CN117723739B - 一种低碳润滑油的质量分析方法及系统 - Google Patents
一种低碳润滑油的质量分析方法及系统 Download PDFInfo
- Publication number
- CN117723739B CN117723739B CN202311715868.5A CN202311715868A CN117723739B CN 117723739 B CN117723739 B CN 117723739B CN 202311715868 A CN202311715868 A CN 202311715868A CN 117723739 B CN117723739 B CN 117723739B
- Authority
- CN
- China
- Prior art keywords
- image
- lubricating oil
- abnormal
- analysis
- gradient
- 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
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 174
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 50
- 239000000126 substance Substances 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 38
- 239000002245 particle Substances 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 239000003921 oil Substances 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种低碳润滑油的质量分析方法及系统，采用高清摄像设备对生产线上润滑油进行实时图像采集；对采集到的图像进行处理，并提取润滑油图像的特征参数；建立基准模型，将正常润滑油的图像特征作为标准；利用计算机视觉技术，对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征；将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认，验证是否存在润滑油质量问题；当验证发现润滑油质量异常，则通过警报装置向操作人员或监控系统发出警报；该低碳润滑油的质量分析方法可以进行实时监测，且提取了多维特征参数进行分析，并将图像处理分析与化学分析数据相结合，提高判断的准确性，降低误报率。
Description
技术领域
本发明涉及一种低碳润滑油的质量分析方法及系统。
背景技术
低碳润滑油是一种环保型润滑油，其主要特点是在使用过程中能够减少对环境的负面影响，并降低碳排放。低碳润滑油在工业生产和交通运输等领域得到广泛应用，是可持续发展和绿色环保的重要组成部分。它能够帮助降低碳排放、减少能源消耗，并对环境产生更小的影响。
现有的润滑油的质量检测方法如申请号为201010136894.9中所公开的一种润滑油新油质量快速检测方法所示，其公开了“包括如下步骤：(1)收集具有代表性的润滑油样品作为训练集；(2)测定训练集润滑油样品的红外光谱；并进行相应的预处理，其预处理后的光谱数据作为变量；(3)选择合适的多元校正方法，建立润滑油新油质量指标与光谱之间的关系模型；(4)对于未知润滑油样品的质量检测，首先测定其红外光谱，并经过相同的预处理，然后利用润滑油质量分析模型，测定润滑油质量指标”，该方案需要收集样品后再进行测试，无法进行实时监测，且主要依赖于红外光谱进行数据分析，特征纬度相对较低，准确性存在不足。
发明内容
针对现有技术中的不足，本发明的目的是提供一种可以进行实时监测，且提取了多维特征参数进行分析，并将图像处理分析与化学分析数据相结合，提高判断的准确性，降低误报率的低碳润滑油的质量分析方法及系统。
本发明解决其技术问题所采用的技术方案是：
一种低碳润滑油的质量分析方法，包括以下步骤：
采用高清摄像设备对生产线上润滑油进行实时图像采集；
对采集到的图像进行处理，包括去噪、增强对比度，并提取润滑油图像的特征参数，包括颜色分布和颗粒形状；
建立基准模型，将正常润滑油的图像特征作为标准；
利用计算机视觉技术，对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀；
将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认，验证是否存在润滑油质量问题；
当验证发现润滑油质量异常，则通过警报装置向操作人员或监控系统发出警报，并将异常图像和分析结果反馈给生产管理人员。
作为优选，提取润滑油图像的特征参数的方法为：
使用颜色空间转换技术，将图像转换到颜色空间，然后，通过对图像进行分割或区域选择，计算每个区域中各种颜色的像素占比，从而得到润滑油图像的颜色分布特征；
使用形态学处理方法对图像进行处理，以突出润滑油中的颗粒，然后，通过轮廓分析方法，提取润滑油颗粒的形状特征；
利用图像的灰度信息，通过计算梯度来评估润滑油图像的均匀度。
作为优选，通过计算梯度来评估润滑油图像的均匀度的方法为：
将润滑油图像转换为灰度图像；
使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度；
对水平方向和垂直方向的梯度图像进行平均或求和操作，得到综合梯度图像；
计算综合梯度图像的均值或方差；
根据均值或方差的大小，判断润滑油图像的均匀度。
作为优选，使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度的方法为：
定义Sobel算子的两个卷积核，分别表示水平方向和垂直方向的梯度计算，水平方向卷积核(Gx)和垂直方向卷积核(Gy)分别为：
Gx＝[[-1,0,1],
[-2,0,2],
[-1,0,1]]
Gy＝[[-1,-2,-1],
[0,0,0],
[1,2,1]]
对灰度图像分别使用Gx和Gy进行二维卷积操作，得到水平方向和垂直方向的梯度近似值；
对每个像素点计算水平和垂直方向上的梯度幅值，即
gradient_magnitude＝sqrt(Gx^2+Gy^2)
和梯度方向，即
gradient_direction＝arctan2(Gy,Gx)
其中arctan2是反正切函数，能够根据Gy和Gx的符号得到正确的梯度方向。
作为优选，建立基准模型的方法为：
采集若干具有代表性润滑油图像数据，包括正常状态下的润滑油图像以及颜色异常和颗粒不均匀情况下的图像；
对采集到的润滑油图像数据进行预处理，包括去噪、颜色校正、尺寸标准化操作，以确保数据的质量和一致性；
利用图像处理和计算机视觉技术，对预处理后的图像数据提取特征参数，包括颜色分布特征、颗粒形状特征、油液均匀度特征；
对提取到的特征参数进行标注，将正常状态下的润滑油图像标记为正常，将异常情况下的图像标记为相应的异常类型；
利用标注的特征参数数据，使用深度学习神经网络模型进行训练，建立润滑油质量的基准模型。
作为优选，对预处理后的图像数据提取特征参数的方法为：
使用颜色直方图提取图像中的颜色信息；
使用灰度共生矩阵分析图像的纹理信息；
使用边缘检测描述图像中物体的形状特征；
使用主成分分析对提取的特征进行选择和降维；
将提取的特征参数表示为计算机可处理的特征矩阵。
作为优选，对润滑油图像进行异常检测和分类的方法为：
将提取到的特征参数输入基准模型，利用模型进行异常检测，通过比较待检测图像的特征参数与正常特征分布之间的差异程度来判断是否存在异常，并根据异常类型分为颜色异常图像和颗粒不均匀图像。
作为优选，将图像处理分析的结果与化学分析数据结合的方法为：
对判断存在异常图像的润滑油进行取样，并对取样的润滑油进行化学成分分析，得到润滑油的粘度、酸值、碱值指标的检测数据；
将润滑油的检测数据与标准数据进行比对，判断检测数据是否处于标准数据区间，若未处于标准数据区间，则认定该润滑油的该项指标异常。
本发明所要解决的另一技术问题为提供一种低碳润滑油的质量分析系统，包括：
图像采集模块，用于对生产线上的润滑油进行实时图像采集，包括高清摄像设备；
图像处理模块，对采集到的图像进行预处理，包括去噪和增强对比度模块；
特征提取模块，用于提取润滑油图像的颜色分布和颗粒形状等特征参数；
基准模型建立模块，用于将正常润滑油的图像特征作为标准，建立基准模型；
计算机视觉模块，利用计算机视觉技术对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀
图像处理分析模块，用于将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认；
反馈模块，用于将异常图像和分析结果反馈给生产管理人员。
作为优选，还包括有警报装置，当验证发现润滑油质量异常时，向操作人员或监控系统发出警报。
本发明的有益效果是：
利用高清摄像设备对生产线上的润滑油进行实时图像采集，可以随时监测润滑油的状态；通过图像处理和计算机视觉技术对润滑油图像进行分析，不需要破坏性地取样和进行化学分析。这样可以减少对生产过程的干扰和成本；可以提取润滑油图像的颜色分布和颗粒形状等多维特征参数，辅以计算机视觉技术进行异常检测和分类；将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认和验证。这样可以提高判断的准确性，降低误报率；在发现润滑油质量异常时，可以通过警报装置及时向操作人员或监控系统发出警报，并将异常图像和分析结果反馈给生产管理人员。这有助于及时采取措施，避免进一步的质量问题。
附图说明
图1为本发明的一种低碳润滑油的质量分析方法的流程示意图；
图2为本发明的一种低碳润滑油的质量分析方法的原理框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例
参阅图1所示，一种低碳润滑油的质量分析方法，包括以下步骤：
采用高清摄像设备对生产线上润滑油进行实时图像采集；
对采集到的图像进行处理，包括去噪、增强对比度，并提取润滑油图像的特征参数，包括颜色分布和颗粒形状；
建立基准模型，将正常润滑油的图像特征作为标准；
利用计算机视觉技术，对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀；
将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认，验证是否存在润滑油质量问题；
当验证发现润滑油质量异常，则通过警报装置向操作人员或监控系统发出警报，并将异常图像和分析结果反馈给生产管理人员。
安装高清摄像设备在生产线上，对润滑油进行实时图像采集。确保摄像设备的位置和角度能够覆盖到润滑油的整个区域；对采集到的图像进行处理，包括去除噪声、增强对比度等，这些处理可以提高后续特征提取和异常检测的准确性；
基于处理后的图像，提取润滑油图像的特征参数，包括颜色分布和颗粒形状等。可以利用计算机视觉技术，如图像分割、边缘检测等方法来提取特征；将正常润滑油的图像特征作为基准，建立基准模型。可以利用机器学习或深度学习方法对特征进行训练和建模，以便后续的异常检测和分类；
利用基准模型和计算机视觉技术，对润滑油图像进行异常检测和分类。通过比较采集到的图像特征与基准模型的差异，可以判断润滑油是否存在质量异常，如颜色异常或颗粒不均匀等；将图像处理分析的结果与化学分析数据进行融合。可以利用专业仪器对润滑油进行化学成分分析，将化学分析数据与图像分析结果相结合，以提高判断的准确性和可靠性；
对于被判定为异常的润滑油图像，进行进一步的确认和验证。如果验证发现润滑油存在质量问题，通过警报装置向操作人员或监控系统发出警报信号，以便及时采取措施处理异常情况；将异常图像和分析结果反馈给生产管理人员。管理人员可以根据这些信息进行及时处理和调整，确保润滑油的质量符合要求。
提取润滑油图像的特征参数的方法为：
使用颜色空间转换技术，将图像转换到颜色空间，然后，通过对图像进行分割或区域选择，计算每个区域中各种颜色的像素占比，从而得到润滑油图像的颜色分布特征；
使用形态学处理方法对图像进行处理，以突出润滑油中的颗粒，然后，通过轮廓分析方法，提取润滑油颗粒的形状特征；
利用图像的灰度信息，通过计算梯度来评估润滑油图像的均匀度。
通过颜色分布特征、颗粒形状特征和图像均匀度等多方面的特征参数提取，可以全面地反映润滑油图像的质量情况，有利于全面评估润滑油的品质；采用颜色空间转换技术和形态学处理方法，能够适应不同类型的润滑油图像，并且可以针对不同的润滑油质量要求进行调整和优化；利用图像处理和分析技术，可以实现对特征参数的精确提取和计算，提高了对润滑油图像质量的准确评估。
将润滑油图像转换到特定的颜色空间，如RGB、CMYK或HSV等。然后对图像进行分割或区域选择，计算每个区域中各种颜色的像素占比，从而得到润滑油图像的颜色分布特征。
使用形态学处理方法对图像进行处理，以突出润滑油中的颗粒。可以采用腐蚀、膨胀、开运算或闭运算等形态学处理操作，使颗粒更加突出清晰。然后通过轮廓分析方法，提取润滑油颗粒的形状特征。
利用图像的灰度信息，通过计算梯度来评估润滑油图像的均匀度。可以采用梯度计算算法，对图像的灰度变化进行分析，从而评估润滑油图像的均匀性。
通过计算梯度来评估润滑油图像的均匀度的方法为：
将润滑油图像转换为灰度图像；
使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度；
对水平方向和垂直方向的梯度图像进行平均或求和操作，得到综合梯度图像；
计算综合梯度图像的均值或方差；
根据均值或方差的大小，判断润滑油图像的均匀度。
作为优选，使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度的方法为：
定义Sobel算子的两个卷积核，分别表示水平方向和垂直方向的梯度计算，水平方向卷积核(Gx)和垂直方向卷积核(Gy)分别为：
Gx＝[[-1,0,1],
[-2,0,2],
[-1,0,1]]
Gy＝[[-1,-2,-1],
[0,0,0],
[1,2,1]]
对灰度图像分别使用Gx和Gy进行二维卷积操作，得到水平方向和垂直方向的梯度近似值；
对每个像素点计算水平和垂直方向上的梯度幅值，即
gradient_magnitude＝sqrt(Gx^2+Gy^2)
和梯度方向，即
gradient_direction＝arctan2(Gy,Gx)
其中arctan2是反正切函数，能够根据Gy和Gx的符号得到正确的梯度方向。
转换为灰度图像后，使用Sobel算子计算水平和垂直方向的梯度，可以直观地反映出图像中颜色变化的幅度，从而评估润滑油图像的均匀度；利用卷积操作和数学运算，可以高效地计算出梯度幅值和梯度方向，不需要复杂的图像处理算法和大量的计算资源；通过计算梯度幅值的均值或方差，可以得到一个定量的指标来评估润滑油图像的均匀度，便于进行比较和判断。
将润滑油图像转换为灰度图像，可以采用常见的灰度转换算法，如将RGB图像的三个通道值取平均值。
使用Sobel算子的水平方向卷积核(Gx)和垂直方向卷积核(Gy)对灰度图像进行卷积操作，得到水平和垂直方向上的梯度近似值。
统计图像中所有像素点的梯度幅值的均值或方差，作为评估润滑油图像均匀度的指标。均值越小或方差越小，表示图像的颜色变化越均匀，反之则表示颜色分布不均匀。
建立基准模型的方法为：
采集若干具有代表性润滑油图像数据，包括正常状态下的润滑油图像以及颜色异常和颗粒不均匀情况下的图像；
对采集到的润滑油图像数据进行预处理，包括去噪、颜色校正、尺寸标准化操作，以确保数据的质量和一致性；
利用图像处理和计算机视觉技术，对预处理后的图像数据提取特征参数，包括颜色分布特征、颗粒形状特征、油液均匀度特征；
对提取到的特征参数进行标注，将正常状态下的润滑油图像标记为正常，将异常情况下的图像标记为相应的异常类型；
利用标注的特征参数数据，使用深度学习神经网络模型进行训练，建立润滑油质量的基准模型。
通过采集具有代表性的润滑油图像数据，包括正常和异常情况下的图像，可以更好地覆盖润滑油的实际使用情况，提高模型的泛化能力；对采集到的图像数据进行去噪、颜色校正和尺寸标准化等预处理操作，有助于消除噪声和不必要的变化，确保数据的质量和一致性，从而提高模型训练的效果。
利用图像处理和计算机视觉技术提取颜色分布特征、颗粒形状特征和油液均匀度特征，这些特征能够更全面地反映润滑油的质量情况，有助于提高模型的准确性；对提取到的特征参数进行标注，将正常和异常的润滑油图像进行标记，有助于模型学习正常和异常情况下的特征，提高模型的分类和识别能力；利用标注的特征参数数据，使用深度学习神经网络模型进行训练，可以更好地挖掘数据中的潜在规律和特征，建立润滑油质量的基准模型。
对预处理后的图像数据提取特征参数的方法为：
使用颜色直方图提取图像中的颜色信息；
使用灰度共生矩阵分析图像的纹理信息；
使用边缘检测描述图像中物体的形状特征；
使用主成分分析对提取的特征进行选择和降维；
将提取的特征参数表示为计算机可处理的特征矩阵。
通过使用颜色直方图、灰度共生矩阵和边缘检测等方法，可以从不同角度提取图像的颜色、纹理和形状特征，使得特征参数更加全面和多样化；颜色直方图可以反映图像中各种颜色的分布情况，灰度共生矩阵可以描述图像的纹理信息，边缘检测可以捕捉图像中物体的形状特征。将这些特征参数表示为计算机可处理的特征矩阵，可以提供丰富的信息用于后续的模型训练和分析。
使用主成分分析等方法对提取的特征进行选择和降维，可以减少特征的冗余和噪声，提高特征的有效性和模型的训练效率；由于提取的特征参数表示为计算机可处理的特征矩阵，可以充分利用计算机的并行计算能力，提高特征提取和处理的效率；该特征提取方法可以适应不同类型的图像，包括润滑油图像中的颜色变化、纹理差异和形状特征等，具有较强的适应性和泛化能力。
对润滑油图像进行异常检测和分类的方法为：
将提取到的特征参数输入基准模型，利用模型进行异常检测，通过比较待检测图像的特征参数与正常特征分布之间的差异程度来判断是否存在异常，并根据异常类型分为颜色异常图像和颗粒不均匀图像。
通过将提取到的特征参数输入基准模型，可以快速而准确地进行异常检测。模型能够学习正常润滑油图像的特征分布，通过比较待检测图像的特征与正常特征之间的差异，可以有效地检测出异常情况；基于比较的结果，可以将异常图像分为不同的类别，如颜色异常和颗粒不均匀。这种分类有助于更详细地描述和识别润滑油图像中的异常情况，提供更具体的问题定位和解决方案。
该方法可以根据需要进行灵活的异常分类，可以根据实际情况定义和区分不同的异常类型。同时，模型训练和优化也可以根据实际应用场景进行调整和扩展，提高模型的适应性和泛化能力；通过使用基准模型进行异常检测和分类，可以实现对润滑油图像的自动化处理和智能化分析。这样可以大大提高工作效率和减少人为错误，对于大规模数据集的处理尤为重要；基于模型的异常检测结果可以进行可视化展示和解释，帮助操作人员更直观地理解和分析润滑油图像中的异常情况。这有助于提供决策支持和问题排查的依据。
将图像处理分析的结果与化学分析数据结合的方法为：
对判断存在异常图像的润滑油进行取样，并对取样的润滑油进行化学成分分析，得到润滑油的粘度、酸值、碱值指标的检测数据；
将润滑油的检测数据与标准数据进行比对，判断检测数据是否处于标准数据区间，若未处于标准数据区间，则认定该润滑油的该项指标异常。
通过化学成分分析可以获取润滑油的粘度、酸值、碱值等指标数据，这些指标对于判断润滑油是否正常工作非常重要。将化学分析数据与图像处理分析结果结合，可以更全面地了解润滑油的状态，从不同角度对润滑油进行评估；将图像处理分析结果与化学分析数据进行比对，可以更准确地判断润滑油是否存在异常。图像处理可以捕捉到细微的颜色和颗粒分布变化，而化学分析可以提供更具体的数值指标。通过比对，可以将异常图像与具体的化学指标联系起来，提高异常检测的准确性。
通过将图像处理分析结果与化学分析数据结合，可以实时监测润滑油的状态并及时发现潜在的问题。如果某项化学指标超出了标准数据区间，就可以判断润滑油在该方面存在异常，并采取相应的措施来避免设备故障或事故发生；图像处理分析可以提供直观的视觉信息，而化学成分分析可以提供具体的数值指标。将两者结合使用，可以补充图像处理无法获取的定量指标信息，使评估更加准确和全面；图像处理和化学分析是两种不同的方法，各自有其优势和局限性。将它们结合使用可以互为补充，提高结果的可靠性。如果图像处理和化学分析得出的结论一致，那么对润滑油存在异常的判断就更加可信。
参阅图2所示，一种低碳润滑油的质量分析系统，包括：
图像采集模块，用于对生产线上的润滑油进行实时图像采集，包括高清摄像设备；
图像处理模块，对采集到的图像进行预处理，包括去噪和增强对比度模块；
特征提取模块，用于提取润滑油图像的颜色分布和颗粒形状等特征参数；
基准模型建立模块，用于将正常润滑油的图像特征作为标准，建立基准模型；
计算机视觉模块，利用计算机视觉技术对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀
图像处理分析模块，用于将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认；
反馈模块，用于将异常图像和分析结果反馈给生产管理人员。
系统能够实时采集生产线上润滑油的图像，并通过计算机视觉技术进行实时的异常检测和分类，有助于及时发现润滑油质量问题；系统利用图像处理和计算机视觉技术，能够自动提取润滑油图像的特征参数，并进行异常检测和分类，减轻了人工分析的负担，提高了分析效率。
系统通过基准模型建立模块，能够将正常润滑油的图像特征作为标准，建立基准模型，从而更加准确地识别异常情况；系统的图像处理分析模块将图像处理分析的结果与化学分析数据结合，能够对异常图像进行进一步确认，提高了分析的全面性和准确性；系统设有反馈模块，能够及时将异常图像和分析结果反馈给生产管理人员，使其可以迅速采取相应的措施，防止润滑油质量问题对生产造成影响。
还包括有警报装置，当验证发现润滑油质量异常时，向操作人员或监控系统发出警报。
当系统验证发现润滑油质量异常时，警报装置能够立即向操作人员或监控系统发出警报，使其能够及时采取相应的行动；通过警报装置及时发现润滑油质量异常，可以避免使用低质量的润滑油导致机器设备的故障或损坏，从而减少生产线停机和维修所带来的损失；警报装置的及时响应能够帮助操作人员快速发现问题，减少因质量问题而导致的生产工艺中断，提高生产效率。
本发明的上述实施例并不是对本发明保护范围的限定，本发明的实施方式不限于此，凡此种种根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，对本发明上述结构做出的其它多种形式的修改、替换或变更，均应落在本发明的保护范围之内。
Claims (1)
1.一种低碳润滑油的质量分析系统，包括：
图像采集模块，用于对生产线上的润滑油进行实时图像采集，包括高清摄像设备；
图像处理模块，对采集到的图像进行预处理，包括去噪和增强对比度模块；
特征提取模块，用于提取润滑油图像的颜色分布和颗粒形状特征参数；
基准模型建立模块，用于将正常润滑油的图像特征作为标准，建立基准模型；
计算机视觉模块，利用计算机视觉技术对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀
图像处理分析模块，用于将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认；
反馈模块，用于将异常图像和分析结果反馈给生产管理人员；
还包括有警报装置，当验证发现润滑油质量异常时，向操作人员或监控系统发出警报；
该低碳润滑油的质量分析系统的分析方法，包括以下步骤：
采用高清摄像设备对生产线上润滑油进行实时图像采集；
对采集到的图像进行处理，包括去噪、增强对比度，并提取润滑油图像的特征参数，包括颜色分布和颗粒形状；
建立基准模型，将正常润滑油的图像特征作为标准；
利用计算机视觉技术，对润滑油图像进行异常检测和分类，发现与基准模型不符的图像特征，包括颜色异常和颗粒不均匀；
将图像处理分析的结果与化学分析数据结合，对异常图像进行进一步确认，验证是否存在润滑油质量问题；
当验证发现润滑油质量异常，则通过警报装置向操作人员或监控系统发出警报，并将异常图像和分析结果反馈给生产管理人员；
提取润滑油图像的特征参数的方法为：
使用颜色空间转换技术，将图像转换到颜色空间，然后，通过对图像进行分割或区域选择，计算每个区域中各种颜色的像素占比，从而得到润滑油图像的颜色分布特征；
使用形态学处理方法对图像进行处理，以突出润滑油中的颗粒，然后，通过轮廓分析方法，提取润滑油颗粒的形状特征；
利用图像的灰度信息，通过计算梯度来评估润滑油图像的均匀度；
通过计算梯度来评估润滑油图像的均匀度的方法为：
将润滑油图像转换为灰度图像；
使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度；
对水平方向和垂直方向的梯度图像进行平均或求和操作，得到综合梯度图像；
计算综合梯度图像的均值或方差；
根据均值或方差的大小，判断润滑油图像的均匀度；
使用Sobel算子计算灰度图像的水平方向和垂直方向的梯度的方法为：
定义Sobel算子的两个卷积核，分别表示水平方向和垂直方向的梯度计算，水平方向卷积核(Gx)和垂直方向卷积核(Gy)分别为：
Gx＝[[-1,0,1],
[-2,0,2],
[-1,0,1]]
Gy＝[[-1,-2,-1],
[0,0,0],
[1,2,1]]
对灰度图像分别使用Gx和Gy进行二维卷积操作，得到水平方向和垂直方向的梯度近似值；
对每个像素点计算水平和垂直方向上的梯度幅值，即
gradient_magnitude＝sqrt(Gx^2+Gy^2)
和梯度方向，即
gradient_direction＝arctan2(Gy,Gx)
其中arctan2是反正切函数，能够根据Gy和Gx的符号得到正确的梯度方向；
建立基准模型的方法为：
采集若干具有代表性润滑油图像数据，包括正常状态下的润滑油图像以及颜色异常和颗粒不均匀情况下的图像；
对采集到的润滑油图像数据进行预处理，包括去噪、颜色校正、尺寸标准化操作，以确保数据的质量和一致性；
利用图像处理和计算机视觉技术，对预处理后的图像数据提取特征参数，包括颜色分布特征、颗粒形状特征、油液均匀度特征；
对提取到的特征参数进行标注，将正常状态下的润滑油图像标记为正常，将异常情况下的图像标记为相应的异常类型；
利用标注的特征参数数据，使用深度学习神经网络模型进行训练，建立润滑油质量的基准模型；
对预处理后的图像数据提取特征参数的方法为：
使用颜色直方图提取图像中的颜色信息；
使用灰度共生矩阵分析图像的纹理信息；
使用边缘检测描述图像中物体的形状特征；
使用主成分分析对提取的特征进行选择和降维；
将提取的特征参数表示为计算机可处理的特征矩阵；
对润滑油图像进行异常检测和分类的方法为：
将提取到的特征参数输入基准模型，利用模型进行异常检测，通过比较待检测图像的特征参数与正常特征分布之间的差异程度来判断是否存在异常，并根据异常类型分为颜色异常图像和颗粒不均匀图像；
将图像处理分析的结果与化学分析数据结合的方法为：
对判断存在异常图像的润滑油进行取样，并对取样的润滑油进行化学成分分析，得到润滑油的粘度、酸值、碱值指标的检测数据；
将润滑油的检测数据与标准数据进行比对，判断检测数据是否处于标准数据区间，若未处于标准数据区间，则认定该润滑油的该项指标异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715868.5A CN117723739B (zh) | 2023-12-13 | 2023-12-13 | 一种低碳润滑油的质量分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715868.5A CN117723739B (zh) | 2023-12-13 | 2023-12-13 | 一种低碳润滑油的质量分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117723739A CN117723739A (zh) | 2024-03-19 |
| CN117723739B true CN117723739B (zh) | 2024-09-03 |
Family
ID=90210066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311715868.5A Active CN117723739B (zh) | 2023-12-13 | 2023-12-13 | 一种低碳润滑油的质量分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117723739B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118570211B (zh) * | 2024-08-05 | 2024-11-08 | 江西洪城水业环保有限公司 | 一种基于深度学习的水质异常检测分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2020203995A1 (zh) * | 2019-03-29 | 2020-10-08 | ||
| CN117115494A (zh) * | 2023-10-23 | 2023-11-24 | 卡松科技股份有限公司 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196510B (zh) * | 2007-12-25 | 2012-07-25 | 深圳市亚泰光电技术有限公司 | 一种检测润滑油污染程度的方法及装置 |
| JP5498145B2 (ja) * | 2009-12-11 | 2014-05-21 | Ｊｘ日鉱日石エネルギー株式会社 | 潤滑油劣化モニター装置 |
| JP5638328B2 (ja) * | 2010-09-21 | 2014-12-10 | Ｊｘ日鉱日石エネルギー株式会社 | 潤滑油劣化モニター装置 |
| CN103278431B (zh) * | 2013-04-22 | 2015-02-25 | 西安交通大学 | 一种基于视频获取的润滑油磨粒在线监测与分析方法 |
| DE102013110011B4 (de) * | 2013-09-12 | 2018-07-12 | Gert Horstmeyer | Verfahren und Einrichtung zur Analyse von Ölen und technischen Betriebsflüssigkeiten und zur qualifizierten Bewertung der Betriebszustände von Aggregaten |
| CN104764489B (zh) * | 2015-03-27 | 2017-11-03 | 西安交通大学 | 一种风电变速器的润滑油在线监测方法 |
| CN108389216B (zh) * | 2018-02-06 | 2020-06-26 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
| CN113330292A (zh) * | 2018-07-31 | 2021-08-31 | 科罗拉多大学评议会法人团体 | 在高通量系统中应用机器学习以分析显微图像的系统和方法 |
| US12019059B2 (en) * | 2020-10-16 | 2024-06-25 | Saudi Arabian Oil Company | Detecting equipment defects using lubricant analysis |
| CN112288000A (zh) * | 2020-10-27 | 2021-01-29 | 西安科技大学 | 一种基于支持向量机的铁谱图像智能识别方法 |
| CN114663821B (zh) * | 2022-05-18 | 2022-08-30 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
| CN115115621B (zh) * | 2022-08-24 | 2022-11-11 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
| CN115619708A (zh) * | 2022-08-26 | 2023-01-17 | 华能新能源股份有限公司山西分公司 | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 |
| CN115496692B (zh) * | 2022-11-17 | 2023-02-17 | 卡松科技股份有限公司 | 一种润滑油磨粒图像增强方法 |
| CN115908945A (zh) * | 2022-12-20 | 2023-04-04 | 内蒙古农业大学 | 一种基于畸变物体图像的形状特征参数的润滑油含水量检测方法 |
| CN115797347B (zh) * | 2023-02-06 | 2023-04-28 | 临沂农业科技职业学院(筹) | 基于计算机视觉的自动化生产线异常监控方法 |
| CN116402810B (zh) * | 2023-06-05 | 2023-08-04 | 山东天力润滑油有限公司 | 基于图像处理的润滑油抗磨粒质量检测方法 |
| CN116758491B (zh) * | 2023-08-18 | 2023-12-19 | 苏州博创熠鑫智造科技有限责任公司 | 应用于3d打印的打印监控图像分析方法及系统 |
| CN117058414A (zh) * | 2023-08-18 | 2023-11-14 | 怀来欧洛普过滤器制造有限公司 | 一种油液颗粒在线监测预警方法和系统 |
| CN117152161B (zh) * | 2023-11-01 | 2024-03-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
-
2023
- 2023-12-13 CN CN202311715868.5A patent/CN117723739B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2020203995A1 (zh) * | 2019-03-29 | 2020-10-08 | ||
| CN117115494A (zh) * | 2023-10-23 | 2023-11-24 | 卡松科技股份有限公司 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117723739A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 | |
| CN107085846B (zh) | 工件表面缺陷图像识别方法 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
| CN117723739B (zh) | 一种低碳润滑油的质量分析方法及系统 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
| CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
| CN111126196A (zh) | 一种设备漏油检测方法 | |
| CN117664990A (zh) | 一种pcba外观缺陷智能检测方法 | |
| CN114694050A (zh) | 一种基于红外图像的电力设备运行状态探测方法 | |
| CN115802027B (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
| CN117635905A (zh) | 基于图像识别算法的电能表装接质量智能监测方法 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
| CN116840240A (zh) | 电源分配器视觉检测系统 | |
| CN109272480B (zh) | 一种不相溶溶液分界线的检测方法 | |
| CN105678257A (zh) | 一种交通调查车型识别方法、装置及其系统 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN115619763A (zh) | 基于多级推理检测的输电线路小部件图像目标检测方法 | |
| CN111795982A (zh) | 基于x光成像技术的高压电缆接头内部缺陷检测方法 | |
| CN115082722B (zh) | 基于正向样本的设备缺陷检测方法、系统、终端及介质 |
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 |