CN112883985A - 机油的检测方法、装置、设备及存储介质 - Google Patents
机油的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112883985A CN112883985A CN202110230947.1A CN202110230947A CN112883985A CN 112883985 A CN112883985 A CN 112883985A CN 202110230947 A CN202110230947 A CN 202110230947A CN 112883985 A CN112883985 A CN 112883985A
- Authority
- CN
- China
- Prior art keywords
- image
- oil
- preset
- detection image
- detection
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种机油的检测方法、装置、设备及存储介质,方法包括:获取待检测压缩机中制冷剂储液罐中的检测图像;提取所述检测图像中的图像特征;判断所述图像特征中是否包含有与油相关的预设特征;若所述图像特征中包含有所述与油相关的预设特征,确定所述制冷剂中含有油。本申请用以降低成本,提高机油的检测效率。
Description
技术领域
本申请涉及智能设备技术领域,尤其涉及一种机油的检测方法、装置、设备及存储介质。
背景技术
压缩机被认为是制冷系统的心脏,因此也是空调最重要的核心部件。压缩机中的机油主要用来润滑压缩机内部机件和进行一定的散热作用。其中,如果机油过少,压缩机容易烧坏,如果机油过多,会影响空调制冷。因此,对压缩机中的机油油位进行检测至关重要。
现有的压缩机油位检测方法中,需要通过人为观察储油罐玻璃观察孔处制冷剂的通过情况,来确定制冷剂中是否包含油。可见,现有的油位检测方法需要花费大量的人力成本及时间成本。
发明内容
本申请提供了一种机油的检测方法、装置、设备及存储介质,用以降低成本,提高机油的检测效率。
第一方面,本申请实施例提供了一种机油的检测方法,包括:
获取待检测压缩机中制冷剂储液罐中的检测图像;
提取所述检测图像中的图像特征;
判断所述图像特征中是否包含有与油相关的预设特征;
若所述图像特征中包含有所述与油相关的预设特征,确定所述制冷剂中含有油。
可选地,所述获取待检测压缩机中制冷剂储液罐中的检测图像,包括:
控制照明装置对所述制冷剂储液罐中的液体表面进行照射;
采集所述制冷剂储液罐中的液体表面的图像作为检测图像。
可选地,所述提取所述检测图像中的图像特征,包括:
识别所述检测图像中的所有颜色;
将所有所述颜色的颜色信息作为所述图像特征。
可选地,所述判断所述图像特征中是否包含有与油相关的预设特征,包括:
若所述颜色信息为颜色的种类,判断所述检测图像中的颜色的种类是否位于预设种类范围,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征;
若所述颜色信息为色彩,判断所述检测图像的色彩是否包含有油的预设色彩,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
可选地,所述提取所述检测图像中的图像特征,包括:
对所述检测图像进行二值化处理,得到所述检测图像中的多个线条;
按照所述线条之间的布局,对二值化处理后的图像进行图像分割,得到所述检测图像中的多个不同图像区域;
对每个所述图像区域进行图像描述处理,确定每个所述图像区域的几何特征,并将确定的所述几何特征作为所述图像特征。
可选地,所述判断所述图像特征中是否包含有与油相关的预设特征,包括:
获取油位于水面上的预设几何特征库,所述预设几何特征库中,包含有至少一个预设几何特征;
判断所述检测图像中的几何特征是否包含有所述预设几何特征,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
可选地,还包括:
获取所述待检测压缩机中机油的图像;
识别所述机油的图像中的液位,得到当前时刻所述机油的机油量;
计算所述机油量与所述预设油量的比值;
若所述比值不在预设范围内,确定所述机油的油位异常。
第二方面,本申请实施例提供了一种机油的检测装置,包括:
获取模块,用于获取待检测压缩机中制冷剂储液罐中的检测图像;
提取模块,用于提取所述检测图像中的图像特征;
判断模块,用于判断所述图像特征中是否包含有与油相关的预设特征;
确定模块,用于若所述图像特征中包含有所述与油相关的预设特征,确定所述制冷剂中含有油。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的机油的检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的机油的检测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,获取待检测压缩机中制冷剂储液罐中的检测图像,提取该检测图像中的图像特征,判断该图像特征中是否包含有与油相关的预设特征,可见,本申请通过提取检测图像的图像特征,并根据该图像特征去判断制冷剂中是否存在机油,解决了现有的需要人为观察制冷剂中是否存在机油的问题,并在图像特征中包含有与油相关的预设特征时,确定制冷剂中含有油,本申请通过检测图像,便可以得到制冷剂中是否含有机油,有效的节约了人工成本和时间成本,提高了机油的检测效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中机油的检测方法流程示意图;
图2为本申请实施例中第一提取检测图像中的图像特征的流程示意图;
图3为本申请实施例中第二提取检测图像中的图像特征的流程示意图;
图4为本申请实施例中通过机油的油位来确定机油是否存在异常的流程示意图;
图5为本申请实施例中第一机油的具体检测方法流程示意图;
图6为本申请实施例中第二机油的具体检测方法流程示意图;
图7为本申请实施例中第三机油的具体检测方法流程示意图;
图8为本申请实施例中机油的检测装置结构示意图;
图9为本申请实施例中电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种机油的检测方法,该方法可以应用在服务器,也可以应用在终端。
本申请以该方法应用在服务器为例进行说明,当然,此处仅是举例说明,并不用于对本申请的保护范围进行限制。并且,本申请中的一些其他举例说明,也不用于对本申请的保护范围的限制,便不在一一说明。
本申请的应用场景为压缩机的测试场景。压缩机的正常运行需要一定量的机油,如果机油量不合适会造成压缩机的磨损,严重情况下会直接造成压缩机运行卡死,因此,需要对压缩机的机油进行检测。例如,该压缩机为安装在空调外机中的压缩机。
将待检测的安装有压缩机的空调外机运送至检测平台的检测工位,该检测工位包括:照明装置、第一拍摄装置和第二拍摄装置,使得照明装置对准压缩机储液罐玻璃观察孔,和第一拍摄装置对准压缩机的储液罐玻璃观察孔,以及使得第二拍摄装置对准压缩机的视镜玻璃。其中,该照明装置可以为电灯泡、手电筒等,第一拍摄装置可以为任意摄像头,第二拍摄装置可以为热成像摄像头。
照明装置,用于通过压缩机储液罐玻璃观察孔,对制冷剂储液罐进行照明。
第一拍摄装置,用于通过压缩机储液罐玻璃观察孔,拍摄待检测压缩机中制冷剂储液罐中的检测图像,并将该检测图像发送至服务器。
第二拍摄装置,用于通过压缩机的视镜玻璃,拍摄压缩机中的机油的图像,并将该机油的图像发送至服务器。
该方法的具体实现如图1所示:
步骤101,获取待检测压缩机中制冷剂储液罐中的检测图像。
一个具体实施例中,控制照明装置对制冷剂储液罐中的液体表面进行照射;采集在光照作用下制冷剂储液罐中的液体表面的图像作为检测图像。
具体地,在需要进行压缩机机油的检测时,服务器向照明装置发送光照指令。照明装置接收服务器发送的光照指令,根据光照指令,通过玻璃观察孔,对制冷剂储液罐进行照射。当然,照明装置也可以一直通过玻璃观察孔,对制冷剂储液罐进行照射,不需要和服务器进行消息通信。
具体地,在需要进行压缩机机油的检测时,服务器向第一拍摄装置发送第一拍摄指令。第一拍摄装置接收服务器发送的第一拍摄指令,根据第一拍摄指令,拍摄待检测压缩机中制冷剂储液罐中的检测图像,并将该检测图像发送至服务器。当然,第一拍摄装置也可以一直拍摄检测图像,然后向服务器发送检测图像。
步骤102,提取检测图像中的图像特征。
一个具体实施例中,提取检测图像中的图像特征的具体操作如图2所示:
步骤201,识别检测图像中的所有颜色。
步骤202,将所有颜色的颜色信息作为图像特征。
其中,颜色信息包括:颜色的种类、色彩、颜色种类的数量等。
具体地,可以将检测图像输入至彩色模型(Hue Saturation Value,简称HSV),通过HSV模型输出检测图像中的所有的颜色,其中,HSV模型是利用N张样本检测图像训练获得,样本检测图像包括:制冷剂的图像和制冷剂中含有油的图像,N为大于1的整数。
具体地,根据薄膜干涉原理,光照射在含有油的水上,由于折射率的不同而形成新的光波。即,如果制冷剂中含有机油,拍摄的检测图像中则包括多种颜色;如果制冷剂中不存在机油,拍摄的检测图像的颜色比较单一。
一个具体实施例中,根据水油不相容原理,如果制冷剂中存在机油,机油不会和制冷剂相融合,并且呈颗粒状、油珠状等形状,因此,可以提取检测图像中的几何特征,将该几何特性作为图像特征。其中,几何特征包括:图形的形状、图形的面积、图形周长等。
其中,提取检测图像中的图像特征的具体操作如图3所示:
步骤301,对检测图像进行二值化处理,得到检测图像中的多个线条。
具体地,将检测图像转化为灰度图像,然后对灰度图像进行二值化处理,得到二值化图像。进一步的,根据预先确定的阈值,将阈值与像素点的灰度值逐个进行比较,将阈值大于灰度值的像素点的像素值设置为0,将阈值小于或等于灰度值的像素点的像素值设置为255,此时整个图像呈现出明显的黑白效果。在重新设置像素值后,得到检测图像中的多个线条。
步骤302,按照线条之间的布局,对二值化处理后的图像进行图像分割,得到检测图像中的多个不同图像区域。
具体地,在得到不同的图像区域之后,可以对每个图像区域进行图像标识。可以采用对每个图像区域标注一个唯一的数字,一般为整数。
步骤303,对每个图像区域进行图像描述处理,确定每个图像区域的几何特征,并将确定的几何特征作为图像特征。
具体地,识别每个图像区域中包括的形状,并利用数据、符号或者形式语言来表示识别出来的形状。其中,可以采用数据、符号或者形式语言中的任意一种或多种作为几何特征。
步骤103,判断图像特征中是否包含有与油相关的预设特征。
一个具体实施例中,为确定图像特征中是否包含有与油相关的预设特征可以采用以下方式:
若颜色信息为颜色的种类,判断检测图像中的颜色的种类是否位于预设种类范围,若是,判定检测图像中包含有与油相关的预设特征,否则,判定检测图像中不包含与油相关的预设特征。
若颜色信息为色彩,判断检测图像的色彩是否包含有油的预设色彩,若是,判定检测图像中包含有与油相关的预设特征,否则,判定检测图像中不包含与油相关的预设特征。
若颜色信息为颜色种类的数量,判断颜色种类的数量是否大于预设颜色种类的数量,若是,判定检测图像中包含有与油相关的预设特征,否则,判定检测图像中不包含与油相关的预设特征。
一个具体实施例中,为确定图像特征中是否包含有与油相关的预设特征可以采用以下方式:
获取油位于水面上的预设几何特征库,预设几何特征库中,包含有至少一个预设几何特征,判断检测图像中的几何特征是否包含有预设几何特征,若是,判定检测图像中包含有与油相关的预设特征,否则,判定检测图像中不包含与油相关的预设特征。
本申请实施例在获取到检测图像后,识别检测图像的图像特征,根据该图像特征,判断制冷剂中是否包括机油,整个过程,无需人工参与,全程自动智能处理,节约了人工成本和时间成本,提高了工作效率。
步骤104,若图像特征中包含有与油相关的预设特征,确定制冷剂中含有油。
具体地,若图像特征中不包含与油相关的预设特征,确定制冷剂中不含油。
一个具体实施例中,本申请还可以通过机油的油位来确定机油是否存在异常,具体如图4所示:
步骤401,获取待检测压缩机中机油的图像。
另外,在需要进行压缩机机油的检测时,服务器向第二拍摄装置发送第二拍摄指令。第二拍摄装置接收服务器发送的第二拍摄指令,根据第二拍摄指令,拍摄压缩机中的机油的图像,并将该机油的图像发送至服务器。当然,第二拍摄装置也可以一直拍摄机油的图像,然后向服务器发送机油的图像。
步骤402,识别机油的图像中的液位,得到当前时刻机油的机油量。
具体地,获取当前时刻的环境温度,得到与环境温度对应的预设油量。
步骤403,计算机油量与预设油量的比值。
步骤404,若比值不在预设范围内,确定机油的油位异常。
具体地,若比值在预设范围内,确定机油的油位不存在异常。
具体地,温度会对油位产生影响,即一定量的机油量在不同温度下的油位是不一致的。因此,在根据机油量判断机油是否存在异常时,需要考虑环境温度。下面,进行举例说明:
采用一定量(例如100g)的机油为例,预先按照春夏秋冬四个季度为组别、周为统计间隔,进行说明:
以周为统计间隔,统计春季的环境温度下的各个油位;
以周为统计间隔,统计夏季的环境温度下的各个油位;
以周为统计间隔,统计秋季的环境温度下的各个油位;
以周为统计间隔,统计冬季的环境温度下的各个油位;
利用平均(avg)函数,计算每个季度统计的油位的平均值,分别为第一均值油位、第二均值油位、第三均值油位和第四均值油位;
从四个平均值中,选取中位值作为预设油量。
当待检测图像为机油图像,且液体特征为机油量时,计算机油量与预设油量的比值;若比值在预设范围内,判定机油不存在异常,否则,判定机油存在异常。
例如,该预设范围为(0.1-10),若比值在(0.1-10)内,判定机油不存在异常,制冷效果正常,否则,判定机油存在异常。
当然,预设油量也可以为一组数据集合,比如,包括:第一均值油位、第二均值油位、第三均值油位和第四均值油位。
当待检测图像为机油图像,且液体特征为机油量时,获取当前时刻的对应的季度,得到与季度对应的预设油量;计算机油量与预设油量的比值;若比值在预设范围内,判定机油不存在异常,否则,判定机油存在异常。
另外,采用一定量(例如100g)的机油为例,预先按照温度(环境温度)为组别、小时为统计间隔,进行说明:
其中,组别包括第一组别、第二组别、第三组别和第四组别,第一组别对应的温度段为(-10℃,0℃),第二组别对应的温度段为(0℃,10℃),第三组别对应的温度段为(10℃,20℃),第三组别对应的温度段为(20℃,30℃)。
以小时为统计间隔,统计第一组别的环境温度下的各个油位;
以小时为统计间隔,统计第二组别的环境温度下的各个油位;
以小时为统计间隔,统计第三组别的环境温度下的各个油位;
以小时为统计间隔,统计第四组别的环境温度下的各个油位;
利用avg函数,计算每个组别统计的油位的平均值,分别为第五均值油位、第六均值油位、第七均值油位和第八均值油位。
预设油量也可以为一组数据集合,比如,包括:第五均值油位、第六均值油位、第七均值油位和第八均值油位。
当待检测图像为机油图像,且液体特征为机油量时,获取当前时刻的对应的环境温度,得到与环境温度对应的预设油量;计算机油量与预设油量的比值;若比值在预设范围内,判定机油不存在异常,否则,判定机油存在异常。
当然,为了提高油位检测的准确度,可以将组别划分的更密集,此处便不再一一列举。
本申请实施例在获取到检测图像后,识别检测图像的液体特征,根据该液体特征,判断制冷剂中是否包括机油,整个过程,无需人工参与,全程自动智能处理,节约了人工成本和时间成本,提高了工作效率。
另外,在确定制冷剂中存在机油后,可以增加压缩机的运行频率,使机油回收至储油罐。
下面,通过图5具体说明机油的检测流程:
步骤501,获取待检测压缩机中制冷剂储液罐中的检测图像。
步骤502,识别检测图像中的所有颜色,并确定所有颜色的颜色信息。
步骤503,若颜色信息为颜色的种类,判断检测图像中的颜色的种类是否位于预设种类范围,若是,执行步骤504,否则,执行步骤505。
步骤504,判定检测图像中包含有与油相关的预设特征,得到制冷剂中含有油。
步骤505,判定检测图像中不包含与油相关的预设特征,得到制冷剂中不含油。
下面,通过图6具体说明机油的检测流程:
步骤601,获取待检测压缩机中制冷剂储液罐中的检测图像。
步骤602,识别检测图像中的所有颜色,并确定所有颜色的颜色信息。
步骤603,若颜色信息为色彩,判断检测图像的色彩是否包含有油的预设色彩,若是,执行步骤604,否则,执行步骤605。
步骤604,判定检测图像中包含有与油相关的预设特征,得到制冷剂中含有油。
步骤605,判定检测图像中不包含与油相关的预设特征,得到制冷剂中不含油。
下面,通过图7具体说明机油的检测过程:
步骤701,获取待检测压缩机中制冷剂储液罐中的检测图像。
步骤702,识别检测图像中的几何特征。
步骤703,获取油位于水面上的预设几何特征库。
步骤704,判断检测图像中的几何特征是否包含有预设几何特征,若是,执行步骤705,否则,执行步骤706。
步骤705,判定检测图像中包含有与油相关的预设特征,得到制冷剂中含有油。
步骤706,判定检测图像中不包含与油相关的预设特征,得到制冷剂中不含油。
本申请实施例提供的该方法,获取待检测压缩机中制冷剂储液罐中的检测图像,提取该检测图像中的图像特征,判断该图像特征中是否包含有与油相关的预设特征,可见,本申请通过提取检测图像的图像特征,并根据该图像特征去判断制冷剂中是否存在机油,解决了现有的需要人为观察制冷剂中是否存在机油的问题,并在图像特征中包含有与油相关的预设特征时,确定制冷剂中含有油,本申请通过检测图像,便可以得到制冷剂中是否含有机油,有效的节约了人工成本和时间成本,提高了机油的检测效率。
基于同一构思,本申请实施例中提供了一种机油的检测装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图8所示,该装置主要包括:
获取模块801,用于获取待检测压缩机中制冷剂储液罐中的检测图像;
提取模块802,用于提取检测图像中的图像特征;
判断模块803,用于判断图像特征中是否包含有与油相关的预设特征;
确定模块804,用于若图像特征中包含有与油相关的预设特征,确定制冷剂中含有油。
一个具体实施例中,获取模块801具体用于,控制照明装置对所述制冷剂储液罐中的液体表面进行照射;采集所述制冷剂储液罐中的液体表面的图像作为检测图像。
一个具体实施例中,提取模块802具体用于,识别所述检测图像中的所有颜色;将所有所述颜色的颜色信息作为所述图像特征。
一个具体实施例中,判断模块803具体用于,若所述颜色信息为颜色的种类,判断所述检测图像中的颜色的种类是否位于预设种类范围,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征;若所述颜色信息为色彩,判断所述检测图像的色彩是否包含有油的预设色彩,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
一个具体实施例中,提取模块802具体用于,对所述检测图像进行二值化处理,得到所述检测图像中的多个线条;按照所述线条之间的布局,对二值化处理后的图像进行图像分割,得到所述检测图像中的多个不同图像区域;对每个所述图像区域进行图像描述处理,确定每个所述图像区域的几何特征,并将确定的所述几何特征作为所述图像特征。
一个具体实施例中,判断模块803具体用于,获取油位于水面上的预设几何特征库,所述预设几何特征库中,包含有至少一个预设几何特征;判断所述检测图像中的几何特征是否包含有所述预设几何特征,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
一个具体实施例中,该装置还包括异常检测模块,该异常检测模块,用于获取所述待检测压缩机中机油的图像;识别所述机油的图像中的液位,得到当前时刻所述机油的机油量;计算所述机油量与所述预设油量的比值;若所述比值不在预设范围内,确定所述机油的油位异常。
其中,异常检测模块包括:获取机油图像模块、识别模块、计算模块和异常确定模块。
获取机油图像模块,用于获取所述待检测压缩机中机油的图像;
识别模块,用于识别所述机油的图像中的液位,得到当前时刻所述机油的机油量;
计算模块,用于计算所述机油量与所述预设油量的比值;
异常确定模块,用于若所述比值不在预设范围内,确定所述机油的油位异常。
基于同一构思,本申请实施例中还提供了一种电子设备,如图9所示,该电子设备主要包括:处理器901、存储器902和通信总线903,其中,处理器901和存储器902通过通信总线903完成相互间的通信。其中,存储器902中存储有可被至处理器901执行的程序,处理器901执行存储器902中存储的程序,实现如下步骤:获取待检测压缩机中制冷剂储液罐中的检测图像;提取检测图像中的图像特征;判断图像特征中是否包含有与油相关的预设特征;若图像特征中包含有与油相关的预设特征,确定制冷剂中含有油。
上述电子设备中提到的通信总线903可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线903可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器902可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器901的存储装置。
上述的处理器901可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的机油的检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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,在其它实施例中实现。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申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种机油的检测方法,其特征在于,包括:
获取待检测压缩机中制冷剂储液罐中的检测图像;
提取所述检测图像中的图像特征;
判断所述图像特征中是否包含有与油相关的预设特征;
若所述图像特征中包含有所述与油相关的预设特征,确定所述制冷剂中含有油。
2.根据权利要求1所述的机油的检测方法,其特征在于,所述获取待检测压缩机中制冷剂储液罐中的检测图像,包括:
控制照明装置对所述制冷剂储液罐中的液体表面进行照射;
采集所述制冷剂储液罐中的液体表面的图像作为检测图像。
3.根据权利要求2所述的机油的检测方法,其特征在于,所述提取所述检测图像中的图像特征,包括:
识别所述检测图像中的所有颜色;
将所有所述颜色的颜色信息作为所述图像特征。
4.根据权利要求3所述的机油的检测方法,其特征在于,所述判断所述图像特征中是否包含有与油相关的预设特征,包括:
若所述颜色信息为颜色的种类,判断所述检测图像中的颜色的种类是否位于预设种类范围,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征;
若所述颜色信息为色彩,判断所述检测图像的色彩是否包含有油的预设色彩,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
5.根据权利要求2所述的机油的检测方法,其特征在于,所述提取所述检测图像中的图像特征,包括:
对所述检测图像进行二值化处理,得到所述检测图像中的多个线条;
按照所述线条之间的布局,对二值化处理后的图像进行图像分割,得到所述检测图像中的多个不同图像区域;
对每个所述图像区域进行图像描述处理,确定每个所述图像区域的几何特征,并将确定的所述几何特征作为所述图像特征。
6.根据权利要求5所述的机油的检测方法,其特征在于,所述判断所述图像特征中是否包含有与油相关的预设特征,包括:
获取油位于水面上的预设几何特征库,所述预设几何特征库中,包含有至少一个预设几何特征;
判断所述检测图像中的几何特征是否包含有所述预设几何特征,若是,判定所述检测图像中包含有所述与油相关的预设特征,否则,判定所述检测图像中不包含所述与油相关的预设特征。
7.根据权利要求1所述的机油的检测方法,其特征在于,还包括:
获取所述待检测压缩机中机油的图像;
识别所述机油的图像中的液位,得到当前时刻所述机油的机油量;
计算所述机油量与所述预设油量的比值;
若所述比值不在预设范围内,确定所述机油的油位异常。
8.一种机油的检测装置,其特征在于,包括:
获取模块,用于获取待检测压缩机中制冷剂储液罐中的检测图像;
提取模块,用于提取所述检测图像中的图像特征;
判断模块,用于判断所述图像特征中是否包含有与油相关的预设特征;
确定模块,用于若所述图像特征中包含有所述与油相关的预设特征,确定所述制冷剂中含有油。
9.一种电子设备,其特征在于,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-7任一项所述的机油的检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的机油的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230947.1A CN112883985A (zh) | 2021-03-02 | 2021-03-02 | 机油的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230947.1A CN112883985A (zh) | 2021-03-02 | 2021-03-02 | 机油的检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883985A true CN112883985A (zh) | 2021-06-01 |
Family
ID=76055171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110230947.1A Pending CN112883985A (zh) | 2021-03-02 | 2021-03-02 | 机油的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883985A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114777286A (zh) * | 2022-05-18 | 2022-07-22 | 珠海格力电器股份有限公司 | 空调系统的检测方法及空调系统 |
-
2021
- 2021-03-02 CN CN202110230947.1A patent/CN112883985A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114777286A (zh) * | 2022-05-18 | 2022-07-22 | 珠海格力电器股份有限公司 | 空调系统的检测方法及空调系统 |
CN114777286B (zh) * | 2022-05-18 | 2023-12-08 | 珠海格力电器股份有限公司 | 空调系统的检测方法及空调系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930353B (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN111340787B (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN108896278A (zh) | 一种滤光片丝印缺陷检测方法、装置及终端设备 | |
CN112395928A (zh) | 一种设备状态运行自动检测的方法 | |
CN106846304B (zh) | 基于红外检测的电气设备检测方法及装置 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
US11922673B2 (en) | Product inspection method and device, producing system and computer storage medium | |
CN112381800B (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
CN105121620A (zh) | 图像处理设备、图像处理方法、程序和存储介质 | |
CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN115311466A (zh) | 图像识别方法、电子设备及存储介质 | |
CN111986195A (zh) | 一种外观缺陷检测方法及系统 | |
CN114494185A (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN115995037A (zh) | 信号灯状态检测方法、装置、设备、介质及产品 | |
CN112883985A (zh) | 机油的检测方法、装置、设备及存储介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN116051497B (zh) | 基于数据处理的电网输变电图像智能分析方法 | |
WO2018078582A1 (en) | Method for distinguishing fresh meat from meat subjected to freezing by means of analysis of images of muscle tissue and corresponding system arranged to execute said method | |
CN111325731A (zh) | 遥控装置的安装检测方法及装置 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN115661475A (zh) | 一种图像异物识别方法、装置、设备及存储介质 | |
CN111832481B (zh) | 食用植物油加工质量检测方法、设备、存储介质及装置 |
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 |