CN117455913A - 基于图像特征的液压油污染智能检测方法 - Google Patents
基于图像特征的液压油污染智能检测方法 Download PDFInfo
- Publication number
- CN117455913A CN117455913A CN202311785464.3A CN202311785464A CN117455913A CN 117455913 A CN117455913 A CN 117455913A CN 202311785464 A CN202311785464 A CN 202311785464A CN 117455913 A CN117455913 A CN 117455913A
- Authority
- CN
- China
- Prior art keywords
- hydraulic oil
- pollution
- color
- pixel point
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010720 hydraulic oil Substances 0.000 title claims abstract description 151
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000004945 emulsification Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 239000000839 emulsion Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000003344 environmental pollutant Substances 0.000 abstract description 34
- 231100000719 pollutant Toxicity 0.000 abstract description 34
- 238000005286 illumination Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 22
- 239000003086 colorant Substances 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及图像数据特征分析技术领域,具体涉及一种基于图像特征的液压油污染智能检测方法。该方法根据颜色特征融合向量的变化特征获得像素点之间的同质生长指数;进而获得异乳化系数;根据每个像素点与邻近像素点的异乳化系数之间的距离,以及颜色特征融合向量获得每个像素点的未污染指数;从而获得每个像素点的未污染权重;构建表面图像的八叉树,筛选出液压油主题色;获取液压油主题色中对应的像素点数量,结合液压油主题色与预设液压油标准颜色之间的差异特征获得液压油的污染系数,获得液压油的污染程度。本发明通过分析液压油表面图像的颜色和亮度特征,降低光照变化产生的干扰,准确识别污染物,提高对液压油污染程度的检测效果。
Description
技术领域
本发明涉及图像数据特征分析技术领域,具体涉及一种基于图像特征的液压油污染智能检测方法。
背景技术
液压油主要用于润滑机械设备,可以降低机械零件之间的磨损从而延长设备的使用寿命,但液压油中可能由于氧化或外部杂质进入,导致存在污染物,影响液压油的性能,加速机械部件的磨损,降低机械设备的寿命,引起机械故障。
为了提高对液压油污染程度的检测,在现有技术中,采用了主题色提取算法等传统的机器视觉算法,可以满足实时检测的要求,提高了检测效果;但在实际情况下,液压油污染物包含固体颗粒、液滴等多种类型,且液压油表面较为平整光滑,易受光照变化的影响,对液压油污染物的检测不准确。
发明内容
为了解决光照变化下无法准确识别液压油图像中的污染物,对液压油污染程度的检测效果较差的技术问题,本发明的目的在于提供一种基于图像特征的液压油污染智能检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像特征的液压油污染智能检测方法,所述方法包括:
获取液压油的表面图像;
根据所述表面图像中每个像素点的颜色和亮度特征,获得每个像素点的颜色特征融合向量;根据每个像素点之间的所述颜色特征融合向量的变化特征获得像素点之间的同质生长指数;根据每个像素点与预设邻域范围内所有其他像素点之间的所述同质生长指数的差异变化,获得每个像素点的异乳化系数;
根据每个像素点与邻近像素点的异乳化系数的差异距离获得乳化程度;根据乳化程度以及所述颜色特征融合向量获得每个像素点的未污染指数;根据每个像素点的所述未污染指数和邻域范围内其他像素点的所述未污染指数的分布特征获得每个像素点的未污染权重;
构建所述表面图像的八叉树,根据所述八叉树中各个叶节点下对应的子节点的颜色特征和未污染权重获得对应叶节点的节点向量;筛选出参考叶节点,根据参考叶节点的节点向量筛选出液压油主题色;
获取液压油主题色中对应的像素点数量,根据所述液压油主题色与预设液压油标准颜色之间的差异特征,和所述像素点数量获得液压油的污染系数;根据所述污染系数获得液压油的污染程度。
进一步地,所述颜色特征融合向量的获取方法包括:
获取所述表面图像的每个像素点在RGB颜色空间中对应每个通道的分量值,作为颜色特征;
获取所述表面图像的每个像素点在HSV空间中对应亮度通道的分量值,作为亮度特征;
根据所述颜色特征和所述亮度特征获得所有像素点的颜色特征融合向量。
进一步地,所述同质生长指数的获取方法包括:
计算两个像素点之间对应亮度通道分量值的比值作为亮度比值;
