CN118096849A - 一种视觉辅助的绿色环保润滑油质量检测方法 - Google Patents
一种视觉辅助的绿色环保润滑油质量检测方法 Download PDFInfo
- Publication number
- CN118096849A CN118096849A CN202410508954.7A CN202410508954A CN118096849A CN 118096849 A CN118096849 A CN 118096849A CN 202410508954 A CN202410508954 A CN 202410508954A CN 118096849 A CN118096849 A CN 118096849A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- neighborhood
- texture information
- under
- pixel
- 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.)
- Pending
Links
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims description 19
- 239000012535 impurity Substances 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000314 lubricant Substances 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种视觉辅助的绿色环保润滑油质量检测方法,包括:获取绿色环保润滑油的待检测图像;设置多个邻域尺度,根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息与每个像素点为杂质的可能性;根据每个邻域尺度下每个像素点的局部纹理信息、每个像素点的梯度值与为杂质的可能性,得到待检测图像中的杂质像素点,完成润滑油的质量检测结果。本发明通过多个邻域尺度下像素点的局部纹理信息,得到每个像素点的最终纹理信息,使得每个像素点的最终纹理信息更接近真实情况,从而使得获取的杂质像素点更精准,使得检测结果更准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种视觉辅助的绿色环保润滑油质量检测方法。
背景技术
在当今工业生产过程中,通过人工对产品进行检测时费时费力,并且检测结果具有很大的主观性和随机性,而通过视觉辅助对工业产品进行质量检测可以极大的提高质量检测的效率和准确程度。因此本方法通过对产品图像进行获取,利用图像处理算法对所获取的产品图像进行处理分析,从而判断产品质量是否满足要求。
但是因为润滑油自身会对光线进行反射,使得部分正常像素点具有与杂质像素点相似的局部纹理信息。造成通过编码对绿色环保润滑油进行质量检测时,可能会将部分正常像素点识别为杂质像素点,降低了绿色环保润滑油质量检测结果的准确性。
发明内容
本发明提供一种视觉辅助的绿色环保润滑油质量检测方法,以解决现有的问题。
本发明的一种视觉辅助的绿色环保润滑油质量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视觉辅助的绿色环保润滑油质量检测方法,该方法包括以下步骤:
设置多个邻域尺度,构建待检测图像中每个邻域尺度下每个像素点的邻域窗口;根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息;
在待检测图像中对每个像素点进行区域生长,得到每个像素点所在连通域;
根据每个像素点所在连通域的面积和连通域内每个像素点的灰度值,得到待检测图像中每个像素点为杂质的可能性;
根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下每个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重;
根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度;
根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到每个邻域尺度下每个像素点的局部纹理信息的最终权重;
根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息;
根据待检测图像中每个像素点的最终纹理信息,得到润滑油的质量检测结果。
进一步地,所述设置多个邻域尺度,构建待检测图像中每个邻域尺度下每个像素点的邻域窗口,包括的具体步骤如下:
在待检测图像中,以第个像素点为中心,构建大小为/>的窗口,记为第个邻域尺度下第/>个像素点的邻域窗口;其中,/>,/>为预设的邻域尺度个数。
进一步地,所述根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息,包括的具体步骤如下:
根据第个邻域尺度下第/>个像素点的邻域窗口/>内像素点灰度值,得到第/>个邻域尺度下第/>个像素点的邻域窗口内每个像素点的量化值对应的具体计算公式为:
其中,表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的量化值,/>表示第/>个像素点的灰度值,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的灰度值,/>为预设的第一常数,/>为绝对值函数;
