CN116993724B - 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 - Google Patents
一种基于图像滤波的煤矿工业齿轮油视觉检测方法 Download PDFInfo
- Publication number
- CN116993724B CN116993724B CN202311243528.7A CN202311243528A CN116993724B CN 116993724 B CN116993724 B CN 116993724B CN 202311243528 A CN202311243528 A CN 202311243528A CN 116993724 B CN116993724 B CN 116993724B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- gear oil
- area
- line segment
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 239000003245 coal Substances 0.000 title claims abstract description 30
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 239000010722 industrial gear oil Substances 0.000 title claims description 15
- 239000002245 particle Substances 0.000 claims abstract description 96
- 239000012208 gear oil Substances 0.000 claims abstract description 89
- 238000012937 correction Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims description 40
- 239000003921 oil Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 239000006061 abrasive grain Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
-
- 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
- G06T2207/30204—Marker
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像滤波处理领域,具体涉及一种基于图像滤波的煤矿工业齿轮油视觉检测方法,采集齿轮油磨粒灰度图像;根据齿轮油磨粒灰度图像各像素点的灰度频率及邻域像素点的灰度差异和距离得到像素点的显著性;基于齿轮油磨粒灰度图像各像素点的显著性得到显著图;根据显著图各对比区域各像素点的分布特征得到各像素点修正后的显著性;根据齿轮油磨粒灰度图像各像素点修正后的显著性改进均值滤波算法各像素点的权重得到各像素点滤波后的灰度值,得到滤波后的图像;根据滤波后的图像完成齿轮油的质量检测。保留了磨粒的边缘及纹理信息,提高了磨粒的检测精度与效率。
Description
技术领域
本申请涉及图像滤波处理领域,具体涉及一种基于图像滤波的煤矿工业齿轮油视觉检测方法。
背景技术
煤矿工业的机械传动设备在使用之前会在表面涂抹齿轮油,目的是对齿轮传动装置进行润滑,在润滑过后还会将使用过的齿轮油回流到油箱中。在齿轮工作的过程中,其表面难免会发生各种磨损,如果齿轮油较差,则会导致齿轮表面的磨损处产生磨粒,这些磨粒通常包含丰富的信息,通过对磨粒的形貌、大小、颜色、数量、分布进行分析不仅能够对齿轮油的使用状况与当前质量进行评估,同时也能对机械传动设备的故障发展趋势和使用寿命进行预测,故对使用后的齿轮油的磨粒进行检测,对齿轮油监测系统意义重大。
在对齿轮油中的磨粒进行检测时,得到的图像质量极大的影响了磨粒的检测精度。故在进行检测时,往往需要对磨粒图像进行滤波增强等操作。传统的均值滤波算法中通过将每个像素点周围邻域内像素的平均值作为输出值,来实现图像的平滑处理。由于均值滤波算法会将邻域内所有像素的值都进行平均,会导致细节和边缘信息的模糊化。尤其是对于图像中的锐利边缘和细小纹理等细节部分,均值滤波容易造成模糊效果,使图像失去清晰度。同时当图像中存在非均匀的噪声时,均值滤波算法无法很好地去除这种噪声。
综上所述,本发明提出一种基于图像滤波的煤矿工业齿轮油视觉检测方法,采集齿轮油磨粒灰度图像,对齿轮油磨粒灰度图像各像素点的邻域进行分析,同时考虑噪声、光影对磨粒区域造成的干扰,完成煤矿工业的齿轮油质量检测。
发明内容
为了解决上述技术问题,本发明提供一种基于图像滤波的煤矿工业齿轮油视觉检测方法,以解决现有的问题。
本发明的一种基于图像滤波的煤矿工业齿轮油视觉检测方法采用如下技术方案:
本发明一个实施例提供了一种基于图像滤波的煤矿工业齿轮油视觉检测方法,该方法包括以下步骤:
采集齿轮油磨粒灰度图像;
对于齿轮油磨粒灰度图像各像素点,根据像素点的灰度频率及邻域像素点的灰度差异和距离得到像素点的显著性;基于齿轮油磨粒灰度图像各像素点的显著性得到显著图;采用区域生长算法将显著图分割成各区域;计算各区域的平均显著性,将平均显著性最小的区域标记为油液区域,除油液区域以外的区域均标记为对比区域;采用PCA主成分提取算法获取各对比区域的特征方向;
对于显著图各对比区域各像素点,根据像素点所在对比区域的特征方向得到像素点的第一特征线段和第二特征线段;根据像素点第一特征线段上相邻像素点的显著性变化程度及灰度信息得到像素点第一特征线段的显著渐变性系数,获取像素点第二特征线段的显著渐变性系数;根据像素点所在对比区域像素点的显著性得到像素点的显著富集性指数;结合像素点的显著渐变性系数和显著富集性指数得到像素点的第一显著修正指标;获取像素点所在对比区域与其他各对比区域之间的相似性;根据像素点所在对比区域与其他各对比区域之间的相似性得到像素点的第一类别;根据像素点的第一类别内各对比区域的分布特征得到像素点的第二显著修正指标;将像素点的第一显著修正指标与第二显著修正指标的乘积与像素点的显著性相乘得到像素点修正后的显著性;
根据齿轮油磨粒灰度图像各像素点修正后的显著性改进均值滤波算法各像素点的权重得到各像素点滤波后的灰度值,得到滤波后的图像;根据滤波后的图像完成齿轮油的质量检测。
优选的,所述根据像素点的灰度频率及邻域像素点的灰度差异和距离得到像素点的显著性,表达式为:
式中,为像素点q的显著性,/>为像素点q的整体显著性,/>为像素点q的灰度值,为像素点q邻域内像素点的平均灰度值,/>为像素点q邻域内像素点的个数,/>为像素点q邻域内除q外的第i个像素点的灰度值,/>为像素点q邻域内除q外的第i个像素点与像素点q之间的欧式距离,/>为齿轮油磨粒灰度图像的特征灰度值,/>为像素点q所对应灰度值在齿轮油磨粒灰度图像中出现的灰度频率,其中, />为像素点q的局部显著性。
优选的,所述根据像素点所在对比区域的特征方向得到像素点的第一特征线段和第二特征线段,包括:
过像素点、沿着所在对比区域的特征方向且交于所在对比区域的两侧边缘像素点,将所述两侧边缘像素点之间的线段记为像素点的特征线段;
将所述两侧边缘像素点距离像素点最近的边缘像素点与像素点之间的线段记为第一特征线段,将所述两侧边缘像素点距离像素点最远的边缘像素点与像素点之间的线段记为第二特征线段。
优选的,所述根据像素点第一特征线段上相邻像素点的显著性变化程度及灰度信息得到像素点第一特征线段的显著渐变性系数,表达式为:
式中,为像素点q的第一特征线段的显著渐变性系数,n为第一特征线段上相邻像素点的显著性连续的像素点对数,/>为第一特征线段上像素点的个数,/>为以自然常数e为底数的指数函数,/>为第一特征线段上第i个像素点的角度特征值,/>表示像素点q所在对比区域的特征方向,/>为线性归一化函数,/>为第一特征线段上第i个像素点的显著性,/>为第一特征线段上第i+1个像素点的显著性,/>为第一极小系数。
优选的,所述根据像素点所在对比区域像素点的显著性得到像素点的显著富集性指数,包括:
对于像素点所在对比区域,获取所在对比区域像素点的个数和平均显著性指标;
计算像素点与所述所在对比区域内各像素点之间的欧式距离;计算所述所在对比区域内各像素点的显著性与所述欧式距离的比值,将所述所在对比区域内所有像素点的所述比值之和作为所述所在对比区域的第一修正系数;
将所述第一修正系数与所述所在对比区域的个数、所述平均显著性指标的乘积作为像素点的显著富集性指数。
优选的,所述结合像素点的显著渐变性系数和显著富集性指数得到像素点的第一显著修正指标,包括:
将像素点第一特征线段与第二特征线段的显著渐变性系数的均值作为像素点的平均渐变性;将像素点第一特征线段与第二特征线段的显著渐变性系数的差值绝对值作为像素点的居中系数;
计算像素点的显著富集性指数与平均渐变性的乘积,将所述乘积与所述居中系数的比值作为像素点的第一显著修正指标。
优选的,所述获取像素点所在对比区域与其他各对比区域之间的相似性,包括:
对于显著图除像素点所在对比区域的其他各对比区域,采用形状上下文算法计算所述所在对比区域与所述对比区域之间的形状相似性;
获取所述所在对比区域、所述对比区域的平均显著性;
将所述所在对比区域与所述对比区域的平均显著性的差值绝对值的负数作为以自然常数为底数的指数函数的指数,获取指数函数的结果,将所述结果与所述形状相似性的乘积作为像素点所在对比区域与所述对比区域之间的相似性。
优选的,所述根据像素点所在对比区域与其他各对比区域之间的相似性得到像素点的第一类别,包括:
采用聚类算法对各相似性进行聚类分析,结合聚类结果将其他各对比区域分为第一类别和第二类别;其中,所述第一类别的平均相似性大于所述第二类别的平均相似性。
优选的,所述根据像素点的第一类别内各对比区域的分布特征得到像素点的第二显著修正指标,包括:
计算像素点第一类别内各对比区域的质心和显著图中心点连线与水平方向的顺时针之间的夹角方差;计算像素点第一类别内各对比区域的质心和显著图中心点之间的距离方差;
