CN116402810B - 基于图像处理的润滑油抗磨粒质量检测方法 - Google Patents
基于图像处理的润滑油抗磨粒质量检测方法 Download PDFInfo
- Publication number
- CN116402810B CN116402810B CN202310652994.4A CN202310652994A CN116402810B CN 116402810 B CN116402810 B CN 116402810B CN 202310652994 A CN202310652994 A CN 202310652994A CN 116402810 B CN116402810 B CN 116402810B
- Authority
- CN
- China
- Prior art keywords
- pixel block
- gray level
- abrasive particles
- fatigue
- gray
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 191
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title description 4
- 239000013598 vector Substances 0.000 claims abstract description 176
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 36
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 32
- 229910052742 iron Inorganic materials 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000006061 abrasive grain Substances 0.000 claims description 7
- 239000003921 oil Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000000314 lubricant Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 21
- 238000005299 abrasion Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 9
- 239000002184 metal Substances 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010183 spectrum analysis 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的润滑油抗磨粒质量检测方法;首先获取铁谱片的灰度图像,基于疲劳片状磨粒的表面特征获得分布规律度以及目标像素块。对像素块进行小波变换获得系数矩阵,基于矩阵特征获得加权奇异向量;获取像素块的灰度共生矩阵,根据灰度共生矩阵的矩阵特征与加权奇异向量获得灰度细节奇异向量。通过边界角度特征和灰度细节奇异向量获得磨粒表面特征向量,反映疲劳片状磨粒的表面特征,进而获得亮度相似度。通过改进的区域生长算法确定灰度图像中疲劳片状磨粒的尺寸和数量,进而分析润滑油的抗磨粒质量,提高了润滑油的抗磨粒质量分析的效率和准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的润滑油抗磨粒质量检测方法。
背景技术
在润滑油生产过程中,抗磨剂是一种可以抗磨损的重要添加剂,抗磨剂能够有效减少金属部件之间的磨损,增加机械元器件的使用寿命。在滚动轴承等金属部件之间,由于磨损容易产生疲劳片状磨粒,该磨粒的尺寸和数量能够反映磨损的程度,进而表征润滑油的抗磨质量。现有常用的金属磨损分析技术有铁谱分析,铁谱分析是一种借助磁力将油液中的金属磨粒分离出来,并对这些磨粒进行分析的技术。
但通过铁谱技术分析确定磨损程度存在一定的缺陷,虽然可以通过图像获得磨粒的大小和数量,但油液中存在多种不同原因造成的磨粒,难以区分磨粒类型,导致磨粒信息获取的不准确,不能准确地分析疲劳片状磨粒的尺寸和数量,进而影响润滑油抗磨粒质量的分析。
发明内容
为了解决上述通过铁谱分析确定磨粒特征进而表征润滑油抗磨质量的过程中,容易出现磨粒信息获取不准确的技术问题,本发明的目的在于提供一种基于图像处理的润滑油抗磨粒质量检测方法,所采用的技术方案具体如下:
获取包含磨粒信息的铁谱片的灰度图像,将所述灰度图像进行超像素分割获得像素块,将所述像素块中的像素点进行分割获得光亮区域;根据所述光亮区域之间的距离特征获得所述像素块的分布规律度,根据所述分布规律度确定目标像素块;
获取每个所述像素块的磨粒表面特征向量;所述磨粒表面特征向量的获取方法包括:对所述像素块进行小波变换,获得高频系数矩阵和低频系数矩阵,根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量;获得所述像素块的不同角度方向的灰度共生矩阵,根据所述灰度共生矩阵的矩阵特征与对应的所述加权奇异向量,获得不同角度方向的灰度细节奇异向量;根据所述像素块中像素点的梯度特征筛选暗亮边界像素点,根据所述暗亮边界像素点的分布获得边界角度特征;根据所述灰度共生矩阵的角度方向与所述边界角度特征的差异特征作为向量权重,根据所有角度方向下的所述灰度细节奇异向量与对应的所述向量权重获得像素块的磨粒表面特征向量;
根据目标像素块与相邻像素块的磨粒表面特征向量的相似程度,以及相邻像素块的分布规律度获得目标像素块与相邻像素块的亮度相似度,根据所述亮度相似度通过区域生长算法获得疲劳片状磨粒区域;根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量。
进一步地,所述根据所述分布规律度确定目标像素块的步骤包括:
对于任意一个像素块,以所述像素块的中心为平面直角坐标系原点,获得所述像素块中每个光亮区域的质心的坐标,随机选取一个所述光亮区域,计算所述光亮区域与其他光亮区域的欧氏距离,选取最小的欧氏距离作为所述光亮区域的最近距离,距所述光亮区域的最近的其他光亮区域作为第二光亮区域;计算第二光亮区域除所述光亮区域以外的最小欧氏距离,作为第二光亮区域的最近距离;依次遍历所述像素块的所有光亮区域,获得每个光亮区域的所述最近距离;
计算所述像素块中最近距离的平均值和标准差,计算所述像素块中每个最近距离与所述平均值的差值的平方值并累加求和,作为距离特征差异值;计算所述距离特征差异值与所述标准差的乘积并负相关映射,获得所述像素块的分布规律度;
确定所述灰度图像中像素块的所述分布规律度的最小值,将所述分布规律度的最小值对应的像素块作为目标像素块。
进一步地,所述根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量的步骤包括:
所述高频系数矩阵包括水平部分系数矩阵、竖直部分系数矩阵和对角部分系数矩阵;
分别确定每个高频系数矩阵和低频系数矩阵中的最大奇异值和对应的特征向量,将每个高频系数矩阵和所述低频系数矩阵中的最大奇异值进行归一化;对于低频系数矩阵,计算归一化后的最大奇异值与对应特征向量的乘积,作为低频奇异向量;对于每个高频系数矩阵,计算归一化后的最大奇异值与对应的特征向量的乘积,作为高频奇异向量;
分别计算所述低频奇异向量与不同的高频奇异向量的和,获得不同的加权奇异向量,所述加权奇异向量包括水平加权奇异向量、竖直加权奇异向量和对角加权奇异向量。
进一步地,所述获得不同角度方向的灰度细节奇异向量的步骤包括:
不同角度方向的所述灰度共生矩阵包括0度方向的灰度共生矩阵、45度方向的灰度共生矩阵、90度方向的灰度共生矩阵和135度方向的灰度共生矩阵;
分别获得不同角度方向的所述灰度共生矩阵中最大奇异值所对应的特征向量;将所述加权奇异向量和所述灰度共生矩阵对应的特征向量中元素最少的向量作为卷积核;
将所述水平加权奇异向量与0度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将所述竖直加权奇异向量与90度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将所述对角加权奇异向量分别与45度和135度方向的灰度共生矩阵所对应的特征向量进行卷积运算,获得不同角度方向的灰度细节奇异向量。
进一步地,所述根据所述像素块中像素点的梯度特征筛选暗亮边界像素点的步骤包括:
获取所述像素块中所有像素点的梯度值,将梯度值大于预设梯度阈值的像素点作为所述暗亮边界像素点。
进一步地,所述根据所述暗亮边界像素点的分布获得边界角度特征的步骤包括:
当所述暗亮边界像素点的连续个数大于预设长度阈值时,获得暗亮边界像素点所组成的边界线,分别对所有边界线进行拟合,计算拟合后的回归直线的拟合优度;
当所述拟合优度大于等于预设拟合阈值时,计算回归直线的斜率;当所述拟合优度小于预设拟合阈值时,计算回归直线的最小外接矩形的长轴方向的斜率;根据所述斜率通过反正切函数获得对应的边界线角度;
当所述边界线角度为负值时,计算180度与所述边界线角度的和值,作为角度表征值;当所述边界角度为非负值时,直接将边界角度作为角度表征值;计算所有回归直线的所述角度表征值的平均值,获得所述边界角度特征。
进一步地,所述根据所有角度方向下的所述灰度细节奇异向量与对应的所述向量权重获得像素块的磨粒表面特征向量的步骤包括:
分别计算所述边界角度特征与每个所述灰度共生矩阵对应的角度方向的差值绝对值,获得不同的角度差异值,计算角度差异值的倒数并进行归一化,获得不同角度方向的所述向量权重;
计算每个角度方向的所述灰度细节奇异向量与对应的所述向量权重的乘积并求和,获得像素块的磨粒表面特征向量。
进一步地,所述获得目标像素块与相邻像素块的亮度相似度的步骤包括:
计算目标像素块与相邻像素块的所述磨粒表面特征向量的灰色关联系数,计算所述灰度关联系数与对应相邻像素块的分布规律度的比值,获得目标像素块与相邻像素块的亮度相似度。
进一步地,所述根据所述亮度相似度通过区域生长算法获得疲劳片状磨粒区域的步骤包括:
比较所述目标像素块与不同的相邻像素块的所述亮度相似度的大小;选取所述亮度相似度最大的相邻像素块作为区域生长的方向,以此类推,根据所述亮度相似度通过区域生长算法选取疲劳片状磨粒的区域生长方向,当相邻像素块与目标像素块之间的所述灰色关联系数大于预设关联阈值时,将相邻像素块加入到疲劳片状磨粒区域,遍历所述灰度图像中所有像素块,分割获得疲劳片状磨粒的区域。
进一步地,所述根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量的步骤包括:
按照预设时间间隔获取铁谱片的灰度图像,确定每次获取的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积;当所述目标像素块的分布规律度大于预设规律阈值时,对应的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积皆为0;计算疲劳片状磨粒数量的变化率,获得数量变化率;计算疲劳片状磨粒的最小外接矩形的面积之和的变化率,获得面积变化率;当所述数量变化率和所述面积变化率之和大于预设变化率时,认为润滑油抗磨粒质量变差。
本发明具有如下有益效果:
在本发明实施例中,为了获得铁谱片中不同的磨粒,故将灰度图像进行超像素分割获得像素块;由于疲劳片状磨粒的表面存在一些随机分布的光亮区域,故根据分布规律度可以准确地确定疲劳片状磨粒最明显的目标像素块。计算加权奇异向量,能够清晰地表征像素块中不同高频信息的纹理特征;像素块不同角度方向的灰度共生矩阵的矩阵特征能够表征对应角度方向的灰度变化细节;故根据灰度共生矩阵的矩阵特征和加权奇异向量获得的不同角度方向的灰度细节奇异向量,能够准确地表征像素块的灰度变化细节的纹理特征。因为像素块的光亮区域和黑色区域的边界较为明显,在像素块的表面特征中占有较大的权重,故根据梯度特征筛选暗亮边界像素点以及计算边界角度特征。根据向量权重以及灰度细节奇异向量获得的磨粒表面特征向量,能够清晰准确地表征疲劳片面磨粒的表面特征。进而根据亮度相似度通过区域生长算法,能够准确以及快速地分割出疲劳片状磨粒的区域,进而通过疲劳片状磨粒的尺寸和数量变化进行润滑油抗磨粒质量的分析,最终提高了润滑油抗磨粒质量分析的效率和准确率。
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基于图像处理的润滑油抗磨粒质量检测方法流程图。
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基于图像处理的润滑油抗磨粒质量检测方法,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基于图像处理的润滑油抗磨粒质量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抗磨粒质量检测方法流程图,该方法包括以下步骤:
步骤S1,获取包含磨粒信息的铁谱片的灰度图像,将灰度图像进行超像素分割获得像素块,将像素块中的像素点进行分割获得光亮区域;根据光亮区域之间的距离特征获得像素块的分布规律度,根据分布规律度确定目标像素块。
在本发明实施例中,实施场景为对润滑油抗磨粒质量的检测,通过分析金属器件之间磨损产生的疲劳片状磨粒尺寸和数量,表征润滑油抗磨粒的质量。铁谱分析是一种现有常用的金属磨损分析技术,能够借助磁力将油液中的金属磨粒分离出来,并对这些磨粒进行分析;由于铁谱分析中难以准确获取磨粒的类型,导致疲劳片状磨粒的分析不准确,进而影响润滑油抗磨粒质量的分析准确率。因此需要对铁谱分析中的检测过程进行改进,提高检测效率以及准确率。首先,需要获取铁谱片的灰度图像,具体包括:提取滚动轴承设备中的油样,通过旋转式铁谱仪完成油样的自动制谱,得到铁谱片,磨粒在铁谱片中排列;用双光路显微镜对获得的铁谱片进行显微放大,放大的过程中在铁谱片正面设置一个环形LED光源,能够增强后续图像中疲劳片状磨粒的特征。通过CCD相机采集显微放大后的铁谱片,得到铁谱片表面的RGB图像。对RGB图像进行预处理,降低外界噪声对图像的干扰,在本发明实施例中使用高斯滤波进行去噪处理,需要说明的是,高斯滤波属于现有技术,具体步骤不再赘述。将去噪后的图像转换为灰度图像,得到铁谱片的灰度图像。
在铁谱片的灰度图像中,会采集到多种类型的磨粒,不同磨粒形成的原因不同,由于疲劳片状磨粒的尺寸和数量反映了机械设备之间磨损的程度,因此本发明实施例通过疲劳片状磨粒的尺寸和数量分析润滑油的抗磨粒质量,疲劳片状磨粒的形状呈现弯曲的片状,通常呈现灰色或黑色。在获取铁谱片的图像过程中,铁谱片正面设置了一个光源,因此疲劳片状磨粒上弯曲程度较大的部分呈现较亮的反光,且疲劳片状磨粒区域上较亮的区域分布比较零散;而弯曲程度较小的区域呈现出灰色或黑色。由于疲劳片状磨粒是磨粒经过滚动接触的缝隙运动后产生的,磨粒上通常还会有圆形或者拉长的小孔,设置光源后,光会从孔隙中穿过,故疲劳片状磨粒中某些区域会有一些亮度较大的像素点。因此后续可根据磨粒中亮度较大的区域的分布特征分析是否是疲劳片状磨粒。
进一步地,可将灰度图像进行超像素分割获得像素块,将像素块中的像素点进行分割获得光亮区域,具体包括:在本发明实施例中,通过线性迭代聚类超像素算法进行超像素分割,超像素是把一张图像中具有相似特征的像素进行聚类,形成一个更具有代表性的像素块,新的像素块可以作为图像处理算法的基本单位,能够降低图像的维度和异常像素点,提高后续分析速度和准确率。需要说明的是,线性迭代聚类超像素算法属于现有技术,具体步骤不再赘述。获得了不同的像素块后,磨粒可以看作为一个像素块,需要找到磨粒中光亮区域,即需要在像素块中找到光亮区域,在本发明实施例中,通过大津法进行对每个像素块中的像素点进行阈值分割,将灰度值大于最佳分割阈值的像素点作为光亮区域。需要说明的是,大津法是一种确定图像二值化分割阈值的现有算法,具体步骤不再赘述。
获得每个像素块中的光亮区域后,即可根据光亮区域在磨粒中的分布特征确定疲劳片状磨粒,以及寻找特征最明显的疲劳片状磨粒,故根据光亮区域之间的距离特征获得像素块的分布规律度,根据分布规律度确定目标像素块,具体包括:对于任意一个像素块,以像素块的中心为平面直角坐标系原点,获得像素块中每个光亮区域的质心的坐标,随机选取一个光亮区域,计算光亮区域与其他光亮区域的欧氏距离,选取最小的欧氏距离作为光亮区域的最近距离,距光亮区域的最近的其他光亮区域作为第二光亮区域;计算第二光亮区域除该光亮区域以外的最小欧氏距离,作为第二光亮区域的最近距离;依次遍历像素块的所有光亮区域,获得每个光亮区域的最近距离。计算像素块中最近距离的平均值和标准差,计算像素块中每个最近距离与平均值的差值的平方值并累加求和,作为距离特征差异值;计算距离特征差异值与标准差的乘积并负相关映射,获得像素块的分布规律度。确定灰度图像中像素块的分布规律度的最小值,当分布规律度的最小值小于预设规律阈值时,将分布规律度的最小值对应的像素块作为目标像素块;其中分布规律度的获取公式具体包括:
式中,表示像素块的分布规律度,表示像素块中最近距离的标准差,表示最近
距离的数量,表示像素块中第个最近距离,表示最近距离的平均值,表示以自然
常数为底的指数函数,目的是进行负相关映射。
对于分布规律度以及目标像素块的获取,在疲劳片状磨粒中,因为弯曲产生的光亮区域分布较为离散不规则,故光亮区域之间的最近距离差异较大,因此当标准差和距离特征差异值越大,分布规律度的值越小时,则意味着该像素块中的光亮区域分布越离散,越符合疲劳片状磨粒的表面特征。因为后续步骤需要用到区域生长算法对灰度图像进行分割,确定疲劳片状磨粒的数量,区域生长是指从某个像素出发,按照一定的准则,逐步加入邻近像素,当满足一定的条件时,区域生长终止,故需要确定区域生长开始的目标像素点,通过计算分布规律度选取疲劳片状磨粒表面特征最明显的像素块作为目标像素块。
至此,通过计算灰度图像中像素块的分布规律度,确定了表面特征最明显的疲劳片状磨粒作为目标像素块,后续需要通过分析目标像素块的特征从而进行润滑油抗磨粒质量的检测。
步骤S2,获取每个像素块的磨粒表面特征向量;磨粒表面特征向量的获取方法包括:对像素块进行小波变换,获得高频系数矩阵和低频系数矩阵,根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量;获得像素块的不同角度方向的灰度共生矩阵,根据灰度共生矩阵的矩阵特征与对应的加权奇异向量,获得不同角度方向的灰度细节奇异向量;根据像素块中像素点的梯度特征筛选暗亮边界像素点,根据暗亮边界像素点的分布获得边界角度特征;根据灰度共生矩阵的角度方向与边界角度特征的差异特征作为向量权重,根据所有角度方向下的灰度细节奇异向量与对应的向量权重获得像素块的磨粒表面特征向量。
为了能够更准确地获得疲劳片状磨粒的尺寸和数量,需要对像素块的特征进一步分析,通过更多的特征判断疲劳片状磨粒之间的相似程度;故首先对像素块进行小波变换,获得高频系数矩阵和低频系数矩阵,根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量,具体包括:高频系数矩阵包括水平部分系数矩阵、竖直部分系数矩阵和对角部分系数矩阵;分别确定每个高频系数矩阵和低频系数矩阵中的最大奇异值和对应的特征向量,将每个高频系数矩阵和低频系数矩阵中的最大奇异值进行归一化;对于低频系数矩阵,计算归一化后的最大奇异值与对应特征向量的乘积,作为低频奇异向量;对于每个高频系数矩阵,计算归一化后的最大奇异值与对应的特征向量的乘积,作为高频奇异向量;分别计算低频奇异向量与不同的高频奇异向量的和,获得不同的加权奇异向量,加权奇异向量包括水平加权奇异向量、竖直加权奇异向量和对角加权奇异向量;加权奇异向量的获取公式具体包括:
式中,分别表示不同的高频系数矩阵,表示不同的高频系数矩阵对应的加权奇
异向量,表示低频系数矩阵中最大奇异值对应的特征向量,表示低频系数矩阵中归一化
后的最大奇异值,表示不同的高频系数矩阵中最大奇异值对应的特征向量,表示不同的
高频系数矩阵中归一化后的最大奇异值。为低频奇异向量,为不同的高频奇异
向量;加权奇异向量分别包括水平加权奇异向量、竖直加权奇异向量和对角加权奇异向量。
对于加权奇异向量的获取,在本发明实施例中,使用哈尔小波变换对像素块进行处理,小波变换是空间和频率的局部变换,能够得到包含高频部分的高频系数矩阵和低频部分的低频系数矩阵,需要说明的是,哈尔小波变换属于现有技术,具体步骤不再赘述。其中高频部分包括水平细节部分、竖直细节部分和对角细节部分,高频部分能够反映图像中的细节纹理信息,其中各个方向的细节部分能够反映对应方向的纹理信息;低频部分能够反映图像中的轮廓信息。获得了不同部分的系数矩阵后,分别确定每个高频系数矩阵和低频系数矩阵中的最大奇异值和对应的特征向量,需要说明的是,奇异值和特征向量的获取属于现有技术,具体步骤不再赘述。特征向量代表了对应的系数矩阵的特征,奇异值表示对应特征向量的特征重要程度。通过低频系数矩阵与不同高频系数矩阵进行最大奇异值和对应特征向量加权求和,通过高频信息和低频信息获得了不同的加权奇异向量,其中水平加权奇异向量表征了区域内的水平细节特征,竖直加权奇异向量表征了区域内的竖直细节特征,对角加权奇异向量表征了区域内的对角细节特征,通过不同的加权奇异向量能够更准确表征像素块的表面纹理特征。
进一步地,为了提高后续在区域生长算法中对疲劳片状磨粒判断的准确度以及效率,需要从更多角度表征像素块的表面特征。故获得像素块的不同角度方向的灰度共生矩阵,根据灰度共生矩阵的矩阵特征与对应的加权奇异向量,获得不同角度方向的灰度细节奇异向量,具体包括:不同角度方向的灰度共生矩阵包括0度方向的灰度共生矩阵、45度方向的灰度共生矩阵、90度方向的灰度共生矩阵和135度方向的灰度共生矩阵;分别获得不同角度方向的灰度共生矩阵中最大奇异值所对应的特征向量;将加权奇异向量和灰度共生矩阵对应的特征向量中元素最少的向量作为卷积核;将水平加权奇异向量与0度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将竖直加权奇异向量与90度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将对角加权奇异向量分别与45度和135度方向的灰度共生矩阵所对应的特征向量进行卷积运算,获得不同角度方向的灰度细节奇异向量。
对于不同角度方向的灰度细节奇异向量的获取,首先获取像素块的灰度共生矩阵,灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法,由于纹理是有灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系。预设每种角度的灰度共生矩阵中像素对之间的步长为1,实施者可根据实施场景自行设定,根据像素对之间的角度分类,可得到4种不同角度方向的灰度共生矩阵,需要说明的是,灰度共生矩阵为现有技术,具体计算步骤不再赘述。分别获取不同角度方向的灰度共生矩阵最大奇异值所对应的特征向量,在不同角度方向的灰度共生矩阵中对应的特征向量反映了目标像素块在不同角度方向上的灰度变化信息。通过不同的加权奇异向量和灰度共生矩阵对应的特征向量构建新的向量,能够反映像素块在不同方向上的灰度细节变化的纹理特征。将加权奇异向量和灰度共生矩阵对应的特征向量进行卷积运算,获得不同角度方向的灰度细节奇异向量,需要说明的是,卷积运算属于现有技术,具体运算步骤不再赘述。其中0度方向对应的灰度细节奇异向量能够反映像素块在0度方向上的灰度细节变化的纹理特征,90度方向对应的灰度细节奇异向量能够反映像素块在90度方向上的灰度细节变化的纹理特征,45度方向对应的灰度细节奇异向量能够反映像素块在45度方向上的灰度细节变化的纹理特征,135度对应的灰度细节奇异向量能够反映像素块在135度方向上的灰度细节变化的纹理特征。
至此,对于像素块,首先通过小波变换获得高频系数矩阵和低频系数矩阵,通过不同系数矩阵中最大奇异值以及对应的特征向量进行加权求和,获得了不同的加权奇异向量。通过获取像素块不同角度方向的灰度共生矩阵最大奇异值对应的特征向量,通过不同角度方向灰度共生矩阵对应的特征向量与对应的加权奇异向量进行卷积运算,获得不同角度方向的灰度细节奇异向量,能够表征像素块不同角度方向的灰度细节变化的纹理特征。后续步骤需要根据灰度细节奇异向量和边缘情况进一步分析疲劳片状磨粒的表面特征。
因为疲劳片状磨粒是经过机械之间摩擦滚动后产生的,因此疲劳片状磨粒会沿着滚动的方向被拉长弯曲。在疲劳片状磨粒表面上,光亮区域和黑色区域之间会由于磨粒被拉长而产生较明显的边缘线,因此在分析像素块中的表面特征时,需要对边缘线上的纹理特征赋予更大的权重。故根据像素块中像素点的梯度特征筛选暗亮边界像素点,具体包括:获取像素块中所有像素点的梯度值,将梯度值大于预设梯度阈值的像素点作为暗亮边界像素点。在本发明实施例中,通过索贝尔算子获取像素块中各个像素点的梯度值,需要说明的是,索贝尔算子为现有技术,具体获取步骤不再赘述。由于疲劳片状磨粒中光亮区域与黑色区域的边界的梯度值远大于疲劳片状磨粒边缘与铁谱片背景之间的梯度值,故可以预设梯度阈值,将像素点大于梯度阈值的像素点作为暗亮边界像素点,在本发明实施例中,预设梯度阈值为181,实施者可根据实施场景自行设定。
获得了暗亮边界像素点之后,则需要分析暗亮边界的角度特征,从而结合不同角度方向的灰度细节奇异向量,故根据暗亮边界像素点的分布获得边界角度特征,具体包括:当暗亮边界像素点的连续个数大于预设长度阈值时,获得暗亮边界像素点所组成的边界线,分别对所有边界线进行拟合,计算拟合后的回归直线的拟合优度;当拟合优度大于等于预设拟合阈值时,计算回归直线的斜率;当拟合优度小于预设拟合阈值时,计算回归直线的最小外接矩形的长轴方向的斜率;根据斜率通过反正切函数获得对应的边界线角度;当边界线角度为负值时,计算180度与边界线角度的和值,作为角度表征值;当边界角度为非负值时,直接将边界角度作为角度表征值;计算所有回归直线的角度表征值的平均值,获得边界角度特征。其中预设长度阈值的目的是避免疲劳片状磨粒中光亮区域与黑暗区域的边界线较短,对后续角度特征的获取造成影响,故预设长度阈值选取较长的边界线,在本发明实施例中,预设长度阈值为10,实施者可根据实施场景自行设定。计算拟合优度目的是判断拟合效果,若存在某个边界线拟合效果不佳,则可分析该拟合线的最小外接矩形长轴方向的斜率,表征角度特征,需要说明的是,拟合优度为现有技术,具体计算步骤不再赘述。
边界角度特征可以表征像素块中光亮区域与黑色区域的边界的角度方向情况,获得像素块的边界角度特征后,故可根据灰度共生矩阵的角度方向与边界角度特征的差异特征作为向量权重,根据所有角度方向下的灰度细节奇异向量与对应的向量权重获得像素块的磨粒表面特征向量,具体包括:分别计算边界角度特征与每个灰度共生矩阵对应的角度方向的差值绝对值,获得不同的角度差异值,计算角度差异值的倒数并进行归一化,获得不同角度方向的向量权重;计算每个角度方向的灰度细节奇异向量与对应的向量权重的乘积并求和,获得像素块的磨粒表面特征向量。磨粒表面特征向量的获取公式具体包括:
式中,表示磨粒表面特征向量,、、、分别表示0度、45度、90度和135
度角度方向的向量权重;、、、分别表示不同角度方向的灰度细节奇异向量。
当边界角度特征与灰度共生矩阵对应的角度方向的差值越小,意味着角度方向越接近,则边界纹理特征在该角度方向上的权重越大,故在磨粒表面特征向量中,疲劳片状磨粒的光亮区域与黑色区域之间的边界线的方向上的纹理被赋予的更大的权重,同时保留疲劳片状磨粒上其他角度方向的纹理特征,更准确地反映了疲劳片状磨粒的表面特征。
获取了像素块的磨粒表面特征向量后,后续步骤可根据磨粒表面特征向量分析灰度图像中疲劳片状磨粒的尺寸和数量,进而反映润滑油抗磨粒的质量。
步骤S3,根据目标像素块与相邻像素块的磨粒表面特征向量的相似程度,以及相邻像素块的分布规律度获得目标像素块与相邻像素块的亮度相似度,根据亮度相似度通过区域生长算法获得疲劳片状磨粒区域;根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量。
获取灰度图像中的疲劳片状磨粒的数量和尺寸需要通过区域生长算法,区域生长算法是一种基于区域寻找的传统图像分割算法,能够基于种子点分割出特征相似的像素点,目标像素块即为区域生长算法中的种子点,缺点是区域生长方向随机,且生长准则是像素点之间的灰度差,导致效率低且分割效果不佳,故需要对区域生长算法进行改进,提高区域生长算法的效率以及分割精度,更适合获取疲劳片状磨粒的场景。故首先根据目标像素块与相邻像素块的磨粒表面特征向量的相似程度,以及相邻像素块的分布规律度获得目标像素块与相邻像素块的亮度相似度,具体包括:计算目标像素块的相邻像素块的磨粒表面特征向量和分布规律度,计算目标像素块与相邻像素块的磨粒表面特征向量的灰色关联系数,计算灰度关联系数与对应相邻像素块的分布规律度的比值,获得目标像素块与相邻像素块的亮度相似度。需要说明的是,灰色关联系数属于现有技术,具体计算步骤不再赘述,当两个像素块磨粒表面特征向量的灰色关联系数越大,则意味着磨粒表面特征向量越相似,当相邻像素块的分布规律度越小,意味着相邻像素块为疲劳片状磨粒的可能性越大,因此通过灰色关联系数与相邻像素块的分布规律度的比值反映目标像素块与相邻像素块的亮度相似度。当亮度相似度,意味着相邻像素块的表面亮度特征越接近目标像素块,即相邻像素块为疲劳片状磨粒的可能性越大。
进一步地,可基于亮度相似度通过区域生长算法完成图像分割,确定疲劳片状磨粒的尺寸与数量,故根据亮度相似度通过区域生长算法获得疲劳片状磨粒区域,具体包括:比较目标像素块与不同的相邻像素块的亮度相似度的大小,选取亮度相似度最大的相邻像素块作为区域生长的方向,以此类推,根据亮度相似度通过区域生长算法选取疲劳片状磨粒的区域生长方向,当相邻像素块与目标像素块之间的灰色关联系数大于预设关联阈值时,将相邻像素块加入到疲劳片状磨粒区域,遍历灰度图像中所有像素块,分割获得疲劳片状磨粒的区域。需要说明的是,区域生长的输入为目标像素块,生长准则为两个像素块之间的亮度相似度,在本发明实施例中,预设关联阈值为0.6,实施者可根据实施场景自行确定,需要说明的是,区域生长算法属于现有技术,具体计算步骤不再赘述。改进的区域生长算法根据像素块之间的亮度相似度大小作为区域生长的方向以及分割的依据,而亮度像素度是基于疲劳片状磨粒的表面特征所获取,因此改进的区域生长算法提高了分割的速度与准确度,相比人工能够在灰度图像中准确快速地确定疲劳片状磨粒的尺寸和数量。
由于需要分析润滑油的抗磨粒质量,因此需要每间隔一段时间提取油样获取铁谱片的灰度图像,通过分析获得每次的疲劳片状磨粒的尺寸和数量,故根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量,具体包括:按照预设时间间隔获取铁谱片的灰度图像,确定每次获取的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积;当目标像素块的分布规律度大于预设规律阈值时,对应的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积皆为0;计算疲劳片状磨粒数量的变化率,获得数量变化率;计算疲劳片状磨粒的最小外接矩形的面积之和的变化率,获得面积变化率;当数量变化率和面积变化率之和大于预设变化率时,认为润滑油抗磨粒质量变差。因润滑油抗磨粒的质量分析是长时间的过程,故需要通过疲劳片状磨粒的尺寸和数量的变化情况分析润滑油抗磨粒质量的变化,在本发明实施例中,预设时间间隔为24小时,实施者可根据实施场景自行确定。其中预设规律阈值的目的判断分布规律度最小对应的疲劳片状磨粒的特征明显程度,若分布规律度最小的磨粒依然大于预设规律阈值,意味着当前的疲劳片状磨粒特征不明显,轴承设备运转处于初始阶段,润滑油抗磨粒质量较好,故将灰度图像中的疲劳片状磨粒的尺寸和数量设为0;避免润滑油抗磨粒质量的分析出现误差。在本发明实施例中,预设规律阈值为0.5,实施者可根据实施场景自行确定。至此,通过对铁谱片的灰度图像的分析,能够快速准确地获得灰度图像中疲劳片状磨粒的尺寸和数量,进而表征润滑油抗磨粒的质量,提高了分析效率和准确率。
综上所述,本发明实施例提供了一种基于图像处理的润滑油抗磨粒质量检测方法;首先获取铁谱片的灰度图像,基于疲劳片状磨粒的表面特征获得分布规律度以及目标像素块。对像素块进行小波变换获得系数矩阵,基于矩阵特征获得加权奇异向量;获取像素块的灰度共生矩阵,根据灰度共生矩阵的矩阵特征与加权奇异向量获得灰度细节奇异向量。通过边界角度特征和灰度细节奇异向量获得磨粒表面特征向量,反映疲劳片状磨粒的表面特征,进而获得亮度相似度。通过改进的区域生长算法确定灰度图像中疲劳片状磨粒的尺寸和数量,进而分析润滑油的抗磨粒质量,提高了润滑油的抗磨粒质量分析的效率和准确率。
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 (8)
1.一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述方法包括以下步骤:
获取包含磨粒信息的铁谱片的灰度图像,将所述灰度图像进行超像素分割获得像素块,将所述像素块中的像素点进行分割获得光亮区域;根据所述光亮区域之间的距离特征获得所述像素块的分布规律度,根据所述分布规律度确定目标像素块;
获取每个所述像素块的磨粒表面特征向量;所述磨粒表面特征向量的获取方法包括:对所述像素块进行小波变换,获得高频系数矩阵和低频系数矩阵,根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量;获得所述像素块的不同角度方向的灰度共生矩阵,根据所述灰度共生矩阵的矩阵特征与对应的所述加权奇异向量,获得不同角度方向的灰度细节奇异向量;根据所述像素块中像素点的梯度特征筛选暗亮边界像素点,根据所述暗亮边界像素点的分布获得边界角度特征;根据所述灰度共生矩阵的角度方向与所述边界角度特征的差异特征作为向量权重,根据所有角度方向下的所述灰度细节奇异向量与对应的所述向量权重获得像素块的磨粒表面特征向量;
根据目标像素块与相邻像素块的磨粒表面特征向量的相似程度,以及相邻像素块的分布规律度获得目标像素块与相邻像素块的亮度相似度,根据所述亮度相似度通过区域生长算法获得疲劳片状磨粒区域;根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量;
所述根据所述分布规律度确定目标像素块的步骤包括:
对于任意一个像素块,以所述像素块的中心为平面直角坐标系原点,获得所述像素块中每个光亮区域的质心的坐标,随机选取一个所述光亮区域,计算所述光亮区域与其他光亮区域的欧氏距离,选取最小的欧氏距离作为所述光亮区域的最近距离,距所述光亮区域的最近的其他光亮区域作为第二光亮区域;计算第二光亮区域除所述光亮区域以外的最小欧氏距离,作为第二光亮区域的最近距离;依次遍历所述像素块的所有光亮区域,获得每个光亮区域的所述最近距离;
计算所述像素块中最近距离的平均值和标准差,计算所述像素块中每个最近距离与所述平均值的差值的平方值并累加求和,作为距离特征差异值;计算所述距离特征差异值与所述标准差的乘积并负相关映射,获得所述像素块的分布规律度;
确定所述灰度图像中像素块的所述分布规律度的最小值,将所述分布规律度的最小值对应的像素块作为目标像素块;
所述根据分布规律度和疲劳片状磨粒区域的变化特征分析润滑油抗磨粒质量的步骤包括:
按照预设时间间隔获取铁谱片的灰度图像,确定每次获取的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积;当所述目标像素块的分布规律度大于预设规律阈值时,对应的灰度图像中疲劳片状磨粒的数量和最小外接矩形的面积皆为0;计算疲劳片状磨粒数量的变化率,获得数量变化率;计算疲劳片状磨粒的最小外接矩形的面积之和的变化率,获得面积变化率;当所述数量变化率和所述面积变化率之和大于预设变化率时,认为润滑油抗磨粒质量变差。
2.根据权利要求1所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述根据高频系数矩阵和低频系数矩阵中的矩阵特征获得加权奇异向量的步骤包括:
所述高频系数矩阵包括水平部分系数矩阵、竖直部分系数矩阵和对角部分系数矩阵;
分别确定每个高频系数矩阵和低频系数矩阵中的最大奇异值和对应的特征向量,将每个高频系数矩阵和所述低频系数矩阵中的最大奇异值进行归一化;对于低频系数矩阵,计算归一化后的最大奇异值与对应特征向量的乘积,作为低频奇异向量;对于每个高频系数矩阵,计算归一化后的最大奇异值与对应的特征向量的乘积,作为高频奇异向量;
分别计算所述低频奇异向量与不同的高频奇异向量的和,获得不同的加权奇异向量,所述加权奇异向量包括水平加权奇异向量、竖直加权奇异向量和对角加权奇异向量。
3.根据权利要求2所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述获得不同角度方向的灰度细节奇异向量的步骤包括:
不同角度方向的所述灰度共生矩阵包括0度方向的灰度共生矩阵、45度方向的灰度共生矩阵、90度方向的灰度共生矩阵和135度方向的灰度共生矩阵;
分别获得不同角度方向的所述灰度共生矩阵中最大奇异值所对应的特征向量;将所述加权奇异向量和所述灰度共生矩阵对应的特征向量中元素最少的向量作为卷积核;
将所述水平加权奇异向量与0度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将所述竖直加权奇异向量与90度方向的灰度共生矩阵所对应的特征向量进行卷积运算,将所述对角加权奇异向量分别与45度和135度方向的灰度共生矩阵所对应的特征向量进行卷积运算,获得不同角度方向的灰度细节奇异向量。
4.根据权利要求1所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述根据所述像素块中像素点的梯度特征筛选暗亮边界像素点的步骤包括:
获取所述像素块中所有像素点的梯度值,将梯度值大于预设梯度阈值的像素点作为所述暗亮边界像素点。
5.根据权利要求1所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述根据所述暗亮边界像素点的分布获得边界角度特征的步骤包括:
当所述暗亮边界像素点的连续个数大于预设长度阈值时,获得暗亮边界像素点所组成的边界线,分别对所有边界线进行拟合,计算拟合后的回归直线的拟合优度;
当所述拟合优度大于等于预设拟合阈值时,计算回归直线的斜率;当所述拟合优度小于预设拟合阈值时,计算回归直线的最小外接矩形的长轴方向的斜率;根据所述斜率通过反正切函数获得对应的边界线角度;
当所述边界线角度为负值时,计算180度与所述边界线角度的和值,作为角度表征值;当所述边界角度为非负值时,直接将边界角度作为角度表征值;计算所有回归直线的所述角度表征值的平均值,获得所述边界角度特征。
6.根据权利要求1所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述根据所有角度方向下的所述灰度细节奇异向量与对应的所述向量权重获得像素块的磨粒表面特征向量的步骤包括:
分别计算所述边界角度特征与每个所述灰度共生矩阵对应的角度方向的差值绝对值,获得不同的角度差异值,计算角度差异值的倒数并进行归一化,获得不同角度方向的所述向量权重;
计算每个角度方向的所述灰度细节奇异向量与对应的所述向量权重的乘积并求和,获得像素块的磨粒表面特征向量。
7.根据权利要求1所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述获得目标像素块与相邻像素块的亮度相似度的步骤包括:
计算目标像素块与相邻像素块的所述磨粒表面特征向量的灰色关联系数,计算所述灰度关联系数与对应相邻像素块的分布规律度的比值,获得目标像素块与相邻像素块的亮度相似度。
8.根据权利要求7所述的一种基于图像处理的润滑油抗磨粒质量检测方法,其特征在于,所述根据所述亮度相似度通过区域生长算法获得疲劳片状磨粒区域的步骤包括:
比较所述目标像素块与不同的相邻像素块的所述亮度相似度的大小;选取所述亮度相似度最大的相邻像素块作为区域生长的方向,以此类推,根据所述亮度相似度通过区域生长算法选取疲劳片状磨粒的区域生长方向,当相邻像素块与目标像素块之间的所述灰色关联系数大于预设关联阈值时,将相邻像素块加入到疲劳片状磨粒区域,遍历所述灰度图像中所有像素块,分割获得疲劳片状磨粒的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652994.4A CN116402810B (zh) | 2023-06-05 | 2023-06-05 | 基于图像处理的润滑油抗磨粒质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652994.4A CN116402810B (zh) | 2023-06-05 | 2023-06-05 | 基于图像处理的润滑油抗磨粒质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402810A CN116402810A (zh) | 2023-07-07 |
CN116402810B true CN116402810B (zh) | 2023-08-04 |
Family
ID=87018325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652994.4A Active CN116402810B (zh) | 2023-06-05 | 2023-06-05 | 基于图像处理的润滑油抗磨粒质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402810B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291937B (zh) * | 2023-11-27 | 2024-03-05 | 山东嘉达装配式建筑科技有限责任公司 | 基于图像特征分析的自动抹灰效果视觉检测系统 |
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038503A (zh) * | 2017-12-08 | 2018-05-15 | 东华大学 | 一种基于k-svd学习字典的机织物纹理表征方法 |
CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
CN112801973A (zh) * | 2021-01-27 | 2021-05-14 | 山东大学 | 一种金刚石线锯表面磨粒分布均匀性评价方法 |
CN115018845A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705839B2 (en) * | 2011-11-18 | 2014-04-22 | Sharp Laboratories Of America, Inc. | Electronic devices for defect detection |
-
2023
- 2023-06-05 CN CN202310652994.4A patent/CN116402810B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038503A (zh) * | 2017-12-08 | 2018-05-15 | 东华大学 | 一种基于k-svd学习字典的机织物纹理表征方法 |
CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
CN112801973A (zh) * | 2021-01-27 | 2021-05-14 | 山东大学 | 一种金刚石线锯表面磨粒分布均匀性评价方法 |
CN115018845A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
Non-Patent Citations (1)
Title |
---|
织物缺陷检测关键技术研究;邵鑫玉;《知网》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116402810A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN115953398A (zh) | 一种用于带钢表面的缺陷识别方法 | |
Tang et al. | Surface inspection system of steel strip based on machine vision |
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 |