[发明专利]一种基于新特征参数的磨粒图像机器学习识别方法

说明书

本发明公开了一种基于新特征参数的磨粒图像机器学习识别方法，方法流程如图简要所示,该方法包括以下几个步骤：在小样本磨粒数据集上使用常见数据扩充方法进行磨粒图片的扩充；对扩充后的磨粒图片数据集进行图像处理以去除拍摄过程中产生的噪声；使用闭运算方法对图像进行细节处理，处理后的图片使用Otsu法进行目标磨粒的分割；对于分割磨粒进行常规特征提取和新几何特征提取，新几何特征包括等圆周径宽比和体态圆因子，对特征进行二阶多项式融合；根据融合后的特征进行分类模型训练以完成磨粒图像分类。本发明将提出了磨粒新的几何特征以及基于新特征的特征处理方法，运用最新的机器学习模型，在磨粒图片分类中获得较高的准确率。

技术领域

本发明涉及本发明涉及磨粒智能识别领域，特别针对传统图像处理技术和机器学习算法在磨粒智能识别中的应用。

背景技术

随着生产技术的逐步发展，人们对机械设备的使用寿命和可靠性以及使用机制提出了更高的要求。据大量的研究资料统计分析表明，在机械使用过程中，造成机械设备的故障和失效的主要因素绝大部分是机械的摩擦和磨损导致的。通常意义上来讲，由于磨损所致，会产生一些磨粒，磨粒便成了判断机械磨损状况的重要依据。随着图像处理技术和人工智能技术的发展，磨粒的智能识别成为目前研究的热点和难点问题。磨粒图像智能识别技术是近些年来国内外相关领域学者十分关注并投入大量精力加以研究的前沿课题。一方面，磨粒的智能识别，可以从根本上消除由于缺乏经验或认识不足所造成的人工磨粒识别的不确定性。一个只具备些许工作经验或初级技术水平的技术操作人员，只需要掌握了磨粒智能识别系统的操作，便可以迅速得到一名相关领域专家花费相对较长的时间才能获得的分析结果。另一方面，只有具备了磨粒智能识别分析的条件，才能充分利用磨粒的特征信息，在磨粒群体(而不是磨粒单体)的特征信息数学统计参量与机器设备的摩擦和磨损状态之间建立起相关关系。随着计算机图像处理技术和人工智能技术的兴起和发展，在磨粒图像识别领域，也逐步发明了众多两项技术相结合的方法，如神经网络，模糊数学，灰色理论，专家系统等，但至今仍未能形成一种较为完整的解决方案。

发明内容

本发明提供了一种基于新特征参数的磨粒图像机器学习识别方法。利用计算机图像处理的方法，对磨粒进行提取基本的相关特征，并通过SVM、LR、LightGBM三种机器学习的方法进行测试。然后通过相应地以三种模型对新特征进行测试对比。

本发明的技术方案如下：

由于磨粒图像的复杂性和随机性等性质对磨粒的颜色特征参数影响较大，再加上外部环境的各种干扰，以致于在对磨粒的颜色特征参数的提取上尚未形成统一的，系统的解决方案，仍处于一个探索的阶段。在图像纹理特征提取上，本身就存在着种种困难，即使在纯图像处理中，有时很难把纹理概念统一定义。所以，磨粒图像纹理特征识别方面的研究进展也是比较缓慢的。

综上原因，即磨粒的颜色特征参数和纹理特征参数自身具有局限性，本发明选择以磨粒的几何形态特征参数作为磨粒识别的特征参数。

为了提高磨粒图像识别的准确率，提出磨粒新特征参数的构思，期望这种新的磨粒特征参数在不会大大增加计算量的情况下，可以提高磨粒图像的分类效果。由于磨粒图像几何形态特征各异，背景又十分复杂，提取几何形态特征比较困难，且为了后续的分类工作，将磨粒图像进行过放缩操作，所以从数字图像中的磨粒面积、周长和长短轴上很难进行区分，因此应该选取形状因子，圆度，体态比，等面积圆直径等具有比值意义等特征参数。

为了扩大不同磨粒类别在相同特征参数之间的差异，将两种或者多种特征参数进行融合，综合成一个新的特征参数。

第一种新特征参数：等圆周径宽比(PDW)：

磨粒的等效周长圆直径是指与该磨粒周长相等的等效圆的直径：

则等圆周径宽比为：