CN112132830A - 基于人工智能的气密性检测水体晃动感知方法与系统 - Google Patents
基于人工智能的气密性检测水体晃动感知方法与系统 Download PDFInfo
- Publication number
- CN112132830A CN112132830A CN202011204035.9A CN202011204035A CN112132830A CN 112132830 A CN112132830 A CN 112132830A CN 202011204035 A CN202011204035 A CN 202011204035A CN 112132830 A CN112132830 A CN 112132830A
- Authority
- CN
- China
- Prior art keywords
- bubbles
- area
- adhesion
- image
- water body
- 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.)
- Withdrawn
Links
Images
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的气密性检测水体晃动感知方法与系统。该方法包括:将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像;将第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;结合黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对第一区域图像进行处理和分析,得到气泡的离散度;当气泡的离散度大于0时,通过时间预测模型得到水体稳定的时间。通过分析黏着气泡的面积变化和气泡的运动离散程度,预测检测槽中水体的晃动程度,进一步地通过时间预测模型得到确切的水体稳定时间,能够提高气密性检测结果的严谨性和准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的气密性检测水体晃动感知方法与系统。
背景技术
对于气缸体、气缸盖等汽车工件的气密性检测通常采用浸泡法进行检测,即将工件浸没在水中,然后通过观察水中是否有气泡产生来判断工件的气密性。
目前,本领域的技术人员通过研究检测过程中气泡的运动轨迹和气泡的特征,来判断是否有气泡产生,进而确定工件的气密性。但是在气密性检测过程中,工件入水时,工件的表面和检测池壁也会附着大量的气泡,当水体晃动时,附着气泡的轨迹会发生变化,即气泡可能会上浮,导致气密性检测过程中气泡产生的原因出现误差,从而会使检测结果不准确。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的气密性检测水体晃动感知方法与系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的气密性检测水体晃动感知方法,该方法包括以下步骤:
将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像,所述第一区域图像包括检测槽壁、工件表面和水面之间的水体区域,所述第二区域图像包括所述水体两侧的检测槽壁平面区域和工件表面区域;
将所述第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;
结合所述黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对所述第一区域图像进行图像处理和分析,得到气泡的离散度;
当所述气泡的离散度大于0时,由所述气泡的离散度和所述黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间;
所述时间预测模型为:
当所述黏着气泡的面积变化量大于或等于所述黏着气泡面积变化的初始阈值时,根据水体的体积、所述气泡的离散度和所述黏着气泡的面积变化量,得到所述检测环境中水体稳定的时间;
当所述黏着气泡的面积变化量小于所述黏着气泡面积变化的初始阈值时,根据所述水体的体积和所述气泡的离散度,得到所述检测环境中水体稳定的时间。
所述气泡的离散度的计算公式为:
所述黏着气泡面积变化的初始阈值,包括:
当所述黏着气泡的面积变化量大于或等于设定的黏着气泡面积变化的初始阈值时,所述黏着气泡面积变化的初始阈值固定不变;
当所述黏着气泡的面积变化量小于设定的黏着气泡面积变化的初始阈值时,结合所述气泡的离散度,
更新所述黏着气泡面积变化的初始阈值。
所述更新所述黏着气泡面积变化的初始阈值的公式为:
其中,αj为第j个所述黏着气泡面积变化的初始阈值。
第二方面,本发明另一个实施例提供了一种基于人工智能的气密性检测水体晃动感知系统,该系统包括:
图像处理单元,用于将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像,所述第一区域图像包括检测槽壁、工件表面和水面之间的水体区域,所述第二区域图像包括所述水体两侧的检测槽壁平面区域和工件表面区域;
变化量预测单元,用于将所述第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;
离散度预测单元,用于结合所述黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对所述第一区域图像进行图像处理和分析,得到气泡的离散度;
时间预测单元,用于当所述气泡的离散度大于0时,由所述气泡的离散度和所述黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间;
所述时间预测模型为:
当所述黏着气泡的面积变化量大于或等于所述黏着气泡面积变化的初始阈值时,根据水体的体积、所述气泡的离散度和所述黏着气泡的面积变化量,得到所述检测环境中水体稳定的时间;
当所述黏着气泡的面积变化量小于所述黏着气泡面积变化的初始阈值时,根据所述水体的体积和所述气泡的离散度,得到所述检测环境中水体稳定的时间。
所述离散度预测单元,包括:
图像获取单元,用于将所述第一区域图像利用连续帧间差分算法得到差分图像;
阈值分割单元,用于对所述差分图像进行叠加后,利用阈值分割得到二值图像;
图像分析单元,用于将所述二值图像进行连通域分析,得到气泡个数、连通域的个数和每个连通域的几何中心坐标;
数据分析单元;用于结合所述黏着气泡的面积变化量和所述黏着气泡面积变化的初始阈值,利用所述气泡个数、所述连通域的个数和所述每个连通域的几何中心坐标,得到所述气泡的离散度。
所述数据分析单元中所述气泡的离散度的计算公式为:
所述数据分析单元中所述黏着气泡面积变化的初始阈值,包括:
当所述黏着气泡的面积变化量大于或等于设定的黏着气泡面积变化的初始阈值时,所述黏着气泡面积变化的初始阈值固定不变;
当所述黏着气泡的面积变化量小于设定黏着气泡面积变化的初始阈值时,结合所述气泡的离散度,
更新所述黏着气泡面积变化的初始阈值。
所述数据分析单元中所述更新所述黏着气泡面积变化的初始阈值的公式为:
其中,αj为第j个所述黏着气泡面积变化的初始阈值。
本发明实施例中至少存在以下有益效果:通过分析黏着气泡的面积变化和气泡的运动离散程度,预测检测槽中水体的晃动程度,进一步地通过时间预测模型得到确切的水体稳定时间,能够提高气密性检测结果的严谨性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1是本发明一个实施例所提供的一种基于人工智能的气密性检测水体晃动感知方法的流程图;
图2是本发明一个实施例所提供的一种基于人工智能的气密性检测水体晃动感知方法的步骤流程图;
图3是本发明另一个实施例所提供的一种基于人工智能的气密性检测水体晃动感知系统的结构框图;
图4是本发明一个实施例所提供的关于离散度预测单元的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的气密性检测水体晃动感知方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的气密性检测水体晃动感知方法与系统的具体方案。
参照附图1和附图2,本发明实施例提供了一种基于人工智能的气密性检测水体晃动感知方法,该方法包括以下具体步骤:
步骤S001,将采集的检测环境图像经过图像预处理得到第一区域图像和第二区域图像,第一区域图像为检测槽壁、工件表面和水面之间的水体区域,第二区域图像为所述水体两侧的检测槽壁平面区域和工件表面区域。
步骤S002,将第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量。
步骤S003,结合黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对第一区域图像进行图像处理和分析,得到气泡的离散度。
步骤S004,当气泡的离散度大于0时,由气泡的离散度和黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间。
进一步地,步骤S001中,本发明实施例中采用高速相机在稳定光源下以60帧/s的速率采集检测环境图像的图像序列数据Img。根据经验确定检测槽壁、工件表面和水面之间的掩模区域(mask),利用掩模区域获得第一区域图像和第二区域图像,其中,第一区域图像为检测槽壁、工件表面和水面之间的水体区域并且第一区域图像包含第一序列图像第二序列图像等一系列序列图像第二区域图像为水体两侧的检测槽壁平面区域和工件表面区域,并且第二区域图像包含第一序列图像、第二序列图像等一系列序列图像。
需要说明的是,(1)高速相机从检测槽的侧面进行拍摄,能够记录水中气泡的运动轨迹。
(2)高速相机的镜头应垂直固定在检测槽的外壁,以防止相机抖动对图像质量的影响。
(3)当工件放入检测槽后开始采集图像。
进一步地,步骤S002中,将第二区域图像通过编码器-解码器结构的语义分割模型进行训练,得到气泡的二值图像,具体训练过程如下:
1)对第二区域图像进行手动标注,可以采用labelme等开源图像标注工具进行标注,将第二区域图像标注为两类,即工件表面和检测槽壁黏着的气泡标注为1,背景标注为0。
2)将标签数据和第二区域图像进行归一化处理,然后输入编码器-解码器结构的语义分割模型中进行端到端的训练,即将标签数据和第二区域图像输入编码器通过卷积和池化等操作提取特征,输出特征图,且编码器为ResNet、VGG等卷积神经网络组成的骨干网络;将特征图输入语义分割解码器通过上采样调整,得到与输入图像尺寸相同的二值图像。
3)语义分割模型在训练过程中采用的损失函数为交叉熵损失函数。
语义分割模型输出的二值图像中黏着气泡的像素为1,背景的像素为0,统计二值图像中像素值为1的作为工件表面以及检测槽内壁上黏着气泡的面积Si。
由于黏着气泡前后两帧的变化很小,所以本发明实施例通过第i帧序列图像与第i+5帧序列图像感知的黏着气泡的面积变化量ΔS,以判断黏着气泡的面积是否发生改变,即:
ΔS=|Si+5-Si|
进一步地,步骤S003中,对第一区域图像先进行灰度化,将三通道的RGB图像转换为单通道的灰度图像,以减少计算量,然后利用连续帧的帧间差分算法,将相邻帧间图像相减得到差分图像Di。本发明实施例中选取相邻的5张差分图像进行叠加,得到叠加图像Is,以增强气泡的特征,即:
其中,τ为图像叠加的修正因子;Di为第i张差分图像。
进一步地,将叠加图像Is通过阈值分割得到气泡的二值图像,并且利用大律法自适应调整叠加图像的最优阈值K进行分割。当叠加图像的像素大于或等于阈值K时,二值图像的像素值为255;当叠加图像的像素小于阈值K时,二值图像的像素值为0。
对气泡轮廓的二值图像进行连通域标记,可以得到连通域的个数,也即是气泡的数量,以及每个连通域的几何中心坐标(xi,yi)。
根据先验知识,当检测槽内水体处于稳定状态时,气泡的上升轨迹近似一条直线;当水体晃动时,气泡的上升轨迹会发生变化,即气泡会出现离散,且随着水体晃动的程度变大,气泡的离散程度也变大。故,当水体处于晃动状态时,水体晃动导致黏着气泡的面积变化量为ΔS,则水体中气泡的离散度σ可以表示为:
考虑到气泡的离散也可能是由于水体晃动使工件表面和检测池壁黏着的气泡上升导致,因此在检测气泡是否发生离散的同时需要判断黏着气泡的面积是否发生变化。
进一步地,对于黏着气泡面积变化的初始阈值α分为两种情况进行设定:
第一种情况:当黏着气泡的面积变化量ΔS≥初始阈值α时,则认为检测槽中水体处于晃动状态,不能进行气密性检测,需要等待检测槽内的水体稳定,此时结合检测到的水体中气泡的离散度判断检测槽中水体稳定所需的时间;
第二种情况:当黏着气泡的面积变化量ΔS<初始阈值α时,则认为黏着气泡的面积基本没有变化,无法通过黏着气泡的面积判断检测槽中水体是否处于晃动状态,此时需要对检测到的水体中气泡的离散度进行分析,即当水体中气泡的离散度0≤σ<1时,更新黏着气泡面积变化的初始阈值α。
进一步地,根据第j个黏着气泡面积变化的初始阈值αj得到第j+1个黏着气泡面积变化的初始阈值,进而判断黏着气泡的面积变化量ΔS,即:
在黏着气泡的面积发生变化的情况下,以第j+1个黏着气泡面积变化的初始阈值αj+1表示黏着气泡面积变化的初始阈值α。
进一步地,步骤S004中,根据先验知识,水体中气泡的离散度越大,水体稳定所需的时间越长,建立时间预测模型,因此时间预测模型为:
其中,T为水体稳定的时间;V为水体的体积;γ为常数,取值2.6。
当气泡的离散度大于0时,结合水体中气泡的离散度和黏着气泡的面积变化量利用时间预测模型计算检测槽中水体稳定所需的时间。
综上所述,本发明实施例提供了一种基于人工智能的气密性检测水体晃动感知方法,该方法利用帧间算法和阈值分割检测水体中的气泡,通过连通域分析并结合黏着气泡的面积变化量得到气泡的离散程度;通过神经网络感知检测槽壁和工件表面的黏着气泡,分析前后两帧图像中黏着气泡的面积变化量;将气泡的离散程度和黏着气泡的面积变化量通过时间预测模型,得到水体稳定的时间。通过分析黏着气泡的面积变化以及水体中气泡的运动离散程度,能够预测水体的晃动程度,进一步利用时间预测模型得到一个确切的水体稳定时间,能够提高气密性检测结果的严谨性和准确性。
基于与上述方法相同的发明构思,本发明实施例还提供了一种基于人工智能的气密性检测水体晃动感知系统。
参照附图3,本发明实施例提供了一种基于人工智能的气密性检测水体晃动感知系统,该系统包括:图像处理单元10、变化量预测单元20、离散度预测单元30以及时间预测单元40。
图像处理单元10用于将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像,第一区域图像包括检测槽壁、工件表面和水面之间的水体区域,第二区域图像包括所述水体两侧的检测槽壁平面区域和工件表面区域;变化量预测单元20用于将所第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;离散度预测单元30用于结合黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对第一区域图像进行图像处理和分析,得到气泡的离散度;时间预测单元40用于当气泡的离散度大于0时,由气泡的离散度和黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间。
时间预测模型为:
当黏着气泡的面积变化量大于或等于黏着气泡面积变化的初始阈值时,根据水体的体积、气泡的离散度和黏着气泡的面积变化量,得到检测环境中水体稳定的时间;当黏着气泡的面积变化量小于黏着气泡面积变化的初始阈值时,根据水体的体积和气泡的离散度,得到检测环境中水体稳定的时间。
进一步地,参照附图4,离散度预测单元30包括图像获取单元31、阈值分割单元32、图像分析单元33和数据分析单元34。
图像获取单元31用于将第一区域图像利用连续帧间差分算法得到差分图像;阈值分割单元32用于对差分图像进行叠加后,利用阈值分割得到二值图像;图像分析单元33用于将二值图像进行连通域分析,得到气泡个数、连通域的个数和每个连通域的几何中心坐标;数据分析单元34用于结合黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,利用气泡个数、连通域的个数和每个连通域的几何中心坐标,得到气泡的离散度。
进一步地,数据分析单元34中气泡的离散度的计算公式为:
进一步地,数据分析单元34中黏着气泡面积变化的初始阈值,包括:
当黏着气泡的面积变化量大于或等于设定的黏着气泡面积变化的初始阈值时,黏着气泡面积变化的初始阈值固定不变;当黏着气泡的面积变化量小于设定黏着气泡面积变化的初始阈值时,结合气泡的离散度,更新黏着气泡面积变化的初始阈值。
进一步地,数据分析单元34中更新黏着气泡面积变化的初始阈值的公式为:
其中,αj为第j个黏着气泡面积变化的初始阈值。
综上所述,本发明实施例提供了一种基于人工智能的气密性检测水体晃动感知系统,该系统包括图像处理单元10、变化量预测单元20、离散度预测单元30以及时间预测单元40。变化量预测单元20中通过神经网络感知检测槽壁和工件表面的黏着气泡,分析前后两帧图像中黏着气泡的面积变化量;离散度预测单元30中利用帧间算法和阈值分割检测水体中的气泡,通过连通域分析并结合黏着气泡的面积变化量得到气泡的离散程度;将气泡的离散程度和黏着气泡的面积变化量输入时间预测单元40通过时间预测模型,得到水体稳定的时间。通过分析黏着气泡的面积变化以及水体中气泡的运动离散程度,能够预测水体的晃动程度,进一步利用时间预测模型得到一个确切的水体稳定时间,能够提高气密性检测结果的严谨性和准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的气密性检测水体晃动感知方法,其特征在于,该方法包括:
将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像,所述第一区域图像包括检测槽壁、工件表面和水面之间的水体区域,所述第二区域图像包括所述水体两侧的检测槽壁平面区域和工件表面区域;
将所述第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;
结合所述黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对所述第一区域图像进行图像处理和分析,得到气泡的离散度;
当所述气泡的离散度大于0时,由所述气泡的离散度和所述黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间;
所述时间预测模型为:
当所述黏着气泡的面积变化量大于或等于所述黏着气泡面积变化的初始阈值时,根据水体的体积、所述气泡的离散度和所述黏着气泡的面积变化量,得到所述检测环境中水体稳定的时间;
当所述黏着气泡的面积变化量小于所述黏着气泡面积变化的初始阈值时,根据所述水体的体积和所述气泡的离散度,得到所述检测环境中水体稳定的时间。
2.如权利要求1所述的方法,其特征在于,所述第一区域图像进行图像处理和分析的方法,包括:
将所述第一区域图像利用连续帧间差分算法得到差分图像;
对所述差分图像进行叠加后,利用阈值分割得到二值图像;
将所述二值图像进行连通域分析,得到气泡个数、连通域的个数和每个连通域的几何中心坐标;
结合所述黏着气泡的面积变化量和所述黏着气泡面积变化的初始阈值,利用所述气泡个数、所述连通域的个数和所述每个连通域的几何中心坐标,得到所述气泡的离散度。
4.如权利要求3所述的方法,其特征在于,所述黏着气泡面积变化的初始阈值,包括:
当所述黏着气泡的面积变化量大于或等于设定的黏着气泡面积变化的初始阈值时,所述黏着气泡面积变化的初始阈值固定不变;
当所述黏着气泡的面积变化量小于设定的黏着气泡面积变化的初始阈值时,结合所述气泡的离散度,更新所述黏着气泡面积变化的初始阈值。
6.一种基于人工智能的气密性检测水体晃动感知系统,其特征在于,该系统包括:
图像处理单元,用于将采集的检测环境图像经过图像预处理划分为第一区域图像和第二区域图像,所述第一区域图像包括检测槽壁、工件表面和水面之间的水体区域,所述第二区域图像包括所述水体两侧的检测槽壁平面区域和工件表面区域;
变化量预测单元,用于将所述第二区域图像通过神经网络检测黏着气泡,比较前后两帧图像中黏着气泡的面积,得到黏着气泡的面积变化量;
离散度预测单元,用于结合所述黏着气泡的面积变化量和黏着气泡面积变化的初始阈值,对所述第一区域图像进行图像处理和分析,得到气泡的离散度;
时间预测单元,用于当所述气泡的离散度大于0时,由所述气泡的离散度和所述黏着气泡的面积变化量构建的时间预测模型得到检测环境中水体稳定的时间;
所述时间预测模型为:
当所述黏着气泡的面积变化量大于或等于所述黏着气泡面积变化的初始阈值时,根据水体的体积、所述气泡的离散度和所述黏着气泡的面积变化量,得到所述检测环境中水体稳定的时间;
当所述黏着气泡的面积变化量小于所述黏着气泡面积变化的初始阈值时,根据所述水体的体积和所述气泡的离散度,得到所述检测环境中水体稳定的时间。
7.如权利要求6所述的系统,其特征在于,所述离散度预测单元,包括:
图像获取单元,用于将所述第一区域图像利用连续帧间差分算法得到差分图像;
阈值分割单元,用于对所述差分图像进行叠加后,利用阈值分割得到二值图像;
图像分析单元,用于将所述二值图像进行连通域分析,得到气泡个数、连通域的个数和每个连通域的几何中心坐标;
数据分析单元;用于结合所述黏着气泡的面积变化量和所述黏着气泡面积变化的初始阈值,利用所述气泡个数、所述连通域的个数和所述每个连通域的几何中心坐标,得到所述气泡的离散度。
9.如权利要求8所述的系统,其特征在于,所述数据分析单元中所述黏着气泡面积变化的初始阈值,包括:
当所述黏着气泡的面积变化量大于或等于设定的黏着气泡面积变化的初始阈值时,所述黏着气泡面积变化的初始阈值固定不变;
当所述黏着气泡的面积变化量小于设定黏着气泡面积变化的初始阈值时,结合所述气泡的离散度,更新所述黏着气泡面积变化的初始阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204035.9A CN112132830A (zh) | 2020-11-02 | 2020-11-02 | 基于人工智能的气密性检测水体晃动感知方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011204035.9A CN112132830A (zh) | 2020-11-02 | 2020-11-02 | 基于人工智能的气密性检测水体晃动感知方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132830A true CN112132830A (zh) | 2020-12-25 |
Family
ID=73852481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011204035.9A Withdrawn CN112132830A (zh) | 2020-11-02 | 2020-11-02 | 基于人工智能的气密性检测水体晃动感知方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132830A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470015A (zh) * | 2021-08-31 | 2021-10-01 | 南通欧泰机电工具有限公司 | 一种基于图像处理的水体晃动检测分析方法及系统 |
