CN113051713B - 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 - Google Patents
基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 Download PDFInfo
- Publication number
- CN113051713B CN113051713B CN202110224146.4A CN202110224146A CN113051713B CN 113051713 B CN113051713 B CN 113051713B CN 202110224146 A CN202110224146 A CN 202110224146A CN 113051713 B CN113051713 B CN 113051713B
- Authority
- CN
- China
- Prior art keywords
- image
- aging
- serialized
- composite material
- feature extraction
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000004643 material aging Methods 0.000 title claims abstract description 17
- 230000032683 aging Effects 0.000 claims description 86
- 238000012545 processing Methods 0.000 claims description 25
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 claims description 23
- 230000003647 oxidation Effects 0.000 claims description 22
- 238000007254 oxidation reaction Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 13
- 238000009413 insulation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 239000011810 insulating material Substances 0.000 description 4
- 239000002861 polymer material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于材料老化程度预测技术领域，尤其涉及一种基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，基于相关系数的统计学习方法，采集定子线棒绝缘老化过程中复合材料的序列图像，应用图像的灰度共生矩阵和HSV通道直方图提取序列图像的特征实现对复合材料老化程度预测。
Description
技术领域
本发明属于材料老化程度预测技术领域，尤其涉及一种基于图像灰度共生矩阵多特征提取的复合材料老化预测方法。
背景技术
高分子材料的老化已成为一个非常重要的问题，实际造成的危害要比人们想象的严重得多，尤其是在苛刻环境条件下，常导致设备过早失效、材料大量流失，不但在经济上受到很大损失，导致资源的浪费，甚至因材料的失效分解造成对环境的污染。然而，高分子材料在加工、贮存和使用过程中，在光、热、水、化学与生物侵蚀等内外因素的综合作用下，产生降解，表现为性能逐渐下降，从而部分丧失或丧失其使用价值。
定子线棒是发电机的重要组成部分，其绝缘状态的好坏在很大程度上决定了发电机的使用寿命。定子线棒绝缘主要采用环氧云母绝缘体系，在长期运行过程中，遭受电、热、机械振动和环境等应力因子的联合作用，其机械性能和介电性能逐渐变坏，电气强度降低，最终导致绝缘击穿。统计结果表明，绝缘损坏时引起发电机故障的主要原因。通过观察定子线棒绝缘老化过程中衍射光斑、微观形貌等方法，对判定绝缘材料的老化程度有着重要的作用。
传统的定子线棒绝缘老化程度评估方法主要是公式法，通过建立介质损耗因数、局部放电量等多种电器参数与剩余寿命的关系，主要有局部放电参数预测法、D-图像法和其他非电气参数寿命评估法。这些方法操作复杂，评估结果相差比较大，不够准确。
发明内容
为了克服上述现有技术中存在的问题和不足，本发明旨在于提供一种基于相关系数的统计学习方法，采集定子线棒绝缘老化过程中复合材料的序列图像，应用图像的灰度共生矩阵和HSV通道直方图提取序列图像的特征实现对复合材料老化程度预测的方法。
本发明提供的这种基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，包括以下步骤：
