CN112785560A - 一种基于人工智能的气密性检测水体更新方法及系统 - Google Patents

一种基于人工智能的气密性检测水体更新方法及系统 Download PDF

Info

Publication number
CN112785560A
CN112785560A CN202110016841.1A CN202110016841A CN112785560A CN 112785560 A CN112785560 A CN 112785560A CN 202110016841 A CN202110016841 A CN 202110016841A CN 112785560 A CN112785560 A CN 112785560A
Authority
CN
China
Prior art keywords
imaging point
image
bubble
turbidity
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Withdrawn
Application number
CN202110016841.1A
Other languages
English (en)
Inventor
李俊
周婷婷
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110016841.1A priority Critical patent/CN112785560A/zh
Publication of CN112785560A publication Critical patent/CN112785560A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于人工智能的气密性检测水体更新方法及系统，涉及人工智能领域；该方法包括以激光器照射水箱，采集样本图像，进行预处理后分割为成像点检测图像及气泡检测图像；根据更新后的初始阈值对成像点检测图像进行阈值分割，获取成像点面积，以当前帧与首帧成像点检测图像的成像点面积之差作为水体浑浊度；对气泡检测图像进行叠加操作后进行语义分割，获取气泡的ROI区域图像并利用SMD2函数对其计算，获取清晰度；若未检测到ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。本发明能够灵敏的反映出浑浊度的变化，且鲁棒性好，对精密工件的气密性评估更加准确。

