CN116152231B - 基于图像处理的润滑油内杂质检测方法 - Google Patents

基于图像处理的润滑油内杂质检测方法 Download PDF

Info

Publication number
CN116152231B
CN116152231B CN202310402397.6A CN202310402397A CN116152231B CN 116152231 B CN116152231 B CN 116152231B CN 202310402397 A CN202310402397 A CN 202310402397A CN 116152231 B CN116152231 B CN 116152231B
Authority
CN
China
Prior art keywords
image block
pixel
point
pixel point
image
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
Application number
CN202310402397.6A
Other languages
English (en)
Other versions
CN116152231A (zh
Inventor
付涛
赵之玉
马现刚
张景华
张广昊
刘珍珍
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.)
Kasong Science And Technology Co ltd
Original Assignee
Kasong Science And 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 Kasong Science And Technology Co ltd filed Critical Kasong Science And Technology Co ltd
Priority to CN202310402397.6A priority Critical patent/CN116152231B/zh
Publication of CN116152231A publication Critical patent/CN116152231A/zh
Application granted granted Critical
Publication of CN116152231B publication Critical patent/CN116152231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及基于图像处理的润滑油内杂质检测方法，包括：获取润滑油图像的各个图像块；根据单个图像块的投影方向得到各个像素点的密度指数，进而得到润滑油图像中的边界图像块以及纯物质图像块；根据纯物质图像块得到各个中心区域以及对应的边界图像块；根据任意一个中心区域对应单个边界图像块的各个初始序列，得到单个边界图像块的扩散均匀程度；根据各个像素点的第一、二集合与密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；根据各个像素点对应的互达距离得到各个杂质聚类结果，进而得到胶状杂质含量以及粉状杂质含量。本发明可以得到润滑油内杂质更加准确、可靠的检测结果。

Description

基于图像处理的润滑油内杂质检测方法
技术领域
本发明涉及图像处理领域，具体涉及基于图像处理的润滑油内杂质检测方法。
背景技术
润滑油内杂质产生的原因主要分为三大类：一是设备长期使用；二是润滑油的储存、运输、和使用没有按照规定的操作要求执行；三是加入润滑油之前设备系统本身存在的杂质，加入润滑油后，这些原有杂质同样会破坏润滑油的使用性能，例如机械杂质；除此之外，高粘度添加剂量过多，环境粉尘的进入等因素也是润滑油杂质产生的主要原因。
对于系统本身的机械杂质，通常有两种检测方法，一是使用检测仪器进行检测，例如机械杂质测定仪；二是通过对润滑油进行抽样检测检测的方法，例如酸分解法、溶剂抽出法，这类方法是通过检测液剂，例如乙醇-苯混合液、蒸馏水等进行杂质检测，检测完成后可以通清洁输油管、油箱或者进行油循环冲洗的方式进行清除。
然而对于润滑油杂质产生的常见场合，即在润滑油在储存、运输和使用过程中所产生杂质的检测一般是使用人员通过目视的方式观察润滑油中是否存在杂质。此类检测方法仅仅对于大面积的杂质具有一定的检测效果，对于润滑油中多数杂质的检测效果并不能符合润滑油机械杂质测定法的标准。润滑油内的杂质一方面会影响润滑油的使用，例如，输油嘴、输油管道的堵塞，另一方面，还会增大设备的腐蚀性，破坏油膜而增加磨损和积碳。因此对润滑油内杂质的检测对设备使用寿命和润滑油质量都是必要的环节。
发明内容
本发明提供基于图像处理的润滑油内杂质检测方法，以解决现有的问题。
本发明的基于图像处理的润滑油内杂质检测方法采用如下技术方案：
本发明一个实施例提供了基于图像处理的润滑油内杂质检测方法，该方法包括以下步骤：
获取润滑油图像，获取各个像素点在HSV颜色空间中对应的分量值；获取润滑油图像的各个图像块；
根据单个图像块内各个像素点的灰度值得到单个图像块的投影方向以及各个像素点的灰度值对应的投影点；根据投影方向上相邻投影点之间的距离得到高密度邻域距离；根据高密度邻域距离得到单个图像块中各个像素点的近邻集合；根据预设调参因子以及各个像素点的近邻集合中包含的所有像素点对应的所有分量值得到各个像素点的密度指数；根据各个图像块中像素点的密度指数得到润滑油图像中的边界图像块以及纯物质图像块；根据所有纯物质图像块中的所有像素点得到各个中心区域以及各个中心区域的质心点；将与各个中心区域相邻的边界图像块称为各个中心区域对应的边界图像块；
以任意一个中心区域为目标中心区域，根据目标中心区域的质心点获取目标中心区域对应单个边界图像块的各个初始序列以及各个初始序列在删除不同数量的像素点后对应的各个删除后序列；根据各个删除后序列与对应的初始序列得到单个边界图像块的扩散均匀程度；
根据单个边界图像块中各个像素点的密度指数得到各个像素点的第一集合与第二集合，结合各个像素点的密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；以各个中心区域为目标中心区域，根据各个中心区域对应的各个边界图像块中的各个像素点以及对应的互达距离得到各个杂质聚类结果；
根据各个杂质聚类结果得到胶状杂质含量以及粉状杂质含量，完成润滑油内杂质的检测。
优选的，所述高密度邻域距离的获取表达式为：
Figure SMS_1
式中，
Figure SMS_2
是高密度邻域距离，
Figure SMS_3
是第k个图像块中像素点数量，
Figure SMS_4
是润滑油图像中图 像块的数量，
Figure SMS_5
是第k个图像块对应的投影方向，
Figure SMS_6
是在投影方向上第u个投影点与第v个 投影点之间的欧氏距离，J是在投影方向上各个投影点周围需要分析的投影点数量；
Figure SMS_7
是在第k个图像块的投影方向上相邻两个投影点之间欧氏距离的最大值。
优选的，所述单个图像块中各个像素点的近邻集合的获取方法为：
将以单个图像块中各个像素点为圆心，以高密度邻域距离为半径的圆形区域作为各个像素点的邻域范围，处于各个像素点的邻域范围内的所有像素点构成的集合称为单个图像块中各个像素点的近邻集合。
优选的，所述各个像素点的密度指数的获取表达式为：
Figure SMS_8
式中，
Figure SMS_9
表示第i个像素点的密度指数；
Figure SMS_10
为第i个像素点的第m个分量值，
Figure SMS_11
表示是第i个像素点对应的近邻集合内的第p个像素点的第m个分量值，
Figure SMS_12
是第i个像素点的 近邻集合中包含像素点的数量；
Figure SMS_13
是预设调参因子，
Figure SMS_14
为绝对值符号。
优选的，所述润滑油图像中的边界图像块以及纯物质图像块的获取步骤包括：
将单个图像块中各个像素点的密度指数之间的方差称为各个图像块的密度方差；计算润滑油图像中各个图像块的密度方差之间的均值，将密度方差大于等于均值的图像块称为边界图像块，将密度方差小于均值的图像块称为纯物质图像块。
优选的，所述各个中心区域的获取方法为：
设置所有纯物质图像块中所有像素点的标记值为1，所有杂质边界区域中所有像素点的标记值为0，各个像素点以及对应的标记值构成了标记图像，对标记图像进行连通域分析，得到各个连通域，将包含像素点个数最多的连通域进行剔除后，剩余的各个连通域称为各个中心区域。
优选的，所述目标中心区域对应单个边界图像块的各个初始序列的获取方法为：
将单个边界图像块中距离目标中心区域的质心点最远的图像块顶点作为第一代表点，将单个边界图像块中形成第一代表点的两条边的中心点分别为第二代表点与第三代表点；将处于目标边界图像块内且处于各个代表点与目标中心区域的质心点之间的所有像素点分别构成了各个初始序列。
优选的，所述单个边界图像块的扩散均匀程度的获取表达式为：
Figure SMS_15
Figure SMS_16
Figure SMS_17
Figure SMS_18
式中，
Figure SMS_30
为目标中心区域对应的第A个边界图像块的扩散均匀程度，
Figure SMS_21
是第A个边界 图像块的分布均匀度；
Figure SMS_25
表示第A个边界图像块对应的第s个初始序列，Y是对初始序列
Figure SMS_33
删除的像素点数量；
Figure SMS_37
是初始序列
Figure SMS_35
对应的第Y个删除后序列；
Figure SMS_38
是初始序列
Figure SMS_26
的 一维图像熵，
Figure SMS_31
是第Y个删除后序列
Figure SMS_20
的一维图像熵；
Figure SMS_23
是初始序列
Figure SMS_22
在删 除Y个像素点后的波动系数；
Figure SMS_28
是初始序列
Figure SMS_29
的相关系数；
Figure SMS_34
是初始序列
Figure SMS_24
与删除后序列
Figure SMS_27
之间的DTW距离，
Figure SMS_32
是初始序列中可删除的像素点的最大数量；
Figure SMS_36
是 预设调参因子；
Figure SMS_19
是目标中心区域对应的所有边界图像块对应分布均匀度的均值。
优选的，所述各个像素点的第一集合与第二集合的获取方法为：
将第f个像素点对应的近邻集合中，密度指数大于第f个像素点对应密度指数所有像素点构成的集合称为第f个像素点的第一集合；将密度指数小于第f个像素点对应密度指数的所有像素点构成的集合称为第f个像素点的第二集合；对各个像素点进行处理，得到各个像素点的第一集合与第二集合。
优选的，所述各个像素点的互达距离的获取表达式为：
Figure SMS_39
式中，
Figure SMS_41
为第A个边界图像块中第f个像素点的互达距离；
Figure SMS_45
为第f个像素点的密度 指数；
Figure SMS_47
是第f个像素点的第一集合，
Figure SMS_40
是第f个像素点与第一集合
Figure SMS_44
中所有像素点之间 欧氏距离的最小值；
Figure SMS_46
是第f个像素点的第二集合；
Figure SMS_48
是第f个像素点与第二集合
Figure SMS_42
中所有 像素点之间欧氏距离的最小值；
Figure SMS_43
为第A个边界图像块的扩散均匀度，e是自然常数。
本发明的有益效果是：首先获取润滑油图像的各个图像块；根据单个图像块的投影方向得到各个像素点的密度指数，进而得到润滑油图像中的边界图像块以及纯物质图像块；根据纯物质图像块得到各个中心区域以及对应的边界图像块；根据任意一个中心区域对应单个边界图像块的各个初始序列，得到单个边界图像块的扩散均匀程度；根据各个像素点的第一、二集合与密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；根据各个像素点对应的互达距离得到各个杂质聚类结果，进而得到胶状杂质含量以及粉状杂质含量。由于仅通过欧氏距离不能准确提取杂质缺陷，本发明基于图像块内像素点在投影方向上的类间距离和类内距离获取各个像素点的密度指数；并针对传统OPTICS聚类算法在更新字典和核心点列表过程中，需要计算每个样本点与核心点之间可达距离造成的大量计算量和随机选择核心点容易受到干扰的缺点，根据像素点的近邻集合得到的各个像素点的第一集合与第二集合获取互达距离，通过互达距离反映以像素点为中心点合并周围同类数据点所能达到的有效范围，加快了字典更新速度，提高润滑油中杂质的检测精度，从而得到润滑油内杂质更加准确、可靠的检测结果。
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，下面将对实施例或现有技术描述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为本发明的基于图像处理的润滑油内杂质检测方法的步骤流程图。
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基于图像处理的润滑油内杂质检测方法，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基于图像处理的润滑油内杂质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基于图像处理的润滑油内杂质检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取润滑油图像的各个图像块以及润滑油图像中各个像素点在HSV颜色空间中对应的各个分量值。
将待检测润滑油倒入透明容器内，当润滑油不再流动，处于静止状态时，在容器正上方设置LED光源进行补光，并容器正前方安装一个CCD相机，利用相机对容器内的润滑油进行图像采集；为了消除噪声干扰，提高图像质量，便于后续润滑油中杂质的检测，本实施例首先采用双边滤波去噪技术对所得图像进行去噪处理，获取处理后的图像中各个像素点对应的灰度值，并将该处理后的图像转换到HSV颜色空间中，将转换后的图像称为润滑油图像，然后获取润滑油图像中各个像素点的灰度值以及各个像素点在H、S、V三个通道上对应的分量值，其中双边滤波去噪为公知技术，具体过程不再赘述。
由于润滑油图像的原点默认为润滑油图像的左上角，水平向右为横轴，竖直向下为纵轴，因此本实施例将与横轴平行的方向上对应的边称为润滑油图像的“长”，将与纵轴平行的方向上对应的边称为润滑油图像的“宽”，然后将润滑油图像的长和宽均进行M等分，从而将润滑油图像划分成大小相等的若干个图像块以及各个图像块对应的长和宽，本实施例中M为100，此时每个图像块均为一个矩形区域，包含四个图像块顶点。
步骤S002：根据单个图像块的投影方向得到高密度邻域距离，进而得到各个像素点的密度指数，根据各个像素点的密度指数得到润滑油图像中的边界图像块以及纯物质图像块，进而得到各个中心区域以及对应的边界图像块。
杂质在润滑油中通常表现为两种情况，分别是添加剂碳酸盐造成的灰白色粉状物、高粘度添加剂造成的白色胶状物，且悬浮在润滑油内部；而润滑油本身的淡黄色会对杂质颜色产生影响，使得润滑油内部杂质的边界并不清晰；相较于无杂质的清澈润滑油，杂质在润滑油中颜色较为灰暗，饱和度也较低，且在润滑油中悬浮时，润滑油中的杂质分布相对混乱，为了得到润滑油中不同杂质的具体位置和含量高低，本实施例通过获取杂质像素点的聚类结果，根据聚类结果获取润滑油中杂质的分布位置和杂质含量，进而得到最终的润滑油检测结果。具体过程如下：
由于杂质是不规则的胶状物或粉状物，在润滑油液体中杂质边界相对模糊。要想获得准确的杂质区域的聚类结果，需要确定杂质区域的聚类中心。如果对图像块内各方向上像素点的分布情况进行统计分析，当一个图像块中全是润滑油像素点或者全是杂质像素点两种情况，这类图像块中具有像素点对应的局部密度较大，即同种物质对应像素点的局部密度较大；当图像块中同时存在润滑油像素点和杂质像素点时，这类图像块内像素点对应的局部密度较小。而如果像素点是杂质区域的聚类中心，该像素点的局部密度应当是一个较大值，即在该像素点的邻域范围内存在大量与该像素点相似的像素点。
基于上述分析，此处构建密度指数，用于表征各个像素点作为聚类中心的可能性；则以任意一个图像块为目标图像块，例如以第k个图像块为目标图像块，以该图像块中所有像素点以及对应的灰度值为样本数据，利用Fisher准则获取该样本数据的投影方向，其中同种物质的灰度值具有一定的相似性，因此本实施例将由同种物质形成的、灰度值相近的像素点称为同一类的像素点，而Fisher准则会使各类的点尽可能分别集中，而类与类尽可能地分离，从而实现类内离差最小、类间离差最大的效果，本实施例利用Fisher准则，结合杂质像素点与润滑油像素点之间灰度存在差异的特点，获取各个图像块对应的投影方向，Fisher准则获取投影方向为公知技术，具体过程不再赘述，然后将第k个图像块中的各个像素点的灰度值在该投影方向上进行投影，得到第k个图像块中各个像素点的灰度值对应的投影点。
由于润滑油像素点与杂质像素点之间存在灰度差异，相对于杂质像素点与润滑油像素点在投影方向上对应投影点分布的非常密集，而杂质像素点之间虽然存在差异，但是类内距离是远小于类间距离的，因此高密度邻域距离的获取表达式为：
Figure SMS_49
式中，
Figure SMS_50
是高密度邻域距离，
Figure SMS_51
是第k个图像块中像素点数量，
Figure SMS_52
是润滑油图像中图 像块的数量，
Figure SMS_53
是第k个图像块对应的投影方向，
Figure SMS_54
是在投影方向上第u个投影点与第v 个投影点之间的欧氏距离，J是在投影方向上各个投影点周围需要分析的投影点数量，J的 大小取经验值25，本实施例中各个投影点周围需要分析的投影点是指距离各个投影点最近 的J个投影点；
Figure SMS_55
是在第k个图像块的投影方向上相邻两个投影点之间欧氏距离的最大 值，用以表征投影方向上杂质像素点和润滑油像素点两类像素点之间的类间距离。
本实施例使用高密度邻域距离L来表示可以使润滑油图像中任意一个像素点具有 较大局部密度所需的距离，如果一个像素点是局部密度较大的点，那么该像素点并不需要 很大的邻域距离就找到大量同类像素点，即
Figure SMS_56
越小，说明第u个像素点与同类像素点之 间的灰度分布越密集，且第u个像素点具有较大局部密度的距离与类间距离的差值越大，对 应
Figure SMS_57
越大。
在第k个图像块中，将以第i个像素点为圆心，以L为半径的圆形区域作为该第i个 像素点的邻域范围，将处于第i个像素点邻域范围内的所有像素点构成的集合称为第i个像 素点的近邻集合；此外，图像中每个像素点在H、S、V三个通道上均对应一个像素值，本实施 例将每个像素点在不同通道上对应的像素值称为该像素点的不同分量值，则对于第k个图 像块，该图像块中第i个像素点的密度指数
Figure SMS_58
可以表示为：
Figure SMS_59
式中，
Figure SMS_60
表示第i个像素点的密度指数；
Figure SMS_61
为第i个像素点的第m个分量值，
Figure SMS_62
表示是第i个像素点对应的近邻集合内的第p个像素点的第m个分量值，
Figure SMS_63
是第i个像素点的 近邻集合中包含像素点的数量；
Figure SMS_64
是预设调参因子，用以防止分母为0的现象出现，
Figure SMS_65
的大小 取经验值为0.01；
Figure SMS_66
为绝对值符号。
根据上述步骤，计算第k个图像块中各个像素点的密度指数；而后计算第k个图像块内所有像素点对应密度指数之间的方差，将其称为第k个图像块的密度方差，如果第k个图像块内像素点的密度指数之间存在较大差异，则第k个图像块内同时存在杂质像素点和润滑油像素点；如果第k个图像块中仅包含润滑油像素点或者杂质像素点，此时该图像块中像素点的灰度值较为相似，对应该图像块内像素点的密度指数之间的分布方差趋近于0。
计算润滑油图像中所有图像块对应密度方差的均值
Figure SMS_67
，将密度方差大于等于均值
Figure SMS_68
的图像块认为是边界图像块，即“边界图像块”，将密度方差小于等于均值
Figure SMS_69
的图像块认为是 只包含润滑油或杂质的区域对应的图像块，本实施例将只包含润滑油或杂质的区域称为纯 物质区域，则纯物质区域对应的图像块即为“纯物质图像块”；依次对各个图像块进行判断， 得到润滑油图像中的边界图像块以及纯物质区域。
而后，设置所有纯物质图像块中所有像素点的标记值为1，所有杂质边界区域中所有像素点的标记值为0，各个像素点以及对应的标记值构成了标记图像，使用Seed-Filling算法对标记图像进行连通域分析，得到各个连通域，由于此时得到的连通域可能属于杂质也可能属于润滑油，因此将包含像素点个数最多的连通域进行剔除，剩余的各个连通域称为杂质对应的各个中心区域；然后获取各个中心区域对应的质心点；
本实施例以第B个中心区域为例，将第B个中心区域的质心记为
Figure SMS_70
，然后获取与第B 个中心区域相邻接的边界图像块；对各个中心区域进行处理，得到各个中心区域对应的边 界图像块，其中连通域提取以及质心的获取均为公知技术，具体过程不再赘述。
步骤S003：获取任意一个中心区域对应单个边界图像块的各个初始序列以及各个初始序列对应的各个删除后序列，进而得到单个边界图像块的扩散均匀程度。
由于边界图像块内同时存在杂质像素点和润滑油像素点，由于杂质并不规则，不同图像块内杂质像素点的含量也并不相同，为了对杂质区域进行准确的提取，需要对边界图像块中的各个像素点进一步分析；而杂质像素点自身的亮度会对润滑油像素点的亮度产生影响，且含量越多，对润滑油自身亮度的影响也会越严重，进而导致润滑油像素点与杂质像素点的区分难度也就越大，因此在HSV颜色空间内很难对杂质像素点与润滑油像素点进行检测区分；
本实施例将一个图像块内杂质含量的相对占比称为该图像块内杂质的扩散程度，即当一个图像块内杂质的含量越高，认为该图像块内杂质的扩散程度越强，而当一个图像块内杂质的含量越低，认为该图像块内杂质的扩散程度越弱。以第B个中心区域为目标中心区域，即以第B个中心区域为例进行分析，具体分析过程如下：
将第B个中心区域的质心点
Figure SMS_72
作为杂质像素点向不同边界图像块进行扩散的起始 点；对于第B个中心区域对应的第A个边界图像块，将该边界图像块对应的四个图像块顶点 中，与质心点
Figure SMS_75
之间欧氏距离最大的图像块顶点记为第一代表点
Figure SMS_77
，其中代表点
Figure SMS_73
是由边 界图像块的两条边相交形成的，本实施例将代表点
Figure SMS_74
所在两条边的中心点分别记为第二代 表点
Figure SMS_76
与第三代表点
Figure SMS_78
；然后将质心点
Figure SMS_71
与各个代表点之间连线的方向作为第A个边界图 像块的扩散方向，将第A个边界图像块的各个扩散方向上经过的所有像素点分别构成了第A 个边界图像块的各个初始序列，此时每个代表点均对应一个初始序列；
而后，对于任意一个初始序列，如第s个初始序列，从该初始序列的最后一个像素点开始进行像素点的删除，将对该第s个初始序列在删除不同数量的像素点后得到的序列称为第s个初始序列对应的各个删除后序列，根据第s个初始序列与各个删除后序列对应图像熵之间的变化构建各个边界图像块的扩散均匀程度，在删除过程中，由于边界图像块远离质心点的一端为润滑油区域，从初始序列的最后一个像素点开始删除，可以使删除后序列中逐渐只包含杂质像素点；
需要说明的是，本实施例将各个像素点在H通道上对应的分量值称为各个像素点的H分量值，当润滑油像素点与杂质像素点在删除后序列中出现的概率相同时，此时删除后序列中像素点对应分量值的混乱程度最大，对应的图像熵也最大；当某一类像素点出现的概率较高时，即一个删除后序列中润滑油像素点占比较高或者杂质像素点的占比较高时，该删除后序列中像素点对应分量值较为统一，对应的混乱程度较小，此时的图像熵也较小；
因此当一个图像块内的杂质含量较高时，随着像素点删除个数的增加，删除后序 列中像素点的混乱程度逐渐降低，使得初始序列的图像熵也会逐渐减小，对应删除后序列 中各个像素点对应分量值之间的波动程度也会变小；当一个图像块内的杂质含量较少时， 随着像素点删除个数的增加，删除后序列中像素点的混乱程度先增加后降低，使得初始序 列的图像熵也会先增加而后降低，对应删除后序列中各个像素点对应分量值之间的波动程 度也会先变大后变小；则在第B个中心区域对应的所有边界图像块中，第A个边界图像块的 扩散均匀程度
Figure SMS_79
可表示为：
Figure SMS_80
Figure SMS_81
Figure SMS_82
Figure SMS_83
式中，
Figure SMS_96
为目标中心区域对应的第A个边界图像块的扩散均匀程度；
Figure SMS_100
是该边界图 像块的分布均匀度；
Figure SMS_104
表示第A个边界图像块对应的第s个初始序列，Y是对初始序列
Figure SMS_85
删 除的像素点数量；
Figure SMS_89
是初始序列
Figure SMS_94
对应的第Y个删除后序列，该删除后序列是指从第s个 初始序列
Figure SMS_97
的最后一个像素点开始，依次删除Y个像素点后得到的序列；
Figure SMS_86
是初始序列
Figure SMS_88
的一维图像熵，即根据初始序列
Figure SMS_93
中各个像素点对应的H分量值出现的概率进行一维图 像熵的计算，
Figure SMS_101
是第Y个删除后序列
Figure SMS_102
的一维图像熵，即根据
Figure SMS_105
中各个像素点 对应的H分量值出现的概率进行一维图像熵的计算，一维图像熵的计算为公知技术，具体过 程不再赘述；
Figure SMS_108
是初始序列
Figure SMS_109
在删除Y个像素点后的波动系数；
Figure SMS_99
是初始序列
Figure SMS_103
的相关系数，用以表征初始序列
Figure SMS_106
与其在删除Y个像素点后得到的第Y个删除后序列之 间的相关系数；
Figure SMS_107
是初始序列
Figure SMS_84
与删除后序列
Figure SMS_91
之间的DTW距离，
Figure SMS_95
是初始 序列中可删除的像素点的最大数量，
Figure SMS_98
的大小为边界图像块的宽，
Figure SMS_87
是目标中心区域对应 的所有边界图像块对应分布均匀度的均值；
Figure SMS_90
是预设调参因子，用以防止分母为0的现象出 现，
Figure SMS_92
的大小取经验值为0.01。
Figure SMS_110
的值越大，说明在删除Y个像素点后对应的删除后序列中，该边界图像块 在第s个初始序列对应方向上像素点的H分量的混乱程度越高，对应该图像块内像素点的杂 质含量越低，该边界图像块中杂质的扩散程度越弱；反之，则说明在删除Y个像素点后对应 的删除后序列中，该边界图像块在第s个初始序列对应方向上像素点的H分量的混乱程度越 小，对应该图像块内像素点的杂质含量越高，该边界图像块中杂质的扩散程度越强；
Figure SMS_111
为删除的Y个像素点后得到的第Y个删除后序列
Figure SMS_112
与初始序列
Figure SMS_113
中各个像素点对应H分量值之间的DTW距离，用以表征被删除的Y个像素点与质心点
Figure SMS_114
之间 的相关程度，该值越小，对应这两个序列中各个像素点对应H分量值之间的相似程度越高， 则
Figure SMS_115
较大；反之，对应各个像素点对应H分量值之间的相似程度越低，则
Figure SMS_116
越 小，此时被删除的像素点与质心点
Figure SMS_117
的相关程度越低，则被删除的Y个像素点越有可能是润 滑油像素点；
Figure SMS_118
是第A个边界图像块的分布均匀度，它的大小反映了第A个边界图像块内不同方 向上杂质像素点和润滑油像素点的分布情况是否一致，
Figure SMS_119
的值越大，说明第A个边界图像块 内的杂质像素点与润滑油像素点的分布越均匀，此时杂质像素点的扩散程度越均匀；
Figure SMS_120
是针对第B个中心区域对应的所有边界图像块而言的，该值为所有边界图像块对 应分布均匀度的均值，
Figure SMS_121
是第A个边界图像块的扩散均匀度，它的大小反映了不同边界图像 块内杂质像素点的扩散程度是否一致，
Figure SMS_122
的值越大，说明第A个边界图像块越靠近质心点
Figure SMS_123
， 第A个边界图像块内像素点的密度指数越能准确反映杂质像素点的分布密度；
Figure SMS_124
的值越小， 第A个边界图像块距离质心点z的距离越远，扩散越不均匀，第A个边界图像块内像素点的密 度指数反映杂质像素点的分布密度的可信程度较低。
扩散均匀度的有益效果在于考虑了不同边界图像块与质心点距离不同对应的扩散程度不同，同时考虑了在边界区域内不同方向上杂质像素点的扩散程度也会存在差异，提高了后续聚类过程中像素点与聚类中心之间计算距离的精度。
步骤S004：获取单个边界图像块中各个像素点的第一集合与第二集合，结合各个像素点的密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；根据各个像素点以及对应的互达距离得到各个杂质聚类结果。
OPTICS聚类算法的原理是：通过随机选择核心点，计算其余样本点到和核心点的可达距离，每个样本点形成一个键值对，利用键值对对字典进行更新，并依次删除每次选取核心点的方式得到聚类结果。然而随机选取核心点会导致在后续聚类过程中受到干扰点的影响，且每次字典更新过程中，每个样本点都需要与核心点计算一个可达距离形成一次键值对，这样将产生大量不必要的计算。
对于润滑油图像中的杂质，边界图像块内的杂质像素点的局部密度是小于中心区域像素点的局部密度的，因此在聚类过程中应当从中心区域像素点中选取核心点。对于边界图像块内的杂质像素点，其与同一图像块内的其它像素点不一定互相满足密度可达的条件；而对于中心区域的杂质像素点，其与同一图像块内的其它像素点之间互相满足密度可达的条件，即在边界图像块中，杂质像素点与其邻域集合内的像素点不一定是同类像素点。例如，当第k个图像块是边界图像块时，由于边界图像块内杂质像素点的局部密度可能小于润滑油像素点的局部密度，像素点a处于像素点b的邻域集合内，但是像素点b不一定在像素点a的邻域集合内。
由于OPTICS聚类算法在每次利用键值对更新字典的过程中，样本点与核心点都会计算一个可达距离，得到一个可达距离的排序列表，根据排序列表进行后续核心点列表中的更新。然而在润滑油图像的杂质像素点聚类过程中，应该计算边界图像块的像素点与中心区域像素点之间的可达距离，因为边界图像块的核心点不可能在边界图像块内。
基于上述分析，本实施例通过构建互达距离R来表征像素点到核心点之间的距离， 对于第A个边界图像块，该边界图像块中的第f个像素点的互达距离
Figure SMS_125
：
Figure SMS_126
式中，
Figure SMS_129
是第A个边界图像块中第f个像素点的互达距离，
Figure SMS_131
为第f个像素点的密度 指数；
Figure SMS_135
是第f个像素点的第一集合，该集合为由第f个像素点的近邻集合中密度指数大于
Figure SMS_128
的所有像素点构成的集合，
Figure SMS_130
是第f个像素点与第一集合
Figure SMS_134
中所有像素点之间欧氏距离 的最小值；
Figure SMS_137
是第f个像素点的第二集合，该集合为由第f个像素点的近邻集合中密度指数 小于等于
Figure SMS_127
的所有像素点构成的集合；
Figure SMS_132
是第f个像素点与第二集合
Figure SMS_133
中所有像素点之间 欧氏距离的最小值；
Figure SMS_136
为第A个边界图像块的扩散均匀度，e是自然常数。
如果第f个像素点是中心区域的像素点，由于中心区域的像素点之间的差异很小， 在一个图像块内的扩散程度几乎是一致的，使得扩散均匀度
Figure SMS_138
接近于0，互达距离
Figure SMS_139
接近于
Figure SMS_140
；如果第f个像素点是杂质边缘像素点，那么
Figure SMS_141
的值显著小于
Figure SMS_142
；
在字典更新过程中，假设像素点o为第一集合
Figure SMS_143
中与第f个像素点之间的欧氏距离 最小的像素点，本实施例拟将第f个像素点划分到像素点o所在的簇，如果像素点o是核心 点，不再进行后续计算，如果像素点o不是核心点，则继续获取第一集合中密度指数大于像 素点o且距离第f个像素点最近的像素点所处的簇，并将第f个像素点划分到该簇中，直到划 分到核心点所在的簇时停止，也就是说，本实施例中需要的边界图像块的像素点应该朝着 互达距离更大的像素点进行聚类更新。
进一步计算中心区域内每个像素点的互达距离，并在每个图像块内选择互达距离 最大的像素点组成核心点列表；将边界图像块和中心区域的其余像素点作为输入OPTICS算 法中更新字典的样本点，每次更新时，计算第f个像素点与核心点之间互达距离的差值，将 此互达距离差值作为第f个像素点到核心点之间的距离，形成键值对
Figure SMS_144
用于更新字典， 字典更新完成后，利用更新完成后的字典进行聚类，从而实现对OPTICS算法的改进，根据改 进后的OPTICS算法得到对应的有序列表决策图，根据有序列表决策图得到润滑油图像中的 杂质聚类结果。
步骤S005：根据各个杂质聚类结果得到胶状杂质含量以及粉状杂质含量，完成润滑油内杂质的检测。
由于胶状杂质呈白色，粉状杂质呈灰白色的特点，计算每个聚类区域中像素点灰度值的均值，并利用Otsu算法获取最佳阈值，将均值大于阈值的聚类区域作为胶状杂质聚类区域，均值小于阈值的区域作为粉状杂质的聚类区域；
分别获取杂质和粉状杂质每个聚类区域的最小外接矩形，根据最小外接矩阵确定 每个杂质区域在润滑油图像中的位置信息。进一步的，统计所有胶状杂质、所有粉状杂质聚 类区域中像素点的数量，分别记为
Figure SMS_145
、
Figure SMS_146
，将润滑油图像中像素点的总数量记为N。根据
Figure SMS_147
、
Figure SMS_148
与N的比值大小对润滑油图像中的胶状杂质以及粉状杂质的含量分别进行评估，则胶状杂 质含量
Figure SMS_149
、粉状杂质含量
Figure SMS_150
可以表示为：
Figure SMS_151
Figure SMS_152
润滑油的使用指南规定：一旦润滑油中的杂质含量超过0.2%，应当立即更换新油。 故润滑油杂质的检测结果是：胶状杂质含量为
Figure SMS_153
，粉状杂质的含量为
Figure SMS_154
，然后比较
Figure SMS_155
与 0.2%的大小，如果
Figure SMS_156
大于等于0.2%，表示杂质已经影响润滑油的性能指标，不能继续使 用；否则表示此时润滑油中含有少量杂质，及时清除后可以继续使用。
通过以上步骤，完成润滑油内杂质的检测。
本实施例首先获取润滑油图像的各个图像块；根据单个图像块的投影方向得到各个像素点的密度指数，进而得到润滑油图像中的边界图像块以及纯物质图像块；根据纯物质图像块得到各个中心区域以及对应的边界图像块；根据任意一个中心区域对应单个边界图像块的各个初始序列，得到单个边界图像块的扩散均匀程度；根据各个像素点的第一、二集合与密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；根据各个像素点对应的互达距离得到各个杂质聚类结果，进而得到胶状杂质含量以及粉状杂质含量。由于仅通过欧氏距离不能准确提取杂质缺陷，本实施例基于图像块内像素点在投影方向上的类间距离和类内距离获取各个像素点的密度指数；并针对传统OPTICS聚类算法在更新字典和核心点列表过程中，需要计算每个样本点与核心点之间可达距离造成的大量计算量和随机选择核心点容易受到干扰的缺点，根据像素点的近邻集合得到的各个像素点的第一集合与第二集合获取互达距离，通过互达距离反映以像素点为中心点合并周围同类数据点所能达到的有效范围，加快了字典更新速度，提高润滑油中杂质的检测精度，从而得到润滑油内杂质更加准确、可靠的检测结果。
以上所述仅为本发明的较佳实施例而已，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 (3)

1.基于图像处理的润滑油内杂质检测方法，其特征在于，该方法包括以下步骤：
获取润滑油图像，获取各个像素点在HSV颜色空间中对应的分量值；获取润滑油图像的各个图像块；
根据单个图像块内各个像素点的灰度值得到单个图像块的投影方向以及各个像素点的灰度值对应的投影点；根据投影方向上相邻投影点之间的距离得到高密度邻域距离；根据高密度邻域距离得到单个图像块中各个像素点的近邻集合；根据预设调参因子以及各个像素点的近邻集合中包含的所有像素点对应的所有分量值得到各个像素点的密度指数；根据各个图像块中像素点的密度指数得到润滑油图像中的边界图像块以及纯物质图像块；根据所有纯物质图像块中的所有像素点得到各个中心区域以及各个中心区域的质心点；将与各个中心区域相邻的边界图像块称为各个中心区域对应的边界图像块；
以任意一个中心区域为目标中心区域，根据目标中心区域的质心点获取目标中心区域对应单个边界图像块的各个初始序列以及各个初始序列在删除不同数量的像素点后对应的各个删除后序列；根据各个删除后序列与对应的初始序列得到单个边界图像块的扩散均匀程度；
根据单个边界图像块中各个像素点的密度指数得到各个像素点的第一集合与第二集合，结合各个像素点的密度指数以及单个边界图像块的扩散均匀程度得到各个像素点的互达距离；以各个中心区域为目标中心区域，根据各个中心区域对应的各个边界图像块中的各个像素点以及对应的互达距离得到各个杂质聚类结果；
根据各个杂质聚类结果得到胶状杂质含量以及粉状杂质含量，完成润滑油内杂质的检测；
所述高密度邻域距离的获取表达式为：
Figure QLYQS_1
式中，
Figure QLYQS_2
是高密度邻域距离，/>
Figure QLYQS_3
是第k个图像块中像素点数量，/>
Figure QLYQS_4
是润滑油图像中图像块的数量，/>
Figure QLYQS_5
是第k个图像块对应的投影方向，/>
Figure QLYQS_6
是在投影方向上第u个投影点与第v个投影点之间的欧氏距离，J是在投影方向上各个投影点周围需要分析的投影点数量；/>
Figure QLYQS_7
是在第k个图像块的投影方向上相邻两个投影点之间欧氏距离的最大值；
所述各个像素点的密度指数的获取表达式为：
Figure QLYQS_8
式中，
Figure QLYQS_9
表示第i个像素点的密度指数；/>
Figure QLYQS_10
为第i个像素点的第m个分量值，/>
Figure QLYQS_11
表示是第i个像素点对应的近邻集合内的第p个像素点的第m个分量值，/>
Figure QLYQS_12
是第i个像素点的近邻集合中包含像素点的数量；/>
Figure QLYQS_13
是预设调参因子，/>
Figure QLYQS_14
为绝对值符号；
所述单个边界图像块的扩散均匀程度的获取表达式为：
Figure QLYQS_15
Figure QLYQS_16
Figure QLYQS_17
Figure QLYQS_18
式中，
Figure QLYQS_26
为目标中心区域对应的第A个边界图像块的扩散均匀程度，/>
Figure QLYQS_21
是第A个边界图像块的分布均匀度；/>
Figure QLYQS_23
表示第A个边界图像块对应的第s个初始序列，Y是对初始序列/>
Figure QLYQS_22
删除的像素点数量；/>
Figure QLYQS_25
是初始序列/>
Figure QLYQS_30
对应的第Y个删除后序列；/>
Figure QLYQS_36
是初始序列/>
Figure QLYQS_27
的一维图像熵，/>
Figure QLYQS_32
是第Y个删除后序列/>
Figure QLYQS_19
的一维图像熵；/>
Figure QLYQS_24
是初始序列/>
Figure QLYQS_34
在删除Y个像素点后的波动系数；/>
Figure QLYQS_38
是初始序列/>
Figure QLYQS_33
的相关系数；/>
Figure QLYQS_37
是初始序列/>
Figure QLYQS_28
与删除后序列/>
Figure QLYQS_31
之间的DTW距离，/>
Figure QLYQS_29
是初始序列中可删除的像素点的最大数量；/>
Figure QLYQS_35
是预设调参因子；/>
Figure QLYQS_20
是目标中心区域对应的所有边界图像块对应分布均匀度的均值；
所述各个像素点的互达距离的获取表达式为：
Figure QLYQS_39
式中，
Figure QLYQS_41
为第A个边界图像块中第f个像素点的互达距离；/>
Figure QLYQS_44
为第f个像素点的密度指数；/>
Figure QLYQS_45
是第f个像素点的第一集合，/>
Figure QLYQS_42
是第f个像素点与第一集合/>
Figure QLYQS_46
中所有像素点之间欧氏距离的最小值；/>
Figure QLYQS_47
是第f个像素点的第二集合；/>
Figure QLYQS_48
是第f个像素点与第二集合/>
Figure QLYQS_40
中所有像素点之间欧氏距离的最小值；/>
Figure QLYQS_43
为第A个边界图像块的扩散均匀度，e是自然常数；
所述各个中心区域的获取方法为：
设置所有纯物质图像块中所有像素点的标记值为1，所有杂质边界区域中所有像素点的标记值为0，各个像素点以及对应的标记值构成了标记图像，对标记图像进行连通域分析，得到各个连通域，将包含像素点个数最多的连通域进行剔除后，剩余的各个连通域称为各个中心区域；
所述目标中心区域对应单个边界图像块的各个初始序列的获取方法为：
将单个边界图像块中距离目标中心区域的质心点最远的图像块顶点作为第一代表点，将单个边界图像块中形成第一代表点的两条边的中心点分别为第二代表点与第三代表点；将处于目标边界图像块内且处于各个代表点与目标中心区域的质心点之间的所有像素点分别构成了各个初始序列；所述初始序列中的每个元素为代表点与目标中心区域的质心点之间的像素点；
所述各个像素点的第一集合与第二集合的获取方法为：
将第f个像素点对应的近邻集合中，密度指数大于第f个像素点对应密度指数所有像素点构成的集合称为第f个像素点的第一集合；将密度指数小于第f个像素点对应密度指数的所有像素点构成的集合称为第f个像素点的第二集合；对各个像素点进行处理，得到各个像素点的第一集合与第二集合。
2.根据权利要求1所述的基于图像处理的润滑油内杂质检测方法，其特征在于，所述单个图像块中各个像素点的近邻集合的获取方法为：
将以单个图像块中各个像素点为圆心，以高密度邻域距离为半径的圆形区域作为各个像素点的邻域范围，处于各个像素点的邻域范围内的所有像素点构成的集合称为单个图像块中各个像素点的近邻集合。
3.根据权利要求1所述的基于图像处理的润滑油内杂质检测方法，其特征在于，所述润滑油图像中的边界图像块以及纯物质图像块的获取步骤包括：
将单个图像块中各个像素点的密度指数之间的方差称为各个图像块的密度方差；计算润滑油图像中各个图像块的密度方差之间的均值，将密度方差大于等于均值的图像块称为边界图像块，将密度方差小于均值的图像块称为纯物质图像块。
CN202310402397.6A 2023-04-17 2023-04-17 基于图像处理的润滑油内杂质检测方法 Active CN116152231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310402397.6A CN116152231B (zh) 2023-04-17 2023-04-17 基于图像处理的润滑油内杂质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310402397.6A CN116152231B (zh) 2023-04-17 2023-04-17 基于图像处理的润滑油内杂质检测方法

Publications (2)

Publication Number Publication Date
CN116152231A CN116152231A (zh) 2023-05-23
CN116152231B true CN116152231B (zh) 2023-07-14

Family

ID=86362089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310402397.6A Active CN116152231B (zh) 2023-04-17 2023-04-17 基于图像处理的润滑油内杂质检测方法

Country Status (1)

Country Link
CN (1) CN116152231B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402723B (zh) * 2023-06-06 2023-08-22 国网山东省电力公司电力科学研究院 集成机器人平台的紫外成像检测系统
CN116681699B (zh) * 2023-07-31 2023-12-15 国网浙江省电力有限公司宁波供电公司 一种变电站油样智能存储方法和装置
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
CN117058142B (zh) * 2023-10-11 2023-12-19 贵州省畜牧兽医研究所 基于机器视觉的鹅舍消杀喷液图像检测方法
CN117115494B (zh) * 2023-10-23 2024-02-06 卡松科技股份有限公司 基于人工智能的润滑油杂质污染检测方法、装置
CN117437232B (zh) * 2023-12-21 2024-03-26 山东心传矿山机电设备有限公司 一种基于图像处理的水泵叶轮外观缺陷检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004338366A (ja) * 2003-04-25 2004-12-02 Fuji Xerox Co Ltd 画像処理装置、画像処理方法、プログラムおよび記録媒体
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3864901B2 (ja) * 2002-12-13 2007-01-10 セイコーエプソン株式会社 画像データの階調数を変換する画像処理装置、および画像処理方法
US7466872B2 (en) * 2005-06-20 2008-12-16 Drvision Technologies Llc Object based boundary refinement method
CN105635523B (zh) * 2015-12-30 2018-08-10 珠海赛纳打印科技股份有限公司 图像处理方法、图像处理装置及图像形成设备
GB201711412D0 (en) * 2016-12-30 2017-08-30 Maxu Tech Inc Early entry
CN115018845B (zh) * 2022-08-09 2022-10-25 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
CN115115621B (zh) * 2022-08-24 2022-11-11 聊城市泓润能源科技有限公司 一种基于图像处理的润滑油污染程度检测方法
CN115797641B (zh) * 2023-02-13 2023-04-07 深圳市特安电子有限公司 一种电子设备气体泄漏检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004338366A (ja) * 2003-04-25 2004-12-02 Fuji Xerox Co Ltd 画像処理装置、画像処理方法、プログラムおよび記録媒体
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统

Also Published As

Publication number Publication date
CN116152231A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN116152231B (zh) 基于图像处理的润滑油内杂质检测方法
CN114842009B (zh) 一种基于灰度游程矩阵的电缆缺陷检测优化方法
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
CN106446896B (zh) 一种字符分割方法、装置及电子设备
CN115100221B (zh) 一种玻璃缺陷分割方法
CN108711158B (zh) 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN107977682B (zh) 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置
CN116229276A (zh) 基于计算机视觉的入河排污检测方法
CN114140679A (zh) 一种缺陷融合方法、装置、识别系统及存储介质
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
Miao et al. Simultaneous Segmentation of Leukocyte and Erythrocyte in Microscopic Images Using a Marker‐Controlled Watershed Algorithm
CN108764229A (zh) 一种基于计算机视觉技术的水尺图像自动识别方法
CN111968171A (zh) 基于人工智能的飞机油量测量方法及系统
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN111091095A (zh) 一种遥感图像中船只目标的检测方法
CN115496692A (zh) 一种润滑油磨粒图像增强方法
CN111488808A (zh) 基于交通违法图像数据的车道线检测方法
CN111868783B (zh) 基于边界提取的区域合并图像分割算法
CN109961065A (zh) 一种海面舰船目标检测方法
CN106324708B (zh) 雨量记录图纸的数字化方法、装置
CN110288616A (zh) 一种基于分形和rpca分割眼底图像中硬性渗出的方法
CN117392464A (zh) 基于多尺度去噪概率模型的图像异常检测的方法、系统
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN105844286A (zh) 新增车标的识别方法和装置
CN113378847B (zh) 字符分割方法、系统、计算机设备和存储介质

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