CN115272946A - 一种应用电子设备对共轨喷油器进行损伤识别的方法 - Google Patents

一种应用电子设备对共轨喷油器进行损伤识别的方法 Download PDF

Info

Publication number
CN115272946A
CN115272946A CN202211204904.7A CN202211204904A CN115272946A CN 115272946 A CN115272946 A CN 115272946A CN 202211204904 A CN202211204904 A CN 202211204904A CN 115272946 A CN115272946 A CN 115272946A
Authority
CN
China
Prior art keywords
edge
pixel point
target
value
area
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
CN202211204904.7A
Other languages
English (en)
Other versions
CN115272946B (zh
Inventor
苏俊松
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.)
Jiangsu Santong Technology Co ltd
Original Assignee
Jiangsu Santong 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 Jiangsu Santong Technology Co ltd filed Critical Jiangsu Santong Technology Co ltd
Priority to CN202211204904.7A priority Critical patent/CN115272946B/zh
Publication of CN115272946A publication Critical patent/CN115272946A/zh
Application granted granted Critical
Publication of CN115272946B publication Critical patent/CN115272946B/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
    • G06V20/50—Context or environment of the image
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及设备损伤识别技术领域，具体涉及一种应用电子设备对共轨喷油器进行损伤识别的方法，该方法利用图像采集设备获取阀帽凹坑的灰度图像，对灰度图像进行边缘检测得到边缘图像；根据边缘图像中各个边缘线上边缘像素点的灰度值、边缘线的位置确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘，计算目标闭合边缘的不规则程度；获取由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，根据目标区域中的灰度值和面积得到目标区域的第二磨损程度；将不规则程度和第二磨损程度之间的乘积作为阀帽凹坑的损伤程度。本发明结合阀帽凹坑内小孔边缘的磨损和小孔外的磨损，分析阀帽凹坑的最终磨损程度，提高了损伤检测的准确性。

Description

一种应用电子设备对共轨喷油器进行损伤识别的方法
技术领域
本发明涉及设备损伤识别技术领域，具体涉及一种应用电子设备对共轨喷油器进行损伤识别的方法。
背景技术
在发动机的工作过程中，若喷油器出现故障，将直接导致不能正确地按照控制要求把适量的燃油喷入燃烧室，进一步会导致发动机的工作性能发生变化，因此需要对喷油器进行损伤检测，以及时更换喷油器，避免因喷油器损伤而影响发动机的正常工作。
目前，针对喷油器进行损伤检测的常用手段是：对喷油器进行图像采集，通过分析图像中损伤和正常对应像素点之间的灰度差异值来确认喷油器的损伤情况。但是由于图像采集的光线环境的复杂性，会导致采集的图像中的像素点的灰度值也存在差异，因此，仅根据像素点的灰度值差异来判断喷油器的损伤，会导致喷油器损伤的判断结果与真实结果存在较大误差。
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应用电子设备对共轨喷油器进行损伤识别的方法，所采用的技术方案具体如下：
利用图像采集设备采集共轨喷油器上阀帽凹坑的正面图像以得到对应的灰度图像；对灰度图像进行边缘检测得到边缘图像；
根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘；根据闭合边缘上像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘，利用霍夫梯度法得到目标闭合边缘对应的标准圆；根据目标闭合边缘上每个边缘像素点到标准圆圆心的距离，得到目标闭合边缘的偏移程度；对目标闭合边缘上偏离标准圆的边缘像素点进行聚类，得到多个像素点类别，将像素点类别的数量和像素点类别中的最大元素数量之间的乘积作为阀帽凹坑内的小孔边缘的第一磨损程度；基于标准圆的圆弧，计算每个像素点类别对应边缘的圆弧不规则度，对圆弧不规则度进行累加得到圆弧不规则度总和；根据每个像素点类别的聚类中心点计算目标闭合边缘中不规则边缘的分布均匀指标；将所述偏移程度、所述第一磨损程度、所述圆弧不规则度总和与所述分布均匀指标之间的乘积作为目标闭合边缘的不规则程度；
获取由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，根据目标区域中的灰度值和面积得到目标区域的第二磨损程度；将所述不规则程度和所述第二磨损程度之间的乘积作为阀帽凹坑的损伤程度。
进一步的，所述根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘的方法，包括：
分别计算边缘图像中每条边缘线上每个边缘像素点的8邻域内所包含的边缘像素点数量，当边缘像素点数量大于1时，令该边缘像素点的特征值为0；当边缘像素点数量小于或等于1时，令对应边缘像素点的特征值为1；
对每个边缘像素点的特征值进行累加，得到每条边缘线的特征值累加值，将特征值累加值为0的边缘线确认为闭合边缘。
进一步的，所述根据闭合边缘上像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘的方法，包括：
根据当前闭合边缘上每个边缘像素点的灰度值计算平均灰度值，获取当前闭合边缘所围成区域的区域中心点和区域面积，计算区域中心点与边缘图像的图像中心点之间的欧式距离；获取当前闭合边缘的最小外接圆面积，计算区域面积与最小外接圆面积之间的比值；
结合所述平均灰度值、所述欧式距离和所述比值得到当前闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标，则可能性指标的计算公式为：
Figure 601983DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为可能性指标；
Figure 704806DEST_PATH_IMAGE004
为所述平均灰度值；
Figure 100002_DEST_PATH_IMAGE005
为区域面积；
Figure 252462DEST_PATH_IMAGE006
为最小外接圆面积；
Figure 100002_DEST_PATH_IMAGE007
为区域中心点的坐标；
Figure 94647DEST_PATH_IMAGE008
为图像中心点的坐标；
获取每个闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标，将最大的可能性指标所对应的闭合边缘作为阀帽凹坑内的小孔边缘所对应的目标闭合边缘。
进一步的，所述目标闭合边缘的偏移程度的获取方法，包括：
利用欧式距离公式分别计算目标闭合边缘上每个边缘像素点到标准圆圆心的欧式距离；计算每个欧式距离和标准圆的半径之间的差值，将所有差值进行相加得到差值累加值，所述差值累加值即为目标闭合边缘的偏移程度。
进一步的，所述对目标闭合边缘上偏离标准圆的边缘像素点进行聚类的方法，包括：
以标准圆的圆心为原点、图像水平向右的方向为横坐标方向，构建直角坐标系，获取目标闭合边缘上偏离标准圆的边缘像素点，将这些边缘像素点作为目标像素点；
基于直角坐标系获取每个目标像素点与横坐标方向之间夹角，且令处于标准圆之外的目标像素点的标记值为-1，令处于标准圆内的目标像素点的标记值为1，将夹角和标记值构成每个目标像素点的特征向量，基于特征向量利用DBSCAN聚类方法对目标像素点进行聚类。
进一步的，所述基于标准圆的圆弧，计算每个像素点类别对应边缘的圆弧不规则度的方法，包括：
分别计算当前像素点类别对应边缘上相邻两个边缘像素点的切线斜率之间的切线斜率差值，对当前像素点类别中的所有切线斜率差值进行相加得到切线斜率差值累加值；
根据标准圆上每个像素点的切线斜率得到标准圆的标准切线斜率差值，计算切线斜率差值累加值与标准切线斜率差值之间的差值，将差值与当前像素点类别中切线斜率差值的数量之间的比值作为当前像素点类别对应边缘的圆弧不规则度。
进一步的，所述根据每个像素点类别的聚类中心点计算目标闭合边缘中不规则边缘的分布均匀指标的方法，包括：
根据每个像素点类别中的元素数量为每个像素点类别分配权重，权重的计算公式为
Figure 100002_DEST_PATH_IMAGE009
，其中
Figure 568091DEST_PATH_IMAGE010
为第i个像素点类别的权重，
Figure 100002_DEST_PATH_IMAGE011
为第i个像素点类别的元素数量；
Figure 659675DEST_PATH_IMAGE012
为像素点类别的数量；
分别获取每个像素点类别的聚类中心点，计算相邻两个聚类中心点之间的欧式距离，得到平均欧式距离；结合每个像素点类别对应的欧式距离与平均欧式距离之间的距离差值、以及每个像素点类别的权重得到分布均匀指标，则分布均匀指标的计算公式为：
Figure 479864DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE015
为分布均匀指标；
Figure 347194DEST_PATH_IMAGE016
为第i个像素点类别的聚类中心点(
Figure 100002_DEST_PATH_IMAGE017
,
Figure 929223DEST_PATH_IMAGE018
)与第i+1个像素点类别的聚类中心点(
Figure 100002_DEST_PATH_IMAGE019
,
Figure 570420DEST_PATH_IMAGE020
)之间的欧式距离；
Figure 100002_DEST_PATH_IMAGE021
为N个像素点类别对应的平均欧式距离。
进一步的，所述根据目标区域中的灰度值和面积得到目标区域的第二磨损程度的方法，包括：
根据目标区域中每个像素点的灰度值计算灰度值均值，将所述灰度值均值与目标区域的面积之间的乘积作为目标区域的第二磨损程度。
本发明实施例至少具有如下有益效果：基于阀帽凹坑内小孔轮廓的标准圆特性，根据小孔边缘的偏移、小孔边缘上边缘像素点的分布以及小孔边缘的圆弧不规则度能够准确分析小孔边缘的磨损情况，同时考虑到小孔外的阀帽凹坑内的部分区域也会存在磨损，根据灰度值和磨损面积获取小孔外的阀帽凹坑内的部分区域的磨损程度，结合小孔边缘和小孔外的阀帽凹坑内磨损区域确定阀帽凹坑的整体损伤程度，提高了损伤检测的准确性。
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提供的一种应用电子设备对共轨喷油器进行损伤识别的方法的步骤流程图。
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应用电子设备对共轨喷油器进行损伤识别的方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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应用电子设备对共轨喷油器进行损伤识别的方法的具体方案。
本发明实施例所针对的场景为：在共轨喷油器中，阀帽和阀杆分别是共轨喷油器内部最容易磨损的部件之一。由于阀帽的凹坑内会有一颗钢珠，电磁阀通过它控制燃油喷射，当凹坑内部磨损以后，会因为钢珠关闭不严导致喷油器回油量变大，进而造成针阀关闭不严，因此本发明实施例对共轨喷油器上的阀帽的损伤程度进行分析。
请参阅图1，其示出了本发明一个实施例提供的一种应用电子设备对共轨喷油器进行损伤识别的方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集共轨喷油器上阀帽凹坑的正面图像以得到对应的灰度图像；对灰度图像进行边缘检测得到边缘图像。
具体的，将相机正对着共轨喷油器上的阀帽凹坑进行拍摄，得到阀帽凹坑的正面图像，首先对正面图像进行高斯滤波除噪，然后对除噪后的正面图像使用加权平均值法进行灰度化处理，得到对应的灰度图像，然后使用canny算法对灰度图像进行边缘检测得到对应的边缘图像。
步骤S002，根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘；根据闭合边缘上像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘，利用霍夫梯度法得到目标闭合边缘对应的标准圆，根据目标闭合边缘和标准圆之间的差异计算目标闭合边缘的不规则程度。
具体的，通过对阀帽的分析可知，阀帽在工作过程中由于钢珠在阀帽凹坑中不停的碰撞，会对阀帽凹坑造成磨损，而磨损造成的直观后果就是该凹坑内小孔边缘会扩大，且小孔边缘会变成不规则的边缘，因此通过对阀帽凹坑内的小孔边缘进行检测，以分析阀帽凹坑的磨损情况，则具体过程为：
首先，基于小孔边缘的闭合特性，根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘：分别计算边缘图像中每条边缘线上每个边缘像素点的8邻域内所包含的边缘像素点数量，当边缘像素点数量大于1时，认为对应边缘像素点不属于端点或断点，且令该边缘像素点的特征值为0；反之，当边缘像素点数量小于或等于1时，令对应边缘像素点的特征值为1；对每个边缘像素点的特征值进行累加，得到每条边缘线的特征值累加值，一条边缘线对应一个特征值累加值，将特征值累加值为0的边缘线确认为闭合边缘，反之，确认边缘线为非闭合边缘，进而得到边缘图像中的多条闭合边缘。
然后，由于阀帽凹坑内的小孔边缘处于凹坑的最里面，距离阀帽凹坑的中心点最近，且阀帽凹坑由于其喷射导致阀帽凹坑内部都是黑色的，而灰度值越低的闭合边缘越可能是阀帽凹坑内的小孔边缘所对应的目标闭合边缘，因此根据闭合边缘上边缘像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘：根据当前闭合边缘上每个边缘像素点的灰度值计算平均灰度值，同时根据每个像素点的坐标获取当前闭合边缘所围成区域的区域中心点，计算区域中心点与边缘图像的图像中心点之间的位置差异；获取当前闭合边缘的最小外接圆面积和当前闭合边缘所围成的区域面积，计算最小外接圆面积与区域面积之间的比值，结合平均灰度值、位置差异和比值得到当前闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标；获取每个闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标，确认最大可能性指标对应的闭合边缘属于阀帽凹坑内的小孔边缘，且将最大可能性指标对应的闭合边缘作为目标闭合边缘。
作为一个示例，可能性指标的计算公式为：
Figure 850092DEST_PATH_IMAGE002
其中，
Figure 588241DEST_PATH_IMAGE003
为可能性指标；
Figure 403488DEST_PATH_IMAGE004
为平均灰度值；
Figure 469664DEST_PATH_IMAGE005
为区域面积；
Figure 428392DEST_PATH_IMAGE006
为最小外接圆面积；
Figure 630835DEST_PATH_IMAGE007
为区域中心点的坐标；
Figure 616983DEST_PATH_IMAGE008
为图像中心点。
区域中心点与图像中心点之间的位置差异越大，对应闭合边缘越属于阀帽凹坑内的小孔边缘；闭合边缘对应的区域面积与最小外接圆面积之间的比值越小，说明闭合边缘越不属于阀帽凹坑内的小孔边缘。
最后，计算目标闭合边缘的不规则程度，利用目标闭合边缘的不规则程度来表征阀帽凹坑内小孔边缘的磨损程度，则目标闭合边缘的不规则程度的获取过程为：
（1）对目标闭合边缘进行霍夫梯度法得到目标闭合边缘对应的标准圆，获取标准圆的圆心，利用欧式距离公式分别计算目标闭合边缘上每个边缘像素点到圆心的欧式距离，同时分别计算每个欧式距离和标准圆的半径之间的差值，将所有差值进行相加得到差值累加值，目标闭合边缘上的边缘像素点到圆心的距离与标准圆的半径之间的差异越大，差值累加值越大，说明目标闭合边缘越偏移小孔对应的标准闭合边缘，对应阀帽凹坑内的小孔边缘磨损越厉害，因此将差值累加值作为目标闭合边缘的偏移程度。
（2）以标准圆的圆心为原点、图像水平向右的方向为横坐标方向，构建直角坐标系，获取目标闭合边缘上偏离标准圆的边缘像素点，将这些边缘像素点作为目标像素点，基于直角坐标系获取每个目标像素点与横坐标方向之间夹角，且令处于标准圆之外的目标像素点的标记值为-1，令处于标准圆内的目标像素点的标记值为1，将夹角和标记值构成每个目标像素点的特征向量，基于特征向量利用DBSCAN聚类方法对这些目标像素点进行聚类，得到N个像素点类别，N为正整数，每一个像素点类别对应目标闭合边缘上的一段边缘，像素点类别中的元素数量越多说明对应的边缘越不规则；分别统计每个像素点类别中的元素数量，得到最大元素数量；由于偏离标准圆的边缘像素点是因为阀帽凹坑内小孔边缘的磨损引起的，因此将像素点类别的数量和最大元素数量之间的乘积作为阀帽凹坑内小孔边缘的第一磨损程度。
（3）根据标准圆上每个像素点的切线斜率可知每个像素点的切线斜率的变化率是相等的，也即是标准圆对应的像素点的切线斜率的变化率是一个定值，则分别计算像素点类别对应边缘上相邻两个边缘像素点的切线斜率之间的切线斜率差值，对像素点类别中的所有切线斜率差值进行相加得到切线斜率差值累加值，则一个像素点类别对应一个切线斜率差值累加值；同理，根据标准圆上每个像素点的切线斜率得到标准圆的标准切线斜率差值，计算切线斜率差值累加值与标准切线斜率差值之间的差值，将差值与像素点类别中切线斜率差值的数量之间的比值作为对应边缘的圆弧不规则度，比值越大，说明边缘与标准圆中相同位置处的圆弧差异越大，则将每个像素点类别对应边缘的圆弧不规则度进行相加得到圆弧不规则度总和。
（4）由于一个像素点类别对应一段边缘，且边缘还是不规则边缘，则不规则边缘分布的越均匀说明目标闭合边缘越规则，对应阀帽凹坑内小孔边缘的磨损程度比较均衡，因此根据不规则边缘的分布情况分析目标闭合边缘上不规则边缘的分布均匀指标：根据每个像素点类别中的元素数量为每个像素点类别分配权重，权重的计算公式为
Figure 967193DEST_PATH_IMAGE009
，其中
Figure 260771DEST_PATH_IMAGE010
为第i个像素点类别的权重，
Figure 645616DEST_PATH_IMAGE011
为第i个像素点类别的元素数量；分别获取每个像素点类别的聚类中心点，计算相邻两个聚类中心点之间的欧式距离，以得到平均欧式距离，结合每个像素点类别对应欧式距离与平均欧式距离之间的距离差值、以及每个像素点类别的权重得到分布均匀指标，则分布均匀指标的计算公式为：
Figure 389336DEST_PATH_IMAGE014
其中，
Figure 226842DEST_PATH_IMAGE015
为分布均匀指标；
Figure 58531DEST_PATH_IMAGE016
为第i个像素点类别的聚类中心点(
Figure 734101DEST_PATH_IMAGE017
,
Figure 297938DEST_PATH_IMAGE018
)与第i+1个像素点类别的聚类中心点(
Figure 826002DEST_PATH_IMAGE019
,
Figure 897601DEST_PATH_IMAGE020
)之间的欧式距离；
Figure 663563DEST_PATH_IMAGE021
为N个像素点类别对应的平均欧式距离。
像素点类别的聚类中心点分布越不均匀，说明阀帽凹坑内小孔边缘的磨损程度越严重，也即是磨损现象比较杂乱，相对应的，像素点类别的聚类中心点之间的欧式距离与平均欧式距离之间的距离差值越小，分布均匀指标
Figure 398301DEST_PATH_IMAGE015
越小，越说明目标闭合边缘越规则，越规则说明磨损程度越均衡。
（5）将偏移程度、第一磨损程度、圆弧不规则度总和与分布均匀指标之间的乘积作为目标闭合边缘的不规则程度。
步骤S003，获取由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，根据目标区域中的灰度值和面积得到目标区域的第二磨损程度；将不规则程度和第二磨损程度之间的乘积作为阀帽凹坑的损伤程度。
具体的，在阀帽凹坑的不断磨损过程中，会将小孔外的阀帽凹坑内的部分区域的颜色磨损掉，形成很明显的颜色变化，因此需要对小孔外的阀帽凹坑内的部分区域进行磨损检测，具体方法为：
由于小孔外的磨损区域是基于小孔位置往外扩展磨损造成的，因此小孔外的磨损区域对应的闭合边缘与目标闭合边缘相邻，故获取与距离目标闭合边缘最近的闭合边缘，进而得到由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，该目标区域即为小孔外的磨损区域；根据目标区域中每个像素点的灰度值计算灰度值均值，同时获取目标区域的面积，然后将灰度值均值与目标区域的面积之间的乘积作为目标区域的第二磨损程度。
进一步的，结合阀帽凹坑内小孔边缘的磨损和小孔外的阀帽凹坑内部磨损，得到阀帽凹坑的整体磨损，即将目标闭合边缘的不规则程度与目标区域的第二磨损程度之间的乘积作为阀帽凹坑的损伤程度；设置损伤程度阈值，当阀帽凹坑的损伤程度大于损伤程度阈值时，认为该阀帽磨损严重，需要及时更换，避免影响共轨喷油器的正常使用。
综上所述，本发明实施例提供了一种应用电子设备对共轨喷油器进行损伤识别的方法，该方法获取阀帽凹坑的灰度图像，对灰度图像进行边缘检测得到边缘图像；根据边缘图像中各个边缘线上边缘像素点的灰度值、边缘线的位置确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘，计算目标闭合边缘的不规则程度；获取由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，根据目标区域中的灰度值和面积得到目标区域的第二磨损程度；将不规则程度和第二磨损程度之间的乘积作为阀帽凹坑的损伤程度，提高了损伤检测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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)

1.一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，该方法包括以下步骤：
利用图像采集设备采集共轨喷油器上阀帽凹坑的正面图像以得到对应的灰度图像；对灰度图像进行边缘检测得到边缘图像；
根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘；根据闭合边缘上像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘，利用霍夫梯度法得到目标闭合边缘对应的标准圆；根据目标闭合边缘上每个边缘像素点到标准圆圆心的距离，得到目标闭合边缘的偏移程度；对目标闭合边缘上偏离标准圆的边缘像素点进行聚类，得到多个像素点类别，将像素点类别的数量和像素点类别中的最大元素数量之间的乘积作为阀帽凹坑内的小孔边缘的第一磨损程度；基于标准圆的圆弧，计算每个像素点类别对应边缘的圆弧不规则度，对圆弧不规则度进行累加得到圆弧不规则度总和；根据每个像素点类别的聚类中心点计算目标闭合边缘中不规则边缘的分布均匀指标；将所述偏移程度、所述第一磨损程度、所述圆弧不规则度总和与所述分布均匀指标之间的乘积作为目标闭合边缘的不规则程度；
获取由目标闭合边缘与距离目标闭合边缘最近的闭合边缘所形成的目标区域，根据目标区域中的灰度值和面积得到目标区域的第二磨损程度；将所述不规则程度和所述第二磨损程度之间的乘积作为阀帽凹坑的损伤程度。
2.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述根据边缘像素点周围所包含的边缘像素点数量确认边缘图像中的闭合边缘的方法，包括：
分别计算边缘图像中每条边缘线上每个边缘像素点的8邻域内所包含的边缘像素点数量，当边缘像素点数量大于1时，令该边缘像素点的特征值为0；当边缘像素点数量小于或等于1时，令对应边缘像素点的特征值为1；
对每个边缘像素点的特征值进行累加，得到每条边缘线的特征值累加值，将特征值累加值为0的边缘线确认为闭合边缘。
3.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述根据闭合边缘上像素点的灰度值、闭合边缘的位置和闭合边缘围成的区域面积确认属于阀帽凹坑内的小孔边缘所对应的目标闭合边缘的方法，包括：
根据当前闭合边缘上每个边缘像素点的灰度值计算平均灰度值，获取当前闭合边缘所围成区域的区域中心点和区域面积，计算区域中心点与边缘图像的图像中心点之间的欧式距离；获取当前闭合边缘的最小外接圆面积，计算区域面积与最小外接圆面积之间的比值；
结合所述平均灰度值、所述欧式距离和所述比值得到当前闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标，则可能性指标的计算公式为：
Figure 861232DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为可能性指标；
Figure 910090DEST_PATH_IMAGE004
为所述平均灰度值；
Figure DEST_PATH_IMAGE005
为区域面积；
Figure 497935DEST_PATH_IMAGE006
为最小外接圆面积；
Figure DEST_PATH_IMAGE007
为区域中心点的坐标；
Figure 606837DEST_PATH_IMAGE008
为图像中心点的坐标；
获取每个闭合边缘属于阀帽凹坑内的小孔边缘的可能性指标，将最大的可能性指标所对应的闭合边缘作为阀帽凹坑内的小孔边缘所对应的目标闭合边缘。
4.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述目标闭合边缘的偏移程度的获取方法，包括：
利用欧式距离公式分别计算目标闭合边缘上每个边缘像素点到标准圆圆心的欧式距离；计算每个欧式距离和标准圆的半径之间的差值，将所有差值进行相加得到差值累加值，所述差值累加值即为目标闭合边缘的偏移程度。
5.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述对目标闭合边缘上偏离标准圆的边缘像素点进行聚类的方法，包括：
以标准圆的圆心为原点、图像水平向右的方向为横坐标方向，构建直角坐标系，获取目标闭合边缘上偏离标准圆的边缘像素点，将这些边缘像素点作为目标像素点；
基于直角坐标系获取每个目标像素点与横坐标方向之间夹角，且令处于标准圆之外的目标像素点的标记值为-1，令处于标准圆内的目标像素点的标记值为1，将夹角和标记值构成每个目标像素点的特征向量，基于特征向量利用DBSCAN聚类方法对目标像素点进行聚类。
6.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述基于标准圆的圆弧，计算每个像素点类别对应边缘的圆弧不规则度的方法，包括：
分别计算当前像素点类别对应边缘上相邻两个边缘像素点的切线斜率之间的切线斜率差值，对当前像素点类别中的所有切线斜率差值进行相加得到切线斜率差值累加值；
根据标准圆上每个像素点的切线斜率得到标准圆的标准切线斜率差值，计算切线斜率差值累加值与标准切线斜率差值之间的差值，将差值与当前像素点类别中切线斜率差值的数量之间的比值作为当前像素点类别对应边缘的圆弧不规则度。
7.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述根据每个像素点类别的聚类中心点计算目标闭合边缘中不规则边缘的分布均匀指标的方法，包括：
根据每个像素点类别中的元素数量为每个像素点类别分配权重，权重的计算公式为
Figure DEST_PATH_IMAGE009
，其中
Figure 906231DEST_PATH_IMAGE010
为第i个像素点类别的权重，
Figure DEST_PATH_IMAGE011
为第i个像素点类别的元素数量；
Figure 257316DEST_PATH_IMAGE012
为像素点类别的数量；
分别获取每个像素点类别的聚类中心点，计算相邻两个聚类中心点之间的欧式距离，得到平均欧式距离；结合每个像素点类别对应的欧式距离与平均欧式距离之间的距离差值、以及每个像素点类别的权重得到分布均匀指标，则分布均匀指标的计算公式为：
Figure 263449DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为分布均匀指标；
Figure 41787DEST_PATH_IMAGE016
为第i个像素点类别的聚类中心点(
Figure DEST_PATH_IMAGE017
,
Figure 828477DEST_PATH_IMAGE018
)与第i+1个像素点类别的聚类中心点(
Figure DEST_PATH_IMAGE019
,
Figure 219139DEST_PATH_IMAGE020
)之间的欧式距离；
Figure DEST_PATH_IMAGE021
为N个像素点类别对应的平均欧式距离。
8.如权利要求1所述的一种应用电子设备对共轨喷油器进行损伤识别的方法，其特征在于，所述根据目标区域中的灰度值和面积得到目标区域的第二磨损程度的方法，包括：
根据目标区域中每个像素点的灰度值计算灰度值均值，将所述灰度值均值与目标区域的面积之间的乘积作为目标区域的第二磨损程度。
CN202211204904.7A 2022-09-30 2022-09-30 一种应用电子设备对共轨喷油器进行损伤识别的方法 Active CN115272946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204904.7A CN115272946B (zh) 2022-09-30 2022-09-30 一种应用电子设备对共轨喷油器进行损伤识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204904.7A CN115272946B (zh) 2022-09-30 2022-09-30 一种应用电子设备对共轨喷油器进行损伤识别的方法

Publications (2)

Publication Number Publication Date
CN115272946A true CN115272946A (zh) 2022-11-01
CN115272946B CN115272946B (zh) 2022-12-23

Family

ID=83758122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204904.7A Active CN115272946B (zh) 2022-09-30 2022-09-30 一种应用电子设备对共轨喷油器进行损伤识别的方法

Country Status (1)

Country Link
CN (1) CN115272946B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443802A (zh) * 2019-08-29 2019-11-12 景致三维（江苏）股份有限公司 图像检测方法和装置、设备及存储介质
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法
CN114842002A (zh) * 2022-07-04 2022-08-02 山东华尚电气有限公司 一种检测油浸式变压器故障的方法
CN114998341A (zh) * 2022-08-04 2022-09-02 启东万惠机械制造有限公司 一种基于模板匹配的齿轮缺陷检测方法及系统
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115049669A (zh) * 2022-08-16 2022-09-13 如皋富美龙金属制品有限公司 金属缺陷识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443802A (zh) * 2019-08-29 2019-11-12 景致三维（江苏）股份有限公司 图像检测方法和装置、设备及存储介质
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法
CN114842002A (zh) * 2022-07-04 2022-08-02 山东华尚电气有限公司 一种检测油浸式变压器故障的方法
CN114998341A (zh) * 2022-08-04 2022-09-02 启东万惠机械制造有限公司 一种基于模板匹配的齿轮缺陷检测方法及系统
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115049669A (zh) * 2022-08-16 2022-09-13 如皋富美龙金属制品有限公司 金属缺陷识别方法

Also Published As

Publication number Publication date
CN115272946B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN109325935B (zh) 一种基于无人机图像的输电线路检测方法
CN115100221B (zh) 一种玻璃缺陷分割方法
CN114170228B (zh) 一种计算机图像边缘检测方法
CN110544261B (zh) 一种基于图像处理的高炉风口喷煤状态检测方法
CN115115638B (zh) 一种液压系统漏油检测及判定方法
CN110930377B (zh) 一种基于多任务学习的排水管道异常类型自动检测方法
CN115311304B (zh) 一种铁板锈蚀缺陷检测方法
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN115294159B (zh) 金属紧固件腐蚀区域分割方法
CN115861320A (zh) 一种汽车零件加工信息智能检测方法
CN115170570A (zh) 基于灰度游程矩阵的织物起毛起球检测方法
CN115272946B (zh) 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
KR101452896B1 (ko) 분무이미지 처리시스템 및 그 방법
CN107330881B (zh) 一种用于识别轮毂气门孔的方法
CN111191659B (zh) 服装生产系统多形状衣架识别方法
CN105335981A (zh) 一种基于图像的货物监控方法
CN115187607B (zh) 一种基于图像处理的喷油器喷雾形态检测方法
CN115205317B (zh) 一种桥梁监测光电标靶图像光斑中心点提取方法
CN115272345B (zh) 基于图像处理的防火面料质量分析方法
CN113902667B (zh) 一种用于机器视觉的螺纹旋向识别方法与系统
CN110853017A (zh) 一种粉末颗粒图像中圆颗粒数量统计方法
Libuda et al. Ellipse detection in digital image data using geometric features
CN115187849A (zh) 一种自适应的摄像头偏移的识别方法
CN117745730B (zh) 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant