[发明专利]一种水泵叶轮异常识别方法

说明书

本发明涉及数据处理技术领域，具体涉及一种水泵叶轮异常识别方法。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成水泵叶轮的异常识别检测。首先利用相机获取叶轮图像，对叶轮图像进行数据处理得到多个重要性点；对多个重要性点进行数据处理，得到区域边缘像素点数量序列；根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵。根据待检测水泵叶轮的叶轮图像和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异，判断检测水泵叶轮是否异常，完成对水泵叶轮的异常识别。

技术领域

本发明涉及数据处理技术领域，具体涉及一种水泵叶轮异常识别方法。

背景技术

水泵是输送液体或使液体增压的机械设备，这种机器主要用来输送液体，现如今有很多不同种类的水泵。其中有一种泵被叫做叶轮式泵。这种泵是依靠旋转的叶轮对流体的作用，传递能量，增大流体动能。而叶轮作为其中的关键部件，其因为长时间的在水下运作，叶片在转动时水流产生的摩擦力会对叶轮造成损害，即使是现如今质量最好的金属所制成的叶轮也无法规避这点。因此随着水泵使用年限的增大，水泵叶轮就会出现腐蚀或者裂纹，更有甚者叶片出现断裂，因此需要在对叶轮进行异常识别。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种水泵叶轮异常识别方法，所采用的技术方案具体如下：

采集待检测水泵叶轮的叶轮图像，对所述叶轮图像进行灰度化得到叶轮灰度图；

使用Canny算子对于叶轮灰度图提取边缘，对得到的边缘像素点进行去噪，得到去噪边缘图像；利用霍夫圆检测得到曲线数量，将所述曲线数量作为聚类的类别数量，对去噪边缘图像中的边缘像素点进行聚类，得到多个类别；以每个类别中的聚类中心点作为重要性点；以每个重要性点构建一个形状上下文，得到每个重要性点对应的形状上下文区域，将形状上下文区域从小到大依次标记，每个重要性点对应的区域边缘像素点数量序列；根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵；

计算待检测水泵叶轮的叶轮图像对应的风格矩阵和无损水泵叶轮的叶轮图像对应的风格矩阵的矩阵差异；当矩阵差异大于等于预设差异值时，待检测水泵叶轮异常。

优选的，所述利用霍夫圆检测得到曲线数量，包括：

使用霍夫圆检测检测出水泵叶轮中间的圆形部分的中心圆轴的圆心点和中心圆轴的半径；以该中心圆轴的圆心点为新的圆心点，以2倍的中心圆轴的半径为新的半径，得到一个新圆环；获取所述新圆环交于去噪边缘图像上每条边缘点的交点数量，作为曲线数量。

优选的，所述以每个类别中的聚类中心点作为重要性点，包括：

获取各类别的聚类中心点和水泵叶轮中间的圆形部分的中心圆轴的圆心点，得到聚类中心点和圆心点的连线，得到移动方向；使聚类中心点一直保持在边缘像素点上，向圆心点移动，每次移动更新聚类中心点时，再次得到更新后的聚类中心点到中心圆心点的移动方向；聚类中心点每移动一次，计算其密度聚类，设定聚类圆形大小为半径为5的圆形，统计聚类圆形中边缘像素点的数量，通过欧式距离计算聚类中心点和中心圆轴的圆心点的距离，当聚类中心点朝向圆心点的方向无法移动，且此时聚类中心点无论如何移动，两者之间的距离都不再变短时，停止聚类；计算每个聚类中心点位置得到的聚类圆形内部的边缘像素点的数量；选择边缘像素点的数量最大的聚类中心点，作为重要性点。

优选的，所述根据任意两个重要性点对应的区域边缘像素点数量序列的内积构建风格矩阵，包括：

所述风格矩阵为：

其中，为风格矩阵；为第1个重要性点对应的区域边缘像素点数量序列；为第2个重要性点对应的区域边缘像素点数量序列；为第D个重要性点对应的区域边缘像素点数量序列。

优选的，所述将所述曲线数量作为聚类的类别数量，对去噪边缘图像中的边缘像素点进行聚类，得到多个类别，包括：

利用DBSCAN聚类算法对去噪边缘图像中的边缘像素点进行聚类，得到多个类别，类别的数量为曲线数量。