CN117689677B - 一种砂轮磨损状态识别方法、系统、设备及介质 - Google Patents
一种砂轮磨损状态识别方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117689677B CN117689677B CN202410137431.6A CN202410137431A CN117689677B CN 117689677 B CN117689677 B CN 117689677B CN 202410137431 A CN202410137431 A CN 202410137431A CN 117689677 B CN117689677 B CN 117689677B
- Authority
- CN
- China
- Prior art keywords
- image
- grinding wheel
- edge
- identification
- edge detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005299 abrasion Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000003708 edge detection Methods 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000001629 suppression Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 31
- 238000010187 selection method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 11
- 108090000623 proteins and genes Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003500 gene array Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007614 genetic variation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 108700026220 vif Genes Proteins 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明提供了一种砂轮磨损状态识别方法、系统、设备及介质，其属于工业自动化和图像处理技术领域，包括获取静止状态下的砂轮平面完整图像；对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非极大值抑制以及双阈值处理；基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
Description
技术领域
本发明属于工业自动化和图像处理技术领域，尤其涉及一种砂轮磨损状态识别方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在工业生产中，自动化磨床的高效性和精确性使其能够满足大批量、高精度的磨削需求。而砂轮作为磨削工具的重要组成部分，其磨损状态对于圆锯片基体的磨削效果和加工质量具有重要影响。如果砂轮磨损过度，可能导致磨削过程中温度过高、切削力不稳定等问题，从而直接影响到圆锯片基体的加工精度和寿命。
发明人发现，传统的砂轮磨损状态识别方法往往依赖于人工观察和经验判断，存在主观性、时间消耗大和准确性低等问题。为了提高砂轮磨损状态的识别准确性和自动化程度，图像处理和机器学习技术被引入砂轮磨损状态的识别与优化中；而在图像处理领域，通过采集砂轮的图像数据，并应用图像处理算法对图像进行预处理、特征提取和分类，可以获得砂轮的表面磨损状态信息。然而，传统的图像处理方法往往需要依赖手工设计的特征提取算法，对砂轮的表面纹理、颜色等特征要求较高，且对磨损状态的变化敏感性较低，难以实现准确的识别和监测。
发明内容
本发明为了解决上述问题，提供了一种砂轮磨损状态识别方法、系统、设备及介质，所述方案基于改进遗传算法与最小二乘法的联合应用，实现了对砂轮磨损状态更为准确和高效的识别，通过遗传算法来全局优化边缘检测，从而捕获更准确的边缘信息，通过最小二乘法利用这些边缘信息进行高精度的圆拟合，进一步量化砂轮的磨损状态，通过这种联合应用不仅提高了识别准确性，还提高了自动化程度，有效减少了人为干预和判断误差。
根据本发明实施例的第一个方面，提供了一种砂轮磨损状态识别方法，包括：
获取静止状态下的砂轮平面完整图像；
对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非极大值抑制以及双阈值处理；
基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
进一步的，所述采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像，具体为：基于实数编码和二进制编码的混合编码方式进行初始种群的构建；基于构建的初始种群以及预先确定的适应度评估函数，迭代执行选择操作、交叉操作以及变异操作，直至满足预设迭代结束条件，获得砂轮边缘识别图像。
进一步的，所述适应度评估函数，具体为：
在具体实施中，所述适应度评估函数，具体为：
；
其中，F是适应度函数值，Wc是相关性权重，Ws是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和的权重，C是边缘检测图像与理想边缘图像的相关性分数，S是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和，即SAD分数，Wnk为噪声权重数组中第k个元素的值，N是噪声权重数组的长度。
进一步的，所述相关性分数具体表示为：边缘检测图像与理想边缘图像的像素值所构成的两个矩阵之间的协方差，除以两个矩阵各自标准差的乘积。
进一步的，所述砂轮最外圈圆形理论周长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；使用最长边界的坐标值进行最小二乘法圆拟合；根据拟合得到的半径，计算得到砂轮最外圈圆形理论周长。
进一步的，所述缺失弧长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；对所述砂轮最外圈边界中每个坐标点进行检查，若该坐标点对应砂轮二值图像位置像素值为零，则为缺失部分；基于获得的缺失部分集合，获得缺失弧长。
进一步的，所述预处理具体为：将获取的砂轮RGB图像通过灰度化处理转化为灰度图像；对于灰度图像应用高斯滤波器进行噪声去除；对于滤波后的图像使用Sobel算子进行梯度化处理来计算图像的梯度和方向；对于梯度化处理的图像通过非极大值抑制以稀疏化梯度信息；对于非极大值抑制处理后的图像进行双阈值处理。
根据本发明实施例的第二个方面，提供了一种砂轮磨损状态识别系统，包括：
数据获取单元，其用于获取静止状态下的砂轮平面完整图像；
预处理单元，其用于对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非最大值抑制以及双阈值处理；
边缘识别单元，其用于基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
圆拟合单元，其用于基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
识别单元，其用于基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
根据本发明实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种砂轮磨损状态识别方法。
根据本发明实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述一种砂轮磨损状态识别方法。
与现有技术相比，本发明的有益效果是：
（1）本发明所述方案提供了一种砂轮磨损状态识别方法、系统、设备及介质，所述方案基于改进遗传算法与最小二乘法的联合应用，实现了对砂轮磨损状态更为准确和高效的识别，通过改进遗传算法来全局优化边缘检测，从而捕获更准确的边缘信息，通过最小二乘法利用这些边缘信息进行高精度的圆拟合，进一步量化砂轮的磨损状态，通过这种联合应用不仅提高了识别准确性，还提高了自动化程度，有效减少了人为干预和判断误差。
（2）本发明提供了一种基于改进遗传算法与最小二乘法的联合应用，通过自主设计的适应度函数对砂轮边缘提取进行优化，提供了更为准确和使用的评估机制；基于多阶段赌轮选择法的设计及相比传统赌轮选择具有更高的适应性和效率，能够动态平衡种群多样性与算法收敛速度；基于多点均匀交叉法的设计比传统均匀交叉法能更全面地融合父代信息；基于双扰动变异法（加性扰动和乘性扰动）的设计提供了一种更灵活的变异机制，有助于算法跳出局部最优解，更好地探索解空间。
（3）本发明所述适应度函数结合了两种不同的边缘检测质量指标，并通过加权平均来计算最终的适应度分数。相关性分数C衡量的是检测到的边缘与理想边缘之间的线性关联程度，而SAD分数S（其中，SAD分数为边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和）衡量的是两者之间的绝对亮度差异，这两个指标通过各自的权重wc和ws来调整它们对最终适应度分数的影响，每个图像的贡献还通过噪声权重wnk进行调整，以反映不同噪声水平下图像的重要性；通过这种方式，适应度函数综合考虑了边缘检测算法在不同条件下的表现，使得算法不仅仅在理想条件下表现良好，而且对噪声具有鲁棒性，这种适应度评估方法有助于遗传算法优化边缘检测器的参数，以在各种实际应用场景中提供最佳的性能。
（4）本发明所述方案中，遗传算法中采用多阶段赌轮选择法，该方法允许算法在初始阶段探索广泛的解决方案空间，这对于适应不同磨损模式和噪声条件至关重要。随着算法的进展，逐渐减少探索并增加开发的比重，有助于快速找到高质量的边缘检测参数。
（5）本发明所述方案中，遗传算法用于优化边缘检测器的参数，通过采用多点均匀交叉法允许从两个边缘检测器参数集中创建一个新的参数集，继承父代的多个优良特性，由于砂轮图像可能会因为磨损状态、光照条件、材质不同等因素而在边缘特征上有很大的差异，通过多点交叉可以确保子代边缘检测器能够获得处理这些不同情况所需的多样性。
（6）本发明所述方案中，在砂轮边缘检测优化问题中，参数空间可能非常复杂，通过双扰动变异法能有效地探索寻找更优秀的边缘检测参数配置；同时，在遗传算法的运行过程中，种群可能会趋向于局部最优解，通过双扰动变异法通过引入更多的随机性，有助于跳出局部最优，找到全局最优解。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中所述的一种砂轮磨损状态识别方法流程图；
图2为本发明实施例中所述的基于改进遗传算法的图像边缘识别处理流程图；
图3为本发明实施例中所述的灰度化处理后的砂轮图；
图4为本发明实施例中所述的求梯度后的砂轮图；
图5为本发明实施例中所述的非极大值抑制后的砂轮图；
图6为本发明实施例中所述的双阈值处理后的砂轮图；
图7为本发明实施例中所述的基于改进遗传算法边缘识别的砂轮图；
图8为本发明实施例中所述的砂轮图确实比例示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种砂轮磨损状态识别方法。
一种砂轮磨损状态识别方法，包括：
获取静止状态下的砂轮平面完整图像；
对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非极大值抑制以及双阈值处理；
基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
在具体实施中，所述采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像，具体为：基于实数编码和二进制编码的混合编码方式进行初始种群的构建；基于构建的初始种群以及预先确定的适应度评估函数，迭代执行选择操作、交叉操作以及变异操作，直至满足预设迭代结束条件，获得砂轮边缘识别图像。
在具体实施中，所述适应度评估函数，具体为：
；
其中，F是适应度函数值，Wc是相关性权重，是一个预先定义的常数（在具体实施中，设置为0.5，也可以根据需求调整），Ws是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和的权重，也是一个预先定义的常数（在具体实施中，设置的为0.5，也可以根据需求调整），C是边缘检测图像与理想边缘图像的相关性分数，S是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和，即SAD分数，Wnk为噪声权重数组中第k个元素的值。
其中，所述相关性分数具体表示如下：
；
上述公式的目的是求两个矩阵之间的协方差，再除以各自标准差的乘积，C取值为[-1,1]，其中，C=0表示无线性相关，其中，为边缘检测图像坐标（i，j）位置的像素值，/>为边缘检测图像坐标像素值的均值，/>为理想边缘图像坐标（i，j）位置的像素值，/>为理想边缘图像坐标像素值的均值；
所述SAD分数具体表示如下：
值。
其中，是图像中的像素总数（即图像尺寸长乘宽），/>是两个图像在位置(i,j)的像素值之间的绝对差；
所述适应度评估函数的分母为噪声权重的总和，其中，N是噪声权重数组的长度，即考虑噪声水平的总数，Wnk为噪声权重数组中第k个元素的值。
噪声权重数组通过人工输入调整参数，根据检测不同的品种的砂轮，对比实验结果，选择最合适的参数作为最终参数。
基础噪声增益（Base Noise Gain）值对应于Wnk数组中的第一个元素。
第一阶段噪声量（Noise 1 Amount）值对应于Wnk数组中的第二个元素。
噪声增益1（Noise Gain 1）值对应于Wnk数组中的第三个元素。
第二阶段噪声量（Noise 2 Amount）值对应于Wnk数组中的第四个元素。
噪声增益2（Noise Gain 2）值对应于Wnk数组中的第五个元素。
上述适应度函数的设置具有以下有点：
结合了两种不同的边缘检测质量指标，并通过加权平均来计算最终的适应度分数。相关性分数C衡量的是检测到的边缘与理想边缘之间的线性关联程度，而SAD分数（其中，SAD分数为边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和）S衡量的是两者之间的绝对亮度差异，这两个指标通过各自的权重wc和ws来调整它们对最终适应度分数的影响，每个图像的贡献还通过噪声权重wnk进行调整，以反映不同噪声水平下图像的重要性；通过这种方式，适应度函数综合考虑了边缘检测算法在不同条件下的表现，使得算法不仅仅在理想条件下表现良好，而且对噪声具有鲁棒性，这种适应度评估方法有助于遗传算法优化边缘检测器的参数，以在各种实际应用场景中提供最佳的性能。
在具体实施中，所述砂轮最外圈圆形理论周长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；使用最长边界的坐标值进行最小二乘法圆拟合；根据拟合得到的半径，计算得到砂轮最外圈圆形理论周长。
在具体实施中，所述缺失弧长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；对所述砂轮最外圈边界中每个坐标点进行检查，若该坐标点对应砂轮二值图像位置像素值为零，则为缺失部分；基于获得的缺失部分集合，获得缺失弧长。
在具体实施中，所述预处理具体为：将获取的砂轮RGB图像通过灰度化处理转化为灰度图像；对于灰度图像应用高斯滤波器进行噪声去除；对于滤波后的图像使用Sobel算子进行梯度化处理来计算图像的梯度和方向；对于梯度化处理的图像通过非极大值抑制以稀疏化梯度信息；对于非极大值抑制处理后的图像进行双阈值处理。
具体的，为了便于理解，以下结合附图对本实施例所述方案进行详细说明：
如图1所示，一种砂轮磨损状态识别方法，具体包括如下步骤：
步骤1：图像采集
图像采集的相关硬件设计主要由高分辨率相机和专用光源构成，用于在砂轮磨削过程或停机状态下捕获高清砂轮图像,通过选用高分辨率相机，安装稳定且均匀的LED光源，在砂轮完全停止，无转动或振动的情况下进行图像采集。
所述图像采集需满足如下条件：
（1)硬件配置：
选用高分辨率相机，如20MP以上。
安装稳定且均匀的LED光源。
（2）拍照方案：
1）砂轮停机状态下进行拍摄：确保砂轮完全停止，无转动或振动；
2）砂轮位置与相机对齐：使用机械装置或手动方式，确保砂轮面与相机镜头平行；
3）光源调整：调整光源角度，确保砂轮面部均匀照明，避免过曝或阴影；
4）相机参数设置：如ISO，快门速度等，以获得清晰、高对比度的砂轮图像；
5）图像捕捉：使用相机的定时器或远程触发器进行拍摄，以减少手动操作导致的摄像机抖动。
（3）注意事项
1）确保在拍摄前后，砂轮没有被移动或转动，以确保数据的一致性；
2）确保相机与砂轮之间的距离固定，以避免焦距变化导致的图像扭曲。
步骤2：图像预处理
(1）灰度化：将采集到的RGB图像转化为灰度图像。使用MATLAB的rgb2gray函数，结果见下图3所示。
(2)高斯滤波：在灰度化后，应用高斯滤波器进行噪声去除。选择的滤波器核大小为3x3，标准差为0.5。
(3)求梯度：使用Sobel算子来计算图像的梯度和方向，见图3。
(4)非极大值抑制：最后，进行非极大值抑制以稀疏化梯度信息，见图4。
通过这预处理步骤，图像被有效地准备和优化，以供后续的边缘识别使用。这确保了整个系统的高度准确性和鲁棒性，见图5。
(5)双阈值处理，见图6。
步骤3：基于改进遗传算法的图像边缘检测
（1）初始化阶段
设定算法参数包括：迭代代数、每一代的种群大小、矩阵突变增益、阈值突变增益、稀疏突变增益、尺寸突变增益、基础噪声增益（Base Noise Gain）、第一阶段噪声量、噪声增益1、第二阶段噪声量、噪声增益2。
（2）创建初始种群（采用的是实数编码和二进制编码的混合编码方式）
实数编码：
矩阵(matrix)初始化：矩阵M的尺寸是size的矩阵，每个元素Mi,j由正态分布N(0,1)中随机抽取一个数再乘0.3。
其中，Mi,j是矩阵M中位于第i行第j列的元素，N(0,1)表示从标准正态分布中抽取的随机数，该分布的均值，标准差/>。
size（尺寸）：使用正态分布随机数生成一个数字，乘以3后取绝对值并加3，然后向下取整。
threshold（阈值）：使用均匀分布随机数生成器生成一个数字，乘以256后向下取整。
thinning（细化）：使用均匀分布随机数生成一个数字，并向下取整。
median_value（中值）：
转换阶段：
把这些实数编码的参数合并成一个一维数组基因（gene）。这样，每个基因编码包括矩阵的所有元素、阈值、细化、尺寸和中值。
二进制编码
对于基因数组gene中的每一个实数a，，将其转换为二进制编码，建立一个二维数组，d2b，每一行代表gene中一个元素的二进制表示。
其中，n是整数部分的位数，m是小数部分的位数。a mod 2表示a除以2的余数，[x]表示对x的向下取整。
（3）计算适应度值
本实施例采用的适应度评估函数，具体为：
其中，F是适应度函数值，Wc是相关性权重，是一个预先定义的常数（在具体实施中，设置为0.5，也可以根据需求调整），Ws是SAD权重，也是一个预先定义的常数（在具体实施中，设置的为0.5，也可以根据需求调整），C是边缘检测图像与理想边缘图像的相关性分数，S是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和，Wnk为噪声权重数组中第k个元素的值。
其中，所述相关性分数具体表示如下：
上述公式的目的是求两个矩阵之间的协方差，再除以各自标准差的乘积，C取值为[-1,1]，其中，C=0表示无线性相关，其中，为边缘检测图像坐标（i，j）位置的像素值，/>为边缘检测图像坐标像素值的均值，/>为理想边缘图像坐标（i，j）位置的像素值，/>为理想边缘图像坐标像素值的均值；
所述SAD分数具体表示如下：
其中，是图像中的像素总数（即图像尺寸长乘宽），/>是两个图像在位置（i,j）的像素值之间的绝对差；
所述适应度评估函数的分母为噪声权重的总和，其中，N是噪声权重数组的长度，即考虑噪声水平的总数，Wnk为噪声权重数组中第K个元素的值。
上述适应度函数的设置具有以下优点：
结合了两种不同的边缘检测质量指标，并通过加权平均来计算最终的适应度分数。相关性分数C衡量的是检测到的边缘与理想边缘之间的线性关联程度，而SAD分数S衡量的是两者之间的绝对亮度差异，这两个指标通过各自的权重wc和ws来调整它们对最终适应度分数的影响，每个图像的贡献还通过噪声权重wni进行调整，以反映不同噪声水平下图像的重要性；通过这种方式，适应度函数综合考虑了边缘检测算法在不同条件下的表现，使得算法不仅仅在理想条件下表现良好，而且对噪声具有鲁棒性，这种适应度评估方法有助于遗传算法优化边缘检测器的参数，以在各种实际应用场景中提供最佳的性能。
（4）应用选择、交叉和变异算子
1）选择操作，采用多阶段赌轮选择法。
该选择算子可以在不同的算法执行阶段使用不同的选择策略。
初级阶段：使用竞技场选择以维护种群多样性。
算法开始时划分为初级阶段，为总代数的前20%。
每次选择，随机抽取n个个体组成一个竞技场。
在这n个个体中，选择适应度最高的个体作为父代。
其中，f(xi)是第i个个体的适应度。
中级阶段：使用传统赌轮选择。
算法进入中级阶段，为总代数的20%-60%。
采用赌轮选择法，基本思想为个体选择的概率与其适应度值大小成正比。构造与适应度成正比的概率函数：
高级阶段：使用带惩罚项的赌轮选择以加速收敛。
算法进入高级阶段，为总代数的后40%。
引入一个惩罚项，其中/>是惩罚因子，p(xi)是个体xi被之前选择的次数。
调整后的适应度函数为：
基于计算个体被选中的概率为：
多阶段赌轮选择通过不同阶段的选择策略，平衡多样性与全局搜索，提高适应性，减缓多样性丧失，加速收敛，降低计算复杂性，提高准确性，并易于实施和扩展。
在砂轮边缘检测中，磨损情况可能在不同的图像之间有很大差异，因此需要一个能够适应这种变化的算法；多阶段赌轮选择法允许算法在初始阶段探索广泛的解决方案空间，这对于适应不同磨损模式和噪声条件至关重要。随着算法的进展，逐渐减少探索并增加开发的比重，有助于快速找到高质量的边缘检测参数。
2）交叉操作，采用多点均匀交叉法。
输入转换：首先两个输入边缘检测器对象的基因（表示为二进制数组）被提取出来，记作B1和B2。
选定n个交叉点，其中n＞1。
在每个交叉点i，进行基因段交换。
其中，O1和O2是交叉后得到的两个新个体；S是选定的交叉点集合；i是基因数组的索引。
在砂轮边缘检测中，遗传算法用于优化边缘检测器的参数。多点均匀交叉法允许从两个边缘检测器参数集中创建一个新的参数集，继承父代的多个优良特性。
砂轮图像可能会因为磨损状态、光照条件、材质不同等因素而在边缘特征上有很大的差异。多点交叉可以确保子代边缘检测器能够获得处理这些不同情况所需的多样性。
3）变异操作，采用双扰动变异法。
对于基因数组gene，选择一个子数数组genesub，其中gene中的起始和结束位置由参数start和finish确定。
随机扰动生成：加性扰动和乘性扰动M，这些扰动都是服从正太分布的随机数，缩放因子由参数scale给出。
为了更灵活地调整 scale，将其设置为一个随迭代次数动态变化的函数：
其中，t是迭代次数，k和x0是常数，用于调节scale的动态变化速率。
基因变异：
应用加性和乘性扰动到genesub，得到新的，具体表示如下：
增强探索能力：在砂轮边缘检测优化问题中，参数空间可能非常复杂。双扰动变异法能有效地探索寻找更优秀的边缘检测参数配置。
防止过早收敛：在遗传算法的运行过程中，种群可能会趋向于局部最优解。双扰动变异法通过引入更多的随机性，有助于跳出局部最优，找到全局最优解。
（4）停止迭代的条件是根据最大迭代次数的设定而确定的。
本实施例中所述的改进遗传算法主要涉及如下改进：
根据砂轮边缘提取需求，建立合适的适应度函数；
应用选择、交叉和变异算子，其中传统的赌轮选择法变为多阶段赌轮选择法，传统的均匀交叉法变成多点均匀交叉法，变异法为双扰动变异法（加性扰动和乘性扰动）。
在一个或多个实施例中，输入的参数初始化为：迭代代数（Generations）设为3119代。每一代的种群大小（Pop Size）设为1176。矩阵突变增益（Matrix Mutate Gain）设为0.21。阈值突变增益（Threshold Mutate Gain）设为16。稀疏突变增益（Thinning MutateGain）设为0.1。尺寸突变增益（Size Mutate Gain）设为3。基础噪声增益（Base NoiseGain）设为0。第一阶段噪声量（Noise 1 Amount）设为0.015，噪声增益1（Noise Gain 1）设为1。第二阶段噪声量（Noise 2 Amount）设为0.019，噪声增益2（Noise Gain 2）设为1。交叉概率Pc设置为0.5。基因变异的增益Pm用数组mutateGains表示为：mutateGains= [0.3,25,0.1,3,1]，survivalCap用于确定每代能够存活下来的个体数量的上限，设置为0.1。
在完成3119代迭代后，从最后一代种群中选择适应度最高的个体。提取该个体的参数，作为砂轮图像边缘检测的最优参数组合。
其输出的结果见图7所示。
步骤4：基于最小二乘法优化的砂轮磨损状态量化
（1）边界追踪:
应用MATLAB中的bwboundaries函数，对预处理后的二值图像进行边界追踪。
从多个候选边界中选择最长的一个，作为最佳边界用于后续分析。
（2）基于最小二乘法的圆形适应:
给定一组二维数据点坐标（xi,yi），n表示数据点的数量，（a,b）是圆心坐标，r是半径,E表示最小误差函数：
构造以下矩阵A和向量b：
b=xi 2+yi 2
通过解线性方程A/b，可以得到系数coeff=[a’,b’,c’]，其中，，/>
然后输出圆心为（a’/2,b’/2)，半径为
完整圆周长与磨损周长计算:
对每个坐标点进行检查，看其是否在二值图像中对应一个值为0的像素，即是否为缺失部分。
其中，full_circumerence:理论完整的圆周长；missing_circumerence:缺失部分的圆周长；missing_length:缺失长度；：角度序列。
根据拟合得到的半径，计算出砂轮的理论完整圆周长。
然后，进一步计算出由于磨损而缺失的圆周长。
磨损百分比与缺失长度计算：
其中，：缺失长度百分比。
在一个或多个实施例中，计算得到的数据，包括：
砂轮的几何中心：(182.438736, 154.933481)
砂轮的半径：193.738165 pixels
角度序列步长：0.010000
缺失部分的长度：408.344641 pixels
完整圆的周长：1217.292791 pixels
缺失长度占应有长度的百分比：33.545310%
其结果具体见下图8所示。
步骤5：结果输出
在结果输出中，硬件构成主要包括一个显示屏或与工控机的连接接口。该模块的主要任务是以直观或数值形式展示砂轮的磨损状态。通过这一模块，用户可以实时查看或存储关于砂轮磨损的精确数值，从而为磨削过程的进一步优化或进行预防性维护决策提供可依赖的信息。
实施例二：
本实施例的目的是提供一种砂轮磨损状态识别系统。
一种砂轮磨损状态识别系统，包括：
数据获取单元，其用于获取静止状态下的砂轮平面完整图像；
预处理单元，其用于对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非最大值抑制以及双阈值处理；
边缘识别单元，其用于基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
圆拟合单元，其用于基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
识别单元，其用于基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
进一步的，本实施例所述系统与实施例一中所述方法相对应，其技术细节在实施例一中已经进行了详细说明，故此处不再赘述。
实施例三：
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种砂轮磨损状态识别方法。
实施例四：
本实施例的目的是提供一种非暂态计算机可读存储介质。
一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述一种砂轮磨损状态识别方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种砂轮磨损状态识别方法，其特征在于，包括：
获取静止状态下的砂轮平面完整图像；
对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非极大值抑制以及双阈值处理；
基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
所述采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像，具体为：基于实数编码和二进制编码的混合编码方式进行初始种群的构建；基于构建的初始种群以及预先确定的适应度评估函数，迭代执行选择操作、交叉操作以及变异操作，直至满足预设迭代结束条件，获得砂轮边缘识别图像；
所述适应度评估函数，具体为：
其中，F是适应度函数值，Wc是相关性权重，Ws是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和的权重，C是边缘检测图像与理想边缘图像的相关性分数，S是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和，即SAD分数，Wnk为噪声权重数组中第k个元素的值，N是噪声权重数组的长度；
基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
2.如权利要求1所述的一种砂轮磨损状态识别方法，其特征在于，所述相关性分数具体表示为：边缘检测图像与理想边缘图像的像素值所构成的两个矩阵之间的协方差，除以两个矩阵各自标准差的乘积。
3.如权利要求1所述的一种砂轮磨损状态识别方法，其特征在于，所述砂轮最外圈圆形理论周长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；使用最长边界的坐标值进行最小二乘法圆拟合；根据拟合得到的半径，计算得到砂轮最外圈圆形理论周长。
4.如权利要求1所述的一种砂轮磨损状态识别方法，其特征在于，所述缺失弧长的获得，具体为：基于边界追踪，从多个候选边界中选择最长的一个，作为砂轮最外圈边界；对所述砂轮最外圈边界中每个坐标点进行检查，若该坐标点对应砂轮二值图像位置像素值为零，则为缺失部分；基于获得的缺失部分集合，获得缺失弧长。
5.如权利要求1所述的一种砂轮磨损状态识别方法，其特征在于，所述预处理具体为：将获取的砂轮RGB图像通过灰度化处理转化为灰度图像；对于灰度图像应用高斯滤波器进行噪声去除；对于滤波后的图像使用Sobel算子进行梯度化处理来计算图像的梯度和方向；对于梯度化处理的图像通过非极大值抑制以稀疏化梯度信息；对于非极大值抑制处理后的图像进行双阈值处理。
6.一种砂轮磨损状态识别系统，其特征在于，包括：
数据获取单元，其用于获取静止状态下的砂轮平面完整图像；
预处理单元，其用于对砂轮平面完整图像进行预处理，获得预处理后的图像；其中，所述预处理包括顺序进行的灰度化、高斯滤波、梯度化、非最大值抑制以及双阈值处理；
边缘识别单元，其用于基于预处理后的图像，采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像；其中，所述改进遗传算法具体为采用多阶段赌轮选择法、多点均匀交叉法以及双扰动变异法来执行遗传算法的选择、交叉及变异操作；
所述采用基于改进遗传算法的图像边缘检测，获得砂轮边缘识别图像，具体为：基于实数编码和二进制编码的混合编码方式进行初始种群的构建；基于构建的初始种群以及预先确定的适应度评估函数，迭代执行选择操作、交叉操作以及变异操作，直至满足预设迭代结束条件，获得砂轮边缘识别图像；
所述适应度评估函数，具体为：
其中，F是适应度函数值，Wc是相关性权重，Ws是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和的权重，C是边缘检测图像与理想边缘图像的相关性分数，S是边缘检测图像与理想边缘图像相同位置像素值的绝对差的总和，即SAD分数，Wnk为噪声权重数组中第k个元素的值，N是噪声权重数组的长度；
圆拟合单元，其用于基于获得的砂轮边缘识别图像，采用最小二乘法进行圆拟合，获得砂轮最外圈圆形理论周长和缺失弧长；
识别单元，其用于基于圆形理论周长和缺失弧长，确定砂轮磨损比重，实现砂轮磨损状态的识别。
7.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种砂轮磨损状态识别方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述一种砂轮磨损状态识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137431.6A CN117689677B (zh) | 2024-02-01 | 2024-02-01 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137431.6A CN117689677B (zh) | 2024-02-01 | 2024-02-01 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689677A CN117689677A (zh) | 2024-03-12 |
| CN117689677B true CN117689677B (zh) | 2024-04-16 |
Family
ID=90135622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137431.6A Active CN117689677B (zh) | 2024-02-01 | 2024-02-01 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689677B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130074860A (ko) * | 2011-12-27 | 2013-07-05 | 건국대학교 산학협력단 | 영화 필름 손상 복원장치 및 그 방법 |
| JP2015197376A (ja) * | 2014-04-01 | 2015-11-09 | 日本電信電話株式会社 | 摩耗検出装置、方法、及びプログラム |
| CN105321166A (zh) * | 2015-01-07 | 2016-02-10 | 徐州工程学院 | 一种基于gap预测器和自适应遗传算法环焊焊缝边缘提取方法 |
| KR101662820B1 (ko) * | 2015-11-09 | 2016-10-06 | 경북대학교 산학협력단 | 선형 회귀 분석에 기반한 툴 마모 및 수명을 추정하는 시스템 및 방법 |
| CN108009471A (zh) * | 2017-10-25 | 2018-05-08 | 昆明理工大学 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
| CN111127533A (zh) * | 2019-12-23 | 2020-05-08 | 魏志康 | 基于神经网络的多特征融合砂轮磨削性能预测方法 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN113870235A (zh) * | 2021-10-08 | 2021-12-31 | 福州大学 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
| WO2022017257A1 (zh) * | 2020-07-24 | 2022-01-27 | 深圳市道通科技股份有限公司 | 一种刹车盘磨损区的识别方法及磨损识别系统 |
| CN114092403A (zh) * | 2021-10-25 | 2022-02-25 | 杭州电子科技大学 | 基于机器视觉的砂轮磨损检测方法及系统 |
| CN114663457A (zh) * | 2022-03-30 | 2022-06-24 | 浙江理工大学 | 复杂背景下基于圆形卷积核的纱筒识别方法及系统 |
| CN115171022A (zh) * | 2022-07-19 | 2022-10-11 | 武汉理工大学 | 一种施工场景下的安全帽佩戴检测方法及系统 |
| KR20220154345A (ko) * | 2021-05-13 | 2022-11-22 | 한국전자통신연구원 | 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법 |
| CN115546098A (zh) * | 2022-07-28 | 2022-12-30 | 无锡市锡山区半导体先进制造创新中心 | 一种砂轮磨损状态识别方法、计算设备及存储介质 |
| WO2023097931A1 (zh) * | 2021-12-03 | 2023-06-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
| CN117332379A (zh) * | 2023-10-23 | 2024-01-02 | 宁波大华砂轮有限公司 | 一种砂轮磨削加工的寿命预测方法及预测系统 |
| CN117475154A (zh) * | 2023-12-26 | 2024-01-30 | 济南新天宇汽车电器有限公司 | 一种基于优化Canny边缘检测的仪表图像识别方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2458510B1 (en) * | 2010-11-29 | 2014-05-07 | NTT DoCoMo, Inc. | Method and apparatus for performing a cross-correlation |
| JP7391625B2 (ja) * | 2019-11-21 | 2023-12-05 | ファナック株式会社 | 制御装置及びプログラム |
| TWI813372B (zh) * | 2022-07-12 | 2023-08-21 | 財團法人工業技術研究院 | 複材刀具切削監控系統及其監控方法 |
-
2024
- 2024-02-01 CN CN202410137431.6A patent/CN117689677B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130074860A (ko) * | 2011-12-27 | 2013-07-05 | 건국대학교 산학협력단 | 영화 필름 손상 복원장치 및 그 방법 |
| JP2015197376A (ja) * | 2014-04-01 | 2015-11-09 | 日本電信電話株式会社 | 摩耗検出装置、方法、及びプログラム |
| CN105321166A (zh) * | 2015-01-07 | 2016-02-10 | 徐州工程学院 | 一种基于gap预测器和自适应遗传算法环焊焊缝边缘提取方法 |
| KR101662820B1 (ko) * | 2015-11-09 | 2016-10-06 | 경북대학교 산학협력단 | 선형 회귀 분석에 기반한 툴 마모 및 수명을 추정하는 시스템 및 방법 |
| CN108009471A (zh) * | 2017-10-25 | 2018-05-08 | 昆明理工大学 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN111127533A (zh) * | 2019-12-23 | 2020-05-08 | 魏志康 | 基于神经网络的多特征融合砂轮磨削性能预测方法 |
| WO2022017257A1 (zh) * | 2020-07-24 | 2022-01-27 | 深圳市道通科技股份有限公司 | 一种刹车盘磨损区的识别方法及磨损识别系统 |
| KR20220154345A (ko) * | 2021-05-13 | 2022-11-22 | 한국전자통신연구원 | 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법 |
| CN113870235A (zh) * | 2021-10-08 | 2021-12-31 | 福州大学 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
| CN114092403A (zh) * | 2021-10-25 | 2022-02-25 | 杭州电子科技大学 | 基于机器视觉的砂轮磨损检测方法及系统 |
| WO2023097931A1 (zh) * | 2021-12-03 | 2023-06-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
| CN114663457A (zh) * | 2022-03-30 | 2022-06-24 | 浙江理工大学 | 复杂背景下基于圆形卷积核的纱筒识别方法及系统 |
| CN115171022A (zh) * | 2022-07-19 | 2022-10-11 | 武汉理工大学 | 一种施工场景下的安全帽佩戴检测方法及系统 |
| CN115546098A (zh) * | 2022-07-28 | 2022-12-30 | 无锡市锡山区半导体先进制造创新中心 | 一种砂轮磨损状态识别方法、计算设备及存储介质 |
| CN117332379A (zh) * | 2023-10-23 | 2024-01-02 | 宁波大华砂轮有限公司 | 一种砂轮磨削加工的寿命预测方法及预测系统 |
| CN117475154A (zh) * | 2023-12-26 | 2024-01-30 | 济南新天宇汽车电器有限公司 | 一种基于优化Canny边缘检测的仪表图像识别方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 基于图像分析和野点检测的航空发动机磨损状态识别;谭真臻;陈果;陈立波;李允;;中国机械工程;20100410(07);正文全文 * |
| 基于图像灰度梯度的圆度检测算法;索振鹏;宫爱玲;;激光杂志;20160825(08);正文全文 * |
| 基于机器视觉的曲线磨削砂轮修形精度的检测;赖小平;许黎明;范灏;王嗣阳;胡德金;;机械制造;20150720(07);正文全文 * |
| 基于遗传算法和矩的刀具磨损图象检测技术的应用;沈建冰, 计时鸣, 张利, 鲍官军;浙江工业大学学报;20030628(03);正文全文 * |
| 改进的遗传算法在Canny算子阈值选取中的应用;董昱;高云波;刘翔;;兰州交通大学学报;20141215(06);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689677A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4921858B2 (ja) | 画像処理装置および画像処理プログラム | |
| CN111178190B (zh) | 基于深度图像的目标检测方法、装置及存储介质 | |
| CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
| CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
| US9600703B2 (en) | Systems and methods for sorting image acquisition settings for pattern stitching and decoding using multiple captured images | |
| CN107871137B (zh) | 一种基于图像识别的物料匹配方法 | |
| CN113240801B (zh) | 一种物料堆三维重构方法、装置、电子设备及存储介质 | |
| CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
| CN112598054A (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
| EP3137896A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN117689677B (zh) | 一种砂轮磨损状态识别方法、系统、设备及介质 | |
| CN116309275A (zh) | 一种电池片图像亚像素边缘检测方法、装置及存储介质 | |
| CN114943754A (zh) | 一种基于sift的图像配准方法、系统及存储介质 | |
| CN114299036A (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
| CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
| CN113435296A (zh) | 基于rotated-yolov5的电梯异物检测方法、系统、存储介质、电梯 | |
| Setayesh et al. | A new homogeneity-based approach to edge detection using PSO | |
| CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
| Prasetio | An Approaching Machine Learning Model: Tile Inspection Case Study | |
| JP7028317B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| CN111310810A (zh) | 基于差分学习和粒子群的特征选择的图像分类方法及系统 | |
| Mandal et al. | Edge detection by modified Otsu method | |
| CN108710915A (zh) | 基于多核学习的多特征融合胃镜图像处理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |