CN110543698B - 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 - Google Patents
基于小波布朗运动纹理融合模型测量表面粗糙度的方法 Download PDFInfo
- Publication number
- CN110543698B CN110543698B CN201910754656.5A CN201910754656A CN110543698B CN 110543698 B CN110543698 B CN 110543698B CN 201910754656 A CN201910754656 A CN 201910754656A CN 110543698 B CN110543698 B CN 110543698B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- frequency
- band
- laser speckle
- subband
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003746 surface roughness Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 230000005653 Brownian motion process Effects 0.000 title claims abstract description 19
- 238000005537 brownian motion Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 18
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 19
- 239000002184 metal Substances 0.000 description 10
- 239000004065 semiconductor Substances 0.000 description 7
- 239000000523 sample Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004439 roughness measurement Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004556 laser interferometry Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于表面粗糙度检测技术领域，具体涉及一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法，包括以下步骤：(1)获取激光散斑图像；(2)确定最优小波基函数；(3)确定最优小波分解层数；(4)对获取的激光散斑图像进行二维小波分解；(5)利用小波布朗运动纹理融合的方法进行建模分析，获得数学模型；(6)将待测工件的表面纹理特征参数代入步骤(5)所获取的数学模型中，计算得到待测工件表面的粗糙度；本发明在实践与理论方面利用小波与布朗运动纹理融合的方法建立了激光散斑图像纹理特征参数与表征表面粗糙度参数之间的数学模型，从而通过单幅激光散斑图像便可对待测工件的表面粗糙度进行在线、快速、非接触式的测量。
Description
技术领域
本发明属于表面粗糙度检测技术领域，具体涉及一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法。
背景技术
表面粗糙度是指加工表面具有的较小间距和微小峰谷的不平度，属于微观几何形状误差。国防航天等高精尖产业对其要求越加严格，其直接或间接的影响了加工生产的效率以及仪器仪表的性能和寿命。
目前表面粗糙度测量方法主要包括接触式触针测量方法和光学非接触式测量方法。非接触测量方法由于不会损坏被测表面，得到了快速的发展和应用，光学检测法以其快速、抗干扰、高精度和可以实现在线测量的特点发展尤为迅速。其中，光学探针法易受外界干扰影响，测量效率低；激光干涉法技术复杂，光学系统的调整时间长；激光散射法测量精度不高，测量范围窄，理论计算与实测结果有一定偏差；激光散斑法测量精度较高，但散斑对比度法测量范围小，只适用于Ra＜0.3μm的表面；散斑相关法通常需要两幅图像才能实现，对偏心和震动敏感，不适合于在线测量。可见，都无法实现表面粗糙度的在线、非接触测量。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法。单一的纹理模型具有一定的局限性，纹理融合模型综合使用不同的纹理分析方法，实现各类方法的优缺点互补，建立的粗糙度测量模型更加准确、稳定，从而为实现表面粗糙度的在线、实时自动化测量提供新的解决方案。
为了实现上述目的，本发明采用以下技术方案予以实现：
一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法，包括以下步骤：
(1)搭建实验平台，获取待测工件的一幅激光散斑图像；
(2)利用步骤(1)中获取的激光散斑图像确定最优小波基函数；
(3)确定最优小波分解层数；
(4)对步骤(1)中获取的激光散斑图像进行二维小波分解；
(5)利用小波布朗运动纹理融合的方法进行建模分析，获得数学模型；
(6)将待测工件的表面纹理特征参数代入步骤(5)所获取的数学模型中，计算得到待测工件表面的粗糙度。
本发明中，确定最优小波基函数的步骤为：
(2.1)根据激光散斑图像的对称性和拟周期性，选择具有对称性和光滑性的db系列小波基函数；
(2.2)选择db系列的小波支函数对获取的激光散斑图像进行二维小波分解，分解层数为8层。通过对不同小波支函数所分解的信号在低频子带的熵值稳定大小及稳定程度选择具体的小波支函数；
其信息熵的计算公式为：
其中，p(i，j)表示激光散斑图像在点(i,j)的灰度值。
M表示激光散斑图像所对应灰度图矩阵的行数，
N表示激光散斑图像所对应灰度图矩阵的列数；
本发明中，确定最优小波分解层数按如下步骤进行：
(3.1)根据步骤(2)所确定的最优小波基函数，将获取的激光散斑图像作为研究对象，对其分解为8层，分解得到低频子带LL、高频水平子带HL、高频垂直子带LH、高频对角子带HH的小波子带信号；
(3.2)记其低频子带、高频水平子带、高频垂直子带、高频对角子带的信息熵值的最大值所在的层数分别为n1、n2、n3、n4，其最佳分解层数为N；
其中，
本发明中，步骤(4)中，对激光散斑图像进行二维小波分解所得到的子带记为Z，
Z＝{LL1，LH1，HL1，HH1，…，LLN，LHN，HLN，HHN}。
本发明中，步骤(5)中，建模分析的步骤为：
(5.1)采用分形布朗函数f(x)来描述激光散斑图像的纹理特征，其概率分布满足下式：
其中，x为二维灰度值图像中的任意一点；
||·||表示范数；
a为偏移矢量；
H是描述自相似性或表面不规则度的因子，H∈(0,1)，H与分形维数D以及函数的拓扑维W满足D＝W+1-H，对于纹理表面W＝2，所以分形维数D可表示为：D＝3-H；
(5.2)对分形布朗函数f(x)，假设满足均值为零的正态分布N＝(0，σ2)时，则上式(2)可改写为如下形式：
lgE|f(x+a)-f(x)|2＝2Hlg||a||+lgC (3)
其中，E为期望，C为常数；
(5.3)根据上式(3)推理，则小波分解在垂直方向的高频灰度子带fv(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M1表示垂直方向的高频灰度子带矩阵的行数；
N1表示垂直方向的高频灰度子带矩阵的列数；
C1为常数，通过最小二乘法拟合出上式(4)的斜率可求出H1，并将其代入D1＝3-H1中可得垂直方向的分形维数D1；
(5.4)根据上式(3)推理，则小波分解在水平方向的高频灰度子带fh(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M2表示水平方向的高频灰度子带矩阵的行数；
N2表示水平方向的高频灰度子带矩阵的列数；
C2为常数，通过最小二乘法拟合出上式(5)的斜率可求出H2，并将其代入D2＝3-H2中可得水平方向的分形维数D2；
(5.5)根据上式(3)推理，则小波分解在对角方向的高频灰度子带fd(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M3表示对角方向的高频灰度子带矩阵的行数；
N3表示对角方向的高频灰度子带矩阵的列数；
C3为常数，通过最小二乘法拟合出上式(6)的斜率可求出H3，并将其代入D3＝3-H3中可得对角方向的分形维数D3；
(5.6)根据上式(3)推理，则小波分解在低频近似子带fl(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M4表示低频近似子带矩阵的行数；
N4表示低频近似子带矩阵的列数；
C4为常数，通过最小二乘法拟合出上式(7)的斜率可求出H4，并将其代入D4＝3-H4中可得低频近似子带方向的分形维数D4；
(5.7)根据步骤(4)中所得子带Z中，小波分解沿LL、HL、LH、HH方向在第N层的小波系数，记为LLN，LHN，HLN，HHN；
(5.8)窗口分别选取64×64、128×128、256×256、512×512、1024×1024，研究窗口变化时各子带方向分形维数与窗口大小之间的变化，选取变化趋势稳定的窗口大小；
(5.9)选择合适窗口邻域间的间距，记为K，记录分形维数随K值的变化，选取变化趋势稳定的窗口邻域间的间距；
(5.10)基于上述条件对子带中的LLN，LHN，HLN，HHN进行分形维数计算，利用不同方向的分形维数和表面粗糙度参数Ra建立数学模型，根据测量值与标准值的偏差确定所建立的数学模型的准确程度，选择更为准确、稳定的数学模型作为最终的小波布朗运动纹理融合模型。
与现有技术相比，本发明具有以下技术效果：
本发明提供的基于小波布朗运动纹理融合模型测量表面粗糙度的方法，针对激光散斑图像不稳定的特征进行小波分解预处理，以得到更为细致的图像信息，确保了测量的准确性和稳定性；再采用布朗运动模型提取纹理特征参数，从而达到小波布朗运动纹理融合的方式建立分形维数与表面粗糙度的数学模型，通过采集待测工件的激光散斑图像纹理特征参数便可计算出待测工件的表面粗糙度。
本发明在实践与理论方面，利用两种不同纹理模型，实现不同纹理方法的优缺点互补，建立了激光散斑图像纹理特征参数与表面粗糙度参数的数学模型，从而通过单幅激光散斑图像便可对待测工件的表面粗糙度进行在线、快速、非接触式的测量。根据本发明提供的方法测量表面粗糙度，其相应的测量设备简单，对环境的要求低，只需获取待测工件的激光散斑图像，受外界环境因素影响较小，该方法为表面粗糙度的在线、实时自动化测量提供了新的方案。
附图说明
图1为本发明提供的基于小波布朗运动纹理融合模型测量表面粗糙度方法的流程图。
图2分形维数D随窗口大小变化趋势；
图3分形维数D3随窗口邻域间的间距K变化趋势；
图4为分形维数D1，分形维数D2，分形维数D3，分形维数D4与表面粗糙度Ra归一化关系图；
图5为对角方向HH的分形维数D3与表面粗糙度Ra间关系曲线、数学模型拟合曲线。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体附图及实施例，进一步阐明本发明。
结合图1所示，本发明提供的是一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法，该方法具体包括以下步骤：
(1)搭建实验平台，获取待测工件的一幅激光散斑图像；
(2)利用步骤(1)中获取的激光散斑图像确定最优小波基函数；
(3)确定最优小波分解层数；
(4)对步骤(1)中获取的激光散斑图像进行二维小波分解；
(5)利用小波布朗运动纹理融合的方法进行建模分析，获得数学模型；
(6)将待测工件的表面纹理特征参数代入步骤(5)所获取的数学模型中，计算得到待测工件表面的粗糙度。
本发明中，通过半导体激光器产生激光束来照射待测工件样品的表面，产生激光散斑图像，然后通过无镜头的黑白CCD相机采集激光散斑图像，并将其转化为数字图像传送到计算机中。
本发明中，确定最优小波分解层数按如下步骤进行：
(3.1)根据步骤(2)所确定的最优小波基函数，将获取的激光散斑图像作为研究对象，对其分解为8层，分解得到低频子带LL、高频水平子带HL、高频垂直子带LH、高频对角子带HH的小波子带信号；
(3.2)记其低频子带、高频水平子带、高频垂直子带、高频对角子带的信息熵值的最大值所在的层数分别为n1、n2、n3、n4，其最佳分解层数为N；
其中，
本发明中，步骤(4)中，对激光散斑图像进行二维小波分解所得到的子带记为Z，
Z＝{LL1，LH1，HL1，HH1，…，LLN，LHN，HLN，HHN}。
本发明中，步骤(5)中，建模分析的步骤为：
(5.1)采用分形布朗函数f(x)来描述激光散斑图像的纹理特征，其概率分布满足下式：
其中，x为二维灰度值图像中的任意一点；
||·||表示范数；
a为偏移矢量；
H是描述自相似性或表面不规则度的因子，H∈(0,1)，H与分形维数D以及函数的拓扑维W满足D＝W+1-H，对于纹理表面W＝2，所以分形维数D可表示为：D＝3-H；
(5.2)对分形布朗函数f(x)，假设满足均值为零的正态分布N＝(0，σ2)时，则上式(2)可改写为如下形式：
lgE|f(x+a)-f(x)|2＝2Hlg||a||+lgC (3)
其中，E为期望，C为常数；
(5.3)根据上式(3)推理，则小波分解在垂直方向的高频灰度子带fv(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M1表示垂直方向的高频灰度子带矩阵的行数；
N1表示垂直方向的高频灰度子带矩阵的列数；
C1为常数，通过最小二乘法拟合出上式(4)的斜率可求出H1，并将其代入D1＝3-H1中可得垂直方向的分形维数D1；
(5.4)根据上式(3)推理，则小波分解在水平方向的高频灰度子带fh(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M2表示水平方向的高频灰度子带矩阵的行数；
N2表示水平方向的高频灰度子带矩阵的列数；
C2为常数，通过最小二乘法拟合出上式(5)的斜率可求出H2，并将其代入D2＝3-H2中可得水平方向的分形维数D2；
(5.5)根据上式(3)推理，则小波分解在对角方向的高频灰度子带fd(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M3表示对角方向的高频灰度子带矩阵的行数；
N3表示对角方向的高频灰度子带矩阵的列数；
C3为常数，通过最小二乘法拟合出上式(6)的斜率可求出H3，并将其代入D3＝3-H3中可得对角方向的分形维数D3；
(5.6)根据上式(3)推理，则小波分解在低频近似子带fl(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M4表示低频近似子带矩阵的行数；
N4表示低频近似子带矩阵的列数；
C4为常数，通过最小二乘法拟合出上式(7)的斜率可求出H4，并将其代入D4＝3-H4中可得低频近似子带方向的分形维数D4；
(5.7)根据步骤(4)中所得子带Z中，小波分解沿LL、HL、LH、HH方向在第N层的小波系数，记为LLN，LHN，HLN，HHN；
(5.8)窗口分别选取64×64、128×128、256×256、512×512、1024×1024，研究窗口变化时各子带方向分形维数与窗口大小之间的变化，选取变化趋势稳定的窗口大小；
(5.9)选择合适窗口邻域间的间距，记为K，记录分形维数随K值的变化，选取变化趋势稳定的窗口邻域间的间距；
(5.10)基于上述条件对子带中的LLN，LHN，HLN，HHN进行分形维数计算，利用不同方向的分形维数和表面粗糙度参数Ra建立数学模型，根据测量值与标准值的偏差确定所建立的数学模型的准确程度，选择更为准确、稳定的数学模型作为最终的小波布朗运动纹理融合模型。
以下通过具体的实施例来进一步阐述本发明提供的测量表面粗糙度的方法。
取平磨金属实验标样作为待测工件，在该平磨金属表面的法线方向放置一台无镜头黑白CCD，利用半导体激光器对平磨金属表面进行照射，其照射方向与平磨金属表面法线之间的夹角应尽可能小，以减少表面粗糙度计算时表面微结构方向的影响，具体的，为安装方便，激光器照射方向与待测物体表面法线之间的夹角为10°；半导体激光器照射出的光斑需均匀，直径为5mm；通过无镜头黑白CCD获取得到平磨金属表面的客观激光散斑图像；具体的，所述的半导体激光器采用35mw，波长为660nm的半导体激光器。
在该具体的实施例中，本发明采用一组表面粗糙度为0.1μm，0.2μm，0.4μm，0.8μm，1.6μm的平磨金属实验标样作为研究对象；以下先以表面粗糙度为1.6μm的平磨金属实验标样为例，确定最优小波基函数和最优分解层数：
采用上述方法获取表面粗糙度为1.6μm的平磨金属实验标样的激光散斑图像，根据激光散斑图像的对称性和拟周期性，选择具有一定对称性和光滑性的小波基函数，具体选择db系列小波。
根据db1小波基分解激光散斑图像的灰度图时信息熵的衰减稳定程度更为稳定，所以选择db1小波基函数进行小波分解。
以db1为小波基函数其各方向的熵值变化如下表：
| R<sub>a</sub>＝1.6μm | LL | HL | LH | HH |
| 1 | 9.2199 | 6.7198 | 6.2406 | 3.837 |
| 2 | 9.3945 | 8.862 | 8.6602 | 7.0848 |
| 3 | 9.337 | 9.1259 | 8.8463 | 8.7365 |
| 4 | 9.0517 | 9.0616 | 8.995 | 8.8526 |
| 5 | 9.0123 | 8.8427 | 8.841 | 8.7631 |
| 6 | 8.2468 | 7.9578 | 8.2147 | 7.9353 |
| 7 | 6.7954 | 6.4585 | 6.5918 | 6.0778 |
| 8 | 5.0721 | 5.1293 | 4.7976 | 4.7976 |
各个方向的熵值最大值由上表可知n1＝2，n2＝3，n3＝4，n4＝4，经计算可知最佳分解层数N＝4。
按同样的操作分别获取表面粗糙度为0.1μm，0.2μm，0.4μm，0.8μm的平磨金属实验标样的激光散斑图像，用于建立小波布朗运动纹理融合模型测量表面粗糙度的数学模型。
以Ra＝0.8μm的激光散斑图像为研究对象，窗口分别选取64×64、128×128、256×256、512×512、1024×1024，研究窗口变化时各子带方向纹理特征参数的变化，如图2所示：当窗口大于等于256×256时，分形维数的值变化很小，比较稳定，说明最优窗口大小是256×256。
以Ra＝0.8μm的激光散斑图像为研究对象，研究步距K变化时，不同激光散斑图像的对角方向HH的分形维数D3的变化，如图3所示：当步距K小于2时，分维数变化较大，步距K大于等于2时，分维数变化平缓，综合计算效率，步距K选为2。
通过四个方向小波系数计算出来的分形维数可知，垂直分形维数D1，水平分形维数D2，对角分形维数D3，低频分形维数D4与表面粗糙度Ra均单调，四个特征参数与表面粗糙度Ra的变化趋势归一化比较，如图4所示；
利用最小二乘法3次拟合，并计算拟合曲线的测量值与标准值的偏差，可知根据对角分形维数D与表面粗糙度所建立的数学模型的测量值与标准值的偏差更小，更为准确、稳定，其数学模型为：