步骤1，对全部待老化预测的复合材料样本同时开始进行热氧、纯氧老化处理，并且在热氧、纯氧老化处理过程中按照设定时间周期阈值和数量阈值，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品；
步骤2，对步骤1中取出的老化样品的进行序列化图像采样，并且对采样得到的序列化图像进行平滑图像处理，并确定序列化图像的前景和背景，然后对经过平滑图像处理的序列化图像进行感兴趣区域定义，感兴趣区域定义是为进行特征提取设定提取特征标准，根据提取需求可以调整，比如本方案中的灰度阈值和HSV三通道设定阈值，完成图像预处理；
步骤3，根据步骤2中定义的感兴趣区域，提取步骤2中经过图像预处理后的老化样品的序列化图像的灰度共生矩阵特征以及HSV三通道的方向梯度直方图特征；
步骤4，对所述步骤3中得到的方向梯度直方图特征建立对应老化样品的数据库；
步骤5，将经过步骤1处理的其他待老化预测的复合材料，按照步骤2和3所述的方法处理得到对应的序列化图像，并分别与所述步骤4的数据库中每个老化样品的序列化图像进行计算处理，得到其他待老化预测的复合材料的序列化图像与每个老化样品的序列化图像间的相关系数，选择老化样品的序列化图像中与每个其他待老化预测的复合材料的序列化图像相关系数最大的老化样品对应的及HSV三通道的方向梯度直方图特征作为其老化状态预测结果。
具体的，步骤1中，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品，具体的，是将在进行热氧、纯氧老化处理的复合材料样本从热氧、纯氧老化处理设备的定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材作为老化样本。
优选地，所述对全部待老化预测的复合材料样本进行热氧、纯氧老化处理的温度为120℃和130℃。
进一步的，所述设定时间周期阈值具体的，从第5h到第50h每隔5h取出1到2片片材作为老化样本，从第50h到第150时每隔50h取出2到4片片材作为老化样本。
优选地，步骤2中对序列化图像进行平滑图像处理，具体是对序列图像进行灰度处理得到灰度图像，并使用为3*3、方差为1的标准高斯滤波器对得到的灰度图像进行滤波处理，得到平滑后的图像。
而特征提取的感兴趣区域即老化样本的序列图像部分，优选的，步骤2中对经过平滑图像处理的序列化图像进行特征提取的感兴趣区域定义，具体是对经过平滑图像处理的序列化图像进行二值化处理得到（0，255）二值图像，并对二值图像的像素点逐行逐列进行扫描，计算每行中所包含的0像素点的点数，当点数大于设定阈值（50）时则定义该行为特征提取的感兴趣区域。
进一步的，当点数大于设定阈值（50）时，还需对该行中不为0像素点的像素点进行剪裁，最终得到特征提取的感兴趣区域。
进一步的，步骤3中，提取序列化图像的灰度共生矩阵特征，具体的：
取序列化图像中任意点(x，y)及偏离该任意点的另一点(x+a，y+b)，设任意点(x，y)和另一点(x+a，y+b)的灰度值为(g1，g2)，根据灰度值的级数k，在序列化图像中选择k个任意点(x，y)，获取整个序列化图像所包含的全部k2种灰度值(g1，g2)；即，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。
对于整个序列化图像，统计出每一种灰度值(g1，g2)出现的次数并排列成一个方阵，用整个序列化图像所包含的灰度值总数k2将每一种灰度值(g1，g2)出现的次数归一化为该灰度值出现的概率P(g1，g2)，得到灰度共生矩阵；通过该矩阵可以计算出序列图像的能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数的特征。
进一步的，HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value），因此，步骤3中，提取老化样品的序列化图像的HSV三通道的梯度直方图特征，具体的，是将序列化图像的HSV三通道的颜色空间划分为若干个更小的颜色区间，每个更小的颜色区间成为直方图的一个bin，通过计算序列化图像中不同像素点的颜色落在每个小区间内的像素数量为纵坐标，横坐标为像素点的区间，得到颜色直方图。
优选的，步骤4中所述数据库中保存的参数包括能量Energy、对比度Contrast、同质性/逆差距Homogenity、相关度IDM、熵Entropy、灰度直方图均值M_mean1、H通道直方图均值H_mean、S通道直方图均值S_mean以及V通道直方图均值V_mean。
有益效果：
本发明基于图像灰度共生矩阵的多特征提取的复合材料老化程度预测方法利用复合材料的序列化图像，复合材料发生很小的变化都可以在序列化图像中清晰地展示出来，对材料微观层面的观察研究使得分析结果更加可靠。传统的建模技术需要预设很多数学模型构建进行验证，且该模型仅适用于特定条件下的复合材料预测。本发明利用灰度共生矩阵特征的多特征方法进行建模，该构建方法快速且无需过多人为干预，可以方便地对复合材料寿命进行预测。本发明对定子线棒上的绝缘片材进行热氧老化和无氧老化，采用绝缘样品加速老化的方法进行试验，可以在发电机的设计阶段预测出定子线棒绝缘材料的老化程度，对于发电机的设计有着很好的指导作用。本发明采用灰度共生矩阵多特征和HSV三通道直方图特征来对图像进行特征提取，这两种方法统计了图谱像素级别的变化，结合绝缘材料的序列化图像，更能准确捕捉到材料在微观层面发生的微小变化。综上所述，本发明预测结果准确，对于评估定子线棒绝缘老化程度有着很好的指导作用。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，附图中：
图1为本发明一种优选结构的正面示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。
实施例1
本发明提供的一种基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，如图1，包括以下步骤：
步骤1，对全部待老化预测的复合材料样本同时开始进行热氧、纯氧老化处理，并且在热氧、纯氧老化处理过程中按照设定时间周期阈值和数量阈值，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品；
步骤2，对步骤1中取出的老化样品的进行序列化图像采样，并且对采样得到的序列化图像进行平滑图像处理，并确定序列化图像的前景和背景，然后对经过平滑图像处理的序列化图像进行感兴趣区域定义，感兴趣区域定义是为进行特征提取设定提取特征标准，根据提取需求可以调整，比如本方案中的灰度阈值和HSV三通道设定阈值，完成图像预处理；
步骤3，根据步骤2中定义的感兴趣区域，提取步骤2中经过图像预处理后的老化样品的序列化图像的灰度共生矩阵特征以及HSV三通道的方向梯度直方图特征；
步骤4，对所述步骤3中得到的方向梯度直方图特征建立对应老化样品的数据库；
步骤5，将经过步骤1处理的其他待老化预测的复合材料，按照步骤2和3所述的方法处理得到对应的序列化图像，并分别与所述步骤4的数据库中每个老化样品的序列化图像进行计算处理，得到其他待老化预测的复合材料的序列化图像与每个老化样品的序列化图像间的相关系数，选择老化样品的序列化图像中与每个其他待老化预测的复合材料的序列化图像相关系数最大的老化样品对应的及HSV三通道的方向梯度直方图特征作为其老化状态预测结果。
本方法利用复合材料的序列化图像，复合材料发生很小的变化都可以在序列化图像中清晰地展示出来，对材料微观层面的观察研究使得分析结果更加可靠。传统的建模技术需要预设很多数学模型构建进行验证，且该模型仅适用于特定条件下的复合材料预测；利用灰度共生矩阵特征的多特征方法进行建模，该构建方法快速且无需过多人为干预，可以方便地对复合材料寿命进行预测。
这种方案对定子线棒上的绝缘片材进行热氧老化和无氧老化，采用绝缘样品加速老化的方法进行试验，可以在发电机的设计阶段预测出定子线棒绝缘材料的老化程度，对于发电机的设计有着很好的指导作用。采用灰度共生矩阵多特征和HSV三通道直方图特征来对图像进行特征提取，这两种方法统计了图谱像素级别的变化，结合绝缘材料的序列化图像，更能准确捕捉到材料在微观层面发生的微小变化。
实施例2
作为本发明一种优选的具体实施方案，在上述实施例1技术方案的基础上，具体的，步骤1中，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品，具体的，是将在进行热氧、纯氧老化处理的复合材料样本从热氧、纯氧老化处理设备的定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材作为老化样本。
优选地，所述对全部待老化预测的复合材料样本进行热氧、纯氧老化处理的温度为120℃和130℃。
进一步的，所述设定时间周期阈值具体的，从第5h到第50h每隔5h取出1到2片片材作为老化样本，从第50h到第150时每隔50h取出2到4片片材作为老化样本。
优选地，步骤2中对序列化图像进行平滑图像处理，具体是对序列图像进行灰度处理得到灰度图像，并使用为3*3、方差为1的标准高斯滤波器对得到的灰度图像进行滤波处理，得到平滑后的图像。
而特征提取的感兴趣区域即老化样本的序列图像部分，优选的，步骤2中对经过平滑图像处理的序列化图像进行特征提取的感兴趣区域定义，具体是对经过平滑图像处理的序列化图像进行二值化处理得到（0，255）二值图像，并对二值图像的像素点逐行逐列进行扫描，计算每行中所包含的0像素点的点数，当点数大于设定阈值（50）时则定义该行为特征提取的感兴趣区域。
进一步的，当点数大于设定阈值（50）时，还需对该行中不为0像素点的像素点进行剪裁，最终得到特征提取的感兴趣区域。
进一步的，步骤3中，提取序列化图像的灰度共生矩阵特征，具体的：
取序列化图像中任意点(x，y)及偏离该任意点的另一点(x+a，y+b)，设任意点(x，y)和另一点(x+a，y+b)的灰度值为(g1，g2)，根据灰度值的级数k，在序列化图像中选择k个任意点(x，y)，获取整个序列化图像所包含的全部k2种灰度值(g1，g2)；即，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。
对于整个序列化图像，统计出每一种灰度值(g1，g2)出现的次数并排列成一个方阵，用整个序列化图像所包含的灰度值总数k2将每一种灰度值(g1，g2)出现的次数归一化为该灰度值出现的概率P(g1，g2)，得到灰度共生矩阵；通过该矩阵可以计算出序列图像的能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数的特征。
进一步的，HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value），因此，步骤3中，提取老化样品的序列化图像的HSV三通道的梯度直方图特征，具体的，是将序列化图像的HSV三通道的颜色空间划分为若干个更小的颜色区间，每个更小的颜色区间成为直方图的一个bin，通过计算序列化图像中不同像素点的颜色落在每个小区间内的像素数量为纵坐标，横坐标为像素点的区间，得到颜色直方图。
优选的，步骤4中所述数据库中保存的参数包括能量Energy、对比度Contrast、同质性/逆差距Homogenity、相关度IDM、熵Entropy、灰度直方图均值M_mean1、H通道直方图均值H_mean、S通道直方图均值S_mean以及V通道直方图均值V_mean：
Energy：能量，能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。
Contrast：对比度度矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊。
Homogenity：同质性/逆差距，逆方差反映了图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较大，反之较小
IDM：相关度用来度量图像的灰度级在行或列方向上的相似程度，因此值得大小反应了局部灰度相关性，值越大，相关性也越大
Entropy：熵，图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。
M_mean1：灰度直方图均值，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。
H_mean：H通道直方图均值，H通道直方图是关于色调级分布的函数，是对图像中色调级分布的统计。色调直方图是将数字图像中的所有像素，按照色调值的大小，统计其出现的频率。H通道直方图是关于色调级分布的函数，它表示图像中具有某种色调级的像素的个数，反映了图像中某种色调出现的频率。
S_mean：S通道直方图均值，S通道直方图均值，S通道直方图是关于饱和度分布的函数，是对图像中饱和度分布的统计。饱和度直方图是将数字图像中的所有像素，按照饱和度的大小，统计其出现的频率。S通道直方图是关于饱和度分布的函数，它表示图像中具有某种饱和度的像素的个数，反映了图像中某种饱和度出现的频率。
V_mean：V通道直方图均值，V通道直方图均值，V通道直方图是关于亮度分布的函数，是对图像中亮度分布的统计。亮度直方图是将数字图像中的所有像素，按照亮度的大小，统计其出现的频率。V通道直方图是关于亮度分布的函数，它表示图像中具有某种亮度的像素的个数，反映了图像中某种亮度出现的频率。
即，按照上述步骤，以具体的设计参数进行举例，第一步是进行老化样品制备：将绝缘样品从定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材。将绝缘片材裁剪为1cm×1cm的样品。将样品放在玻璃皿中进行热氧和纯氧老化。老化温度为120℃与130℃，时间共150h。从0h到50h每隔5h取出2片老化样品供后续测试使用，从50h到150h每隔50h取出2片老化样品供后续测试使用。
接着，第二步是获取定子线棒绝缘老化样品的序列化图像，定义感兴趣区域。对老化样品的序列图像进行灰度化，得到灰度图像。使用3*3方差为1的标准高斯滤波器进行滤波处理，得到平滑后的图像。再对平滑后的序列图像进行二值化处理，得到（0，255）二值图像，对该二值图像进行逐行、逐列扫描，计算每行中0像素点的点数，当点数大于50时则定义为感兴趣区域即老化样本的序列图像部分，进行剪裁，得到特征提取的感兴趣区域。
第三步提取感兴趣区域的图像特征。以120℃纯氧老化时间为5小时的感兴趣区域的图像为例，对该图像进行特征提取，提取出图像的灰度共生矩阵特征和HSV直方图特征。图像的灰度共生矩阵特征的计算如下：取图像中任意一点及偏离它的另一点(x+1，y+1)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为256，则(g1，g2)的组合共有256的平方种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，得到灰度共生矩阵，通过该矩阵可以计算出序列图像的能量、熵、对比度、同质性、相关性、均值。各个参数值如下：能量Energy：=2.74085e+12、对比度contrast=1.96061e+08 同质性homogenity=1.06391e+07、相关度IDM=7.58413e+06、熵entropy=-8.3315e+07 均值mean=3.35456e+09。
图像的HSV直方图特征的计算如下：将图像HSV三通道的颜色空间划分为若干个小的颜色区间，每个小区间成为直方图的一个bin。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。然后将各个通道的直方图求均值，得到了颜色直方图均值。各个参数值如下：H通道直方图均值h_mean=76.5223、S通道直方图均值S_mean=30.7958、V通道直方图均值V_mean=193.65
第四步则是在获取到图像的灰度共生矩阵特征和图像的HSV直方图特征之后，将得到的特征数据导入数据库，最后，将测试集的图像特征输入已经训练好的相关系数模型中，对测试集中的图谱进行老化程度预测，选取不同老化时间的样本进行预测，模型预测结果[0h，20h，30h，40h，50h]，模型预测结果准确，对于不同老化时间的样品都进行了准确的预测。
Claims (10)
1.基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于，包括以下步骤：
步骤1，对全部待老化预测的复合材料样本同时开始进行热氧、纯氧老化处理，并且在热氧、纯氧老化处理过程中按照设定时间周期阈值和数量阈值，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品；
步骤2，对步骤1中取出的老化样品的进行序列化图像采样，并且对采样得到的序列化图像进行平滑图像处理，并确定序列化图像的前景和背景，然后对经过平滑图像处理的序列化图像进行感兴趣区域定义，完成图像预处理；
步骤3，根据步骤2中定义的感兴趣区域，提取步骤2中经过图像预处理后的老化样品的序列化图像的灰度共生矩阵特征以及HSV三通道的方向梯度直方图特征；
步骤4，对所述步骤3中得到的方向梯度直方图特征建立对应老化样品的数据库；将经过步骤1处理的其他待老化预测的复合材料，按照步骤2和3所述的方法处理得到对应的序列化图像，并分别与所述步骤4的数据库中每个老化样品的序列化图像进行计算处理，得到其他待老化预测的复合材料的序列化图像与每个老化样品的序列化图像间的相关系数，选择老化样品的序列化图像中与每个其他待老化预测的复合材料的序列化图像相关系数最大的老化样品对应的及HSV三通道的方向梯度直方图特征作为其老化状态预测结果。
2.如权利要求1所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：步骤1中，从正在进行热氧、纯氧老化处理的复合材料样本中取出若干作为老化样品，具体的，是将在进行热氧、纯氧老化处理的复合材料样本从热氧、纯氧老化处理设备的定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材作为老化样本。
3.如权利要求2所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：所述对全部待老化预测的复合材料样本进行热氧、纯氧老化处理的温度为120℃和130℃，所述设定时间周期阈值具体的。
4.如权利要求2或3所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：所述设定时间周期阈值具体的，从第5h到第50h每隔5h取出1到2片片材作为老化样本，从第50h到第150时每隔50h取出2到4片片材作为老化样本。
5.如权利要求1所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：步骤2中对序列化图像进行平滑图像处理，具体是对序列图像进行灰度处理得到灰度图像，并使用为3*3、方差为1的标准高斯滤波器对得到的灰度图像进行滤波处理，得到平滑后的图像。
6.如权利要求1或5所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：所述感兴趣区域即老化样本的序列图像部分，具体的，步骤2中对经过平滑图像处理的序列化图像进行特征提取的感兴趣区域定义，具体是对经过平滑图像处理的序列化图像进行二值化处理得到（0，255）二值图像，并对二值图像的像素点逐行逐列进行扫描，计算每行中所包含的0像素点的点数，当点数大于设定阈值50时则定义该行为特征提取的感兴趣区域。
7.如权利要求6所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：当点数大于设定阈值50时，还需对该行中不为0像素点的像素点进行剪裁，最终得到特征提取的感兴趣区域。
8.如权利要求1所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于，步骤3中，提取序列化图像的灰度共生矩阵特征，具体的：
取序列化图像中任意点(x，y)及偏离该任意点的另一点(x+a，y+b)，设任意点(x，y)和另一点(x+a，y+b)的灰度值为(g1，g2)，根据灰度值的级数k，在序列化图像中选择k个任意点(x，y)，获取整个序列化图像所包含的全部k2种灰度值(g1，g2)；
对于整个序列化图像，统计出每一种灰度值(g1，g2)出现的次数并排列成一个方阵，用整个序列化图像所包含的灰度值总数k2将每一种灰度值(g1，g2)出现的次数归一化为该灰度值出现的概率P(g1，g2)，得到灰度共生矩阵。
9.如权利要求1所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：步骤3中，提取老化样品的序列化图像的HSV三通道的梯度直方图特征，具体的，是将序列化图像的HSV三通道的颜色空间划分为若干个更小的颜色区间，每个更小的颜色区间成为直方图的一个bin，通过计算序列化图像中不同像素点的颜色落在每个小区间内的像素数量为纵坐标，横坐标为像素点的区间，得到颜色直方图。
10.如权利要求1所述的基于图像灰度共生矩阵多特征提取的复合材料老化预测方法，其特征在于：步骤4中所述数据库中保存的参数包括能量Energy、对比度Contrast、同质性/逆差距Homogenity、相关度IDM、熵Entropy、灰度直方图均值M_mean1、H通道直方图均值H_mean、S通道直方图均值S_mean以及V通道直方图均值V_mean。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224146.4A CN113051713B (zh) | 2021-03-01 | 2021-03-01 | 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224146.4A CN113051713B (zh) | 2021-03-01 | 2021-03-01 | 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113051713A CN113051713A (zh) | 2021-06-29 |
| CN113051713B true CN113051713B (zh) | 2023-03-21 |
Family
ID=76509413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110224146.4A Active CN113051713B (zh) | 2021-03-01 | 2021-03-01 | 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113051713B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689426B (zh) * | 2021-09-27 | 2024-05-03 | 吉林省骏宇科技有限公司 | 基于图像处理的消防器械缺陷检测方法 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508110B (zh) * | 2011-10-10 | 2014-07-09 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
| FR3028314B1 (fr) * | 2014-11-07 | 2016-12-23 | Aircelle Sa | Procede de caracterisation du vieillissement thermique de materiaux composites, en particulier de materiaux composites a matrice organique |
| JP2018503689A (ja) * | 2015-01-27 | 2018-02-08 | フローレンゲイル・エル・エル・シー | 治癒性局所用組成物 |
| US11497476B2 (en) * | 2015-06-22 | 2022-11-15 | Sunnybrook Research Institute | Systems and methods for prediction of tumor treatment response to using texture derivatives computed from quantitative ultrasound parameters |
| CN105869171A (zh) * | 2016-04-18 | 2016-08-17 | 重庆大学 | 一种定量分析人体皮肤纹理老化的方法 |
| CN110720046B (zh) * | 2017-06-14 | 2022-03-18 | 三菱电机株式会社 | 经年劣化诊断装置和经年劣化诊断方法 |
| CN112424582A (zh) * | 2018-08-29 | 2021-02-26 | 深圳迈瑞生物医疗电子股份有限公司 | 血液样本检测的方法、血液样本检测仪和存储介质 |
| CN109472776B (zh) * | 2018-10-16 | 2021-12-03 | 河海大学常州校区 | 一种基于深度显著性的绝缘子检测及自爆识别方法 |
| CN109063400B (zh) * | 2018-10-17 | 2023-07-14 | 苏州科技大学 | 基于统计检验的发电机定子线棒绝缘热老化寿命评估方法 |
| CN111650502A (zh) * | 2020-03-04 | 2020-09-11 | 苏州热工研究院有限公司 | 基于电磁信号评估继电器老化状态的方法 |
| CN111337418B (zh) * | 2020-03-20 | 2022-10-14 | 中广核三角洲（太仓）检测技术有限公司 | 一种核电站用聚烯烃电缆绝缘材料寿命评估方法 |
| CN111382546B (zh) * | 2020-04-07 | 2023-06-30 | 东方电气集团东方电机有限公司 | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 |
| CN111563622B (zh) * | 2020-04-30 | 2022-04-22 | 西安交通大学 | 一种定子线棒绝缘老化程度预测方法 |
| CN111553432B (zh) * | 2020-04-30 | 2022-02-22 | 西安交通大学 | 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法 |
| CN111650486A (zh) * | 2020-07-07 | 2020-09-11 | 天津大学 | 一种覆冰绝缘子交流闪络放电的判断方法 |
| CN112129741B (zh) * | 2020-10-10 | 2022-12-16 | 广东电网有限责任公司广州供电局 | 绝缘油老化分析方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-01 CN CN202110224146.4A patent/CN113051713B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113051713A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
| CN105004972B (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111553432B (zh) | 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法 | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
| CN111915572A (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
| CN113051713B (zh) | 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 | |
| CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
| CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
| KR20170128577A (ko) | 조직 시료 분석 기술 | |
| Wei et al. | Effects of lossy compression on remote sensing image classification based on convolutional sparse coding | |
| CN109919843B (zh) | 一种基于自适应四分法的皮肤图像纹理评估方法及系统 | |
| CN117173175B (zh) | 一种基于超像素的图像相似度检测方法 | |
| CN114494739A (zh) | 基于人工智能的色粉混合效果检测方法 | |
| CN110738658B (zh) | 图像质量评价方法 | |
| CN115496761A (zh) | 基于ae的低倍镜分裂相筛图方法、系统及存储介质 | |
| JP6329651B1 (ja) | 画像処理装置及び画像処理方法 | |
| CN109035217B (zh) | 一种基于图像二维熵的土体裂隙定量评价方法 | |
| CN115493519A (zh) | 一种茶叶条索等级的数字化评价方法 | |
| JP2018125019A (ja) | 画像処理装置及び画像処理方法 | |
| CN116990298B (zh) | 一种用于人造革生产设备的成品质量评估系统 | |
| CN114882016B (zh) | 基于红外温度场时序信息识别混凝土缺陷面积方法及系统 | |
| CN117252879B (zh) | 一种用于半导体检测的显微线扫成像系统及其控制方法 | |
| CN114627010B (zh) | 一种基于染色密度图的染色空间迁移方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |