CN113838054A - 基于人工智能的机械零件表面损伤检测方法 - Google Patents
基于人工智能的机械零件表面损伤检测方法 Download PDFInfo
- Publication number
- CN113838054A CN113838054A CN202111428142.4A CN202111428142A CN113838054A CN 113838054 A CN113838054 A CN 113838054A CN 202111428142 A CN202111428142 A CN 202111428142A CN 113838054 A CN113838054 A CN 113838054A
- Authority
- CN
- China
- Prior art keywords
- damage
- region
- target
- pixel points
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及零件损伤检测识别领域,具体涉及基于人工智能的机械零件表面损伤检测方法。方法包括:构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型;根据零件表面图像中各像素点的灰度值,计算像素点与像素点之间的权值;根据初始损伤区域和初始正常区域的混合高斯模型,得到各像素点划分为损伤区域和正常区域的概率;根据像素点与像素点之间的权值、各像素点划分为损伤区域的概率和划分为正常区域的概率,构建损失函数模型,得到目标损伤区域,计算目标损伤区域的损伤指标;根据各行像素点的排列熵和各列像素点的排列熵,计算结构分布指标;根据损伤指标和结构分布指标,得到损伤程度指标。本发明提高了检测精度,节省了检测时间。
Description
技术领域
本发明涉及零件损伤检测识别领域,具体涉及基于人工智能的机械零件表面损伤检测方法。
背景技术
零件表面出现损伤时不仅影响零件的外部美观、表面光滑性、密封性以及耐腐蚀性,而且会对后续机械设备的运行、使用寿命、工作效率等都会产生较大影响,严重时,将会导致事故的发生。因此,对于机械零件表面损伤检测、判定是极其关键的一步。
传统进行零件损伤检测一般是根据领域内的专业检测人员以及检测仪器进行识别,专业检测人员评估方法人工成本较高,人为检测主观性较强,检测结果误检率高,且对检测人员的专业性有较高要求;通过仪器进行表面质量评估的方法,由于受测量仪器本身固有损伤、测量环境以及检测人员技能等因素的影响,会使检测结果产生误差,导致评估结果不准确。
发明内容
为了解决现有方法检测零件表面损伤准确性低的问题,本发明的目的在于提供一种基于人工智能的机械零件表面损伤检测方法,所采用的技术方案具体如下:
本发明提供了一种基于人工智能的机械零件表面损伤检测方法,该方法包括以下步骤:
获取零件表面图像;
根据所述零件表面图像,构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型;所述初始正常区域为零件表面图像中除去初始损伤区域的区域;
根据零件表面图像中各像素点的灰度值,计算零件表面图像中像素点与像素点之间的权值;根据所述初始损伤区域的混合高斯模型,得到零件表面图像中各像素点划分为损伤区域的概率,根据所述初始正常区域的混合高斯模型,得到零件表面图像中各像素点划分为正常区域的概率;
根据所述零件表面图像中像素点与像素点之间的权值、零件表面图像中各像素点划分为损伤区域的概率和零件表面图像中各像素点划分为正常区域的概率,构建损失函数模型;根据所述损失函数模型,得到目标损伤区域;
根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率,得到目标损伤区域的损伤指标;
获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,根据所述目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,计算目标损伤区域的结构分布指标;
根据所述目标损伤区域的损伤指标和目标损伤区域的结构分布指标,计算零件表面的损伤程度指标。
优选的,所述构建初始损伤区域的混合高斯模型,包括:
采用聚类算法对初始损伤区域的像素点进行聚类,得到设定个数的簇;
获取各簇内像素点的数量和各簇内各像素点的灰度值,根据所述各簇内像素点的数量和各簇内各像素点的灰度值,构建各簇对应的高斯子模型;
根据所述各簇对应的高斯子模型,构建初始损伤区域的混合高斯模型。
优选的,所述初始损伤区域的混合高斯模型为:
优选的,损失函数模型为:
其中,为损失函数模型,为目标损伤区域像素点的个数,为正常区域像素点的个数,为目标损伤区域中第个像素点和第个像素点之间的权值,为正常区域中第个像素点和第个像素点之间的权值,为目标损伤区域中第个像素点划分为损伤区域的概率,为正常区域中第个像素点划分为正常区域的概率。
优选的,所述根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率,得到目标损伤区域的损伤指标,包括:
