刹车片表面缺陷的图像检测方法

韩志玮, 高美凤

韩志玮, 高美凤. 刹车片表面缺陷的图像检测方法[J]. 应用光学, 2020, 41(3): 538-547. DOI: 10.5768/JAO202041.0302008
引用本文: 韩志玮, 高美凤. 刹车片表面缺陷的图像检测方法[J]. 应用光学, 2020, 41(3): 538-547. DOI: 10.5768/JAO202041.0302008
HAN Zhiwei, GAO Meifeng. Image detection method for surface defects of brake pads[J]. Journal of Applied Optics, 2020, 41(3): 538-547. DOI: 10.5768/JAO202041.0302008
Citation: HAN Zhiwei, GAO Meifeng. Image detection method for surface defects of brake pads[J]. Journal of Applied Optics, 2020, 41(3): 538-547. DOI: 10.5768/JAO202041.0302008

刹车片表面缺陷的图像检测方法

基金项目: 国家自然科学基金(61973139, 61473138)
详细信息
    作者简介:

    韩志玮(1992−),男,硕士研究生,主要从事信号检测与信息处理方面的研究。 E-mail:zw-han@foxmail.com

  • 中图分类号: TN201; TP391.4

Image detection method for surface defects of brake pads

  • 摘要: 针对汽车刹车片表面纹理情况不一、种类繁多的问题,提出一种基于机器视觉的刹车片表面缺陷图像检测方法,该方法结合了灰度共生矩阵与密度聚类。首先提取刹车片的摩擦面,然后确定灰度共生矩阵的构造因子的选取,利用线性相关性选择特征参数。将每个摩擦面切分成若干小窗口,计算各个小窗口的特征值构造特征数据集,通过自适应密度聚类算法进行聚类分析,从而进一步判断是否存在缺陷区域。通过对58块不同型号的刹车片样本进行检测结果统计分析,实验表明,该方法误检率为8%,漏检率为6%,具有较高的检测精度,因此,该方法能够较好地检测刹车片样本是否存在缺陷,具有广泛的适用性。
    Abstract: In order to deal with the different surface textures and various types of automotive brake pads, an image detection method for surface defects of brake pads based on machine vision was proposed, which combined the gray co-occurrence matrix and the density clustering. Firstly, the friction surface of the brake pad was extracted. Then the construction factor selection of the gray co-occurrence matrix was determined, and the linear correlation was used to select the characteristic parameters. Each friction surface was divided into several small windows, and the eigenvalue of each small window was calculated to construct the feature data sets. The cluster analysis was carried out by the adaptive density clustering algorithm, so as to further determine whether there existed a defect area or not. Based on the statistical analysis of the test results of 58 brake pad samples of different models, the experiment shows that the method has a high detection accuracy with a false detection rate of 8% and a missed detection rate of 6%. Therefore, the method can better detect whether there are defects in the brake pad samples and has a wide range of applicability.
  • 激光粒度仪是通过测量颗粒散射光的空间角分布,从而实现颗粒粒度分布测量的仪器。一般最有效的测量范围为微米级至几个毫米级的粒度分布,而这个分布范围是各领域应用最广泛的颗粒分布,但对土壤颗粒检测[1]、煤粉粒度检测[2]、塑料微珠检测[3]以及风洞中模拟粒子团[4]等的宽分布直接测量还比较困难。在激光粒度测量方法中,被测颗粒的折射率会影响测量结果[5],并且要求在可测粒度范围内应获得较为一致的相对测量精度。根据散射原理,颗粒的粒度越小,散射信号越微弱,更远离入射光轴;而粒度越大,有效散射信号越密集且靠近光轴位置,则不容易分开[6]。在入射光波长确定的情况下,为了满足相对测量精度一致,要求远离光轴的光电探测单元测量的散射光角度范围更大、探测单元面积也更大。由于加工探测环尺寸差别过大导致加工困难,或光学系统像差大,往往满足不了单次测量宽粒度分布范围的要求。

    研究扩大粒度分布测量范围仍是提高激光粒度仪应用范围的关键技术[7]。在对激光粒度仪光路结构的改进上,采取多光源或与多探测器阵列相结合[8]、多透镜组、新型样品池结构等;多光束入射的同时,设置第2个透镜和第2个放置在大角度位置的探测器阵列,避免了使用大口径接收透镜产生的高成本,也避免了进一步加剧大角度信号的像差;大口径的双镜头技术分别增大前向和后向接收透镜的口径,颗粒散射光分别经前向和后向散射,由位于透镜组前后的光电探测器阵列接收,增大了可测角度,拓展了测量下限[9];多样品池结构在测量大小颗粒时,分别将样品池放置在接收透镜的前后。位于接收透镜后的样品池到光探测阵列的距离等效于傅里叶变换光路中接收透镜的焦距,该距离小于接收透镜的焦距,提升了测量下限[10]

    王亚民等人针对传统的傅里叶光学系统粒径范围较小、接收透镜焦距要求高的缺点,提出了一种改进的逆傅里叶激光测量系统[11]。通过移动样品池,改变与透镜的距离,可以忽略样品池中散射光的多次反射并增加角检测范围,从而增加粒径测量范围。于双双等人通过改变传统光阑位于接收透镜的前表面,使光阑在测量区域内采用变焦方式,在光学系统优化时控制相同视场不同光阑位置的上、下和主光线的位置,使相同散射角的光线在环形光电探测器上会聚成的弥散斑最小[12]。潘林超等人提出了一种环形样品池的测量方法,样品池的透明池壁和池内液体组成1个透镜组,并在前面增加了1个平凸柱面透镜,虽然避免了散射光的全反射[13],但是各个方向的散射信号整合困难。

    多种测量方案信号的叠加往往造成信号不一致、标定困难、测量样品区不唯一等问题[14]。针对激光粒度仪测量粒度分布时宽度有限、结构复杂和信号一致性差的问题,本文提出折反式激光粒度测量方法,采用单一光源和多个接收透镜及透镜组,通过折射光路和反射光路相结合,将同一采样区域的颗粒散射信号由半透半反镜进行分光,并在透镜或透镜组的2个独立焦平面上接收散射信号的功率谱分布,从而提高单次测量中可测量的粒度分布范围,同时可以减小仪器结构并简化光电探测器阵列。

    根据Mie散射原理,测量微米级颗粒粒度可近似按照菲涅尔衍射原理和巴比涅原理处理光强度分布。当采用平行光照射且颗粒位于接收透镜前时,在接收透镜焦平面上的光强分布可按夫琅和费衍射进行处理,并用环形探测器进行探测且满足(1)式:

    $$ X = \frac{{{\pi }dS}}{{\lambda f}} = 1.357 $$ (1)

    式中:X为常数;d为待测样品的颗粒粒径;S为光电探测器的环半径;λ为入射光波长;f为接收透镜的焦距。由(1)式可知,对于传统结构的激光粒度仪,采用单波长和固定焦距的接收透镜时,探测环半径与可测粒径成反比,即靠近光轴的探测环测量大粒径信息,反之测量小粒径信息。在光轴附近入射光会聚后弥散斑影响大,且探测环太小难以加工,使测量更大颗粒变得困难;远离光轴的探测环则太大,使光学系统像差大、信号信噪比差,从而使测量小颗粒也变得困难。基于上述原因,本文提出折反式的激光粒度测量方法。

    图1为折反式粒度测量原理图,激光发射器发出的激光束经扩束准直后经过透镜L1,然后会聚于像方焦平面P1。将颗粒样品置于透镜L1后的距离d处,在P1后面放置透镜L2。在P2面放置光电探测器阵列1,其中P1P2面关于透镜L2共轭。在透镜L1P1之间安装45°的半透半反镜L3,在P1'面放置光电探测器阵列2,且P1P1'面关于透镜L3满足镜像关系。

    图  1  折反式激光粒度仪光路示意图
    Figure  1.  Optical path diagram of catadioptric laser particle size analyzer

    样品所在平面P到半透半反镜与光轴交点距离为li1a',P1'到光轴距离为li1b'。根据衍射原理,当颗粒样品置于透镜L1后某一距离li1'时,衍射光强分布与置于透镜L1前相同,但此时的等效焦距为li1',且li1a'+li1b'=li1'。透镜L2的焦距为f2',透镜L1、L2的组合焦距为f '。根据高斯公式得:

    $$ {f_{}}' = - \frac{{{l_{i{\text{1}}}}'{f_{\text{2}}}'}}{\varDelta } $$ (2)

    P的均匀透射函数为t(x,y),A为垂直入射的单色平面平行光的复振幅,k=2π/λ。其中λ为入射光波长,平行光束通过透镜L1并照射颗粒样品后的复振幅为

    $$ {\tilde U_{{P}}}'\left( {x,y} \right) = A\exp \left( { - ik\frac{{{x^2} + {y^2}}}{{2{l_{i1}}'}}} \right)t\left( {x,y} \right) $$ (3)

    根据菲涅尔衍射,忽略常数相位因子,P1'面和P1面上的复振幅相同,即

    $$ {\tilde U_{{{{P}}_1}}}\left( {{x_{i1}},{y_{i1}}} \right) = {\tilde U_{{{{P}}_1}}}\left( {{x_{i1}}',{y_{i1}}'} \right) = \frac{A}{{\lambda {l_{i1}}'}}\exp \left( {{\rm{i}}k\frac{{{x_{i1}}^2 + {y_{i1}}^2}}{{2{l_{i1}}'}}} \right)\iint {t\left( {x,y} \right)\exp \left( { - {\rm{i}}k\frac{{x{x_{i1}} + y{y_{i1}}}}{{{l_{i1}}'}}} \right){\text{d}}x{\text{d}}y} $$ (4)

    同理,P到透镜L2、L2P2均可看作是菲涅尔衍射。忽略L2孔径的衍射,P2面上的复振幅为

    $$ {\tilde U_{{{{P}}_2}}}\left( {{x_{i2}},{y_{i2}}} \right) = A'\iint {t\left( {x,y} \right)\exp \left[ {{{ - }}{\rm{i}}k\left( {\frac{{{x_{i2}}}}{{{f_{}}'}}x + \frac{{{y_{i2}}}}{{{f_{}}'}}y} \right)} \right]{\text{d}}x{\text{d}}y} $$ (5)

    式中:

    $$ A' = \frac{A}{{{\lambda ^{\text{4}}}{l_{i1}}'\left( {{l_{i1}}' - {l_2}} \right){l_{i{\text{2}}}}'\mu }}{\text{exp}}\left( {{\rm{i}}k\frac{{x_{i1}^2 + y_{i1}^2}}{{2{l_{i1}}'}}} \right){\text{exp}}\left( {{\rm{i}}k\frac{{x_{i{\text{2}}}^2 + y_{i{\text{2}}}^2}}{{2\mu }}} \right) $$ (6)
    $$ \mu = \frac{{{l_{i1}}'({f_{\text{2}}}'){^{\text{2}}}}}{{\left( {{f_{\text{2}}}' + {l_2} - {l_{i1}}'} \right)\left( {{f_{\text{2}}}' + {l_2}} \right)}} $$ (7)

    进一步推导可知,由于P1P2面的共轭关系,按(4)式和(5)式计算探测器的光能分布时,A、A'可作为常数项参与计算,2个频谱面的光能分布可直接组合为光能系数矩阵。

    选择焦距合适的透镜L1和L2,使其组合焦距远大于其自身的焦距且组合像方焦平面位于P2面,则在P2面可使大颗粒散射光强在空间更容易分开和探测。

    与大颗粒的光强分布相反,小颗粒散射光在空间更容易分开,因此应在P1面探测小颗粒信息。但在P1P2面同时探测时,会因探测器遮挡造成器件加工和对中困难[15]。通过采用本文折反光路在P1'面探测小颗粒信息,可避免遮挡[16]

    选择合适的透镜焦距,可用同样尺寸的探测器阵列分别放在P1'、P2面,组合成连续尺寸分布的环形探测器,从而使探测环不致太小或太大,且增加了有效探测环的数量。

    用SolidWorks软件对粒度仪接收装置进行结构设计,如图2所示。该装置主要由透镜L1及镜筒、样品池、垂轴光路上的光电探测器及二维调整座、半透半反镜及固定座、透镜L2及固定座、数据采集电路板,以及同轴光路上的光电探测器及调整座构成。

    图  2  接收装置结构图
    Figure  2.  Structure diagram of receiving device

    采用实验室现有的PN结型光电探测器阵列,对GBW(E)120025和GBW(E)120049两种聚苯乙烯标准物质颗粒开展了实验。其中光电二极管阵列为半圆环形,共有32个探测环,半径尺寸范围为0.14 mm~15.25 mm,探测器阵列中心有直径0.2 mm的小孔,后面连接1个独立的光电二极管用于光路对中。GBW(E)120025和GBW(E)120049的标称值D50分别为15.1 μm和104.8 μm。为满足上述组合条件,在P1'、P2面分别选取光电探测器的部分探测环,且两种标准物质颗粒分别位于P1'、P2面的可测范围之内。

    激光器经焦距为150 mm的平凸透镜扩束准直。为减少像差,透镜L1与准直镜结构相同并与准直镜对称放置。d=50 mm,li1'=100 mm,即前组透镜等效焦距为100 mm;透镜L2的焦距f2'=50 mm,$\varDelta $=15 mm,即组合焦距f '=1 000 mm。选取P1'面的探测环为5环~32环,测量范围为1.79 μm~37.60 μm,可以满足GBW(E)120025的测量;选取P2面的探测环为1环~24环,对应测量范围为46.16 μm~1 952.40 μm,可以满足GBW(E)120049的测量。组合后可以同时测量两种颗粒样品,将2个探测面信号组合,测量范围为1.79 μm~1 952.40 μm;而若单独在P1'或P2面上用32环光电探测器时,测量范围只能达到1.79 μm~195.24 μm或17.92 μm~1 952.40 μm,组合后的测量范围扩大了10倍。本实验是采用现有的同一种光电探测器作实验验证,为了满足探测环对应的光能角分布不重叠的要求,在37.60 μm~46.16 μm的测量范围内会有信息的损失。如果按本文分析方法重新设计光电探测器,可以用同1个光电探测器作为P1'、P2面的探测器,且可测范围为连续粒度。

    在单独的单分散样品实验中,分别取GBW(E)120025和GBW(E)120049颗粒样品3滴放入样品池中,采集光能值,并按上述方法进行组合测量,如图3所示,其中25环~52环为P1'面的5环~32环数据,1环~24环为P2面的1环~24环数据。

    图  3  单分散标准粒子的光能分布图
    Figure  3.  Light energy distribution diagram of monodisperse standard particles

    图3可知,GBW(E)120025的光能分布峰值位于图中第31环附近,对应P2面的第11环;而GBW(E)120049的光能分布峰值则位于第16环。根据(1)式,分别对应GBW(E)120025和GBW(E)120049的有效信号,即P1'面上只能测量GBW(E)120025的有效信号,P2面上只能测量GBW(E)120049的有效信号。两者组合后,可扩大测量范围,既能测量GBW(E)120025的粒度分布,也能测量GBW(E)120049的粒度分布。

    对两种标准粒子分别进行5次测量,采用变尺度算法[17]进行计算,结果如表1所示。

    表  1  单分散标准粒子测量结果
    Table  1.  Measurement results of monodisperse standard particles
    参数样品
    GBW(E)120025GBW(E)120049
    测量值/μm16.3105.0
    16.3104.9
    16.4106.1
    16.2105.0
    16.4105.0
    参考值/μm15.1104.8
    平均值/μm16.3105.2
    相对偏差/%7.90.4
    下载: 导出CSV 
    | 显示表格

    表1中,GBW(E)120025测量结果的平均值$\overline {{{{D}}_{{i}}}}$为16.3 μm,相对偏差为7.9%;GBW(E)120049测量结果的平均值$\overline {{{{D}}_{{i}}}}$为105.2 μm,相对偏差为0.4%。结果表明,将对应的2个探测面分别可测粒度分布的光能组合后,能够得到正确结果,不影响测量。

    为了验证该测量方法能同时测量对应2个探测面的粒度分布,将两种标准粒子混合后进行组合测量。将GBW(E)120025、GBW(E)120049的标准粒子各3滴混合后放在样品池中,充分搅拌后进行数据采集,组合结果如图4所示。

    图  4  混合标准粒子的光能分布图
    Figure  4.  Light energy distribution diagram of mixed standard particles

    图4中,两种粒子的光能峰值位于第19环和第31环,与图3结果相比,峰值有所偏移,这是因为光能分布是两种粒子叠加的结果。仍采用变尺度算法进行反演,粒度分布结果如图5所示。

    图  5  混合标准粒子的粒度分布图
    Figure  5.  Particle size distribution diagram of mixed standard particles

    图5可见,两种粒子的峰值分布在13.80 μm~15.39 μm和102.68 μm~112.86 μm两个区间内,与表1结果一致。

    通过上述分析和实验可知,将2个探测面上的测量信号组合后,扩大了激光粒度仪的测量范围。

    激光粒度仪具有测量范围宽、非接触和实时测量的特点,但传统光路结构限制了更宽粒度分布的测量。采用单一光源和折反式光路结构,由半透半反镜进行分光,在2个透镜或透镜组的焦平面上分别接收透射和反射的同一采样区域的颗粒散射功率谱,经处理后得到颗粒粒度分布,提高了激光粒度仪单次测量的粒度分布范围。在保证测量有效性的前提下,单分散颗粒样品的测量相对误差在7.9%以内,混合粒子的测量结果也能得到正确的峰值分布。

  • 图  1   正常纹理及含缺陷纹理样本

    Figure  1.   Normal and defective texture samples

    图  3   特征值—灰度级的关系曲线

    Figure  3.   Relation curves of eigenvalue-gray level

    图  4   特征值—滑动窗口尺寸的关系曲线

    Figure  4.   Relation curves of eigenvalue-sliding window size

    图  5   特征值—步长的关系曲线

    Figure  5.   Relation curves of eigenvalue-step

    图  6   簇数-K值的关系曲线

    Figure  6.   Relation curves of cluster number-K value

    图  7   缺陷检测方法流程图

    Figure  7.   Flow chart of defects detection method

    图  8   两种不同缺陷的刹车片表面图像

    Figure  8.   Brake pad surface image with two different defects

    图  9   提取出的摩擦面图像

    Figure  9.   Extracted friction surface image

    图  10   特征数据聚类结果可视化

    Figure  10.   Clustering results visualization of feature data

    图  11   凹陷样本上框出的异常点

    Figure  11.   Anomalous points on concave sample

    表  1   正常、凹陷、毛刺3种样本在不同方向的特征值之间的方差

    Table  1   Variance between eigenvalues of normal,concave,and burr samples in different directions

    样本种类角二阶矩对比度逆差矩
    正常样本00.001 90.000 50
    凹陷样本00.0130.001 70.000 3
    毛刺样本00.007 20.002 40.000 3
    下载: 导出CSV

    表  2   特征参数之间的线性相关矩阵

    Table  2   Linear correlation matrix between characteristic parameters

    特征参数ASMCONENTIDMVARSOASOESOVDOVDOECOR
    ASM 1 0.46 0.95 0.88 0.15 0.73 0.96 0.06 0.90 0.78 0.54
    CON 1 0.61 0.80 0.22 0.44 0.49 0.22 0.76 0.88 0.70
    ENT 1 0.94 0.35 0.84 0.99 0.26 0.95 0.87 0.54
    IDM 1 0.19 0.67 0.87 0.12 0.99 0.98 0.74
    VAR 1 0.78 0.38 0.99 0.21 0.20 0.39
    SOA 1 0.87 0.71 0.70 0.62 0.06
    SOE 1 0.30 0.89 0.78 0.42
    SOV 1 0.15 0.16 0.44
    DOV 1 0.97 0.69
    DOE 1 0.76
    COR 1
    下载: 导出CSV

    表  3   凹陷样本3块摩擦面上噪声点对应的均值和

    Table  3   Corresponding mean value sum of noise points on three friction surfaces of concave sample

    均值和摩擦面a摩擦面b摩擦面c
    噪声点均值和22.019.015.0
    23.019.021.0
    23.019.021.0
    26.020.020.0
    正常点均值和19.019.0019.0
    下载: 导出CSV
  • [1] 江恒, 王小兵, 张晶, 等. 基于机器视觉的微光夜视仪整机检测系统设计[J]. 应用光学,2016,37(3):342-346. doi: 10.5768/JAO201637.0301004

    JIANG Heng, WANG Xiaobing, ZHANG Jing, et al. Design and realization of low-light-level night-vision device detection system based on machine vision[J]. Journal of Applied Optics,2016,37(3):342-346. doi: 10.5768/JAO201637.0301004

    [2] 宋丽梅, 徐婧玮, 杨燕罡, 等. 基于改进梯度幅值的包装缺陷检测算法研究及应用[J]. 应用光学,2019,40(4):644-651. doi: 10.5768/JAO201940.0403003

    SONG Limei, XU Jingwei, YANG Yan’gang, et al. Research and application of package defects detection algorithm based on improved GM[J]. Journal of Applied Optics,2019,40(4):644-651. doi: 10.5768/JAO201940.0403003

    [3] 魏永杰, 葛婷婷, 张中岐, 等. 基于累积梯度的裂缝提取算法[J]. 应用光学,2019,40(5):818-822. doi: 10.5768/JAO201940.0502005

    WEI Yongjie, GE Tingting, ZHANG Zhongqi, et al. Algorithm of crack extraction based on accumulated gradient[J]. Journal of Applied Optics,2019,40(5):818-822. doi: 10.5768/JAO201940.0502005

    [4] 曾强, 孙坚. 基于HALCON的刹车片轮廓缺陷检测方法研究[J]. 煤矿机械,2016,37(8):143-146.

    ZENG Qiang, SUN Jian. Research on defects contour detection for brake pad based on HALCON[J]. Coal Mine Machinery,2016,37(8):143-146.

    [5] 费成, 黄影平, 胡兴, 等. 基于机器视觉的汽车刹车片自动检测系统[J]. 光学仪器,2018,40(3):80-87.

    FEI Cheng, HUANG Yingpin, HU Xing, et al. Machine vision based automobile inspection system for automobile parts[J]. Optical Instruments,2018,40(3):80-87.

    [6]

    ROBERT M, HARALICK K, SHANMUGAM, et al. Textural features for image classification[J]. IEEE Transactions on Systems Man & Cybernetics,1973,3(6):610-621.

    [7] 高士忠. 基于灰度共生矩阵的织物纹理分析[J]. 计算机工程与设计,2008,29(16):4385-4387.

    GAO Shizhong. Analysis of fabric texture based on GLCM[J]. Computer Engineering and Design,2008,29(16):4385-4387.

    [8] 刘大鹏, 程君, 黄唯, 等. 增强的基于灰度共生矩阵的脑肿瘤MRI图像分类[J]. 中国医学物理学杂志,2015,32(6):772-776. doi: 10.3969/j.issn.1005-202X.2015.06.003

    LIU Dapeng, CHENG Jun, HUANG Wei, et al. Improved brain tumor MRI image classification based on gray level co-occurrence matrix[J]. Chinese Journal of Medical Physics,2015,32(6):772-776. doi: 10.3969/j.issn.1005-202X.2015.06.003

    [9] 陈后金, 许文达, 郝晓莉. 基于灰度-梯度共生矩阵的钢轨表面缺陷检测方法[J]. 北京交通大学学报,2015(39):7-12.

    CHEN Houjin, XU Wenda, HAO Xiaoli. Detection of rail track surface defects based on gray level-gradient co-occurrence matrix[J]. Journal of Beijing Jiaotong University,2015(39):7-12.

    [10] 章永来, 周耀鉴. 聚类算法综述[J]. 计算机应用,2019,39(7):1869-1882. doi: 10.11772/j.issn.1001-9081.2019010174

    ZHANG Yonglai, ZHOU Yaojian. Review of clustering algorithms[J]. Journal of Computer Applications,2019,39(7):1869-1882. doi: 10.11772/j.issn.1001-9081.2019010174

    [11]

    ESTER M, KRIEGEL H P, SANDER J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]//International Conference on Knowledge Discovery & Data Mining. [S.l]: [s.n.], 1996, KDD-96: 226-231.

    [12]

    ULABY F T, KOUYATE F, BRISCO B, et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing,1986,24(2):235-245.

    [13] 郭衣正, 焦蓬蓬, 周巧和, 等. 基于灰度共生矩阵的肝脏CT图纹理特征分析[J]. 实验室研究与探索,2012,31(8):62-64. doi: 10.3969/j.issn.1006-7167.2012.08.018

    GUO Yizheng, JIAO Pengpeng, ZHOU Qiaohe, et al. Liver CT image texture feature analysis based on gray level co-occurrence matrix[J]. Research and Exploration In Laboratory,2012,31(8):62-64. doi: 10.3969/j.issn.1006-7167.2012.08.018

    [14] 郭慧, 王霄, 刘传泽, 等. 基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法[J]. 林业科学,2018,54(11):114-123.

    GUO Hui, WANG Xiao, LIU Chuanze, et al. Research on defect extraction of particleboard surface images based on gray level co-occurrence matrix and hierarchical clustering[J]. Scientia Silvae Sinicae,2018,54(11):114-123.

    [15] 孙国栋, 林松, 艾成汉, 等. 基于灰度共生矩阵与反向投影的织物疵点检测[J]. 计算机测量与控制,2016,24(7):65-67.

    SUN Guodong, LIN Song, AI Chenghan, et al. Fabric defect detection based on gray-level co-occurrence matrix and back projection[J]. Computer Measurement & Control,2016,24(7):65-67.

    [16] 苑丽红, 付丽, 杨勇, 等. 灰度共生矩阵提取纹理特征的实验结果分析[J]. 计算机应用,2009,29(4):1018-1021. doi: 10.3724/SP.J.1087.2009.01018

    YUAN Lihong, FU Li, YANG Yong, et al. Analysis of texture feature extracted by gray level co-occurrence matrix[J]. Journal of Computer Applications,2009,29(4):1018-1021. doi: 10.3724/SP.J.1087.2009.01018

    [17] 谢娟英, 高红超. 基于统计相关性与K-means的区分基因子集选择算法[J]. 软件学报,2014(9):2050-2075.

    XIE Juanying, GAO Hongchao. Statistical correlation and K-means based distinguishable gene subset selection algorithms[J]. Coden Ruxuew,2014(9):2050-2075.

    [18]

    KHAN M M R, SIDDIQUE M A B, ARIF R B, et al. ADBSCAN: Adaptive density-based spatial clustering of applications with noise for identifying clusters with varying densities[C]//4th International Conference on Electrical Engineering and Information & Communication Technology. USA: IEEE, 2018.

    [19] 李文杰, 闫世强, 蒋莹, 等. 自适应确定DBSCAN算法参数的算法研究[J]. 计算机工程与应用,2019,55(5):1-7. doi: 10.3778/j.issn.1002-8331.1809-0018

    LI Wenjie, YAN Shiqiang, JIANG Ying, et al. Research on method of self-adaptive determination of DBSCAN algorithm parameters[J]. Computer Engineering and Applications,2019,55(5):1-7. doi: 10.3778/j.issn.1002-8331.1809-0018

    [20] 张文元, 谈国新, 朱相舟. 停留点空间聚类在景区热点分析中的应用[J]. 计算机工程与应用,2018(4):263-270. doi: 10.3778/j.issn.1002-8331.1608-0255

    ZHANG Wenyuan, TAN Guoxin, ZHU Xiangzhou. Application of stay points spatial clustering in hot scenic spots analysis[J]. Computer Engineering and Applications,2018(4):263-270. doi: 10.3778/j.issn.1002-8331.1608-0255

图(10)  /  表(3)
计量
  • 文章访问数:  1283
  • HTML全文浏览量:  381
  • PDF下载量:  58
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-11-03
  • 修回日期:  2020-01-06
  • 网络出版日期:  2020-05-29
  • 刊出日期:  2020-04-30

目录

/

返回文章
返回