一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法技术

本发明专利技术涉及人工智能领域，提出了一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，包括：S1:采集毛刷辊图像；S2:获取毛刷辊图像的灰度直方图和各灰度的位置分布图；S3:获取每个灰度的有效性；S4:将灰度的位置分布图划分为各区域；S5:计算每个区域的重复性；S6:计算每个区域的聚集程度；S7:计算每个灰度的重要程度；S8:根据各灰度的重要程度对灰度进行分级，构建毛刷辊的灰度共生矩阵；S9:按照S1

【技术实现步骤摘要】
一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法


[0001]本专利技术涉及人工智能领域，具体涉及一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法。

技术介绍

[0002]纺织制造领域应用的毛刷辊，关键用于清理一些锡林、羊毛杂质，这时候需要的毛刷辊的毛丝强度很大，并且要能融入工业生产中的独特自然环境，比如能耐高温、耐磨损、抗静电，能在高韧性高频下随便清理。但是随着使用时间的增加，刷毛容易在微结构上发生破损，从而自末端变弯，弯曲恢复性变弱，从而“变钝”，直接影响工艺合格与否。
[0003]在纺织工艺中，毛刷在不同工作温度、张紧力不同的情况下可能会出现加速磨损的问题。因此简单地根据工作时间来确定是否需要更换是不可靠的。由此出现了一种针对高密度毛刷的寿命预测方法，通过非接触测量的方式在使用过程中实现毛刷寿命的实时预测，以减少毛刷磨损过重导致工艺不合格的问题。（参考“基于人工智能的纺织毛刷辊磨损分析及寿命预测方法”）但是这种方法需要使用两个不同角度的偏振光辅助两个相机获取图像，检测成本比较高。
[0004]还出现了根据毛刷图像获取灰度共生矩阵，通过比较灰度共生矩阵的特征值判断毛刷的磨损程度，进而根据磨损程度使用孪生网络获取毛刷辊的使用寿命。但是，为了减少计算量，这种方法在获取毛刷图像的灰度共生矩阵的时候首先要进行灰度分级，现有分级方法都是均匀分级，即将图像中的每个像素点的数量除以同一个数再取整得到该点新的像素值。而当应用在毛刷辊上时，因为刷毛的颜色都差不多，毛刷辊在图像中的灰度大都集中在某一范围内，均匀分级很有可能将这一范围内的所有毛刷对应的像素点分为同一级，基于此获得的灰度共生矩阵不能准确反映毛刷的磨损程度，进而所得到的寿命预测结果也是不准确的。

技术实现思路

[0005]为了克服上述现有技术的缺点，本专利技术提供一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法。
[0006]为达到上述目的，本专利技术采用如下技术方案，一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，包括以下步骤：S1:采集毛刷辊图像；S2:获取该毛刷辊图像的灰度直方图和各灰度的位置分布图；S3:利用毛刷辊图像的灰度直方图获取灰度直方图中每个灰度的有效性；S4:根据连通域的分布将灰度的位置分布图划分为各区域；S5:获取每个区域的频谱图，将频谱图中除中心点外的所有极大幅值点组成极大幅值点序列；通过每个区域和其所有相邻区域的极大幅值点序列的距离计算每个区域的重复性；
S6:通过每个区域中连通域的外轮廓内不属于连通域的像素点数量、连通域内像素点的数量、连通域内每个像素点到对应连通域中心点的欧式距离计算每个区域的聚集程度；S7:通过每个灰度的有效性、每个灰度所有区域的重复性和聚集程度计算每个灰度的重要程度；S8:根据各灰度的重要程度对灰度进行灰度分级，利用分级的灰度构建毛刷辊的灰度共生矩阵；S9:按照S1
‑
S8的方法分别获取未使用毛刷辊和磨损毛刷辊的灰度共生矩阵，通过未使用毛刷辊和磨损毛刷辊的灰度共生矩阵得到毛刷辊的磨损程度；S10:通过磨损程度对毛刷辊的寿命进行预测。
[0007]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，灰度的重要程度的表达式为：式中：表示灰度的重要程度，表示灰度的有效性，表示灰度的位置分布图中第个区域；表示灰度的位置分布图中区域的数量，表示灰度的位置分布图中第个区域的聚集程度，表示灰度的位置分布图中第个区域的重复性。
[0008]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，灰度的有效性的表达式为：式中：表示灰度的有效性，表示灰度经高斯函数得到的值，表示灰度为的像素点的数量。
[0009]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，所述区域的重复性的表达式为：式中：表示灰度的位置分布图上当前区域中连通域的个数，即灰度的位置分布图上第个区域的连通域个数，表示当前区域的相邻区域的总数，表示当前区域的第个相邻区域，表示当前区域的第一极大幅值点序列和其第个相邻区域的第一极大幅值点序列的DTW距离，表示当前区域的第二极大幅值点序列和其第个相邻区域的第二极大幅值点序列的DTW距离，表示当前区域和其第个相邻区域中所有极大幅值点的总数。
[0010]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，区域的聚集程度的表达式为：
式中：表示当前区域连通域的外轮廓内不属于连通域的像素点数量，表示当前区域连通域中第个像素点，表示当前区域连通域中第个像素点到对应连通域中心点C的欧式距离，表示连通域内像素点的数量。
[0011]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，根据连通域的分布将灰度的位置分布图划分为各区域的方法为：获取每张灰度的位置分布图中连通域的个数和像素点的总数；获取每张灰度的位置分布图的长和宽；通过每张灰度的位置分布图中连通域的个数和像素点的总数、每张灰度的位置分布图的长和宽计算划分区域的长和宽；所述划分区域的长和宽的表达式为：式中：表示每张灰度的位置分布图中连通域的个数，表示每张灰度的位置分布图中像素点的总数，表示灰度的位置分布图的长；表示当前灰度的位置分布图的宽，表示划分区域的长，表示划分区域的宽。
[0012]进一步的，所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，所述各灰度的位置分布图为：若像素点的灰度值为当前灰度，将该像素点的像素值置为1；若像素点的灰度值不是当前灰度，将该像素点的像素值置为0；由此得到当前灰度对应的位置分布图。
[0013]本专利技术的有益效果是：相对于现有技术，本专利技术根据毛刷辊图像中各灰度的重要程度将毛刷辊图像分级，基于分级后生成的灰度共生矩阵可以准确表示毛刷辊的磨损程度，从而使得毛刷辊使用寿命的预测更准确，且检测方法简单、成本低。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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他的附图。
[0015]图1为本专利技术的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法的实施例的流程示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]实施例1本专利技术的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法的实施例，如图1所示，包括：本专利技术针对的具体场景为：均匀光照下，将相机固定在毛刷辊正上方获取毛刷辊图像，利用相机获取的图像分析毛刷辊的磨损程度，进而预测毛刷辊的寿命。
[0018本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，其特征在于，包括：S1:采集毛刷辊图像；S2:获取该毛刷辊图像的灰度直方图和各灰度的位置分布图；S3:利用毛刷辊图像的灰度直方图获取灰度直方图中每个灰度的有效性；S4:根据连通域的分布将灰度的位置分布图划分为各区域；S5:获取每个区域的频谱图，将频谱图中除中心点外的所有极大幅值点组成极大幅值点序列；通过每个区域和其所有相邻区域的极大幅值点序列的距离计算每个区域的重复性；S6:通过每个区域中连通域的外轮廓内不属于连通域的像素点数量、连通域内像素点的数量、连通域内每个像素点到对应连通域中心点的欧式距离计算每个区域的聚集程度；S7:通过每个灰度的有效性、每个灰度所有区域的重复性和聚集程度计算每个灰度的重要程度；S8:根据各灰度的重要程度对灰度进行灰度分级，利用分级的灰度构建毛刷辊的灰度共生矩阵；S9:按照S1
‑
S8的方法分别获取未使用毛刷辊和磨损毛刷辊的灰度共生矩阵，通过未使用毛刷辊和磨损毛刷辊的灰度共生矩阵得到毛刷辊的磨损程度；S10:通过磨损程度对毛刷辊的寿命进行预测。2.根据权利要求1所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，其特征在于，灰度的重要程度的表达式为：式中：表示灰度的重要程度，表示灰度的有效性，表示灰度的位置分布图中第个区域；表示灰度的位置分布图中区域的数量，表示灰度的位置分布图中第个区域的聚集程度，表示灰度的位置分布图中第个区域的重复性。3.根据权利要求1所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法，其特征在于，灰度的有效性的表达式为：式中：表示灰度的有效性，表示灰度经高斯函数得到的值，表示灰度为的像素点的数量。4.根据权利要求1所述的一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法...

【专利技术属性】
技术研发人员：宁辉艳，
申请(专利权)人：南通梦洁家纺有限公司，
类型：发明
国别省市：