System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滤波图像增强,具体涉及基于机器学习的鼓形滤网智慧健康检测方法。
技术介绍
1、鼓形滤网是核电站取水系统及火力发电厂循环水冷却系统中取水头部的主要过滤设备之一,对应的鼓形滤网设备由旋转的圆筒形框架结构组成,圆筒形框架外表面设置有冲孔网片,通过冲孔网片将大于网孔直径的污物拦截,因此通常用于清除海水中的固体杂物,保证设备的正常运转。对于冲孔网片而言,日常使用过程中通常长期处于液体比如海水中,可能会出现网片表面发生腐蚀的情况,进而影响滤网片的使用寿命;并且冲孔网片的健康状况会直接影响清除杂物的效果,因此需要定期对冲孔网片进行检测。
2、考虑到检测效率和成本因素,现有对冲孔网片进行健康检测的方法通常根据冲孔网片图像进行健康检测。但是冲孔网片网孔状表面结构以及外界环境影响,导致采集到的图像中通常会存在较多的噪声,因此为了保证健康检测的准确性,需要对采集到的冲孔网片图像进行滤波增强处理。现有技术通常采用双边滤波方法对冲孔网片图像进行滤波增强。双边滤波方法对所有像素点采用大小相同的滤波窗口;但是冲孔网片的网孔空隙通常较小,对应的产生衍射效应的部分边缘在图像上显示不明显,若对该部分的像素点的邻域窗口采用与正常边缘大小相同的滤波窗口进行滤波处理,可能会导致产生衍射效应的部分不明显边缘被滤除,造成滤波增强后得到冲孔网片增强图像会损失部分有效边缘信息,也即现有技术采用双边滤波方法对冲孔网片图像进行滤波增强的效果较差,导致得到的冲孔网片增强图像不够准确,使得后续根据冲孔网片增强图像进行鼓形滤网健康检测的准确性较低。
/>技术实现思路
1、为了解决现有技术采用双边滤波方法对冲孔网片图像进行滤波增强的效果较差,导致得到的冲孔网片增强图像不够准确,使得后续根据冲孔网片增强图像进行鼓形滤网健康检测的准确性较低的技术问题,本专利技术的目的在于提供一种基于机器学习的鼓形滤网智慧健康检测方法,所采用的技术方案具体如下:
2、本专利技术提出了基于机器学习的鼓形滤网智慧健康检测方法,所述方法包括:
3、获取鼓形滤网设备的冲孔网片灰度图像中每行像素点的灰度值波动曲线;
4、根据所述灰度值波动曲线中的斜率值变化情况以及灰度值变化情况,得到所述灰度值波动曲线中的所有疑似局部暗区域区间;根据每个疑似局部暗区域区间中各个像素点的灰度值变化趋势,得到每个疑似局部暗区域区间的暗区域疑似程度;
5、在所述灰度值波动曲线的每个疑似局部暗区域区间中,根据每个像素点所处位置以及所述暗区域疑似程度,得到每个疑似局部暗区域区间中每个像素点的自适应滤波窗口的尺寸;根据所述自适应滤波窗口以及疑似局部暗区域区间外的像素点的预设先验滤波窗口,对所述冲孔网片灰度图像进行滤波增强,得到冲孔网片增强图像;
6、根据所述冲孔网片增强图像进行鼓形滤网健康检测。
7、进一步地,所述疑似局部暗区域区间的获取方法包括:
8、在所述灰度值波动曲线中,将每个极值点与相邻的下一个极值点之间的曲线段,作为每个极值点的初始子曲线段;将每个初始子曲线段上所有曲线数据点的切线斜率绝对值的均值,作为每个初始子曲线段的参考斜率值;
9、对所有初始子曲线段的参考斜率值通过k-means聚类算法进行聚类分析,得到两个初始子曲线段聚类簇;将对应的所有初始子曲线段的参考斜率值的均值最大的初始子曲线段聚类簇中的所有初始子曲线段,作为参考子曲线段;
10、将所有参考子曲线段以所处灰度值波动曲线中的先后顺序排列,得到参考子曲线段序列;在所述参考子曲线段序列中,根据每个参考子曲线段与相邻的下一个参考曲线段之间,在所述灰度值波动曲线上的斜率分布差异以及幅值分布情况,得到每个参考子曲线段的距离特征值;
11、对所有参考子曲线段的距离特征值通过k-means聚类算法进行聚类分析,得到两个参考子曲线段聚类簇;将对应的所有参考子曲线段的距离特征值的均值最大的参考子曲线段聚类簇中的所有参考子曲线段的极大值点,作为参考间隔点;以参考间隔点为间隔将所述灰度值波动曲线划分为至少两个参考划分区间;将每个参考划分区间中所有像素点的灰度值均值,作为每个参考划分区间的灰度参考值;
12、对所有参考划分区间的灰度参考值通过k-means聚类算法进行聚类分析,得到至少两个参考划分区间聚类簇;将对应的所有参考划分区间的灰度参考值的均值最小的参考划分区间聚类簇中的所有参考划分区间,作为疑似局部暗区域区间。
13、进一步地,所述暗区域疑似程度的获取方法包括:
14、在所述灰度值波动曲线中,将所述疑似局部暗区域区间对应的曲线,作为疑似暗区域曲线;将所述疑似暗区域曲线的拟合曲线,作为疑似局部暗区域区间的第一拟合曲线;将所述疑似暗区域曲线的所有极大值点的拟合曲线,作为疑似局部暗区域区间的第二拟合曲线;将所述疑似暗区域曲线的所有极小值点的拟合曲线,作为疑似局部暗区域区间的第三拟合曲线;
15、依次将第一拟合曲线、第二拟合曲线和第三拟合曲线作为目标拟合曲线;
16、根据目标拟合曲线的斜率分布对称趋势和波动稳定情况,得到目标拟合曲线的参考疑似程度;
17、根据第一拟合曲线、第二拟合曲线和第三拟合曲线之间的参考疑似程度,得到疑似局部暗区域区间的暗区域疑似程度。
18、进一步地,所述自适应滤波窗口的尺寸的计算公式包括:
19、
20、其中,为第个疑似局部暗区域区间对应的第个像素点的自适应滤波窗口的尺寸;为所述预设先验滤波窗口的尺寸;为预设最小滤波窗口的尺寸,所述预设最小滤波窗口的尺寸小于所述预设先验滤波窗口的尺寸;为第个疑似局部暗区域区间中从左到右的顺序上第个像素点的索引值;为第个疑似局部暗区域区间中的像素点数量;为第个疑似局部暗区域区间的暗区域疑似程度;为所有疑似局部暗区域区间中的暗区域疑似程度的最小值;为归一化函数;为以自然常数为底的指数函数;为绝对值符号;为向上取整符号。
21、进一步地,所述对所述冲孔网片灰度图像进行滤波增强的方法为双边滤波方法。
22、进一步地,所述根据所述冲孔网片增强图像进行鼓形滤网健康检测的方法包括:
23、对所述冲孔网片增强图像通过边缘检测方法进行边缘检测,得到冲孔网片边缘图像;将所述冲孔网片边缘图像与健康的冲孔网片边缘图像进行模板匹配,根据模板匹配结果进行鼓形滤网健康检测。
24、进一步地,所述距离特征值的计算公式包括:
25、
26、其中,为所述灰度值波动曲线上第个参考子曲线段的距离特征值;为所述灰度值波动曲线上第个参考子曲线段的极大值点的纵坐标值,与第个参考子曲线段的极大值点的纵坐标值之间的最小值;为所述灰度值波动曲线上所有参考子曲线段的极大值点的纵坐标值的均值;为所述灰度值波动曲线上第个参考子曲线段的参考斜率值与第个参考子曲线段的参考斜率值之间的差异;为以自然常数为底的指数函数;为预设第一调节参数,所述预设第一调节参数大于0。
2本文档来自技高网...
【技术保护点】
1.基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述疑似局部暗区域区间的获取方法包括:
3.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述暗区域疑似程度的获取方法包括:
4.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述自适应滤波窗口的尺寸的计算公式包括:
5.根据权利要求4所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述对所述冲孔网片灰度图像进行滤波增强的方法为双边滤波方法。
6.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述根据所述冲孔网片增强图像进行鼓形滤网健康检测的方法包括:
7.根据权利要求2所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述距离特征值的计算公式包括:
8.根据权利要求3所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述参考疑似程度的获取方法包括:
9.根据权利要求3所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述根据第一拟合曲线、第二拟合曲线和第三拟合曲线之间的参考疑似程度,得到疑似局部暗区域区间的暗区域疑似程度的方法包括:
10.根据权利要求6所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述边缘检测方法采用Canny边缘检测。
...【技术特征摘要】
1.基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述疑似局部暗区域区间的获取方法包括:
3.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述暗区域疑似程度的获取方法包括:
4.根据权利要求1所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述自适应滤波窗口的尺寸的计算公式包括:
5.根据权利要求4所述的基于机器学习的鼓形滤网智慧健康检测方法,其特征在于,所述对所述冲孔网片灰度图像进行滤波增强的方法为双边滤波方法。
6.根据权利要求1所述的基于机器学习的鼓形滤网智慧健...
【专利技术属性】
技术研发人员:李军科,宋博,阎长城,马云,张腾,
申请(专利权)人:陕西中环机械有限责任公司,
类型:发明
国别省市:
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。