CN114882265B - 一种成品油质量检测方法 - Google Patents

一种成品油质量检测方法 Download PDF

Info

Publication number
CN114882265B
CN114882265B CN202210811372.7A CN202210811372A CN114882265B CN 114882265 B CN114882265 B CN 114882265B CN 202210811372 A CN202210811372 A CN 202210811372A CN 114882265 B CN114882265 B CN 114882265B
Authority
CN
China
Prior art keywords
copper sheet
image
clustering
preset time
pixel point
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
Application number
CN202210811372.7A
Other languages
English (en)
Other versions
CN114882265A (zh
Inventor
王建
刘扬
刘卫华
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.)
Jining Kunlun Petrochemical Co ltd
Original Assignee
Jining Kunlun Petrochemical Co ltd
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 Jining Kunlun Petrochemical Co ltd filed Critical Jining Kunlun Petrochemical Co ltd
Priority to CN202210811372.7A priority Critical patent/CN114882265B/zh
Publication of CN114882265A publication Critical patent/CN114882265A/zh
Application granted granted Critical
Publication of CN114882265B publication Critical patent/CN114882265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种成品油质量检测方法。方法包括：根据待检测的成品油样本的图像和模板图像中各像素点的灰度值，计算相似度；根据浸泡预设时间之后的铜片的图像和标准铜片图像中各像素点的色调、饱和度和明度，计算未腐蚀度；根据浸泡预设时间之后的铜片的图像中各像素点的灰度值，得到纹理复杂度；根据纹理复杂度和像素点的灰度均值，计算纹理特征指标；对图像中的边缘像素点聚类得到目标方向；根据铜片图像在目标方向上的灰度共生矩阵，计算熵值；根据熵值和像素点的灰度均值，得到腐蚀指标；根据未腐蚀度、纹理特征指标和腐蚀指标，得到腐蚀程度；根据相似度和腐蚀程度，得到质量指标。本发明提高了检测精度。

Description

一种成品油质量检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种成品油质量检测方法。
背景技术
随着我国经济的快速发展，石油开采企业以及石油加工企业加大了对于石油资源的开采与研发力度，成品油的利用效率也得到了进一步的提高。石油在开采出来之后，需要经过加工才可以成为成品油，而成品油在经过多道工序加工之后才可以投入使用，炼油厂生产出工业成品柴油、汽油后，油品不一定直接投入使用，往往需要经过放置，才会销售出去。成品油在放置过程中由于存储条件不到位可能会造成氧化，导致成品油变质，因此在成品油出厂时对成品油的质量进行检测是很有必要的。现有的往往是检测人员通过观察成品油的颜色来判断其质量变化情况，主观性较强，准确性低，且检测效率较低。
发明内容
为了解决现有人工检测成品油的质量时存在的检测精度较低的问题，本发明的目的在于提供一种成品油质量检测方法，所采用的技术方案具体如下：
本发明提供了一种成品油质量检测方法，该方法包括以下步骤：
获取待检测的成品油样本的图像；根据所述待检测的成品油样本的图像中各像素点的灰度值和模板图像中各像素点的灰度值，计算待检测的成品油样本的图像和模板图像的相似度；
获取在待检测的成品油样本中浸泡预设时间之后的铜片的图像，根据所述浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算铜片的未腐蚀度；根据所述浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度；根据所述纹理复杂度和所述浸泡预设时间之后的铜片的图像中像素点的灰度均值，计算铜片的纹理特征指标；
对浸泡预设时间之后的铜片的图像中的边缘像素点进行聚类，得到目标方向；根据所述浸泡预设时间之后的铜片的图像在目标方向上的灰度共生矩阵，计算所述浸泡预设时间之后的铜片的图像的熵值；根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标；根据所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀程度；
根据所述相似度和铜片的腐蚀程度，得到待检测的成品油样本的质量指标；根据待检测的成品油样本的质量指标，判断成品油的质量。
优选的，采用如下公式计算铜片的未腐蚀度：
Figure 846361DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为铜片的未腐蚀度，
Figure 856299DEST_PATH_IMAGE004
为浸泡预设时间之后的铜片的图像中第
Figure DEST_PATH_IMAGE005
个像素点的明度，
Figure 707711DEST_PATH_IMAGE006
为标准铜片的图像中第
Figure 684632DEST_PATH_IMAGE005
个像素点的明度，
Figure DEST_PATH_IMAGE007
为浸泡预设时间之后的铜片的图像中第
Figure 203469DEST_PATH_IMAGE005
个像素点的色调，
Figure 741898DEST_PATH_IMAGE008
为标准铜片的图像中第
Figure 390528DEST_PATH_IMAGE005
个像素点的色调，
Figure DEST_PATH_IMAGE009
为浸泡预设时间之后的铜片的图像中第
Figure 610288DEST_PATH_IMAGE005
个像素点的饱和度，
Figure 45948DEST_PATH_IMAGE010
为标准铜片的图像中第
Figure 988234DEST_PATH_IMAGE005
个像素点的饱和度，
Figure DEST_PATH_IMAGE011
为浸泡预设时间之后的铜片的图像中像素点的数量。
优选的，采用如下公式计算待检测的成品油样本的图像和模板图像的相似度：
Figure DEST_PATH_IMAGE013
其中，
Figure 751922DEST_PATH_IMAGE014
为待检测的成品油样本的图像和模板图像的相似度，
Figure DEST_PATH_IMAGE015
为待检测的成品油样本的图像中坐标为
Figure 11259DEST_PATH_IMAGE016
的像素点的灰度值，
Figure DEST_PATH_IMAGE017
为模板图像中坐标为
Figure 239109DEST_PATH_IMAGE016
的像素点的灰度值，
Figure 352296DEST_PATH_IMAGE018
为待检测的成品油样本的图像中像素点的数量。
优选的，所述对浸泡预设时间之后的铜片的图像中的边缘像素点进行聚类，得到目标方向，包括：
采用均值漂移算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第一半径，将聚类结束时得到的聚类中心点记为第一聚类中心点；
采用均值漂移算法对浸泡预设时间之后的铜片的图像中的边缘像素点再次进行聚类，设置聚类圆的半径为第二半径，此次聚类的初始中心点为第一聚类中心点，将此次聚类结束时得到的聚类中心点记为第二聚类中心点；
将所述第二聚类中心点作为DBSCAN聚类的初始点，采用DBSCAN聚类算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第三半径，得到边缘像素点的主方向；
将所述主方向的垂直方向作为目标方向；
所述第一半径大于第二半径，第二半径大于第三半径。
优选的，所述采用DBSCAN聚类算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第三半径，得到边缘像素点的主方向，包括：
在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于第一预设个数时，判定该时刻得到的聚类区域为第一级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，将这两个像素点中先进行该次聚类的像素点记为第一初始点，将这两个像素点中后进行该次聚类的像素点记为第一终止点，将第一终止点的坐标减去第一起始点的坐标，得到一个向量，将该向量记为第一向量；
在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于第二预设个数时，判定该时刻得到的聚类区域为第二级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，将这两个像素点中先进行该次聚类的像素点记为第二初始点，将这两个像素点中后进行该次聚类的像素点记为第二终止点，将第二终止点的坐标减去第二起始点的坐标，得到一个向量，将该向量记为第二向量；
计算所述第一向量和第二向量的和，得到目标向量，将所述目标向量的方向记为边缘像素点的主方向；
所述第一预设个数小于第二预设个数。
优选的，所述根据所述浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度，包括：
对于浸泡预设时间之后的铜片的图像中的任一像素点：
以该像素点为中心点，建立
Figure DEST_PATH_IMAGE019
大小的滑窗，将滑窗的上边向上平移预设的距离，将滑窗的下边向下平移预设的距离，将滑窗的左边向左平移预设的距离，将滑窗的右边向右平移预设的距离，得到四条移动后的边；
采用如下公式计算该像素点对应的纹理复杂度：
Figure DEST_PATH_IMAGE021
其中，
Figure 337701DEST_PATH_IMAGE022
为该像素点对应的纹理复杂度，
Figure DEST_PATH_IMAGE023
为该像素点对应的滑窗内第
Figure 135149DEST_PATH_IMAGE024
个像素点的灰度值，
Figure DEST_PATH_IMAGE025
为该像素点对应的滑窗内像素点的灰度均值，
Figure 217505DEST_PATH_IMAGE026
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中的第
Figure DEST_PATH_IMAGE027
个值，
Figure 439277DEST_PATH_IMAGE028
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中元素的均值，
Figure 36612DEST_PATH_IMAGE019
为滑窗中像素点的数量。
优选的，采用如下公式计算铜片的纹理特征指标：
Figure 700068DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为铜片的纹理特征指标，
Figure 636931DEST_PATH_IMAGE032
为浸泡预设时间之后的铜片的图像中第
Figure DEST_PATH_IMAGE033
个像素点对应的纹理复杂度，
Figure 29604DEST_PATH_IMAGE034
为浸泡预设时间之后的铜片的图像中像素点的灰度均值，
Figure 848655DEST_PATH_IMAGE011
为浸泡预设时间之后的铜片的图像中像素点的数量。
优选的，所述根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标，包括：
对浸泡预设时间之后铜片的图像中像素点的灰度均值进行归一化处理，得到归一化灰度均值；
计算所述熵值与所述归一化灰度均值的比值，将所述比值作为铜片的腐蚀指标。
优选的，所述根据所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀程度，包括：
计算所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标的均值，将所述均值作为铜片的腐蚀程度。
优选的，采用如下公式计算待检测的成品油样本的质量指标：
Figure 814337DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为待检测的成品油样本的质量指标，
Figure 361032DEST_PATH_IMAGE038
为铜片的腐蚀程度，
Figure 753967DEST_PATH_IMAGE014
为待检测的成品油样本的图像和模板图像的相似度。
本发明具有如下有益效果：本发明首先根据待检测的成品油样本的图像中各像素点的灰度值和模板图像中各像素点的灰度值，计算了待检测的成品油样本的图像和模板图像的相似度；然后根据浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算了铜片的未腐蚀度；根据浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度；根据纹理复杂度和浸泡预设时间之后的铜片的图像中像素点的灰度均值，计算了铜片的纹理特征指标；接着计算了浸泡预设时间之后的铜片的图像的熵值；根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标；接着本发明根据铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀指标；最后本发明基于所述相似度和铜片的腐蚀指标，得到待检测的成品油样本的质量指标。本发明从两个方面对成品油的质量进行检测，第一个方面是基于成品油的颜色变化对成品油的质量进行分析，第二个方面是基于铜片在成品油中的变化对成品油的质量进行分析，本发明提供的方法提高了检测精度，实现了成品油质量的自动化检测，也提高了检测效率。
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为本发明提供的一种成品油质量检测方法的流程图。
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成品油质量检测方法进行详细说明如下。
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。
一种成品油质量检测方法实施例：
现有人工检测成品油的质量时存在检测精度较低的问题。为了解决上述问题，本实施例提出了一种成品油质量检测方法，如图1所示，本实施例的一种成品油质量检测方法包括以下步骤：
步骤S1，获取待检测的成品油样本的图像；根据所述待检测的成品油样本的图像中各像素点的灰度值和模板图像中各像素点的灰度值，计算待检测的成品油样本的图像和模板图像的相似度。
本实施例采用两种方法检测成品油的质量，第一种方法为油品颜色检测法，成品油由于氧化等原因会导致其颜色发生变化，因此本实施例对油品的颜色进行了检测，根据油品的颜色判断油品的质量；第二种方法为铜腐蚀检测法，将纯度较高的铜片放在盛有油的烧杯中，静置一段时间之后，将铜片取出，分析其腐蚀程度，根据其腐蚀程度判断成品油的质量。为了减少成品油由于检测导致的大量浪费，本实施例尽可能少的提取样本，即只需要从成品油中获取一烧杯成品油作为样本，采用油品颜色检测法和铜腐蚀检测法，判断样本的质量；本实施例给出的这两种方法可以按照时间先后顺序进行检测，即先采用油品颜色检测法对样本油的颜色进行分析，然后再采用铜腐蚀检测法，分析铜片的腐蚀程度。
成品油在刚生产出来时，质量是较好的，几乎不存在氧化现象；成品油在生产出来之后，经过长时间的静置存储，成品油会经过氧化，氧化之后成品油的质量会变差，并且成品油的颜色也会发生改变，因此在成品油生产出来之后，使用图像采集设备采集成品油的图像，将采集到的图像作为模板图像；为了判断存储一段时间后的成品油的质量，本实施例从待检测的成品油中取出一烧杯成品油，将其作为样本，采集成品油样本（即烧杯中的成品油）的图像，将该图像记为待检测的成品油样本的图像，将该图像和模板图像进行比较，分析成品油的氧化程度，从而判断成品油的质量。
考虑到成品油经过氧化之后，油的颜色会变深，反映在灰度图像中像素点的灰度值会降低；本实施例将模板图像和待检测的成品油样本的图像进行灰度化处理，得到了模板的灰度图像和待检测的成品油样本的灰度图像。灰度化处理为现有技术，此处不再赘述。
本实施例根据模板的灰度图像和待检测的成品油样本的灰度图像中像素点的灰度值，计算待检测的成品油样本的图像和模板图像的相似度，并用相似度表征油品的氧化程度，相似度的计算公式为：
Figure 591473DEST_PATH_IMAGE013
其中，
Figure 593802DEST_PATH_IMAGE014
为待检测的成品油样本的图像和模板图像的相似度，
Figure 833153DEST_PATH_IMAGE015
为待检测的成品油样本的图像中坐标为
Figure 131411DEST_PATH_IMAGE016
的像素点的灰度值，
Figure 190634DEST_PATH_IMAGE017
为模板图像中坐标为
Figure 734004DEST_PATH_IMAGE016
的像素点的灰度值，
Figure 827862DEST_PATH_IMAGE018
为待检测的成品油样本的图像中像素点的数量；待检测的成品油样本的图像和模板图像的大小一样，同样的，待检测的成品油样本的灰度图像和模板的灰度图像的大小一样。
Figure 562600DEST_PATH_IMAGE014
的取值为[0,1]，
Figure 109119DEST_PATH_IMAGE014
的值越大，说明成品油的氧化程度越大，即成品油的质量越差；
Figure 453250DEST_PATH_IMAGE014
的值越小，说明成品油的氧化程度越小，即成品油的质量越好。
至此，得到了待检测的成品油样本的图像和模板图像的相似度。
步骤S2，获取在待检测的成品油样本中浸泡预设时间之后的铜片的图像，根据所述浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算铜片的未腐蚀度；根据所述浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度；根据所述纹理复杂度和所述浸泡预设时间之后的铜片的图像中像素点的灰度均值，计算铜片的纹理特征指标。
本实施例在上述步骤中已采集成品油样本到烧杯中，在该步骤中采用铜腐蚀检测法来检测成品油的质量。首先准备一张铜片纯度大于99%的铜片作为标准铜片，采集标准铜片的图像，即未放入成品油中的铜片的图像，然后将铜片放入盛有成品油的烧杯中，本实施例将铜片在烧杯的油中放置一段时间，然后将铜片从烧杯中取出来，采集铜片的图像，将采集到的图像记为待检测的成品油样本中浸泡预设时间之后的铜片图像，在具体应用中，实施者可自行设定铜片的放置时间。
根据国家成品油铜腐蚀度标准将其分级，铜片在浸泡之后分为4级，各级呈现的颜色分别为淡橙色、紫红色或金黄色、多彩色、黑色。淡橙色的颜色和浸泡前铜片的颜色差别较小，因此可以用浸泡前的铜片颜色作为第一级，以此类推，将紫红色、金黄色作为第二级，多彩色作为第三极，黑色作为第四级。本实施例在该步骤中基于铜片浸泡前后的颜色变化对成品油的质量进行分析。
对于采集到的浸泡前后的铜片图像，由于其包含有背景信息，因此本实施例利用语义分割网络对其进行分割。排除无关因素的干扰，减少计算量。
语义分割网络的具体训练内容为：
1.训练数据集为多张浸泡前后的铜片图像；
2.标签分为两类，一类为铜片，一类为背景，该方式属于像素级分类，即需要给图像中所有像素标注上对应标签，将属于铜片的像素的值标记为1，将属于背景的像素的值标记为0；
3.语义分割网络所使用的loss函数为交叉熵损失函数。
本实施例分别将浸泡预设时间之后的铜片图像和标准铜片的图像输入到训练好的语义分割网络中，得到浸泡预设时间之后的铜片图像中的铜片像素点和标准铜片的图像中的铜片像素点，进而得到这两张图像中的铜片区域。本实施例后面提到的浸泡预设时间之后的铜片的图像和标准铜片的图像均为排除背景像素点干扰的图像。语义分割网络的训练过程为现有技术，在此不再过多赘述。
本实施例分别将浸泡预设时间之后的铜片的图像和标准铜片的图像进行HSV空间转换，对浸泡前后的铜片的图像中的每个像素点进行比较，在HSV空间中，H表示色调，范围为[0,360]，V表示明度，该值越小，颜色越暗，该值为0时，颜色为黑色，S表示饱和度，该值越小，饱和度越高，该值为0时，像素点为白色。在本实施例中，铜片的颜色分为了四级，第一级为橙色；第二级为金黄色和橙红色，这两种颜色在橙色的周围，因此使用浸泡后和浸泡前颜色空间比较，两者越接近，说明铜片腐蚀程度较低；对于第三级来说，颜色色彩分布较多，因此计算浸泡后的铜片的图像方差较大，方差越大，说明腐蚀度越高；第四级颜色包括黑色，基于上述分析，本实施例根据浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算铜片的未腐蚀度，即：
Figure DEST_PATH_IMAGE039
其中，
Figure 73718DEST_PATH_IMAGE003
为铜片的未腐蚀度，
Figure 979357DEST_PATH_IMAGE004
为浸泡预设时间之后的铜片的图像中第
Figure 514637DEST_PATH_IMAGE005
个像素点的明度，
Figure 163924DEST_PATH_IMAGE006
为标准铜片的图像中第
Figure 232375DEST_PATH_IMAGE005
个像素点的明度，
Figure 308915DEST_PATH_IMAGE007
为浸泡预设时间之后的铜片的图像中第
Figure 62982DEST_PATH_IMAGE005
个像素点的色调，
Figure 250381DEST_PATH_IMAGE008
为标准铜片的图像中第
Figure 438917DEST_PATH_IMAGE005
个像素点的色调，
Figure 686359DEST_PATH_IMAGE009
为浸泡预设时间之后的铜片的图像中第
Figure 930651DEST_PATH_IMAGE005
个像素点的饱和度，
Figure 921741DEST_PATH_IMAGE010
为标准铜片的图像中第
Figure 433625DEST_PATH_IMAGE005
个像素点的饱和度，
Figure 851968DEST_PATH_IMAGE011
为浸泡预设时间之后的铜片的图像中像素点的数量。浸泡前后的差值越小，腐蚀度越低，成品油的质量越好；浸泡前后的差值越大，腐蚀度越高，成品油的质量越差。
Figure 111786DEST_PATH_IMAGE003
的值越大，腐蚀程度越高，成品油的质量越不好。
本实施例将浸泡预设时间之后的铜片的图像和标准铜片的图像进行灰度化处理，得到待检测铜片的灰度图像和标准铜片的灰度图像，考虑到当油品的质量不同时，同一个铜片不同区域被腐蚀的程度可能也不尽相同，因此除了根据颜色来进行区分，还可以根据图像的纹理特征来进行区分。
具体的，建立
Figure 375408DEST_PATH_IMAGE019
大小的滑窗，使用
Figure 272957DEST_PATH_IMAGE019
大小的滑窗在图像中滑动，获取图像的纹理特征，本实施例设置l的取值为3，在具体应用中，实施者可自行设置；对于浸泡预设时间之后的铜片的图像中的任一像素点，以该像素点为中心点，建立
Figure 862201DEST_PATH_IMAGE019
大小的滑窗，滑窗中像素点灰度值的方差可以较好的表示图像中的边缘信息，其中边缘信息越多，就表示铜片越有可能色彩分布较多，但是边缘信息的表示也不够严谨，为了能更准确的反映图像的纹理信息，本实施例将滑窗的四条边分别向对应方向平移10个像素点的距离，即：将滑窗的上边缘向上平移10个像素点，将滑窗的下边缘向下平移10个像素点，将滑窗的左边缘向左平移10个像素点，将滑窗的右边缘向右平移10个像素点，得到4条
Figure 827226DEST_PATH_IMAGE040
的边。对于滑窗的任意一条边：根据该边上像素点的灰度值和该边移动后的边上像素点的灰度值，构建该边对应的灰度集合。本实施例基于滑窗内像素点的灰度值和新得到的4条
Figure 160118DEST_PATH_IMAGE040
的边上像素点的灰度值，计算各像素点对应的纹理复杂度，即：
Figure 646594DEST_PATH_IMAGE021
其中，
Figure 905275DEST_PATH_IMAGE022
为该像素点对应的纹理复杂度，
Figure 375571DEST_PATH_IMAGE023
为该像素点对应的滑窗内第
Figure 246575DEST_PATH_IMAGE024
个像素点的灰度值，
Figure 853137DEST_PATH_IMAGE025
为该像素点对应的滑窗内像素点的灰度均值，
Figure 285648DEST_PATH_IMAGE026
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中的第
Figure 977661DEST_PATH_IMAGE027
个值，
Figure 917935DEST_PATH_IMAGE028
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中元素的均值，
Figure 379003DEST_PATH_IMAGE019
为滑窗中像素点的数量。本实施例中
Figure DEST_PATH_IMAGE041
的值为3，在具体应用中，实施者可自行设置。
采用上述方法，能够得到浸泡预设时间之后的铜片的图像中各像素点对应的纹理复杂度，根据浸泡预设时间之后的铜片的图像中各像素点对应的纹理复杂度和浸泡预设时间之后的铜片图像中像素点的灰度均值，计算铜片的纹理特征指标，即：
Figure 651591DEST_PATH_IMAGE030
其中，
Figure 830899DEST_PATH_IMAGE031
为铜片的纹理特征指标，
Figure 309285DEST_PATH_IMAGE032
为浸泡预设时间之后的铜片图像中第
Figure 126325DEST_PATH_IMAGE033
个像素点对应的纹理复杂度，
Figure 664754DEST_PATH_IMAGE034
为浸泡预设时间之后的铜片的图像中像素点的灰度均值，
Figure 65779DEST_PATH_IMAGE042
为浸泡预设时间之后的铜片的图像中像素点的纹理复杂度的均值。
至此，采用上述方法得到铜片的纹理特征指标。
步骤S3，对浸泡预设时间之后的铜片的图像中的边缘像素点进行聚类，得到目标方向；根据所述浸泡预设时间之后的铜片的图像在目标方向上的灰度共生矩阵，计算所述浸泡预设时间之后的铜片的图像的熵值；根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标；根据所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀程度。
本实施例接下来使用灰度共生矩阵的熵值来反映浸泡预设时间之后的铜片的图像的整体纹理信息，熵值越大，图像纹理越复杂。
为了使灰度共生矩阵的计算更准确，需要设定灰度共生矩阵的计算方向，首先使用边缘检测算法提取铜片的边缘信息，本实施例使用Canny算子来提取铜片的边缘信息，得到浸泡预设时间之后的铜片的图像中的边缘像素点，令边缘像素点的灰度值为1，其余像素点的灰度值为0，得到二值图像；本实施例首先采用均值漂移算法对二值图像中灰度值为1的像素点进行聚类，该算法会向密度最高点进行移动，设置聚类圆的半径为
Figure DEST_PATH_IMAGE043
，随机给定图像上一点，在聚类结束时会得到一个聚类中心点，该中心点为密度最大时的聚类中心点，将该中心点记为第一聚类中心点；然后再次采用均值漂移算法对二值图像中灰度值为1的像素点进行聚类，此次调小圆的半径，将圆的半径设置为5，此次聚类的初始聚类中心点为上个聚类结束的中心点，即此次聚类的初始中心点为第一聚类中心点，再次遍历结束后，定位的中心点就是在半径为5的圆的聚类中心点，由于该次聚类时圆的半径较小，将此时聚类结束的中心点作为整张图像中的密度最大的点，将该中心点记为第二聚类中心点。Canny算子和均值漂移算法均为现有技术，此处不再赘述。在具体应用中，采用均值漂移算法对图像中的边缘像素点进行两次聚类时，聚类圆的半径实施者可自行设定，但要保证第二次聚类时聚类圆的半径小于第一次聚类时聚类圆的半径。
然后本实施例采用DBSCAN聚类算法对浸泡预设时间之后铜片的图像中的边缘像素点进行聚类，将第二聚类中心点作为此次聚类的初始中心点，设置此次聚类时聚类圆的半径为3，为了更好地看到边缘像素点所在的区域在图像中的大致方向，本实施例将聚类区域的大小分为6级，第一级为100个像素点，按照时间先后顺序对图像中的边缘像素点进行聚类，在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于100个像素点时，判定该时刻得到的聚类区域为第一级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，判断这两个像素点在聚类时哪个像素点先进行该次聚类，将这两个像素点中先进行该次聚类的像素点记为第一初始点，将这两个像素点中后进行该次聚类的像素点记为第一终止点，将第一终止点的坐标减去第一起始点的坐标，得到一个向量，将该向量记为第一向量；第二级为200个像素点，在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于200个像素点时，判定该时刻得到的聚类区域为第二级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，判断这两个像素点在聚类时哪个像素点先进行该次聚类，将这两个像素点中先进行该次聚类的像素点记为第二初始点，将这两个像素点中后进行该次聚类的像素点记为第二终止点，将第二终止点的坐标减去第二起始点的坐标，得到一个向量，将该向量记为第二向量；第三级为400个像素点，采用上述方法，得到第三向量；第四级为800个像素点，采用上述方法，得到第四向量；第五级为1600个像素点，采用上述方法，得到第五向量；第六级为3200个像素点，采用上述方法，得到第六向量；接下来本实施例基于第一向量、第二向量、第三向量、第四向量、第五向量和第六向量，得到图像中边缘像素点所在区域在整张图像中的大致方向，计算这六个向量的和，即：
Figure 518495DEST_PATH_IMAGE044
，其中，
Figure DEST_PATH_IMAGE045
为第一向量，
Figure 360680DEST_PATH_IMAGE046
为第二向量，
Figure DEST_PATH_IMAGE047
为第三向量，
Figure 509158DEST_PATH_IMAGE048
为第四向量，
Figure DEST_PATH_IMAGE049
为第五向量，
Figure 804004DEST_PATH_IMAGE050
为第六向量，
Figure DEST_PATH_IMAGE051
为目标向量，本实施例将
Figure 794832DEST_PATH_IMAGE051
作为边缘像素点所在的区域在图像中的大致方向，将该向量对应的方向记为图像中边缘像素点的主方向。本实施例中将等级的个数设置为6，在具体应用中，也可将等级的个数设置为2、3、4等，实施者可自行设定等级的个数以及每个等级中像素点的数量。DBSCAN聚类算法为现有技术，此处不再赘述。
本实施例将所述主方向的垂直方向作为目标方向，该目标方向就是灰度共生矩阵计算的方向，在该方向上计算待检测的成品油样本中浸泡预设时间之后的铜片的图像的灰度共生矩阵，根据灰度共生矩阵，计算浸泡预设时间之后铜片的图像的熵值
Figure 84999DEST_PATH_IMAGE052
；浸泡预设时间之后铜片的图像的熵值越大，说明浸泡预设时间之后铜片的图像中的信息越复杂，即该图像中就有越多差异较大的像素点。灰度共生矩阵和熵值的计算方法为现有技术，此处不再赘述。
本实施例对浸泡预设时间之后铜片的图像中像素点的灰度均值进行归一化处理，即：
Figure 965230DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为浸泡预设时间之后铜片的图像中像素点的归一化灰度均值，
Figure 502698DEST_PATH_IMAGE056
为浸泡预设时间之后铜片的图像中坐标为
Figure DEST_PATH_IMAGE057
的像素点的灰度值；浸泡预设时间之后铜片的图像中像素点的归一化灰度均值
Figure 297216DEST_PATH_IMAGE055
的值越小，说明图像中像素点的灰度值越小，铜片被腐蚀的越严重，即图像中越可能存在黑色的腐蚀区域。
接下来本实施例计算浸泡预设时间之后铜片的图像的熵值和浸泡预设时间之后铜片的图像中像素点的归一化灰度均值的乘积，即
Figure 176310DEST_PATH_IMAGE058
，将乘积
Figure DEST_PATH_IMAGE059
作为铜片的腐蚀指标；根据铜片的腐蚀指标、铜片的未腐蚀度和铜片的纹理特征指标，计算铜片的腐蚀程度，即：
Figure DEST_PATH_IMAGE061
其中，
Figure 338695DEST_PATH_IMAGE038
为铜片的腐蚀程度，
Figure 201609DEST_PATH_IMAGE003
为铜片的未腐蚀度，
Figure 98021DEST_PATH_IMAGE031
为铜片的纹理特征指标，
Figure 861315DEST_PATH_IMAGE059
为铜片的腐蚀指标。铜片的腐蚀程度
Figure 817770DEST_PATH_IMAGE038
的值越大，说明铜片的腐蚀越严重，成品油的质量越差；铜片的腐蚀程度
Figure 167980DEST_PATH_IMAGE038
的值越小，说明铜片的腐蚀越轻微，成品油的质量越好。
至此，采用上述方法得到铜片的腐蚀程度。
步骤S4，根据所述相似度和铜片的腐蚀程度，得到待检测的成品油样本的质量指标；根据待检测的成品油样本的质量指标，判断成品油的质量。
本实施例在上述步骤中得到了待检测的成品油样本的图像和模板图像的相似度、铜片的腐蚀程度，在该步骤中，基于相似度和铜片的腐蚀程度，对成品油的质量进行评价，具体的，根据相似度和铜片的腐蚀程度，计算待检测的成品油样本的质量指标，即：
Figure 868082DEST_PATH_IMAGE062
其中，
Figure 488813DEST_PATH_IMAGE037
为待检测的成品油样本的质量指标，
Figure 881748DEST_PATH_IMAGE038
为铜片的腐蚀程度，
Figure 453675DEST_PATH_IMAGE014
为待检测的成品油样本的图像和模板图像的相似度。
待检测的成品油样本的质量指标
Figure 691889DEST_PATH_IMAGE037
的值越小，说明成品油样本的质量越好；待检测的成品油样本的质量指标
Figure 429776DEST_PATH_IMAGE037
的值越大，说明成品油样本的质量越差；本实施例设置质量指标阈值
Figure DEST_PATH_IMAGE063
，判断待检测的成品油样本的质量指标
Figure 931296DEST_PATH_IMAGE037
是否大于
Figure 724939DEST_PATH_IMAGE063
，若大于，则判定待检测的成品油样本的质量较差；若小于等于，则判定待检测的成品油样本的质量较好。在具体应用中，质量指标阈值
Figure 268309DEST_PATH_IMAGE063
实施者自行设置。
至此，采用上述方法得到了待检测的成品油样本的质量，若待检测的成品油样本的质量较好，则说明成品油的质量整体较好；若待检测的成品油样本的质量较差，则说明成品油的质量整体较差。
本实施例首先根据待检测的成品油样本的图像中各像素点的灰度值和模板图像中各像素点的灰度值，计算了待检测的成品油样本的图像和模板图像的相似度；然后根据浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算了铜片的未腐蚀度；根据浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度；根据纹理复杂度和浸泡预设时间之后的铜片的图像中像素点的灰度均值，计算了铜片的纹理特征指标；接着计算了浸泡预设时间之后的铜片的图像的熵值；根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标；接着本实施例根据铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀指标；最后本实施例基于所述相似度和铜片的腐蚀指标，得到待检测的成品油样本的质量指标。本实施例从两个方面对成品油的质量进行检测，第一个方面是基于成品油的颜色变化对成品油的质量进行分析，第二个方面是基于铜片在成品油中的变化对成品油的质量进行分析，本实施例提供的方法提高了检测精度，实现了成品油质量的自动化检测，也提高了检测效率。
需要说明的是：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)

1.一种成品油质量检测方法，其特征在于，该方法包括以下步骤：
获取待检测的成品油样本的图像；根据所述待检测的成品油样本的图像中各像素点的灰度值和模板图像中各像素点的灰度值，计算待检测的成品油样本的图像和模板图像的相似度；
获取在待检测的成品油样本中浸泡预设时间之后的铜片的图像，根据所述浸泡预设时间之后的铜片的图像中各像素点对应的色调、饱和度、明度和标准铜片图像中各像素点对应的色调、饱和度、明度，计算铜片的未腐蚀度；根据所述浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度；根据所述纹理复杂度和所述浸泡预设时间之后的铜片的图像中像素点的灰度均值，计算铜片的纹理特征指标；对浸泡预设时间之后的铜片的图像中的边缘像素点进行聚类，得到目标方向；根据所述浸泡预设时间之后的铜片的图像在目标方向上的灰度共生矩阵，计算所述浸泡预设时间之后的铜片的图像的熵值；根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标；根据所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀程度；
根据所述相似度和铜片的腐蚀程度，得到待检测的成品油样本的质量指标；根据待检测的成品油样本的质量指标，判断成品油的质量。
2.根据权利要求1所述的一种成品油质量检测方法，其特征在于，采用如下公式计算铜片的未腐蚀度：
Figure DEST_PATH_IMAGE001
其中，
Figure 709959DEST_PATH_IMAGE002
为铜片的未腐蚀度，
Figure 953859DEST_PATH_IMAGE003
为浸泡预设时间之后的铜片的图像中第
Figure 458046DEST_PATH_IMAGE004
个像素点的明度，
Figure 420186DEST_PATH_IMAGE005
为标准铜片的图像中第
Figure 596083DEST_PATH_IMAGE004
个像素点的明度，
Figure 694489DEST_PATH_IMAGE006
为浸泡预设时间之后的铜片的图像中第
Figure 366648DEST_PATH_IMAGE004
个像素点的色调，
Figure 222608DEST_PATH_IMAGE007
为标准铜片的图像中第
Figure 654727DEST_PATH_IMAGE004
个像素点的色调，
Figure 155109DEST_PATH_IMAGE008
为浸泡预设时间之后的铜片的图像中第
Figure 217743DEST_PATH_IMAGE004
个像素点的饱和度，
Figure 937831DEST_PATH_IMAGE009
为标准铜片的图像中第
Figure 173640DEST_PATH_IMAGE004
个像素点的饱和度，
Figure 731792DEST_PATH_IMAGE010
为浸泡预设时间之后的铜片的图像中像素点的数量。
3.根据权利要求1所述的一种成品油质量检测方法，其特征在于，采用如下公式计算待检测的成品油样本的图像和模板图像的相似度：
Figure 762065DEST_PATH_IMAGE011
其中，
Figure 169781DEST_PATH_IMAGE012
为待检测的成品油样本的图像和模板图像的相似度，
Figure 943702DEST_PATH_IMAGE013
为待检测的成品油样本的图像中坐标为
Figure 621939DEST_PATH_IMAGE014
的像素点的灰度值，
Figure 823113DEST_PATH_IMAGE015
为模板图像中坐标为
Figure 709337DEST_PATH_IMAGE014
的像素点的灰度值，
Figure 21369DEST_PATH_IMAGE016
为待检测的成品油样本的图像中像素点的数量。
4.根据权利要求1所述的一种成品油质量检测方法，其特征在于，所述对浸泡预设时间之后的铜片的图像中的边缘像素点进行聚类，得到目标方向，包括：
采用均值漂移算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第一半径，将聚类结束时得到的聚类中心点记为第一聚类中心点；
采用均值漂移算法对浸泡预设时间之后的铜片的图像中的边缘像素点再次进行聚类，设置聚类圆的半径为第二半径，此次聚类的初始中心点为第一聚类中心点，将此次聚类结束时得到的聚类中心点记为第二聚类中心点；
将所述第二聚类中心点作为DBSCAN聚类的初始点，采用DBSCAN聚类算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第三半径，得到边缘像素点的主方向；
将所述主方向的垂直方向作为目标方向；
所述第一半径大于第二半径，第二半径大于第三半径。
5.根据权利要求4所述的一种成品油质量检测方法，其特征在于，所述采用DBSCAN聚类算法对浸泡预设时间之后的铜片的图像中的边缘像素点聚类，设置聚类圆的半径为第三半径，得到边缘像素点的主方向，包括：
在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于第一预设个数时，判定该时刻得到的聚类区域为第一级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，将这两个像素点中先进行该次聚类的像素点记为第一初始点，将这两个像素点中后进行该次聚类的像素点记为第一终止点，将第一终止点的坐标减去第一起始点的坐标，得到一个向量，将该向量记为第一向量；
在聚类过程中，当某一时刻完成聚类的区域中存在的像素点的个数大于等于第二预设个数时，判定该时刻得到的聚类区域为第二级，获取该时刻得到的聚类区域中距离最远的两个边缘像素点的坐标，将这两个像素点中先进行该次聚类的像素点记为第二初始点，将这两个像素点中后进行该次聚类的像素点记为第二终止点，将第二终止点的坐标减去第二起始点的坐标，得到一个向量，将该向量记为第二向量；
计算所述第一向量和第二向量的和，得到目标向量，将所述目标向量的方向记为边缘像素点的主方向；
所述第一预设个数小于第二预设个数。
6.根据权利要求1所述的一种成品油质量检测方法，其特征在于，所述根据所述浸泡预设时间之后的铜片的图像中各像素点和其对应的预设邻域内像素点的灰度值，得到各像素点对应的纹理复杂度，包括：
对于浸泡预设时间之后的铜片的图像中的任一像素点：
以该像素点为中心点，建立
Figure 741064DEST_PATH_IMAGE017
大小的滑窗，将滑窗的上边向上平移预设的距离，将滑窗的下边向下平移预设的距离，将滑窗的左边向左平移预设的距离，将滑窗的右边向右平移预设的距离，得到四条移动后的边；
采用如下公式计算该像素点对应的纹理复杂度：
Figure 863872DEST_PATH_IMAGE018
其中，
Figure 996913DEST_PATH_IMAGE019
为该像素点对应的纹理复杂度，
Figure 361904DEST_PATH_IMAGE020
为该像素点对应的滑窗内第
Figure 264001DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 557710DEST_PATH_IMAGE022
为该像素点对应的滑窗内像素点的灰度均值，
Figure 912468DEST_PATH_IMAGE023
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中的第
Figure 84080DEST_PATH_IMAGE024
个值，
Figure 575104DEST_PATH_IMAGE025
为该像素点对应的滑窗的原始的边上像素点的灰度值和移动后的边上像素点的灰度值构成的集合中元素的均值，
Figure 39714DEST_PATH_IMAGE017
为滑窗中像素点的数量。
7.根据权利要求1所述的一种成品油质量检测方法，其特征在于，采用如下公式计算铜片的纹理特征指标：
Figure 147348DEST_PATH_IMAGE026
其中，
Figure 854141DEST_PATH_IMAGE027
为铜片的纹理特征指标，
Figure 465251DEST_PATH_IMAGE028
为浸泡预设时间之后的铜片的图像中第
Figure DEST_PATH_IMAGE029
个像素点对应的纹理复杂度，
Figure 428659DEST_PATH_IMAGE030
为浸泡预设时间之后的铜片的图像中像素点的灰度均值，
Figure 275786DEST_PATH_IMAGE010
为浸泡预设时间之后的铜片的图像中像素点的数量。
8.根据权利要求1所述的一种成品油质量检测方法，其特征在于，所述根据所述熵值和浸泡预设时间之后铜片的图像中像素点的灰度均值，得到铜片的腐蚀指标，包括：
对浸泡预设时间之后铜片的图像中像素点的灰度均值进行归一化处理，得到归一化灰度均值；计算所述熵值与所述归一化灰度均值的比值，将所述比值作为铜片的腐蚀指标。
9.根据权利要求1所述的一种成品油质量检测方法，其特征在于，所述根据所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标，得到铜片的腐蚀程度，包括：
计算所述铜片的未腐蚀度、铜片的纹理特征指标和铜片的腐蚀指标的均值，将所述均值作为铜片的腐蚀程度。
10.根据权利要求1所述的一种成品油质量检测方法，其特征在于，采用如下公式计算待检测的成品油样本的质量指标：
Figure 271424DEST_PATH_IMAGE031
其中，
Figure 753352DEST_PATH_IMAGE032
为待检测的成品油样本的质量指标，
Figure 74612DEST_PATH_IMAGE033
为铜片的腐蚀程度，
Figure 140526DEST_PATH_IMAGE012
为待检测的成品油样本的图像和模板图像的相似度。
CN202210811372.7A 2022-07-12 2022-07-12 一种成品油质量检测方法 Active CN114882265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811372.7A CN114882265B (zh) 2022-07-12 2022-07-12 一种成品油质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811372.7A CN114882265B (zh) 2022-07-12 2022-07-12 一种成品油质量检测方法

Publications (2)

Publication Number Publication Date
CN114882265A CN114882265A (zh) 2022-08-09
CN114882265B true CN114882265B (zh) 2022-09-06

Family

ID=82683449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811372.7A Active CN114882265B (zh) 2022-07-12 2022-07-12 一种成品油质量检测方法

Country Status (1)

Country Link
CN (1) CN114882265B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082508B (zh) * 2022-08-18 2022-11-22 山东省蓝睿科技开发有限公司 一种海洋浮标生产质量检测方法
CN115115621B (zh) * 2022-08-24 2022-11-11 聊城市泓润能源科技有限公司 一种基于图像处理的润滑油污染程度检测方法
CN115100203B (zh) * 2022-08-25 2022-11-18 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN115100212B (zh) * 2022-08-29 2022-11-18 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN116520784B (zh) * 2023-05-10 2024-05-10 江苏辰威生物科技有限公司 成品油自动化生产系统
CN116703916B (zh) * 2023-08-07 2023-10-20 山东正基药业有限公司 一种基于图像处理的洗化水质量监测方法
CN116952785B (zh) * 2023-09-20 2023-12-12 深圳市华加生物科技有限公司 基于图像数据的电子烟油变质检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964930A (zh) * 2015-06-03 2015-10-07 刘生全 一种液体燃料腐蚀性检测结果的判定方法
CN113706531A (zh) * 2021-10-28 2021-11-26 海门市博洋铸造有限公司 基于机器视觉的金属板腐蚀程度判定方法及系统
WO2022082904A1 (zh) * 2020-10-20 2022-04-28 诚瑞光学(深圳)有限公司 镜头脏污检测方法、装置和设备
CN114596271A (zh) * 2022-03-02 2022-06-07 中国航空工业集团公司北京长城计量测试技术研究所 一种高反光表面腐蚀特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964930A (zh) * 2015-06-03 2015-10-07 刘生全 一种液体燃料腐蚀性检测结果的判定方法
WO2022082904A1 (zh) * 2020-10-20 2022-04-28 诚瑞光学(深圳)有限公司 镜头脏污检测方法、装置和设备
CN113706531A (zh) * 2021-10-28 2021-11-26 海门市博洋铸造有限公司 基于机器视觉的金属板腐蚀程度判定方法及系统
CN114596271A (zh) * 2022-03-02 2022-06-07 中国航空工业集团公司北京长城计量测试技术研究所 一种高反光表面腐蚀特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进颜色直方图和灰度共生矩阵的图像检索;吴庆涛等;《图学学报》;20170815(第04期);全文 *
铜片腐蚀试验结果评价的数字图像处理方法;刘信阳等;《后勤工程学院学报》;20040920(第03期);全文 *

Also Published As

Publication number Publication date
CN114882265A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114882265B (zh) 一种成品油质量检测方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN116309537B (zh) 一种极耳模具表面油污的缺陷检测方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN115100196B (zh) 一种基于图像分割的冲压件除锈效果评估方法
CN116309599B (zh) 基于污水前置处理的水质视觉监测方法
CN111950654B (zh) 基于svm分类的魔方色块颜色还原方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN103440629A (zh) 激光标记自动跟踪的视频引伸计的数字图像处理方法
CN115331119A (zh) 一种固体废弃物识别方法
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN114414660A (zh) 一种铁路车辆轮对的轴号和裂纹识别方法
CN114565563A (zh) 基于人工智能的彩钢板表面异常检测方法
CN103559486A (zh) 一种视频检测地板正反面的方法
CN116109933B (zh) 一种用于废弃矿山生态修复的动态识别方法
CN109856133B (zh) 一种利用多种光照强度、多种色彩照明的试纸检测方法
CN114359244B (zh) 一种基于超像素分割与多种颜色特征的图像显著性检测方法
CN115598138A (zh) 基于显著性检测的电源控制电路板瑕疵检测方法及系统
CN115984639A (zh) 一种零件疲劳状态智能检测方法
CN115031644A (zh) 一种基于三维点云数据的金属厚度自动测量方法
CN111079848B (zh) 一种基于图像的空气质量等级评估方法
CN114120061A (zh) 一种面向电力巡检场景的小目标缺陷检测方法及系统

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