CN113610802A (zh) * | 2021-08-06 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于人工智能的水面平稳性检测方法、装置及设备 |
CN113658123A (zh) * | 2021-08-11 | 2021-11-16 | 沭阳天勤工具有限公司 | 一种基于人工智能的气密性检测中多气孔检测方法及系统 |
-
2020
- 2020-11-02 CN CN202011204035.9A patent/CN112132830A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610802A (zh) * | 2021-08-06 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于人工智能的水面平稳性检测方法、装置及设备 |
CN113658123A (zh) * | 2021-08-11 | 2021-11-16 | 沭阳天勤工具有限公司 | 一种基于人工智能的气密性检测中多气孔检测方法及系统 |
CN113470015A (zh) * | 2021-08-31 | 2021-10-01 | 南通欧泰机电工具有限公司 | 一种基于图像处理的水体晃动检测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132830A (zh) | 基于人工智能的气密性检测水体晃动感知方法与系统 | |
US11106896B2 (en) | Methods and apparatus for multi-task recognition using neural networks | |
CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪系统及方法 | |
CN108629306B (zh) | 人体姿态识别方法及装置、电子设备、存储介质 | |
WO2019047949A1 (zh) | 图像质量评估方法及图像质量评估系统 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
US8831285B2 (en) | Detecting objects with a depth sensor | |
CN113412491A (zh) | 基于机器学习的数据降噪 | |
CN113286194A (zh) | 视频处理方法、装置、电子设备及可读存储介质 | |
WO2023040510A1 (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
US20150279021A1 (en) | Video object tracking in traffic monitoring | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN112990392A (zh) | 基于改进YOLOv5算法的新材料地板缺陷目标检测系统 | |
CN110929617A (zh) | 一种换脸合成视频检测方法、装置、电子设备及存储介质 | |
CN110413551B (zh) | 信息处理装置、方法及设备 | |
CN114495006A (zh) | 遗留物体的检测方法、装置及存储介质 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN112580634A (zh) | 基于计算机视觉的气密性检测光源调节方法及系统 | |
CN112215838A (zh) | 一种基于人工智能的工件气密性检测方法及装置 | |
CN110365966B (zh) | 一种基于视窗的视频质量评价方法及装置 | |
CN112036253A (zh) | 一种基于深度学习的人脸关键点定位方法 | |
CN106780559B (zh) | 一种运动目标检测方法和装置 | |
CN114193647B (zh) | 一种基于图像处理的橡胶塑炼机控制方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201225 |