Ra＝35947.6304667328D3-104148.300428429D2+100573.399408222D-32371.1280056666
根据该数学模型所计算出来该组平磨实验标样的表面粗糙度分别为：
0.13μm，0.17μm，0.40μm，0.80μm，1.60μm；
通过对比可以看出，本发明提供的该方法所得到的平磨金属实验标样的表面粗糙度与其标定的表面粗糙度的偏差非常小，可以准确的测算得到待测工件的表面粗糙度。
其对角方向HH的分形维数D3与表面粗糙度Ra的关系曲线及数学模型的拟合曲线如图5所示。
通过图5可以看出基于小波布朗运动纹理融合模型较准确，通过该数学模型，只需要一幅待测工件的激光散斑图像，就能够实现非接触的测量表面粗糙度，并且表面粗糙度越大，测量精度越高，该方法具有实时、在线、测量速度快等特点。
相较于传统的单一纹理模型特征参数测量，该测量方法通过小波分解，能够提取更多的细节纹理特征，能够测量表面粗糙度表征微观的几何形貌，对于测量环境等的外界干扰，通过小波布朗运动纹理融合模型测量表面粗糙度的方法，也能使数学模型具有一定的抗干扰，其测量更为稳定和准确。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于小波布朗运动纹理融合模型测量表面粗糙度的方法，其特征在于，包括以下步骤：
(1)搭建实验平台，获取待测工件的一幅激光散斑图像；
(2)利用步骤(1)中获取的激光散斑图像确定最优小波基函数；
(3)确定最优小波分解层数；
(4)对步骤(1)中获取的激光散斑图像进行二维小波分解；
(5)利用小波布朗运动纹理融合的方法进行建模分析，获得数学模型；
(6)将待测工件的表面纹理特征参数代入步骤(5)所获取的数学模型中，计算得到待测工件表面的粗糙度。
2.根据权利要求1所述的基于小波布朗运动纹理融合模型测量表面粗糙度的方法，其特征在于，确定最优小波基函数的步骤为：
(2.1)根据激光散斑图像的对称性和拟周期性，选择具有对称性和光滑性的db系列小波基函数；
(2.2)选择db系列的小波支函数对获取的激光散斑图像进行二维小波分解，分解层数为8层，通过对不同小波支函数所分解的信号在低频子带的熵值稳定大小及稳定程度选择具体的小波支函数；
其信息熵的计算公式为：
其中，p(i，j)表示激光散斑图像在点(i,j)的灰度值；
M表示激光散斑图像所对应灰度图矩阵的行数，
N表示激光散斑图像所对应灰度图矩阵的列数。
3.根据权利要求1所述的基于小波布朗运动纹理融合模型测量表面粗糙度的方法，其特征在于，确定最优小波分解的层数按如下步骤进行：
(3.1)根据步骤(2)所确定的最优小波基函数，将获取的激光散斑图像作为研究对象，对其分解为8层，分解得到低频子带LL、高频水平子带HL、高频垂直子带LH、高频对角子带HH的小波子带信号；
(3.2)记其沿低频子带、高频水平子带、高频垂直子带、高频对角子带的信息熵值的最大值所在的层数分别为n1、n2、n3、n4，其最佳分解层数为N；
其中，
4.根据权利要求1所述的基于小波布朗运动纹理融合模型测量表面粗糙度的方法，其特征在于，步骤(4)中，对激光散斑图像进行二维小波分解所得到的子带记为Z，
Z＝{LL1，LH1，HL1，HH1，…，LLN，LHN，HLN，HHN}。
5.根据权利要求1所述的基于小波布朗运动纹理融合模型测量表面粗糙度的方法，其特征在于，步骤(5)中，建模分析的步骤为：
(5.1)采用分形布朗函数f(x)来描述激光散斑图像的纹理特征，其概率分布满足下式：
其中，x为二维灰度值图像中的任意一点；
||·||表示范数；
a为偏移矢量；
H是描述自相似性或表面不规则度的因子，H∈(0,1)，H与分形维数D以及函数的拓扑维W满足D＝W+1-H，对于纹理表面W＝2，所以分形维数D可表示为：D＝3-H；
(5.2)对分形布朗函数f(x)，假设满足均值为零的正态分布N＝(0，σ2)时，则上式(2)可改写为如下形式：
lgE|f(x+a)-f(x)|2＝2Hlg||a||+lgC (3)
其中，E为期望，C为常数；
(5.3)根据上式(3)推理，则小波分解在垂直方向的高频灰度子带fv(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M1表示垂直方向的高频灰度子带矩阵的行数；
N1表示垂直方向的高频灰度子带矩阵的列数；
C1为常数，通过最小二乘法拟合出上式(4)的斜率可求出H1，并将其代入D1＝3-H1中可得垂直方向的分形维数D1；
(5.4)根据上式(3)推理，则小波分解在水平方向的高频灰度子带fh(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M2表示水平方向的高频灰度子带矩阵的行数；
N2表示水平方向的高频灰度子带矩阵的列数；
C2为常数，通过最小二乘法拟合出上式(5)的斜率可求出H2，并将其代入D2＝3-H2中可得水平方向的分形维数D2；
