CN115294130B - 一种水泵叶轮异常识别方法 - Google Patents
一种水泵叶轮异常识别方法 Download PDFInfo
- Publication number
- CN115294130B CN115294130B CN202211220216.XA CN202211220216A CN115294130B CN 115294130 B CN115294130 B CN 115294130B CN 202211220216 A CN202211220216 A CN 202211220216A CN 115294130 B CN115294130 B CN 115294130B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- impeller
- water pump
- edge
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000003708 edge detection Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种水泵叶轮异常识别方法。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水泵叶轮的异常识别检测。首先利用相机获取叶轮图像,对叶轮图像进行数据处理得到多个重要性点;对多个重要性点进行数据处理,得到区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵。根据待检测水泵叶轮的叶轮图像和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异,判断检测水泵叶轮是否异常,完成对水泵叶轮的异常识别。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种水泵叶轮异常识别方法。
背景技术
水泵是输送液体或使液体增压的机械设备,这种机器主要用来输送液体,现如今有很多不同种类的水泵。其中有一种泵被叫做叶轮式泵。这种泵是依靠旋转的叶轮对流体的作用,传递能量,增大流体动能。而叶轮作为其中的关键部件,其因为长时间的在水下运作,叶片在转动时水流产生的摩擦力会对叶轮造成损害,即使是现如今质量最好的金属所制成的叶轮也无法规避这点。因此随着水泵使用年限的增大,水泵叶轮就会出现腐蚀或者裂纹,更有甚者叶片出现断裂,因此需要在对叶轮进行异常识别。
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水泵叶轮异常识别方法,所采用的技术方案具体如下:
采集待检测水泵叶轮的叶轮图像,对所述叶轮图像进行灰度化得到叶轮灰度图;
使用Canny算子对于叶轮灰度图提取边缘,对得到的边缘像素点进行去噪,得到去噪边缘图像;利用霍夫圆检测得到曲线数量,将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别;以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵;
计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异;当矩阵差异大于等于预设差异值时,待检测水泵叶轮异常。
优选的,所述利用霍夫圆检测得到曲线数量,包括:
使用霍夫圆检测检测出水泵叶轮中间的圆形部分的中心圆轴的圆心点和中心圆轴的半径;以该中心圆轴的圆心点为新的圆心点,以2倍的中心圆轴的半径为新的半径,得到一个新圆环;获取所述新圆环交于去噪边缘图像上每条边缘点的交点数量,作为曲线数量。
优选的,所述以每个类别中的聚类中心点作为重要性点,包括:
获取各类别的聚类中心点和水泵叶轮中间的圆形部分的中心圆轴的圆心点,得到聚类中心点和圆心点的连线,得到移动方向;使聚类中心点一直保持在边缘像素点上,向圆心点移动,每次移动更新聚类中心点时,再次得到更新后的聚类中心点到中心圆心点的移动方向;聚类中心点每移动一次,计算其密度聚类,设定聚类圆形大小为半径为5的圆形,统计聚类圆形中边缘像素点的数量,通过欧式距离计算聚类中心点和中心圆轴的圆心点的距离,当聚类中心点朝向圆心点的方向无法移动,且此时聚类中心点无论如何移动,两者之间的距离都不再变短时,停止聚类;计算每个聚类中心点位置得到的聚类圆形内部的边缘像素点的数量;选择边缘像素点的数量最大的聚类中心点,作为重要性点。
优选的,所述根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵,包括:
所述风格矩阵为:
其中,为风格矩阵;/>为第1个重要性点对应的区域边缘像素点数量序列;/>为第2个重要性点对应的区域边缘像素点数量序列;/>为第D个重要性点对应的区域边缘像素点数量序列。
优选的,所述将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别,包括:
利用DBSCAN聚类算法对去噪边缘图像中的边缘像素点进行聚类,得到多个类别,类别的数量为曲线数量。
本发明实施例至少具有如下有益效果:
该方法采集待检测水泵叶轮的叶轮图像,对所述叶轮图像进行灰度化得到叶轮灰度图;使用Canny算子对于叶轮灰度图提取边缘,对得到的边缘像素点进行去噪,得到去噪边缘图像;利用霍夫圆检测得到曲线数量,将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别;以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵;计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异;当矩阵差异大于等于预设差异值时,待检测水泵叶轮异常。
本发明是识别水泵叶轮的异常,首先使用了边缘检测得到边缘点,根据图像特征和边缘图像得到聚类的圆的数量,由此得到聚类圆的个数和初始中心点。之后得到重要性点并构建形状上下文,通过形状上下文的序列构建风格矩阵。由于形状上下文需要每个边缘点得到代价矩阵,之后一一对比代价矩阵才可以匹配,而本发明将其简化为几个重要性点,大大减少了计算量。但是于此同时,只剩下几个代价矩阵的话,匹配精度又稍显不够,本发明结合了风格矩阵,另其中每个像素点都解释边缘点特征,构建的风格矩阵就可以表示边缘图像的风格。
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水泵叶轮异常识别方法的方法流程图。
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水泵叶轮异常识别方法,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。
本发明实施例提供了一种水泵叶轮异常识别方法的具体实施方法,该方法适用于水泵叶轮异常识别场景。
下面结合附图具体的说明本发明所提供的一种水泵叶轮异常识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种水泵叶轮异常识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集待检测水泵叶轮的叶轮图像,对所述叶轮图像进行灰度化得到叶轮灰度图。
水泵叶轮是水泵中非常重要的设备,因此在生产水泵时,需要识别水泵叶轮是否出现缺叶和划痕摩擦等情况影响叶轮的长时间使用。在生产线中,在生产出的水泵叶轮传送带正上方放置图像采集设备,用于采集待检测水泵叶轮的叶轮图像。对于采集得到的叶轮图像,使用加权平均法对叶轮图像进行灰度化,得到叶轮灰度图,设图像大小为N*M。
至此,通过图像采集装置就得到了叶轮图像和对应的灰度化后的叶轮灰度图。需要说明的是图像采集装置为相机。
步骤S200,使用Canny算子对于叶轮灰度图提取边缘,对得到的边缘像素点进行去噪,得到去噪边缘图像;利用霍夫圆检测得到曲线数量,将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别;以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵。
确定风格矩阵的全过程:
(1)对采集到的叶轮灰度图进行边缘检测,使用滤波去噪。
(2)使用聚类得到重要性点的坐标,以重要性点构建形状上下文。
(3)根据每个重要性点得到的序列构建风格矩阵。
以下为对采集到的叶轮灰度图进行边缘检测,使用滤波去噪的具体展开:
本发明使用形状上下文算法作为基底来判断水泵叶轮的异常,而形状上下文算法需要对于轮廓点使用,并且该算子对噪声点的反应较为明显。
因此本发明首先使用Canny算子对于叶轮灰度图提取边缘,使用Canny算子提取得到的边缘已经经过了非极大抑制操作,得到的边缘轮廓线都是宽度为1的细线。边缘图像种边缘部分灰度值为1,其余部分灰度值为0,得到了多个边缘像素点。
又因为噪声点大多时孤立存在的,因此对于所有检测得到的边缘像素点进行去噪处理,具体的进行噪声点辨别,当某一个边缘像素点周围3*3邻域内没有其余边缘像素点时,那么就认为该像素点为孤立噪声点,对于使用此方法检测得到的噪声点,标记其坐标,将标记坐标对应的所有像素点的灰度值变为0。就得到了一张去噪完成的去噪边缘图像。
进一步的,使用聚类得到重要性点的坐标,以重要性点构建形状上下文。以下为使用聚类得到重要性点的坐标,以重要性点构建形状上下文的具体展开:
使用形状上下文对待测的叶轮图像进行识别时,需要有无损水泵叶轮的叶轮图像作为模板图像,因此使用图像采集设备采集到一张无损的叶轮图像,同样使用上述方式对模板图像进行灰度化,边缘检测并且去噪。
进一步的,对待检测水泵叶轮对应的去噪边缘图像继续进行数据处理。传统的形状上下文检测,需要对所有轮廓边缘点统计得到,对每一个边缘像素点得到一个代价矩阵,之后对于两张图像的每个代价矩阵一一进行比较确认是否可以进行匹配,这种方法需要极大的计算量,因此本发明给出轮廓边缘点的重要性程度,也即给出边缘像素点的重要性程度,根据重要性程度得到数个重要性点,之后只针对每个重要性点分析其形状上下文。并且之后也不进行一一比对,而是使每个重要性点的形状上下文形成一个序列,通过不同的序列做内积构成风格矩阵,通过风格矩阵来识别异常。
因为在之后要使用同样的方法对于待检测水泵叶轮进行重要性点的确定,因此在本方案中重要性点指的是在水泵叶轮上受到外力影响变化较小的点,尽量使其在不同图像中确定的重要性点是相同的位置。
而对于水泵叶轮来说,即使出现叶片损坏也不会破坏掉叶片最里面部分叶片的部分,因此可以选取叶片与中心圆轴边缘相交的点作为特征点,由于以该点为中心,从该点出发得到三条边缘,而在叶片边缘上的像素点只有两条,因此可以使用聚类的方法得到这些重要性点的位置。需要说明的中心圆轴为水泵叶轮的中间的圆形部分。
使用的聚类算法为DBSCAN聚类算法,使用该DBSCAN聚类算法首先要确定聚类的类别数量,聚类的类别数量和重要性点有关,而本发明所想要的重要性点又与叶片的数量相同,使用边缘检测后,叶片的数量就可以等价为曲线边缘的数量。
首先,利用霍夫圆检测得到曲线数量,具体的:使用霍夫圆检测检测出水泵叶轮中间的圆形部分的中心圆轴的圆心点和中心圆轴的半径;以该中心圆轴的圆心点为新的圆心点,以2倍的中心圆轴的半径为新的半径,得到一个新圆环;该新圆环交每条曲线边缘有一点,根据所交的交点数量就可以得到曲线的数量,也即获取所述新圆环交于去噪边缘图像上每条边缘点的交点数量,作为曲线数量D。
由于想要让聚类能够更快的聚类,直接令聚类的聚类中心点为初始位置,为了减少遍历的计算量。获取各类别的聚类中心点和水泵叶轮中间的圆形部分的中心圆轴的圆心点,得到聚类中心点和圆心点的连线,得到移动方向;使聚类中心点一直保持在边缘像素点上,并向圆心点移动,每次移动更新聚类中心点时,再次得到更新后的聚类中心点到中心圆心点的移动方向;聚类中心点每移动一次,计算其密度聚类,设定聚类圆形大小为半径为5的圆形,统计聚类圆形中边缘像素点的数量,通过欧式距离计算聚类中心点和中心圆轴的圆心点的距离,当聚类中心点朝向圆心点的方向无法移动,且此时聚类中心点无论如何移动,两者之间的距离都不再变短时,停止聚类;计算每个聚类中心点位置得到的聚类圆形内部的边缘像素点的数量;选择边缘像素点的数量最大的聚类中心点,作为重要性点。
先前通过聚类算法得到的聚类的类别数量有D个,那么就是得到了D个重要性点,并得到其重要性点的坐标。
以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列,具体的:
以每个重要性点构建一个形状上下文,以重要性点所在的位置为圆心,不同尺度大小为半径,其中最大半径为,下一个半径为它的1/2,以此类推,当半径小于5时,半径不在缩小,得到多个形状上下文区域。
将形状上下文区域按照区域内区域边缘像素点的数量的大小,从小到大依次标记,一个圆被分为12份,总共有个圆,也就是说形状上下文区域共有12C个,由此每个重要性点就得到了一个区域边缘像素点数量序列:
其中,为第v个重要性点对应的区域边缘像素点数量序列;/>为第1个形状上下文区域的区域边缘像素点的数量;/>为第2个形状上下文区域的区域边缘像素点的数量;/>为第3个形状上下文区域的区域边缘像素点的数量;/>为第z个形状上下文区域的区域边缘像素点的数量;/>为第12C个形状上下文区域的区域边缘像素点的数量。
进一步的,根据每个重要性点得到的序列构建风格矩阵。以下为根据每个重要性点得到的序列构建风格矩阵的具体展开:
每个重要性点的区域边缘像素点数量序列都表示该重要性点对于图像特征的解释,当两个区域边缘像素点数量序列做内积时可以反映同样对图像特征解释的点的相关性。根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵。
所述风格矩阵为:
其中,为风格矩阵;/>为第1个重要性点对应的区域边缘像素点数量序列;/>为第2个重要性点对应的区域边缘像素点数量序列;/>为第D个重要性点对应的区域边缘像素点数量序列。
至此,确定重要性点之后,对于每个重要性点得到区域边缘像素点数量序列,构建风格矩阵。
步骤S300,计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异;当矩阵差异大于预设差异值时,待检测水泵叶轮异常。
对于无损水泵叶轮的叶轮图像,同样得到一个风格矩阵,令两个风格矩阵对比,计算其矩阵差异,也即计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异。矩阵差异是由两个风格矩阵对应位置的值做差的累加和的均值得到。使用归一化将矩阵差异进行归一化,设归一化后的风格差异的值为。
当矩阵差异大于等于预设差异值时,待检测水泵叶轮异常;当矩阵差异小于预设差异值时,就认为待测叶轮无明显损坏和磨损。在本发明实施例中预设差异值的取值为0.2,在其他实施例中实施者可根据实际情况调整该取值。
通过待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵计算其风格差异,通过计算得到的风格差异识别叶轮是否异常。
综上所述,该方法采集待检测水泵叶轮的叶轮图像,对所述叶轮图像进行灰度化得到叶轮灰度图;使用Canny算子对于叶轮灰度图提取边缘,对得到的边缘像素点进行去噪,得到去噪边缘图像;利用霍夫圆检测得到曲线数量,将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别;以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵;计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异;当矩阵差异大于等于预设差异值时,待检测水泵叶轮异常。
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。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 (1)
1.一种水泵叶轮异常识别方法,其特征在于,该方法包括以下步骤:
采集待检测水泵叶轮的叶轮图像,对所述叶轮图像进行灰度化得到叶轮灰度图;
使用Canny算子对于叶轮灰度图提取边缘,对得到的边缘像素点进行去噪,得到去噪边缘图像;利用霍夫圆检测得到曲线数量,将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别;以每个类别中的聚类中心点作为重要性点;以每个重要性点构建一个形状上下文,得到每个重要性点对应的形状上下文区域,将形状上下文区域从小到大依次标记,每个重要性点对应的区域边缘像素点数量序列;根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵;
计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异;当矩阵差异大于等于预设差异值时,待检测水泵叶轮异常;
所述利用霍夫圆检测得到曲线数量,包括:
使用霍夫圆检测检测出水泵叶轮中间的圆形部分的中心圆轴的圆心点和中心圆轴的半径;以该中心圆轴的圆心点为新的圆心点,以2倍的中心圆轴的半径为新的半径,得到一个新圆环;获取所述新圆环交于去噪边缘图像上每条边缘点的交点数量,作为曲线数量;
所述以每个类别中的聚类中心点作为重要性点,包括:
获取各类别的聚类中心点和水泵叶轮中间的圆形部分的中心圆轴的圆心点,得到聚类中心点和圆心点的连线,得到移动方向;使聚类中心点一直保持在边缘像素点上,向圆心点移动,每次移动更新聚类中心点时,再次得到更新后的聚类中心点到中心圆心点的移动方向;聚类中心点每移动一次,计算其密度聚类,设定聚类圆形大小为半径为5的圆形,统计聚类圆形中边缘像素点的数量,通过欧式距离计算聚类中心点和中心圆轴的圆心点的距离,当聚类中心点朝向圆心点的方向无法移动,且此时聚类中心点无论如何移动,两者之间的距离都不再变短时,停止聚类;计算每个聚类中心点位置得到的聚类圆形内部的边缘像素点的数量;选择边缘像素点的数量最大的聚类中心点,作为重要性点;
所述根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵,包括:
所述风格矩阵为:
其中,为风格矩阵;/>为第1个重要性点对应的区域边缘像素点数量序列;/>为第2个重要性点对应的区域边缘像素点数量序列;/>为第D个重要性点对应的区域边缘像素点数量序列;
所述将所述曲线数量作为聚类的类别数量,对去噪边缘图像中的边缘像素点进行聚类,得到多个类别,包括:
利用DBSCAN聚类算法对去噪边缘图像中的边缘像素点进行聚类,得到多个类别,类别的数量为曲线数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220216.XA CN115294130B (zh) | 2022-10-08 | 2022-10-08 | 一种水泵叶轮异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220216.XA CN115294130B (zh) | 2022-10-08 | 2022-10-08 | 一种水泵叶轮异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294130A CN115294130A (zh) | 2022-11-04 |
CN115294130B true CN115294130B (zh) | 2023-12-26 |
Family
ID=83834656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220216.XA Active CN115294130B (zh) | 2022-10-08 | 2022-10-08 | 一种水泵叶轮异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294130B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437129B (zh) * | 2023-12-18 | 2024-03-08 | 山东心传矿山机电设备有限公司 | 一种矿用智能水泵叶轮故障图像细节增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
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 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
-
2022
- 2022-10-08 CN CN202211220216.XA patent/CN115294130B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
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 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115294130A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN113689428A (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN109583357B (zh) | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN115294130B (zh) | 一种水泵叶轮异常识别方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN116092013A (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN111524144B (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
CN110942076B (zh) | 一种陶瓷产品防伪标识生成方法及系统 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
CN111539330A (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN115131346B (zh) | 基于人工智能的发酵罐加工工序检测方法及系统 | |
CN116012399A (zh) | 点云平面识别和边缘检测方法 | |
US8755588B2 (en) | Method for automatic region segmentation on cartridge case base and selection of the best mark region for cartridge case comparison | |
CN113884299B (zh) | 基于人工智能的滚塑机械故障检测方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN115457044A (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN114399463A (zh) | 一种基于数字图像处理的锯片拾取方法及系统 | |
CN103577826A (zh) | 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 |
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 |