[发明专利]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

权利要求书

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的润滑油含水量检测方法，其特征在于，模型的损失函数的表达式为：

损失函数的梯度公式为：

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，yⁱ表示真实值。

6.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，构建多维度形状特征量化表征指数的过程包括：

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；

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；

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。

7.根据权利要求6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，计算畸变物体中坐标点径向偏差RD的公式为：

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。