(5.5)根据上式(3)推理，则小波分解在对角方向的高频灰度子带fd(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M3表示对角方向的高频灰度子带矩阵的行数；
N3表示对角方向的高频灰度子带矩阵的列数；
C3为常数，通过最小二乘法拟合出上式(6)的斜率可求出H3，并将其代入D3＝3-H3中可得对角方向的分形维数D3；
(5.6)根据上式(3)推理，则小波分解在低频近似子带fl(x，y)中的布朗模型为：
其中，k＝为偏移矢量；
M4表示低频近似子带矩阵的行数；
N4表示低频近似子带矩阵的列数；
C4为常数，通过最小二乘法拟合出上式(7)的斜率可求出H4，并将其代入D4＝3-H4中可得低频近似子带方向的分形维数D4；
(5.7)根据步骤(4)中所得子带Z中，小波分解沿LL、HL、LH、HH方向在第N层的小波系数，记为LLN，LHN，HLN，HHN；
(5.8)窗口分别选取64×64、128×128、256×256、512×512、1024×1024，研究窗口变化时各子带方向分形维数与窗口大小之间的变化，选取变化趋势稳定的窗口大小；
(5.9)选择合适窗口邻域间的间距，记为K，记录分形维数随K值的变化，选取变化趋势稳定的窗口为邻域间的间距；
(5.10)基于上述条件对子带中的LLN，LHN，HLN，HHN进行分形维数计算，利用不同方向的分形维数和表面粗糙度参数Ra建立数学模型，根据测量值与标准值的偏差确定所建立的数学模型的准确程度，选择更为准确、稳定的数学模型作为最终的小波布朗运动纹理融合模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754656.5A CN110543698B (zh) | 2019-08-15 | 2019-08-15 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754656.5A CN110543698B (zh) | 2019-08-15 | 2019-08-15 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110543698A CN110543698A (zh) | 2019-12-06 |
| CN110543698B true CN110543698B (zh) | 2022-10-18 |
Family
ID=68711621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910754656.5A Active CN110543698B (zh) | 2019-08-15 | 2019-08-15 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110543698B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113899349B (zh) * | 2021-10-26 | 2023-06-02 | 湖北中南鹏力海洋探测系统工程有限公司 | 海浪参数检测方法、设备及存储介质 |
| CN116275600B (zh) * | 2023-05-19 | 2023-09-29 | 济南邦德激光股份有限公司 | 一种激光切割机的智能化切割数据处理方法、装置及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
| US10151585B1 (en) * | 2017-08-25 | 2018-12-11 | National Taiwan Ocean University | Non-contact and optical measuring automation system for the surface roughness value of disk cams and method thereof |
-
2019
- 2019-08-15 CN CN201910754656.5A patent/CN110543698B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
| US10151585B1 (en) * | 2017-08-25 | 2018-12-11 | National Taiwan Ocean University | Non-contact and optical measuring automation system for the surface roughness value of disk cams and method thereof |
Non-Patent Citations (1)
| Title |
|---|
| 基于小波变换的散斑纹理表面粗糙度信息提取;杨蕾等;《电子测量与仪器学报》;20121215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110543698A (zh) | 2019-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rifai et al. | Evaluation of turned and milled surfaces roughness using convolutional neural network | |
| Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
| Palani et al. | Prediction of surface roughness in CNC end milling by machine vision system using artificial neural network based on 2D Fourier transform | |
| CN110543698B (zh) | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 | |
| CN105066915B (zh) | 模具曲面加工误差和表面粗糙度在机检测装置及检测方法 | |
| WO2014104055A1 (ja) | パターン形状評価方法、半導体装置の製造方法及びパターン形状評価装置 | |
| Pour | Determining surface roughness of machining process types using a hybrid algorithm based on time series analysis and wavelet transform | |
| Du et al. | A novel approach for pavement texture characterisation using 2D-wavelet decomposition | |
| CN106482674B (zh) | 基于中智数函数的结构面粗糙度尺寸效应的近似表达方法 | |
| CN105424726A (zh) | 基于机器视觉的发光面板检测方法 | |
| CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
| Yu et al. | An improved tool wear monitoring method using local image and fractal dimension of workpiece | |
| CN116399241B (zh) | 一种贴片式电感几何参数测量方法及系统 | |
| CN113607546A (zh) | 一种裂纹测量方法 | |
| CN113012103A (zh) | 一种大口径望远镜镜片表面疵病定量检测方法 | |
| CN112907526A (zh) | 基于lbf的卫星望远镜镜片表面疵病检测方法 | |
| Li et al. | A structured light vision sensor for online measurement of steel-plate width | |
| CN108733913B (zh) | 一种基于dwpso算法的眼科oct设备横向分辨率检测方法 | |
| Ayala-Landeros et al. | Correlation between roughness (Ra) and fractal dimension (D) using artificial vision systems for on-site inspection | |
| CN116626685A (zh) | 基于机器学习的河道底泥实时监测方法及系统 | |
| CN110411380B (zh) | 基于小波包纹理分析的非接触式表面粗糙度测量方法 | |
| Akbari et al. | An effective image based surface roughness estimation approach using neural network | |
| Huang et al. | Experimental and finite element analysis of plastic domain evolution of wavy surfaces during contact | |
| CN116124047A (zh) | 一种基于法向量统计特性的粗糙度各向异性参数测量方法 | |
| CN114861782A (zh) | 电子元器件近场扫描电磁图案聚类分析方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |