CN117808810B - 一种滚刀磨损图像识别测量方法及系统 - Google Patents
一种滚刀磨损图像识别测量方法及系统 Download PDFInfo
- Publication number
- CN117808810B CN117808810B CN202410231734.4A CN202410231734A CN117808810B CN 117808810 B CN117808810 B CN 117808810B CN 202410231734 A CN202410231734 A CN 202410231734A CN 117808810 B CN117808810 B CN 117808810B
- Authority
- CN
- China
- Prior art keywords
- value
- connected domain
- adjacent
- boundary
- pixel points
- 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
- 238000005299 abrasion Methods 0.000 title claims abstract description 44
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000000739 chaotic effect Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 6
- 238000005520 cutting process Methods 0.000 description 10
- 238000005452 bending Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000002161 passivation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010062544 Tooth fracture Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像检测技术领域,具体涉及一种滚刀磨损图像识别测量方法及系统,该方法包括:获取各刀身区域及刀身区域中各连通域;构建各连通域的角点反光差异系数;根据连通域边界像素点邻域范围内的LBP值及角点数量构建相邻两个边界像素点之间的序列差异值及连通域的边界崎岖指数;根据方形窗口内纹路方向角度、角点数量、窗口中心像素点的MLBP值以及连通域的角点反光差异系数构建方形窗口的纹路方向特征值;构建相邻两个像素点之间的相邻窗口差异性系数;构建连通域的内部混乱系数,结合连通域的边界崎岖指数构建连通域的磨损指数;基于各连通域的磨损指数获取微崩刃连通域。本发明可提高滚刀磨损识别的准确性。
Description
技术领域
本发明涉及图像检测技术领域,具体涉及一种滚刀磨损图像识别测量方法及系统。
背景技术
滚刀分为齿轮滚刀﹑蜗轮滚刀﹑非渐开线展成滚刀和定装滚刀等,滚刀是刀齿沿圆柱或圆锥作螺旋线排列的齿轮加工刀具。用滚刀加工齿轮时,滚刀的齿距、齿形角、前刃面径向性、光洁度、圆周齿距的等分性及导程误差等诸多的因素都对被切齿轮的齿形精度有直接影响。在切削过程中,刀齿在高压、高温下与工件和切屑间产生机械摩擦,导致磨损。滚刀的磨损分为月牙洼磨损、崩刃、刃口钝化、后刀面磨损等。随着滚刀不停地进行切削操作,会不可避免的出现微崩刃磨损。微崩刃磨损不仅会导致滚刀的切削能力下降,而且还会导致被切齿轮的齿面出现凹凸不平的现象,导致齿形误差增大,影响齿轮的精度。因此对滚刀的微崩刃磨损进行检测是非常有必要的。现有的图像检测技术在进行滚刀磨损检测时,通常都是对月牙洼、刀口钝化等磨损进行检测,并未精细到微崩刃磨损的检测;且少数现有技术在进行崩刃检测时,只考虑了崩刃边界曲折的特征,并未考虑到与崩刃相连区域的边界也有曲折度,有可能出现误检测情况,影响滚刀磨损识别的准确性。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种滚刀磨损图像识别测量方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种滚刀磨损图像识别测量方法,该方法包括以下步骤:
获取滚刀灰度图像,利用神经网络对滚刀灰度图像中的刀身区域进行分割,获取滚刀灰度图像的各刀身区域;
