CN117115494B - 基于人工智能的润滑油杂质污染检测方法、装置 - Google Patents
基于人工智能的润滑油杂质污染检测方法、装置 Download PDFInfo
- Publication number
- CN117115494B CN117115494B CN202311368369.3A CN202311368369A CN117115494B CN 117115494 B CN117115494 B CN 117115494B CN 202311368369 A CN202311368369 A CN 202311368369A CN 117115494 B CN117115494 B CN 117115494B
- Authority
- CN
- China
- Prior art keywords
- impurity
- pixel
- cluster
- image
- pixel points
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 214
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 76
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011109 contamination Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 229920000642 polymer Polymers 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 14
- 239000003921 oil Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000000314 lubricant Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- -1 silt Substances 0.000 description 1
Classifications
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于人工智能的润滑油杂质污染检测方法、装置，方法包括：采集连续帧图像；对连续帧图像进行图像差分，获得差分图像和第一杂质像素点；对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇；对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点；分析邻域像素点位置关系判断获得第二聚类半径；根据第二聚类半径对差分图像的第一杂质像素点进行DBSCAN密度聚类，获得多个第二聚类簇；分析第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像。本发明提供的方法和装置能够准确的识别到哪些像素点为杂质像素点或噪声像素点，从而去除噪声像素点，准确的识别出杂质。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于人工智能的润滑油杂质污染检测方法、装置。
背景技术
润滑油主要起润滑、辅助冷却、防锈、清洁、密封和缓冲等作用，广泛应用在在汽车、机械设备等多个领域，是保护机械及加工件的液体或半固体润滑剂。润滑油在生产过程中可能会掺杂杂质，例如泥砂、尘土、铁屑、纤维和某些不溶性盐类等。若润滑油中存在杂质，一方面，杂质会破坏润滑油的油膜降低润滑油性能，另一方面，杂质会严重影响用油设备的性能，加快机械磨损，堵塞过滤器，生成过多积炭等。为了确保用油设备的安全性、稳定性，需保障润滑油油质的合格，因此在生产过程中需要对润滑油的品质进行检测，避免润滑油中掺杂有杂质。
在现有技术中，对润滑油的杂质检测采用机器视觉的方法，通过采集润滑油的图像，然后对获得的图像进行增强，凸出润滑油中的杂质，从而实现对杂质的检测。但是因为图像是在润滑油的生产线上实时采集获得，受到采集环境的影响，获得的图像会受到噪声的干扰，在进行杂质识别时会将噪声像素点当做杂质识别出来，导致检测的结果不准确，降低了润滑油的实际品质。而传统的去噪算法是根据局部范围内的像素点对中心像素点进行填补，会造成图像平滑。因此亟需一种能够将图像中的杂质和噪音进行准确识别、区分和排除的方法，从而使得检测到的杂质区域更加的准确。
发明内容
本申请提供了一种基于人工智能的润滑油杂质污染检测方法、装置，以使得对润滑油杂质污染检测时可以实现对杂质的精准检测识别。
根据本申请实施例的第一方面，提供了一种基于人工智能的润滑油杂质污染检测方法，所述方法包括：
采集润滑油图像获得连续帧图像；
对所述连续帧图像进行图像差分，获得差分图像和第一杂质像素点；
对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇；
对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点；
分析所述邻域像素点位置关系判断获得第二聚类半径；
根据所述第二聚类半径再次对差分图像的第一杂质像素点进行DBSCAN密度聚类，获得多个第二聚类簇；
分析所述第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像。
在本发明的一些实施例中，所述方法还包括：
对所述杂质图像进行增强，突出所述第二杂质像素点；
根据增强后的所述杂质图像进行杂质区域分割。
在本发明的一些实施例中，对所述连续帧图像进行图像差分，获得差分图像和第一杂质像素点，包括：
将当前帧图像与下一帧图像/>进行差分，获得/>帧图像与/>帧图像的差分图像；
再将帧图像与下一帧图像/>进行差分，获得/>帧图像与/>帧图像的差分图像；
对差分后的每个像素点打标签；
根据差分后的图像计算杂质像素点的可能程度，计算公式：
；
式中，表示第/>个像素点为杂质像素点的可能程度，/>表示在标记像素点中第/>个像素点在第一次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第二次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第一次差分后的纵坐标，表示在标记像素点中第/>个像素点在第二次差分后的纵坐标，/>表示归一化函数，其归一化的值为/>；
判断是否大于第一预设阈值，如果是，表示第/>个像素点为第一杂质像素点。
在本发明的一些实施例中，对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇，包括：
选取第一杂质像素点中任一像素点，对其进行密度聚类，设置第一聚类半径和第一最小聚类数，所述第一聚类半径和第一最小聚类数为经验阈值，获得多个第一聚类簇；
计算第一聚类簇为初始聚类簇的可能值，其计算公式如下：
；
式中，表示第/>个聚类簇为初始聚类簇的可能值，/>表示该聚类簇中像素点的数量，/>表示第/>个聚类簇中任一两个像素点之间的欧式距离，/>表示该聚类簇中所有像素点之间的距离和，除以/>表示其平均距离；
判断是否大于第二预设阈值，如果是，将该第一聚类簇作为初始聚类簇。
在本发明的一些实施例中，对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点，包括：
基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向；
将杂质的运动方向进行层次聚类，多次迭代直至获得预设的3个迭代聚类簇；
分别对3个迭代聚类簇进行主成分分析，获得3个迭代聚类簇的主成分方向；
沿着3个主成分方向的反方向进行像素搜索，找寻满足该方向上的像素点，获得邻域像素点。
在本发明的一些实施例中，基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向，包括：
将润滑油的运动方向选定作为主方向；
计算初始聚类簇中两两像素点之间的方向与主方向的差值，其计算公式为，其中/>表示第/>个连接方向与主方向的差值，/>表示第/>个连接方向，/>表示主方向；
判断是否大于第三预设阈值，如果是，将该方向剔除，获得杂质的运动方向。
在本发明的一些实施例中，分析所述邻域像素点位置关系判断获得第二聚类半径，包括：
根据邻域像素点之间的位置关系判断初始聚类簇的延伸方向上第点为该聚类簇的点的可能程度，其计算公式如下：
；
式中，表示第/>个初始聚类簇的延伸方向上第/>点为该聚类簇的点的可能程度，表示第/>个像素点到任意主成分方向/>的最小距离/>，/>表示该点距离初始聚类簇的中第/>个像素点的最小距离；
判断是否小于第四预设阈值，如果是，判断该点为第二聚类簇内的像素点；
根据初始聚类簇中像素点及包含延伸像素点的位置关系来确定第二聚类半径，其计算公式如下：
；
式中，表示第二聚类半径，/>表示在获得的初始聚类簇及包含延伸点的局部范围内任意两个像素点之间的距离。
在本发明的一些实施例中，分析所述第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像，包括：
选择5张连续帧图像，相邻连续帧图像进行图像差分和像素点标记，然后获得每一个标记像素点的运动轨迹，根据运动轨迹的变化来获得杂质像素点的置信度，其计算公式如下：
；
式中，表示第/>个第二聚类簇中第/>个像素点为杂质像素点的置信度，/>表示第/>个标记像素点在第/>帧差分图像中的运动方向，/>表示杂质运动模型中的任意主成分方向，/>表示在第/>个标记像素点在第/>帧差分图像中于主成分方向的差值，表示差值的最小值，因为会存在三个运动方向，因此这里选取差值的最小值才能够找最符合杂质运动轨迹的方向，3表示五张图像有四张差分图像，存在三个运动方向；
判断是否小于第五预设阈值，如果是，保留该像素点为第二杂质像素点；否则，去除该像素点，获得杂质图像。
在本发明的一些实施例中，对所述杂质图像使用分段线性增强算法进行增强。
根据本申请实施例的第二方面，提供了一种基于人工智能的润滑油杂质污染检测装置，该装置包括处理器和存储器，其中：
所述存储器，用于存储程序代码；
所述处理器，用于读取所述存储器中存储的程序代码，并执行如本申请实施例第一方面所述的方法。
由以上实施例可见，本申请实施例提供的基于人工智能的润滑油杂质污染检测方法、装置，具有的有益效果如下：
本发明基于杂质在润滑油中的运动特点，建立杂质运动模型，根据杂质在运动过程的变化将其与噪声像素点进行区分，能够准确的识别到哪些像素点为杂质像素点，哪些像素点为噪声像素点，从而去除噪声像素点，准确的识别出杂质。
本发明通过密度聚类算法来进行区域分割，并且根据杂质在运动过程中的运动轨迹来确定合适的聚类半径，使得获得的聚类簇能够准确的分割出局部杂质区域，避免了将无关像素点分割在杂质区域内，进而在对分割区域进行分析时能够准确的反映杂质的分布。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于人工智能的润滑油杂质污染检测方法基本流程示意图；
图2为本申请实施例提供的一种图像差分方法基本流程示意图；
图3为本申请实施例提供的一种第一次DBSCAN密度聚类方法基本流程示意图；
图4为本申请实施例提供的一种像素搜索方法基本流程示意图；
图5为本申请实施例提供的一种杂质像素点分析方法基本流程示意图；
图6为本申请实施例提供的一种确定第二聚类半径方法基本流程示意图；
图7为本申请实施例提供的一种去除噪音像素点方法基本流程示意图；
图8为本申请实施例提供的一种润滑油中的杂质和噪音分布模型示意图；
图9为本申请实施例提供的一种润滑油在流动过程中杂质运动模型示意图；
图10为本申请实施例提供的一种杂质像素点与噪声像素点的运动轨迹示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面将结合附图，对本实施例提供的基于人工智能的润滑油杂质污染检测方法进行详细介绍。图1为本申请实施例提供的一种基于人工智能的润滑油杂质污染检测方法基本流程示意图。如图1所示，该方法具体包括如下步骤：
步骤S100：采集润滑油图像获得连续帧图像。
为了对润滑油中的杂质进行检测，首先需要采集润滑油生成过程中的图像。因为是在生产线上对润滑油中的杂质进行检测，因此通过在润滑油的出油口上方布设高清CCD相机，拍摄润滑油流动的实时图像，获得连续帧图像。另外，为了提高拍摄图像清晰度，调整微量泵的功率，使润滑油在取样油道上均匀的铺开，取样油道底部需要保持白色干净，控制流过的油厚度在0.5mm-1mm。
步骤S200：对连续帧图像进行图像差分，获得差分图像和第一杂质像素点。
因为在对润滑油中的杂质进行检测时，由于采集环境的影响，获得的图像中包含较多的椒盐噪声，如果直接进行杂质识别会将椒盐噪声像素点当作杂质像素点分割出来，会影响杂质检测的准确性。而通常图像产生的噪声都是加性噪声，相当于在原本的图像上附着了很多的噪声像素点，那么在进行去噪时，最准确的去噪方法就是将噪声像素点识别出来，然后再根据邻域像素点灰度值的变化进行像素点的填补，使得去噪后的图像不会改变原本的图像特征，进而能够准确的识别出润滑油中的杂质。
在采集润滑油的图像时，因为润滑油不是液体，而是一种流体，在沿着输送管输送时，不是均匀流动的，在同一横截面中各位置的受力是不一样的，这就会导致杂质并不像在液体中一样是均匀分布的，而是会形成部分的团状簇和部分的散乱杂质；而噪声的分布都是随机的，没有规律特征，因此根据杂质与噪声的分布特征的区别来获得杂质的置信度。
因此首先根据采集获得的连续帧图像对其进行图像差分，获得差分图像和第一杂质像素点。图2为本申请实施例提供的一种图像差分方法基本流程示意图，如图2所示，在本发明的一些实施例中，进行图像差分的方法包括以下步骤：
步骤S201：将当前帧图像与下一帧图像/>进行差分，获得/>帧图像与/>帧图像的差分图像。
步骤S202：再将帧图像与下一帧图像/>进行差分，获得/>帧图像与帧图像的差分图像。
步骤S203：对差分后的每个像素点打标签。
为了能够表示杂质位置的变化，因此对差分后的每个像素点打标签，每一个像素点都拥有自己的标签。
步骤S204：根据差分后的图像计算杂质像素点的可能程度。
随着润滑油的缓慢流动，杂质也会移动，在进行图像差分时，会将杂质像素点差分出来，因此首先根据差分后的图像来计算杂质像素点的可能程度。计算公式：
；
式中，表示第/>个像素点为杂质像素点的可能程度，/>表示在标记像素点中第/>个像素点在第一次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第二次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第一次差分后的纵坐标，表示在标记像素点中第/>个像素点在第二次差分后的纵坐标，/>表示归一化函数，其归一化的值为/>。其中，/>取值越靠近1表示像素点是杂质像素点的可能程度越大。
步骤S205：判断是否大于第一预设阈值，如果是，表示第/>个像素点为第一杂质像素点。
其中，第一预设阈值为经验阈值。在本发明的一些实施例中，第一预设阈值的取值可以为0.37，因此，判断＞0.37，如果是，表示第/>个像素点为第一杂质像素点，获得第一杂质像素点。
步骤S300：对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇。
步骤S200中计算像素点为杂质像素点的可能程度时，是根据不同帧图像中像素点发生的位移进行判断的，但是因为噪声的分布也是随机的，那么在进行图像差分时，会将部分的噪声像素点给差分掉，但也会将部分噪声像素点保留下来，因此在根据像素点发生的位移进行计算时会将部分噪声像素点当作杂质像素点，会识别错误。如上述，杂质在润滑油中的流动是呈现非均匀分布的，而噪声像素点是呈现均匀分布的，因此还需要根据差分后的像素点的局部位置关系来获得像素点为杂质像素点的可能程度。
首先对第一杂质像素点进行第一次DBSCAN密度聚类，在这里进行密度聚类的目的是为了对局部区域进行分割，将杂质像素点分割在同一个区域内，才能够根据同一区域内像素点的分布来获得哪些像素点是杂质像素点，哪些像素点是噪声像素点。因为杂质的是非均匀分布的，因此在进行聚类时需要根据杂质的分布特征确定合适的聚类半径，才能将局部杂质像素点聚为一类。
润滑油中的杂质在随着润滑油的流动过程中因为受到不均衡的力的作用呈现不均匀分布，其分布特征如附图8所示。杂质的分布模型中沿着润滑油的流动方向其前端是比较聚集的，而后端的分布比较离散；噪声是随机分布的，比较的均匀。图3为本申请实施例提供的一种第一次DBSCAN密度聚类方法基本流程示意图，如图3所示，在本发明的一些实施例中，对第一杂质像素点进行第一次DBSCAN密度聚类的方法步骤包括：
步骤S301：选取第一杂质像素点中任一像素点，对其进行密度聚类，获得多个第一聚类簇。
选取第一杂质像素点中任一像素点，对其进行密度聚类，设置第一聚类半径和第一最小聚类数，第一聚类半径和第一最小聚类数为经验阈值，在本发明的一些实施例中，设置第一聚类半径为2，第一最小聚类数为4，会获得多个第一聚类簇。此阈值为经验阈值，实施者可根据不同的实时环境自行设定。在这里设置较小的生长半径目的是为了将杂质像素点的前端聚类一个类簇，并且包含较多的像素点，同时又不会将噪声像素点聚为一个类簇。
步骤S302：计算第一聚类簇为初始聚类簇的可能值，其计算公式如下：
；
式中，表示第/>个聚类簇为初始聚类簇的可能值，/>表示该聚类簇中像素点的数量，/>表示第/>个聚类簇中任一两个像素点之间的欧式距离，/>表示该聚类簇中所有像素点之间的距离和，除以/>表示其平均距离。
步骤S303：判断是否大于第二预设阈值，如果是，将该第一聚类簇作为初始聚类簇。
根据每个第一聚类簇中像素点的分布来获得该第一聚类簇为初始聚类簇的可能值，判断是否大于第二预设阈值，如果是，将该第一聚类簇作为初始聚类簇。其中，第二预设阈值为经验值。在本发明的一些实施例中，第二预设阈值取值可以为/>，当时，表示该第一聚类簇为杂质分布模型中前端比较聚集的区域，因此将该第一聚类簇作为初始聚类簇，获得的初始聚类簇可能为多个第一聚类簇，因为润滑油中的杂质在多个位置中均有分布。
步骤S400：对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点。
图4为本申请实施例提供的一种像素搜索方法基本流程示意图，如图4所示，在本发明的一些实施例中，对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点，具体包括以下步骤：
步骤S401：基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向。
根据获得的初始聚类簇沿着润滑油运动的相反方向进行像素搜索。初始聚类簇越向外杂质的分布越分散，并且顺着润滑油的运动方向上中心润滑油的流动性较大，其受到的冲击力更大，而越向两侧受到的冲击力较小，因此杂质会呈现向外发散状，进而通过分析初始聚类簇的延伸方向上个像素点的分布来获得在进行第二次DBSCAN密度聚类时的可能聚类范围，进而获得合适的第二聚类半径。附图9为上述表示的润滑油在流动过程中杂质运动模型。
因此，基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向。图5为本申请实施例提供的一种杂质像素点分析方法基本流程示意图，如图5所示，在本发明的一些实施例中，疑似杂质像素点进行分析的方法包括：
步骤S4011：将润滑油的运动方向选定作为主方向。
在杂质随着润滑油的运动过程中，主要的运动方向必然是润滑油的运动方向，因此将该方向作为主方向。
步骤S4012：计算初始聚类簇中两两像素点之间的方向与主方向的差值。
连接的方向存在多种可能，因此需要根据主方向进行方向的筛选，计算初始聚类簇中两两像素点之间的方向与主方向的差值，其计算公式为，其中/>表示第个连接方向与主方向的差值，/>表示第/>个连接方向，/>表示主方向，因此在运动的过程中存在附图9中的三种运动关系。
步骤S4013：判断是否大于第三预设阈值，如果是，将该方向剔除，获得杂质的运动方向。
其中，第三预设阈值为经验值。在本发明法一些实施例中，第三预设阈值取值可以为，当/>时，必然不是杂质的运动方向，将这些方向剔除，获得杂质的运动方向。因为获得方向有正有负，那么差值大于0的方向表示的主方向上方杂质的运动方向，小于0表示主方向下方的运动方向。
步骤S402：将杂质的运动方向进行层次聚类，多次迭代直至获得预设的3个迭代聚类簇。
将步骤S401中获得杂质的运动方向，即步骤S4013中剩余的方向进行层次聚类，获得多个聚类簇；因为需要获得3个目标运动方向，因此在进行层次聚类时，一直进行迭代，直至存在3个迭代聚类簇时迭代停止。
步骤S403：分别对3个迭代聚类簇进行主成分分析，获得3个迭代聚类簇的主成分方向。
对步骤S402中迭代后获得的3个迭代聚类簇进行主成分分析，获得3个迭代聚类簇的主成分方向。
步骤S404：沿着这3个主成分方向的反方向进行像素搜索，找寻满足该方向上的像素点，获得邻域像素点。
步骤S500：分析邻域像素点位置关系判断获得第二聚类半径。
在进行像素搜索时，不仅需要根据像素点与主成分方向的关系，还需要根据邻域像素点之间的关系来确定杂质的可能聚类范围。图6为本申请实施例提供的一种确定第二聚类半径方法基本流程示意图，如图6所示，在本发明的一些实施例中，分析邻域像素点位置关系判断获得第二聚类半径的方法包括：
步骤S501：根据邻域像素点之间的位置关系判断初始聚类簇的延伸方向上第点为该聚类簇的点的可能程度。
根据邻域像素点之间的位置关系判断初始聚类簇的延伸方向上第点为该聚类簇的点的可能程度，其计算公式如下：
；
式中，表示第/>个初始聚类簇的延伸方向上第/>点为该聚类簇的点的可能程度，表示第/>个像素点到任意主成分方向/>的最小距离/>，/>表示该点距离初始聚类簇的中第/>个像素点的最小距离。
步骤S502：判断是否小于第四预设阈值，如果是，判断该点为第二聚类簇内的像素点。
根据步骤S501获得的第点为该聚类簇的点的可能程度，判断/>是否小于第四预设阈值，如果是，判断该点为第二聚类簇内的像素点。其中，第四预设阈值为经验值。在本发明的一些实施例中，第四预设阈值取值可以为0.45，当/>时，表示该点可能为第二聚类簇内的像素点，然后依次进行判断初始聚类簇的所有延伸像素点是否满足阈值。
步骤S503：根据初始聚类簇中像素点及包含延伸像素点的位置关系来确定第二聚类半径。
步骤S502获得初始聚类簇延伸像素点中属于第二聚类簇内的像素点，此时属于第二聚类簇内的像素点包括初始聚类簇中像素点以及初始聚类簇延伸像素点中属于第二聚类簇内的像素点。确定第二聚类簇的可能范围后计算获得第二聚类簇的第二聚类半径，即，根据初始聚类簇中像素点及包含延伸像素点的位置关系来确定第二聚类半径。其计算公式如下：
；
式中，表示第二聚类半径，/>表示在获得的初始聚类簇及包含延伸点的局部范围内任意两个像素点之间的距离。这里选取最大距离作为聚类半径是因为为了在进行密度聚类时能够包含同一区域内的所有疑似杂质像素点。
步骤S600：根据第二聚类半径再次对差分图像的第一杂质像素点进行DBSCAN密度聚类，获得多个第二聚类簇。
根据步骤获得的第二聚类半径对差分图像的第一杂质像素点进行DBSCAN密度聚类，设置最小聚类数可以为3，获得多个第二聚类簇，这里获得的第二聚类簇中既包含杂质像素点也包含噪声像素点。
步骤S700：分析第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像。
基于步骤S400描述的杂质运动模型，对连续帧差分图像进行分析，因为杂质的运动符合上述的杂质运动模型，而噪声像素点是随机分布的，因此在连续帧差分图像中，标记像素点在不同差分图像中的运动符合上述杂质运动模型时，表示其为杂质像素点，不符合该杂质运动模型时则为噪声像素点。
图7为本申请实施例提供的一种去除噪音像素点方法基本流程示意图，如图7所示，在本发明的一些实施例中，分析第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像，包括以下步骤。
步骤S701：选择5张连续帧图像，相邻连续帧图像进行图像差分和像素点标记，然后获得每一个标记像素点的运动轨迹，根据运动轨迹的变化来获得杂质像素点的置信度。
选择5张连续帧图像，相邻连续帧图像进行图像差分和像素点标记，然后获得每一个标记像素点的运动轨迹，根据运动轨迹的变化来获得杂质像素点的置信度，其计算公式如下：
；
式中，表示第/>个第二聚类簇中第/>个像素点为杂质点的置信度，/>表示第/>个标记像素点在第/>帧差分图像中的运动方向，/>表示杂质运动模型中的任意主成分方向，/>表示在第/>个标记像素点在第/>帧差分图像中于主成分方向的差值，表示差值的最小值，3表示五张图像有四张差分图像，存在三个运动方向。
步骤S702：判断是否小于第五预设阈值，如果是，保留该像素点为第二杂质像素点；否则，去除该像素点，获得杂质图像。
步骤S701获得像素点为杂质像素点的置信度，判断是否小于第五预设阈值。第五预设阈值为经验值。在本发明的一些实施例中，第五预设阈值可以为/>，因此，当时，表示该像素点为杂质像素点；当/>时，表示该像素点为噪声像素点，直接将其去除。附图10为杂质像素点与噪声像素点的运动轨迹。
步骤S800：对杂质图像进行增强，突出第二杂质像素点。
对步骤700去除噪音像素点后的杂质图像进行增强，突出第二杂质像素点。对杂质图像使用分段线性增强算法进行增强，该算法为现有公知技术，在此不再进行赘述。
步骤S900：根据增强后的杂质图像进行杂质区域分割。
根据增强后的杂质图像进行杂质区域分割，从而实现润滑油的杂质污染物准确检测。
基于与上述方法同样的发明构思，本实施例还提供了一种基于人工智能的润滑油杂质污染检测装置，该装置包括处理器和存储器，其中：
存储器，用于存储程序代码；处理器，用于读取存储器中存储的程序代码，并执行：采集润滑油图像获得连续帧图像；对连续帧图像进行图像差分，获得差分图像和第一杂质像素点；对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇；对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点；分析邻域像素点位置关系判断获得第二聚类半径；根据第二聚类半径再次对差分图像的第一杂质像素点进行DBSCAN密度聚类，获得多个第二聚类簇；分析第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像。对杂质图像进行增强，突出第二杂质像素点；根据增强后的杂质图像进行杂质区域分割。
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。
需要说明的是，除非另有规定和限定，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种基于人工智能的润滑油杂质污染检测方法，其特征在于，所述方法包括：
采集润滑油图像获得连续帧图像；
对所述连续帧图像进行图像差分，获得差分图像和第一杂质像素点；
对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇；
对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点；
分析所述邻域像素点位置关系判断获得第二聚类半径；
根据所述第二聚类半径再次对差分图像的第一杂质像素点进行DBSCAN密度聚类，获得多个第二聚类簇；
分析所述第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像；
对初始聚类簇沿着润滑油运动的相反方向进行像素搜索，获得邻域像素点，包括：
基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向；
将杂质的运动方向进行层次聚类，多次迭代直至获得预设的3个迭代聚类簇；
分别对3个迭代聚类簇进行主成分分析，获得3个迭代聚类簇的主成分方向；
沿着3个主成分方向的反方向进行像素搜索，找寻满足该方向上的像素点，获得邻域像素点；
基于润滑油中杂质运动模型对初始聚类簇中的疑似杂质像素点进行分析，获得杂质的运动方向，包括：
将润滑油的运动方向选定作为主方向；
计算初始聚类簇中两两像素点之间的方向与主方向的差值，其计算公式为，其中/>表示第/>个连接方向与主方向的差值，/>表示第/>个连接方向，/>表示主方向；
判断是否大于第三预设阈值，如果是，将该方向剔除，获得杂质的运动方向；
分析所述邻域像素点位置关系判断获得第二聚类半径，包括：
根据邻域像素点之间的位置关系判断初始聚类簇的延伸方向上第点为该聚类簇的点的可能程度，其计算公式如下：
式中，表示第/>个初始聚类簇的延伸方向上第/>点为该聚类簇的点的可能程度，表示第/>个像素点到任意主成分方向/>的最小距离/>，/>表示该点距离初始聚类簇的中第/>个像素点的最小距离；
判断是否小于第四预设阈值，如果是，判断该点为第二聚类簇内的像素点；
根据初始聚类簇中像素点及包含延伸像素点的位置关系来确定第二聚类半径，其计算公式如下：
式中，表示第二聚类半径，/>表示在获得的初始聚类簇及包含延伸点的局部范围内任意两个像素点之间的距离；
分析所述第二聚类簇中的所有像素点，去除噪音像素点保留第二杂质像素点，获得杂质图像，包括：
选择5张连续帧图像，相邻连续帧图像进行图像差分和像素点标记，然后获得每一个标记像素点的运动轨迹，根据运动轨迹的变化来获得杂质像素点的置信度，其计算公式如下：
式中，表示第/>个第二聚类簇中第/>个像素点为杂质像素点的置信度，/>表示第/>个标记像素点在第/>帧差分图像中的运动方向，/>表示杂质运动模型中的任意主成分方向，表示在第/>个标记像素点在第/>帧差分图像中于主成分方向的差值，表示差值的最小值，因为会存在三个运动方向，因此这里选取差值的最小值才能够找最符合杂质运动轨迹的方向，3表示五张图像有四张差分图像，存在三个运动方向；
判断是否小于第五预设阈值，如果是，保留该像素点为第二杂质像素点；否则，去除该像素点，获得杂质图像。
2.根据权利要求1所述的基于人工智能的润滑油杂质污染检测方法，其特征在于，所述方法还包括：
对所述杂质图像进行增强，突出所述第二杂质像素点；
根据增强后的所述杂质图像进行杂质区域分割。
3.根据权利要求1所述的基于人工智能的润滑油杂质污染检测方法，其特征在于，对所述连续帧图像进行图像差分，获得差分图像和第一杂质像素点，包括：
将当前帧图像与下一帧图像/>进行差分，获得/>帧图像与/>帧图像的差分图像；
再将帧图像与下一帧图像/>进行差分，获得/>帧图像与/>帧图像的差分图像；
对差分后的每个像素点打标签；
根据差分后的图像计算杂质像素点的可能程度，计算公式：
式中，表示第/>个像素点为杂质像素点的可能程度，/>表示在标记像素点中第/>个像素点在第一次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第二次差分后的横坐标，/>表示在标记像素点中第/>个像素点在第一次差分后的纵坐标，/>表示在标记像素点中第/>个像素点在第二次差分后的纵坐标，/>表示归一化函数，其归一化的值为/>；
判断是否大于第一预设阈值，如果是，表示第/>个像素点为第一杂质像素点。
4.根据权利要求1所述的基于人工智能的润滑油杂质污染检测方法，其特征在于，对第一杂质像素点进行第一次DBSCAN密度聚类，确定初始聚类簇，包括：
选取第一杂质像素点中任一像素点，对其进行密度聚类，设置第一聚类半径和第一最小聚类数，所述第一聚类半径和第一最小聚类数为经验阈值，获得多个第一聚类簇；
计算第一聚类簇为初始聚类簇的可能值，其计算公式如下：
式中，表示第/>个聚类簇为初始聚类簇的可能值，/>表示第/>个聚类簇中像素点的数量，/>表示第/>个聚类簇中任一两个像素点之间的欧式距离，/>表示第个聚类簇中所有像素点之间的距离和，除以/>表示其平均距离；
判断是否大于第二预设阈值，如果是，将该第一聚类簇作为初始聚类簇。
5.根据权利要求2所述的基于人工智能的润滑油杂质污染检测方法，其特征在于，对所述杂质图像使用分段线性增强算法进行增强。
6.一种基于人工智能的润滑油杂质污染检测装置，其特征在于，所述装置包括处理器和存储器，其中：
所述存储器，用于存储程序代码；
所述处理器，用于读取所述存储器中存储的程序代码，并执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368369.3A CN117115494B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368369.3A CN117115494B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115494A CN117115494A (zh) | 2023-11-24 |
| CN117115494B true CN117115494B (zh) | 2024-02-06 |
Family
ID=88809399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368369.3A Active CN117115494B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115494B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723739B (zh) * | 2023-12-13 | 2024-09-03 | 广东哈弗石油能源股份有限公司 | 一种低碳润滑油的质量分析方法及系统 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184216A (zh) * | 2011-05-04 | 2011-09-14 | 武汉大学 | 基于数据场划分网格的自动聚类方法 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2017161598A1 (en) * | 2016-03-24 | 2017-09-28 | Hong Kong Applied Science & Technology Research Institute Company Limited | Fast density estimation method for defect inspection application |
| CN110766719A (zh) * | 2019-09-21 | 2020-02-07 | 北醒（北京）光子科技有限公司 | 一种目标跟踪方法、设备及存储介质 |
| KR20210004399A (ko) * | 2019-07-04 | 2021-01-13 | 엘아이지넥스원 주식회사 | 이중 클러스터링 장치 및 방법 |
| CN112798537A (zh) * | 2019-11-12 | 2021-05-14 | 通用电气公司 | 用于通过光学和颜色表征来检测油中燃料、润滑油退化和fob的方法和设备 |
| CN114358140A (zh) * | 2021-12-13 | 2022-04-15 | 南京莱斯信息技术股份有限公司 | 低能见度下稀疏点云航空器快速捕获方法 |
| CN114399711A (zh) * | 2022-01-07 | 2022-04-26 | 京东科技信息技术有限公司 | 物流分拣形式识别方法、装置及存储介质 |
| CN114638827A (zh) * | 2022-05-18 | 2022-06-17 | 卡松科技股份有限公司 | 一种润滑油机械杂质视觉检测方法及装置 |
| CN114661393A (zh) * | 2022-03-01 | 2022-06-24 | 重庆邮电大学 | 基于流动人口数据特征聚类的城市集聚效应可视分析方法 |
| 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 |
| CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 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 |
| CN115270928A (zh) * | 2022-06-30 | 2022-11-01 | 中国人民解放军空军工程大学 | 一种无人机集群目标的联合跟踪方法 |
| CN115496692A (zh) * | 2022-11-17 | 2022-12-20 | 卡松科技股份有限公司 | 一种润滑油磨粒图像增强方法 |
| CN115712845A (zh) * | 2022-11-28 | 2023-02-24 | 广东电网有限责任公司 | 一种基于半径参数优化的雷电时空聚类方法及系统 |
| CN115861968A (zh) * | 2022-12-13 | 2023-03-28 | 徐工集团工程机械股份有限公司建设机械分公司 | 一种基于实时点云数据的动态障碍物剔除方法 |
| 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 |
| CN116152231A (zh) * | 2023-04-17 | 2023-05-23 | 卡松科技股份有限公司 | 基于图像处理的润滑油内杂质检测方法 |
| CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
-
2023
- 2023-10-23 CN CN202311368369.3A patent/CN117115494B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184216A (zh) * | 2011-05-04 | 2011-09-14 | 武汉大学 | 基于数据场划分网格的自动聚类方法 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2017161598A1 (en) * | 2016-03-24 | 2017-09-28 | Hong Kong Applied Science & Technology Research Institute Company Limited | Fast density estimation method for defect inspection application |
| KR20210004399A (ko) * | 2019-07-04 | 2021-01-13 | 엘아이지넥스원 주식회사 | 이중 클러스터링 장치 및 방법 |
| CN110766719A (zh) * | 2019-09-21 | 2020-02-07 | 北醒（北京）光子科技有限公司 | 一种目标跟踪方法、设备及存储介质 |
| CN112798537A (zh) * | 2019-11-12 | 2021-05-14 | 通用电气公司 | 用于通过光学和颜色表征来检测油中燃料、润滑油退化和fob的方法和设备 |
| CN114358140A (zh) * | 2021-12-13 | 2022-04-15 | 南京莱斯信息技术股份有限公司 | 低能见度下稀疏点云航空器快速捕获方法 |
| CN114399711A (zh) * | 2022-01-07 | 2022-04-26 | 京东科技信息技术有限公司 | 物流分拣形式识别方法、装置及存储介质 |
| CN114661393A (zh) * | 2022-03-01 | 2022-06-24 | 重庆邮电大学 | 基于流动人口数据特征聚类的城市集聚效应可视分析方法 |
| CN114638827A (zh) * | 2022-05-18 | 2022-06-17 | 卡松科技股份有限公司 | 一种润滑油机械杂质视觉检测方法及装置 |
| CN115270928A (zh) * | 2022-06-30 | 2022-11-01 | 中国人民解放军空军工程大学 | 一种无人机集群目标的联合跟踪方法 |
| CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 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 |
| 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 |
| CN115496692A (zh) * | 2022-11-17 | 2022-12-20 | 卡松科技股份有限公司 | 一种润滑油磨粒图像增强方法 |
| CN115712845A (zh) * | 2022-11-28 | 2023-02-24 | 广东电网有限责任公司 | 一种基于半径参数优化的雷电时空聚类方法及系统 |
| CN115861968A (zh) * | 2022-12-13 | 2023-03-28 | 徐工集团工程机械股份有限公司建设机械分公司 | 一种基于实时点云数据的动态障碍物剔除方法 |
| 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 |
| CN116152231A (zh) * | 2023-04-17 | 2023-05-23 | 卡松科技股份有限公司 | 基于图像处理的润滑油内杂质检测方法 |
| CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 红外小目标图像的分割与聚类分析;李斌, 彭嘉雄;红外与激光工程(第06期);全文 * |
| 聚类分析在城市客流聚集风险分析中的应用;张嘉成;杜渂;;电信快报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115494A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117115494B (zh) | 基于人工智能的润滑油杂质污染检测方法、装置 | |
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
| CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
| CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
| CN111583229A (zh) | 一种基于卷积神经网络路面故障检测方法 | |
| CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
| CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
| CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
| CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
| CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
| CN107516315A (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| CN117036358B (zh) | 一种数控机床刀具磨损检测方法及系统 | |
| CN116612119B (zh) | 基于机器视觉的机床用钻头工作状态图像检测方法 | |
| CN113362358A (zh) | 一种动态场景下基于实例分割的鲁棒性位姿估计方法 | |
| CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
| CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
| CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 | |
| Swarnalatha et al. | A centroid model for the depth assessment of images using rough fuzzy set techniques | |
| CN109862349B (zh) | 视差图的质量检测方法、装置与自动驾驶系统 | |
| Ueda et al. | 3D shape estimation of wires from 3D x-ray CT images of electrical cables | |
| CN118295309B (zh) | 一种在线捞渣机器人的视觉伺服控制系统 | |
| CN118570397B (zh) | 煤矿主井井底积煤与尾绳的3d图像生成与分析系统 |
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 |