基于移动终端的工件粗糙度测量方法、装置、终端及介质制造方法及图纸

本发明专利技术公开了一种基于移动终端的工件粗糙度测量方法、装置、终端及介质，上述方法包括：基于放大的工件表面，获取移动终端拍摄的工件表面的图像；获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；基于灰度共生矩阵算法，提取所述图像的特征数据；将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。与现有技术相比，本发明专利技术方案利用移动终端拍摄图像，对拍摄图像进行图像处理后，再通过卷积神经网络识别粗糙度。不用取下工件，实现在线精确测量。实现在线精确测量。实现在线精确测量。

【技术实现步骤摘要】
基于移动终端的工件粗糙度测量方法、装置、终端及介质


[0001]本专利技术涉及粗糙度等级识别
，尤其涉及的是一种基于移动终端的工件粗糙度测量方法、装置、终端及介质。

技术介绍

[0002]表面粗糙度是评定工件表面质量的一个重要指标，影响工件的使用寿命和机械性能。现有的粗糙度测量方法主要采用触针法、比较法和光切法。
[0003]其中，触针法需要将工件取下拿到粗糙度测量仪上，通过粗糙度测量仪上的金刚石触针在被测表面缓慢滑行来测量表面粗糙度，容易破坏工件表面并且不能对工件进行二次加工；光切法也需要将工件取下拿到光切显微镜进行检测，并且工件尺寸受光切显微镜的限制，不能检测大型工件；比较法测量简单，但是衡量标准比较随意，不能得到准确的表面粗糙度数据。
[0004]随着机械加工自动化程度的提高，很多零件由抽检改为必检，对表面粗糙度在线测量提出了越来越高的要求，因此生产过程中实时检测表面粗糙度越来越受到重视。
[0005]因此，现有技术还有待改进和发展。

技术实现思路

[0006]本专利技术的主要目的在于提供一种基于移动终端的工件粗糙度测量方法、装置、终端及介质，旨在解决现有技术中不能实现在线精确测量工件表面粗糙度的问题。
[0007]为了实现上述目的，本专利技术提供了一种基于移动终端的工件粗糙度测量方法，其中，上述方法包括：
[0008]基于放大的工件表面，获取移动终端拍摄的工件表面的图像；
[0009]获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；r/>[0010]基于灰度共生矩阵算法，提取所述图像的特征数据；
[0011]将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
[0012]可选的，所述获取所述图像的聚焦区域并对所述聚焦区域进行图像增强，包括：
[0013]基于ROI提取算法，提取所述图像的聚焦区域；
[0014]基于直方图算法，对所述聚焦区域进行图像增强。
[0015]可选的，所述获取移动终端拍摄的工件表面的图像后，还包括：
[0016]获取所述图像的边缘数据；
[0017]基于所述边缘数据，获取所述图像的方差值；
[0018]当所述方差值大于设定的方差阈值时，返回获取移动终端拍摄的工件表面的图像步骤。
[0019]可选的，预先构建所述卷积神经网络，包括：
[0020]基于放大的已标定粗糙度等级的工件表面，获取移动终端拍摄的工件表面的图像集，所述已标定粗糙度等级处于设定的粗糙度等级范围内；
[0021]将所述图像集作为训练集，训练所述卷积神经网络。
[0022]可选的，所述基于灰度共生矩阵算法，提取所述图像的特征数据，包括：
[0023]基于灰度共生矩阵算法，提取所述图像的至少两项纹理特征向量；
[0024]组合所述纹理特征向量，获得所述特征数据。
[0025]为了实现上述目的，本专利技术第二方面还提供了一种基于移动终端的工件粗糙度测量装置，包括：
[0026]图像获取模块，用于获取移动终端拍摄的工件表面的图像；
[0027]图像处理模块，用于获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；
[0028]特征提取模块，用于基于灰度共生矩阵算法，提取所述图像的特征数据；
[0029]粗糙度获取模块，用于将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。
[0030]可选的，还包括用于放大工件表面的放大装置，所述放大装置设置于移动终端摄像头的前方，所述放大装置可拆卸连接在所述移动终端上。
[0031]可选的，还包括固定装置，用于将所述移动终端可拆卸地安装在机床上。
[0032]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被上述处理器执行时实现任意一项上述基于移动终端的工件粗糙度测量方法的步骤。
[0033]本专利技术第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于移动终端的工件粗糙度测量程序，上述基于移动终端的工件粗糙度测量程序被处理器执行时实现任意一项上述基于移动终端的工件粗糙度测量方法的步骤。
[0034]由上可见，本专利技术方案中，基于放大的工件表面，获取移动终端拍摄的工件表面的图像；获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；基于灰度共生矩阵算法，提取所述图像的特征数据；将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。与现有技术相比，本专利技术方案利用移动终端拍摄图像，对拍摄图像进行图像处理后，再通过卷积神经网络识别粗糙度。不用取下工件，实现在线精确测量。
附图说明
[0035]为了更清楚地说明本专利技术实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0036]图1是本专利技术基于移动终端的工件粗糙度测量方法实施例的流程示意图；
[0037]图2是本专利技术实施对拍摄图像质量进行判断的流程示意图；
[0038]图3是本专利技术实施图1中步骤S400的具体流程示意图；
[0039]图4是本专利技术实施例提供的基于移动终端的工件粗糙度测量装置的结构示意图；
[0040]图5是本专利技术实施例提供的放大装置结构示意图；
[0041]图6是本专利技术实施例提供的智能终端的内部结构原理框图。
具体实施方式
[0042]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0043]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0044]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0045]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0046]如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当
…
时”或“一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于移动终端的工件粗糙度测量方法，其特征在于，包括：基于放大的工件表面，获取移动终端拍摄的工件表面的图像；获取所述图像的聚焦区域并对所述聚焦区域进行图像增强；基于灰度共生矩阵算法，提取所述图像的特征数据；将所述特征数据输入预先构建的卷积神经网络，获得所述工件表面的粗糙度。2.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述获取所述图像的聚焦区域并对所述聚焦区域进行图像增强，包括：基于ROI提取算法，提取所述图像的聚焦区域；基于直方图算法，对所述聚焦区域进行图像增强。3.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述获取移动终端拍摄的工件表面的图像后，还包括：获取所述图像的边缘数据；基于所述边缘数据，获取所述图像的方差值；当所述方差值大于设定的方差阈值时，返回获取移动终端拍摄的工件表面的图像步骤。4.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，预先构建所述卷积神经网络，包括：基于放大的已标定粗糙度等级的工件表面，获取移动终端拍摄的工件表面的图像集，所述已标定粗糙度等级处于设定的粗糙度等级范围内；将所述图像集作为训练集，训练所述卷积神经网络。5.如权利要求1所述的基于移动终端的工件粗糙度测量方法，其特征在于，所述基于灰度共生矩阵算法，提取所述图像的特征数据，包括：基于灰度共生矩阵算法，提取所述图像的至少两项纹理特征向量；组合所述纹理特征向量，获得...

【专利技术属性】
技术研发人员：王涛，朱佳锐，吴骏洪，王浩贤，陈伟，徐桃锋，罗显博，高华桂，罗沚晴，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：