CN114187266A - 基于人工智能的齿面胶合程度评估方法 - Google Patents
基于人工智能的齿面胶合程度评估方法 Download PDFInfo
- Publication number
- CN114187266A CN114187266A CN202111515595.0A CN202111515595A CN114187266A CN 114187266 A CN114187266 A CN 114187266A CN 202111515595 A CN202111515595 A CN 202111515595A CN 114187266 A CN114187266 A CN 114187266A
- Authority
- CN
- China
- Prior art keywords
- tooth surface
- row
- pixel points
- initial
- pixel
- 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
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000000875 corresponding effect Effects 0.000 claims description 65
- 238000000926 separation method Methods 0.000 claims description 47
- 238000005192 partition Methods 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000011180 Dental Pulp Calcification Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的齿面胶合程度评估方法。该方法采集齿轮的齿面图像,获取齿面图像中的齿面区域;计算齿面区域中每个像素点的梯度,获取多个由每行像素点的梯度组成的像素梯度序列,利用初始嵌入维度和初始时间延迟获取每个行像素梯度序列的初始排列熵,由初始排列熵对初始嵌入维度和初始时间延迟进行优化,得到每行像素点的嵌入维度和时间延迟;利用嵌入维度和时间延迟计算每行像素点的排列熵,得到齿面区域的胶合缺陷程度,由多个齿面区域的胶合缺陷程度得到齿轮的齿面胶合程度。使用排列熵对齿面区域内各行像素点进行混乱程度的分析,充分表征正常像素点和缺陷像素点的差异,能够提高检测的合理性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的齿面胶合程度评估方法。
背景技术
在高速重载的齿轮传动中,齿轮润滑油的油膜因温度升高被破坏,接触齿面产生很高的瞬时温度,齿面接触处的金属局部在很高的压力下黏结在一起,沿齿面的滑动方向形成深、宽不等的条状糙沟纹,在齿顶和齿根处较为严重,从而形成齿面胶合,进而引发齿轮故障或齿轮失效,影响工作效率和工作质量。因此,需要对齿轮的胶合现象以及胶合缺陷程度进行评估,从而采取对应的处理措施,防止发生进一步的损坏,提高生产安全性和生产质量。
现阶段中的齿面胶合判定方法中,齿面磨损量法和齿轮动力响应法需借助铁谱仪、光度计、光电比色计、实验齿轮箱等特殊的精密仪器,限制较大,无法大规模推广使用。而在工业或生活场景中,一般通过拍照法获得缺陷连通域,并根据连通域面积和数量等信息进行齿面胶合的程度判定,有效信息较少,检测结果准确性较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的齿面胶合程度评估方法,所采用的技术方案具体如下:
本发明实施例提供了一种基于人工智能的齿面胶合程度评估方法,该方法包括以下具体步骤:
采集齿轮的齿面图像,所述齿面图像包含多个齿面,获取所述齿面图像中每个齿面的齿面区域;
分别计算所述齿面区域中每个像素点的梯度,将所述齿面区域中每一行像素点对应的多个梯度组成行像素梯度序列,进而得到多个所述行像素梯度序列;利用设定的初始嵌入维度和初始时间延迟分别获取每个所述行像素梯度序列的初始排列熵,根据所述初始排列熵将所述齿面区域划分为多个子区域,由每个子区域中对应每行像素点的总数量和所述初始排列熵分别对所述初始嵌入维度和所述初始时间延迟进行优化,得到所述齿面区域内每行像素点对应的嵌入维度和时间延迟;所述子区域包括齿顶子区域、齿中子区域和齿根子区域。
利用所述嵌入维度和所述时间延迟对应计算每行像素点的排列熵,根据所述排列熵得到所述齿面区域的胶合缺陷程度,结合多个所述齿面区域的所述胶合缺陷程度得到所述齿轮的齿面胶合程度。
进一步地,所述根据所述初始排列熵将所述齿面区域划分为多个子区域的方法,包括:
根据所述齿面区域中各行像素点对应的所述初始排列熵之间的差异进行所述子区域的第一分隔线和第二分隔线的初始判断,得到行像素点对应的多个候选分隔线;
由所述候选分隔线在所述齿面区域中的位置信息得到所述第一分隔线和所述第二分隔线;根据所述第一分隔线和所述第二分隔线将所述齿面区域分为多个所述子区域。
进一步地,所述嵌入维度的获取方法,包括:
统计所述齿面区域中像素点的总数量,分别计算每行像素点的数量与所述总数量之间的比值,将所述比值作为对应行像素点的嵌入维度系数;
结合所述嵌入维度系数和所述初始嵌入维度得到对应行像素点的所述嵌入维度。
进一步地,所述时间延迟的获取方法,包括:
基于每行像素点所属的所述子区域,根据每行像素点的所述初始排列熵分别计算每个所述子区域的初始排列熵均值;
根据所述初始排列熵均值计算每个所述子区域的时间延迟系数,由所述时间延迟系数和所述初始时间延迟得到每行像素点的所述时间延迟。
进一步地,所述结合多个所述齿面区域的所述胶合缺陷程度得到所述齿轮的齿面胶合程度的方法,包括:
计算所有所述齿面区域的所述胶合缺陷程度的平均值,将所述平均值作为所述齿轮的所述齿面胶合程度。
进一步地,所述候选分割线的获取方法,包括:
计算所述齿面区域中相邻行像素点对应的所述初始排列熵之间的排列熵差值,以得到多个所述排列熵差值;
将每个所述排列熵差值作为检测点,基于LOF算法进行离散点的检测,将当前检测点的多个邻域点的局部可达密度与所述当前检测点的局部可达密度之比的平均值作为其离散程度值;
将所述离散程度值按照由大到小的顺序进行排序,获取前k个所述离散程度值对应的检测点,将这些检测点对应的行像素点作为所述第一分隔线和所述第二分隔线的所述候选分隔线。
进一步地,所述由所述候选分隔线在所述齿面区域中的位置信息得到所述第一分隔线和所述第二分隔线的方法,包括:
根据行像素点在所述齿面区域中对应的行数和总行数得到每行像素点对应的距离指标,结合所述距离指标和所述离散程度值得到对应每行像素点判断为所述第一分隔线或所述第二分隔线的可能性,将所述可能性的最大值对应的行像素点作为所述第一分隔线或所述第二分隔线。
进一步地,所述可能性与所述距离指标呈负相关、所述可能性与所述离散程度值呈正相关。
本发明实施例至少具有如下有益效果:(1)使用排列熵对齿面区域内各行像素点进行混乱程度的分析,能够充分表征正常像素点和缺陷像素点之间的差异,能够提高检测的合理性;通过将齿面区域进行齿顶、齿面和齿根的子区域划分,通过不同子区域对于齿面胶合缺陷程度的贡献程度不同,能够得到更加准确的检测结果。
(2)结合齿面区域中各行像素点的所属子区域以及行像素点的长度,对齿面区域中每行像素点的嵌入维度和时间延迟进行自适应值的获取,以提高检测准确性。
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提供的一种基于人工智能的齿面胶合程度评估方法的步骤流程图。
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齿面胶合程度评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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齿面胶合程度评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的齿面胶合程度评估方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集齿轮的齿面图像,齿面图像包含多个齿面,获取齿面图像中每个齿面的齿面区域。
具体的,本发明实施例通过单个齿轮的多个齿面进行齿面胶合程度的评估,利用相机拍摄齿轮的齿面正视图,以获得包含多个齿面的齿面图像。首先对齿面图像进行灰度化处理得到齿面灰度图像,然后基于拉普拉斯算法对齿面灰度图像进行锐化处理,在保留图像背景信息的前提下突出细节信息,得到齿面锐化图像。
进一步地,利用编码器-解码器结构的DNN网络对齿面锐化图像进行语义分割,获得齿轮上每个齿面的齿面区域,其中DNN网络的具体训练过程如下:
(1)以大量的齿面锐化图像为数据集,首先制作数据标签:在齿面锐化图像中,将齿面区域的像素点标注为1,其他区域的像素点标注为0。
(2)将齿面锐化图像数据和标签数据输入DNN网络中进行训练,使用编码器进行特征提取,输出为特征图;用解码器对特征图进行上采样,最终输出与原图等大的语义感知效果图。
(3)使用交叉熵损失函数对DNN网络进行迭代训练。
将待检测的齿面锐化图像输入训练好的DNN网络中,得到齿面分割结果图,将齿面分割结果图作为遮罩与原图相乘能够得到多个齿面区域。
步骤S002,分别计算齿面区域中每个像素点的梯度,将齿面连通域中每一行像素点对应的多个梯度组成行像素梯度序列,进而得到多个行像素梯度序列;利用设定的初始嵌入维度和初始时间延迟分别获取每个行像素梯度序列的初始排列熵,根据初始排列熵将齿面区域划分为多个子区域,由每个子区域中对应每行像素点的总数量和初始排列熵分别对初始嵌入维度和初始时间延迟进行优化,得到齿面区域内每行像素点对应的嵌入维度和时间延迟。
具体的,由于齿面胶合在齿根、齿顶位置处的胶合程度更深,则对于每个齿面区域,可根据行像素点的混乱程度进行齿面胶合的初步检测,以将齿面区域分为多个子区域,即齿顶子区域、齿中子区域和齿根子区域三个部分,分别对每个子区域进行进一步的胶合检测,以提高检测的准确性。具体方法为:
首先,用中值滤波对齿面区域进行去噪处理,以提高图像的质量,降低异常点的影响。又由于采集图像时会发生齿面之间的相互遮挡,每个齿面区域会存在不规则区域,且齿根部分被不同程度地遮挡,则对于每一个齿面区域,分别计算其中每个像素点的梯度U=(G,θ),其中,G为梯度大小,θ为梯度方向。根据齿面区域的上边缘线对应像素点的梯度获得第一个行像素梯度序列其中,U11为齿面区域中第一行第一列像素点的梯度,s1为第一行像素点的数量,进一步将第一行中各像素点的下邻域像素点中属于齿面区域的像素点看作第二行像素点,根据第二行各个像素点的梯度获得第二个行像素梯度序列同理,可获得齿面区域中每一行像素点的行像素梯度序列其中,齿面区域具有M行像素点,则i=1,…,M,则齿面区域共有M个行像素梯度序列。
获得齿面区域中每行像素点的行像素梯度序列后,将行像素梯度序列视为时间序列,利用排列熵算法获取齿面区域中第i行像素点的梯度变化的复杂程度,且像素点梯度越复杂,对应的排列熵数值就越大。对于齿面区域中的行像素梯度序列利用设定的初始嵌入维度m和初始时间延迟L对行像素梯度序列Xi进行重构以得到多个重构序列Xi′=(Uij,Ui(j+L),...,Ui(j+(m-1)L)),其中,Uij为第i行像素点的第j个像素点的梯度,Ui(j+L)为第i行像素点的第j+L个像素点的梯度,Ui(j+(m-1)L)为第i行像素点的第j+(m-1)L个像素点的梯度,获取重构序列中每个元素的下标,即梯度Uij的下标为0、Ui(j+L)的下标为1、Ui(j+(m-1)L)的下标为(m-1),进而能够得到重构序列对应的初始下标序列(0、1、…、m-1)。将重构序列Xi′中的各个元素进行递增排序,进而根据重新排序后的重构序列中每个元素的位置,将其每个元素对应的下标进行重新排序以得到下标序列Yi。重复上述步骤,获取所有重构序列对应的下标序列,并统计每种下标序列的数量,进而得到每种下标序列的概率P1,P2,...,PK,其中,PK为第K种下标序列的概率,K≤m!。根据概率计算每个行像素梯度序列的排列熵,则行像素梯度序列Xi的初始排列熵为排列熵的数值越大,对应行像素点的梯度复杂度越高,像素点之间的差异和混乱程度越高。
需要说明的是,初始嵌入维度m用来控制重构序列的长度,初始时间延迟L用来控制重构序列在行像素梯度序列中的采样间隔,两者的具体数值均需要根据实际情况进行人为设定,且设定值过大或过小均会影响检测结果的准确性。
优选的,本发明实施例中初始嵌入维度m=4,初始时间延迟L=4。
然后,由于初始嵌入维度和初始时间延迟的设定是基于经验设定的,会导致齿面区域中每行像素点的排列熵的计算结果不准确,因此,基于齿面区域中各行像素点对应的初始排列熵将齿面区域分为齿顶子区域、齿中子区域和齿根子区域。
为了将齿面区域划分为齿顶、齿中、齿根三个相邻区域,需要分别获得齿顶与齿中的第一分隔线a,以及齿中与齿根的第二分隔线b,且第一分隔线a和第二分隔线b分别对应第a行和第b行像素点。
由于齿面胶合在齿根、齿顶位置处的胶合程度更深,则齿面区域若存在齿面胶合缺陷,齿根子区域、齿顶子区域对应的初始排列熵相对于齿中子区域更大,因此可结合各行像素点的初始排列熵的大小关系以及在齿面区域中的位置,进行第一分隔线a和第二分隔线b的判断:
(1)根据齿面区域中各行像素点对应的初始排列熵之间的差异进行第一分隔线a和第二分隔线b的初始判断。
具体的,由于划分子区域的目的是使得每个子区域内部的差异较小,而不同子区域之间的差异较大,则第a行像素点或第b行像素点作为不同子区域之间的分隔线,其对应初始排列熵与第a-1行像素点或第b+1行像素点对应初始排列熵之间的差异较大,因此计算齿面区域中相邻行像素点对应的初始排列熵之间的排列熵差值其中,为第i行像素点的初始排列熵,为第i+1行像素点的初始排列熵,进而得到第1行像素点,…,第M-1行像素点分别对应排列熵差值
将每个排列熵差值作为检测点,基于LOF算法进行离散点的检测,同时将每个检测点的多个邻域点的局部可达密度与该检测点的局部可达密度之比的平均值作为其离散程度值c,离散程度值越大,检测点对应的行像素点判断为分隔线的可能性越大。将离散程度值c按照由大到小的顺序进行排序,获取前k个离散程度值对应的检测点,将这些检测点对应的行像素点作为第一分隔线a和第二分隔线b的候选分隔线。
优选的,k可根据实际情况进行设定,本发明实施例中取经验值为k=10。
(2)为了提高分隔线判断的合理性和准确性,结合各行像素点在齿面区域中的位置信息完成第一分隔线a和第二分隔线b的判断。
具体的,由于本发明实施例以齿面区域的宽度均分原则为基础,进而结合各行像素点的排列熵差值将齿面区域分为三个相邻子区域,因此,根据先验知识,齿面区域的宽度为M,候选分隔线越接近宽度的和处,则其判断为第一分隔线a或第二分隔线b的可能性越大。
首先进行第一分隔线a的判断:k个候选分隔线中的第i行像素点对应的距离指标为且Δai越大,该行像素点判断为第一分隔线a的可能性越小,分别计算k个候选分割线对应的距离指标Δai,并结合其离散程度值ci,即可获得k个候选分隔线判断为第一分隔线a的可能性其中,Pai为第i行像素点为第一分隔线a的可能性。则可能性最大值对应的行像素点即为第一分隔线a。
同理,第二分隔线b的判断:分别获取剩余k-1个候选分隔线对应行像素点的距离指标进而结合每行像素点对应的离散程度值得到剩余k-1个候选分隔线判断为第二分隔线b的可能性Pbi,进而根据可能性Pbi得到第二分隔线b。
最后,根据获取的第一分隔线a和第二分隔线b将对应齿面区域分为齿顶子区域、齿中子区域和齿根子区域,基于每个子区域的尺寸信息对初始嵌入维度和初始时间延迟进行优化,得到齿面区域中每行像素点自适应对应的嵌入维度m′和时间延迟L′,具体方法为:
由于齿根子区域和齿顶子区域的胶合程度较深,其内部行像素点的混乱程度较高,为了有效衡量像素点的混乱程度,基于初始嵌入维度m=4和初始时间延迟L=4,结合各行像素点数量获得对应的嵌入维度系数。
需要说明的是,每行像素点的数量越多,其对应控制重构序列长度的嵌入维度越大。
进一步地,各子区域对应的排列熵越大,其混乱程度越高,像素点之间的梯度差异越复杂,则根据每个子区域中所包含的每行像素点的排列熵获取每行像素点自适应的时间延迟:已知每个行像素点的所属子区域,根据每行像素点的初始排列熵分别获得齿顶子区域、齿中子区域和齿根子区域所包含的行像素点的初始排列熵均值,即齿顶子区域的初始排列熵均值为齿中子区域的初始排列熵均值为齿根子区域的初始排列熵均值为进一步分别计算齿顶子区域或齿根子区域与齿中子区域的初始排列熵均值的比值,作为各子区域内行像素点的时间延迟系数,即齿顶子区域的时间延迟系数齿中子区域的时间延迟系数β2=1,齿根子区域的时间延迟系数则对于齿面区域中的第i行像素点,可根据其所属子区域类别t的时间延迟系数,结合初始时间延迟L获得其对应的时间延迟其中,t=1、2、3。
步骤S003,利用嵌入维度和时间延迟对应计算每行像素点的排列熵,根据排列熵得到齿面区域的胶合缺陷程度,结合多个齿面区域的胶合缺陷程度得到齿轮的齿面胶合程度。
具体的,利用步骤S002得到齿面区域中每行像素点对应的嵌入维度和时间延迟,根据嵌入维度和时间延迟重新获取齿面区域中每行像素点得到排列熵,进而根据齿面区域内包含的多行像素点的排列熵获取该齿面区域的胶合缺陷程度,则胶合缺陷程度的计算公式为:
其中,γ1为齿面区域中齿顶区域对应的权值;a为齿顶区域中像素点的总行数;γ2为齿面区域中齿中区域对应的权值;b为齿中区域中最后一行像素点的行数;γ3齿面区域中齿根区域对应的权值;M为齿面区域中像素点的总行数;为齿面区域中第i行像素点的排列熵。
优选的,本发明实施例中γ1=1.2,γ2=1,γ3=1.2。
需要说明的是,对齿面胶合程度进行归一化处理,使得归一化后的齿面胶合程度在[0,1]范围内,对齿轮的齿面胶合程度进行衡量,以采取对应的处理措施,提高生产安全性和生产质量和效率。
综上所述,本发明实施例提供了一种基于人工智能的齿面胶合程度评估方法,该方法采集齿轮的齿面图像,获取齿面图像中的齿面区域;计算齿面区域中每个像素点的梯度,获取多个由每行像素点的梯度组成的像素梯度序列,利用初始嵌入维度和初始时间延迟获取每个行像素梯度序列的初始排列熵,由初始排列熵对初始嵌入维度和初始时间延迟进行优化,得到每行像素点的嵌入维度和时间延迟;利用嵌入维度和时间延迟计算每行像素点的排列熵,得到齿面区域的胶合缺陷程度,由多个齿面区域的胶合缺陷程度得到齿轮的齿面胶合程度。使用排列熵对齿面区域内各行像素点进行混乱程度的分析,充分表征正常像素点和缺陷像素点的差异,能够提高检测的合理性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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齿面胶合程度评估方法,其特征在于,该方法包括:
采集齿轮的齿面图像,所述齿面图像包含多个齿面,获取所述齿面图像中每个齿面的齿面区域;
分别计算所述齿面区域中每个像素点的梯度,将所述齿面区域中每一行像素点对应的多个梯度组成行像素梯度序列,进而得到多个所述行像素梯度序列;利用设定的初始嵌入维度和初始时间延迟分别获取每个所述行像素梯度序列的初始排列熵,根据所述初始排列熵将所述齿面区域划分为多个子区域,由每个子区域中对应每行像素点的总数量和所述初始排列熵分别对所述初始嵌入维度和所述初始时间延迟进行优化,得到所述齿面区域内每行像素点对应的嵌入维度和时间延迟;所述子区域包括齿顶子区域、齿中子区域和齿根子区域。
利用所述嵌入维度和所述时间延迟对应计算每行像素点的排列熵,根据所述排列熵得到所述齿面区域的胶合缺陷程度,结合多个所述齿面区域的所述胶合缺陷程度得到所述齿轮的齿面胶合程度。
2.如权利要求1所述的方法,其特征在于,所述根据所述初始排列熵将所述齿面区域划分为多个子区域的方法,包括:
根据所述齿面区域中各行像素点对应的所述初始排列熵之间的差异进行所述子区域的第一分隔线和第二分隔线的初始判断,得到行像素点对应的多个候选分隔线;
由所述候选分隔线在所述齿面区域中的位置信息得到所述第一分隔线和所述第二分隔线;根据所述第一分隔线和所述第二分隔线将所述齿面区域分为多个所述子区域。
3.如权利要求1所述的方法,其特征在于,所述嵌入维度的获取方法,包括:
统计所述齿面区域中像素点的总数量,分别计算每行像素点的数量与所述总数量之间的比值,将所述比值作为对应行像素点的嵌入维度系数;
结合所述嵌入维度系数和所述初始嵌入维度得到对应行像素点的所述嵌入维度。
4.如权利要求1所述的方法,其特征在于,所述时间延迟的获取方法,包括:
基于每行像素点所属的所述子区域,根据每行像素点的所述初始排列熵分别计算每个所述子区域的初始排列熵均值;
根据所述初始排列熵均值计算每个所述子区域的时间延迟系数,由所述时间延迟系数和所述初始时间延迟得到每行像素点的所述时间延迟。
5.如权利要求1所述的方法,其特征在于,所述结合多个所述齿面区域的所述胶合缺陷程度得到所述齿轮的齿面胶合程度的方法,包括:
计算所有所述齿面区域的所述胶合缺陷程度的平均值,将所述平均值作为所述齿轮的所述齿面胶合程度。
6.如权利要求2所述的方法,其特征在于,所述候选分割线的获取方法,包括:
计算所述齿面区域中相邻行像素点对应的所述初始排列熵之间的排列熵差值,以得到多个所述排列熵差值;
将每个所述排列熵差值作为检测点,基于LOF算法进行离散点的检测,将当前检测点的多个邻域点的局部可达密度与所述当前检测点的局部可达密度之比的平均值作为其离散程度值;
将所述离散程度值按照由大到小的顺序进行排序,获取前k个所述离散程度值对应的检测点,将这些检测点对应的行像素点作为所述第一分隔线和所述第二分隔线的所述候选分隔线。
7.如权利要求6所述的方法,其特征在于,所述由所述候选分隔线在所述齿面区域中的位置信息得到所述第一分隔线和所述第二分隔线的方法,包括:
根据行像素点在所述齿面区域中对应的行数和总行数得到每行像素点对应的距离指标,结合所述距离指标和所述离散程度值得到对应每行像素点判断为所述第一分隔线或所述第二分隔线的可能性,将所述可能性的最大值对应的行像素点作为所述第一分隔线或所述第二分隔线。
8.如权利要求7所述的方法,其特征在于,所述可能性与所述距离指标呈负相关、所述可能性与所述离散程度值呈正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515595.0A CN114187266B (zh) | 2021-12-13 | 2021-12-13 | 基于人工智能的齿面胶合程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515595.0A CN114187266B (zh) | 2021-12-13 | 2021-12-13 | 基于人工智能的齿面胶合程度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187266A true CN114187266A (zh) | 2022-03-15 |
CN114187266B CN114187266B (zh) | 2022-10-04 |
Family
ID=80543402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515595.0A Active CN114187266B (zh) | 2021-12-13 | 2021-12-13 | 基于人工智能的齿面胶合程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187266B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
CN114708224A (zh) * | 2022-03-31 | 2022-07-05 | 南通金斯曼纺织有限公司 | 基于人工智能的纺织品织纹质量评估方法及系统 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754442A (zh) * | 2019-01-10 | 2019-05-14 | 重庆大学 | 一种基于机器视觉的齿轮点蚀检测系统 |
CN111654719A (zh) * | 2020-06-11 | 2020-09-11 | 三峡大学 | 基于排列熵算法的视频微小运动检测方法 |
US20210133949A1 (en) * | 2019-11-01 | 2021-05-06 | Chongqing University | Binocular Automatic Gear Pitting Detection Device based on Deep Learning |
CN112819029A (zh) * | 2020-12-31 | 2021-05-18 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
CN113033323A (zh) * | 2021-03-04 | 2021-06-25 | 红河学院 | 一种基于滤波分解组合指标的齿轮故障识别方法 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和系统 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
-
2021
- 2021-12-13 CN CN202111515595.0A patent/CN114187266B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754442A (zh) * | 2019-01-10 | 2019-05-14 | 重庆大学 | 一种基于机器视觉的齿轮点蚀检测系统 |
US20210133949A1 (en) * | 2019-11-01 | 2021-05-06 | Chongqing University | Binocular Automatic Gear Pitting Detection Device based on Deep Learning |
CN111654719A (zh) * | 2020-06-11 | 2020-09-11 | 三峡大学 | 基于排列熵算法的视频微小运动检测方法 |
CN112819029A (zh) * | 2020-12-31 | 2021-05-18 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
CN113033323A (zh) * | 2021-03-04 | 2021-06-25 | 红河学院 | 一种基于滤波分解组合指标的齿轮故障识别方法 |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
WENBIN ZHANG ET AL: "A New Gear Fault Identification Method Based on EEMD Permutation Entropy and Grey Relation Degree", 《2020 13TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
滕瑞静: "基于偏微分方程理论的机械故障诊断技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
郭斌 等: "计算美学:计算科学驱动的视觉美学度量与生成", 《包装工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
CN114708224A (zh) * | 2022-03-31 | 2022-07-05 | 南通金斯曼纺织有限公司 | 基于人工智能的纺织品织纹质量评估方法及系统 |
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 |
CN114708224B (zh) * | 2022-03-31 | 2023-06-23 | 吴江市双泽纺织有限公司 | 基于人工智能的纺织品织纹质量评估方法及系统 |
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 |
CN114693650B (zh) * | 2022-03-31 | 2024-05-24 | 无锡市慧航智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114187266B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114187266B (zh) | 基于人工智能的齿面胶合程度评估方法 | |
CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN110020684B (zh) | 一种基于残差卷积自编码网络的图像去噪方法 | |
CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN114782432B (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN110599413A (zh) | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN110533665B (zh) | 一种抑制扇贝效应和子带拼接效应的sar图像处理方法 | |
CN116758075B (zh) | 基于人工智能的吹风机电机运行故障检测方法 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN116843692B (zh) | 基于人工智能的再生活性炭状态检测方法 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN115937231B (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN113012105A (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN113920421A (zh) | 一种快速分类的全卷积神经网络模型 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN108288267B (zh) | 一种基于暗通道的扫描电镜图像清晰度无参考评价方法 | |
CN116467159A (zh) | 一种基于主模态神经元覆盖的图像卷积神经网络模型安全性测评方法 |
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 |