按照顺时针方向从中最外层的左上角第一个像素点的量化值开始进行逐层遍历,直到遍历完除/>中心处的像素点之外的所有像素点的量化值,得到第/>个邻域尺度下第/>个像素点的邻域窗口内的LBP编码;
将第个邻域尺度下第/>个像素点的邻域窗口内的LBP编码转化为十进制数,记为第/>个邻域尺度下第/>个像素点的局部纹理信息。
进一步地,所述根据每个像素点所在连通域的面积和连通域内每个像素点的灰度值,得到待检测图像中每个像素点为杂质的可能性,包括的具体公式如下:
其中,表示第/>个像素点为杂质的可能性,/>表示第/>个像素点所在连通域的面积,/>表示第/>个像素点所在连通域内所有像素点的灰度均值,/>表示第/>个像素点所在连通域中第/>个像素点与其8邻域内其余像素点的灰度均值/>表示待检测图像中与第/>个像素点所在连通域邻接的第/>个像素点所在连通域的面积,/>为待检测图像中与第/>个像素点所在连通域邻接的像素点数量,/>表示第/>个像素点所在连通域中含有像素点的个数,/>为绝对值函数,/>表示与第/>个像素点所在连通域邻接的所有像素点所在连通域的最小面积,/>为以自然常数为底的指数函数。
进一步地,所述根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下每个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重,包括的具体步骤如下:
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,得到第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息;
将第个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息,记为第/>个邻域尺度下第/>个像素点的最大局部纹理信息;
将第个邻域尺度下第/>个像素点的最大局部纹理信息减去第/>个邻域尺度下第个像素点的局部纹理信息的差值,记为第/>个邻域尺度下第/>个像素点的局部纹理信息差异;
根据多个邻域尺度下第个像素点的局部纹理信息差异、第/>个邻域尺度下第/>个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到第/>个邻域尺度下第/>个像素点的局部纹理信息的权重。
进一步地,所述根据多个邻域尺度下第个像素点的局部纹理信息差异、第/>个邻域尺度下第/>个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,包括的具体公式如下:
其中,表示第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,为第/>个邻域尺度下第/>个像素点的局部纹理信息差异,/>为第/>个邻域尺度下第/>个像素点的局部纹理信息差异,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中所含像素点的个数,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点为杂质的可能性,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点的梯度值。
进一步地,所述根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度,包括的具体步骤如下:
将第个邻域尺度下第/>个像素点的邻域窗口的每条边上中心处的像素点,记为目标点;
将第个邻域尺度下第/>个像素点的邻域窗口内不是目标点的像素点,记为参考点;
将第个邻域尺度下第/>个像素点的邻域窗口之外距离每个目标点最近的像素点的灰度值,记为每个目标点的更新灰度值;将每个参考点的灰度值,记为每个参考点的更新灰度值;
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,使用第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的更新灰度值,得到第/>个邻域尺度下第/>个像素点的更新局部纹理信息;
将第个邻域尺度下第/>个像素点的局部纹理信息与第/>个邻域尺度下第/>个像素点的更新局部纹理信息的差值绝对值的反比例的归一化值,记为第/>个邻域尺度下第/>个像素点的局部纹理信息的可信度。
进一步地,所述根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到每个邻域尺度下每个像素点的局部纹理信息的最终权重,包括的具体步骤如下:
将每个邻域尺度下每个像素点的局部纹理信息的可信度与每个邻域尺度下每个像素点的局部纹理信息的权重的乘积,记为每个邻域尺度下每个像素点的局部纹理信息的最终权重。
进一步地,所述根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息,包括的具体步骤如下:
计算所有邻域尺度下第个像素点的局部纹理信息的最终权重之和,将第/>个邻域尺度下第/>个像素点的局部纹理信息的最终权重与所有邻域尺度下第/>个像素点的局部纹理信息的最终权重之和的比值,记为第/>个邻域尺度下第/>个像素点的权重;
计算每个邻域尺度下第个像素点的权重与局部纹理信息的乘积,将所有邻域尺度下第/>个像素点的权重与局部纹理信息的乘积之和的归一化值,记为第/>个像素点的最终纹理信息。
进一步地,所述根据待检测图像中每个像素点的最终纹理信息,得到润滑油的质量检测结果,包括的具体步骤如下:
将最终纹理信息大于预设纹理信息阈值的像素点记为杂质像素点;
将待检测图像中杂质像素点个数与待检测图像中像素点个数的比值,记为杂质程度;
若杂质程度大于等于预设杂质程度阈值,则绿色环保润滑油存在质量问题;
若杂质程度小于预设杂质程度阈值,则绿色环保润滑油不存在质量问题。
本发明的技术方案的有益效果是:在获取待检测图像中每个像素点为杂质的可能性时依据杂质区域内各像素点的灰度值有较大差异以及杂质区域附近可能含有较小面积的连通域的特征,使得待检测图像中每个像素点为杂质的可能性更准确;根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重,因为在获取每个邻域尺度下每个像素点的局部纹理信息的权重时,考虑了像素点的邻域窗口内各像素点为杂志的可能性,使得每个邻域尺度下每个像素点的局部纹理信息的权重更准确;根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度,在计算可信度时,通过对邻域窗口内部分像素点的灰度值进行调整,使得可信度的准确性更高;根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到更接近现实的每个邻域尺度下每个像素点的局部纹理信息的最终权重;根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息,因为每个邻域尺度下每个像素点的局部纹理信息的最终权重更接近现实,使得每个像素点的最终纹理信息更准确,从而使得检测结果更准确。
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为本发明一种视觉辅助的绿色环保润滑油质量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视觉辅助的绿色环保润滑油质量检测方法,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视觉辅助的绿色环保润滑油质量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视觉辅助的绿色环保润滑油质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001获取绿色环保润滑油的待检测图像;设置多个邻域尺度,构建待检测图像中每个邻域尺度下每个像素点的邻域窗口;根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息。
需要说明的是,因为本实施例的目的是对绿色环保润滑油进行检测,所以获取绿色环保润滑油的待检测图像。
具体的,在正常光照环境下利用工业相机对绿色环保润滑油样本进行拍摄,得到待检测的绿色环保润滑油图像,对待检测的绿色环保润滑油图像进行灰度化,得到待检测图像。
需要说明的是,由于润滑油中的杂质大小可能不同,导致待检测图像中不同杂质的面积也可能不同。因此根据固定邻域尺度获取像素点的局部纹理信息时,可能无法全面的捕捉部分杂质像素点的局部纹理信息。所以通过设置多个邻域尺度像素点在不同邻域尺度下的局部纹理信息,再通过对不同邻域尺度下像素点的局部纹理信息赋予不同的权重,得到像素点的最终纹理信息。
因此通过编码,计算出像素点在不同邻域尺度下的局部纹理信息。其中LBP编码为公知技术,具体方法在此不再赘述。根据每一邻域尺度下每个像素点的邻域窗口中各像素点为杂质的可能性、不同邻域尺度下像素点的局部纹理信息以及每一邻域尺度下像素点的局部纹理信息的可信度,得到每一邻域尺度下像素点的局部纹理信息对最终纹理信息的最终权重,得到每一像素点的最终纹理信息。根据每一像素点的最终纹理信息判断待检测图像中含有杂质像素点的个数,即绿色环保润滑油的受污染程度。因此需要先确定像素点邻域尺度,获取多个邻域尺度下每一像素点的局部纹理信息即像素点的/>值,得到待检测图像中润滑油受污染程度。
具体的,在本实施例中令预设的邻域尺度个数,在其他实施方式中可设置为其他值,本实施例不进行限定。第/>个邻域尺度所对应的邻域窗口大小为,其中/>。
以第个像素点为例,计算第/>个邻域尺度下第/>个像素点的局部纹理信息。
第个邻域尺度下第/>个像素点的邻域窗口的获取方式为:以第/>个像素点为中心构建大小为/>的窗口,将此窗口记为第/>个邻域尺度下第/>个像素点的邻域窗口/>。当像素点所在位置靠近图像边缘时,无足够的像素点构建部分邻域尺度下的邻域窗口时,设置位于图像外部的所述邻域尺度下的邻域窗口区域内的像素点的灰度值为中心像素点的灰度值,即所述邻域尺度下的邻域窗口内的图像外的像素点不表现纹理特征。
在获取每个邻域尺度下每个像素点的LBP编码时,当像素点的邻域窗口中的像素点灰度值与邻域窗口中心像素点的灰度值近似时,将此像素点量化为0,当邻域窗口中像素点灰度值与邻域窗口中心像素点的灰度值有较大差异时,将此像素点量化为1。
对第个邻域尺度下第/>个像素点的邻域窗口中每一像素点都进行量化,其中第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的量化值为/>,计算公式如下:
其中,表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的量化值,/>表示第/>个像素点的灰度值,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的灰度值,/>为预设的第一常数,在本实施例中/>,其他实施例中/>的值可设置为其他值,本实施例不对其进行限定,/>为绝对值函数。
根据像素点的量化方式,得到第个邻域尺度下第/>个像素点的邻域窗口内每一像素点量化后的值,以第/>个邻域尺度下第/>个像素点的邻域窗口内最外层左上角第一个像素点的量化值为LBP编码的最高位,以邻域窗口/>最外层左上角第一个像素点的右侧邻接像素点的量化值为LBP编码的次高位,依次类推得到第/>个邻域尺度下第/>个像素点的邻域窗口内的LBP编码,即按照顺时针方向从/>中最外层的左上角第一个像素点的量化值开始进行逐层遍历,直到遍历完除/>中心处的像素点之外的所有像素点的量化值,得到第/>个邻域尺度下第/>个像素点的邻域窗口内的LBP编码。
将所得LBP编码转化为十进制数,即得到第个邻域尺度下第/>个像素点的局部纹理信息/>,并以此为例,得到不同邻域尺度下第/>个像素点的局部纹理信息。其中将/>编码转化为十进制数为公知技术,本实施例不进行描述。
至此,通过设置多个邻域尺度并构建像素点量化值的计算方式,得到不同邻域尺度下第个像素点的局部纹理信息。
步骤S002在待检测图像中对每个像素点进行区域生长,得到每个像素点所在连通域;根据每个像素点所在连通域的面积和连通域内每个像素点的灰度值,得到待检测图像中每个像素点为杂质的可能性。
通过上述步骤得到不同邻域尺度下第个像素点的局部纹理信息,根据每一邻域尺度下每一像素点为杂质的可能性以及每一邻域尺度下像素点的局部纹理信息得到每一邻域尺度下像素点的局部纹理信息的权重,结合每一邻域尺度下像素点的局部纹理信息的可信度,得到不同邻域尺度下像素点的局部纹理信息的最终权重,得到像素点的最终纹理信息。因此需要计算图像中每一像素点为杂质的可能性,以及每一邻域尺度下所得局部纹理信息的可信性。
需要说明的是,相比于待检测图像中杂质的面积来说,润滑油自身所造成的反光区域在图像中存在较大区域且润滑油自身的反光区域内各像素点的灰度值较为接近。因此根据第个像素点所在连通域的灰度均值、第/>个像素点所在连通域中每一像素点与其8邻域内其余像素点灰度均值、像素点所在连通域的面积,得到第/>个像素点为杂质的可能性。由于润滑油中的杂质颗粒形状和表面状态各不相同,使得待检测图像中在杂质区域旁边可能含有相邻的面积较小的连通域。根据待检测图像中与第/>个像素点所在连通域相邻像素点所在连通域的最小面积,得到第/>个像素点为杂质的可能性。
第个像素点为杂质的可能性的具体获取方法如下所示:
第个像素点所在连通域的获取方式如下:
使用区域生长算法,以第个像素点作为区域生长起点,以区域生长起点与待生长点的灰度值差异小于差异阈值/>作为生长准则,得到第/>个像素点所在连通域。其中,区域生长算法为公知技术,本实施例不再赘述。本实施例通过区域生长算法并将生长起点与代生长点的灰度值差异小于差异阈值/>作为生长准则,得到第/>个像素点所在连通域,其他实施方式中可设置其他的生长准则或用其他算法得到第/>个像素点所在连通域,本实施例不对其进行限定。本实施例预设的差异阈值/>,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
通过上述连通域获取方式,得到待检测图像中与第个像素点所在连通域邻接的每个像素点所在连通域。其中邻接的像素点表示连通域之外与连通域边界相邻的像素点。
第个像素点为杂质的可能性为/>,计算公式如下:
其中,表示第/>个像素点为杂质的可能性,/>表示第/>个像素点所在连通域的面积,即第/>个像素点所在连通域内含有像素点的个数,/>表示第/>个像素点所在连通域内所有像素点的灰度均值,/>表示第/>个像素点所在连通域中第/>个像素点与其8邻域内其余像素点的灰度均值,/>表示待检测图像中与第/>个像素点所在连通域邻接的第/>个像素点所在连通域的面积,/>为待检测图像中与第/>个像素点所在连通域邻接的像素点数量,/>表示第/>个像素点所在连通域中含有像素点的个数,/>为绝对值函数,/>为最小值函数,/>为以自然常数为底的指数函数,本实施例采用exp(-y)模型来呈现反比例关系及归一化处理,y为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数。
需要说明的是,表示与第/>个像素点所在连通域邻接的所有像素点所在连通域的最小面积,其值越小表明第/>个像素点周围含有面积较小的连通域,即第/>个像素点为杂志的可能性越大;/>表示第/>个像素点所在连通域内局部灰度均值与整体灰度均值的差异,即第/>个像素点所在连通域内像素点灰度值的不均匀程度,其值越小表明第/>个像素点所在连通域内各像素点的灰度值越接近,第/>个像素点为杂志的可能性越小。
对待检测图像中每一像素点都进行一次上述操作,得到待检测图像中每一像素点为杂质的可能性。
步骤S003根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下每个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重。
需要说明的是,若在一个邻域尺度下第个像素点的邻域窗口内所有像素点为杂质可能性的均值越高,则在此邻域尺度下第/>个像素点的局部纹理信息的权重应越大。由于第/>个像素点的邻域窗口内其余像素点的量化值是根据第/>个像素点的灰度值与第/>个像素点的邻域窗口内各像素点的灰度值的大小得到的。因此当第/>个像素点的邻域窗口的面积增大时,则第/>个像素点的邻域窗口的外围像素点与第/>个像素点之间距离的增加,那么第/>个像素点与其所在邻域窗口的其余像素点之间的关系会逐渐减弱,即当像素点所在邻域窗口的面积越大时,第/>个像素点所在邻域窗口的纹理信息与第/>个像素点的实际纹理信息之间的差异越大。并且一个邻域尺度下第/>个像素点的局部纹理信息表示第/>个像素点在该邻域窗口所对应的邻域尺度下的局部纹理信息,即第/>个像素点的局部纹理信息的表达程度,若当前邻域尺度中第/>个像素点的纹理信息的表达程度与当前邻域尺度中纹理信息的表达程度的最大值差异越小时,则说明本次邻域尺度下捕捉到的纹理信息越多,对应权重增大。
具体的,通过sobel算子得到待检测图像中每一像素点的梯度值,其中sobel算子为公知技术,具体方法在此不做介绍。
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,得到第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息;
将第个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息,记为第/>个邻域尺度下第/>个像素点的最大局部纹理信息;
将第个邻域尺度下第/>个像素点的最大局部纹理信息减去第/>个邻域尺度下第个像素点的局部纹理信息的差值,记为第/>个邻域尺度下第/>个像素点的局部纹理信息差异。
根据多个邻域尺度下第个像素点的局部纹理信息差异、第/>个邻域尺度下第/>个像素点的邻域窗口中每一像素点为杂志的可能性与每一像素点的梯度,得到第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,其具体计算公式如下所示:
其中,表示第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,为第/>个邻域尺度下第/>个像素点的局部纹理信息差异,/>为第/>个邻域尺度下第/>个像素点的局部纹理信息差异;/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中所含像素点的个数,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点为杂质的可能性,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点的梯度值。
步骤S004根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度。
需要说明的是,随着像素点的邻域尺度扩大,会导致失去对局部细节和纹理的敏感性,从而使的像素点的局部纹理信息的可信度降低。所以利用每一邻域尺度下像素点的局部纹理信息与对每一邻域尺度下每一像素点的邻域窗口内像素点灰度值进行调整后所得更新局部纹理信息之间的差异,得到每一邻域尺度下像素点的局部纹理信息的可信度。
具体的,本实施例以第个邻域尺度下第/>个像素点的局部纹理信息为例。
对第个邻域尺度下第/>个像素点的邻域窗口中各像素点灰度值的调整方式如下:
将第个邻域尺度下第/>个像素点的邻域窗口的每条边上中心处的像素点,记为目标点;
将第个邻域尺度下第/>个像素点的邻域窗口内不是目标点的像素点,记为参考点;
将第个邻域尺度下第/>个像素点的邻域窗口之外距离每个目标点最近的像素点的灰度值,记为每个目标点的更新灰度值;将每个参考点的灰度值,记为每个参考点的更新灰度值;得到第/>个邻域尺度下第/>个像素点的邻域窗口内每个像素点的更新灰度值。
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,使用第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的更新灰度值,得到第/>个邻域尺度下第/>个像素点的更新局部纹理信息,将其记为/>。
将第个邻域尺度下第/>个像素点的局部纹理信息的可信度为/>,计算公式如下:
式中:表示第/>个邻域尺度下第/>个像素点的局部纹理信息的可信度,/>表示邻域尺度为/>时第/>个像素点的局部纹理信息,/>为第/>个邻域尺度下第/>个像素点的更新局部纹理信息,/>为绝对值函数,/>为以自然常数为底的指数函数,本实施例采用exp(-y)模型来呈现反比例关系及归一化处理,y为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数。
通过多个邻域尺度下像素点的局部纹理信息对最终纹理信息的权重以及多个邻域尺度下像素点的局部纹理信息的可信的,得到多个邻域尺度下像素点的局部纹理信息的最终权重。
步骤S005根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到每个邻域尺度下每个像素点的局部纹理信息的最终权重。
第个邻域尺度下第/>个像素点的局部纹理信息的最终权重为/>,计算公式如下:
其中,表示第/>个邻域尺度下第/>个像素点的局部纹理信息的最终权重;表示第/>个邻域尺度下第/>个像素点的局部纹理信息的权重;/>表示第/>个邻域尺度下第/>个像素点的局部纹理信息的可信度。
按照上述方式,得到每个邻域尺度下第个像素点的局部纹理信息的最终权重。
步骤S006根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息。
第个像素点的最终纹理信息为/>,计算公式如下:
其中,表示第/>个像素点的最终纹理信息,/>表示第/>个邻域尺度下第/>个像素点的局部纹理信息的最终权重,/>表示第/>个邻域尺度下第/>个像素点的局部纹理信息,/>为一个归一化函数,/>为预设的邻域尺度个数。
对待检测图像中的所有像素点都进行上述操作,得到待检测图像中每一像素点的最终纹理信息。
步骤S007根据待检测图像中每个像素点的最终纹理信息,得到润滑油的质量检测结果。
由于在图像中杂质像素点含有较大的纹理信息而非杂质像素点无较大的纹理信息,因此通过阈值分割将待检测图像中的像素点分为杂质像素点与非杂质像素点,进一步得到待检测图像中的杂质区域与非杂质区域。根据杂质区域与待检测图像的面积比值,待检测的绿色环保润滑油的质量是否合格。
通过阈值分割将待检测图像中的像素点分为杂质像素点与非杂质像素点的具体过程如下:
预设纹理信息阈值,当像素点的最终纹理信息大于或等于/>时,说明此像素点含有较多的纹理信息,即此像素点为杂质像素点;当像素点的纹理信息小于/>时,说明此像素点无较多的纹理信息,即此像素点为非杂质像素点;对待检测图像中的所有像素点都进行上述操作,将待检测图像分为杂质像素点与非杂质像素点。
在本实施例中预设纹理信息阈值,其他实施方式中可设置为其他值,本实施例不进行限定。
根据待检测图像中杂质像素点的个数,得到杂质程度,计算公式如下:
式中:表示杂质程度,/>表示杂质像素点的数量,/>表示待检测图像中所含像素点的个数。
进一步的预设杂质程度阈值,在本实施例中预设杂质程度阈值/>,其他实施例中可设置为其他值,本实施例不进行限定。当/>时,表示待检测图像中含有较多的杂质,即产品存在质量问题;当/>时,表示待检测图像中无较多的杂质,即产品不存在质量问题,遍历所有的绿色环保润滑油样本筛选出其中存在异常的润滑油并进行标记,完成对绿色环保润滑油的质量检测。
至此,本发明完成。
综上所述,在本发明实施例中,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)
1.一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,该方法包括以下步骤:
获取绿色环保润滑油的待检测图像;
设置多个邻域尺度,构建待检测图像中每个邻域尺度下每个像素点的邻域窗口;根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息;
在待检测图像中对每个像素点进行区域生长,得到每个像素点所在连通域;
根据每个像素点所在连通域的面积和连通域内每个像素点的灰度值,得到待检测图像中每个像素点为杂质的可能性;
根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下每个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重;
根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度;
根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到每个邻域尺度下每个像素点的局部纹理信息的最终权重;
根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息;
根据待检测图像中每个像素点的最终纹理信息,得到润滑油的质量检测结果。
2.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述设置多个邻域尺度,构建待检测图像中每个邻域尺度下每个像素点的邻域窗口,包括的具体步骤如下:
在待检测图像中,以第个像素点为中心,构建大小为/>的窗口,记为第/>个邻域尺度下第/>个像素点的邻域窗口;其中,/>,/>为预设的邻域尺度个数。
3.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据待检测图像中每个像素点的灰度值,得到每个邻域尺度下每个像素点的局部纹理信息,包括的具体步骤如下:
根据第个邻域尺度下第/>个像素点的邻域窗口/>内像素点灰度值,得到第/>个邻域尺度下第/>个像素点的邻域窗口内每个像素点的量化值对应的具体计算公式为:
其中,表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的量化值,表示第/>个像素点的灰度值,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口内第/>个像素点的灰度值,/>为预设的第一常数,/>为绝对值函数;
按照顺时针方向从中最外层的左上角第一个像素点的量化值开始进行逐层遍历,直到遍历完除/>中心处的像素点之外的所有像素点的量化值,得到第/>个邻域尺度下第个像素点的邻域窗口内的LBP编码;
将第个邻域尺度下第/>个像素点的邻域窗口内的LBP编码转化为十进制数,记为第/>个邻域尺度下第/>个像素点的局部纹理信息。
4.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据每个像素点所在连通域的面积和连通域内每个像素点的灰度值,得到待检测图像中每个像素点为杂质的可能性,包括的具体公式如下:
其中,表示第/>个像素点为杂质的可能性,/>表示第/>个像素点所在连通域的面积,表示第/>个像素点所在连通域内所有像素点的灰度均值,/>表示第/>个像素点所在连通域中第/>个像素点与其8邻域内其余像素点的灰度均值/>表示待检测图像中与第/>个像素点所在连通域邻接的第/>个像素点所在连通域的面积,/>为待检测图像中与第/>个像素点所在连通域邻接的像素点数量,/>表示第/>个像素点所在连通域中含有像素点的个数,/>为绝对值函数,/>表示与第/>个像素点所在连通域邻接的所有像素点所在连通域的最小面积,/>为以自然常数为底的指数函数。
5.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据每个邻域尺度下每个像素点的局部纹理信息、每个邻域尺度下每个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到每个邻域尺度下每个像素点的局部纹理信息的权重,包括的具体步骤如下:
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,得到第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息;
将第个邻域尺度下第/>个像素点的邻域窗口内所有像素点的量化值为1时的第/>个邻域尺度下第/>个像素点的局部纹理信息,记为第/>个邻域尺度下第/>个像素点的最大局部纹理信息;
将第个邻域尺度下第/>个像素点的最大局部纹理信息减去第/>个邻域尺度下第/>个像素点的局部纹理信息的差值,记为第/>个邻域尺度下第/>个像素点的局部纹理信息差异;
根据多个邻域尺度下第个像素点的局部纹理信息差异、第/>个邻域尺度下第/>个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到第/>个邻域尺度下第/>个像素点的局部纹理信息的权重。
6.根据权利要求5所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据多个邻域尺度下第个像素点的局部纹理信息差异、第/>个邻域尺度下第/>个像素点的邻域窗口内各像素点的梯度值与为杂质的可能性,得到第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,包括的具体公式如下:
其中,表示第/>个邻域尺度下第/>个像素点的局部纹理信息的权重,/>为第/>个邻域尺度下第/>个像素点的局部纹理信息差异,/>为第/>个邻域尺度下第/>个像素点的局部纹理信息差异,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中所含像素点的个数,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点为杂质的可能性,/>表示第/>个邻域尺度下第/>个像素点的邻域窗口中第/>个像素点的梯度值。
7.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据每个邻域尺度下每个像素点的局部纹理信息,得到每个邻域尺度下每个像素点的局部纹理信息的可信度,包括的具体步骤如下:
将第个邻域尺度下第/>个像素点的邻域窗口的每条边上中心处的像素点,记为目标点;
将第个邻域尺度下第/>个像素点的邻域窗口内不是目标点的像素点,记为参考点;
将第个邻域尺度下第/>个像素点的邻域窗口之外距离每个目标点最近的像素点的灰度值,记为每个目标点的更新灰度值;将每个参考点的灰度值,记为每个参考点的更新灰度值;
根据第个邻域尺度下第/>个像素点的局部纹理信息的获取方式,使用第/>个邻域尺度下第/>个像素点的邻域窗口内所有像素点的更新灰度值,得到第/>个邻域尺度下第/>个像素点的更新局部纹理信息;
将第个邻域尺度下第/>个像素点的局部纹理信息与第/>个邻域尺度下第/>个像素点的更新局部纹理信息的差值绝对值的反比例的归一化值,记为第/>个邻域尺度下第/>个像素点的局部纹理信息的可信度。
8.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据每个邻域尺度下每个像素点的局部纹理信息的权重以及可信度,得到每个邻域尺度下每个像素点的局部纹理信息的最终权重,包括的具体步骤如下:
将每个邻域尺度下每个像素点的局部纹理信息的可信度与每个邻域尺度下每个像素点的局部纹理信息的权重的乘积,记为每个邻域尺度下每个像素点的局部纹理信息的最终权重。
9.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据所有邻域尺度下每个像素点的局部纹理信息以及局部纹理信息的最终权重,得到每个像素点的最终纹理信息,包括的具体步骤如下:
计算所有邻域尺度下第个像素点的局部纹理信息的最终权重之和,将第/>个邻域尺度下第/>个像素点的局部纹理信息的最终权重与所有邻域尺度下第/>个像素点的局部纹理信息的最终权重之和的比值,记为第/>个邻域尺度下第/>个像素点的权重;
计算每个邻域尺度下第个像素点的权重与局部纹理信息的乘积,将所有邻域尺度下第/>个像素点的权重与局部纹理信息的乘积之和的归一化值,记为第/>个像素点的最终纹理信息。
10.根据权利要求1所述一种视觉辅助的绿色环保润滑油质量检测方法,其特征在于,所述根据待检测图像中每个像素点的最终纹理信息,得到润滑油的质量检测结果,包括的具体步骤如下:
将最终纹理信息大于预设纹理信息阈值的像素点记为杂质像素点;
将待检测图像中杂质像素点个数与待检测图像中像素点个数的比值,记为杂质程度;
若杂质程度大于等于预设杂质程度阈值,则绿色环保润滑油存在质量问题;
若杂质程度小于预设杂质程度阈值,则绿色环保润滑油不存在质量问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410508954.7A CN118096849A (zh) | 2024-04-26 | 2024-04-26 | 一种视觉辅助的绿色环保润滑油质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410508954.7A CN118096849A (zh) | 2024-04-26 | 2024-04-26 | 一种视觉辅助的绿色环保润滑油质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096849A true CN118096849A (zh) | 2024-05-28 |
Family
ID=91160269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410508954.7A Pending CN118096849A (zh) | 2024-04-26 | 2024-04-26 | 一种视觉辅助的绿色环保润滑油质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096849A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114838972A (zh) * | 2022-07-04 | 2022-08-02 | 江苏名欧精密机械有限公司 | 基于工业大数据与油液分析的机械故障预警方法及系统 |
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 |
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 |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
CN116871395A (zh) * | 2023-08-22 | 2023-10-13 | 江西天钢科技有限公司 | 钢带加工设备控制系统及其方法 |
-
2024
- 2024-04-26 CN CN202410508954.7A patent/CN118096849A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114838972A (zh) * | 2022-07-04 | 2022-08-02 | 江苏名欧精密机械有限公司 | 基于工业大数据与油液分析的机械故障预警方法及系统 |
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 |
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 |
CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
CN116871395A (zh) * | 2023-08-22 | 2023-10-13 | 江西天钢科技有限公司 | 钢带加工设备控制系统及其方法 |
Non-Patent Citations (2)
Title |
---|
DAYANG LI ETC.: "Abnormal identification of oil monitoring based on LSTM and SVDD", WEAR, 31 December 2023 (2023-12-31) * |
张燕昆,等: "实时矩形交通限速标志识别系统", 智能系统学报, vol. 5, no. 6, 31 December 2010 (2010-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN106327488B (zh) | 一种自适应的前景检测方法及其检测装置 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111127360A (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
CN112053383A (zh) | 一种机器人实时定位的方法及装置 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN116664431B (zh) | 一种基于人工智能的图像处理系统及方法 | |
CN117593651A (zh) | 一种隧道裂纹分割识别方法 | |
CN117496518A (zh) | 基于文本检测和表格检测的电子卷宗图像智能矫正方法 | |
CN118096849A (zh) | 一种视觉辅助的绿色环保润滑油质量检测方法 | |
CN112434176A (zh) | 一种基于图像处理的图像存储方法和装置 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN112102214A (zh) | 一种基于直方图与神经网络的图像去雾方法 | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
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 |