基于人工智能的气密性检测中水浑浊度检测方法及系统与流程

1.本发明涉及人工智能领域，具体涉及一种基于人工智能的气密性检测中水浑浊度检测方法及系统。


背景技术：

2.泡水法是最常使用的传统气密性检测方法之一，然而无论是直接泡水法还是间接泡水法，随着时间的推移水体的浑浊度都在逐渐增加。一方面由于所检测的器件附带的由油污灰尘等污染物，另一方面则是水体本身携带的污染物越来越多，因此当水体到达一定的浑浊程度时需要及时换水来保证检测结果的可靠性。传统的换水周期基本依靠人的主观判断，因此对具体浑浊度的判断会出现诸多不确定性，不仅会浪费水资源还会导致检测结果的误差增大。常规针对浑浊度的判断一般仅基于亮度值、色调等单一因素，检测结果不准确。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的气密性检测中水浑浊度检测方法及系统，所采用的技术方案具体如下：第一方面，本发明一个实施例提供了一种基于人工智能的气密性检测中水浑浊度检测方法，该方法包括以下具体步骤：获取检测缸的缸壁图像，进行缸壁上依附气泡的检测，得到依附气泡图；基于灰度，对依附气泡进行聚类，得到各灰度类别下的气泡区域；在每个气泡区域中选择依附气泡密度最大的子区域；获取各子区域的纹理特征参数和明暗对比特征参数，其中，纹理特征参数包括能量、对比度、相关度和熵，明暗对比特征参数根据子区域灰度和缸壁灰度的差值得到；利用层次分析法，选择最能反应水浑浊度的子区域，具体地，层次结构模型中目标层为最能反应水浑浊度的子区域，准则层为纹理特征参数和明暗对比特征参数，方案层为各个子区域；根据所选子区域的纹理特征参数和明暗对比特征参数进行水浑浊度的检测。
4.进一步地，canopy聚类与均值聚类相结合，对依附气泡进行聚类。
5.进一步地，在每个气泡区域中选择依附气泡密度最大的子区域，具体为：基于气泡区域中各依附气泡的像素点坐标进行遍历搜索，获取该气泡区域中内由依附气泡组成的最大凸包；获取凸包的质心，计算凸包质心到气泡区域中各依附气泡质心的距离均值，以该气泡区域中内任意一个依附气泡的质心为初始圆心，以距离均值为半径，得到初始圆；根据初始圆心指向初始圆内各依附气泡的若干向量获取主成分方向，过初始圆心且与主成分方向所在直线垂直的直线的两侧依附气泡数量较多一侧的依附气泡为待遍历气泡；根据初始圆心指向各待遍历气泡的若干向量在主成分方向的投影长度确定新的圆
心，仍以所述距离均值为半径，生成新的圆；不断生成新的圆，直至收敛至依附气泡密度最大的地方，收敛时圆的位置为所述子区域。
6.进一步地，利用层次分析法可得到各个特征参数的权重，基于所选子区域的各个特征参数和相应的权重，利用模糊综合评价法，进行水浑浊度的检测。
7.进一步地，所述缸壁图像的获取具体为，采集检测缸的正视图像，在所述正视图像中截取缸壁区域，经过透视变换，得到缸壁图像。
8.进一步地，利用语义分割网络，进行缸壁上依附气泡的检测。
9.第二方面，本发明另一个实施例提供了一种基于人工智能的气密性检测中水浑浊度检测系统，该系统具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的气密性检测中水浑浊度检测方法的步骤。
10.本发明实施例至少具有如下有益效果：本发明可以更为灵敏准确的得到反映水体浑浊程度的观察因素；由灰度共生矩阵得到的各纹理特征参数搭配明暗对比特征参数结合模糊分析相应算法得到水体浑浊度的过程，全面分析了水体变浑浊过程中的主要变化因素，并确定各因素在反应水体变化中的权重值，进而得到更为准确有效的水浑浊度的检测结果，且本发明计算量小。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
12.图1为本发明实施例中的缸壁区域示意图。
具体实施方式
13.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合较佳实施例，对依据本发明提出的一种基于人工智能的气密性检测中水浑浊度检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
14.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。
15.本发明实施例以下面的应用场景为例对本发明进行说明：该应用场景为：基于视觉感知的方法来检测气密性检测缸中的水体浑浊度，进而帮助管理人员对水体状态的实时掌控，并对浑浊度高的水体进行及时更换，具体地，可在水体稳定且相机固定视角状态下定时进行图像采集，基于采集的图像获取水浑浊度检测结果，因此，本发明需要设置图像的采集间隔t，如t=3时则代表每3天进行一次图像采集，具体的t值可根据每个气密性装置所处环境的不同而灵活设置；需要注意，本发明中的检测缸需
要是透明的检测缸，或其中几个侧面是透明的检测缸，即可透过检测缸侧面看到待检测装置。
16.本发明一个实施例提供了一种基于人工智能的气密性检测中水浑浊度检测方法，该方法包括以下步骤：步骤s1，获取检测缸的缸壁图像，进行缸壁上依附气泡的检测，得到依附气泡图。
17.(a)采集检测缸的正视图像，实施例中正视图像如图1所示，在所述正视图像中截取缸壁区域，经过透视变换，得到缸壁图像。其中，实施例中选择气泡最清晰密集的一侧缸壁，缸壁上位于待检测装置上方、水面以下的区域为缸壁区域，实施例中缸壁区域为图1中右侧黑色矩形框出来的区域。
18.进行透视变换的目的是减少因视角不同造成的气泡面积误差，具体地，透视变换是将图片从二维(x,y)到三维(x,y,z)再到另一个二维(x’,y’)空间的映射，是基于图像的四个固定顶点的变换，即缸壁区域的四个角点；透视变换通过矩阵乘法实现，使用的是一个的矩阵，具体公式为：进而：最后：最后：其中，矩阵的前两行实现了线性变换和平移，第三行用于实现透视变换。至此，得到的经过透视变换的缸壁图像，缸壁图像为正视图像。
19.(b)优选地，实施例利用语义分割网络，进行缸壁上依附气泡的检测。
20.语义分割网络为encoder-decoder的结构，具体训练内容如下：(1) 采集含有依附气泡的正视缸壁图像构建训练数据集，对训练数据集进行标注，依附气泡标注为1，其他则标注为0。其中随机选择数据的80%作为训练集，剩余的20%作为验证集。
21.(2) 将训练图像和标签数据输入语义分割网络中，encoder抽取图像特征，并将通道数变换为类别个数，得到特征图；然后通过decoder将特征图的高和宽变换为输入图像的尺寸，从而输出每个像素的类别。
22.(3) loss函数使用交叉熵损失函数进行训练。
23.将通过语义分割网络得到的依附气泡分割图与缸壁图像做乘法得到只包括依附气泡的依附气泡图。
24.步骤s2，基于灰度，对依附气泡进行聚类，得到各灰度类别下的气泡区域；在每个气泡区域中选择依附气泡密度最大的子区域。
25.(a)将依附气泡图转换为灰度图，由于光照原因，导致成像中各个气泡的灰度并不一致，因此本发明中使用canopy与均值聚类相结合的方法来对气泡的灰度进行分类；使用canopy聚类算法的原因在于该算法不需要事先指定k值(即clustering的个数)，因此可首先根据该算法对数据进行粗聚类，得到k值后在使用均值聚类进行细聚类，聚类完成后，得到各灰度类别下的气泡区域。
26.(b)在每个气泡区域中选择依附气泡密度最大的子区域：对于每个气泡区域，基于气泡区域中各依附气泡的像素点坐标进行遍历搜索，获取该气泡区域中内由依附气泡组成的最大凸包；获取凸包的质心，计算凸包质心到气泡区域中各依附气泡质心的距离均值，以该气泡区域中内任意一个依附气泡的质心为初始圆心，以距离均值为半径，得到初始圆。
27.根据初始圆心指向初始圆内各依附气泡的若干向量获取主成分方向，过初始圆心且与主成分方向所在直线垂直的直线的两侧依附气泡数量较多一侧的依附气泡为待遍历气泡；根据初始圆心指向各待遍历气泡的若干向量在主成分方向的投影长度确定新的圆心，仍以所述距离均值为半径，生成新的圆，即所有生成的圆的大小相同。其中，做主成分方向所在直线的垂线，位于垂线两侧的待遍历气泡对应的投影长度有正负之分，即投影长度有两个方向；计算初始圆心指向各待遍历气泡的若干向量在主成分方向的投影长度的均值，得到平均投影长度，同时也可得到平均投影长度的方向，进而得到平均投影长度的端点所在位置，与该位置距离最近的依附气泡质心点为新的圆心。
28.不断生成新的圆，直至收敛至依附气泡密度最大的地方，收敛时圆的位置为所述子区域；多次迭代后，新的圆心的位置不发生改变，则基于该圆心得到的圆区域为依附气泡密度最大的子区域。
29.至此，可得到每个气泡区域中依附气泡密度最大的子区域，子区域为圆形。
30.步骤s3，获取各子区域的纹理特征参数和明暗对比特征参数，其中，纹理特征参数包括能量、对比度、相关度和熵，明暗对比特征参数根据子区域灰度和缸壁灰度的差值得到；利用层次分析法，选择最能反应水浑浊度的子区域，具体地，层次结构模型中目标层为最能反应水浑浊度的子区域，准则层为纹理特征参数和明暗对比特征参数，方案层为各个子区域。
31.(a)对于每个子区域，计算其对应的灰度共生矩阵，然后透过计算灰度共生矩阵得到矩阵的部分特征值，来分别代表图像的纹理特征；使用灰度共生矩阵的原因在于其能较为全面的反映图像关于方向、相邻间隔、变化幅度等综合信息，因此在后续的模糊分析法中能更加准确的反映出水体的变化情况。
32.实施例选取灰度共生矩阵四个最常用的特征参数来提取图像的纹理特征，四种特征及其代表的含义分别如下：能量γ；能量是灰度共生矩阵各元素的平方和，又称为角二阶矩，是图像纹理灰度变化均匀的度量，反映了图像灰度分布均匀程度和纹理粗细程度。
33.对比度ε；对比度是灰度共生矩阵主对角线附近的惯性矩，体现了矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。
34.相关度
ϵ
；相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度的相关性。
35.熵σ；熵体现了图像纹理的随机性，若灰度共生矩阵中所有值都相等，则其取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。
36.除了上述由灰度共生矩阵所得到的四个特征参数外，本发明中还用明暗对比特征参数μ来表征密度圆区域气泡与缸壁背景在灰度上的明暗对比，原因在于明暗对比越明显，则越易于观察水体混浊所带来的变化，然而在水体逐渐变浑浊的过程中，气泡灰度与背景灰度会逐渐区域一体，到最后难以区分；其中，明暗对比特征参数根据子区域的灰度均值和缸壁的灰度均值的差值绝对值得到。
37.(b)实施例利用层次分析法，选择最能反应水浑浊度的子区域，以及对五个特征参数进行权重分析，具体地：建立层次结构模型：目标层为最能反应水浑浊度的子区域，准则层为影响因素，即纹理特征参数和明暗对比特征参数，即能量、对比度、相关度、熵和明暗对比特征参数，方案层为各个子区域。
38.构造比较判断矩阵：在确定各层次各因素之间的权重时，通过两两因素之间的比较来进行分析确定。
39.层次单排序及其一致性检验：确定同一层次因素对于上一层次因素中某因素相对重要性的排序权重是否正确合理。
40.层次总排序及其一致性检验：计算某一层所有因素对于最高层相对重要性的权值是否合理。
41.由于在分析各因素反映水体浑浊度变化时所占的权重并不确定，而层次分析法就是为解决该类问题而出现的，因此本发明中通过层次分析法可得到上述过程中所述各区域密度圆在反应水体浑浊度变化时的权重，并由对应的子区域的最大权重确定相应五个因素在反应水体浑浊度变化时的权重系数。
42.至此，可得到最能反应水浑浊度的子区域，以及各个特征参数对应的权重。
43.步骤s4，根据所选子区域的纹理特征参数和明暗对比特征参数进行水浑浊度的检测。
44.利用层次分析法可得到各个特征参数的权重，基于所选子区域的各个特征参数和相应的权重，利用模糊综合评价法，进行水浑浊度的检测；具体地，实施例中设置清澈、轻微浑浊、中度浑浊、重度浑浊四个浑浊度等级，基于模糊综合评价法可得到各个浑浊度等级的隶属度，根据隶属度最大值可得到检测缸中水的浑浊度等级，当检测结果为中度浑浊或重度浑浊时提醒相关人员进行换水，以防止在后续的气密性检测中因水体混浊造成气密性检测结果出现误差。
45.基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于人工智能的气密性检测中水浑浊度检测系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的气密性检测中水浑浊度检测方法的步骤。
46.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连
续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
47.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。
48.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。