Description

一种基于人工智能的气密性检测水体更新方法及系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能的气密性检测水体更新方法及系统。
背景技术
目前，对工件的气密性检测技术有很多，例如：差压法、直压法、流量定量法、气泡检测法等，传统的气泡检测法是较为常用，且成本较低的检测方法,但是气泡检测法在检测气泡时容易受到水体浑浊度的影响，水体浑浊程度增加时会相应增加气泡的检测难度，此时可以通过一些图像处理手段增加气泡区域的清晰度；而在水体浑浊程度较高时，气泡特征不明显，甚至消失，为了保证检测结果的准确率，必须对水体进行更换。
常用的水体浑浊度检测方法有分光光度法、目视比浊法等，但是，在气密性检测应用场景中，分光光度法的准确度不高，目视比浊法又难以统一标准，且太过耗费人力资源。
发明内容
为了解决上述技术问题，本发明了提供一种基于人工智能的气密性检测水体更新方法及系统，所采用的技术方案如下：
第一方面，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更新方法，该方法包含以下步骤：
以激光器照射水箱，采集包含气泡及成像点的样本图像；
对样本图像进行预处理，获取水体图像，并将水体图像分割为成像点检测图像以及气泡检测图像；
利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度；
对气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对ROI区域图像的灰度值进行计算，获取其清晰度；
若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
优选地，更新初始阈值的方法为：
以第一灰度变化量与第二灰度变化量的商作为相关度；
若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同；否则，以第n-1帧成像点的边缘像素点与第n帧相同位置像素点的灰度值之和的平均值作为更新后的初始阈值。
优选地，获取气泡检测图像的清晰度之后，对气泡检测图像进行连通域分析，以单个气泡连通域面积与模板气泡连通域面积的商表示离散度，离散度大于离散阈值时，需重新采集样本图像进行检测。
优选地，若不满足换水条件时，利用清晰度对气泡连通域面积进行优化，以气泡连通域面积与清晰度的商作为优化后的气泡面积，并对优化后的气泡面积进行归一化，归一化后的值越趋近于0说明气密性越好，以此设定经验阈值筛选出满足使用需求的工件。
优选地，获取清晰度之后，包括以下步骤：
对气泡检测图像进行连通域分析获取气泡连通域面积之和；并将清晰度、气泡连通域面积之和、水体浑浊度三个特征指标的历史数据输入时序预测网络，输出预测的未来换水时间。
第二方面，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更新系统，包括：
图像处理单元，用于以激光器照射水箱，采集包含气泡及成像点的样本图像；
预处理单元，用于对样本图像进行预处理，获取水体图像，并将水体图像分割为成像点检测图像以及气泡检测图像；
判断单元，包含浑浊度获取模块、清晰度获取模块、换水判断模块，其中：
浑浊度获取模块，用于利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度；
清晰度获取模块，用于对气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对ROI区域图像的灰度值进行计算，获取其清晰度；
换水判断模块，用于若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
进一步地，浑浊度获取模块中，还包括阈值更新模块，用于以第一灰度变化量与第二灰度变化量的商作为相关度；若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同；否则，以第n-1帧成像点的边缘像素点与第n帧相同位置像素点的灰度值之和的平均值作为更新后的初始阈值。
进一步地，清晰度获取模块中，还包括离散度分析模块，用于对气泡检测图像进行连通域分析，以单个气泡连通域面积与模板气泡连通域面积的商表示离散度，离散度大于离散阈值时，需重新采集样本图像进行检测。
进一步地，清晰度获取模块，还包括筛选模块，用于若不满足换水条件时，利用清晰度对气泡连通域面积进行优化，以气泡连通域面积与清晰度的商作为优化后的气泡面积，并对优化后的气泡面积进行归一化，归一化后的值越趋近于0说明气密性越好，以此设定经验阈值筛选出满足使用需求的工件。
进一步地，换水判断模块，还包括预测模块，用于对气泡检测图像进行连通域分析获取气泡连通域面积之和；并将清晰度、气泡连通域面积之和、水体浑浊度三个特征指标的历史数据输入时序预测网络，输出预测的未来换水时间。
本发明实施例至少包含以下有益效果：
本发明实施例根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度，更加灵敏的反映出浑浊度的变化，且鲁棒性好；
本发明实施例以清晰度对水体浑浊度造成的气泡面积损失进行补偿，得到真实的气泡大小，使后续对精密工件的气密性评估更加准确；
本发明实施例利用图像清晰度、气泡连通域大小、水体浑浊度三个特征指标输入时序预测模型预测未来换水时间，减小了硬件损耗，使整个检测更加自动化，且保证了检测结果的准确可信。
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为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更新方法的流程图；
图2为本发明一个实施例所提供的一种水体图像分割示意图；
图3为本发明一个实施例提供的一种基于人工智能的气密性检测水体更新系统的结构框图。
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更新方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。
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更新方法及系统具体方案。
请参阅图1，其示出了一种基于人工智能的气密性检测水体更新方法的流程图，该方法包括以下步骤：
步骤S100：以激光器照射水箱，采集包含气泡及成像点的样本图像。
在气密性检测的检测池正视水平方向部署位姿固定的相机，在相机旁边部署一个红色激光灯，并在检测池背部紧贴一张深色背景板用来更好的观测激光穿过水体后的成像点。将待测物品放入水体，并充入一定压强，待气泡逸出速率相对稳定，使用相机采集样本图像。
优选地，为使相邻帧图像之间有明显的区别特征，本发明实施例采用利用25帧/秒的相机每隔10帧采集一次样本图像。
成像点的中心位置与水体的稳定性以及折射率相关，浑浊度对成像点中心位置的影响可以忽略不计，因此，在检测过程中，激光灯在背景板上的成像点位置几乎不发生改变；而成像点的形状与水体的浑浊度有关，当水中的颗粒物越来越多时，水体对激光的散射程度加大，穿过水体后射出的激光束的发散范围也会增加，这时，背景板上的成像点将不断变大，且外围出现光晕。
步骤S200：对样本图像进行预处理，获取水体图像，并将水体图像分割为成像点检测图像以及气泡检测图像。
为减小计算量，方便后续步骤S300中的分割图像操作，需要对样本图像进行预处理操作。
首先提取样本图像RGB通道中R通道的值，获取其灰度图，接着对灰度图进行直方图均衡化，以此增加图像的对比度，然后利用Canny算子进行去噪处理，得到水体图像。Canny算子可以较好地保留图像的边缘信息。
请参阅图2，其示出了一种水体图像分割示意图，为了排除气泡40的亮度对后续成像点分析的影响，根据先验将水体图像进行分割，分为成像点检测图像10以及气泡检测图像20，成像点30的光晕不会超过划分后的成像点检测图像10。
步骤S300：利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度。
利用初始阈值分割第一帧成像点检测图像，获取成像点区域。初始阈值根据经验设定，随着水体浑浊度的增加，初始阈值需要随之更新，更新方法为：
计算第n-1帧成像点检测图像中非成像点的像素点灰度均值
Figure BDA0002886377730000071
(x,y)为像素坐标系中的像素点坐标。提取成像点的边缘像素点e(x,y)与当前第n帧成像点检测图像中相同位置的灰度值c(x,y)，当灰度变化量增加时，说明成像点的光晕范围变大，且边缘处亮度较中心更低。计算两张成像点检测图像的成像点的相关度：
d′＝|e(x,y)-c(x,y)|
Figure BDA0002886377730000072
Figure BDA0002886377730000081
其中，d′为第一灰度变化量，d″为第二灰度变化量，d为相关度，若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同，否则，以
Figure BDA0002886377730000082
作为更新后的初始阈值分割第n帧成像点检测图像。
本发明实施例中，成像阈值设为0.3,d∈[0,1]。
至此，获取所有成像点检测图像的成像点区域，统计成像点区域包含像素点数量，以该像素点的数量表示成像点面积，则水体浑浊度为：
U＝|Sn-S1|
其中，Sn表示第n个成像点面积，S1表示第一帧成像点面积。
由于水体的稳定性以及折射率对成像点的面积几乎没有影响，本发明不再考虑。
步骤S400：对气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对ROI区域图像的灰度值进行计算，获取其清晰度。
值得注意的是，本发明检测对象是较为精密的工件，当水体浑浊度较高时，会造成气泡检测上的偏差，导致气泡特征不明显，甚至消失，但没有气泡特征也可能是由于待测工件为完好工件，为使检测过程更加准确，接下来需获取气泡区域的清晰度。
对气泡检测图像进行多帧叠加，使用连续5帧的图像进行叠加操作，获取叠加图像。
在叠加图像中，气泡区域的亮度较其它区域更亮，利用DNN深度网络进行语义分割获取气泡的ROI区域图像，具体训练过程如下：
对气泡检测区域数据集中的目标进行标注，得到相应标签。目标包括气泡区域以及其它区域。为了使网络收敛的更快，对数据集进行批量归一化处理，将图像的灰度值归到[0,1]之间，其中，批量大小可以通过自适应调节。将数据送到DNN网络中进行编码，经过卷积、最大值池化操作等下采样过程，过滤掉其它区域的灰度值的影响，通过编码器进行上采样，得到气泡区域的特征图，最终获取气泡的ROI区域图像。
利用SMD2函数对ROI区域图像的灰度值进行计算，对每一个像素区域的两个灰度差相乘后再逐个累加，以此避免方差函数对局部的像素值的灵敏度不高，致使函数在极值点附近过于平滑的情况。SMD2函数表示如下：
Figure BDA0002886377730000091
其中，在像素坐标系中，一共有H行W列，f(x,y)表示在(x,y)坐标的像素值，D(f)表示ROI区域图像的清晰度。
清晰度越小的图像越不利于后续的实验检测分析。将D(f)进行归一化处理，方便后续计算。
优选地，得到清晰度后，通过图像锐化算法对ROI区域图像进行边缘像素点增强，从而更好地提取边缘的像素值信息。接下来对ROI区域图像中气泡的离散程度进行分析，对ROI区域图像进行连通域分析，计算单个连通域的面积Sl的值，本发明检测较为精密工件，缺陷较小，气泡连通域间不会有太大的区别，正常情况下气泡应为垂直于水面上升的状态，连通域为近似长矩形的形状，设模板图像中，单个气泡的连通域的面积为Sq，则离散度为：
Figure BDA0002886377730000092
设定自适应的离散阈值，P的值大于离散阈值时说明气泡的ROI区域图像较为离散，P的值越大说明气泡的离散程度越高。本发明实施例中离散的值设为1.25。当气泡图像较为离散时，会影响检测结果的准确性，需静止后重新采集水体图像进行检测，满足离散度条件才能继续下一步骤。
步骤S500：若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
若未检测到气泡的ROI区域，可能是属于没有气孔的工件，也可能是因水体浑浊导致没有检测到气泡连通域，此时根据浑浊度判定是否需要换水，设定浑浊度阈值，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
优选的，在不满足换水条件时，利用清晰度对ROI区域图像中的气泡连通域的面积之和S进行优化，并筛选出符合使用需求的工件。
随着水体的浑浊度越大，气泡的采集图像也越来越模糊，此时较难检测到清晰的气泡边缘，造成气泡的实际检测面积变小，出现面积损失。优选地，当浑浊度U大于损失阈值时，说明此时检测到的气泡面积存在面积损失，需进行优化处理。此时优化后的气泡面积S′为：
Figure BDA0002886377730000101
损失阈值基于经验人为设定，本发明实施例中，损失阈值为0.2。
将优化后的气泡面积S′进行归一化处理，采用经验最大值最小值进行归一化。利用归一化后的气泡面积对当前气密性进行评估，当在区间[0,a]时工件气密性为较差，当在区间[a,1]时工件需要返工。
a是根据使用需求设定的经验阈值，0<a<1。
优选的，为了减小硬件损耗，利用时序预测网络对换水时间进行自动化预测，提前提醒工作人员进行换水操作。以TCN网络为例，本发明实施例详细叙述利用图像清晰度、气泡连通域大小、水体浑浊度三个特征指标预测未来换水时间的方法，其他实施例也可以采用LSTM、BLSTM、GRU等神经网络来进行预测。
TCN网络训练过程如下：
首先将特征值进行归一化，调整到统一的区间。
输入形状为[B,N,3]，B为网络输入的批量大小，N为某一时段采集的数据序列长度。
经过TCN网络提取后，接全连接FC输出，最终预测出未来的8次的换水时间，输出形状为[B,8]。
采用的损失函数为均方差损失函数。
至此，通过时序预测模型对换水时间进行预测，能够自动化提醒工人换水，避免了因水体严重浑浊而导致检测结果不准确。
综上所述，本发明提供了一种基于人工智能的气密性检测水体更新方法，该方法包括根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度，更加灵敏的反映出浑浊度的变化，且鲁棒性更好；以清晰度对水体浑浊度造成的气泡面积损失进行补偿，得到真实的气泡大小，使后续对精密工件的气密性评估更加准确；利用图像清晰度、气泡连通域大小、水体浑浊度三个特征指标输入时序预测模型预测未来换水时间，减小了硬件损耗，使整个检测更加自动化，且保证了检测结果的准确可信。
基于与上述方法实施例相同的发明构思，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更新系统。
请参阅图3，其示出了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更新系统100的结构框图，该系统包括图像获取单元50、预处理单元60和判断单元70。
具体的，图像获取单元70，用于以激光器照射水箱，采集包含气泡及成像点的样本图像；
预处理单元60，用于对样本图像进行预处理，获取水体图像，并将水体图像分割为成像点检测图像以及气泡检测图像；
判断单元70，包含浑浊度获取模块71、清晰度获取模块72、换水判断模块73，其中：
浑浊度获取模块71，用于利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度；
清晰度获取模块72，用于对气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对ROI区域图像的灰度值进行计算，获取其清晰度；
换水判断模块73，用于若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
进一步地，浑浊度获取模块中，还包括阈值更新模块，用于以第一灰度变化量与第二灰度变化量的商作为相关度；若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同；否则，以第n-1帧成像点的边缘像素点与第n帧相同位置像素点的灰度值之和的平均值作为更新后的初始阈值。
进一步地，清晰度获取模块中，还包括离散度分析模块，用于对气泡检测图像进行连通域分析，以单个气泡连通域面积与模板气泡连通域面积的商表示离散度，离散度大于离散阈值时，需重新采集样本图像进行检测。
进一步地，清晰度获取模块，还包括筛选模块，用于若不满足换水条件时，利用清晰度对气泡连通域面积进行优化，以气泡连通域面积与清晰度的商作为优化后的气泡面积，并对优化后的气泡面积进行归一化，归一化后的值越趋近于0说明气密性越好，以此设定经验阈值筛选出满足使用需求的工件。
进一步地，换水判断模块，还包括预测模块，用于对气泡检测图像进行连通域分析获取气泡连通域面积之和；并将清晰度、气泡连通域面积之和、水体浑浊度三个特征指标的历史数据输入时序预测网络，输出预测的未来换水时间。
综上所述，本发明提供了一种基于人工智能的气密性检测水体更新系统，该系统包括利用阈值更新模块更新阈值，利用浑浊度获取模块根据更新后的阈值分割图像，以当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度，更加灵敏的反映出浑浊度的变化，且鲁棒性更好；利用筛选模块根据清晰度对气泡连通域面积进行优化使后续对精密工件的气密性评估更加准确；利用预测模块根据图像清晰度、气泡连通域大小、水体浑浊度来预测未来换水时间，减小了硬件损耗，使整个检测更加自动化，且保证了检测结果的准确可信。
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更新方法，其特征在于，该方法包含以下步骤：
以激光器照射水箱，采集包含气泡及成像点的样本图像；
对所述样本图像进行预处理，获取水体图像，并将所述水体图像分割为成像点检测图像以及气泡检测图像；
利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度；
对所述气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对所述ROI区域图像的灰度值进行计算，获取其清晰度；
若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
2.根据权利要求1所述的一种基于人工智能的气密性检测水体更新方法，其特征在于，所述更新初始阈值的方法为：
以第一灰度变化量与第二灰度变化量的商作为相关度；
若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同；否则，以第n-1帧成像点的边缘像素点与第n帧相同位置像素点的灰度值之和的平均值作为更新后的初始阈值。
3.根据权利要求1所述的一种基于人工智能的气密性检测水体更新方法，其特征在于，所述获取气泡检测图像的清晰度之后，对气泡检测图像进行连通域分析，以单个气泡连通域面积与模板气泡连通域面积的商表示离散度，离散度大于离散阈值时，需重新采集样本图像进行检测。
4.根据权利要求1所述的一种基于人工智能的气密性检测水体更新方法，其特征在于，若不满足所述换水条件时，利用所述清晰度对所述气泡连通域面积进行优化，以所述气泡连通域面积与所述清晰度的商作为优化后的气泡面积，并对优化后的气泡面积进行归一化，归一化后的值越趋近于0说明气密性越好，以此设定经验阈值筛选出满足使用需求的工件。
5.根据权利要求1所述的一种基于人工智能的气密性检测水体更新方法，其特征在于，所述获取清晰度之后，包括以下步骤：
对所述气泡检测图像进行连通域分析获取气泡连通域面积之和；并将所述清晰度、所述气泡连通域面积之和、所述水体浑浊度三个特征指标的历史数据输入时序预测网络，输出预测的未来换水时间。
6.一种基于人工智能的气密性检测水体更新系统，其特征在于，包括：
图像处理单元，用于以激光器照射水箱，采集包含气泡及成像点的样本图像；
预处理单元，用于对所述样本图像进行预处理，获取水体图像，并将所述水体图像分割为成像点检测图像以及气泡检测图像；
判断单元，包含浑浊度获取模块、清晰度获取模块、换水判断模块，其中：
所述浑浊度获取模块，用于利用初始阈值分割第一帧成像点检测图像，获取成像点面积；根据前一帧与当前帧成像点检测图像中成像点边缘的第一灰度变化量、前一帧成像点检测图像中非成像点的灰度均值与成像点边缘的第二灰度变化量、成像阈值更新初始阈值，根据更新后的初始阈值对当前帧成像点检测图像进行阈值分割，获取成像点面积，利用当前帧与第一帧成像点检测图像的成像点面积之差表示水体浑浊度；
所述清晰度获取模块，用于对所述气泡检测图像进行叠加操作，并对所得的叠加图像进行语义分割，获取气泡的ROI区域图像，利用SMD2函数对所述ROI区域图像的灰度值进行计算，获取其清晰度；
所述换水判断模块，用于若未检测到气泡的ROI区域，在浑浊度大于浑浊度阈值时判定为需要换水；若检测到气泡的ROI区域，在浑浊度大于浑浊阈值且清晰度小于模糊阈值时判定为需要换水。
7.根据权利要求6所述的一种基于人工智能的气密性检测水体更新系统，其特征在于，所述浑浊度获取模块中，还包括阈值更新模块，用于以第一灰度变化量与第二灰度变化量的商作为相关度；若相关度大于成像阈值，则分割第n帧成像点检测图像的初始阈值与第n-1帧相同；否则，以第n-1帧成像点的边缘像素点与第n帧相同位置像素点的灰度值之和的平均值作为更新后的初始阈值。
8.根据权利要求6所述的一种基于人工智能的气密性检测水体更新系统，其特征在于，所述清晰度获取模块中，还包括离散度分析模块，用于对气泡检测图像进行连通域分析，以单个气泡连通域面积与模板气泡连通域面积的商表示离散度，离散度大于离散阈值时，需重新采集样本图像进行检测。
9.根据权利要求6所述的一种基于人工智能的气密性检测水体更新系统，其特征在于，所述清晰度获取模块，还包括筛选模块，用于若不满足所述换水条件时，利用所述清晰度对所述气泡连通域面积进行优化，以所述气泡连通域面积与所述清晰度的商作为优化后的气泡面积，并对优化后的气泡面积进行归一化，归一化后的值越趋近于0说明气密性越好，以此设定经验阈值筛选出满足使用需求的工件。
10.根据权利要求6所述的一种基于人工智能的气密性检测水体更新系统，其特征在于，所述换水判断模块，还包括预测模块，用于对所述气泡检测图像进行连通域分析获取气泡连通域面积之和；并将所述清晰度、所述气泡连通域面积之和、所述水体浑浊度三个特征指标的历史数据输入时序预测网络，输出预测的未来换水时间。
CN202110016841.1A 2021-01-06 2021-01-06 一种基于人工智能的气密性检测水体更新方法及系统 Withdrawn CN112785560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110016841.1A CN112785560A (zh) 2021-01-06 2021-01-06 一种基于人工智能的气密性检测水体更新方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110016841.1A CN112785560A (zh) 2021-01-06 2021-01-06 一种基于人工智能的气密性检测水体更新方法及系统

Publications (1)

Publication Number Publication Date
CN112785560A true CN112785560A (zh) 2021-05-11

Family

ID=75756633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110016841.1A Withdrawn CN112785560A (zh) 2021-01-06 2021-01-06 一种基于人工智能的气密性检测水体更新方法及系统

Country Status (1)

Country Link
CN (1) CN112785560A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450349A (zh) * 2021-07-26 2021-09-28 河南黄河河务局新乡黄河河务局 基于人工智能的水利工程水闸管理方法及系统
CN113506309A (zh) * 2021-09-10 2021-10-15 南通华恩医疗设备制造有限公司 基于人工智能的医疗数据变量测量监测方法及系统
CN114445699A (zh) * 2021-11-16 2022-05-06 广州山水怡人园林生态有限公司 水体景观换水管理方法、管理装置和管理系统
CN114663408A (zh) * 2022-03-30 2022-06-24 江苏天晶智能装备有限公司 一种基于人工智能的门窗水密性能检测方法
CN115077804A (zh) * 2022-08-18 2022-09-20 普兰特换热设备(溧阳)有限公司 一种换热器生产用智能气密性检测装置
CN115318713A (zh) * 2022-07-27 2022-11-11 金华市农业科学研究院(浙江省农业机械研究院) 基于计算机视觉技术可快速检测水体浑浊度的药材清洗机
CN116380815A (zh) * 2023-06-05 2023-07-04 山东特检科技有限公司 一种用于反应釜的分液面检测方法及检测系统
CN117408892A (zh) * 2023-12-14 2024-01-16 深圳市恒永达科技股份有限公司 一种基于机器视觉的柱塞泵气泡消除方法、系统及介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450349A (zh) * 2021-07-26 2021-09-28 河南黄河河务局新乡黄河河务局 基于人工智能的水利工程水闸管理方法及系统
CN113450349B (zh) * 2021-07-26 2024-03-22 河南黄河河务局新乡黄河河务局 基于人工智能的水利工程水闸管理方法及系统
CN113506309A (zh) * 2021-09-10 2021-10-15 南通华恩医疗设备制造有限公司 基于人工智能的医疗数据变量测量监测方法及系统
CN114445699A (zh) * 2021-11-16 2022-05-06 广州山水怡人园林生态有限公司 水体景观换水管理方法、管理装置和管理系统
CN114445699B (zh) * 2021-11-16 2022-11-04 广州山水怡人园林生态有限公司 水体景观换水管理方法、管理装置和管理系统
CN114663408A (zh) * 2022-03-30 2022-06-24 江苏天晶智能装备有限公司 一种基于人工智能的门窗水密性能检测方法
CN115318713A (zh) * 2022-07-27 2022-11-11 金华市农业科学研究院(浙江省农业机械研究院) 基于计算机视觉技术可快速检测水体浑浊度的药材清洗机
CN115077804A (zh) * 2022-08-18 2022-09-20 普兰特换热设备(溧阳)有限公司 一种换热器生产用智能气密性检测装置
CN116380815A (zh) * 2023-06-05 2023-07-04 山东特检科技有限公司 一种用于反应釜的分液面检测方法及检测系统
CN116380815B (zh) * 2023-06-05 2023-08-29 山东特检科技有限公司 一种用于反应釜的分液面检测方法及检测系统
CN117408892A (zh) * 2023-12-14 2024-01-16 深圳市恒永达科技股份有限公司 一种基于机器视觉的柱塞泵气泡消除方法、系统及介质
CN117408892B (zh) * 2023-12-14 2024-03-22 深圳市恒永达科技股份有限公司 一种基于机器视觉的柱塞泵气泡消除方法、系统及介质

Similar Documents

Publication Publication Date Title
CN112785560A (zh) 一种基于人工智能的气密性检测水体更新方法及系统
CN108122236B (zh) 基于距离调制损失的迭代式眼底图像血管分割方法
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN111582111B (zh) 一种基于语义分割的细胞各成分分割方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
Bibiloni et al. A real-time fuzzy morphological algorithm for retinal vessel segmentation
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN116990323B (zh) 一种高精密印刷版视觉检测系统
CN116310845B (zh) 一种用于污水处理的智能监测系统
CN116703911B (zh) 一种led灯生产质量检测系统
CN108898132A (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN115719332A (zh) 一种焊接质量检测方法
CN112258544A (zh) 基于人工智能的相机滤镜自适应切换方法及系统
CN111077150A (zh) 一种基于计算机视觉和神经网络的大便智能分析方法
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN113962994B (zh) 基于图像处理的三连杆上锁销清洁度检测方法
CN113470041B (zh) 免疫组化细胞图像细胞核分割与计数方法和系统
CN116109558A (zh) 基于颈部半透明厚度测量值筛查胎儿染色体异常的方法
CN115359264A (zh) 一种密集型分布的粘连细胞深度学习识别方法
CN115018835A (zh) 一种汽车起动机齿轮检测方法
CN114897789A (zh) 一种基于图像分割的烧结矿粒度检测方法及系统
CN114155493A (zh) 基于视频分析技术的大坝流量预警系统及方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN116309561A (zh) 一种基于防漏电绝缘材料的表面缺陷识别方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210511