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与流程

1.本发明涉及人工智能领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.为了克服上述现有技术的缺点，本发明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。
6.为达到上述目的，本发明采用如下技术方案，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。
7.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。
8.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。
9.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。
10.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。
11.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。
12.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。
13.本发明的有益效果是：相对于现有技术，本发明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
14.为了更清楚地说明本发明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发明的一些实施例，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。
15.图1为本发明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
16.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
17.实施例1本发明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：本发明针对的具体场景为：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。
18.采集毛刷辊图像；将检测相机固定在毛刷辊上方，控制相机获取图像，相机采用灰度相机，以获得更丰富的细节表现。因为相机的位置固定，毛刷辊的位置也是固定的，也就是说，毛刷辊在相机获取的图像中所处的位置（即成像位置）是固定的。将毛刷辊的成像位置标记出来，将相机获取的图像上的标记区域的图像提取出来，即得到毛刷辊的图像；获取该毛刷辊图像的灰度直方图和各灰度的位置分布图；对毛刷辊图像，统计图像中各个灰度出现的次数，获取毛刷辊图像的灰度直方图；对毛刷辊图像，使用阈值分割，提取毛刷辊图像中各个灰度的分布，得到各个灰度的分布图，具体操作如下：灰度分布图是指，每一个灰度在同一张毛刷辊图像上出现的位置。
19.对毛刷辊图像，分别将像素点处的灰度为当前灰度的像素值置为1，其他像素点的像素值置为零，得到每个灰度的分布图；例如，对灰度122，将毛刷辊图像中所有像素值为122的像素点像素值置为1，其他像素点的像素值置为0，得到一张新的图像，即灰度122的位置分布图。其他灰度的位置分布图以此类推；至此，得到了毛刷辊图像、毛刷辊图像的灰度直方图、毛刷辊图像上各灰度的位置分布图。
20.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；现有技术进行灰度分级，平等对待所有的灰度值，因为所有可能的灰度值在图像上的各个像素点都会出现。而在毛刷辊图像中，我们关心的毛刷部分在图像中仅占据一部分的灰度，例如毛刷辊图像中并不是0-255之间的每个灰度值都出现，图像中出现的灰度值可能为27、29、31、40、55、57、
…
80、82
…
137
…
235，比如28、32、33等灰度值并未出现（此处只是举例说明，并不代表图像中实际出现的灰度值），所以本方案不采用均匀分级的方法，而是选择性的、根据灰度的重要程度进行分级，保证每个级别中的灰度的重要程度相等。
21.灰度的重要程度是指，各灰度能够表现毛刷被磨损后形成的特殊纹理（后称磨损纹理）的程度，是对磨损纹理的表现程度，越能表现磨损纹理的灰度越重要。
22.接下来计算各个灰度的有效性，各灰度的有效性是指，相机成像的所有可能灰度，表现毛刷辊细节纹理的可能性；有的灰度在毛刷辊图像中根本就不出现，毛刷辊的纹理什么样子跟这个灰度一点关系都没有，或者有的灰度就偶尔出现一下，根本都不确定是不是随机噪声，这些灰度表现毛刷辊纹理的可能性基本为零，如果在分级的时候考虑这些灰度，甚至有可能影响灰度共
生矩阵的准确性；因为毛刷辊上的毛刷的材质都是一样的，只不过在使用之后由于不同损耗导致的弯折、断裂、磨损等等，毛刷不同位置处反射到相机中的光稍有不同，并不是同一个灰度，而是一个灰度范围，这个范围受到相机和光照以及毛刷辊颜色等的影响，在不同的毛刷辊图像中并不一定是相同的。
23.另外，虽然不确定这个范围的大小和所处的位置，但是可以大概利用正态分布近似表示范围内各灰度的数量分布，数量过小的，就是无效的灰度；各灰度的有效性计算如下：对毛刷辊图像的灰度直方图，使用em算法，拟合得到一个高斯函数；每个灰度的有效性计算如下：其中，为将灰度值带入高斯函数得到的值；为灰度为的像素点的数量；此处，灰度带入高斯所得到的值越大，就表示这个灰度越可能是毛刷辊范围内的，有效性就越高；像素值是这个灰度的像素点的数量越多，越不可能是随机噪声，表示毛刷辊纹理的可能性越大，有效性越高；至此，得到了每个灰度的有效性。
24.灰度的重要程度反映各灰度表现磨损纹理的能力，某个灰度越能表现毛刷辊的磨损纹理，它的重要性就越高；体现纹理的灰度，在毛刷辊上应该不是重复存在的，只有人工制造的东西才会具备明显的重复性；如果某个灰度在毛刷辊图像中以某种单一周期完美重复，那这个灰度对毛刷辊的磨损纹理的影响程度不大，无论把这个灰度划分到哪个级别都不会影响对毛刷辊磨损情况的判断。
25.而且，体现毛刷辊磨损纹理的灰度应是相对分散分布的，如果某个灰度在毛刷辊图像中聚集在某个局部区域内，那就意味着这一局部区域中所有的毛刷辊都是同一种情况。同样，自然磨损形成的磨损纹理根本不会出现这样局部完全相同的情况，无论把这个灰度划分在哪个级别，都不影响表示毛刷辊的磨损纹理。
26.根据连通域的分布将灰度的位置分布图划分为各区域；先将灰度的位置分布图划分为不同的区域：对每张位置分布图，获取图中连通域的个数；获取灰度位置分布图的总像素点数量；所划分的每个区域的长、宽计算如下：式中：表示当前灰度的位置分布图的长；表示当前灰度的位置分布图的宽。
27.这样划分灰度的位置分布图可以使每个区域存在连通域的概率相等；也就是说，可能每个区域都会有一个连通域。
28.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；对每张位置分布图上的各个区域，使用傅里叶变换，获取每个区域的频谱图；对每个区域对应的频谱图，获取图中除了中心点之外的所有极大幅值点；组成当前区域的极大幅值点序列（分别为第一、第二极大幅值点序列）:对每个区域，重复性的计算如下：式中：表示灰度分布图上当前区域中连通域的个数；表示当前区域的相邻区域的总数(一般是4或者8)，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。
29.所述dtw距离为动态时间弯曲距离，是公知技术，本实施例不做详细阐述。
30.表示当前区域为重复灰度所在区域的可能性，若重复灰度连通域出现在当前区域中，最起码这个区域中有一个连通域；连通域的数量差的越多，越不可能是重复区域；为归一化系数，表示将距离归一化；表示当前区域与其第个相邻区域之间连通域的相似性；两者越相似，当前区域重复性越高；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；计算每个区域的聚集度，对每个区域内的连通域，获取连通域的中心；获取连通域的外轮廓内不属于连通域的像素点的数量；区域的聚集程度的表达式为：式中，表示灰度的位置分布图中第个区域的聚集程度，表示当前区域连通域内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，表示当前区域连通域内第个像素点。
31.此处，每个区域中连通域到连通域中心的平均距离越少、连通域中的
‘
空洞’越少，表示连通域越紧密，即连通域的聚集度就越大。
32.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；计算各灰度的重要程度：式中：表示灰度的重要程度，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。
33.灰度分布图上，平均重复性越低、平均聚集度越大，对应的灰度越重要，且有效的灰度的重要程度才有作用，有效性过低的灰度无论重要程度多大作用都不大。
34.至此，得到了各灰度的重要程度。
35.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；基于各灰度的重要程度将毛刷辊图像分级：将重要程度平均分配给所有的级别，从而将毛刷辊图像分级。分级方法如下：根据实施者采用的计算机的性能，给定分级的级数；获取所有灰度的重要程度，计算所有重要程度的和；每级中的重要程度的和为：；对所有灰度；从开始，令（堆栈的序号）；1）将灰度为的重要程度放入堆栈；2）若，结束循环，否则进行3）；3）判断堆栈内的重要程度的总和是否小于；4）若是，令,返回1）；5）若不是，令,返回1）；对毛刷辊图像，将同一个堆栈内的所有灰度置为所在堆栈的序号，完成了对毛刷辊图像的分级；至此，得到了毛刷辊图像分级后的图像；按照上述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；对分级的毛刷辊图像，生成毛刷辊的灰度共生矩阵，该毛刷辊的灰度共生矩阵为磨损的毛刷辊对应的灰度共生矩阵。
36.获取当毛刷辊刚被安装好时的毛刷辊灰度共生矩阵，该毛刷辊灰度共生矩阵为未被使用的毛刷辊的灰度共生矩阵。
37.计算毛刷辊的磨损程度：通过磨损程度对毛刷辊的寿命进行预测。
38.预测毛刷辊的寿命：
使用全连接神经网络预测毛刷辊的寿命，网络采用encoder-fc结构，输入矩阵；输出毛刷辊的寿命t；网络的训练如下：数据集为同样角度的相机获取的不同磨损程度的毛刷辊图像所生成的矩阵；矩阵的标签为矩阵对应的磨损程度下的毛刷辊寿命；损失函数采用均方差。
39.至此，即可得到对应磨损程度的毛刷辊的寿命。
40.本发明的有益效果是：相对于现有技术，本发明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。
41.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。