获取像素点第一类别内对比区域个数,将像素点的所述对比区域个数、所述夹角方差及所述距离方差的乘积作为第二显著修正指标。
优选的,所述根据滤波后的图像完成齿轮油的质量检测,包括:
根据阈值分割算法对滤波后的图像进行分割得到磨粒区域,统计磨粒区域的面积;
当磨粒区域的面积大于等于面积阈值时,则齿轮油质量不合格。
本发明至少具有如下有益效果:
本发明中采集齿轮油磨粒灰度图像,通过齿轮油磨粒灰度图像各像素点的整体灰度分布特征以及滤波窗口内像素点的局部灰度差异构建像素点的显著性指标,分别从像素点滤波窗口内的整体显著性和局部显著性的特点评价像素点的显著性,使得考虑方向更加全面,有利于针对各像素点周围的细节信息进行分析;
基于噪声特性以及反射光成像中齿轮油磨粒灰度图像可能受到的散射光干扰与伪影特征自适应构建显著性指标的修正指标,完成显著性指标的修正,将修正后的显著性指标作为均值滤波器中滤波权重进行滤波,提高了图像对比度,保留了磨粒的边缘及纹理信息,提高了图像质量,进而提高了磨粒的检测精度与效率。
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为本发明提供的一种基于图像滤波的煤矿工业齿轮油视觉检测方法的流程图。
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滤波的煤矿工业齿轮油视觉检测方法,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滤波的煤矿工业齿轮油视觉检测方法的具体方案。
本发明一个实施例提供的一种基于图像滤波的煤矿工业齿轮油视觉检测方法。
具体的,提供了如下的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集齿轮油磨粒灰度图像。
本实施例通过图像处理技术对齿轮油图像进行增强,提高磨粒的检测精度与效率,进而提高齿轮油的检测效率与精度。
煤矿工业的机械设备在运行时,需要将齿轮油作为润滑剂以提高机械设备的运行效率,而齿轮油通过油泵从油箱中抽取,在使用时会逐渐被污染,其内部出现磨粒等物质,使用完成后会将使用过的齿轮油流回到油箱中形成一个循环,故可以通过齿轮油中的磨粒来反映齿轮油的质量,完成齿轮油的监测。在这一过程中,采集到的齿轮油图像质量直接影响了磨粒的检测效率与精度。
本实施例通过工业相机,固定光源使用反射光成像技术采集齿轮油磨粒图像,采集的图像为RGB图像,本实施例中使用加权灰度化的方法对其进行灰度化处理,得到齿轮油磨粒灰度图像。其中,加权灰度化为公知技术,此处不再赘述。
至此,可根据上述方法获取齿轮油磨粒灰度图像。
步骤S002,通过对齿轮油磨粒灰度图像进行分析,自适应构建图像内像素点的显著性指标,并完成显著性指标的修正,将修正后的显著性指标作为均值滤波器中的滤波权重完成自适应滤波,得到滤波后的图像。
根据上述步骤获取了齿轮油磨粒灰度图像,而获取到齿轮箱油液磨粒的图像会受到拍摄设备及外部环境的干扰,使得图像中包含噪声信息,同时由于反射光成像,磨粒图像中往往也会存在一定的散射光和伪影,为了准确提取图像中的特征信息,需要对图像进行降噪增强处理。本实施例使用均值滤波算法对齿轮油磨粒灰度图像进行滤波去噪。
传统的均值滤波算法通过将每个像素点周围邻域内像素的平均值作为输出值,来实现图像的平滑处理。由于均值滤波算法会将邻域内所有像素的值都进行平均,会导致细节和边缘信息的模糊化。尤其是对于图像中的锐利边缘和细小纹理等细节部分,均值滤波容易造成模糊效果,使图像失去清晰度。同时当图像中存在非均匀的噪声时,均值滤波算法无法很好地去除这种噪声。
故本实施例通过对齿轮油磨粒灰度图像进行分析,通过像素点的局部邻域中像素点的变化自适应构建像素点的显著值,将显著值作为均值滤波中像素点灰度值的权重再进行均值滤波,保留图像的纹理细节的同时减少了噪声干扰,提高了图像的对比度。具体过程如下:
对于齿轮油磨粒灰度图像而言,首先对图像内像素点的灰度值进行统计,由先验知识可知图像中像素点的灰度值范围为0到255,则每个灰度值均有其所对应的像素点个数,其中,灰度值G所对应出现的频率,其中/>为灰度值为G的像素点个数,/>为灰度值为i的像素点个数,/>为灰度值为G的像素点所对应的灰度频率。其中,将灰度频率最大的像素点灰度值记为齿轮油磨粒灰度图像的特征灰度值/>。
此处以齿轮油磨粒灰度图像中任意一像素点q点为例,设置均值滤波窗口大小为K*K,本实施例根据经验值设置K=7,实施者可进行调节。对于像素点q获取K*K邻域像素,对于像素点q邻域内的像素点而言,通过邻域像素点与像素点q之间的灰度差异及距离,以及整体灰度差异构建像素点q的显著性:
式中,为像素点q的显著性,/>为像素点q的整体显著性,/>为像素点q的灰度值,为像素点q邻域内像素点的平均灰度值,/>为像素点q邻域内像素点的个数,/>为像素点q邻域内除q外的第i个像素点的灰度值,/>为像素点q邻域内除q外的第i个像素点与像素点q之间的欧式距离,/>为齿轮油磨粒灰度图像的特征灰度值,/>为像素点q所对应灰度值在齿轮油磨粒灰度图像中出现的灰度频率,其中, />为像素点q的局部显著性。
需要说明的是,通过像素点q灰度值与图像特征灰度值的差异以及像素点q所出现的频率反映像素点灰度值所对应的整体显著性指标,像素点q的灰度值与齿轮油磨粒图像的特征灰度值之间的差异越大,且像素点q所对应灰度值出现的灰度频率越小,说明像素点q越可能为磨粒相关像素点,即像素点q的显著性/>越大。
同时,像素点q邻域内像素点的平均灰度值与像素点q之间的差异越大,则说明像素点q区别于邻域像素点的显著性越强;同时在距离的影响下,邻域内各像素点与像素点q之间的距离越小、灰度值差距越大,则说明该邻域像素点与像素点q的差异权重越大;反映了像素点q邻域内像素点与像素点q之间的差异,即为局部显著性特征,结合像素点q的整体显著性/>,/>通过q点的整体显著性与局部显著性综合表示了q点对应的显著性指标。其中,欧式距离求取方法为公知技术,此处不再赘述。
重复上述步骤,可以得到齿轮油磨粒灰度图像中每个像素点显著性指标。
由于上述步骤中对于像素点的显著性分析中仅对像素点的局部邻域进行了分析,而本实施例想要对磨粒所对应的像素点进行增强,故所得到的像素点的显著性指标可能存在一定的误差,即如果像素点受到噪声以及散射光和伪影的干扰,其像素点的显著性也会较大,故在将显著性作为均值滤波器中像素点的灰度值权重时,会将这些干扰像素点也进行增强,进而导致滤波效果较差。
本实施例通过结合显著性像素点的分布特征构建显著性修正指标,基于显著性修正指标对显著性进行自适应修正,得到修正后的显著性。
根据先验知识可知,磨粒是由齿轮箱运转发生磨损而产生的,而对于同一位置处发生的磨损,其产生的磨粒形状、大小、颜色等信息应较为相近,磨粒内部应存在一定的纹理信息,且在齿轮油磨粒灰度图像中应为一个小的封闭区域。
而对于图像采集所受到的噪声点而言,应相对独立,分布较为散乱;对于散射光以及伪影而言,其不仅区域较大,且分布相对集中,故基于此构建像素点的显著性修正指标。具体过程如下:
根据上述步骤图像中各像素点的显著性指标,可得到显著图W,显著图W内像素点与齿轮油磨粒灰度图像内的像素点一一对应。
对显著图W使用区域生长算法进行生长,随机选择区域生长算法的初始种子点,使用区域生长算法进行生长,生长准则为:当任意两个像素点所对应的归一化后的显著性指标差异绝对值小于0.1时,则进行生长;否则不进行生长。则可将显著图W分割成N个区域。其中,区域生长算法为公知技术,本实施例不再赘述。
对N个区域进行进一步分析,获取区域所对应的平均显著性,则每个区域均有其对应的平均显著性,其中平均显著性最小所对应的区域标记为油液区域,即背景区域,剩余的区域则可能为磨粒区域或干扰区域,将剩余各区域均标记为对比区域。针对各对比区域进行进一步分析。
对于各对比区域而言,使用PCA主成分提取算法完成主成分方向的提取,其中PCA主成分提取算法将原始数据映射到更低维度,找到对比区域最大化数据方差的投影方向,将其记为对比区域的特征方向,具体过程为公知技术,不再赘述。通过对比区域内像素点在该对比区域的特征方向上像素点的显著性变化及邻域内的灰度差异构建像素点的显著渐变性指数,显著渐变性指数越大,则说明像素点所对应的纹理信息越丰富,则其所对应的显著性应越大。
此处以对比区域中的像素点q为例,获取像素点q所在的对比区域B,获取像素点q所对应的特征线段,特征线段为过像素点q、沿着对比区域B的特征方向且交于对比区域两侧边缘像素点组成的线段,两侧边缘像素点分别记为像素点a、像素点b,像素点q与像素点a之间的线段记为第一特征线段/>,像素点q与像素点b之间的线段记为第二特征线段/>。
对于像素点q所获取的第一、第二特征线段,分别获取像素点q的第一特征线段显著渐变性和第二特征线段显著渐变性/>,若像素点q为对比区域的边缘像素点,则只存在第一特征线段,第二特征线段的线段渐变性为0,以像素点q为例,计算第一特征线段的显著渐变性系数/>:
式中,为像素点q的第一特征线段的显著渐变性系数,n为第一特征线段上相邻像素点的显著性连续的像素点对数,相邻像素点的显著性连续的判断条件为:第一特征线段上相邻像素点的/>小于等于判断阈值0.2且不为0,其中判断阈值为经验值,实施者可自行设定;/>为第一特征线段上像素点的个数,/>为以自然常数e为底数的指数函数,/>为第一特征线段上第i个像素点的角度特征值,第i个像素点的角度特征值获取方法为:第i个像素点的3*3邻域像素点中和第i个像素点的灰度差异最大的邻域像素点与第i个像素点所成直线与水平线的顺时针夹角,/>表示像素点q所在对比区域的特征方向;/>为线性归一化函数,/>为第一特征线段上第i个像素点的显著性,/>为第一特征线段上第i+1个像素点的显著性,/>为第一极小系数,取经验值0.01,目的是为了防止分母为0所设置的极小正数,其中第一极小系数根据经验值设置,实施者可自行调节。
需要说明的是,越大,即第一特征线段上相邻像素点的显著性的变化较小的像素点对数较多,则说明第一特征线段上相邻像素点的显著性的渐变性越强;当/>越小时,则说明该像素点的角度特征值越符合该像素点所在区域的特征方向,即该像素点的相邻像素点的显著性渐变程度对第一特征线段的影响权重越大;相邻像素点之间的显著性差异/>越大,即其显著性变化不是渐变而是突变的,因此其相邻像素点之间的渐变程度越小;通过遍历第一特征线段上所有相邻像素点的显著性变化的渐变程度情况,可以得到像素点q的第一特征线段的显著渐变性系数,第一特征线段上所有相邻像素点的显著性变化的渐变程度越大,说明第一特征线段上所蕴含的纹理信息越丰富,其所对应的像素点q的显著性应越大,即/>越大。
对于磨粒区域而言其本身具有纹理信息,其内部的像素点渐变性较大,而散射光干扰区域的纹理信息较少,其内部的像素点渐变性较小。故通过渐变性对显著性指标进行修正,可以有效减小增强后散射光区域的对比度,进而提高磨粒的检测精度。
针对对比区域B内的像素点进行显著性分析,构建对比区域B内像素点q点的显著富集性指数,通过像素点q所对应的富集性与渐变性差异构建像素点q的第一显著修正指标/>:
式中,为像素点q的显著富集性指数,/>为像素点q所在对比区域的像素点个数,为像素点q所在对比区域内像素点的平均显著性指标,/>为像素点q所在对比区域内第i个像素点的显著性,/>为像素点q所在对比区域内第i个像素点与像素点q之间的欧式距离,/>为像素点q的第一显著修正指标,/>为像素点q点所对应线段的平均渐变性, />为像素点q点所对应的线段/>的渐变性,/>为像素点q点所对应的线段/>的渐变性,/>为第二极小系数,为防止分母为0设置的极小正数,取经验值0.01,实施者可自行设定,其中,/>为像素点q的居中系数。
需要说明的是,当像素点q所在对比区域B内的像素点个数越多、对比区域B的平均显著性指标越大,则说明该对比区域内的像素点显著性的富集性越大,即该对比区域越显著;同时,计算对比区域内各像素点与像素点q在欧式距离的影响下的显著性指标的变化,即距离像素点q越近的像素点的显著性对像素点q的影响越大,通过将对比区域内所有像素点与像素点q之间影响求和得到,该值越大即表示距离像素点q周围越近且显著性越大的像素点越多,即像素点q 越显著。
结合像素点q的显著渐变性系数及显著富集性指数构建第一显著修正指标,居中系数越小,则说明像素点q越可能属于纹理信息中心位置,其所对应的显著性指标应越大,即第一显著修正指标越大,可以有效降低噪声点的显著性,提高正常像素点的显著性指标;同时,像素点q的平均渐变性越大、显著富集性指数越大,则说明像素点越显著,像素点q的第一显著修正指标越大,像素点q所对应的修正后的显著性应越大。
由于齿轮油中的磨粒具有形状、大小、纹理等相似的特征,如果根据显著图中检测到的各对比区域之间具有一定的相似性,且由于噪声、光影这种干扰区域不具有相似特征,则可以通过相似性排除掉这些干扰区域,从而间接说明具有相似性的区域为磨粒区域。
对于显著图中的对比区域B和对比区域C,即将除像素点q所在对比区域B的剩余区域中的其中一个对比区域C,构建两个对比区域之间的相似性指标。
式中,表示对比区域B与对比区域C之间的相似性,/>为通过形状上下文计算出的对比区域B与对比区域C之间的形状相似性,/>为以自然常数e为底数的指数函数, />为对比区域C内像素点的平均显著性,/>为对比区域B内像素点的平均显著性。
需要说明的是,越大,说明这两个对比区域的形状越相似;同时,对比区域B与对比区域C之间的平均显著性差距越小,说明这两个对比区域具有较为相似的显著性,即越大;即两个对比区域之间的形状越相似、内部的显著性越相似,则说明这两个对比区域之间越相似,/>越大。
重复上述步骤,可获取像素点q所在对比区域B与其他各对比区域之间的相似性指标。
对于像素点q,其所在对比区域B与其他各对比区域均有相应的相似性指标,则对得到的相似性指标Y使用K-means聚类算法,设置K=2,将显著图中所有的对比区域分割成两个类别,分别记为第一类别与第二类别,且第一类别中的平均Y值大于第二类别中的平均Y值。
对于第一类别,即与像素点q所在对比区域的相似性较大的类别,将第一类别内的各对比区域的质心点与显著图的中心点之间的连线与水平线之间的顺时针夹角记为,将第一类别内所有对比区域得到的夹角的方差记为/>。针对于磨粒在显著图中分布均匀的特点,即像素点q所在对比区域相似的第一类别内的各对比区域分布越散乱,则越表征这个区域为在显著图中分布均匀、零散的磨粒区域。
通过第一类别内的各对比区域在显著图上的分布特征构建像素点q的第二显著修正指标,同时结合像素点的第一显著修正指标,从而得到修正后的显著性。
式中,、/>为像素点q的第一、第二显著修正指标,/>为第一类别内的对比区域个数,/>为与像素点q的第一类别内所有对比区域的质心和显著图中心点之间的连线与水平方向夹角的方差,/>为与像素点q的第一类别内所有对比区域的质心和显著图中心点之间的距离方差, />为像素点q修正后的显著性,/>为像素点q修正前的显著性。
需要说明的是,与像素点q的第一类别内所有对比区域的质心和显著图中心点连线与水平方向上顺时针的夹角的方差越大,与像素点q的第一类别内所有对比区域的质心和显著图中心点之间的距离方差越大,则说明与像素点q所在对比区域相似的各对比区域分布越散乱,该对比区域越可能为磨粒区域,同时,与像素点q所在对比区域相似的第一类别内的对比区域的数量越多,即该对比区域具有更显著、与其相似的对比区域分布越散乱且数量越多,则该像素点所在区域就越可能为磨粒区域,故其所对应的修正后的第二显著修正指标越大。
结合像素点q的第一显著修正指标与第二显著修正指标对像素点q的显著性进行修正,第一、第二显著修正指标越大,则得到修正后的显著性越大,该像素点所在对比区域越可能为磨粒区域,该像素点越显著。
根据上述步骤对显著图中各对比区域各像素点进行分析,则可得到每个像素点所对应的修正后的显著性,将像素点修正后的显著性作为对齿轮油磨粒灰度图像采用的均值滤波器中各像素点灰度值的权重,对齿轮油磨粒灰度图像进行均值滤波,得到滤波后的各像素点的灰度值,以像素点q为例,得到滤波后像素点q的灰度值。
式中,表示像素点q滤波后的灰度值,/>表示像素点q邻域内的像素点个数,/>表示滤波前像素点q邻域内第i个像素点的灰度值,/>表示像素点q邻域内第i个像素点修正后的显著性。
根据上述步骤对齿轮油磨粒灰度图像中各像素点进行滤波处理,得到滤波后的像素点的灰度值,完成图像滤波增强,得到滤波后的图像,用于后续齿轮油的监测。
至此,可根据上述计算方法完成煤矿工业的齿轮油磨粒灰度图像的增强。
步骤S003,基于磨粒检测完成煤矿工业的齿轮油质量检测。
根据上述步骤对齿轮油磨粒灰度图像进行了滤波增强,得到了滤波后的图像。
对滤波后的图像进行进一步分析,完成磨粒的检测与获取。
本实施例使用Otsu阈值分割算法对滤波后的图像进行分割,再进行连通域分析,获取滤波后的图像中所有磨粒区域,统计磨粒区域的面积S。其中,Otsu阈值分割算法为公知技术,本实施例不再赘述。
当磨粒区域的面积S大于等于面积阈值时,则认为齿轮油质量不合格,需要对齿轮油进行更换。
此处的为滤波后的图像面积。其中面积阈值/>为根据经验值设置,实施者可进行调节。
至此,完成煤矿工业的齿轮油的质量检测。
综上所述,本发明实施例提出一种基于图像滤波的煤矿工业齿轮油视觉检测方法,采集齿轮油磨粒灰度图像,对齿轮油磨粒灰度图像各像素点的邻域进行分析,同时考虑噪声、光影对磨粒区域造成的干扰,完成煤矿工业的齿轮油质量检测。
本发明实施例中采集齿轮油磨粒灰度图像,通过齿轮油磨粒灰度图像各像素点的整体灰度分布特征以及滤波窗口内像素点的局部灰度差异构建像素点的显著性指标,分别从像素点滤波窗口内的整体显著性和局部显著性的特点评价像素点的显著性,使得考虑方向更加全面,有利于针对各像素点周围的细节信息进行分析;
基于噪声特性以及反射光成像中齿轮油磨粒灰度图像可能受到的散射光干扰与伪影特征自适应构建显著性指标的修正指标,完成显著性指标的修正,将修正后的显著性指标作为均值滤波器中滤波权重进行滤波,提高了图像对比度,保留了磨粒的边缘及纹理信息,提高了图像质量,进而提高了磨粒的检测精度与效率。
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。且上述对本说明书特定实施例进行了描述。另外,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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,该方法包括以下步骤:
采集齿轮油磨粒灰度图像;
对于齿轮油磨粒灰度图像各像素点,根据像素点的灰度频率及邻域像素点的灰度差异和距离得到像素点的显著性;基于齿轮油磨粒灰度图像各像素点的显著性得到显著图;采用区域生长算法将显著图分割成各区域;计算各区域的平均显著性,将平均显著性最小的区域标记为油液区域,除油液区域以外的区域均标记为对比区域;采用PCA主成分提取算法获取各对比区域的特征方向;
对于显著图各对比区域各像素点,根据像素点所在对比区域的特征方向得到像素点的第一特征线段和第二特征线段;根据像素点第一特征线段上相邻像素点的显著性变化程度及灰度信息得到像素点第一特征线段的显著渐变性系数,获取像素点第二特征线段的显著渐变性系数;根据像素点所在对比区域像素点的显著性得到像素点的显著富集性指数;结合像素点的显著渐变性系数和显著富集性指数得到像素点的第一显著修正指标;获取像素点所在对比区域与其他各对比区域之间的相似性;根据像素点所在对比区域与其他各对比区域之间的相似性得到像素点的第一类别;根据像素点的第一类别内各对比区域的分布特征得到像素点的第二显著修正指标;将像素点的第一显著修正指标与第二显著修正指标的乘积与像素点的显著性相乘得到像素点修正后的显著性;
根据齿轮油磨粒灰度图像各像素点修正后的显著性改进均值滤波算法各像素点的权重得到各像素点滤波后的灰度值,得到滤波后的图像;根据滤波后的图像完成齿轮油的质量检测;
所述根据像素点的灰度频率及邻域像素点的灰度差异和距离得到像素点的显著性,表达式为:
式中,为像素点q的显著性,/>为像素点q的整体显著性,/>为像素点q的灰度值,/>为像素点q邻域内像素点的平均灰度值,/>为像素点q邻域内像素点的个数,/>为像素点q邻域内除q外的第i个像素点的灰度值,/>为像素点q邻域内除q外的第i个像素点与像素点q之间的欧式距离,/>为齿轮油磨粒灰度图像的特征灰度值,/>为像素点q所对应灰度值在齿轮油磨粒灰度图像中出现的灰度频率,其中, />为像素点q的局部显著性。
2.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据像素点所在对比区域的特征方向得到像素点的第一特征线段和第二特征线段,包括:
过像素点、沿着所在对比区域的特征方向且交于所在对比区域的两侧边缘像素点,将所述两侧边缘像素点之间的线段记为像素点的特征线段;
将所述两侧边缘像素点距离像素点最近的边缘像素点与像素点之间的线段记为第一特征线段,将所述两侧边缘像素点距离像素点最远的边缘像素点与像素点之间的线段记为第二特征线段。
3.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据像素点第一特征线段上相邻像素点的显著性变化程度及灰度信息得到像素点第一特征线段的显著渐变性系数,表达式为:
式中,为像素点q的第一特征线段的显著渐变性系数,n为第一特征线段上相邻像素点的显著性连续的像素点对数,/>为第一特征线段上像素点的个数,/>为以自然常数e为底数的指数函数,/>为第一特征线段上第i个像素点的角度特征值,/>表示像素点q所在对比区域的特征方向,/>为线性归一化函数,/>为第一特征线段上第i个像素点的显著性,为第一特征线段上第i+1个像素点的显著性,/>为第一极小系数。
4.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据像素点所在对比区域像素点的显著性得到像素点的显著富集性指数,包括:
对于像素点所在对比区域,获取所在对比区域像素点的个数和平均显著性指标;
计算像素点与所述所在对比区域内各像素点之间的欧式距离;计算所述所在对比区域内各像素点的显著性与所述欧式距离的比值,将所述所在对比区域内所有像素点的所述比值之和作为所述所在对比区域的第一修正系数;
将所述第一修正系数与所述所在对比区域的个数、所述平均显著性指标的乘积作为像素点的显著富集性指数。
5.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述结合像素点的显著渐变性系数和显著富集性指数得到像素点的第一显著修正指标,包括:
将像素点第一特征线段与第二特征线段的显著渐变性系数的均值作为像素点的平均渐变性;将像素点第一特征线段与第二特征线段的显著渐变性系数的差值绝对值作为像素点的居中系数;
计算像素点的显著富集性指数与平均渐变性的乘积,将所述乘积与所述居中系数的比值作为像素点的第一显著修正指标。
6.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述获取像素点所在对比区域与其他各对比区域之间的相似性,包括:
对于显著图除像素点所在对比区域的其他各对比区域,采用形状上下文算法计算所述所在对比区域与所述对比区域之间的形状相似性;
获取所述所在对比区域、所述对比区域的平均显著性;
将所述所在对比区域与所述对比区域的平均显著性的差值绝对值的负数作为以自然常数为底数的指数函数的指数,获取指数函数的结果,将所述结果与所述形状相似性的乘积作为像素点所在对比区域与所述对比区域之间的相似性。
7.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据像素点所在对比区域与其他各对比区域之间的相似性得到像素点的第一类别,包括:
采用聚类算法对各相似性进行聚类分析,结合聚类结果将其他各对比区域分为第一类别和第二类别;其中,所述第一类别的平均相似性大于所述第二类别的平均相似性。
8.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据像素点的第一类别内各对比区域的分布特征得到像素点的第二显著修正指标,包括:
计算像素点第一类别内各对比区域的质心和显著图中心点连线与水平方向的顺时针之间的夹角方差;计算像素点第一类别内各对比区域的质心和显著图中心点之间的距离方差;
获取像素点第一类别内对比区域个数,将像素点的所述对比区域个数、所述夹角方差及所述距离方差的乘积作为第二显著修正指标。
9.如权利要求1所述的一种基于图像滤波的煤矿工业齿轮油视觉检测方法,其特征在于,所述根据滤波后的图像完成齿轮油的质量检测,包括:
根据阈值分割算法对滤波后的图像进行分割得到磨粒区域,统计磨粒区域的面积;
当磨粒区域的面积大于等于面积阈值时,则齿轮油质量不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243528.7A CN116993724B (zh) | 2023-09-26 | 2023-09-26 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243528.7A CN116993724B (zh) | 2023-09-26 | 2023-09-26 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993724A CN116993724A (zh) | 2023-11-03 |
CN116993724B true CN116993724B (zh) | 2023-12-08 |
Family
ID=88525090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243528.7A Active CN116993724B (zh) | 2023-09-26 | 2023-09-26 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993724B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251087B (zh) * | 2023-11-17 | 2024-02-09 | 济宁市金桥煤矿 | 基于虚拟现实的煤矿安全模拟交互方法 |
CN117522758B (zh) * | 2024-01-04 | 2024-03-26 | 深圳对对科技有限公司 | 一种基于大数据的智慧社区资源管理方法及系统 |
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 |
CN117788464B (zh) * | 2024-02-26 | 2024-04-30 | 卡松科技股份有限公司 | 一种工业齿轮油杂质视觉检测方法 |
CN117853933B (zh) * | 2024-03-07 | 2024-05-17 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
CN117934483B (zh) * | 2024-03-25 | 2024-05-31 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115638A (zh) * | 2022-08-30 | 2022-09-27 | 南通翡利达液压科技有限公司 | 一种液压系统漏油检测及判定方法 |
CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115294113A (zh) * | 2022-09-30 | 2022-11-04 | 南通佳木汇木制品有限公司 | 一种木饰面板质量检测方法 |
CN115880284A (zh) * | 2023-02-06 | 2023-03-31 | 卡松科技股份有限公司 | 一种用于润滑油磨粒均匀度的检测方法及系统 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
-
2023
- 2023-09-26 CN CN202311243528.7A patent/CN116993724B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115638A (zh) * | 2022-08-30 | 2022-09-27 | 南通翡利达液压科技有限公司 | 一种液压系统漏油检测及判定方法 |
CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115294113A (zh) * | 2022-09-30 | 2022-11-04 | 南通佳木汇木制品有限公司 | 一种木饰面板质量检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115880284A (zh) * | 2023-02-06 | 2023-03-31 | 卡松科技股份有限公司 | 一种用于润滑油磨粒均匀度的检测方法及系统 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Non-Patent Citations (1)
Title |
---|
基于相似性滤波的红外小目标检测;张丽珂;王清亮;周海波;夏智海;;微计算机应用(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993724A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116758071B (zh) | 一种视觉辅助下碳电极脏污智能检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN109118434A (zh) | 一种图像预处理方法 | |
CN115439494A (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
CN112883824A (zh) | 一种用于智能采血的手指静脉特征识别装置及其识别方法 | |
CN116777941A (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN116503393A (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN116630312B (zh) | 一种恒力浮动打磨头打磨质量视觉检测方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
CN111445485B (zh) | 一种在线磨粒图像数据处理方法 |
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 |