[发明专利]基于深度学习和图像处理的密封容器泄漏量测量方法

说明书

本发明公开了一种基于深度学习和图像处理的密封容器泄漏量测量方法，包括以下步骤：步骤1、获取密封容器泄漏产生气泡时的图像；步骤2、采用YOLOv5进行特征提取，并采用目标跟踪算法进行跟踪，得到图像中每个气泡各帧图像的气泡截取框图片；步骤3、对步骤2得到的每个气泡各帧图像的气泡截取框图片进行图像处理，得到每个气泡的几何数据和坐标数据；步骤4、基于每个气泡的几何数据和坐标数据计算得到每个气泡的体积；步骤5、将所有气泡的体积相加得到密封容器的泄漏量。本发明可智能化处理得到密封容器的泄漏量，具有精确度高、速度快的优点。

技术领域

本发明涉及泄漏量测量方法领域，具体是一种基于深度学习和图像处理的密封容器泄漏量测量方法。

背景技术

密封容器是指除特定进出口外，工作过程中需要与外界完全隔离的密封空间。生活中常见的车用密封容器、燃气储气罐、空调压缩机、输油管道等都属于密封容器。针对密封容器气密性检测方法的研究已经有了很多，主要分为定性测量和定量测量两类方法。

定性检测主要是关注密封容器或管道是否泄漏，但是无法通过准确数据给出泄漏量大小，主要包括传统的人工水浸法、超声波检测、红外检测。定量检测是能够获取泄漏量大小的方法，包括示踪气体法、压力传感器检测法等。

随着数字图像处理技术在产品缺陷检测领域越来广泛，基于机器视觉的密封性检测技术也逐步受到研究者的重视，越来越多的研究者在传统的人工水浸法基础上，加上了机器视觉，来替代人工观测。基于机器视觉的气泡法具有成本低、能够泄漏点定位等优点。

然而现有的基于机器视觉的气泡法是基于传统的水浸法改进而来，具有以下几点问题：（1）应用环境要求高，计算机视觉在气泡检测过程中，需要对气泡进行精确识别以便后续处理，因此需要稳定的光源和保持水体清洁，然而直接将待测工件放入水中，会造成水体污染问题，不利于后续检测工作；（2）气密性检测场景通常包含照明效果，工业现场灯光明暗变化复杂，获得的图像质量参差不齐，传统的图像检测与分割算法应用效果不好；（3）被测量工件完成水中检测之后，需要对工件表面进行烘干和去除污渍处理，能耗增加；（4）不能对待测工件的泄漏量进行定量描述；（5）不适用于多个密封容器同时检测，检测效率不高。

发明内容

本发明的目的是提供一种基于深度学习和图像处理的密封容器泄漏量测量方法，为了克服上述密封容器密封性检测技术上所存在的局限性，提出了一种基于深度学习的密封容器气密性干式检测机制。该检测机制是通过设计一整套自动化检测装置（以汽车工业中需求量极大的滤清器为例），将密封容器中泄漏出来的气体引入到水盒中，再以气泡的形式表达出来，通过DCNN和气泡体积建模，对气泡体积测量，从而间接获得密封容器的泄漏量(1)相较于上述基于传统的水浸法改进而来机器视觉密封性检测方法，该方法避免了直接将待测工件放置于水中检测所面临的各种问题；(2) 相较于高精度压力传感器，避免了测量过程中环境温度对测量结果稳定性的影响；此外，该方法能够把测量过程中的泄漏量及时的以气泡的形式排到大气中，保持密封气罩和密封容器之间的密封腔体压力几乎不变，不受压力传感器的量程限制。能够有效解决上述密封性检测过程中所遇到的问题。

为了达到上述目的，本发明所采用的技术方案为：

基于深度学习和图像处理的密封容器泄漏量测量方法，包括以下步骤：

步骤1、获取密封容器泄漏时在液体中产生气泡时的图像；

步骤2、以步骤1采集的图像为输入，采用YOLOv5进行特征提取，并采用目标跟踪算法以图像中的各个气泡为目标进行跟踪，由此得到图像中每个气泡各帧图像的气泡截取框图片；

步骤3、对步骤2得到的每个气泡各帧图像的气泡截取框图片进行图像处理，得到每个气泡的几何数据和坐标数据；

步骤4、基于步骤3得到的每个气泡的几何数据和坐标数据，利用以下公式计算得到每个气泡的体积，公式如下：

，

其中，v_ｇ表示气体的流速，即气泡的运动速度，根据气泡的坐标数据确定；