CN115546098A - 一种砂轮磨损状态识别方法、计算设备及存储介质 - Google Patents
一种砂轮磨损状态识别方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN115546098A CN115546098A CN202210901629.8A CN202210901629A CN115546098A CN 115546098 A CN115546098 A CN 115546098A CN 202210901629 A CN202210901629 A CN 202210901629A CN 115546098 A CN115546098 A CN 115546098A
- Authority
- CN
- China
- Prior art keywords
- grinding wheel
- image
- surface image
- gray level
- training
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Nonlinear Science (AREA)
- Polishing Bodies And Polishing Tools (AREA)
Abstract
本发明涉及精密加工领域,特别涉及一种砂轮磨损状态识别方法、计算设备及存储介质,方法包括:获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像;根据第二表面图像确定砂轮的特征参数;将砂轮的特征参数输入预先构建的分类模型,并根据分类模型的输出确定砂轮的磨损状态。本发明能够通过对砂轮的表面图像进行识别,根据分类模型确定砂轮的磨损状态,提高砂轮的磨损状态的识别效率和准确率。
Description
技术领域
本发明涉及精密加工领域,特别涉及一种砂轮磨损状态识别方法、计算设备及存储介质。
背景技术
随着精密超精密产业的迅速发展,以金刚石砂轮为代表的精密加工刀具的需求量逐渐增大。金刚石砂轮是以金刚石磨料为原料,以树脂、金属、陶瓷等材料作结合剂而制成的固结磨具,可用于加工硬质合金及玻璃、蓝宝石等硬脆材料,具有磨削精度高、使用寿命长的优点,被广泛应用在光学材料、集成电路、半导体、航空航天等领域。
由于对超硬材料以及硬脆材料的需求不断上升,对于高寿命、高效率金刚石砂轮的关注也持续提升。金刚石砂轮的使用寿命和磨削性能不仅受到砂轮材料和配方的影响,也在很大程度上与加工过程中砂轮的磨损状态密切相关。此外,砂轮的磨损状态也会直接影响到加工表面的精度和磨床的稳定性。
在工业生产中,工人通常根据磨削工件的表面质量判断砂轮的磨损。当加工表面的形状精度和表面粗糙度发生突变或下降时,即认为砂轮需要修整,以延续其良好的加工状态。这种方法依赖于操作人员的主观经验,并且是一种间接的判断方法,对操作者的经验要求高,效率也比较低。频繁的修整会直接缩短砂轮使用寿命,而砂轮磨损过度仍在使用则会导致工件质量问题。
为此,需要一种新的砂轮磨损状态识别方法。
发明内容
为此,本发明提供一种砂轮磨损状态识别方法,以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面,提供一种砂轮磨损状态识别方法,适于在计算设备中执行,方法包括:获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像;根据第二表面图像确定砂轮的特征参数;将砂轮的特征参数输入预先构建的分类模型,并根据分类模型的输出确定砂轮的磨损状态。
可选地,在根据本发明的方法中,对表面图像进行预处理得到第二表面图像包括步骤:对第一表面图像进行灰度变换得到第一中间图像;对第一中间图像进行阈值变换得到第二中间图像;对第二中间图像进行中值滤波后得到第二表面图像。
可选地,根据第二表面图像确定砂轮的表面参数包括步骤:根据第二表面图像生成灰度共生矩阵;根据灰度共生矩阵确定砂轮的特征参数。
可选地,在根据本发明的方法中,特征参数包括对比度、相关性、能量和同质性。
可选地,在根据本发明的方法中,分类模型的构建方法包括步骤:获取多个磨损程度的砂轮的多张表面图像,得到表面图像集合;对图像集合中的每张表面图像进行预处理得到训练样本,进而得到训练样本集;根据训练样本集进行训练得到分类模型。
可选地,在根据本发明的方法中,根据训练样本集进行训练得到分类模型包括步骤:设置生成灰度共生矩阵的像素距离和扫描方向;根据设置好的像素距离和扫描方向从训练样本集的每个训练样本中生成灰度共生矩阵,进而得到多个灰度共生矩阵;根据灰度共生矩阵确定训练参数,得到多条训练参数;对每条训练参数标注对应的磨损程度;根据标注好的多条训练参数进行训练得到分类模型。
可选地,在根据本发明的方法中,对第一表面图像进行灰度变换得到第一中间图像包括步骤:采用Gamma变换的对图像进行灰度变换:
g=(f+β)γ
其中g为输出图像,f为输入图像,β为补偿系数,γ为Gamma系数。
可选地,在根据本发明的方法中,对第一中间图像进行阈值变换得到第二中间图像包括步骤:设置阈值对第一中间图像进行阈值变换:
其中T为阈值。
根据本发明的另一个方面,提供了一种计算设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中,一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行根据本发明的砂轮磨损状态识别方法的指令。
根据本发明的再一个方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,该指令当由计算设备执行时,使得计算设备执行根据本发明的砂轮磨损状态识别方法。
本发明公开了一种砂轮磨损状态识别方法,适于在计算设备中执行,方法包括:获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像;根据第二表面图像确定砂轮的特征参数;将砂轮的特征参数输入预先构建的分类模型,并根据分类模型的输出确定砂轮的磨损状态。本发明能够通过对砂轮的表面图像进行识别,根据分类模型确定砂轮的磨损状态,提高砂轮的磨损状态的识别效率和准确率。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本发明公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个示范性实施例的砂轮磨损状态识别方法100的流程示意图;
图2示出了根据本发明一个示范性实施例的计算设备200的结构框图;
图3示出了根据本发明的一个示范性实施例的砂轮的第一表面图像的示意图;
图4示出了根据本发明的一个示范性实施例的砂轮的第一中间图像的示意图;
图5示出了根据本发明的一个示范性实施例的砂轮的第二中间图像的示意图;
图6示出了根据本发明的一个示范性实施例的砂轮的第二表面图像的示意图;
图7示出了根据本发明的一个示范性实施例的生成灰度共生矩阵的示意图;
图8示出了根据本发明一个示范性实施例的多个磨损程度的砂轮的表面图像的示意图;
图9示出了根据本发明一个示范性实施例的多个训练样本的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。相同的附图标记通常指代相同的部件或元素。
本发明中的一种砂轮磨损状态识别方法适于在计算设备中执行。图2示出了根据本发明一个示范性实施例的计算设备的结构框图。
在基本配置中,计算设备200包括至少一个处理单元220和系统存储器210。根据一个方面,取决于计算设备的配置和类型,系统存储器210包括但不限于易失性存储(例如,随机存取存储器)、非易失性存储(例如,只读存储器)、闪速存储器、或者这样的存储器的任何组合。根据一个方面,系统存储器210包括操作系统211。
根据一个方面,操作系统211,例如,适合于控制计算设备200的操作。此外,示例结合图形库、其他操作系统、或任何其他应用程序而被实践,并且不限于任何特定的应用或系统。在图2中通过在虚线215内的那些组件示出了该基本配置。根据一个方面,计算设备200具有额外的特征或功能。例如,根据一个方面,计算设备200包括额外的数据存储设备(可移动的和/或不可移动的),例如磁盘、光盘、或者磁带。
如在上文中所陈述的,根据一个方面,在系统存储器210中存储程序模块212。根据一个方面,程序模块212可包括一个或多个应用程序,本发明不限制应用程序的类型,例如应用还包括:电子邮件和联系人应用程序、文字处理应用程序、电子表格应用程序、数据库应用程序、幻灯片展示应用程序、绘画或计算机辅助应用程序、网络浏览器应用程序等。
根据一个方面,可以在包括分立电子元件的电路、包含逻辑门的封装或集成的电子芯片、利用微处理器的电路、或者在包含电子元件或微处理器的单个芯片上实践示例。例如,可以经由其中在图2中所示出的每个或许多组件可以集成在单个集成电路上的片上系统(SOC)来实践示例。根据一个方面,这样的SOC设备可以包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元、以及各种应用功能,其全部作为单个集成电路而被集成(或“烧”)到芯片基底上。当经由SOC进行操作时,可以经由在单个集成电路(芯片)上与计算设备200的其他组件集成的专用逻辑来对在本文中所描述的功能进行操作。还可以使用能够执行逻辑操作(例如AND、OR和NOT)的其他技术来实践本发明的实施例,所述其他技术包括但不限于机械、光学、流体、和量子技术。另外,可以在通用计算机内或在任何其他任何电路或系统中实践本发明的实施例。
根据一个方面,计算设备200还可以具有一个或多个输入设备231,例如键盘、鼠标、笔、语音输入设备、触摸输入设备等。还可以包括输出设备232,例如显示器、扬声器、打印机等。前述设备是示例并且也可以使用其他设备。计算设备200可以包括允许与其他计算设备240进行通信的一个或多个通信连接233。合适的通信连接233的示例包括但不限于:RF发射机、接收机和/或收发机电路;通用串行总线(USB)、并行和/或串行端口。计算设备200可通过通信连接233与其他计算设备240通信连接。
本发明实施方式还提供一种非暂态可读存储介质,存储有指令,所述指令用于使所述计算设备执行根据本发明实施方式的方法。本实施例的可读介质包括永久性和非永久性、可移动和非可移动介质,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。可读存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非暂态可读存储介质。
根据一个方面,通信介质是由计算机可读指令、数据结构、程序模块、或者经调制的数据信号(例如,载波或其他传输机制)中的其他数据实施的,并且包括任何信息传递介质。根据一个方面,术语“经调制的数据信号”描述了具有一个或多个特征集或者以将信息编码在信号中的方式改变的信号。作为示例而非限制,通信介质包括诸如有线网络或直接有线连接之类的有线介质,以及诸如声学、射频(RF)、红外线的、以及其他无线介质之类的无线介质。
需要说明的是,尽管上述计算设备仅示出了处理单元220、系统存储器210、输入设备231、输出设备232、以及通信连接233,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
图1示出了根据本发明一个示范性实施例的砂轮磨损状态识别方法100的流程示意图。如图1所示,首先执行步骤110,获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像。
根据本发明的一个实施例,砂轮的第一表面图像可通过拍照或扫描等方式获得。本发明对获取砂轮的第一表面图像的具体方式不做限制。砂轮的第一表面图像为从砂轮获取的未经过处理的图像。
根据本发明的一个实施例,在对砂轮的第一表面图像进行采集时,可通过表面成像装置采集第一表面图像。表面成像装置包括光源、镜头、相机等。
光源为在采集第一表面图像时提供照明的装置。光源可采用氙灯、高频荧光灯、光纤卤素灯、发光二极管(LED)等。本发明对光源的具体形式不做限制。根据本发明的一个实施例,光源可具体为LED。LED具有功耗低、发热小、使用寿命长、价格便宜、使用范围广等优势。
LED光源分为环形光源、同轴光源、背光源、球积分光源等。其中环形光源可提供不同的照射角度、不同颜色组合,能有效解决对角照射阴影问题,突出物体的三维高度信息;同轴光源采用分光镜设计,提供均匀照明,消除表面不平整引起的阴影,适用于反射率极高的物体,如金属、玻璃、晶片等;背光源用于突出物体的外形轮廓特征,常用于零件尺寸测量、透明物体划痕检测等场景;球积分光源采用漫射罩设计,常用于曲面、球面或不规则表面的检测。
本发明在实施过程中,考虑到成像需要最大程度地突出砂轮表面磨粒与结合剂间的对比度,使二者易于区分,因此适用于外形轮廓检测的背光源和高反射率物体检测的同轴光源均不符合砂轮的照明要求。此外,球积分光源体积较大,适用于不规则表面的检测,亦不符合砂轮的检测场景。相比之下,环形光源体积小、高度低、角度可调,而且能突显被照明物体的表面的高度起伏,因而最适用于砂轮的成像。基于此,本发明的一个实施例中,光源采用OPT RI12060-W环形光源,光源外径为120mm,内径72mm,高度30mm,光源与水平面的角度为60°。
相机是图像采集的主要设备,起着将光信号转化成电信号的作用。根据感光芯片的不同,机器视觉采用的工业相机可分为CCD相机和CMOS相机。本发明在实施过程中,考虑到CCD相机的灵敏度比CMOS相机的灵敏度高,同时考虑到CCD相机具有更高的成像质量,可以更准确的反映砂轮表面的情况,因此本发明的一个实施例中,选择CCD相机作为图像采集装置,型号为:BFLY-U3-50H5C-C。该相机的特点为:结构紧凑、功耗低,使用USB 3.0进行通信,无需单独接电,传感器尺寸为2/3英寸,最大分辨率2448×2048,帧率7.5fps。本发明对采集第一表面图像时具体采用的相机类型及具体型号不做限制。
镜头的作用是将物体反射的光线聚集投射到相机传感器上形成图像。本发明在实施过程中,考虑到镜头的质量会直接影响到成像质量,往往需要的图像分辨率越高,镜头的分辨率也要越高。常见的镜头包括定焦镜头和远心镜头。定焦镜头,是固定焦距的镜头,工作时通过调节镜片与相机感光芯片的距离以获取不同放大倍率的图像,呈现近大远小的成像特点,其结构紧凑,性价比高,适用于常规平面物体成像;远心镜头的特点是放大倍率固定,通过平行光路设计消除透视效果,适用于具有较大需要较大视场深度的成像场景。但远心镜头的尺寸大,较笨重,对视觉系统的结构刚性有一定要求。
本发明在实施过程中,考虑到砂轮表面高度起伏不大,使用定焦镜头能保证视场深度,因此本发明的一个实施例中,表面成像系统采用Edmund#59-870型C接口定焦镜头,其性能参数如表1所示:
表4.1 Edmund#59-870型定焦镜头性能参数
图3示出了根据本发明的一个示范性实施例的砂轮的第一表面图像的示意图。如图3所示,砂轮的第一表面图像中可看到亮度较高的磨粒及亮度较低的粘合剂。
根据本发明的一个实施例,对表面图像进行预处理得到第二表面图像时,先对第一表面图像进行灰度变换得到第一中间图像;再对第一中间图像进行阈值变换得到第二中间图像;对第二中间图像进行中值滤波后得到第二表面图像。
根据本发明的一个实施例,第一表面图像进行灰度变换得到第一中间图像时,可采用Gamma变换的方式,对图像进行灰度变换。Gamma变换用于减小不均匀光照和阴影对图像质量造成的影响。图像Gamma校正的公式为:
g=(f+β)γ
其中g为输出图像,f为输入图像,β为补偿系数,γ为Gamma系数。
图4示出了根据本发明的一个示范性实施例的砂轮的第一中间图像的示意图。如图4所示,第一中间图像相交于第一表面图像提升了图像对比度,突出了砂砾磨粒的细节。
随后对第一中间图像进行阈值变换得到第二中间图像。由于磨粒磨损是砂轮磨损的主要成因,因此对磨损砂轮图像阈值化处理,从而将起主要作用的磨粒置为前景,而起次要作用的结合剂置为背景。根据本发明的一个实施例,阈值变换可通过如下公式实现:
阈值处理后的图像表示为:
其中T为阈值。
图5示出了根据本发明的一个示范性实施例的砂轮的第二中间图像的示意图。图4经阈值变换后,得到二值图,如图5所示,阈值处理后的图像前景呈白色而背景呈黑色,其中前景部分以磨粒为主,背景部分以结合剂为主。由于原图像中,部分粗糙程度较小的结合剂区域具有较强亮度,导致二值图像的前景中混杂了部分结合剂,形成椒盐噪声。
为了去除第二中间图像中的椒盐噪声,对第二中间图像进行中值滤波后得到第二表面图像。中值滤波方法使用一个像素领域Sxy中灰度级的中值median来代替像素点g(x,y)的值。
根据本发明的一个实施例,中值滤波处理可具体通过下式实现:
其中,Sxy表示中心在点(x,y)处,大小为m×n的矩形子图像窗口的一组坐标。
图6示出了根据本发明的一个示范性实施例的砂轮的第二表面图像的示意图。如图6所示,经中值滤波后的图像大大减少了椒盐噪声。图中残余的若干细小白点来源于两部分:一是未完全出露的金刚石磨粒;二是部分未被消除的结合剂。由于进一步的滤波会损失大颗粒金刚石区域的细节,同时未完全出露的磨粒部分也会被消除掉。因此,不再对第二表面图像继续进行滤波处理。在后续特征提取时忽略少许结合剂对前景的影响。
随后,执行步骤S120,根据第二表面图像确定砂轮的特征参数。具体的:先根据第二表面图像生成灰度共生矩阵;再根据灰度共生矩阵确定砂轮的特征参数。
灰度共生矩阵(GLCM)是基于图像灰度描述纹理的二阶统计量,它表示图像中两像素点之间相关关系的联合分布,是像素间距离和角度的矩阵函数,可反映图像纹理分布的方向和局部变化幅度等信息。设f(x,y)表示一幅大小为M×N的数字图像,其灰度级别为L,若用i、j表示两像素点的灰度(i=0,1,...,L-1;j=0,1,...,L-1),则满足一定空间关系的灰度共生矩阵为
glcm(i,j)=card{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}
其中card(*)表示集合*中的元素个数。根据定义,显然glcm为L×L的矩阵。若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵glcm(i,j,d,θ)。
图7示出了根据本发明的一个示范性实施例的生成灰度共生矩阵的示意图。如图7所示:(a)为原始图像;(b)为从左至右方向计算得到的GLCM,θ=0;(c)为从左下至右上方向计算得到的GLCM,θ=45°;(d)为从下至上方向计算得到的GLCM,θ=90°;(e)从右下至左上方向计算得到的GLCM,θ=135°。随着角度的不同,GLCM也不相同。本发明在实际应用GLCM提取图像特征时,在不同的扫描方向和像素距离条件下进行计算,以便更为全面的提取图像特征。
根据灰度共生矩阵确定砂轮的特征参数时,特征参数包括对比度、相关性、能量和同质性。
根据本发明的一个实施例,其中,对比度(Contrast)可用如下公式进行计算:
对比度反映图像的清晰度和纹理沟纹深浅的程度。图像的纹理越深,则对比度就越大,效果就越清晰;纹理越浅,则对比度就越小,效果就越模糊。
根据本发明的一个实施例,相关性(Correlation)可用如下公式进行计算:
相关性用来度量图像的灰度在行或列方向上的相似程度,值的大小反映了纹理在局部灰度上的相似性。
根据本发明的一个实施例,能量(Energy)可用如下公式进行计算:
能量反映图像纹理灰度变化稳定程度的参数。若灰度共生矩阵的元素值相近,则能量较小;若灰度共生矩阵的值大小不一,则能量值较大。能量值越大,表示纹理的变化比较规则和稳定。
根据本发明的一个实施例,同质性(Homogeneity)可用如下公式进行计算:
同质性用来度量图像局部纹理变化的多少,反映图像纹理的同质性。值越大,就说明图像纹理的不同区域间缺少变化,局部非常均匀。
随后,执行步骤S130,将砂轮的特征参数输入预先构建的分类模型,并根据分类模型的输出确定砂轮的磨损状态。
根据本发明的一个实施例,分类模型的构建方法包括步骤:获取多个磨损程度的砂轮的多张表面图像,得到表面图像集合;对图像集合中的每张表面图像进行预处理得到训练样本,进而得到训练样本集;根据训练样本集进行训练得到分类模型。
根据本发明的一个实施例,在获取多个磨损程度的砂轮的多张表面图像时,可,每种不同磨损程度的砂轮获取一张或多张表面图像,以便训练分类模型。本发明对根据磨损程度进行分类的类型的数量不做限制,如可获取两种磨损程度的砂轮的表面图像;获取六种磨损程度的砂轮的表面图像等。
图8示出了根据本发明一个示范性实施例的多个磨损程度的砂轮的表面图像的示意图。如图8所示,展示了六类砂轮的实拍图像。六类砂轮中,砂轮1为新修整砂轮,其表面呈现大量磨粒;砂轮2~砂轮6为各磨损程度不等的砂轮。其中,砂轮2表面呈现零星磨粒;砂轮3和砂轮4表面的磨粒较砂轮2更多,但同时表面也呈现出大量因磨粒脱落形成的凹坑,其中砂轮4表面的凹坑被堵塞;砂轮5表面几乎没有磨粒和凹坑,同时结合剂的大部分业已被磨平;砂轮6表面也没有磨粒,但保留了结合剂表面的凹坑。这六类砂轮的图像细节各有不同,也反映出不同的砂轮磨损状态确实会带来不同的视觉观感。
金刚石磨粒在图像中的亮度最高,结合剂部分的亮度次之。这是由于:金刚石磨粒对光的散射能量强于树脂结合剂。此外,图像中磨粒脱落产生凹坑的亮度最低。原因是凹坑处含有部分未排除的金属磨屑,不规则的金属粉末对光的反射率较低,因此凹坑处的亮度最低。
对砂轮的表面起伏高度进行测量,证实了随磨损程度不同,砂轮表面磨粒和结合剂的起伏高度也不同,即表面的粗糙程度不同。反射光强是表面粗糙程度的函数,因此表面粗糙程度不同,将导致反射光的亮度也有不同。以图中结合剂为例,由于六类砂轮表面的结合剂磨损程度各不相同,导致结合剂表面反射的亮度也各不相同,在图像上就表现为六类砂轮结合剂的亮度也存在差异。
因此,对上述六类砂轮进行图像分析时,不能简单地将金刚石和树脂对应到某个RGB分量(或灰度级)进行处理,而是要针对每类砂轮图像的特点进行图像预处理,再提取各自的图像特征。由于砂轮表面图像显现出的色彩信息并不丰富,因此在训练分类模型时需要对图像进行预处理。而图像的细节主要体现在亮度差异上,因此将图像转换为灰度图像进行处理。同时,为了统一六类砂轮图像中磨粒和结合剂的对应的灰度标准,又将灰度图像转换为二值图像,使得磨粒对应图像中的前景,即白色部分;结合剂对应图像中的背景,即黑色部分。
对砂轮图像进行预处理得到训练样本的方式与根据第一表面图像得到第二表面图像的方式相同。
图9示出了根据本发明一个示范性实施例的多个训练样本的示意图。
本发明对训练样本集中所包含的训练样本的数量不做限制。随后根据训练样本集进行训练得到分类模型。具体的:设置生成灰度共生矩阵的像素距离和扫描方向;随后根据设置好的像素距离和扫描方向从训练样本集的每个训练样本中生成灰度共生矩阵,进而得到多个灰度共生矩阵;根据灰度共生矩阵确定用于训练的特征参数,得到多条特征参数;对每条特征参数标注对应的磨损程度;根据标注好的多条训练参数进行训练得到分类模型。
根据本发明的一个实施例,设置生成灰度共生矩阵的像素距离和扫描方向时,可设置像素距离d的具体取值为:d=[1,2,...,10],扫描方向θ的具体取值为θ=[0°,45°,90°,135°]。本发明对像素距离及扫描方向的具体取值不做限制,可根据需要进行确定。
根据本发明的一个实施例,在获取表面图像时,可获取6种不同磨损程度的砂轮的表面图像,并对于每种磨损程度的砂轮,获取30张表面图像,对这180张表面图像进行预处理,得到包括180张训练样本的训练样本集。
根据本发明的一个实施例,本发明采集并确定六种不同磨损程度砂轮的特征参数。表4—表9分别示出了根据本发明一个示范性实施例的每种磨损程度的砂轮的一条特征参数。
表4砂轮1的GLCM特征参数(d=1)
表5砂轮2的GLCM特征参数(d=1)
表6砂轮3的GLCM特征参数(d=1)
表7砂轮4的GLCM特征参数(d=1)
表8砂轮5的GLCM特征参数(d=1)
表9砂轮6的GLCM特征参数(d=1)
根据本发明的一个实施例,利用特征参数训练分类模型时,可将特征参数输入支持向量机模型,以砂轮磨损程度的类别作为识别标签,训练得到分类模型。根据本发明的一个实施例,训练得到的分类模型可具体实现为一种分类器,在应用该分类模型根据砂轮的特征参数确定砂轮的磨损状态时,该分类器的输出为砂轮的磨损状态。
通过上述步骤构建的分类器能够实现根据特征参数对砂轮磨损程度进行分类。将采集到的砂轮图像进行处理后得到特征参数,输入分类器即可得到砂轮磨损程度。
本发明公开了一种砂轮磨损状态识别方法,适于在计算设备中执行,方法包括:获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像;根据第二表面图像确定砂轮的特征参数;将砂轮的特征参数输入预先构建的分类模型,并根据分类模型的输出确定砂轮的磨损状态。本发明能够通过对砂轮的表面图像进行识别,根据分类模型确定砂轮的磨损状态,提高砂轮的磨损状态的识别效率和准确率。根据本发明的一个实施例,本发明还构建砂轮表面的仿真模型,以及确定光从砂轮表明面散射成像的物理过程。
磨粒分布和磨粒出刃高度构成了砂轮表面的微观形貌。砂轮在磨削加工过程中,其表面的形貌会随着磨损作用而发生改变,具体表现为磨粒在结合剂中的凸出高度及位置变化。砂轮的磨损包括多个磨损状态,可分为初期磨损、稳定磨损和剧烈磨损三个阶段。初期磨损阶段,砂轮磨损主要表现为磨粒破碎和脱落;稳定磨损阶段,砂轮磨损主要表现为磨粒的磨耗磨损和少量破碎;剧烈磨损阶段,砂轮磨损主要表现为磨粒间的结合剂成片断裂,导致磨粒的大块碎裂。由此可见,磨粒的碎裂、脱落等现象会导致砂轮表面微观形貌的改变,因此,研究砂轮磨损就离不开对表面形貌进行研究。
砂轮表面所呈现的微观几何形状称之为表面形貌。表面形貌主要由高度分布和空间分布构成。根据本发明的一个实施例,高度分布可用高度概率密度函数表示,空间分布可用自相关函数表示。根据高度概率分布函数的分布情况,表面可分为高斯表面和非高斯表面。同样,根据自相关函数不同,表面也可分为各向同性表面和各向异性表面。
工程表面是指在机械加工过程中,由于加工方式和工艺流程不同,在刀具与被加工表面上留下加工痕迹所形成的表面。砂轮表面属于工程表面的一类。相较于一般工程表面,砂轮表面形貌有三大特点:第一,砂轮表面不是单一均匀物质,而是由较硬的磨粒与较软的结合剂共同构成;第二,磨粒随机分布镶嵌在结合剂中,且粒径大小形状各异;第三,砂轮形貌表征通常采用统计参数,测量砂轮表面形貌的仪器需要有较大的取样范围。由此可见,砂轮表面形貌十分复杂,需要科学选择参数予以表征。
其中,平均值:描述高度概率分布的中心分布,其表达式为:
标准差的平方σ2:衡量轮廓高度概率分布的离散程度,其表达式为:
偏度Sk:反映概率密度函数的对称程度,其表达式为:
峰度K:反映概率密度函数的尖锐程度,其表达式为:
若表面高度由离散点{Zr|r=0,1,...,N-1}来描述,上述四个参数表示如下:
在表面参数中,偏度和峰度决定了表面轮廓高度是否服从高斯分布。当偏度值为0,表示表面高度偏差值处具有的峰值数与谷值数相等,此时的表面高度服从高斯分布,对应高斯表面;反之,服从非高斯分布,对应非高斯表面。其中,当大于0时,为正偏度分布;当小于0时,为负偏度分布。
峰度K表示高度概率密度曲线的陡峭程度。当K=3时,表面为高斯分布,反之为非高斯分布。其中,K>3时,表面比高斯表面更加平坦;K<3时,表面比高斯表面更加陡峭。
根据高度概率密度函数能够描述砂轮表面在竖直方向上的高低起伏程度,而无法描述砂轮表面上各点的相关程度。利用自相关函数就能描述砂轮表面上不同位置之间的高度联系。根据本发明的一个实施例,三维表面的自相关函数形式可如下式所示:
Rz(k,l)=E{z(i,j)z(i+k,j+l)} (9)
其中,E是数学期望,k、l表示三维表面x,y方向上的相关距离。特别的,Rz(0,0)的值为σ2。
工程表面的自相关函数呈指数型分布:
Rz(k,l)=σ2exp{-2.3[(k/βx)2+(l/βy)2]1/2} (10)
其中,βx和βy分别表示x和y方向上的相关长度。当βx=βy时,表面为各向同性;当βx≠βy时,表面为各向异性。
根据本发明的一个实施例,砂轮表面的表面类型为高斯表面时,砂轮的表面参数为第一表面参数,第一表面参数包括第一偏度和第一峰度。
根据第一表面参数和自相关函数确定格点高度,对离散三维表面的模拟时,表面各点高度可通过如下变换获得:
其中,αk,l是自相关函数离散化的自相关矩阵,ηi,j是独立的高斯序列。
当待仿真砂轮的砂轮表面的表面类型为非高斯表面时,砂轮表面的表面参数为第二表面参数,第二表面参数包括根据第一表面参数确定的第二偏度和第二峰度。根据第一表面参数确定第二表面参数的步骤时,先根据砂轮表面确定砂轮表面的系统类型;再根据砂轮表面的系统类型和第一表面参数确定第二表面参数。
根据本发明的一个实施例,根据第一表面参数确定第二表面参数时,可通过Johnson转换系统将输入的高斯序列转换为具有指定偏度和峰度的非高斯序列,实现对非高斯表面的模拟。
在Johnson转换系统中,砂轮表面的系统类型包括有界系统、对数正态系统和无界系统。这三类系统对应的砂轮表面,其输入的高斯序列分别根据如下公式进行转化:
有界系统SB(Bounded System):
对数正态系统SL(Lognormal System):
无界系统SU(Unbounded System):
其中,η为高斯随机序列,η'为指定偏度、峰度的非高斯随机序列。ξ、λ、γ、δ是系统常量参数,通过指定的偏度、峰度计算得到。
根据本发明的一个实施例,确定砂轮表面的表面类型的步骤包括:根据待仿真砂轮的高度分布曲线确定砂轮表面的偏度阈值;根据砂轮表面的偏度阈值确定砂轮表面的表面类型。其中,高度分布曲线可具体为高度分布的概率密度函数曲线。若概率密度函数曲线的函数凸点位于正中,或图像对称,则砂轮表面的偏度阈值等于0,砂轮表面类型为高斯表面。若概率密度函数曲线的函数凸点偏左或偏右,则偏度阈值大于0或小于0,则砂轮表面类型为非高斯表面。
根据本发明的一个实施例,当离散数据很大时,求解自相关矩阵的难度极大。为了减少求解时间,采用数字滤波技术,根据自相关函数进行数字滤波,确定砂轮表面的各点高度。具体的,可将表面高度的变换形式表示如下:
其中,z(i,j)表示输出序列,作为表面高度分布矩阵;η(i,j)表示输入序列,满足独立高斯分布;h(k,l)表示需要构建的目标滤波函数。通过上式设置一个二维滤波器,将指定分布的输入序列转换成表示相应高度分布的输出序列。
高斯随机序列在经过滤波后,数值改变,导致滤波后的偏度和峰度发生变化。在滤波之前需要对指定偏度和峰度进行修正。输入与输出的偏度、峰度对应关系如下:
其中,Skz、Kz为最后输出序列的偏度与峰度,即指定的偏度和峰度;Skη、Kη为输入序列的偏度与峰度,即修正的偏度和峰度。根据式(16)和式(17)推导得到Skη和Kη:
根据砂轮表面的自相关函数确定砂轮表面的系统传递函数。根据本发明的一个实施例,根据砂轮表面的自相关函数确定砂轮表面的系统传递函数时,先根据砂轮表面的自相关函数确定砂轮表面的功率谱密度函数;再根据功率谱密度函数确定所述砂轮表面的系统传递函数。
具体的,根据砂轮表面的自相关函数确定砂轮表面的功率谱密度函数时,对自相关函数进行傅里叶变换得到功率谱密度函数:
其中,Sz(ωx,ωy)为输出序列z(i,j)的功率谱密度函数,若定义Sη(ωx,ωy)为输入序列η(i,j)的功率谱密度函数,则二者满足:
Sz(ωx,ωy)=|H(ωx,ωy)|2Sη(ωx,ωy) (21)
由于η(i,j)为一独立随机高斯序列,其对应的Sη(ωx,ωy)应为常数,用C表示,则式(16)变为:
H(ωx,ωy)=(Sz(ωx,ωy)/C)1/2 (22)
其中,H(ωx,ωy)为系统传递函数。
随后,执行步骤S330,根据砂轮表面的系统传递函数和各点高度确定砂轮表面的目标滤波函数。具体的,对式(15)进行傅里叶变换得到:
Z(ωx,ωy)=H(ωx,ωy)A(ωx,ωy) (23)
将系统传递系数代入式(23),得到目标滤波函数:
最后,根据目标滤波函数对砂轮表面形貌进行仿真。
根据本发明的一个实施例,在得到仿真结果后,对砂轮表面形貌进行仿真后的仿真结果进行滤波,得到滤波后的仿真结果;以便对砂轮表面的磨粒进行识别。具体的,根据砂轮表面的磨粒粒径下限的倒数确定传递函数,再根据传递函数对仿真结果进行滤波。
随后,对光照照射砂轮表面的情况进行分析,包括根据仿真构建砂轮表面成像模型,对砂轮表面极小区域内的光散射现象进行研究,以及对光在砂轮的一个轮廓评价长度上的散射现象进行研究。
构建砂轮表面成像模型,对砂轮表面极小区域内的光散射现象进行研究时,将模型中的砂轮表面定义为三类:其一,整个表面都属于同一金刚石磨粒;其二,整个表面都属于酚醛树脂;其三,以中心为界将表面一分为二,部分为金刚石,另一部分为酚醛树脂。通过对这三类材质的表面进行研究,从而探明光分别在磨粒和结合剂表面散射的规律。(1)大部分光折射进入金刚石和树脂内部,少部分光反射进入人眼或相机传感器;(2)金刚石磨粒表面散射的能量最高,因此磨粒表面的照度最大,视觉上会显得比较明亮;(3)树脂结合剂表面散射的能量最低,因此结合剂表面的照度最小,视觉上会显得比较暗淡;(4)磨粒和结合剂结合部位散射的能量介于二者之间,因此结合部位的照度适中,视觉上表现为磨粒和结合剂间的可辨边缘。
近场模型能发现光在砂轮表面散射的某些规律,但是模型尺度太小,不能充分解释光在含有若干磨粒的砂轮表面的散射现象。基于电场释放光线,建立远场模型以解释光在砂轮的一个轮廓评价长度上的散射现象。远场模型的基本形状与近场模型相同,区别在于模型尺寸被进一步放大,并且砂轮表面不再是理想平滑表面,而是由仿真生成的具有一定粗糙起伏程度的表面。
表征砂轮表面起伏高度的四个参数中,平均值在六类砂轮中具有最显著差异,故采用表面高度平均值作为表征砂轮表面起伏高度的特征参数。此外,以砂轮表面的磨粒数量作为表征磨粒分布的特征参数。
得到的结果是散射输出能量与砂轮表面高度的平均值、砂轮磨粒数量都具有正相关关系。随着砂轮表面高度均值的增大,在砂轮表面散射输出的能量就越大,且单调递增;随砂轮表面磨粒数量的增加,散射输出的能量也呈增长趋势,但增长关系是非单调的。两者共同影响了砂轮表面光散射的输出能量。
根据近场仿真的结果,金刚石散射光的能量强于树脂散射光的能量。在远场模型中,砂轮表面的磨粒数量越多,即表面的金刚石区域占比越大,则入射到金刚石表面的光线就越多,同时由于金刚石散射的光线能量更高,导致砂轮表面散射的总能量就更高。虽然近场模型和远场模型的物理原理存在差异,但是以近场模型输出的反射率参数作为远场模型的输入参数,且利用近场模型的规律可以解释远场模型的结果,这体现出二者的逻辑递进性和结论统一性。
同时,由于磨粒本身具有一定的出刃高度,在砂轮表面轮廓曲线上表现为具有一定峰高的凸起。砂轮表面高度平均值越大,代表该表面的凸起相比凹陷会更多,且凸起的平均峰高大于凹陷的平均谷深,导致砂轮表面的磨粒数量多于表面凹坑的数量。这说明砂轮表面的磨粒数量与表面平均高度具有一定关联,因此两者与散射输出能量的关系呈现出较好的一致性。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的砂轮磨损状态识别方法。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的。
Claims (10)
1.一种砂轮磨损状态识别方法,适于在计算设备中执行,所述方法包括:
获取砂轮的第一表面图像,并对表面图像进行预处理得到第二表面图像;
根据所述第二表面图像确定所述砂轮的特征参数;
将所述砂轮的特征参数输入预先构建的分类模型,并根据所述分类模型的输出确定所述砂轮的磨损状态。
2.如权利要求1所述的方法,其中,所述对表面图像进行预处理得到第二表面图像包括步骤:
对所述第一表面图像进行灰度变换得到第一中间图像;
对所述第一中间图像进行阈值变换得到第二中间图像;
对所述第二中间图像进行中值滤波后得到第二表面图像。
3.如权利要求1所述的方法,其中,所述根据所述第二表面图像确定所述砂轮的表面参数包括步骤:
根据第二表面图像生成灰度共生矩阵;
根据所述灰度共生矩阵确定所述砂轮的特征参数。
4.如权利要求1所述的方法,其中,所述特征参数包括对比度、相关性、能量和同质性。
5.如权利要求1-4中任一项所述的方法,其中,所述分类模型的构建方法包括步骤:
获取多个磨损程度的砂轮的多张表面图像,得到表面图像集合;
对所述图像集合中的每张表面图像进行预处理得到训练样本,进而得到训练样本集;
根据所述训练样本集进行训练得到分类模型。
6.如权利要求5所述的方法,其中,所述根据所述训练样本集进行训练得到分类模型包括步骤:
设置生成灰度共生矩阵的像素距离和扫描方向;
根据设置好的像素距离和扫描方向从训练样本集的每个训练样本中生成灰度共生矩阵,进而得到多个灰度共生矩阵;
根据所述灰度共生矩阵确定训练参数,得到多条训练参数;
对每条训练参数标注对应的磨损程度;
根据标注好的多条训练参数进行训练得到分类模型。
7.如权利要求2所述的方法,其中,所述对所述第一表面图像进行灰度变换得到第一中间图像包括步骤:
采用Gamma变换的对图像进行灰度变换:
g=(f+β)γ
其中g为输出图像,f为输入图像,β为补偿系数,γ为Gamma系数。
9.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中,一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行根据权利要求1-8中任一项所述的方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210901629.8A CN115546098A (zh) | 2022-07-28 | 2022-07-28 | 一种砂轮磨损状态识别方法、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210901629.8A CN115546098A (zh) | 2022-07-28 | 2022-07-28 | 一种砂轮磨损状态识别方法、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546098A true CN115546098A (zh) | 2022-12-30 |
Family
ID=84724038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210901629.8A Pending CN115546098A (zh) | 2022-07-28 | 2022-07-28 | 一种砂轮磨损状态识别方法、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546098A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
-
2022
- 2022-07-28 CN CN202210901629.8A patent/CN115546098A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN116629097B (zh) * | 2023-04-17 | 2024-03-15 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115546098A (zh) | 一种砂轮磨损状态识别方法、计算设备及存储介质 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN115409787A (zh) | 小型可插拔收发光模块底座缺陷的检测方法 | |
CN109829906A (zh) | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN115409785A (zh) | 小型可插拔收发光模块底座缺陷的检测方法 | |
CN103940708A (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN111380785A (zh) | 岩石颗粒的二维几何特征参数获取系统及方法 | |
CN113743473A (zh) | 一种用于复杂零件自动化喷涂过程的智能识别与检测方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
Domínguez-Nicolas et al. | Algorithm for automatic detection and measurement of Vickers indentation hardness using image processing | |
CN114049340A (zh) | 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置 | |
CN108230334B (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
Shi et al. | Automatic non-contact grinding surface roughness measurement based on multi-focused sequence images and CNN | |
CN105701816A (zh) | 一种图像自动分割方法 | |
CN109741302B (zh) | 基于机器视觉的sd卡形态识别系统和方法 | |
CN111797730A (zh) | 一种水泥熟料岩相自动分析方法 | |
CN113628155A (zh) | 一种圆盘造球机的生球粒径检测方法及系统 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN111210419A (zh) | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 | |
CN105405137A (zh) | 基于机器视觉的轴质量检测方法 | |
Zhang et al. | A visual measurement method of grinding surface roughness based on aliasing region index and neural network | |
Sakaguchi et al. | Development of three-dimensional measurement system of a grinding wheel surface with image processing | |
Chen et al. | Identification of the scraping quality for the machine tool using the smartphone | |
CN105890531B (zh) | 基于传感成像系统的精密通信继电器触点间距检测方法 |
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 |