CN117788464A - 一种工业齿轮油杂质视觉检测方法 - Google Patents
一种工业齿轮油杂质视觉检测方法 Download PDFInfo
- Publication number
- CN117788464A CN117788464A CN202410205056.4A CN202410205056A CN117788464A CN 117788464 A CN117788464 A CN 117788464A CN 202410205056 A CN202410205056 A CN 202410205056A CN 117788464 A CN117788464 A CN 117788464A
- Authority
- CN
- China
- Prior art keywords
- image
- gear oil
- segmentation threshold
- pixel point
- marked
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 43
- 239000010722 industrial gear oil Substances 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 239000012208 gear oil Substances 0.000 claims abstract description 149
- 230000011218 segmentation Effects 0.000 claims abstract description 140
- 238000012937 correction Methods 0.000 claims abstract description 51
- 239000002184 metal Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 239000006185 dispersion Substances 0.000 claims abstract description 6
- 238000011179 visual inspection Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种工业齿轮油杂质视觉检测方法，包括：根据齿轮油图像，获取R图像、G图像以及B图像；获取R图像、G图像以及B图像的分割阈值；根据齿轮油图像的标记像素点的分布离散情况，获取R图像的分割阈值的权重；获取齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度，进而得到齿轮油图像的每个标记像素点的灰度特征对R图像的分割阈值的权重进行修正，获取R图像的分割阈值的修正权重；获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重对R图像、G图像以及B图像的分割阈值进行加权，获取齿轮油图像的最终分割阈值对齿轮油图像进行分割。本发明分割出的金属杂质更加准确。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种工业齿轮油杂质视觉检测方法。
背景技术
在工业制造中，齿轮油是用于润滑和保护齿轮的重要润滑剂。油中的杂质，如颗粒、水分、金属碎屑等，可能导致设备磨损、故障，因此对齿轮油中的杂质进行有效的检测和控制至关重要。传统的人工检测方法耗时耗力，而且可能受到主观因素和操作者疲劳的影响，导致检测准确性不高，且不能满足高效率的生产需求。随着工业自动化和智能制造的发展，自动化的检测方法能够提高效率、减少人为干预，更好地适应现代工业的要求。视觉检测方法能够以高精度、高速度、高效率的方式检测齿轮油中的微小杂质，从而提高产品质量，降低次品率。及时发现齿轮油中的杂质可以避免机械设备的过早磨损和故障，降低维护成本，延长设备的使用寿命。
在对齿轮油进行金属碎屑杂质检测，多依据金属碎屑对光的反射进行检测，但是金属碎屑对光照反射的同时齿轮油本身也在发生光的折射，二者均与周围图像形成了较大对比度，在根据最大类间方差对图像进行二值化区分二者时，最大类间方差对应灰度级表现为齿轮油对光的折射还是金属碎屑对光的反射是未知的，无法准确的识别出金属碎屑杂质。
发明内容
为了解决上述问题，本发明提供一种工业齿轮油杂质视觉检测方法。
本发明的一种工业齿轮油杂质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工业齿轮油杂质视觉检测方法，该方法包括以下步骤：
采集齿轮油图像；
将齿轮油图像的R通道图像、G通道图像以及B通道图像分别记为R图像、G图像以及B图像；使用最大类间方差算法获取R通道图像的分割阈值，G图像的分割阈值以及B图像的分割阈值；
根据R图像的分割阈值获取齿轮油图像的标记像素点；根据齿轮油图像的标记像素点的分布离散情况，获取R图像的分割阈值的权重；获取齿轮油图像的每个标记像素点的窗口；根据齿轮油图像的每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度；根据齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度以及每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点的灰度特征；根据齿轮油图像的每个标记像素点的灰度特征以及R图像的分割阈值的权重，获取R图像的分割阈值的修正权重；
获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重；
根据R图像、G图像以及、B图像的分割阈值的修正权重对R图像、G图像以及B图像的分割阈值进行加权，获取齿轮油图像的最终分割阈值；根据齿轮油图像的最终分割阈值对齿轮油图像进行分割，识别金属杂质区域。
优选的，所述根据R图像的分割阈值获取齿轮油图像的标记像素点，包括的具体步骤如下：
将R图像的分割阈值记为r，在R图像中，将灰度值等于r的像素点在齿轮油图像中进行标记，记为齿轮油图像的标记像素点。
优选的，所述根据齿轮油图像的标记像素点的分布离散情况，获取R图像的分割阈值的权重，具体的获取步骤如下：
以齿轮油图像最左下方的像素点为原点，以原点向右的方向为x轴方向，以原点向上的方向为y轴方向，建立笛卡尔坐标系，并获取齿轮油图像中每个第一标记像素点的坐标，以齿轮油图像中每个标记像素点为节点，将每两个节点之间采用无向线段连接，并将每两个节点之间的欧式距离作为边权值，构建无向图，采用Dijkstra算法获取无向图的最短路径，将无向图的最短路径中每个相邻节点之间欧式距离的和作为R图像的分割阈值的权重。
优选的，所述获取齿轮油图像的每个标记像素点的窗口，具体的获取步骤如下：
预设窗口边长，以齿轮油图像的每个标记像素点为中心构建/>大小的窗口，作为齿轮油图像的每个标记像素点的窗口。
优选的，所述根据齿轮油图像的每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度，包括的具体步骤如下：
依次获取齿轮油图像的第个标记像素点以及第/>个标记像素点在其对应窗口中的0°方向上的其他像素点的灰度值，构成0°方向的灰度值序列，获取0°方向的灰度值序列中每两个灰度值的一阶差分的和，记为齿轮油图像的第/>个标记像素点在0°方向上的灰度渐变程度；
根据齿轮油图像的第个标记像素点在0°方向上的灰度渐变程度的获取方法，获取齿轮油图像的第/>个标记像素点在45°、90°以及135°方向上的灰度渐变程度。
优选的，所述根据齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度以及每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点的灰度特征，包括的具体步骤如下：
式中，为齿轮油图像的第/>个标记像素点的灰度值；/>代表齿轮油图像的第/>个标记像素点的窗口中第/>个像素点的灰度值；/>代表绝对值符号；/>代表齿轮油图像的第/>个标记像素点的窗口边长；/>代表齿轮油图像的第/>个像素点在第/>个方向上的灰度渐变程度。
优选的，所述根据齿轮油图像的每个标记像素点的灰度特征以及R图像的分割阈值的权重，获取R图像的分割阈值的修正权重，包括的具体步骤如下：
式中，代表R图像的分割阈值的修正权重；/>代表R图像的分割阈值的权重；代表齿轮油图像的标记像素点的数量；/>代表齿轮油图像的第/>个标记像素点在无向图中的接近中心性；/>代表齿轮油图像的第/>个标记像素点灰度特征。
优选的，所述根据R图像、G图像以及、B图像的分割阈值的修正权重对R图像、G图像以及B图像的分割阈值进行加权，获取齿轮油图像的最终分割阈值，包括的具体步骤如下：
式中，代表齿轮油图像的最终分割阈值；/>代表R图像的分割阈值的修正权重；代表G图像的分割阈值的修正权重；/>代表B图像的分割阈值的修正权重；/>代表R图像的分割阈值；/>代表G图像的分割阈值；/>代表B图像的分割阈值。
优选的，所述获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重，包括的具体步骤如下：
根据R图像的分割阈值的修正权重的获取方法，获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重。
优选的，所述根据齿轮油图像的最终分割阈值对齿轮油图像进行分割，识别金属杂质区域，包括的具体步骤如下：
将齿轮油图像转化为灰度图像，利用最终分割阈值对灰度图像进行分割，将灰度值大于最终分割阈值的连通域记为金属杂质区域。
本发明的技术方案的有益效果是：本发明首先根据齿轮油图像，获取R图像、G图像以及B图像；使用最大类间方差算法获取R图像的分割阈值，G图像的分割阈值以及B图像的分割阈值，便于后续对三通道下的分割阈值进行加权获取最终分割阈值；接着根据每个图像的分割阈值对应的像素点在齿轮油图像中的分布离散情况，获取每个图像的分割阈值的权重，所述像素点在齿轮油图像中的分布越离散，越有可能为金属杂质像素点，其分割阈值的权重越大，再根据每个图像的分割阈值对应的像素点在齿轮油图像中的灰度分布情况对每个图像的分割阈值的权重进行修正，得到每个图像的分割阈值的修正权重；根据每个图像的分割阈值的修正权重对每个图像的分割阈值的权重进行加权，得到齿轮油图像的最终分割阈值，减小齿轮油本身对光的折射导致金属碎屑识别的影响。
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，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地介绍，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他的附图。
图1为本发明的一种工业齿轮油杂质视觉检测方法的步骤流程图。
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工业齿轮油杂质视觉检测方法，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工业齿轮油杂质视觉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工业齿轮油杂质视觉检测方法的步骤流程图，该方法包括以下步骤：
S001．采集齿轮油图像。
在本发明实施例中，在齿轮油罐装之前，采用吸量管在齿轮油存储箱内的不同深度处吸取100ml的齿轮油并装入烧杯中，在光线明亮的环境内使用工业相机采集烧杯的正面图像，将采集的烧杯的正面图像记为齿轮油图像。
至此，采集了齿轮油图像。
S002．获取R图像、G图像以及B图像的分割阈值的权重，并对R图像、G图像以及B图像的分割阈值的权重进行修正获取R图像、G图像以及B图像的分割阈值的修正权重。
需要说明的是，由于齿轮油生产加工设备内部的磨损老化，导致设备内部的图层掉落，致使部分金属碎屑落入齿轮油中，因此需要对齿轮中的金属碎屑进行检测，在对齿轮油中的金属碎屑杂质进行检测时，多依据金属碎屑对光的反射进行检测，但是在利用金属杂质对光的反射检测齿轮油图像中的金属杂质时，齿轮油本身也发生了光的折射，二者均与周围图像形成了较大的对比度，因此在使用最大类间方差对齿轮油图像中的金属碎屑杂质并进行分割时，获取的最大类间方差对应灰度级表现为齿轮油对光的折射还是金属碎屑对光的反射也未可知，因此直接使用最大类间方差对应的灰度级无法直接分割出齿轮油图像中的金属碎屑杂质，但是，金属碎屑对光进行反射时，因其光谱吸收特性导致金属杂质碎屑对应像素点灰度与周围其余像素点的灰度存在一定差异，这种光谱吸收特性所致的差异在RGB三通道下有明显的差异表现，因此在本发明中，需要首先根据齿轮油图像获取在RGB三通道下的各个图像，通过对RGB三通道下的各个图像使用最大类间方差进行图像分割，得到RGB三通道下的各个图像的分割阈值，接着分析各个分割阈值所对应的像素点在齿轮油图像中的分布是否具有金属杂质的部分特征表现，从而对各个分割阈值进行加权后，获取最终分割阈值对齿轮油图像中的金属碎屑杂质进行分割，以减小齿轮油本身对光的折射的影响。
在本发明实施例中，将齿轮油图像的R通道图像、G通道图像以及B通道图像分别记为R图像、G图像以及B图像，使用最大类间方差算法获取R图像、G图像以及B图像的分割阈值，需要说明的是，最大类间方差算法获取图像的分割阈值为公知技术，在本发明实施例中，不再对其进行过多赘述。
需要说明的是，已知齿轮油中的金属碎屑杂质会使得齿轮油生产加工设备内部磨损老化，导致设备内部涂层掉落，致使部分金属碎屑落入齿轮油内部，因此齿轮油内部的金属碎屑一般多呈颗粒状，均匀分布在齿轮油中，也就是说，若齿轮油内部含有金属碎屑杂质，则齿轮油图像中金属碎屑杂质的分布较为分散，金属杂质对光的反射所致的高亮区域像素点也就越分散，因此当R图像、G图像以及B图像中的任意一个图像的分割阈值对应的像素点在齿轮油图像中对应的像素点的分布越离散，则该图像的分割阈值对最终的分割阈值的贡献程度越大。
在本发明实施例中，将R图像的分割阈值记为r，在R图像中，将灰度值等于r的像素点在齿轮油图像中进行标记，记为齿轮油图像的标记像素点，以齿轮油图像最左下方的像素点为原点，以原点向右的方向为x轴方向，以原点向上的方向为y轴方向，建立笛卡尔坐标系，并获取齿轮油图像中每个第一标记像素点的坐标，以齿轮油图像中每个标记像素点为节点，将每两个节点之间采用无向线段连接，并将每两个节点之间的欧式距离作为边权值，构建无向图，采用Dijkstra算法获取无向图的最短路径，将无向图的最短路径中每个相邻节点之间欧式距离的和作为R图像的分割阈值的权重。
需要说明的是，在对齿轮油内的金属杂质进行检测时，多利用金属碎屑对光的反射这一特性来识别齿轮油内是否存在金属杂质，但是金属碎屑对光进行反射的同时，齿轮油本身也对光发生了折射，即二者均形成了光亮区域，但是金属碎屑在对光进行反射的同时，因金属材质对光谱的吸收特性，导致金属碎屑边缘区域也会产生部分亮度渐变，而且金属碎屑对光的透射导致金属碎屑周围形成了阴影区域（影子），而齿轮油本身对光的折射则没有这一特征表现，也就是说，因金属碎屑反光所形成的高亮区域像素点与小范围内其余像素点之间存在灰度差异，并且这种差异逐渐递减，因此，R图像的分割阈值对应的像素点在齿轮油图像中与周围像素点存在灰度差异，即齿轮油图像的标记像素点与其周围像素点存在灰度差异，并且逐渐递减，则R图像的分割阈值对最终分割阈值的贡献程度就越大，即对应权重也就越大，因此需要对R图像的分割阈值的权重进行修正。
在本发明实施例中，以齿轮油图像的每个标记像素点为中心构建大小的窗口，作为齿轮油图像的每个标记像素点的窗口，在本发明实施例中，预设窗口边长，在其他实施例中，实施人员可根据具体实施情况设置/>的值。
依次获取齿轮油图像的第个标记像素点以及第/>个标记像素点在其对应窗口中的0°方向上的其他像素点的灰度值，构成0°方向的灰度值序列，获取0°方向的灰度值序列中所有两个灰度值的一阶差分的和，记为齿轮油图像的第/>个标记像素点在0°方向上的灰度渐变程度。
根据齿轮油图像的第个标记像素点在0°方向上的灰度渐变程度的获取方法，获取齿轮油图像的第/>个标记像素点在45°、90°以及135°方向上的灰度渐变程度。
获取齿轮油图像的每个标记像素点的灰度特征：
式中，为齿轮油图像的第/>个标记像素点的灰度值；/>代表齿轮油图像的第/>个标记像素点的窗口中第/>个像素点的灰度值；/>代表绝对值符号；/>代表齿轮油图像的第/>个标记像素点的窗口边长；/>代表齿轮油图像的第/>个像素点在第/>个方向上的灰度渐变程度，需要说明的是，共有四个方向，分别是0°、45°、90°、135°四个方向，/>的值越大，说明齿轮油图像的第/>个标记像素点与其周围像素点存在着较大的灰度值差异；的值越大，说明齿轮油图像的第/>个标记像素点与其周围像素点的灰度渐变特征越明显。
获取R图像的分割阈值的修正权重：
式中，代表R图像的分割阈值的修正权重；/>代表R图像的分割阈值的权重；代表齿轮油图像的标记像素点的数量；/>代表齿轮油图像的第/>个标记像素点在无向图中的接近中心性；/>代表齿轮油图像的第/>个标记像素点灰度特征。/>的值越大，说明R图像的分割阈值对最终分割阈值的贡献程度就越大，需要将R图像的分割阈值的权重调大。需要说明的是，标记像素点在无向图中的接近中心性的获取为现有技术，在本发明实施例中，不再对其进行过多赘述。
根据获取R图像的分割阈值的修正权重的方法，获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重。
至此，获取R图像、G图像以及B图像的分割阈值的权重，并对R图像、G图像以及B图像的分割阈值的权重进行修正获取R图像、G图像以及B图像的分割阈值的修正权重。
S003．根据R图像的分割阈值的修正权重、G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重，获取齿轮油图像的最终分割阈值，根据齿轮油图像的最终分割阈值对齿轮油图像进行分割。
需要说明的是，上述S003获取了每个图像的分割阈值的修正权重，因此根据每个图像的分割阈值的修正权重对每个图像的分割阈值进行修正后，获取齿轮油图像的最终分割阈值。
在本发明实施例中，获取齿轮油图像的最终分割阈值：
式中，代表齿轮油图像的最终分割阈值；/>代表R图像的分割阈值的修正权重；代表G图像的分割阈值的修正权重；/>代表B图像的分割阈值的修正权重；/>代表R图像的分割阈值；/>代表G图像的分割阈值；/>代表B图像的分割阈值。
将齿轮油图像转化为灰度图像，利用最终分割阈值对灰度图像进行分割，将灰度值大于最终分割阈值的连通域记为金属杂质区域。
至此，根据R图像的分割阈值的修正权重、G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重，获取齿轮油图像的最终分割阈值，并根据齿轮油图像的最终分割阈值对齿轮油图像完成分割。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种工业齿轮油杂质视觉检测方法，其特征在于，该方法包括以下步骤：
采集齿轮油图像；
将齿轮油图像的R通道图像、G通道图像以及B通道图像分别记为R图像、G图像以及B图像；使用最大类间方差算法获取R通道图像的分割阈值，G图像的分割阈值以及B图像的分割阈值；
根据R图像的分割阈值获取齿轮油图像的标记像素点；根据齿轮油图像的标记像素点的分布离散情况，获取R图像的分割阈值的权重；获取齿轮油图像的每个标记像素点的窗口；根据齿轮油图像的每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度；根据齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度以及每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点的灰度特征；根据齿轮油图像的每个标记像素点的灰度特征以及R图像的分割阈值的权重，获取R图像的分割阈值的修正权重；
获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重；
根据R图像、G图像以及、B图像的分割阈值的修正权重对R图像、G图像以及B图像的分割阈值进行加权，获取齿轮油图像的最终分割阈值；根据齿轮油图像的最终分割阈值对齿轮油图像进行分割，识别金属杂质区域。
2.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据R图像的分割阈值获取齿轮油图像的标记像素点，包括的具体步骤如下：
将R图像的分割阈值记为r，在R图像中，将灰度值等于r的像素点在齿轮油图像中进行标记，记为齿轮油图像的标记像素点。
3.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据齿轮油图像的标记像素点的分布离散情况，获取R图像的分割阈值的权重，具体的获取步骤如下：
以齿轮油图像最左下方的像素点为原点，以原点向右的方向为x轴方向，以原点向上的方向为y轴方向，建立笛卡尔坐标系，并获取齿轮油图像中每个第一标记像素点的坐标，以齿轮油图像中每个标记像素点为节点，将每两个节点之间采用无向线段连接，并将每两个节点之间的欧式距离作为边权值，构建无向图，采用Dijkstra算法获取无向图的最短路径，将无向图的最短路径中每个相邻节点之间欧式距离的和作为R图像的分割阈值的权重。
4.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述获取齿轮油图像的每个标记像素点的窗口，具体的获取步骤如下：
预设窗口边长，以齿轮油图像的每个标记像素点为中心构建/>大小的窗口，作为齿轮油图像的每个标记像素点的窗口。
5.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据齿轮油图像的每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度，包括的具体步骤如下：
依次获取齿轮油图像的第个标记像素点以及第/>个标记像素点在其对应窗口中的0°方向上的其他像素点的灰度值，构成0°方向的灰度值序列，获取0°方向的灰度值序列中每两个灰度值的一阶差分的和，记为齿轮油图像的第/>个标记像素点在0°方向上的灰度渐变程度；
根据齿轮油图像的第个标记像素点在0°方向上的灰度渐变程度的获取方法，获取齿轮油图像的第/>个标记像素点在45°、90°以及135°方向上的灰度渐变程度。
6.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据齿轮油图像的每个标记像素点在每个方向上的灰度渐变程度以及每个标记像素点的窗口中的像素点的灰度值，获取齿轮油图像的每个标记像素点的灰度特征，包括的具体步骤如下：
式中，为齿轮油图像的第/>个标记像素点的灰度值；/>代表齿轮油图像的第/>个标记像素点的窗口中第/>个像素点的灰度值；/>代表绝对值符号；/>代表齿轮油图像的第/>个标记像素点的窗口边长；/>代表齿轮油图像的第/>个像素点在第/>个方向上的灰度渐变程度。
7.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据齿轮油图像的每个标记像素点的灰度特征以及R图像的分割阈值的权重，获取R图像的分割阈值的修正权重，包括的具体步骤如下：
式中，代表R图像的分割阈值的修正权重；/>代表R图像的分割阈值的权重；/>代表齿轮油图像的标记像素点的数量；/>代表齿轮油图像的第/>个标记像素点在无向图中的接近中心性；/>代表齿轮油图像的第/>个标记像素点灰度特征。
8.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据R图像、G图像以及、B图像的分割阈值的修正权重对R图像、G图像以及B图像的分割阈值进行加权，获取齿轮油图像的最终分割阈值，包括的具体步骤如下：
式中，代表齿轮油图像的最终分割阈值；/>代表R图像的分割阈值的修正权重；/>代表G图像的分割阈值的修正权重；/>代表B图像的分割阈值的修正权重；/>代表R图像的分割阈值；/>代表G图像的分割阈值；/>代表B图像的分割阈值。
9.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重，包括的具体步骤如下：
根据R图像的分割阈值的修正权重的获取方法，获取G图像的分割阈值的修正权重以及B图像的分割阈值的修正权重。
10.根据权利要求1所述的一种工业齿轮油杂质视觉检测方法，其特征在于，所述根据齿轮油图像的最终分割阈值对齿轮油图像进行分割，识别金属杂质区域，包括的具体步骤如下：
将齿轮油图像转化为灰度图像，利用最终分割阈值对灰度图像进行分割，将灰度值大于最终分割阈值的连通域记为金属杂质区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205056.4A CN117788464B (zh) | 2024-02-26 | 2024-02-26 | 一种工业齿轮油杂质视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205056.4A CN117788464B (zh) | 2024-02-26 | 2024-02-26 | 一种工业齿轮油杂质视觉检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788464A true CN117788464A (zh) | 2024-03-29 |
| CN117788464B CN117788464B (zh) | 2024-04-30 |
Family
ID=90392866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410205056.4A Active CN117788464B (zh) | 2024-02-26 | 2024-02-26 | 一种工业齿轮油杂质视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788464B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038063A (zh) * | 2024-04-11 | 2024-05-14 | 山东华立供水设备有限公司 | 一种基于机器识别的饮用水灌装后杂质检测方法及系统 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999005640A1 (en) * | 1997-07-25 | 1999-02-04 | Arch Development Corporation | Method and system for the segmentation of lung regions in lateral chest radiographs |
| KR20160074851A (ko) * | 2014-12-18 | 2016-06-29 | 삼성전자주식회사 | Ｏｃｔ 영상에서 영역의 중심점 검출 방법 및 그 장치 |
| KR20180061528A (ko) * | 2016-11-29 | 2018-06-08 | 충북대학교 산학협력단 | Lab 컬러 모델을 이용한 이물질 검사 시스템 및 방법 |
| CN110607405A (zh) * | 2019-08-01 | 2019-12-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于机器视觉工业应用的皮革内轮廓识别切割装置及方法 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN114627316A (zh) * | 2022-03-21 | 2022-06-14 | 江苏新之阳新能源科技有限公司 | 基于人工智能的液压系统漏油检测方法 |
| 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 |
| 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 |
| CN115127479A (zh) * | 2022-09-02 | 2022-09-30 | 西安西动智能科技有限公司 | 一种基于机器视觉的胶辊螺纹在线检测及修正方法 |
| US20230026234A1 (en) * | 2021-07-22 | 2023-01-26 | X Development Llc | Sample segmentation |
| CN116012316A (zh) * | 2022-12-22 | 2023-04-25 | 西南石油大学 | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 |
| WO2023072464A1 (de) * | 2021-10-26 | 2023-05-04 | Robert Bosch Gmbh | Verfahren zum erkennen einer verschmutzung an einer linseneinheit einer kamera einer landwirtschaftlichen arbeitsmaschine |
| 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 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN116740061A (zh) * | 2023-08-14 | 2023-09-12 | 山东淼珠生物科技有限公司 | 一种爆珠生产质量视觉检测方法 |
| CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
| CN116862912A (zh) * | 2023-09-04 | 2023-10-10 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
| CN116993724A (zh) * | 2023-09-26 | 2023-11-03 | 卡松科技股份有限公司 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
| CN117314893A (zh) * | 2023-11-27 | 2023-12-29 | 惠汕绿创(江苏)科技有限公司 | 基于图像处理的光伏钢结构组件质量检测方法 |
| US11887287B1 (en) * | 2022-11-23 | 2024-01-30 | Changshu Institute Of Technology | Production monitoring and analysis method based on an image data algorithm |
| CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
-
2024
- 2024-02-26 CN CN202410205056.4A patent/CN117788464B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999005640A1 (en) * | 1997-07-25 | 1999-02-04 | Arch Development Corporation | Method and system for the segmentation of lung regions in lateral chest radiographs |
| KR20160074851A (ko) * | 2014-12-18 | 2016-06-29 | 삼성전자주식회사 | Ｏｃｔ 영상에서 영역의 중심점 검출 방법 및 그 장치 |
| KR20180061528A (ko) * | 2016-11-29 | 2018-06-08 | 충북대학교 산학협력단 | Lab 컬러 모델을 이용한 이물질 검사 시스템 및 방법 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN110607405A (zh) * | 2019-08-01 | 2019-12-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于机器视觉工业应用的皮革内轮廓识别切割装置及方法 |
| US20230026234A1 (en) * | 2021-07-22 | 2023-01-26 | X Development Llc | Sample segmentation |
| WO2023072464A1 (de) * | 2021-10-26 | 2023-05-04 | Robert Bosch Gmbh | Verfahren zum erkennen einer verschmutzung an einer linseneinheit einer kamera einer landwirtschaftlichen arbeitsmaschine |
| CN114627316A (zh) * | 2022-03-21 | 2022-06-14 | 江苏新之阳新能源科技有限公司 | 基于人工智能的液压系统漏油检测方法 |
| 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 |
| 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 |
| CN115127479A (zh) * | 2022-09-02 | 2022-09-30 | 西安西动智能科技有限公司 | 一种基于机器视觉的胶辊螺纹在线检测及修正方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| US11887287B1 (en) * | 2022-11-23 | 2024-01-30 | Changshu Institute Of Technology | Production monitoring and analysis method based on an image data algorithm |
| 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 |
| CN116012316A (zh) * | 2022-12-22 | 2023-04-25 | 西南石油大学 | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 |
| CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
| CN116740061A (zh) * | 2023-08-14 | 2023-09-12 | 山东淼珠生物科技有限公司 | 一种爆珠生产质量视觉检测方法 |
| CN116862912A (zh) * | 2023-09-04 | 2023-10-10 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
| CN116993724A (zh) * | 2023-09-26 | 2023-11-03 | 卡松科技股份有限公司 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
| CN117314893A (zh) * | 2023-11-27 | 2023-12-29 | 惠汕绿创(江苏)科技有限公司 | 基于图像处理的光伏钢结构组件质量检测方法 |
| CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张培培;: "基于机器视觉的多疵点薄膜区分算法研究", 工业控制计算机, no. 11, 25 November 2016 (2016-11-25) * |
| 张弘;张清;侯雪梅;韩凌霏;: "一种灰度直方图与方差修正的图像阈值化算法", 西安邮电大学学报, no. 05, 10 September 2019 (2019-09-10) * |
| 李川, 王时龙, 张贤明, 顾宏: "润滑油中颗粒污染物的数字显微图像测试研究", 润滑与密封, no. 04, 15 July 2005 (2005-07-15) * |
| 杨曦;任重;: "一种利用图像角点和边缘信息的阈值分割方法", 红外技术, no. 02, 20 February 2008 (2008-02-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038063A (zh) * | 2024-04-11 | 2024-05-14 | 山东华立供水设备有限公司 | 一种基于机器识别的饮用水灌装后杂质检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788464B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
| CN115601367A (zh) | 一种led灯芯缺陷检测方法 | |
| CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
| CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
| US11144778B2 (en) | Descriptor guided fast marching method for analyzing images and systems using the same | |
| CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
| CN114359270A (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
| CN113808138A (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
| CN103473778B (zh) | 一种led发光芯片插偏缺陷的检测方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN113920096A (zh) | 一种集成电路金属封装缺陷检测方法 | |
| CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
| CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及系统 | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
| CN117173188B (zh) | 一种玻璃瘢痕识别方法 | |
| CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
| CN117788464B (zh) | 一种工业齿轮油杂质视觉检测方法 | |
| CN116977333B (zh) | 基于图像数据的装配式钢结构构件质量检测方法 | |
| CN107563990A (zh) | 一种光伏电池片崩边及钝型和v型缺口的检测算法 | |
| CN115311443A (zh) | 一种液压泵漏油识别方法 | |
| CN106991672B (zh) | 基于光强的物镜定位方法 | |
| CN116205894A (zh) | 基于多信息融合的轴承滚子缺陷检测方法 | |
| CN115294097A (zh) | 基于机器视觉的纺织品表面疵点检测方法 |
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 |