一种液体粘度检测方法转让专利
申请号 : CN202110046283.3
文献号 : CN112666047B
文献日 : 2022-04-29
发明人 : 马小晶 , 许瀚文 , 臧航 , 王宏伟
申请人 : 新疆大学
摘要 :
权利要求 :
1.一种液体粘度检测方法,包括以下步骤:(1)收集不同浓度溶液粘度数据,对不同粘度溶液液滴生长过程和溶液中气泡生长过程采集视频;
(2)对所述液滴生长视频和气泡生长视频的目标区域进行分割,得到气泡生长过程和液滴生长过程的图像序列;
(3)将所述图像序列由RGB色彩空间转换为单通道灰度图像,并进行图像预处理;
(4)使用自适应阈值将所述灰度图像进行二值化处理,将图像转化为二值图像;
(5)对所述二值图像进行边缘检测和轮廓提取,并计算提取相关轮廓特征;所述轮廓特征包括:宽度W和长度H和周长L和面积A和圆形度C和矩形度R和伸长度Q;
(6)根据所述轮廓特征判断液滴生长周期,记录一个液滴生长周期的视频帧数F,并依据一定频率采样至最大液滴即液滴生长至断裂前一帧图像的轮廓特征,保存后n个特征序列并与液滴生长周期的视频帧数F组合,记为S=[F,T1,T2,…,Tn],其中Ti=[Wi, Hi, Li, Ai, Ci, Qi];
(7)将所述特征序列T与其对应的溶液粘度V组合在一起作为一个样本点,记为Di={(Si,Vi)};将收集的所有视频求出特征序列,与其对应的溶液粘度组合,求出所有的样本集合D={(S1,V1),(S2,V2),…,(SN,VN)};
(8)对所述样本集合D所有特征进行标准化处理;
(9)利用随机森林特征选择RFFS对所述样本集合D进行特征选择,利用随机森林算法的变量重要性度量对特征进行排序,然后采用序列后向搜索方法,每次从特征集合中去掉一个最不重要的特征,逐次进行迭代,并计算正确率,最终得到变量个数最少、正确率最高的特征子集集合作为特征选择结果;
(10)建立支持向量机回归SVR模型,并使用二次规划算法SMO对目标进行优化;将所述特征子集选作输入变量;溶液粘度作为目标变量是支持向量机回归SVR模型的期望输出,记为yo;支持向量机回归SVR模型的实际输出为Op;利用粒子群算法优化所述支持向量机回归SVR模型的超参数,将最小化均方误差作为优化目标,其适应度函数为:(11)对测试样本进行检测;利用测试样本对训练好的支持向量机回归SVR模型进行测试,支持向量机回归SVR模型的输出即溶液粘度的识别结果。
说明书 :
一种液体粘度检测方法
技术领域
背景技术
检测、金属颗粒检测中应用广泛。传统的粘度测量方法根据检测原理的不同,主要包括流体
法和运动法两种,其中流体法的测量装置包括流出杯粘度计、毛细管粘度计和落球式粘度
计等;运动法的测量装置包括振动式粘度计、旋转式粘度计等。这些粘度测量装置往往十分
庞大复杂,检测精度不高,且对外界环境要求较高。随着生产工艺水平的不断提高,在工业
生产过程中对测量精度、测量效率以及测量的自动化程度要求越来越高。这些传统的检测
技术往往不能满足在线检测场景下精准简便快捷高效的要求。
发明内容
相同条件下液滴生长过程的轮廓特征数据,结合软测量技术利用改进的支持向量机回归方
法训练识别目标液体的运动粘度,从而利用机器视觉的技术检测、控制生产过程,实现粘度
的在线监测,该方法利用机器视觉技术对液体粘度进行非接触检测,便于设备在工业现场
的安装且在一定粘度范围内识别精度较高,满足在线检测场景下精准简便快捷高效的要
求。
液装置4下方平台固定安装有溶液收集槽6;所述控制器7安装在CCD高速摄像机8上方,常压
供液装置4、气泡发生槽5通过通讯线缆与控制器7相连;所述上位PC机9安装在整个装置的
侧旁,CCD高速摄像机8和控制器7通过通讯线缆与其相连。
液槽411的左下方;所述调节阀门414安装在供液口413的管道中,所述供液口413和溢流口
