CN113221058B - 一种针对圆形配件外边缘磨损量的检测及损伤评估方法 - Google Patents

Abstract

本发明涉及一种针对圆形配件外边缘磨损量的检测方法及损伤评估方法，其方法包括：步骤S1：获取配件实际中心点坐标；步骤S2：获取配件各个边缘点的极坐标；步骤S3：获取边缘距离曲线；步骤S4：对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；步骤S5：计算实际边缘距离所对应的物理长度；步骤S6：对异常点进行过滤，并计算各个边缘点对应的磨损量。本发明提供的方法利用边缘距离表示边缘点与中心点的相对位置关系，能够更加直观的体现出配件磨损状况的变化趋势，圆形配件适用性好，准确度高，处理速度快，并简化了损伤评估方法的流程，有效降低了计算复杂度。

Description

一种针对圆形配件外边缘磨损量的检测及损伤评估方法

技术领域

本发明涉及数据处理和工业互联网领域，具体涉及一种针对圆形配件外边缘磨损量的检测及损伤评估方法及其系统。

背景技术

配件作为机械工程中的重要组成，其质量和状态对工程效率和工程质量有着很大的影响。配件在工作中经受力和热的双重作用，会难以避免地出现磨损现象。若无法检测到配件的磨损状态，会造成工期延误等问题，对机械设备造成损伤，严重情况下甚至会造成巨大的经济损失。因此，通过相关技术手段检测配件的磨损状态，掌握其工作状态，是机械设备工作过程中保证效率和质量的关键。

传统的配件磨损检测常用方法有以下几种：(1)机械式测量方法，用量具对配件的各个角度的变化，配件表面粗糙度的变化，以及尺寸变化等进行测量；电阻测量法，利用待测配件与传感器接触产生的电信号脉冲，来监测配件的实际磨损状态；(2)电流信号测量方法，利用感应机械的定子电流作为信号分析的切入点，研究其特征与故障的关系；(3)声发射检测方法，利用声发射检测传感器对机械振动的变换进行分析，从而监测配件的磨损状态。(4)基于配件图像的检测方法，通过图像处理相关技术对采集到的图像进行特征提取及特征分析，对配件的磨损情况进行计算，并推断其具体的磨损状态。这种方法可以避免人工操作的随机性，在保留边缘磨损特征的前提下，得到更全面、更有代表性的磨损数据。虽然数据获取阶段需要添置额外的相机等硬件，但普遍价格较低且可以重复利用，但是该方法对于圆形配件适用性较差，准确度较低，处理速度较慢。

发明内容

为了解决上述技术问题，本发明提供一种针对圆形配件外边缘磨损量的检测方法及系统。

本发明技术解决方案为：一种针对圆形配件外边缘磨损量的检测方法，包括：

步骤S1：获取配件边缘点集合，通过计算所述边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；

步骤S2：根据所述实际中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标；

步骤S3：根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线；

步骤S4：计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

步骤S5：根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度；

步骤S6：对所述实际边缘距离，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量。

本发明与现有技术相比，具有以下优点：

1、本发明提供的方法通过考虑圆形配件的边缘形态特性，针对获取的配件边缘点集合，在尽量保证原有边缘信息特征的前提下，将配件边缘点集合在笛卡尔直角坐标系下的位置信息，通过中心点配准和极坐标变换，映射到了角度和边缘距离表示的极坐标空间。原有的边缘点位置信息，在圆形配件这一场景下，无法很好的反映发生磨损区域与配件自身的位置关系。将边缘点映射到角度和边缘距离表示的极坐标空间后，能够利用角度关系准确表示配件具体的磨损位置，提升磨损计算结果的准确性。与现有处理方法相比，利用边缘距离表示边缘点与中心点的相对位置关系，能够更加直观的体现出配件磨损状况的变化趋势，更利于后续的数据处理工作。本发明提供的方法充分考虑了圆形配件的形态特征，在类圆形配件的检测领域都能实现较高的适用性，可以适用于其他以距离计算为依据的数据处理分析过程。

2、本发明提供的方法充分考虑了配件原始图像的获取阶段由拍摄角度不同带来的配件边缘形状畸变，并设计了针对圆形配件的边缘数据矫正方法。在对配件边缘距离数据进行处理的过程，利用多项式拟合，并设计了边缘距离的矫正公式，在尽量保留边缘特征信息的前提下，实现了边缘数据的矫正。原始配件边缘数据由于拍摄位置与配件垂直方向存在夹角，会导致配件形状畸变为椭圆，反映在边缘距离数据上会呈现类正弦函数的周期性变化。矫正后的边缘数据恢复成围绕平均边缘距离的离散分布，并且维持了原本的边缘特征。而传统方法，未进行畸变矫正会导致局部边缘距离与实际值相比被错误的放大或缩小，在后续会产生磨损量的计算误差，影响处理结果和准确度。

3、本发明提供的方法根据配件内部不易磨损的特征，结合配件的制造规格信息，设计了边缘实际物理距离的标定方法；在极坐标系下，计算配件各位置对应的磨损量，并根据物理长度和图像像素距离的比例关系，得到实际的物理磨损量数值。实现了配件磨损量由像素尺度到物理尺度的转换，并根据配件的制造规格信息实现了异常点的过滤。

4、本发明提供的方法通过总结配件样本不同的磨损状态，对磨损量数据进行角度、偏移量对齐、异常点剔除等处理，利用多项式拟合分别对各磨损状态下的磨损数据进行拟合，得到不同磨损状态对应的磨损量曲线，通过相似度计算的方式实现配件损伤的评估。与传统方法相比，基于磨损量数据的配件损伤分类充分利用了前置步骤的数据处理结果，不需要额外引入基于原始图像的机器学习分类模型，简化了损伤评估方法的流程，有效降低了计算复杂度。

附图说明

图1为本发明实施例中一种针对圆形配件外边缘磨损量的检测方法的流程图；

图2为本发明实施例中使用的配件边缘点集合的示意图；

图3为本发明实施例中使用的配件边缘点极坐标化后的示意图；

图4A为本发明实施例中M＝3时多项式拟合效果示意图；

图4B为本发明实施例中M＝5时多项式拟合效果示意图；

图4C为本发明实施例中M＝10时多项式拟合效果示意图；

图4D为本发明实施例中M＝30时多项式拟合效果示意图；

图5A为本发明实施例中矫正前的边缘点集合的示意图；

图5B为本发明实施例中矫正后的边缘点集合的示意图；

图6为本发明实施例中使用的配件边缘磨损量的示意图；

图7为本发明实施例中一种针对圆形配件外边缘磨损量的损伤评估方法的流程图；

图8A为本发明实施例损伤类型为正常的磨损曲线示意图；

图8B为本发明实施例损伤类型为均匀磨损的磨损曲线示意图；

图8C为本发明实施例损伤类型为偏磨的磨损曲线示意图；

图8D为本发明实施例损伤类型为破裂的磨损曲线示意图；

图9为本发明实施例中一种针对圆形配件外边缘磨损量的检测系统的结构框图；

图10为本发明实施例中一种针对圆形配件外边缘磨损量的损伤评估系统的结构框图。

具体实施方式

本发明提供了一种针对圆形配件外边缘磨损量的检测方法，对于圆形配件适用性好，准确度高，处理速度快，并简化了损伤评估方法的流程，有效降低了计算复杂度。

为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。

为了准确描述本发明内容，本发明解释如下术语及含义。

配件边缘点集合：对配件原始图像进行边缘提取后得到的一系列在直角坐标系下表示的边缘点像素的位置信息。在本发明中，作为已知的输入数据参与计算。

配件计算中心点：在本发明中，特指配件边缘点集合对应的实际中心位置，由边缘点集合在直角坐标系下的平均坐标决定。作为变换后极坐标系内的极点，用于后续计算边缘距离。

边缘距离：在本发明中，指计算中心点到各边缘点的欧氏距离。

多项式拟合：多项式拟合是指利用一个多项式展开去尽可能地描述样本数据点的特征与变化趋势。实质是在数据离散情况下的最小平方趋近，尽可能使构造的误差函数取得极小值。

均方差：也称标准差，在概率统计中最常使用作为统计分布程度上的测量。均方差的定义是总体各单位标准值与其平均数离差平方的算术平均数的平方根，可以反映组内个体间的离散程度。在本发明中，利用均方差度量边缘距离曲线的拟合效果。

相似度：用于度量两个样本的相似性程度。计算对象特征之间的距离是常见的方法之一，通常距离越小，相似度越高。本发明中拟采用各磨损数据点到磨损状态曲线间的平均距离作为相似度的度量。

实施例一

如图1所示，本发明实施例提供的一种针对圆形配件外边缘磨损量的检测方法，包括下述步骤：

步骤S1：获取配件边缘点集合，通过计算边缘点的平均坐标，获得配件边缘对应的实际中心点坐标；

步骤S2：根据实际中心点坐标，计算其与各个边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个边缘点的极坐标；

步骤S3：根据各个边缘点极坐标，利用线性回归对各个边缘点对应的边缘距离进行多项式拟合，得到配件的边缘距离曲线；

步骤S4：计算各个边缘点到中心点的平均距离，并根据边缘距离曲线，计算各个边缘点与边缘距离曲线的差值，对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

步骤S5：根据实际边缘距离，并利用配件原始照片的像素长度与物理长度的对应关系，得到各个实际边缘距离所对应的物理长度；

步骤S6：对实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个边缘点对应的磨损量。

在一个实施例中，上述步骤S1：获取配件边缘点集合，通过计算边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；具体包括：

本发明实施例中处理的配件边缘点数据，是通过相机拍照得到的被检测配件原始图像，在经过边缘提取算法处理后得到的配件边缘点集合。本发明实施例选择了盾构机刀具作为圆形配件的代表，使用的配件边缘点集合的图像表示如图2所示。通过建立笛卡尔直角坐标系，读取配件边缘点集合内的边缘点数据，将如图2所示的配件边缘点集合坐标化表示为：P＝{p₁,p₂,…p_i,…,p_n}＝{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…,(x_n,y_n)}，n＝2766

其中，P＝{(74,615),(74,616),…,(622,1060),…,(952,642)}，该配件边缘点集合内共包含2766个边缘点。

利用配件边缘点集合的坐标数据，利用公式(1)，计算集合内的平均坐标，用以表示配件在原始图像中的实际中心点O_r：

其中，n＝2766；经过计算得到本发明实施例的配件边缘点集合的平均坐标：

即为配件的实际中心点O_r的坐标。

在一个实施例中，上述步骤S2：根据中心点坐标，计算其与各个边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个边缘点的极坐标，具体包括：

根据实际中心点，对输入的配件边缘像素集合，依次计算实际中心点与各个边缘点的边缘距离d以及所构成直线的斜率k；利用反正切函数公式ω＝arctan(k)，将各个边缘点对应的斜率k转化为角度ω，得到各个边缘点的极坐标，极坐标包括：角度ω和边缘距离d。

根据配准后的配件计算中心点O_r，对配件边缘像素集合P，利用公式(2)，计算直角坐标系下中心点O_r到每个边缘点的边缘距离d_i：

其中，

计算得到的边缘距离集合：

D＝{434.62,434.81,…,451.76,…,436.12}；

然后，利用公式(3)，计算中心点O_r与各个边缘点所构成直线的斜率k_i：

按此公式计算斜率还需要考虑特殊情况，即

时，公式内除数部分取值为0，不能直接计算，需要用特殊值进行标记。根据

取值的正负，当

时，令k_i＝a；当

时，令k_i＝b。计算结果得到的边缘点斜率集合K＝{0.0207,0.0185,…,4.0861,…,0.0409}。将边缘点斜率集合K带入反正切函数公式(4)：

ω_i＝arctan(k_i) (4)

对边缘点斜率取值为特殊值的情况单独处理，当k_i＝a时，

当k_i＝b时，

计算得到对应的边缘点角度集合ω，ω＝{0.0019,0.0042,…,3.1193,6.2828}。

极坐标变换后，维持原有的对应关系，使边缘点集合在极坐标系下以角度ω_i和边缘距离d_i表示，并按照角度大小升序排列，极坐标化后的边缘点集合表示为

如图3所示。

在一个实施例中，上述步骤S3：根据各个边缘点极坐标，利用线性回归对各个边缘点对应的边缘距离进行多项式拟合，得到配件的边缘距离曲线，包括：

通过构造关于边缘距离d和角度ω的多项式函数，利用线性回归算法进行求解，得到边缘距离d随角度ω变化的边缘距离曲线；对比不同多项式阶数M下的拟合效果，使用均方差来衡量拟合误差，选择合适的多项式阶数。

针对极坐标化后的边缘点集合

为了更清晰的掌握数据的变化趋势，选择利用多项式拟合的方式，构造关于角度ω和边缘距离d的多项式函数。构造的边缘距离多项式如下述公式(5)：

在多项式阶数M的选择上，本发明实施例通过对比实验验证了当M＝3，5，10，30四种情况下的拟合效果。为了衡量多项式的拟合效果，引入了标准差的概念来衡量拟合误差，并构造相应的误差函数ε(K)，如公式(6)所示。

对比试验的结果如下表1所示：

表1：多项式阶数M的对比结果

不同阶数M下的多项式拟合效果如图4A～图4D所示。通过对比发现，随阶数M的增大，多项式拟合得到的边缘距离函数越贴近边缘点集合

但当M超过一定限度后，对拟合效果和误差的提升都愈发不显著。当M设定过高时，例如M＝30时，反而会表现出对边缘数据的过拟合倾向，虽然能更好的反应当前数据样本的特征，但对异常点所造成误差的抵抗能力也会降低。因此，针对本发明所选的配件边缘点集合

本发明实施例选择了多项式阶数M＝10下的边缘距离函数L₁₀(ω,K)用于后续边缘距离数据的矫正。

在一个实施例中，上述步骤S4：计算各个边缘点到中心点的平均距离，并根据边缘距离曲线，计算各个边缘点与边缘距离曲线的差值，对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离，包括：

利用各个边缘点的极坐标，计算其到中心点O_r的距离，并求平均距离A作为矫正基准；构造矫正公式，计算各个边缘点与边缘距离曲线同角度下的距离差值ΔY，基于矫正基准A，得到矫正后的实际边缘距离D'。

通过观察角度ω_i和边缘距离d_i的关系图，如图2所示，发现边缘距离会随角度呈类正弦函数的变化趋势。分析原因，是因为在配件原始图像采集阶段，由于拍摄角度偏移，使图像内的配件边缘形状发生畸变，需要基于多项式拟合得到的边缘距离函数L₁₀(ω,K)进行数据矫正。

对边缘点集合

取边缘距离数据集合

利用公式(7)，计算平均边缘距离A作为矫正基准。

其中，n＝2766；计算得到的平均边缘距离A＝441.89，作为边缘距离的矫正基准。

根据构造的边缘距离矫正公式(8)～(9)，消除由边缘形状畸变产生的边缘距离类正弦函数变化趋势：

ΔY_i＝d_i-L(ω_i,K) (8)

d′_i＝A+ΔY_i (9)

在完成边缘距离的矫正后，边缘点的边缘距离d'_i恢复成围绕平均边缘距离的离散分布，并且维持了原本的边缘特征，如图5A～图5B分别所示，矫正前和矫正后的边缘点集合记作

在一个实施例中，上述步骤S5：根据实际边缘距离，并利用配件原始照片的像素长度与物理长度的对应关系，得到各个实际边缘距离所对应的物理长度，包括：

利用配件的内部特征确定配件的原始图像内像素长度与物理长度的对应关系r；对矫正后得到的实际边缘距离，根据对应关系r，得到各边缘点的实际边缘距离所对应的物理长度。

在本发明选择的配件的原始图像中，通过确定一个配件内部不发生磨损的特征，结合配件的制造尺寸信息，利用公式(10)，计算得到该配件图像内像素长度与物理长度的比例关系r：

其中，配件内部不发生磨损特征的平均像素长度为

该特征对应制造尺寸为l_design＝30cm，计算得到的像素长度与物理长度的比例关系r＝7.4553。

取矫正后边缘点集合

的边缘距离分量

依据像素长度与物理长度的比例关系r，利用公式(11)，计算边缘距离对应的实际物理长度l_i：

计算得到的边缘距离的物理长度集合为L＝{58.7719,58.7648,…,58.9698,…,58.7784}。完成物理长度标定后的边缘点集合可以表示为

在一个实施例中，上述步骤S6：对实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个边缘点对应的磨损量，包括：

设定实际边缘距离的阈值限θ，配件的标准制造半径为r_p，令θ＝r_p；对实际边缘距离超过阈值限θ的异常点进行过滤；根据标准制造半径r_p依次计算各个边缘点对应的磨损量e_i，得到配件随角度变化的磨损量数据E(ω)。

对完成物理尺寸标定后的边缘点集合

依据本发明实施例使用的配件的标准制造半径r_p，r_p＝62cm，设定实际边缘距离阈值θ，对边缘点集合

进行异常点的过滤。

遍历边缘点集合

比较边缘距离l_i和实际边缘距离阈值θ，只保留l_i<θ的边缘点，其余的作为异常点过滤。对本发明所选择配件边缘点集合，异常点的数量为13。对过滤后的边缘点集合

遍历计算集合内边缘距离与标准制造半径r_p的差值作为配件各角度下的磨损量e_i，计算结果作为配件的边缘磨损量E(ω)，计算结果如图6所示。

E(ω)＝{(0.0019,3.2281),(0.0042,3.2352),…,(3.1193,3.0302),…,(6.2828,3.2216)}。

本发明提供的方法通过考虑圆形配件的边缘形态特性，针对获取的配件边缘点集合，在尽量保证原有边缘信息特征的前提下，将配件边缘点集合在笛卡尔直角坐标系下的位置信息，通过中心点配准和极坐标变换，映射到了角度和边缘距离表示的极坐标空间。原有的边缘点位置信息，在圆形配件这一场景下，无法很好的反映发生磨损区域与配件自身的位置关系。将边缘点映射到角度和边缘距离表示的极坐标空间后，能够利用角度关系准确表示配件具体的磨损位置，提升磨损计算结果的准确性。与现有处理方法相比，利用边缘距离表示边缘点与中心点的相对位置关系，能够更加直观的体现出配件磨损状况的变化趋势，更利于后续的数据处理工作。本发明提供的方法充分考虑了圆形配件的形态特征，在类圆形配件的检测领域都能实现较高的适用性，可以适用于其他以距离计算为依据的数据处理分析过程。

本发明提供的方法充分考虑了配件原始图像的获取阶段由拍摄角度不同带来的配件边缘形状畸变，并设计了针对圆形配件的边缘数据矫正方法。在对配件边缘距离数据进行处理的过程，利用多项式拟合，并设计了边缘距离的矫正公式，在尽量保留边缘特征信息的前提下，实现了边缘数据的矫正。原始配件边缘数据由于拍摄位置与配件垂直方向存在夹角，会导致配件形状畸变为椭圆，反映在边缘距离数据上会呈现类正弦函数的周期性变化。矫正后的边缘数据恢复成围绕平均边缘距离的离散分布，并且维持了原本的边缘特征。而传统方法，未进行畸变矫正会导致局部边缘距离与实际值相比被错误的放大或缩小，在后续会产生磨损量的计算误差，影响处理结果和准确度。

本发明提供的方法根据配件内部不易磨损的特征，结合配件的制造规格信息，设计了边缘实际物理距离的标定方法；在极坐标系下，计算配件各位置对应的磨损量，并根据物理长度和图像像素距离的比例关系，得到实际的物理磨损量数值。实现了配件磨损量由像素尺度到物理尺度的转换，并根据配件的制造规格信息实现了异常点的过滤。

实施例二

如图7所示，本发明实施例提供的一种针对圆形配件外边缘磨损量的损伤评估方法，包括下述步骤：

步骤S1：获取配件边缘点集合，通过计算边缘点的平均坐标，获得配件边缘对应的实际中心点坐标；

步骤S2：根据实际中心点坐标，计算其与各个边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个边缘点的极坐标；

步骤S3：根据各个边缘点极坐标，利用线性回归对各个边缘点对应的边缘距离进行多项式拟合，得到配件的边缘距离曲线；

步骤S4：计算各个边缘点到中心点的平均距离，并根据边缘距离曲线，计算各个边缘点与边缘距离曲线的差值，对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

步骤S5：根据实际边缘距离，并利用配件原始照片的像素长度与物理长度的对应关系，得到各个实际边缘距离所对应的物理长度；

步骤S6：对实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个边缘点对应的磨损量；

上述步骤S1～步骤S6具体实施细节同实施例中一种步骤S1～S6；

步骤S7：重复步骤S1～步骤S6，得到各配件的磨损量L；对磨损量L进行偏移量和角度对齐，利用多项式拟合得到不同损伤情况下的配件边缘磨损量曲线；将待检测配件的边缘磨损量与配件边缘磨损量曲线进行相似度计算，评估配件所属的损伤分类，具体包括：

重复步骤S1～步骤S6，得到各个配件的磨损量L；对各个配件磨损量L进行偏移量对齐和角度对齐处理，并进行磨损特征曲线拟合，得到不同损伤情况下的配件边缘磨损量曲线；将待检测配件的边缘磨损量与配件边缘磨损量曲线进行相似度计算，利用各磨损数据点到曲线间的平均距离来衡量相似度，评估配件所属的损伤分类。

本发明实施例二使用的配件数据集共包含200张盾构机刀具的边缘点集合，按照7：3的比例划分，将140组边缘点集合作为训练集，60组边缘点集合作为测试集。对训练集内的边缘点集合，按照配件磨损量，利用公式(12)计算部分所述步骤完成处理，得到训练集内140组配件的边缘磨损数据集合

其中，m＝140。对边缘磨损数据集合

分别计算m组数据的平均磨损量

通过设置标准偏移量γ，本发明实施例中取γ＝3，利用公式(13)，对每组磨损数据内所有数据点执行偏移量对齐，得到对齐后的边缘磨损数据。

角度对齐操作需要先找到每组磨损数据取得最大值的角度ω_m，以ω_m作为磨损数据新的角度起点，ω_m前的数据点则保留初始顺序向后平移至原磨损数据的尾部。完成偏移量对齐和角度对齐的配件磨损数据集合记作

将完成偏移量对齐和角度对齐的配件磨损数据集合

按照盾构机刀具已知的损伤类型划分，可以划分为正常、均匀磨损、偏磨和破裂四类情况。分别对每种损伤类型内的配件磨损数据进行多项式拟合，得到每种损伤类型对应的配件磨损曲线F，F＝{F₁,F₂,F₃,F₄}，拟合结果如图8A～图8D所示。其中，图8A中曲线F₁代表正常状况下的磨损曲线；图8B中曲线F₂代表均匀磨损状况下的磨损曲线；图8C中曲线F₃代表偏磨状况下的磨损曲线；图8D中曲线F₄代表破裂状况下的磨损曲线。

在得到每种损伤类型对应的配件磨损曲线F后，对新增待检测配件根据计算边缘磨损数据与每类配件磨损曲线F之间的相似度来评估该配件的损伤类型。

本发明使用待检测配件磨损量内各数据点到配件磨损曲线F的平均距离来衡量相似度，利用公式(14)，分别计算待检测配件磨损量与各磨损曲线之间的平均距离S。

配件磨损量计算步骤的结果E(ω)，与四类配件磨损曲线F的平均距离S分别为{1.1623,0.7985,1.8766,1.4302}。对计算结果进行升序排列，可得该配件的磨损量与图8B磨损曲线的平均距离S最小，对应的损伤类型为均匀磨损，因此对该配件的损伤评估结果可以判定为均匀磨损。

本发明提供的方法通过总结配件样本不同的磨损状态，对磨损量数据进行角度、偏移量对齐、异常点剔除等处理，利用多项式拟合分别对各磨损状态下的磨损数据进行拟合，得到不同磨损状态对应的磨损量曲线，通过相似度计算的方式实现配件损伤的评估。与传统方法相比，基于磨损量数据的配件损伤分类充分利用了前置步骤的数据处理结果，不需要额外引入基于原始图像的机器学习分类模型，简化了损伤评估方法的流程，有效降低了计算复杂度。

实施例三

如图9所示，本发明实施例提供了一种针对圆形配件外边缘磨损量的检测系统，包括下述模块：

获取实际中心点坐标模块，用于获取配件边缘点集合，通过计算边缘点的平均坐标，获得配件边缘对应的实际中心点坐标；

获取边缘点的极坐标模块，用于根据实际中心点坐标，计算其与各个边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个边缘点的极坐标；

获取边缘距离曲线模块，用于根据各个边缘点极坐标，利用线性回归对各个边缘点对应的边缘距离进行多项式拟合，得到配件的边缘距离曲线；

矫正边缘距离模块，用于计算各个边缘点到中心点的平均距离，并根据边缘距离曲线，计算各个边缘点与边缘距离曲线的差值，对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

获取边缘距离物理长度模块，用于根据实际边缘距离，并利用配件原始照片的像素长度与物理长度的对应关系，得到各个实际边缘距离所对应的物理长度；

获取边缘点磨损量模块，用于对实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个边缘点对应的磨损量。

实施例四

如图10所示，本发明实施例提供了一种针对圆形配件外边缘磨损量的损伤评估系统，包括模块：

获取实际中心点坐标模块，用于获取配件边缘点集合，通过计算边缘点的平均坐标，获得配件边缘对应的实际中心点坐标；

获取边缘点的极坐标模块，用于根据实际中心点坐标，计算其与各个边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个边缘点的极坐标；

获取边缘距离曲线模块，用于根据各个边缘点极坐标，利用线性回归对各个边缘点对应的边缘距离进行多项式拟合，得到配件的边缘距离曲线；

矫正边缘距离模块，用于计算各个边缘点到中心点的平均距离，并根据边缘距离曲线，计算各个边缘点与边缘距离曲线的差值，对各个边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

获取边缘距离物理长度模块，用于根据实际边缘距离，并利用配件原始照片的像素长度与物理长度的对应关系，得到各个实际边缘距离所对应的物理长度；

获取边缘点磨损量模块，用于对实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个边缘点对应的磨损量；

获取配件损伤分类模块，重复上述模块，得到各配件的磨损量L；对磨损量L进行偏移量和角度对齐，利用多项式拟合得到不同损伤情况下的配件边缘磨损量曲线；将待检测配件的边缘磨损量与配件边缘磨损量曲线进行相似度计算，评估配件所属的损伤分类。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (9)

1.一种针对圆形配件外边缘磨损量的检测方法，其特征在于，包括：

步骤S1：获取配件边缘点集合，通过计算所述边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；

步骤S2：根据所述实际中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标；

步骤S3：根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线；

步骤S4：计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

步骤S5：根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度；

步骤S6：对所述实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量。

2.根据权利要求1所述的针对圆形配件外边缘磨损量的检测方法，其特征在于，所述步骤S2：根据所述中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标，包括：

根据所述实际中心点，对输入的所述配件边缘像素集合，依次计算所述实际中心点与各个所述边缘点的边缘距离d以及所构成直线的斜率k；利用反正切函数公式ω＝arctan(k)，将各个所述边缘点对应的斜率k转化为角度ω，得到各个所述边缘点的极坐标，所述极坐标包括：角度ω和边缘距离d。

3.根据权利要求1所述的针对圆形配件外边缘磨损量的检测方法，其特征在于，所述步骤S3：根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线，包括：

通过构造关于所述边缘距离d和所述角度ω的多项式函数，利用线性回归算法进行求解，得到所述边缘距离d随所述角度ω变化的边缘距离曲线；对比不同多项式阶数M下的拟合效果，使用均方差来衡量拟合误差，选择合适的多项式阶数。

4.根据权利要求1所述的针对圆形配件外边缘磨损量的检测方法，其特征在于，所述步骤S4：计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离，包括：

利用各个所述边缘点的极坐标，计算其到中心点O_r的距离，并求得平均距离A作为矫正基准；构造矫正公式，计算各个所述边缘点与所述边缘距离曲线在同一角度下的距离差值ΔY，基于矫正基准A，得到矫正后的实际边缘距离D'。

5.根据权利要求1所述的针对圆形配件外边缘磨损量的检测方法，其特征在于，所述步骤S5：根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度，包括：

利用所述配件的内部特征确定所述配件的原始图像内像素长度与物理长度的对应关系r；对矫正后得到的所述实际边缘距离，根据对应关系r，得到各所述边缘点的实际边缘距离所对应的物理长度。

6.根据权利要求1所述的针对圆形配件外边缘磨损量的检测方法，其特征在于，所述步骤S6：对所述实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量，包括：

设定所述实际边缘距离的阈值限θ，所述配件的标准制造半径为r_p，令θ＝r_p；对所述实际边缘距离超过所述阈值限θ的异常点进行过滤；根据所述标准制造半径r_p依次计算各个所述边缘点对应的磨损量e_i，得到所述配件随角度变化的磨损量数据E(ω)。

7.一种针对圆形配件外边缘磨损量的损伤评估方法，其特征在于，包括：

步骤S1：获取配件边缘点集合，通过计算所述边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；

步骤S2：根据所述实际中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标；

步骤S3：根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线；

步骤S4：计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

步骤S5：根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度；

步骤S6：对所述实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量；

步骤S7：重复步骤S1～步骤S6，得到各配件的磨损量L；对所述磨损量L进行偏移量和角度对齐，利用多项式拟合得到不同损伤情况下的配件边缘磨损量曲线；将待检测配件的边缘磨损量与配件边缘磨损量曲线进行相似度计算，评估所述配件所属的损伤分类。

8.一种针对圆形配件外边缘磨损量的检测系统，其特征在于，包括下述模块：

获取实际中心点坐标模块，用于获取配件边缘点集合，通过计算所述边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；

获取边缘点的极坐标模块，用于根据所述实际中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标；

获取边缘距离曲线模块，用于根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线；

矫正边缘距离模块，用于计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

获取边缘距离物理长度模块，用于根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度；

获取边缘点磨损量模块，用于对所述实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量。

9.一种针对圆形配件外边缘磨损量的损伤评估系统，其特征在于，包括模块：

获取实际中心点坐标模块，用于获取配件边缘点集合，通过计算所述边缘点的平均坐标，获得所述配件边缘对应的实际中心点坐标；

获取边缘点的极坐标模块，用于根据所述实际中心点坐标，计算其与各个所述边缘点的边缘距离以及构成的直线斜率，并转化为对应的角度，得到各个所述边缘点的极坐标；

获取边缘距离曲线模块，用于根据各个所述边缘点极坐标，利用线性回归对各个所述边缘点对应的边缘距离进行多项式拟合，得到所述配件的边缘距离曲线；

矫正边缘距离模块，用于计算各个所述边缘点到中心点的平均距离，并根据所述边缘距离曲线，计算各个所述边缘点与所述边缘距离曲线的差值，对各个所述边缘点进行边缘距离的矫正，得到矫正后的实际边缘距离；

获取边缘距离物理长度模块，用于根据所述实际边缘距离，并利用所述配件原始照片的像素长度与物理长度的对应关系，得到各个所述实际边缘距离所对应的物理长度；

获取边缘点磨损量模块，用于对所述实际边缘距离所对应的物理长度，根据配件的标准制造半径进行异常点的过滤，并计算各个所述边缘点对应的磨损量；

获取配件损伤分类模块，重复上述模块，得到各配件的磨损量L；对所述磨损量L进行偏移量和角度对齐，利用多项式拟合得到不同损伤情况下的配件边缘磨损量曲线；将待检测配件的边缘磨损量与配件边缘磨损量曲线进行相似度计算，评估所述配件所属的损伤分类。

Images