CN117576091B - 一种基于视频检测的冷却塔风机振动检测方法及系统 - Google Patents
一种基于视频检测的冷却塔风机振动检测方法及系统 Download PDFInfo
- Publication number
- CN117576091B CN117576091B CN202410053580.4A CN202410053580A CN117576091B CN 117576091 B CN117576091 B CN 117576091B CN 202410053580 A CN202410053580 A CN 202410053580A CN 117576091 B CN117576091 B CN 117576091B
- Authority
- CN
- China
- Prior art keywords
- video
- vibration
- cooling tower
- tower fan
- brightness
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000003321 amplification Effects 0.000 claims abstract description 37
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 69
- 230000014509 gene expression Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于视频检测的冷却塔风机振动检测方法及系统,方法包括:对视频采集单元采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理,并通过金字塔特征提取以获得每个视频对应的预设数量的基带序列;对每个基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加,以得到每个视频对应的振动放大视频;从振动放大视频中分离出视频采集单元的振动,以得到冷却塔风机的振动。本发明通过分离易于获得的视频采集单元的振动以得到难以直接获得的冷却塔风机振动,从而实现通过视频图像对冷却塔风机的振动进行非接触式的测算,成本低。
Description
技术领域
本发明主要涉及风机振动测量技术领域,具体涉及一种基于视频检测的冷却塔风机振动检测方法及检测系统。
背景技术
冷却塔风机是用于工业冷却塔系统中的关键组件,其作用是将大气中的空气引入冷却塔,以协助散热和降低工业设备或冷却水温度。冷却塔通常用于工业过程中,特别是在发电厂、炼油厂、化工厂、空调系统等领域,以去除系统中积累的热量。
目前,冷却塔风机振动的检测一般采用接触式的振动传感器,这些传感器可以安装在风机轴承、机壳等关键位置,通过传感器测量振动的幅度、频率和方向,并将数据传输给监测系统从而测量得到冷却塔风机振动。但是往往需要布置数量众多的传感器,成本较高,且更换损坏的传感器的操作繁琐。因此,亟需一种无需在冷却塔风机布置振动传感器就能实现对其振动检测的方法。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种非接触式测量冷却塔风机振动的基于视频检测的冷却塔风机振动检测方法及检测系统。
为解决上述技术问题,本发明提出的技术方案为:
一种基于视频检测的冷却塔风机振动检测方法,包括步骤:
S101、对视频采集单元采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理,并通过金字塔特征提取以获得每个视频对应的预设数量的基带序列;
S102、对每个所述基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加,以得到每个视频对应的亮度通道放大的振动放大视频;
S103、从振动放大视频中分离出视频采集单元的振动,以得到所述冷却塔风机的振动。
优选地,步骤S101中,对采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理的具体过程为:
对视频集合中的每个视频的视频帧进行图像通道转换,由RGB色彩空间转换为Lab色彩空间,再对转换后的每个视频进行时域滤波与频域滤波。
优选地,步骤S101中,通过高斯金字塔特征提取以获得每个视频对应的预设数量的基带序列的具体过程为:
通过高斯滤波提取预设层数的金字塔的拉普拉斯特征提取器,函数表达式为:
其中,为拉普拉斯特征提取器,/>为视频帧/>对应的第i层高斯金字塔,/>为视频帧/>对应的第i-1层高斯金字塔,为核为/>的降采样;
每个视频的图像序列均根据拉普拉斯特征提取器提取特征获得每层金字塔的基带序列/>,x为像素坐标,t为时间序列;其中金字塔的预设层数与基带序列的预设数量相等。
优选地,步骤S102中,对每个所述基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加的具体过程为:
构建每个所述基带序列的亮度图,函数表达式为:
其中,为第i层基带序列的亮度图,/>为原图像矩阵,/>为/>在t时刻的像素放大;
引入放大因子以构建亮度图对应的亮度通道放大图,函数表达式为:
其中,为第i层基带序列的亮度通道放大图,k为放大因子,/>为基带序列对应的波长;
对所有基带序列进行叠加以得到亮度叠加后的振动放大视频,函数表达式为:
其中,为亮度叠加函数,/>为第i层基带序列的亮度通道放大图。
优选地,步骤S103包括:
S1031,构建冷却塔风机的振动及视频采集单元的振动之间的亮度-振动函数,函数表达式为:
其中,为冷却塔风机的振动,/>为视频采集单元的振动,a、b为待定系数;
S1032,将所述亮度-振动函数转换为等效矩阵函数,函数表达式为:
其中,为时间段T内的对亮度叠加后的视频的采样样本,其中/>,,/>;
S1033,通过奇异值分解法对所述等效矩阵函数进一步转化,函数表达式为:
其中,D与E分别为的特征值、特征向量,/>为待求解的旋转矩阵;
S1034,构造负熵函数,根据约束条件对旋转矩阵进行迭代求解,根据求解得到的旋转矩阵/>来得到待定系数a、b的值,并通过所述亮度叠加函数/>与所述视频采集单元的振动/>计算得到冷却塔风机的振动/>。
优选地,步骤S1034中,所述约束条件为冷却塔风机的振动与视频采集单元的振动/>的独立性最大化,根据所述约束条件构建的约束条件函数的表达式为:
其中,为负熵函描述子,/>为/>、/>的联合概率密度,/>、分别为/>、/>的独立概率密度;
由于与/>正相关,则负熵函描述子/>等效于与/>相关的描述子,函数表达式为:
根据约束条件对所述旋转矩阵进行迭代求解包括:以角度/>以预设步长在0-180度的区间内迭代求解,当/>时,获得最优旋转矩阵/>。
优选地,通过所述亮度叠加函数与所述视频采集单元的振动/>计算得到冷却塔风机的振动/>的具体过程为:
通过计算视频采集单元采集的冷却塔边缘局部的视频流对应叠加亮度的均值及在视频采集单元处安装的振动传感器获得的视频采集单元的振动/>,以计算得到冷却塔风机的振动/>。
优选地,步骤S101中,对采集得到的冷却塔风机视频还包括筛选步骤,具体为:
对采集得到的每个视频抽取关键帧集合,计算关键帧集合中的元素两两之间的余弦相似度并得到视频的平均相似度,将采集得到的视频中平均相似度低于预设阈值的视频筛除,筛选得到其余视频共同构成所述视频集合。
本发明还提供一种基于视频检测的冷却塔风机振动检测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行上述基于视频检测的冷却塔风机振动检测方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行上述基于视频检测的冷却塔风机振动检测方法。
与现有技术相比,本发明的优点在于:
本发明通过采集冷却塔风机视频并对视频中的亮度通道进行放大,以得到包括冷却塔风机振动与采集冷却塔风机视频的视频采集单元的振动特征放大视频,并通过分离易于获得的视频采集单元的振动以得到难以直接获得的冷却塔风机振动,从而实现通过视频图像对冷却塔风机的振动进行非接触式的测算,无需在冷却塔风机的关键位置处布置若干振动传感器,更加经济可靠。
附图说明
图1为本发明实施例提供的基于视频检测的冷却塔风机振动检测方法的流程图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本实施例提供一种基于视频检测的冷却塔风机振动检测方法,包括步骤:
S101、对视频采集单元采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理,并通过金字塔特征提取以获得每个视频对应的预设数量的基带序列;
S102、对每个基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加,以得到每个视频对应的亮度通道放大的振动放大视频;
S103、从振动放大视频中分离出视频采集单元的振动,以得到冷却塔风机的振动。
可以理解,本实施例通过采集冷却塔风机视频并对视频中的亮度通道进行放大,以得到包括冷却塔风机振动与采集冷却塔风机视频的视频采集单元的振动特征放大视频,并通过分离易于获得的视频采集单元的振动以得到难以直接获得的冷却塔风机振动,从而实现通过视频图像对冷却塔风机的振动进行非接触式的测算,无需在冷却塔风机的关键位置处布置若干振动传感器,更加经济可靠。
本实施例的步骤S101中,对采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理,包括:
对视频集合中的每个视频的视频帧进行图像通道转换,由RGB色彩空间转换为Lab色彩空间/>,再对转换后的每个视频进行时域滤波与频域滤波。
其中Lab色彩模型是由照度L和有关色彩的a,b共三个要素组成。L表示照度Luminosity,相当于亮度,a表示从红色至绿色的范围,b表示从蓝色至黄色的范围。将视频帧转换成具有亮度通道L的Lab色彩空间,不仅能定义比RGB更多的色彩,还可以便于后续进行亮度通道的放大处理。
本实施例的步骤S101中,通过高斯金字塔特征提取以获得每个视频对应的预设数量的基带序列,包括:
其中通过高斯滤波提取预设层数的金字塔的拉普拉斯特征提取器的函数表达式为:
上式中,为拉普拉斯特征提取器,/>为视频帧/>对应的第i层高斯金字塔,/>为视频帧/>对应的第i-1层高斯金字塔,/>为核为/>的降采样;
每个视频的图像序列均根据上式提取特征获得每层金字塔的基带序列,x为像素坐标,t为时间序列;其中金字塔的预设层数与基带序列的预设数量相等。
其中一幅图像的金字塔(本实施例中为每个视频帧图像)是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图像的图像集合,其通过梯次向下采样获得,直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示,顶部是低分辨率的近似,层级越高,则图像越小,分辨率越低。目前,典型的图像金字塔包括高斯金字塔(Gaussian pyramid)和拉普拉斯金字塔(Laplacian pyramid)。
在具体应用实施例中,构建拉普拉斯滤波器来提取三个层级的基带序列(对应每个视频帧图像提取的3个层级的图像金字塔),选由高斯滤波提取特征金字塔的拉普拉斯特征提取器:
其中为/>对应的第i层高斯金字塔,/>为核为的降采样,视频集合中的每个视频中的图像序列/>均以此提取特征获得金字塔层的基带序列/>、/>和/>,此处x为像素坐标,t为时间序列。
本实施例的步骤S102中,对每个基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加,包括:
构建每个基带序列的亮度图,函数表达式为:
上式中,为第i层基带序列的亮度图,/>为原图像矩阵,/>为/>在t时刻的像素放大;
引入放大因子以构建亮度图对应的亮度通道放大图,函数表达式为:
上式中,为第i层基带序列的亮度通道放大图,k为放大因子,/>为基带序列对应的波长;
对所有基带序列进行叠加以得到亮度叠加后的振动放大视频,函数表达式为:
上式中,为亮度叠加函数,/>为第i层基带序列的亮度通道放大图。
在具体应用实施例中,对每个基带序列进行带通滤波处理的具体步骤为:对提取出的基带序列、/>和/>进行带通滤波,使用离散傅里叶变换对各个基带序列映射至频域,使用bandpass带通滤波器剔除5Hz以上及50Hz以下成分,再反变换回时域。
对滤波后的基带序列进行亮度通道放大处理的具体步骤为:
以为例,其在t时刻的动作位移为/>,则对应的亮度图为:
其中为原图像矩阵,/>则对应/>在t时刻的像素放大;
对其进行一阶泰勒展开,保留前两项得到:
在此引入放大因子,得到对应的亮度通道放大图为:
由于考虑到放大带来的失真,故需要对进行约束,其条件为:
其中为/>的波长;
同理,通过上述亮度通道放大处理对和/>基带序列进行相同的处理,以得到对应的亮度通道放大图/>和/>。
接下来,对、/>和/>三个亮度通道放大图进行融合处理,得到亮度叠加后的视频:
其中,为亮度叠加函数,/>为第i层基带序列的亮度通道放大图。
本实施例中,步骤S103包括:
S1031,构建亮度叠加函数与冷却塔风机的振动及采集视频的视频采集单元的振动之间的亮度-振动函数,函数表达式为:
上式中,为冷却塔风机的振动,/>为视频采集单元的振动,a、b为待定系数;
S1032,将亮度-振动函数转换为等效矩阵函数,函数表达式为:
上式中,为时间段T内的对亮度叠加后的视频的采样样本,其中/>,,/>;
S1033,通过奇异值分解法对等效矩阵函数进一步转化,函数表达式为:
上式中,D与E分别为的特征值、特征向量,/>为待求解的旋转矩阵;
S1034,构造负熵函数,根据约束条件对旋转矩阵进行迭代求解,根据求解得到的旋转矩阵/>来得到待定系数a、b的值,并通过亮度叠加函数/>与视频采集单元的振动/>计算得到冷却塔风机的振动/>。
本实施例的步骤S1034中,约束条件为冷却塔风机的振动与视频采集单元的振动/>的独立性最大化条件,根据约束条件构建的约束条件函数的表达式为:
上式中,为负熵函描述子,/>为/>、/>的联合概率密度,/>、分别为/>、/>的独立概率密度;
由于与/>正相关,则负熵函描述子/>可等效于与/>相关的描述子,函数表达式为:
根据约束条件对旋转矩阵进行迭代求解包括:以角度/>以预设步长在0-180度的区间内迭代求解,当/>时,获得最优旋转矩阵/>。
通过亮度叠加函数与视频采集单元的振动/>计算得到冷却塔风机的振动包括:通过计算视频采集单元采集的冷却塔边缘局部的视频流对应叠加亮度的均值及在视频采集单元处安装的振动传感器获得的视频采集单元的振动/>,以计算得到冷却塔风机的振动/>。
可以理解,本实施例将得到的基带序列进行亮度放大处理后叠加,以得到叠加了冷却塔风机振动和视频采集单元振动的振动特征放大的亮度叠加函数(亮度叠加函数反映的即为冷却塔风机振动和视频采集单元振动);由于视频采集单元的振动易于分离,故通过构建对应的函数关系式并基于冷却塔风机的振动与视频采集单元的振动的独立性最大化条件,以信息熵为目标函数进行最优解迭代求解其中的待定系数以得到具体的函数表达式;再通过视频采集单元处安装的振动传感器获得视频采集单元的振动,最后根据亮度叠加函数和视频采集单元的振动计算得到冷却塔风机振动;也即通过分离容易获得的视频采集单元的振动得到难直接获得的冷却塔风机振动,根据视频图像实现非接触式的冷却塔风机振动的测算。
在具体应用实施例中,由于直接对、/>和/>进行一般性的叠加将导致后期振幅值预测不准,故需要对/>、/>和/>在一般性的叠加之后做源分离处理,处理过程如下:
步骤1,假设振动源由冷却塔振动与视频采集单元(具体为摄像机)的振动共同产生,由此可以构建亮度-振动函数:
其中a、b为待定系数;
该亮度-振动函数等效为:
其中,/>,/>;
步骤2,取一段周期T的采样样本,由奇异值分解法可将转化为:
其中D与E分别为的特征值、特征向量,/>为一个未知的旋转矩阵;
基于与/>独立性最大化,需要/>进行最优值求解;
步骤3,构造负熵函描述子来描述与/>的独立性,来表述两个信号源之间没有相干性,负熵描述子的函数表达式为:
其中、/>为独立概率密度(此处取sigmoid函数作为概率密度函数),为/>、/>的联合概率密度,又根据步骤2可知/>与/>正相关,则独立性描述子(负熵函描述子)/>又可等效于与/>相关的描述子:
上式的独立性描述子可视作一个梯度上升过程,故以以步长4.5在[0,180]区间内迭代,当/>时,可获得最优的/>矩阵;
步骤4,获得最优的矩阵之后,可以获得A的相关参数,并有,由于亮度通道放大量根据亮度叠加函数/>可通过提取各个Clips(摄像头组采集冷却塔边缘局部的视频流)对应叠加亮度的均值/>对应获得,可在摄像头加装振动传感器获得,便可通过/>和/>计算出/>的值。
本实施例步骤S101中,对采集得到的冷却塔风机视频还包括筛选步骤,具体为:
对采集得到的每个视频抽取关键帧集合,计算关键帧集合中的元素两两之间的余弦相似度并得到视频的平均相似度,将采集得到的视频中平均相似度低于预设阈值的视频筛除,筛选得到其余视频共同构成视频集合。
在具体应用实施例中,通过云台以固定的视角,对焦于冷却塔风机边缘Clips集合以固定时间间隔采集视频,对视频抽取关键帧集合,以余弦相似度对该集合中的元素两两之间计算相似度,以平均相似度低于某个阈值进行视频的筛除,目的是以抽取图像帧进行相似度为基准的筛选机制,将无明显突变的视频保存至临时的视频库,剔除整个视频集中运动变动较大受干扰的视频,最终获得视频集合/>。
本实施例还提供一种基于视频检测的冷却塔风机振动检测系统,包括相互连接的微处理器和存储器,微处理器被编程或配置以执行上述基于视频检测的冷却塔风机振动检测方法。本实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序用于被微处理器编程或配置以上述基于视频检测的冷却塔风机振动检测方法。本发明的系统与介质,与上述方法相对应,同样具有如上方法的优点。
本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。存储器用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于视频检测的冷却塔风机振动检测方法,其特征在于,包括步骤:
S101、对视频采集单元采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理,并通过金字塔特征提取以获得每个视频对应的预设数量的基带序列;
S102、对每个所述基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加,以得到每个视频对应的亮度通道放大的振动放大视频;
S103、从振动放大视频中分离出视频采集单元的振动,以得到所述冷却塔风机的振动;
步骤S101中,通过高斯金字塔特征提取以获得每个视频对应的预设数量的基带序列的具体过程为:
通过高斯滤波提取预设层数的金字塔的拉普拉斯特征提取器,函数表达式为:
上式中,为拉普拉斯特征提取器,/>为视频帧/>对应的第i层高斯金字塔,/>为视频帧/>对应的第i-1层高斯金字塔,为核为/>的降采样;
每个视频的图像序列均根据拉普拉斯特征提取器提取特征获得每层金字塔的基带序列/>,x为像素坐标,t为时间序列;其中金字塔的预设层数与基带序列的预设数量相等;
步骤S102中,对每个所述基带序列进行带通滤波及亮度通道放大处理,并将处理后的所有基带序列进行叠加的具体过程为:
构建每个所述基带序列的亮度图,函数表达式为:
其中,为第i层基带序列的亮度图,/>为原图像矩阵,/>为/>在t时刻的像素放大;
引入放大因子以构建亮度图对应的亮度通道放大图,函数表达式为:
其中,为第i层基带序列的亮度通道放大图,k为放大因子,/>为基带序列/>对应的波长;
对所有基带序列进行叠加以得到亮度叠加后的振动放大视频,函数表达式为:
其中,为亮度叠加函数,/>为第i层基带序列的亮度通道放大图;
步骤S103包括:
S1031,构建冷却塔风机的振动及视频采集单元的振动之间的亮度-振动函数,函数表达式为:
其中,为冷却塔风机的振动,/>为视频采集单元的振动,a、b为待定系数;
S1032,将所述亮度-振动函数转换为等效矩阵函数,函数表达式为:
,
其中,为时间段T内的对亮度叠加后的视频的采样样本,其中/>,,/>;
S1033,通过奇异值分解法对所述等效矩阵函数进一步转化,函数表达式为:
其中,D与E分别为的特征值、特征向量,/>为待求解的旋转矩阵;
S1034,构造负熵函数,根据约束条件对旋转矩阵进行迭代求解,根据求解得到的旋转矩阵/>来得到待定系数a、b的值,并通过所述亮度叠加函数/>与所述视频采集单元的振动/>计算得到冷却塔风机的振动/>。
2.根据权利要求1所述的基于视频检测的冷却塔风机振动检测方法,其特征在于,步骤S101中,对采集得到的冷却塔风机视频集合中的每个视频进行图像通道转换及滤波处理的具体过程为:
对视频集合中的每个视频的视频帧进行图像通道转换,由RGB色彩空间转换为Lab色彩空间,再对转换后的每个视频进行时域滤波与频域滤波。
3.根据权利要求1所述的基于视频检测的冷却塔风机振动检测方法,其特征在于:
步骤S1034中,所述约束条件为冷却塔风机的振动与视频采集单元的振动/>的独立性最大化,根据所述约束条件构建的约束条件函数的表达式为:
其中,为负熵函描述子,/>为/>、/>的联合概率密度,/>、/>分别为/>、/>的独立概率密度;
由于与/>正相关,则负熵函描述子/>等效于与/>相关的描述子,函数表达式为:
根据约束条件对所述旋转矩阵进行迭代求解包括:以角度/>以预设步长在0-180度的区间内迭代求解,当/>时,获得最优旋转矩阵/>。
4.根据权利要求1所述的基于视频检测的冷却塔风机振动检测方法,其特征在于:
通过所述亮度叠加函数与所述视频采集单元的振动/>计算得到冷却塔风机的振动/>的具体过程为:
通过计算视频采集单元采集的冷却塔边缘局部的视频流对应叠加亮度的均值及在视频采集单元处安装的振动传感器获得的视频采集单元的振动/>,以计算得到冷却塔风机的振动/>。
5.根据权利要求1-4中任意一项所述的基于视频检测的冷却塔风机振动检测方法,其特征在于,步骤S101中,对采集得到的冷却塔风机视频还包括筛选步骤,具体为:
对采集得到的每个视频抽取关键帧集合,计算关键帧集合中的元素两两之间的余弦相似度并得到视频的平均相似度,将采集得到的视频中平均相似度低于预设阈值的视频筛除,筛选得到其余视频共同构成所述视频集合。
6.一种基于视频检测的冷却塔风机振动检测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~5中任意一项所述的基于视频检测的冷却塔风机振动检测方法。
7.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~5中任意一项所述的基于视频检测的冷却塔风机振动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053580.4A CN117576091B (zh) | 2024-01-15 | 2024-01-15 | 一种基于视频检测的冷却塔风机振动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053580.4A CN117576091B (zh) | 2024-01-15 | 2024-01-15 | 一种基于视频检测的冷却塔风机振动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576091A CN117576091A (zh) | 2024-02-20 |
CN117576091B true CN117576091B (zh) | 2024-04-09 |
Family
ID=89862738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410053580.4A Active CN117576091B (zh) | 2024-01-15 | 2024-01-15 | 一种基于视频检测的冷却塔风机振动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576091B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044314A (zh) * | 2018-06-15 | 2018-12-21 | 西安电子科技大学 | 一种基于欧拉视频放大的非接触式心率监测方法 |
CN109063763A (zh) * | 2018-07-26 | 2018-12-21 | 合肥工业大学 | 基于pca的视频微小变化放大方法 |
CN109520690A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 一种基于视频的旋转机械转子模态振型全局测量装置及方法 |
CN110519484A (zh) * | 2019-06-18 | 2019-11-29 | 天津中科智能识别产业技术研究院有限公司 | 一种视频中运动物体上局部微小运动的快速放大方法 |
CN110631812A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN110674697A (zh) * | 2019-04-26 | 2020-01-10 | 深圳市豪视智能科技有限公司 | 滤波方法、装置及相关产品 |
CN110675427A (zh) * | 2019-08-30 | 2020-01-10 | 深圳市广宁股份有限公司 | 智能振动检测方法及相关产品 |
CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
CN114528887A (zh) * | 2022-04-24 | 2022-05-24 | 湖南大学 | 基于微小振动放大技术的桥梁监测方法、系统及装置 |
-
2024
- 2024-01-15 CN CN202410053580.4A patent/CN117576091B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044314A (zh) * | 2018-06-15 | 2018-12-21 | 西安电子科技大学 | 一种基于欧拉视频放大的非接触式心率监测方法 |
CN109063763A (zh) * | 2018-07-26 | 2018-12-21 | 合肥工业大学 | 基于pca的视频微小变化放大方法 |
CN109520690A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 一种基于视频的旋转机械转子模态振型全局测量装置及方法 |
CN110631812A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN110674697A (zh) * | 2019-04-26 | 2020-01-10 | 深圳市豪视智能科技有限公司 | 滤波方法、装置及相关产品 |
WO2021042908A1 (zh) * | 2019-04-26 | 2021-03-11 | 深圳市豪视智能科技有限公司 | 轨道振动检测方法及装置、振动检测设备 |
CN110519484A (zh) * | 2019-06-18 | 2019-11-29 | 天津中科智能识别产业技术研究院有限公司 | 一种视频中运动物体上局部微小运动的快速放大方法 |
CN110675427A (zh) * | 2019-08-30 | 2020-01-10 | 深圳市广宁股份有限公司 | 智能振动检测方法及相关产品 |
CN112254801A (zh) * | 2020-12-21 | 2021-01-22 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
CN114528887A (zh) * | 2022-04-24 | 2022-05-24 | 湖南大学 | 基于微小振动放大技术的桥梁监测方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117576091A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281712B2 (en) | System, apparatus, method, program and recording medium for processing image | |
CN107358623B (zh) | 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法 | |
US8135239B2 (en) | Display control apparatus, display control method, computer program, and recording medium | |
JP2017005389A (ja) | 画像認識装置、画像認識方法及びプログラム | |
WO2011001398A2 (en) | Method circuit and system for matching an object or person present within two or more images | |
CN105512612A (zh) | 一种基于svm的胶囊内窥镜图像分类方法 | |
CN116863342B (zh) | 一种基于大尺度遥感影像的松材线虫病死木提取方法 | |
CN111027440B (zh) | 一种基于神经网络的人群异常行为检测装置和检测方法 | |
CN113449639A (zh) | 一种物联网网关对仪表的无接触数据采集方法 | |
CN117576091B (zh) | 一种基于视频检测的冷却塔风机振动检测方法及系统 | |
CN108966042B (zh) | 一种基于最短路径的视频摘要生成方法及装置 | |
US9158991B2 (en) | Image-feature detection | |
Deepika et al. | Motion detection in real-time video surveillance with movement frame capture and auto record | |
CN115587950A (zh) | 一种微光增强色彩恢复方法 | |
CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
Fan et al. | Image tampering detection using noise histogram features | |
CN113793372A (zh) | 异源图像的优化配准方法及系统 | |
CN112580786A (zh) | 一种用于ReID的神经网络构造方法及其训练方法 | |
CN113422928B (zh) | 一种安全监控抓拍方法及系统 | |
JPH06251147A (ja) | 映像特徴処理方法 | |
Soobhany et al. | Source camera identification using non-decimated wavelet transform | |
CN106548120B (zh) | 影院观影气氛采集统计方法及系统 | |
Maigrot et al. | Context-aware forgery localization in social-media images: a feature-based approach evaluation | |
CN114049732B (zh) | 一种变电站视频监控方法、系统及存储介质 | |
CN115331129B (zh) | 一种基于无人机和人工智能的垃圾数据识别方法 |
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 |