采用如下公式计算目标损伤区域中各像素点对于目标损伤区域的隶属度:
采用如下公式计算目标损伤区域的损伤指标:
优选的,所述获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,包括:
获取目标损伤区域中各行像素点的灰度值,根据目标损伤区域中各行像素点的灰度值,构建各行像素点对应的原始序列;根据设定的嵌入维度和时间延迟,对各行像素点对应的原始序列进行重构,得到各行像素点对应的多组重构行序列;根据所述各行像素点对应的多组重构行序列,得到各行像素点的排列熵;
获取目标损伤区域中各列像素点的灰度值,根据目标损伤区域中各列像素点的灰度值,构建各列像素点对应的原始序列;根据设定的嵌入维度和时间延迟,对各列像素点对应的原始序列进行重构,得到各列像素点对应的多组重构列序列;根据所述各列像素点对应的多组重构列序列,得到各列像素点的排列熵。
优选的,采用如下公式计算目标损伤区域的结构分布指标:
优选的,采用如下公式计算零件表面的损伤程度指标:
本发明具有如下有益效果:本发明构建了初始损伤区域的混合高斯模型,根据初始损伤区域的混合高斯模型得到零件表面图像中各像素点划分为损伤区域的概率,同时构建了初始正常区域的混合高斯模型,根据初始正常区域的混合高斯模型得到零件表面图像中各像素点划分为正常区域的概率;基于零件表面图像中像素点划分为损伤区域的概率和划分为正常区域的概率对像素点进行划分,得到目标损伤区域,提高了零件表面损伤区域的检测精度。本发明的目标损伤区域相较于初始损伤区域更加准确,因此本申请计算的损伤指标更加准确;在此基础上,本发明还计算了目标损伤区域的结构分布指标,根据目标损伤区域的损伤指标和结构分布指标这两个指标共同对零件表面的损伤程度指标进行判断,判断结果更加准确。本发明的检测方法属于一种自动检测方法,不依赖于人工,相较于现有的人工检测方法节省了检测时间,提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的机械零件表面损伤检测方法的流程图;
图2为本发明的检测效果对比图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的机械零件表面损伤检测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的机械零件表面损伤检测方法的具体方案。
基于人工智能的机械零件表面损伤检测方法实施例
现有方法检测零件表面损伤存在准确性低的问题。为了解决上述问题,本实施例提出了基于人工智能的机械零件表面损伤检测方法,如图1所示,本实施例的基于人工智能的机械零件表面损伤检测方法包括以下步骤:
步骤S1,获取零件表面图像。
为了检测机械零件表面的损伤情况,本实施例采集机械零件表面图像,并进行图像预处理,以提高检测精度。
具体的,将相机布置于零件上方,采集待检测零件表面的正视图像,对机械零件表面异常情况进行检测。考虑到机械零件加工生产等工业环境较为复杂、恶劣,图像采集过程中可能会产生图像噪声,影响机械零件表面图像的高质量采集。为了提高系统检测精度,得到高质量的图像数据,本实施例对采集的零件表面图像进行预处理。预处理包括图像滤波去噪和图像增强处理,图像预处理过程为公知技术,此处不再阐述。
步骤S2,根据所述零件表面图像,构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型;所述初始正常区域为零件表面图像中除去初始损伤区域的区域。
本实施例采用Canny边缘检测算法对预处理后的零件表面图像进行边缘检测,初步提取零件表面图像中的损伤区域的边缘线,将包括零件表面图像内所有边缘线在内的最小外接矩形内的区域记为初步提取的损伤区域,将初步提取的损伤区域记为初始损伤区域。初始损伤区域可能不止一个,本实施例以其中一个为例进行以下处理,其它初始损伤区域均可采用本实施的方法进行处理。
由于零件表面可能会存在不同种类的损伤情况,不同情况的损伤也会有不同的特征表达,因此初步提取的损伤区域可能不太准确,为了提高零件表面损伤程度的检测精度,本实施例构建了初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型,后续根据初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型对零件表面图像各像素点进行划分,得到目标损伤区域的图像。
构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型的具体过程为:对零件表面图像进行灰度化处理,得到零件表面的灰度图。根据灰度图中初始损伤区域各像素点的灰度值,采用聚类算法对初始损伤区域的像素点进行聚类,得到k个簇,本实施例采用的是K-Means聚类算法,在具体应用中,也可采用其它的聚类算法。进一步获取各个簇内的像素点数量。根据每个簇内像素点的灰度值构建对应的高斯子模型,每个簇对应一个高斯子模型。基于每个簇的高斯子模型构建初始损伤区域的混合高斯模型,本实施例利用数学建模的方法拟合出每个簇的高斯子模型、每个簇内像素点的数量和混合高斯模型之间的函数关系,通过函数拟合得到混合高斯模型的函数表达式为:
其中,为第个簇对应的高斯子模型,为第个簇内像素点的数量,为初始损伤区域中簇的个数,为初始损伤区域的混合高斯模型,对初始损伤区域的混合高斯模型归一化处理,归一化处理后的值处于0到1之间,将归一化后的初始损伤区域的混合高斯模型记为。
获取零件表面图像中除去初始损伤区域的图像,将其记为初始正常区域的图像。同样地,根据零件表面灰度图中初始正常区域各像素点的灰度值,对初始正常区域的像素点进行聚类,得到初始正常区域对应的簇。根据初始正常区域对应的簇,采用上述方法得到初始正常区域的混合高斯模型, 对初始正常区域的混合高斯模型归一化处理,归一化处理后的值处于0到1之间,将归一化后的初始正常损伤区域的混合高斯模型记为。
混合高斯模型是根据像素点的灰度值的分布情况得到的,能够大致反映出零件表面图像中各像素点属于损伤区域或正常区域的概率,因此,本实施例在后续步骤中根据初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型对零件表面图像中各像素点进行划分。
步骤S3,根据零件表面图像中各像素点的灰度值,计算零件表面图像中像素点与像素点之间的权值;根据所述初始损伤区域的混合高斯模型,得到零件表面图像中各像素点划分为损伤区域的概率,根据所述初始正常区域的混合高斯模型,得到零件表面图像中各像素点划分为正常区域的概率。
零件表面图像中两个像素点的灰度差越小,这两个像素点的特征越相似,分到同一类区域的概率越大,即同时分到损伤区域或同时分到正常区域的概率越大。本实施例获取零件表面图像中各像素点的灰度值,将零件表面图像中各像素点的灰度值代入初始损伤区域的混合高斯模型中,得到零件表面图像中各像素点划分为损伤区域的概率;将零件表面图像中各像素点的灰度值代入初始正常区域的混合高斯模型中,得到零件表面图像中各像素点划分为正常区域的概率。本实施例用零件表面图像中像素点与像素点之间的灰度差表征对应两个像素点之间的权值,具体计算公式为:
步骤S4,根据所述零件表面图像中像素点与像素点之间的权值、零件表面图像中各像素点划分为损伤区域的概率和零件表面图像中各像素点划分为正常区域的概率,构建损失函数模型;根据所述损失函数模型,得到目标损伤区域。
为了准确地获取零件表面图像的损伤区域,本实施例将构建损失函数,基于构建的损失函数,将零件表面图像划分为疑似损伤区域和疑似正常区域。
具体的,根据零件表面图像中各像素点划分为相应区域的概率以及各像素点与其归属的区域中的其它像素点之间的权值构建损失函数,所述相应区域为损伤区域或正常区域,利用数学建模的方法拟合出零件表面图像中像素点与其归属的区域的概率、零件表面图像中像素点与像素点之间的权值和损失函数的关系,通过函数拟合得到损失函数模型为:
其中,为损失函数模型,为目标损伤区域像素点的个数,为正常区域像素点的个数,为目标损伤区域中第个像素点和第个像素点之间的权值,为正常区域中第个像素点和第个像素点之间的权值,为目标损伤区域中第个像素点划分为损伤区域的概率,为正常区域中第个像素点划分为正常区域的概率。
本实施例保证损失函数最小化的原则对零件表面图像中的各像素点进行划分,得到零件表面图像中的疑似损伤区域和疑似正常区域.。
本实施例构建的损失函数模型包含两部分损失,一部分是零件表面图像中每个像素点与其归属的区域之间的损失,另一部分是零件表面图像中每个像素点与其归属的区域中的其它像素点之间的损失,通过该损失函数对零件表面图像中各像素点进行遍历,得到对应的区域。
本实施例考虑到零件表面可能会出现多处损伤区域,而上述像素点分类仅是将图像划分为满足损失函数最小的两个区域,当零件表面出现多处损伤时,在上述分割的两部分中会存在一些分错的子区域。为了实现对各损伤区域的准确提取,本实施例将对上述划分得到的疑似损伤区域和疑似正常区域再次进行划分,分别对这两个区域的像素点进行分析,构建迭代划分过程,实现对零件表面各损伤区域的精确提取。
各损伤区域的具体提取过程为:首先利用高斯混合模型,计算疑似损伤区域每个像素点的概率并进行归一化处理,获取疑似损伤区域各像素点的概率构成的第一概率序列,其中,为疑似损伤区域像素点的数量。设置第一概率阈值为,本实施例将概率序列中概率值大于的像素点作为疑似损伤区域的疑似损伤子区域的像素点,将概率序列中概率值小于的像素点作为疑似损伤区域的疑似正常子区域的像素点。然后利用高斯混合模型,计算疑似正常区域每个像素点的概率并进行归一化处理,获取疑似正常区域各像素点的概率构成的第二概率序列,设置第二概率阈值为,将概率序列中概率值大于的像素点作为疑似正常区域的疑似正常子区域的像素点,将概率值小于的像素点作为疑似正常区域的疑似损伤子区域的像素点。和的值实施者可根据实际情况自行设定。为了准确提取零件表面图像中各损伤区域,本实施例按照步骤S2的方法计算了上述划分得到的各子区域对应的混合高斯模型,并分别构建损失函数,根据损失函数对子区域进行迭代划分,设定迭代终止条件:,即当划分之后的子区域内像素点的数量满足,且划分之后的子区域内所有像素点的概率均值,其中分别为迭代终止参数,本实施例设置,在具体应用中,可根据实际情况进行设定。本实施例采用迭代划分的方法,实现了零件表面各损伤区域的完整提取。
至此,得到零件损伤图像中的各损伤区域,将其记为各目标损伤区域。目标损伤区域可能不止一个,本实施例以其中一个为例,进行后续处理,其他目标损伤区域均可采用本实施例提供的方法进行处理。
本实施例在得到疑似损伤区域和疑似正常区域之后,为了提高零件表面图像中损伤区域获取的准确性,进一步对疑似损伤区域和疑似正常区域各像素点进行迭代划分,其它实施例中,实施者也可以不进行迭代划分,直接将疑似损伤区域作为目标损伤区域。
步骤S5,根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率,得到目标损伤区域的损伤指标。
本实施例基于步骤S4划分后得到的目标损伤区域进行分析,建立隶属度分析模型,用于检测目标损伤区域的损伤指标。根据目标损伤区域各像素点被划分为该区域的权值和目标损伤区域内像素点与像素点之间的关系对目标损伤区域进行分析,目标损伤区域两个像素点之间的权值越大,表明这两个像素点越应该归为一类,即同属于损伤区域;目标损伤区域的像素点划分为损伤区域的概率越大,表明该像素点越应该划分为目标损伤区域。本实施例用目标损伤区域像素点与像素点之间的权值和划分为损伤区域的概率反映目标损伤区域中各像素点对于目标损伤区域的隶属度,利用数学建模的方法拟合出目标损伤区域像素点与像素点之间的权值、各像素点划分为损伤区域的概率和隶属度之间的函数关系,通过函数拟合得到隶属度的函数表达式为:
根据目标损伤区域各像素点对于该区域的隶属度,计算目标损伤区域的损伤指标,即:
步骤S6,获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,根据所述目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,计算目标损伤区域的结构分布指标。
对于步骤S4得到的目标损伤区域,本实施例获取该区域中各行像素点的灰度值,根据目标损伤区域中各行像素点的灰度值,得到各行像素点对应的排列熵。
具体的,对于第行像素点,基于像素点的灰度值对其进行分析,按照从左到右的顺序,基于该行像素点灰度值,得到该行像素点构成的序列,其中,为第行像素点构成的原始序列,为目标损伤区域中第行第1个像素点的灰度值,为目标损伤区域中第行像素点的个数。将该行像素点构成的原始序列看作时间序列,构建分布情况分析模型,分析目标损伤区域第行像素点的分布情况,所述分布情况分析模型具体为:首先,对于该行像素点构成的原始序列,设置嵌入维度m=4,时间延迟t=2,基于原始序列得到对应的重构序列,本实施例设置m=4,t=2,实施者可自行设定嵌入维度及时间延迟,重构序列中包括多组序列,本实施例共有()组,第一组对应=1,第二组=2,…,第()组=,依次即可得到重构序列,获取重构序列内各组序列中每个元素的下标,即的下标为0、的下标为1、的下标为,进一步得到重构序列对应的下标序列(0、1、…、)。将重构序列中每组序列的各个元素进行递增排序,根据递增排序后每个元素的下标,得到其对应的下标排序序列。获得重构序列对应的所有下标序列,统计各种下标序列出现的频次。假设某一行的像素点构成100个重构序列,每个重构序列中包含四个元素,分别对这四个元素标记为0、1、2、3,即0、1、2、3分别为这四个元素的下标,对每个重构序列中四个元素进行递增排序,得到排序后每个重组序列对应的下标序列,其中一个重构序列对应的下标序列为(3,2,1,0);获取该下标序列在该行像素点构成的100个重构序列出现的次数,若该下标序列出现了10次,那么该类别下标序列的概率为0.1。计算各种下标序列的概率的公式为:
本实施例根据目标损伤区域中各行像素点对应的排列熵和各列像素点对应的排列熵,获取目标损伤区域中的结构分布指标,用于目标损伤区域内部的分布情况。具体结构分布指标为:
步骤S7,根据所述目标损伤区域的损伤指标和目标损伤区域的结构分布指标,计算零件表面的损伤程度指标。
由于零件表面的损伤区域可能不止一个,本实施例构建零件表面损伤程度指标模型,以便根据该模型实现对零件表面损伤程度的检测。利用数学建模的方法拟合出损伤指标、结构分布指标和零件表面损伤程度指标之间的函数关系,通过函数拟合得到零件表面损伤程度指标模型的函数表达式为:
对得到的零件表面损伤程度指标进行归一化处理,使函数值处于[0,1],当零件表面损伤程度指标大于设定阈值时,判定零件表面损伤严重,需要进行再次加工修复,以保证零件成品率及使用效果。本实施例设定零件表面损伤程度指标的阈值为0.4,在具体应用中,根据实际需要自行设定。
本实施例构建了初始损伤区域的混合高斯模型,根据初始损伤区域的混合高斯模型得到零件表面图像中各像素点划分为损伤区域的概率,同时构建了初始正常区域的混合高斯模型,根据初始正常区域的混合高斯模型得到零件表面图像中各像素点划分为正常区域的概率;基于零件表面图像中像素点划分为损伤区域的概率和划分为正常区域的概率对像素点进行划分,得到目标损伤区域,提高了零件表面损伤区域的检测精度。本实施例的目标损伤区域相较于初始损伤区域更加准确,因此本申请计算的损伤指标更加准确;在此基础上,本实施例还计算了目标损伤区域的结构分布指标,根据目标损伤区域的损伤指标和结构分布指标这两个指标共同对零件表面的损伤程度指标进行判断,判断结果更加准确。本实施例的检测方法属于一种自动检测方法,不依赖于人工,相较于现有的人工检测方法节省了检测时间,提高了检测效率。
为了对本实施例的检测方法的准确率进行验证,本实施例选取了200个表面均存在损伤的机械零件,利用本实施例的检测方法对这200个机械零件进行表面缺陷检测,如图2所示,实验结果表明,按照本实施例的检测方法存在的检测错误件数为5,检测准确率为97.5%;利用这200个机械零件对现有的红外线检测仪的准确率进行测试,结果表面,现有的红外检测仪存在的检测错误件数为14,检测准确率为93%;由此可以看出,本实施例的检测方法相较于现有的仪器检测方法在对机械零件表面损伤检测方面的准确率有较大程度的提升。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的机械零件表面损伤检测方法,其特征在于,该方法包括以下步骤:
获取零件表面图像;
根据所述零件表面图像,构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型;所述初始正常区域为零件表面图像中除去初始损伤区域的区域;
根据零件表面图像中各像素点的灰度值,计算零件表面图像中像素点与像素点之间的权值;根据所述初始损伤区域的混合高斯模型,得到零件表面图像中各像素点划分为损伤区域的概率,根据所述初始正常区域的混合高斯模型,得到零件表面图像中各像素点划分为正常区域的概率;
根据所述零件表面图像中像素点与像素点之间的权值、零件表面图像中各像素点划分为损伤区域的概率和零件表面图像中各像素点划分为正常区域的概率,构建损失函数模型;根据所述损失函数模型,得到目标损伤区域;
根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率,得到目标损伤区域的损伤指标;
获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,根据所述目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,计算目标损伤区域的结构分布指标;
根据所述目标损伤区域的损伤指标和目标损伤区域的结构分布指标,计算零件表面的损伤程度指标。
2.根据权利要求1所述的一种基于人工智能的机械零件表面损伤检测方法,其特征在于,所述构建初始损伤区域的混合高斯模型,包括:
采用聚类算法对初始损伤区域的像素点进行聚类,得到设定个数的簇;
获取各簇内像素点的数量和各簇内各像素点的灰度值,根据所述各簇内像素点的数量和各簇内各像素点的灰度值,构建各簇对应的高斯子模型;
根据所述各簇对应的高斯子模型,构建初始损伤区域的混合高斯模型。
6.根据权利要求1所述的一种基于人工智能的机械零件表面损伤检测方法,其特征在于,所述获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵,包括:
获取目标损伤区域中各行像素点的灰度值,根据目标损伤区域中各行像素点的灰度值,构建各行像素点对应的原始序列;根据设定的嵌入维度和时间延迟,对各行像素点对应的原始序列进行重构,得到各行像素点对应的多组重构行序列;根据所述各行像素点对应的多组重构行序列,得到各行像素点的排列熵;
获取目标损伤区域中各列像素点的灰度值,根据目标损伤区域中各列像素点的灰度值,构建各列像素点对应的原始序列;根据设定的嵌入维度和时间延迟,对各列像素点对应的原始序列进行重构,得到各列像素点对应的多组重构列序列;根据所述各列像素点对应的多组重构列序列,得到各列像素点的排列熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428142.4A CN113838054B (zh) | 2021-11-29 | 2021-11-29 | 基于人工智能的机械零件表面损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428142.4A CN113838054B (zh) | 2021-11-29 | 2021-11-29 | 基于人工智能的机械零件表面损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838054A true CN113838054A (zh) | 2021-12-24 |
CN113838054B CN113838054B (zh) | 2022-02-25 |
Family
ID=78971822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111428142.4A Active CN113838054B (zh) | 2021-11-29 | 2021-11-29 | 基于人工智能的机械零件表面损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838054B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN115131683A (zh) * | 2022-08-25 | 2022-09-30 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
CN115393657A (zh) * | 2022-10-26 | 2022-11-25 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN117132946A (zh) * | 2023-10-26 | 2023-11-28 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
CN114841939B (zh) * | 2022-04-24 | 2024-05-24 | 杭州丰越丝绸织造有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503660A (zh) * | 2016-10-31 | 2017-03-15 | 天津大学 | 基于图像微结构频数分析的时间序列复杂度测算方法 |
CN109307823A (zh) * | 2018-10-10 | 2019-02-05 | 贵州电网有限责任公司 | 变压器有载分接开关机械状态监测系统及信号处理方法 |
US20200037885A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems And Methods For Tissue Assessment |
US20200225112A1 (en) * | 2019-01-11 | 2020-07-16 | Nanjing University Of Aeronautics And Astronautics | Four-dimensional imaging method for structural damage based on time-invariant characteristic signal |
CN111598887A (zh) * | 2020-05-25 | 2020-08-28 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于lvq-gmm算法和多目标优化分割算法的航天器缺陷检测方法 |
CN111830084A (zh) * | 2020-06-09 | 2020-10-27 | 昆明理工大学 | 一种炉衬耐火材料损伤检测方法 |
CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
CN113421223A (zh) * | 2021-05-26 | 2021-09-21 | 福州大学 | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 |
CN113689426A (zh) * | 2021-09-27 | 2021-11-23 | 皮红启 | 基于图像处理的消防器械缺陷检测方法 |
-
2021
- 2021-11-29 CN CN202111428142.4A patent/CN113838054B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503660A (zh) * | 2016-10-31 | 2017-03-15 | 天津大学 | 基于图像微结构频数分析的时间序列复杂度测算方法 |
US20200037885A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems And Methods For Tissue Assessment |
CN109307823A (zh) * | 2018-10-10 | 2019-02-05 | 贵州电网有限责任公司 | 变压器有载分接开关机械状态监测系统及信号处理方法 |
US20200225112A1 (en) * | 2019-01-11 | 2020-07-16 | Nanjing University Of Aeronautics And Astronautics | Four-dimensional imaging method for structural damage based on time-invariant characteristic signal |
CN111598887A (zh) * | 2020-05-25 | 2020-08-28 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于lvq-gmm算法和多目标优化分割算法的航天器缺陷检测方法 |
CN111830084A (zh) * | 2020-06-09 | 2020-10-27 | 昆明理工大学 | 一种炉衬耐火材料损伤检测方法 |
CN112686144A (zh) * | 2020-12-29 | 2021-04-20 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
CN113421223A (zh) * | 2021-05-26 | 2021-09-21 | 福州大学 | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 |
CN113689426A (zh) * | 2021-09-27 | 2021-11-23 | 皮红启 | 基于图像处理的消防器械缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
JIA RS ET AL: "《Suppressing Non-Stationary Random Noise In Microseismic Data by Using Ensemble Empirical Mode Decomposition and Permutation Entropy》", 《SCIENCE DIRECT》 * |
江金源: "《基于HMM的滚动轴承故障诊断方法研究及硬件实现》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897772B (zh) * | 2022-03-31 | 2024-05-14 | 河南省开仑化工有限责任公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114742786B (zh) * | 2022-03-31 | 2023-08-29 | 山东西岳智能科技有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114841939B (zh) * | 2022-04-24 | 2024-05-24 | 杭州丰越丝绸织造有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114627125B (zh) * | 2022-05-17 | 2022-07-15 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
CN115131683A (zh) * | 2022-08-25 | 2022-09-30 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于高分辨率遥感影像的林业信息识别方法 |
CN115393657A (zh) * | 2022-10-26 | 2022-11-25 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN115393657B (zh) * | 2022-10-26 | 2023-01-31 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN117132946B (zh) * | 2023-10-26 | 2024-01-12 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
CN117132946A (zh) * | 2023-10-26 | 2023-11-28 | 山东力为万方智能科技有限公司 | 一种消防占道异常物体检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113838054B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN114627125B (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN114091606A (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN114001654B (zh) | 工件端面位姿评价方法 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN111709944B (zh) | 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 | |
CN113780488A (zh) | 基于位置聚合程度的刮伤与擦伤缺陷检测方法 | |
CN111638427A (zh) | 一种基于核胶囊神经元覆盖的变压器故障检测方法 | |
CN114841939B (zh) | 基于图像处理的坯布缺陷程度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |