CN111445485B - 一种在线磨粒图像数据处理方法 - Google Patents
一种在线磨粒图像数据处理方法 Download PDFInfo
- Publication number
- CN111445485B CN111445485B CN202010162460.XA CN202010162460A CN111445485B CN 111445485 B CN111445485 B CN 111445485B CN 202010162460 A CN202010162460 A CN 202010162460A CN 111445485 B CN111445485 B CN 111445485B
- Authority
- CN
- China
- Prior art keywords
- image
- abrasive
- abrasive particle
- denoising
- abrasive particles
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 153
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000006061 abrasive grain Substances 0.000 claims description 22
- 238000005299 abrasion Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 5
- 244000004005 Nypa fruticans Species 0.000 claims description 2
- 235000005305 Nypa fruticans Nutrition 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 230000003862 health status Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种在线磨粒图像数据处理方法，包括：S1、对磨粒图像进行灰度化处理；S2、对经过灰度化处理后的磨粒图像添加随机噪声，然后通过3M‑WVNID去噪算法对磨粒图像进行去噪处理,3M‑WVNID去噪算法集成小波分析去噪、二维变分模态分解和非局部均值滤波融合；S3、对去噪处理后的磨粒图像采用大津算法进行二值化图像分割；S4、采用canny算子进行边界特征检测并采用分水岭算法进行磨粒图像分割；S5、对经过图像处理后磨粒图像提取出特征参数。提取出的磨粒图像特征参数能够更加准确的对设备通过在线磨粒监测方法监测到的健康状态做出及时、准确的表征。
Description
技术领域
本发明属于油液健康状态监测技术领域，涉及一种在线磨粒图像数据处理方法。
背景技术
在健康状态监测领域，油液分析作为21世纪流行的健康状态监测方法已被广泛使用。而油液监测又主要分为在线磨粒监测和离线磨粒监测两种方法。在线磨粒监测主要由于其可以在不停机的状态下对设备的健康状态监测而备受青睐，磨粒图像的智能分析方法更是可直接对磨粒图像数据化，从而更为轻松的获得设备的健康状态。但在磨粒图像的智能分析过程中，磨粒图像往往由于噪声的影响，而使得分析结果出现很大的偏差，且目前众多的图像去噪方法倾向于油液监测中磨粒图像的较少，且针对磨粒图像的去噪效果不理想。在数据分析方面，由于设备运转过程复杂，因此在设备在线监测的过程中就需要更加精确的特征参数来对整个健康状态进行表征。
基于此，本发明以采集的数据为基础，通过优化改进图像去噪方法，并深入挖掘磨粒图像中更为精确的健康状态表征参数，提出一种新的在线磨粒图像数据处理方法。
发明内容
本申请提供要解决的技术问题是提供一种在线磨粒图像数据处理方法，解决现有技术中针对磨粒图像去噪效果不理想的问题。
为了达到上述目的，本发明的技术方案如下：
一种在线磨粒图像数据处理方法，包括如下步骤：
S1、针对在线磨粒监测采集到的磨粒图像，先对其边界进行裁剪，进而采用权重值法对磨粒图像进行灰度化处理；
S2、对经过灰度化处理后的磨粒图像添加随机噪声，然后通过3M-WVNID去噪算法对磨粒图像进行去噪处理,所述3M-WVNID去噪算法集成了小波分析去噪、二维变分模态分解和非局部均值滤波融合；
S3、对去噪处理后的磨粒图像采用大津算法进行二值化图像分割；
S4、采用canny算子进行边界特征检测并采用分水岭算法进行磨粒图像分割；
S5、对经过图像处理后磨粒图像提取出特征参数。
进一步的，所述3M-WVNID去噪算法具体为，将小波分析去噪后的图像分解为4个子模型，分别对4个子模型利用非局部均值滤波融合进行去噪，去除每个模型中所包含的其他部分随机噪声，再通过二维变分模态分解将4个子模型进行重构，得到降噪图像。
本发明的有益效果：
本发明的有益效果是本发明中的在线磨粒图像去噪方法主要是针对磨粒图像进行去噪，且使用的改进的磨粒去噪算法，能够更加有效的对磨粒图像起到去噪的效果，并且更好的保护了磨粒图像的边缘细节信息。提取出的磨粒图像特征参数能够更加准确的对设备通过在线磨粒监测方法监测到的健康状态做出及时、准确的表征。
附图说明
图1为磨粒图像灰度化处理结果图；
图2为在线磨粒监测中磨粒图像去噪的技术方案图；
图3为磨粒图像去噪过程图，其中，(a)原始图片，(b)含噪图片，(c)小波去噪后，(d)-(g)分别为4个子模型，(h)去噪后图片；
图4为磨粒图像去噪效果对比图，其中，(a)自适应中值滤波，(b)小波去噪，(c)二维中值滤波，(d)均值滤波，(e)自适应维纳滤波，(f)本发明算法；
图5为ostu算法图像分割二值化；
图6为canny算子边缘检测结果；
图7为分水岭算法图像分割后结果；
图8为正常齿轮灵敏度磨损指数Z(i)趋势及磨损界限图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附和实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
下面将结合具体实施例对本发明作进一步详细的描述，但本发明的实施方式包括但不限于以下实施例表示的范围。
本发明提出的图像处理步骤如下：
步骤一：针对在线磨粒监测采集到的磨粒图像，因为其本身由于传感器的影响，需要先对其边界进行裁剪，进而采用权重值法对磨粒图像进行灰度化处理，具体算法如下：
gx(i,j)＝0.299Rx(i,j)+0.587Gx(i,j)+0.114Bx(i,j)(1)
经过灰度化处理后的磨粒图像如图1所示。
步骤二：对图1添加随机噪声，为使噪声比例增加，提高本发明所提出的3M-WVNID去噪算法的普适应。主要的图像去噪路线如图2所示。首先，载入原始磨粒图片，并将图像进行灰度化。但是在原始磨粒图像的采集、传输和保存过程中，往往会夹杂很多的噪声影响图像的后续处理，因此对图像进行去噪处理就显得尤为重要。因为在采集磨粒图像时所夹杂的噪声是随机产生的。因此需对原始图像进行随机噪声的加噪处理，目的是放大原始图片的所包含的噪声量，以求证明本发明对夹杂噪声含量较高的图像依然具有很好的去噪效果。再通过小波去噪将图像中的部分噪声(高斯噪声)进行初步去除，并在此同时，将通过小波去噪时过程，所计算的磨粒图像的阈值s赋给二维变分模态分解中的阈值容差值thr，因为二维变分模态分解中容差值thr需要进行手动设置，而此步骤可以将目标磨粒图像的阈值进行计算，并自动的赋给二维变分模态分解中的容差值，这就等同于对容差值thr进行了图像自适应，极大地减少因手动输入数据造成的误差。后对经过小波去噪后的图像再使用二维变分模态分解，将其分解为4个子模型，分别对4个子模型利用非局部均值算法进行去噪，去除每个模型中所包含的其他部分随机噪声，再通过二维变分模态分解将4个子模型进行重构，最后，再利用二维变分模态分解进行去噪，此过程保证了图像的边缘细节，并通过非局部均值算法去噪的广泛性，中进一步对图像中所包含的其他随机噪声进行去除，并输出最终的降噪图像。
本发明提出的3M-WVNID去噪算法具体的磨粒图像去噪过程如下：
(1)选定适合的小波基，采用式(2)对加噪图像采用软阈值的方法进行小波去噪，并提取阈值计算结果为s；
(2)对经过小波去噪后的图像进行2D-VMD分解；
a、初始化并更新
n和thr值；
b、在频域内更新uk和wk；
c、采用下式(3)更新λ；
d、判断所得分量是否满足
若满足，则停止迭代，获取有限个分量。
(3)对分解得到的分量进行非局部均值去噪；
a、相似像素点搜索：以公式(4)的方法度量以当前像素点为中心的邻域块与搜索窗口之间的相似性，提取相似邻域；
b、以公式(5)计算相似邻域中心像素点的权重值；
c、以公式(6)计算像素点的灰度值u(x)；
d、遍历所有像素点，重复a至d步骤并重构图像；
(4)对去噪后的各分量进行重构，得到最终的去噪图像。
在线磨粒图像的图像去噪结果原始图像如图3所示，其中(b)为加噪后图片，所加噪声为随机噪声，后先经过小波算法去除部分噪声，如图(c)所示，再经过二维变分模式分解将含噪图片分为(d)-(g)4个子模型，且每层模型均经过非局部均值进行去噪后结果，最终再进行重构而成的(h)为3M-WVNID算法的最终去噪结果。
针对磨粒图像的去噪效果，常用的方法为主观和客观两方面对图像质量进行了评价。
从主观方面对磨粒图像的处理结果进行评价，从图4中可以看出，(a)中边缘细节较尖锐，(b)(c)(e)中相较于3M-WVNID算法仍有太多噪声污染，(d)中直接将图像信息也进行了处理，导致无法看见图像信息。综上所述，3M-WVNID算法能够更好的去除噪声，且能保证图像的边缘和细节信息。
从客观方面进行评价，主要引入两个参数，分别为含噪图像与原始图像的均方误差(MSE)和含噪图像与原始图像的峰值信噪比(PSNR)。其中：
含噪图像与原始图像的均方误差(MSE)计算公式为：
含噪图像与原始图像的峰值信噪比(PSNR)计算公式为：
图像去噪效果通常以MSE、PSNR这两个指标来客观地表征，一般来说，均方误差越小，峰值信噪比越大，说明图像的去噪效果越好。
步骤三：采用大津算法(ostu)的对去噪后图像进行二值化图像分割。具体算法如下：
σ2(T)＝W0W1(μ0-μ1)2(9)
其中W0为前景像素比，W1为后景像素比，μ0为前景灰度值，μ1为后景灰度值；
经图像处理后结果如图5所示；
步骤四：基于canny算子的边缘检测技术；
canny算子是对sobel算子的改进，抗噪性较强，且能够通过抑制图形的伪边界从而得到较细致的图像边界信息。因此本发明采用canny算子，对磨粒图像进行边界检测，提取出磨粒图像的骨架特征。其处理结果如图6所示。
步骤五：基于分水岭算法的磨粒分割；
分水岭算法是一种基于拓补学形态的图像分割方法，是基于地理学的拓扑地貌相关原理进行图像分割。该算法更适用于单通道信息图像，其优点在于能够保证封闭的闭合曲线，经过分水岭算法分割后的磨粒图像如图7所示。
步骤六：基于图像处理后的磨粒图像特征参数提取；
基于本发明中上述的磨粒图像处理算法，通过对磨粒图像上下边界的精确裁剪，经过一系列的图像处理，进而提取出正磨粒浓度(NIPCA)、大磨粒占比(pbr)和小磨粒占比(psr)和灵敏磨损指数为Z(i)四种特征参数。
(1)正磨粒浓度(NIPCA)：表示磨粒图像中磨粒链覆盖像素点个数占总像素点个数的比值，NIPCA值的大小与磨损量的变化密切相关。通过磨粒图像处理对白色的磨粒区域计算其总像素值S1，对图像的所有黑色区域计算器总像素值S0，进而求得磨粒图像的正磨粒浓度NIPCA：
(2)大磨粒占比(PBR)：一般认为磨损量与磨粒粒径的大小成正比，磨粒粒径越大，代表磨损量越大，预示着磨损越剧烈。油液中的磨粒无论是磨损产生的，还是外界环境进入油液的杂质，低于1μm的颗粒是对磨损几乎不起作用，而磨粒粒径在20μm至30μm时，对磨损的影响最大。因此针对大磨粒占比(PBR)，采用25μm为界限值，拟定磨粒粒径大于25μm的磨粒为大磨粒。通过大磨粒像素点覆盖面积占磨粒总像素点的比值表示大磨粒占比。由此得大磨粒占比PBR的计算公式为：
其中，S大磨粒面积为磨粒粒径大于25μm大磨粒占总磨粒浓度的百分比；
(3)小磨粒占比(PSR)：将磨粒粒径小于25μm的磨粒成为小磨粒，小磨粒像素点覆盖面积占磨粒总像素点的比值称为小磨粒占比，平稳的小磨粒占比代表监测设备处于正常磨损时期。
其中，S小磨粒面积为磨粒粒径小于25μm大磨粒占总磨粒浓度的百分比。
(4)灵敏磨损指数为Z(i)：Z(i)的值与灵敏度梯度指数P(i)和相邻浓度正磨粒浓度差值密切相关。P(i)值有效的将PBR和PSR值相结合，PBR值越大，PSR值越小，则P(i)值越大，对于油液中大磨粒大量增加的情况可以更好的通过P(i)值表现，大磨粒的增多表示磨损程度加重，使得Z(i)值的增大对于加重磨损程度表现更为灵敏。
Z(i)＝P(i)×△NIPCA(i)+NIPCA(i)(13)
其中：Z(i)为灵敏磨损指数；△NIPCA(i)为相邻两时刻正磨粒浓度之差，即△NIPCA(i)＝NIPCA(i)-NIPCA(i-1)，当i＝1时，△NIPCA(i)＝0；
P(i)为灵敏梯度指数，
其中PBR为磨粒粒径大于25μm磨粒占比；PSR为磨粒粒径小于25μm磨粒占比；
为了证明本发明3M-WVNID算法的有效性，本发明选择一组试验数据，对比了使用自适应中值滤波、小波去噪、二维中值滤波、均值滤波和自适应维纳滤波对加噪后图像的去噪效果，并采用客观评价方法中的MSE和PSNR两个指标对上述方法和本发明3M-WVNID方法进行了数值运算和对比，其结果如下表所示。
由上表可以看出，3M-WVNID算法的MSE值为0.0020，数值在已列出的所有算法中最小，且PSNR值为75.0470，与其他几组进行对比，数值最大，因此，本发明中3M-WVNID算法相较于其他几种算法在图像去噪方面，有更好的效果。
显然，本发明提出的针对于磨粒的分析方法，在线图像的去噪方法能够更有效的去除磨粒图像的噪声的同时，保护磨粒链的边缘细节信息
本发明选择某型号行星齿轮箱，利用OLVF监测行星齿轮箱的磨损程度及健康状态，利用其实验数据进行特征参数提取和数据分析。
通过特征参数计算，基于本发明采集到的齿轮箱基础实验数据，进行图像趋势曲线绘制，其结果如图8所示。从图中可以看出，在正常齿轮的Z(i)趋势及磨损界限图中，趋势图总体呈现“浴盆曲线”。满足摩擦学基本原理。在前260min，灵敏磨损指数处于警告值附近，是由于齿轮处于磨合期，是齿轮表面从粗糙向光滑转变的过程，磨粒较多且磨粒较大，同时在260min至900min阶段，磨粒浓度几乎完全处于正常磨损值下方，属于正常磨损状态。在900min后，齿轮出现严重磨损，较多监测值出现在危险磨损值上方，表明齿轮已处于严重磨损状态甚至已发生故障。从趋势图可以看出，本发明所提取的磨粒特征参数，能够准确有效的对设备的健康状态进行表征。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。任何熟悉该技术的人在本发明所揭露的技术范围内的局部修改或替换，都应涵盖在本发明的包含范围之内。
Claims (2)
1.一种在线磨粒图像数据处理方法，其特征在于，包括如下步骤：
S1、针对在线磨粒监测采集到的磨粒图像，先对其边界进行裁剪，进而采用权重值法对磨粒图像进行灰度化处理；
S2、对经过灰度化处理后的磨粒图像添加随机噪声，然后通过3M-WVNID去噪算法对磨粒图像进行去噪处理,所述3M-WVNID去噪算法集成小波分析去噪、二维变分模态分解和非局部均值滤波融合；
S3、对去噪处理后的磨粒图像采用大津算法进行二值化图像分割；
S4、采用canny算子进行边界特征检测并采用分水岭算法进行磨粒图像分割；
S5、对经过图像处理后磨粒图像提取出特征参数
所述对经过图像处理后磨粒图像提取出特征参数，特征参数包括正磨粒浓度NIPCA、大磨粒占比pbr、小磨粒占比psr和灵敏磨损指数为Z(i)；
所述正磨粒浓度NIPCA表示磨粒图像中磨粒链覆盖像素点个数占总像素点个数的比值，通过磨粒图像处理对白色的磨粒区域计算其总像素值S1，对图像的所有黑色区域计算器总像素值S0，进而求得磨粒图像的正磨粒浓度NIPCA：
所述大磨粒占比PBR为磨损量与磨粒粒径的大小成正比，将磨粒粒径大于25μm的磨粒定义为大磨粒；通过大磨粒像素点覆盖面积占磨粒总像素点的比值表示大磨粒占比：
其中，S大磨粒面积为磨粒粒径大于25μm大磨粒占总磨粒浓度的百分比；
所述小磨粒占比PSR为小磨粒像素点覆盖面积占磨粒总像素点的比值，将磨粒粒径小于25μm的磨粒定义为小磨粒；
其中，S小磨粒面积为磨粒粒径小于25μm大磨粒占总磨粒浓度的百分比；
所述灵敏磨损指数为Z(i)，Z(i)的值与灵敏度梯度指数P(i)和相邻浓度正磨粒浓度差值相关；
Z(i)＝P(i)×ΔNIPCA(i)+NIPCA(i)
其中：Z(i)为灵敏磨损指数；ΔNIPCA(i)为相邻两时刻正磨粒浓度之差，即ΔNIPCA(i)＝NIPCA(i)-NIPCA(i-1)，当i＝1时，ΔNIPCA(i)＝0；
P(i)为灵敏梯度指数，
其中PBR为磨粒粒径大于25μm磨粒占比；PSR为磨粒粒径小于25μm磨粒占比。
2.根据权利要求1所述在线磨粒图像数据处理方法，其特征在于，所述3M-WVNID去噪算法具体为，将小波分析去噪后的图像分解为4个子模型，分别对4个子模型利用非局部均值滤波融合进行去噪，去除每个模型中所包含的其他部分随机噪声，再通过二维变分模态分解将4个子模型进行重构，得到降噪图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162460.XA CN111445485B (zh) | 2020-03-10 | 2020-03-10 | 一种在线磨粒图像数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162460.XA CN111445485B (zh) | 2020-03-10 | 2020-03-10 | 一种在线磨粒图像数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445485A CN111445485A (zh) | 2020-07-24 |
| CN111445485B true CN111445485B (zh) | 2023-05-23 |
Family
ID=71655774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010162460.XA Active CN111445485B (zh) | 2020-03-10 | 2020-03-10 | 一种在线磨粒图像数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445485B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114220189B (zh) * | 2021-12-15 | 2024-03-29 | 震坤行工业超市(上海)有限公司 | 一种监测方法、预测系统、电子设备及存储介质 |
| CN116660107B (zh) * | 2023-04-27 | 2024-04-19 | 北京格谱检测科技有限公司 | 一种在线磨损检测抗气泡干扰方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805845A (zh) * | 2018-08-10 | 2018-11-13 | 南京信息工程大学 | 小波包与偏微分方程相结合的图像去噪方法 |
| CN109584253A (zh) * | 2018-12-20 | 2019-04-05 | 重庆切克威科技有限公司 | 油液磨粒图像分割方法 |
| CN110208124A (zh) * | 2019-05-30 | 2019-09-06 | 新疆大学 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335947B (zh) * | 2014-05-26 | 2019-03-01 | 富士通株式会社 | 图像去噪方法和图像去噪装置 |
-
2020
- 2020-03-10 CN CN202010162460.XA patent/CN111445485B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805845A (zh) * | 2018-08-10 | 2018-11-13 | 南京信息工程大学 | 小波包与偏微分方程相结合的图像去噪方法 |
