一种基于计算机视觉的气密性检测中气泡体积计算方法

摘要

本发明涉及计算机视觉技术领域，尤其涉及一种基于计算机视觉的气密性检测中气泡体积计算方法，包括利用气泡速率模型修正并获取气泡平均速率，利用稳态度量模型以及边缘检测获取最稳定气泡图、利用气泡体积模型修正并计算正常气泡体积；本发明利用计算机视觉技术对气密性试验中的气泡体积进行检测，大大提高了检测效率，同时通过获取最稳定气泡图，减少了噪声气泡等杂质的干扰，大大提高了体积计算精度；另外，相比于利用高速相机等高昂设备对气泡图像进行采集，本发明通过普通相机即可对气泡图像进行采集，其操作简单，适用范围更广，且降低了成本。

说明书

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于计算机视觉的气密性检测中气泡体积计算方法。

背景技术

目前，国内外企业大多采用浸水气泡检测法检测工件气密性，即用水深和浸泡时间对应各级IP防水等级测试，并通过对气泡体积的分析估算来计算泄漏气孔的大小。

但是，现有的气泡体积检测大多没有考虑到周围环境有干扰的情况，导致结果误差大，可靠性低，比如：对于外形类似气泡的杂质不能很好的排除；另外，传统的气密性检测方法大多通过高速相机采集气泡，高速相机价格昂贵，操作复杂且不具备广泛的适用性。

发明内容

本发明提供一种基于计算机视觉的气密性检测中气泡体积计算方法，解决的技术问题是，现有的气泡体积检测精度不能得到保障，可靠性低，且检测设备相对复杂，成本高。

为解决以上技术问题，本发明提供了一种基于计算机视觉的气密性检测中气泡体积计算方法，包括以下步骤：

S1.将利用不同曝光时长获得的气泡图像输入语义分割神经网络，根据得到的不同曝光时长的语义分割效果图以及气泡速率模型获取气泡平均速率；

S2.将初始曝光时长下采集到的气泡图像以设定帧数分段，对各段中所有所述气泡图像进行帧差叠加，得到各段的气泡轨迹线图；

S3.根据所述气泡轨迹线图得到气泡轨迹线宽度以及轨迹线倾斜值，并根据所述气泡轨迹线宽度以及标准气泡轨迹线宽度，计算得到轨迹线宽度比值；

S4.基于所述轨迹线宽度比值以及所述轨迹线倾斜值，利用稳态度量模型得到稳态度量系数，选取最大的所述稳态度量系数对应分段的时间长度作为稳定时间值，其包含的所述气泡图像作为稳定气泡图，同时记录对应分段内的体积变化值；

S5.利用边缘检测算法选取所有所述稳定气泡图中的最稳定气泡图，根据所述最稳定气泡图和所述气泡轨迹线图得到气泡运动长度；

S6.根据所述气泡运动长度以及所述气泡平均速率计算得到单个的气泡浮出时间；

S7.将所述稳定时间值、所述气泡浮出时间以及所述体积变化值输入气泡体积模型，得到单个的正常气泡体积。

其中，在所述步骤S1之前，需对所述气泡图像进行预处理；

所述语义分割神经网络采用编码器-解码器基础结构。

进一步地，所述步骤S1具体为：

S11.设置初始曝光时长，依次增加预设曝光步长调整曝光时长，将不同曝光时长下的气泡图像输入语义分割神经网络，得到不同曝光时长的语义分割效果图；

S12.根据所述语义分割效果图，得到相邻两帧中气泡底端在同一水平面的气泡顶端坐标，并利用最小外接矩形得到相邻两帧的气泡拖影长度和当前帧的气泡宽度，计算相邻两帧的气泡拖影长度差值；

S13.根据所述气泡拖影长度差值计算气泡移动速度；

S14.根据相邻两帧的所述气泡顶端坐标计算气泡距离高度；

S15.将所述气泡移动速度、所述气泡拖影长度差值、所述气泡距离高度以及所述气泡宽度输入预先建立的气泡速率模型，得到气泡平均速率。

其中，所述相邻两帧包括当前帧和下一帧所述语义分割效果图。

进一步地，所述步骤S5还包括：

利用所述边缘检测算法获取噪声气泡数量；

通过连通域获取正常气泡面积以及噪声气泡面积，计算两者的气泡面积比值，并将所述气泡面积比值输入所述气泡体积模型。

更进一步地，所述稳态度量模型为：

式中，C

进一步地，满足最稳定气泡图的条件至少包括：

a.在所有所述稳定气泡图中无所述噪声气泡或者所述噪声气泡最少；

b.即将冒出水面的气泡的底端与所述水面基本位于同一水平线上。

更进一步地，所述气泡体积模型为：

式中，V

本发明提供的一种基于计算机视觉的气密性检测中气泡体积计算方法，通过语义分割神经网络以及稳态度量模型等计算气泡体积，解决了现有的气泡体积检测精度不能得到保障，可靠性低，且检测设备相对复杂，成本高的问题；本发明通过对气泡平均速率的修正，减小了数据的误差，提高数据的准确性；另外，本发明通过对气泡图像分段以及边缘检测获取最稳定气泡图像，进而计算气泡体积，不仅减少了噪声气泡的干扰，而且大大提高了检测的精准度和可靠性，且无需使用高速相机采集图像，节约了设备成本，适用范围更广。

附图说明

图1是本发明实施例提供的一种基于计算机视觉的气密性检测中气泡体积计算方法的流程示意图；

图2是本发明实施例提供的步骤S12中相邻两帧气泡底端基本处于同一水平面的简单示意图；

图3是本发明实施例提供的满足另一条件的最稳定气泡图的简单示意图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

针对现有的气泡体积检测精度不能得到保障，可靠性低，且检测设备相对复杂，成本高的问题，本发明实施例提供了一种基于计算机视觉的气密性检测中气泡体积计算方法，如图1所示，包括以下步骤：

S1.将利用不同曝光时长获得的气泡图像输入语义分割神经网络，根据得到的不同曝光时长的语义分割效果图以及气泡速率模型获取气泡平均速率，具体包括：

S11.设置初始曝光时长，依次增加预设曝光步长调整曝光时长，将不同曝光时长下的气泡图像输入语义分割神经网络，得到不同曝光时长的语义分割效果图；

其中，为保证检测结果准确，本发明实施例需在水体清晰度较好且稳定的状态下，通过调整曝光时长采集多帧气泡图像；另外，由于即使在同一个检测视频中，也可能存在若干种不同的光照强度，因此，本实施例首先将采集到的多帧气泡图像转换为气泡灰度图，并通过灰度直方图计算单帧气泡图像的整体平均灰度，然后根据设定的灰度区间过滤掉整体亮度过高或过低的气泡图像，以保证用于检测的所述气泡图像的整体平均灰度均处于灰度区间范围，比如：设定的灰度区间为[50，220]，本实施例过滤掉所述整体平均灰度低于50或高于220的气泡图像；本领域技术人员可根据具体实施情况选取所述灰度区间。

在本实施例中，所述语义分割神经网络采用编码器-解码器基础结构，具体训练内容如下：

1)将采集到的气泡图像作为数据集，对数据集进行标注，得到标签图像，即气泡标注为1，其他标注为0；其中，随机选取80％的数据集作为训练集，剩余的20％作为验证集。

2)将气泡图像和标签图像输入语义分割神经网络，其中，编码器用于提取图像特征，并将通道数变换为类别个数；然后，通过解码器输出与输入的所述气泡图像等大的语义分割效果图。

3)采用交叉熵损失函数训练所述语义分割神经网络。

需要说明的是，本发明实施例的感兴趣区域主要为气泡区域，因此，为减少工作量，需要进一步过滤掉所述气泡图像整体平均灰度处于灰度阈值范围内，但气泡区域的平均灰度值过高或过低的图像，具体包括：将得到的语义分割效果图中气泡所在列划分在特定区域内，并计算此特定区域内的气泡平均灰度；然后，过滤掉所述气泡平均灰度在所述灰度区间之外的语义分割效果图，从而排除气泡区域过亮或过暗的语义分割效果图，增加检测结果的准确性。

S12.如图2所示，为了方便观察，图2将相邻两帧的气泡在一幅图中展示，根据所述语义分割效果图，选取相邻两帧中气泡底端基本处于同一水平面的两个气泡，获取这两个气泡的气泡顶端坐标y

其中，所述相邻两帧包括当前帧和下一帧所述语义分割效果图。

需要说明的是，在具体实施过程中，相邻两帧的气泡可能不存在底端基本处于同一水平面的两个气泡，此时，可依次向搜索所述语义分割效果图，直至查找到和当前帧的气泡基本处于同一水平面的其它帧所述语义分割效果图。

S13.根据所述气泡拖影长度差值Δl以及所述曝光时长间隔计算气泡移动速度，具体公式为：

式中，

S14.根据相邻两帧的所述气泡顶端坐标计算气泡距离高度，具体为：

式中，h表示气泡距离高度，y

S15.将所述气泡移动速度、所述气泡拖影长度差值、所述气泡距离高度以及所述气泡宽度输入预先建立的气泡速率模型，得到气泡平均速率，所述气泡速率模型为：

式中，

本实施例综合考虑了气泡尺寸以及上升高度等影响速度的因素，通过所述气泡速率模型对这些影响进行修正，得到更科学的气泡平均速率，可用于气泡在水中任意一段的运动分析，大大提高了检测精度，也为气泡体积的计算提供了基础。

S2.将初始曝光时长下采集到的气泡图像以设定帧数分段，对各段中所有所述气泡图像进行帧差叠加，得到各段的气泡轨迹线图；

需要说明的是，由于气泡拖影越长，通过帧差叠加法得到的气泡轨迹线受噪声气泡的干扰越大，因此，本实施例选取处于初始曝光时长下的连续多帧气泡图像，同时为了保证得到的气泡轨迹线更精确，减少气泡轨迹线受噪声气泡的影响，本发明实施例以设定帧数对连续多帧气泡图像分段。

S3.根据所述气泡轨迹线图得到气泡轨迹线宽度以及轨迹线倾斜值，并根据所述气泡轨迹线宽度以及标准气泡轨迹线宽度，计算得到轨迹线宽度比值；

本发明实施例通过最小外接矩形得到所述气泡轨迹线图中的气泡轨迹线宽度，同时本实施例根据所述气泡轨迹线图中的气泡轨迹线的上端点坐标、下端点坐标，计算得到轨迹线倾斜角的正弦值，即轨迹线倾斜值；

另外，本实施例根据公式：

计算得到轨迹线宽度比值；

式中，d表示轨迹线宽度比值，取值范围为[0～1]；w

其中，标准气泡轨迹线为气泡在水中以垂直直线上升时所对应的轨迹线。

S4.基于所述轨迹线宽度比值以及所述轨迹线倾斜值，利用稳态度量模型得到稳态度量系数，通过对比得到最大的所述稳态度量系数，将最大所述稳态度量系数所对应的分段的时间长度作为稳定时间值，对应分段包含的所述气泡图像作为稳定气泡图，同时记录对应分段内的体积变化值；

其中，所述稳态度量模型为：

式中，C

在本实施例中，C

S5.利用边缘检测算法选取所有所述稳定气泡图中的最稳定气泡图，根据所述最稳定气泡图和所述气泡轨迹线得到气泡运动长度；

需要说明的是，所述稳态度量系数只能无限趋近于1，其原因有两种：第一种是存在偏离理想轨迹的气泡，第二种是存在噪声气泡；但所述两种情况中，只有第二种会对检测到的气泡体积产生影响，因此，为了得到更精确的气泡体积计算结果，本实施例对得到的对应分段的所有所述稳定气泡图逐帧分析，以减少噪声气泡对气泡体积计算结果的影响；

本实施例利用边缘检测算法进行逐帧分析，具体过程为：

S51.将所述稳定气泡图输入所述语义分割神经网络，得到稳定气泡分割图，

S52.通过Canny边缘检测算法得到稳定气泡分割图中各气泡边缘点的坐标；

S53.选取气泡边缘点中横坐标数值处于中间值的像素点，将其设置为横向起点，遍历其它所述气泡边缘点的横坐标，得到在横轴方向上距离所述横向起点的横轴距离，若所述横轴距离超过预设的横轴距离阈值，则判断所述稳定气泡分割图中存在噪声，并筛选出所述横轴距离超过所述横轴距离阈值的所有噪声点，进入下一步骤；

S54.选取所有所述噪声点中纵坐标最小的像素点，将其设置为纵向起点，在纵轴方向上遍历其它噪声点的纵坐标，得到在纵轴方向上，其它噪声点距离所述纵向起点的最大纵距离，判断所述最大纵距离是否大于纵轴距离阈值，若小于，则判断所述稳定气泡分割图中只含有一个噪声气泡；若大于，则估算所述噪声气泡数量，具体计算公式为：

式中，A表示噪声气泡数量，D表示最大纵距离，

本实施例将无所述噪声气泡或者所述噪声气泡最少的稳定气泡分割图作为最稳定气泡分割图，其对应的所述稳定气泡图作为最稳定气泡图，另外，为了方便获得单个的气泡浮出时间，如图3所示，所述最稳定气泡图还需满足另一条件：当前即将完全冒出水面的气泡Q的底端与所述水面基本位于同一水平线上；本实施例将所述最稳定气泡图和所述气泡轨迹线图进行帧间作差得到气泡间隙图，然后对所述最稳定气泡图以及所述气泡间隙图，选取下一个即将冒出水面的气泡，利用最小外接矩形得到其气泡长度F、其顶端距离水面的气泡间隙长度G，将所述气泡长度F、所述气泡间隙长度G相加得到气泡运动长度。

S55.通过连通域获取所述最稳定气泡分割图中正常气泡面积以及噪声气泡面积，计算所述正常气泡与所述噪声气泡的气泡面积比值，并将所述气泡面积比值输入所述气泡体积模型；需要说明的是，本实施例中的气泡面积为空间气泡在二维平面的圆面积。

简单举例说明：

本实施例选取连续的200帧气泡图像，对200帧气泡图像进行1～200标号，计连续帧1～20为第一段，2～21为第二段，以此类推，直到181～200为最后一段，将各段的20帧气泡图像通过帧差叠加得到气泡轨迹线图，然后将所述气泡轨迹线图经所述步骤S3、S4，得到对应分段的20帧所述稳定气泡图，将这20帧所述稳定气泡图通过边缘检测算法进行逐帧分析，得到其中最稳定气泡图。

S6.根据所述气泡运动长度以及所述气泡平均速率计算得到单个的气泡浮出时间，具体公式为：

式中，t表示单个的气泡浮出时间，B表示气泡运动长度，

S7.将所述稳定时间值、所述气泡浮出时间以及所述体积变化值输入气泡体积模型，得到单个的正常气泡体积，具体包括：

本实施例假设每个正常气泡的体积相同且正常气泡体积为V

根据球体体积公式

因此，

则气泡体积模型为：

式中，V

本发明实施例提供的一种基于计算机视觉的气密性检测中气泡体积计算方法，包括利用不同曝光时长获取气泡平均速率、对所述气泡图像分段，并根据稳态度量模型以及边缘检测得到最稳定气泡，进而得到气泡浮出时间，最后利用所述气泡体积模型得到正常气泡体积；解决了现有的气泡体积检测精度不能得到保障，可靠性低，且检测设备相对复杂，成本高的问题；本发明实施例通过初始曝光时长下通过帧差叠加得到的气泡轨迹线图以及标准气泡轨迹线的不同特性建立稳态度量模型，以选取气泡上升稳定的时间段，进而对此时间段的气泡进一步优化，其对于外形类似气泡的杂质能很好的排除，提高了体积计算结果的准确性；另外，相比于利用高速相机等高昂设备对气泡图像进行采集，本发明实施例通过普通相机即可对气泡图像进行采集，其操作简单，成本大大降低。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。