基于图像处理的液压接头清洁度控制方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及人工智能领域，具体涉及一种基于图像处理的液压接头清洁度控制方法。背景技术：2.随着社会经济发展、城镇化进程的推进和人民生活的提高，重型机械的应用越来越多，液压设备也随之增多。液压设备中的液压系统对清洁度要求较高，有时一个较小的铁屑、污垢都会造成整个液压系统瘫痪，液压接头作为液压系统连接件，其清洁度控制是接头质量控制的关键，因此对液压接头进行清洁必不可少。3.目前用于对液压接头的清洁度控制方法主要是通过传统的边缘检测算法，根据灰度变化将液压接头中的污垢区域进行阈值分割，然后对污垢区域统一进行清洁。4.然而，现有技术对所有污垢区域进行统一清洁，对于清洁难度不大的污垢区域造成了资源和时间的浪费，降低了工作效率。因此亟需一种方法用于提高液压接头清洁效率，减少资源浪费。技术实现要素：5.本发明提供一种基于图像处理的液压接头清洁度控制方法，包括：获取接头内壁灰度图；利用各像素在纹理方向的灰度差异得到各像素的关注度，进而获取所有类别；根据各像素的关注度和灰度得到各类别属于污垢的概率，进而获取所有污垢区域；根据各像素与其污垢排出方向上灰度极大值点的灰度差值得到污垢区域中各像素的阻挡率；根据各像素的阻挡率、各像素邻接像素的污垢概率得到污垢区域中各像素周围污垢的影响程度；根据各像素的阻挡率、污垢概率及其周围污垢的影响程度得到各污垢区域的清理难度；根据各污垢区域的清理难度对接头的清洁度进行调控，相比于现有技术，本发明首先根据污垢的灰度分布特征分割出污垢区域，然后再根据各污垢区域的污垢分布情况得到各区域的清理难度，最后根据各污垢区域的清理难度调整清洁度控制系统，本发明可准确去除污垢，具有节省时间，节约资源的优势。6.为达到上述目的，本发明采用以下技术方案，一种基于图像处理的液压接头清洁度控制方法，包括：7.获取待测液压接头内壁灰度图。8.利用灰度图中各像素点在纹理延伸方向的灰度差异度得到灰度图中各像素点的关注度。9.对各像素点的关注度进行聚类获取所有类别。10.根据各类别中像素点的关注度和灰度计算得到各类别属于污垢的概率。11.根据各类别属于污垢的概率获取灰度图中所有污垢区域。12.根据各污垢区域中各像素点与其污垢排出方向上灰度极大值点的灰度差值计算得到所有污垢区域中各像素点的阻挡率。13.根据各污垢区域中各像素点的阻挡率、各像素点周围邻接像素点的污垢概率计算得到所有污垢区域中各像素点周围污垢区域的影响程度。14.根据各污垢区域中各像素点的阻挡率、污垢概率及其周围污垢区域的影响程度计算得到各污垢区域的清理难度。15.根据各污垢区域的清理难度对待测液压接头的清洁度进行调控。16.进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述灰度图中各像素点的关注度是按照如下方式得到：17.对灰度图进行边缘检测，获取边缘特征图。18.利用pca算法获取边缘特征图中的第一主成分方向，将第一主成分方向作为纹理方向，获取灰度图中的所有纹理。19.获取灰度图中通过各个纹理的所有像素点的灰度值，得到各个纹理对应的灰度序列。20.根据各像素点的灰度值及其对应灰度序列的灰度均值和灰度熵，计算得到灰度图中各像素点的关注度。21.进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述各类别属于污垢的概率的表达式如下：[0022][0023]式中，pk表示第k个类别属于污垢的概率，tanh表示双曲线正切函数，表示第k个类别中所有像素点的关注度均值，nk表示第k个类别的总行数，ψ为超参数，bk,m,n表示第k个类别第m行纹理方向10邻接像素集合中两两像素间的灰度差异，n表示第n个灰度差异值。[0024]进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述灰度图中所有污垢区域是按照如下方式获取：[0025]设置阈值，对各类别属于污垢的概率进行判断。[0026]当类别属于污垢的概率大于阈值时，判断该类别属于污垢区域，获取灰度图中所有污垢区域。[0027]进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述各污垢区域的清理难度是按照如下方式得到：[0028]获取所有污垢区域的外接矩形的长和宽，根据所有外接矩形的长的均值和宽的均值对各污垢区域进行标准划分，得到所有污垢区域对应的标准区域。[0029]根据各标准区域中各像素点与其污垢排出方向上灰度极大值点的灰度差值计算得到所有标准区域中各像素点的阻挡率。[0030]根据各标准区域中各像素点的阻挡率、各像素点周围邻接像素点的污垢概率计算得到所有标准区域中各像素点周围污垢区域的影响程度。[0031]利用各像素点的阻挡率、污垢概率及其周围污垢区域的影响程度计算得到所有标准区域中各像素点的清理难度。[0032]将各标准区域中各像素点的清理难度进行加和得到各污垢区域的清理难度。[0033]进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述各像素点周围污垢区域的影响程度的表达式如下：[0034][0035]式中，ys表示第s个像素点周围污垢区域的影响程度，tanh表示双曲线正切函数，zs表示第s个像素点的阻挡率，ps,i表示第s个像素点在纹理方向上第i个邻接像素点的污垢概率，即为各像素点所属类别的污垢概率，qs,i表示第s个像素点在纹理方向上的第i个邻接像素点的权重，a表示第s个像素点在纹理方向上的邻接像素点的个数，ps,j表示第s个像素点在上侧区域第j个像素点的污垢概率，ns表示第s个像素点上侧区域像素点的个数。[0036]进一步的，所述一种基于图像处理的液压接头清洁度控制方法，所述对待测液压接头的清洁度进行调控的过程具体如下：[0037]根据各污垢区域的清理难度计算各污垢区域的冲洗时间。[0038]根据各污垢区域的冲洗时间对清洗装置进行调控，利用调控好的清洗装置对待测液压接头内壁进行清洗。[0039]设置阈值，对清洗后的待测液压接头内壁的累加污垢概率进行判断。[0040]当累加污垢概率小于设置阈值时，待测液压接头的清洁度达标，当累加污垢概率大于等于设置阈值时，待测液压接头的清洁度未达标，需要继续进行清洗。[0041]本发明的有益效果在于：[0042]本发明首先根据污垢的灰度分布特征分割出污垢区域，然后再根据各污垢区域的污垢分布情况得到各区域的清理难度，最后根据各污垢区域的清理难度调整清洁度控制系统，本发明可准确去除污垢，具有节省时间，节约资源的优势。附图说明[0043]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性的前提下，还可以根据这些附图获得其他的附图。[0044]图1为本发明实施例1提供的一种液压接头清洁度控制方法流程示意图；[0045]图2为本发明实施例2提供的一种液压接头清洁度控制方法流程示意图；[0046]图3为本发明实施例2提供的一种纹理方向10邻接像素点示意图；[0047]图4为本发明实施例2提供的一种纹理方向上邻接像素区域示意图。具体实施方式[0048]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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0049]实施例1[0050]本发明实施例提供一种基于图像处理的液压接头清洁度控制方法，如图1所示，包括：[0051]s101、获取待测液压接头内壁灰度图。[0052]其中，灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。[0053]s102、利用灰度图中各像素点在纹理延伸方向的灰度差异度得到灰度图中各像素点的关注度。[0054]其中，正常情况下，接头内壁图像在纹理延伸方向上灰度差异较小，只有存在污垢或光线变化时才会存在较大的灰度差异。[0055]s103、对各像素点的关注度进行聚类获取所有类别。[0056]其中，聚类处理为密度聚类方法。[0057]s104、根据各类别中像素点的关注度和灰度计算得到各类别属于污垢的概率。[0058]其中，各类别属于污垢的概率越大，各类别属于污垢区域的可能性越大。[0059]s105、根据各类别属于污垢的概率获取灰度图中所有污垢区域。[0060]其中，设置阈值，将污垢概率大于阈值的类别作为污垢区域。[0061]s106、根据各污垢区域中各像素点与其污垢排出方向上灰度极大值点的灰度差值计算得到所有污垢区域中各像素点的阻挡率。[0062]其中，各像素点的阻挡率越大，清理难度越大。[0063]s107、根据各污垢区域中各像素点的阻挡率、各像素点周围邻接像素点的污垢概率计算得到所有污垢区域中各像素点周围污垢区域的影响程度。[0064]其中，各像素点周围污垢区域的影响程度越大，清理难度越大。[0065]s108、根据各污垢区域中各像素点的阻挡率、污垢概率及其周围污垢区域的影响程度计算得到各污垢区域的清理难度。[0066]其中，通过将各像素点的清理难度进行加和得到各污垢区域的清理难度。[0067]s109、根据各污垢区域的清理难度对待测液压接头的清洁度进行调控。[0068]其中，根据各污垢区域的清理难度对清洗装置的冲洗时间调整实现对接头清洁度的控制。[0069]本实施例的有益效果在于：[0070]本实施例首先根据污垢的灰度分布特征分割出污垢区域，然后再根据各污垢区域的污垢分布情况得到各区域的清理难度，最后根据各污垢区域的清理难度调整清洁度控制系统，本实施例可准确去除污垢，具有节省时间，节约资源的优势。[0071]实施例2[0072]本发明的主要目的是：利用计算机视觉技术对采集的液压接头内壁rgb图像进行处理，实现准确去除液压接头内部污垢，节省资源。[0073]首先将接头口朝上平整的放在支架上，在接头的正上方设置支架，该支架能够调整角度，将相机固定在支架上，通过支架转动调整角度在各方位采集接头内壁图片，将接头内壁图像拼接成全景图像，用接头内壁图片分割出内壁的污垢区域，通过污垢分布计算出各区域的清理难度，根据清理难度智能调控清洁度控制系统，直至接头内壁清洁度达到目标要求。[0074]本发明实施例提供一种基于图像处理的液压接头清洁度控制方法，如图2所示，包括：[0075]s201、采集液压接头内壁全景图。[0076]本实施例要实现接头污垢去除控制，需要先采集接头内壁图片。通过灰度变化计算各像素的污垢概率，根据污垢分布对污垢的准确去除进行控制。[0077]布置相机：由于需要多角度采集接头内壁图像，所以需要在接头上方设置支架，将相机安装在支架上，通过支架转动带动相机转动，确保各方向相机光轴角度与接头轴心的夹角相同且相机与端口的轴向距离相同，同时该夹角上能够采集到完整的一侧接头内壁图像，同时相机旋转一周采集接头内壁的全景图像。[0078]图像拼接：根据通用的图像拼接方法，将各方位采集到的接头内壁图像拼接成完整的全景图像。[0079]灰度化处理：将拼接后的内壁图像从rgb颜色图像转化为灰度图像。[0080]至此，获得了接头全景内壁图像。[0081]s202、计算各像素点的关注度。[0082]获取接头内壁图像的纹理方向，根据各像素沿纹理方向的灰度差异度和灰度变化锐利程度计算出各像素的污垢概率，分析各像素在污垢排出方向的梯度变化计算出阻挡率，结合阻挡率和周围像素污垢概率分布计算出周围像素的影响程度，结合自身像素的污垢概率、阻挡率，周围像素的影响程度计算出各像素的清理难度。[0083]获取边缘特征图像：利用sobel算子对接头内壁全景图像进行处理得到边缘特征图。[0084]计算各像素的关注度：[0085]1.利用sobel算子处理灰度图得到边缘特征图像。[0086]2.通过pca算法处理边缘特征图像得到特征最大的第一主成分方向，即纹理方向。[0087]3.通过各像素在纹理延伸方向的灰度差异度得到关注度。[0088](1)获取灰度图中第一主成分方向所通过像素的各灰度序列。[0089](2)通过各像素相对于灰度序列的灰度差异度得到各像素的关注度。[0090]由于正常情况下，接头内壁图像在纹理延伸方向上灰度差异较小，只有存在污垢或光线变化时才会存在较大的灰度差异，因而根据灰度差异性获取各像素的关注度：[0091][0092]式中，hi,j表示第i个灰度序列的第j个像素的灰度值，表示第i个灰度序列的灰度均值，si表示第i个灰度序列的灰度熵值，gi,j表示第i个灰度序列的第j个像素的关注度。[0093]s203、获取污垢区域。[0094]1.将得到的各像素的关注度进行密度聚类得到若干类别集合。[0095]2.结合灰度锐变性得到各类别的污垢概率。[0096]为了防止光线造成的灰度差异，同时光线造成的灰度差异会存在渐变的特征，因而通过分析灰度的锐变性分析各类别集合的污垢概率：[0097][0098]式中，pk表示第k个类别集合的污垢概率，表示第k个类别中像素关注度均值，bk,m,n表示第k个类别第m行纹理方向10邻接像素集合中两两像素的灰度差异，具体详见图3，n表示第n个灰度差异值，nk表示第k个类别的总行数。表示第k个类别邻接的灰度渐变性。tanh表示双曲线正切函数，起归一化作用，ψ为超参数，经验值ψ＝0.02。[0099]3.当类别集合的污垢概率大于0.8时，判断该类别集合为污垢区域。[0100]s204、计算各污垢区域的清理难度。[0101]1.划分区域：获取各类别污垢区域的外接矩形，通过将各类别外接矩形的长求平均得到外接矩形长均值和外接矩形宽求平均得到外接矩形宽度均值，将以长、宽外接矩形均值作为区域的划分标准，利用该标准划分区域。[0102]2.计算各区域的清理难度。[0103]污垢的清理难度与自己区域的污垢密集程度，污垢排出方向的阻挡率，旁边污垢清理时对自己区域的影响程度有关，污垢密集程度越大，其清理难度也越大，污垢清理时，需沿污垢排出方向移动，如果在污垢排出方向存在较大的结构纹理阻挡，其清理难度也会增大，同时旁边区域污垢清理会将污垢飞溅到本区域，就会增加污垢的堆积，增加本区域的清理难度，因而要分析本区域的清理难度需考虑几方面因素进行分析计算清理难度。[0104](1)计算各像素的阻挡率：[0105]像素的阻挡率与沿污垢排出方向上距离本像素最近的极大纹理像素灰度分布有较大关系，因而需分析本像素与极大纹理像素之间的灰度变化来分析阻挡率，当该像素与极大纹理之间的梯度变化均值较大，说明该像素与极大纹理像素之间的起伏坡度较大，同时该像素还与极大纹理之间的累计梯度变化有关，累计梯度变化越大，说明该像素中间的累计高度起伏较大。因而阻挡率计算方式为：[0106][0107]式中，zs表示第s个像素的阻挡率，hs,i表示第s个像素在垂直纹理方向与其最近的灰度极大值点之间的第i个像素与第i+1个像素的灰度差值，l表示第s个像素与最近的灰度极大值点之间的两两像素相邻之间的灰度差数量，表示第s个像素在垂直纹理方向与其最近的极大值点之间的两两像素相邻之间的灰度差均值。[0108](2)计算旁边污垢的影响程度：[0109]旁边污垢的影响程度与旁边污垢的聚集性和污垢清理难度有关，旁边污垢由于清理会飞溅至本像素区域，就会增加本区域的清理难度，因而旁边区域有较密集的污垢时转移至本像素的可能性较大，其他区域的影响与本区域的阻挡程度有关，本区域的阻挡程度越大。同时在污垢排出方向上旁边像素的污垢影响较大，因而旁边污垢影响程度ys计算方法如下：[0110][0111]式中，ys表示第s个像素的旁边污垢的影响程度，tanh表示双曲线正切函数，zs表示第s个像素的阻挡率，ps,i表示第s个像素在纹理方向上第i个邻接像素的污垢概率，即为各像素所属类别集合的污垢概率，a表示第s个像素点在纹理方向上的邻接像素点的个数，qs,i表示纹理方向上的第i个邻接像素的权重，qs,i具体计算方法为其中，ds,i表示第s个像素与纹理方向上第i个邻接像素之间的距离，ps,j表示第s个像素在污垢排出方向上，上侧区域第j个像素的污垢概率，ns表示第s个像素上侧区域像素的个数，第s个像素上侧区域宽度为w，w根据水枪的冲刷宽度决定，通常取20，所述纹理方向上邻接像素区域如图4所示，通过0.7和0.3来反应上侧污垢和左右侧污垢对本像素影响权重，本实施例认为上侧污垢对本像素的影响权重相对大。[0112](3)计算各像素的清理难度：[0113]cs＝zs*(ps+ys)[0114]式中，cs表示第s个像素的清理难度，zs表示第s个像素的阻挡率，ys表示第s个像素的旁边污垢的影响程度，ps表示第s个像素的污垢概率，即为各像素所属类别集合的污垢概率。[0115](4)计算各区域的清理难度：通过将各区域内各像素的清理难度加和得到整个区域的清理难度。[0116]s205、根据各区域的清理难度对液压接头清洁度进行调控。[0117]现实生活中通常利用高压水枪冲洗液压接头内壁来清除污垢，从而实现控制液压接头的清洁度，所以本实施例根据各区域的清理难度来调控高压水枪正对本区域的冲洗时间，来实现接头清洁度智能清洗控制。高压水枪正对本区域的冲洗时间计算方法如下：[0118]tr＝n1r*γ[0119]式中，tr表示第r个区域的冲洗时间，n1r表示第r个区域的清理难度，γ为调整系数，根据经验其通常取0.5。[0120]根据计算出各区域的冲洗时间调控高压水枪，让高压水枪从上往下对各区域进行冲洗，冲洗完一次后，再次采集图像，判断其清洁度要求是否达标，未达标时按上述过程再进行一次清洗。[0121]清洁度要求达标标准为整副接头内壁图像的累加污垢概率小于ε，根据经验该值通常取0.5。[0122]本实施例的有益效果在于：[0123]本实施例首先根据污垢的灰度分布特征分割出污垢区域，然后再根据各污垢区域的污垢分布情况得到各区域的清理难度，最后根据各污垢区域的清理难度调整清洁度控制系统，本实施例可准确去除污垢，具有节省时间，节约资源的优势。[0124]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，凡在本发明的精神和原则之内，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。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!