| CN109584253A (zh) * | 2018-12-20 | 2019-04-05 | 重庆切克威科技有限公司 | 油液磨粒图像分割方法 |
| CN110208124A (zh) * | 2019-05-30 | 2019-09-06 | 新疆大学 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Non-Patent Citations (3)
| Title |
|---|
| 任松 ; 徐雪茹 ; 赵云峰 ; 王小书 ; .一种高效的油液磨粒图像自适应分割方法.北京航空航天大学学报.2019,(05),全文. * |
| 许友雷 ; 舒忠 ; .基于轮廓波变换的图像混合噪声去除算法研究.现代计算机.2019,(33),全文. * |
| 黄鹏 ; 贾民平 ; 钟秉林 ; 胡献国 ; .磨损磨粒显微形态分析与自动识别技术.东南大学学报(自然科学版).2006,(03),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445485A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445485B (zh) | 一种在线磨粒图像数据处理方法 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
| CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
| Jung et al. | Robust watershed segmentation using wavelets | |
| CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
| CN108074235A (zh) | 基于区域增长算法的碳纤维表面缺陷程度估计方法 | |
| Selvakumar et al. | The performance analysis of edge detection algorithms for image processing | |
| CN114972325B (zh) | 一种基于图像处理的汽车轮毂缺陷检测方法 | |
| CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
| CN101944230A (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
| CN101908205B (zh) | 基于幻方编码的中值滤波方法 | |
| CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
| Lin | Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques | |
| Cao et al. | Image denoising and feature extraction of wear debris for online monitoring of planetary gearboxes | |
| Lahmiri et al. | Combined partial differential equation filtering and particle swarm optimization for noisy biomedical image segmentation | |
| CN116773520A (zh) | 基于图像分割算法的料液雾化状况检测方法 | |
| Biswas et al. | A model of noise reduction using Gabor Kuwahara filter | |
| CN115358947A (zh) | 一种铁谱磨粒图像去噪方法、装置、设备及可读存储介质 | |
| Karibasappa et al. | AI based automated identification and estimation of noise in digital images | |
| CN114332144A (zh) | 样本粒度检测方法、系统、电子设备及存储介质 | |
| JPH0376402B2 (zh) | ||
| CN113205491A (zh) | 一种基于深度学习的织物起毛起球评级方法 | |
| Ma | Towards artifact-free characterization of surface topography using complex wavelets and total variation minimization | |
| CN112598646B (zh) | 电容缺陷检测方法、装置、电子设备及存储介质 |
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 |