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.
  • 对光电探测器相对光谱响应度进行定标,常用的方法是利用卤钨灯、氙灯等作为光源,结合双光栅单色仪建立起光谱比较装置,通过比较标准光电探测器与被测光电探测器的光谱功率响应电流,从而实现探测器的相对光谱响应度定标。在这样的装置里,由于灯的功率有限,经双单色仪输出的单色光辐射通量水平普遍较低,因此信噪比普遍较小,一般情况下还需要应用锁相放大等技术以提高信噪比。随着光子晶体光纤技术的进步,利用泵浦激光源泵浦光子晶体光纤从而实现非线性光谱展宽的超连续激光器技术日益成熟,从而在生物光谱、辐射测量等各领域开始得到应用。超连续激光器具有功率密度高、光谱范围宽等优点[1-2],用超连续激光器替代卤钨灯作为光源,能够大幅度提高单色仪输出的单色光辐射功率,从而提高测量信噪比,提高探测器相对光谱响应度的测量不确定度水平。

    本文利用基于超连续激光器与棱镜-光栅双单色仪的光电探测器相对光谱响应度测量系统,针对InGaAs标准探测器与平面被测探测器的相对光谱响应度进行了定标[3],从而获得平面InGaAs探测器在900 nm~1600 nm光谱范围内间隔50 nm的相对光谱响应度测量结果[4-5]。为了验证超连续激光器在相对光谱响应度定标系统中的可行性,本文还利用卤钨灯作为光源,经过相同的单色仪与光路系统,对同一InGaAs探测器的相对光谱响应度进行了定标。文章对两种光源的定标结果与定标测量不确定度进行了分析[6-7]

    该系统能够集成仪器硬件控制、数据采集、数据处理,可以切换波长并准确地重复标定标准探测器和被测探测器的相对光谱响应度。

    该系统的结构设计图如图1所示,主要由光源部分、单色仪、标准探测器、探测器切换模块以及低温辐射计组成[8-10]

    图  1  基于超连续激光器的InGaAs探测器相对光谱响应度定标装置图
    Figure  1.  Diagram of calibration device of relative spectral responsivity of InGaAs detector based on supercontinuum laser

    使用超连续光源作为单色仪的前置照明光源,在单模光纤的作用下,激光器的输出光近乎是准直输出。在单色仪入射狭缝前面加上平凸透镜,使超连续光源汇聚到单色仪入射狭缝中。宽光谱光束经过单色仪分光,出射单色光束,光束经过分束镜,一束光进入反馈探测器作为反馈信号修正超连续光源的出射光功率。通过控制反射镜移动,将进入到低温辐射计的光束反射到探测器切换模块中,使用定标完成的陷阱探测器对待测探测器进行光谱响应度量值传递。

    超连续光源-单色仪光谱响应度校准装置主要由以下几个部分组成[11]

    1) 光源部分。使用超连续光源作为该装置的光源,具有更好的稳定性,和传统的卤钨灯相比具有更高的光功率密度,能够得到更高的信噪比。

    超连续激光器可以长时间稳定地提供光源导入到可调单色仪,且超连续激光器可以根据测量需求来改变光强。该激光器具有功率密度高、光谱范围宽等优点,而宽光谱范围能够满足900 nm~1600 nm的光谱范围需要。HeNe激光器可以作为引导光束,便于实现光斑的调整与探测器的定位。卤钨灯具有光谱范围宽、输出稳定等优点,在本装置中作为验证比对光源使用。本系统中使用的NKT公司SuperKEXTREME OCT系列超连续光源,一共有EXR-9 OCT、EXR-4 OCT、EXR-6 OCT3种激光器,如图2所示。EXR-4 OCT和 EXR-6 OCT两种激光器在900 nm~1050 nm波段的功率低于2 mW/nm,由于光功率密度太低不能提供较好的信噪比,所以本文使用的是EXR-9 OCT超连续光源,在900 nm~1600 nm波段其光功率能达到3 mW以上,能够为实验提供更好的信噪比。

    图  2  NKT公司超连续激光器输出功率曲线图
    Figure  2.  Output power curves of super-continuum laser of NKT company

    传统卤钨灯的光源功率密度仅为μw级别,由图2可知,使用超连续激光器其光功率密度可以达到MW级别。整个光源装置用黑箱隔断,以消除杂散光的影响,最大程度上消除环境的影响,从而提高测量精度。

    2) 单色仪是光谱响应度中的分光设备。其原理是利用内部的平面衍射光栅将入射的超连续光源进行色散分光,形成等间隔的单色光分布,根据校准的需求提供单色光。

    3) 标准探测器是光谱响应度量值传递的载体。标准探测器经过低温辐射计光谱响应度初级定标后,可以作为光谱响应度量值传递装置,是待测探测器光谱响应度溯源到低温辐射计的桥梁。陷阱探测器是光辐射计量中一种重要的探测器,本文中作为标准传递装置使用的就是三片式InGaAs陷阱探测器。前两片InGaAs二极管与入射光线成45°角,反射光依次入射到下一片InGaAs光电二极管中;第三片光电二极管与入射光线垂直,反射光沿原光路返回,入射光在探测器中总共反射5次。损失的光线能量小于千分之一,可忽略不计。目前,三片反射式陷阱探测器是计量装置中使用最广泛的一种陷阱探测器。本文中使用的陷阱探测器结构图如图3所示。

    图  3  三片式陷阱探测器内部结构实物图
    Figure  3.  Physical image of internal structure of three-piece trap detector

    4) 探测器切换模块能够保证标准探测器和待测探测器相互切换,多次测量。

    5) 低温辐射计为该装置的光谱响应度量值传递源,用于给标准探测器进行光谱响应度初级定标。

    本文搭建超连续光源-单色仪光谱响应度校准装置,将定标完成的InGaAs三片式陷阱探测器作为量值传递标准,基于标准探测器对待测探测器进行量值传递。待测探测器的光谱响应度可以通过标准探测器溯源至低温辐射计。

    本装置使用3种光源,分别是卤钨灯、NKT超连续激光器与HeNe激光器。将3个激光器固定在同一个精密电控位移平台上,根据实验的不同需求,通过PC端控制位移平台,切换其中一种光源导入到双单色仪中[12-13]

    为了实现标准探测器和待测探测器校准过程中的每次精准切换,使光束入射到探测器灵敏面中心,本文将2个Thorlabs公司生产的C1513#三维可调的探测器夹具固定在Thorlabs公司生产的LTS300/M电控位移平台上,其实物图如图4所示。

    图  4  探测器切换模块实物图
    Figure  4.  Physical image of detector switch module

    电控位移平台LTB300/M具有超高的硬度以及线性度,其轴上精度为±7.5 μm。LTB300/M电控位移平台配有闭环光学反馈,能够实现高分辨率、无反弹位移的线性重复运动。将其运动参数加速度设置为3 cm/s2,最大运动速度设置为5 cm/s,以此降低因平台运动导致的探测器夹具晃动,从而提高测量精度。在2个探测器校准时,每次切换探测器都能使光束入射到2个探测器的灵敏面中心。

    在一维精密电控位移平台上固定2个三维可调V型夹持安装座,分别将标准探测器和待测探测器安装在2个安装座上,通过PC端控制位移平台,提供标准探测器与待测探测器的切换,以保证探测器的位置重复性。

    图5为CCD测量的探测器灵敏面处的光斑图,可以看出光斑比较均匀。超连续激光器经过单色仪后光分布为平顶分布,与激光源的高斯分布不同,因此对探测器均匀性的依赖性比较小。为了进一步考察探测器响应特性,本文搭建了探测器响应均匀性的自动测量装置。将探测器置于自动控制的二维平移台上,调整并固定探测器的角度后,在探测器的灵敏面范围内移动探测器,可以获得探测器的面响应均匀性。

    图  5  探测器灵敏面处的光斑图
    Figure  5.  Spot diagram at sensitive surface of detector

    利用超连续光源,将单色仪输出波长设置为1550 nm。设置单色仪的出射狭缝,将出射光斑调整到合适的1.5 mm,分别以0.2 mm的单位长度沿X轴和Y轴方向移动,采集并记录数字电压表的读数,逐点找出探测器的面积均匀性。标准探测器的面积均匀性扫描图如图6所示[14-15],从图中可以看出,1 mm内的面积均匀性优于0.05%。

    图  6  标准探测器面积均匀性扫描图
    Figure  6.  Scanning image of standard detector area uniformity

    待测探测器光谱响应度的测量方程SDUTλ)如下:

    $${{{S}}_{{\rm{DUT}}}}(\lambda ) = {S_{\rm{Ref} }}(\lambda ) \cdot \frac{{{C_{\rm{T}}}(\lambda )}}{{{C_{\rm{R}}}(\lambda )}}$$ (1)

    式中:SRefλ)是标准探测器的绝对光谱响应度;CT是待测探测器信号与监控探测器输出信号的比值;CR是标准探测器信号与监控探测器输出信号的比值。在测量过程中,标准探测器与待测探测器通过通道切换使用相同的放大器增益,因此可以忽略电流放大测量的差异。

    对每一个波长点进行6次测量,900 nm~1600 nm波段待测探测器的光谱响应度平均值及测量重复性如表1所示。

    表  1  超连续激光器作为光源的响应度及测量重复性
    Table  1.  Responsivity and measurement repeatability of super-continuum laser as light source
    波长/nm响应度/(A/W)重复率/%
    900 0.7757 0.029
    950 0.8432 0.015
    1000 0.9122 0.011
    1050 0.9135 0.018
    1100 0.9046 0.027
    1150 0.9223 0.009
    1200 0.9523 0.023
    1250 0.9636 0.016
    1300 0.9629 0.013
    1350 0.9544 0.052
    1400 0.9375 0.035
    1450 0.9414 0.035
    1500 0.9431 0.021
    1550 0.9407 0.024
    1600 0.9341 0.016
    下载: 导出CSV 
    | 显示表格

    同理,将光源由超连续激光器换成卤钨灯,先预热卤钨灯30 min,待光源稳定后再重新进行测量。在900 nm~1600 nm波段每间隔50 nm测量1个波长点,所测得数据如表2所示。

    表  2  卤钨灯作为光源的响应度及测量重复性
    Table  2.  Responsivity and measurement repeatability of halogen lamp as light source
    波长/nm响应度/(A/W)重复率/%
    900 0.7757 0.054
    950 0.8436 0.025
    1000 0.9140 0.149
    1050 0.9140 0.027
    1100 0.9043 0.317
    1150 0.9229 0.043
    1200 0.9510 1.040
    1250 0.9652 0.484
    1300 0.9626 0.020
    1350 0.9529 0.005
    1400 0.9374 0.083
    1450 0.9412 0.025
    1500 0.9426 0.024
    1550 0.9407 0.015
    1600 0.9336 0.022
    下载: 导出CSV 
    | 显示表格

    对卤钨灯和超连续激光器在2种光源条件下的定标光谱响应度进行分析,当光源作为唯一变量时,对铟镓砷探测器的绝对光谱响应度进行数值分析,如图7所示。

    图  7  2种光源条件下光谱响应度对比图
    Figure  7.  Comparison diagram of spectral responsivity under two light source conditions

    图7可知2种光源条件下相对光谱响应度的浮动情况。在900 nm~1150 nm波段,2种光源条件下的光谱响应度相对差值小于1‰;在1200 nm~1350 nm波段,该相对差值在1‰~2‰之间;在1400 nm~1600 nm波段,绝对光谱响应度的相对差值低于1‰。

    图8所示,通过分析超连续光源和卤钨灯2种光源的测量结果,2种光源条件下光谱响应度在900 nm~1600 nm波段的最大相对差值小于0.2%,超连续光源的测量重复性更低,给光谱响应度校准装置带来的不确定度分量更低,所以超连续光源相比于卤钨灯更适合作为该系统光谱响应校准装置的光源。

    图  8  两种光源条件下待测探测器测量重复性
    Figure  8.  Measurement repeatability of detector to be tested under two light source conditions

    简要分析超连续激光器-单色仪光谱响应度定标装置对待测探测器在900 nm~1600 nm量值传递时的不确定度分量。待测探测器的光谱响应度SDUTλ)测量公式如公式(1)所示。

    待测探测器的不确定度来源主要是由超连续激光器−单色仪光谱响应度校准装置带来的不确定度,包括标准探测器、测量重复性、杂散光、波长准确度、光谱带宽、测量万用表带来的不确定度分量,也有待测探测器本身一部分不确定度,如偏振效应、光束对准及入射光角度贡献的不确定度,然后对各个不确定度分量进行计算。

    1) 标准探测器贡献的不确定度分量。是由中国计量科学研究院光学所对InGaAs三片式探测器进行量值传递时出具的不确定度量值。InGaAs陷阱探测器作为标准探测器在该光谱响应度校准系统中贡献的不确定度分量为u1=0.12%。

    2) 由于测量重复性带来的不确定度。计算各个波长点6次测量结果的相对标准差来获得900 nm~1600 nm波段各个波长点因为测量重复性带来的不确定度,测量重复性数值最大为0.052%。根据矩形分布原理,测量重复性贡献的不确定度分量为u2=$0.052{{{\text{%}} }}/\sqrt 3 {\rm{ = }}0.03{\rm{\% }}$

    3) 杂散光带来的不确定度。使用shutter光开光遮挡测量光束,观察数字万用表3458A的读数变化,并与3458A的底噪声进行比较,其贡献的不确定度分量为u3=0.01%。

    4) 波长准确度带来的不确定度。由于波长造成的不确定度和待测探测器信号与监测信号的比值以及标准探测器信号与监测信号的比值成正比,其不确定度分量可表示为

    $${u_4} = \dfrac{{\left[ {\dfrac{{{C_{\rm{T}}}({\lambda _{{\rm{i + }}1}})}}{{{C_{\rm{R}}}({\lambda _{{\rm{i + }}1}})}} - \dfrac{{{C_{\rm{T}}}({\lambda _{\rm{i}}})}}{{{C_{\rm{R}}}({\lambda _{\rm{i}}})}}} \right]}}{{\dfrac{{{C_{\rm{T}}}({\lambda _{\rm{i}}})}}{{{C_{\rm{R}}}({\lambda _{\rm{i}}})}}}} \cdot \dfrac{1}{{\Delta \lambda }}$$ (2)

    式中:λi为第1个测量波长点;λi+1为第2个测量波长点。扫描2个波长点间隔Δλ,通过公式(2)得到该不确定度分量。

    5) 由于光谱带宽带来的不确定度。测得的光谱响应度是真实光谱响应度和归一化带通函数的卷积,在每一个波长点测得的响应度Smeasλ0)是真实的光谱响应度Sλ)和归一化带通函数bλ0λ)的乘积:

    $${S_{{\rm{meas}}}}({\lambda _0} - \lambda ) = \int_\lambda ^{} {S(\lambda )} \cdot b({\lambda _0} - \lambda ) \cdot {\rm{d}}\lambda \;{\rm{with}}\;\int_\lambda ^{} {b(\lambda )} = 1$$ (3)

    为了在未知其响应度Sλ)真实数值的情况下估算此误差,可以将测得的响应度数据用作Sλ)进行近似。首先将光谱响应度数据插值到0.5 nm的间隔,并且以0.5 nm的间隔计算bλ)并将其进行归一化处理,使所有bλ)值的总和等于1,再按照公式(3)进行求和运算。带宽引起的不确定度误差可以通过Smeasλ)的Sλ)的差值计算得到:

    $${\varepsilon _{{\rm{B}},{\rm{rel}}}}(\lambda ) = \frac{{{S_{{\rm{meas}}}}(\lambda ) - S(\lambda )}}{{S(\lambda )}}$$ (4)

    可以计算得到被测探测器的εB,rel,DUT(λ)和标准陷阱探测器的εB,rel,ref(λ)的相对误差,替代误差εB,sub(λ)的计算公式为

    $${\varepsilon _{{\rm{B}},{\rm{sub}}}}(\lambda ) = {\varepsilon _{{\rm{B}},{\rm{rel}},{\rm{DUT}}}}(\lambda ) - {\varepsilon _{{\rm{B}},{\rm{rel}},{\rm{ref}}}}(\lambda )$$ (5)

    使用矩形分布将估计的误差转换为标准不确定度,因此u2,relSDUT)的计算公式为

    $${u_5}{\rm{ = }}{\varepsilon _{{\rm{B}},{\rm{sub}}}}(\lambda )/\sqrt 3 $$ (6)

    6) 测量万用表带来的不确定度。测量待测探测器信号使用的DUM1-3458A万用表,其测量不确定度是由中国计量科学研究院电磁所测量定标给出的不确定度,测量万用表贡献的不确定度分量为u6=0.01%。

    7) 偏振效应带来的不确定度。研究了偏振所带来的影响,从0°旋转到360°来计算测得的最大值和最小值,获得误差,然后使用矩形分布将误差转换为标准不确定度,偏振效应贡献的不确定度分量为u7=0.01%。

    8) 光束对准带来的不确定度。被测探测器安装在5轴平台上,通过XY轴的扫描,以确认探测器在其有效敏感区域上的中心。参考上述面均匀性测量结果,在0.4 mm内探测器的面响应非均匀性为0.02%,由矩形分布引入该不确定度分量为u8

    9) 入射光角度带来的不确定度。通过对其测量评估,在±10°范围内其贡献的不确定度分量为u9=0.01%。

    综上所述,每个不确定度分量都是独立的,待测探测器的合成不确定度分量uc,relSDUT)由公式(7)可得:

    $$ \begin{split} &{u_{{\rm{c}},{\rm{rel}}}}({S_{{\rm{DUT}}}}) = \\ &\quad\;\;\;\sqrt {{u_1}^2({S_{{\rm{DUT}}}}) + {u_2}^2({S_{{\rm{DUT}}}}) + {u_3}^2({S_{{\rm{DUT}}}}) + \cdot \cdot \cdot + {u_9}^2({S_{{\rm{DUT}}}})} \end{split} $$ (7)

    通过公式(7)计算得到的不确定度分量以及合成不确定度如表3所示。

    表  3  InGaAs光谱响应度测量不确定度分量(λ=900 nm)
    Table  3.  InGaAs spectral responsivity measurement uncertainty component (λ=900 nm)
    测量不确定度分量分量类别分量值
    标准探测器 B 0.12
    测量重复性 A 0.03
    杂散光 B 0.01
    波长准确度 B 0.04
    光谱带宽 B 0.01
    测量万用表 B 0.01
    偏振效应 B 0.01
    光束对准 B 0.02
    入射光角度 A 0.01
    合成标准不确定度 0.14%
    扩展测量不确定度 Urel=0.3%(k=2)
    下载: 导出CSV 
    | 显示表格

    表3可知,超连续激光器和卤钨灯测量结果的差异在测量不确定度之内,因此证明了超连续激光器在光电探测器相对光谱响应度定标方法中应用的可行性。

    通过上述实验,在卤钨灯和超连续激光器2种光源条件下,利用标准InGaAs陷阱探测器对平面InGaAs探测器进行相对光谱响应度定标时,2种光源条件下的相对光谱响应度的相对差值最大不超过0.16%。在900 nm~1600 nm波段,其光谱响应度的相对差值在0.05%左右;在1200 nm~1350 nm波段其光谱响应度的相对差值小于0.15%。因此其相对光谱响应度具有较好的一致性,所以在使用标准InGaAs陷阱探测器对InGaAs平面探测器进行相对光谱响应度定标时,可以使用超连续激光器来替代卤钨灯光源。

    使用超连续激光器作为光源,利用标准InGaAs陷阱探测器完成了对InGaAs平面探测器光谱响应度的定标校准,简化了InGaAs平面探测器的测量流程,并且具有900 nm~1600 nm波段的较宽光谱范围,能够快速给InGaAs平面探测器光谱响应度定标。

  • 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

  • 期刊类型引用(8)

    1. 杨翠,刘冲,王海曼,董婷婷,魏雅婷,谷孟丽. 深度神经网络模型用于图像斑点微瑕疵检测. 安庆师范大学学报(自然科学版). 2022(04): 51-56 . 百度学术
    2. 项新建,王乐乐,曾航明. 基于机器视觉的推力轴承垫圈缺陷检测系统研究. 中国测试. 2021(02): 133-139 . 百度学术
    3. 徐建桥,吴俊,陈向成,吴丹超,李兵. 基于规范化样本拆分的轴承缺陷检测. 应用光学. 2021(02): 327-333 . 本站查看
    4. 朱春锦,黎鑫泽,朱建业,张浩. 基于机器视觉的牛奶盒吸管自动检测技术. 南方农机. 2021(10): 163-165 . 百度学术
    5. 李志飞,赵平,杨泽尚. 基于灰度共生矩阵的建筑工地扬尘识别方法. 西安邮电大学学报. 2021(03): 80-83 . 百度学术
    6. 杨萌. 基于红外无损检测的汽车缸体零件缺陷检测方法. 自动化与仪器仪表. 2021(08): 35-39 . 百度学术
    7. 杨晶晶,杨斐. 装甲车体非均匀焊接的红外检测. 兵器材料科学与工程. 2021(05): 131-135 . 百度学术
    8. 郑中华,陈文坚,卢宇,刘伟斌. 一种皮带轮规格测量及微缺陷检测方法研究. 国外电子测量技术. 2021(11): 58-63 . 百度学术

    其他类型引用(11)

图(10)  /  表(3)
计量
  • 文章访问数:  1280
  • HTML全文浏览量:  378
  • PDF下载量:  57
  • 被引次数: 19
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