对于各刀身区域,采用角点检测算法检测角点,角点数量大于预设角点阈值时进行后续检测,利用边缘检测算法获取刀身区域的边缘图像,将边缘图像中像素点按照灰度值从大到小排列,将前预设数值个像素点作为种子点,将通过区域生长算法获取的各生长区域作为各连通域;对于各连通域,根据连通域内角点数量以及像素点的灰度值构建连通域的角点反光差异系数;根据连通域边界上任意相邻两个边界像素点邻域范围内的LBP值的DTW距离以及角点数量构建任意相邻两个边界像素点之间的序列差异值;根据连通域边界上所有任意相邻两个边界像素点之间的序列差异值构建连通域的边界崎岖指数;以连通域内各像素点为中心构建方形窗口,根据各方形窗口内纹路方向角度、角点数量、窗口中心像素点的MLBP值以及连通域的角点反光差异系数构建各方形窗口的纹路方向特征值;根据连通域内任意水平相邻两个像素点的方形窗口的纹路方向特征值以及像素点的灰度值构建任意水平相邻两个像素点之间的相邻窗口差异性系数;基于连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数构建连通域的内部混乱系数;根据连通域的内部混乱系数和边界崎岖指数构建连通域的磨损指数;
基于滚刀灰度图像各刀身区域中的各连通域的磨损指数获取微崩刃连通域。
进一步地,所述根据连通域内角点数量以及像素点的灰度值构建连通域的角点反光差异系数,包括:
对于各连通域,计算连通域内所有像素点的灰度值均值与连通域所在刀身区域内所有像素点的灰度值均值的差值,将连通域内各角点邻域范围内所有像素点的灰度值均值作为各角点的角点反光值,计算连通域内所有角点的所述角点反光值的均值,记为第一均值,计算连通域内所有角点的角点反光值与所述第一均值的差值绝对值的均值,记为第二均值,计算所述差值与所述第二均值的乘积,将所述乘积作为连通域的角点反光差异系数。
进一步地,所述根据连通域边界上任意相邻两个边界像素点邻域范围内的LBP值的DTW距离以及角点数量构建任意相邻两个边界像素点之间的序列差异值,包括:
将连通域各边界像素点的邻域范围内所有像素点的LBP值组成各边界像素点的边界特征序列;
对于连通域边界上的任意相邻两个边界像素点,计算相邻两个边界像素点的边界特征序列的DTW距离,统计相邻两个边界像素点的邻域范围内的角点总数量,当所述角点总数量为0时,将相邻两个边界像素点的边界特征序列的DTW距离作为相邻两个边界像素点之间的序列差异值;
当所述角点总数量不为0时,计算所述角点总数量与所述DTW距离的乘积,将所述乘积作为相邻两个边界像素点之间的序列差异值。
进一步地,所述根据连通域边界上所有任意相邻两个边界像素点之间的序列差异值构建连通域的边界崎岖指数,包括:
对于各连通域,将连通域边界上所有任意相邻两个像素点之间的序列差异值按照边界像素点的顺序组成连通域的边界特征差异值序列,将连通域的边界特征差异值序列中所有元素的标准差作为连通域的边界崎岖指数。
进一步地,所述根据各方形窗口内纹路方向角度、角点数量、窗口中心像素点的MLBP值以及连通域的角点反光差异系数构建各方形窗口的纹路方向特征值,包括:
对于连通域内各方形窗口,采用MLBP算法和二阶矩技术分别计算方形窗口中心像素点的MLBP值和方形窗口内的纹路方向角度,将方形窗口内的纹路方向角度转换为弧度值,计算方形窗口中心像素点的MLBP值与所述弧度值的乘积,记为第一乘积,计算方形窗口内角点数量与方形窗口所在连通域的角点反光差异系数的乘积,记为第二乘积,计算所述第二乘积与预设数值的和值,将所述第一乘积与所述和值的比值作为方形窗口的纹路方向特征值。
进一步地,所述根据连通域内任意水平相邻两个像素点的方形窗口的纹路方向特征值以及像素点的灰度值构建任意水平相邻两个像素点之间的相邻窗口差异性系数,包括:
对于连通域内任意水平相邻两个像素点的方形窗口,计算相邻两个像素点的灰度值的差值绝对值,计算相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值与预设数值的和值,记为第一和值,计算相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值与预设数值的和值,记为第二和值;
当相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值大于等于相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值时,计算所述第一和值与所述第二和值的比值,记为第一比值,计算所述第一比值与所述差值绝对值的和值,作为相邻两个像素点之间的相邻窗口差异性系数;
当相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值小于相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值时,计算所述第二和值与所述第一和值的比值,记为第二比值,计算所述第二比值与所述差值绝对值的和值,作为相邻两个像素点之间的相邻窗口差异性系数。
进一步地,所述基于连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数构建连通域的内部混乱系数,包括:
对于各连通域,计算连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数的和值,将所述和值作为连通域的内部混乱系数。
进一步地,所述根据连通域的内部混乱系数和边界崎岖指数构建连通域的磨损指数,包括:
计算各连通域的内部混乱系数与边界崎岖指数的乘积,将所述乘积作为各连通域的磨损指数。
进一步地,所述基于滚刀灰度图像各刀身区域中的各连通域的磨损指数获取微崩刃连通域,包括:
将滚刀灰度图像中所有刀身区域的所有连通域的磨损指数作为OTSU算法的输入,输出为最优阈值,若连通域的磨损指数大于最优阈值,则判定连通域为微崩刃连通域,否则,连通域为非崩刃连通域。
第二方面,本发明实施例还提供了一种滚刀磨损图像识别测量系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明针对现有图像检测技术未涉及到的微崩刃磨损情况进行检测,同时为了解决以往图像检测算法只对边界崎岖程度进行计算而导致的误检测问题,本发明通过分析微崩刃区域的关键特征,构建连通域的角点反光差异系数,充分考虑了微崩刃区域反光程度较高且反光程度不均匀的特征;根据连通域任意相邻两个边界像素点之间的序列差异值构建连通域的边界崎岖指数,分析了连通域边界的崎岖程度,提高了后续判定连通域为微崩刃连通域的可靠性;根据任意水平相邻两个像素点的相邻窗口差异性系数构建连通域的内部混乱系数,充分考虑微崩刃区域内纹路差异较大的特征;基于连通域的内部混乱系数和边界崎岖指数构建连通域的磨损指数,综合考虑了微崩刃区域内纹路特征与连通域边界的崎岖程度,对连通域的磨损指数进行分析,获取微崩刃连通域,提高了滚刀磨损识别的准确性,避免出现误检测问题。
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为本发明一个实施例提供的一种滚刀磨损图像识别测量方法的步骤流程图;
图2为磨损指数获取流程示意图。
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一种滚刀磨损图像识别测量方法及系统,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,一个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一种滚刀磨损图像识别测量方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种滚刀磨损图像识别测量方法的步骤流程图,该方法包括以下步骤:
步骤S001,通过CCD相机对滚刀进行拍摄,并对采集到的图像进行预处理。
使用CCD相机拍摄滚刀图像,并对获取的图像进行预处理,消除噪声和部分外界干扰造成的影响,以增强后续分析的准确性。为了在保留边界信息的同时去除噪声,本实施例选用中值滤波方法对图像进行处理。之后将获取的RGB图像转换为灰度图像,记为滚刀灰度图像A。中值滤波方法为公知技术,本实施例不再进行赘述。
步骤S002,首先划分出刀身区域,然后计算刀身区域内连通域的角点反光差异系数、连通域边界崎岖指数以及连通域内部混乱系数,最终构建连通域的磨损指数。
将滚刀灰度图像A与标签数据进行one-hot编码(独热编码)后送到神经网络中进行训练,以划分出滚刀的刀身区域。标签数据通过人为标注,刀身区域、非刀身区域分别用数字0、1表示。神经网络采用ResNet18(网络深度为18层的残差神经网络)网络结构,神经网络的训练为公知技术,本实施例不再进行赘述。将滚刀的每一个刀身作为一个区域进行分析,若某像素点在刀身区域内,则称该像素点属于刀身区域。至此,可获取各刀身区域,由于一个滚刀有成百上千个刀身区域,本实施例以单个刀身区域为例,对滚刀进行磨损分析。
对刀身区域使用Harris角点检测算法进行角点检测。若刀身发生了磨损情况,则刀身区域一定存在大量角点。为了提高系统的检测效率,对刀身区域内的角点数量进行统计,当角点数量大于角点阈值时,再进行后续的磨损检测,角点阈值的设定实施者可自行选取,本实施例中角点阈值为5。采用Canny边缘检测算法对刀身区域进行边缘检测,得到边缘图像,提取刀身区域与边缘图像中对应位置的像素点,将上述像素点按照灰度值从大到小进行排序,将前L个像素点作为初始种子点,L的设定实施者可自行选取,本实施例中L为10,在生长过程中,对于每个生长像素点和与其相邻的像素点,将两个像素点之间的灰度值的差值绝对值作为相似值,然后将得到的相似值归一化处理。当归一化后的相似值大于相似值阈值时停止生长,相似值阈值的设定实施者可自行选取,本实施例中相似值阈值为0.1,将通过区域生长算法获取的各生长区域作为滚刀灰度图像A内的各连通域。Canny边缘检测算法、区域生长算法与Harris角点检测算法为公知技术,本实施例不再进行赘述。
在滚刀与齿轮的切削过程中,滚刀刀齿与齿轮在外界高压下产生巨大的摩擦,接触区域温度急剧升高,齿轮的材料硬度降低,从而实现齿轮的精确打造。然而,在进行多次切削过程后,滚刀的刀身区域也会因为摩擦次数的增加而导致刀身磨损,前期会出现月牙洼磨损、微崩刃等情况,若发现不及时则会导致刀齿断裂、刃口钝化、后刀面磨损等情况。当较早发现微崩刃磨损时,可以对滚刀进行补救,修理掉磨损部位,从而提升滚刀的使用时限。
由于滚刀的材质是金属材质,而金属材质在光源下是会产生反光现象的,因此在使用相机拍摄滚刀的刀身区域时会对同一光源产生反光现象。但因为滚刀一直对齿轮进行切削,刀身区域与齿轮有大量的摩擦,因此刀身区域的表面并不光滑,从而影响刀身整体的反光程度。然而,微崩刃区域是在切削过程中,由于滚刀刀齿温度过高,从而造成刀齿微小崩裂并在刀身形成凹陷区域。由于微崩刃区域相较于刀身区域是凹陷的,因此在进行切削过程时不会与齿轮进行摩擦,又因为滚刀是金属材质,因此微崩刃区域的凹陷表面是光滑的,不会因摩擦而产生纹路。由于表面光滑且是金属材质,因此微崩刃区域的反光程度相比刀身区域会更高,微崩刃区域的灰度值也更高。但由于在崩裂过程中,刀齿受到复杂的外力,如与齿轮的切削力、刀齿的本身弯曲力等,由于外力的不均匀,因此刀身崩裂后的凹陷区域内的深度也不一致,会出现层级情况,导致微崩刃区域内反光程度不均匀。以刀身区域内的第j个连通域为例,计算连通域的角点反光差异系数,表达式为:
式中,为第j个连通域的角点反光差异系数,/>为第j个连通域内所有像素点的灰度值均值,/>为刀身区域内所有像素点的灰度值均值,/>为第j个连通域内角点的数量,/>为第j个连通域内第a个角点的/>*/>邻域内像素点的灰度值均值,作为第a个角点的角点反光值,/>为第j个连通域内所有角点的角点反光值的均值。/>值的设定实施者可自行选取,本实施例中/>为3。
由于微崩刃区域的反光程度较高,因此微崩刃区域的灰度值均值高于刀身区域的灰度值均值,表示第j个连通域与刀身区域的灰度值均值的差值,此时若的值越大,说明该连通域是微崩刃连通域的可能性就越大;由于非崩刃连通域与齿轮发生了大量的摩擦,非崩刃区域内的磨损程度基本一致,反光程度低且均匀,所以角点处的角点反光值差异性不大;而微崩刃区域内由于层级情况和光滑程度较高,反光程度较大且不均匀,因此角点处的角点反光值差异性较大。此时,若第j个连通域的角点反光差异系数/>越大,说明该连通域为微崩刃连通域的可能性就越大。
微崩刃区域是在切削过程中刀齿受到多种外力产生的崩裂区域,边界是不规则分布的。而由于滚刀的齿距、齿形角、前刃面径向性、光洁度、圆周齿距的等分性及导程误差等诸多的因素都对被切齿轮的齿形精度有直接影响,因此滚刀的制造过程中对上述因素都严格控制,刀身区域边界是极其规则的,不会出现崎岖弯折情况。基于此对连通域的边界曲折程度进行计算,判断连通域是否为微崩刃连通域。
计算第j个连通域的边界上每个边界像素点的LBP(局部二值模式)值,LBP值计算的邻域大小为*/>。LBP值的计算为公知技术,本实施例不再进行赘述。根据各边界像素点的邻域内所有像素点的LBP值组成各边界像素点的边界特征序列,例如边界像素点i的边界特征序列记为/>。利用构建边界像素点i的特征序列的方法构建第j个连通域边界上每个边界像素点的边界特征序列,计算相邻两个边界像素点之间的序列差异值/>,表达式为:
式中,为边界像素点i与边界像素点i+1之间的序列差异值,/>为边界像素点/>的/>*/>邻域与边界像素点/>的/>*/>邻域内的角点总数;/>为边界像素点i的边界特征序列,/>为边界像素点i+1的边界特征序列,/>表示DTW(动态时间规整)距离。DTW距离的计算为公知技术,本实施例不再进行赘述。
边界像素点i与边界像素点i+1的边界特征差异越大时,边界像素点i与边界像素点i+1的边界特征序列的DTW距离越大,且边界像素点i的*/>邻域和边界像素点/>的/>*/>邻域内的角点总数越大时,边界像素点i与边界像素点i+1之间的序列差异值越大,表明边界像素点i与边界像素点i+1对应的边界越崎岖。
利用计算边界像素点i与边界像素点i+1之间的序列差异值的方法计算第j个连通域边界上任意相邻两个像素点之间的序列差异值,并将上述所有序列差异值按照边界像素点的顺序组成第j个连通域的边界特征差异值序列[],其中n为第j个连通域的边界像素点的数量,将边界特征差异值序列中所有元素的标准差作为第j个连通域的边界崎岖指数,记为/>。边界越不规则时,/>的值越大。
力的作用是相互的,由于滚刀一直是按照同一方向来进行切削齿轮的,滚刀的刀身区域一直与齿轮有摩擦,同样都是金属物品,即使滚刀的材质更坚硬,但是在经过大量摩擦之后,滚刀的刀身区域也会出现一些由摩擦而产生的纹路。由于一直是同一个方向,因此纹路的方向特征应当也是一致的。在第j个连通域内,以像素点r为中心构建一个*/>的窗口,/>值的设定实施者可自行选取,本实施例中/>为5,将窗口内所有像素点作为输入,采用MLBP算法(多尺度LBP算法)计算像素点r的MLBP值,以像素点r的MLBP值描述以像素点r为中心的窗口内的纹路信息,记为/>。同时,根据窗口的面积以及像素点r的坐标利用二阶矩技术获取窗口内的纹路方向角度,记为/>。MLBP算法和二阶矩技术为公知技术,本实施例不再进行赘述。计算以像素点r为中心的窗口的纹路方向特征值/>,表达式为:
式中,为以像素点r为中心的窗口的纹路方向特征值,/>为像素点r的MLBP值,/>为以像素点r为中心的窗口内纹路的方向角度,/>是为了将以像素点r为中心的窗口内纹路的方向角度转换为弧度值,可与其它系数进行计算,/>为预设数值,具体取值实施者可自行设定,本实施例中取值为0.01,t为以像素点r为中心的窗口内的角点数量;为像素点r所在第j个连通域的角点反光差异系数,用于表征像素点r的角点反光差异情况。
若窗口在非崩刃区域,则角点数量t较小,若窗口在微崩刃区域,则角点数量t较大。此时,若窗口内纹路信息越明显,方向越明显,角点越少,则的值越大,则窗口所在连通域为非崩刃连通域的可能性就越大。
由于非崩刃连通域在经过与齿轮摩擦后,非崩刃连通域内纹路方向是一致的,且角点分布较均匀,所以相邻两个窗口内的纹路方向特征值差异性会很小;而微崩刃连通域未与齿轮进行摩擦,连通域内部的纹路并不明显,且纹路方向是混乱的,角点集中,所以相邻两个窗口内的纹路方向特征值差异性会较大。基于此构建相邻两个像素点之间的相邻窗口差异性系数,表达式为:
式中,为像素点r与像素点r+1之间的相邻窗口差异性系数,/>为以像素点r为中心的窗口的纹路方向特征值,/>为以像素点r+1为中心的窗口的纹路方向特征值,/>为预设数值,具体取值实施者可自行设定,本实施例中取值为0.01,/>为像素点r的灰度值,/>为像素点r+1的灰度值。其中,像素点r与像素点r+1是第j个连通域内水平相邻的两个像素点。
因为微崩刃连通域内存在层级,反光程度不同,灰度值差异较大,因此的值较大;而非崩刃连通域因为与齿轮一直摩擦,反光程度几乎一致,灰度值差异较小,因此/>的值较小;若以像素点r为中心的窗口与以像素点r+1为中心的窗口之间的纹路方向特征值差异性越大,则/>的值越大,表明这两个窗口在微崩刃连通域的可能性越大。
基于第j个连通域内任意水平相邻两个像素点之间的相邻窗口差异性系数构建第j个连通域的内部混乱系数,表达式为:
式中,为第j个连通域的内部混乱系数,/>为第j个连通域内所有像素点的集合,/>为像素点r与像素点r+1之间的相邻窗口差异性系数。
若第j个连通域内部差异越小时,内部混乱系数的值越小,若第j个连通域内部差异性越大时,内部混乱系数/>的值越大。通过连通域的内部差异以及连通域的边界崎岖程度来计算第j个连通域的磨损指数/>,表达式为:
式中,为第j个连通域的磨损指数,/>为第j个连通域的内部混乱系数,/>为第j个连通域的边界崎岖指数。
当第j个连通域内部的差异性越大,且第j个连通域的边界越崎岖时,该连通域的磨损指数越大,则第j个连通域是微崩刃连通域的可能性越大。磨损指数获取流程示意图如图2所示。
步骤S003,基于各连通域的磨损指数利用OTSU算法(大津法)获取微崩刃连通域。
利用计算第j个连通域的磨损指数的方法计算各刀身区域的各连通域的磨损指数,将滚刀灰度图像中所有刀身区域的所有连通域的磨损指数作为OTSU算法的输入,输出为最优阈值;若连通域的磨损指数大于最优阈值,则判定连通域为微崩刃连通域,对微崩刃连通域进行标识,否则,连通域为非崩刃连通域。至此,可实现对滚刀图像中微崩刃区域的识别。
基于与上述方法相同的发明构思,本发明实施例还提供了一种滚刀磨损图像识别测量系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种滚刀磨损图像识别测量方法中任意一项所述方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (4)
1.一种滚刀磨损图像识别测量方法,其特征在于,该方法包括以下步骤:
获取滚刀灰度图像,利用神经网络对滚刀灰度图像中的刀身区域进行分割,获取滚刀灰度图像的各刀身区域;
对于各刀身区域,采用角点检测算法检测角点,角点数量大于预设角点阈值时进行后续检测,利用边缘检测算法获取刀身区域的边缘图像,将边缘图像中像素点按照灰度值从大到小排列,将前预设数值个像素点作为种子点,将通过区域生长算法获取的各生长区域作为各连通域;对于各连通域,根据连通域内角点数量以及像素点的灰度值构建连通域的角点反光差异系数;根据连通域边界上任意相邻两个边界像素点邻域范围内的LBP值的DTW距离以及角点数量构建任意相邻两个边界像素点之间的序列差异值;根据连通域边界上所有任意相邻两个边界像素点之间的序列差异值构建连通域的边界崎岖指数;以连通域内各像素点为中心构建方形窗口,根据各方形窗口内纹路方向角度、角点数量、窗口中心像素点的MLBP值以及连通域的角点反光差异系数构建各方形窗口的纹路方向特征值;根据连通域内任意水平相邻两个像素点的方形窗口的纹路方向特征值以及像素点的灰度值构建任意水平相邻两个像素点之间的相邻窗口差异性系数;基于连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数构建连通域的内部混乱系数;根据连通域的内部混乱系数和边界崎岖指数构建连通域的磨损指数;
基于滚刀灰度图像各刀身区域中的各连通域的磨损指数获取微崩刃连通域;
所述根据连通域内角点数量以及像素点的灰度值构建连通域的角点反光差异系数,包括:
对于各连通域,计算连通域内所有像素点的灰度值均值与连通域所在刀身区域内所有像素点的灰度值均值的差值,将连通域内各角点邻域范围内所有像素点的灰度值均值作为各角点的角点反光值,计算连通域内所有角点的所述角点反光值的均值,记为第一均值,计算连通域内所有角点的角点反光值与所述第一均值的差值绝对值的均值,记为第二均值,计算所述差值与所述第二均值的乘积,将所述乘积作为连通域的角点反光差异系数;
所述根据连通域边界上任意相邻两个边界像素点邻域范围内的LBP值的DTW距离以及角点数量构建任意相邻两个边界像素点之间的序列差异值,包括:
将连通域各边界像素点的邻域范围内所有像素点的LBP值组成各边界像素点的边界特征序列;
对于连通域边界上的任意相邻两个边界像素点,计算相邻两个边界像素点的边界特征序列的DTW距离,统计相邻两个边界像素点的邻域范围内的角点总数量,当所述角点总数量为0时,将相邻两个边界像素点的边界特征序列的DTW距离作为相邻两个边界像素点之间的序列差异值;
当所述角点总数量不为0时,计算所述角点总数量与所述DTW距离的乘积,将所述乘积作为相邻两个边界像素点之间的序列差异值;
所述根据连通域边界上所有任意相邻两个边界像素点之间的序列差异值构建连通域的边界崎岖指数,包括:
对于各连通域,将连通域边界上所有任意相邻两个像素点之间的序列差异值按照边界像素点的顺序组成连通域的边界特征差异值序列,将连通域的边界特征差异值序列中所有元素的标准差作为连通域的边界崎岖指数;
所述根据各方形窗口内纹路方向角度、角点数量、窗口中心像素点的MLBP值以及连通域的角点反光差异系数构建各方形窗口的纹路方向特征值,包括:
对于连通域内各方形窗口,采用MLBP算法和二阶矩技术分别计算方形窗口中心像素点的MLBP值和方形窗口内的纹路方向角度,将方形窗口内的纹路方向角度转换为弧度值,计算方形窗口中心像素点的MLBP值与所述弧度值的乘积,记为第一乘积,计算方形窗口内角点数量与方形窗口所在连通域的角点反光差异系数的乘积,记为第二乘积,计算所述第二乘积与预设数值的和值,将所述第一乘积与所述和值的比值作为方形窗口的纹路方向特征值;
所述根据连通域内任意水平相邻两个像素点的方形窗口的纹路方向特征值以及像素点的灰度值构建任意水平相邻两个像素点之间的相邻窗口差异性系数,包括:
对于连通域内任意水平相邻两个像素点的方形窗口,计算相邻两个像素点的灰度值的差值绝对值,计算相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值与预设数值的和值,记为第一和值,计算相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值与预设数值的和值,记为第二和值;
当相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值大于等于相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值时,计算所述第一和值与所述第二和值的比值,记为第一比值,计算所述第一比值与所述差值绝对值的和值,作为相邻两个像素点之间的相邻窗口差异性系数;
当相邻两个像素点中前一个像素点的方形窗口的纹路方向特征值小于相邻两个像素点中后一个像素点的方形窗口的纹路方向特征值时,计算所述第二和值与所述第一和值的比值,记为第二比值,计算所述第二比值与所述差值绝对值的和值,作为相邻两个像素点之间的相邻窗口差异性系数;
所述基于连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数构建连通域的内部混乱系数,包括:
对于各连通域,计算连通域内所有任意水平相邻两个像素点之间的相邻窗口差异性系数的和值,将所述和值作为连通域的内部混乱系数。
2.如权利要求1所述的一种滚刀磨损图像识别测量方法,其特征在于,所述根据连通域的内部混乱系数和边界崎岖指数构建连通域的磨损指数,包括:
计算各连通域的内部混乱系数与边界崎岖指数的乘积,将所述乘积作为各连通域的磨损指数。
3.如权利要求1所述的一种滚刀磨损图像识别测量方法,其特征在于,所述基于滚刀灰度图像各刀身区域中的各连通域的磨损指数获取微崩刃连通域,包括:
将滚刀灰度图像中所有刀身区域的所有连通域的磨损指数作为OTSU算法的输入,输出为最优阈值,若连通域的磨损指数大于最优阈值,则判定连通域为微崩刃连通域,否则,连通域为非崩刃连通域。
4.一种滚刀磨损图像识别测量系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231734.4A CN117808810B (zh) | 2024-03-01 | 2024-03-01 | 一种滚刀磨损图像识别测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231734.4A CN117808810B (zh) | 2024-03-01 | 2024-03-01 | 一种滚刀磨损图像识别测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808810A CN117808810A (zh) | 2024-04-02 |
CN117808810B true CN117808810B (zh) | 2024-05-28 |
Family
ID=90420488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231734.4A Active CN117808810B (zh) | 2024-03-01 | 2024-03-01 | 一种滚刀磨损图像识别测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808810B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007278915A (ja) * | 2006-04-10 | 2007-10-25 | Tateyama Machine Kk | 工具欠陥検査装置と工具欠陥検査方法 |
CN111122587A (zh) * | 2020-01-19 | 2020-05-08 | 南京理工大学 | 一种基于视觉特征提取的刀具损伤检测方法 |
CN116309572A (zh) * | 2023-05-19 | 2023-06-23 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及系统 |
TWI812002B (zh) * | 2022-02-10 | 2023-08-11 | 明新學校財團法人明新科技大學 | 刀具影像檢測方法 |
CN116823826A (zh) * | 2023-08-29 | 2023-09-29 | 无锡康贝电子设备有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117571523A (zh) * | 2024-01-16 | 2024-02-20 | 山东天工岩土工程设备有限公司 | 一种基于盾构机的滚刀质量检测方法、设备及介质 |
-
2024
- 2024-03-01 CN CN202410231734.4A patent/CN117808810B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007278915A (ja) * | 2006-04-10 | 2007-10-25 | Tateyama Machine Kk | 工具欠陥検査装置と工具欠陥検査方法 |
CN111122587A (zh) * | 2020-01-19 | 2020-05-08 | 南京理工大学 | 一种基于视觉特征提取的刀具损伤检测方法 |
TWI812002B (zh) * | 2022-02-10 | 2023-08-11 | 明新學校財團法人明新科技大學 | 刀具影像檢測方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116309572A (zh) * | 2023-05-19 | 2023-06-23 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及系统 |
CN116823826A (zh) * | 2023-08-29 | 2023-09-29 | 无锡康贝电子设备有限公司 | 一种数控机床刀具崩刃异常检测方法 |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117571523A (zh) * | 2024-01-16 | 2024-02-20 | 山东天工岩土工程设备有限公司 | 一种基于盾构机的滚刀质量检测方法、设备及介质 |
Non-Patent Citations (8)
Title |
---|
"基于机器视觉的加工刀具磨损量在线测量";周俊杰 等;《上海交通大学学报(自然版)》;20210106;第55卷(第06期);全文 * |
刀具磨损检测中的图像处理技术研究现状及展望;丁玉辉;曹岩;付雷杰;白瑀;;制造技术与机床;20200402(第04期);全文 * |
刀具磨损的自动检测及检测系统;秦国华;易鑫;李怡冉;谢文斌;;光学精密工程;20141215(第12期);全文 * |
基于图像连通区域数的刀具磨损状态特征提取实验研究;李鹏阳;郝重阳;祝双武;;中国图象图形学报;20080815(08);全文 * |
基于机器视觉的微小型刀具磨损检测试验研究;赵林惠;张建成;宁淑荣;;制造业自动化;20120525(10);全文 * |
工程科技Ⅱ辑》.2022,(第09期),全文. * |
董鑫."基于谱图小波变换的高速干切滚刀磨损状态监测与故障诊断方法研究".《中国优秀硕士论文全文数据库 工程科技Ⅰ辑 * |
采棉机摘锭磨损程度的数字图像法研究;吴天松;胡蓉;鲁彦志;;机械研究与应用;20171228(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808810A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN110717888B (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
CN114764790B (zh) | 一种基于霍夫圆检测的齿轮断齿检测方法 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
WO2017101225A1 (zh) | 一种商标图形要素识别方法、装置、系统以及计算机存储介质 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN111553919B (zh) | 一种基于弹性超声成像的甲状腺结节分析系统 | |
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN110751029A (zh) | 基于最大曲率自适应指静脉纹路提取方法 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN117808810B (zh) | 一种滚刀磨损图像识别测量方法及系统 | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及系统 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN116432052A (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN116052008B (zh) | 一种建筑废弃物分拣与处理系统 | |
CN117893531B (zh) | 一种服装加工过程中服装质量智能检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |