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技术

本发明专利技术涉及油液监测领域，具体涉及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，该方法包括：采用图像传感器获取包含润滑油与目标物体的畸变物体图像；对畸变物体图像进行分割处理；根据分割后的畸变物体图像构建多维度形状特征量化表征指数，其中多维度形状特征量化表征指数为分割后的畸变物体图像的径向偏差；从多维度形状特征量化表征指数中选取最优的径向偏差；根据最优的径向偏差采用标定公式计算润滑油的含水量；本发明专利技术针对畸变物体所构建的多维度形状特征参数，减少了对物体内部点的分析，极大地提高了计算速度，并能提供详细的物体轮廓信息，提高了对物体图像特征的识别精度。体图像特征的识别精度。体图像特征的识别精度。

【技术实现步骤摘要】
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


[0001]本专利技术涉及油液监测领域，具体涉及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。

技术介绍

[0002]润滑油在机械设备中起着润滑机件、清除杂质、冷却降温、密封防漏及降噪减震等功能，其在润滑系统中不间断的循环工作过程犹如人体的血液循环，是机械设备安全可靠运行的保障，一旦润滑油循环终止或油品发生污染等，设备的摩擦部件将在很短的时间里发生擦伤、胶合，严重时将造成机械设备损毁。合格的油品是保证机器正常工作的重要条件，然而在其生产、存放、运输及使用过程中会因种种原因导致水分侵入，使其理化性能发生改变，急剧地降低润滑油的使用寿命。因此，开展润滑油的水分在线检测研究，对及时监测机器设备的变化状况、确保润滑油的安全使用具有重要意义。
[0003]为了克服离线水分检测的缺点，国内外针对润滑油的在线水分监测技术开展了很多研究，目前可以实现在线水分测量的方法主要有光谱射线法、微波衰减法、介电常数法等，然而这些方法都存在着一定的缺陷，如介电常数法易受油内微小金属颗粒、总酸值影响，在实际测量中往往达不到满意的效果；射线法存在人身安全风险，微波法极易受温度影响，且这两种方法的检测装置成本高、维护困难，难以广泛推广。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术提出了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，该方法包括：采用图像传感器获取包含润滑油与目标物体的畸变物体图像；对畸变物体图像进行分割处理；根据分割后的畸变物体图像构建多维度形状特征量化表征指数，其中多维度形状特征量化表征指数为分割后的畸变物体图像的径向偏差；采用优化的遗传算法从多维度形状特征量化表征指数中选取最优的径向偏差；根据最优的径向偏差采用标定公式计算润滑油的含水量。
[0005]优选的，对畸变物体图像进行分割处理的过程包括：构建卷积神经网络语义分割模型，并采用随机梯度下降算法对卷积神经网络语义分割模型进行训练；将待检测的畸变物体图像转换为灰度图；采用高通滤波、随机水平翻转以及归一化的方法对灰度图像进行增强处理；将增强后的图像输入到训练好的卷积神经网络语义分割模型中，得到语义分割结果。
[0006]进一步的，所述卷积神经网络语义分割模型包括一个编码器网络、一个解码器网络以及一个像素分类层；其中编码器包括8层卷积层和4层池化层，通过两个3
×
3的卷积层和一个2
×
2的最大池化层反复组成编码器网络；解码器包括8层反卷积层和4层上采样卷积层，通过一个2
×
2的上采样卷积层和两个3
×
3的反卷积层反复组成解码器；像素分类层通过卷积层调整为所需输出。
[0007]优选的，采用随机梯度下降算法对卷积神经网络语义分割模型进行训练的过程包括：
[0008]步骤1：获取畸变物体图像的数据集，将数据集中的图像转化为灰度图；
[0009]步骤2：对数据集中所有的灰度图像进行增强处理，得到样本集；将样本集划分为训练集和测试集；
[0010]步骤3：初始化神经网络参数，该参数包括模型的训练次数、学习速率以及目标误差；
[0011]步骤4：将训练集中数据输入到卷积神经网络语义分割模型的编码器中进行多尺度特征提取，得到多尺度特征图；
[0012]步骤5：采用解码器对多尺度特征图中的低分辨率特征图进行反观卷积上采样操作，得到高分辨率特征图；
[0013]步骤6：将高分辨率特征图输入到像素分类层进行像素分类；
[0014]步骤7：根据像素分类结果构建模型损失函数，并计算损失函数的梯度；
[0015]步骤8：根据损失函数的梯度和设置的学习速率采用梯度相反方向更新模型参数；当损失函数达到极小值点或者达到训练次数时，完成模型的训练；
[0016]步骤9：采用测试集中的数据对训练后的模型进行测试，根据测试结果计算均方误差，将计算出出的均方误差与设置的目标误差进行对比，若小于目标误差，则完成模型的训练，否则重新对网络进行训练。
[0017]优选的，模型的损失函数的表达式为：
[0018][0019]损失函数的梯度公式为：
[0020][0021]其中，m为训练集中的样本数，h(x)为目标函数，θ为模型训练的参数，y
i
表示真实值，是对损失函数求偏导数得到斜率。
[0022]优选的，构建多维度形状特征量化表征指数的过程包括：
[0023]步骤1：在分割后的畸变物体图像上构建笛卡尔坐标系，并获取中心坐标值，将中心坐标作为圆心绘制外固定圆，其中外固定圆的半径为r；
[0024]步骤2：获取畸变物体边界上第i个点的坐标P
i
，根据坐标以及外固定圆的半径计算畸变物体中该坐标点的径向偏差RD；
[0025]步骤3：根据第i个点的径向偏差计算畸变物体边界的所有径向偏差，将其作为一个参数，将图像分辨率与畸变物体形状联系起来。
[0026]进一步的，计算畸变物体中坐标点径向偏差RD的公式为：
[0027][0028]其中，r表示外固定圆的半径，x
i
表示第i个点的横坐标，y
i
表示第i个点的纵坐标。
[0029]优选的，计算畸变物体边界的所有径向偏差的过程包括：在笛卡尔坐标系中画出一条过图像几何中心且与畸变物体边界点P
i
相交的直线，从x正半轴开始，以图像几何中心为定点旋转360
°
，即可确定畸变物体边界的所有径向偏差RD。
[0030]优选的，采用优化的遗传算法选取最优的径向偏差的过程包括：
[0031]步骤1：设置遗传算法的初始参数，该参数包括变异概率、交叉概率以及迭代次数；
[0032]步骤2：初始化种群数，即将多维度形状特征量化表征指数作为初始种群数；
[0033]步骤3：计算种群的个体适应度，其中个体适应度为各项量化表征指数选取的最优径向偏差特征；
[0034]步骤4：采用权重衰减策略对个体适应度中的权重进行更新；
[0035]步骤5：根据更新后的个体适应度构建优化目标函数；对优化目标函数求解，得到非支配解；
[0036]步骤6：根据非支配解、变异概率以及交叉概率对种群进行选择、交叉以及变异，得到子代；迭代次数加1；
[0037]步骤7：判断当前迭代次数是否大于等于设置的迭代次数，是则输出此时的非支配解，该非支配解为最优的径向偏差；否则返回步骤4。
[0038]优选的，采用标定公式计算润滑油的含水量为：
[0039][0040]其中，x
i
为润滑油的不同含水量，y
i
为参量RD
180
值，a为含水量为0时的初始RD
180
值，b为斜率。
[0041]本专利技术的有益效果：
[0042]本专利技术针对畸变物体所构建的多维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，该方法包括：采用图像传感器获取包含润滑油与目标物体的畸变物体图像；对畸变物体图像进行分割处理；根据分割后的畸变物体图像构建多维度形状特征量化表征指数，其中多维度形状特征量化表征指数为分割后的畸变物体图像的径向偏差；从多维度形状特征量化表征指数中选取最优的径向偏差；根据最优的径向偏差采用标定公式计算润滑油的含水量。2.根据权利要求1所述的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，其特征在于，对畸变物体图像进行分割处理的过程包括：构建卷积神经网络语义分割模型，并采用随机梯度下降算法对卷积神经网络语义分割模型进行训练；将待检测的畸变物体图像转换为灰度图；采用高通滤波、随机水平翻转以及归一化的方法对灰度图像进行增强处理；将增强后的图像输入到训练好的卷积神经网络语义分割模型中，得到语义分割结果。3.根据权利要求2所述的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，其特征在于，所述卷积神经网络语义分割模型包括一个编码器网络、一个解码器网络以及一个像素分类层；其中编码器包括8层卷积层和4层池化层，通过两个3
×
3的卷积层和一个2
×
2的最大池化层反复组成编码器网络；解码器包括8层反卷积层和4层上采样卷积层，通过一个2
×
2的上采样卷积层和两个3
×
3的反卷积层反复组成解码器；像素分类层通过卷积层调整为所需输出。4.根据权利要求2所述的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，其特征在于，采用随机梯度下降算法对卷积神经网络语义分割模型进行训练的过程包括：步骤1：获取畸变物体图像的数据集，将数据集中的图像转化为灰度图；步骤2：对数据集中所有的灰度图像进行增强处理，得到样本集；将样本集划分为训练集和测试集；步骤3：初始化神经网络参数，该参数包括模型的训练次数、学习速率以及目标误差；步骤4：将训练集中数据输入到卷积神经网络语义分割模型的编码器中进行多尺度特征提取，得到多尺度特征图；步骤5：采用解码器对多尺度特征图中的低分辨率特征图进行反观卷积上采样操作，得到高分辨率特征图；步骤6：将高分辨率特征图输入到像素分类层进行像素分类；步骤7：根据像素分类结果构建模型损失函数，并计算损失函数的梯度；步骤8：根据损失函数的梯度和设置的学习速率采用梯度相反方向更新模型参数；当损失函数达到极小值点或者达到训练次数时，完成模型的训练；步骤9：采用测试集中的数据对训练后的模型进行测试，根据测试结果计算均方误差，将计算出出的均方误差与设置的目标误差进行对比，若小于目标误差，则完成模型的训练，否则重新对网络进行训练。5.根据权利要求4所述的一种基于畸变物体图像的形状特征参数...

【专利技术属性】
技术研发人员：范斌，王连富，高英杰，刘勇，冯松，张鹏，王建国，张超，甄祥，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：