【技术实现步骤摘要】
一种密封设备气密性的人工智能检测方法和检测系统
[0001]本专利技术涉及密封设备气密性检测
,具体涉及一种密封设备气密性的人工智能检测方法和检测系统。
技术介绍
[0002]目前,气密性检测仪主要用于食品、医疗器械等行业的包装袋、瓶、管、罐、盒等的密封试验。同时,为了让气密性检测仪的检测更加准确,气密性测试设备需要能够判断气密检测仪是否泄漏。
[0003]浸水法是比较常用的气密性检测方法,即将密封设备浸没在水中,当密封设备存在泄漏时,便会在水中产生一系列的气泡,检测人员根据气泡便可确定密封设备漏气的位置。
[0004]现有技术中采用浸水法进行气密性检测时,需要检测人员在现场观察,人力成本较高且检测效率较低。为解决该问题,可以在检测现场安置摄像头,通过摄像头拍摄密封设备在水中的照片,计算机对拍摄到的图像进行识别,根据图像中的气泡来判断密封设备的气密性,以此来提高检测的工作效率,降低检测的成本。
[0005]但是气泡在水中是微弱的特征,拍摄时如果得到的照片分辨率不高,就会导致不能识别出图片中的气泡的现象,造成漏检,使检测结果的准确性降低。
技术实现思路
[0006]本专利技术的目的是提供一种密封设备气密性的人工智能检测方法和检测系统,解决现有技术中由于相机拍摄原因造成检测结果准确性低的问题。
[0007]为实现上述目的,本专利技术采用如下技术方案:
[0008]一种密封设备气密性的人工智能检测方法,包括如下步骤:
[0009]步骤一:首先获取多帧密封 ...
【技术保护点】
【技术特征摘要】
1.一种密封设备气密性的人工智能检测方法,其特征在于,包括如下步骤:步骤一:首先获取多帧密封设备在气密性检测装置中进行气密性检测时的图像;然后将相邻两帧图像做差,得到差分图像;最后对差分图像进行二值化处理,并将二值化处理后的图像叠加,得到叠加图像;将叠加图像中像素值非0的连通域作为密封设备在气密性检测装置中所产生气泡运动区域;步骤二:在对密封设备进行气密性检测的过程中对其进行图像采集和光照强度检测,得到实时检测图像和光照强度;步骤三:识别实时检测图像中的气泡,得到中心点与气泡运动区域中心点距离最小的气泡,将该气泡的面积作为实时检测图像的气泡特征属性;步骤四:获取实时检测图像的清晰度等级;步骤五:根据实时检测图像的气泡特征属性、光照强度和清晰度调整采集相机的光圈。2.根据权利要求1所述的密封设备气密性的人工智能检测方法,其特征在于,获取实时检测图像清晰度等级的方法为:获取实时检测图像的特征区域,并以特征区域为基准,对特征区域的两侧进行区域划分,各区域的宽度为2w;按照各区域与特征区域之间的位置关系对各区域进行权重分配,与特征区域距离越近权重越高;根据各区域的清晰度和权重以及清晰度计算模型计算实时检测图像的清晰度等级;设连通区域中心点的坐标为(X
center
,Y
center
),所采集到的图像高为H;则所述特征区域左上角端点的坐标为(X
center-w,H),右上角端点的坐标为(X
center
+w,H),左下角端点的坐标为(X
center-w,0),右下角端点的坐标为(X
center
+w,0);实时检测图像清晰度计算模型为Definition为实时检测图像的清晰度,f(Gray
i
)为第i个区域的清晰度,Gray
i
为第i个区域的灰度,N为实时检测图像所划分区域的总数量,W
i
为第i个区域的权重。3.根据权利要求2所述的密封设备气密性的人工智能检测方法,其特征在于,所述f(Gray
i
)采用Brenner梯度函数。4.根据权利要求2所述的密封设备气密性的人工智能检测方法,其特征在于,识别实时检测图像中气泡的方法为:建立气泡数据训练集和气泡识别神经网络模型;所述气泡数据训练集中包括多张含有气泡的图像;对气泡数据训练集中的图像上的气泡进行特征标注,采用标注后的图像对所建立的气泡识别神经网络模型进行训练,得到训练后的气泡识别神经网络;将采集到的实时检测图像输入到训练后的气泡识别神经网络模型,得到其中的气泡。5.根据权利要求1所述的密封设备气密性的人工智能检测方法,其特征在于,根据实时检测图像的气泡特征属性和图像的清晰度调整采集相机光圈的方法为:建立时序数据训练集和时序判断神经网络模型;采用数据训练集训练所述时序判断神经网络模型;
将计算出的气泡特征属性和图像清晰度输入到训练后的时序判断神经网络模型,得到光圈的大小;所述时序数据训练集中包括多个气泡特征属性、光照强度、图像清晰度以及与气泡特征属性、光照强度、图像清晰度相对应的光圈大小;在训练所述时序判断神经网络模型时,以气泡特征属性、光照强度和图像清晰度为输入,以对应的光圈大小为输出。6.一种密封设备气密性的人工智能检测系统,包括处理器和存储器,存储器上存储有用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。