一种铁谱磨粒纹理特征提取和模式识别的方法

摘要

本发明公开了一种铁谱磨粒纹理特征提取和模式识别的方法，包含以下步骤：在标准铁谱图片库中，对多个典型样本分别各取相等数量的图片，并对各图片进行放大处理；在每个图片中取预设像素值的图像作为标准样本，所有标准样本构成训练集合；对每一标准样本执行图像的游走序列生成和序列扩散后得到对应标准样本的特征向量；待所有标准样本执行完图像的游走序列生成和序列扩散后，得到训练样本集合的特征向量集合；根据训练样本集合的特征向量集合使用支持向量机得到分类超平面，从而实现分类器；将待分类图片切割成预设像素值的纹理图像后，放入分类器中实现分类。本发明能够实现疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒这三种颗粒的分类。

说明书

技术领域

本发明涉及模式识别技术领域，具体涉及一种铁谱磨粒纹理特征提取和模式识别的方法，应用于磨损产物的图像辨识中。

背景技术

磨粒是摩擦、磨损过程中的重要信息载体和磨损机理判据。磨粒是由于摩擦副表面相对运动，并与界面介质和环境气氛的相互作用，经历一系列摩擦学过程，导致表面磨损形成的产物，含有丰富的关于材料表面摩擦、磨损的信息，其数量、大小、形状、颜色、形貌及结构特征等与磨粒产生时的系统状态及材料的磨损方式密切相关。

从损伤机制角度，磨损机制主要可分为粘着（adhesion）、磨削（abrasion）、疲劳（fatigue）、摩擦化学（tribochemistry）等，相应的磨损颗粒也可分为正常滑动磨损颗粒，磨料磨损颗粒，疲劳块状颗粒，严重滑动磨损颗粒，层状疲劳颗粒、氧化物颗粒等，其中，疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒不能用传统的方法进行识别。

发明内容

本发明的目的在于提供一种铁谱磨粒纹理特征提取和模式识别的方法，能够实现疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒这三种颗粒的分类，为机械故障诊断提供了依据，并为自动化分类仪器的实现打下基础。

为了达到上述目的，本发明通过以下技术方案实现：一种铁谱磨粒纹理特征提取和模式识别的方法，其特点是，包含以下步骤：

S1、在标准铁谱图片库中，对多个典型样本分别各取相等数量的图片，并对各图片进行放大处理；

S2、在每个图片中取预设像素值的图像作为标准样本，所有标准样本构成训练集合；

S3、对每一标准样本执行图像的游走序列生成和序列扩散后得到对应标准样本的特征向量；

S4、待所有标准样本执行完图像的游走序列生成和序列扩散后，得到训练样本集合的特征向量集合；

S5、根据训练样本集合的特征向量集合使用支持向量机得到分类超平面，从而实现分类器；

S6、将待分类图片切割成预设像素值的纹理图像后，放入分类器中实现分类。

铁谱磨粒纹理特征提取和模式识别的方法进一步包含步骤S7；

所述步骤S7为：

S7.1、若分类正确，则得到待分类图片的类别；

S7.2、若分类错误，则将待分类的图片放入分类器的训练集合中。

所述的多个典型样本为疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒。

所述的步骤S1中图片的放大倍数一致。

所述的步骤S3中游走序列生成步骤包含：

A1、以图像中的每一个像素作为起点，按照预先配置的游走规则进行游走；

A2、待图像中所有像素均执行完游走后，将图像中的像素分为游返序列集合和非游返序列集合。

所述的游走规则为：设定记忆μ的大小，选定起点像素向其邻域像素中距离最短的像素移动，其中不包含在前μ步已走过的像素。

所述的一个像素的邻域像素是指欧式几何距离小于                                                的像素构成的集合；

其中，，即一个位于图像中间位置的像素，其邻域像素是它周围的8个像素；位于图像边界位置的像素，其邻域像素是它周围的5个像素；位于图像角位置的像素，其邻域像素是它周围的3个像素。

所述的步骤S3中序列扩散步骤包含：

B1、根据相关度计算公式计算所有非游返序列中的像素对游返序列的相关度；

B2、根据相关度将非游返序列中的像素加入到游返序列中，直至游返序列覆盖全部图像。

所述的相关度计算公式为：

其中，是像素对游返序列集合的距离。

本发明一种铁谱磨粒纹理特征提取和模式识别的方法与现有技术相比具有以下优点：能够有效降低分类错误率；将扩散数量作为特征向量对区分疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒有很好的效果，配合各类模式识别方法都会有效。

附图说明

图1为典型样本的纹理图片；

图2为典型样本的扩散曲线；

图3为序列扩散前20步扩散的柱状图；

图4为本发明一种铁谱磨粒纹理特征提取和模式识别的方法流程图；

图5A为μ=2时产生的序列；

图5B为μ=3时产生的序列；

图6为非游返序列的相关度计算图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示的典型样本（疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒）的32×32的纹理切片。图2中的扩散曲线中可以推断 ：严重滑动磨损颗粒的纹理最为复杂，初始扩散慢；层状疲劳颗粒的表面最为光滑，初始扩散快；疲劳块状颗粒介于严重滑动磨损颗粒和层状疲劳颗粒之间。从图3中，我们接着推断，严重滑动磨损颗粒前20层扩散缓慢，平均每次15个像素左右；层状疲劳颗粒前10层扩散极快，平均每次40-50个像素左右，之后扩散速度迅速下降；疲劳块状颗粒的扩散性质介于严重滑动磨损颗粒和层状疲劳颗粒之间，较为稳步，平均一次23-25个像素。

通过上述分析，扩散数量作为特征向量对区分疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒有很好的效果，配合各类模式识别方法都会有效。

如图4所示，具体的，分类方法包含以下步骤：

S1、在标准铁谱图片库中，对多个典型样本（疲劳块状颗粒、严重滑动磨损颗粒、层状疲劳颗粒）分别各取相等数量的图片，并对各图片进行放大处理，各图片的放大倍数一致；

S2、在每个图片中取预设像素值的图像作为标准样本，所有标准样本构成训练集合，其中预设像素值可以任意，但不宜超过64×64，图片增大会增大计算量，难以实用化；

S3、对每一标准样本执行图像的游走序列生成和序列扩散后得到对应标准样本的特征向量；

S4、待所有标准样本执行完图像的游走序列生成和序列扩散后，得到训练样本集合的特征向量集合；

S5、根据训练样本集合的特征向量集合使用支持向量机得到分类超平面，从而实现分类器；

S6、将待分类图片切割成预设像素值的纹理图像后，放入分类器中实现分类；

S7.1、若分类正确，则得到待分类图片的类别；

S7.2、若分类错误，则将待分类的图片放入分类器的训练集合中。

游走序列扩散法是一种基于像素序列的生成和扩散的算法，由于不同类型的纹理会产生不同的扩散特征，从而可以用于进行纹理识别。

其中，游走序列生成的步骤如下：

A1、以图像中的每一个像素作为起点，按照预先配置的游走规则进行游走；

A2、待图像中所有像素均执行完游走后，将图像中的像素分为游返序列集合和非游返序列集合。

所述的游走规则为：设定记忆μ的大小，选定起点像素向其邻域像素中距离最短的像素移动，其中不包含在前μ步已走过的像素。

所述的一个像素的邻域像素是指欧式几何距离小于 的像素构成的集合；

其中，，即一个位于图像中间位置的像素，其邻域像素是它周围的8个像素；位于图像边界位置的像素，其邻域像素是它周围的5个像素；位于图像角位置的像素，其邻域像素是它周围的3个像素。

假设图像有N个像素，像素 的灰度值为，它的范围为0到255。灰度图像中距离为两个相邻像素的灰度值差的绝对值：

。

如图5A所示，圆圈内的数字表示该像素的灰度，箭头代表游走的方向，游走最终会陷入一个循环，这个循环成为游返序列。记忆μ的大小会影响序列，图5B中，记忆μ=3时，当走到灰度为18的像素时，记忆里有灰度为16的像素，因而不能像记忆μ=2时一样走到16那个像素。游返序列集合写作，其中 为起点，μ为记忆的大小。对于图像中，每一个像素为起点，执行行走过程，都会最终形成一个游返序列（有可能重复）。

执行完游走过程后，图像有两部分，一部分是游返序列集合，另一部分是非游返序列集合。序列扩散步骤主要是将非游返序列的像素加入到中游返序列。

序列扩散步骤如下：

B1、根据相关度计算公式计算所有非游返序列中的像素对游返序列的相关度；

B2、根据相关度将非游返序列中的像素加入到游返序列中，直至游返序列覆盖全部图像。

非游返序列中的像素对于流返序列的相关度被定义为最近的路程：

其中，是像素对流返序列集合的距离。

如图6所示，黑色的圆圈代表游返序列像素，灰色的圆圈代表非游返序列的像素，圆圈中下面的数字是该像素的灰度值，上面的数字则是计算出的相关度。比如第一行第一列的像素的相关度为7，因为它距离最近的游返序列的距离为7，而第五行第五列的像素相关度为5 （）。

这个策略检验了游返序列像素和其他像素的空间分布。运用每个像素的相关度，我们就可以把每个游返序列扩张开来。将相关度从小到大排列，在每一级别的扩张，我们就把相关度相同的像素加入到游返序列中，并将每层扩张的数量组成特征向量。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。