CN114445407A - 材料的耐磨性能检测方法和装置 - Google Patents
材料的耐磨性能检测方法和装置 Download PDFInfo
- Publication number
- CN114445407A CN114445407A CN202210370758.9A CN202210370758A CN114445407A CN 114445407 A CN114445407 A CN 114445407A CN 202210370758 A CN202210370758 A CN 202210370758A CN 114445407 A CN114445407 A CN 114445407A
- Authority
- CN
- China
- Prior art keywords
- wear
- depth
- depth image
- image
- experimental material
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/56—Investigating resistance to wear or abrasion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提供了一种材料的耐磨性能检测方法和装置,涉及材料性能测试技术领域,该方法包括:获取实验材料在进行摩擦磨损实验之后的第一表征数据和实验材料进行摩擦磨损实验前的第二表征数据,通过对第一表征数据中的第一深度图像和第二表征数据中的第二深度图像进行处理,获取实验材料对应的摩擦磨损表面形貌特征图;根据第一表征数据中的能谱信息和第二表征数据中的能谱信息,获取实验材料的元素转移序列;根据摩擦磨损表面形貌特征图和元素转移序列,获取实验材料的磨损特征向量;通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。用以解决确定材料的耐磨性能时精确度较低的问题。
Description
技术领域
本申请涉及材料性能测试技术领域,尤其涉及一种材料的耐磨性能检测方法和装置。
背景技术
在机器的运行、物体的移动等过程中,相互接触的材料之间会不可避免的产生摩擦磨损现象。通常情况下,材料之间发生摩擦磨损现象会到导致材料发生变形,影响材料的使用寿命,进而影响机器的正常运行或器件的正常使用。如刹车片过度磨损可能会导致刹车乏力、刹车抖动及异响,损伤刹车盘导致刹车鼓损坏,甚至可能导致刹车失灵等等。
现行技术中,可采用单一模式运行的摩擦磨损试验机、或多功能摩擦磨损试验机对材料的耐磨性能进行检测,获取材料在摩擦磨损实验前后的质量差,基于质量差确定材料的磨损程度,从而确定材料的耐磨性能。但基于上述方法确定的材料的耐磨性能的精确度较低。
发明内容
为了解决基于目前的方法检测材料的耐磨性能时,确定的材料的耐磨性能的精确度较低,本申请提供一种材料的耐磨性能检测方法、装置、电子设备及计算机可读存储介质。
第一方面,本申请提供一种材料的耐磨性能检测方法,所述方法包括:
获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;
根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图;
根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;
根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;
通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
作为本申请一种可选的实施方式,所述根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图,包括:
根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图和表面粗糙度变化特征图;
获取所述第一深度图像对应的方向梯度特征图以及平均深度曲率图像;
根据所述表面变化深度图、所述表面粗糙度变化特征图、所述方向梯度特征图以及所述平均深度曲率图像,获取所述摩擦磨损表面形貌特征图。
作为本申请一种可选的实施方式,所述根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图,包括:
根据所述第一深度图像中各像素的深度和所述第一深度图像中的最大深度,获取所述第一深度图像的标准深度图;
根据所述第二深度图像中各像素的深度和所述第二深度图像中的最大深度,获取所述第二深度图像的标准深度图;
基于所述第一深度图像的标准深度图和所述第二深度图像的标准深度图,获取所述实验材料对应的表面变化深度图。
作为本申请一种可选的实施方式,根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面粗糙度变化特征图,包括:
获取第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像,所述第一熵特征图为所述第一深度图像对应的熵特征图,所述第二熵特征图为所述第二深度图像对应的熵特征图,所述第一空间分布聚合图像为所述第一深度图像对应的空间分布聚合图像,所述第二空间分布聚合图像为所述第二深度图像对应的空间分布聚合图像;
根据所述第一熵特征图、所述第二熵特征图、所述第一空间分布聚合图像、以及所述第二空间分布聚合图像,获取所述实验材料对应的表面粗糙度变化特征图。
作为本申请一种可选的实施方式,所述获取所述第一深度图像对应的平均深度曲率图像,包括:
获取所述第一深度图像对应的深度矩阵,所述深度矩阵包括所述第一深度图像中各个像素与预设邻域范围内的像素的深度构成的矩阵;
对所述深度矩阵进行卷积操作,获取所述第一深度图像中各个像素的平均曲率;
基于所述第一深度图像中各个像素的平均曲率,获取所述第一深度图像对应的平均深度曲率图像。
作为本申请一种可选的实施方式,所述根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量,包括:
通过卷积神经网络对所述摩擦磨损表面形貌特征图进行处理,获取所述摩擦磨损表面形貌特征图对应的表面形貌特征向量;
通过序列神经网络对所述元素转移序列进行处理,获取所述元素转移序列对应的元素转移特征向量;
将所述表面形貌特征向量和所述元素转移特征向量进行融合处理,获取所述实验材料的磨损特征向量。
作为本申请一种可选的实施方式,所述通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能,包括:
根据所述实验材料的磨损特征向量与所述各个样本材料的磨损特征向量之间的余弦距离,获取目标样本材料,所述目标样本材料为所述余弦距离最小的样本材料;
根据所述目标样本材料对应的磨损类型,确定所述实验材料的耐磨性能。
作为本申请一种可选的实施方式,所述方法还包括:
将所述目标样本材料对应的磨损类型确定为所述实验材料对应的磨损类型。
作为本申请一种可选的实施方式,所述方法还包括:
获取所述实验材料的磨损量和摩擦系数变化曲线;
基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的磨损特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
第二方面,本申请提供一种材料的耐磨性能检测装置,包括:
采集模块,用于获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;
分析模块,用于根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像进行处理,获取所述实验材料对应的摩擦磨损表面形貌特征图;
所述分析模块,还用于根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;
处理模块,用于根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;
比对模块,用于通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
作为本申请一种可选的实施方式,所述分析模块,具体用于根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图和表面粗糙度变化特征图;
获取所述第一深度图像对应的方向梯度特征图以及平均深度曲率图像;
根据所述表面变化深度图、所述表面粗糙度变化特征图、所述方向梯度特征图以及所述平均深度曲率图像,获取所述摩擦磨损表面形貌特征图。
作为本申请一种可选的实施方式,所述分析模块,具体用于根据所述第一深度图像中各像素的深度和所述第一深度图像中的最大深度,获取所述第一深度图像的标准深度图;
根据所述第二深度图像中各像素的深度和所述第二深度图像中的最大深度,获取所述第二深度图像的标准深度图;
基于所述第一深度图像的标准深度图和所述第二深度图像的标准深度图,获取所述实验材料对应的表面变化深度图。
作为本申请一种可选的实施方式,所述分析模块,具体用于获取第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像,所述第一熵特征图为所述第一深度图像对应的熵特征图,所述第二熵特征图为所述第二深度图像对应的熵特征图,所述第一空间分布聚合图像为所述第一深度图像对应的空间分布聚合图像,所述第二空间分布聚合图像为所述第二深度图像对应的空间分布聚合图像;
根据所述第一熵特征图、所述第二熵特征图、所述第一空间分布聚合图像、以及所述第二空间分布聚合图像,获取所述实验材料对应的表面粗糙度变化特征图。
作为本申请一种可选的实施方式,所述分析模块,具体用于获取所述第一深度图像对应的深度矩阵,所述深度矩阵包括所述第一深度图像中各个像素与预设邻域范围内的像素的深度构成的矩阵;
对所述深度矩阵进行卷积操作,获取所述第一深度图像中各个像素的平均曲率;
基于所述第一深度图像中各个像素的平均曲率,获取所述第一深度图像对应的平均深度曲率图像。
作为本申请一种可选的实施方式,所述处理模块,具体用于通过卷积神经网络对所述摩擦磨损表面形貌特征图进行处理,获取所述摩擦磨损表面形貌特征图对应的表面形貌特征向量;
通过序列神经网络对所述元素转移序列进行处理,获取所述元素转移序列对应的元素转移特征向量;
将所述表面形貌特征向量和所述元素转移特征向量进行融合处理,获取所述实验材料的磨损特征向量。
作为本申请一种可选的实施方式,所述比对模块,具体用于根据所述实验材料的磨损特征向量与所述各个样本材料的磨损特征向量之间的余弦距离,获取目标样本材料,所述目标样本材料为所述余弦距离最小的样本材料;
根据所述目标样本材料对应的磨损类型,确定所述实验材料的耐磨性能。
作为本申请一种可选的实施方式,所述装置还包括:
确定模块,用于将所述目标样本材料对应的磨损类型确定为所述实验材料对应的磨损类型。
作为本申请一种可选的实施方式,所述分析模块,还用于获取所述实验材料的磨损量和摩擦系数变化曲线;
基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的磨损特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
第三方面,本申请提供一种电子设备,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行第一方面或第一方面任一种可选的实施方式所述的材料的耐磨性能检测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时执行第一方面或第一方面任一种可选的实施方式所述的材料的耐磨性能检测方法。
本申请提供一种材料的耐磨性能检测方法、装置、电子设备及计算机可读存储介质,其中,所述方法包括:获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图;根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。在本申请中,一方面获取了实验材料的摩擦磨损表面形貌特征图,另一方面,获取了实验材料的元素转移序列,基于材料的形貌和组成元素两方面的特征确定了实验材料的磨损特征向量,提高了确定实验材料的磨损特征向量的效率和精确度。此外,通过比对实验材料的磨损特征向量与各个样本材料的磨损特征向量,可确定与实验材料的磨损特征向量最为接近的样本材料,进而可基于该样本材料的耐磨性能确定实验材料的耐磨性能,提高了确定实验材料的耐磨性能的精确度。
附图说明
图1为本申请一个实施例提供的材料的耐磨性能检测方法的流程图;
图2为本申请另一个实施例提供的材料的耐磨性能检测方法的流程图;
图3为本申请又一个实施例提供的材料的耐磨性能检测方法的流程图;
图4为本申请一个实施例提供的材料的耐磨性能检测装置的结构框图;
图5为本申请另一个实施例提供的材料的耐磨性能检测装置的结构框图;
图6为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面将对本申请的方案进行进一步描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但本申请还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本申请的一部分实施例,而不是全部的实施例。
本申请的说明书和权利要求书中的术语“第一”和“第二”等是用于区别同步的对象,而不是用于描述对象的特定顺序。例如,第一深度图像和第二深度图像是用于区别不同的深度图像,而不是用于描述深度图像的特定顺序或大小。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,此外,在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
首先,对本申请实施例的应用场景进行示例性说明:确定一种材料的耐磨性能时,通常是对摩擦磨损前的材料进行表征,如获取质量、形貌特征等等。再对材料进行摩擦磨损实验,得到对应的磨损材料,对磨损材料进行表征,获取质量、形貌特征、摩擦系数等等。通过比对材料在实验前和实验后的表征数据,得到材料的耐磨性能。但质量差值、摩擦系数并不能准确的反应材料的耐磨性能,因此基于现行方法,很难精确的确定材料的耐磨性能。
基于此,本申请实施例提供一种材料的耐磨性能检测方法,通过获取与实验材料的耐磨性能最为接近的已知材料,基于已知材料所处的耐磨等级,确定实验材料的耐磨等级,从而根据实验材料的耐磨等级对实验材料的耐磨性能进行评估,可提高确定材料的耐磨性能的精确度。
本申请不对实验材料的类别、用途等进行具体限定。
以下通过几个具体实施例,对本申请提供的材料的耐磨性能检测方法进行详细阐述。
图1为本申请一个实施例提供的材料的耐磨性能检测方法的流程图,参照图1所示,材料的耐磨性能检测方法包括以下步骤:
S110、获取实验材料的第一表征数据和第二表征数据。
其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据。
表征数据指对实验材料的结构进行表征、以及对实验材料的物理、化学性能进行检测得到的数据,此处的预设实验条件指对实验进行摩擦磨损实验时设置的实验条件,包括:实验温度、磨料、载荷、气体环境、湿度、周围介质、润滑和耦合材料等等,在不同的实验条件下对实验材料进行摩擦磨损实验,实验材料的摩擦磨损程度不同,其中,周围介质指实验材料在进行摩擦磨损实验时的环境介质,例如水、高温熔岩等等,也可以指添加的物质,或者实验材料在摩擦界面上生成的新的物质,如氧化物等。因此对实验材料的耐磨性能的评估结果与实验材料的实验条件之间存在对应关系。
本申请实施例中实验材料的摩擦磨损实验是基于多功能摩擦磨损试验机进行的,多功能摩擦磨损试验机可用于评估多个实验条件或环境下不同材料的耐磨性能。如在变负荷、变速、摩擦副及试验环境温度等不同的实验条件下,对各种金属材料、工程塑料、陶瓷及粉末冶金等新型材料等等进行摩擦磨损实验,以获取实验材料在实验条件下的耐磨性能、测定材料的匹配特性。
可利用多功能摩擦磨损试验机自带的装置获取需要的实验物理量,如过三轴力传感器测量正压力及摩擦力、通过正压力传感器及薄膜压力传感器测量端面摩擦副的正压力与摩擦扭矩等等。
本申请实施例中采用的多功能摩擦磨损试验机拥有旋转驱动、环块驱动、往复驱动、线型驱动等,可通过多种附件实现高度模仿实际的工况环境,操作灵活、方便、快捷。本申请实施例不对多功能摩擦磨损试验机的品牌等进行限定。
S120、根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图。
其中,第一深度图像和第二深度图像可通过扫描电镜的表征手段得到,本实施例不对基于扫描电镜获取第一深度图像和第二深度图像的具体操作进行说明。通过扫描电镜对摩擦磨损实验之后的实验材料进行扫描可得到第一深度图像,对摩擦磨损实验之前的实验材料进行扫描可得到第二深度图像。在第一深度图像和第二深度图像中,每个像素的深度为基于扫描电镜获取实验材料的图像时电镜与材料之间的距离。实验材料的摩擦磨损表面形貌特征图用于反映实验材料的形貌的信息。
S130、根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列。
其中,所述元素转移序列用于表示所述实验材料的元素发生转移的程度。此处的元素可以包括实验材料中的主要元素,例如若实验材料为金属材料,则获取的元素转移序列可以为金属元素的转移序列。
第一表征数据中的能谱信息为实验材料在摩擦磨损实验后得到的材料的能谱信息,第二表征数据中的能谱信息为实验材料在摩擦磨损实验前的能谱信息,能谱信息均可以通过扫描电镜来获取,所述能谱信息包括脉冲幅度经能量刻度后得到的计数率随粒子能量的分布曲线。将第一表征数据包括的能谱信息与第二表征数据包括的能谱信息相减,即可得到元素转移序列,该序列可有效反映实验材料在进行摩擦磨损实验前后不同粒子能量的计数率差异,粒子能量的范围为0到20keV。
本申请实施例中将元素转移序列作为确定实验材料的耐磨性能的一个依据,结合实验材料的摩擦磨损表面形貌特征图,可提高确定实验材料的磨损类型的精确度。
S140、根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量。
可选的,上述步骤S140可通过神经网络来实现,可包括:通过卷积神经网络对所述摩擦磨损表面形貌特征图进行处理,获取所述摩擦磨损表面形貌特征图对应的表面形貌特征向量;通过序列神经网络对所述元素转移序列进行处理,获取所述元素转移序列对应的元素转移特征向量;将所述表面形貌特征向量和所述元素转移特征向量进行融合处理,获取所述实验材料的磨损特征向量。
示例性地,卷积神经网络可以为2D卷积神经网络。用以实现步骤S140的神经网络可包括2D卷积神经网络、序列神经网络和拟合层、分类层,所述拟合层与分类层都为全连接层,其中,分类层采用Softmax作为分类函数,2D卷积神经网络可采用VGG网络模型,序列神经网络可采用LSTM模型,也可采用其它能够实现相同效果的网络模型,本申请实施例中不做具体限定。
以摩擦磨损表面形貌特征图作为2D卷积神经网络的输入,经2D卷积神经网络处理输出拟合特征图,进行展平(Flatten)操作得到表面形貌特征向量。并将元素转移序列作为预设神经网络中序列神经网络的输入,经序列神经网络处理得到元素转移特征向量。将表面形貌特征向量和元素转移特征向量进行融合操作,如Concatenate操作,得到融合向量,将融合向量输入拟合层进行特征拟合,输出所述实验材料的磨损特征向量。
进一步地,在得到实验材料的磨损特征向量之后,可将磨损特征向量作为分类层的输入,经分类层处理输出实验材料对应的磨损类型。或者,在得到实验材料的磨损特征向量之后,执行如下步骤S150确定实验材料的耐磨性能。
在本实施例中,可采用ArcFace损失函数,以提高类间差距、缩小类内差异。通过采用神经网络对实验材料的摩擦磨损表面形貌特征图和元素转移序列进行处理,获取实验材料对应的摩擦磨损类型,可以提高确定实验材料对应的摩擦磨损类型的效率和精确性。
S150、通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
其中,各个样本材料的磨损特征向量为磨损类型已经确定的样本材料对应的磨损特征向量,样本材料的磨损特征向量与样本材料、以及样本材料的磨损特征向量与样本材料之间的对应关系可在数据库中查找得到。通过比对实验材料的磨损特征向量与各个样本材料的磨损特征向量,可得到与实验材料的磨损特征向量最为接近的样本材料的磨损特征向量,通过查找上述对应关系,可得到与实验材料的磨损特征向量最为接近的磨损特征向量样本材料,即耐磨性能最为接近的样本材料,进而基于该样本材料的耐磨性能可精确的确定实验材料的耐磨性能。
本实施例提供的材料的耐磨性能检测方法中,通过获取实验材料的第一表征数据和第二表征数据;根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图;根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列;根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。在本申请实施例中,一方面获取了实验材料的摩擦磨损表面形貌特征图,另一方面,获取了实验材料的元素转移序列,基于材料的形貌和组成元素两方面的特征确定了实验材料的磨损特征向量,提高了确定实验材料的磨损特征向量的效率和精确度。此外,通过比对实验材料的磨损特征向量与各个样本材料的磨损特征向量,可确定与实验材料的磨损特征向量最为接近的样本材料,进而可基于该样本材料的耐磨性能确定实验材料的耐磨性能,提高了确定实验材料的耐磨性能的精确度。
图2为本申请另一个实施例提供的材料的耐磨性能检测方法的流程图,图2所示实施例中的步骤S210-S230是对图1所示实施例中步骤S120的一种可实现方式的描述,本实施例中不再对与图1所示实施例中相同或相似的步骤做解释和说明,具体可参见图1所示实施例的描述,此处不再赘述。参照图2所示,图1所示实施例中步骤S120(根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图)可包括如下步骤:
S210、根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图和表面粗糙度变化特征图。
以下通过几种示例分别对获取实验材料对应的表面变化深度图和表面粗糙度变化特征图做示例性说明:
作为获取实验材料对应的表面变化深度图的一种可实现方式,可包括如下步骤:
步骤一、根据所述第一深度图像中各像素的深度和所述第一深度图像中的最大深度,获取所述第一深度图像的标准深度图。
其中,各像素的深度包括了材料与电镜的距离,第一深度图像中的最大深度为第一深度图像中深度值最大的像素对应的深度。第一深度图像的标准深度图为消除电镜与实验材料之间的距离之后的深度图。
示例性地,第一深度图像的标准深度图中像素的深度可通过如下公式(1)得到:
其中,D max 1 为第一深度图像中的最大深度,D 1 为第一深度图像中各像素的深度。
基于第一深度图像的标准深度图中各像素的深度,可得到第一深度图像的标准深度图。
步骤二、根据所述第二深度图像中各像素的深度和所述第二深度图像中的最大深度,获取所述第二深度图像的标准深度图。
示例性地,第二深度图像的标准深度图中像素的深度可通过如下公式(2)得到:
其中,D max 2 为第二深度图像中的最大深度,D 2 为第二深度图像中各像素的深度。
基于第二深度图像的标准深度图中各像素的深度,可得到第二深度图像的标准深度图。
步骤三、基于所述第一深度图像的标准深度图和所述第二深度图像的标准深度图,获取所述实验材料对应的表面变化深度图。
获取第一深度图像的标准深度图中各像素在第二深度图像的标准深度图中对应的像素,基于各像素的深度与各像素在第二深度图像的标准深度图中对应的像素的深度获取深度差T(如公式(3)),基于深度差确定实验材料对应的表面变化深度图。
其中,D 2′为第二深度图像的标准深度图中像素的深度,D 1′为第一深度图像的标准深度图中像素的深度。
作为获取实验材料对应的表面粗糙度变化特征图的一种可实现方式,可包括如下步骤:
步骤一、获取第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像。
其中,所述第一熵特征图为所述第一深度图像对应的熵特征图,所述第二熵特征图为所述第二深度图像对应的熵特征图,所述第一空间分布聚合图像为所述第一深度图像对应的空间分布聚合图像,所述第二空间分布聚合图像为所述第二深度图像对应的空间分布聚合图像。熵特征图用于表示实验材料表面的粗糙程度。
可选的,获取第一熵特征图和第一空间分布聚合图像可通过如下方式实现:提取第一深度图像的像素分布特征,根据像素分布特征获取第一熵特征图;基于像素分布特征对像素进行量化,根据量化结果获取非聚合像素点的数量,进而获取第一空间分布聚合图像。
示例性地,获取第一深度图像的熵特征图包括:
对第一深度图像进行深度共生矩阵的提取,深度共生矩阵的计算可基于灰度共生矩阵法进行计算。示例性地,利用特征点描述子方法获取第一深度图像的特征点,所述特征点描述子方法包括尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)、或Oriented FAST and Rotated BRIEF(ORB)等,本申请实施例不做具体限定。采用SIFT获取的特征点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点,如角点、边缘点、暗区的亮点及亮区的暗点等等。
获取基于上述方法确定的特征点的坐标,基于特征点的坐标进行delaunay三角网构建,本实施例不对delaunay三角网构建进行详细阐述。基于构建的三角网获取各特征点与其一阶邻近特征点距离最大的一阶邻近特征点的距离(特征点的一阶邻近特征点为三角网中与该特征点连接的点),将该距离作为窗口半径,根据该窗口半径确定窗口,从而根据该窗口进行第一深度图像中像素的深度共生矩阵的计算,得到第一深度图像的深度共生矩阵的熵特征表示,如公式(4),进而得到熵特征图。
其中,Entropy表示第一熵特征图,N为第一深度图像中深度共生矩阵的大小,p(i,j)表示深度共生矩阵第i行第j列的值,熵值越大,材料表面越粗糙。
由于深度共生矩阵的计算过程中存在滑窗操作,滑窗的窗口大小决定了深度共生矩阵中的值,进而影响深度共生矩阵的特征表示,本实施例采用上述确定滑窗的窗口大小的方法可以获取到窗口大小最优的窗口。
需要说明的是,获取第二熵特征图可参考获取第一熵特征图的过程,此处不再赘述。
本申请实施例中,Delaunay三角剖分算法即特征点集的三角剖分(Triangulation),可方便后续的数值分析(比如有限元分析)以及图像分析。本申请实施例中的特征点为关键点,因此最大一阶邻近特征点距离范围内的特征点的共生矩阵即可有效表示深度图像像素深度值的共生特性,进而有效的反映出材料表面的粗糙程度。
可选的,获取第一空间分布聚合图像的实现过程可包括:在第一深度图像中获取以当前像素为中心,半径为最大一阶邻近特征点距离大小的窗口;确定该大小窗口的量化矩阵;对量化矩阵进行连通标记;其中,一个连通区域C为由多个像素组成的集合,多个像素之间符合一个规则:连通区域C中所有像素都具有同类量化值,且当中任意一个像素的四邻域都包含相同量化值的像素。根据连通区域的尺寸大小获取非聚合像素点的数量,其方法是:如果一个连通区域的像素个数域小于阈值τ,则认为该连通区域的像素是非聚合的。其中,τ的经验值为4。
需要说明的是,第二空间分布聚合图像可基于与获取第一空间分布聚合图像的方法得到。
在量化矩阵中,非聚合像素点的数量越多,代表不同量化值的像素空间分布越杂乱。
步骤二、根据所述第一熵特征图、所述第二熵特征图、所述第一空间分布聚合图像、以及所述第二空间分布聚合图像,获取所述实验材料对应的表面粗糙度变化特征图。
示例性地,通过如下方式获取实验材料对应的表面粗糙度变化特征图:
其中,Entropy、Entropy′分别代表第一熵特征图和第二熵特征图,SCCV1、SCCV2分别代表第一空间分布聚合图像和第二空间分布聚合图像。
基于第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像,获取实验材料在摩擦磨损实验前后的熵特征图以及空间分布聚合图像变化,进而获取目标材料的表面粗糙程度变化图像。
S220、获取所述第一深度图像对应的方向梯度特征图以及平均深度曲率图像。
其中,熵特征图用于表示深度图像的深度分布的复杂程度,梯度的方向分布被用作特征。方向梯度特征图(Histogram of Oriented Gradien,HOG特征图)通过计算和统计深度图像局部区域的梯度方向直方图来构成特征。在本实施例中,可以表示摩擦磨损实验后深度图像(第一深度图像)灰度的局部统计特征,进而表征灰度的分布特性,有利于表征实验材料在摩擦磨损实验后剥落坑的存在。
可选的,作为获取第一深度图像对应的平均深度曲率图像的一种可实现方式的描述,包括以下步骤:
步骤一、获取所述第一深度图像对应的深度矩阵。
其中,所述深度矩阵包括所述第一深度图像中各个像素的深度与预设邻域范围内的像素的深度构成的矩阵,预设邻域范围可以为八邻域。
示例性地,第一深度图像中各个像素及其八邻域像素分别对应的深度构成第一深度图像对应的多个深度矩阵。
步骤二、对所述深度矩阵进行卷积操作,获取所述第一深度图像中各个像素的平均曲率。
示例性地,可通过如下公式(6)所示的方法获取各像素的平均曲率:
其中,H为各像素的平均曲率,DepArray为各像素与其八邻域像素的深度所组成的深度矩阵,*为卷积运算,上述预设卷积核(模板)为近似的线性卷积模板,进行平均曲率滤波中的线性卷积操作,可以更快速地计算各像素的平均曲率。像素的平均曲率越大,表明该像素的峭度越大。
步骤三、基于所述第一深度图像中各个像素的平均曲率,获取所述第一深度图像对应的平均深度曲率图像。
本实施例不对上述步骤二和步骤三的执行顺序进行限定。
S230、根据所述表面变化深度图、所述表面粗糙度变化特征图、所述方向梯度特征图以及所述平均深度曲率图像,获取所述摩擦磨损表面形貌特征图。
示例性地,对实验材料的表面变化深度图、表面粗糙度变化特征图、方向梯度特征图以及平均深度曲率图像进行通道联合(Concatenate操作),即进行通道间的叠加,可得到实验材料的摩擦磨损表面形貌特征图。例如,对R通道图像、G通道图像、B通道图像进行Concatenate操作,可得到一张三通道的图像,即RGB图像。其中,在TensorFlow、Pytorch中有相应函数,可直接调用Concatenate来实现实验材料的表面变化深度图、表面粗糙度变化特征图、方向梯度特征图以及平均深度曲率图像的通道联合,得到实验材料的摩擦磨损表面形貌特征图。
在图2所示实施例中,步骤S130可在步骤S210之前执行,也可在步骤S230之后执行,也可与步骤S210同时执行,本实施例不做具体限定。
图3为本申请又一个实施例提供的材料的耐磨性能检测方法的流程图,在图3所示实施例中,步骤S310-S320是对图1所示实施例中步骤S150(通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能)的一种可实现方式的描述。本实施例中不再对与图1所示实施例中相同或相似的步骤做解释和说明,具体可参见图1所示实施例的描述,此处不再赘述。
S310、根据所述实验材料的磨损特征向量与所述各个样本材料的磨损特征向量的余弦距离,获取目标样本材料。
或者,根据实验材料的磨损特征向量与各个样本材料的磨损特征向量的余弦相似度,获取目标样本材料。
其中,所述目标样本材料为所述余弦距离最小的样本材料;或所述目标样本材料为所述余弦相似度最大的样本材料。余弦距离越小(余弦相似度越大),实验材料与样本材料的耐磨性能越接近。
示例性地,若数据库中存储的样本材料的磨损特征向量的数量为m,则将实验材料的磨损特征向量与该m个样本材料的磨损特征向量分别进行余弦相似度的计算,得到多个余弦相似度值,将多个余弦相似度值根据由大到小的顺序进行排序,将余弦相似度值最大的余弦相似度值对应的样本材料作为目标样本材料。或计算实验材料的磨损特征向量与该m个样本材料的磨损特征向量之间的余弦距离,得到m个余弦距离,按照余弦距离由小到达的顺序对该m个样本材料进行排序,将排序为首位的样本材料确定为目标样本材料。
S320、根据所述目标样本材料对应的磨损类型,确定所述实验材料的耐磨性能。
可选的,可将所述目标样本材料对应的磨损类型确定为所述实验材料对应的磨损类型。基于实验材料对应的磨损类型确定实验材料的耐磨性能。
其中,磨损类型包括:粘着磨损、磨料磨损、接触磨损、腐蚀磨损等类型。
示例性地,若目标样本材料的磨损类型为粘着磨损,则确定实验材料在该实验条件下的磨损类型为粘着磨损;若目标样本材料的磨损类型为腐蚀磨损,则确定实验材料在该实验条件下的磨损类型为腐蚀磨损。
进而,基于实验材料在该实验条件下的磨损类型为腐蚀磨损对实验材料在该实验条件下的耐磨性能进行评价。例如,可基于实验材料在该实验条件下的磨损类型为腐蚀磨损确定实验材料的静态耐磨性能。
进一步地,还可通过如下公式(7)获取实验材料的静态耐磨性能:
其中,Se为实验材料的静态耐磨性能,n为实验材料的表面变化深度图中的像素数量,E k 表示表面变化深度图中第k个像素的值、T k 表示表面粗糙度变化特征图中第k个像素的值,w1表示表面粗糙度变化特征图的映射因子,w2表示表面变化深度图的映射因子,w3表示实验材料的磨损量的映射因子,映射因子的作用是统一量纲,可以将数值缩放或映射到一定的范围区间,例如:a的取值范围是[0,1],b的范围是[0,100],为了统一量纲,为b添加映射因子,将b的取值映射到[0,1],映射因子即为0.01,a、b可以为像素深度,也可以为实验材料的磨损量等物理量;U表示实验材料的磨损量(实验材料在摩擦磨损实验前的质量与实验材料在摩擦磨损实验后的质量之差)。
在本申请一些实施例中,w1的取值为0.25,w2的取值为0.75,w3的取值为2。Se越大,实验材料的静态耐磨性能越好。
可通过如下公式(8)获取实验材料的动态耐磨性能:
其中,ADF为ADF检验(Augmented Dickey-Fuller Test),基于ADF检验可得到P值,ADF(μ)指摩擦系数μ序列所对应的P值。该值越小代表序列越平稳,即摩擦系数越平稳;μ为实验材料的摩擦系数的序列数据,即在实验材料的摩擦磨损实验过程中随时间采集的摩擦系数的数据。
基于上述获得的实验材料的静态耐磨性能Se和动态耐磨性能De对静态耐磨性能Se和动态耐磨性能De分别进行加权计算(公式(9)),获取实验材料的耐磨性能We:
其中,w4和w5分别为静态耐磨性能Se和动态耐磨性能De的权重。We值越大,实验材料的耐磨性能越好。
在本申请一些实施例中,w4的取值为0.6、w5的取值为0.4。
可选的,在本申请一些实施例中,基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的磨损特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
其中,实验材料的磨损量可通过获取实验材料在摩擦磨损试验前的质量与实验材料在摩擦磨损试验后的质量的差值来获得;摩擦系数变化曲线可基于实验材料在摩擦磨损实验过程中的摩擦系数变化直接得到。
可选的,在本申请一些实施例中,基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的表面形貌特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
进一步地,在相同的实验条件下,可获取多种实验材料分别与摩擦磨损试验机形成的摩擦副的摩擦性能,进而获取多种实验材料所形成的摩擦副性能的相似度。本实施例以两种实验材料为例进行说明,可通过如下公式(10)获取两种实验材料分别与摩擦磨损试验机形成的摩擦副的摩擦性能的相似度S:
其中,U X 、U Y 分别表示实验材料X、Y在同一实验条件下的磨损量,FX、FY分别表示实验材料X、Y在该实验条件下进行摩擦磨损实验得到的摩擦磨损表面形貌特征图经过神经网络提取的表面形貌特征向量,Cosine Similarity表示求两个表面形貌特征向量的余弦相似度,μX,μY分别表示实验材料X、Y在该实验条件下进行摩擦磨损实验时摩擦系数的变化曲线,DTW为序列的相似性度量动态规整距离。相似度S越大,表明实验材料X和Y的摩擦副性能越接近。
从而,基于该相似度分析实验材料X和Y在不同实验条件下的耐磨性能。
在本申请实施例中,可以设置不同的实验条件,对实验材料进行摩擦磨损实验,再基于本申请实施例提供的材料的耐磨性能检测方法对实验材料在各实验条件下的耐磨性能进行评估,进而针对使用环境和功能选择耐磨性能较好的材料。
基于同一发明构思,作为对上述方法的实现,本申请实施例还提供了执行上述实施例提供的材料的耐磨性能检测方法的装置,该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的终端设备能够对应实现前述方法实施例中的全部内容。
图4为本申请一些实施例提供的材料的耐磨性能检测装置的结构示意图,如图4所示,本实施例提供的材料的耐磨性能检测装置400包括:
采集模块410,用于获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;
分析模块420,用于根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像进行处理,获取所述实验材料对应的摩擦磨损表面形貌特征图;
所述分析模块420,还用于根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;
处理模块430,用于根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;
比对模块440,用于通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
作为本申请实施例一种可选的实施方式,所述分析模块420,具体用于根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图和表面粗糙度变化特征图;获取所述第一深度图像对应的方向梯度特征图以及平均深度曲率图像;根据所述表面变化深度图、所述表面粗糙度变化特征图、所述方向梯度特征图以及所述平均深度曲率图像,获取所述摩擦磨损表面形貌特征图。
作为本申请实施例一种可选的实施方式,所述分析模块420,具体用于根据所述第一深度图像中各像素的深度和所述第一深度图像中的最大深度,获取所述第一深度图像的标准深度图;根据所述第二深度图像中各像素的深度和所述第二深度图像中的最大深度,获取所述第二深度图像的标准深度图;基于所述第一深度图像的标准深度图和所述第二深度图像的标准深度图,获取所述实验材料对应的表面变化深度图。
作为本申请实施例一种可选的实施方式,所述分析模块420,具体用于获取第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像,所述第一熵特征图为所述第一深度图像对应的熵特征图,所述第二熵特征图为所述第二深度图像对应的熵特征图,所述第一空间分布聚合图像为所述第一深度图像对应的空间分布聚合图像,所述第二空间分布聚合图像为所述第二深度图像对应的空间分布聚合图像;根据所述第一熵特征图、所述第二熵特征图、所述第一空间分布聚合图像、以及所述第二空间分布聚合图像,获取所述实验材料对应的表面粗糙度变化特征图。
作为本申请实施例一种可选的实施方式,所述分析模块420,具体用于获取所述第一深度图像对应的深度矩阵,所述深度矩阵包括所述第一深度图像中各个像素与预设邻域范围内的像素的深度构成的矩阵;对所述深度矩阵进行卷积操作,获取所述第一深度图像中各个像素的平均曲率;基于所述第一深度图像中各个像素的平均曲率,获取所述第一深度图像对应的平均深度曲率图像。
作为本申请实施例一种可选的实施方式,所述处理模块430,具体用于通过卷积神经网络对所述摩擦磨损表面形貌特征图进行处理,获取所述摩擦磨损表面形貌特征图对应的表面形貌特征向量;通过序列神经网络对所述元素转移序列进行处理,获取所述元素转移序列对应的元素转移特征向量;将所述表面形貌特征向量和所述元素转移特征向量进行融合处理,获取所述实验材料的磨损特征向量。
作为本申请实施例一种可选的实施方式,所述比对模块440,具体用于根据所述实验材料的磨损特征向量与所述各个样本材料的磨损特征向量之间的余弦距离,获取目标样本材料,所述目标样本材料为所述余弦距离最小的样本材料;根据所述目标样本材料对应的磨损类型,确定所述实验材料的耐磨性能。
图5为本申请另一个实施例提供的材料的耐磨性能检测装置的结构示意图,在图4所示装置的基础上还包括:确定模块450,用于将所述目标样本材料对应的磨损类型确定为所述实验材料对应的磨损类型。
作为本申请实施例一种可选的实施方式,所述分析模块420,还用于获取所述实验材料的磨损量和摩擦系数变化曲线;基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的磨损特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
在本申请一些中,提供一种电子设备,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行上述方法实施例所述的任意一项材料的耐磨性能检测方法。
示例性的,图6为本申请实施例提供的电子设备的结构示意图。如图6所示,本实施例提供的电子设备包括:存储器61和处理器62,存储器61用于存储计算机程序;处理器62用于调用计算机程序时执行上述方法实施例提供的材料的耐磨性能检测方法中的步骤,其实现原理和技术效果类似,此处不再赘述。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些中,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时执行上述方法实施例所述的任意一项的材料的耐磨性能检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种材料的耐磨性能检测方法,其特征在于,包括:
获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;
根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图;
根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;
根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;
通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像,获取所述实验材料对应的摩擦磨损表面形貌特征图,包括:
根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图和表面粗糙度变化特征图;
获取所述第一深度图像对应的方向梯度特征图以及平均深度曲率图像;
根据所述表面变化深度图、所述表面粗糙度变化特征图、所述方向梯度特征图以及所述平均深度曲率图像,获取所述摩擦磨损表面形貌特征图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面变化深度图,包括:
根据所述第一深度图像中各像素的深度和所述第一深度图像中的最大深度,获取所述第一深度图像的标准深度图;
根据所述第二深度图像中各像素的深度和所述第二深度图像中的最大深度,获取所述第二深度图像的标准深度图;
基于所述第一深度图像的标准深度图和所述第二深度图像的标准深度图,获取所述实验材料对应的表面变化深度图。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一深度图像和所述第二深度图像,获取所述实验材料对应的表面粗糙度变化特征图,包括:
获取第一熵特征图、第二熵特征图、第一空间分布聚合图像、以及第二空间分布聚合图像,所述第一熵特征图为所述第一深度图像对应的熵特征图,所述第二熵特征图为所述第二深度图像对应的熵特征图,所述第一空间分布聚合图像为所述第一深度图像对应的空间分布聚合图像,所述第二空间分布聚合图像为所述第二深度图像对应的空间分布聚合图像;
根据所述第一熵特征图、所述第二熵特征图、所述第一空间分布聚合图像、以及所述第二空间分布聚合图像,获取所述实验材料对应的表面粗糙度变化特征图。
5.根据权利要求2所述的方法,其特征在于,所述获取所述第一深度图像对应的平均深度曲率图像,包括:
获取所述第一深度图像对应的深度矩阵,所述深度矩阵包括所述第一深度图像中各个像素与预设邻域范围内的像素的深度构成的矩阵;
对所述深度矩阵进行卷积操作,获取所述第一深度图像中各个像素的平均曲率;
基于所述第一深度图像中各个像素的平均曲率,获取所述第一深度图像对应的平均深度曲率图像。
6.根据权利要求1所述的方法,其特征在于,所述根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量,包括:
通过卷积神经网络对所述摩擦磨损表面形貌特征图进行处理,获取所述摩擦磨损表面形貌特征图对应的表面形貌特征向量;
通过序列神经网络对所述元素转移序列进行处理,获取所述元素转移序列对应的元素转移特征向量;
将所述表面形貌特征向量和所述元素转移特征向量进行融合处理,获取所述实验材料的磨损特征向量。
7.根据权利要求1所述的方法,其特征在于,所述通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能,包括:
根据所述实验材料的磨损特征向量与所述各个样本材料的磨损特征向量之间的余弦距离,获取目标样本材料,所述目标样本材料为所述余弦距离最小的样本材料;
根据所述目标样本材料对应的磨损类型,确定所述实验材料的耐磨性能。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述目标样本材料对应的磨损类型确定为所述实验材料对应的磨损类型。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述方法还包括:
获取所述实验材料的磨损量和摩擦系数变化曲线;
基于所述实验材料的磨损量、所述摩擦系数变化曲线、以及所述实验材料的磨损特征向量,确定所述实验材料与所述摩擦磨损实验的摩擦磨损试验机形成的摩擦副的摩擦性能。
10.一种材料的耐磨性能检测装置,其特征在于,包括:
采集模块,用于获取实验材料的第一表征数据和第二表征数据;其中,所述第一表征数据包括所述实验材料在预设实验条件下进行摩擦磨损实验后的表征数据,所述第二表征数据包括所述实验材料在进行摩擦磨损实验之前的表征数据;
分析模块,用于根据所述第一表征数据中的第一深度图像和所述第二表征数据中的第二深度图像进行处理,获取所述实验材料对应的摩擦磨损表面形貌特征图;
所述分析模块,还用于根据所述第一表征数据中的能谱信息和所述第二表征数据中的能谱信息,获取所述实验材料的元素转移序列,所述元素转移序列用于表示所述实验材料的元素发生转移的程度;
处理模块,用于根据所述摩擦磨损表面形貌特征图和所述元素转移序列,获取所述实验材料的磨损特征向量;
比对模块,用于通过比对所述实验材料的磨损特征向量与各个样本材料的磨损特征向量,确定所述实验材料的耐磨性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370758.9A CN114445407B (zh) | 2022-04-11 | 2022-04-11 | 材料的耐磨性能检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370758.9A CN114445407B (zh) | 2022-04-11 | 2022-04-11 | 材料的耐磨性能检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114445407A true CN114445407A (zh) | 2022-05-06 |
CN114445407B CN114445407B (zh) | 2022-06-07 |
Family
ID=81359361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210370758.9A Active CN114445407B (zh) | 2022-04-11 | 2022-04-11 | 材料的耐磨性能检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445407B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115235991A (zh) * | 2022-08-30 | 2022-10-25 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
CN115561259A (zh) * | 2022-11-11 | 2023-01-03 | 深圳市志橙半导体材料有限公司 | 碳化硅涂层石墨盘的性能测试方法及相关装置 |
CN116183423A (zh) * | 2023-04-28 | 2023-05-30 | 标格达精密仪器(广州)有限公司 | 一种基于图像识别的智能刷洗系统 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN117495862A (zh) * | 2024-01-03 | 2024-02-02 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050153631A1 (en) * | 2004-01-13 | 2005-07-14 | Psiloquest | System and method for monitoring quality control of chemical mechanical polishing pads |
CN105203637A (zh) * | 2015-09-24 | 2015-12-30 | 南昌航空大学 | 检测飞机油箱搅拌摩擦焊缝缺陷的超声特征成像检测装置 |
CN108214102A (zh) * | 2018-01-12 | 2018-06-29 | 哈尔滨理工大学 | 一种球头铣刀磨损检测系统及其检测方法 |
CN108896562A (zh) * | 2018-07-12 | 2018-11-27 | 广西大学 | 基于表面显微形貌特征图像分析的材料剩余寿命评估方法 |
CN109318057A (zh) * | 2018-12-03 | 2019-02-12 | 兰州工业学院 | 一种高速切削定向凝固铸造镍基高温合金dz4刀具磨损预测方法 |
CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
CN112381770A (zh) * | 2020-11-03 | 2021-02-19 | 西安交通大学 | 一种基于融合卷积神经网络的磨损表面三维形貌测量方法 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
-
2022
- 2022-04-11 CN CN202210370758.9A patent/CN114445407B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050153631A1 (en) * | 2004-01-13 | 2005-07-14 | Psiloquest | System and method for monitoring quality control of chemical mechanical polishing pads |
CN105203637A (zh) * | 2015-09-24 | 2015-12-30 | 南昌航空大学 | 检测飞机油箱搅拌摩擦焊缝缺陷的超声特征成像检测装置 |
CN108214102A (zh) * | 2018-01-12 | 2018-06-29 | 哈尔滨理工大学 | 一种球头铣刀磨损检测系统及其检测方法 |
CN108896562A (zh) * | 2018-07-12 | 2018-11-27 | 广西大学 | 基于表面显微形貌特征图像分析的材料剩余寿命评估方法 |
CN109318057A (zh) * | 2018-12-03 | 2019-02-12 | 兰州工业学院 | 一种高速切削定向凝固铸造镍基高温合金dz4刀具磨损预测方法 |
CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
CN112381770A (zh) * | 2020-11-03 | 2021-02-19 | 西安交通大学 | 一种基于融合卷积神经网络的磨损表面三维形貌测量方法 |
Non-Patent Citations (2)
Title |
---|
LINHU TANG ET AL.: "The Influence of Tool Flank Wear and Depth of Cut on Temperature Fields Based on Johnson-Cook Model in Dry Hard Machining", 《2010 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》 * |
王振廷 等: "氩弧熔敷原位合成Ti( C,N) - TiB /Ni60A 基复合涂层的组织与耐磨性", 《材料热处理学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115235991A (zh) * | 2022-08-30 | 2022-10-25 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
CN115235991B (zh) * | 2022-08-30 | 2023-03-07 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
CN115561259A (zh) * | 2022-11-11 | 2023-01-03 | 深圳市志橙半导体材料有限公司 | 碳化硅涂层石墨盘的性能测试方法及相关装置 |
CN116183423A (zh) * | 2023-04-28 | 2023-05-30 | 标格达精密仪器(广州)有限公司 | 一种基于图像识别的智能刷洗系统 |
CN116183423B (zh) * | 2023-04-28 | 2023-08-08 | 标格达精密仪器(广州)有限公司 | 一种基于图像识别的智能刷洗系统 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN116385450B (zh) * | 2023-06-07 | 2023-10-10 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN117495862A (zh) * | 2024-01-03 | 2024-02-02 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
CN117495862B (zh) * | 2024-01-03 | 2024-03-12 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114445407B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114445407B (zh) | 材料的耐磨性能检测方法和装置 | |
Ahuja et al. | A survey of computer vision based corrosion detection approaches | |
CN112446327B (zh) | 一种基于无锚框的遥感图像目标检测方法 | |
Albregtsen | Statistical texture measures computed from gray level coocurrence matrices | |
Jahanshahi et al. | Adaptive vision-based crack detection using 3D scene reconstruction for condition assessment of structures | |
Medina-Carnicer et al. | On candidates selection for hysteresis thresholds in edge detection | |
CN111127533B (zh) | 基于神经网络的多特征融合砂轮磨削性能预测方法 | |
AU2017201281A1 (en) | Identifying matching images | |
Lee et al. | Edge detection analysis | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
Mignotte | A non-stationary MRF model for image segmentation from a soft boundary map | |
CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
Fahrurozi et al. | Wood classification based on edge detections and texture features selection | |
Akman et al. | Computing saliency map from spatial information in point cloud data | |
Ezzaki et al. | Edge detection algorithm for omnidirectional images, based on superposition laws on Blach’s sphere and quantum entropy | |
JP3649659B2 (ja) | 渦電流検査信号識別方法及びこの方法を用いる装置 | |
Subashini | Texture feature extraction of infrared river ice images using second-order spatial statistics | |
Bharathi et al. | Texture feature extraction of infrared river ice images using second-order spatial statistics | |
Podsiadlo et al. | Fast classification of engineering surfaces without surface parameters | |
Salih et al. | Noise robustness analysis of point cloud descriptors | |
CN117451744B (zh) | 红外透镜的缺陷检测方法、装置、设备及存储介质 | |
Cobb et al. | In situ adaptive feature extraction for underwater target classification | |
Flachs et al. | A well-ordered feature space mapping for sensor fusion | |
To et al. | Image segmentation for surface material-type classification using 3D geometry information | |
Yang et al. | Sensitivity of support vector machine classification to various training features |
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 |