燃油的喷板图像并提取其颜色特征；
步骤三：对待测燃油的喷板图像进行纹理特征计算，得到待测燃油喷板图像的纹理特征影像；
步骤四：将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对，得到待测燃油喷板图像的清净性等级。
进一步的，所述颜色特征为图像的色块比例，提取燃油喷板图像颜色特征的方法包括如下步骤：
对待测燃油喷板图像进行单元色块划分，得到多个单元色块；
对各单元色块的数量进行统计，得到各色单元色块在所有单元色块中所占的比例，将其作为燃油喷板图像的色块比例。
进一步的，对待测燃油喷板图像进行纹理特征计算包括如下步骤：
对待测燃油的喷板图像进行灰度处理，得到其灰度图像；
对待测燃油喷板图像的灰度图像进行灰度级量化；
确定滑动窗口尺寸、移动步长和移动方向；
控制滑动窗口按照移动步长在灰度级量化处理后的图像上移动，直到遍历整个图像；每次移动滑动窗口时，将滑动窗口的中心点作为其纹理特征，得到纹理特征矩阵；
将纹理特征矩阵转换成纹理特征影像。
进一步的，所述步骤四中将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对的方法包括如下步骤：
将待测燃油喷板的颜色特征与燃油喷板数据库中存储的颜色特征进行比对，得到与其相似度大于第一设定值的清净性等级；
将到侧燃油喷板的纹理特征影像与得到的各清净性等级的纹理特征影像进行比对，得到与其相似度大于第二设定值的清净性等级，该清净性等级即为燃油的清净性等级。
进一步的，当筛选不出相应的清净性等级时，对待测燃油进行台架实验检测其清净性等级，并将该燃油的清净性等级和其颜色特征、纹理特征影像存储到燃油喷板数据库中。
本发明技术方案的有益效果：本发明所提供的技术方案，首先建立燃油喷板数据库，然后将根据待测燃油喷板图像的颜色特征和纹理特征影像，最后将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的数据进行对比，得到待测燃油的清净性等级。本发明所提供的技术方案能够根据待测燃油喷板图像的颜色特征和纹理特征影像得到其清净性等级，方法比较简单且准确性较高。
附图说明
图1是本发明方法实施例中基于图像识别的车用燃油清净性快速测定方法的流程图。
具体实施方式
方法实施例：
本实施例提供一种基于图像识别的车用燃油清净性快速测定方法，用于对车用燃油的清净性进行快速测定，解决现有技术中对车用燃油情节性测定不准确的问题。
本实施例所提供的基于图像识别的车用燃油清净性快速测定方法，其流程如图1所示，包括如下步骤：
步骤一：建立燃油喷板数据库。
燃油喷板数据库中存储的是燃油清净性等级以及与燃油清净性等级相对应的颜色特征和纹理特征影像。
首先对燃油的清净性进行等级划分，然后对各等级清净性的燃油进行台架实验，得到各等级清净性的燃油的喷板图像，最后提取各等级清净性燃油喷板图像的颜色特征和纹理特征影像，将其存入到燃油喷板数据库中，从而建立燃油喷板数据库。
步骤二：获取待测燃油的喷板图像样本，提取待测燃油喷板图像的颜色特征，将其与喷板数据库中存储的颜色特征进行比对，从喷板数据库中得到特征样本集。
特征样本集是指喷板数据库中喷板图像样本颜色特征与待测燃油喷板图像相似度高于第一设定值的清净性等级形成的集合。
步骤三：提取待测燃油的喷板图像样本的纹理特征影像，将其与特征样本集中各清净性等级的纹理特征影像进行比对，得到其中相似度高于第二设定值的清净性等级，该清净性等级即为待测燃油的清净性等级。
本实施例中燃油喷板图像的颜色特征是图像的色块比例，提取燃油喷板图像的颜色特征的方法包括如下步骤：
(1)对燃油喷板图像进行单元色块划分，本实施例中每个单元色块是尺寸为10×10像素的单元块，即将燃油喷板图像划分为多个大小为10×10像素的单元块；
(2)对各单元色块的颜色进行统计，得到各种颜色的单元色块数量，然后计算各中颜色单元色块所占的比例，输出对应的统计图表，得到燃油喷板图像的色块比例。
喷板图像颜色特征相似度的判断方法为：
首先计算两种喷板图像中各颜色单元色块所占的比例的相对误差；
设其中一个喷板图像中一种颜色的色块所占比例为A1，另一个喷板图像中一种颜色的色块所占比例为A2，则相对误差μ为μ＝(A1-A2)/A1×100％
然后判断两种喷板图像中各颜色单元色块的误差是否均在(-1％，1％)内，如果在，则判断为两个喷板图像颜色特征相似度大于第一设定值。
本实施例中提取燃油喷板图像纹理特征影像的方法包括如下步骤：
(1)对燃油喷板图像进行灰度处理，得到燃油喷板图像的灰度图像；
燃油喷板图像为RGB图像，分别求出代表RGB的单波段，选择其中一个波段进行纹理特征计算；
(2)对燃油喷板图像的灰度图像进行灰度级量化。
在实际应用中，一副灰度图像的灰度级一般为256级，但是由于此级数过多，计算量庞大且计算时间长，因此本实施例中将灰度等级重新划分为8个等级，即将图像的实际灰度除以32后取整数，将实际应用中的0-255灰度级变换为0-8灰度级。
(3)计算燃油喷板图像的纹理特征矩阵，并将其转换成纹理特征影像。
本实施例中采用基于灰度共生矩阵的统计法得到燃油喷板图像的纹理特征矩阵，灰度共生矩阵是对图像上保持某距离的两像素分别具有设定灰度的状况进行统计得到的。取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)。
基于此，在计算燃油喷板图像的纹理特征矩阵时，首先需要确定滑动窗口、步距长度和移动方向。
本实施例中滑动窗口采用的是大小为5×5和7×7的滑动窗口；步距长度为1，即每次移动时移动一个单位长度；移动方向取0°,45°，90°,135°四个方向，若是不对这四个方向进行综合移动，则在每一方向上都可以得到多类特征，这样得到纹理特征过于繁多，不利于使用，因此对这四个方向的特征值取平均值，并将其作为最终的特征值共生矩阵。
用每一个滑动窗口形成的子影像，通过纹理特征计算程序计算滑动窗口影像灰度共生矩阵和纹理特征值，然后将代表这个窗口纹理特征值赋值给窗口的中心点，这就完成了第一滑动窗口的纹理特征计算。然后窗口被移动一个像素形成另外一个小的窗口影像，再重复计算新共生矩阵和纹理特征值。依次类推，这样整个燃油喷板图像就会形成一个由纹理特征值做成的一个纹理特征值矩阵，然后将这个纹理特征值矩阵转换成纹理特征影像。
燃油喷板图像纹理特征影像相似度的计算方法为：
由于灰度共生矩阵不能直接描述图像的纹理信息,所以我们通过共生矩阵计算一些相应的特征值,以此来描述图像的纹理信息。采用四个特征值来进行分析计算,即对比度Con、熵Ent、相关性Cor和能量Asm，四个特征值定义如下
Figure BDA0002287180190000081
对比度反映了图像的清晰度和纹理的沟纹深浅、对比度越大、沟纹越深则图像越清晰；反之对比度越小、沟纹越浅则图像越模糊。
Figure BDA0002287180190000091
熵是度量图像纹理的随机性，反映图像纹理的复杂程度。当熵取最大值时，共生矩阵中所有的值几乎相等，则图像中分布着细纹理；反之，当熵取最小值时，共生矩阵中所有的值极不均匀，则图像中分布着极少的细纹理。
Figure BDA0002287180190000092
式中：μx,μy为均值，σx,σy为标准差
Figure BDA0002287180190000093
Figure BDA0002287180190000094
Figure BDA0002287180190000095
Figure BDA0002287180190000096
相关性反映了图像纹理的一致性。当共生矩阵中元素值均匀相等时，相关值较大；反之，共生矩阵中元素值存在较大差异时，相关值较小。
Figure BDA0002287180190000097
能量是图像均匀性的测度，反映图像灰度分布的均匀性和纹理的粗细程度.若图像越均匀，即粗纹理时其值越大；反之，图像越不均匀，即细纹理时其值就越小。
为减少计算量，在计算灰度共生矩阵前对图像的灰度级进行压缩以减小计算时间，同时在进行特征值提取前对灰度共生矩阵进行正规化处理，处理时使用如下公式:
Figure BDA0002287180190000098
Figure BDA0002287180190000099
标识灰度级分别为a,b，方向为
Figure BDA00022871801900000910
间隔为d的两个像素，λ为乘方系数，根据需求设置，R为正规化常数。
燃油喷板图像纹理特征影像相似度大于第二设定值，是指两个燃油喷板图像纹理特征影像的对比度Con、熵Ent、相关性Cor和能量Asm的相似度均大于99％，以对比度为例，设两个燃油喷板图像纹理特征影像的对比度分布为Con1、Con2，则两者的相似度为：
θ＝|Con1-Con2|/Con1。
若在待测样本输入识别阶段，未匹配到相似度符合要求的特征样本，需要对此待测样本进行人工台架测验，将人工测验的结果数据化输入，系统将自动将其与所得待测样本的颜色特征图、纹理特征影像建立新的独立单元，作为新的特征样本存入到燃油陪伴数据库中，并跟行业既定标准判定其对于的清净性等级，以此完成对燃油喷板数据量的扩充，以便能完成对更多类型的燃油喷板的测定及清净性登记的判定。
装置实施例：
本实施例提供一种基于图像识别的车用燃油清净性快速测定装置，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；处理器执行该计算机程序时实现如上述方法实施例中提供的基于图像识别的车用燃油清净性快速测定方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于图像识别的车用燃油清净性快速测定方法，其特征在于，包括如下步骤：
步骤一：建立燃油喷板数据库；所述燃油喷板数据库中存储有清净性等级以及各清净性等级相对应的颜色特征和纹理特征影像；
步骤二：获取待测燃油的喷板图像并提取其颜色特征；
步骤三：对待测燃油的喷板图像进行纹理特征计算，得到待测燃油喷板图像的纹理特征影像；
步骤四：将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对，得到待测燃油喷板图像的清净性等级。
2.根据权利要求1所述的基于图像识别的车用燃油清净性快速测定方法，其特征在于，所述颜色特征为图像的色块比例，提取燃油喷板图像颜色特征的方法包括如下步骤：
对待测燃油喷板图像进行单元色块划分，得到多个单元色块；
对各单元色块的数量进行统计，得到各色单元色块在所有单元色块中所占的比例，将其作为燃油喷板图像的色块比例。
3.根据权利要求1所述的基于图像识别的车用燃油清净性快速测定方法，其特征在于，对待测燃油喷板图像进行纹理特征计算包括如下步骤：
对待测燃油的喷板图像进行灰度处理，得到其灰度图像；
对待测燃油喷板图像的灰度图像进行灰度级量化；
确定滑动窗口尺寸、移动步长和移动方向；
控制滑动窗口按照移动步长在灰度级量化处理后的图像上移动，直到遍历整个图像；每次移动滑动窗口时，将滑动窗口的中心点作为其纹理特征，得到纹理特征矩阵；
将纹理特征矩阵转换成纹理特征影像。
4.根据权利要求1所述的基于图像识别的车用燃油清净性快速测定方法，其特征在于，所述步骤四中将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对的方法包括如下步骤：
将待测燃油喷板的颜色特征与燃油喷板数据库中存储的颜色特征进行比对，得到与其相似度大于第一设定值的清净性等级；
将到侧燃油喷板的纹理特征影像与得到的各清净性等级的纹理特征影像进行比对，得到与其相似度大于第二设定值的清净性等级，该清净性等级即为燃油的清净性等级。
5.根据权利要求4所述的基于图像识别的车用燃油清净性快速测定方法，其特征在于，当筛选不出相应的清净性等级时，对待测燃油进行台架实验检测其清净性等级，并将该燃油的清净性等级和其颜色特征、纹理特征影像存储到燃油喷板数据库中。
6.基于图像识别的车用燃油清净性快速测定装置，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现如下步骤：
步骤一：建立燃油喷板数据库；所述燃油喷板数据库中存储有清净性等级以及各清净性等级相对应的颜色特征和纹理特征影像；
步骤二：获取待测燃油的喷板图像并提取其颜色特征；
步骤三：对待测燃油的喷板图像进行纹理特征计算，得到待测燃油喷板图像的纹理特征影像；
步骤四：将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对，得到待测燃油喷板图像的清净性等级。
7.根据权利要求6所述的基于图像识别的车用燃油清净性快速测定装置，其特征在于，所述颜色特征为图像的色块比例，提取燃油喷板图像颜色特征的方法包括如下步骤：
对待测燃油喷板图像进行单元色块划分，得到多个单元色块；
对各单元色块的数量进行统计，得到各色单元色块在所有单元色块中所占的比例，将其作为燃油喷板图像的色块比例。
8.根据权利要求6所述的基于图像识别的车用燃油清净性快速测定装置，其特征在于，对待测燃油喷板图像进行纹理特征计算包括如下步骤：
对待测燃油的喷板图像进行灰度处理，得到其灰度图像；
对待测燃油喷板图像的灰度图像进行灰度级量化；
确定滑动窗口尺寸、移动步长和移动方向；
控制滑动窗口按照移动步长在灰度级量化处理后的图像上移动，直到遍历整个图像；每次移动滑动窗口时，将滑动窗口的中心点作为其纹理特征，得到纹理特征矩阵；
将纹理特征矩阵转换成纹理特征影像。
9.根据权利要求6所述的基于图像识别的车用燃油清净性快速测定装置，其特征在于，所述步骤四中将待测燃油喷板图像的颜色特征和纹理特征影像与燃油喷板数据库中存储的颜色特征和纹理特征影像进行比对的方法包括如下步骤：
将待测燃油喷板的颜色特征与燃油喷板数据库中存储的颜色特征进行比对，得到与其相似度大于第一设定值的清净性等级；
将到侧燃油喷板的纹理特征影像与得到的各清净性等级的纹理特征影像进行比对，得到与其相似度大于第二设定值的清净性等级，该清净性等级即为燃油的清净性等级。
10.根据权利要求9所述的基于图像识别的车用燃油清净性快速测定装置，其特征在于，当筛选不出相应的清净性等级时，对待测燃油进行台架实验检测其清净性等级，并将该燃油的清净性等级和其颜色特征、纹理特征影像存储到燃油喷板数据库中。
CN201911164888.1A 2019-11-25 2019-11-25 基于图像识别的车用燃油清净性快速测定方法及装置 Active CN111126413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164888.1A CN111126413B (zh) 2019-11-25 2019-11-25 基于图像识别的车用燃油清净性快速测定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164888.1A CN111126413B (zh) 2019-11-25 2019-11-25 基于图像识别的车用燃油清净性快速测定方法及装置

Publications (2)

Publication Number Publication Date
CN111126413A true CN111126413A (zh) 2020-05-08
CN111126413B CN111126413B (zh) 2023-05-05

Family

ID=70496613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164888.1A Active CN111126413B (zh) 2019-11-25 2019-11-25 基于图像识别的车用燃油清净性快速测定方法及装置

Country Status (1)

Country Link
CN (1) CN111126413B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060087517A1 (en) * 2002-09-20 2006-04-27 Aleksandra Mojsilovic Color naming, color categorization and describing color composition of images
US20140219557A1 (en) * 2013-02-04 2014-08-07 Wistron Corporation Image identification method, electronic device, and computer program product
CN106530296A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种基于pet/ct图像特征的肺部检测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060087517A1 (en) * 2002-09-20 2006-04-27 Aleksandra Mojsilovic Color naming, color categorization and describing color composition of images
US20140219557A1 (en) * 2013-02-04 2014-08-07 Wistron Corporation Image identification method, electronic device, and computer program product
CN106530296A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种基于pet/ct图像特征的肺部检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史婷婷等: "基于空间特征的图像检索", 《计算机应用》 *
曹磊等: "结合颜色和纹理特征的岩心荧光图像含油级别判定", 《计算机与数字工程》 *

Also Published As

Publication number Publication date
CN111126413B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN113205051B (zh) 基于高空间分辨率遥感影像的储油罐提取方法
CN109933925B (zh) 一种金属板材的冲压成形性能预测方法
CN113177937B (zh) 基于改进YOLOv4-tiny的布匹缺陷检测方法
CN106937109B (zh) 低成本判断摄像头分辨率水平的方法
CN107203832A (zh) 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法
CN115493532B (zh) 测量板材表面待测量元素面积的测量系统、方法及介质
CN115902227B (zh) 一种免疫荧光试剂盒的检测评估方法及系统
CN112525879A (zh) 一种煤岩显微组分原位识别与快速定量的方法
CN115063420A (zh) 一种智能化混合机混合性能的检测评估方法
CN111126413B (zh) 基于图像识别的车用燃油清净性快速测定方法及装置
CN112729292A (zh) 基于层次分析方法的多重统计参数的重力适配区选取方法
CN211122559U (zh) 一种车用燃油清净性快速判定装置
CN112345548A (zh) 一种燃料电池石墨板表面成型光洁程度检测方法及装置
CN111879732A (zh) 一种简便定量测量煤中镜质组含量的方法
CN109506942B (zh) 一种大数据分析发动机冷试检测数据与工位相关性的方法
CN113327243B (zh) 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法
CN115496706A (zh) 一种基于数字图像处理的表面腐蚀比率测量方法
CN109840544B (zh) 一种高光谱图像多端元光谱混合分析方法及装置
Li et al. Efficient image structural similarity quality assessment method using image regularised feature
CN110793472B (zh) 一种基于四元数奇异值熵指标的磨削表面粗糙度检测方法
CN112954310A (zh) 图像质量检测方法、装置、计算机设备以及可读存储介质
CN111581409A (zh) 一种损伤图像特征数据库构建方法、构建系统及发动机
CN112881208A (zh) 一种当量初始缺陷尺寸测定与评估方法

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