CN115019159A - 一种泵轴承故障快速识别方法 - Google Patents

一种泵轴承故障快速识别方法 Download PDF

Info

Publication number
CN115019159A
CN115019159A CN202210946124.3A CN202210946124A CN115019159A CN 115019159 A CN115019159 A CN 115019159A CN 202210946124 A CN202210946124 A CN 202210946124A CN 115019159 A CN115019159 A CN 115019159A
Authority
CN
China
Prior art keywords
bearing
raceway
gray
angle
image
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
CN202210946124.3A
Other languages
English (en)
Other versions
CN115019159B (zh
Inventor
强帆
程一飞
张留
董鹏远
张帅帅
李志远
柴春苗
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 Antai Mine Equipment Manufacturing Co ltd
Original Assignee
Jining Antai Mine Equipment Manufacturing 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 Antai Mine Equipment Manufacturing Co ltd filed Critical Jining Antai Mine Equipment Manufacturing Co ltd
Priority to CN202210946124.3A priority Critical patent/CN115019159B/zh
Publication of CN115019159A publication Critical patent/CN115019159A/zh
Application granted granted Critical
Publication of CN115019159B publication Critical patent/CN115019159B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • G06V10/762—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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种泵轴承故障快速识别方法。方法包括：获取不同角度下的轴承滚道的灰度图像；基于各角度下的轴承滚道的灰度图像中各像素点对应的高阶矩向量，得到轴承滚道上的损伤位置；计算轴承滚道上的各损伤位置在各角度下的灰度图像中的纹理损失量；根据各损伤位置在各角度下的灰度图像中的纹理损失量，计算各损伤位置对应的增强后的灰度值；基于各损伤位置对应的增强后的灰度值，得到目标损伤区域的图像；将目标损伤区域的图像输入到训练好的神经网络中，得到故障类型。本发明提高了泵轴承故障类型的识别精度。

Description

一种泵轴承故障快速识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种泵轴承故障快速识别方法。
背景技术
随着社会经济的发展、工业化水平的提高，泵作为一种能量转化设备，其使用量也随之提高。轴承作为泵中的主要零件之一，其质量的好坏直接影响泵的使用效果。轴承作为支撑高速运动物体的重要零件，其在高速转动的环境下，很容易出现故障。常见轴承故障有滚道表面金属剥落、轴承滚道烧伤、轴承裂纹等，这些故障产生的原因不同，因而需识别出这些故障类型，便于故障寻因。但是轴承滚道为弧面，光线就会存在迎光和背光两种情况，迎光容易出现反光现象，背光容易出现灰暗现象，因而采集到的图像不能保障每个区域的画质质量均较好，即采集到的轴承滚道图像可能只存在部分清晰的区域，基于质量较差的轴承图像很难准确地识别出故障类型。因此对轴承图像中的故障区域（损伤区域）进行增强处理，进而利用更加清晰的故障（损伤）图像进行故障识别，以提高识别的精度是非常重要的。
发明内容
为了解决上述问题，本发明的目的在于提供一种泵轴承故障快速识别方法，所采用的技术方案具体如下：
本发明提供了一种泵轴承故障快速识别方法，该方法包括以下步骤：
获取不同角度下的轴承滚道的灰度图像；所述轴承滚道是由无数条圆形的滚道曲线组合而成的；
获取轴承滚道上各位置对应的高阶矩向量；对于任一角度下的轴承滚道的灰度图像中的任一滚道曲线：根据该滚道曲线上各像素点对应的高阶矩向量，对该滚道曲线上的像素点进行聚类，得到各类别的像素点；计算轴承滚道的灰度图像中各类别的像素区域的灰度游程的短游程优势，根据所述短游程优势，得到轴承滚道上的损伤位置；
对于轴承滚道上的任一损伤位置：根据该损伤位置在各角度下的轴承滚道的灰度图像中对应的纹理个数，构建该损伤位置对应的纹理个数组合序列；根据所述纹理个数组合序列，得到该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量；根据所述该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，计算该损伤位置对应的增强后的灰度值；
基于各损伤位置对应的增强后的灰度值，得到目标损伤区域的图像；将目标损伤区域的图像输入到训练好的神经网络中，得到故障类型。
优选的，获取轴承滚道上各位置对应的高阶矩向量，包括：
对于轴承滚道上的任一位置：
根据该位置所在的各角度下的轴承滚道的灰度图像中的灰度值，构建该位置对应的灰度值序列；
基于该位置对应的灰度值序列，分别求出该位置对应的一阶矩、二阶矩、三阶矩；根据该位置对应的一阶矩、二阶矩、三阶矩，构建该位置对应的高阶矩向量。
优选的，采用如下公式计算轴承滚道的灰度图像中各类别的像素区域的灰度游程的短游程优势：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示类别1像素区域的灰度游程的短游程优势，
Figure 100002_DEST_PATH_IMAGE006
表示第i个类别的游程长度的总个数，
Figure 100002_DEST_PATH_IMAGE008
表示游程长度的种类数，
Figure 100002_DEST_PATH_IMAGE010
表示在所有灰度游程中灰度级为i游程长度为j的游程出现的概率。
优选的，所述根据所述短游程优势，得到轴承滚道上的损伤位置，包括：
将短游程优势最大的像素类别作为损伤像素类别，得到轴承滚道上的损伤位置。
优选的，该损伤位置在各角度下的轴承滚道的灰度图像中对应的纹理个数的获取，包括：
利用LBP算法分别处理各角度下的轴承滚道的灰度图像，得到各角度下的轴承滚道的LBP纹理图；所述LBP纹理图为二值图；
统计该损伤位置在各角度下的轴承滚道的LBP纹理图中对应像素点的八邻域内与其像素值不相同的像素点的个数，将该个数作为该损伤位置在对应角度下的轴承滚道的灰度图像中对应的纹理个数。
优选的，所述根据所述纹理个数组合序列，得到该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，包括：
对于该损伤位置在第
Figure 100002_DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像：
采用如下公式计算该损伤位置在该角度下的轴承滚道的灰度图像中的信息损失值：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
为轴承滚道上第
Figure 100002_DEST_PATH_IMAGE018
个损伤位置在第
Figure 372682DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的信息损失值，
Figure 100002_DEST_PATH_IMAGE020
为轴承滚道上第
Figure 444543DEST_PATH_IMAGE018
个损伤位置对应的纹理个数组合序列中元素的最大值，
Figure 100002_DEST_PATH_IMAGE022
为轴承滚道上第
Figure 760118DEST_PATH_IMAGE018
个损伤位置在第
Figure 751076DEST_PATH_IMAGE012
个角度下的LBP纹理图中对应的纹理个数；
以该损伤位置对应的像素为中心像素，构建
Figure 100002_DEST_PATH_IMAGE024
的窗口，计算窗口内所有像素的信息损失值的均值，将该均值作为该损伤位置在该角度下的轴承滚道的灰度图像中的纹理损失量。
优选的，采用如下公式计算该损伤位置对应的增强后的灰度值：
Figure 100002_DEST_PATH_IMAGE026
其中，
Figure 100002_DEST_PATH_IMAGE028
为轴承滚道上的第
Figure 948839DEST_PATH_IMAGE018
个损伤位置对应的增强后的灰度值，N为轴承滚道上的第
Figure 293233DEST_PATH_IMAGE018
个损伤位置对应的灰度图像的个数，
Figure 100002_DEST_PATH_IMAGE030
为轴承滚道上的第
Figure 978161DEST_PATH_IMAGE018
个损伤位置在第
Figure 890754DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的灰度值，
Figure 100002_DEST_PATH_IMAGE032
为轴承滚道上的第
Figure 28343DEST_PATH_IMAGE018
个损伤位置在第
Figure 176427DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中对应的权重；
所述轴承滚道上的第
Figure 60070DEST_PATH_IMAGE018
个损伤位置对应的灰度图像为：包含第
Figure 143563DEST_PATH_IMAGE018
个损伤位置的轴承滚道的灰度图像；
所述
Figure 112656DEST_PATH_IMAGE032
为1与该损伤位置在第
Figure 189066DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的纹理损失量的比值。
优选的，所述根据该滚道曲线上各像素点对应的高阶矩向量，对该滚道曲线上的像素点进行聚类，得到各类别的像素点，包括：
计算该滚道曲线上任意两个像素点对应的高阶矩向量之间的余弦相似度，并将所述余弦相似度作为这两个像素点的灰度分布相似性；
利用
Figure 100002_DEST_PATH_IMAGE034
聚类算法，基于灰度分布相似性对该滚道曲线上的所有像素点进行聚类，得到各类别的像素点。
本发明具有如下有益效果：本发明首先获取了不同角度下的轴承滚道的灰度图像；基于轴承滚道上各位置在各角度下的轴承滚道的灰度图像中的灰度值，得到轴承滚道上各位置对应的高阶矩向量；然后基于轴承滚道上各位置对应的高阶矩向量，判断轴承滚道上各位置对应的类别；接着基于轴承滚道上的损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，获得所有损伤位置在各角度的图像中对应的权重；根据所有损伤位置在各角度的图像中对应的权重和灰度值，得到目标损伤区域的图像（即清晰的损伤区域图像）；本发明利用清晰的损伤区域图像进行故障类型识别，提高了识别精度，实现了故障类别的自动化检测，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泵轴承故障快速识别方法的流程图；
图2为本发明提供的一个损伤位置的八邻域内像素点的像素值的示意图。
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泵轴承故障快速识别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泵轴承故障快速识别方法的具体方案。
一种泵轴承故障快速识别方法实施例：
本实施例提出了一种泵轴承故障快速识别方法，如图1所示，本实施例的一种泵轴承故障快速识别方法包括以下步骤：
步骤S1，获取不同角度下的轴承滚道的灰度图像；所述轴承滚道是由无数条圆形的滚道曲线组合而成的。
考虑到泵轴承滚道为弧面，且轴承滚道表面较光滑，采集到的轴承滚道图像很容易受光线的影响，采集到的轴承滚道图像中多个区域可能会不够清晰，利用不清晰的图像进行故障类型识别，会影响轴承故障类型的识别精度。因而需对轴承故障区域（损伤区域）图像进行增强处理。
本实施例将轴承放置在支架上，支架进行逆时针匀角速度
Figure DEST_PATH_IMAGE036
旋转，轴承也随之进行匀角速度旋转。在轴承的平行位置布置相机，相机按一定频率采集轴承滚道的图像，相机的位置和视野不变，旋转轴承，相当于从不同角度采集轴承滚道的图像，利用相机采集得到多角度的轴承滚道图像
Figure DEST_PATH_IMAGE038
，其中，
Figure DEST_PATH_IMAGE040
为第1个角度下的轴承滚道图像，
Figure DEST_PATH_IMAGE042
为第2个角度下的轴承滚道图像，
Figure DEST_PATH_IMAGE044
为第
Figure DEST_PATH_IMAGE046
个角度下的轴承滚道图像，
Figure DEST_PATH_IMAGE048
为第
Figure DEST_PATH_IMAGE050
个角度下的轴承滚道图像。然后对采集到的各角度下的轴承滚道图像进行灰度化处理，得到各角度下的轴承滚道的灰度图像，即
Figure DEST_PATH_IMAGE052
，其中，
Figure DEST_PATH_IMAGE054
为第1个角度下的轴承滚道的灰度图像，
Figure DEST_PATH_IMAGE056
为第2个角度下的轴承滚道的灰度图像，
Figure DEST_PATH_IMAGE058
为第
Figure 645324DEST_PATH_IMAGE046
个角度下的轴承滚道的灰度图像，
Figure DEST_PATH_IMAGE060
为第
Figure 680145DEST_PATH_IMAGE050
个角度下的轴承滚道的灰度图像。轴承滚道可近似地看成是由无数条圆形的滚道曲线组合而成的。灰度化处理为现有技术，此处不再赘述。
至此，得到各角度下的轴承滚道的灰度图像。
步骤S2，获取轴承滚道上各位置对应的高阶矩向量；对于任一角度下的轴承滚道的灰度图像中的任一滚道曲线：根据该滚道曲线上各像素点对应的高阶矩向量，对该滚道曲线上的像素点进行聚类，得到各类别的像素点；计算轴承滚道的灰度图像中各类别的像素区域的灰度游程的短游程优势，根据所述短游程优势，得到轴承滚道上的损伤位置。
由于单个角度采集到的图像中只会包含一部分清晰的图像，即一部分损伤区域在第1个角度下采集到的图像中是清晰的，而另一部分损伤区域在第2个角度下采集到的图像中是清晰的。因而需根据各角度下的轴承滚道的灰度图像中各损伤区域信息的完整情况来进行加权融合得到清晰的损伤区域，利用清晰的损伤区域图像进行故障类型识别。
当轴承滚道不存在损伤时，轴承同一滚道曲线上所有滚道位置反光相似，即同一滚道曲线上各滚道位置的灰度值分布相似。由于轴承滚道为弧面，单个角度采集的图像中不能保证滚道的每个区域均较为清晰，因此本实施例根据各角度下的轴承滚道图像中对应的损伤区域的信息损失量来对损伤区域进行加权融合，进而得到清晰的损伤图像。
轴承滚道同一点在多角度下的轴承滚道的灰度图像中的灰度值主要反映了该位置在不同光照下的值，因而这些取值能够反映光照的分布情况。相机是平行于轴承采集的图像，轴承的滚道方向为水平方向。由于水平方向轴承滚道上弧度曲率相同，滚道表面与相机的相对位置相同时对应的反光特征相同，轴承滚道表面各位置与相机呈现一系列相近的相对位置，在同一环境下，同一滚道曲线上的无损伤的像素点灰度分布相同，损伤像素点的灰度与正常像素点的灰度不同，即同一滚道曲线上的损伤像素不符合无损伤像素的灰度分布情况。
轴承是随着支架进行匀角速度旋转的，相机的采集间隔时间已知，轴承的半径
Figure DEST_PATH_IMAGE062
已知，因此运用数学知识能够得到任意两个角度之间轴承的旋转弧长，例如：若第1个角度下的图像与第10个角度下的图像的采集时间间隔为
Figure DEST_PATH_IMAGE064
，则轴承的旋转弧长为
Figure DEST_PATH_IMAGE066
，其中，
Figure 476149DEST_PATH_IMAGE036
为每秒转过的弧度，若轴承上某一像素点在第1角度下的轴承滚道的灰度图像中
Figure DEST_PATH_IMAGE068
位置处，根据轴承的旋转弧长，能够找到该像素点在其它各角度下的轴承滚道的灰度图像中的位置。基于此，能够完成各角度下的轴承滚道的灰度图像中对应像素的匹配。
由于本实施例中相机是平行于轴承滚道拍摄的图像，因此同一滚道曲线上的各位置的曲率相同。
对于轴承滚道上的任一位置：
获取该位置所在的各角度下的轴承滚道的灰度图像中的灰度值，根据该位置所在的各角度下的轴承滚道的灰度图像中的灰度值，构建该位置对应的灰度值序列，即
Figure DEST_PATH_IMAGE070
，其中，
Figure DEST_PATH_IMAGE072
为该位置在第1个角度下的轴承滚道的灰度图像中的灰度值，
Figure DEST_PATH_IMAGE074
为该位置在第2个角度下的轴承滚道的灰度图像中的灰度值，
Figure DEST_PATH_IMAGE076
为该位置在第
Figure 762774DEST_PATH_IMAGE046
个角度下的轴承滚道的灰度图像中的灰度值，
Figure DEST_PATH_IMAGE078
为该位置在第
Figure 745642DEST_PATH_IMAGE050
个角度下的轴承滚道的灰度图像中的灰度值；基于该位置对应的灰度值序列，分别求出该位置对应的一阶矩
Figure DEST_PATH_IMAGE080
、二阶矩
Figure DEST_PATH_IMAGE082
、三阶矩
Figure DEST_PATH_IMAGE084
、…、P阶矩
Figure DEST_PATH_IMAGE086
，进而得到该位置对应的高阶矩向量
Figure DEST_PATH_IMAGE088
，利用高阶矩向量表示该位置的灰度分布。P的值实施者可自行设定。
当轴承滚道上无损伤时，同一滚道曲线上的形状相同（弧线上各位置的曲率相同），同一滚道曲线上的无损伤（正常）位置处的灰度分布相似，同一滚道曲线上的损伤位置处的灰度分布相似。基于此，对于任一角度下的轴承滚道的灰度图像中的任一滚道曲线：基于灰度分布相似性来划分的该滚道曲线上的像素点的类别，具体的，计算该滚道曲线上任意两个像素点对应的高阶据向量之间的余弦相似度，并将其作为这两个像素点的灰度分布相似性，利用
Figure 951364DEST_PATH_IMAGE034
聚类算法，基于灰度分布相似性对该滚道曲线上的所有像素点进行聚类，聚类类别的数量为2，即将该滚道曲线上的像素点划分为两类。采用上述方法，能够将各角度下的轴承滚道的灰度图像中的各滚道曲线上的像素点划分为两个类别，将其中一个类别记为类别1，将另一个类别记为类别2。
Figure 504836DEST_PATH_IMAGE034
聚类算法为现有技术，此处不再赘述。
接下来本实施例将从各角度下的轴承滚道的灰度图像中的两类像素点中找到损伤类别的像素点，由于损伤区域为高频信息，因而损伤区域的灰度游程较短，呈现短游程优势。本实施例基于此来确定哪个类别的像素为损伤像素。
对于类别1的像素：获取该类别像素区域在各角度下的轴承滚道的灰度图像中的0度、30度、60度、90度的灰度游程，若该类别的像素区域在一个角度下的轴承滚道的灰度图像中存在多个连通域，则计算各连通域在0度、30度、60度、90度的灰度游程，然后分别计算该灰度图像中该类别的所有连通域在0度的灰度游程的均值、在30度的灰度游程的均值、在60度的灰度游程的均值、在90度的灰度游程的均值，然后采用如下公式计算所有角度下的轴承滚道的灰度图像中类别1像素区域的灰度游程的短游程优势：
Figure DEST_PATH_IMAGE002A
其中，
Figure DEST_PATH_IMAGE090
表示类别1像素区域的灰度游程的短游程优势，
Figure DEST_PATH_IMAGE092
表示第i个类别的游程长度的总个数，
Figure DEST_PATH_IMAGE094
表示游程长度的种类数，
Figure DEST_PATH_IMAGE096
表示在所有灰度游程中灰度级为i游程长度为j的游程出现的概率。
同理，采用上述方法，计算得到类别2的像素区域的灰度游程的短游程优势
Figure DEST_PATH_IMAGE098
。将类别1和类别2的灰度游程的短游程优势作比较，短游程优势大的像素类别为损伤像素类别。
至此，采用上述步骤，得到了轴承上的所有损伤位置。
步骤S3，对于轴承滚道上的任一损伤位置：根据该损伤位置在各角度下的轴承滚道的灰度图像中对应的纹理个数，构建该损伤位置对应的纹理个数组合序列；根据所述纹理个数组合序列，得到该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量；根据所述该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，计算该损伤位置对应的增强后的灰度值。
本实施例在上述步骤中已获取了轴承上的所有损伤位置，接下来分析每个角度下的轴承滚道的灰度图像中各损伤位置的纹理损失量，并进行加权融合得到更好的损伤区域信息。
具体的，利用LBP算法分别处理各角度下的轴承滚道的灰度图像，得到各角度下的轴承滚道的LBP纹理图，LBP纹理图为二值图，即图像中像素点的像素值为0或1。LBP算法为现有技术，此处不再赘述。
接下来本实施例基于各角度下的轴承滚道的LBP纹理图，统计轴承的各损伤位置在各角度下的轴承滚道的LBP纹理图中对应的纹理个数。对于轴承滚道上的任一损伤位置：统计该损伤位置在所有角度下的轴承滚道的LBP纹理图中对应像素点的八邻域内与其像素值不相同的像素点的个数，如图2所示，假设该损伤位置在某一角度下的轴承滚道的LBP纹理图中的像素值为0，该像素点的八邻域内存在5个与其像素值不同的像素点，分别为0度方向、90度方向、135度方向、225度方向和315度方向的像素点，则该损伤位置在该角度下的LBP纹理图中对应的纹理个数为5。基于该损伤位置在各角度下的图像中对应的纹理个数，构建该损伤位置对应的纹理个数组合序列，即
Figure DEST_PATH_IMAGE100
，其中，
Figure DEST_PATH_IMAGE102
为该损伤位置在第1个角度下的轴承滚道的LBP纹理图中对应的纹理个数，
Figure DEST_PATH_IMAGE104
为该损伤位置在第2个角度下的轴承滚道的LBP纹理图中对应的纹理个数，
Figure DEST_PATH_IMAGE106
为该损伤位置在第
Figure DEST_PATH_IMAGE108
个角度下的轴承滚道的LBP纹理图中对应的纹理个数。
根据轴承滚道上各损伤位置对应的纹理个数组合序列，计算各损伤位置在各角度下的轴承滚道的灰度图像中的信息损失值，即：
Figure DEST_PATH_IMAGE014A
其中，
Figure DEST_PATH_IMAGE109
为轴承滚道上第
Figure 31370DEST_PATH_IMAGE018
个损伤位置在第
Figure 744111DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的信息损失值，
Figure 589577DEST_PATH_IMAGE020
为轴承滚道上第
Figure 754979DEST_PATH_IMAGE018
个损伤位置对应的纹理个数组合序列中元素的最大值，
Figure DEST_PATH_IMAGE110
为轴承滚道上第
Figure 258772DEST_PATH_IMAGE018
个损伤位置在第
Figure 91599DEST_PATH_IMAGE012
个角度下的LBP纹理图中对应的纹理个数；
Figure DEST_PATH_IMAGE111
反映该损伤位置信息没有损失时的信息量，若该损伤位置在第
Figure 373545DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的信息量与该损伤位置对应的最大损失量的差异越大，说明该损伤位置在第
Figure 167188DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的信息损失量越多，即受到光照的干扰越大。
对于轴承滚道上第
Figure 68148DEST_PATH_IMAGE018
个损伤位置在第
Figure 614536DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像：以该损伤位置对应的像素为中心像素，构建
Figure 942749DEST_PATH_IMAGE024
的窗口，计算窗口内所有像素的信息损失值的均值，将该均值作为该损伤位置在该角度下的轴承滚道的灰度图像中的纹理损失量，记为
Figure DEST_PATH_IMAGE113
。
Figure DEST_PATH_IMAGE115
的取值实施者可根据需要自行设定。
采用上述方法，能够得到轴承滚道上所有损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，接下来计算轴承滚道上所有损伤位置在各角度下的轴承滚道的灰度图像中对应的权重，对于轴承滚道上第
Figure 145061DEST_PATH_IMAGE018
个损伤位置，其在第
Figure 849711DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的纹理损失量越多，说明其在第
Figure 266917DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中受到光照的干扰越大，其在第
Figure 500453DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的参考性越低，对应的权重应当越小；该损伤位置在第
Figure 127743DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中对应的权重的获取方法为：计算1与
Figure 495139DEST_PATH_IMAGE113
的比值，记为
Figure DEST_PATH_IMAGE116
，将该比值作为轴承滚道上第
Figure 298010DEST_PATH_IMAGE018
个损伤位置在第
Figure 968026DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中对应的权重。同样的，轴承滚道上其它像素点在各角度下的轴承滚道的灰度图像中对应的权重均可采用上述方法得到。在某一角度下的轴承滚道的灰度图像中某一损伤像素的纹理损失量越大，说明该角度下的轴承滚道灰度图像中该损伤位置处的画质越差，因此接下来需根据各损伤位置在各角度下的图像中的纹理损失量对各角度下的图像中的损伤位置进行加权融合，得到清晰的损伤区域图像。
对于轴承滚道上的第
Figure 207246DEST_PATH_IMAGE018
个损伤位置：根据该损伤位置在各角度下的轴承滚道的灰度图像中对应的权重和灰度值，计算该损伤位置对应的增强后的灰度值，即：
Figure DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE119
为轴承滚道上的第
Figure 112754DEST_PATH_IMAGE018
个损伤位置对应的增强后的灰度值，N为轴承滚道上的第
Figure 504553DEST_PATH_IMAGE018
个损伤位置对应的灰度图像的个数，
Figure 345470DEST_PATH_IMAGE030
为轴承滚道上的第
Figure 806407DEST_PATH_IMAGE018
个损伤位置在第
Figure 390972DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的灰度值；所述轴承滚道上的第
Figure 637277DEST_PATH_IMAGE018
个损伤位置对应的灰度图像为：由于轴承呈圆环状，在对轴承进行图像采集时，单次采集的图像可能不能包含轴承上的所有需要检测的像素点，因此，第
Figure 649095DEST_PATH_IMAGE018
个损伤位置对应的灰度图像为包含该损伤位置的轴承滚道的灰度图像。
利用上述方法，能够计算得到轴承滚道上所有损伤位置对应的增强后的灰度值。
步骤S4，基于各损伤位置对应的增强后的灰度值，得到目标损伤区域的图像；将目标损伤区域的图像输入到训练好的神经网络中，得到故障类型。
在上述步骤中得到了轴承滚道上所有损伤位置对应的增强后的灰度值，在该步骤中基于轴承滚道上所有损伤位置对应的增强后的灰度值，得到清晰的损伤区域的图像，记为目标损伤区域的图像。接下来对故障类型进行识别。
具体的，本实施例使用DNN神经网络对其进行故障类型的识别，所述DNN神经网络的结构为Encoder-FC的结构，将目标损伤区域的图像输入到训练好的DNN神经网络中，网络的输出为故障的类型。需要说明的是，若存在多个目标损伤区域，则分别将各目标损伤区域的图像输入到训练好的网络中，得到各目标损伤区域对应的故障类型，完成了对泵轴承故障类型的识别，提高了识别精度。DNN神经网络的训练过程为现有技术，此处不再赘述。
本实施例首先获取了不同角度下的轴承滚道的灰度图像；基于轴承滚道上各位置在各角度下的轴承滚道的灰度图像中的灰度值，得到轴承滚道上各位置对应的高阶矩向量；然后基于轴承滚道上各位置对应的高阶矩向量，判断轴承滚道上各位置对应的类别；接着基于轴承滚道上的损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，获得所有损伤位置在各角度的图像中对应的权重；根据所有损伤位置在各角度的图像中对应的权重和灰度值，得到目标损伤区域的图像（即清晰的损伤区域图像）；本实施例利用清晰的损伤区域图像进行故障类型识别，提高了识别精度，实现了故障类别的自动化检测，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 (8)

1.一种泵轴承故障快速识别方法，其特征在于，该方法包括以下步骤：
获取不同角度下的轴承滚道的灰度图像；所述轴承滚道是由无数条圆形的滚道曲线组合而成的；
获取轴承滚道上各位置对应的高阶矩向量；对于任一角度下的轴承滚道的灰度图像中的任一滚道曲线：根据该滚道曲线上各像素点对应的高阶矩向量，对该滚道曲线上的像素点进行聚类，得到各类别的像素点；计算轴承滚道的灰度图像中各类别的像素区域的灰度游程的短游程优势，根据所述短游程优势，得到轴承滚道上的损伤位置；
对于轴承滚道上的任一损伤位置：根据该损伤位置在各角度下的轴承滚道的灰度图像中对应的纹理个数，构建该损伤位置对应的纹理个数组合序列；根据所述纹理个数组合序列，得到该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量；根据所述该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，计算该损伤位置对应的增强后的灰度值；
基于各损伤位置对应的增强后的灰度值，得到目标损伤区域的图像；将目标损伤区域的图像输入到训练好的神经网络中，得到故障类型。
2.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，获取轴承滚道上各位置对应的高阶矩向量，包括：
对于轴承滚道上的任一位置：
根据该位置所在的各角度下的轴承滚道的灰度图像中的灰度值，构建该位置对应的灰度值序列；
基于该位置对应的灰度值序列，分别求出该位置对应的一阶矩、二阶矩、三阶矩；根据该位置对应的一阶矩、二阶矩、三阶矩，构建该位置对应的高阶矩向量。
3.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，采用如下公式计算轴承滚道的灰度图像中各类别的像素区域的灰度游程的短游程优势：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示类别1像素区域的灰度游程的短游程优势，
Figure DEST_PATH_IMAGE006
表示第i个类别的游程长度的总个数，
Figure DEST_PATH_IMAGE008
表示游程长度的种类数，
Figure DEST_PATH_IMAGE010
表示在所有灰度游程中灰度级为i游程长度为j的游程出现的概率。
4.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，所述根据所述短游程优势，得到轴承滚道上的损伤位置，包括：
将短游程优势最大的像素类别作为损伤像素类别，得到轴承滚道上的损伤位置。
5.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，该损伤位置在各角度下的轴承滚道的灰度图像中对应的纹理个数的获取，包括：
利用LBP算法分别处理各角度下的轴承滚道的灰度图像，得到各角度下的轴承滚道的LBP纹理图；所述LBP纹理图为二值图；
统计该损伤位置在各角度下的轴承滚道的LBP纹理图中对应像素点的八邻域内与其像素值不相同的像素点的个数，将该个数作为该损伤位置在对应角度下的轴承滚道的灰度图像中对应的纹理个数。
6.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，所述根据所述纹理个数组合序列，得到该损伤位置在各角度下的轴承滚道的灰度图像中的纹理损失量，包括：
对于该损伤位置在第
Figure DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像：
采用如下公式计算该损伤位置在该角度下的轴承滚道的灰度图像中的信息损失值：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为轴承滚道上第
Figure DEST_PATH_IMAGE018
个损伤位置在第
Figure 491284DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的信息损失值，
Figure DEST_PATH_IMAGE020
为轴承滚道上第
Figure 346107DEST_PATH_IMAGE018
个损伤位置对应的纹理个数组合序列中元素的最大值，
Figure DEST_PATH_IMAGE022
为轴承滚道上第
Figure 312795DEST_PATH_IMAGE018
个损伤位置在第
Figure 973583DEST_PATH_IMAGE012
个角度下的LBP纹理图中对应的纹理个数；
以该损伤位置对应的像素为中心像素，构建
Figure DEST_PATH_IMAGE024
的窗口，计算窗口内所有像素的信息损失值的均值，将该均值作为该损伤位置在该角度下的轴承滚道的灰度图像中的纹理损失量。
7.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，采用如下公式计算该损伤位置对应的增强后的灰度值：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为轴承滚道上的第
Figure 647010DEST_PATH_IMAGE018
个损伤位置对应的增强后的灰度值，N为轴承滚道上的第
Figure 875997DEST_PATH_IMAGE018
个损伤位置对应的灰度图像的个数，
Figure DEST_PATH_IMAGE030
为轴承滚道上的第
Figure 939768DEST_PATH_IMAGE018
个损伤位置在第
Figure 794461DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的灰度值，
Figure DEST_PATH_IMAGE032
为轴承滚道上的第
Figure 135443DEST_PATH_IMAGE018
个损伤位置在第
Figure 659966DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中对应的权重；
所述轴承滚道上的第
Figure 679874DEST_PATH_IMAGE018
个损伤位置对应的灰度图像为：包含第
Figure 72678DEST_PATH_IMAGE018
个损伤位置的轴承滚道的灰度图像；
所述
Figure 268167DEST_PATH_IMAGE032
为1与该损伤位置在第
Figure 963591DEST_PATH_IMAGE012
个角度下的轴承滚道的灰度图像中的纹理损失量的比值。
8.根据权利要求1所述的一种泵轴承故障快速识别方法，其特征在于，所述根据该滚道曲线上各像素点对应的高阶矩向量，对该滚道曲线上的像素点进行聚类，得到各类别的像素点，包括：
计算该滚道曲线上任意两个像素点对应的高阶矩向量之间的余弦相似度，并将所述余弦相似度作为这两个像素点的灰度分布相似性；
利用
Figure DEST_PATH_IMAGE034
聚类算法，基于灰度分布相似性对该滚道曲线上的所有像素点进行聚类，得到各类别的像素点。
CN202210946124.3A 2022-08-09 2022-08-09 一种泵轴承故障快速识别方法 Active CN115019159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946124.3A CN115019159B (zh) 2022-08-09 2022-08-09 一种泵轴承故障快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946124.3A CN115019159B (zh) 2022-08-09 2022-08-09 一种泵轴承故障快速识别方法

Publications (2)

Publication Number Publication Date
CN115019159A true CN115019159A (zh) 2022-09-06
CN115019159B CN115019159B (zh) 2022-10-25

Family

ID=83065344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946124.3A Active CN115019159B (zh) 2022-08-09 2022-08-09 一种泵轴承故障快速识别方法

Country Status (1)

Country Link
CN (1) CN115019159B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272301A (zh) * 2022-09-20 2022-11-01 江苏新世嘉家纺高新科技股份有限公司 一种基于机器人的筒子纱缺陷自动检测方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120257164A1 (en) * 2011-04-07 2012-10-11 The Chinese University Of Hong Kong Method and device for retinal image analysis
KR101992057B1 (ko) * 2018-08-17 2019-06-24 (주)제이엘케이인스펙션 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템
CN110473242A (zh) * 2019-07-09 2019-11-19 平安科技（深圳）有限公司 一种纹理特征提取方法、纹理特征提取装置及终端设备
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN112365418A (zh) * 2020-11-11 2021-02-12 北京字节跳动网络技术有限公司 一种图像失真评测的方法、装置及计算机设备
CN112414715A (zh) * 2020-11-05 2021-02-26 西安工程大学 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN112464876A (zh) * 2020-12-12 2021-03-09 南方电网数字电网研究院有限公司 电力设备的故障诊断方法、装置、计算机设备和存储介质
CN112598013A (zh) * 2020-12-30 2021-04-02 宁波职业技术学院 基于神经网络的计算机视觉处理方法
US20210200988A1 (en) * 2019-12-31 2021-07-01 Zhejiang University Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features
US20220010675A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Image analysis well log data generation
CN113963041A (zh) * 2021-08-30 2022-01-21 南京市晨枭软件技术有限公司 一种图像纹理识别方法及系统
CN113963042A (zh) * 2021-12-21 2022-01-21 派立锐汽车零部件(武汉)有限公司 基于图像处理的金属零件缺陷程度评估方法
CN114494222A (zh) * 2022-02-09 2022-05-13 西安科技大学 基于Vision Transformer的滚动轴承故障智能识别方法
US20220208384A1 (en) * 2020-12-24 2022-06-30 Industry-Academic Cooperation Foundation, Yonsei University Method and apparatus of predicting fracture risk
CN114792316A (zh) * 2022-06-22 2022-07-26 山东鲁岳桥机械股份有限公司 一种盘刹车轴底板点焊缺陷检测方法
CN114841940A (zh) * 2022-04-24 2022-08-02 南通金丝楠膜材料有限公司 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统
CN114833648A (zh) * 2022-04-24 2022-08-02 启东市申力高压油泵厂 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120257164A1 (en) * 2011-04-07 2012-10-11 The Chinese University Of Hong Kong Method and device for retinal image analysis
KR101992057B1 (ko) * 2018-08-17 2019-06-24 (주)제이엘케이인스펙션 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템
CN110473242A (zh) * 2019-07-09 2019-11-19 平安科技（深圳）有限公司 一种纹理特征提取方法、纹理特征提取装置及终端设备
WO2021004180A1 (zh) * 2019-07-09 2021-01-14 平安科技（深圳）有限公司 一种纹理特征提取方法、纹理特征提取装置及终端设备
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
US20210200988A1 (en) * 2019-12-31 2021-07-01 Zhejiang University Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features
US20220010675A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Image analysis well log data generation
CN112414715A (zh) * 2020-11-05 2021-02-26 西安工程大学 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN112365418A (zh) * 2020-11-11 2021-02-12 北京字节跳动网络技术有限公司 一种图像失真评测的方法、装置及计算机设备
WO2022100510A1 (zh) * 2020-11-11 2022-05-19 北京字节跳动网络技术有限公司 一种图像失真评测的方法、装置及计算机设备
CN112464876A (zh) * 2020-12-12 2021-03-09 南方电网数字电网研究院有限公司 电力设备的故障诊断方法、装置、计算机设备和存储介质
US20220208384A1 (en) * 2020-12-24 2022-06-30 Industry-Academic Cooperation Foundation, Yonsei University Method and apparatus of predicting fracture risk
CN112598013A (zh) * 2020-12-30 2021-04-02 宁波职业技术学院 基于神经网络的计算机视觉处理方法
CN113963041A (zh) * 2021-08-30 2022-01-21 南京市晨枭软件技术有限公司 一种图像纹理识别方法及系统
CN113963042A (zh) * 2021-12-21 2022-01-21 派立锐汽车零部件(武汉)有限公司 基于图像处理的金属零件缺陷程度评估方法
CN114494222A (zh) * 2022-02-09 2022-05-13 西安科技大学 基于Vision Transformer的滚动轴承故障智能识别方法
CN114841940A (zh) * 2022-04-24 2022-08-02 南通金丝楠膜材料有限公司 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统
CN114833648A (zh) * 2022-04-24 2022-08-02 启东市申力高压油泵厂 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法
CN114792316A (zh) * 2022-06-22 2022-07-26 山东鲁岳桥机械股份有限公司 一种盘刹车轴底板点焊缺陷检测方法
CN114862862A (zh) * 2022-07-11 2022-08-05 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAPLAN KAPLAN等: "An improved feature extraction method using texture analysis with LBP for bearing fault diagnosis", 《APPLIED SOFT COMPUTING》 *
郭蕾等: "基于多尺度纹理特征的 EPR电缆终端故障诊断方法", 《电力自动化设备》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272301A (zh) * 2022-09-20 2022-11-01 江苏新世嘉家纺高新科技股份有限公司 一种基于机器人的筒子纱缺陷自动检测方法

Also Published As

Publication number Publication date
CN115019159B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
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
CN103745234B (zh) 一种带钢表面缺陷的特征提取与分类方法
CN109635806B (zh) 基于残差网络的电表数值识别方法
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN115351598A (zh) 一种数控机床轴承检测方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN114092389A (zh) 一种基于小样本学习的玻璃面板表面缺陷检测方法
CN108986126A (zh) 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN115019159B (zh) 一种泵轴承故障快速识别方法
CN110689060B (zh) 一种基于聚合特征差异学习网络的异源图像匹配方法
CN117094916A (zh) 一种市政桥梁支座视觉检测方法
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN115063620B (zh) 一种基于比特分层罗茨风机轴承磨损检测方法
Wang et al. Automatic rebar counting using image processing and machine learning
CN113096085A (zh) 基于两阶段卷积神经网络的集装箱表面损伤检测方法
CN110705619B (zh) 雾浓度等级判别方法及装置
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN113781456A (zh) 基于人工智能图像识别的钢材表面缺陷检测方法及设备
CN116523922B (zh) 一种轴承表面缺陷识别方法
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
CN116977333A (zh) 基于图像数据的装配式钢结构构件质量检测方法

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