415分别开设于供液槽412槽壁两侧一定高度处,溢流口415与槽壁呈向下倾斜45度的机械
角度;所述可拆毛细滴口416垂直安装于供液槽412底部;所述加压排液阀417位于供液槽
412正上方,固定安装在储液槽411外部;所述控制器7通过通讯线缆与调节阀门414、液位传
感器418和加压排液阀电机相连。
发生管513,微流泵512通过通讯线缆与控制器7相连。
征序列并与液滴生长周期的视频帧数F组合,记为S=[F,T1,T2,…,Tn],其中Ti=[Wi, Hi, Li,
Ai, Ci, Qi];
{(S1,V1),(S2,V2),…,(SN,VN)};
掉一个最不重要的特征,逐次进行迭代,并计算正确率,最终得到变量个数最少、正确率最
高的特征子集集合作为特征选择结果;
出,记为yo;支持向量机回归SVR模型的实际输出为Op;溶液粘度利用粒子群算法优化所述支
持向量机回归SVR模型的超参数,将最小化实际输出与期望输出间的均方误差作为优化目
标,其适应度函数为:
真实溶液粘度确定软测量模型及优化目标,使用支持向量机回归SVR模型的二次规划算法
SMO对目标进行优化;其中软测量模型根据已有数据训练建立。首先,通过向量机回归SVR模
型对历史数据进行训练,利用粒子群算法对支持向量机回归SVR模型超参数进行寻优,进一
步提高建模的准确性。最后,采用优化后的软测量模型进行溶液粘度拟合,通过与真实粘度
的误差分析验证了本发明设计的有效性。该方法解决了传统粘度检测装置体积庞大,实时
性差难以实现在线测量的技术问题,提高了工业场景中在线粘度检测的准确性与实时性,
使加工、检测和控制过程更好的结合到一起。
附图说明
具体实施方式
本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例,都属于本发明保护的范围。
示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装
置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限
制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性;此
外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是
固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是
直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通
技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
可调水平底座1平台上由左到右依次固定安装有LED背光光源2、气泡发生装置5、溶液收集
槽6、支架3、CCD高速摄像机8,通过观察可调水平底座1上水平仪113调节三个可调脚垫111
的高度,以保证平台112保持水平状态;所述LED背光光源2的LED光珠发出的光线经过矩形
漫反射板变为发光均匀的面光源,以提高图像采集的质量;其光线先后经过气泡发生装置
5、常压供液装置4在CCD高速摄像机8的CCD图像传感器上成像,通过调整CCD高速摄像机8的
焦距获得不同粘度溶液液滴生长过程和溶液中气泡生长过程的视频图像;所述控制器7安
装在CCD高速摄像机8上,常压供液装置4、气泡发生槽5通过通讯线缆与控制器7相连,以控
制视频数据采集过程,所述控制器7为可编程逻辑控制器;所述上位PC机9安装在整个装置
的侧旁,CCD高速摄像机8和控制器7通过通讯线缆与其相连,对整个系统起总控作用并对采
集的视频图像数据处理分析识别溶液粘度。
液阀417、液位传感器418;所述供液槽412通过管道连接在储液槽411的左下方,储液槽411
中溶液在重力作用下通过供液口413持续向供液槽412中供液,多余液体则从溢流口415溢
出;所述供液口413和溢流口415分别开设于供液槽412槽壁两侧一定高度处,溢流口415与
槽壁呈向下倾斜45度的机械角度,液滴生成频率与溢流口415到可拆毛细滴口416高度相
关,可通过提取不同粘度溶液在相同液位高度下由垂直向下的毛细滴口形成的轴对称液滴
从形成到断裂过程中形状随时间变化的图像特征,进而分析液滴轮廓特征变化的规律;所
述可拆毛细滴口416垂直安装于供液槽412底部,可通过更换不同口径的毛细滴口改变粘度
测量量程;所述液位传感器418安设在供液槽412腔体内,通过检测供液槽412内液位以调节
调节阀门414开度,以控制供液口413供液流量;所述调节阀门414安装在供液口413的管道
中,当检测开始时调节阀门414处于全开状态,供液槽412内液位快速上升,调节阀门414开
度根据液位传感器418监测的液位上升速度逐渐减小,当液位到达溢流口415高度时供液口
413以略大于可拆毛细滴口416流量的速度向供液槽412供液,以减少检测待测溶液的损耗;
所述加压排液阀414位于供液槽412正上方,固定安装在储液槽411外部,当视频采集结束调
节阀门414以最大开度排空储液槽411溶液后关闭,加压排液阀417的电机启动,辅助清空供
液槽412内剩余溶液,以便快速开始下次测量。
顶部由软管连接气泡发生管513,微流泵512以恒定速度向充满待测溶液的透明储液槽内注
入空气,使气泡发生管末端缓慢稳定生成气泡;所述气泡发生管513垂直安装于透明储液槽
511内,通过提取不同粘度溶液中相同孔径气泡发生管513以恒定流量空气生成气泡过程中
气泡形状随时间变化的图像特征,分析学习其轮廓特征与溶液粘度的关系。
;采用3*3结构体,记为:B,对所述二值图像进行形
态学闭操作,它能够填充图像中的细小空洞,在起到图像降噪作用的同时保留图像中液滴
断裂时颈缩线、卫星液滴等细节信息,以便提取液滴完整的轮廓信息;所述形态学闭操作是
先对二值图像进行膨胀处理后再进行腐蚀处理,其表达式如下:
不同溶液样本的组成成分、浓度各不相同,导致其物理、化学特性也各不相同,所以在条件
一定的情况下,经由相同口径液滴滴头的液滴生长轮廓特征也是不同的,通过图像处理提
取出液滴图像具有代表性的轮廓特征;所述轮廓特征包括:宽度W、长度H、周长L、面积A、圆
形度C、矩形度R、伸长度Q等,其中圆形度用来刻画目标接近圆的程度,目标为圆形时,圆形
2
度最大(C=1),C=(4π*A)/L 。矩形度R反映了图像对于外接矩形的充满程度,也就是液滴的
饱满程度,R值越大,液滴越饱满R=(A/W*H)。延伸度反映了目标在竖直方向的拉伸程度,目
标越细长,延伸度越大;
滴生长至断裂前一帧图像的轮廓特征。保存后n个特征序列并与液滴生长周期的视频帧数F
组合,记为S=[F,T1,T2,…,Tn],其中Ti=[Wi, Hi, Li, Ai, Ci, Qi];
合D={(S1,V1),(S2,V2),…,(SN,VN)};
;
掉一个最不重要的特征,逐次进行迭代,并计算正确率,最终得到变量个数最少、准确率最
高的特征子集作为特征选择结果,使用特征选择的方法可以筛选掉与目标无关或冗余的特
征以提高模型性能;
SVR模型是将所述特征子集的特征值矩阵xi和其对应粘度标记yi,通过一个非线性映射函数
ϕ(x)映射到高维特征空间上。xi输入数据与 f(x)输出数据之间的非线性关系为:
;支持向量机回归SVR模型的重点在于获得最优超平面并最小化训
练样本与损失函数之间的误差,然后将整体误差最小化。因此 SVR 可以写成如下需要优化
的目标函数:
分离的训练样本之间距离的思想来调节它们;第二项用于惩罚通过采用不敏感损失来训练
f(x)与yi之间的误差约束条件,其约束条件如下所示:
basis function)核函数表示为:
SVR模型的性能,提高粘度的识别精度。以下是该算法的实现过程: