CN115239736B - 用于金刚石磨轮生产的磨料层混料质量监测方法 - Google Patents

用于金刚石磨轮生产的磨料层混料质量监测方法 Download PDF

Info

Publication number
CN115239736B
CN115239736B CN202211167733.5A CN202211167733A CN115239736B CN 115239736 B CN115239736 B CN 115239736B CN 202211167733 A CN202211167733 A CN 202211167733A CN 115239736 B CN115239736 B CN 115239736B
Authority
CN
China
Prior art keywords
clustering
diamond
connected domains
image
abrasive layer
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
Application number
CN202211167733.5A
Other languages
English (en)
Other versions
CN115239736A (zh
Inventor
郝宏铎
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.)
Haian Boke Superhard Material Co ltd
Original Assignee
Haian Boke Superhard Material Co ltd
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 Haian Boke Superhard Material Co ltd filed Critical Haian Boke Superhard Material Co ltd
Priority to CN202211167733.5A priority Critical patent/CN115239736B/zh
Publication of CN115239736A publication Critical patent/CN115239736A/zh
Application granted granted Critical
Publication of CN115239736B publication Critical patent/CN115239736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理与识别技术领域，具体涉及用于金刚石磨轮生产的磨料层混料质量监测方法。该方法包括：获取磨轮磨料层图像，并对所述磨轮磨料层图像进行分块，得到多个图像块；利用阈值分割方法对所述每个图像块分割得到所有的连通域；通过所述各个连通域之间的相似度对所有连通域的类型进行划分，得到多个连通域；根据所述连通域中所有子连通域中面积的种类数以及所有图像块的个数确定连通域中的初始聚类数目；使用聚类算法和主成分分析方法分别得到噪声影响类别和噪声影响程度，并设定聚类合并阈值进行连通域合并，最终得到金刚石颗粒连通域；根据金刚石颗粒连通域的特征得到磨轮磨料层的质量评价指标。

Description

用于金刚石磨轮生产的磨料层混料质量监测方法
技术领域
本发明涉及数据处理与识别技术领域，具体涉及用于金刚石磨轮生产的磨料层混料质量监测方法。
背景技术
磨料层，又称为金刚石层或工作层，它是由金刚石、结合剂、气孔三部分组成，是金刚石磨轮的核心部分，主要的作用是磨削玻璃边或玻璃角，更准确地说靠的是磨料层里的金刚石颗粒。因此磨料层里金刚石颗粒的大小以及颗粒分布的是否均匀是检验磨料层是否合格的关键。
在现有技术中，对于金刚石磨轮的磨料层混料质量的监测，多数是根据图像对金刚石颗粒的大小与分布进行检测，然后评判磨料层的质量。但是因为金刚石容易反光，并且在采集图像时，会因为环境光的影响在图像中形成高斯噪声，因而金刚石的反光形成的明亮点与噪声点会产生较大的混淆，影响对磨料层中金刚石小颗粒分布的检测，并且也会影响颗粒大小的检测，而现有技术中没有考虑到噪声的影响。
为了解决上述问题，本发明提出一种用于金刚石磨轮生产的磨料层混料质量监测方法。通过对图像的连通域进行分析，获得不同颗粒大小的连通域，然后根据噪声的对金刚石颗粒的影响程度不同，通过k-means聚类将噪声污染区域进行精细分组，获得不同影响程度的聚类块，然后对其进行去噪，获得不含噪声的图像。最后根据金刚石颗粒的大小与分布的均匀性，判断磨轮磨料层的质量。
发明内容
为了解决上述技术问题，本发明的目的在于提供用于金刚石磨轮生产的磨料层混料质量监测方法，所采用的技术方案具体如下：
获取磨轮磨料层图像；
根据磨轮磨料层图像大小对所述磨轮磨料层图像进行分块，得到多个图像块；
对每个图像块使用阈值分割方法得到所述每个图像块中的所有连通域；根据各个连通域之间的结构相似度函数的斜率变化情况计算所述各个连通域之间的相似度；
根据所述各个连通域之间的相似度得到第一连通域，第二连通域以及第三连通域，所述第一连通域中包含多个第一子连通域，所述第二连通域中包含多个第二子连通域，所述第三连通域中包含多个第三子连通域；
根据所述第一连通域中所有第一子连通域中面积的种类数以及所有图像块的个数确定第一连通域中的初始聚类数目；
对所有第一子连通域的面积使用聚类算法进行聚类，得到多个噪声影响类别；根据所述各个噪声影响类别中所有连通域面积使用主成分分析方法得到各个噪声影响类别的噪声影响程度；
根据所述第一连通域的所有噪声影响程度进行聚类，得到多个聚类结果；根据各个聚类结果之间噪声影响程度的差异以及聚类结果之间的距离计算各个聚类结果之间的相关性；根据每个聚类结果的平均噪声影响程度以及所有聚类结果之间距离的最小值确定聚类合并阈值；根据聚类合并阈值以及各个聚类结果之间的相关性将不同的聚类结果进行合并，得到多个不同噪声影响程度的金刚石颗粒类别；对所述不同噪声影响程度的金刚石颗粒类别中的每个金刚石颗粒进行滤波去噪，得到所有金刚石颗粒连通域；根据所述金刚石颗粒连通域中心点之间的距离标准差得到金刚石颗粒的分布均匀性；根据所有金刚石颗粒连通域之间的面积标准差得到金刚石颗粒的大小均匀性；根据所述金刚石颗粒的大小均匀性以及分布均匀性的乘积，得到磨轮磨料层的第一质量；
同理，根据第二连通域和第三连通域的金刚石颗粒连通域得到磨轮磨料层的第二质量；和磨轮磨料层的第三质量；
根据磨轮磨料层的第一质量，第二质量以及第三质量的均值得到磨轮磨料层的最终质量。
优选地，根据磨轮磨料层图像大小对所述磨轮磨料层图像进行分块，得到多个图像块的方法为：获取磨轮磨料层图像的长
Figure 936886DEST_PATH_IMAGE001
和宽
Figure 119606DEST_PATH_IMAGE002
，将磨轮磨料层图像的长和宽平均进行n等分，每一个图像块的大小为
Figure 305867DEST_PATH_IMAGE003
。
优选地，根据各个连通域之间的结构相似度函数的斜率变化情况计算所述各个连通域之间的相似度的方法为：获取磨轮磨料层图像中的所有连通域的面积值由大到小排列构成的面积序列；根据结构相似度对比函数计算面积序列中相邻连通域之间的结构相似度。
优选地，根据所述各个连通域之间的相似度得到第一连通域，第二连通域以及第三连通域的方法为：
计算面积序列中相邻连通域之间结构相似度的斜率；
计算面积序列中序号小于所述两个相邻连通域的序号最大值的所有连通域，计算所述所有连通域之间的平均斜率；
设置阈值，当所述平均斜率小于预设阈值时，将所述所有连通域划分为一组；
对面积序列中的所有连通域进行划分，得到三种类型的连通域，分别记为第一连通域，第二连通域与第三连通域。
优选地，根据所述第一连通域中所有第一子连通域中面积的种类数以及所有图像块的个数确定第一连通域中的初始聚类数目的表达式为：
Figure 232235DEST_PATH_IMAGE004
式中，
Figure 249870DEST_PATH_IMAGE005
为第一连通域中的初始聚类数目,
Figure 478857DEST_PATH_IMAGE003
为每个图像块的大小，m第一连通域中所有第一子连通域中面积的种类数。
优选地，根据每个聚类结果的平均噪声影响程度以及所有聚类结果之间距离的最小值确定聚类合并阈值的方法为：
Figure 277049DEST_PATH_IMAGE006
式中，
Figure 882473DEST_PATH_IMAGE007
为聚类合并阈值，
Figure 82511DEST_PATH_IMAGE008
为第
Figure 482399DEST_PATH_IMAGE009
个聚类结果的噪声影响程度；
Figure 580936DEST_PATH_IMAGE010
为所有聚类结果的个数；
Figure 724473DEST_PATH_IMAGE011
表示所有聚类结果聚类中心之间欧式距离的最小值。
优选地，根据各个聚类结果之间噪声影响程度的差异以及聚类结果之间的距离计算各个聚类结果相关性的表达式为：
Figure 779016DEST_PATH_IMAGE012
式中，
Figure 615385DEST_PATH_IMAGE013
为第
Figure 122590DEST_PATH_IMAGE014
个聚类结果与第
Figure 804238DEST_PATH_IMAGE015
个聚类结果的相关性；
Figure 978868DEST_PATH_IMAGE016
分别为第
Figure 720559DEST_PATH_IMAGE014
个聚类结果与第
Figure 652743DEST_PATH_IMAGE015
个聚类结果的噪声影响程度；
Figure 262716DEST_PATH_IMAGE017
为第
Figure 167218DEST_PATH_IMAGE014
个聚类结果与第
Figure 470023DEST_PATH_IMAGE015
个聚类结果聚类中心之间的欧式距离。
优选地，根据聚类合并阈值将不同的聚类结果进行合并，得到多个不同噪声影响程度的金刚石颗粒类别的方法为：当两个聚类结果之间的相关性小于等于聚类合并阈值时，将所述两个聚类结果合并为一个聚类结果。
本发明实施例至少具有如下有益效果：
本发明通过对图像中不同金刚石颗粒的连通域分析，获得三种噪声影响程度不同的连通域；然后根据噪声的影响程度对其进行聚类分析，获得噪声影响程度不同的聚类块，对其进行去噪。能够实现噪声的去除，从而在检测金刚石颗粒的大小与分布的均匀时，更加准确。在去噪的过程中，根据噪声对不同连通域的影响程度不同获得不同的聚类块，再根据不同的聚类块对图像进行去噪。根据不同影响程度去噪的程度不同，使得去噪的效果更好，不会损失图像的细节。在聚类过程中，确定聚类的中心与聚类的范围时，根据图像噪声影响程度进行聚类，使得聚类的效果更好，能够将受到噪声影响程度不同的金刚石颗粒聚为一类，使得去噪效果更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1是本发明的用于金刚石磨轮生产的磨料层混料质量监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的用于金刚石磨轮生产的磨料层混料质量监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于金刚石磨轮生产的磨料层混料质量监测方法的具体方案。
实施例：
本发明所针对的场景具体为：由于在检测磨轮磨料层金刚石颗粒时，会受到噪声的影响，所以首先需要进行去噪，通过对去除噪声后的金刚石颗粒的分布均匀性以及大小均匀性对磨轮磨料层的混料质量进行监测。
请参阅图1，其示出了本发明一个实施例提供的用于金刚石磨轮生产的磨料层混料质量监测方法的方法流程图，该方法包括以下步骤：
步骤S001，获取磨轮磨料层图像，根据磨轮磨料层图像大小对所述磨轮磨料层图像进行分块，得到多个图像块。
本发明需要通过图像处理的方法对金刚石磨轮生产的磨料层混料质量进行监测，因此需要使用相机从金属磨轮的正上方采集磨料层表面图像，但是在采集图像的过程中，因为金属的表面会发生光的反射，所以在采集图像时，需要光照均均匀。光线的照射方向为俯视照射，且需要多个光源，从而形成均匀的光线，照射在金刚石磨轮的表面。
由于实际加工环境较为复杂，会干扰磨轮磨料层混料质量的检测，为了提高本发明的泛化能力，本发明采用DNN语义分割的方式来识别分割相机采集图像中的磨轮磨料层图像。
该DNN网络的相关内容如下：
1）使用的数据集为俯视采集的金刚石磨轮图像数据集，金刚石磨轮的样式为多种多样的。
2）需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于金刚石磨轮的标注为1。
3）网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有金刚石磨轮磨料层的图像，去除了背景的干扰。
步骤S002，对每个图像块使用阈值分割方法得到所述每个图像块中的所有连通域；根据各个连通域之间的结构相似度函数的斜率变化情况计算所述各个连通域之间的相似度；根据各个连通域之间的相似度得到第一连通域，第二连通域以及第三连通域，其中第一连通域中包含多个第一子连通域，第二连通域中包含多个第二子连通域，第三连通域中包含多个第三子连通域；
因为金刚石容易反光，并且在采集图像时，会因为环境光的影响在图像中形成高斯噪声，因而金刚石的反光形成的明亮点与噪声点会产生较大的混淆，影响对磨料层中金刚石小颗粒分布的检测，并且也会影响颗粒大小的检测，因此需要对图像进行去噪处理。通过对图像的连通域进行分析，获得不同金刚石颗粒大小的连通域，然后根据噪声的对金刚石颗粒的噪声影响程度不同，通过k-means聚类将存在噪声的金刚石连通域进行精细分组，获得不同影响程度的聚类块，然后对其进行去噪，获得不含噪声的图像。最后根据金刚石颗粒的大小均匀性与分布均匀性，判断磨轮磨料层的质量。具体过程如下：
首先，金刚石是具有一定形状的晶体，其表面会有较为明显的棱角，因此在采集到的高分辨率图像中，组成金刚石的边缘像素点会是具有一定形状的分布；而噪声是杂乱无章的，其相当于用一些离散的无规律的像素点遮盖在正常的图像中，造成没有噪声图像中正常形状的像素点产生变化。并且，在没有金刚石颗粒分布的区域也会有噪声，从而影响判断。
假设磨轮磨料层图像的长和宽分别记为
Figure 827186DEST_PATH_IMAGE018
，为了获得准确的特征分布，对图像进行分块，因为较小的图像块在进行计算时，会更加准确。分块的办法为等大分块，即将磨轮磨料层图像的长和宽平均进行
Figure 240850DEST_PATH_IMAGE019
等分，由此将图像分为
Figure 999859DEST_PATH_IMAGE020
份，其中每一块图像的大小为
Figure 473565DEST_PATH_IMAGE003
。
然后，由于噪声会影响金刚石小颗粒的形状，因此所获得的每个小颗粒的连通域相较于原始的形状会发生一定的改变，并且每个金刚石小颗粒并都是独立的，也有可能小颗粒的连通域是连在一起的，并且也有可能是因为噪点的影响将两个独立的小颗粒连在了一起。因此再进行分割时，需要根据不同连通域的形状，将连在一起的小颗粒分开。并且根据噪声对小颗粒的影响程度，将影响较小的小颗粒进行标记去除。
1)获得图像中的所有连通域，本发明通过OTSU阈值分割算法（大津法）获得每个区域的连通域，对分割后的图像使用直方图拉伸的方法进行图像增强，以获得对比度更加明显的图像。
2)因为分割后的连通域会存在三种情况；独立的小颗粒区域、与噪声相连的小颗粒和因为噪点的影响将两个独立的小颗粒连在一起。并且也会因为金刚石颗粒的大小不均匀，独立的小颗粒与连在一起的小颗粒的大小相同，或出现独立的噪点与独立的小颗粒。因此在进行连通域大小分析时，应该将其一一分开。
独立的连通域根据连通域的面积大小将其分开，因为单独的小颗粒的连通域与噪点形成的连通域的面积较小，而其余的两种情况会形成面积较大区域的连通域。首先获得每个连通域的面积序列
Figure 318024DEST_PATH_IMAGE021
，式中，
Figure 269800DEST_PATH_IMAGE022
表示独立小颗粒连通域和与噪声相连的小颗粒连通域的分割阈值，
Figure 148894DEST_PATH_IMAGE023
表示与噪声相连的小颗粒连通域和因为噪点影响将两个独立的小颗粒连在一起的连通域的分割阈值。
统计连通域的面积是根据像素点的数量进行统计的，所得到的序列是一个面积逐渐递增的数列，因为颗粒的大小不一定是均匀的，因此根据面积的大小所分的连通域里面也会包含别的区域的连通域。因此还需要根据连通域的边缘特征进行分析。
因为单独的金刚石小颗粒的边缘是具有棱角的，其像素点的组成具有一定的形状。而与噪声相粘连的小颗粒的连通域的边缘结构会发生变化，因此通过计算独立小颗粒连通域和与噪声相连的小颗粒连通域中，二者之间的结构相似性将两种不同归属的颗粒再进行区分。计算公式如下：
Figure 793502DEST_PATH_IMAGE024
式中，
Figure 125258DEST_PATH_IMAGE025
表示图像
Figure 880724DEST_PATH_IMAGE026
与图像
Figure 83166DEST_PATH_IMAGE027
的结构相似度对比函数，
Figure 392618DEST_PATH_IMAGE028
为图像
Figure 70724DEST_PATH_IMAGE026
与图像
Figure 505247DEST_PATH_IMAGE027
的协方差，
Figure 217988DEST_PATH_IMAGE029
与
Figure 814186DEST_PATH_IMAGE030
分别表示图像
Figure 245167DEST_PATH_IMAGE026
与图像
Figure 217803DEST_PATH_IMAGE027
的标准差，c为常数，为避免公式中的分母为0，一般取
Figure 50629DEST_PATH_IMAGE031
。此公式为现有公式，在此不做逻辑解释。
此公式表示两幅图像的结构相似度对比函数，因此当独立小颗粒连通域和与噪声相连的小颗粒连通域的结构相似度高时，其同一函数的协方差与标准差两个特征量的数值较为近似，因此图像的斜率较为平缓。反之，则亦然。所以计算结构相似度函数的斜率，通过斜率的变化获得两个连通域的相似程度。计算公式如下：
Figure 817728DEST_PATH_IMAGE032
式中，
Figure 736006DEST_PATH_IMAGE033
表示结构相似度对比函数的斜率，
Figure 309069DEST_PATH_IMAGE034
表示对结构相似度对比函数求导。其中函数的一阶导数表示其斜率。因此根据函数的斜率的变化获得结构相似度的判定条件，计算公式如下：
Figure 606190DEST_PATH_IMAGE035
式中，
Figure 668824DEST_PATH_IMAGE036
表示斜率的判断条件，即平均斜率，
Figure 684184DEST_PATH_IMAGE037
表示第
Figure 388835DEST_PATH_IMAGE038
点的斜率，
Figure 806041DEST_PATH_IMAGE039
表示有
Figure 305155DEST_PATH_IMAGE039
的斜率存在的点。
由于每一点斜率变化的均值，表示整个函数图像的变化趋势，平均斜率越小，函数越平缓，结构相似度越大，平均斜率越大，函数越波动，结构相似度越小。此处的第一预设阈值为0.13。
通过上述同样的方法将单独的金刚石小颗粒的连通域与因为噪点将两个单独的小颗粒连在一起的连通域区分开。
通过上述方法获得三个连通域，分别为单独的金刚石小颗粒的连通域，与噪声相粘连的小颗粒的连通域以及因为噪点将两个单独的小颗粒连在一起的连通域。其中，单独的金刚石小颗粒的连通域定义为第一连通域，噪声相粘连的小颗粒的连通域定义为第二连通域，因为噪点将两个单独的小颗粒连在一起的连通域定义为第三连通域。
步骤S003，确定第一连通域的初始聚类数目；对所有第一子连通域的面积使用聚类算法进行聚类，得到多个噪声影响类别；并根据不同噪声影响类别的噪声影响程度进行聚类；根据聚类合并阈值以及各个聚类结果之间的相关性将不同的聚类结果进行合并，得到滤波去噪后的所有金刚石颗粒连通域；
根据上述获得的三个连通域可知，第一连通域为不含噪声的连通域，对其进行标记。第二连通域与第三连通域为噪声污染的连通域。因此需要对第二、第三连通域进行去噪。但是因为相同连通域内噪声的污染程度不同，例如：有些小颗粒附着一个噪点，有些附着两个或多个。所以在进行去噪时，选择的滤波器的窗口的大小是不同的。
首先，需要根据噪声在金刚石小颗粒表面的附着程度不同，将其进行聚类，获得不同影响程度的聚类块。一般来说，一个好的聚类，应当精确地将图像中各种不同的特征进行细致地分组，使得一个聚类对应于小规模的一种类型的图像特征。本发明使用k-means聚类算法进行聚类，但是传统的k-means聚类无法满足本发明的要求，因为k-means聚类不能自适应地确定最佳的聚类数目，而本发明需要根据不同连通域内的噪声的影响程度的不同，进行聚类，获得不同的聚类块，因此对k-means聚类进行自适应的改进。在聚类的过程中，需要获得大量的类，首先将聚类的数目设置为：
Figure 604550DEST_PATH_IMAGE004
式中，
Figure 722678DEST_PATH_IMAGE005
为第一连通域中的初始聚类数目，
Figure 119025DEST_PATH_IMAGE003
为每个图像块的大小，m第一连通域中所有第一子连通域中面积的种类数。这样设置的目的是为了获得初始的聚类数目，获得图像中噪声对金刚石小颗粒的影响类别。然后再确定聚类中心，因为本发明是根据噪声的对金刚石小颗粒的影响程度不同进行聚类的，所以在进行聚类中心的的确定时，也是根据同一连通域内噪声的影响程度进行聚类中心的确定。
而同一连通域内噪声的影响程度的确定本发明使用基于PCA的噪声影响程度估计算法进行计算，计算获得每个连通域内小连通域的噪声影响程度
Figure 664407DEST_PATH_IMAGE040
。此方法为已知技术，在此不再赘述。其原理为：低秩区域的选择导致沉重的计算负担，并且在高噪声影响程度下不稳定，该方法是基于从无噪声图像中得到的图像块通常位于低维子空间中的现象提出的。该低维子空间可以通过主成分分析的低秩逼近来学习，并且噪声影响程度可以通过噪声块的协方差矩阵的特征值来估计。
根据不同的噪声的影响程度获得聚类中心，然后进行聚类，获得不同噪声影响程度的金刚石小颗粒的类，但是为了防止聚类太小太分散，通过计算两个类之间的相关性，若两个类之间的相关性
Figure 778993DEST_PATH_IMAGE041
,则将两个类合并为一个类，其中
Figure 435234DEST_PATH_IMAGE040
为
Figure 951666DEST_PATH_IMAGE038
类的噪声影响程度，
Figure 667949DEST_PATH_IMAGE042
为
Figure 269831DEST_PATH_IMAGE043
类的噪声影响程度，
Figure 729763DEST_PATH_IMAGE017
为
Figure 100701DEST_PATH_IMAGE038
类与
Figure 987886DEST_PATH_IMAGE043
类之间的距离。为了自适应合并相似的类，我们需要确定一个合适的聚类合并阈值
Figure 811485DEST_PATH_IMAGE007
，其计算公式如下：
Figure 75108DEST_PATH_IMAGE006
式中，
Figure 300553DEST_PATH_IMAGE007
为聚类合并阈值，
Figure 358638DEST_PATH_IMAGE008
为第
Figure 935113DEST_PATH_IMAGE009
个聚类结果的噪声影响程度；
Figure 471268DEST_PATH_IMAGE010
为所有聚类结果的个数；
Figure 551219DEST_PATH_IMAGE011
表示所有聚类结果聚类中心之间欧式距离的最小值。由于噪声影响程度表示受到噪声的影响程度，当处于某一噪声影响范围内的两个类，噪声影响程度相似时，其距离较小，就可以将其划归为同一个类，而阈值
Figure 45786DEST_PATH_IMAGE044
就是衡量噪声与距离之间的关系。由此将相似的类划归为一类，能够减少类的数量，从而减小后续的计算量。
通过上述方法将噪声影响程度不同的小金刚石颗粒所形成的连通域进行聚类，获得了r个聚类块。每一个聚类块中含有因为相同噪声影响的金刚石小颗粒形成的连通域，然后对其进行去噪。
本发明采样双边滤波的方法进行去噪，因为图像的噪声为高斯噪声，高斯滤波根据邻域像素的空间位置决定权函数，滤波后的图像趋于平滑。双边滤波在其基础上增加了邻域像素点相似度权函数，邻域像素值和目标像素值差值越接近，则此邻域像素值贡献权值越大，相反，贡献权值也就越小。最后将权重系数归一化处理。因此滤波权重不仅由像素点的空间位置关系决定，也依赖于像素的灰度值关系，从而既保证噪声被有效地滤除，边缘信息也得以更好地保存。双边滤波为已知技术，在此不再赘述。
因为是将图像分为
Figure 843978DEST_PATH_IMAGE045
个子块分别进行去噪，因此去噪后将图像进行合并，获得原始图像的去噪图像。
步骤S004，根据所述金刚石颗粒的分布均匀性以及大小均匀性得到磨轮磨料层的第一质量；同理，得到磨轮磨料层的第二质量和第三质量，将第一质量，第二质量和第三质量的均值作为磨轮磨料层的最终质量。
由于因为合格的金刚石磨轮的磨料层的金刚石颗粒的大小分布是均匀的，且大小也是均匀的，所以根据金刚石颗粒的分布均匀性与大小的均匀性对其质量进行评价。
上面获得了金刚石颗粒的连通域，通过计算每两个颗粒之间的距离来表示颗粒分布的均匀性。距离越均匀，分布的均匀程度越大。则均匀程度计算公式为：
Figure 461121DEST_PATH_IMAGE046
式中，
Figure 395579DEST_PATH_IMAGE047
表示第
Figure 61047DEST_PATH_IMAGE038
个的距离，
Figure 801994DEST_PATH_IMAGE048
表示距离的均值,
Figure 679951DEST_PATH_IMAGE049
表示有
Figure 734495DEST_PATH_IMAGE050
个距离。因为标准差反映的是一个数据集的离散程度。离散程度越小，表示均匀程度越大。此公式为标准差公式，不再做逻辑解释。
根据面积序列
Figure 570864DEST_PATH_IMAGE021
中各个连通域的面积标准差
Figure 78069DEST_PATH_IMAGE051
计算颗粒大小的均匀性。
则通过根据金刚石颗粒的分布均匀性与大小的均匀性得到金刚石磨轮的磨料层的质量评价参数，计算公式如下：
Figure 25296DEST_PATH_IMAGE052
式中，
Figure 199926DEST_PATH_IMAGE053
表示金刚石磨轮的磨料层的第一质量。值越小，表示金刚石颗粒的分布与大小越均匀。
同理，根据第二连通域和第三连通域的金刚石颗粒连通域得到磨轮磨料层的第二质量；和磨轮磨料层的第三质量；
计算第一质量，第二质量与第三质量之间的均值，所得结果作为金刚石磨轮磨料层的最终质量。
设置第二预设阈值为0.125，当金刚石磨轮磨料层的最终质量评价参数小于第一预设阈值时，混料质量不合格，否则认为混料质量合格。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，该方法包括：
获取磨轮磨料层图像；
根据磨轮磨料层图像大小对所述磨轮磨料层图像进行分块，得到多个图像块；
对每个图像块使用阈值分割方法得到所述每个图像块中的所有连通域；根据各个连通域之间的结构相似度函数的斜率变化情况计算所述各个连通域之间的相似度；
根据所述各个连通域之间的相似度得到第一连通域，第二连通域以及第三连通域，所述第一连通域中包含多个第一子连通域，所述第二连通域中包含多个第二子连通域，所述第三连通域中包含多个第三子连通域；
根据所述第一连通域中所有第一子连通域中面积的种类数以及所有图像块的个数确定第一连通域中的初始聚类数目；
对所有第一子连通域的面积使用聚类算法进行聚类，得到多个噪声影响类别；根据所述各个噪声影响类别中所有连通域面积使用主成分分析方法得到各个噪声影响类别的噪声影响程度；
根据所述第一连通域的所有噪声影响程度进行聚类，得到多个聚类结果；根据各个聚类结果之间噪声影响程度的差异以及聚类结果之间的距离计算各个聚类结果之间的相关性；根据每个聚类结果的平均噪声影响程度以及所有聚类结果之间距离的最小值确定聚类合并阈值；根据聚类合并阈值以及各个聚类结果之间的相关性将不同的聚类结果进行合并，得到多个不同噪声影响程度的金刚石颗粒类别；对所述不同噪声影响程度的金刚石颗粒类别中的每个金刚石颗粒进行滤波去噪，得到所有金刚石颗粒连通域；根据所述金刚石颗粒连通域中心点之间的距离标准差得到金刚石颗粒的分布均匀性；根据所有金刚石颗粒连通域之间的面积标准差得到金刚石颗粒的大小均匀性；根据所述金刚石颗粒的大小均匀性以及分布均匀性的乘积，得到磨轮磨料层的第一质量；
同理，根据第二连通域和第三连通域的金刚石颗粒连通域得到磨轮磨料层的第二质量；和磨轮磨料层的第三质量；
根据磨轮磨料层的第一质量，第二质量以及第三质量的均值得到磨轮磨料层的最终质量。
2.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述的根据磨轮磨料层图像大小对所述磨轮磨料层图像进行分块，得到多个图像块的方法为：
获取磨轮磨料层图像的长
Figure 39807DEST_PATH_IMAGE001
和宽
Figure 847357DEST_PATH_IMAGE002
，将磨轮磨料层图像的长和宽平均进行n等分，每一个图像块的大小为
Figure 801538DEST_PATH_IMAGE003
。
3.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据各个连通域之间的结构相似度函数的斜率变化情况计算所述各个连通域之间的相似度的方法为：
获取磨轮磨料层图像中的所有连通域的面积值由大到小排列构成的面积序列；
根据结构相似度对比函数计算面积序列中相邻连通域之间的结构相似度。
4.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据所述各个连通域之间的相似度得到第一连通域，第二连通域以及第三连通域的方法为：
计算面积序列中相邻连通域之间结构相似度的斜率；
计算面积序列中序号小于所述两个相邻连通域的序号最大值的所有连通域，计算所述所有连通域之间的平均斜率；
设置第一预设阈值，当所述平均斜率小于第一预设阈值时，将所述所有连通域划分为一组；
对面积序列中的所有连通域进行划分，得到三种类型的连通域，分别记为第一连通域，第二连通域与第三连通域。
5.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据所述第一连通域中所有第一子连通域中面积的种类数以及所有图像块的个数确定第一连通域中的初始聚类数目的表达式为：
Figure 768357DEST_PATH_IMAGE004
式中，
Figure 212108DEST_PATH_IMAGE005
为第一连通域中的初始聚类数目,
Figure 366008DEST_PATH_IMAGE003
为每个图像块的大小，m第一连通域中所有第一子连通域中面积的种类数。
6.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据每个聚类结果的平均噪声影响程度以及所有聚类结果之间距离的最小值确定聚类合并阈值的方法为：
Figure 451776DEST_PATH_IMAGE006
式中，
Figure 210785DEST_PATH_IMAGE007
为聚类合并阈值，
Figure 418912DEST_PATH_IMAGE008
为第
Figure 60109DEST_PATH_IMAGE009
个聚类结果的噪声影响程度；
Figure 887251DEST_PATH_IMAGE010
为所有聚类结果的个数；
Figure 890979DEST_PATH_IMAGE011
表示所有聚类结果聚类中心之间欧式距离的最小值。
7.根据权利要求1所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据各个聚类结果之间噪声影响程度的差异以及聚类结果之间的距离计算各个聚类结果相关性的表达式为：
Figure 145374DEST_PATH_IMAGE012
式中，
Figure 336184DEST_PATH_IMAGE013
为第
Figure 967016DEST_PATH_IMAGE014
个聚类结果与第
Figure 825251DEST_PATH_IMAGE015
个聚类结果的相关性；
Figure 516126DEST_PATH_IMAGE016
分别为第
Figure 459812DEST_PATH_IMAGE014
个聚类结果与第
Figure 425493DEST_PATH_IMAGE015
个聚类结果的噪声影响程度；
Figure 13601DEST_PATH_IMAGE017
为第
Figure 734432DEST_PATH_IMAGE014
个聚类结果与第
Figure 978463DEST_PATH_IMAGE015
个聚类结果聚类中心之间的欧式距离。
8.根据权利要求7所述的用于金刚石磨轮生产的磨料层混料质量监测方法，其特征在于，所述根据聚类合并阈值将不同的聚类结果进行合并，得到多个不同噪声影响程度的金刚石颗粒类别的方法为：当两个聚类结果之间的相关性小于等于聚类合并阈值时，将所述两个聚类结果合并为一个聚类结果。
CN202211167733.5A 2022-09-23 2022-09-23 用于金刚石磨轮生产的磨料层混料质量监测方法 Active CN115239736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167733.5A CN115239736B (zh) 2022-09-23 2022-09-23 用于金刚石磨轮生产的磨料层混料质量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167733.5A CN115239736B (zh) 2022-09-23 2022-09-23 用于金刚石磨轮生产的磨料层混料质量监测方法

Publications (2)

Publication Number Publication Date
CN115239736A CN115239736A (zh) 2022-10-25
CN115239736B true CN115239736B (zh) 2022-12-13

Family

ID=83667458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167733.5A Active CN115239736B (zh) 2022-09-23 2022-09-23 用于金刚石磨轮生产的磨料层混料质量监测方法

Country Status (1)

Country Link
CN (1) CN115239736B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409742B (zh) * 2022-11-02 2023-01-31 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于园林绿化的植被覆盖密度评估方法
CN116797598B (zh) * 2023-08-22 2023-11-17 山东万牧农业科技有限公司郯城分公司 基于图像特征的养殖饲料质量精细化检测方法
CN117934469B (zh) * 2024-03-22 2024-06-07 张家港市升恒机械设备制造有限公司 一种矿用高压变频器外壳生产质量视觉检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767385A (zh) * 2017-08-28 2018-03-06 江苏理工学院 一种基于机器视觉的金刚砂线颗粒计数方法和装置
CN107767361A (zh) * 2017-08-28 2018-03-06 江苏理工学院 一种金刚砂线颗粒计数方法、存储设备及终端设备
CN113409229A (zh) * 2021-08-20 2021-09-17 南京航空航天大学 一种大磨粒超硬磨料砂轮磨粒等高性评价方法
CN113624645A (zh) * 2021-07-18 2021-11-09 南京林业大学 一种用于检测颗粒流动分布的装置及其方法
CN115035303A (zh) * 2022-06-17 2022-09-09 郑州磨料磨具磨削研究所有限公司 一种电镀有色cBN砂轮的磨料浓度检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767385A (zh) * 2017-08-28 2018-03-06 江苏理工学院 一种基于机器视觉的金刚砂线颗粒计数方法和装置
CN107767361A (zh) * 2017-08-28 2018-03-06 江苏理工学院 一种金刚砂线颗粒计数方法、存储设备及终端设备
CN113624645A (zh) * 2021-07-18 2021-11-09 南京林业大学 一种用于检测颗粒流动分布的装置及其方法
CN113409229A (zh) * 2021-08-20 2021-09-17 南京航空航天大学 一种大磨粒超硬磨料砂轮磨粒等高性评价方法
CN115035303A (zh) * 2022-06-17 2022-09-09 郑州磨料磨具磨削研究所有限公司 一种电镀有色cBN砂轮的磨料浓度检测方法

Also Published As

Publication number Publication date
CN115239736A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115239736B (zh) 用于金刚石磨轮生产的磨料层混料质量监测方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
Cheng et al. Novel approach to pavement cracking detection based on fuzzy set theory
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN103020639A (zh) 一种白细胞自动识别计数方法
CN110728185B (zh) 一种判别驾驶人存在手持手机通话行为的检测方法
CN103761726B (zh) 基于fcm的分块自适应图像分割方法
CN109975196B (zh) 一种网织红细胞检测方法及其系统
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN114972892B (zh) 基于计算机视觉的汽车刹车片缺陷分类方法
CN115018845B (zh) 一种润滑油磨粒质量检测方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN107730499A (zh) 一种基于nu‑支持向量机的白细胞分类方法
CN110276764A (zh) 基于K值估计的K-Means水下图像背景分割改进算法
Ceccarelli et al. Automatic detection and surface measurements of micronucleus by a computer vision approach
CN115775250A (zh) 基于数字图像分析的金手指电路板缺陷快速检测系统
CN110910367A (zh) 生物反应器细胞培养质量评价方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN118115497B (zh) 一种石英砂的粉碎磨粉检测方法及装置
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN115375690A (zh) 一种舌象腐腻苔分类识别方法
CN116246174A (zh) 基于图像处理的甘薯种类识别方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN118134938A (zh) 一种耐火砖表面缺陷视觉检测方法及系统

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