1.一种基于火花图像的砂带磨削材料去除率识别方法，其特征在于，按照以下步骤实施：步骤1：使用CCD工业相机采集磨削过程中产生的磨削火花图像，该磨削火花图像是RGB模式的彩色图像类型，称为RGB火花图像；

步骤2：对采集的磨削火花图像进行预处理，

对上述的磨削火花图像进行预处理，以过滤掉干扰因素；

步骤3：对磨削火花图像进行分割；

步骤4：提取磨削火花的特征量化值，

磨削火花的特征量化值，包括分别提取磨削火花的亮度特征、颜色特征、面积特征以及轮廓特征；

步骤5：基于支持向量回归算法建立材料去除率识别模型，

5.1)根据步骤4提取出的砂带的磨削火花图像中四种特征的量化数值，建立对应的材料去除率构造数据集，见下式(13)：D＝{c1i,c2i,c3i,c4i,Mi}i＝1,2,...,L            (13)其中，i表示样本数，L表示样本的总数量，c1为亮度特征，c2表示颜色特征，c3表示面积特征，c4表示边缘特征，M表示对应的材料去除率值，对该数据集的数值按组进行归一化处理，具体操作如下式(14)：*

其中，d表示归一化后的样本数据，d为原始样本数据，dmin为此组样本数据的最小值，dmax为此组数据最大值；对归一化后的数据集重新进行分类，其中80％作为训练集，另外

20％作为测试集；

5.2)基于支持向量回归算法训练基于磨削火花图像特征的材料去除率识别模型，确定得到回归模型，即得到材料去除率识别模型。

2.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法，其特征在于：所述步骤2中，预处理的具体过程如下，

对RGB火花图像进行灰度值化处理，表达式如下式(2)：Gray(i,j)＝0.11·R(i,j)+0.59·G(i,j)+0.3·B(i,j)           (2)其中，Gray(i,j)表示转换得到的灰度图像，R(i,j)表示RGB火花图像中像素点(i,j)的红色分量，同样，G(i,j)表示绿色分量，B(i,j)表示蓝色分量。

3.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法，其特征在于：所述步骤3中，对采集到的RGB火花图像进行逐像素操作，判断与该像素对应的步骤2所得的灰度图像的像素灰度值与设定阈值的大小，若小于阈值，则将RGB火花图像中该像素值设为

0；否则，不进行任何操作；

完成对RGB火花图像中所有像素的上述操作，获得单一背景的RGB火花图像。

4.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法，其特征在于：所述步骤4中，具体过程是，

4.1)提取磨削火花的亮度特征，采取如下方式：将步骤3预处理后得到的单一背景的RGB火花图像转换到HSV模型下，表达式如下：v＝max                                       (5)其中，max表示某像素RGB分量中的最大值，min表示某像素RGB分量中的最小值，h表示HSV模型下的色调，s表示HSV模型下的饱和度，v表示HSV模型下的亮度；

统计HSV模型中亮度分量的像素个数，即表示该材料去除率下磨削火花图像的亮度特征；

4.2)提取磨削火花的颜色特征，采取如下方式：其中，pij表示单一背景的RGB火花图像第j个像素的第i个颜色分量，N表示单一背景的RGB火花图像的像素总数，μi表示单一背景的RGB火花图像中三个分量的平均值，作为该材料去除率下磨削火花图像的颜色特征值；

4.3)提取磨削火花的面积特征，采取如下方式：先对单一背景的RGB火花图像采用最大类间方差法进行阈值分割，再根据确定的阈值将单一背景的RGB火花图像进行二值化，得到像素值为0和1的二值图像，统计该二值图像中像素值为1的像素个数，即表征该材料去除率下磨削火花图像的面积特征；

4.4)提取磨削火花的轮廓特征，采取如下方式：首先，对单一背景的RGB火花图像进行高斯滤波降噪处理，如下式：其中，H(x,y,σ)是高斯滤波函数，σ为平滑系数，(x,y)表示像素的坐标，即行号和列号；

式(7)中的(x,y)表示输出图像像素坐标，(x0,y0)表示输入像素坐标，f(x,y)为单一背景的RGB火花图像描述函数；

然后，对滤波降噪后的图像P(x,y)采用Sobel算子求取梯度幅值与方向角，以获得火花的边缘图像G(x,y)，如下式：其中，Gx(x,y)表示像素(x,y)的水平梯度值；Gy(x,y)表示像素(x,y)的垂直梯度值；G(x,y)表示像素(x,y)的梯度幅值，也可以表示输出的边缘图像；T(x,y)表示像素(x y)的方向角，对边缘图像G(x,y)进行二值化，对梯度幅值大于设定阈值的像素值设为1，梯度幅值小于设定阈值的像素值设为0；统计二值化后的边缘图像中像素值为1的像素点数量，即表征该材料去除率下磨削火花图像的轮廓特征。

5.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法，其特征在于：所述步骤5.2)中，具体过程如下：

5.2.1)根据支持向量回归算法，使用核函数的多特征输入的支持向量回归模型表示为：Y＝w·φ(X)+b                        (15)其中，w与b为模型的待求参数，Y为输出向量，即材料去除率M，X为输入特征向量{c1,c2,c3,c4}，φ(X)指通过核函数将输入特征映射到高维空间的特征向量；

使用径向基核函数：

其中，δ为核函数的超参数，di表示归一化的样本数据，dc为核函数的中心；

5.2.2)求解最优化问题，如下式(17)：

其中，C表示惩罚因子，ξi和ξi'分别表示第i个样本的上下松弛变量，L为样本的总数，ε表示模型的容差值，s.t.表示服从于后面表达式；

5.2.3)使用拉格朗日乘子和拉格朗日对偶性质，则将式(17)转换为：其中，αi、αi'、μ、μ'、μi、μi'是拉格朗日系数，在计算过程中迭代求取，函数Lg表示回归估计函数；最后结合序列最小优化算法对式(18)进行求解，获得使(18)值最小的参数的组合，求得满足式(18)的参数的值即为回归模型的参数，确定得到回归模型。

6.根据权利要求5所述的基于火花图像的砂带磨削材料去除率识别方法，其特征在于：所述核函数的超参数δ取值为0.25，惩罚因子C取值为1。