计算两个像素点之间在RGB颜色空间中对应每个通道的分量值的差异,通过双曲正切函数负相关映射并归一化处理,作为对应通道下像素点之间的通道差异;将所有通道的所述通道差异累加,获得像素点之间的颜色差异;
计算所述亮度比值与所述颜色差异的乘积获得像素点之间的同质生长指数。
进一步地,所述异乳化系数的获取方法包括:
计算所述同质生长指数和所述同质生长指数的倒数之和,作为乳化生长指数;
将每个像素点与预设邻域范围内所有其他像素点之间的所述乳化生长指数累加,获得每个像素点的异乳化系数;
所述乳化生长指数与所述异乳化系数为正相关关系。
进一步地,所述未污染指数的获取方法包括:
在每个像素点的邻域范围内,根据像素点之间的异乳化系数的差异距离获得生长判别指数;
若所述生长判别指数大于预设生长判别指数阈值,则将对应邻域范围内的像素点作为同类像素点,获得每个像素点的所述同类像素点,构成生长区域,将所述生长区域内的像素点数量作为所述同类区域内每个像素点对应的乳化程度;
计算每个像素点的颜色特征融合向量中所有元素乘积作为向量特征值;
计算所述乳化程度与所述表面图像中所有像素点数量的比值,并与归一化的所述向量特征值相乘,获得每个像素点的单污指数;
计算每个像素点的所述单污指数减去所述单污指数的平方,获得未污染指数。
进一步地,所述生长判别指数的获取方法包括:
计算每个像素点与邻域内所有其他像素点的所述异乳化系数之间的欧式距离均值,作为差异距离;求所述差异距离的倒数并归一化,获得每个像素点的生长判别指数。
进一步地,所述未污染权重的获取方法包括:
计算以每个像素点为中心的邻域范围内其他像素点的所述未污染指数的均值和标准差,作为未污染指数的分布特征;
根据每个像素点的所述未污染指数和所述分布特征获得每个像素点的未污染权重;
所述未污染指数,未污染指数的均值和标准差均与未污染权重为正相关关系。
进一步地,所述液压油主题色的获取方法包括:
基于八叉树算法对表面图像构建八叉树,根据所述八叉树在RGB颜色空间中各个叶节点下对应的所有子节点在每个通道下的分量值之和,作为对应叶节点在对应通道下的主题色分量值;
每个通道下的所述主题色分量值和所述未污染权重构成对应叶节点的节点向量;
取前3个叶节点的节点向量作为参考叶节点的节点向量;
获取参考叶节点在每个通道下的主题色分量值,具体包括:
;式中,/>表示第/>个参考叶节点的节点向量中第a个通道下的主题色分量值;a取1、2、3分别表示R、G、B通道;/>表示第/>个参考叶节点中包含子节点的数量;/>表示第/>个参考叶节点中第r个子节点/>的未污染权重;表示第/>个参考叶节点中第r个子节点/>在第a个通道下的主题色分量值;
在所有参考叶节点中,选取除最大所述主题色灰度值和最小所述主题色灰度值外的其他一个主题色灰度值对应的参考叶节点作为主题色参考叶节点;以所述主题色参考叶节点的所述主题色分量值获得液压油主题色。
进一步地,所述污染系数的获取方法包括:
计算所述液压油主题色和预设液压油标准颜色在每个通道下分量值的差异之和,作为差异特征;
计算液压油主题色中对应的所述像素点数量与所述液压油表面图像中所有像素点数量的比值进行负相关映射,并与所述差异特征相乘获得液压油的污染系数。
进一步地,根据所述污染系数获得液压油的污染程度包括:
比较所述污染系数、预设一级污染阈值和预设二级污染阈值;当污染系数小于等于预设一级污染阈值时,污染程度最小;当污染系数大于预设一级污染阈值小于等于预设二级污染阈值时,污染程度中等;当污染系数大于预设二级污染阈值时,污染程度最大。
本发明具有如下有益效果:
本发明通过考虑光照变化的影响,根据液压油表面图像中每个像素点的颜色和亮度特征,获得每个像素点的颜色特征融合向量;进而获得像素点之间的同质生长指数,反映两个像素点之间的差异,判断是同一种物质的可能性;由于液压油的乳化水区域呈现阴暗交替的现象,像素点之间的同质生长指数差异较大,根据每个像素点与预设邻域范围内所有其他像素点之间的同质生长指数的差异变化,获得每个像素点的异乳化系数;根据每个像素点与邻近像素点的异乳化系数的差异距离获得乳化程度,对像素点之间的相似程度进行分析,判断是否在乳化水区域;结合颜色特征融合向量获得每个像素点的未污染指数,以未污染指数的分布判断像素点可能的所在区域;根据每个像素点的未污染指数和邻域范围内其他像素点的未污染指数的分布特征获得每个像素点的未污染权重,分析每个像素点所处位置的污染可能性;构建表面图像的八叉树,根据八叉树中各个叶节点下对应的子节点的颜色特征和未污染权重获得对应叶节点的节点向量;进而筛选出液压油主题色,区分液压油表面图像中的污染物和液压油;根据液压油主题色与预设液压油标准颜色之间的差异特征,以及液压油主题色对应的像素点数量获得液压油的污染系数,得到液压油的污染程度,减小了光照变化产生的干扰,准确识别污染物,提高对液压油污染程度的检测效果。
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特征的液压油污染智能检测方法流程图。
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特征的液压油污染智能检测方法,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特征的液压油污染智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像特征的液压油污染智能检测方法的流程图,该方法包括:
步骤S1:获取液压油的表面图像。
在本发明实施例中,为了对液压油的污染程度进行检测,首先使用工业CCD相机获取液压油的表面图像。需要说明的是,每个表面图像的处理方法都是相同的,在此不做赘述,后续描述中仅以一个表面图像进行举例说明。
在本发明的一个实施例中,为了方便后续图像处理过程,在获取液压油表面图像后,对表面图像进行预处理操作,增强图像的质量。需要说明的是图像预处理操作为本领域技术人员熟知的一个技术手段,可根据具体实施场景具体设置,在本发明一个实施例中选择双边滤波去噪技术降低图像获取和传输过程中产生的噪声,提高图像的质量,具体双边滤波去噪技术为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据表面图像中每个像素点的颜色和亮度特征,获得每个像素点的颜色特征融合向量;根据每个像素点之间的颜色特征融合向量的变化特征获得像素点之间的同质生长指数;根据每个像素点与预设邻域范围内所有其他像素点之间的同质生长指数的差异变化,获得每个像素点的异乳化系数。
在获取到的液压油表面图像中,由于存在光照影响,导致对污染物的检测有一定的误差,由于液压油污染物主要包括金属颗粒等颗粒状污染物与液体污染物,其中颗粒状污染物在液压油表面图像中面积较小,颜色相对液压油较深,亮度较低;液体污染物中对液压油性能影响较大的主要为乳化水,乳化水在液压油表面图像的颜色主要为淡乳白色,且由于乳化水密度相对液压油较小,通常浮于液压油上方,与液压油形成两个不同颜色的层,故面积相对较大,颜色相对较浅,亮度较高;所以根据表面图像中每个像素点的颜色和亮度特征,获得每个像素点的颜色特征融合向量。
优选地,在本发明的一个实施例中,颜色特征融合向量的获取方法包括:
由于表面图像受到光照影响的变化,颗粒状污染物与液体污染物的亮度和颜色都与液压油之间有明显的区别,获取表面图像的每个像素点在RGB颜色空间中对应每个通道的分量值,作为颜色特征;获取表面图像的每个像素点在HSV空间中对应亮度通道的分量值,作为亮度特征;根据颜色特征和亮度特征获得每个像素点的颜色特征融合向量。在本发明的一个实施例中颜色特征融合向量的公式表示为:
式中,表示表面图像中像素点的颜色特征融合向量,/>表示表面图像中像素点在/>通道的值,/>表示表面图像中像素点在/>通道的值,/>表示表面图像中像素点在/>通道的值,/>表示表面图像中像素点在亮度通道/>的值。
像素点之间的颜色特征融合向量差异越小,像素点是同一种物质的可能性越大,为了反映两个像素点之间颜色、亮度的相似性,根据每个像素点之间的颜色特征融合向量的变化特征获得像素点之间的同质生长指数。
优选地,在本发明的一个实施例中,同质生长指数的获取方法包括:
计算两个像素点之间对应亮度通道分量值的比值作为亮度比值;计算两个像素点之间在RGB颜色空间中对应每个通道的分量值的差异,通过双曲正切函数负相关映射并归一化处理,作为对应通道下像素点之间的通道差异;将所有通道的通道差异累加,获得像素点之间的颜色差异;计算亮度比值与颜色差异的乘积获得像素点之间的同质生长指数;像素点之间的亮度和颜色差异越小,像素点是同一个物质的可能性越大,同质生长指数接近于1。在本发明的一个实施例中,以像素点与像素点/>为例,同质生长指数的公式表示为:
式中,表示表面图像中像素点/>与像素点/>的同质生长指数,/>表示表面图像中像素点/>的亮度;/>表示表面图像中像素点/>的亮度;/>表示表面图像在RGB空间中的通道数,经验值取3;/>表示双曲正切函数;/>表示表面图像中像素点/>在RGB空间中第/>个通道的取值,/>取1、2、3分别表示像素点/>在R、/>、/>通道的值;表示表面图像中像素点/>在RGB空间中第/>个通道的取值,/>取1、2、3表示像素点在R、/>、/>通道的值。
在同质生长指数公式中,越小,表示像素点之间的差异越小,的函数自变量为0附近的值的变化较为敏感,能够识别出像素点/>与像素点/>的微小差异,/>在[0,1]中不断递增,差异越大,/>同质生长指数越小,是同种物质的可能性越小。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
由于液压油中的乳化水是由许多绵密的小气泡构成,不同小气泡在反射光时,较为凸出的气泡反射光的能力较强,故其像素点较亮;位置相对凹陷的气泡反射光的能力较弱,故其像素点较暗,乳化水区域内各像素点的颜色、亮度与预设邻域范围内像素点差异较大,使用单一的同质生长指数对区域进行生长时,可能会出现乳化水区域生长较为分散的情况,根据每个像素点和预设邻域范围内所有其他像素点之间的同质生长指数的差异变化,获得每个像素点的异乳化系数;像素点间的同质生长指数越小,同质生长指数差异越大,异乳化系数越大,在乳化水区域的可能性越大;像素点间的同质生长指数均越大,同质生长指数差异越小,异乳化系数越小,在乳化水区域的可能性越小。
优选地,在本发明的一个实施例中,异乳化系数的获取方法包括:
计算同质生长指数和同质生长指数的倒数之和,作为乳化生长指数;将每个像素点与预设邻域范围内所有其他像素点之间的乳化生长指数累加获得每个像素点的异乳化系数;同质生长指数较小,乳化生长指数越大,异乳化系数越大,表示该像素点与其预设邻域范围内其他像素点的特征越不相似,差异越大,在乳化水区域的可能性越大;同质生长指数较大,乳化生长指数越小,异乳化系数越小,表示该像素点与其预设邻域范围内其他像素点的特征越相似,差异越小,在乳化水区域的可能性越小,乳化生长指数与异乳化系数为正相关关系。在本发明的一个实施例中,异乳化系数的公式表示为:
式中,表示像素点的异乳化系数;/>表示所选取像素点的预设邻域范围内其他像素点数量;/>表示像素点预设邻域范围内第/>个其他像素点与像素点的同质生长指数。
需要说明的是,在本发明的一个实施例中,以每个像素点和其8邻域内的像素点构成预设邻域范围,预设邻域范围的大小为3×3,取经验值8;在本发明的其他实施例中,预设邻域范围的大小可根据具体情况具体设置,在此不做限定及赘述。
步骤S3:根据每个像素点与邻近像素点的异乳化系数的差异距离获得乳化程度;根据乳化程度以及颜色特征融合向量获得每个像素点的未污染指数;根据每个像素点的未污染指数和邻域范围内其他像素点的未污染指数的分布特征获得每个像素点的未污染权重。
每个像素点与邻近像素点的异乳化系数差异距离越小,像素点间的相似程度越大,同一种物质的像素点数量越多,占液压油表面图像中的面积越大,可能越为乳化水或者液压油;根据每个像素点与邻近像素点的异乳化系数的差异距离获得乳化程度;因为乳化水的亮度和灰度值都较高;颗粒状污染物区域的亮度较低,灰度值较小;液压油像素点的亮度与灰度值相对乳化水像素点的亮度与灰度值较小,相对颗粒状污染物像素点的亮度与灰度值较大;所以得到不同范围的颜色特征融合向量,根据乳化程度以及颜色特征融合向量获得每个像素点的未污染指数,未污染指数越小,表明该像素点为液压油的可能性越小,是污染物的可能性较大,未污染指数越大,表明该像素点为液压油的可能性越大,是污染物的可能性越小。
优选地,在本发明的一个实施例中,未污染指数的获取方法包括:
在每个像素点的邻域范围内,根据像素点之间的异乳化系数的差异距离获得生长判别指数;若生长判别指数大于预设生长判别指数阈值,则将对应邻域范围内的像素点作为同类像素点,获得每个像素点的同类像素点,构成生长区域,将生长区域内的像素点数量作为同类区域内每个像素点对应的乳化程度;乳化程度越大,表明同类的像素点数量越多,越有可能是乳化水或者液压油;计算每个像素点的颜色特征融合向量中所有元素乘积作为向量特征值;计算乳化程度与表面图像中所有像素点数量的比值,并与归一化的向量特征值相乘,获得每个像素点的单污指数;计算每个像素点的单污指数减去单污指数的平方,获得未污染指数;乳化程度越大,颜色特征融合向量越大,越有可能是乳化水污染物,未污染指数越小;乳化程度越小,颜色特征融合向量越小,越有可能是颗粒状污染物,未污染指数越小;乳化程度越大,颜色特征融合向量中等,越有可能是液压油,未污染指数越大。在本发明的一个实施例中,未污染指数的公式表示为:
式中,表示像素点的单污指数;/>表示像素点的乳化程度,/>表示表面图像中所有像素点的数量;/>表示颜色特征融合向量的元素数量,取经验值为4;/>表示像素点的颜色特征融合向量中第/>个元素的值;/>表示像素点的未污染指数;/>表示归一化函数。
在未污染指数的公式中,的取值在[0,1];对于/>在/>为0.5时有最大值,在[0,0.5]是随着/>的不断增大而逐渐增加的,在[0.5,1]中随着/>的不断增大而逐渐减小;像素点的单污指数居中,未污染指数越大,越不是污染物,是液压油的可能性越大;像素点的单污指数越大或者越小,未污染指数都越小,是污染物的可能性越大。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。在本发明的一个实施例中,预设生长判别指数阈值取0.8;在本发明的其他实施例中,预设生长判别指数阈值的大小可根据具体情况具体设置,在此不做限定及赘述。
优选地,在本发明的一个实施例中,生长判别指数的获取方法包括:
为了反映每个像素点与其预设邻域范围内其他像素点的相似性,计算每个像素点与邻域内所有其他像素点的异乳化系数之间的欧式距离均值,作为差异距离;求差异距离的倒数并归一化,获得每个像素点的生长判别指数,欧式距离越小,差异距离越小,像素点之间的相似程度越大,生长判别指数越大。
因为颗粒物密度通常大于液压油密度大于乳化水密度,故不同污染物在液压油中的位置分布不同,像素点的分布越均匀,越有可能是污染物;所以根据每个像素点的未污染指数和邻域范围内其他像素点的未污染指数的分布特征获得每个像素点的未污染权重。
优选地,在本发明的一个实施例中,未污染权重的获取方法包括:
计算以每个像素点为中心的邻域范围内其他像素点的未污染指数的均值和标准差,作为未污染指数的分布特征;根据每个像素点的未污染指数和分布特征获得每个像素点的未污染权重;未污染指数的均值越小,未污染指数越小,未污染指数的标准差越小,像素点间的未污染指数差异越小,像素点越有可能在污染物位置,未污染权重越小;未污染指数均值越大,未污染指数越大,未污染指数的标准差越大,像素点间的未污染指数差异越大,越不可能在污染物位置,未污染权重越大;未污染指数,未污染指数的均值和标准差均与未污染权重为正相关关系。在本发明的一个实施例中,未污染权重的公式表示为:
式中,表示表面图像中像素点的未污染权重;/>表示表面图像中像素点的未污染指数;/>表示表面图像中以每个像素点为中心的邻域范围内其他像素点未污染指数的标准差;/>表示表面图像中以每个像素点为中心的邻域范围内其他像素点未污染指数的均值。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:构建表面图像的八叉树,根据八叉树中各个叶节点下对应的子节点的颜色特征和未污染权重获得对应叶节点的节点向量;筛选出参考叶节点,根据参考叶节点的节点向量筛选出液压油主题色。
八叉树可以在保证数据准确性和完整性的同时,提高数据存储和查询效率。构建表面图像的八叉树,在八叉树中每个节点代表一个像素点。根据八叉树中各个叶节点下对应的子节点的颜色特征和未污染权重获得对应叶节点的节点向量;为了更准确的区分表面图像中的污染物和液压油,筛选出参考叶节点,根据参考叶节点的节点向筛选出液压油主题色。
优选地,在本发明的一个实施例中,液压油主题色获取方法包括:
基于八叉树算法对表面图像构建八叉树,根据八叉树在RGB颜色空间中各个叶节点下对应的所有子节点在每个通道下的分量值之和,作为对应叶节点在对应通道下的主题色分量值;每个通道下的主题色分量值和未污染权重构成对应叶节点的节点向量。在本发明的一个实施例中对应叶节点的节点向量的公式表示为:
式中,表示八叉树中第/>个叶节点的节点向量;/>表示八叉树中第/>个叶节点中包含子节点的数量;/>表示八叉树中第/>个叶节点中第/>个子节点/>的未污染权重;/>表示八叉树中第/>个子节点中第/>个子节点/>在R通道的分量值;/>表示八叉树中第/>个叶节点中第/>个子节点/>在/>通道的分量值;/>表示八叉树中第/>个叶节点中第/>个子节点/>在/>通道的分量值。
需要说明的是,在本发明的一个实施例中,液压油表面图像中主要包括颗粒物、乳化水以及液压油,k取经验值为3。八叉树算法为本领域技术人员熟知的技术手段,在此不做赘述。
取前3个叶节点的节点向量作为参考叶节点的节点向量;获取参考叶节点在每个通道下的主题色分量值,具体包括:
式中,表示第/>个参考叶节点的节点向量在第/>个通道下的主题色分量值;/>取1、2、3分别表示R、/>、/>通道;/>表示第/>个参考叶节点中包含子节点的数量;表示第/>个参考叶节点中第/>个子节点/>的未污染权重;/>表示第/>个参考叶节点中第/>个子节点/>在第/>个通道下的主题色分量值;/>取经验值为3。
在表面图像的RGB颜色空间下,由于液压油像素点灰度值相对乳化水像素点较低,相对颗粒状污染物像素点较高,获取参考叶节点的节点向量中对应通道的主题色分量值均值,作为每个参考叶节点的主题色灰度值;灰度值最小的主题色即为颗粒状污染物主题色,灰度值居中的主题色即为液压油主题色,灰度值最大的主题色即为乳化水主题色;在所有参考叶节点中,选取除最大主题色灰度值和最小主题色灰度值外的其他一个主题色灰度值对应的参考叶节点作为主题色参考叶节点;以主题色参考叶节点的主题色分量值获得液压油主题色。
步骤S5:获取液压油主题色中对应的像素点数量,根据液压油主题色与预设液压油标准颜色之间的差异特征,和像素点数量获得液压油的污染系数;根据污染系数获得液压油的污染程度。
获取液压油主题色中对应的像素点数量,根据液压油主题色与预设液压油标准颜色之间的差异特征,和像素点数量获得液压油的污染系数,差异特征越小,液压油主题色对应的像素点数量越多,存在污染物的浓度越小,污染系数越小;差异特征越大,对应的像素点数量越少,存在污染物的浓度越大,污染系数越大。
优选地,在本发明的一个实施例中,污染系数的获取方法包括:
计算液压油主题色和预设液压油标准颜色在每个通道下分量值的差异之和,作为差异特征,差异越大,液压油被污染可能性越大;计算液压油主题色中对应的像素点数量与液压油表面图像中所有像素点数量的比值进行负相关映射,并与差异特征相乘获得液压油的污染系数,液压油主题色中对应的像素点数量相对于整体越小,被污染的区域越大,污染系数越大。在本发明的一个实施例中液压油污染系数的公式表示为:
式中,表示表面图像中液压油的污染系数;/>表示表面图像中液压油主题色中对应的像素点数量;/>表示表面图像中所有像素点的数量;/>表示表面图像在RGB颜色空间的通道数量,取经验值为3;/>表示从表面图像中所提取液压油主题色中第/>个通道的分量值;/>表示预设液压油标准颜色中第/>个通道的分量值;/>取1、2、3分别表示R、/>、/>通道。
需要说明的是,在本发明的一个实施例中,预设液压油标准颜色的设置是根据液压油的类型和等级,在ASTM或ISO标准中查询RGB空间相应的液压油标准色。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
污染系数是通过分析液压油的理化性质、检测油品中的污染物种类和数量等手段获得的,可以反映液压油的污染程度,帮助评估设备的磨损程度和维护需求。
优选地,在本发明的一个实施例中,根据污染系数获得液压油的污染程度的包括:
比较污染系数、预设一级污染阈值和预设二级污染阈值;若污染系数小于等于预设一级污染阈值,污染程度最小,表明液压油几乎无污染或者污染较小;若污染系数大于预设一级污染阈值小于等于预设二级污染阈值,污染程度中等,表明液压油污染物浓度相对较高;若污染系数大于预设二级污染阈值,污染程度最大,表明液压油中存在大量的污染物;污染程度越大,液压油的性能越差。
需要说明的是,在本发明的一个实施例,采用阈值处理对污染程度进行检测的方法为本领域技术人员熟知的技术手段,在此不再赘述;预设一级污染阈值为0.55;预设二级污染阈值为0.7;在本发明的其他实施例中,预设一级污染阈值和预设二级污染阈值的大小可根据具体情况具体设置,在此不再限定及赘述。
综上所述,本发明根据颜色特征融合向量的变化特征获得像素点之间的同质生长指数;进而获得异乳化系数;根据每个像素点与邻近像素点的异乳化系数之间的距离,以及颜色特征融合向量获得每个像素点的未污染指数;结合邻域范围内其他像素点的未污染指数的分布特征获得每个像素点的未污染权重;构建表面图像的八叉树,进而筛选出液压油主题色;获取液压油主题色中对应的像素点数量,结合液压油主题色与预设液压油标准颜色之间的差异特征获得液压油的污染系数,获得液压油的污染程度。本发明通过分析液压油表面图像的颜色和亮度特征,降低了光照变化产生的干扰,准确识别污染物,提高对液压油污染程度的检测效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于图像特征的液压油污染智能检测方法,其特征在于,所述方法包括:
获取液压油的表面图像;
根据所述表面图像中每个像素点的颜色和亮度特征,获得每个像素点的颜色特征融合向量;根据每个像素点之间的所述颜色特征融合向量的变化特征获得像素点之间的同质生长指数;根据每个像素点与预设邻域范围内所有其他像素点之间的所述同质生长指数的差异变化,获得每个像素点的异乳化系数;
根据每个像素点与邻近像素点的异乳化系数的差异距离获得乳化程度;根据乳化程度以及所述颜色特征融合向量获得每个像素点的未污染指数;根据每个像素点的所述未污染指数和邻域范围内其他像素点的所述未污染指数的分布特征获得每个像素点的未污染权重;
构建所述表面图像的八叉树,根据所述八叉树中各个叶节点下对应的子节点的颜色特征和未污染权重获得对应叶节点的节点向量;筛选出参考叶节点,根据参考叶节点的节点向量筛选出液压油主题色;
获取液压油主题色中对应的像素点数量,根据所述液压油主题色与预设液压油标准颜色之间的差异特征,和所述像素点数量获得液压油的污染系数;根据所述污染系数获得液压油的污染程度;
所述邻近像素点为每个像素点的8邻域内像素点。
2.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述颜色特征融合向量的获取方法包括:
获取所述表面图像的每个像素点在RGB颜色空间中对应每个通道的分量值,作为颜色特征;
获取所述表面图像的每个像素点在HSV空间中对应亮度通道的分量值,作为亮度特征;
根据所述颜色特征和所述亮度特征获得每个像素点的颜色特征融合向量。
3.根据权利要求2所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述同质生长指数的获取方法包括:
计算两个像素点之间对应亮度通道的分量值比值作为亮度比值;
计算两个像素点之间在RGB颜色空间中对应每个通道的分量值的差异,通过双曲正切函数负相关映射并归一化处理,作为对应通道下像素点之间的通道差异;将所有通道的所述通道差异累加,获得像素点之间的颜色差异;
计算所述亮度比值与所述颜色差异的乘积获得像素点之间的同质生长指数。
4.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述异乳化系数的获取方法包括:
计算所述同质生长指数和所述同质生长指数的倒数之和,作为乳化生长指数;
将每个像素点与预设邻域范围内所有其他像素点之间的所述乳化生长指数累加,获得每个像素点的异乳化系数;
所述乳化生长指数与所述异乳化系数为正相关关系。
5.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述未污染指数的获取方法包括:
在每个像素点的邻域范围内,根据像素点之间的异乳化系数的差异距离获得生长判别指数;
若所述生长判别指数大于预设生长判别指数阈值,则将对应邻域范围内的像素点作为同类像素点,获得每个像素点的所述同类像素点,构成生长区域,将所述生长区域内的像素点数量作为所述同类区域内每个像素点对应的乳化程度;
计算每个像素点的颜色特征融合向量中所有元素乘积作为向量特征值;
计算所述乳化程度与所述表面图像中所有像素点数量的比值,并与归一化的所述向量特征值相乘,获得每个像素点的单污指数;
计算每个像素点的所述单污指数减去所述单污指数的平方,获得未污染指数。
6.根据权利要求5所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述生长判别指数的获取方法包括:
计算每个像素点与邻域内所有其他像素点的所述异乳化系数之间的欧式距离均值,作为差异距离;求所述差异距离的倒数并归一化,获得每个像素点的生长判别指数。
7.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述未污染权重的获取方法包括:
计算以每个像素点为中心的邻域范围内其他像素点的所述未污染指数的均值和标准差,作为未污染指数的分布特征;
根据每个像素点的所述未污染指数和所述分布特征获得每个像素点的未污染权重;
所述未污染指数,未污染指数的均值和标准差均与未污染权重为正相关关系。
8.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述液压油主题色的获取方法包括:
基于八叉树算法对表面图像构建八叉树,根据所述八叉树在RGB颜色空间中各个叶节点下对应的所有子节点在每个通道下的分量值之和,作为对应叶节点在对应通道下的主题色分量值;
每个通道下的所述主题色分量值和所述未污染权重构成对应叶节点的节点向量;
取前3个叶节点的节点向量作为参考叶节点的节点向量;
获取参考叶节点在每个通道下的主题色分量值,具体包括:
;式中,/>表示第/>个参考叶节点的节点向量中第a个通道下的主题色分量值;a取1、2、3分别表示R、G、B通道;/>表示第/>个参考叶节点中包含子节点的数量;/>表示第/>个参考叶节点中第r个子节点/>的未污染权重;表示第/>个参考叶节点中第r个子节点/>在第a个通道下的主题色分量值;
获取参考叶节点的节点向量中对应通道的主题色分量值均值,作为每个参考叶节点的主题色灰度值;
在所有参考叶节点中,选取除最大所述灰度值和最小所述灰度值外的其他一个灰度值对应的参考叶节点作为主题色参考叶节点;以所述主题色参考叶节点的所述主题色分量值获得液压油主题色。
9.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,所述污染系数的获取方法包括:
计算所述液压油主题色和预设液压油标准颜色在每个通道下分量值的差异之和,作为差异特征;
计算液压油主题色中对应的所述像素点数量与所述液压油表面图像中所有像素点数量的比值进行负相关映射,并与所述差异特征相乘获得液压油的污染系数。
10.根据权利要求1所述的一种基于图像特征的液压油污染智能检测方法,其特征在于,根据所述污染系数获得液压油的污染程度包括:
比较所述污染系数、预设一级污染阈值和预设二级污染阈值;当污染系数小于等于预设一级污染阈值时,污染程度最小;当污染系数大于预设一级污染阈值小于等于预设二级污染阈值时,污染程度中等;当污染系数大于预设二级污染阈值时,污染程度最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785464.3A CN117455913B (zh) | 2023-12-25 | 2023-12-25 | 基于图像特征的液压油污染智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785464.3A CN117455913B (zh) | 2023-12-25 | 2023-12-25 | 基于图像特征的液压油污染智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455913A true CN117455913A (zh) | 2024-01-26 |
CN117455913B CN117455913B (zh) | 2024-03-08 |
Family
ID=89591405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311785464.3A Active CN117455913B (zh) | 2023-12-25 | 2023-12-25 | 基于图像特征的液压油污染智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455913B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118006032A (zh) * | 2024-04-10 | 2024-05-10 | 浙江翔光生物科技股份有限公司 | 用于注塑件的抗菌塑料生产方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040258299A1 (en) * | 2003-06-17 | 2004-12-23 | Microsoft Corporation | System and method for approximating pixel color utilizing an optimized octree |
JP2005150840A (ja) * | 2003-11-11 | 2005-06-09 | Shikoku Res Inst Inc | 水質監視装置およびそれに用いる魚画像認識方法 |
KR20110068539A (ko) * | 2009-12-16 | 2011-06-22 | 도레이첨단소재 주식회사 | 표면 밝기 차이의 검출을 통한 표면오염 케이크의 검출 장치 및 그 방법 |
CN103413320A (zh) * | 2013-08-30 | 2013-11-27 | 上海海事大学 | 一种港口污染物显著性检测方法 |
KR20150080686A (ko) * | 2014-01-02 | 2015-07-10 | 주식회사 한텍테크놀로지 | 프레스 가공품 유막오염 감지장치 및 방법 |
KR20170066729A (ko) * | 2015-12-04 | 2017-06-15 | 충북대학교 산학협력단 | 이물질 검출 시스템 |
RU2632176C1 (ru) * | 2016-06-17 | 2017-10-02 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга АЭРОКОСМОС" | Способ идентификации загрязнений морской поверхности |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN113222961A (zh) * | 2021-05-27 | 2021-08-06 | 大连海事大学 | 智能船体检测系统及方法 |
CN113409271A (zh) * | 2021-06-21 | 2021-09-17 | 广州文远知行科技有限公司 | 一种镜头油污的检测方法、装置及设备 |
CN114596493A (zh) * | 2022-03-15 | 2022-06-07 | 徐州中旺环保科技有限公司 | 基于人工智能的液压系统油液污染在线检测方法 |
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 |
CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
CN115965624A (zh) * | 2023-03-16 | 2023-04-14 | 山东宇驰新材料科技有限公司 | 一种抗磨液压油污染颗粒检测方法 |
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116758528A (zh) * | 2023-08-18 | 2023-09-15 | 山东罗斯夫新材料科技有限公司 | 基于人工智能的丙烯酸乳液颜色变化识别方法 |
-
2023
- 2023-12-25 CN CN202311785464.3A patent/CN117455913B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040258299A1 (en) * | 2003-06-17 | 2004-12-23 | Microsoft Corporation | System and method for approximating pixel color utilizing an optimized octree |
JP2005150840A (ja) * | 2003-11-11 | 2005-06-09 | Shikoku Res Inst Inc | 水質監視装置およびそれに用いる魚画像認識方法 |
KR20110068539A (ko) * | 2009-12-16 | 2011-06-22 | 도레이첨단소재 주식회사 | 표면 밝기 차이의 검출을 통한 표면오염 케이크의 검출 장치 및 그 방법 |
CN103413320A (zh) * | 2013-08-30 | 2013-11-27 | 上海海事大学 | 一种港口污染物显著性检测方法 |
KR20150080686A (ko) * | 2014-01-02 | 2015-07-10 | 주식회사 한텍테크놀로지 | 프레스 가공품 유막오염 감지장치 및 방법 |
KR20170066729A (ko) * | 2015-12-04 | 2017-06-15 | 충북대학교 산학협력단 | 이물질 검출 시스템 |
RU2632176C1 (ru) * | 2016-06-17 | 2017-10-02 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга АЭРОКОСМОС" | Способ идентификации загрязнений морской поверхности |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN113222961A (zh) * | 2021-05-27 | 2021-08-06 | 大连海事大学 | 智能船体检测系统及方法 |
CN113409271A (zh) * | 2021-06-21 | 2021-09-17 | 广州文远知行科技有限公司 | 一种镜头油污的检测方法、装置及设备 |
CN114596493A (zh) * | 2022-03-15 | 2022-06-07 | 徐州中旺环保科技有限公司 | 基于人工智能的液压系统油液污染在线检测方法 |
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 |
CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
CN115965624A (zh) * | 2023-03-16 | 2023-04-14 | 山东宇驰新材料科技有限公司 | 一种抗磨液压油污染颗粒检测方法 |
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116758528A (zh) * | 2023-08-18 | 2023-09-15 | 山东罗斯夫新材料科技有限公司 | 基于人工智能的丙烯酸乳液颜色变化识别方法 |
Non-Patent Citations (4)
Title |
---|
何一鸣;张刚兵;钱显毅;: "基于邻域均值的去椒盐噪声算法", 南京理工大学学报, no. 06, 30 December 2011 (2011-12-30) * |
崔玲玲;许金兰;徐岗;吴卿;: "融合双特征图信息的图像显著性检测方法", 中国图象图形学报, no. 04, 16 April 2018 (2018-04-16) * |
王瑞琦;卜祥洲;宋志勇;赵航;万涛;吴昊;郭锐;: "绝缘子污秽识别中阀值设定与算法测试分析", 轻工科技, no. 01, 17 January 2014 (2014-01-17) * |
申时凯;佘玉梅;: "基于改进神经网络的湖泊水质污染检测法研究", 计算机仿真, no. 08, 15 August 2012 (2012-08-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118006032A (zh) * | 2024-04-10 | 2024-05-10 | 浙江翔光生物科技股份有限公司 | 用于注塑件的抗菌塑料生产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117455913B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117455913B (zh) | 基于图像特征的液压油污染智能检测方法 | |
CN113538429B (zh) | 基于图像处理的机械零件表面缺陷检测方法 | |
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
Omid et al. | An expert egg grading system based on machine vision and artificial intelligence techniques | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN114494256B (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
da Silva et al. | Radiographics pattern recognition of welding defects using linear classifiers | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114299051A (zh) | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及系统 | |
Jenné et al. | Towards on-line quantification of flocs and filaments by image analysis | |
CN115063620A (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN113962994B (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
CN111709936B (zh) | 一种基于多级特征比对的令纸缺陷检测方法 |
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 |