CN115018845A - 一种润滑油磨粒质量检测方法 - Google Patents

一种润滑油磨粒质量检测方法 Download PDF

Info

Publication number
CN115018845A
CN115018845A CN202210946809.8A CN202210946809A CN115018845A CN 115018845 A CN115018845 A CN 115018845A CN 202210946809 A CN202210946809 A CN 202210946809A CN 115018845 A CN115018845 A CN 115018845A
Authority
CN
China
Prior art keywords
abrasive particle
abrasive
area
index
clustering
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.)
Granted
Application number
CN202210946809.8A
Other languages
English (en)
Other versions
CN115018845B (zh
Inventor
杨保华
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.)
Liaocheng Hongrun Energy Technology Co ltd
Original Assignee
Liaocheng Hongrun Energy Technology 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 Liaocheng Hongrun Energy Technology Co ltd filed Critical Liaocheng Hongrun Energy Technology Co ltd
Priority to CN202210946809.8A priority Critical patent/CN115018845B/zh
Publication of CN115018845A publication Critical patent/CN115018845A/zh
Application granted granted Critical
Publication of CN115018845B publication Critical patent/CN115018845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/60—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
    • G06V10/70—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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种润滑油磨粒质量检测方法。方法包括：获取磨粒图像中的各磨粒区域的长宽比；根据各磨粒区域的轮廓像素点，得到弯曲度；根据各磨粒区域的最小拟合圆的面积，得到球状度；根据各磨粒区域的灰度共生矩阵，得到粗糙度；根据各磨粒区域中的像素点，得到空洞指标；根据K‑means算法以及各磨粒区域的长宽比、弯曲度、球状度、粗糙度和空洞指标，得到各磨粒类别对应的最优簇；根据各最优簇对应的各磨粒区域的面积，得到润滑油磨粒质量指标；若润滑油磨粒质量指标大于质量阈值，则判定磨粒的质量良好。本发明能够更加准确的判断润滑油中磨粒的质量。

Description

一种润滑油磨粒质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种润滑油磨粒质量检测方法。
背景技术
在机械系统中，例如齿轮系统等重要部件都是浸入在润滑油系统中的，润滑油可以缓解机械设备各元器件之间的磨损程度以及因摩擦所引起的不必要的能源损耗，增加机器的使用寿命。它能够缓冲器件之间的相互摩擦，减少磨损的发生，它的重要性就如同是“血液”之于人体，是不可替代的。考虑到设备元器件之间的互相摩擦产生的磨损颗粒会悬浮在润滑油中，它会混淆在润滑油中随润滑油在润滑系统中不断地循环，会影响到润滑油的润滑效果。因此，需定期对润滑油的磨粒质量进行检测来判断润滑油的健康状态。
现有的往往通过传感器对润滑油中的磨粒进行检测，但是传感器成本较高，并且只能给出油液中磨粒浓度的信息，仅能区别铁磁性颗粒和非铁磁性颗粒，无法确定磨粒的具体类型；由于不同种类的磨粒所产生的影响是不同的，因此通过传感器难以准确的对润滑油中磨粒的质量进行检测。
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润滑油磨粒质量检测方法，所采用的技术方案具体如下：
本发明提供了一种润滑油磨粒质量检测方法包括以下步骤：
获取待检测润滑油样本对应的磨粒图像，所述润滑油样本是从机器中取样得到的，所述磨粒图像包含多个磨粒区域；
获取各磨粒区域对应的长宽比；根据各磨粒区域对应的轮廓像素点，得到各磨粒区域对应的弯曲度，所述磨粒区域对应的轮廓像素点为磨粒区域最外层的像素点；根据各磨粒区域对应的最小拟合圆的面积，得到磨粒区域对应的球状度；根据各磨粒区域对应的灰度共生矩阵，得到各磨粒区域对应的粗糙度；根据各磨粒区域中的像素点，得到各磨粒区域对应的空洞指标；
根据磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇；
根据各磨粒类别对应的最优簇对应的各磨粒区域的面积，得到润滑油磨粒质量指标；若润滑油磨粒质量指标大于质量阈值，则判定待检测润滑油样本中磨粒的质量良好。
优选的，所述得到各磨粒区域对应的弯曲度，包括：
对于任一磨粒区域：
对于该磨粒区域对应的轮廓上的任一轮廓像素点：获取该磨粒区域对应的轮廓上与该轮廓像素点的直线距离最远的轮廓像素点，将所述与该轮廓像素点距离最远的轮廓像素点记为该轮廓像素点对应的目标像素点；利用弗洛伊德算法获取该轮廓像素点与对应的目标像素点之间的内距离；所述内距离为该轮廓像素点与对应的目标像素点在该磨粒区域内部的最短路径的长度；
计算该磨粒区域对应的轮廓上的各轮廓像素点与对应的目标像素点的直线距离与对应的内距离的比值的和，作为该磨粒区域对应的弯曲度。
优选的，所述得到磨粒区域对应的球状度，包括：
对于任一磨粒区域：计算该磨粒区域的面积与对应的最小拟合圆的面积的比值，作为该磨粒区域对应的球状度。
优选的，所述得到各磨粒区域对应的粗糙度，包括：
对于任一磨粒区域：
根据该磨粒区域对应的灰度共生矩阵，计算该磨粒区域对应的灰度共生矩阵对应的熵和逆方差；
根据所述熵和逆方差，计算该磨粒区域对应的粗糙度；所述计算该磨粒区域对应的粗糙度的公式如下：
Figure 78411DEST_PATH_IMAGE001
其中，R为该磨粒区域对应的粗糙度，Ent为该磨粒区域对应的灰度共生矩阵的熵，IDM为该磨粒区域对应的灰度共生矩阵的逆方差，exp( )为以e为底的指数函数。
优选的，所述得到各磨粒区域对应的空洞指标，包括：
对于任一磨粒区域：
使用canny算子对该磨粒区域进行边缘检测，得到该磨粒区域中存在的各边缘；将边缘上的像素点记为边缘像素点；
对于该磨粒区域内的任一边缘：判断该边缘上的边缘像素点对应的八邻域内存在的边缘像素点数量是否大于等于2，若是，则将对应的边缘像素点标记为0，若否，则将对应的边缘像素点标记为1；计算该边缘上的各边缘像素点的标记值的累加和，若累加和为0，则判定该边缘为闭合边缘，若累加和不为0，则判定该边缘不是闭合边缘；
若该磨粒区域内存在闭合边缘，则将该磨粒区域对应的空洞指标赋值为1；若该磨粒区域内不存在闭合边缘，则将该磨粒区域对应的空洞指标赋值为0。
优选的，根据磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇，包括：
根据各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，将各磨粒区域映射到多维空间当中，得到各磨粒区域在多维空间中对应的磨粒点；
在多维空间中获取设定数量个初始质心；所述设定数量为磨粒类别数量；
根据各磨粒点对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，计算各磨粒点与各初始质心之间的特征距离；
基于各磨粒点与各初始质心之间的特征距离，利用K-means聚类算法对各磨粒点进行聚类，得到各磨粒类别对应的初始簇；
获取各初始簇对应的聚类中心的长宽比、弯曲度、球状度、粗糙度和空洞指标；
计算各初始簇中各磨粒点与对应的聚类中心之间的特征距离；计算各初始簇中各磨粒点与对应的聚类中心之间的特征距离的和，作为第一次聚类的簇内差异指标；
根据各初始簇对应的聚类中心的长宽比、弯曲度、球状度、粗糙度和空洞指标，得到第一次聚类的簇间差异指标；
获取正常滑动磨粒与球形磨粒对应的初始簇；根据正常滑动磨粒与球形磨粒对应的初始簇，得到正常滑动磨粒和球形磨粒对应的初始簇的轮廓评价指标和中心区域评价指标；根据所述轮廓评价指标和中心区域评价指标，得到第一次聚类的聚类评价因子；所述正常滑动磨粒和球形磨粒为各磨粒类别中的两种磨粒类别；
根据第一次聚类的簇内差异指标、簇间差异指标以及聚类评价因子，得到第一次聚类的聚类效果指标；
判断第一次聚类的聚类效果指标是否大于效果阈值，若是，则将第一次聚类得到各磨粒类别对应的初始簇记为最优簇；若否，则从多维空间中重新选取设定数量个初始质心，并对多维空间中的各磨粒点进行第二次聚类，得到各磨粒类别对应的第二初始簇；计算第二次聚类的聚类效果指标，判断第二次聚类的聚类效果指标是否大于效果阈值，若是，则将各磨粒类别对应的第二初始簇记为最优簇，若否，则继续重新选取设定数量个初始质心，对多维空间中各磨粒点进行重新聚类，直到聚类效果指标第一次大于效果阈值为止；将最后一次聚类得到的各磨粒类别对应的簇记为最优簇；
所述聚类效果指标的计算公式如下：
Figure 526710DEST_PATH_IMAGE002
其中，P为聚类效果指标，p1为簇内差异指标，p2为簇间差异指标，p3为聚类评价因子，exp( )为以e为底的指数函数。
优选的，计算各磨粒点与各初始质心之间的特征距离的公式如下：
Figure 712972DEST_PATH_IMAGE003
其中，
Figure 373760DEST_PATH_IMAGE004
为第j个磨粒点与第q个初始质心之间的特征距离，
Figure 719291DEST_PATH_IMAGE005
为第j个磨粒点对应的长宽比，
Figure 197546DEST_PATH_IMAGE006
为第j个磨粒点对应的弯曲度，
Figure 730158DEST_PATH_IMAGE007
为第j个磨粒点对应的球状度，
Figure 335583DEST_PATH_IMAGE008
为第j个磨粒点对应的粗糙度，
Figure 270041DEST_PATH_IMAGE009
为第j个磨粒点对应的空洞指标，
Figure 794563DEST_PATH_IMAGE010
为第q个初始质心对应的长宽比，
Figure 204685DEST_PATH_IMAGE011
为第q个初始质心对应的弯曲度，
Figure 472855DEST_PATH_IMAGE012
为第q个初始质心对应的球状度，
Figure 137186DEST_PATH_IMAGE013
为第q个初始质心对应的粗糙度，
Figure 98189DEST_PATH_IMAGE014
为第q个初始质心对应的空洞指标。
优选的，所述簇间差异指标的计算公式如下：
Figure 995606DEST_PATH_IMAGE015
其中，
Figure 536309DEST_PATH_IMAGE016
为第n1个初始簇对应的聚类中心与第n2个初始簇对应的聚类中心之间的特征距离，K为磨粒类别的数量；
所述聚类评价因子的计算公式如下：
Figure 710939DEST_PATH_IMAGE017
其中，
Figure 187050DEST_PATH_IMAGE018
为球形磨粒对应的初始簇的轮廓评价指标，
Figure 447131DEST_PATH_IMAGE019
为球形磨粒对应的初始簇的中心区域评价指标，
Figure 181737DEST_PATH_IMAGE020
为正常滑动磨粒对应的初始簇的轮廓评价指标，
Figure 945294DEST_PATH_IMAGE021
为正常滑动磨粒对应的初始簇的中心区域评价指标。
优选的，根据正常滑动磨粒对应的初始簇与球形磨粒对应的初始簇，得到正常滑动磨粒和球形磨粒对应的初始簇的轮廓评价指标和中心区域评价指标，包括：
对于正常滑动磨粒和球形磨粒中任一磨粒类别对应的初始簇：
对于该磨粒类别对应的初始簇对应的任一磨粒区域：获取该磨粒区域对应的最小拟合圆，以及最小拟合圆的圆心，将所述圆心记为该磨粒区域对应的轮廓中心；
根据该磨粒类别对应的初始簇对应的各磨粒区域的各轮廓像素点与对应磨粒区域的轮廓中心的欧氏距离，计算该磨粒类别对应的初始簇的轮廓评价指标；
对于该磨粒类别对应的初始簇对应的任一磨粒区域：以该磨粒区域的最小拟合圆的圆心为目标圆心，以最小拟合圆的半径的一半为目标半径作圆，得到目标圆形区域；计算该磨粒区域的目标圆形区域内各像素点的灰度值的平均值，作为该磨粒区域的中心灰度均值；
计算该磨粒类别对应的初始簇对应的各磨粒区域的中心灰度均值的平均值，作为该磨粒类别对应的初始簇的中心区域评价指标；
所述轮廓评价指标的计算公式为：
Figure 248099DEST_PATH_IMAGE022
Figure 339683DEST_PATH_IMAGE023
其中，F为该磨粒类别对应的初始簇的轮廓评价指标，U为该磨粒类别对应的初始簇对应的各磨粒区域的数量，
Figure 753347DEST_PATH_IMAGE024
为该磨粒类别对应的初始簇对应的第u个磨粒区域的轮廓像素点的数量，
Figure 761623DEST_PATH_IMAGE025
为该磨粒类别对应的初始簇对应的第u个磨粒区域的平滑指标，
Figure 969751DEST_PATH_IMAGE026
为所述第u个磨粒区域对应的第i个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure 938844DEST_PATH_IMAGE027
为所述第u个磨粒区域对应的第i+1个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure 765985DEST_PATH_IMAGE028
为取绝对值函数。
优选的，得到润滑油磨粒质量指标的公式如下：
Figure 504134DEST_PATH_IMAGE029
其中，V为润滑油磨粒质量指标，
Figure 273376DEST_PATH_IMAGE030
为第
Figure 464186DEST_PATH_IMAGE031
个磨粒类别对润滑油质量的影响程度，
Figure 219652DEST_PATH_IMAGE032
为第
Figure 422095DEST_PATH_IMAGE031
个磨粒类别对应的最优簇对应的所有磨粒区域的面积之和，exp( )为以e为底的指数函数。
本发明具有如下有益效果：
本发明提供了一种润滑油磨粒质量检测方法，用于对润滑油中的磨粒进行分析；本发明依据不同磨粒类别的特点，获取磨粒图像中各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度以及空洞指标；本发明根据各磨粒区域对应的特征能够更好的将不同磨粒类别的磨粒区域进行区分，便于更好的判断润滑油的质量。本发明基于磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇；本发明在获取最优簇的过程中，不断变换初始质心进行重新聚类，并分析每一次聚类的聚类效果，以得到聚类效果好的最优簇，避免了由于初始质心选取的随机性而造成的聚类效果不理想的情况的发生。本发明结合不同磨粒类别对润滑油的不同影响，得到润滑油磨粒质量指标；最后根据润滑油磨粒质量指标判断润滑油中磨粒的质量的好坏。本发明基于不同磨粒类别的特征，并利用变换初始质心的K-means算法，更加准确对图像中的磨粒进行分类，使本发明能够更加准确的对润滑油中磨粒的质量进行判断。
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润滑油磨粒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能效果，以下结合附图及较佳实施例，对依据本发明提出的一种润滑油磨粒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。
下面结合附图具体的说明本发明所提供的一种润滑油磨粒质量检测方法的具体方案。
一种润滑油磨粒质量检测方法实施例：
如图1所示，本实施例的一种润滑油磨粒质量检测方法包括以下步骤：
步骤S1，获取待检测润滑油样本对应的磨粒图像，所述润滑油样本是从机器中取样得到的，所述磨粒图像包含多个磨粒区域。
在机械系统中，例如齿轮系统等重要部件都是浸入在润滑油系统中的，润滑油可以缓解机械设备各元器件之间的磨损程度以及因摩擦所引起的不必要的能源损耗，增加机器的使用寿命。它能够缓冲器件之间的相互摩擦，减少磨损的发生。考虑到设备元器件之间的互相摩擦产生的磨损颗粒就悬浮在润滑油中，它会混淆在润滑油中随润滑油在润滑系统中不断地循环，会影响润滑油的健康状况。因此，需定期对润滑油的磨粒质量进行检测来判断润滑油的健康状态，同时磨粒的质量在一定程度上也可以反映出机器的健康情况；本实施例提供了一种润滑油磨粒质量检测方法用于对润滑油中的磨粒进行分析，判断润滑油中磨粒的种类；由于不同的磨粒类别对润滑油的影响是不同的，因此根据润滑油中磨粒的类别来对磨粒的质量进行判断，进而根据润滑油中磨粒的质量来反映润滑油的健康状态。
首先对机器中的润滑油进行取样，得到待检测润滑油样本；本实施例通过对待检测润滑油样本中的磨粒质量进行检测，以反映机器中润滑油的状态；为了对待检测润滑油样本中的单个磨粒的特征进行分析，本实施例首先对待检测润滑油样本进行稀释，然后使用电子显微镜对稀释后的待检测润滑油样本进行拍摄，得到初始图像，所述初始图像为灰度图像；最后利用高斯除噪的方法对初始图像进行处理，去除初始图像中的噪声，并将去噪后的初始图像记为待检测润滑油样本图像，其中高斯除噪的方法为现有技术，就不再赘述。
接下来，对待检测润滑油样本图像中的磨粒区域进行提取，一个磨粒区域对应一个磨粒；具体的：
将待检测润滑油样本图像输入到训练好的语义分割网络中，得到仅包含磨粒区域的图像，记为磨粒图像，由于待检测润滑油样本中可能会存在许多磨粒，所以磨粒图像中包含多个磨粒区域，一个磨粒区域为对应磨粒在图像中所占的区域。所述语义分割网络为ResNet神经网络；该语义分割网络的训练集为大量的带有磨粒的润滑油图像（预处理后的图像），将润滑油图像中磨粒区域标记为1，其他区域标记为0，作为对应的标签；然后利用所述训练集和对应的标签对语义分割网络进行训练，得到训练好的语义分割网络，其训练过程中的损失函数为交叉熵损失函数。语义分割网络以及对应的训练过程为现有技术，就不再赘述。
步骤S2，获取各磨粒区域对应的长宽比；根据各磨粒区域对应的轮廓像素点，得到各磨粒区域对应的弯曲度，所述磨粒区域对应的轮廓像素点为磨粒区域最外层的像素点；根据各磨粒区域对应的最小拟合圆的面积，得到磨粒区域对应的球状度；根据各磨粒区域对应的灰度共生矩阵，得到各磨粒区域对应的粗糙度；根据各磨粒区域中的像素点，得到各磨粒区域对应的空洞指标。
根据步骤S1得到了磨粒图像，磨粒图像中包含了待检测润滑油样本中存在的各种磨粒对应的磨粒区域；本实施例中磨粒的类别包括七类，即正常滑动磨粒、严重滑动磨粒、切削磨粒、剥块磨粒、层状磨粒、球形磨粒以及氧化物磨粒；每种类别的磨粒都有其独特的特征可以将其进行区分，接下来本实施例分别对磨粒图像中的各磨粒区域的特征进行分析，便于后续对磨粒图像中的各磨粒区域进行分类，具体的：
第一，获取各磨粒区域对应的长宽比。
对于切割产生的磨粒（即切削磨粒），其形状是长向弯曲的；因此本实施例通过计算磨粒区域的长宽比来区分切削磨粒。对于任一磨粒区域：该磨粒区域对应的长宽比为该磨粒区域对应的最小外接矩形的长和宽的比值。
至此，能够得到各磨粒区域对应的长宽比。
第二，获取各磨粒区域对应的弯曲度。
考虑到严重滑动产生的磨粒（即严重滑动磨粒）是细长形的，因此严重滑动磨粒和切削磨粒的长宽比都会比较大，所以根据长宽比无法将严重滑动磨粒和切削磨粒进行区分；但是切削磨粒的形状更散乱，更加弯曲，因此本实施例对各磨粒区域的轮廓进行分析，得到各磨粒区域对应的弯曲度，所述磨粒区域的轮廓为磨粒区域对应在最外层的像素点组成轮廓（即磨粒区域对应的边界像素点组成的轮廓），将轮廓上的像素点记为轮廓像素点。
对于任一磨粒区域：
对于该磨粒区域对应的轮廓上的任一轮廓像素点：获取该磨粒区域对应的轮廓上与该轮廓像素点的直线距离最远的轮廓像素点，将所述与该轮廓像素点距离最远的轮廓像素点记为该轮廓像素点对应的目标像素点；为了反映该磨粒区域的弯曲度，本实施例利用弗洛伊德算法获取该轮廓像素点与对应的目标像素点之间的内距离，即利用弗洛伊德算法获取该轮廓像素点与对应的目标像素点在磨粒区域内部的最短路径，然后计算所述最短路径的长度，作为该轮廓像素点与对应的目标像素点的内距离。所述弗洛伊德算法和计算内距离的方法为现有技术，不再赘述；所述直线距离为根据两点坐标得到的，例如欧氏距离。
至此，能够得到该磨粒区域对应的各轮廓像素点与对应的目标像素点的内距离。考虑到如果该磨粒区域不弯曲，则各轮廓像素点与对应的目标像素点的直线距离和内距离应该是相近的，因此根据该磨粒区域对应的各轮廓像素点与对应的目标像素点的直线距离和内距离，计算该磨粒区域对应的弯曲度，即：
Figure 237604DEST_PATH_IMAGE033
其中，W为该磨粒区域对应的弯曲度，m为该磨粒区域对应的轮廓像素点的数量，
Figure 305923DEST_PATH_IMAGE034
为该磨粒区域对应的第i个轮廓像素点与对应的目标像素点的直线距离，
Figure 599501DEST_PATH_IMAGE035
为该磨粒区域对应的第i个轮廓像素点与对应的目标像素点的内距离。当各轮廓像素点与对应的目标像素点的内距离和直线距离的比值越大时，则对应的弯曲度越大，说明该磨粒越弯曲。
至此，根据上述过程能够得到各磨粒区域对应的弯曲度。
第三，获取各磨粒区域对应的球状度。
对于球形磨粒，其形状为球形，因此对应的磨粒区域应近似圆形；本实施例获取各磨粒区域对应的面积（所述磨粒区域对应的面积为磨粒区域包含的属于该磨粒区域的像素点数量），然后获取各磨粒区域对应的最小拟合圆的面积；球形磨粒对应的磨粒区域的面积与对应的最小拟合圆的面积应该是相近的。对于任一磨粒区域：计算该磨粒区域对应的面积与对应的最小拟合圆的面积的比值，将所述比值作为该磨粒区域对应的球状度；当球状度越大时，说明该磨粒区域越接近圆形，即对应的磨粒越接近球形，越可能是球形磨粒。
至此，能够得到各磨粒区域对应的球状度。
第四，获取各磨粒区域对应的粗糙度。
对于剥块磨粒和氧化物磨粒，剥块磨粒表面较为光滑，而氧化物磨粒表面非常粗糙，因此本实施例通过对各磨粒区域的纹理进行分析，判断磨粒区域的光滑情况；首先获取各磨粒区域对应的灰度共生矩阵，灰度共生矩阵可以分析表面的光滑度和粗糙度，便于区分剥块磨粒和氧化物磨粒；然后根据各磨粒区域对应的灰度共生矩阵，计算得到各磨粒区域对应的灰度共生矩阵对应的熵和逆方差（逆方差又称反差分矩阵），其中熵值可以反映纹理的杂乱程度，即粗糙程度，熵值越大，说明图像中的纹理越杂乱，图像越粗糙，熵值越小说明图像越光滑；而逆方差可以反映纹理的清晰度和规则程度，逆方差越大，说明图像中的纹理越清晰，规律性越强，易于描述，即图像越粗糙，逆方差越小，说明图像中的纹理不易于描述，即图像越光滑。本实施例中获取灰度共生矩阵，根据灰度共生矩阵计算对应的熵和逆方差的过程为现有技术，不再赘述。
本实施例根据各磨粒区域对应的灰度共生矩阵对应的熵和逆方差，计算各磨粒区域对应的粗糙度；对于任一磨粒区域，该磨粒区域对应的粗糙度的计算公式如下：
Figure 312242DEST_PATH_IMAGE001
其中，R为该磨粒区域对应的粗糙度，Ent为该磨粒区域对应的灰度共生矩阵的熵，IDM为该磨粒区域对应的灰度共生矩阵的逆方差，exp( )为以e为底的指数函数。
该磨粒区域对应的灰度共生矩阵的熵值越大，逆方差越大，说明该磨粒区域越粗糙，即对应的粗糙度越大；反之，该磨粒区域对应的灰度共生矩阵的熵值越小，逆方差越小，说明该磨粒区域越光滑，即对应的粗糙度越小。粗糙度越大说明磨粒区域为氧化物磨粒的可能性越大，粗糙度越小说明磨粒区域为剥块磨粒的可能性越大。
至此，根据上述过程能够得到各磨粒区域对应的粗糙度。
第五，获取各磨粒区域对应的空洞指标。
对于层状磨粒，层状磨粒对应的磨粒区域内部会存在空洞，即内部会存在不属于该磨粒区域的区域，因此本实施例对各磨粒区域进行检测，判断磨粒区域中是否存在闭合边缘，若存在，则说明对应的磨粒区域内存在空洞，若不存在，则说明对应的磨粒区域内不存在空洞。接下来对各磨粒区域进行分析，得到各磨粒区域对应的空洞指标，具体的：
对于任一磨粒区域：
首先使用canny算子对该磨粒区域进行边缘检测，得到该磨粒区域中存在的各边缘，并将该磨粒区域中边缘上的像素点记为边缘像素点；考虑到闭合边缘上的每个边缘像素点的八邻域内至少存在两个边缘像素点，因此本实施例对该磨粒区域内的每个边缘分别进行分析，以判断该磨粒区域内的边缘是否为闭合边缘。
对于该磨粒区域内的任一边缘：对该边缘上的边缘像素点进行遍历，判断该边缘上的边缘像素点对应的八邻域内存在的边缘像素点数量是否大于等于2，若是，则将对应的边缘像素点标记为0，若否，则将对应的边缘像素点标记为1；计算该边缘上的各边缘像素点的标记值的累加和，若累加和为0，则判定该边缘为闭合边缘，若累加和不为0，则判定该边缘不是闭合边缘。
本实施例根据上述方法对该磨粒区域内的所有边缘都进行判断，若该磨粒区域内存在闭合边缘，则说明该磨粒区域内存在空洞，将该磨粒区域对应的空洞指标赋值为1；若该磨粒区域内不存在闭合边缘，则说明该磨粒区域内不存在空洞，将该磨粒区域对应的空洞指标赋值为0。
至此，根据上述过程能够得到各磨粒区域对应的空洞指标。
步骤S3，根据磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇。
本实施例根据步骤S2得到了各磨粒区域对应的各特征值，即对应的长宽比、弯曲度、球状度、粗糙度和空洞指标（即各磨粒对应的各特征值）；接下来本实施例根据各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，便于后续对润滑油的质量进行检测；具体的：
首先根据各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，将各磨粒区域映射到多维空间当中，使各磨粒区域在多维空间中可以看作一个点，记为磨粒点；本实施例使用K-means聚类算法对多维空间中的各磨粒点进行分类，其中聚类数量K为磨粒种类的数量，本实施例中磨粒一共有7种，因此K=7。
首先在多维空间中获取七个初始质心，然后根据各磨粒点对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，计算各磨粒点与各初始质心之间的特征距离，即：
Figure 908440DEST_PATH_IMAGE003
其中，
Figure 73842DEST_PATH_IMAGE004
为第j个磨粒点与第q个初始质心之间的特征距离，
Figure 905531DEST_PATH_IMAGE005
为第j个磨粒点对应的长宽比，
Figure 862992DEST_PATH_IMAGE006
为第j个磨粒点对应的弯曲度，
Figure 754725DEST_PATH_IMAGE007
为第j个磨粒点对应的球状度，
Figure 282789DEST_PATH_IMAGE008
为第j个磨粒点对应的粗糙度，
Figure 183749DEST_PATH_IMAGE009
为第j个磨粒点对应的空洞指标，
Figure 730137DEST_PATH_IMAGE010
为第q个初始质心对应的长宽比，
Figure 792771DEST_PATH_IMAGE011
为第q个初始质心对应的弯曲度，
Figure 932765DEST_PATH_IMAGE012
为第q个初始质心对应的球状度，
Figure 512782DEST_PATH_IMAGE013
为第q个初始质心对应的粗糙度，
Figure 789043DEST_PATH_IMAGE014
为第q个初始质心对应的空洞指标。
然后本实施例基于各磨粒点与各初始质心之间的特征距离，利用K-means聚类算法对各磨粒点进行聚类（即对各磨粒区域进行聚类）；本实施例为了保证聚类得到的每一簇都能代表一种磨粒类别，因此在上述进行聚类时，在各磨粒点中加入已经分类好的样本磨粒对应的样本磨粒点，即每种类别选取10个样本磨粒，然后根据对应的特征值确定样本磨粒点（样本磨粒的具体数量可根据实际需要进行设置）；聚类完成后可以根据簇中包含的各样本磨粒点中占比最大磨粒类别，确定对应簇的磨粒类别（例如：对于任意一个簇，若该簇中包含的切削磨粒对应的样本磨粒点最多，则该簇的磨粒类别为切削磨粒）。
至此，根据上述过程可以得到各磨粒类别对应的初始簇，一个初始簇中包含多个磨粒点，即包含多个磨粒区域。
由于使用K-means算法进行聚类时，其聚类效果与初始质心的选取有关，因此为了达到较好的聚类效果，本实施例通过对聚类完成后的每个簇进行分析，进而判断此时聚类的聚类效果，若聚类效果没有达到要求，则重新选取聚类中心，并重新进行聚类，直到聚类效果达到要求为止。
本实施例在上述过程中已经完成了第一次聚类，得到了各磨粒类别对应的初始簇，接下来，本实施例分别对各磨粒类别对应的初始簇进行分析，具体的：
第一，考虑到如果聚类效果好，那么每个初始簇内的磨粒点对应的各特征值应该相似，因此本实施例根据各初始簇内各磨粒点对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，计算此次聚类的簇内差异指标，即：
Figure 412791DEST_PATH_IMAGE036
其中，p1为簇内差异指标，K为初始簇的数量（即磨粒类别的数量，所以K=7），
Figure 774502DEST_PATH_IMAGE037
为第n个磨粒类别对应的初始簇内磨粒点的数量，
Figure 17265DEST_PATH_IMAGE038
为第n个磨粒类别对应的初始簇内第c个磨粒点与对应的聚类中心之间的特征距离；所述聚类中心对应的长宽比、弯曲度、球状度、粗糙度和空洞指标为对应初始簇内各磨粒点对应的长宽比的均值、弯曲度的均值、球状度的均值、粗糙度的均值以及空洞指标的均值；所述磨粒点与聚类中心之间的特征距离是根据磨粒点和聚类中心对应的长宽比、弯曲度、球状度、粗糙度和空洞指标得到的，与上述计算特征距离的方法相同，在此就不再阐述。
p1越大，说明此次聚类得到的各初始簇内各磨粒点之间的差异越大，相似度越低，即说明聚类效果越不好；反之，p1越小，说明此次聚类得到的各初始簇内各磨粒点之间的差异越小，相似度越高，即说明聚类效果越好。
第二，如果聚类效果好，那么不同磨粒种类对应的初始簇内的磨粒点应越不相似，即不同磨粒类别对应的初始簇应越独立，因此本实施例获取每个初始簇对应的聚类中心的长宽比、弯曲度、球状度、粗糙度和空洞指标；然后计算任意一个初始簇对应的聚类中心与其他初始簇对应的聚类中心的特征距离，以得到此次聚类的簇间差异指标，即：
Figure 288977DEST_PATH_IMAGE015
其中，p2为簇间差异指标，
Figure 693414DEST_PATH_IMAGE016
为第n1个初始簇对应的聚类中心与第n2个初始簇对应的聚类中心之间的特征距离；上述公式反映了任意一个初始簇与其他初始簇之间的差异程度，
Figure 932634DEST_PATH_IMAGE016
越大，则p2越大，说明此次聚类得到的各初始簇之间的差异越大，说明聚类效果越好；反之，
Figure 713508DEST_PATH_IMAGE016
越小，则p2越小，说明此次聚类得到的各初始簇之间的差异越小，说明聚类效果越差。
第三，考虑到正常滑动磨粒与球形磨粒仅用球状度进行区分很容易区分错误，因此本实施例将聚类结果中类别为正常滑动磨粒对应的初始簇与球形磨粒对应的初始簇提取出来，并对这两个初始簇进行分析，获取聚类评价因子。具体的：
球形磨粒的边缘变化是平滑的，而正常滑动磨粒的边缘变化不是很平滑；并且由于球形磨粒较为立体，因此对应图像中心部分的灰度值较高（即对应的磨粒区域内中心区域的像素点的灰度值较大）；因此若球形磨粒对应的初始簇对应的各磨粒区域的轮廓越平滑、中心区域平均灰度值越大，说明聚类效果越好，除此之外，若正常滑动磨粒对应的初始簇对应的各磨粒区域的轮廓越不平滑、中心区域平均灰度值无明显变化，也说明聚类效果越好。所述初始簇对应的各磨粒区域即为初始簇中的各磨粒点对应的磨粒区域。
本实施例首先对正常滑动磨粒和球形磨粒对应的初始簇对应的磨粒区域的轮廓的平滑度进行分析，得到正常滑动磨粒和球形磨粒对应的初始簇对应的磨粒区域的轮廓平滑度。对于正常滑动磨粒和球形磨粒中任一磨粒类别对应的初始簇：
对于该磨粒类别对应的初始簇对应的任一磨粒区域：首先获取该磨粒区域对应的最小拟合圆，以及最小拟合圆的圆心，将所述圆心记为该磨粒区域对应的轮廓中心；然后计算该磨粒区域对应的各轮廓像素点与该磨粒区域对应的轮廓中心的欧氏距离。
本实施例根据该磨粒类别对应的初始簇对应的各磨粒区域的各轮廓像素点与对应磨粒区域的轮廓中心的欧氏距离，计算该磨粒类别对应的初始簇的轮廓评价指标，即：
Figure 964361DEST_PATH_IMAGE022
Figure 680644DEST_PATH_IMAGE023
其中，F为该磨粒类别对应的初始簇的轮廓评价指标，U为该磨粒类别对应的初始簇对应的各磨粒区域的数量（即对应的初始簇中磨粒点的数量），
Figure 16948DEST_PATH_IMAGE024
为该磨粒类别对应的初始簇对应的第u个磨粒区域的轮廓像素点的数量，
Figure 726146DEST_PATH_IMAGE025
为该磨粒类别对应的初始簇对应的第u个磨粒区域的平滑指标，
Figure 97085DEST_PATH_IMAGE026
为所述第u个磨粒区域对应的第i个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure 843324DEST_PATH_IMAGE027
为所述第u个磨粒区域对应的第i+1个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure 542290DEST_PATH_IMAGE028
为取绝对值函数。
本实施例通过分析每个磨粒区域的轮廓像素点与对应的轮廓中心的欧氏距离的差异，来反映该磨粒类别对应的初始簇对应的各磨粒区域的轮廓是否平滑；若
Figure 664967DEST_PATH_IMAGE025
越大，说明相邻轮廓像素点与轮廓中心的欧氏距离的差异越大，说明轮廓越不平滑，则
Figure 15045DEST_PATH_IMAGE039
越大，反之，若
Figure 197765DEST_PATH_IMAGE025
越小，说明相邻轮廓像素点与轮廓中心的欧氏距离的差异越小，说明轮廓越平滑，则
Figure 649606DEST_PATH_IMAGE039
越小。至此，根据上述过程能够得到正常滑动磨粒对应的初始簇的轮廓评价指标和球形磨粒对应的初始簇的轮廓评价指标。
接着，对于正常滑动磨粒和球形磨粒中任一磨粒类别对应的初始簇：
本实施例首先获取该磨粒类别对应的初始簇对应的各磨粒区域的中心区域，对于任一磨粒区域：以该磨粒区域的最小拟合圆的圆心为目标圆心，以最小拟合圆的半径的一半为目标半径作圆，得到一个目标圆形区域，将该磨粒区域中的目标圆形区域作为该磨粒区域的中心区域；计算该磨粒区域的中心区域内各像素点的灰度值的平均值，作为该磨粒区域的中心灰度均值。本实施例中各磨粒区域是步骤S1得到的磨粒图像中的区域，因此像素点的灰度值可直接从磨粒图像中得到。
计算该磨粒类别对应的初始簇对应的各磨粒区域的中心灰度均值的平均值，作为该磨粒类别对应的初始簇的中心区域评价指标。
至此本实施例能够得到正常滑动磨粒对应的初始簇的中心区域评价指标和球形磨粒对应的初始簇的中心区域评价指标。若球形磨粒对应的初始簇的中心区域评价指标越大，说明该初始簇对应的各磨粒区域的中心区域的平均灰度值越大，说明该初始簇的聚类效果越好；若正常滑动磨粒对应的初始簇的中心区域评价指标越大，说明该初始簇的聚类效果越不好。
本实施例根据上述过程得到了正常滑动磨粒对应的初始簇的轮廓评价指标和中心区域评价指标、球形磨粒对应的初始簇的轮廓评价指标和中心区域评价指标，二者均可以反映此次聚类的效果，因此根据得到的轮廓评价指标和中心区域评价指标，计算此次聚类的聚类评价因子，即：
Figure 310395DEST_PATH_IMAGE040
其中，p3为聚类评价因子，
Figure 390346DEST_PATH_IMAGE018
为球形磨粒对应的初始簇的轮廓评价指标，
Figure 868601DEST_PATH_IMAGE019
为球形磨粒对应的初始簇的中心区域评价指标，
Figure 666792DEST_PATH_IMAGE020
为正常滑动磨粒对应的初始簇的轮廓评价指标，
Figure 131272DEST_PATH_IMAGE021
为正常滑动磨粒对应的初始簇的中心区域评价指标。
当
Figure 941096DEST_PATH_IMAGE018
越小，
Figure 731197DEST_PATH_IMAGE019
越大时，说明球形磨粒对应的初始簇对应的各磨粒区域的轮廓越光滑，中心区域的灰度值越大，说明该初始簇的聚类效果越好，此时p3越小；当
Figure 875740DEST_PATH_IMAGE020
越大，
Figure 143910DEST_PATH_IMAGE021
越小时，说明正常滑动磨粒对应的初始簇对应的各磨粒区域的轮廓越不光滑，中心区域的灰度值越小，说明该初始簇的聚类效果越好，此时p3越小。
第四，本实施例根据上述过程得到了此次聚类的簇内差异指标、簇间差异指标以及聚类评价因子，这三个参数在不同层面反映了此次聚类的聚类效果；接下来本实施例将此次聚类的簇内差异指标、簇间差异指标以及聚类评价因子进行融合，得到聚类效果指标；本实施例利用聚类效果指标来综合反映聚类的效果。聚类效果指标的计算公式如下：
Figure 73820DEST_PATH_IMAGE002
其中，P为聚类效果指标。
当p1和p3越小，p2越大时，说明聚类效果越好，越能够将不同磨粒类别的磨粒区域区分开，此时P越大；反之，当p1和p3越大，p2越小时，说明聚类效果越差，越不能将不同磨粒类别的磨粒区域区分开，此时P越小。
本实施例中此次聚类记为第一次聚类，本实施例判断第一次聚类的聚类效果指标是否大于效果阈值，若是，则判定第一次聚类的聚类效果已达到要求，则将第一次聚类得到各磨粒类别对应的初始簇记为最优簇；若否，则从多维空间中重新选取七个初始质心，并对多维空间中的各磨粒点进行重新聚类（即进行第二次聚类），再次得到各磨粒类别对应的第二初始簇，并计算第二次聚类的聚类效果指标，判断第二次聚类的聚类效果指标是否大于效果阈值，若是，则判定第二次聚类的聚类效果已达到要求，则将第二次聚类得到各磨粒类别对应的第二初始簇记为最优簇；若否，则继续重新选取七个初始质心，对多维空间中各磨粒点进行重新聚类，直到聚类效果指标第一次大于效果阈值为止，将最后一次聚类得到的各磨粒类别对应的簇记为最优簇。本实施例中所述效果阈值的大小由实施者根据经验进行设置。
至此，本实施例得到了各磨粒类别对应的最优簇，一个最优簇中包含了属于同一磨粒类别的各磨粒点，即属于同一磨粒类别的各磨粒区域，实现了磨粒图像中各磨粒区域的分类。
步骤S4，根据各磨粒类别对应的最优簇对应的各磨粒区域的面积，得到润滑油磨粒质量指标；若润滑油磨粒质量指标大于质量阈值，则判定待检测润滑油样本中磨粒的质量良好。
本实施例根据步骤S3对磨粒图像中各磨粒区域进行了分类，得到了不同磨粒类别对应的最优簇。考虑到磨粒大小的不同对润滑油质量的影响也不同，此外，不同磨粒类别对润滑油的影响也是不同的，例如正常滑动磨粒对润滑油的影响较小，而其他磨粒类别对润滑油影响较大。
本实施例根据不同磨粒类别对应的最优簇对应的各磨粒区域的面积以及不同磨粒类别对润滑油质量的影响程度，得到润滑油磨粒质量指标，所述润滑油磨粒质量指标可以反映待检测润滑油样本中磨粒的情况，进而可以反映待检测润滑油样本对应的润滑油的质量；计算润滑油磨粒质量指标的公式如下：
Figure 769244DEST_PATH_IMAGE029
其中，V为润滑油磨粒质量指标，
Figure 276448DEST_PATH_IMAGE030
为第
Figure 496381DEST_PATH_IMAGE031
个磨粒类别对润滑油质量的影响程度，
Figure 405431DEST_PATH_IMAGE032
为第
Figure 147122DEST_PATH_IMAGE031
个磨粒类别对应的最优簇对应的所有磨粒区域的面积之和（本实施例中磨粒区域的面积已经在步骤S2中获取过了，就不再赘述）。
当V越大时，说明待检测润滑油样本中磨粒的质量越好，说明对应的机器中的润滑油的质量越好，也可以反映出机器的磨损较小；反之，当V越小时，说明待检测润滑油样本中磨粒的质量越差，说明对应的机器中润滑油的健康状态越差，也可以反映出机器的磨损较为严重。因此本实施例判断润滑油磨粒质量指标是否大于质量阈值，若大于，则判定待检测润滑油样本中磨粒的质量良好，即对应的机器中的润滑油的健康状态良好，若小于等于，则判定待检测润滑油样本中的磨粒质量较差，即对应的机器中的润滑油的健康状态差。
本实施例中不同磨粒类别对润滑油质量的影响程度和所述质量阈值由实施者根据经验进行设置。
本实施例提供了一种润滑油磨粒质量检测方法，用于对润滑油中的磨粒进行分析；本实施例依据不同磨粒类别的特点，获取磨粒图像中各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度以及空洞指标；本实施例根据各磨粒区域对应的特征能够更好的将不同磨粒类别的磨粒区域进行区分，便于更好的判断润滑油的质量。本实施例基于磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇；本实施例在获取最优簇的过程中，不断变换初始质心进行重新聚类，并分析每一次聚类的聚类效果，以得到聚类效果好的最优簇，避免了由于初始质心选取的随机性而造成的聚类效果不理想的情况。本实施例结合不同磨粒类别对润滑油的不同影响，得到润滑油磨粒质量指标；最后根据润滑油磨粒质量指标判断润滑油中磨粒的质量的好坏。本实施例基于不同磨粒类别的特征，并利用变换初始质心的K-means算法，更加准确对图像中的磨粒进行分类，使本发明能够更加准确的对润滑油中磨粒的质量进行判断。
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)

1.一种润滑油磨粒质量检测方法，其特征在于，该方法包括以下步骤：
获取待检测润滑油样本对应的磨粒图像，所述润滑油样本是从机器中取样得到的，所述磨粒图像包含多个磨粒区域；
获取各磨粒区域对应的长宽比；根据各磨粒区域对应的轮廓像素点，得到各磨粒区域对应的弯曲度，所述磨粒区域对应的轮廓像素点为磨粒区域最外层的像素点；根据各磨粒区域对应的最小拟合圆的面积，得到磨粒区域对应的球状度；根据各磨粒区域对应的灰度共生矩阵，得到各磨粒区域对应的粗糙度；根据各磨粒区域中的像素点，得到各磨粒区域对应的空洞指标；
根据磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇；
根据各磨粒类别对应的最优簇对应的各磨粒区域的面积，得到润滑油磨粒质量指标；若润滑油磨粒质量指标大于质量阈值，则判定待检测润滑油样本中磨粒的质量良好。
2.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，所述得到各磨粒区域对应的弯曲度，包括：
对于任一磨粒区域：
对于该磨粒区域对应的轮廓上的任一轮廓像素点：获取该磨粒区域对应的轮廓上与该轮廓像素点的直线距离最远的轮廓像素点，将所述与该轮廓像素点距离最远的轮廓像素点记为该轮廓像素点对应的目标像素点；利用弗洛伊德算法获取该轮廓像素点与对应的目标像素点之间的内距离；所述内距离为该轮廓像素点与对应的目标像素点在该磨粒区域内部的最短路径的长度；
计算该磨粒区域对应的轮廓上的各轮廓像素点与对应的目标像素点的直线距离与对应的内距离的比值的和，作为该磨粒区域对应的弯曲度。
3.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，所述得到磨粒区域对应的球状度，包括：
对于任一磨粒区域：计算该磨粒区域的面积与对应的最小拟合圆的面积的比值，作为该磨粒区域对应的球状度。
4.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，所述得到各磨粒区域对应的粗糙度，包括：
对于任一磨粒区域：
根据该磨粒区域对应的灰度共生矩阵，计算该磨粒区域对应的灰度共生矩阵对应的熵和逆方差；
根据所述熵和逆方差，计算该磨粒区域对应的粗糙度；所述计算该磨粒区域对应的粗糙度的公式如下：
Figure DEST_PATH_IMAGE001
其中，R为该磨粒区域对应的粗糙度，Ent为该磨粒区域对应的灰度共生矩阵的熵，IDM为该磨粒区域对应的灰度共生矩阵的逆方差，exp( )为以e为底的指数函数。
5.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，所述得到各磨粒区域对应的空洞指标，包括：
对于任一磨粒区域：
使用canny算子对该磨粒区域进行边缘检测，得到该磨粒区域中存在的各边缘；将边缘上的像素点记为边缘像素点；
对于该磨粒区域内的任一边缘：判断该边缘上的边缘像素点对应的八邻域内存在的边缘像素点数量是否大于等于2，若是，则将对应的边缘像素点标记为0，若否，则将对应的边缘像素点标记为1；计算该边缘上的各边缘像素点的标记值的累加和，若累加和为0，则判定该边缘为闭合边缘，若累加和不为0，则判定该边缘不是闭合边缘；
若该磨粒区域内存在闭合边缘，则将该磨粒区域对应的空洞指标赋值为1；若该磨粒区域内不存在闭合边缘，则将该磨粒区域对应的空洞指标赋值为0。
6.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，根据磨粒类别数量、K-means算法以及各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，对各磨粒区域进行分类，得到各磨粒类别对应的最优簇，包括：
根据各磨粒区域对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，将各磨粒区域映射到多维空间当中，得到各磨粒区域在多维空间中对应的磨粒点；
在多维空间中获取设定数量个初始质心；所述设定数量为磨粒类别数量；
根据各磨粒点对应的长宽比、弯曲度、球状度、粗糙度和空洞指标，计算各磨粒点与各初始质心之间的特征距离；
基于各磨粒点与各初始质心之间的特征距离，利用K-means聚类算法对各磨粒点进行聚类，得到各磨粒类别对应的初始簇；
获取各初始簇对应的聚类中心的长宽比、弯曲度、球状度、粗糙度和空洞指标；
计算各初始簇中各磨粒点与对应的聚类中心之间的特征距离；计算各初始簇中各磨粒点与对应的聚类中心之间的特征距离的和，作为第一次聚类的簇内差异指标；
根据各初始簇对应的聚类中心的长宽比、弯曲度、球状度、粗糙度和空洞指标，得到第一次聚类的簇间差异指标；
获取正常滑动磨粒与球形磨粒对应的初始簇；根据正常滑动磨粒与球形磨粒对应的初始簇，得到正常滑动磨粒和球形磨粒对应的初始簇的轮廓评价指标和中心区域评价指标；根据所述轮廓评价指标和中心区域评价指标，得到第一次聚类的聚类评价因子；所述正常滑动磨粒和球形磨粒为各磨粒类别中的两种磨粒类别；
根据第一次聚类的簇内差异指标、簇间差异指标以及聚类评价因子，得到第一次聚类的聚类效果指标；
判断第一次聚类的聚类效果指标是否大于效果阈值，若是，则将第一次聚类得到各磨粒类别对应的初始簇记为最优簇；若否，则从多维空间中重新选取设定数量个初始质心，并对多维空间中的各磨粒点进行第二次聚类，得到各磨粒类别对应的第二初始簇；计算第二次聚类的聚类效果指标，判断第二次聚类的聚类效果指标是否大于效果阈值，若是，则将各磨粒类别对应的第二初始簇记为最优簇，若否，则继续重新选取设定数量个初始质心，对多维空间中各磨粒点进行重新聚类，直到聚类效果指标第一次大于效果阈值为止；将最后一次聚类得到的各磨粒类别对应的簇记为最优簇；
所述聚类效果指标的计算公式如下：
Figure 951636DEST_PATH_IMAGE002
其中，P为聚类效果指标，p1为簇内差异指标，p2为簇间差异指标，p3为聚类评价因子，exp( )为以e为底的指数函数。
7.根据权利要求6所述的一种润滑油磨粒质量检测方法，其特征在于，计算各磨粒点与各初始质心之间的特征距离的公式如下：
Figure DEST_PATH_IMAGE003
其中，
Figure 951822DEST_PATH_IMAGE004
为第j个磨粒点与第q个初始质心之间的特征距离，
Figure DEST_PATH_IMAGE005
为第j个磨粒点对应的长宽比，
Figure 387482DEST_PATH_IMAGE006
为第j个磨粒点对应的弯曲度，
Figure 159129DEST_PATH_IMAGE007
为第j个磨粒点对应的球状度，
Figure 31139DEST_PATH_IMAGE008
为第j个磨粒点对应的粗糙度，
Figure 179224DEST_PATH_IMAGE009
为第j个磨粒点对应的空洞指标，
Figure 62866DEST_PATH_IMAGE010
为第q个初始质心对应的长宽比，
Figure 12540DEST_PATH_IMAGE011
为第q个初始质心对应的弯曲度，
Figure 716054DEST_PATH_IMAGE012
为第q个初始质心对应的球状度，
Figure 543195DEST_PATH_IMAGE013
为第q个初始质心对应的粗糙度，
Figure 281344DEST_PATH_IMAGE014
为第q个初始质心对应的空洞指标。
8.根据权利要求6所述的一种润滑油磨粒质量检测方法，其特征在于，所述簇间差异指标的计算公式如下：
Figure 785007DEST_PATH_IMAGE015
其中，
Figure 975817DEST_PATH_IMAGE016
为第n1个初始簇对应的聚类中心与第n2个初始簇对应的聚类中心之间的特征距离，K为磨粒类别的数量；
所述聚类评价因子的计算公式如下：
Figure 731283DEST_PATH_IMAGE017
其中，
Figure 199305DEST_PATH_IMAGE018
为球形磨粒对应的初始簇的轮廓评价指标，
Figure 14814DEST_PATH_IMAGE019
为球形磨粒对应的初始簇的中心区域评价指标，
Figure 692920DEST_PATH_IMAGE020
为正常滑动磨粒对应的初始簇的轮廓评价指标，
Figure DEST_PATH_IMAGE021
为正常滑动磨粒对应的初始簇的中心区域评价指标。
9.根据权利要求6所述的一种润滑油磨粒质量检测方法，其特征在于，根据正常滑动磨粒对应的初始簇与球形磨粒对应的初始簇，得到正常滑动磨粒和球形磨粒对应的初始簇的轮廓评价指标和中心区域评价指标，包括：
对于正常滑动磨粒和球形磨粒中任一磨粒类别对应的初始簇：
对于该磨粒类别对应的初始簇对应的任一磨粒区域：获取该磨粒区域对应的最小拟合圆，以及最小拟合圆的圆心，将所述圆心记为该磨粒区域对应的轮廓中心；
根据该磨粒类别对应的初始簇对应的各磨粒区域的各轮廓像素点与对应磨粒区域的轮廓中心的欧氏距离，计算该磨粒类别对应的初始簇的轮廓评价指标；
对于该磨粒类别对应的初始簇对应的任一磨粒区域：以该磨粒区域的最小拟合圆的圆心为目标圆心，以最小拟合圆的半径的一半为目标半径作圆，得到目标圆形区域；计算该磨粒区域的目标圆形区域内各像素点的灰度值的平均值，作为该磨粒区域的中心灰度均值；
计算该磨粒类别对应的初始簇对应的各磨粒区域的中心灰度均值的平均值，作为该磨粒类别对应的初始簇的中心区域评价指标；
所述轮廓评价指标的计算公式为：
Figure 376711DEST_PATH_IMAGE022
Figure 964818DEST_PATH_IMAGE023
其中，F为该磨粒类别对应的初始簇的轮廓评价指标，U为该磨粒类别对应的初始簇对应的各磨粒区域的数量，
Figure 951229DEST_PATH_IMAGE024
为该磨粒类别对应的初始簇对应的第u个磨粒区域的轮廓像素点的数量，
Figure 506844DEST_PATH_IMAGE025
为该磨粒类别对应的初始簇对应的第u个磨粒区域的平滑指标，
Figure 604113DEST_PATH_IMAGE026
为所述第u个磨粒区域对应的第i个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure DEST_PATH_IMAGE027
为所述第u个磨粒区域对应的第i+1个轮廓像素点与所述第u个磨粒区域对应的轮廓中心的欧氏距离，
Figure 577885DEST_PATH_IMAGE028
为取绝对值函数。
10.根据权利要求1所述的一种润滑油磨粒质量检测方法，其特征在于，得到润滑油磨粒质量指标的公式如下：
Figure DEST_PATH_IMAGE029
其中，V为润滑油磨粒质量指标，
Figure 390989DEST_PATH_IMAGE030
为第
Figure 184633DEST_PATH_IMAGE031
个磨粒类别对润滑油质量的影响程度，
Figure 820014DEST_PATH_IMAGE032
为第
Figure 241768DEST_PATH_IMAGE031
个磨粒类别对应的最优簇对应的所有磨粒区域的面积之和，exp( )为以e为底的指数函数。
CN202210946809.8A 2022-08-09 2022-08-09 一种润滑油磨粒质量检测方法 Active CN115018845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946809.8A CN115018845B (zh) 2022-08-09 2022-08-09 一种润滑油磨粒质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946809.8A CN115018845B (zh) 2022-08-09 2022-08-09 一种润滑油磨粒质量检测方法

Publications (2)

Publication Number Publication Date
CN115018845A true CN115018845A (zh) 2022-09-06
CN115018845B CN115018845B (zh) 2022-10-25

Family

ID=83066229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946809.8A Active CN115018845B (zh) 2022-08-09 2022-08-09 一种润滑油磨粒质量检测方法

Country Status (1)

Country Link
CN (1) CN115018845B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272946A (zh) * 2022-09-30 2022-11-01 江苏三通科技有限公司 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN115880284A (zh) * 2023-02-06 2023-03-31 卡松科技股份有限公司 一种用于润滑油磨粒均匀度的检测方法及系统
CN116152231A (zh) * 2023-04-17 2023-05-23 卡松科技股份有限公司 基于图像处理的润滑油内杂质检测方法
CN116402810A (zh) * 2023-06-05 2023-07-07 山东天力润滑油有限公司 基于图像处理的润滑油抗磨粒质量检测方法
CN117094604A (zh) * 2023-10-18 2023-11-21 南通双耀冲压有限公司 一种电机定转子冲压模具表面质量管理方法及系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102014147A (zh) * 2010-07-09 2011-04-13 北京哈工大计算机网络与信息安全技术研究中心 物联网中的定位系统及其部署方法和装置
CN103439229A (zh) * 2013-08-06 2013-12-11 西安交通大学 一种基于数字视频的快速铁谱分析方法
CN104865168A (zh) * 2014-02-26 2015-08-26 南京理工大学 船用铁谱仪及其测量与分析方法
CN105488481A (zh) * 2015-12-04 2016-04-13 清华大学 检测方法
CN107175645A (zh) * 2017-07-05 2017-09-19 深圳悉罗机器人有限公司 移动机器人
CN107622499A (zh) * 2017-08-24 2018-01-23 中国东方电气集团有限公司 一种基于目标二维轮廓模型的识别与空间定位方法
CN108305259A (zh) * 2018-02-06 2018-07-20 西安交通大学 一种多纹理特征融合的磨粒类型自动识别方法
CN108446706A (zh) * 2018-02-27 2018-08-24 西安交通大学 一种基于颜色主分量提取的磨粒材质自动识别方法
CN109215032A (zh) * 2017-06-30 2019-01-15 上海联影医疗科技有限公司 图像分割的方法及系统
CN109740254A (zh) * 2018-12-29 2019-05-10 杭州电子科技大学 一种基于信息融合的船舶柴油机磨粒类型辨识方法
US20190156600A1 (en) * 2006-11-16 2019-05-23 Ge Global Sourcing Llc Locomotive sensor system for monitoring engine and lubricant health
CN109959587A (zh) * 2019-04-09 2019-07-02 厦门大学 同轴电容传感器及发动机滑油磨粒在线监测与诊断方法
CN110208124A (zh) * 2019-05-30 2019-09-06 新疆大学 基于磨粒磨损机理的机械磨损系统的开发方法
CN112381140A (zh) * 2020-11-13 2021-02-19 国家能源集团泰州发电有限公司 一种基于新特征参数的磨粒图像机器学习识别方法
CN113405955A (zh) * 2021-06-15 2021-09-17 中国航发沈阳发动机研究所 一种油液磨粒监测装置和监测方法
CN114549522A (zh) * 2022-04-24 2022-05-27 启东新朋莱纺织科技有限公司 基于目标检测的纺织品质量检测方法
CN114627048A (zh) * 2022-01-26 2022-06-14 深圳职业技术学院 基于移动终端的工件粗糙度测量方法、装置、终端及介质
CN114671214A (zh) * 2022-05-27 2022-06-28 新风光电子科技股份有限公司 基于高压变频器的煤矿输送皮带调速方法
CN114821073A (zh) * 2022-06-28 2022-07-29 聊城市誉林工业设计有限公司 一种便携智能开壳机的状态识别方法、设备

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190156600A1 (en) * 2006-11-16 2019-05-23 Ge Global Sourcing Llc Locomotive sensor system for monitoring engine and lubricant health
CN102014147A (zh) * 2010-07-09 2011-04-13 北京哈工大计算机网络与信息安全技术研究中心 物联网中的定位系统及其部署方法和装置
CN103439229A (zh) * 2013-08-06 2013-12-11 西安交通大学 一种基于数字视频的快速铁谱分析方法
CN104865168A (zh) * 2014-02-26 2015-08-26 南京理工大学 船用铁谱仪及其测量与分析方法
CN105488481A (zh) * 2015-12-04 2016-04-13 清华大学 检测方法
CN109215032A (zh) * 2017-06-30 2019-01-15 上海联影医疗科技有限公司 图像分割的方法及系统
CN107175645A (zh) * 2017-07-05 2017-09-19 深圳悉罗机器人有限公司 移动机器人
CN107622499A (zh) * 2017-08-24 2018-01-23 中国东方电气集团有限公司 一种基于目标二维轮廓模型的识别与空间定位方法
CN108305259A (zh) * 2018-02-06 2018-07-20 西安交通大学 一种多纹理特征融合的磨粒类型自动识别方法
CN108446706A (zh) * 2018-02-27 2018-08-24 西安交通大学 一种基于颜色主分量提取的磨粒材质自动识别方法
CN109740254A (zh) * 2018-12-29 2019-05-10 杭州电子科技大学 一种基于信息融合的船舶柴油机磨粒类型辨识方法
CN109959587A (zh) * 2019-04-09 2019-07-02 厦门大学 同轴电容传感器及发动机滑油磨粒在线监测与诊断方法
CN110208124A (zh) * 2019-05-30 2019-09-06 新疆大学 基于磨粒磨损机理的机械磨损系统的开发方法
CN112381140A (zh) * 2020-11-13 2021-02-19 国家能源集团泰州发电有限公司 一种基于新特征参数的磨粒图像机器学习识别方法
CN113405955A (zh) * 2021-06-15 2021-09-17 中国航发沈阳发动机研究所 一种油液磨粒监测装置和监测方法
CN114627048A (zh) * 2022-01-26 2022-06-14 深圳职业技术学院 基于移动终端的工件粗糙度测量方法、装置、终端及介质
CN114549522A (zh) * 2022-04-24 2022-05-27 启东新朋莱纺织科技有限公司 基于目标检测的纺织品质量检测方法
CN114671214A (zh) * 2022-05-27 2022-06-28 新风光电子科技股份有限公司 基于高压变频器的煤矿输送皮带调速方法
CN114821073A (zh) * 2022-06-28 2022-07-29 聊城市誉林工业设计有限公司 一种便携智能开壳机的状态识别方法、设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
M. S. LAGHARI ET AL: "Wear Particle Texture Analysis", 《ICISPC》 *
WEIYUAN ET AL: "Shapeclassification of wear particles by image boundary analysis using machine learning algorithms", 《MECHANICALSYSTEMSANDSIGNALPROCESSING》 *
YEPING PENG ET AL: "A hybrid search-tree discriminant technique for multivariate wear debris classification", 《WEAR》 *
周志红: "磨粒的特征参数优化与集成识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
孙前进主编: "《综合交通体系规划与建设》", 30 September 2012 *
杨玮等: "基于图像处理和SVR的土壤容重与土壤孔隙度预测", 《农业工程学报》 *
蔡俊豪: "基于混合卷积神经网络的铁谱图像目标磨粒检测与识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272946A (zh) * 2022-09-30 2022-11-01 江苏三通科技有限公司 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN115272946B (zh) * 2022-09-30 2022-12-23 江苏三通科技有限公司 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN115880284A (zh) * 2023-02-06 2023-03-31 卡松科技股份有限公司 一种用于润滑油磨粒均匀度的检测方法及系统
CN116152231A (zh) * 2023-04-17 2023-05-23 卡松科技股份有限公司 基于图像处理的润滑油内杂质检测方法
CN116402810A (zh) * 2023-06-05 2023-07-07 山东天力润滑油有限公司 基于图像处理的润滑油抗磨粒质量检测方法
CN116402810B (zh) * 2023-06-05 2023-08-04 山东天力润滑油有限公司 基于图像处理的润滑油抗磨粒质量检测方法
CN117094604A (zh) * 2023-10-18 2023-11-21 南通双耀冲压有限公司 一种电机定转子冲压模具表面质量管理方法及系统
CN117094604B (zh) * 2023-10-18 2023-12-26 南通双耀冲压有限公司 一种电机定转子冲压模具表面质量管理方法及系统

Also Published As

Publication number Publication date
CN115018845B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115018845B (zh) 一种润滑油磨粒质量检测方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN116703907B (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
CN115457041A (zh) 一种道路质量识别检测方法
US20090274377A1 (en) Clustering System and Image Processing System Having the Same
US20110194738A1 (en) Method for acquiring region-of-interest and/or cognitive information from eye image
CN111582111B (zh) 一种基于语义分割的细胞各成分分割方法
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN118015002B (zh) 一种交通工程路况视觉检测方法及系统
CN112991269A (zh) 一种肺部ct图像的识别分类方法
CN115115641B (zh) 一种瞳孔图像分割方法
CN115431101A (zh) 一种数控机床状态检测方法及系统
CN115496692A (zh) 一种润滑油磨粒图像增强方法
CN115063407B (zh) 一种用于环形铜垫片的划痕及裂纹识别方法
CN115423816B (zh) 一种金属表面磨削质量检测方法
CN111191628A (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN114897773A (zh) 一种基于图像处理的扭曲木材检测方法及系统
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法

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