CN111400938B - 一种智能分油箱泄漏检测方法及装置 - Google Patents

一种智能分油箱泄漏检测方法及装置 Download PDF

Info

Publication number
CN111400938B
CN111400938B CN202010509867.5A CN202010509867A CN111400938B CN 111400938 B CN111400938 B CN 111400938B CN 202010509867 A CN202010509867 A CN 202010509867A CN 111400938 B CN111400938 B CN 111400938B
Authority
CN
China
Prior art keywords
leakage
intelligent
lubricating oil
tank
oil
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
CN202010509867.5A
Other languages
English (en)
Other versions
CN111400938A (zh
Inventor
沈添天
骆明锐
袁思敏
骆明垚
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.)
Dongguan Pinshuo Automation Technology Co ltd
Original Assignee
Hunan Normal 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 Hunan Normal University filed Critical Hunan Normal University
Priority to CN202010509867.5A priority Critical patent/CN111400938B/zh
Publication of CN111400938A publication Critical patent/CN111400938A/zh
Application granted granted Critical
Publication of CN111400938B publication Critical patent/CN111400938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种智能分油箱泄漏检测方法及装置，实现了智能分油箱是否发生泄漏及箱门是否锁到位的实时检测。方法包括：获取预置智能分油箱的润滑油泄漏灰度值范围；根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型；根据深度图建立标准深度信息图模型；根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型；对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位；若未锁到位，则生成箱门未锁到位提示信息；若锁到位，则通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息。

Description

一种智能分油箱泄漏检测方法及装置
技术领域
本发明涉及智能分油箱泄漏检测技术领域，特别是涉及一种智能分油箱泄漏检测方法及装置。
背景技术
钢铁号称工业的粮食，在我国国民经济中占据着重要地位，随着智能集中润滑系统在钢铁冶炼企业得到大面积应用和推广，比如在鞍钢、首钢、太钢、中国规模最大的钢铁联合企业宝武钢铁集团等钢铁企业都得到了普遍应用，智能集中润滑系统成为了设备润滑的主流；大型设备采用的智能集中润滑系统中均布置有几百个智能分油箱，且分布于上千米的区域半径内，由于智能集中润滑系统是一种无人看管的全自动化控制系统，当智能分油箱出现外泄漏时，造成润滑油的浪费，还会造成环境污染，且外泄漏出来的润滑油一但滴到高温设备（如炼铁厂的烧结机等）上，会引发火灾。因此研发一种智能分油箱泄漏检测的方法显得非常有必要而且具有重要的实际应用价值。
由于智能分油箱的内部结构形态变化复杂，智能分油箱里面存在如电缆等柔性元件，还有可能存在因为泄漏而没有清理干净的润滑油，泄漏的润滑油又具有一定的流动性，外界粉尘的进入或人为的干预等都有可能引起智能分油箱的内部结构形态发生变化，使得智能分油箱的泄漏检测变得异常困难。
发明内容
本发明的目的是提供一种智能分油箱泄漏检测方法及装置，实现了智能分油箱是否发生泄漏及箱门是否锁到位的实时检测，可以有效应对智能分油箱内部结构形态的复杂多变，尤其对柔性元件和具有与润滑油成像灰度值一样的干扰物具有较强的鲁棒性，避免了因箱门未锁紧引起粉尘进入而引发的故障，节约了因泄漏造成的成本，进一步地节约了因泄漏造成的环境污染治理成本。
本发明第一方面提供一种智能分油箱泄漏检测方法，包括：
获取预置智能分油箱的润滑油泄漏灰度值范围，预置智能分油箱的箱门锁到位；
提取预置智能分油箱的内部结构的前景图和深度图；
根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型；
根据深度图建立标准深度信息图模型；
根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型；
对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位；
若未锁到位，则生成箱门未锁到位提示信息；
若锁到位，则通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息。
进一步的，获取预置智能分油箱的润滑油泄漏灰度值范围，包括：
选取至少一个发生润滑油泄漏的预置智能分油箱，预置智能分油箱的箱门锁到位；
通过双目视觉传感器采集预置智能分油箱的内部结构图；
对内部结构图进行灰度化处理，得到内部结构灰度化图；
通过人工标记内部结构灰度化图中的润滑油；
计算得到所有的内部结构灰度化图中润滑油的最大灰度值及最小灰度值，得到润滑油泄漏灰度值范围。
进一步的，提取预置智能分油箱的内部结构的前景图和深度图，包括：
获取预置智能分油箱的内部结构灰度化图及深度图；
根据内部结构灰度化图得到预置智能分油箱的内部结构的前景图。
进一步的，根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型，包括：
根据润滑油泄漏灰度值范围设置灰度变化算子；
根据灰度变化算子及前景图，建立标准前景图模型。
进一步的，根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型，包括：
获取实时采集的智能分油箱的实时前景图及实时深度图；
计算得到实时前景图与标准前景图模型的前景图归一化互信息熵，以及实时深度图与标准深度信息图模型的深度图归一化互信息熵；
根据预置权重因子、前景图归一化互信息熵及深度图归一化互信息熵，建立箱门锁到位模型；
根据实时前景图对实时深度图进行灰度变换处理，得到实时深度灰度化图；
根据标准前景图模型对标准深度信息图模型进行灰度变换处理，得到标准深度灰度化图；
对实时深度灰度化图及标准深度灰度化图进行差分灰度变换处理，得到润滑油泄漏体积模型图；
获取双目视觉传感器的角度参数，根据角度参数、润滑油泄漏体积模型图及预置泄漏量参数，建立润滑油泄漏量估计模型；
获取上一帧的润滑油泄漏量估计值及与当前相隔的时间间隔；
根据上一帧的润滑油泄漏量估计值、当前润滑油泄漏量估计值及时间间隔，建立平均泄漏速度估计模型。
进一步的，方法还包括：
选择至少一个已存在润滑油泄漏的第一智能分油箱及至少一个没有润滑油泄漏的第二智能分油箱；
计算出第一智能分油箱和第二智能分油箱中每一个智能分油箱的前景图归一化互信息熵及深度图归一化互信息熵；
当第一智能分油箱和第二智能分油箱中存在智能分油箱的深度图归一化互信息熵不小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为1；
当第一智能分油箱和第二智能分油箱中存在智能分油箱的深度图归一化互信息熵小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为0；
将所有的权重子因子相加，并除以第一智能分油箱和第二智能分油箱的数量和，计算得到预置权重因子。
进一步的，方法还包括：
选择至少一个没有润滑油泄漏的第三智能分油箱，以及获取定量润滑油，定量润滑油的份数与第三智能分油箱的数量对应；
将定量润滑油一一对应的倾倒在第三智能分油箱中，定量润滑油倾倒的位置为第三智能分油箱在发生泄漏后可能有润滑油的部位；
获取每一份定量润滑油的体积，得到所有的第三智能分油箱的润滑油实际泄漏量；
获取第三智能分油箱中双目视觉传感器的角度参数；
根据角度参数、润滑油泄漏体积模型图及润滑油实际泄漏量，计算得到预置泄漏量参数。
进一步的，对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位，包括：
对待检测智能分油箱进行实时检测，得到待检测智能分油箱的待检测前景图及待检测深度图；
根据待检测前景图、待检测深度图及箱门锁到位模型，计算得到待检测智能分油箱的箱门锁到位值；
判断箱门锁到位值是否不小于预置箱门灵敏度因子，预置箱门灵敏度因子不小于0且不大于1，若不小于，则待检测智能分油箱的箱门锁到位；若小于，则待检测智能分油箱的箱门未锁到位。
进一步的，通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息，包括：
根据润滑油泄漏量估计模型及平均泄漏速度估计模型，计算得到待检测智能分油箱的润滑油泄漏量估计值及平均泄漏速度估计值；
判断润滑油泄漏量估计值是否不大于预置泄漏灵敏度因子，预置泄漏灵敏度因子大于或等于0；
若大于，则确定发生润滑油泄漏，并根据平均泄漏速度估计值确定泄漏速度，生成润滑油泄漏提示信息；
若不大于，则确定未发生润滑油泄漏。
本发明第二方面提供一种智能分油箱泄漏检测装置，用于执行以上第一方面中任一项的智能分油箱泄漏检测方法。
由上可见，本发明中智能分油箱泄漏检测方法是先获取预置智能分油箱的润滑油泄漏灰度值范围，预置智能分油箱的箱门锁到位，提取预置智能分油箱的内部结构的前景图和深度图，根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型，根据深度图建立标准深度信息图模型，根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型，对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位，若未锁到位，则生成箱门未锁到位提示信息；若锁到位，则通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息。可以通过建立的箱门锁到位模型判断箱门是否锁到位，从而在箱门未锁到位时发出提示信息，在箱门锁到位时，通过建立的润滑油泄漏模型可以检测润滑油泄漏信息，确定发生润滑油泄漏时，生成润滑油泄漏提示信息。对于智能分油箱的实时检测，能够在满足检测精度和灵敏度的条件下快速、准确的检测智能分油箱是否发生泄漏，可以实时检测智能分油箱箱门是否锁到位，可以有效应对智能分油箱内部结构形态的复杂多变，尤其对柔性元件和具有与润滑油成像灰度值一样的干扰物具有较强的鲁棒性，避免了因箱门未锁紧引起粉尘进入而引发的故障，节约了因泄漏造成的成本，进一步地节约了因泄漏造成的环境污染治理成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的智能分油箱泄漏检测方法的一个实施例的流程示意图；
图2为本发明提供的建立箱门锁到位模型及润滑油泄漏模型的流程示意图；
图3为本发明提供的世界点和光心的连线与光轴的夹角的示意图。
具体实施方式
本发明的核心是提供一种智能分油箱泄漏检测方法及装置，实现了智能分油箱是否发生泄漏及箱门是否锁到位的实时检测，可以有效应对智能分油箱内部结构形态的复杂多变，尤其对柔性元件和具有与润滑油成像灰度值一样的干扰物具有较强的鲁棒性，避免了因箱门未锁紧引起粉尘进入而引发的故障，节约了因泄漏造成的成本，进一步地节约了因泄漏造成的环境污染治理成本。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种智能分油箱泄漏检测方法，包括：
101、获取预置智能分油箱的润滑油泄漏灰度值范围，预置智能分油箱的箱门锁到位；
本实施例中，通过安装在智能分油箱箱门的双目视觉传感器，能够实时采集智能分油箱的内部结构图和深度图，在实施智能分油箱泄漏检测方法时，需要先构建计算模型，首先设置已知的发生润滑油泄漏的预置智能分油箱，并且预置智能分油箱的箱门锁到位了，由于预置智能分油箱的箱门是锁到位的，那么箱内部的结构是不会受到外界影响的，那么只会受到润滑油泄漏的影响，润滑油泄漏之后，会沾到内部结构之上，通过视觉传感器的采集的图片是能够确定润滑油的泄漏位置，而通过对图片的灰度化处理就能确定润滑油泄漏灰度值范围。
102、提取预置智能分油箱的内部结构的前景图和深度图；
本实施例中，在双目视觉传感器采集到预置智能分油箱的内部结构的图片之后，通过相应的视觉图片技术处理，就能够提取出内部结构的前景图和深度图。
103、根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型；
104、根据深度图建立标准深度信息图模型；
105、根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型；
本实施例中，在建立了标准前景图模型及标准深度信息图模型之上，建立箱门锁到位模型及润滑油泄漏模型。
106、对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位；
本实施例中，对待检测智能分油箱进行实时检测，获取到待检测智能分油箱的内部结构的前景图和深度图，再通过处理并结合箱门锁到位模型就能判断待检测智能分油箱的箱门是否锁到位，如果未锁到位，执行步骤107；如果锁到位，执行步骤步骤108。
107、生成箱门未锁到位提示信息；
本实施例中，在判断出待检测智能分油箱的箱门未锁到位时，生成箱门未锁到位提示信息，能够提醒维护人员进行锁好箱门，后续再执行步骤106时，就能够确定箱门是锁到位的。
108、通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息。
本实施例中，在判断出待检测智能分油箱的箱门锁到位时，通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，根据润滑油泄漏信息能够确定是否发生润滑油泄漏，在发生润滑油泄漏时，生成润滑油泄漏提示信息，用于提醒维护人员进行泄漏清理及查找并修理泄漏原因。
本发明实施例中，可以通过建立的箱门锁到位模型判断箱门是否锁到位，从而在箱门未锁到位时发出提示信息，在箱门锁到位时，通过建立的润滑油泄漏模型可以检测润滑油泄漏信息，确定发生润滑油泄漏时，生成润滑油泄漏提示信息。对于智能分油箱的实时检测，能够在满足检测精度和灵敏度的条件下快速、准确的检测智能分油箱是否发生泄漏，可以实时检测智能分油箱箱门是否锁到位，可以有效应对智能分油箱内部结构形态的复杂多变，尤其对柔性元件和具有与润滑油成像灰度值一样的干扰物具有较强的鲁棒性，避免了因箱门未锁紧引起粉尘进入而引发的故障，节约了因泄漏造成的成本，进一步地节约了因泄漏造成的环境污染治理成本。
结合以上图1所示的实施例，下面通过实施例对步骤101进行详细的说明，可选的，本发明的一些实施例中，获取预置智能分油箱的润滑油泄漏灰度值范围，包括：
选取至少一个发生润滑油泄漏的预置智能分油箱，预置智能分油箱的箱门锁到位；
通过双目视觉传感器采集预置智能分油箱的内部结构图；
对内部结构图进行灰度化处理，得到内部结构灰度化图；
通过人工标记内部结构灰度化图中的润滑油；
计算得到所有的内部结构灰度化图中润滑油的最大灰度值及最小灰度值，得到润滑油泄漏灰度值范围。
本发明实施例中，选取
Figure 113018DEST_PATH_IMAGE001
个有润滑油泄漏的智能分油箱，在箱门锁到位的条件下，利用双目视觉传感器各采集一张内部结构图并灰度化，得到
Figure 916894DEST_PATH_IMAGE002
张存在润滑油泄漏的内部结构灰度化图，通过人工标记这
Figure 800537DEST_PATH_IMAGE002
张图中的润滑油，计算各图中润滑油的最大灰度值和最小灰度值，设定
Figure 149610DEST_PATH_IMAGE003
和
Figure 118703DEST_PATH_IMAGE004
分别表示第n张图中润滑油的最大灰度值和最小灰度值则润滑油的灰度值GreyVa定义为：
Figure 693647DEST_PATH_IMAGE005
。
结合以上图1所示的实施例，下面通过实施例对步骤102进行详细的说明，可选的，本发明的一些实施例中，提取预置智能分油箱的内部结构的前景图和深度图，包括：
获取预置智能分油箱的内部结构灰度化图及深度图；
根据内部结构灰度化图得到预置智能分油箱的内部结构的前景图A’。
本发明实施例中，通过双目视觉传感器，获得智能分油箱内部结构图和对应的深度图B，并对其内部结构图灰度化得到内部结构灰度化图A，通过灰度变换算子计算即可得到内部结构的前景图图。
结合以上图1所示的实施例，下面通过实施例对步骤103进行详细的说明，可选的，本发明的一些实施例中，根据前景图和润滑油泄漏灰度值范围，建立标准前景图模型，包括：
根据润滑油泄漏灰度值范围设置灰度变化算子；
根据灰度变化算子及前景图，建立标准前景图模型。
本发明实施例中，设定A(x,y)为图A中图像坐标(x,y)处的灰度值，GreyVa为润滑油灰度值范围，灰度变换算子为：
Figure 697375DEST_PATH_IMAGE006
，
对图A按照灰度变换算子进行灰度变换得到图A’，图A’即为预置智能分油箱的标准前景图模型。
结合以上图1所示的实施例，下面通过实施例对步骤105进行详细的说明，可选的，如图2所示为建立箱门锁到位模型及润滑油泄漏模型的流程示意图，本发明的一些实施例中，根据标准前景图模型及标准深度信息图模型，建立箱门锁到位模型及润滑油泄漏模型，包括：
201、获取实时采集的智能分油箱的实时前景图及实时深度图；
本实施例中，通过双目视觉传感器实时读取智能分油箱内部结构图和对应的实时深度图D并对其内部结构图灰度化得到图C将图C据灰度变换算子
Figure 686191DEST_PATH_IMAGE007
进行灰度变换，得到图C的实时前景图C’。
202、计算得到实时前景图与标准前景图模型的前景图归一化互信息熵，以及实时深度图与标准深度信息图模型的深度图归一化互信息熵；
本实施例中，设定Ki表示图D灰度值为i的个数，计算图D各灰度值出现的概率：
Figure 142580DEST_PATH_IMAGE008
，
其中，pi=0，则定义
Figure 22680DEST_PATH_IMAGE009
；
计算图D信息熵：
Figure 880915DEST_PATH_IMAGE010
，
同理，通过计算可得预置智能分油箱的标准深度信息图模型的信息熵为eB；
设定PDB(i,j)是图D标准深度信息图模型的像素点灰度值联合概率分布，其中j为标准深度信息图模型的像素灰度值;
其中：PDB(i,j)，则定义
Figure 571790DEST_PATH_IMAGE011
；
计算图D标准深度信息图模型的联合熵：
Figure 249896DEST_PATH_IMAGE012
，
计算图D标准深度信息图模型的归一化互信息熵为：
Figure 543474DEST_PATH_IMAGE013
，
同理，通过计算可得前景图C’与标准前景图模型A’的归一化互信息熵为I(C’,A’)。
203、根据预置权重因子、前景图归一化互信息熵及深度图归一化互信息熵，建立箱门锁到位模型；
本实施例中，引入预置权重因子
Figure 882314DEST_PATH_IMAGE014
，其中，
Figure 868725DEST_PATH_IMAGE015
。智能分油箱的箱门锁到位模型为：
Figure 175072DEST_PATH_IMAGE016
。
204、根据实时前景图对实时深度图进行灰度变换处理，得到实时深度灰度化图；
本实施例中，设定C（x，y）’为图C’中图像坐标（x，y）处的灰度值,D(x,y)为图D图像坐标（x，y）处的灰度值，GreyVa为润滑油灰度值范围；
灰度变换算子为：
Figure 272341DEST_PATH_IMAGE017
，
对图D照灰度变换算子进行灰度变换得到实时深度灰度化图D’。
205、根据标准前景图模型对标准深度信息图模型进行灰度变换处理，得到标准深度灰度化图；
本实施例中，设定A(x,y)’为标准前景图模型A’中图像坐标处的灰度值(x,y),为标准深度信息图模型B图像坐标(x,y)处的灰度值；
灰度变换算子为：
Figure 698643DEST_PATH_IMAGE018
，
对图B照灰度变换算子进行灰度变换得到标准深度灰度化图B’。
206、对实时深度灰度化图及标准深度灰度化图进行差分灰度变换处理，得到润滑油泄漏体积模型图；
本实施例中，深度图差分灰度变换算子为：
Figure 855955DEST_PATH_IMAGE019
，.
对图D’和图B’按照深度图差分灰度变换算子进行差分灰度变换得到润滑油泄漏体积模型图V。
207、获取双目视觉传感器的角度参数，根据角度参数、润滑油泄漏体积模型图及预置泄漏量参数，建立润滑油泄漏量估计模型；
本实施例中，引入预置泄漏量参数参数s,设定V(x,y)为图V中图像坐标(x,y)处的灰度值，获取双目视觉传感器的角度参数，如图3所示，图V中图像坐标为(x,y)的点对应的世界点和光心的连线与光轴的夹角为
Figure 649599DEST_PATH_IMAGE020
，其中
Figure 19400DEST_PATH_IMAGE021
，则智能分油箱的泄漏量估计模型为：
Figure 706734DEST_PATH_IMAGE022
。
208、获取上一帧的润滑油泄漏量估计值及与当前相隔的时间间隔；
本实施例中，设定通过双目视觉传感器读取的上一帧图的润滑油泄漏量估计值为
Figure 658116DEST_PATH_IMAGE023
，上一帧与当前的时间间隔为
Figure 798110DEST_PATH_IMAGE024
。
209、根据上一帧的润滑油泄漏量估计值、当前润滑油泄漏量估计值及时间间隔，建立平均泄漏速度估计模型。
本实施例中，根据
Figure 378127DEST_PATH_IMAGE025
、
Figure 919967DEST_PATH_IMAGE026
及
Figure 543715DEST_PATH_IMAGE027
，建立的平均泄漏速度估计模型为：
Figure 905426DEST_PATH_IMAGE028
。
需要说明的是，在以上图2所示的实施例中，预置权重因子是直接引入的，并未说明来源，下面通过实施例进行具体说明，可选的，本发明的一些实施例中，方法还包括：
选择至少一个已存在润滑油泄漏的第一智能分油箱及至少一个没有润滑油泄漏的第二智能分油箱；
计算出第一智能分油箱和第二智能分油箱中每一个智能分油箱的前景图归一化互信息熵及深度图归一化互信息熵；
当第一智能分油箱和第二智能分油箱中存在智能分油箱的深度图归一化互信息熵不小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为1；
当第一智能分油箱和第二智能分油箱中存在智能分油箱的深度图归一化互信息熵小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为0；
将所有的权重子因子相加，并除以第一智能分油箱和第二智能分油箱的数量和，计算得到预置权重因子。
本发明实施例中，随机选取
Figure 757976DEST_PATH_IMAGE029
个已存在泄漏的第一智能分油箱和
Figure 419901DEST_PATH_IMAGE030
个没有泄漏的第二智能分油箱，通过双目视觉传感器对随机选取的n3+n4个智能分油箱各获取一张内部结构图和对应的深度图，并对其内部结构图灰度化，通过计算可得第n个智能分油箱的前景图与其标准前景图模型的归一化互信息熵为
Figure 716016DEST_PATH_IMAGE031
，第n个智能分油箱的深度图与其标准深度信息图模型的归一化互信熵息为
Figure 565023DEST_PATH_IMAGE032
，
Figure 345897DEST_PATH_IMAGE033
表示该智能分油箱对应的权重子因子，记为：
Figure 3275DEST_PATH_IMAGE034
，
权重因子
Figure 968825DEST_PATH_IMAGE035
为所有的权重子因子相加，并除以第一智能分油箱和第二智能分油箱的数量和，记为：
Figure 570708DEST_PATH_IMAGE036
。
需要说明的是，在以上图2所示的实施例中，预置泄漏量参数是直接引入的，并未说明来源，下面通过实施例进行具体说明，可选的，本发明的一些实施例中，方法还包括：
选择至少一个没有润滑油泄漏的第三智能分油箱，以及获取定量润滑油，定量润滑油的份数与第三智能分油箱的数量对应；
将定量润滑油一一对应的倾倒在第三智能分油箱中，定量润滑油倾倒的位置为第三智能分油箱在发生泄漏后可能有润滑油的部位；
获取每一份定量润滑油的体积，得到所有的第三智能分油箱的润滑油实际泄漏量；
获取第三智能分油箱中双目视觉传感器的角度参数；
根据角度参数、润滑油泄漏体积模型图及润滑油实际泄漏量，计算得到预置泄漏量参数。
本发明实施例中，随机选取
Figure 30639DEST_PATH_IMAGE037
个没有润滑油泄漏的第三智能分油箱，随机获取n5份定量润滑油，且这n5份定量润滑油的体积均小于
Figure 401578DEST_PATH_IMAGE038
，其中
Figure 60003DEST_PATH_IMAGE039
，将这n5份定量润滑油分别倾倒在选取的n5个第三智能分油箱中，其中，每份定量润滑油只倾倒在一个第三智能分油箱中，且将润滑油倾倒在智能分油箱发生泄漏后可能有润滑油的部分（随机选取发生泄漏后可能有润滑油的部分）；
记
Figure 883602DEST_PATH_IMAGE040
为向第n个智能分油箱中倾倒的润滑油实际泄漏量。第n个智能分油箱的润滑油体积模型图中图像坐标为（x，y）的灰度值是
Figure 147224DEST_PATH_IMAGE041
，根据视觉传感器的参数可得，第n个智能分油箱的润滑油体积模型图中图像坐标为
（x，y）的点对应的世界点和光心的连线与光轴的夹角为
Figure 372669DEST_PATH_IMAGE042
，其中
Figure 680023DEST_PATH_IMAGE043
，按照泄漏量估计模型，表示为：
Figure 256498DEST_PATH_IMAGE044
；
将以上公式记为：
Figure 58232DEST_PATH_IMAGE045
向量化后为：
Figure 403762DEST_PATH_IMAGE046
；
使用最小二乘法求最优解，得：
Figure 649061DEST_PATH_IMAGE047
；
其中，如果
Figure 447253DEST_PATH_IMAGE048
非奇异,则
Figure 787098DEST_PATH_IMAGE049
有唯一的解
Figure 987136DEST_PATH_IMAGE050
，即预置泄漏量参数
Figure 901871DEST_PATH_IMAGE051
；若
Figure 921779DEST_PATH_IMAGE048
奇异，将n5的值增加1，可得向量方程
Figure 330895DEST_PATH_IMAGE052
，用最小二乘法求其最优解，直到
Figure 385439DEST_PATH_IMAGE048
非奇异，可得预置泄漏量参数
Figure 704031DEST_PATH_IMAGE051
。
结合以上图1所示的实施例，下面通过实施例对步骤106进行详细的说明，可选的，本发明的一些实施例中，对待检测智能分油箱进行实时检测，根据箱门锁到位模型判断待检测智能分油箱的箱门是否锁到位，包括：
对待检测智能分油箱进行实时检测，得到待检测智能分油箱的待检测前景图及待检测深度图；
根据待检测前景图、待检测深度图及箱门锁到位模型，计算得到待检测智能分油箱的箱门锁到位值；
判断箱门锁到位值是否不小于预置箱门灵敏度因子，预置箱门灵敏度因子不小于0且不大于1，若不小于，则待检测智能分油箱的箱门锁到位；若小于，则待检测智能分油箱的箱门未锁到位。
本发明实施例中，对待检测智能分油箱进行实时检测，得到待检测智能分油箱的待检测前景图及待检测深度图，根据待检测前景图、待检测深度图及箱门锁到位模型，计算得到待检测智能分油箱的箱门锁到位值，表示为：
Figure 211236DEST_PATH_IMAGE053
，引入预置箱门灵敏度因子L1，
Figure 158463DEST_PATH_IMAGE054
；
则智能分油箱箱门是否锁到位的评价标准为：
Figure 67514DEST_PATH_IMAGE055
，
即，
Figure 324051DEST_PATH_IMAGE056
不小于L1时，待检测智能分油箱的箱门锁到位；
Figure 52973DEST_PATH_IMAGE056
小于L1时，则待检测智能分油箱的箱门未锁到位。
结合以上图1所示的实施例，下面通过实施例对步骤108进行详细的说明，可选的，本发明的一些实施例中，通过润滑油泄漏模型获取待检测智能分油箱的润滑油泄漏信息，当根据润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息，包括：
根据润滑油泄漏量估计模型及平均泄漏速度估计模型，计算得到待检测智能分油箱的润滑油泄漏量估计值及平均泄漏速度估计值；
判断润滑油泄漏量估计值是否不大于预置泄漏灵敏度因子，预置泄漏灵敏度因子大于或等于0；
若大于，则确定发生润滑油泄漏，并根据平均泄漏速度估计值确定泄漏速度，生成润滑油泄漏提示信息；
若不大于，则确定未发生润滑油泄漏。
本发明实施例中，智能分油箱的泄漏量估计模型为
Figure 928525DEST_PATH_IMAGE057
，智能分油箱的平均泄漏速度估计模型为
Figure 833027DEST_PATH_IMAGE058
，引入预置泄漏灵敏度因子L2，
Figure 870253DEST_PATH_IMAGE059
，则智能分油箱润滑油泄漏的评价标准为：
Figure 243728DEST_PATH_IMAGE060
，
Figure 657392DEST_PATH_IMAGE061
大于L2时，确定发生润滑油泄漏，并根据平均泄漏速度估计值确定泄漏速度，生成润滑油泄漏提示信息，
Figure 416401DEST_PATH_IMAGE061
不大于L2时，确定未发生润滑油泄漏。
除了以上实施例之外，需要说明的是，为了提高检测的准确性，还可以对标准前景图模型和标准深度信息图模型实现智能更新，具体如下：
可选的，本发明的一些实施例中，
根据智能分油箱的润滑油泄漏量估计模型，通过计算可得智能分油箱当前润滑油泄漏量估计值为
Figure 624528DEST_PATH_IMAGE062
,记
Figure 718255DEST_PATH_IMAGE063
为通过双目视觉传感器读取的前第
Figure 935610DEST_PATH_IMAGE064
帧的润滑油泄漏量估计值，其中
Figure 549125DEST_PATH_IMAGE065
表示当前帧。记
Figure 928153DEST_PATH_IMAGE066
为整数，且
Figure 7711DEST_PATH_IMAGE067
；
引入阈值参数
Figure 763178DEST_PATH_IMAGE068
，
Figure 496779DEST_PATH_IMAGE068
值根据实际要求设定，其中，
Figure 46709DEST_PATH_IMAGE069
；
智能分油箱标准前景图模型和标准深度信息图模型的更新指标为：
Figure 724815DEST_PATH_IMAGE070
，
其中
Figure 408606DEST_PATH_IMAGE071
及
Figure 855768DEST_PATH_IMAGE072
的计算过程如下：
Figure 717544DEST_PATH_IMAGE073
，
Figure 882947DEST_PATH_IMAGE074
，
Figure 980216DEST_PATH_IMAGE075
，
Figure 173562DEST_PATH_IMAGE076
，
Figure 65294DEST_PATH_IMAGE077
，
Figure 593359DEST_PATH_IMAGE078
，
当
Figure 494319DEST_PATH_IMAGE079
时，将通过双目视觉传感器读取的当前图重新建立智能分油箱的标准前景图模型和标准深度信息图模型。
本发明实施例还提供一种智能分油箱泄漏检测装置，用于执行以上图1、图2及所有可选实施例中的智能分油箱泄漏检测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种智能分油箱泄漏检测方法，其特征在于，包括：
选取至少一个发生润滑油泄漏的预置智能分油箱，所述预置智能分油箱的箱门锁到位；
通过双目视觉传感器采集所述预置智能分油箱的内部结构图；
对所述内部结构图进行灰度化处理，得到内部结构灰度化图；
通过人工标记所述内部结构灰度化图中的润滑油；
计算得到所有的所述内部结构灰度化图中润滑油的最大灰度值及最小灰度值，得到润滑油泄漏灰度值范围；
获取所述预置智能分油箱的内部结构灰度化图及深度图；
根据所述内部结构灰度化图得到所述预置智能分油箱的内部结构的前景图；
根据所述润滑油泄漏灰度值范围设置灰度变化算子；
根据所述灰度变化算子及所述前景图，建立标准前景图模型；
根据所述深度图建立标准深度信息图模型；
获取实时采集的智能分油箱的实时前景图及实时深度图；
计算得到所述实时前景图与所述标准前景图模型的前景图归一化互信息熵，以及所述实时深度图与所述标准深度信息图模型的深度图归一化互信息熵；
根据预置权重因子、所述前景图归一化互信息熵及所述深度图归一化互信息熵，建立箱门锁到位模型；
根据所述实时前景图对所述实时深度图进行灰度变换处理，得到实时深度灰度化图；
根据所述所述标准前景图模型对所述标准深度信息图模型进行灰度变换处理，得到标准深度灰度化图；
对所述实时深度灰度化图及所述标准深度灰度化图进行差分灰度变换处理，得到润滑油泄漏体积模型图；
获取所述双目视觉传感器的角度参数，根据所述角度参数、所述润滑油泄漏体积模型图及预置泄漏量参数，建立润滑油泄漏量估计模型；
获取上一帧的润滑油泄漏量估计值及与当前相隔的时间间隔；
根据所述上一帧的润滑油泄漏量估计值、当前润滑油泄漏量估计值及所述时间间隔，建立平均泄漏速度估计模型；
对待检测智能分油箱进行实时检测，根据所述箱门锁到位模型判断所述待检测智能分油箱的箱门是否锁到位；
若未锁到位，则生成箱门未锁到位提示信息；
若锁到位，则通过所述润滑油泄漏量估计模型及所述平均泄漏速度估计模型获取所述待检测智能分油箱的润滑油泄漏信息，当根据所述润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
选择至少一个已存在润滑油泄漏的第一智能分油箱及至少一个没有润滑油泄漏的第二智能分油箱；
计算出所述第一智能分油箱和所述第二智能分油箱中每一个智能分油箱的前景图归一化互信息熵及深度图归一化互信息熵；
当所述第一智能分油箱和所述第二智能分油箱中存在智能分油箱的深度图归一化互信息熵不小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为1；
当所述第一智能分油箱和所述第二智能分油箱中存在智能分油箱的深度图归一化互信息熵小于前景图归一化互信息熵时，对应智能分油箱的权重子因子记录为0；
将所有的权重子因子相加，并除以所述第一智能分油箱和所述第二智能分油箱的数量和，计算得到预置权重因子。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
选择至少一个没有润滑油泄漏的第三智能分油箱，以及获取定量润滑油，所述定量润滑油的份数与所述第三智能分油箱的数量对应；
将所述定量润滑油一一对应的倾倒在所述第三智能分油箱中，所述定量润滑油倾倒的位置为所述第三智能分油箱在发生泄漏后可能有润滑油的部位；
获取每一份定量润滑油的体积，得到所有的所述第三智能分油箱的润滑油实际泄漏量；
获取所述第三智能分油箱中所述双目视觉传感器的角度参数；
根据所述角度参数、所述润滑油泄漏体积模型图及所述润滑油实际泄漏量，计算得到预置泄漏量参数。
4.根据权利要求2所述的方法，其特征在于，所述对待检测智能分油箱进行实时检测，根据所述箱门锁到位模型判断所述待检测智能分油箱的箱门是否锁到位，包括：
对待检测智能分油箱进行实时检测，得到所述待检测智能分油箱的待检测前景图及待检测深度图；
根据所述待检测前景图、所述待检测深度图及所述箱门锁到位模型，计算得到所述待检测智能分油箱的箱门锁到位值；
判断所述箱门锁到位值是否不小于预置箱门灵敏度因子，所述预置箱门灵敏度因子不小于0且不大于1，若不小于，则所述待检测智能分油箱的箱门锁到位；若小于，则所述待检测智能分油箱的箱门未锁到位。
5.根据权利要求3所述的方法，其特征在于，所述通过所述润滑油泄漏量估计模型及所述平均泄漏速度估计模型获取所述待检测智能分油箱的润滑油泄漏信息，当根据所述润滑油泄漏信息确定发生润滑油泄漏时，生成润滑油泄漏提示信息，包括：
根据所述润滑油泄漏量估计模型及所述平均泄漏速度估计模型，计算得到所述待检测智能分油箱的润滑油泄漏量估计值及平均泄漏速度估计值；
判断所述润滑油泄漏量估计值是否不大于预置泄漏灵敏度因子，所述预置泄漏灵敏度因子大于或等于0；
若大于，则确定发生润滑油泄漏，并根据所述平均泄漏速度估计值确定泄漏速度，生成润滑油泄漏提示信息；
若不大于，则确定未发生润滑油泄漏。
6.一种智能分油箱泄漏检测装置，其特征在于，
用于执行以上权利要求1-5中任一项所述的智能分油箱泄漏检测方法。
CN202010509867.5A 2020-06-08 2020-06-08 一种智能分油箱泄漏检测方法及装置 Active CN111400938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010509867.5A CN111400938B (zh) 2020-06-08 2020-06-08 一种智能分油箱泄漏检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010509867.5A CN111400938B (zh) 2020-06-08 2020-06-08 一种智能分油箱泄漏检测方法及装置

Publications (2)

Publication Number Publication Date
CN111400938A CN111400938A (zh) 2020-07-10
CN111400938B true CN111400938B (zh) 2020-08-21

Family

ID=71431928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010509867.5A Active CN111400938B (zh) 2020-06-08 2020-06-08 一种智能分油箱泄漏检测方法及装置

Country Status (1)

Country Link
CN (1) CN111400938B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201702572A (zh) * 2015-07-15 2017-01-16 Hitachi Ltd 漏油檢測系統
CN110706333A (zh) * 2019-09-25 2020-01-17 汕头大学 一种基于人工标定管道位置及其漏点的重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190303648A1 (en) * 2018-04-02 2019-10-03 QRI Group, LLC Smart surveillance and diagnostic system for oil and gas field surface environment via unmanned aerial vehicle and cloud computation
US10900857B2 (en) * 2018-06-06 2021-01-26 Ford Global Technologies, Llc Methods and systems for fluid leak determination

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201702572A (zh) * 2015-07-15 2017-01-16 Hitachi Ltd 漏油檢測系統
CN110706333A (zh) * 2019-09-25 2020-01-17 汕头大学 一种基于人工标定管道位置及其漏点的重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Recent advances in pipeline monitoring and oil leakage detection technologies : principles and approaches;Mutiu A.A等;《Sensors》;20190604;第19卷(第11期);1-36 *
在线漏油检测系统的设计与实现;陈慜;《福建工程学院学报》;20100630;第8卷(第3期);284-288 *

Also Published As

Publication number Publication date
CN111400938A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN106651828B (zh) 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
CN111192225B (zh) 确定管道是否存在缺陷的方法、设备和计算机程序介质
CN114693633A (zh) 一种焊接缺陷检测方法、装置以及检测系统
CN111553914A (zh) 基于视觉的货物检测方法、装置、终端及可读存储介质
CN114298983A (zh) 一种防腐层缺陷智能识别与测量方法
CN111400938B (zh) 一种智能分油箱泄漏检测方法及装置
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN115457391A (zh) 一种管道的漏磁内检测方法、系统及相关组件
CN109767426B (zh) 一种基于图像特征识别的盾构隧道渗漏水检测方法
CN117237925B (zh) 一种基于计算机视觉的智慧道路病害巡检方法及系统
CN117333860A (zh) 一种基于深度学习的船舶水尺读数方法及装置
CN116465316A (zh) 钢材厚度批量测量方法、装置、设备及介质
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN115546283A (zh) 管井表面积检测方法、装置及电子设备
CN110033469A (zh) 一种亚像素边缘检测方法及系统
CN109949292A (zh) 一种带钢表面缺陷的检测方法及装置
CN114677331A (zh) 基于灰度图像和深度数据融合的管材缺陷检测方法及装置
CN115511718A (zh) Pcb图像校正方法、装置、终端设备和存储介质
CN102539077B (zh) 大罐统计物料平衡检漏方法及检漏系统
CN108509845B (zh) 基于特征拟合的变电站仪表设备巡检的视觉检测方法
FR3092196B1 (fr) Methode d’estimation de la topographie locale d’un echantillon a partir d’images de microscopie electronique a balayage et d’un modele mathematique
CN110533698A (zh) 一种基于视觉检测的基坑施工桩检测控制方法
CN108399412A (zh) 一种x型角点亚像素提取方法
He et al. Automatic accurate longitudinal location of structural defects in sewer pipes via monocular ranging
CN115786614B (zh) 一种高炉炉衬厚度的测量方法和装置

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
TR01 Transfer of patent right

Effective date of registration: 20230620

Address after: Room 301, Building 2, No. 57, Tongfu West Road, Shijie Town, Dongguan City, Guangdong Province, 523000

Patentee after: Dongguan Pinshuo Automation Technology Co.,Ltd.

Address before: No. 36, Yuelu District Lu Mountain Road, Changsha, Hunan

Patentee before: HUNAN NORMAL University

TR01 Transfer of patent right