技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的不同液体浑浊度气泡轨迹检测方法及系统。
背景技术
目前，对零件进行气密检测实验时，主要是通过检测漏气位置的气泡特征来进行判断，如何得到较好的气泡特征，是当前气密检测的一个难点。首先是气密检测时的光线问题，不同的光照强度，产生的气泡特征明显程度都不相同，严重影响后续对气泡特征的相关判断，为解决该问题，现在大多使用激光检测气泡特征。
由于气密检测过程中，不同工件被不停的放入水缸中，工件表面的杂质、油污及灰尘等进入水缸中，导致液体浑浊度不断发生变化，从而影响对气泡轨迹检测的准确性。一方面，在液体浑浊程度较高时，难以检测液体中的气泡亮点，会使在图像处理过程中，检测不到气泡亮点，结果判定。另一方面，液体浑浊程度在不是很高时，液体中可能存在胶体颗粒，当胶体颗粒达到一定程度时，激光照射时会产生较强的丁达尔效应，导致液体当中产生一根激光线，气泡特征不在表现为一个单独的亮点，几乎消失。所以针对不同的液体浑浊程度，单一的亮点检测方法不能分辨出多液体浑浊程度的影响，造成检测出的气泡亮点以及其运动轨迹会出现很大的误差。
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基于人工智能的不同液体浑浊度气泡轨迹检测方法及系统，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不同液体浑浊度气泡轨迹检测方法，包括以下步骤：
利用激光增强液体中的气泡特征，获取气泡图像；
将所述气泡图像经过孪生网络，输出浑浊程度，所述浑浊程度根据所述液体的浑浊程度与所述孪生网络中标注图像的相似程度确定，所述标注图像为所述孪生网络训练过程中标注浑浊程度信息的图像；
当所述浑浊程度大于预设最大浑浊程度阈值时，提示换水；
当所述浑浊程度在预设最大浑浊程度阈值以下时，将所述浑浊程度输入亮度差异模型，获取气泡亮度差异；
将所述气泡图像进行图像处理，获得气泡二值图像；
当所述气泡亮度差异在预设阈值以下时，根据所述气泡二值图像包含的气泡位置信息，获得所述气泡在所述液体中的运动轨迹；
当所述气泡亮度差异大于预设阈值时，对所述气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以所述交点坐标为起点获取所述气泡在所述液体中运动轨迹。
优选的，所述的将所述气泡图像经过孪生网络，输出浑浊程度，包括：
对所述气泡图像和所述标注图像进行特征提取，得到所述气泡图像的特征向量和所述标注图像的特征向量；
计算所述气泡图像的特征向量和所述标注图像的特征向量之间的差异，所述差异为所述气泡图像和所述标注图像的相似程度；
当所述相似程度在相似度阈值以下时，判定所述气泡图像的浑浊程度为对应的所述标注图像的浑浊程度并输出，否则，将所述气泡图像与下一个标注图像对比。
优选的，亮度差异模型建立过程包括：
获取测试零件的漏气位置，通过激光进行气泡特征增强，进行气泡检测；
改变测试液体的浑浊程度，将所述测试液体达到预设的液体浑浊程度r；
当所述测试液体中不存在气泡时，使用亮度传感器检测所述测试液体的亮度，得到第一亮度值；
当所述测试液体中存在气泡时，使用所述亮度传感器检测所述测试液体的亮度，得到第二亮度值；
将所述第一亮度值与所述第二亮度值求差值，获得测试亮度差异；
建立亮度差异模型b：
其中，ε为第一拟合参数，δ为第二拟合参数；
将测试得到的每组所述液体浑浊程度，与其对应的所述亮度差异输入到模型当中，调整第一拟合参数和第二拟合参数。
优选的，所述的将所述气泡图像进行图像处理，获得气泡二值图像，包括：
将所述气泡图像变换到HSV空间，设置所述激光的颜色对应的颜色分量范围；
根据所述颜色分量范围对所述气泡图像中的所有像素点检测，获得气泡二值图像。
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不同液体浑浊度气泡轨迹检测系统，包括：
图像采集模块，用于利用激光增强液体中的气泡特征，获取气泡图像；
孪生网络模块，用于将所述气泡图像经过孪生网络，输出浑浊程度，所述浑浊程度根据所述液体的浑浊程度与所述孪生网络中标注图像的相似程度确定，所述标注图像为所述孪生网络训练过程中标注浑浊程度信息的图像；
换水提示模块，用于当所述浑浊程度大于预设最大浑浊程度阈值时，提示换水；
亮度差异获取模块，用于当所述浑浊程度在预设最大浑浊程度阈值以下时，将所述浑浊程度输入亮度差异模型，获取气泡亮度差异；
气泡二值图像获取模块，用于将所述气泡图像进行图像处理，获得气泡二值图像；
第一运动轨迹获取模块，用于当所述气泡亮度差异在预设阈值以下时，根据所述气泡二值图像包含的气泡位置信息，获得所述气泡在所述液体中的运动轨迹；
第二运动轨迹获取模块，用于当所述气泡亮度差异大于预设阈值时，对所述气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以所述交点坐标为起点获取所述气泡在所述液体中运动轨迹。
优选的，孪生网络模块包括：
特征提取单元，用于对所述气泡图像和所述标注图像进行特征提取，得到所述气泡图像的特征向量和所述标注图像的特征向量；
相似程度获取单元，用于计算所述气泡图像的特征向量和所述标注图像的特征向量之间的差异，所述差异为所述气泡图像和所述标注图像的相似程度；
浑浊程度判定单元，用于当所述相似程度在相似度阈值以下时，判定所述气泡图像的浑浊程度为对应的所述标注图像的浑浊程度并输出，否则，将所述气泡图像与下一个标注图像对比。
优选的，亮度差异获取模块包括亮度差异模型建立单元，所述亮度差异模型建立单元包括：
测试气泡检测子单元，用于获取测试零件的漏气位置，通过激光进行气泡特征增强，进行气泡检测；
测试浑浊程度获取子单元，用于改变测试液体的浑浊程度，将所述测试液体达到预设的液体浑浊程度r；
第一亮度值获取子单元，用于当所述测试液体中不存在气泡时，使用亮度传感器检测所述测试液体的亮度，得到第一亮度值；
第二亮度值获取子单元，用于当所述测试液体中存在气泡时，使用所述亮度传感器检测所述测试液体的亮度，得到第二亮度值；
测试亮度差异获取子单元，用于将所述第一亮度值与所述第二亮度值求差值，获得测试亮度差异；
模型建立子单元，用于建立亮度差异模型b：
其中，ε为第一拟合参数，δ为第二拟合参数；
参数拟合子单元，用于将测试得到的每组所述液体浑浊程度，与其对应的所述亮度差异输入到模型当中，调整第一拟合参数和第二拟合参数。
优选的，气泡二值图像获取模块包括：
颜色分量范围划分单元，用于将所述气泡图像变换到HSV空间，设置所述激光的颜色对应的颜色分量范围；
气泡二值图像获取单元，用于根据所述颜色分量范围对所述气泡图像中的所有像素点检测，获得气泡二值图像。
本发明至少具有如下有益效果：
本发明通过利用激光增强液体中的气泡特征，获取气泡图像。然后将所述气泡图像经过孪生网络，输出浑浊程度；然后根据预设最大浑浊程度阈值时判断当前液体的浑浊程度是否影响对气泡运动轨迹检测的精确度。当输出的浑浊程度在预设最大浑浊程度阈值以下时，将所述浑浊程度输入亮度差异模型，获取气泡亮度差异；将所述气泡图像进行图像处理，获得气泡二值图像。当所述气泡亮度差异在预设阈值以下时，根据所述气泡二值图像包含的气泡位置信息，获得所述气泡在所述液体中的运动轨迹；当所述气泡亮度差异大于预设阈值时，对所述气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以所述交点坐标为起点获取所述气泡在所述液体中运动轨迹。实现了判定液体浑浊程度对气泡亮度检测的影响，从而针对影响情况实行相应的图像处理方式获取气泡的运动轨迹，提高了气密性检测中，液体不同浑浊度情况下气泡运动轨迹检测的准确度。
附图说明
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。
图1为本发明一个实施例所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法示意图；
图2为本发明一个实施例所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法流程图；
图3为本发明一个实施例所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测系统结构框图。
具体实施方式
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，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法及系统，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。
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。
下面结合附图具体的说明本发明所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法示意图；图2示出了本发明一个实施例所提供的一种基于人工智能的不同液体浑浊度气泡轨迹检测方法流程图；
一种基于人工智能的不同液体浑浊度气泡轨迹检测方法，其流程图如图2所示，包括如下步骤：
步骤1：利用激光增强液体中的气泡特征，获取气泡图像；
步骤2：将气泡图像经过孪生网络，输出浑浊程度，浑浊程度根据液体的浑浊程度与孪生网络中标注图像的相似程度确定，标注图像为孪生网络训练过程中标注浑浊程度信息的图像；
步骤3：当浑浊程度大于预设最大浑浊程度阈值时，提示换水；
步骤4：当浑浊程度在预设最大浑浊程度阈值以下时，将浑浊程度输入亮度差异模型，获取气泡亮度差异；
步骤5：将气泡图像进行图像处理，获得气泡二值图像；
步骤6：当气泡亮度差异小于预设阈值时，根据气泡二值图像包含的气泡位置信息，获得气泡在液体中的运动轨迹；
步骤7：当气泡亮度差异大于预设阈值时，对气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以交点坐标为起点获取气泡在液体中运动轨迹。
综上所述，本发明实施例提供了一种基于人工智能的不同液体浑浊度气泡轨迹检测方法，该方法通过利用激光增强液体中的气泡特征，获取气泡图像。然后将气泡图像经过孪生网络，输出浑浊程度；然后根据预设最大浑浊程度阈值时判断当前液体的浑浊程度是否影响对气泡运动轨迹检测的精确度。当输出的浑浊程度在预设最大浑浊程度阈值以下时，将浑浊程度输入亮度差异模型，获取气泡亮度差异；将气泡图像进行图像处理，获得气泡二值图像。当气泡亮度差异小于预设阈值时，根据气泡二值图像包含的气泡位置信息，获得气泡在液体中的运动轨迹；当气泡亮度差异大于预设阈值时，对气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以交点坐标为起点获取气泡在液体中运动轨迹。实现了判定液体浑浊程度对气泡亮度检测的影响，从而针对影响情况实行相应的图像处理方式获取气泡的运动轨迹，提高了气密性检测中，液体不同浑浊度情况下气泡运动轨迹检测的准确度。
具体的，在本实施例的步骤2中，孪生网络包括浑浊识别网络和标注网络，主要是识别两幅图像的相似程度，对气泡图像与标注图像进行特征提取，得到两幅图像的特征向量，计算特征向量之间的差异，差异为两幅图像的相似度。
具体的，孪生网络的训练过程如下：
具体的，在本实施例中，训练数据集采用经过人为标注浑浊程度信息的标注图像，将同种浑浊度的标注图像标注为同一类。需要说明的是，为了保证数据的均衡，不同类型的数据其占所有数据的比例相同。
(1)将标注图像两两一组分成多组对孪生网络进行训练。需要说明的是，每组数据可以是相同类别的数据，也可以是不同类别的数据。一组图像中的一幅图像经过第一特征提取子网络提取特征，另一幅经过第二特征提取子网络提取特征，然后将提取出的两个特征经过编码器和全连接层得到两个特征向量，计算两个向量的欧式距离可判断一组图像的相似度。需要的说明的是，第一特征提取子网络和第二特征提取子网络共享参数。
采用对比损失函数对孪生网络进行训练，这种损失函数可以有效的处理孪生神经网络中成对数据的关系。具体的，对比损失函数表达式如下：
其中，N为标注图像个数。Y为两个标注图像是否匹配的标签，Y＝1代表两个样本相似或者匹配，Y＝0则代表不匹配。
(2)训练好的孪生网络，能够实现相似样本特征向量距离很近，不相似样本特征向量距离很远，获得浑浊相似度。
(3)当上述浑浊相似度小于相似度阈值m时，气泡图像与该标注图像相似，即两个图像的浑浊程度一致，将气泡图像的浑浊程度判定为该标注图像的浑浊程度并输出；当浑浊相似度大于相似度阈值m，气泡图像与该标注图像不相似，与下一个标注图像对比。需要说明的是，相似度阈值m为网络训练时自行设定，在本实施例中，m＝0.8。
具体的，在本实施例的步骤3中，预设最大浑浊程度阈值为预设的计算机视觉处理能够正常检测到气泡特征的液体最大浑浊程度，该阈值之下表示依然能够进行正常的气泡检测，且不会对检测的精确度有较大的影响。在本实施例中，浑浊程度的范围为[0，10]，取值精度为0.1，对应预设最大浑浊程度阈值选取为7，若孪生网络输出的液体浑浊程度大于预设最大浑浊程度阈值，说明孪生网络输出的浑浊程度对应的液体无法通过计算机视觉再进行气泡检测，然后提示检测人员进行换水操作；若孪生网络输出的液体浑浊程度小于预设最大浑浊程度阈值，进行下一个步骤操作，即将孪生网络输出的液体浑浊程度输入得到的亮点差异度模型当中，计算在当前液体浑浊度下，如果产生气泡，其红色亮点的亮度变化对应的亮度差异。
具体的，在本实施例的步骤4中，亮度差异模型的建立过程如下：
(1)获取测试零件的漏气位置，通过激光照射液体，进行气泡检测。
(2)当液体中不存在气泡时，使用亮度传感器进行激光亮度检测，得到第一亮度值a
(3)将第一亮度值与第二亮度值求差值，获得亮度差异：b×a
(4)改变液体的浑浊程度，将液体达到预设的液体浑浊程度r，从而检测不同液体浑浊度下的亮度差异。
具体的，改变液体浑浊程度的方式是向液体中加入杂质和浑浊物等。
需要说明的是，液体浑浊度低时，气泡特征较为明显，出现气泡时，亮度差异较大，而液体浑浊度较高时，气泡特征不明显，亮度差异较低，二者的关系为负相关，且浑浊度达到一定程度时，亮度差异几乎不再改变。
(5)建立亮度差异模型b：
其中，ε为第一拟合参数，δ为第二拟合参数。
(6)将测试得到的每组液体浑浊程度，与其对应的亮度差异输入到模型当中，调整第一拟合参数和第二拟合参数。具体的，在本实施例中，拟合上述模型得到第一拟合参数ε＝10，第二拟合参数δ＝45。
具体的，在本实施例的步骤5中，将气泡图像进行图像处理，获得气泡二值图像具体的：
将气泡图像经过图像处理，获得气泡二值图像，气泡二值图像包括气泡位置信息，具体的，将气泡图像变化到HSV空间，得到每个像素点对应的色调H、饱和度S、亮度V等信息。根据先验知识，设置激光颜色对应的HSV颜色分量范围，在本实施例中，激光颜色对应的范围为：H[156,180]、S[43,255]和V[46,255]，由于该方法为公知技术，在此不再赘述。需要说明的是，在本实施例中，采用的激光的颜色为红色。
根据颜色分量范围对气泡图像中的所有像素点检测，获得气泡二值图像。具体的，对气泡图像中所有像素点进行检测，若该像素点符合上述颜色分量范围，将该像素点的灰度值1，否则置0，得到含有气泡特征的气泡二值图像。
具体的，在本实施例的步骤6中，当气泡亮度差异小于预设阈值时，根据气泡二值图像包含的气泡位置信息，获得气泡在液体中的运动轨迹。具体的：
计算气泡二值图像中像素值为1的所有点其构成的区域的最小外接圆，以该圆的圆心作为当前气泡的位置坐标；
以该坐标为起点，与水面作垂线，该垂线即为气泡的运动轨迹。水面为图像上的一条直线，一般为已知信息。
需要说明的是，当液体浑浊超过一定程度，激光照射液体时，会出现一条笔直清晰的红色通路，而非红色亮点，此时很难通过检测红色亮点检测气泡位置，当气泡通过该红色通路时，由于气泡对激光的散射原因，红色通路会发生折射，发生折射的位置即为检测到气泡的位置。
具体的，在本实施例的步骤7中，当气泡亮度差异大于预设阈值时，对气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以交点坐标为起点获取气泡在液体中运动轨迹。具体的：
在本实施例中，使用Zhang快速并行细化算法，通过一定的细化规则，获取像素值为1的像素点及其八领域的像素特征，然后判断是保留还是消除该像素点，最终实现红线通路的细化；细化后如果检测到气泡特征，当前红线通路发生折射，对细化后的图像进行霍夫直线拟合，得到的是两个直线方程。需要说明的是，上述的细化算法与霍夫直线拟合为该技术领域的公知方法，在此不再赘述。具体的，在本实施例中，预设阈值为45。
连接两个直线方程，获得交点坐标，以交点坐标为起点获取气泡在液体中运动轨迹。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的不同液体浑浊度气泡轨迹检测系统。
请参阅图3，该多液体浑浊度气泡轨迹检测系统100包括图像采集模块101、孪生网络模块102、换水提示模块103、亮度差异获取模块104、气泡二值图像获取模块105、第一运动轨迹获取模块106和第二运动轨迹获取模块107。
具体的，图像采集模块用于利用激光增强液体中的气泡特征，获取气泡图像。孪生网络模块用于将气泡图像经过孪生网络，输出浑浊程度，浑浊程度根据液体的浑浊程度与孪生网络中标注图像的相似程度确定，标注图像为孪生网络训练过程中标注浑浊程度信息的图像。换水提示模块用于当浑浊程度大于预设最大浑浊程度阈值时，提示换水。亮度差异获取模块用于当浑浊程度在预设最大浑浊程度阈值以下时，将浑浊程度输入亮度差异模型，获取气泡亮度差异。气泡二值图像获取模块用于将气泡图像进行图像处理，获得气泡二值图像。第一运动轨迹获取模块用于当气泡亮度差异小于预设阈值时，根据气泡二值图像包含的气泡位置信息，获得气泡在液体中的运动轨迹。第二运动轨迹获取模块用于当气泡亮度差异大于预设阈值时，对气泡二值图像进行细化操作后，进行直线拟合，获得直线交点坐标，以交点坐标为起点获取气泡在液体中运动轨迹。
进一步的，孪生网络模块包括特征提取单元、相似程度获取单元和浑浊程度判定单元。
具体的，特征提取单元用于对所述气泡图像和所述标注图像进行特征提取，得到所述气泡图像的特征向量和所述标注图像的特征向量。相似程度获取单元用于计算所述气泡图像的特征向量和所述标注图像的特征向量之间的差异，所述差异为所述气泡图像和所述标注图像的相似程度。浑浊程度判定单元用于当所述相似程度在相似度阈值以下时，判定所述气泡图像的浑浊程度为对应的所述标注图像的浑浊程度并输出，否则，将所述气泡图像与下一个标注图像对比。
进一步的，亮度差异获取模块包括亮度差异模型建立单元，亮度差异模型建立单元包括测试气泡检测子单元、测试浑浊程度获取子单元、第一亮度值获取子单元、第二亮度值获取子单元、测试亮度差异获取子单元、模型建立子单元和参数拟合子单元。
具体的，测试气泡检测子单元用于获取测试零件的漏气位置，通过激光进行气泡特征增强，进行气泡检测。测试浑浊程度获取子单元用于改变测试液体的浑浊程度，将测试液体达到预设的液体浑浊程度r。第一亮度值获取子单元用于当测试液体中不存在气泡时，使用亮度传感器检测测试液体的亮度，得到第一亮度值。第二亮度值获取子单元用于当测试液体中存在气泡时，使用亮度传感器检测测试液体的亮度，得到第二亮度值。测试亮度差异获取子单元用于将第一亮度值与第二亮度值求差值，获得测试亮度差异。模型建立子单元用于建立亮度差异模型b：
进一步的，气泡二值图像获取模块包括颜色分量范围划分单元和气泡二值图像获取单元。
具体的，颜色分量范围划分单元用于将气泡图像变换到HSV空间，设置激光的颜色对应的颜色分量范围。气泡二值图像获取单元用于根据颜色分量范围对气泡图像中的所有像素点检测，获得气泡二值图像。
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。
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。
以上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。
机译： 基于人的运动轨迹的垃圾倾倒检测系统及基于人的运动轨迹的垃圾倾倒检测方法
机译： 基于人工智能的人工智能和火灾检测方法的火灾探测系统
机译： 基于人工智能的基于药物不良反应的检测方法及其系统
