CN115115638B - 一种液压系统漏油检测及判定方法 - Google Patents

一种液压系统漏油检测及判定方法 Download PDF

Info

Publication number
CN115115638B
CN115115638B CN202211044427.2A CN202211044427A CN115115638B CN 115115638 B CN115115638 B CN 115115638B CN 202211044427 A CN202211044427 A CN 202211044427A CN 115115638 B CN115115638 B CN 115115638B
Authority
CN
China
Prior art keywords
pixel point
oil
detected
hydraulic
pixel
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
CN202211044427.2A
Other languages
English (en)
Other versions
CN115115638A (zh
Inventor
贾利敏
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.)
Nantong Feilida Hydraulic Technology Co ltd
Original Assignee
Nantong Feilida Hydraulic 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 Nantong Feilida Hydraulic Technology Co ltd filed Critical Nantong Feilida Hydraulic Technology Co ltd
Priority to CN202211044427.2A priority Critical patent/CN115115638B/zh
Publication of CN115115638A publication Critical patent/CN115115638A/zh
Application granted granted Critical
Publication of CN115115638B publication Critical patent/CN115115638B/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
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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

Abstract

本发明涉及数据处理技术领域，具体涉及一种液压系统漏油检测及判定方法。方法包括：根据待检测的液压油缸图像中各像素点的灰度值构建高斯混合模型；计算液压油缸图像中各像素点的置信度；根据高斯混合模型和各像素点的置信度，对液压油缸图像中的像素点进行聚类得到多个类别；对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算各边界像素点对应的分布指标；根据所述分布指标，得到该类别对应的油污连通域；根据各油污连通域中各像素点的灰度值和各油污连通域的面积，得到液压系统的漏油状况。该方法是一种应用电子设备进行识别的方法，具体是对液压系统的漏油状况的检测。本发明提高了检测效率。

Description

一种液压系统漏油检测及判定方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种液压系统漏油检测及判定方法。
背景技术
液压系统在工业生产领域具有广泛的应用，其主要作用是将液压油的压力变成机构的转动或往复运动。一个液压系统的好坏不仅取决于系统设计的合理性和系统元件性能的优劣，还取决于对系统的维护和处理。在液压系统中的液压杆动静结合密封处是特别容易发生漏油的位置，当液压系统出现大量的漏油现象时，将会降低整个液压设备的工作效率，同时会污染环境，因此，液压系统的漏油检测是保证液压设备正常稳定工作的一个重要环节。
传统人工检测方法存在较多的误检错检漏检现象，由于液压设备数量多、管路长以及工作环境恶劣等因素，可能会造成系统长期的泄漏，进而影响生产发展，大量油品的消耗会严重影响企业的经济效益，因此，如何快速准确地对液压系统的漏油现象进行自动检测是一个至关重要的问题。
发明内容
为了解决现有方法不能快速准确地对液压系统的漏油现象进行自动检测的问题，本发明的目的在于提供一种液压系统漏油检测及判定方法，所采用的技术方案具体如下：
本发明提供了一种液压系统漏油检测及判定方法，该方法包括以下步骤：
获取待检测的液压油缸图像；
根据所述液压油缸图像中各像素点的灰度值，构建高斯混合模型；根据所述液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度；根据所述高斯混合模型和各像素点作为初始中心点的置信度，对待检测的液压油缸图像中的像素点进行聚类，得到多个类别；所述类别的个数等于高斯混合模型中单高斯模型的个数；
对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标；根据所述各边界像素点与其邻域像素点的分布指标，得到该类别的边缘像素点；根据该类别的边缘像素点，得到该类别对应的油污连通域；
根据各油污连通域中各像素点的灰度值，计算各油污连通域的漏油指标；根据各油污连通域的漏油指标和各油污连通域的面积，得到待检测的液压系统的漏油状况。
优选的，所述根据所述液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度，包括：
根据待检测的液压油缸图像中各像素点与其邻域像素点的坐标，计算各像素点的局部分布指标；
根据所述各像素点的局部分布指标和各像素点的坐标，计算待检测的液压油缸图像中各像素点对应的距离指标；
根据所述局部分布指标和距离指标，计算各像素点作为初始中心点的置信度。
优选的，采用如下公式各像素点的局部分布指标，包括：
Figure 471451DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为待检测的液压油缸图像中第
Figure 481608DEST_PATH_IMAGE004
个像素点的局部分布指标，
Figure DEST_PATH_IMAGE005
为分布距离阈值，
Figure 428967DEST_PATH_IMAGE006
为第
Figure 917717DEST_PATH_IMAGE004
个像素点对应的目标像素点的数量，
Figure 100002_DEST_PATH_IMAGE007
为待检测的液压油缸图像中第
Figure 533025DEST_PATH_IMAGE004
个像素点的横坐标，
Figure 994093DEST_PATH_IMAGE008
为待检测的液压油缸图像中第
Figure 96041DEST_PATH_IMAGE004
个像素点的纵坐标，
Figure DEST_PATH_IMAGE009
为第
Figure 619557DEST_PATH_IMAGE004
个像素点对应的第
Figure 629102DEST_PATH_IMAGE010
个目标像素点的横坐标，
Figure DEST_PATH_IMAGE011
为与第
Figure 879430DEST_PATH_IMAGE004
个像素点对应的第
Figure 152279DEST_PATH_IMAGE010
个目标像素点的纵坐标；
所述第
Figure 818884DEST_PATH_IMAGE004
个像素点对应的目标像素点为待检测的液压油缸图像中与第
Figure 835382DEST_PATH_IMAGE004
个像素点的欧氏距离小于分布距离阈值且与第
Figure 943146DEST_PATH_IMAGE004
个像素点灰度差值的绝对值小于灰度阈值的像素点。
优选的，采用如下公式计算待检测的液压油缸图像中各像素点对应的距离指标：
Figure DEST_PATH_IMAGE013
其中，
Figure 324580DEST_PATH_IMAGE014
为待检测的液压油缸图像中第
Figure 204113DEST_PATH_IMAGE004
个像素点的距离指标，
Figure DEST_PATH_IMAGE015
为待检测的液压油缸图像中第
Figure 961984DEST_PATH_IMAGE016
个像素点的局部分布指标，
Figure DEST_PATH_IMAGE017
为待检测的液压油缸图像中第
Figure 986572DEST_PATH_IMAGE016
个像素点的横坐标，
Figure 601224DEST_PATH_IMAGE018
为待检测的液压油缸图像中第
Figure 976842DEST_PATH_IMAGE016
个像素点的纵坐标，
Figure DEST_PATH_IMAGE019
为待检测的液压油缸图像中像素点的数量。
优选的，所述根据各油污连通域的漏油指标和各油污连通域的面积，得到待检测的液压系统的漏油状况，包括：
根据待检测的液压油缸图像中各油污连通域的漏油指标，计算待检测的液压油缸图像中油污连通域漏油指标的均值；根据待检测的液压油缸图像中各油污连通域的面积，计算待检测的液压油缸图像中油污连通域的面积之和；
计算所述油污连通域漏油指标的均值与所述油污连通域的面积之和的乘积，将所述乘积作为待检测的液压系统的漏油指标；判断所述液压系统的漏油指标是否大于设定阈值，若大于，则判定待检测的液压系统出现漏油状况，若小于等于，则判定待检测的液压系统未出现漏油状况。
优选的，所述根据所述各边界像素点与其邻域像素点的分布指标，得到该类别的边缘像素点，包括：
判断该类别的边界上各像素点与其邻域像素点的分布指标是否大于设定的判定阈值，若大于，则判定对应边界像素点为该类别真实的边缘像素点，若小于等于，则将对应边界像素点的邻域内梯度幅值最大的像素点作为该类别真实的边缘像素点。
优选的，所述根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标，包括：
对于该类别中的任一边界像素点：
获取该像素点和该像素点的邻域内像素点的灰度值，将所述邻域内像素点中最大灰度值对应的像素点和最小灰度值对应的像素点去除，得到该像素点对应的邻域像素点的集合；
计算所述集合中像素点的灰度方差，将所述灰度方差作为该边界像素点与其邻域像素点的分布指标。
优选的，所述根据各油污连通域中各像素点的灰度值，计算各油污连通域的漏油指标，包括：
获取待检测的液压油缸图像中非漏油区域各像素点的灰度值，根据所述非漏油区域各像素点的灰度值，计算非漏油区域像素点的灰度均值；
对于任一油污连通域：
根据该油污连通域中各像素点的灰度值，计算该油污连通域像素点的灰度均值；
采用如下公式计算该油污连通域的漏油指标：
Figure DEST_PATH_IMAGE021
其中，
Figure 614103DEST_PATH_IMAGE022
为该油污连通域的漏油指标，
Figure DEST_PATH_IMAGE023
为该油污连通域像素点的灰度均值，
Figure 758777DEST_PATH_IMAGE024
为非漏油区域像素点的灰度均值，
Figure DEST_PATH_IMAGE025
为常数。
本发明具有如下有益效果：本发明的目的是检测液压系统的漏油状况，因此首先根据待检测的液压油缸图像中各像素点的灰度值，构建高斯混合模型；根据液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度；根据高斯混合模型和各像素点对应的置信度，对图像中的像素点进行聚类得到多个类别。考虑到对待检测的液压油缸图像中的像素点进行划分时，可能会存在过分割或欠分割现象，这种现象的存在会降低后续对液压系统漏油状况的检测精度，因此本发明对划分得到的各类别的边界像素点进一步进行准确划分，得到各油污连通域，以提高后续的检测精度。具体的，对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标；根据分布指标得到该类别的边缘像素点。然后根据各油污连通域中各像素点的灰度值和各油污连通域的面积，得到待检测的液压系统的漏油状况。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对液压系统的漏油状况的检测。本发明提供的方法能够快速准确地检测液压系统的是否出现漏油状况，实现了自动化检测，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为本发明所提供的一种液压系统漏油检测及判定方法的流程图。
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液压系统漏油检测及判定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液压系统漏油检测及判定方法的具体方案。
一种液压系统漏油检测及判定方法实施例
现有方法存在不能快速准确地对液压系统的漏油现象进行自动检测的问题。为了解决上述问题，本实施例提出了一种液压系统漏油检测及判定方法，如图1所示，本实施例的一种液压系统漏油检测及判定方法包括以下步骤：
步骤S1，获取待检测的液压油缸图像。
