CN108446706A - 一种基于颜色主分量提取的磨粒材质自动识别方法 - Google Patents

一种基于颜色主分量提取的磨粒材质自动识别方法 Download PDF

Info

Publication number
CN108446706A
CN108446706A CN201810162476.3A CN201810162476A CN108446706A CN 108446706 A CN108446706 A CN 108446706A CN 201810162476 A CN201810162476 A CN 201810162476A CN 108446706 A CN108446706 A CN 108446706A
Authority
CN
China
Prior art keywords
abrasive grain
color
image
value
identified
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.)
Granted
Application number
CN201810162476.3A
Other languages
English (en)
Other versions
CN108446706B (zh
Inventor
武通海
邵涛
王硕
陈�峰
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810162476.3A priority Critical patent/CN108446706B/zh
Publication of CN108446706A publication Critical patent/CN108446706A/zh
Application granted granted Critical
Publication of CN108446706B publication Critical patent/CN108446706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤一：根据各种材质本身的颜色及其各级回火温度下的回火颜色，构建材质标准颜色样本库；步骤二：利用区域标记联通算法求出RGB图像灰度化后的图像、S分量磨粒图像、V分量磨粒图像所对应的三幅分割后的磨粒图像的磨粒面积，保留各自图像中最大的磨粒，对比三幅图像选出其中磨粒面积最大的磨粒图像；步骤三：利用K‑Mean聚类提取所分割出的磨粒图像主颜色；步骤四：利用基于欧式距离的最小距离分类法求取所提取的磨粒图片主颜色与标准颜色样本的距离，实现磨粒材质的自动识别。本发明将磨粒加热分析法与图像处理技术相结合，基于K‑Mean聚类和欧式距离的最小距离分类法，实现了常见磨粒材质的自动识别。

Description

一种基于颜色主分量提取的磨粒材质自动识别方法
技术领域
本发明属于机器故障诊断领域特别涉及一种基于颜色主分量提取的磨粒材质自动识别方法。
背景技术
在机械设备零件失效的各种原因中，80％以上的机械设备故障和失效是由磨损是造成的。而磨粒携带了设备磨损状况的重要信息，其通常由材料的塑性变形、加工硬化、发热氧化和腐蚀等复杂的过程导致产生的，因此对油液中的磨粒进行监测和分析不仅可以获得设备的磨损程度和趋势信息，也可以确定设备的磨损机理和故障发生的诱导因素，最终可以为改进设备运转工况和设计改良提供信息，从而提高设备运行的可靠性和安全性。因此，磨粒分析(WDA)技术已经成为设备运行状态监测和故障诊断最有效的方法。
其中离线铁谱磨粒分析技术由于其分析精度高、准确性好，能够准确获得磨损机理与磨损类型，从而提供深层次磨损致因，已经成为了机械***磨损分析的主要技术依据。在机械设备磨损过程中所产生的磨粒来源于设备中的各个摩擦副，而不同的摩擦副其主要构成材质又不一致，因此磨损过程中所产生的磨粒材质也各有差异。基于此通过研究磨粒的材质就可以通过它们来确定磨粒的来源，进而判断机器磨损的具体部位以及磨损零部件。通常磨粒材质按类型一般分为铁系金属、有色金属、金属氧化物、润滑剂产物以及污染物等，而在机械设备中多数摩擦副主要材质为铁系金属以及有色金属，因此针对材质的识别主要研究铁系金属及其氧化物和有色金属。
目前在铁谱图像磨粒材质识别领域应用最广的是加热分析法和扫描电镜能谱分析法，其中加热分析法是铁谱分析技术中识别磨粒合金成分的十分有效的手段，其投资少，操作简单，并且不需要细腻地追求磨粒的具体的元素组成及元素含量，只需事先了解机器各零部件的材质情况，关注的是铁谱片上所看到的磨损颗粒其材质与哪个零部件相吻合。但传统的磨粒材质识别主要依靠领域专家或有丰富经验的分析员对磨粒进行多级温度的加热，依据不同温度下的磨粒表征颜色对磨粒的材质进行人工判别，这要求操作者需要具有很高的专业知识，难以推广应用。由于这种分析结果往往过分依赖于分析员的主观判断及经验，可能会造成很大的误差，而且人工分析效率低，这就会在一定程度上导致人力资源的浪费。上海交通大学的王伟华在“磨粒制谱及分析技术***研究”中依据磨粒的热传导特性，将不同材质的磨粒加热到一定温度，利用红外测温技术观察其冷却过程，从颗粒温度场随时间变化的导热过程中观察颗粒表面的温度变化来研究磨粒材质。该方法需要借助红外热成像仪，其易受被测物体的背景温度、加热温度选择、物体发射率以及颗粒尺寸大小等因素影响，准确率精度难以保证，且操作复杂，自动化程度较低。因此如何提高磨粒材质识别的程序化、自动化，从而提高磨粒材质识别的效率，满足工业实际应用需求则成为了磨粒自动化识别亟待解决的问题。
发明内容
本发明的目的在于提供一种基于颜色主分量提取的磨粒材质自动识别方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于颜色主分量提取的磨粒材质自动识别方法，包括以下步骤：
步骤一：根据各种材质本身的颜色及其各级回火温度下的回火颜色，构建材质标准颜色样本库；
步骤二：对待识别磨粒图像进行RGB图像灰度化，和S、V分量灰度化，并对灰度化后的图像进行自适应阈值分割以及形态学处理，利用区域标记联通算法求出RGB图像灰度化后的图像、S分量磨粒图像、V分量磨粒图像所对应的三幅分割后的磨粒图像的磨粒面积，保留各自图像中最大的磨粒，对比三幅图像选出其中磨粒面积最大的磨粒图像；
步骤三：利用K-Mean聚类提取所分割出的磨粒图像主颜色；
步骤四：利用基于欧式距离的最小距离分类法求取所提取的磨粒图片主颜色与标准颜色样本的距离，实现磨粒材质的自动识别。
进一步的，步骤一中构建材质标准颜色样本库包括以下步骤：
S1：确定铁系金属材质颜色样本，选取330℃和540℃两个回火温度下所对应的回火颜色作为各种铁系金属材质标准颜色；
S2，确定有色金属材质颜色样本；
S3，确定金属氧化物材质颜色样本，其主要包括红色氧化物和黑色氧化物。
3、根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤二中将磨粒图像进行RGB图像灰度化，S分量和V分量灰度化，分别如公式1-3所示：
公式1：f(x，y)＝0.299R(x，y)+0.587G(x，y)+0.114B(x，y)
公式2：
公式3：
公式(1)-(3)中R(x，y)、G(x，y)、B(x，y)代表图像中坐标(x，y)处像素点的R、G、B分量值；
进一步的，步骤二中对三幅磨粒灰度图像进行阈值分割，具体步骤如下：
1)记T为磨粒图像前景与背景的分割阈值，其取值范围为0～255，对T依次取0～255值进行计算；
2)根据当前阈值T将图像分割为前景和背景，分别求出前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，图像的总平均灰度为u；
3)根据公式4计算前景和背景图象的方差：
公式4：δ2(T)＝w0×(u0-u)2+w1×(u1-u)2
4)分别求出T取0～255时所对应的方差δ2(T)，对比256个方差值，选择方差最小时所对应的T值作为磨粒图像分割的阈值；
5)再将灰度化图像按照公式5进行二值化运算，得到磨粒为黑色，背景为白色的mask图：
公式5：
公式5中f(x，y)表示磨粒图像的灰度图。
进一步的，步骤二中对分割后的磨粒图像进行形态学处理为：进行反向处理，闭运算处理，以及孔洞填充操作；利用“八连通域算法”找出磨粒面积最大的保留作为研究观察对象，同时对比三幅磨粒图像最终所得到磨粒，选取分割最大的磨粒图像作为目标磨粒。
进一步的，步骤三中提取所分割出的磨粒图像主颜色的具体步骤包括：
S1，定义一个迭代次数上限M；
S2，随机在图中找N个点，取出它的RGB值作为种子点；
S3，然后对图中的每个点找到一个RGB值和它最相近的种子点，并将这个点加到RGB值最相近得种子点所在点群中；
S4，计算种子点群的平均RGB值，并将这个RGB值作为新的种子点；平均RGB值为累加总值/点的个数。
S5，比较这个新的值是否和旧值是否相等；如果相等，则种子点收敛完成，进入第6步；如果不等，则继续执行第3步，直至迭代次数达到M次；
S6，当种子点收敛完成或者迭代次数达到M次，我们对所有种子点的权重做一个排序；权重即其中包含点的个数；
S7，取出权重最高的种子点的值，这个值即我们所需的磨粒图片的主色调。
进一步的，步骤四中识别的具体步骤如下：
S1，按照公式6求取所提取的磨粒图片主颜色与材质标准颜色库中的铁系金属材质颜色、有色金属材质颜色、金属氧化物中红色氧化物材质颜色或金属氧化物中黑色氧化物材质颜色的欧式距离；
公式6：
式中点(R0，G0，B0)为提取出的磨粒图片主颜色像素值，点(R1，G1，B1)为磨粒材质标准颜色值；
S2，若点(R1，G1，B1)代表铁系金属材质颜色，点(R2，G2，B2)代表有色金属材质颜色，点(R3，G3，B3)代表金属氧化物中红色氧化物材质颜色，点(R4，G4，B4)代表金属氧化物中黑色氧化物材质颜色，则根据所得到的四个距离值(D01、D02、D03、D04)进行分析判断：
若min{D01，D02，D03，D04}＝D01，则待识别磨粒材质为铁系金属材质颜色所对应的材质；
若min{D01，D02，D03，D04}＝D02，则待识别磨粒材质为有色金属材质颜色所对应的材质；
若min{D01，D02，D03，D04}＝D03，则待识别磨粒材质为金属氧化物中红色氧化物材质颜色所对应的材质；
若min{D01，D02，D03，D04}＝D04，则待识别磨粒材质为金属氧化物中黑色氧化物材质颜色所对应的材质；
进一步的，由于铁系金属中碳钢、低合金钢、铸铁、高镍合金或高合金钢未加热状态均为亮白色，若所识别磨粒材质为铁系金属或铝等白色金属，则将磨粒将热到330℃温度后，再提取待识别磨粒主颜色(R′0，G′0，B′0)，330℃下碳钢或低合金钢为蓝色，铸铁为草黄色至青铜色，高镍合金和高合金钢都为白色；求取其距草黄色(R5，G5，B5)、亮白色(R1，G1，B1)以及蓝色(R6，G6，B6)的距离值(D′05、D′01、D′06)进行分析判断：
若min{D′05，D′01，D′06}＝D′05，则待识别磨粒材质为铸铁；
若min{D′05，D′01，D′06}＝D′01，则待识别磨粒材质为高合金钢或高镍合金或铝；
若min{D′05，D′01，D′06}＝D′06，则待识别磨粒材质为碳钢或低合金钢；
进一步的，若所识别磨粒材质为高合金钢或高镍合金或铝，则将磨粒将热到540℃温度后，再提取待识别磨粒主颜色(R″0，G″0，B″0)，540℃下高合金钢为草黄色至青铜色，高镍合金为蓝色；并求取其距草黄色(R5，G5，B5)、亮白色(R1，G1，B1)以及蓝色(R6，G6，B6)的距离值(D″05、D″01、D″06)进行分析判断：
若min{D″05，D″01，D″06}＝D″05，则待识别磨粒材质为高合金钢；
若min{D″05，D″01，D″06}＝D″01，则待识别磨粒材质为铝；
若min{D″05，D″01，D″06}＝D″06，则待识别磨粒材质为高镍合金；
若S2中所识别磨粒材质为四氧化三铁或锡/铅合金，则重复步骤三，求取权重第二大的种子点的值，若该值为蓝色或橙色则为锡/铅合金，否则为四氧化三铁。
与现有技术相比，本发明有以下技术效果：
本发明将磨粒加热分析法与图像处理技术相结合，基于K-Mean聚类和欧式距离的最小距离分类法，实现了常见磨粒材质的自动识别；
本发明利用两种颜色空间坐标下的磨粒灰度信息图像，实现了多情况磨粒的分割，适用于离线铁谱磨粒分析中的所有磨粒分割；
本发明准确的识别出离线铁谱图像的磨粒材质，提高磨粒分析和设备故障定位的效率，促进了磨粒分析自动化的推广与应用。
附图说明
图1为基于颜色主分量提取的磨粒材质自动识别总体流程图；
图2(a)-(c)分别为原始铜磨粒图像、分割后铜磨粒图像、铜磨粒主颜色示意图；
图2(d)-(f)分别为原始铝磨粒图像、分割后铝磨粒图像、铝磨粒主颜色示意图；
图3为K-Mean聚类提取磨粒图像主颜色流程图；
图4为基于磨粒主颜色及欧式距离的最小距离分类的磨粒材质识别流程图；
具体实施方式
下面结合附图对本方法进行说明。
参照图1，一种基于颜色主分量提取的磨粒材质自动识别方法，包括以下步骤：
步骤一：机械设备中多数摩擦副主要材质为铁系金属以及有色金属，因此针对材质的识别主要研究铁系金属及其氧化物和有色金属。通过研究各种材质本身的颜色及其各级回火温度下的回火颜色，构建材质标准颜色样本库。具体步骤如下：
S1，确定铁系金属材质颜色样本，其主要包括碳钢和低合金钢、铸铁、高镍合金、高合金钢，通常未加热都是亮白色，因此选取330℃和540℃两个回火温度下所对应的回火颜色作为各种铁系金属材质标准颜色其中330℃下碳钢和低合金钢为蓝色，铸铁为草黄色至青铜色，高镍合金和高合金钢都为白色；540℃下高合金钢为草黄色至青铜色，高镍合金为蓝色。
S2，确定有色金属材质颜色样本，其主要包括铜合金、锡/铅合金、铝合金等白色有色金属。其中铜为桔黄色；锡/铅合金为白光照射下呈黑色，表面可见蓝色或橙色斑点；铝合金等白色有色金属为白色。
S3，确定金属氧化物材质颜色样本，其主要包括红色氧化物(三氧化二铁)和黑色氧化物(四氧化三铁)。其中红色氧化物为桔红色；黑色氧化物为棕黑色。
步骤二：对待识别磨粒图像进行RGB图像灰度化，和S、V分量灰度化，并对灰度化后的图像进行自适应阈值分割以及形态学处理，利用区域标记联通算法求出RGB图像灰度化后的图像、S分量磨粒图像、V分量磨粒图像所对应的三幅分割后的磨粒图像的磨粒面积，保留各自图像中最大的磨粒，对比三幅图像选出其中磨粒面积最大的磨粒图像，其分割效果如图2(b)和(e)所示，具体步骤如下：
S1，将磨粒图像进行RGB图像灰度化，S分量和V分量灰度化，分别如公式(1)-(3)所示：
公式(1)：f(x，y)＝0.299R(x，y)+0.587G(x，y)+0.114B(x，y)
公式(2)：
公式(3)：
公式(1)-(3)中R(x，y)、G(x，y)、B(x，y)代表图像中坐标(x，y)处像素点的R、G、B分量值；
S2，对三幅磨粒灰度图像进行阈值分割，具体步骤如下：
1)记T为磨粒图像前景与背景的分割阈值，其取值范围为0～255，对T依次取0～255值进行计算；
2)根据当前阈值T将图像分割为前景和背景，分别求出前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，图像的总平均灰度为u；
3)根据公式(4)计算前景和背景图象的方差：
公式(4)：δ2(T)＝w0×(u0-u)2+w1×(u1-u)2
4)分别求出T取0～255时所对应的方差δ2(T)，对比256个方差值，选择方差最小时所对应的T值作为磨粒图像分割的阈值；
5)再将灰度化图像按照公式(5)进行二值化运算，得到磨粒为黑色，背景为白色的mask图：
公式(5)：
公式(5)中f(x，y)表示磨粒图像的灰度图；
S3，对分割后的磨粒图像进行形态学处理，即进行“反向”处理，“闭运算”处理，以及利用“漫水填充”算法进行“孔洞填充”操作，确保所分割磨粒图像的完整性。
S4，利用“八连通域算法”找出磨粒面积最大的保留作为研究观察对象，同时对比三幅磨粒图像最终所得到磨粒，选取分割最大的磨粒图像作为目标磨粒。
步骤三：通常磨粒图像中磨粒的颜色分布并不均匀，因此利用K-Mean聚类来提取所分割出的磨粒图像主颜色用以表征磨粒材质的颜色，其所提取的主颜色如图2(c)和(f)所示，流程图如图3所示，具体步骤如下：
S1，定义一个迭代次数上限M。
S2，随机在图中找N个点，取出它的RGB值作为种子点。
S3，然后对图中的每个点找到一个RGB值和它最相近的种子点，并将这个点加到RGB值最相近得种子点所在点群中。
S4，计算种子点群的平均RGB值(累加总值/点的个数)，并将这个RGB值作为新的种子点。
S5，比较这个新的值是否和旧值是否相等。
1)如果相等，则种子点收敛完成，进入第6步。
2)如果不等，则继续执行第3步，直至迭代次数达到M次。
S6，当种子点收敛完成或者迭代次数达到M次，我们对所有种子点的权重做一个排序(权重即其中包含点的个数)。
S7，取出权重最高的种子点的值，这个值即我们所需的磨粒图片的主色调。
步骤四：利用基于欧式距离的最小距离分类法求取所提取的磨粒图片主颜色与标准颜色样本的距离，实现磨粒材质的自动识别，识别流程如图4所示，具体步骤如下：
S1，按照公式(6)求取所提取的磨粒图片主颜色与材质标准颜色库中的亮白色、桔黄色、桔红色以及黑色这四类颜色的欧式距离。
公式(6)：
式中点(R0，G0，B0)为提取出的磨粒图片主颜色像素值，点(R1，G1，B1)为磨粒材质标准颜色值。
S2，若点(R1，G1，B1)代表的亮白色，点(R2，G2，B2)代表桔黄色，点(R3，G3，B3)代表桔红色，点(R4，G4，B4)代表黑色，则根据所得到的四个距离值(D01、D02、D03、D04)进行分析判断，具体步骤如下：
1)若min{D01，D02，D03，D04}＝D01，则待识别磨粒材质为铁系金属或铝等白色金属。
2)若min{D01，D02，D03，D04}＝D02，则待识别磨粒材质为铜。
3)若min{D01，D02，D03，D04}＝D03，则待识别磨粒材质为三氧化二铁。
4)若min{D01，D02，D03，D04}＝D04，则待识别磨粒材质为四氧化三铁或锡/铅合金。
S3，若S2中所识别磨粒材质为铁系金属或铝等白色金属，则将磨粒将热到330℃温度后，再提取待识别磨粒主颜色(R′0，G′0，B′0)，并求取其距草黄色(R5，G5，B5)、亮白色(R1，G1，B1)以及蓝色(R6，G6，B6)的距离值(D′05、D′01、D′06)进行分析判断，具体步骤如下：
1)若min{D′05，D′01，D′06}＝D′05，则待识别磨粒材质为铸铁。
2)若min{D′05，D′01，D′06}＝D′01，则待识别磨粒材质为高合金钢
或高镍合金或铝等白色金属。
3)若min{D′05，D′01，D′06}＝D′06，则待识别磨粒材质为碳钢和低合金钢。
S4，若S3中所识别磨粒材质为高合金钢或高镍合金或铝等白色金属，则将磨粒将热到540℃温度后，再提取待识别磨粒主颜色(R″0，G″0，B″0)，并求取其距草黄色(R5，G5，B5)、亮白色(R1，G1，B1)以及蓝色(R6，G6，B6)的距离值(D″05、D″01、D″06)进行分析判断，具体步骤如下：
1)若min{D″05，D″01，D″06}＝D″05，则待识别磨粒材质为高合金钢。
2)若min{D″05，D″01，D″06}＝D″01，则待识别磨粒材质为铝等白色金属。
3)若min{D″05，D″01，D″06}＝D″06，则待识别磨粒材质为高镍合金。
S5，若S2中所识别磨粒材质为四氧化三铁或锡/铅合金，则重复步骤三，求取权重第二大的种子点的值，若该值为蓝色或橙色则为锡/铅合金，否则为四氧化三铁。

Claims (9)

1.一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，包括以下步骤：
步骤一：根据各种材质本身的颜色及其各级回火温度下的回火颜色，构建材质标准颜色样本库；
步骤二：对待识别磨粒图像进行RGB图像灰度化，和S、V分量灰度化，并对灰度化后的图像进行自适应阈值分割以及形态学处理，利用区域标记联通算法求出RGB图像灰度化后的图像、S分量磨粒图像、V分量磨粒图像所对应的三幅分割后的磨粒图像的磨粒面积，保留各自图像中最大的磨粒，对比三幅图像选出其中磨粒面积最大的磨粒图像；
步骤三：利用K-Mean聚类提取所分割出的磨粒图像主颜色；
步骤四：利用基于欧式距离的最小距离分类法求取所提取的磨粒图片主颜色与标准颜色样本的距离，实现磨粒材质的自动识别。
2.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤一中构建材质标准颜色样本库包括以下步骤：
S1：确定铁系金属材质颜色样本，选取330℃和540℃两个回火温度下所对应的回火颜色作为各种铁系金属材质标准颜色；
S2，确定有色金属材质颜色样本；
S3，确定金属氧化物材质颜色样本，其主要包括红色氧化物和黑色氧化物。
3.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤二中将磨粒图像进行RGB图像灰度化，S分量和V分量灰度化，分别如公式1-3所示：
公式1：f(x,y)＝0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
公式2：
公式3：
公式(1)-(3)中R(x,y)、G(x,y)、B(x,y)代表图像中坐标(x,y)处像素点的R、G、B分量值。
4.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤二中对三幅磨粒灰度图像进行阈值分割，具体步骤如下：
1)记T为磨粒图像前景与背景的分割阈值，其取值范围为0～255,对T依次取0～255值进行计算；
2)根据当前阈值T将图像分割为前景和背景，分别求出前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，图像的总平均灰度为u；
3)根据公式4计算前景和背景图象的方差：
公式4：δ2(T)＝w0×(u0-u)2+w1×(u1-u)2
4)分别求出T取0～255时所对应的方差δ2(T)，对比256个方差值，选择方差最小时所对应的T值作为磨粒图像分割的阈值；
5)再将灰度化图像按照公式5进行二值化运算，得到磨粒为黑色，背景为白色的mask图：
公式5：
公式5中f(x,y)表示磨粒图像的灰度图。
5.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤二中对分割后的磨粒图像进行形态学处理为：进行反向处理，闭运算处理，以及利用“漫水填充”算法进行孔洞填充操作；利用“八连通域算法”找出磨粒面积最大的保留作为研究观察对象，同时对比三幅磨粒图像最终所得到磨粒，选取分割最大的磨粒图像作为目标磨粒。
6.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤三中提取所分割出的磨粒图像主颜色的具体步骤包括：
S1，定义一个迭代次数上限M；
S2，随机在图中找N个点，取出它的RGB值作为种子点；
S3，然后对图中的每个点找到一个RGB值和它最相近的种子点，并将这个点加到RGB值最相近得种子点所在点群中；
S4，计算种子点群的平均RGB值，并将这个RGB值作为新的种子点；平均RGB值为累加总值/点的个数；
S5，比较这个新的值是否和旧值是否相等；如果相等，则种子点收敛完成，进入第6步；如果不等，则继续执行第3步，直至迭代次数达到M次；
S6，当种子点收敛完成或者迭代次数达到M次，我们对所有种子点的权重做一个排序；权重即其中包含点的个数；
S7，取出权重最高的种子点的值，这个值即我们所需的磨粒图片的主色调。
7.根据权利要求1所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，步骤四中识别的具体步骤如下：
S1，按照公式6求取所提取的磨粒图片主颜色与材质标准颜色库中的铁系金属材质颜色、有色金属材质颜色、金属氧化物中红色氧化物材质颜色或金属氧化物中黑色氧化物材质颜色的欧式距离；
公式6：
式中点(R0,G0,B0)为提取出的磨粒图片主颜色像素值，点(R1,G1,B1)为磨粒材质标准颜色值；
S2，若点(R1,G1,B1)代表铁系金属材质颜色，点(R2,G2,B2)代表有色金属材质颜色，点(R3,G3,B3)代表金属氧化物中红色氧化物材质颜色，点(R4,G4,B4)代表金属氧化物中黑色氧化物材质颜色，则根据所得到的四个距离值(D01、D02、D03、D04)进行分析判断：
若min{D01,D02,D03,D04}＝D01，则待识别磨粒材质为铁系金属材质颜色所对应的材质；
若min{D01,D02,D03,D04}＝D02，则待识别磨粒材质为有色金属材质颜色所对应的材质；
若min{D01,D02,D03,D04}＝D03，则待识别磨粒材质为金属氧化物中红色氧化物材质颜色所对应的材质；
若min{D01,D02,D03,D04}＝D04，则待识别磨粒材质为金属氧化物中黑色氧化物材质颜色所对应的材质。
8.根据权利要求7所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，若所识别磨粒材质为铁系金属或铝等白色金属，则将磨粒加热到330℃温度后，再提取待识别磨粒主颜色(R'0,G'0,B'0)，330℃下碳钢或低合金钢为蓝色，铸铁为草黄色至青铜色，高镍合金和高合金钢都为白色；碳钢、低合金钢、铸铁、高镍合金或高合金钢未加热状态均为亮白色；求取其距草黄色(R5,G5,B5)、亮白色(R1,G1,B1)以及蓝色(R6,G6,B6)的距离值(D'05、D'01、D'06)进行分析判断：
若min{D'05,D'01,D'06}＝D'05，则待识别磨粒材质为铸铁；
若min{D'05,D'01,D'06}＝D'01，则待识别磨粒材质为高合金钢或高镍合金或铝；
若min{D'05,D'01,D'06}＝D'06，则待识别磨粒材质为碳钢或低合金钢。
9.根据权利要求8所述的一种基于颜色主分量提取的磨粒材质自动识别方法，其特征在于，若所识别磨粒材质为高合金钢或高镍合金或铝，则将磨粒将热到540℃温度后，再提取待识别磨粒主颜色(R”0,G”0,B”0)，540℃下高合金钢为草黄色至青铜色，高镍合金为蓝色；并求取其距草黄色(R5,G5,B5)、亮白色(R1,G1,B1)以及蓝色(R6,G6,B6)的距离值(D”05、D”01、D”06)进行分析判断：
若min{D”05,D”01,D”06}＝D”05，则待识别磨粒材质为高合金钢；
若min{D”05,D”01,D”06}＝D”01，则待识别磨粒材质为铝；
若min{D”05,D”01,D”06}＝D”06，则待识别磨粒材质为高镍合金；
若S2中所识别磨粒材质为四氧化三铁或锡/铅合金，则重复步骤三，求取权重第二大的种子点的值，若该值为蓝色或橙色则为锡/铅合金，否则为四氧化三铁。
CN201810162476.3A 2018-02-27 2018-02-27 一种基于颜色主分量提取的磨粒材质自动识别方法 Active CN108446706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810162476.3A CN108446706B (zh) 2018-02-27 2018-02-27 一种基于颜色主分量提取的磨粒材质自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810162476.3A CN108446706B (zh) 2018-02-27 2018-02-27 一种基于颜色主分量提取的磨粒材质自动识别方法

Publications (2)

Publication Number Publication Date
CN108446706A true CN108446706A (zh) 2018-08-24
CN108446706B CN108446706B (zh) 2021-01-19

Family

ID=63192686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810162476.3A Active CN108446706B (zh) 2018-02-27 2018-02-27 一种基于颜色主分量提取的磨粒材质自动识别方法

Country Status (1)

Country Link
CN (1) CN108446706B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717899A (zh) * 2019-09-25 2020-01-21 武汉易视维科技有限公司 一种透明滤棒爆珠缺陷在线视觉检测方法
WO2020135056A1 (zh) * 2018-12-29 2020-07-02 北京金山安全软件有限公司 一种图像处理方法及装置
CN111428544A (zh) * 2019-01-10 2020-07-17 百度在线网络技术（北京）有限公司 一种场景识别方法、装置、电子设备及存储介质
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6516100B1 (en) * 1998-10-29 2003-02-04 Sharp Laboratories Of America, Inc. Method for image characterization using color and texture statistics with embedded spatial information
CN101908142A (zh) * 2010-08-04 2010-12-08 丁天 一种基于特征分析的视频火焰检测方法
CN101964293B (zh) * 2010-08-23 2012-01-18 西安航空动力股份有限公司 一种金相显微组织图像处理方法
CN102528661A (zh) * 2011-11-10 2012-07-04 浙江工业大学 一种模具微细结构表面流体精密加工观测方法及装置
CN102830121A (zh) * 2012-08-17 2012-12-19 浙江工业大学 一种软性磨粒流磨粒群实时检测方法
CN103278431A (zh) * 2013-04-22 2013-09-04 西安交通大学 一种基于视频获取的润滑油磨粒在线监测与分析方法
CN103886579A (zh) * 2013-12-11 2014-06-25 西安交通大学 面向在线铁谱图像自动识别的磨粒链自适应分割方法
CN104484675A (zh) * 2014-12-15 2015-04-01 上海海事大学 一种铁谱磨粒纹理特征提取和模式识别的方法
CN105758862A (zh) * 2016-01-26 2016-07-13 西安交通大学 一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法
CN107677216A (zh) * 2017-09-06 2018-02-09 西安交通大学 一种基于光度立体视觉的多个磨粒三维形貌同步获取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6516100B1 (en) * 1998-10-29 2003-02-04 Sharp Laboratories Of America, Inc. Method for image characterization using color and texture statistics with embedded spatial information
CN101908142A (zh) * 2010-08-04 2010-12-08 丁天 一种基于特征分析的视频火焰检测方法
CN101964293B (zh) * 2010-08-23 2012-01-18 西安航空动力股份有限公司 一种金相显微组织图像处理方法
CN102528661A (zh) * 2011-11-10 2012-07-04 浙江工业大学 一种模具微细结构表面流体精密加工观测方法及装置
CN102830121A (zh) * 2012-08-17 2012-12-19 浙江工业大学 一种软性磨粒流磨粒群实时检测方法
CN103278431A (zh) * 2013-04-22 2013-09-04 西安交通大学 一种基于视频获取的润滑油磨粒在线监测与分析方法
CN103886579A (zh) * 2013-12-11 2014-06-25 西安交通大学 面向在线铁谱图像自动识别的磨粒链自适应分割方法
CN104484675A (zh) * 2014-12-15 2015-04-01 上海海事大学 一种铁谱磨粒纹理特征提取和模式识别的方法
CN105758862A (zh) * 2016-01-26 2016-07-13 西安交通大学 一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法
CN107677216A (zh) * 2017-09-06 2018-02-09 西安交通大学 一种基于光度立体视觉的多个磨粒三维形貌同步获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王静秋: "铁谱图像分割及磨粒识别关键技术研究", 《中国优秀博士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020135056A1 (zh) * 2018-12-29 2020-07-02 北京金山安全软件有限公司 一种图像处理方法及装置
CN111428544A (zh) * 2019-01-10 2020-07-17 百度在线网络技术（北京）有限公司 一种场景识别方法、装置、电子设备及存储介质
CN111428544B (zh) * 2019-01-10 2023-05-26 百度在线网络技术（北京）有限公司 一种场景识别方法、装置、电子设备及存储介质
CN110717899A (zh) * 2019-09-25 2020-01-21 武汉易视维科技有限公司 一种透明滤棒爆珠缺陷在线视觉检测方法
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115018845B (zh) * 2022-08-09 2022-10-25 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法

Also Published As

Publication number Publication date
CN108446706B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN108446706A (zh) 一种基于颜色主分量提取的磨粒材质自动识别方法
Stan et al. Optimizing convolutional neural networks to perform semantic segmentation on large materials imaging datasets: X-ray tomography and serial sectioning
Ranjan et al. Detection and classification of leaf disease using artificial neural network
CN105205821B (zh) 一种焊接图像分割方法
CN104680519B (zh) 基于轮廓和颜色的七巧板识别方法
CN108305259B (zh) 一种多纹理特征融合的磨粒类型自动识别方法
US8023737B2 (en) Method and device for the segmentation of regions and related computer program product
CN108319973A (zh) 一种树上柑橘果实检测方法
CN104732229B (zh) 一种用于宫颈涂片图像中重叠细胞的分割方法
WO2015170183A2 (en) Method and apparatus for image scoring and analysis
CN110728286B (zh) 一种基于火花图像的砂带磨削材料去除率识别方法
Arunachalam et al. Identification of defects in fruits using digital image processing
Komenda Automatic recognition of complex microstructures using the Image Classifier
CN105701816A (zh) 一种图像自动分割方法
CN111402321A (zh) 一种固体颗粒在高温熔池中目标识别及体积估计的方法
JP2005532557A (ja) 溶融相のオンライン測定のための方法
Ganesan et al. Automatic detection of optic disc and blood vessel in retinal images using morphological operations and Ipachi model
Abagiu et al. Detection of a surface defect on an engine block using computer vision
Gupta et al. Mathematical morphology based face segmentation and facial feature extraction for facial expression recognition
Rismayana et al. Facial Skin Color Segmentation Using Otsu Thresholding Algorithm
Abrol et al. Automated segmentation of leukocytes using marker-based watershed algorithm from blood smear images
CN112287831A (zh) 基于编码热红外标志的跟随机器人多目标识别***及方法
Fu Research on recognition method of ferrographic image wear particle based on image segmentation
Zhang et al. PredNet based sequence image disturbance processing of fused magnesium furnaces
Satgunalingam et al. Automatic Paddy Leaf Disease Detection Based on GLCM Using Multiclass Support Vector Machine

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