CN114627048A - 基于移动终端的工件粗糙度测量方法、装置、终端及介质 - Google Patents

基于移动终端的工件粗糙度测量方法、装置、终端及介质 Download PDF

Info

Publication number
CN114627048A
CN114627048A CN202210096500.4A CN202210096500A CN114627048A CN 114627048 A CN114627048 A CN 114627048A CN 202210096500 A CN202210096500 A CN 202210096500A CN 114627048 A CN114627048 A CN 114627048A
Authority
CN
China
Prior art keywords
workpiece
mobile terminal
image
roughness
acquiring
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.)
Pending
Application number
CN202210096500.4A
Other languages
English (en)
Inventor
王涛
朱佳锐
吴骏洪
王浩贤
陈伟
徐桃锋
罗显博
高华桂
罗沚晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Polytechnic
Original Assignee
Shenzhen Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Polytechnic filed Critical Shenzhen Polytechnic
Priority to CN202210096500.4A priority Critical patent/CN114627048A/zh
Publication of CN114627048A publication Critical patent/CN114627048A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于移动终端的工件粗糙度测量方法、装置、终端及介质，上述方法包括：基于放大的工件表面，获取移动终端拍摄的工件表面的图像；获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；基于灰度共生矩阵算法，提取所述图像的特征数据；将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。与现有技术相比，本发明方案利用移动终端拍摄图像，对拍摄图像进行图像处理后，再通过卷积神经网络识别粗糙度。不用取下工件，实现在线精确测量。

Description

基于移动终端的工件粗糙度测量方法、装置、终端及介质
技术领域
本发明涉及粗糙度等级识别技术领域，尤其涉及的是一种基于移动终端的工件粗糙度测量方法、装置、终端及介质。
背景技术
表面粗糙度是评定工件表面质量的一个重要指标，影响工件的使用寿命和机械性能。现有的粗糙度测量方法主要采用触针法、比较法和光切法。
其中，触针法需要将工件取下拿到粗糙度测量仪上，通过粗糙度测量仪上的金刚石触针在被测表面缓慢滑行来测量表面粗糙度，容易破坏工件表面并且不能对工件进行二次加工；光切法也需要将工件取下拿到光切显微镜进行检测，并且工件尺寸受光切显微镜的限制，不能检测大型工件；比较法测量简单，但是衡量标准比较随意，不能得到准确的表面粗糙度数据。
随着机械加工自动化程度的提高，很多零件由抽检改为必检，对表面粗糙度在线测量提出了越来越高的要求，因此生产过程中实时检测表面粗糙度越来越受到重视。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种基于移动终端的工件粗糙度测量方法、装置、终端及介质，旨在解决现有技术中不能实现在线精确测量工件表面粗糙度的问题。
为了实现上述目的，本发明提供了一种基于移动终端的工件粗糙度测量方法，其中，上述方法包括：
基于放大的工件表面，获取移动终端拍摄的工件表面的图像；
获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
基于灰度共生矩阵算法，提取所述图像的特征数据；
将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
可选的，所述获取所述图像的聚焦区域并对所述聚焦区域进行图像增强，包括：
基于ROI提取算法，提取所述图像的聚焦区域；
基于直方图算法，对所述聚焦区域进行图像增强。
可选的，所述获取移动终端拍摄的工件表面的图像后，还包括：
获取所述图像的边缘数据；
基于所述边缘数据，获取所述图像的方差值；
当所述方差值大于设定的方差阈值时，返回获取移动终端拍摄的工件表面的图像步骤。
可选的，预先构建所述卷积神经网络，包括：
基于放大的已标定粗糙度等级的工件表面，获取移动终端拍摄的工件表面的图像集，所述已标定粗糙度等级处于设定的粗糙度等级范围内；
将所述图像集作为训练集，训练所述卷积神经网络。
可选的，所述基于灰度共生矩阵算法，提取所述图像的特征数据，包括：
基于灰度共生矩阵算法，提取所述图像的至少两项纹理特征向量；
组合所述纹理特征向量，获得所述特征数据。
为了实现上述目的，本发明第二方面还提供了一种基于移动终端的工件粗糙度测量装置，包括：
图像获取模块，用于获取移动终端拍摄的工件表面的图像；
图像处理模块，用于获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
特征提取模块，用于基于灰度共生矩阵算法，提取所述图像的特征数据；
粗糙度获取模块，用于将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
可选的，还包括用于放大工件表面的放大装置，所述放大装置设置于移动终端摄像头的前方，所述放大装置可拆卸连接在所述移动终端上。
可选的，还包括固定装置，用于将所述移动终端可拆卸地安装在机床上。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被上述处理器执行时实现任意一项上述基于移动终端的工件粗糙度测量方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被处理器执行时实现任意一项上述基于移动终端的工件粗糙度测量方法的步骤。
由上可见，本发明方案中，基于放大的工件表面，获取移动终端拍摄的工件表面的图像；获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；基于灰度共生矩阵算法，提取所述图像的特征数据；将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。与现有技术相比，本发明方案利用移动终端拍摄图像，对拍摄图像进行图像处理后，再通过卷积神经网络识别粗糙度。不用取下工件，实现在线精确测量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明基于移动终端的工件粗糙度测量方法实施例的流程示意图；
图2是本发明实施对拍摄图像质量进行判断的流程示意图；
图3是本发明实施图1中步骤S400的具体流程示意图；
图4是本发明实施例提供的基于移动终端的工件粗糙度测量装置的结构示意图；
图5是本发明实施例提供的放大装置结构示意图；
图6是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
表面粗糙度是评定工件表面质量的一个重要指标，影响工件的使用寿命和机械性能。现有的粗糙度测量方法主要采用触针法、比较法和光切法。
其中，触针法需要将工件取下拿到粗糙度测量仪上，通过粗糙度测量仪上的金刚石触针在被测表面缓慢滑行来测量表面粗糙度，容易破坏工件表面并且不能对工件进行二次加工；光切法也需要将工件取下拿到光切显微镜进行检测，并且工件尺寸受光切显微镜的限制，不能检测大型工件；比较法测量简单，但是衡量标准比较随意，不能得到准确的表面粗糙度数据。
随着机械加工自动化程度的提高，很多零件由抽检改为必检，对表面粗糙度在线测量提出了越来越高的要求，因此生产过程中实时检测表面粗糙度越来越受到重视。
本发明方案利用移动终端拍摄图像，对拍摄图像进行图像处理后，再通过卷积神经网络识别粗糙度。不用取下工件，实现在线精确测量。
示例性方法
如图1所示，本发明实施例提供一种基于移动终端的工件粗糙度测量方法，具体的，上述方法包括如下步骤：
步骤S100：基于放大后的工件表面，获取移动终端拍摄的工件表面的图像；
具体地，直接使用移动终端的摄像头拍摄工件表面图像时，由于手机摄像头的精度不够，获得的图像并不能用来准确分析粗糙度等级。在手机微距模式下，虽然可以对工件表面近景拍摄，起到一定的放大效果，但是这是依靠手机拍摄照片后进行软件处理、放大获得的，经过发明人的实践，放大的倍数不够，并且图像边缘模糊不清，这些图像并不能用来进行粗糙度分析。
基于一般的加工零件的粗糙度等级并不需要达到纳米级别，也就是说一般不需要使用高精度检测仪来进行工件表面粗糙度的检测。因此，本发明采用了在移动终端拍摄工件表面图像前，先通过放大镜等放大装置把工件表面放大，再拍摄放大的工件表面，既能满足粗糙度等级判定所需要的图像精度，又能利用移动终端很方便地实现在线检测。
在本实施例中，通过放大镜固定装置，将一百倍的放大镜可拆卸固定在手机摄像头的前方。从而，先经过放大镜放大工件表面，手机上的摄像头再拍摄放大后的工件表面，能够获取到满足粗糙度等级判定所需要的图像精度。
步骤S200：获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
具体地，由于移动终端前设置了放大镜，移动终端拍摄的图像存在两个区域，放大镜放大的工件表面的区域，以及移动终端摄像头的拍摄范围超出放大镜观测范围的区域。因此需要先对获得的图像进行预处理，从中截取出聚焦区域(即放大镜观测范围内的最清晰区域)。并进一步根据图像增强算法将聚焦区域内的图像进行增强处理，以使得后续对该图像进行特征提取时，能够更准确地提取到对应的特征值。
本实施例中，采用ROI(图像感兴趣区域)提取算法，提取移动终端拍摄的图像的聚焦部分；并进一步使用直方图算法进行直方图均衡化，拉普拉斯算子等图像增强算法对聚焦部分进行优化。
步骤S300：基于灰度共生矩阵算法，提取所述图像的特征数据；
具体地，获得聚焦区域的图像后，采用灰度共生矩阵算法进行图像的纹理特征提取，获得可以输入卷积神经网络用来判断粗糙度等级的数据。
本实施例中，采用灰度共生矩阵算法，提取图像的纹理特征项目包括：能量特征、对比度、熵值、逆方差。获得对应于这些纹理特征项目的纹理特征向量，再将这些纹理特征向量在维度上进行组合，获得用于卷积神经网络分析的特征数据。
步骤S400：将特征数据输入预先构建的卷积神经网络，获得工件表面的粗糙度。
具体地，为了提高依据拍摄的图像获取的粗糙度等级的精度，本发明预先构建了卷积神经网络，通过卷积神经网络来根据获得的特征数据分析出对应的粗糙度等级，从而获得工件表面的粗糙度。获得未拆下的工件的表面粗糙度等级，与加工图纸比对，就可以确定是否达到图纸的表面粗糙度要求。如果不符合要求，还可以对工件继续进行二次加工，加快生产效率。
进一步的，本实施例通过在手机上安装的粗糙度检测系统APP来实现基于移动终端的工件粗糙度测量方法的功能，在手机上快速显示当前的粗糙度检测结果，当不符合粗糙度等级要求时，可以及时提醒机床操作员。当然，也可以将本粗糙度测量方法以网页、小程序等方式进行部署。
综上所述，本实施例通过在手机摄像头处夹持放大镜，对准工件并且对焦好，拍下工件表面图像进行图像处理和特征判断，实现在机床上在线测量，不用取下工件进行测量，当测量出表面粗糙度不对，可以进行再一次的精加工。
由于操作员手持移动终端对工件表面进行拍摄时，难免会存在聚焦不清晰、手抖等情况，从而影响拍摄图像的质量和分析的粗糙度等级结果。因此，本发明在获取到移动终端拍摄的工件表面的图像后，进一步对拍摄的图像是否合格进行判断，从而发现拍摄的图像模糊不清、图像像素重叠等情况时，提醒用户放弃该拍摄图像，进行重拍。
在一些实施例中，上述对拍摄图像质量进行判断更具体地包括如图2所示的步骤：
步骤SA10：获取所述图像的边缘数据；
步骤SA20：基于所述边缘数据，获取所述图像的方差值；
步骤SA30：当所述方差值大于设定的方差阈值时，返回获取移动终端拍摄的工件表面的图像步骤。
具体地，对工件表面图像求二阶导数，获得图像的边缘数据。然后对边缘数据求方差，获得方差值，当方差值超过设定的方差阈值时，认为该图像质量不符合要求，重新进行拍摄。
由上所述，通过先对图像质量进行判断，防止由于拍摄原因导致判断错误。
在一些实施例中，上述步骤S400中的预先构建卷积神经网络更具体地包括如图3所示的步骤：
步骤S410：基于放大的已标定粗糙度等级的工件表面，获取移动终端拍摄的工件表面的图像集，所述已标定粗糙度等级处于设定的粗糙度等级范围内；
步骤S420：将所述图像集作为训练集，训练所述卷积神经网络。
具体地，根据机加工设备可达到的加工精度范围，确定可以达到的表面粗糙度最高等级。将该最高等级的粗糙度及其以下的粗糙度等级作为设定的粗糙度等级范围。示例性的，假如可以最高可以达到的粗糙度等级为10级(Ra＝0.2)，则将10级及10级以下作为设定的粗糙度等级范围。对应于该范围内的每个粗糙度等级，加工一个该粗糙度等级下的工件作为标准工件，即该标准工件的粗糙度等级经过粗糙度检测仪来标定。
然后对这些不同等级的标准工件表面进行多次放大拍照，获取到拍摄的图像集。将这些图像集作为卷积神经网络的训练集，来训练卷积神经网络的模型。
由上所述，通过预先训练卷积神经网络，利用卷积神经网络对拍摄的图像进行粗糙度等级判定，防止人为判定的随意性，判定结果更加精准。
示例性设备
如图4中所示，对应于基于移动终端的工件粗糙度测量方法，本发明实施例还提供一种基于移动终端的工件粗糙度测量装置，上述基于移动终端的工件粗糙度测量装置包括：
图像获取模块600，用于获取移动终端拍摄的工件表面的图像；
具体地，直接使用移动终端的摄像头拍摄工件表面图像时，由于手机摄像头的精度不够，获得的图像并不能用来准确分析粗糙度等级。在手机微距模式下，虽然可以对工件表面近景拍摄，起到一定的放大效果，但是这是依靠手机拍摄照片后进行软件处理、放大获得的，经过发明人的实践，放大的倍数不够，并且图像边缘模糊不清，这些图像并不能用来进行粗糙度分析。
基于一般的加工零件的粗糙度等级并不需要达到纳米级别，也就是说一般不需要使用高精度检测仪来进行工件表面粗糙度的检测。因此，本发明采用了在移动终端拍摄工件表面图像前，先通过放大镜等放大装置把工件表面放大，再拍摄放大的工件表面，既能满足粗糙度等级判定所需要的图像精度，又能利用移动终端很方便地实现在线检测。
图像处理模块610，用于获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
具体地，由于移动终端前设置了放大镜，移动终端拍摄的图像存在两个区域，放大镜放大的工件表面的区域，以及移动终端摄像头的拍摄范围超出放大镜观测范围的区域。因此需要先对获得的图像进行预处理，从中截取出聚焦区域(即放大镜观测范围内的最清晰区域)。并进一步根据图像增强算法将聚焦区域内的图像进行增强处理，以使得后续对该图像进行特征提取时，能够更准确地提取到对应的特征值。
本实施例中，采用ROI(图像感兴趣区域)提取算法，提取移动终端拍摄的图像的聚焦部分；并进一步使用直方图算法进行直方图均衡化，拉普拉斯算子等图像增强算法对聚焦部分进行优化。
特征提取模块620，用于基于灰度共生矩阵算法，提取所述图像的特征数据；
具体地，获得聚焦区域的图像后，采用灰度共生矩阵算法进行图像的纹理特征提取，获得可以输入卷积神经网络用来判断粗糙度等级的数据。
本实施例中，采用灰度共生矩阵算法，提取图像的纹理特征项目包括：能量特征、对比度、熵值、逆方差。获得对应于这些纹理特征项目的纹理特征向量，再将这些纹理特征向量在维度上进行组合，获得用于卷积神经网络分析的特征数据。
粗糙度获取模块630，用于将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
具体地，为了提高依据拍摄的图像获取的粗糙度等级的精度，本发明预先构建了卷积神经网络，通过卷积神经网络来根据获得的特征数据分析出对应的粗糙度等级，从而获得工件表面的粗糙度。获得未拆下的工件的表面粗糙度等级，与加工图纸比对，就可以确定是否达到图纸的表面粗糙度要求。如果不符合要求，还可以对工件继续进行二次加工，加快生产效率。
可选的，如图5所示，还包括用于放大工件表面的放大装置30，放大装置30设置于移动终端10的摄像头的前方，放大装置30连接在滑块20上，滑块20卡紧安装在移动终端10上。拍摄完成后，滑块20可从移动终端10上取下。
进一步的，还包括固定装置，用于将移动终端可拆卸地安装在机床上。
其中固定装置安装在机床上，移动终端安装在固定装置上。通过固定移动终端后放大工件表面，这样就可以测量到一些微细的槽宽的表面粗糙度。并且在测量一些比较大的表面时候，可以在机床上手持移动终端进行测量，如果是一些微细的部分，可以将移动终端安装在固定装置上进行测量。需要说明的是，固定装置的具体结构不限，根据现场加工环境做相应改变。
本实施例中，上述基于移动终端的工件粗糙度测量装置的各模块的具体功能可以参照上述基于移动终端的工件粗糙度测量方法中的对应描述，在此不再赘述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图6所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和基于移动终端的工件粗糙度测量程序。该内存储器为非易失性存储介质中的操作系统和基于移动终端的工件粗糙度测量程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该基于移动终端的工件粗糙度测量程序被处理器执行时实现上述任意一种基于移动终端的工件粗糙度测量方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端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。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被上述处理器执行时进行以下操作指令：
基于放大的工件表面，获取移动终端拍摄的工件表面的图像；
获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
基于灰度共生矩阵算法，提取所述图像的特征数据；
将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被处理器执行时实现本发明实施例提供的任意一种基于移动终端的工件粗糙度测量方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.基于移动终端的工件粗糙度测量方法，其特征在于，包括：
基于放大的工件表面，获取移动终端拍摄的工件表面的图像；
获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
基于灰度共生矩阵算法，提取所述图像的特征数据；
将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
2.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述获取所述图像的聚焦区域并对所述聚焦区域进行图像增强，包括：
基于ROI提取算法，提取所述图像的聚焦区域；
基于直方图算法，对所述聚焦区域进行图像增强。
3.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述获取移动终端拍摄的工件表面的图像后，还包括：
获取所述图像的边缘数据；
基于所述边缘数据，获取所述图像的方差值；
当所述方差值大于设定的方差阈值时，返回获取移动终端拍摄的工件表面的图像步骤。
4.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，预先构建所述卷积神经网络，包括：
基于放大的已标定粗糙度等级的工件表面，获取移动终端拍摄的工件表面的图像集，所述已标定粗糙度等级处于设定的粗糙度等级范围内；
将所述图像集作为训练集，训练所述卷积神经网络。
5.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述基于灰度共生矩阵算法，提取所述图像的特征数据，包括：
基于灰度共生矩阵算法，提取所述图像的至少两项纹理特征向量；
组合所述纹理特征向量，获得所述特征数据。
6.基于移动终端的工件粗糙度测量装置，其特征在于，所述装置包括：
图像获取模块，用于获取移动终端拍摄的工件表面的图像；
图像处理模块，用于获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
特征提取模块，用于基于灰度共生矩阵算法，提取所述图像的特征数据；
粗糙度获取模块，用于将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
7.如权利要求6所述的基于移动终端的工件粗糙度测量装置，其特征在于，还包括用于放大工件表面的放大装置，所述放大装置设置于移动终端摄像头的前方，所述放大装置可拆卸连接在所述移动终端上。
8.如权利要求7所述的基于移动终端的工件粗糙度测量装置，其特征在于，还包括固定装置，用于将所述移动终端可拆卸地安装在机床上。
9.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于移动终端的工件粗糙度测量程序，所述基于移动终端的工件粗糙度测量程序被所述处理器执行时实现如权利要求1-5任意一项所述基于移动终端的工件粗糙度测量方法的步骤。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于移动终端的工件粗糙度测量程序，所述基于移动终端的工件粗糙度测量程序被处理器执行时实现如权利要求1-5任意一项所述基于移动终端的工件粗糙度测量方法的步骤。
CN202210096500.4A 2022-01-26 2022-01-26 基于移动终端的工件粗糙度测量方法、装置、终端及介质 Pending CN114627048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096500.4A CN114627048A (zh) 2022-01-26 2022-01-26 基于移动终端的工件粗糙度测量方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096500.4A CN114627048A (zh) 2022-01-26 2022-01-26 基于移动终端的工件粗糙度测量方法、装置、终端及介质

Publications (1)

Publication Number Publication Date
CN114627048A true CN114627048A (zh) 2022-06-14

Family

ID=81898735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096500.4A Pending CN114627048A (zh) 2022-01-26 2022-01-26 基于移动终端的工件粗糙度测量方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN114627048A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561262A (zh) * 2009-05-31 2009-10-21 东南大学 一种不确定环境下表面粗糙度在线测量方法
CN113421245A (zh) * 2021-06-27 2021-09-21 王程 用于颜色再现的三维表面粗糙度计算方法
CN113850339A (zh) * 2021-09-30 2021-12-28 北京科技大学 一种基于多光源表面图像的粗糙度等级预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561262A (zh) * 2009-05-31 2009-10-21 东南大学 一种不确定环境下表面粗糙度在线测量方法
CN113421245A (zh) * 2021-06-27 2021-09-21 王程 用于颜色再现的三维表面粗糙度计算方法
CN113850339A (zh) * 2021-09-30 2021-12-28 北京科技大学 一种基于多光源表面图像的粗糙度等级预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
闫龙: "《双目视觉测量系统相关技术研究》", 30 April 2017, 济南：山东大学出版社 *
闵莉 等: "《基于BP 神经网络的车削表面粗糙度检测》", 《沈阳建筑大学学报( 自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115018845B (zh) * 2022-08-09 2022-10-25 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法

Similar Documents

Publication Publication Date Title
CN108364311B (zh) 一种金属部件自动定位方法及终端设备
CN111383227A (zh) 基于神经网络的刀具磨损类型识别方法及磨损值测定方法
Ragothaman et al. Unsupervised segmentation of cervical cell images using Gaussian mixture model
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN101750272A (zh) 血细胞图像识别计数法
CN107525768B (zh) 一种dna倍体分析设备的质量控制方法
CN109182081A (zh) 一种基于图像处理模型的单细胞分选系统
CN103063576A (zh) 激光显微镜下定量分析钢中夹杂物的方法
CN114894642B (zh) 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
CN112462349A (zh) 一种光谱共焦位移传感器波长计算方法、系统、服务器及存储介质
CN114627048A (zh) 基于移动终端的工件粗糙度测量方法、装置、终端及介质
CN100462672C (zh) 影像量测系统及方法
US8467590B2 (en) Microscopy analysis technique
CN113538545B (zh) 一种基于电液可调焦镜头的单目深度估计方法及相应的相机和存储介质
CN113607058B (zh) 一种基于机器视觉的直刃刀尺寸检测方法及系统
CN114563942A (zh) 一种钟表三指针平行度测量方法、设备、存储介质
CN116071348B (zh) 基于视觉检测的工件表面检测方法及相关装置
CN117233158A (zh) 芯片表面缺陷检测方法及相关装置
CN111563869B (zh) 用于摄像模组质检的污点测试方法
Heger et al. Optical wear assessment system for grinding tools
CN114264236A (zh) 基于机器视觉的工件几何尺寸自动化检测方法及系统
CN115689929A (zh) 基于畸变补偿和自适应均值模糊的孔径测量方法及装置
CN113888539B (zh) 缺陷分类方法、装置、设备及存储介质
CN114511559B (zh) 染色鼻息肉病理切片质量多维评价方法、系统及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220614