基于图像处理的油液污染度检测技术的研究

论文摘要

油液污染度可以定量反应油液受到污染的程度,是油液污染控制重要的理论依据。根据资料显示,70%-85%的液压系统故障是由于油液受到污染引起的。因此,进行油液污染度等级检测,对提高液压系统的工作可靠性,延长其使用寿命有着十分重要的意义。目前常用的检测设备,或者价格昂贵,或者操作不方便,或者检测精度不高。为了自主设计一台价廉、高效、准确、便捷的颗粒分析仪,实现油液的污染度检测,本文采用显微成像和计算机图像处理技术,进行了系统整体设计。系统主要包括图像采集和图像处理两部分,重点是利用计算机图像处理技术,识别出油液图像中的污染颗粒并进行相关参数的统计,进而计算出油液的污染等级。针对这个目的,本文主要做了如下的研究内容:1、研究了学习向量量化（LVQ）神经网络在颗粒边缘检测中的应用。首先,根据油液图像的特点,提出了一种基于平均背景的颗粒识别算法,得到目标边缘图像。其次,从边缘点和噪声点的区别出发,提取了三个既能代表边缘信息又有抗噪能力的特征量,组成代表样本图像信息的特征向量,和目标边缘图像共同组成训练样本训练神经网络。最后,用训练好的神经网络对油液图像进行边缘检测。经仿真实验表明,该网络可以较好的进行颗粒的边缘检测。2、研究了BP神经网络在边缘检测方面的应用。采用了和学习向量量化神经网络相同的训练样本,构建了三层的BP神经网络。仿真实验表明,BP神经网络的检测效果优于LVQ神经网络。3、运用标号运算,统计颗粒的数目和大小,从而可以计算油液的污染等级。同时,为了得到更准确的等级,研究了区分水珠气泡和固体颗粒的方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究的目的和意义
• 1.2 国内外研究现状及分析
• 1.3 本课题的研究内容
• 第2章 边缘检测算法的分析研究
• 2.1 引言
• 2.1.1 系统简介
• 2.1.2 对系统结构的要求
• 2.2 经典边缘检测算法的分析研究
• 2.2.1 基于一阶微分的边缘检测算法
• 2.2.2 基于二阶微分的边缘检测算法
• 2.2.3 Canny 算子
• 2.2.4 经典算法的检测结果及对比
• 2.3 基于神经网络的边缘检测算法
• 2.3.1 神经网络简介
• 2.3.2 神经网络模型
• 2.3.3 神经网络的分类
• 2.3.4 神经网络的学习过程
• 2.3.5 神经网络的应用
• 2.4 本章小结
• 第3章 基于LVQ 神经网络的颗粒识别算法
• 3.1 引言
• 3.2 基于LVQ 网络的图像边缘检测算法
• 3.2.1 LVQ 神经网络的结构
• 3.2.2 LVQ 神经网络的学习算法
• 3.2.3 LVQ 网络进行边缘检测的原理
• 3.3 LVQ 网络在油液图像颗粒识别中的应用
• 3.3.1 油液图像的特点
• 3.3.2 训练样本的获取
• 3.3.3 图像特征向量的提取
• 3.4 基于特征向量和LVQ 网络的边缘检测方法
• 3.4.1 LVQ 网络的学习过程
• 3.4.2 LVQ 神经网络颗粒识别的仿真结果
• 3.5 本章小结
• 第4章 基于BP 神经网络的颗粒识别算法
• 4.1 引言
• 4.2 BP 神经网络的基本知识
• 4.2.1 BP 网络的结构
• 4.2.2 BP 网络的训练过程
• 4.2.3 BP 网络的学习规则
• 4.3 基于特征向量和BP 神经网络的边缘检测
• 4.4 BP 网络的MATLAB 实现
• 4.4.1 BP 网络模型的建立
• 4.4.2 BP 神经网络进行颗粒图像识别的MATLAB 实现
• 4.4.3 仿真结果
• 4.5 两种神经网络仿真结果分析比较
• 4.6 本章小结
• 第5章 油液污染等级的计算
• 5.1 引言
• 5.2 油液污染等级简介
• 5.2.1 油液污染等级的评定方法
• 5.2.2 油液污染度分级标准及分析
• 5.3 本系统油液污染等级的相关计算
• 5.3.1 污染颗粒相关参数的统计
• 5.3.2 污染颗粒等效直径的计算
• 5.4 对颗粒相关参数的统计结果
• 5.4.1 颗粒图像的二值化
• 5.4.2 颗粒图像的滤波
• 5.4.3 颗粒的数目和面积
• 5.5 含水珠和气泡的油液图像的处理
• 5.5.1 水珠气泡和颗粒的区分
• 5.5.2 水珠和气泡的区分
• 5.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