CN115100212B - 一种润滑油污染程度检测方法 - Google Patents

一种润滑油污染程度检测方法 Download PDF

Info

Publication number
CN115100212B
CN115100212B CN202211036792.9A CN202211036792A CN115100212B CN 115100212 B CN115100212 B CN 115100212B CN 202211036792 A CN202211036792 A CN 202211036792A CN 115100212 B CN115100212 B CN 115100212B
Authority
CN
China
Prior art keywords
pixel point
value
dark pixel
lubricating oil
gray
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
CN202211036792.9A
Other languages
English (en)
Other versions
CN115100212A (zh
Inventor
郭孟凯
张景华
吴德海
郑艳
巩莉萍
付涛
赵之玉
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.)
Kasong Science And Technology Co ltd
Original Assignee
Kasong Science And 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 Kasong Science And Technology Co ltd filed Critical Kasong Science And Technology Co ltd
Priority to CN202211036792.9A priority Critical patent/CN115100212B/zh
Publication of CN115100212A publication Critical patent/CN115100212A/zh
Application granted granted Critical
Publication of CN115100212B publication Critical patent/CN115100212B/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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (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污染程度检测方法。该方法首先采集润滑油背面物体畸变图像；根据像素点邻域范围内的各像素点的灰度值和对应的灰度均值，构建二维直方图，并筛选出暗像素点；计算暗像素点的初次调整值，对暗像素点进行初步增强；根据暗像素点对应的初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的灰度值的波动程度计算暗像素点的灰度调整值；将暗像素点的灰度值更新为对应的灰度调整值，得到增强图像实现二次增强；对增强图像进行畸变物体分析，得到润滑油的污染程度的等级。本发明在有水分污染且有颗粒污染物的情况下，实现了对润滑油的污染程度的检测。

Description

一种润滑油污染程度检测方法
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污染程度检测方法。
背景技术
润滑油对设备的正常运行发挥着重要作用，是保证设备润滑与正常运转的先决条件。润滑油质量较差是导致设备修理和停工的主要因素，故对润滑油的污染程度进行检测是保证润滑油质量的关键环节之一。润滑油质量较差包括配方错误、交叉污染、水污染和设备磨损颗粒污染等原因，而对润滑油检测的性质指标包括粘度、水含量和总酸值等。对润滑油中的水含量进行分析检测，可以得到润滑油的污染程度。
目前，常见的对润滑油的污染程度的检测方法为采集润滑油图像，对润滑油图像利用otus算法进行分割，根据物体畸变程度来测得润滑油中的含水量。直接利用otus算法对润滑油图像进行畸变分割，在有水分污染且有颗粒污染物的情况下，对润滑油中物体畸变分割的效果较差，进而会导致润滑油的污染程度检测存在较大误差。
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污染程度检测方法，所采用的技术方案具体如下：
采集润滑油背面物体畸变图像；
选取所述润滑油背面物体畸变图像中任意像素点作为目标像素点，根据所述目标像素点的邻域范围内各像素点的灰度值和对应的灰度均值，构建二维直方图；灰度值大于对应的灰度均值的像素点作为暗像素点；
获取二维直方图的中心线；沿着所述二维直方图的中心线的方向，移动暗像素点在所述二维直方图上对应的坐标点，得到移动后的坐标点对应的纵坐标，移动前后的坐标点的纵坐标的差值为暗像素点的自身调整值；根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值；
根据暗像素点对应的所述初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值；将所述暗像素点的灰度值更新为对应的所述灰度调整值，得到增强图像；对增强图像进行畸变物体分析，得到润滑油的污染程度的等级。
优选的，所述构建二维直方图，包括：
所述二维直方图的横坐标为目标像素点邻域范围内的各像素点的灰度均值，纵坐标为目标像素点的灰度值。
优选的，所述移动暗像素点在所述二维直方图上对应的坐标点，包括：
获取所述暗像素点在二维直方图上对应的坐标点至所述二维直方图的中心线的距离值；沿着所述二维直方图的中心线方向，移动暗像素点对应的坐标点，移动坐标点的距离为所述距离值。
优选的，所述二维直方图的中心线为：二维直方图的对角线。
优选的，所述根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值，包括：
将各暗像素点对应的自身调整值更新为归一化后的自身调整值；
计算暗像素点的自身调整值和暗像素点对应的邻域内的各像素点的自身调整值的均值，作为均值调整值；一减所述均值调整值得到调整系数；
暗像素点的灰度值和对应的调整系数的乘积作为所述初次调整值。
优选的，暗像素点对应的临近区域为：
基于各像素点的坐标和灰度值，对像素点进行聚类，得到多个类别；选取任意暗像素点作为待选像素点；
对于待选像素点，以所述待选像素点的所属类别的中心点作为临近区域的中心；当所述待选像素点的所属类别内的像素点数量为奇数时，以所述像素点数量加一得到的值作为临近区域的长和宽，得到所述待选像素点对应的临近区域；当所述待选像素点的所属类别内的像素点数量为偶数时，以所述像素点数量作为临近区域的长和宽，得到所述待选像素点对应的临近区域。
优选的，所述暗像素点对应的临近区域内的像素点灰度值的波动程度为：
基于各像素点的坐标和灰度值，对像素点进行聚类，得到多个类别；选取任意暗像素点作为待选像素点，所述待选像素点的所属类别作为第一待选类别，将临近区域内不属于待选类别内的像素点构成第二待选类别；计算所述第一待选类别和所述第二待选类别的类间方差，作为暗像素点对应的临近区域内的像素点灰度值的波动程度。
优选的，所述根据暗像素点对应的所述初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值，包括：
以所述暗像素点至对应的预设中心点的距离和暗像素点对应的临近区域内的像素点灰度值的波动程度的差值，作为调节系数；
以自然常数为底数，负的所述调节系数为指数的指数函数，乘上所述初次调整值得到暗像素点的灰度调整值。
优选的，所述对增强图像进行畸变物体分析，得到润滑油的污染程度的等级，包括：
利用sobel算子，得到增强图像对应的梯度图像；对所述梯度图像进行otus阈值分割标记，采用分水岭变换对润滑油背面物体畸变图像进行分割，得到分割图像；
对所述分割图像通过形态学处理进行空洞填补，得到填补后的图像；所述填补后的图像与所述分割图像作差得到的面积作为第一面积，所述填补后的图像的面积作为第二面积，根据第一面积和第二面积的比值的大小得到润滑油的颗粒污染程度的等级；
获取分割图像中分割出的畸变连通域对应的最小外接矩阵对应的畸变区域；计算所述畸变区域对应的畸变物体形状特征参数，将所述畸变物体形状特征参数代入润滑油含水量与畸变物体形状特征参数的映射关系中，得到对应的含水量；根据所述含水量得到润滑油的悬浮水污染程度的等级。
本发明实施例至少具有如下有益效果：
本发明获取像素点邻域范围内的各像素点的灰度值和对应的灰度均值，构建二维直方图，并筛选出暗像素点；获取像素点的自身调整值；根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值。通过像素点的灰度值筛选出暗像素点，对暗像素点的自身调整值对暗像素点进行增强，实现按区域增强润滑油背面物体畸变图像，着重对暗像素点进行灰度增强，防止出现不明显的污染被遗漏；
根据暗像素点对应的初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值；将暗像素点的灰度值更新为对应的灰度调整值，得到增强图像；暗像素点进行二次增强，使得轮廓处的暗像素点的增强更加明显；
对增强图像进行畸变物体分析，得到润滑油的污染程度的等级，对增强后的增强图像进行分析，实现更精准的分割结果，防止在进行润滑油污染程度检测时出现污染漏检的情况。本发明在有水分污染且有颗粒污染物的情况下，实现了对润滑油的污染程度的检测。
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为本发明一个实施例所提供的一种润滑油污染程度检测方法的方法流程图。
具体实施方式
本发明实施例提供了一种润滑油污染程度检测方法的具体实施方法，该方法适用于润滑油污染检测场景。该场景下设置有润滑油水分检测光学传感装置，用于采集润滑油的润滑油背面物体畸变图像。为了解决利用otus算法对润滑油图像进行畸变分割，在有水分污染且有颗粒污染物的情况下，对润滑油中物体畸变分割的效果较差，会导致润滑油的污染程度检测存在较大误差的问题。本发明通过对采集到的润滑油背面物体畸变图像中像素点的灰度值进行分析，对筛选出的暗像素点进行二次增强，得到对应的增强图像，该增强图像凸显了颗粒污染物和水分污染，且对接近边缘轮廓的暗像素点实现了二次增强，得到了对应的增强图像，通过对增强图像的分析处理，润滑油的污染程度的等级，实现了润滑油的污染程度检测。
下面结合附图具体的说明本发明所提供的一种润滑油污染程度检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种润滑油污染程度检测方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集润滑油背面物体畸变图像。
由润滑油水分检测光学传感装置，采集当前润滑油的润滑油图像，也即润滑油背面物体畸变图像。其中通过润滑油检测光学传感器装置上的CMOS传感器，得到透射光源在透过待检测润滑油后原始物体的成像结果，该成像结果即为润滑油背面物体畸变图像。
当润滑油中具有水的污染时，会由于不同的润滑油对光不同的透过性质，导致物体发生轮廓畸变，如果出现颗粒污染，则会局部产生黑点，如果存在其他杂质颗粒，润滑油背面物体畸变图像则会出现不同的局部灰度，且梯度轮廓模糊不一致的可能性。
步骤S200，选取所述润滑油背面物体畸变图像中任意像素点作为目标像素点，根据所述目标像素点的邻域范围内各像素点的灰度值和对应的灰度均值，构建二维直方图；灰度值大于对应的灰度均值的像素点作为暗像素点。
在得到当前润滑油背面物体畸变图像后，需要将对应的润滑油背面物体畸变图像进行分割，根据当前润滑油背面物体畸变图像的图像分割结果，实现对当前润滑油的污染程度的检测。但是在进行润滑油背面物体畸变图像分割时，如果润滑油中仅含水分，则通过大津阈值法，完成分水岭标记的图像分割方法能够得到有效的分割结果，但是由于润滑油污染中还可能存在颗粒物的情况，进而导致采集到的润滑油背面物体畸变图像中会出现小的局部阴影，从而在进行阈值分割时，由于不同颗粒大小所造成的局部阴影在模糊后的程度不同，导致部分颗粒无法实现精准分割，并且会使得最终在进行润滑油背面物体畸变图像分割结果出现。需要说明的是，在润滑油中混入其他润滑油与润滑油中存在颗粒物所呈现的效果相同。
在得到润滑油背面物体畸变图像后，由于润滑油中混有游离水，会改变润滑油对光的透射率，进而在不同程度上使得物体背面的轮廓发生畸变。但是如果当润滑油具有悬浮水或者其它颗粒状物体时，会使得所得物体背面畸变后的润滑油背面物体畸变图像中出现部分暗黑色区域，并且如果水的混合量少或者杂质颗粒较小，采用上述方法将会不能得到对应的分割图案，只能做游离水的污染检测。所以在得到当前的润滑油背面物体畸变图像后，需要对润滑油背面物体畸变图像进行灰度增强，以使得暗部区域明显，故对暗部区域进行增强时。现有的直方图均衡化算法在进行图像增强时，往往会使得局部区域亮度过曝，不利于暗区域增强或者难以确定划分区域大小，导致增强效果不稳定。故本发明依据局部灰度特征进行局部暗区域灰度增强，通过评估不同区域上不同灰度值局部的调整值，完成图像灰度增强。与现有技术的区别在于，相比于常规的同一灰度值在不同区域有不同增强效果，分区进行灰度增强时，不会出现局部区域过曝的问题。
根据局部灰度特征值进行图像增强，首先获取润滑油背面物体畸变图像中的暗区域，以方便根据获取到的暗区域和对应的暗像素点的分析对暗区域内的暗像素点进行增强。获取润滑油背面物体畸变图像中的暗区域和对应的暗像素点的步骤，具体的：
选取所述润滑油背面物体畸变图像中任意像素点作为目标像素点，获取所述目标像素点邻域范围内的各像素点的灰度值和对应的灰度均值，构建二维直方图。对于目标像素点来说，在其3*3邻域上由滑窗窗口内的灰度均值和所对应的灰度值构建二维直方图。该二维直方图的横坐标为目标像素点邻域范围内的各像素点的灰度均值，该二维直方图的纵坐标为目标像素点的灰度值。润滑油背面物体畸变图像上每个像素点在二维直方图均有对应的坐标点。
从二维直方图中找到灰度均值大于灰度值的部分，这些像素点都是属于暗区域部分，也即将灰度值大于对应的灰度均值的像素点作为暗像素点，由暗像素点构成暗区域。
步骤S300，获取二维直方图的中心线；沿着所述二维直方图的中心线的方向，移动暗像素点在所述二维直方图上对应的坐标点，得到移动后的坐标点对应的纵坐标，移动前后的坐标点的纵坐标的差值为暗像素点的自身调整值；根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值。
获取二维直方图的中心线，该二维直方图的中心线为二维直方图的对角线。
对于目标像素点，获取暗像素点在二维直方图上对应的坐标点至二维直方图的中心线的距离值，该距离值越大，则像素点对应的灰度值下降也越大；沿着二维直方图的中心线方向，移动暗像素点在二维直方图上对应的坐标点，该移动坐标点的距离为计算得到的距离值，得到移动后的坐标点对应的纵坐标，将移动前后的坐标点的纵坐标的差值作为暗像素点的自身调整值。其中，因为二维直方图的纵坐标为对应点的灰度值，故纵坐标的变化是自身的灰度调整力度，而二维直方图的横坐标为对应点的灰度均值，故横坐标的变化是暗像素点周围的灰度调整力度。将各像素点对应的自身调整值更新为归一化后的自身调整值。
当暗区域内的暗像素点在二维直方图上对应的坐标点距离二维直方图的中心线值越大，表示局部暗区域越明显，为了凸显出凹陷，距离二维直方图的中心线越远的暗像素点及其周围像素点所需要下调的概率越高。并且在二维直方图中，不同位置处所需要调整进行图像增强的方式不同，进一步根据各暗像素点的自身调整值和邻域范围内像素点的自身调整值，对暗像素点进行调整。即根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值，具体的：计算暗像素点的自身调整值和暗像素点对应的邻域内的各像素点的自身调整值的均值，作为均值调整值。一减该均值调整值得到调整系数，暗像素点的灰度值和其对应的调整系数的乘积作为该暗像素点对应的初次调整值。
第
Figure DEST_PATH_IMAGE001
个暗像素点的初次调整值
Figure 238520DEST_PATH_IMAGE002
的计算公式为：
Figure 730681DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为第
Figure 828431DEST_PATH_IMAGE001
个暗像素点的灰度值；
Figure 431451DEST_PATH_IMAGE006
为第
Figure 871659DEST_PATH_IMAGE001
个暗像素点对应的自身调整值；
Figure DEST_PATH_IMAGE007
为第
Figure 597039DEST_PATH_IMAGE001
个暗像素点对应的邻域内的第
Figure 388277DEST_PATH_IMAGE008
个像素点对应的自身调整值；
Figure DEST_PATH_IMAGE009
为第
Figure 591726DEST_PATH_IMAGE001
个暗像素点对应的邻域内除第
Figure 154950DEST_PATH_IMAGE001
个暗像素点外的像素点数量。在本发明实施例中，暗像素点对应的邻域内除第
Figure 988913DEST_PATH_IMAGE001
个暗像素点外的像素点数量为8，在其他实施例中实施者可根据实际情况调整该邻域内像素点数量。
其中，
Figure 267448DEST_PATH_IMAGE010
为暗像素点的均值调整值；
Figure DEST_PATH_IMAGE011
为调整系数；当暗像素点的自身调整值越高，且暗像素点对应的邻域内的像素点对应的自身调整值越高时，则均值调整值越高，对应的暗像素点对应的调整系数越小。则该调整系数与暗像素点的灰度值相乘后得到的初次调整值与原始的暗像素点的灰度值的差异越大，也即对暗像素点的灰度值调整越大；暗像素点的均值调整值越大，则暗像素点的灰度值调整下降越明显。由于均值调整值内的各自身调整值为归一化后的数值，故对应的均值调整值的取值范围也为[0,1]。调整后的暗区域即为进行了初步增强，使得局部暗区域越明显，凸显出了暗区域。
其中，该暗像素点的灰度值越低，其在润滑油背面物体畸变图像上就越暗，为了使局部暗区域更暗，达到暗区域增强的效果，故暗像素点的灰度值应当比调整后的暗像素点的初次调整值要大；暗像素点对应的自身调整值越大，表示对该暗像素点对应的灰度值的调整应越强，调整力度越大，调整后的初次调整值下降越多。
步骤S400，根据暗像素点对应的所述初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值；将所述暗像素点的灰度值更新为对应的所述灰度调整值，得到增强图像；对增强图像进行畸变物体分析，得到润滑油的污染程度的等级。
在对暗像素点进行初步调整，得到对应的初次调整值之后，根据暗像素点对应的初次调整值进行划分，得到初次增强后的暗区域。由润滑油背面物体畸变图像中，随着距离物体中心越远，灰度值是呈现渐变下降的趋势，而模糊区域如果颗粒不明显或者游离水过少，则会导致不明显程度增强，所以距离物体中心越远的暗像素点越需要进行增强。故需要对初步增强后的暗区域进行再次增强，对初次调整值不为0的暗像素点，在初步增强的基础上进行再次增强。
进一步，获取需要再次调整的暗像素点的临近区域和临近区域内的像素点灰度值的波动程度。首先，获取暗像素点的临近区域，具体的：获取各像素点的灰度值，以及各像素点在润滑油背面物体畸变图像上的坐标；基于各像素点的坐标和灰度值，利用DBSCAN算法将距离相近，且灰度相近的像素点分为一类，得到多个类别。选取任意暗像素点作为待选像素点，对于待选像素点，以待选像素点的所属类别的中心点作为临近区域的中心；当待选像素点所属类别内的像素点数量为奇数时，以像素点数量加一得到的值作为临近区域的长和宽，得到待选像素点对应的临近区域；当待选像素点所属类别内的像素点数量为偶数时，以像素点数量作为临近区域的长和宽，得到所述待选像素点对应的临近区域。
然后计算暗像素点对应的临近区域内的像素点灰度值的波动程度，具体的：选取任意暗像素点作为待选像素点，所述待选像素点的所属类别作为第一待选类别，将临近区域内不属于待选类别内的像素点构成第二待选类别；利用最大类间方差算法中类间方差的计算方法，计算第一待选类别和第二待选类别的类间方差，作为暗像素点对应的临近区域内的像素点灰度值的波动程度。该波动程度越大，表明暗区域越明显，对应的暗像素点的调整力度可以小一点。
结合暗像素点距离预设中心点的距离、对暗像素点进行初步调整后得到的初次调整值、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点二次调整后的灰度调整值。暗像素点对应的预设中心点为由该暗像素点与其相邻的暗像素点构成的暗区域的中心点；也即选取任意像素点作为预选像素点，由预选像素点与其相邻的暗像素点构成暗区域，暗区域的中心点即为预选像素点对应的预设中心点。距离预设中心点越远，该暗像素点为暗区域的边缘的概率越大，则暗像素点越需要进行增强。由暗像素点对应的临近区域内的像素点灰度值的波动程度为属于同一类别内像素点灰度值，与不属于同一类别内像素点灰度值的方差，该波动程度越大，则反映暗区域越明显。
根据暗像素点对应的初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值。
获取暗像素点至预设中心点的距离，以暗像素点至预设中心点的距离和对应的临近区域内的像素点灰度值的波动程度的差值，作为调节系数。以自然常数为底数，负的调节系数为指数的指数函数，乘上初次调整值得到暗像素点的灰度调整值。
该第
Figure 274587DEST_PATH_IMAGE012
个暗像素点的灰度调整值
Figure DEST_PATH_IMAGE013
的计算公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure 79601DEST_PATH_IMAGE016
为第
Figure 651895DEST_PATH_IMAGE012
个暗像素点的初次调整值；
Figure DEST_PATH_IMAGE017
为第
Figure 480042DEST_PATH_IMAGE012
个暗像素点至对应的预设中心点的距离；
Figure 962976DEST_PATH_IMAGE018
为第
Figure 497863DEST_PATH_IMAGE012
个暗像素点对应的临近区域内的像素点灰度值的波动程度；
Figure DEST_PATH_IMAGE019
为以自然常数为底数的指数函数；
Figure 735946DEST_PATH_IMAGE020
为调节系数。
其中，第
Figure 723494DEST_PATH_IMAGE012
个暗像素点至对应的预设中心点的距离
Figure 13048DEST_PATH_IMAGE017
越大，则反映该第
Figure 136862DEST_PATH_IMAGE012
个暗像素点越可能靠近轮廓区域，对该第
Figure 483530DEST_PATH_IMAGE022
个暗像素点的增强力度应当越大，暗像素点至对应的预设中心点的距离越大，则对应的灰度调整值的取值越小，也即对该像素点进行二次调整后，呈现的颜色越暗；故采用exp(-x)进行负相关映射；暗像素点对应的临近区域内的像素点灰度值的波动程度越大，则对应的该暗像素点的临近区域越明显，则增强力度可以小一些，该波动程度越小，则对应的灰度调整值的取值也应当越小，从而实现对暗区域像素点的二次增强。其中，由于同一类别内的暗像素点共用同一个波动程度，故计算得到的指数函数
Figure DEST_PATH_IMAGE023
的差异不大，减少了部分计算量。
进而，将润滑油背面物体畸变图像中暗像素点的灰度值，更新为对应的灰度调整值，得到了对整个润滑油背面物体畸变图像中的暗区域增强后的增强图像。
利用sobel算子，得到增强图像对应的梯度图像。在得到梯度图像后，进行otus阈值分割标记，标记完成后采用分水岭变换完成对润滑油背面物体畸变图像的分割，得到分割图像。
得到分割图像后，对分割图像通过形态学处理完成由颗粒造成的空洞填补，得到填补后的空洞和对应的填补后的图像。填补后的图像与分割后的分割图像做差，进而可以统计图像中的颗粒数，该颗粒数也即空洞数。获取填补后的图像与分割图像作差之后的面积
Figure 20690DEST_PATH_IMAGE024
，作为第一面积，该面积反映为可观测颗粒的总面积。获取填补后的图像的面积
Figure DEST_PATH_IMAGE025
，作为第二面积。当第一面积和第二面积的比值大于预设第一阈值时，认为当前润滑油的颗粒污染程度的等级为高；当第一面积和第二面积的比值小于预设第二阈值时，认为当前润滑油的颗粒污染程度的等级为低；当第一面积和第二面积的比值小于等于预设第一阈值且大于等于预设第二阈值时，认为当前润滑油的颗粒污染程度的等级为中。第一面积和第二面积的比值也即可观测颗粒在填补后的图像中的占比。在本发明实施例中预设第一阈值的取值为0.03%，预设第二阈值的取值为0.01%，在其他实施例中实施者可根据实际情况调整该取值。
进而根据每次所得连通域的分割结果，计算得到RD值，代入对应的映射关系中，得到对应映射关系的含水量
Figure 907744DEST_PATH_IMAGE026
，当含水量大于预设第三阈值时，认为当前润滑油的悬浮水污染程度的等级为高；当含水量小于预设第四阈值时，认为当前润滑油的悬浮水污染程度的等级为低；当含水量小于等于预设第三阈值且大于等于预设第四阈值时，认为当前润滑油的悬浮水污染程度的等级为中。需要说明的是，RD值是根据文献高英杰、范斌、刘勇、张志强、陈文星和杜文亮，“润滑油水分在线监测传感器畸变图像特征提取与表征方法研究”，中国设备工程，1671-0711(2022)07(上)-0166-03中所公开的方法获得。在本发明实施例中预设第三阈值的取值为0.04%，预设第四阈值的取值为0.02%，在其他实施例中实施者可根据实际情况调整该取值。分别实现了对润滑油中颗粒和悬浮水的污染检测。得到的润滑油的颗粒污染程度的等级和悬浮水污染程度的等级均为润滑油的污染程度的等级，可由实施者根据实际情况选取其中一个作为润滑油的污染程度的等级，或者以两个等级中较高的等级作为润滑油的污染程度的等级。

Claims (7)

1.一种润滑油污染程度检测方法，其特征在于，该方法包括以下步骤：
采集润滑油背面物体畸变图像；
选取所述润滑油背面物体畸变图像中任意像素点作为目标像素点，根据所述目标像素点的邻域范围内各像素点的灰度值和对应的灰度均值，构建二维直方图；灰度值大于对应的灰度均值的像素点作为暗像素点；
获取二维直方图的中心线；沿着所述二维直方图的中心线的方向，移动暗像素点在所述二维直方图上对应的坐标点，得到移动后的坐标点对应的纵坐标，移动前后的坐标点的纵坐标的差值为暗像素点的自身调整值；根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值；
根据暗像素点对应的所述初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值；将所述暗像素点的灰度值更新为对应的所述灰度调整值，得到增强图像；对增强图像进行畸变物体分析，得到润滑油的污染程度的等级；
其中，暗像素点对应的临近区域为：基于各像素点的坐标和灰度值，对像素点进行聚类，得到多个类别；选取任意暗像素点作为待选像素点；对于待选像素点，以所述待选像素点的所属类别的中心点作为临近区域的中心；当所述待选像素点的所属类别内的像素点数量为奇数时，以所述像素点数量加一得到的值作为临近区域的长和宽，得到所述待选像素点对应的临近区域；当所述待选像素点的所属类别内的像素点数量为偶数时，以所述像素点数量作为临近区域的长和宽，得到所述待选像素点对应的临近区域；
其中，所述暗像素点对应的临近区域内的像素点灰度值的波动程度为：基于各像素点的坐标和灰度值，对像素点进行聚类，得到多个类别；选取任意暗像素点作为待选像素点，所述待选像素点的所属类别作为第一待选类别，将临近区域内不属于待选类别内的像素点构成第二待选类别；计算所述第一待选类别和所述第二待选类别的类间方差，作为暗像素点对应的临近区域内的像素点灰度值的波动程度。
2.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述构建二维直方图，包括：
所述二维直方图的横坐标为目标像素点邻域范围内的各像素点的灰度均值，纵坐标为目标像素点的灰度值。
3.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述移动暗像素点在所述二维直方图上对应的坐标点，包括：
获取所述暗像素点在二维直方图上对应的坐标点至所述二维直方图的中心线的距离值；沿着所述二维直方图的中心线方向，移动暗像素点对应的坐标点，移动坐标点的距离为所述距离值。
4.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述二维直方图的中心线为：二维直方图的对角线。
5.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述根据暗像素点的灰度值、暗像素点的自身调整值和像素点对应的邻域内的各像素点的自身调整值计算初次调整值，包括：
将各暗像素点对应的自身调整值更新为归一化后的自身调整值；
计算暗像素点的自身调整值和暗像素点对应的邻域内的各像素点的自身调整值的均值，作为均值调整值；一减所述均值调整值得到调整系数；
暗像素点的灰度值和对应的调整系数的乘积作为所述初次调整值。
6.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述根据暗像素点对应的所述初次调整值、暗像素点至对应的预设中心点的距离、暗像素点对应的临近区域内的像素点灰度值的波动程度计算暗像素点的灰度调整值，包括：
以所述暗像素点至对应的预设中心点的距离和暗像素点对应的临近区域内的像素点灰度值的波动程度的差值，作为调节系数；
以自然常数为底数，负的所述调节系数为指数的指数函数，乘上所述初次调整值得到暗像素点的灰度调整值。
7.根据权利要求1所述的一种润滑油污染程度检测方法，其特征在于，所述对增强图像进行畸变物体分析，得到润滑油的污染程度的等级，包括：
利用sobel算子，得到增强图像对应的梯度图像；对所述梯度图像进行otus阈值分割标记，采用分水岭变换对润滑油背面物体畸变图像进行分割，得到分割图像；
对所述分割图像通过形态学处理进行空洞填补，得到填补后的图像；所述填补后的图像与所述分割图像作差得到的面积作为第一面积，所述填补后的图像的面积作为第二面积，根据第一面积和第二面积的比值的大小得到润滑油的颗粒污染程度的等级；
获取分割图像中分割出的畸变连通域对应的最小外接矩阵对应的畸变区域；计算所述畸变区域对应的畸变物体形状特征参数，将所述畸变物体形状特征参数代入润滑油含水量与畸变物体形状特征参数的映射关系中，得到对应的含水量；根据所述含水量得到润滑油的悬浮水污染程度的等级。
CN202211036792.9A 2022-08-29 2022-08-29 一种润滑油污染程度检测方法 Active CN115100212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036792.9A CN115100212B (zh) 2022-08-29 2022-08-29 一种润滑油污染程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036792.9A CN115100212B (zh) 2022-08-29 2022-08-29 一种润滑油污染程度检测方法

Publications (2)

Publication Number Publication Date
CN115100212A CN115100212A (zh) 2022-09-23
CN115100212B true CN115100212B (zh) 2022-11-18

Family

ID=83301189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036792.9A Active CN115100212B (zh) 2022-08-29 2022-08-29 一种润滑油污染程度检测方法

Country Status (1)

Country Link
CN (1) CN115100212B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345875B (zh) * 2022-10-17 2023-03-24 江苏煵笙重工有限公司 一种船舶外板锈蚀区域识别及分析方法
CN115496692B (zh) * 2022-11-17 2023-02-17 卡松科技股份有限公司 一种润滑油磨粒图像增强方法
CN115713532B (zh) * 2023-01-06 2023-05-02 卡松科技股份有限公司 一种工业润滑油悬浮水污染检测方法
CN115861320B (zh) * 2023-02-28 2023-05-12 天津中德应用技术大学 一种汽车零件加工信息智能检测方法
CN116309599B (zh) * 2023-05-24 2023-08-15 青岛国源中创电气自动化工程有限公司 基于污水前置处理的水质视觉监测方法
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
CN117115494B (zh) * 2023-10-23 2024-02-06 卡松科技股份有限公司 基于人工智能的润滑油杂质污染检测方法、装置
CN117455913B (zh) * 2023-12-25 2024-03-08 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117788464B (zh) * 2024-02-26 2024-04-30 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003249A (zh) * 2017-06-07 2018-12-14 展讯通信(天津)有限公司 增强图像细节的方法、装置及终端
CN110288618A (zh) * 2019-04-24 2019-09-27 广东工业大学 一种光照不均图像的多目标分割方法
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN111223112A (zh) * 2020-01-07 2020-06-02 江苏君英天达人工智能研究院有限公司 基于图像均值漂移和水平集方法的图像分割方法
WO2020231243A1 (en) * 2019-05-16 2020-11-19 Samsung Electronics Co., Ltd. Electronic device and method of controlling thereof
CN112419195A (zh) * 2020-11-26 2021-02-26 华侨大学 一种非线性变换的图像增强方法
CN112819702A (zh) * 2019-11-15 2021-05-18 北京金山云网络技术有限公司 图像增强方法、装置、电子设备及计算机可读存储介质
CN114051098A (zh) * 2021-11-23 2022-02-15 河南牧业经济学院 一种视觉图像智能采集方法及平台
CN114066821A (zh) * 2021-10-27 2022-02-18 德仕能源科技集团股份有限公司 一种基于人工智能的油田污水检测方法及设备
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN114581345A (zh) * 2022-05-07 2022-06-03 广州骏天科技有限公司 一种基于自适应线性灰度化的图像增强方法及系统
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置
CN114638827A (zh) * 2022-05-18 2022-06-17 卡松科技股份有限公司 一种润滑油机械杂质视觉检测方法及装置
CN114677391A (zh) * 2022-05-26 2022-06-28 青岛大学附属医院 一种脊椎图像分割方法
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法
CN114897896A (zh) * 2022-07-11 2022-08-12 南通东方雨虹建筑材料有限公司 基于灰度变换的建筑木材缺陷检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4751907B2 (ja) * 2008-03-18 2011-08-17 富士通株式会社 画像補正プログラム、画像補正装置および画像補正方法
US8373644B2 (en) * 2008-09-23 2013-02-12 Sharp Kabushiki Kaisha Backlight luminance control apparatus and video display apparatus
JP2024509717A (ja) * 2021-02-08 2024-03-05 オハイオ ステート イノベーション ファウンデーション 耳の病状を診断するための自動耳鏡検査画像分析に左右の鼓膜耳鏡検査画像を使用するシステム及び方法
CN114627009A (zh) * 2022-03-02 2022-06-14 安徽大学 一种基于亮度校正和融合通道先验的图像增强方法及系统
CN114937055B (zh) * 2022-03-31 2024-05-03 厦门市虹约产品设计有限公司 基于人工智能的图像自适应分割方法与系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003249A (zh) * 2017-06-07 2018-12-14 展讯通信(天津)有限公司 增强图像细节的方法、装置及终端
CN110288618A (zh) * 2019-04-24 2019-09-27 广东工业大学 一种光照不均图像的多目标分割方法
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
WO2020231243A1 (en) * 2019-05-16 2020-11-19 Samsung Electronics Co., Ltd. Electronic device and method of controlling thereof
CN112819702A (zh) * 2019-11-15 2021-05-18 北京金山云网络技术有限公司 图像增强方法、装置、电子设备及计算机可读存储介质
CN111223112A (zh) * 2020-01-07 2020-06-02 江苏君英天达人工智能研究院有限公司 基于图像均值漂移和水平集方法的图像分割方法
CN112419195A (zh) * 2020-11-26 2021-02-26 华侨大学 一种非线性变换的图像增强方法
CN114066821A (zh) * 2021-10-27 2022-02-18 德仕能源科技集团股份有限公司 一种基于人工智能的油田污水检测方法及设备
CN114051098A (zh) * 2021-11-23 2022-02-15 河南牧业经济学院 一种视觉图像智能采集方法及平台
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN114581345A (zh) * 2022-05-07 2022-06-03 广州骏天科技有限公司 一种基于自适应线性灰度化的图像增强方法及系统
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置
CN114638827A (zh) * 2022-05-18 2022-06-17 卡松科技股份有限公司 一种润滑油机械杂质视觉检测方法及装置
CN114677391A (zh) * 2022-05-26 2022-06-28 青岛大学附属医院 一种脊椎图像分割方法
CN114897896A (zh) * 2022-07-11 2022-08-12 南通东方雨虹建筑材料有限公司 基于灰度变换的建筑木材缺陷检测方法
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Exposure Based Multi-Histogram Equalization Contrast Enhancement for Non-Uniform Illumination Images;Siu Fong Tan等;《IEEE Access》;20190611;第7卷;70842-70861 *
Gray-level grouping (GLG): an automatic method for optimized image contrast enhancement - part II: the variations;ZhiYu Chen等;《IEEE Transactions on Image Processing》;20060831;第15卷(第8期);2303-2314 *
工业射线图像增强算法的研究;周浔;《中国优秀硕士学位论文全文数据库 基础科学辑》;20210215;第2021年卷(第2期);A005-207 *
数字图像对比度增强技术研究;李莹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;第2018年卷(第4期);I138-3198 *

Also Published As

Publication number Publication date
CN115100212A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN115100212B (zh) 一种润滑油污染程度检测方法
CN109743879B (zh) 一种基于动态红外热像图处理的地下管廊渗漏检测方法
Cheng et al. Novel approach to pavement cracking detection based on fuzzy set theory
US20200034651A1 (en) Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring
US7555161B2 (en) Image analysis
CN102800082B (zh) 一种无参考的图像清晰度检测方法
CN110288618B (zh) 一种光照不均图像的多目标分割方法
CN109389566B (zh) 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法
CN109472261B (zh) 一种基于计算机视觉的粮仓储粮数量变化自动监测方法
CN109584240B (zh) 滑坡后缘裂缝位移图像识别方法
CN113034452B (zh) 一种焊件轮廓检测方法
CN113313677B (zh) 一种卷绕锂电池x光图像的质量检测方法
CN109816645B (zh) 一种钢卷松卷的自动检测方法
CN115439494B (zh) 用于喷雾机质检的喷雾图像处理方法
CN109410205B (zh) 一种复杂路面背景下的裂缝提取方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN108921857A (zh) 一种面向监视场景的视频图像焦点区域分割方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN117094914A (zh) 基于计算机视觉的智慧城市道路监控系统
CN108629776B (zh) 矿岩粒度检测系统
CN109658405B (zh) 一种农作物实景观测中图像数据质量控制方法及系统
Tabatabaei et al. A novel method for binarization of badly illuminated document images
CN115311443A (zh) 一种液压泵漏油识别方法
CN114723691A (zh) 基于人工智能的液压系统漏油故障程度检测方法

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