CN115619708A - 基于图像识别主轴轴承润滑油油质变化判断故障的方法 - Google Patents
基于图像识别主轴轴承润滑油油质变化判断故障的方法 Download PDFInfo
- Publication number
- CN115619708A CN115619708A CN202211032627.6A CN202211032627A CN115619708A CN 115619708 A CN115619708 A CN 115619708A CN 202211032627 A CN202211032627 A CN 202211032627A CN 115619708 A CN115619708 A CN 115619708A
- Authority
- CN
- China
- Prior art keywords
- image
- main shaft
- shaft bearing
- lubricating oil
- oil quality
- 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.)
- Pending
Links
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 97
- 239000003921 oil Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005461 lubrication Methods 0.000 claims abstract description 3
- 239000012535 impurity Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 21
- 238000003706 image smoothing Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,获取主轴轴承润滑油油质图像;对所述主轴轴承润滑油油质图像进行预处理;利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化;当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络;通过训练好的深度学习网络来根据主轴轴承润滑油油质变化来判断主轴轴承润的故障。通过工业相机实时获取主轴轴承润滑油油质变化图像,根据油质变化实时判断油质是否发生异常的问题,避免了因为检测周期过长,对主轴轴承造成更大的伤害。
Description
技术领域
本发明涉及轴承检测技术领域,具体涉及一种基于图像识别主轴轴承润滑油油质变化判断故障的方法。
背景技术
润滑油从汽轮机设备内部流过并流经其各个运动着的中心部位,润滑油本身不断降解老化,同时也夹带各部位的磨损颗粒、碎屑、泄漏物质等,因而可以从润滑油的使用状态或品质中得到关于油本身及汽轮机设备机械状态的相关信息,只要设备出现重大异常情况,都会在油品的各项指标变化中得到反映。因而按化学监督管理标准及化学监督技术实施细则要求,需对润滑油定期进行油质检测分析。
目前,对主轴轴承润滑油主要是依靠人工定期检修的方式进行油质监督,检测周期过长,很难及时发现油质变化带来的主轴轴承的故障,一旦油液异常,对主轴轴承的伤害也会越来越严重。因此,亟需一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,以解决上述问题。
发明内容
本发明的目的在于提供一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,以解决的对主轴轴承润滑油主要是依靠人工定期检修的方式进行油质监督,检测周期过长,很难及时发现油质变化带来的主轴轴承的故障,一旦油液异常,对主轴轴承的伤害也会越来越严重问题。
本发明提供一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,包括:
获取主轴轴承润滑油油质图像,其中,所述主轴轴承润滑油油质图像通过CCD显微成像工业摄像机进行图像序列的连续采集;
对所述主轴轴承润滑油油质图像进行预处理;
利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化;
当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络;
通过训练好的深度学习网络来根据主轴轴承润滑油油质变化来判断主轴轴承润的故障。
进一步地,获取主轴轴承润滑油油质图像,其中,所述主轴轴承润滑油油质图像通过具有高分辨率的CCD显微成像工业摄像机进行图像序列的连续采集,包括:
使用基于Win-32驱动程序独立设计应用程序,利用基本的位图处理方式对摄像机捕捉到的图像序列进行存盘处理,首先,调用程序进行摄像机连接;然后连续采集C张图像序列,采集的主轴轴承润滑油油质图像分辨率为M×N;最后将这些采集的主轴轴承润滑油油质图像进行连续命名并保存到根据采集需要实时建立的文件夹中;采集的所述主轴轴承润滑油油质图像为256级灰度图,文件存储格式为bmp。
进一步地,对所述主轴轴承润滑油油质图像进行预处理,包括:
对所述主轴轴承润滑油油质图像进行图像平滑处理和二值化处理;
所述图像平滑处理包括:采用临域平均法进行图像平滑处理,对原始图像f(x,y)的每个像素点取一个临域S,计算S中所有像素灰度级的平均值,将该平均值作为临域平均处理后的图像g(x,y)的像素值:
其中,S是预先确定的临域,M为临域S中像素的点数,M=9;
在进行图像平滑处理后,对图像进行二值化处理,以便于对杂质颗粒的识别,二值化处理方法为分块阈值处理方法,分块阀值处理可分为横向、纵向、横向与纵向同时进行三类,原理类似;
所述横向分块阀值包括:
在水平方向把图像分割成n块,方向的选择根据油液流程灯光实际情况确定;
前n-1块宽度相等,设为leni,其中,len1=len2=…=leni=…=lenn-1=len,len可动态确定,第n块的宽度与分块宽度len和图像宽度M有关,计算方法是n=[(M+len-1)/len], lenn=M-(n-1)len且lenn≤len;
对第i块内的所有像素灰度级进行累加求和Sumi,利用Sumi/(leni×n)求出第i 块内所有像素的平均灰度值AGVi;
对每块进行阈值处理,阈值大小取AGVi,当像素灰度级pa≤AGVi时,置该点为 0,当像素灰度级pa>λAGVi时,置该点为255,实现整幅图像二值化处理;A范围在 0.8~1之间。
进一步地,利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化,包括:
利用图像处理算法确定主轴轴承的边缘,记为圈a,并在圈a的外侧确定一个圈b,圈b与圈a的半径差小于半径差阈值;圈a内部的区域记为区域一,圈a与圈b之间的区域记为区域二,圈b外侧的区域记为区域三;利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,若出现差异,则主轴轴承润滑油油质发生变化。
进一步地,当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络,包括:
所述的深度学习网络的训练过程如下:
采集主轴轴承润滑油油质图像并截取主轴轴承的子图像,每张子图像的大小需要保持一致;将子图像放入数据集;将收集的数据分成两类,一类是主轴轴承润滑油油质发生变化的故障数据,另一类主轴轴承润滑油油质的非故障数据;对每类数据建立不同标签;建立数据收集的标准:
将数据集中的图像数据通过深度学习网络,预测出分类结果,并与真实结果标签进行比较,计算出偏差,反向计算出网络中各层中神经元的误差,求解误差梯度,通过梯度下降法更新网络中的权重系数;将此更新后的权重系数,通过深度学习网络模型预测分类,与真实结果比较,计算偏差,不断循环训练,直到偏差满足预设要求停止循环,保存权重系数,即完成一次训练;
通过使用训练权重预测训练集,得到预测结果,通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断,对某张图像通过主观再次确认,判断其是甩油或者非甩油,将其重新放入训练集后,再次重新训练,若训练集准确率未提高,则放弃此图像,将其剔除,若准确率提高则继续下一张图像;直到训练集的识别率达到预设阀值时,停止训练,得到训练好的深度学习网络。
进一步地,所述利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,包括在图像二值化处理后,对图像中杂质颗粒大小进行分析统计,并去除微小颗粒;图像颗粒统计采用8邻接点算法,步骤如下:
从图像第一个像素点开始,逐行、逐列对像素灰度值进行判断;
当发现有杂质点时,计数器=1;
以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点;
找到一个黑色点后,计数器加1,并将找到点坐标入栈,该点灰度值置为255;
依次对栈内点进行出栈操作;
返回到以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点的步骤,对出栈点采用八邻接点算法继续找出与之相邻所有的黑色点;
当栈内为空时,该杂质点识别过程结束;
继续扫描下一个杂质点,发现一个新的黑色点时,跳转到当发现有杂质点时,计数器=1的步骤;
整幅图像扫描完毕,统计杂质个数,显示杂质颗粒度;
采用隔行隔列对杂质像素点进行定位的算法,定位后对其采用8邻接算法进行识别判断杂质颗粒,当杂质颗粒与正常情况相比出现差异值时,则主轴轴承润滑油油质发生变化。
进一步地,在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作,数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。
本发明的有益效果如下:本发明提供的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,通过获取主轴轴承润滑油油质图像,对所述主轴轴承润滑油油质图像进行预处理;利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化;当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络;通过训练好的深度学习网络来根据主轴轴承润滑油油质变化来判断主轴轴承润的故障,避免了现有技术中定期人工检测的周期过长,很难及时发现油质变化带来的主轴轴承的故障的问题,可实现在线的实时检测,及时发现油液异常,避免异常发现不及时导致对主轴轴承的伤害加重的情况发生。
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,下面将对实施例中所需要使用的附图作简单地介绍,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他的附图。
图1为一种基于图像识别主轴轴承润滑油油质变化判断故障的方法的流程示意图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。以下结合附图,详细说明本发明各实施例提供的技术方案。
请参阅图1,一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,包括:
S101获取主轴轴承润滑油油质图像,其中,所述主轴轴承润滑油油质图像通过具有高分辨率的CCD显微成像工业摄像机进行图像序列的连续采集。
在本实施例中,使用基于Win-32驱动程序独立设计应用程序,利用基本的位图处理方式对摄像机捕捉到的图像序列进行存盘处理,首先,调用程序进行摄像机连接;然后连续采集C张图像序列,采集的主轴轴承润滑油油质图像分辨率为M×N;最后将这些采集的主轴轴承润滑油油质图像进行连续命名并保存到根据采集需要实时建立的文件夹中;采集的所述主轴轴承润滑油油质图像为256级灰度图,文件存储格式为bmp。
S102对所述主轴轴承润滑油油质图像进行预处理。
在本实施例中,所述图像平滑处理包括:采用临域平均法进行图像平滑处理,对原始图像f(x,y)的每个像素点取一个临域S,计算S中所有像素灰度级的平均值,将该平均值作为临域平均处理后的图像g(x,y)的像素值:
其中,S是预先确定的临域,M为临域S中像素的点数,M=9;
在进行图像平滑处理后,对图像进行二值化处理,以便于对杂质颗粒的识别,二值化处理方法为分块阈值处理方法,分块阀值处理可分为横向、纵向、横向与纵向同时进行三类,原理类似;
所述横向分块阀值包括:
在水平方向把图像分割成n块,方向的选择根据油液流程灯光实际情况确定;
前n-1块宽度相等,设为leni,其中,len1=len2=…=leni=…=lenn-1=len,len可动态确定,第n块的宽度与分块宽度len和图像宽度M有关,计算方法是n=[(M+len-1)/len], lenn=M-(n-1)len且lenn≤len;
对第i块内的所有像素灰度级进行累加求和Sumi,利用Sumi/(leni×n)求出第i 块内所有像素的平均灰度值AGVi;
对每块进行阈值处理,阈值大小取AGVi,当像素灰度级pa≤AGVi时,置该点为 0,当像素灰度级pa>λAGVi时,置该点为255,实现整幅图像二值化处理;A范围在0.8~1之间。
S103利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化。
在本实施例中,利用图像处理算法确定主轴轴承的边缘,记为圈a,并在圈a的外侧确定一个圈b,圈b与圈a的半径差小于半径差阈值;圈a内部的区域记为区域一,圈a 与圈b之间的区域记为区域二,圈b外侧的区域记为区域三;利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,若出现差异,则主轴轴承润滑油油质发生变化。
在本实施例中,所述利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,包括在图像二值化处理后,对图像中杂质颗粒大小进行分析统计,并去除微小颗粒;图像颗粒统计采用8邻接点算法,步骤如下:
从图像第一个像素点开始,逐行、逐列对像素灰度值进行判断;
当发现有杂质点时,计数器=1;
以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点;
找到一个黑色点后,计数器加1,并将找到点坐标入栈,该点灰度值置为255;
依次对栈内点进行出栈操作;
返回到以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点的步骤,对出栈点采用八邻接点算法继续找出与之相邻所有的黑色点;
当栈内为空时,该杂质点识别过程结束;
继续扫描下一个杂质点,发现一个新的黑色点时,跳转到当发现有杂质点时,计数器=1的步骤;
整幅图像扫描完毕,统计杂质个数,显示杂质颗粒度;
采用隔行隔列对杂质像素点进行定位的算法,定位后对其采用8邻接算法进行识别判断杂质颗粒,当杂质颗粒与正常情况相比出现差异值时,则主轴轴承润滑油油质发生变化。
S104当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络。
在本实施例中,所述的深度学习网络的训练过程如下:
采集主轴轴承润滑油油质图像并截取主轴轴承的子图像,每张子图像的大小需要保持一致;将子图像放入数据集;将收集的数据分成两类,一类是主轴轴承润滑油油质发生变化的故障数据,另一类主轴轴承润滑油油质的非故障数据;对每类数据建立不同标签;建立数据收集的标准:
将数据集中的图像数据通过深度学习网络,预测出分类结果,并与真实结果标签进行比较,计算出偏差,反向计算出网络中各层中神经元的误差,求解误差梯度,通过梯度下降法更新网络中的权重系数;将此更新后的权重系数,通过深度学习网络模型预测分类,与真实结果比较,计算偏差,不断循环训练,直到偏差满足预设要求停止循环,保存权重系数,即完成一次训练;
通过使用训练权重预测训练集,得到预测结果,通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断,对某张图像通过主观再次确认,判断其是甩油或者非甩油,将其重新放入训练集后,再次重新训练,若训练集准确率未提高,则放弃此图像,将其剔除,若准确率提高则继续下一张图像;直到训练集的识别率达到预设阀值时,停止训练,得到训练好的深度学习网络。
S105通过训练好的深度学习网络来根据主轴轴承润滑油油质变化来判断主轴轴承润的故障。
在本实施例中,在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作,数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。
本发明提供的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法的原理如下:利用工业摄像机对油质连续采集多张图像序列,对采集的图像序列进行存盘处理;对存盘的图像进行有效的数字化处理,并在图像处理的基础上对各种半径范围的杂质颗粒数进行分析统计,根据颗粒数的实时变化依照训练好的深度学习网络将主轴轴承润滑油油质变化所对应的典型故障进行判断。
本发明实施例还提供一种存储介质,本发明实施例还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现本发明提供的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:Read-OnlyMemory,简称:ROM) 或随机存储记忆体(英文:RandomAccessMemory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,包括:
获取主轴轴承润滑油油质图像,其中,所述主轴轴承润滑油油质图像通过CCD显微成像工业摄像机进行图像序列的连续采集;
对所述主轴轴承润滑油油质图像进行预处理;
利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化;
当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络;
通过训练好的深度学习网络来根据主轴轴承润滑油油质变化来判断主轴轴承润的故障。
2.根据权利要求1所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,获取主轴轴承润滑油油质图像,其中,所述主轴轴承润滑油油质图像通过具有高分辨率的CCD显微成像工业摄像机进行图像序列的连续采集,包括:
使用基于Win-32驱动程序独立设计应用程序,利用基本的位图处理方式对摄像机捕捉到的图像序列进行存盘处理,首先,调用程序进行摄像机连接;然后连续采集C张图像序列,采集的主轴轴承润滑油油质图像分辨率为M×N;最后将这些采集的主轴轴承润滑油油质图像进行连续命名并保存到根据采集需要实时建立的文件夹中;采集的所述主轴轴承润滑油油质图像为256级灰度图,文件存储格式为bmp。
3.根据权利要求1所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,对所述主轴轴承润滑油油质图像进行预处理,包括:
对所述主轴轴承润滑油油质图像进行图像平滑处理和二值化处理;
所述图像平滑处理包括:采用临域平均法进行图像平滑处理,对原始图像f(x,y)的每个像素点取一个临域S,计算S中所有像素灰度级的平均值,将该平均值作为临域平均处理后的图像g(x,y)的像素值:
其中,S是预先确定的临域,M为临域S中像素的点数,M=9;
在进行图像平滑处理后,对图像进行二值化处理,以便于对杂质颗粒的识别,二值化处理方法为分块阈值处理方法,分块阀值处理可分为横向、纵向、横向与纵向同时进行三类,原理类似;
所述横向分块阀值包括:
在水平方向把图像分割成n块,方向的选择根据油液流程灯光实际情况确定;
前n-1块宽度相等,设为leni,其中,len1=len2=…=leni=…=lenn-1=len,len可动态确定,第n块的宽度与分块宽度len和图像宽度M有关,计算方法是n=[(M+len-1)/len],lenn=M-(n-1)len且lenn≤len;
对第i块内的所有像素灰度级进行累加求和Sumi,利用Sumi/(leni×n)求出第i块内所有像素的平均灰度值AGVi;
对每块进行阈值处理,阈值大小取AGVi,当像素灰度级pa≤AGVi时,置该点为0,当像素灰度级pa>λAGVi时,置该点为255,实现整幅图像二值化处理;A范围在0.8~1之间。
4.根据权利要求1所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,利用图像处理算法确定主轴轴承的边缘,并通过图像处理算法检测主轴轴承润滑油油质是否发生变化,包括:
利用图像处理算法确定主轴轴承的边缘,记为圈a,并在圈a的外侧确定一个圈b,圈b与圈a的半径差小于半径差阈值;圈a内部的区域记为区域一,圈a与圈b之间的区域记为区域二,圈b外侧的区域记为区域三;利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,若出现差异,则主轴轴承润滑油油质发生变化。
5.根据权利要求1所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,当检测到主轴轴承润滑油油质发生变化时,将所述主轴轴承润滑油油质图像输入到训练好的深度学习网络,包括:
所述的深度学习网络的训练过程如下:
采集主轴轴承润滑油油质图像并截取主轴轴承的子图像,每张子图像的大小需要保持一致;将子图像放入数据集;将收集的数据分成两类,一类是主轴轴承润滑油油质发生变化的故障数据,另一类主轴轴承润滑油油质的非故障数据;对每类数据建立不同标签;建立数据收集的标准:
将数据集中的图像数据通过深度学习网络,预测出分类结果,并与真实结果标签进行比较,计算出偏差,反向计算出网络中各层中神经元的误差,求解误差梯度,通过梯度下降法更新网络中的权重系数;将此更新后的权重系数,通过深度学习网络模型预测分类,与真实结果比较,计算偏差,不断循环训练,直到偏差满足预设要求停止循环,保存权重系数,即完成一次训练;
通过使用训练权重预测训练集,得到预测结果,通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断,对某张图像通过主观再次确认,判断其是甩油或者非甩油,将其重新放入训练集后,再次重新训练,若训练集准确率未提高,则放弃此图像,将其剔除,若准确率提高则继续下一张图像;直到训练集的识别率达到预设阀值时,停止训练,得到训练好的深度学习网络。
6.根据权利要求4所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,所述利用图像处理算法实时对比区域一、区域二、区域三内与正常情况的差异值,包括在图像二值化处理后,对图像中杂质颗粒大小进行分析统计,并去除微小颗粒;图像颗粒统计采用8邻接点算法,步骤如下:
从图像第一个像素点开始,逐行、逐列对像素灰度值进行判断;
当发现有杂质点时,计数器=1;
以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点;
找到一个黑色点后,计数器加1,并将找到点坐标入栈,该点灰度值置为255;
依次对栈内点进行出栈操作;
返回到以该点为起始点,采用8邻接点算法找出所有和它邻接的黑色点的步骤,对出栈点采用八邻接点算法继续找出与之相邻所有的黑色点;
当栈内为空时,该杂质点识别过程结束;
继续扫描下一个杂质点,发现一个新的黑色点时,跳转到当发现有杂质点时,计数器=1的步骤;
整幅图像扫描完毕,统计杂质个数,显示杂质颗粒度;
采用隔行隔列对杂质像素点进行定位的算法,定位后对其采用8邻接算法进行识别判断杂质颗粒,当杂质颗粒与正常情况相比出现差异值时,则主轴轴承润滑油油质发生变化。
7.根据权利要求5所述的一种基于图像识别主轴轴承润滑油油质变化判断故障的方法,其特征在于,在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作,数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032627.6A CN115619708A (zh) | 2022-08-26 | 2022-08-26 | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032627.6A CN115619708A (zh) | 2022-08-26 | 2022-08-26 | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619708A true CN115619708A (zh) | 2023-01-17 |
Family
ID=84857217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211032627.6A Pending CN115619708A (zh) | 2022-08-26 | 2022-08-26 | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619708A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 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 |
CN116912278A (zh) * | 2023-09-13 | 2023-10-20 | 武汉大学 | 一种全自动注脂方法、装置、设备及存储介质 |
CN116952785A (zh) * | 2023-09-20 | 2023-10-27 | 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 |
CN117723739A (zh) * | 2023-12-13 | 2024-03-19 | 广东哈弗石油能源股份有限公司 | 一种低碳润滑油的质量分析方法及系统 |
-
2022
- 2022-08-26 CN CN202211032627.6A patent/CN115619708A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 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 |
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 |
CN116912278A (zh) * | 2023-09-13 | 2023-10-20 | 武汉大学 | 一种全自动注脂方法、装置、设备及存储介质 |
CN116912278B (zh) * | 2023-09-13 | 2023-12-08 | 武汉大学 | 一种全自动注脂方法、装置、设备及存储介质 |
CN116952785A (zh) * | 2023-09-20 | 2023-10-27 | 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 |
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 |
CN117723739A (zh) * | 2023-12-13 | 2024-03-19 | 广东哈弗石油能源股份有限公司 | 一种低碳润滑油的质量分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN117173187A (zh) | 一种阀门故障智能检测系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN1259663A (zh) | 铸坯断面质量的自动评价方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
JPH0694643A (ja) | 表面欠陥検出方法 | |
CN117291967A (zh) | 一种基于单目图像的内河船舶干舷像素高度自动测量方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
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 |