本实施例设置图像采集设备，用于采集液压系统的表面图像数据，其中，摄像头的拍摄范围能够覆盖待检测液压系统，本实施例以液压油缸为例，相机拍摄范围需保证完全覆盖待检测的油缸区域，以便对其进行全面检测。
获取液压系统图像数据之后，本实施例利用均值滤波算法对获取的图像进行滤波处理，以消除图像上的噪声数据，避免将噪点误认为漏油像素点，降低噪声对漏油精度的影响，同时，为降低金属表面光照反射等现象对漏油状况检测的影响，本实施例采用伽马变换对滤波后的图像进行增强处理，实现对表面亮度不均衡的处理，提高后续的检测精度。将增强后的图像记为待检测的液压油缸图像。均值滤波算法和伽马变换均为现有技术，此处不再具体赘述。
步骤S2，根据所述液压油缸图像中各像素点的灰度值，构建高斯混合模型；根据所述液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度；根据所述高斯混合模型和各像素点作为初始中心点的置信度，对待检测的液压油缸图像中的像素点进行聚类，得到多个类别；所述类别的个数等于高斯混合模型中单高斯模型的个数。
本实施例主要是基于液压油缸图像对液压系统的漏油状况进行检测识别，本实施例中的液压油缸的表面为正常状况，即无其它缺陷的干扰，基于此本实施例对液压系统图像中的像素点进行检测识别，对液压油缸图像中的像素点进行划分，进而提取图像中的漏油区域，实现对液压系统漏油状况的自动检测。
本实施例首先基于待检测的液压油缸图像中像素点的灰度值，构建高斯混合模型，将高斯混合模型中所包含的单高斯模型的个数N记为待检测的液压油缸图像中像素点划分类别数，至此初步得到像素类别数N，作为待检测的液压油缸像素点类别划分的基准。
在得到待检测的液压油缸图像中像素点类别划分的类别之后，本实施例对待检测的液压油缸中图像中的像素点进行划分，以准确获取N个类别，为避免人为选取初始中心点的随机性，提高像素点划分的准确度，本实施例对初始中心点的选取进行设定，具体过程如下：
本实施例首先计算待检测的液压油缸图像中的各像素点的局部分布指标，以表征对应像素点的局部分布状况，即：
Figure 888538DEST_PATH_IMAGE026
其中，
Figure 488802DEST_PATH_IMAGE003
为待检测的液压油缸图像中第
Figure 650793DEST_PATH_IMAGE004
个像素点的局部分布指标，
Figure 712290DEST_PATH_IMAGE005
为分布距离阈值，
Figure 934324DEST_PATH_IMAGE006
为第
Figure 18955DEST_PATH_IMAGE004
个像素点对应的目标像素点的数量，
Figure 719057DEST_PATH_IMAGE007
为待检测的液压油缸图像中第
Figure 838323DEST_PATH_IMAGE004
个像素点的横坐标，
Figure 900432DEST_PATH_IMAGE008
为待检测的液压油缸图像中第
Figure 737938DEST_PATH_IMAGE004
个像素点的纵坐标，
Figure 976153DEST_PATH_IMAGE009
为第
Figure 215504DEST_PATH_IMAGE004
个像素点对应的第
Figure 513762DEST_PATH_IMAGE010
个目标像素点的横坐标，
Figure 635301DEST_PATH_IMAGE011
为与第
Figure 677207DEST_PATH_IMAGE004
个像素点对应的第
Figure 192238DEST_PATH_IMAGE010
个目标像素点的纵坐标。所述第
Figure 926976DEST_PATH_IMAGE004
个像素点对应的目标像素点为待检测的液压油缸图像中与第
Figure 207915DEST_PATH_IMAGE004
个像素点的欧氏距离小于
Figure 115829DEST_PATH_IMAGE005
且与第
Figure 64193DEST_PATH_IMAGE004
个像素点灰度差值的绝对值小于灰度阈值
Figure DEST_PATH_IMAGE027
的像素点。在具体应用中，
Figure 641936DEST_PATH_IMAGE005
和
Figure 344925DEST_PATH_IMAGE027
的取值自行设定。采用上述方法得到待检测的液压油缸图像中所有像素点的局部分布指标。
接下来本实施例对待检测的液压油缸图像中各像素点的位置信息进行分析，结合各像素点的局部分布指标获取各像素点的距离指标，距离指标反映像素点的显著度，用于凸显各像素点作为初始中心点的特征信息，待检测的液压油缸图像中第
Figure 728633DEST_PATH_IMAGE004
个像素点的距离指标为：
Figure 797083DEST_PATH_IMAGE028
其中，
Figure 139203DEST_PATH_IMAGE014
为待检测的液压油缸图像中第
Figure 332418DEST_PATH_IMAGE004
个像素点的距离指标，
Figure 254238DEST_PATH_IMAGE015
为待检测的液压油缸图像中第
Figure 177194DEST_PATH_IMAGE016
个像素点的局部分布指标，
Figure 224303DEST_PATH_IMAGE017
为待检测的液压油缸图像中第
Figure 967131DEST_PATH_IMAGE016
个像素点的横坐标，
Figure 958221DEST_PATH_IMAGE018
为待检测的液压油缸图像中第
Figure 407788DEST_PATH_IMAGE016
个像素点的纵坐标，
Figure 826131DEST_PATH_IMAGE019
为待检测的液压油缸图像中像素点的数量。采用上述方法得到待检测的液压油缸图像中各像素点的距离指标，距离指标能够进一步突出各像素点的特征，以获取更加准确的初始中心点。
本实施例基于待检测的液压油缸图像中各像素点的局部分布指标和距离指标构建像素点选定置信度模型，用于计算各像素点作为初始中心点的置信度，所述选定置信度模型具体为：
Figure 790676DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为待检测的液压油缸图像中第
Figure 51369DEST_PATH_IMAGE004
个像素点作为初始中心点的置信度。
基于待检测的液压油缸图像中各像素点作为初始中心点的置信度得到置信度集合，即
Figure 355442DEST_PATH_IMAGE032
，其中，
Figure DEST_PATH_IMAGE033
为待检测的液压油缸图像中第1个像素点的置信度，
Figure 616790DEST_PATH_IMAGE034
为待检测的液压油缸图像中第2个像素点的置信度，
Figure DEST_PATH_IMAGE035
为待检测的液压油缸图像中第
Figure 68631DEST_PATH_IMAGE036
个像素点的置信度。将置信度集合中的数据按照从大到小的顺序进行排序，构建置信度序列，置信度序列中的元素按照从大到小的顺序进行排序。然后从置信度序列选出TOP-N个像素点作为初始中心点，本实施例利用K-means聚类算法将待检测的液压油缸图像中的像素点划分为N个类别，实现液压油缸图像中像素点的准确划分，避免人为选取初始中心点导致像素点划分精度不高的问题。
步骤S3，对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标；根据所述各边界像素点与其邻域像素点的分布指标，得到该类别的边缘像素点；根据该类别的边缘像素点，得到该类别对应的油污连通域。
在对待检测的液压油缸图像中的像素点划分之后，考虑到在进行像素点划分时并未考虑边界处的像素信息，在进行像素点划分时极易产生在边缘处被分割开或过分割等现象，因此为提高像素点的划分精度，同时实现对液压系统漏油状况的准确检测，本实施例对划分之后的各类别进行分析，对于每个类别的边界像素点，对其进行进一步地分析，以检测其为边缘像素点的真实性，提高像素点划分的准确性。
对于任一类别：
对于该类别的边界上的任一像素点：获取其n×n的邻域像素点，为避免邻域像素点中的最值对于边界像素点的判定的影响，本实施例去除邻域像素点中的灰度最大值以及最小值对应的像素点，将剩余像素点作为该像素点对应的邻域像素点的集合，n的取值根据具体情况进行设定。对于该像素点对应的邻域像素点的集合，本实施例基于像素点的灰度信息获取其邻域像素点集合的分布状况，即计算该像素点与其对应的邻域像素点的分布指标：
Figure 64839DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
为该像素点与其对应的邻域像素点的分布指标，
Figure 20156DEST_PATH_IMAGE040
为该像素点对应的第v个邻域像素点的灰度值，
Figure DEST_PATH_IMAGE041
为该像素点与其对应的邻域像素点的灰度均值。
分布指标越大，说明该像素点与其邻域像素点的分布越杂乱，邻域内的像素点的灰度变化越剧烈，灰度差异越大，也即以该像素点为中心的像素点集合内存在边缘像素点的可能性越高，
本实施例根据分布指标对该类别中所有边界像素点进行判定，对分布指标进行归一化处理，使得归一化处理后的分布指标均处于[0,1]，设置判定阈值
Figure 717985DEST_PATH_IMAGE042
，判断各边界像素点对应的归一化之后的分布指标是否大于
Figure 594805DEST_PATH_IMAGE042
，若大于，则判定对应边界像素点为真实的边缘像素点，若小于等于，则判定对应边界像素点为虚假边缘像素点，即存在欠分割或过分割的现象。在具体应用中，
Figure 465809DEST_PATH_IMAGE042
的值自行进行设定。
对于任一虚假的边缘像素点（即归一化后的分布指标小于等于判定阈值
Figure 803862DEST_PATH_IMAGE042
的边缘像素点）：对其
Figure DEST_PATH_IMAGE043
邻域内的像素点进行分析，获取
Figure 734909DEST_PATH_IMAGE043
邻域内各像素点的梯度幅值，判断
Figure 895763DEST_PATH_IMAGE043
邻域内像素点的梯度幅值是否全为0，若不全为0，则将梯度幅值最大的像素点作为新的类别边缘像素点，若全为0，则增大邻域范围，令n=n+2，直至邻域内存在梯度幅值不为零的像素点为止，将梯度幅值最大的像素点作为新的类别边缘像素点，实现对边缘像素点的准确划分，以便对液压系统的漏油现象进行检测分析，提高后续的检测精度。
至此，即可根据上述方法实现对待检测的液压油缸图像中的像素点的准确划分，得到待检测的液压油缸图像中各类别对应的油污连通域，避免像素点划分过程中的过分割以及欠分割现象的影响，提高后续漏油状况的检测精度。
步骤S4，根据各油污连通域中各像素点的灰度值，计算各油污连通域的漏油指标；根据各油污连通域的漏油指标和各油污连通域的面积，得到待检测的液压系统的漏油状况。
在步骤S3中得到待检测的液压油缸图像中各油污连通域，本实施例基于各油污连通域对液压系统的漏油状况进行判定，实现对漏油状况的自动检测。
首先，获取各油污连通域的面积指标，将所有油污连通域的面积之和作为漏油区域的面积指标
Figure 836037DEST_PATH_IMAGE044
，用于对液压系统漏油状况的判定；获取非漏油区域所有像素点的灰度均值
Figure 969210DEST_PATH_IMAGE024
；然后对于任一油污连通域：根据该油污连通域中像素点的灰度值得到该油污连通域像素点的灰度均值，根据该油污连通域像素点的灰度均值和非漏油区域所有像素点的灰度均值
Figure 71158DEST_PATH_IMAGE024
，计算该油污连通域的漏油指标，即
Figure DEST_PATH_IMAGE045
，
Figure 722238DEST_PATH_IMAGE023
为该油污连通域中像素点的灰度均值，
Figure 200624DEST_PATH_IMAGE022
为该油污连通域的漏油指标，
Figure 250619DEST_PATH_IMAGE025
为常数。本实施例计算待检测的液压油缸图像中各油污连通域的漏油指标的均值
Figure 789048DEST_PATH_IMAGE046
，然后根据各油污连通域的漏油指标的均值和漏油区域的面积指标
Figure 862177DEST_PATH_IMAGE044
，计算待检测的液压系统的漏油指标
Figure DEST_PATH_IMAGE047
，即
Figure 813428DEST_PATH_IMAGE048
，对待检测的液压系统的漏油指标
Figure 45826DEST_PATH_IMAGE047
进行归一化处理，使得归一化之后的值处于[0,1]，便于相关工作人员对液压系统的漏油现象进行直观判定，后续提到的液压系统的漏油指标均为归一化处理后的漏油指标。
获取待检测的液压系统的漏油指标之后，本实施例基于此对液压系统的漏油状况进行判定，为实现对液压系统漏油的自动检测判定，本实施例设置漏油指标阈值
Figure DEST_PATH_IMAGE049
，当待检测的液压系统的漏油指标大于漏油指标阈值
Figure 833785DEST_PATH_IMAGE049
时，判定该液压系统出现漏油状况，系统将作出相应的提示，提醒工作人员对该液压系统进行检测维修，保证该液压系统的工作效率，避免使用过程中存在安全隐患；当待检测的液压系统的漏油指标小于等于漏油指标阈值
Figure 987686DEST_PATH_IMAGE049
时，判定该液压系统的漏油现象在可容许范围内，不会对液压系统及设备的工作运行产生影响。在具体应用中，
Figure 339033DEST_PATH_IMAGE049
的值根据具体情况进行设定。
本实施例的目的是检测液压系统的漏油状况，因此首先根据待检测的液压油缸图像中各像素点的灰度值，构建高斯混合模型；根据液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度；根据高斯混合模型和各像素点对应的置信度，对图像中的像素点进行聚类得到多个类别。考虑到对待检测的液压油缸图像中的像素点进行划分时，可能会存在过分割或欠分割现象，这种现象的存在会降低后续对液压系统漏油状况的检测精度，因此本实施例对划分得到的各类别的边界像素点进一步进行准确划分，得到各油污连通域，以提高后续的检测精度。具体的，对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标；根据分布指标得到该类别的边缘像素点。然后根据各油污连通域中各像素点的灰度值和各油污连通域的面积，得到待检测的液压系统的漏油状况。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对液压系统的漏油状况的检测。本实施例提供的方法能够快速准确地检测液压系统的是否出现漏油状况，实现了自动化检测，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 (6)

1.一种液压系统漏油检测及判定方法，其特征在于，该方法包括以下步骤：
获取待检测的液压油缸图像；
根据所述液压油缸图像中各像素点的灰度值，构建高斯混合模型；根据所述液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度；根据所述高斯混合模型和各像素点作为初始中心点的置信度，对待检测的液压油缸图像中的像素点进行聚类，得到多个类别；所述类别的个数等于高斯混合模型中单高斯模型的个数；
对于任一类别：根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标；根据所述各边界像素点与其邻域像素点的分布指标，得到该类别的边缘像素点；根据该类别的边缘像素点，得到该类别对应的油污连通域；
根据各油污连通域中各像素点的灰度值，计算各油污连通域的漏油指标；根据各油污连通域的漏油指标和各油污连通域的面积，得到待检测的液压系统的漏油状况；
所述根据该类别中各边界像素点与其邻域像素点的坐标，计算该类别中各边界像素点与其邻域像素点的分布指标，包括：
对于该类别中的任一边界像素点：
获取该像素点和该像素点的邻域内像素点的灰度值，将所述邻域内像素点中最大灰度值对应的像素点和最小灰度值对应的像素点去除，得到该像素点对应的邻域像素点的集合；
计算所述集合中像素点的灰度方差，将所述灰度方差作为该边界像素点与其邻域像素点的分布指标；
所述根据各油污连通域中各像素点的灰度值，计算各油污连通域的漏油指标，包括：
获取待检测的液压油缸图像中非漏油区域各像素点的灰度值，根据所述非漏油区域各像素点的灰度值，计算非漏油区域像素点的灰度均值；
对于任一油污连通域：
根据该油污连通域中各像素点的灰度值，计算该油污连通域像素点的灰度均值；
采用如下公式计算该油污连通域的漏油指标：
Figure DEST_PATH_IMAGE001
其中，
Figure 883925DEST_PATH_IMAGE002
为该油污连通域的漏油指标，
Figure 3190DEST_PATH_IMAGE003
为该油污连通域像素点的灰度均值，
Figure 458443DEST_PATH_IMAGE004
为非漏油区域像素点的灰度均值，
Figure 545216DEST_PATH_IMAGE005
为常数。
2.根据权利要求1所述的一种液压系统漏油检测及判定方法，其特征在于，所述根据所述液压油缸图像中各像素点与其邻域像素点的坐标，得到各像素点作为初始中心点的置信度，包括：
根据待检测的液压油缸图像中各像素点与其邻域像素点的坐标，计算各像素点的局部分布指标；
根据所述各像素点的局部分布指标和各像素点的坐标，计算待检测的液压油缸图像中各像素点对应的距离指标；
根据所述局部分布指标和距离指标，计算各像素点作为初始中心点的置信度。
3.根据权利要求2所述的一种液压系统漏油检测及判定方法，其特征在于，采用如下公式各像素点的局部分布指标，包括：
Figure 970381DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为待检测的液压油缸图像中第
Figure 399613DEST_PATH_IMAGE008
个像素点的局部分布指标，
Figure 697870DEST_PATH_IMAGE009
为分布距离阈值，
Figure 271940DEST_PATH_IMAGE010
为第
Figure 579425DEST_PATH_IMAGE008
个像素点对应的目标像素点的数量，
Figure 656971DEST_PATH_IMAGE011
为待检测的液压油缸图像中第
Figure 391709DEST_PATH_IMAGE008
个像素点的横坐标，
Figure 187495DEST_PATH_IMAGE012
为待检测的液压油缸图像中第
Figure 298671DEST_PATH_IMAGE008
个像素点的纵坐标，
Figure 574931DEST_PATH_IMAGE013
为第
Figure 732768DEST_PATH_IMAGE008
个像素点对应的第
Figure 766583DEST_PATH_IMAGE014
个目标像素点的横坐标，
Figure 665138DEST_PATH_IMAGE015
为与第
Figure 468008DEST_PATH_IMAGE008
个像素点对应的第
Figure 793816DEST_PATH_IMAGE014
个目标像素点的纵坐标；
所述第
Figure 314928DEST_PATH_IMAGE008
个像素点对应的目标像素点为待检测的液压油缸图像中与第
Figure 751594DEST_PATH_IMAGE008
个像素点的欧氏距离小于分布距离阈值且与第
Figure 940130DEST_PATH_IMAGE008
个像素点灰度差值的绝对值小于灰度阈值的像素点。
4.根据权利要求2所述的一种液压系统漏油检测及判定方法，其特征在于，采用如下公式计算待检测的液压油缸图像中各像素点对应的距离指标：
Figure 451488DEST_PATH_IMAGE016
其中，
Figure 194316DEST_PATH_IMAGE017
为待检测的液压油缸图像中第
Figure 434673DEST_PATH_IMAGE008
个像素点的距离指标，
Figure 212136DEST_PATH_IMAGE018
为待检测的液压油缸图像中第
Figure 551851DEST_PATH_IMAGE019
个像素点的局部分布指标，
Figure 31242DEST_PATH_IMAGE020
为待检测的液压油缸图像中第
Figure 826023DEST_PATH_IMAGE019
个像素点的横坐标，
Figure 710190DEST_PATH_IMAGE021
为待检测的液压油缸图像中第
Figure 299434DEST_PATH_IMAGE019
个像素点的纵坐标，
Figure 610330DEST_PATH_IMAGE022
为待检测的液压油缸图像中像素点的数量。
5.根据权利要求1所述的一种液压系统漏油检测及判定方法，其特征在于，所述根据各油污连通域的漏油指标和各油污连通域的面积，得到待检测的液压系统的漏油状况，包括：
根据待检测的液压油缸图像中各油污连通域的漏油指标，计算待检测的液压油缸图像中油污连通域漏油指标的均值；根据待检测的液压油缸图像中各油污连通域的面积，计算待检测的液压油缸图像中油污连通域的面积之和；
计算所述油污连通域漏油指标的均值与所述油污连通域的面积之和的乘积，将所述乘积作为待检测的液压系统的漏油指标；判断所述液压系统的漏油指标是否大于设定阈值，若大于，则判定待检测的液压系统出现漏油状况，若小于等于，则判定待检测的液压系统未出现漏油状况。
6.根据权利要求1所述的一种液压系统漏油检测及判定方法，其特征在于，所述根据所述各边界像素点与其邻域像素点的分布指标，得到该类别的边缘像素点，包括：
判断该类别的边界上各像素点与其邻域像素点的分布指标是否大于设定的判定阈值，若大于，则判定对应边界像素点为该类别真实的边缘像素点，若小于等于，则将对应边界像素点的邻域内梯度幅值最大的像素点作为该类别真实的边缘像素点。
CN202211044427.2A 2022-08-30 2022-08-30 一种液压系统漏油检测及判定方法 Active CN115115638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211044427.2A CN115115638B (zh) 2022-08-30 2022-08-30 一种液压系统漏油检测及判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211044427.2A CN115115638B (zh) 2022-08-30 2022-08-30 一种液压系统漏油检测及判定方法

Publications (2)

Publication Number Publication Date
CN115115638A CN115115638A (zh) 2022-09-27
CN115115638B true CN115115638B (zh) 2022-11-18

Family

ID=83336323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211044427.2A Active CN115115638B (zh) 2022-08-30 2022-08-30 一种液压系统漏油检测及判定方法

Country Status (1)

Country Link
CN (1) CN115115638B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311285B (zh) * 2022-10-12 2023-04-14 南通普盛动力有限公司 一种柴油发动机漏油识别方法
CN115965624B (zh) * 2023-03-16 2023-05-30 山东宇驰新材料科技有限公司 一种抗磨液压油污染颗粒检测方法
CN116597392B (zh) * 2023-07-19 2023-10-03 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法
CN116993724B (zh) * 2023-09-26 2023-12-08 卡松科技股份有限公司 一种基于图像滤波的煤矿工业齿轮油视觉检测方法
CN117218116B (zh) * 2023-11-07 2024-02-09 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3099168A1 (en) * 2018-05-03 2019-11-07 Quantum IR Technologies, LLC Infrared imaging systems and methods for oil leak detection
CN110458812B (zh) * 2019-07-22 2022-08-30 南京邮电大学 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法
CN113095114A (zh) * 2019-12-23 2021-07-09 新疆金风科技股份有限公司 液压系统漏油检测方法、装置和设备
CN111210405A (zh) * 2019-12-27 2020-05-29 山东省特种设备检验研究院有限公司 一种基于红外成像的挥发性有机物泄露检测方法

Also Published As

Publication number Publication date
CN115115638A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115115638B (zh) 一种液压系统漏油检测及判定方法
CN115375676B (zh) 一种基于图像识别的不锈钢制品质量检测方法
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
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
CN106404793B (zh) 基于视觉的轴承密封件缺陷检测方法
Zhao et al. Improvement of canny algorithm based on pavement edge detection
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN115100221B (zh) 一种玻璃缺陷分割方法
CN115457041A (zh) 一种道路质量识别检测方法
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN110569857B (zh) 一种基于质心距离计算的图像轮廓角点检测方法
CN113592861A (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
JP2024050880A (ja) 文字分割方法、装置、および、コンピュータ可読記憶媒体
CN115331119B (zh) 一种固体废弃物识别方法
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN110210428A (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN113240623A (zh) 一种路面病害检测方法及装置
CN111709964A (zh) 一种pcba目标边缘检测方法
CN112085699A (zh) 一种基于二维图像的路面裂缝提取方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113298775B (zh) 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质
CN113378659A (zh) 一种占道经营识别方法
CN116993745A (zh) 基于图像处理给水管表面漏损检测方法
CN116758423A (zh) 一种基于白点率法的输电线路异物检测方法

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