CN115496897B - 基于数字图像处理的去离子水固体杂质检测方法和系统 - Google Patents
基于数字图像处理的去离子水固体杂质检测方法和系统 Download PDFInfo
- Publication number
- CN115496897B CN115496897B CN202211234136.XA CN202211234136A CN115496897B CN 115496897 B CN115496897 B CN 115496897B CN 202211234136 A CN202211234136 A CN 202211234136A CN 115496897 B CN115496897 B CN 115496897B
- Authority
- CN
- China
- Prior art keywords
- images
- deionized water
- image
- pixel point
- gray value
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 83
- 239000008367 deionised water Substances 0.000 title claims abstract description 68
- 229910021641 deionized water Inorganic materials 0.000 title claims abstract description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 239000007787 solid Substances 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Nonlinear Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数字图像处理的去离子水固体杂质检测方法和系统,本发明通过对采集的图像进行预处理,然后根据去离子水中固体杂质的特点对目标对象进行特征提取,最后使用识别算法对去离子水中的固体杂质进行识别,完成去离子水中固体杂质的检测。本发明利用图像处理技术自动实现去离子水固体杂质的检测,检测速度快,提高了检查效率;同时无需进行人工识别,大大提高了检测准确性和可靠性。
Description
技术领域
本发明涉及数字图像检测识别技术领域,具体涉及一种基于数字图像处理的去离子水固体杂质检测方法和系统。
背景技术
在探索核电站反应堆一回路系统及设备的考核与验证的各项试验中,对反应堆泵、阀门、控制棒驱动线等关键动力设备的试验对使用的去离子水质量有着较高的要求,一方面是为了创造良好的试验环境,保证所采集试验数据的准确性和可靠性;另一方面是为了保护各种试验件和陪试件,因为试验件和陪试件往往造价高昂,维修和运输的成本较高、周期较长,去离子水中的杂质会对试验件、旋转机械装置等设备造成损害。在长期试验运行过程、试验回路管道改造、试验件和陪试件焊接安装等情况下,管道中的原本纯净的去离子水可能会产生杂质,从而影响试验环境,且对各设备造成损害。因此及时完成对去离子水杂质的检测,可以保障试验的顺利开展,同时有效地保护试验件和陪试件。
去离子水固体杂质检测是判断去离子水是否合格的重要检测项目之一。目前,国内大多数的去离子水固体杂质检测使用的都是人工处理的方式,即相应的检测人员依靠肉眼检测,将采集好的瓶装去离子水进行旋转和翻转等操作,然后静置,观察该过程中是否有杂质,以此判断该去离子水是否合格。但去离子水中的固体杂质往往较微小,肉眼难以观测,同时该方法主要依赖检测人员经验,掺杂了较多的主观因素而非客观的定量标准,且效率低,成本高,在去离子水经过旋转、摇晃后,产生的气泡会与微小杂质互相干扰,增大人工检测难度,导致较大的误差。
发明内容
为了解决现有检测技术存在的效率低、准确性较差的问题,本发明提供了一种基于数字图像处理的去离子水固体杂质检测方法。本发明利用数字图像处理技术,实现去离子水固体杂质的快速可靠检测,大大降低了检测人员的检测难度和工作强度。
本发明通过下述技术方案实现:
一种基于数字图像处理的去离子水固体杂质检测方法,包括:
以预设时间间隔或采样率连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像;
对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图;
依次对N帧灰度图中相邻的两帧灰度图进行图像差分,得到N-1幅差分图像;
分别计算N-1幅差分图像的平均灰度值;
将N-1幅差分图像的平均灰度值分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化,得到N-1幅二值图像;
对N-1幅二值图像进行图像叠加,得到杂质运动轨迹二值图像;
获取杂质运动轨迹二值图像的ROI区域;
计算ROI区域的总有效点个数;
根据总有效点个数,进行去离子水中固体杂质的检测判断。
本发明通过对采集的图像进行预处理,然后根据去离子水中固体杂质的特点对目标对象进行特征提取,最后使用识别算法对去离子水中的固体杂质进行识别,完成去离子水中固体杂质的检测。本发明利用图像处理技术自动实现去离子水固体杂质的检测,检测速度快,提高了检查效率;同时无需进行人工识别,大大提高了检测准确性和可靠性。
作为优选实施方式,本发明的预设时间间隔不大于200ms;或者所述预设采样率不小于5Hz。
作为优选实施方式,本发明的N不小于20。
作为优选实施方式,本发明在执行图像差分处理步骤之前,还包括:
对N帧灰度图进行高斯滤波,以消除高斯噪声。
作为优选实施方式,本发明的二值化处理过程包括:
依次遍历差分图像中的每个像素点,若像素点的灰度值大于等于其所属差分图像的平均灰度值,则将该像素点的灰度值置为0;若像素点的灰度值小于其所属差分图像的平均灰度值,则将该像素点的灰度值置为255。
作为优选实施方式,本发明对N-1幅二值图像进行图像叠加,叠加后的图像为杂质由运动状态到静止状态的运动轨迹二值图像。
作为优选实施方式,本发明的总有效点个数计算过程具体为:
依次遍历ROI区域图像中的每个像素点,若像素点的灰度值为255,则该像素点为一个有效点;若像素点的灰度值为0,则该像素点为无效点。
作为优选实施方式,本发明的进行去离子水中固体杂质的检测判断,具体为:
当总有效点个数大于预设值时,则判断去离子水中存在固体杂质;
否则,判断去离子水中无固体杂质。
作为优选实施方式,本发明的预设值为0或根据试验得到的经验值。
另一方面,本发明提出了一种基于数字图像处理的去离子水固体杂质检测系统,包括:
样本图像获取模块,以预设时间间隔连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像;
灰度化处理模块,用于对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图;
差分模块,用于对相邻的两帧灰度图进行图像差分,得到N-1幅差分图像;
计算模块,分别计算N-1幅差分图像的平均灰度值;
二值化模块,将N-1幅差分图像的平均灰度值分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化处理,得到N-1幅二值图像;
叠加模块,对N-1幅二值图像进行图像叠加,得到杂质运动轨迹二值图像;
ROI模块,用于获取杂质运动轨迹二值图像的ROI区域;
统计模块,用于计算ROI区域的总有效点个数;
判断模块,根据总有效点个数,进行去离子水中固体杂质的检测判断。
本发明具有如下的优点和有益效果:
1、与传统的依靠人工检测的技术相比,本发明利用基于数字图像处理的检测技术,能够实现去离子水固体杂质的智能化检测,提高了去离子水固体杂质检测效率和准确性,大大降低了检测人员的检测难度和工作强度。
2、本发明通过对去离子水中固体杂质运动过程的图像采集、处理,对去离子水中的固体杂质进行快速准确的识别,自动完成去离子水中固体杂质的检测;同时还采用二值化处理技术,使得传统的不容易区分的识别目标与干扰区分开来,提高了检测的准确性和可靠性。
3、本发明应用范围广,可实现各种透明或半透明液体中杂质的智能化检测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的计算机设备原理框图。
图3为本发明实施例的系统原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
传统的利用人工识别处理的去离子水固体杂质检测技术存在检测效率低、检测准确性较差等问题。基于此,本发明实施例提出了一种基于数字图像处理的去离子水固体杂质检测方法,本发明实施例提出的方法利用数字图像处理技术自动实现去离子水中的固体杂质检测识别,提高了检测效率和准确率,且降低了检查人员的检查难度和工作强度。
具体如图1所示,本发明实施例的方法具体包括如下步骤:
步骤1,以预设时间间隔连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像。
本发明实施例中,所谓静置状态下,即将透明的装有去离子水的容器位置固定,便于图像采集。
本发明实施例可采用但不限于CCD高清相机等设备进行瓶装去离子水图像采集。
本发明实施例中,通常情况下,去离子水中的微小固体杂质会依附于容器底部或瓶壁上,因此在检测开始前,还需要对瓶装去离子水进行摇晃、翻转,可以使杂质随着去离子水的流动一起运动,以产生杂质运动轨迹,从而提高后续的检测识别的可靠性和精准性。
本发明实施例中,预设时间间隔不大于200ms,即相邻两帧图像的时间间隔不大于200ms(即采样率不小于5Hz),且N不小于20。
步骤2,对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图。
本发明实施例中,将采集的原始彩色图像进行灰度化处理,得到样本图像的256级灰度图,减小数据量,便于后续的预处理和计算。
步骤3,对N帧灰度图进行高斯滤波,消除高斯噪声。
步骤4,对相邻的两帧灰度图进行图像差分,得到N-1幅差分图像。
步骤5,分别计算N-1幅差分图像的平均灰度值,得到N-1幅差分图像的平均灰度值K1,K2,K3,…,KN-1。
步骤6,将N-1幅差分图像的平均灰度值K1,K2,K3,…,KN-1分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化,得到N-1幅二值图像。
本发明实施例中,对每幅差分图像进行二值化处理的过程具体如下:
依次遍历差分图像中的每个像素点,若该像素点的灰度值大于等于其所属差分图像的平均灰度值(阈值),则将该像素点的灰度值置为0(黑色);若该像素点的灰度值小于其所属差分图像的平均灰度值(阈值),则将该像素点的灰度值置为255(白色)。运动状态下,杂质易与去离子水中产的气泡互相干扰,影响检测。气泡由于颜色接近透明或半透明,灰度值高于平均灰度值,二值化后,气泡的灰度值被置为0(黑色);杂质的灰度值小于平均灰度值,二值化后,杂质的灰度值被置为255(白色)。本发明利用二值化处理,原本互相干扰难以区分的气泡和杂质得到了明显的区分,提高了检测准确性和可靠性。
步骤7,对N-1幅二值图像进行图像叠加,得到杂质运动轨迹二值图像。
本发明实施例中,叠加后的图像即为杂质由运动状态到静止状态的运动轨迹二值图像。通过图像叠加,考虑了时间序列内杂质的状态,能够更好的进行杂质检测,减小误差,提高检测准确性和可靠性。
步骤8,获取杂质运动轨迹二值图像的ROI区域。
本发明实施例通过对图像进行裁剪,获取ROI区域,将关注点集中于杂质,避免瓶身的轮廓、外部环境等因素对检测结果的干扰。
步骤9,计算ROI区域的总有效点个数。
本发明实施例中ROI区域的总有效点个数M的计算方式具体为:
依次遍历ROI区域图像中的每个像素点,若该像素点的灰度值为255,则该像素点为一个有效点;若该像素点的灰度值为0,则该像素点为无效点。
步骤10,根据总有效点个数,进行去离子水中固体杂质的检测判断。
本发明实施例中,步骤10的检测判断过程具体为:
当M>0或M>T(T为试验中得到的经验值)时,判断为该去离子水中存在杂质;当M=0或M≤T时,判断为该去离子水中无固体杂质。理想情况下,除杂质外,噪声、气泡、外界环境等干扰项都在上述处理过程中得到了过滤,变为了黑色,黑色灰度值为0,不计入M中,则总有效点个数M为杂质在最终ROI区域所占的像素数量,若当M>0,则有固体杂质,反之无固体杂质。在不同试验条件和试验环境下,存在极少数未完全过滤的干扰项,此时这些干扰会被计入M,将M与T进行比较,M>T,则有杂质,反之无杂质。T是试验中得到的经验值,与干扰类型、图像总像素数、ROI区域的大小等相关。
本实施例还提出了一种计算机设备,用于执行本实施例的上述方法。
具体如图2所示,计算机设备包括处理器、内存储器和系统总线;内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作系统和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机设备访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是,其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
如上面详细描述的,适用于本实施例的计算机设备能执行去离子水固体杂质检测方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本发明实施例提出了一种基于数字图像处理的去离子水固体杂质检测系统,如图3所示,该系统包括:
样本图像获取模块,以预设时间间隔连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像。
灰度化处理模块,用于对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图。
滤波模块,用于对N帧灰度图进行高斯滤波,消除高斯噪声。
差分模块,用于对相邻的两帧灰度图进行图像差分,得到N-1幅差分图像。
计算模块,分别计算N-1幅差分图像的平均灰度值,得到N-1幅差分图像的平均灰度值K1,K2,K3,…,KN-1。
二值化模块,将N-1幅差分图像的平均灰度值K1,K2,K3,…,KN-1分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化处理,得到N-1幅二值图像。
叠加模块,对N-1幅二值图像进行图像叠加,得到杂质运动轨迹二值图像。
ROI模块,用于获取杂质运动轨迹二值图像的ROI区域。
统计模块,用于计算ROI区域的总有效点个数。
判断模块,根据总有效点个数,进行去离子水中固体杂质的检测判断。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于数字图像处理的去离子水固体杂质检测方法,其特征在于,包括:
以预设时间间隔或采样率连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像;N不小于20;
对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图;
依次对N帧灰度图中相邻的两帧灰度图进行图像差分,得到N-1幅差分图像;
分别计算N-1幅差分图像的平均灰度值;
将N-1幅差分图像的平均灰度值分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化,得到N-1幅二值图像;
对N-1幅二值图像进行图像叠加,叠加后的图像为杂质由运动状态到静止状态的运动轨迹二值图像;
获取杂质运动轨迹二值图像的ROI区域;
计算ROI区域的总有效点个数;总有效点个数计算过程具体为:
依次遍历ROI区域图像中的每个像素点,若像素点的灰度值为255,则该像素点为一个有效点;若像素点的灰度值为0,则该像素点为无效点;
根据总有效点个数,进行去离子水中固体杂质的检测判断,具体为:
当总有效点个数大于预设值时,则判断去离子水中存在固体杂质;
否则,判断去离子水中无固体杂质。
2.根据权利要求1所述的一种基于数字图像处理的去离子水固体杂质检测方法,其特征在于,所述预设时间间隔不大于200ms;或者所述预设采样率不小于5Hz。
3.根据权利要求1所述的一种基于数字图像处理的去离子水固体杂质检测方法,其特征在于,在执行图像差分处理步骤之前,还包括:
对N帧灰度图进行高斯滤波,以消除高斯噪声。
4.根据权利要求1所述的一种基于数字图像处理的去离子水固体杂质检测方法,其特征在于,所述二值化处理过程包括:
依次遍历差分图像中的每个像素点,若像素点的灰度值大于等于其所属差分图像的平均灰度值,则将该像素点的灰度值置为0;若像素点的灰度值小于其所属差分图像的平均灰度值,则将该像素点的灰度值置为255。
5.根据权利要求1所述的一种基于数字图像处理的去离子水固体杂质检测方法,其特征在于,所述预设值为0或根据试验得到的经验值。
6.一种基于数字图像处理的去离子水固体杂质检测系统,其特征在于,包括:
样本图像获取模块,以预设时间间隔连续采集瓶装去离子水从运动状态到静止状态的N帧样本图像;N不小于20;
灰度化处理模块,用于对N帧样本图像进行灰度化处理,得到N帧样本图像的灰度图;
差分模块,用于对相邻的两帧灰度图进行图像差分,得到N-1幅差分图像;
计算模块,分别计算N-1幅差分图像的平均灰度值;
二值化模块,将N-1幅差分图像的平均灰度值分别作为N-1幅差分图像的阈值,采用单阈值法对差分图像进行二值化处理,得到N-1幅二值图像;
叠加模块,对N-1幅二值图像进行图像叠加,叠加后的图像为杂质由运动状态到静止状态的运动轨迹二值图像;
ROI模块,用于获取杂质运动轨迹二值图像的ROI区域;
统计模块,用于计算ROI区域的总有效点个数;总有效点个数计算过程具体为:
依次遍历ROI区域图像中的每个像素点,若像素点的灰度值为255,则该像素点为一个有效点;若像素点的灰度值为0,则该像素点为无效点;
判断模块,根据总有效点个数,进行去离子水中固体杂质的检测判断,具体为:
当总有效点个数大于预设值时,则判断去离子水中存在固体杂质;
否则,判断去离子水中无固体杂质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234136.XA CN115496897B (zh) | 2022-10-10 | 2022-10-10 | 基于数字图像处理的去离子水固体杂质检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234136.XA CN115496897B (zh) | 2022-10-10 | 2022-10-10 | 基于数字图像处理的去离子水固体杂质检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496897A CN115496897A (zh) | 2022-12-20 |
CN115496897B true CN115496897B (zh) | 2023-10-31 |
Family
ID=84474799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234136.XA Active CN115496897B (zh) | 2022-10-10 | 2022-10-10 | 基于数字图像处理的去离子水固体杂质检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496897B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测系统及其检测方法 |
CN104237121A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种精子活力性能检测方法 |
CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
CN112285876A (zh) * | 2020-11-04 | 2021-01-29 | 邱妙娜 | 基于图像处理与气泡检测的相机自动对焦方法 |
CN112362251A (zh) * | 2020-11-04 | 2021-02-12 | 李小红 | 基于视觉感知的换水速率水体稳态检测系统及方法 |
CN113297926A (zh) * | 2021-05-06 | 2021-08-24 | 山东大学 | 行为检测识别方法及系统 |
CN114821075A (zh) * | 2021-01-29 | 2022-07-29 | 中国科学院长春光学精密机械与物理研究所 | 空间目标捕获方法、装置、终端设备及存储介质 |
-
2022
- 2022-10-10 CN CN202211234136.XA patent/CN115496897B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测系统及其检测方法 |
CN104237121A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种精子活力性能检测方法 |
CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
CN112285876A (zh) * | 2020-11-04 | 2021-01-29 | 邱妙娜 | 基于图像处理与气泡检测的相机自动对焦方法 |
CN112362251A (zh) * | 2020-11-04 | 2021-02-12 | 李小红 | 基于视觉感知的换水速率水体稳态检测系统及方法 |
CN114821075A (zh) * | 2021-01-29 | 2022-07-29 | 中国科学院长春光学精密机械与物理研究所 | 空间目标捕获方法、装置、终端设备及存储介质 |
CN113297926A (zh) * | 2021-05-06 | 2021-08-24 | 山东大学 | 行为检测识别方法及系统 |
Non-Patent Citations (7)
Title |
---|
分光光度法测定去离子水中微量杂质;姜新其;《工业水处理》;第24卷(第3期);第51-53页 * |
图像处理在数字视频监控系统中的应用;亓璐;《重庆工商大学学报(自然科学版)》;第25卷(第02期);第152-156页 * |
基于Simulink的大米动态图像检测系统仿真;刘璎瑛;《安徽农业科学》;第37卷(第16期);第7607 - 7609页 * |
大输液中可见异物视觉检测算法应用研究;徐珺璐 等;《工业控制计算机》;第33卷(第6期);第19-21页 * |
徐珺璐 等.大输液中可见异物视觉检测算法应用研究.《工业控制计算机》.2020,第33卷(第6期),第19-21页. * |
杨露菁 等.《 智能图像处理及应用》.北京:中国铁道出版社,2019,第144-147页. * |
采用运动分析的液体杂质智能检测方法研究;刘焕军;《现代制造工程》(第08期);第100-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115496897A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021088101A1 (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN111242127A (zh) | 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法 | |
CN110660025B (zh) | 一种基于gan网络的工业监控视频图像清晰化方法 | |
CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN110033424A (zh) | 图像处理的方法、装置、电子设备及计算机可读存储介质 | |
CN111104925A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN112446869A (zh) | 基于深度学习的无监督工业品缺陷检测方法及装置 | |
CN113592832A (zh) | 一种工业品缺陷检测方法和装置 | |
CN114170549A (zh) | 一种基于深度学习的水面漂浮物检测方法 | |
CN114726581B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN109858530B (zh) | 一种基于复合金字塔的旋转目标检测方法 | |
CN115496897B (zh) | 基于数字图像处理的去离子水固体杂质检测方法和系统 | |
CN115187879A (zh) | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 | |
CN116434346B (zh) | 无人值守商店内顾客行为的检测方法、装置及存储介质 | |
CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN112561826A (zh) | 基于人工智能的图像去模糊方法、装置、设备及存储介质 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN115830541A (zh) | 一种基于双流时空自编码器的视频异常事件检测方法 | |
CN112991396B (zh) | 一种基于监控摄像头下的目标跟踪方法及装置 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN115205518A (zh) | 一种基于YOLO v5s网络结构的目标检测方法及其系统 | |
CN114332112A (zh) | 一种细胞图像分割方法、装置、电子设备及存储介质 | |
CN113780136A (zh) | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 | |
WO2021189460A1 (zh) | 图像处理方法、装置及可移动平台 |
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 |