بررسی پارامتر های الگوریتم های KNN ، k-means و لبه یابی کنی در پردازش تصاویر مربوط به سایش ابزار برشی

سایش ابزار یکی از مهم ترین عوامل موثر در تعیین عمر ابزار می باشد و پیش بینی عمر ابزار از روی مساحت ناحیه سایش خورده بحث مهمی در تولید می باشد.در این مقاله تاثیر روش های پردازش تصویر لبه یابی به روش کنی، الگوریتم KNN و الگوریتم K-means برای محاسبه مساحت بخش ساییده شده سطح براده ابزار مورد بررسی قرار گرفته است.الگوریتم K-means الگوریتمی بدون ناظر می باشد و از آن برای دسته بندی داده ها استفاده می گردد.الگوریتم KNN الگوریتمی با نظار می باشد. و اجرا نیازمند تعریف ناحیه سایش خورده می باشد. در این مقاله مساحت ناحیه سایش خورده به روش های ذکر شده به روش محاسبه مساحت به صورت دستی (شمارش پیکسل ها) محاسبه می گردند و با هم مقایسه می شود.با توجه به آزمایشات انجام شده روش k-means بیشترین دقت را دارد. هر کدام از روش هایذکرشده دارای مزایا و معایبی می باشد که به توجه به کاربرد باید انتخاب شوند. از مزیت های الگوریتم k-means به دقت بالا، سرعت محاسبه سریع تر وکد نویسی راحت و معایب آن مناسب نبودن برای تمام تصاویر، حساسیت نسبت به نویز و آلودگی محیط و حساسیت در فوکوس دوربین و از مزیت های روش لبه یابی کنی به کدنویسی بسیار راحت تر و سرعت محاسبه بسیار زیاد و معایب آن حساسیت بسیار زیاد روی نویز و آلودگی محیط، حساسیت روی فوکوس دوربین و دقت پایین اشاره نمود. و مزایا KNN به عدم حساسیت به نویز ،عدم استفاده از فیلتر و دقت بالا و معایب آن به کد نویسی سخت وسرعت اجرای بسیار بالا اشاره نمود. بررسی نتایج همچنین نشان داد دقت روش K-means از دو روش دیگر در محاسبه مساحت بخش ساییده شده ابزار بیشتر است

کلیدواژه ها:

سایش ابزار ، means-K KNN ، پردازش تصویر