CN115713532A - 一种工业润滑油悬浮水污染检测方法 - Google Patents
一种工业润滑油悬浮水污染检测方法 Download PDFInfo
- Publication number
- CN115713532A CN115713532A CN202310014770.0A CN202310014770A CN115713532A CN 115713532 A CN115713532 A CN 115713532A CN 202310014770 A CN202310014770 A CN 202310014770A CN 115713532 A CN115713532 A CN 115713532A
- Authority
- CN
- China
- Prior art keywords
- lubricating oil
- image
- edge
- analyzed
- curvature
- 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
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种工业润滑油悬浮水污染检测方法,方法包括:获取润滑油灰度图像、每个反光区域的包含边缘和像素点的数据信息,构建水泡曲度指数和水泡结构指数,并对图像进行区域划分,进而对反光区域的信息进行多维度的特征分析。根据每个反光区域对应的包含边缘的像素点数据、水泡曲度指数和水泡结构指数确定润滑油含水显著值,进而判断工业润滑油中的悬浮水污染情况。本发明通过多维度、多方面对反光区域被圆形水泡包围的特征显著程度、反光区域与工业润滑油的亮度差异和反光区域与工业润滑油的曲边特征进行分析,综合判断润滑油中悬浮水污染情况,提高对污染情况分析的准确性与科学性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种工业润滑油悬浮水污染检测方法。
背景技术
工业润滑油具有减少摩擦、抗腐蚀防锈、密封、缓冲应力等作用,其主要用于机械设备。润滑油中允许的含水量在0.03%一下,但受到潮湿的空气、冷凝水等因素的作用,工业润滑油中可能会出现水分污染的情况,在氧化过程中会生成有机酸导致工业润滑油对机械设备产生腐蚀作用。水分污染会导致工业润滑油的润滑性变差、粘度下降和机械设备的机件生锈,更严重的情况下会引发发动机抱轴、烧瓦等严重机械事故。所以,需要及时对工业润滑油内的水分含量进行监测。
常用的工业润滑油水分检测方法有重量法、蒸馏法、库仑法、介电常数法和色谱法。其中,重量法和蒸馏法的操作简单,但是对工业润滑油的检测误差过大;库仑法的副反应较多且易受到添加剂或杂质的干扰;介电常数法易受到环境和样品混合不充分的影响;色谱法操作复杂且需要预处理。常用的工业润滑油水分检测方法均需对工业润滑油样品产生损耗,且只能通过抽检的方式判断检测结果,导致检测结果缺少准确性和科学性。还有一种方法是红外光谱法,方便快捷,能提高检测结果的准确性和科学性,但是该方法对环境的要求苛刻并且对应的模型构建也极为复杂。
现有技术中,根据润滑油背面物体畸变图像信息调整暗像素点的灰度值,得到增强图像,得到润滑油的污染程度的等级,仅根据暗像素点的灰度值调整来判断污染程度,无法对图像中污染部分或悬浮水部分的灰度值不在污染阈值范围内的数据进行判断,从而产生较大误差,最终污染情况分类结果的准确性会变低,无法避免图像噪声对结果的影响;或者,仅根据聚类分析确定最佳预设聚类K值对应的油斑边界混合模糊程度,根据最佳油斑聚类灰度图像内沉积环的数据信息确定待检测润滑油的污染程度评价值,而聚类分析得到污染数据结果可能存在污染情况,也可能将未存在污染情况的数据信息进行错误划分,无法避免图像噪声对结果的影响,降低分析结果的准确性。
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工业润滑油悬浮水污染检测方法,所采用的技术方案具体如下:
本发明提出一种工业润滑油悬浮水污染检测方法,所述方法包括:
获得至少两个润滑油灰度图像;基于润滑油灰度图像的灰度值分布情况筛选出待分析灰度图像;根据待分析图像的灰度值对待分析图像分割,获得反光区域;
根据待分析图像获得润滑油边缘图像;将润滑油边缘图像中包含完整反光区域的部分作为包含边缘;获得包含边缘的第一圆拟合优度;获得包含边缘的曲率分布特征;根据曲率分布特征和第一圆拟合优度构建水泡曲度指数;
分别获得待分析图像和反光区域的灰度特征;获得反光区域的骨架边缘;获得骨架边缘的第二圆拟合优度;根据骨架边缘与对应包含边缘的尺寸相似度、对应反光区域的灰度特征、待分析图像的灰度特征和第二圆拟合优度构建水泡结构指数;
将待分析图像进行横向划分获得至少两个划分区域,确定划分区域对应的预设区域系数;根据每个反光区域对应包含边缘的像素点数量、对应的水泡曲度指数、水泡结构指数和反光区域所在的划分区域的区域系数获得润滑油含水显著值;
根据润滑油含水显著值检测待分析图像对应的润滑油的悬浮水污染情况。
进一步的,所述获得包含边缘的曲率分布特征包括:
取包含边缘上的任意一个像素点作为起始像素点,设置分组数量;根据分组数量,将相邻像素点分为一组,最后一组不足分组数量的部分从起始像素点起补足,最终获得至少两个像素点组;获得每个像素点组的边缘曲率和所有像素点组的边缘曲率的曲率极差;以曲率极差和每个像素点组的边缘曲率作为曲率分布特征。
进一步的,所述水泡曲度指数的公式包括:
式中,表示水泡曲度指数,表示第一圆拟合优度,表示所有像素点组的
边缘曲率的最大值,表示所有像素点组的边缘曲率的最小值,表示第个像素点组
的边缘曲率,表示第个像素点组的边缘曲率,为常数系数,表示包含边缘的
像素点组的个数,表示绝对值函数。
进一步的,所述获得反光区域的方法包括:
对待分析图像使用最大类间方差法,获得反光阈值;对待分析图像中灰度值大于等于反光阈值的像素点进行区域分析,获得多个反光区域。
进一步的,所述分别获得待分析图像和反光区域的灰度特征包括:
选出待分析图像中灰度值小于反光阈值的像素点,作为特征像素点;以特征像素点的灰度值均值和方差作为待分析图像的灰度特征;
反光区域的像素点的灰度值的均值和标准差作为反光区域的灰度特征。
进一步的,所述水泡结构指数的公式包括:
式中,表示水泡结构指数,表示反光区域的像素点的灰度值的均值,表示
特征像素点的灰度值均值,表示反光区域的像素点的灰度值的标准差,表示特征像素
点的灰度值方差,表示第二圆拟合优度,表示骨架边缘的尺寸,表示对应的包含边
缘的尺寸,表示修正系数。
进一步的,所述润滑油含水显著值的公式包括:
式中,表示润滑油含水显著值,表示第个包含边缘所在划分区域对应的预设
区域系数,表示第个反光区域对应包含边缘内的像素点数量,表示所有包含边缘内的
像素点均值,表示第个反光区域对应的水泡曲度指数,表示第个反光区域对应水
泡结构指数,表示以自然常数为底的指数函数,表示待分析图像中反光区域的数
量。
进一步的,所述检测待分析图像对应的润滑油的悬浮水污染情况包括:
若待分析图像对应的润滑油含水显著值小于预设第一显著值阈值,则待分析图像对应的润滑油不存在悬浮水污染;
若待分析图像对应的润滑油含水显著值大于等于预设第一显著值阈值且小于预设第二显著值阈值,则待分析图像对应的润滑油存在悬浮水污染,需进行脱水处理;
若待分析图像对应的润滑油含水显著值大于等于预设第二显著值阈值,则待分析图像对应的润滑油存在严重悬浮水污染,润滑油不可继续使用。
进一步的,所述筛选出待分析灰度图像包括:
根据润滑油灰度图像的灰度值分布情况获得灰度极差,若灰度极差大于等于预设第一阈值,则润滑油灰度图像为待分析灰度图像。
进一步的,所述获得反光区域的骨架边缘的方法包括:
根据K3M算法将反光区域的边缘分为两部分,选出其中距离反光区域对应的包含边缘最近的部分作为反光区域的骨架边缘。
本发明具有如下有益效果:
本发明实施例通过获取润滑油灰度图像、润滑油边缘图像、每个反光区域的包含边缘和像素点的数据信息,构建水泡曲度指数和水泡结构指数。水泡曲度指数反映了该反光区域外侧被圆形水泡包围的特征显著程度,能够确定反光区域是否为润滑油中水泡上反光部分。水泡结构指数反映了反光区域与工业润滑油的亮度差异以及曲边特征,进一步确定反光区域是否为润滑油中水泡上反光部分。对反光区域的信息进行多维度的特征分析,能够提高反光区分类的准确性,避免图像噪声对结果造成的影响。根据每个反光区域对应的包含边缘的像素点数据、水泡曲度指数和水泡结构指数确定润滑油含水显著值,进而判断工业润滑油中的悬浮水污染情况。本发明通过多维度、多方面对反光区域被圆形水泡包围的特征显著程度、反光区域和工业润滑油的亮度差异和反光区域和工业润滑油的曲边特征进行分析,综合判断润滑油中悬浮水污染情况,提高对污染情况分析的准确性与科学性。
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所提供的一种工业润滑油悬浮水污染检测方法流程图。
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工业润滑油悬浮水污染检测方法,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工业润滑油悬浮水污染检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种工业润滑油悬浮水污染检测方法的方法流程图,该方法包括:步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1:获得至少两个润滑油灰度图像,基于润滑油灰度图像的灰度值分布情况筛选出待分析灰度图像。根据待分析图像的灰度值对待分析图像分割,获得反光区域。
润滑油中水分的存在形式可根据其离散程度和存在状态的不同,主要分为三类:游离水、悬浮水和溶解水。其中,溶解水以分子形态存在于烃类分子的空隙之间,溶解量取决于润滑油的化学组成和温度,无法通过视觉识别。所以,本发明用于识别在润滑油中悬浮存在的悬浮水,同样游离水也适用。
在本发明实施例中,将待检测的工业润滑油置于底部为黑色的透明容器内,在容器上方设置环形柔和光源进行照明,在容器的四周各设置一个CDD相机。透明容器的底部为黑色的作用是为了防止沉降到容器底部的游离水因照明的缘故产生反光,影响到后续步骤对悬浮水珠特征的判断。在容器四周各设置一个相机的目的是从多角度进行分析,使分析结果更为准确。需要说明的是,在实际进行检测的过程中,为了保证检测效率,需要同时对不同批次的工业润滑油进行检测,因此可获得多个润滑油灰度图像。
将待检测的工业润滑油静置固定时间后,使用相机获取工业润滑油的RGB图像。在本发明实施例中,固定时间设置为15秒,不同生产环境不同,具体固定时间数值可根据具体实施方式具体设置。静置工业润滑油的目的是为了使容器内的润滑油保持静止状态,防止其内部的运动影响后续分析和识别。
为了避免噪声对后续分析的影响,并且提高工业润滑油RGB图像的精度和质量,在本发明实施例中,使用高斯滤波对工业润滑油RGB图像进行去噪得到去噪的工业润滑油RGB图像,将去噪的工业润滑油RGB图像转换为润滑油灰度图像。
需要说明的是,高斯滤波和获取灰度图像的方法均为本领域技术人员熟知的技术手段,在此不再赘述。
首先,对待检测的工业润滑油是否存在悬浮水污染情况进行初步判断,需要筛选出待分析灰度图像。当润滑油中出现小水泡时,水泡的透光程度与润滑油的透光程度是不同的,水泡表面会因为反射光源产生反光,所以两者在图像中呈现出的明暗度会出现明显差别。
所以,在本发明实施例中,根据润滑油灰度图像的灰度值分布情况筛选出待分析灰度图像,具体包括:预设第一阈值,将润滑油灰度图像的灰度值的极差作为灰度极差,若灰度极差大于等于预设第一阈值,说明会出现存在过量悬浮水的情况,则该润滑油灰度图像为待分析灰度图像。
在本发明实施例中,预设第一阈值为25,不同生产环境不同,具体预设第一阈值的数值可根据具体实施方式具体设置。
由于润滑油中可能存在多个水泡,其分布在不同位置,为保证分析的准确性,需要筛选出水泡所在的反光区域,后续对各个反光区域单独进行分析。根据待分析图像的灰度值对待分析图像分割,获得反光区域,具体包括:
对待分析图像使用最大类间方差法,获得反光阈值。对待分析图像中灰度值大于等于反光阈值的像素点进行区域分析,获得多个反光区域。在本发明实施例中,区域分析方法选用连通域分析法,在其他实施场景中实施者可根据具体场景选用区域生长算法等其他区域分析方法。需要说明的是,最大类间方差法和连通域分析法均为本领域技术人员熟知的技术手段,在此不再赘述。
步骤S2:根据待分析图像获得润滑油边缘图像,将润滑油边缘图像中包含完整反光区域的部分作为包含边缘。获得包含边缘的第一圆拟合优度,获得包含边缘的曲率分布特征。根据曲率分布特征和第一圆拟合优度构建水泡曲度指数。
当水分在工业润滑油中呈游离水或悬浮水状态出现时,一般为圆形的水泡。而且,反光区域只能表示该区域可能被完全包裹于圆形水泡中,所以需要进行下一步判断。
对待分析图像使用canny边缘检测算子获得润滑油边缘图像,将润滑油边缘图像
中包含完整反光区域的部分作为包含边缘,即包含边缘为完全包含反光区域的最小部分,
能够通过包含边缘与圆的相似程度能够反映该对应的反光区域为水泡上的反光区域的可
能性。进而,获得包含边缘的第一圆拟合优度,在本发明实施例中,对使用包含边缘上所有
像素点使用最小二乘法与圆拟合,得到对应的第一圆拟合优度和拟合后包含边缘的尺寸。
需要说明的是,canny边缘检测算子和最小二乘法与圆拟合均为本领域技术人员熟知的技术手段,在此不再赘述。
获得包含边缘的曲率分布特征,根据曲率分布特征进一步表示包含边缘的形状特征,在本发明实施例中具体包括:
取包含边缘上的任意一个像素点作为起始像素点,设置分组数量;根据分组数量,
将相邻像素点分为一组,最后一组不足分组数量的部分从起始像素点起补足,最终获得
个像素点组。获得每个像素点组的边缘曲率和所有像素点组的边缘曲率的曲率极差;以曲
率极差和每个像素点组的边缘曲率作为曲率分布特征。其中,每个像素点组的边缘曲率记
为;所有像素点组的边缘曲率的曲率极差记为,表示所
有像素点组的边缘曲率的最大值,表示所有像素点组的边缘曲率的最小值。
在本发明实施例中,分组数量为300,不同生产环境不同,具体分组数量的数值可根据具体实施方式具体设置。
曲率分布特征均匀且第一圆拟合优度越大,说明包含边缘的形状特征越接近圆,即对应的反光区域越为水泡上的反光区域。因此,根据曲率分布特征和第一圆拟合优度构建水泡曲度指数,具体包括:
根据水泡曲度指数公式确定水泡曲度指数,水泡曲度指数公式为:
式中,表示水泡曲度指数,表示第一圆拟合优度,表示所有像素点组的
边缘曲率的最大值,表示所有像素点组的边缘曲率的最小值,表示第个像素点组
的边缘曲率,表示第个像素点组的边缘曲率,为常数系数,表示包含边缘的
像素点组的个数,表示绝对值函数。
在水泡曲度指数公式中,常数系数取1,防止分母为零。表示包含
边缘的像素点组的灰度极差,灰度极差与水泡曲度指数呈反比关系,灰度极差越大代表包
含边缘包含的反光区域外侧被圆形水泡包围的程度越差,即对应的包含边缘越不是水泡边
缘;表示相邻像素点组之间的曲率差异累加值,累加值亦与水泡曲度指
数呈反比关系,即累加值越大说明包含边缘各个位置的曲率越不均匀,包含边缘越不是水
泡边缘。为第一圆拟合优度,第一圆拟合优度与水泡曲度指数呈正比关系,第一圆拟合优
度越大说明包含边缘的形状与圆越相似,即包含边缘是水泡边缘的可能性越大。
水泡曲度指数反映了反光区域外侧被圆形水泡包围的特征的显著程度,若水泡曲度指数越大,则反光区域外侧被圆形水泡包围的特征越明显;若水泡曲度指数越小,则反光区域外侧被圆形水泡包围的特征越不明显。
经过步骤S2的计算后,每个反光区域对应一个水泡曲度指数。
步骤S3:分别获得待分析图像和反光区域的灰度特征。获得反光区域的骨架边缘,获得骨架边缘的第二圆拟合优度。根据骨架边缘与对应包含边缘的尺寸相似度、对应反光区域的灰度特征、待分析图像的灰度特征和第二圆拟合优度构建水泡结构指数。
水泡上的反光区域与工业润滑油的亮度存在明显差异,显示出均匀的高亮特征,且工业润滑油内应无杂质,在图像中对应的区域内像素点的灰度值较为均匀。所以,需要分别获得待分析图像和反光区域的灰度特征,具体包括:
由于反光区域为水泡的球形表面对光源的反射形成,所以靠近水泡边缘一侧呈圆形曲边,且该部分与水泡的边缘距离较近。在本发明实施例中,获得反光区域的骨架边缘具体包括:根据K3M算法将反光区域的边缘分为两部分,选出其中距离反光区域对应的包含边缘最近的部分作为反光区域的骨架边缘。
需要说明的是,K3M算法和最小二乘法与圆拟合为本领域技术人员熟知的技术手段,在此不再赘述。
骨架边缘与对应包含边缘的尺寸相似度越大,说明骨架边缘与对应的包含边缘的结构越接近,即骨架边缘越为水泡上的反光区域的边缘。对应反光区域的灰度特征与待分析图像的灰度特征之间的差异越大且第二圆拟合优度越大,说明反光区域为越为水泡上的反光区域。根据骨架边缘与对应包含边缘的尺寸相似度、对应反光区域的灰度特征、待分析图像的灰度特征和第二圆拟合优度构建水泡结构指数,具体包括:
根据水泡结构指数公式确定水泡结构指数,水泡结构指数公式为:
式中,表示水泡结构指数,表示反光区域的像素点的灰度值的均值,表示
待分析图像的像素点的灰度值的均值,表示反光区域的像素点的灰度值的标准差,表
示待分析图像的像素点的灰度值的方差,表示第二圆拟合优度,表示骨架边缘的尺
寸,表示对应的包含边缘的尺寸,表示修正系数。
在水泡结构指数公式中,表示反光区域与待分析图像之间像素点的灰度特征差
异,灰度特征差异与水泡结构指数呈正比关系,即灰度特征差异越大说明代表反光区域与
待分析图像对应的润滑油亮度的差异越大,反光区域的反光程度越大。表示反光区
域与待分析图像的像素点灰度值的离散度,离散度与水泡结构指数呈反比关系,即离散度
越小说明反光区域内反射的高亮点分布越均匀。修正系数的作用是防止分母为零。即代表反光区域的反射亮度特征,该值与水泡结构指数呈正比关系,即该值越
大说明反光区域与待分析图像对应的润滑油亮度的差异越明显。表示骨架边缘与
对应包含边缘的尺寸相似度与第二圆拟合优度的乘积,该乘积与水泡结构指数呈正比关
系,即乘积越大说明骨架边缘与对应的包含边缘的结构越接近,即骨架边缘越为水泡上的
反光区域的边缘。
水泡结构指数反映了反光区域与工业润滑油的亮度差异和曲边特征,若水泡结构指数越大,则反光区域为工业润滑油中水泡反光部分的可能性越大;若水泡结构指数越小;则反光区域为工业润滑油中水泡反光部分的可能性越小。
经过步骤S3的计算后,每个反光区域对应一个水泡结构指数。
步骤S4:将待分析图像进行横向划分获得至少两个划分区域,确定划分区域对应的预设区域系数。根据每个反光区域对应包含边缘的像素点数量、对应的水泡曲度指数、水泡结构指数和反光区域所在的划分区域的区域系数获得润滑油含水显著值。
对于工业润滑油中的这些水泡而言,会逐渐趋近于稳定状态,微小的水滴聚集形成较大的水珠,由于密度较大,逐渐沉降到容器底部。所以,位于容器较下部的水珠一般较大。同时,当工业润滑油中的水珠越多时,则工业润滑油中的水分含量越大。
根据反光区域对应的水泡位置分布和大小关系对工业润滑油中出现水分的比重进行综合判断。在本发明实施例中,将待分析图像进行横向划分获得至少两个划分区域,即沿着图像坐标系的纵轴将整张图像分割为多层,每层代表一个划分区域。为了表示每个划分区域在图像中的位置,需要确定划分区域对应的预设区域系数,具体包括:
在本发明实施例中,划分数量t取5,5个划分区域对应的区域系数分别取0.5、1、2、3、4和6,不同生产环境不同,具体划分数量和区域系数均可根据具体实施方式具体设置。
取反光区域的质心,质心处于哪个划分区域则认为该反光区域位于哪个划分区域。该反光区域所处位置越靠近待分析图像的下方的划分区域,则对应在工业润滑油中出现水分的认定比重越大。
根据每个反光区域对应包含边缘的像素点数量、对应的水泡曲度指数、水泡结构指数和反光区域所在的划分区域的区域系数获得润滑油含水显著值,具体包括:
获得每个反光区域对应包含边缘的像素点数量,在本发明实施例中具体包括:获
得待分析图像中反光区域的数量,获得所有包含边缘内的像素点均值,获得反光区域对
应包含边缘内的像素点数量,在本发明实施例中,每个反光区域均对应一个。
每个反光区域对应包含边缘的像素点数量与所有包含边缘的像素点数量的相似度越大且反光区域对应的水泡曲度指数和水泡结构指数越大,说明待分析图像对应的润滑油的悬浮水污染情况越严重。根据润滑油含水显著值公式获取润滑油含水显著值,润滑油含水显著值公式为:
式中,表示润滑油含水显著值,表示第个包含边缘所在划分区域对应的预设
区域系数,表示第个反光区域对应包含边缘内的像素点数量,表示所有包含边缘内的
像素点均值,表示第个反光区域对应的水泡曲度指数,表示第个反光区域对应水
泡结构指数,表示以自然常数为底的指数函数,表示待分析图像中反光区域的数
量。
在润滑油含水显著值公式中,表示某个反光区域对应的包含边缘与所有包含边
缘的像素点数量比值,像素点数量比值与润滑油含水显著值呈正比关系,即像素点数量比
值越大说明待分析图像对应的润滑油的悬浮水污染情况越严重。水泡曲度指数和水泡结构
指数均与润滑油含水显著值呈正比关系。的作用是修正公式的范围。对于每个反光区
域均可得到一个,将每个反光区域的进
行累加最终得到润滑油含水显著值。
根据计算得到的润滑油含水显著值可检测待分析图像对应的润滑油的悬浮水污染情况。
步骤S5:根据润滑油含水显著值检测待分析图像对应的润滑油的悬浮水污染情况。
根据步骤S1、步骤S2、步骤S3和步骤S4的分析,最终的润滑油的悬浮水污染情况的判断指标为润滑油含水显著值,具体检测过程包括:
若待分析图像对应的润滑油含水显著值小于预设第一显著值阈值,则待分析图像对应的润滑油不存在悬浮水污染。
若待分析图像对应的润滑油含水显著值大于等于预设第一显著值阈值且小于预设第二显著值阈值,则待分析图像对应的润滑油存在悬浮水污染,需进行脱水处理。
若待分析图像对应的润滑油含水显著值大于等于预设第二显著值阈值,则待分析图像对应的润滑油存在严重悬浮水污染,润滑油不可继续使用。
在本发明实施例中,预设第一显著值阈值取6,预设第二显著值阈值取24,不同生产环境不同,具体预设第一显著值阈值和预设第二显著值阈值均可根据具体实施方式具体设置。
综上所述,本发明通过多维度、多方面对反光区域被圆形水泡包围的特征显著程度得到水泡曲度指数,对反光区域和工业润滑油的亮度差异和曲边特征进行分析得到水泡结构指数,根据每个包含边缘和反光区域的像素点数量、对应的水泡曲度指数、水泡结构指数和区域系数获得润滑油含水显著值,根据滑油含水显著值检测待分析图像对应的润滑油的悬浮水污染情况。
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。
Claims (10)
1.一种工业润滑油悬浮水污染检测方法,其特征在于,该方法包括以下步骤:
获得至少两个润滑油灰度图像;基于润滑油灰度图像的灰度值分布情况筛选出待分析灰度图像;根据待分析图像的灰度值对待分析图像分割,获得反光区域;
根据待分析图像获得润滑油边缘图像;将润滑油边缘图像中包含完整反光区域的部分作为包含边缘;获得包含边缘的第一圆拟合优度;获得包含边缘的曲率分布特征;根据曲率分布特征和第一圆拟合优度构建水泡曲度指数;
分别获得待分析图像和反光区域的灰度特征;获得反光区域的骨架边缘;获得骨架边缘的第二圆拟合优度;根据骨架边缘与对应包含边缘的尺寸相似度、对应反光区域的灰度特征、待分析图像的灰度特征和第二圆拟合优度构建水泡结构指数;
将待分析图像进行横向划分获得至少两个划分区域,确定划分区域对应的预设区域系数;根据每个反光区域对应包含边缘的像素点数量、对应的水泡曲度指数、水泡结构指数和反光区域所在的划分区域的区域系数获得润滑油含水显著值;
根据润滑油含水显著值检测待分析图像对应的润滑油的悬浮水污染情况。
2.根据权利要求1所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述获得包含边缘的曲率分布特征包括:
取包含边缘上的任意一个像素点作为起始像素点,设置分组数量;根据分组数量,将相邻像素点分为一组,最后一组不足分组数量的部分从起始像素点起补足,最终获得至少两个像素点组;获得每个像素点组的边缘曲率和所有像素点组的边缘曲率的曲率极差;以曲率极差和每个像素点组的边缘曲率作为曲率分布特征。
4.根据权利要求1所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述获得反光区域的方法包括:
对待分析图像使用最大类间方差法,获得反光阈值;对待分析图像中灰度值大于等于反光阈值的像素点进行区域分析,获得多个反光区域。
5.根据权利要求4所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述分别获得待分析图像和反光区域的灰度特征包括:
选出待分析图像中灰度值小于反光阈值的像素点,作为特征像素点;以特征像素点的灰度值均值和方差作为待分析图像的灰度特征;
反光区域的像素点的灰度值的均值和标准差作为反光区域的灰度特征。
8.根据权利要求1所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述检测待分析图像对应的润滑油的悬浮水污染情况包括:
若待分析图像对应的润滑油含水显著值小于预设第一显著值阈值,则待分析图像对应的润滑油不存在悬浮水污染;
若待分析图像对应的润滑油含水显著值大于等于预设第一显著值阈值且小于预设第二显著值阈值,则待分析图像对应的润滑油存在悬浮水污染,需进行脱水处理;
若待分析图像对应的润滑油含水显著值大于等于预设第二显著值阈值,则待分析图像对应的润滑油存在严重悬浮水污染,润滑油不可继续使用。
9.根据权利要求1所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述筛选出待分析灰度图像包括:
根据润滑油灰度图像的灰度值分布情况获得灰度极差,若灰度极差大于等于预设第一阈值,则润滑油灰度图像为待分析灰度图像。
10.根据权利要求1所述的一种工业润滑油悬浮水污染检测方法,其特征在于,所述获得反光区域的骨架边缘的方法包括:
根据K3M算法将反光区域的边缘分为两部分,选出其中距离反光区域对应的包含边缘最近的部分作为反光区域的骨架边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014770.0A CN115713532B (zh) | 2023-01-06 | 2023-01-06 | 一种工业润滑油悬浮水污染检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014770.0A CN115713532B (zh) | 2023-01-06 | 2023-01-06 | 一种工业润滑油悬浮水污染检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713532A true CN115713532A (zh) | 2023-02-24 |
CN115713532B CN115713532B (zh) | 2023-05-02 |
Family
ID=85236137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014770.0A Active CN115713532B (zh) | 2023-01-06 | 2023-01-06 | 一种工业润滑油悬浮水污染检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713532B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596928A (zh) * | 2023-07-18 | 2023-08-15 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
CN116612123A (zh) * | 2023-07-21 | 2023-08-18 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116862912A (zh) * | 2023-09-04 | 2023-10-10 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117455913A (zh) * | 2023-12-25 | 2024-01-26 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2863168A1 (de) * | 2013-10-21 | 2015-04-22 | Volkswagen Aktiengesellschaft | Verfahren und Messvorrichtung zum Bewerten von Strukturunterschieden einer reflektierenden Oberfläche |
CN111665245A (zh) * | 2019-03-05 | 2020-09-15 | 中国航发商用航空发动机有限责任公司 | 航空润滑油监测装置及监测方法 |
CN112258544A (zh) * | 2020-10-26 | 2021-01-22 | 王海 | 基于人工智能的相机滤镜自适应切换方法及系统 |
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
-
2023
- 2023-01-06 CN CN202310014770.0A patent/CN115713532B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2863168A1 (de) * | 2013-10-21 | 2015-04-22 | Volkswagen Aktiengesellschaft | Verfahren und Messvorrichtung zum Bewerten von Strukturunterschieden einer reflektierenden Oberfläche |
CN111665245A (zh) * | 2019-03-05 | 2020-09-15 | 中国航发商用航空发动机有限责任公司 | 航空润滑油监测装置及监测方法 |
CN112258544A (zh) * | 2020-10-26 | 2021-01-22 | 王海 | 基于人工智能的相机滤镜自适应切换方法及系统 |
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
Non-Patent Citations (2)
Title |
---|
BIN DU ET AL.: ""Influence of Water Content on the Electrical Properties of Insulating Vegetable Oil-Based Nanofluids"" * |
翟伟良;李有煊;黄浩湄;黄茂发;陈俊杰;莫锦超;: "基于机器视觉的金属表面缺陷检测方法研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596928A (zh) * | 2023-07-18 | 2023-08-15 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
CN116596928B (zh) * | 2023-07-18 | 2023-10-03 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
CN116612123A (zh) * | 2023-07-21 | 2023-08-18 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116612123B (zh) * | 2023-07-21 | 2023-10-13 | 山东金胜粮油食品有限公司 | 一种花生油加工质量视觉检测方法 |
CN116862912A (zh) * | 2023-09-04 | 2023-10-10 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
CN116862912B (zh) * | 2023-09-04 | 2023-11-24 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN116958572B (zh) * | 2023-09-18 | 2023-12-19 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117455913A (zh) * | 2023-12-25 | 2024-01-26 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
CN117455913B (zh) * | 2023-12-25 | 2024-03-08 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115713532B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115713532A (zh) | 一种工业润滑油悬浮水污染检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN114842017A (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN114862849B (zh) | 一种基于图像处理的铝合板覆膜效果评估方法 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
EP4099012A1 (en) | Metal structure phase classification method, metal structure phase classification device, metal structure phase learning method, metal structure phase learning device, material property prediction method for metal material, and material property prediction device for metal material | |
CN115984272B (zh) | 基于计算机视觉的半挂车车桥缺陷识别方法 | |
CN115018850A (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN115880284A (zh) | 一种用于润滑油磨粒均匀度的检测方法及系统 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN111812013A (zh) | 用于光学地检测生物标志物的方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN115620061A (zh) | 一种基于图像识别技术的五金零件缺陷检测方法及系统 | |
CN113109240A (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN115170804A (zh) | 基于深度学习的表面缺陷检测方法、装置、系统和介质 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116773528B (zh) | 一种用于候选区域的视觉缺陷检测方法及系统 |
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 |