CN108665443B - 一种机械设备故障的红外图像敏感区域提取方法及装置 - Google Patents
一种机械设备故障的红外图像敏感区域提取方法及装置 Download PDFInfo
- Publication number
- CN108665443B CN108665443B CN201810318929.7A CN201810318929A CN108665443B CN 108665443 B CN108665443 B CN 108665443B CN 201810318929 A CN201810318929 A CN 201810318929A CN 108665443 B CN108665443 B CN 108665443B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- iteration
- value
- area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请提供了一种机械设备故障的红外图像敏感区域提取方法及装置,该方法包括:对红外图像进行显著性检测,获得去除背景后的灰度图像;确定灰度图像的二值化阈值,根据二值化阈值将灰度图像转换成二值图像;确定二值图像中其灰度值为0的区域位置,从红外图像中提取与区域位置对应的图像部分作为敏感区域;将敏感区域转换成灰度直方图,提取灰度直方图的特征数据,根据特征数据训练集训练预设分类器,获得故障分类器;测试故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。本申请可提取出更为准确的故障敏感区域。
Description
技术领域
本申请涉及机械设备故障监测技术领域,尤其是涉及一种机械设备故障的红外图像敏感区域提取方法及装置。
背景技术
机械设备由于各部件之间的相互运动和摩擦产生热量,且不同状态下(正常、轻微故障、严重故障),在设备表面会出现不同的温度值和温度分布形式。分析机械设备表面的温度信息,能够对设备中潜在的故障和具***置进行判断,对于设备状态监测和故障诊断具有重要意义。
目前,红外监测在机械设备监测中的主要应用形式是技术人员手持热像仪采集图像,然后进行分析。当前的红外图像分析存在以下不足:一方面,由于红外图像中存在着大量的背景噪声,如地面反光产生的图像倒影,因此需要进行图像分割,去除无关背景;另一方面,红外图像中温度最高的区域不一定是故障区域。因此导致用现有的二值化方法进行图像分割,容易出现过分割,即只能提取出温度最高的区域,不能有效地提取出故障敏感区域。
发明内容
本申请实施例的目的在于提供一种机械设备故障的红外图像敏感区域提取方法及装置,以从机械设备故障的红外图像中提取出更为准确的故障敏感区域。
为达到上述目的,一方面,本申请实施例提供了一种机械设备故障的红外图像敏感区域提取方法,包括:
对红外图像进行显著性检测,获得去除背景后的灰度图像;
确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述对红外图像进行显著性检测,包括:
将获取的红外图像划分为多个图像区域;
将所述多个图像区域对应转换成多个区域颜色直方图;
对所述多个区域颜色直方图计算其区域对比度,用区域对比度表示该图像区域的显著性值,对多个图像区域的显著性值进行灰度归一化处理,获得多个灰度图像区域;
将所述多个灰度图像区域合成为灰度图像。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述对所述多个区域颜色直方图进行区域对比度处理,包括:
其中,rk和ri分别为第k个和第i个区域颜色直方图,S(rk)为rk的显著性值,Ds(rk,ri)为rk和ri之间的空间距离,Dr(rk,ri)为rk和ri之间的颜色距离,σs为空间权值的强度,w(ri)为ri的空间权值,R为区域颜色直方图的数量。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述rk和ri之间的空间距离为所述rk和ri区域中心间的欧式距离;
其中,f(ck,p)表示第p个颜色ck,p在第k个区域rk的所有nk种颜色中出现的概率,f(ci,q)表示第q个颜色ci,q在第i个区域ri的所有ni种颜色中出现的概率,D(ck,p,ci,q)表示颜色ck,p和颜色ci,q的空间距离。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述确定所述灰度图像的二值化阈值,包括:
确定所述灰度图像中各像素类的类间方差和类内方差;其中,每个图像区域为一个像素类;
将其中的类内方差最小值或类间方差最大值确定为所述灰度图像的二值化阈值。
其中,为像素类的类间方差,为像素类的类内方差,tM-1为第M-1个二值化阈值,M为像素类个数,wj为第j个像素类的出现概率,μj为第j个像素类的平均灰度,为第j个像素类的方差,μT=μ(L)为L个灰度级的平均灰度。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述获取新的二值化阈值以进行循环迭代计算,包括:
第一次迭代时,在第一阈值范围[Zmin,F0]内,以l为步长,确定第一迭代阈值组为Fm∈[F0-zl,...,F0-2l,F0-l],且其中,Zmin为灰度图像中所有像素的最小灰度值,F0为初始二值化阈值;
第二次迭代时,在第二阈值范围[Fi,Fj]内,以为步长,确定第二迭代阈值组为Fk∈[Fj-z'l,...,Fj-l,Fj-l/2],且其中,Fi和Fj为第一迭代阈值组Fm中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
第三次迭代时,在第三阈值范围[Fr,Fs]内,以为步长,确定第三迭代阈值组为Fp∈[Fs-z"l,...,Fs-l/2,Fs-l/4],且其中,Fri和Fs为第二迭代阈值组Fk中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
依此递推,直至满足预设迭代终止条件为止。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述迭代终止条件包括:
当前的故障分类器的预测准确率达到预设准确率或者当前的步长值为1。
本申请实施例的机械设备故障的红外图像敏感区域提取方法中,所述灰度直方图的特征数据包括以下参数值:
灰度直方图的均值、均方差值、偏斜度值、峰度系数、能量值和熵值。
另一方面,本申请实施例还提供了一种机械设备故障的红外图像敏感区域提取装置,包括:
显著性检测模块,用于对红外图像进行显著性检测,获得去除背景后的灰度图像;
二值图像转换模块,用于确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
敏感区域提取模块,用于确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
故障分类获取模块,用于将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
区域提取优化模块,用于用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。
由以上本申请实施例提供的技术方案可见,本申请实施例中,首先基于显著性检测去除红外图像中大部分无关背景,其次用二值化算法对图像进行分割得到初步敏感区域,然后提取敏感区域的特征进行故障分类,最后根据故障分类结果对二值化的阈值进行调整,以得到最佳的敏感区域。因此,与现有技术相比,本申请实施例可以从机械设备故障的红外图像中提取出更为准确的故障敏感区域。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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。在附图中:
图1为本申请一实施例中机械设备故障的红外图像敏感区域提取方法的流程图;
图2为本申请一实施例中转子实验台的红外图像;
图3为本申请一实施例中转子实验台的颜色直方图;
图4为现有技术中采用人工选择的敏感区示意图;
图5为采用本申请一实施例的机械设备故障的红外图像敏感区域提取方法自动提取的敏感区示意图;
图6为采用本申请实施例的机械设备故障的红外图像敏感区域提取方法进行故障诊断时获得的故障分类效果图;
图7为本申请一实施例中机械设备故障的红外图像敏感区域提取装置的结构框图;
图8为本申请一实施例中机械设备故障的红外图像敏感区域提取装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。例如在下面描述中,在第一部件上方形成第二部件,可以包括第一部件和第二部件以直接接触方式形成的实施例,还可以包括第一部件和第二部件以非直接接触方式(即第一部件和第二部件之间还可以包括额外的部件)形成的实施例等。
而且,为了便于描述,本申请一些实施例可以使用诸如“在…上方”、“在…之下”、“顶部”、“下方”等空间相对术语,以描述如实施例各附图所示的一个元件或部件与另一个(或另一些)元件或部件之间的关系。应当理解的是,除了附图中描述的方位之外,空间相对术语还旨在包括装置在使用或操作中的不同方位。例如若附图中的装置被翻转,则被描述为“在”其他元件或部件“下方”或“之下”的元件或部件,随后将被定位为“在”其他元件或部件“上方”或“之上”。
参考图1所示,本申请实施例的一种机械设备故障的红外图像敏感区域提取方法可以包括以下步骤:
S101、对红外图像进行显著性检测,获得去除背景后的灰度图像。
在本申请一实施例中,对红外图像进行显著性检测的主要目的在于去除红外图像中的大部分无关背景,从而有利于后续敏感区域提取。
在本申请一实施例中,所述对红外图像进行显著性检测可以包括以下步骤:
1)、将获取的红外图像划分为多个图像区域。
在将红外图像划分为多个图像区域后,由于每个图像区域都包含多个像素点,因此,将红外图像划分为多个图像区域也可以理解为,将红外图像的像素划分为多个像素类。
2)、将所述多个图像区域对应转换成多个区域颜色直方图,例如图3所示。
3)、对所述多个区域颜色直方图进行区域对比度计算,用区域对比度表示该图像区域的显著性值,并将显著性值进行灰度归一化处理,获得多个灰度图像区域。
一般的,图像I中像素Ik的显著性可表示为:
其中,Ik表示第k个像素,(k=1,2,3,…,N),S(Ik)表示像素Ik的显著性,D(Ik,Ii)表示像素Ik和Ii在Lab空间的颜色距离,N表示图像I中的像素总数,公式(1)可以按照像素顺序分解为:
S(Ik)=D(Ik,I1)+D(Ik,I2)+…+D(Ik,IN) (2)
但是,这种计算方法未考虑像素间的空间关系,导致相同颜色值的像素显著性值也一样,因此可以对公式(2)进行简化,则每个颜色的显著性值的计算方法可表示为:
其中,cl表示像素Ik的颜色值,n表示图像中颜色的总数,cl中的l=1,2,3,…,n,cj表示颜色j的颜色值,fj表示cj在图像I中出现的概率。
直接计算图像中每个像素点的显著性的时间复杂度为O(N2),O是数量级的符号,计算时间会很长。因此,可以通过减少像素颜色总数来提高计算效率,例如真彩色空间包括2563种颜色,但可将颜色量化到12个不同的值。基于时间性能考虑,用简单的基于颜色直方图的量化方法代替优化图像的特定颜色。
用加权的方法计算一个区域和其他区域的显著性,权值的大小依据区域的空间距离来决定,较近的区域可分配较大权值,较远区域可分配较小权值。
将红外图像分割成若干区域,设分割成R个区域,以rk表示第k个区域,然后为每个区域建立颜色直方图。对每个区域rk,通过计算与其他区域的颜色对比来计算其显著性。
S(rk)表示区域rk的显著性值,其中k=1,2,3,…,R,式中w(ri)表示区域ri的权值,Dr(rk,ri)表示区域rk和ri之间的颜色距离。两个不同区域rk、ri的颜色距离为:
其中,f(ck,p)表示第p个颜色ck,p在第k个区域rk的所有nk种颜色中出现的概率,f(ci,q)表示第q个颜色ci,q在第i个区域ri的所有ni种颜色中出现的概率,D(ck,p,ci,q)表示颜色ck,p和颜色ci,q的空间距离。
在本申请一实施例中,还可以通过加入空间权值来增加区域的空间效果,从而凸显红外图像中局部高温部位。其中,临近区域对比度权重大于较远区域,具体计算方法如下:
式中,Ds(rk,ri)表示区域rk、ri之间的空间距离,在一示例性实施例中,可用两个区域的中心点的欧式距离计算。σs表示空间权值的强度,σs的值越大,空间权值的影响越小,则较远区域的对比度对于显著性的贡献越大。
因此,在本申请一实施例中,可根据公式(6)对所述多个区域颜色直方图进行区域对比度处理,从而获得每个区域颜色直方图的显著性值。在此基础上,将经过区域对比度处理后的多个区域的显著性值进行灰度归一化处理,就可以获得多个灰度图像区域,此时,通过这种显著性检测就可将图像中的背景去除。
4)、将所述多个灰度图像区域合成为灰度图像。
在本申请一实施例中,为便于后续处理,上述获得的多个灰度图像区域可合称为一个完整的灰度图像。
S102、确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像。
在本申请一实施例中,所述确定所述灰度图像的二值化阈值可以包括:
首先,确定所述灰度图像中各像素类的类间方差和类内方差;其中,每个图像区域为一个像素类;然后,将其中的类内方差最小值或类间方差最大值确定为所述灰度图像的二值化阈值。具体的,
设图像I中像素总数为N,灰度级总数为L,灰度为i的像素是Ni。从灰度级0到灰度级k的像素的出现概率w(k)和平均灰度μ(k)可表示为:
设有M-1个灰度阈值(0≤t1<t2<…<tM-1≤L-1),将图像分成M个像素类Cj(Cj∈[tj-1+1,…,tj];j=1,2,...,M;t0=0,tM=L-1),那么Cj出现概率wj、平均灰度μj和方差可对应采用如下公式(9)至(11)所示:
wj=w(tj)-w(tj-1) (9)
则各像素类的类内方差可表示为:
各像素类的类间方差可表示为:
其中,公式(13)中μT=μ(L)为L个灰度级的平均灰度。图像二值化分割时,M=2,此时使式(12)最小或者式(13)最大的阈值即为二值化阈值F0,即将类内方差最小值或类间方差最大值确定为灰度图像的二值化阈值F0。
当二值化阈值确定后,可以二值化阈值作为分界,将所述灰度图像中其灰度值小于二值化阈值的灰度值置0,并将所述灰度图像中其灰度值大于或等于二值化阈值的灰度值置1,从而实现根据二值化阈值将灰度图像转换成二值图像。
S103、确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域。
S104、将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器。
在本申请一实施例中,所述特征数据例如可以包括灰度直方图的均值、均方差值、偏斜度值、峰度系数、能量值和熵值等。所述预设的分类器例如可以采用随机森林分类器等。
S105、用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。具体的:
第一次迭代时,在第一阈值范围[Zmin,F0]内,以l为步长,确定第一迭代阈值组为Fm∈[F0-zl,...,F0-2l,F0-l],且其中,Zmin为灰度图像中所有像素的最小灰度值,F0为初始二值化阈值;其中,迭代阈值组中的每个阈值都将用于替换初始二值化阈值F0并执行上述步骤S102~S105,以优化敏感区域。
第二次迭代时,在第二阈值范围[Fi,Fj]内,以为步长,确定第二迭代阈值组为Fk∈[Fj-z'l,...,Fj-l,Fj-l/2],且其中,Fi和Fj为第一迭代阈值组Fm中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
第三次迭代时,在第三阈值范围[Fr,Fs]内,以为步长,确定第三迭代阈值组为Fp∈[Fs-z"l,...,Fs-l/2,Fs-l/4],且其中,Fri和Fs为第二迭代阈值组Fk中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
依此递推,按照上述方法迭代计算,直至满足预设迭代终止条件为止。其中,所述迭代终止条件例如可以包括当前的故障分类器的预测准确率达到预设准确率(此时对应的二值化阈值即可以作为最佳二值化阈值),或者当前的步长值为1(即如果最后未达到设定的预设准确率,则取步长值为1时,对应代阈值组中准确率最高的二值化阈值为作为最佳二值化阈值)。在确定了最佳二值化阈值后,根据该最佳二值化阈值执行上述步骤S102~S103,从而可提取出最佳敏感区域。
由此可见,本申请实施例中,首先基于显著性检测去除红外图像中大部分无关背景,其次用二值化算法对图像进行分割得到初步敏感区域,然后提取敏感区域的特征进行故障分类,最后根据故障分类结果对二值化的阈值进行调整,以得到最佳的敏感区域。因此,与现有技术相比,本申请实施例可以从机械设备故障的红外图像中提取出更为准确的故障敏感区域。
为便于理解,下面就以ZT-3转子实验台作为分析对象进行说明:其中,红外图像采集设备为FLIR E50红外热像仪,除此之外,实验的硬件***还包括转速控制台、计算机和信号线缆。该ZT-3转子实验台可以包括调速器、底座、电机、联轴器、转子***组成,转子***可以由转轴、转子、轴承、联轴器、轴承支架组成。电机调速范围为0~10000r/min,转速设置为3000rpm。
红外图像通过FLIR E50红外热像仪进行采集,采集的红外图像例如图2所示。实验时将红外热像仪固定在三脚架上,以保证同一实验下所有的红外图像具有相同的采集条件。
(1)实验设置
实验中主要设置了正常(NS)、不平衡(IB)、不对中(MA)、碰摩(RI)、轴承座松动(BSL)、碰摩不对中耦合故障(CFRM)6种状态。模拟不平衡故障时所加配重为1g;模拟不对中故障时在轴承座与底座接触面放置厚度为0.5mm的塞尺;通过在底座卡槽中固定碰摩块来模拟与转轴的摩擦故障;将轴承座螺栓调松以模拟轴承座松动故障。每种状态下采集图像80幅,共480张图像,其中360组用来进行训练故障分类器,剩余数据用来测试故障分类器。
(2)红外图像敏感区域提取
基于本申请实施例的机械设备故障的红外图像敏感区域提取方法,提取的敏感区域如图5所示,与图4所示的人工选择的敏感区域相比,本申请实施例提取的敏感区域且各区域边界更接近设备边界。
(3)故障诊断
本示例性实施例以基于CART(分类与回归树,Classification and regressiontree)决策树的随机森林分类器为例,对故障进行分类,实现分割阈值的迭代优化和故障的诊断。图6示出了采用本申请实施例的机械设备故障的红外图像敏感区域提取方法进行故障诊断时获得的故障分类效果图。图6中,各个字母缩写对应的中文已在上述实验设置部分进行了说明,本示例性实施例共有120组测试数据,分类的准确率为95.8%。其中正常状态测试数据为20组,有17组分类正确,另外3组错分到了不平衡状态;不平衡状态有24组,其中23组分类正确,1组错分到正常状态;不对中故障测试数据为16组,其中15组分类正确,一组错分到了碰磨故障;其他三类故障分类准确率为100%。由此可见,本申请实施例的方案用于故障诊断时可有效的识别各类故障。
参考图7所示,本申请实施例的一种机械设备故障的红外图像敏感区域提取装置,可以包括:
显著性检测模块71,可以用于对红外图像进行显著性检测,获得去除背景后的灰度图像;
二值图像转换模块72,可以用于确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
敏感区域提取模块73,可以用于确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
故障分类获取模块74,可以用于将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
区域提取优化模块75,可以用于用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。
参考图8所示,本申请实施例的另一种机械设备故障的红外图像敏感区域提取装置,可以包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
对红外图像进行显著性检测,获得去除背景后的灰度图像;
确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种机械设备故障的红外图像敏感区域提取方法,其特征在于,包括:
对红外图像进行显著性检测,获得去除背景后的灰度图像;
确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域;
所述对红外图像进行显著性检测,包括:
将获取的红外图像划分为多个图像区域;
将所述多个图像区域对应转换成多个区域颜色直方图;
对所述多个区域颜色直方图计算其区域对比度,用区域对比度表示该图像区域的显著性值,对多个图像区域的显著性值进行灰度归一化处理,获得多个灰度图像区域;
将所述多个灰度图像区域合成为灰度图像;
所述确定所述灰度图像的二值化阈值,包括:
确定所述灰度图像中各像素类的类间方差和类内方差;其中,每个图像区域为一个像素类;
将其中的类内方差最小值或类间方差最大值确定为所述灰度图像的二值化阈值;
所述获取新的二值化阈值以进行循环迭代计算,包括:
第一次迭代时,在第一阈值范围[Zmin,F0]内,以l为步长,确定第一迭代阈值组为Fm∈[F0-zl,...,F0-2l,F0-l],且其中,Zmin为灰度图像中所有像素的最小灰度值,F0为初始二值化阈值;
第二次迭代时,在第二阈值范围[Fi,Fj]内,以为步长,确定第二迭代阈值组为Fk∈[Fj-z'l,...,Fj-l,Fj-l/2],且其中,Fi和Fj为第一迭代阈值组Fm中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
第三次迭代时,在第三阈值范围[Fr,Fs]内,以为步长,确定第三迭代阈值组为Fp∈[Fs-z"l,...,Fs-l/2,Fs-l/4],且其中,Fr和Fs为第二迭代阈值组Fk中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
依此递推,直至满足预设迭代终止条件为止。
5.如权利要求1所述的机械设备故障的红外图像敏感区域提取方法,其特征在于,所述迭代终止条件包括:
当前的故障分类器的预测准确率达到预设准确率或者当前的步长值为1。
6.如权利要求1所述的机械设备故障的红外图像敏感区域提取方法,其特征在于,所述灰度直方图的特征数据包括以下参数值:
灰度直方图的均值、均方差值、偏斜度值、峰度系数、能量值和熵值。
7.一种机械设备故障的红外图像敏感区域提取装置,其特征在于,包括:
显著性检测模块,用于对红外图像进行显著性检测,获得去除背景后的灰度图像;
二值图像转换模块,用于确定所述灰度图像的二值化阈值,并根据所述二值化阈值将所述灰度图像转换成二值图像;
敏感区域提取模块,用于确定所述二值图像中其灰度值为0的区域位置,并从所述红外图像中提取与所述区域位置对应的图像部分作为敏感区域;
故障分类获取模块,用于将所述敏感区域转换成灰度直方图,提取所述灰度直方图的特征数据,并将所述特征数据的第一部分作为训练集训练预设分类器,获得故障分类器;
区域提取优化模块,用于用所述特征数据的第二部分作为测试集测试所述故障分类器的预测准确率是否达到预设准确率;如果未达到,则获取新的二值化阈值以进行循环迭代计算,直至满足预设迭代终止条件为止,并根据对应的二值化阈值重新确定敏感区域;
所述对红外图像进行显著性检测,包括:
将获取的红外图像划分为多个图像区域;
将所述多个图像区域对应转换成多个区域颜色直方图;
对所述多个区域颜色直方图计算其区域对比度,用区域对比度表示该图像区域的显著性值,对多个图像区域的显著性值进行灰度归一化处理,获得多个灰度图像区域;
将所述多个灰度图像区域合成为灰度图像;
所述确定所述灰度图像的二值化阈值,包括:
确定所述灰度图像中各像素类的类间方差和类内方差;其中,每个灰度图像区域为一个像素类;
将其中的类内方差最小值或类间方差最大值确定为所述灰度图像的二值化阈值;
所述获取新的二值化阈值以进行循环迭代计算,包括:
第一次迭代时,在第一阈值范围[Zmin,F0]内,以l为步长,确定第一迭代阈值组为Fm∈[F0-zl,...,F0-2l,F0-l],且其中,Zmin为灰度图像中所有像素的最小灰度值,F0为初始二值化阈值;
第二次迭代时,在第二阈值范围[Fi,Fj]内,以为步长,确定第二迭代阈值组为Fk∈[Fj-z'l,...,Fj-l,Fj-l/2],且其中,Fi和Fj为第一迭代阈值组Fm中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
第三次迭代时,在第三阈值范围[Fr,Fs]内,以为步长,确定第三迭代阈值组为Fp∈[Fs-z"l,...,Fs-l/2,Fs-l/4],且其中,Fr和Fs为第二迭代阈值组Fk中,对应故障分类器的预测准确率最高的阈值的两个相邻阈值;
依此递推,直至满足预设迭代终止条件为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318929.7A CN108665443B (zh) | 2018-04-11 | 2018-04-11 | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318929.7A CN108665443B (zh) | 2018-04-11 | 2018-04-11 | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665443A CN108665443A (zh) | 2018-10-16 |
CN108665443B true CN108665443B (zh) | 2021-02-05 |
Family
ID=63782310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810318929.7A Active CN108665443B (zh) | 2018-04-11 | 2018-04-11 | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665443B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598291B (zh) * | 2018-11-23 | 2021-07-23 | 安徽大学 | 一种基于pso的rgbd图的协同显著目标检测方法 |
CN109813757B (zh) * | 2019-02-18 | 2020-04-24 | 中国石油大学(北京) | 页岩气压裂装备故障红外热成像特征提取方法及装置 |
CN112312001B (zh) * | 2019-07-30 | 2022-08-23 | 阿波罗智能技术(北京)有限公司 | 一种图像检测的方法、装置、设备和计算机存储介质 |
CN110660065B (zh) * | 2019-09-29 | 2023-10-20 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
CN111223095B (zh) * | 2020-03-13 | 2024-03-12 | 中冶长天国际工程有限责任公司 | 一种烧结机的台车箅条间距检测方法及*** |
CN111369557B (zh) * | 2020-03-31 | 2023-09-15 | 浙江华感科技有限公司 | 图像处理方法、装置、计算设备和存储介质 |
CN111681256B (zh) * | 2020-05-07 | 2023-08-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
CN112101365A (zh) * | 2020-09-10 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 基于红外热像处理的电力设备关键特征提取方法及*** |
CN112184607B (zh) * | 2020-09-27 | 2022-08-09 | 清华大学 | 毫米波太赫兹成像质量提升方法及成像*** |
CN112991294A (zh) * | 2021-03-12 | 2021-06-18 | 梅特勒-托利多(常州)测量技术有限公司 | 异物检测方法、装置及计算机可读介质 |
CN114519808A (zh) * | 2022-02-21 | 2022-05-20 | 烟台艾睿光电科技有限公司 | 图像融合方法、装置及设备、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413303A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 基于联合显著性的红外目标分割方法 |
CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 北京航空航天大学 | 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 |
-
2018
- 2018-04-11 CN CN201810318929.7A patent/CN108665443B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413303A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 基于联合显著性的红外目标分割方法 |
CN107240119A (zh) * | 2017-04-19 | 2017-10-10 | 北京航空航天大学 | 利用改进模糊聚类算法提取灰度不均匀红外行人的方法 |
Non-Patent Citations (2)
Title |
---|
严曲等.一种基于迭代阈值法的身份证图像二值化算法研究.《计算机测量与控制》.2005,第13卷(第6期),第595-597页. * |
王海地.基于显著性检测和分类器训练的航拍图像车辆检测.《中国优秀硕士学位论文全文数据库信息科技辑》.2015,(第9期),第1-60页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108665443A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665443B (zh) | 一种机械设备故障的红外图像敏感区域提取方法及装置 | |
JP6798619B2 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
CN104680144B (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN106778734B (zh) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
KR20090119664A (ko) | 다수의 쓰레숄드 적응적 부스팅을 가진 객체 검출 및 분류를 위한 시스템 및 방법 | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
CN108710909B (zh) | 一种可变形旋转不变装箱物体清点方法 | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
JP2012058787A (ja) | 情報処理装置、およびその処理方法 | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
Li et al. | A New Intelligent Fault Diagnosis Method of Rotating Machinery under Varying‐Speed Conditions Using Infrared Thermography | |
CN111950566A (zh) | 一种旋转不变的hog红外图像电力设备识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN107316296B (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
CN113781469A (zh) | 基于yolo改进模型的安全头盔佩戴检测的方法及*** | |
CN115272229A (zh) | 一种类别不平衡条件下的异常视觉图像检测方法及装置 | |
CN115578796A (zh) | 一种活体检测模型的训练方法、装置、设备及介质 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
Lin | Adaptive principal component analysis combined with feature extraction‐based method for feature identification in manufacturing |
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 |