CN114742786B - 基于人工智能的齿面磨粒磨损程度评估方法 - Google Patents
基于人工智能的齿面磨粒磨损程度评估方法 Download PDFInfo
- Publication number
- CN114742786B CN114742786B CN202210346778.2A CN202210346778A CN114742786B CN 114742786 B CN114742786 B CN 114742786B CN 202210346778 A CN202210346778 A CN 202210346778A CN 114742786 B CN114742786 B CN 114742786B
- Authority
- CN
- China
- Prior art keywords
- tooth surface
- optimal
- image
- column
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000005299 abrasion Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000006061 abrasive grain Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 208000031074 Reinjury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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磨粒磨损程度评估方法。该方法采集齿轮的齿面图像，获取齿面图像中的多个齿面连通域；根据齿面图像中的图像列像素点的不同获取方向，得到齿面连通域的最佳列排列熵序列和最佳行排列熵序列；结合最佳列排列熵序列和最佳行排列熵序列得到齿面连通域的磨损指标，结合齿面图像中的多个齿面连通域的磨损指标得到齿轮的磨粒磨损程度；根据磨粒磨损程度对齿轮进行相对应的处理措施。利用列排列熵分析条痕本身的像素混乱程度，利用行排列熵分析条痕之间的差异情况并将其作为像素混乱程度的调节因子，以提高评估结果的准确性。
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磨粒磨损程度评估方法。
背景技术
在齿轮啮合过程中，若润滑油供应不足或工作齿面上有外来的微小颗粒，则齿面将发生剧烈的磨粒磨损，沿滑动方向产生细而均匀的条痕，大大降低齿轮寿命，加速齿轮失效，影响生产质量和生产效率。
现阶段的齿面磨粒磨损缺陷程度的评估中，可基于图像处理获取磨损条痕的面积、深度信息，据此进行磨损程度的评估，但深度信息难以获取，从而降低评估结果的准确性和可信度。
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磨粒磨损程度评估方法，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磨粒磨损程度评估方法，该方法包括：
采集齿轮的齿面图像，所述齿面图像包括多个齿面；对所述齿面图像进行语义分割得到多个齿面连通域；
基于所述齿面图像中的图像列像素点获取所述齿面连通域的多列齿面列像素点，将每列齿面列像素点的灰度值组成列像素灰度序列，计算每个所述列像素灰度序列的排列熵以得到对应的列排列熵序列；通过改变所述齿面图像中图像列像素点的获取方向，得到不同获取方向下所述齿面连通域对应的多列齿面列像素点，进而得到每个获取方向下所述齿面连通域对应的列排列熵序列；由排列熵序列计算每个获取方向下所述齿面连通域的像素混乱程度；根据所述像素混乱程度获取最佳列排列熵序列，进而基于所述最佳列排列熵序列得到对应获取方向下所述齿面连通域的最佳行排列熵序列；
由所述最佳行排列熵序列计算所述像素混乱程度的调节因子，结合所述调节因子和所述最佳列排列熵序列对应的所述像素混乱程度得到对应所述齿面连通域的磨损指标；结合所述齿面图像中多个所述齿面连通域的所述磨损指标得到所述齿轮的磨粒磨损程度；
根据所述磨粒磨损程度对所述齿轮进行相对应的处理措施。
进一步地，所述基于所述齿面图像中的图像列像素点获取所述齿面连通域的多列齿面列像素点的方法，包括：
基于所述齿面图像中的图像列像素点，将每列图像列像素点与所述齿面连通域相交的部分图像列像素点作为所述齿面连通域的齿面列像素点。
进一步地，所述通过改变所述齿面图像中图像列像素点的获取方向，得到不同获取方向下所述齿面连通域的多列齿面列像素点的方法，包括：
基于图像列像素点的初始获取方向所对应的角度，分别以设定角度进行依次转动，获取每次转动后每个角度下所述齿面连通域的多列齿面列像素点，所述初始获取方向为在所述齿面图像中每列图像列像素点的最后一个像素点指向第一像素点的方向，且与正方向呈90度的方向，所述正方向是指图像水平线向右的方向。
进一步地，所述由排列熵序列计算每个获取方向下所述齿面连通域的像素混乱程度的方法，包括：
分别对每个列排列熵序列中对应的多个排列熵进行加和以计算对应获取方向下所述齿面连通域的像素混乱程度。
进一步地，所述根据所述像素混乱程度获取最佳列排列熵序列的方法，包括：
获取所述像素混乱程度的最小值所对应的获取方向，则该获取方向下的列排列熵序列即为所述最佳列排列熵序列。
进一步地，所述基于所述最佳列排列熵序列得到对应获取方向下所述齿面连通域的最佳行排列熵序列的方法，包括：
由所述最佳列排列熵序列对应的获取方向得到最佳角度，根据所述最佳角度得到所述齿面图像的图像行像素点的最佳获取方向，进而在所述最佳获取方向下，根据所述齿面连通域的最佳齿面行像素点的灰度值得到多个最佳行像素灰度序列，计算每个所述最佳行像素灰度序列的排列熵以得到所述最佳行排列熵序列。
进一步地，所述结合所述齿面图像中多个所述齿面连通域的所述磨损指标得到所述齿轮的磨粒磨损程度的方法，包括：
获取所述齿面图像中每个所述齿面连通域的所述磨损指标，计算所有所述磨损指标的均值，将该均值作为所述齿轮的所述磨粒磨损程度。
本发明实施例至少具有如下有益效果：基于磨粒磨损条痕沿滑动方向细而均匀的特征，来获取齿面连通域的像素点的最佳获取方向，根据最佳获取方向下齿面连通域的行像素和列像素的灰度熵值，利用列排列熵分析条痕本身的像素混乱程度，利用行排列熵分析条痕之间的差异情况并将其作为像素混乱程度的调节因子，以提高评估结果的准确性。
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磨粒磨损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磨粒磨损程度评估方法，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磨粒磨损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磨粒磨损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，齿面图像包括多个齿面；对齿面图像进行语义分割得到多个齿面连通域。
具体的，将相机放置在齿轮齿面的一侧来采集初始齿面图像，对初始齿面图像进行图像预处理操作，以提高图像质量以及后续检测的准确性：首先对采集的初始齿面图像进行灰度化处理，然后使用Sobel算子进行图像锐化处理，在保留图像背景信息的前提下突出细节信息，最后使用中值滤波算法进行图像去噪处理，以降低异常点对后续图像分析的影响，从而得到齿面图像。
由于齿面图像中包含多个齿面区域和非齿面区域，则可基于编码器-解码器结构的语义分割网络获得齿面图像中的齿面连通域，作为后续检测的基础。则该语义分割网络的具体训练过程为：首先制作数据标签，标注齿面图像中齿面区域的像素点为1，其他区域的像素点为0；将齿面图像数据和标签数据共同输入到语义分割网络中进行训练，使用编码器进行特征提取，输出特征图，再使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分割图；该语义分割网络使用交叉熵损失函数进行迭代训练。
则将待检测的齿面图像输入到上述训练完成的语义分割网络中，获得对应的语义分割图，并将其作为遮罩与原图相乘即可获得N个齿面连通域。
步骤S002，基于齿面图像中的图像列像素点获取齿面连通域的多列齿面列像素点，将每列齿面列像素点的灰度值组成列像素灰度序列，计算每个列像素灰度序列的排列熵以得到对应的列排列熵序列；通过改变齿面图像中图像列像素点的获取方向，得到不同获取方向下齿面连通域对应的多列齿面列像素点，进而得到每个获取方向下齿面连通域对应的列排列熵序列；由排列熵序列计算每个获取方向下齿面连通域的像素混乱程度；根据像素混乱程度获取最佳列排列熵序列，进而基于最佳列排列熵序列得到对应获取方向下齿面连通域的最佳行排列熵序列。
具体的，齿面磨粒磨损会导致齿面沿滑动方向产生细而均匀的条痕，对于不同类型的齿轮，主动齿轮和从动齿轮之间的啮合方式以及接触线不同，如：直齿轮啮合时两齿面的接触线与齿根线保持平行且长度一致，斜齿轮啮合时两齿面的接触线为倾斜状态且由短变长再由长变短，当不同类型齿轮发生磨粒磨损时，沿滑动方向出现的条痕方向不一致，且随着齿轮滑动时磨粒位置的变化以及图像采集方向的影响，同类型齿轮的条痕方向也不完全一致。
由于本发明实施例结合像素点灰度的行排列熵和列排列熵进行磨粒磨损程度的评估，若使用固定方向的行像素点和列像素点，会由于与磨损的条痕方向存在差异，使得计算得到的像素点混乱程度偏大。因此，对于每个齿面连通域，需要选取最佳方向的行像素点和列像素点，以提高磨损程度评估的准确性，同时提高评估方法的鲁棒性，具体获取过程为：
(1)以一个齿面连通域为例，基于齿面图像中图像列像素点的初始获取方向，计算齿面连通域内每列齿面列像素点对应列像素灰度序列的排列熵，以得到列排列熵序列。
具体的，已知图像列像素点是指以图像水平线向右的方向为正方向，且与正方向的夹角θ0＝90°的方向上的像素点，则图像列像素点的初始获取方向为在齿面图像中列像素点的最后一个像素点指向第一像素点的方向，且与正方向呈90度的方向。整个齿面图像的尺寸大小为m×n，由齿面图像的上边缘第i个像素点到下边缘第i个像素点之间的列像素点组成得到第i列图像列像素点，将与齿面连通域相交的部分图像列像素点作为齿面连通域的齿面列像素点，则将和第1,...,n列图像列像素点相交的n0列齿面列像素点，按照从左到右的顺序记为第1,...,n0列齿面列像素点。对于其中第j列齿面列像素点，按照从上到下的顺序基于每个像素点的灰度值获得其列像素灰度序列L0j＝(H0j1,H0j2,...,H0jk)，其中，H0jk为齿面连通域中第j列齿面列像素点中第k个像素点的灰度值。
根据齿面连通域的n0列齿面列像素点，得到n0个列像素灰度序列，分别将列像素灰度序列L0j＝(H0j1,H0j2,...,H0jk)看作时间序列，基于排列熵算法计算列像素灰度序列L0j的排列熵，根据该排列熵反应对应第j列齿面列像素点的灰度复杂程度，且排列熵越大，像素点灰度情况越复杂，则每列齿面列像素点的排列熵的计算过程为：设置嵌入维度m，时间延迟L，则基于列像素灰度序列L0j可获得对应的多个子序列L0j′＝(H0jk,H0j(k+L),...,H0j(k+(m-1)L))，获取子序列中每个元素的下标，即H0jk的下标为0、H0j(k+L)的下标为1、H0j(k+(m-1)L)的下标为(m-1)，进而能够得到子序列对应的初始下标序列(0、1、…、m-1)。将子序列L0j′中的各个元素进行递增排序，进而根据递增排序后每个元素的位置，得到其对应的下标排序序列Yi。重复上述步骤，获得列像素灰度序列L0j的所有子序列的下标排列序列，统计每种下标排列序列的数量，根据下标排列序列的总数量得到每种下标排列序列的概率分布P01,P02,...,P0s，其中，s为下标排列序列的类别数量，则第j列齿面列像素点对应列像素灰度序列L0j的排列熵H0j(m)为：
分别获得齿面连通域的n0个列像素灰度序列的排列熵，从而获得齿面连通域的列排列熵序列
优选的，本发明实施例中嵌入维度m＝4，时间延迟L＝2。
(2)通过改变图列像素点的初始获取方向，以得到不同获取方向下齿面连通域对应的列排列熵序列。
具体的，由于齿轮放置方向和图像采集方向不确定，则通过对初始获取方向对应的角度进行顺时针和逆时针的转动，从而对图像列像素点的获取方向进行改变：图像列像素点的方向和正方向的夹角范围为[0°,180°)，设置角度步长b，图像列像素点第a次顺时针(s)转动时的角度转变为且图像列像素点第a次逆时针(n)转动时的角度转变为/>其中，根据夹角范围[0°,180°)可知顺时针和逆时针都对应的转动次数a的取值范围为[0,K]，且/>为不大于/>的最大整数。
进一步地，在对图像列像素点进行顺时针转动的情况下，针对于第a次顺时针转动后的角度也即是图像列像素点的获取方向与正方向之间的夹角为/>则可根据角度/>下的图像列像素点，重新获取其与齿面连通域的重合部分的列像素点以得到/>个对应的列像素灰度序列，进而获得在角度/>时由/>个列像素灰度序列的排列熵所组成的列排列熵序列/> 重复上述方法，分别获得在顺时针转动后的每个角度所对应的齿面连通域的列排列熵序列/>
同理，在对图像列像素点进行逆时针转动的情况下，根据逆时针转动后的每个角度分别得到每个角度所对应的齿面连通域的列排列熵序列/>
进一步地，能够得到每个图像列像素点的获取方向下齿面连通域的列排列熵序列，即初始获取方向下的列排列熵序列H0(m)、顺时针转动后各个角度对应获取方向下的列排列熵序列逆时针转动后各个角度对应获取方向下的列排列熵序列分别对每个列排列熵序列中对应的多个排列熵进行加和计算对应获取方向下齿面连通域的像素混乱程度，则以角度/>对应获取方向下的列排列熵序列/> 为例，对列排列熵序列/>中的排列熵进行加和计算对应齿面连通域的像素混乱程度/>进而能够获取每个列排列熵序列对应齿面连通域的像素混乱程度w0,/>
由于齿面磨粒磨损会导致齿面沿滑动方向产生细而均匀的条痕，则齿面列像素点的方向和条痕方向越接近，也即基于像素点的灰度值所获得的齿面连通域的像素混乱程度越小，因此根据所有的像素混乱程度w0,获取像素混乱程度的最小值所对应的角度，则该角度为最佳角度，即在该角度下基于像素点的灰度值计算的齿面连通域的行排列熵和列排列熵，更能表征该齿面的磨损程度，进而将最佳角度记为θz，则根据最佳角度θz对应的最佳获取方向，得到该获取方向下齿面连通域的最佳行排列熵序列，具体为：
在图像列像素点的获取方向与正方向之间的角度为最佳角度θz时，可知对应获取方向下齿面连通域的最佳列排列熵序列同时可知图像行像素点的最佳获取方向与正方向的夹角为θz′＝180°-θz，进而根据齿面连通域的最佳齿面行像素点的灰度值得到nz个最佳行像素灰度序列，同样利用排列熵算法计算每个最佳行像素灰度序列的排列熵，以得到齿面连通域的最佳行排列熵序列
步骤S003，由最佳行排列熵序列计算像素混乱程度的调节因子，结合调节因子和最佳列排列熵序列对应的像素混乱程度得到对应齿面连通域的磨损指标；结合齿面图像中多个齿面连通域的磨损指标得到齿轮的磨粒磨损程度。
具体的，对于每一个齿面连通域，其最佳列排列熵序列可表征各个列像素点序列本身的混乱情况，其最佳行排列熵序列可表征各个列像素点之间的差异情况，进而结合最佳列排列熵序列和最佳行排列熵序列进行对应齿面连通域的磨损指标的评估：
首先基于最佳列排列熵序列中nz个排列熵的和来表征磨损条痕本身的像素混乱程度，并将最佳行排列熵序列中各个排列熵的和作为条痕本身的像素混乱程度的调节因子的基础，综合考虑条痕本身混乱程度以及条痕之间的混乱情况，获得该齿面连通域的磨损指标为：
调节因子W1为：
其中，u为幅度参数，使得调节因子的取值范围为[1,u)；v为优化参数，
优选的，本发明实施例中u＝2，
条痕本身的像素混乱程度为：
则将调节因子W1作为像素混乱程度W2的调节因子，可得到该齿面连通域的磨损指标W：
进一步地，获取齿面图像中每个齿面连通域的磨损指标W，计算所有磨损指标W的均值将该均值作为齿轮的磨粒磨损程度。
步骤S004，根据磨粒磨损程度对齿轮进行相对应的处理措施。
具体的，对齿轮的磨粒磨损程度进行归一化处理，使得归一化后的磨粒磨损程度的取值范围为[0,1]。设置第一损伤程度阈值W′1和第二损伤程度阈值W′2，其中W′1和W′2的具体数值可基于实际情况进行设定。
优选的，本发明实施例中基于经验值取第一损伤程度阈值W′1＝0.3，第二损伤程度阈值W′2＝0.6。
则当时，认为齿轮的磨粒磨损程度较轻，需要进行适当的维修和保养，以减轻损伤程度，提高齿轮质量；当/> 时，认为齿轮的磨粒磨损程度中等，需要对其进行深层次的维修和保养，以提高齿轮的寿命，减少对生产的影响；当/> 时，认为齿轮的磨粒磨损程度较为严重，需要对其进行替换，以提高生产质量，避免出现生产安全事故。
综上所述，本发明实施例提供了一种基于人工智能的齿面磨粒磨损程度评估方法，该方法采集齿轮的齿面图像，齿面图像包括多个齿面，对齿面图像进行语义分割得到多个齿面连通域；根据齿面图像中图像列像素点的不同获取方向，获取对应获取方向下齿面连通域的多列齿面列像素点，根据不同获取方向下齿面连通域的列排列熵序列得到最佳列排列熵序列，根据最佳列排列熵序列得到齿面连通域的最佳行排列熵序列；由最佳行排列熵序列计算像素混乱程度的调节因子，结合调节因子和最佳列排列熵序列对应的像素混乱程度得到对应齿面连通域的磨损指标；结合齿面图像中多个齿面连通域的磨损指标得到齿轮的磨粒磨损程度；根据磨粒磨损程度对齿轮进行相对应的处理措施。基于磨粒磨损条痕沿滑动方向细而均匀的特征，来获取齿面连通域的像素点的最佳获取方向，根据最佳获取方向下齿面连通域的行像素和列像素的灰度熵值，利用列排列熵分析条痕本身的像素混乱程度，利用行排列熵分析条痕之间的差异情况并将其作为像素混乱程度的调节因子，以提高评估结果的准确性。
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 (6)
1.一种基于人工智能的齿面磨粒磨损程度评估方法，其特征在于，该方法包括：
采集齿轮的齿面图像，所述齿面图像包括多个齿面；对所述齿面图像进行语义分割得到多个齿面连通域；
基于所述齿面图像中的图像列像素点获取所述齿面连通域的多列齿面列像素点，将每列齿面列像素点的灰度值组成列像素灰度序列，计算每个所述列像素灰度序列的排列熵以得到对应的列排列熵序列；通过改变所述齿面图像中图像列像素点的获取方向，得到不同获取方向下所述齿面连通域对应的多列齿面列像素点，进而得到每个获取方向下所述齿面连通域对应的列排列熵序列；由排列熵序列计算每个获取方向下所述齿面连通域的像素混乱程度；根据所述像素混乱程度获取最佳列排列熵序列，进而基于所述最佳列排列熵序列得到对应获取方向下所述齿面连通域的最佳行排列熵序列；
由所述最佳行排列熵序列计算所述像素混乱程度的调节因子，结合所述调节因子和所述最佳列排列熵序列对应的所述像素混乱程度得到对应所述齿面连通域的磨损指标；结合所述齿面图像中多个所述齿面连通域的所述磨损指标得到所述齿轮的磨粒磨损程度；
根据所述磨粒磨损程度对所述齿轮进行相对应的处理措施；
所述通过改变所述齿面图像中图像列像素点的获取方向，得到不同获取方向下所述齿面连通域的多列齿面列像素点的方法，包括：
基于图像列像素点的初始获取方向所对应的角度，分别以设定角度进行依次转动，获取每次转动后每个角度下所述齿面连通域的多列齿面列像素点，所述初始获取方向为在所述齿面图像中每列图像列像素点的最后一个像素点指向第一像素点的方向，且与正方向呈90度的方向，所述正方向是指图像水平线向右的方向；
由所述最佳行排列熵序列计算所述像素混乱程度的调节因子的方法，包括：
调节因子为：
其中，为幅度参数；为优化参数；为最佳行排列熵序列中排列熵的数量；为最佳行排列熵序列中的第i个排列熵；为自然常数；
所述结合所述调节因子和所述最佳列排列熵序列对应的所述像素混乱程度得到对应所述齿面连通域的磨损指标的方法，包括：将所述调节因子和所述最佳列排列熵序列对应的所述像素混乱程度的乘积作为磨损指标。
2.如权利要求1所述的方法，其特征在于，所述基于所述齿面图像中的图像列像素点获取所述齿面连通域的多列齿面列像素点的方法，包括：
基于所述齿面图像中的图像列像素点，将每列图像列像素点与所述齿面连通域相交的部分图像列像素点作为所述齿面连通域的齿面列像素点。
3.如权利要求1所述方法，其特征在于，所述由排列熵序列计算每个获取方向下所述齿面连通域的像素混乱程度的方法，包括：
分别对每个列排列熵序列中对应的多个排列熵进行加和以计算对应获取方向下所述齿面连通域的像素混乱程度。
4.如权利要求1所述的方法，其特征在于，所述根据所述像素混乱程度获取最佳列排列熵序列的方法，包括：
获取所述像素混乱程度的最小值所对应的获取方向，则该获取方向下的列排列熵序列即为所述最佳列排列熵序列。
5.如权利要求1所述的方法，其特征在于，所述基于所述最佳列排列熵序列得到对应获取方向下所述齿面连通域的最佳行排列熵序列的方法，包括：
由所述最佳列排列熵序列对应的获取方向得到最佳角度，根据所述最佳角度得到所述齿面图像的图像行像素点的最佳获取方向，进而在所述最佳获取方向下，根据所述齿面连通域的最佳齿面行像素点的灰度值得到多个最佳行像素灰度序列，计算每个所述最佳行像素灰度序列的排列熵以得到所述最佳行排列熵序列。
6.如权利要求1所述的方法，其特征在于，所述结合所述齿面图像中多个所述齿面连通域的所述磨损指标得到所述齿轮的磨粒磨损程度的方法，包括：
获取所述齿面图像中每个所述齿面连通域的所述磨损指标，计算所有所述磨损指标的均值，将该均值作为所述齿轮的所述磨粒磨损程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346778.2A CN114742786B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的齿面磨粒磨损程度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346778.2A CN114742786B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的齿面磨粒磨损程度评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114742786A CN114742786A (zh) | 2022-07-12 |
| CN114742786B true CN114742786B (zh) | 2023-08-29 |
Family
ID=82280493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210346778.2A Active CN114742786B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的齿面磨粒磨损程度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742786B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758078B (zh) * | 2023-08-18 | 2023-11-17 | 中科航迈数控软件(深圳)有限公司 | 变速齿轮箱观测方法、系统、终端设备以及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008004457A1 (fr) * | 2006-07-03 | 2008-01-10 | Ritsumeikan University | Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur |
| WO2020028874A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions |
| 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 |
| CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
| CN113538432A (zh) * | 2021-09-17 | 2021-10-22 | 南通蓝城机械科技有限公司 | 一种基于图像处理的零件缺陷检测方法及系统 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| 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 |
| CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
| CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
| CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
| CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
| CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
| CN114155230A (zh) * | 2021-12-07 | 2022-03-08 | 江苏普立特科技有限公司 | 一种表面光滑的注塑pc板的质量分类方法及系统 |
| CN114187266A (zh) * | 2021-12-13 | 2022-03-15 | 江苏鑫丰源机电有限公司 | 基于人工智能的齿面胶合程度评估方法 |
| CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10662959B2 (en) * | 2017-03-30 | 2020-05-26 | General Electric Company | Systems and methods for compressor anomaly prediction |
| FR3078401B1 (fr) * | 2018-02-26 | 2020-02-07 | Airbus Helicopters | Procede de surveillance et de detection de la formation d'une degradation dans au moins une piece mobile d'un mecanisme tournant et systeme associe |
-
2022
- 2022-03-31 CN CN202210346778.2A patent/CN114742786B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008004457A1 (fr) * | 2006-07-03 | 2008-01-10 | Ritsumeikan University | Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur |
| WO2020028874A1 (en) * | 2018-08-02 | 2020-02-06 | Cyrcadia Data Services (CDS) Limited | Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions |
| 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 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| 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 |
| CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
| CN113538432A (zh) * | 2021-09-17 | 2021-10-22 | 南通蓝城机械科技有限公司 | 一种基于图像处理的零件缺陷检测方法及系统 |
| CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
| CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
| CN114155230A (zh) * | 2021-12-07 | 2022-03-08 | 江苏普立特科技有限公司 | 一种表面光滑的注塑pc板的质量分类方法及系统 |
| CN114140462A (zh) * | 2021-12-10 | 2022-03-04 | 江苏牛犇轴承有限公司 | 一种基于图像处理的轴承磨损程度评估方法 |
| CN114187266A (zh) * | 2021-12-13 | 2022-03-15 | 江苏鑫丰源机电有限公司 | 基于人工智能的齿面胶合程度评估方法 |
| CN113935992A (zh) * | 2021-12-15 | 2022-01-14 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
| CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
| CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像处理的轴类零件表面裂纹检测;厉荣宣 等;《图学学报》;20150215;第36卷(第01期);62-67 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114742786A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102096795B (zh) | 磨损二维条码图像识别方法 | |
| CN114742786B (zh) | 基于人工智能的齿面磨粒磨损程度评估方法 | |
| CN108346133B (zh) | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 | |
| CN104867130B (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
| CN113916894B (zh) | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 | |
| CN110751029B (zh) | 基于最大曲率自适应指静脉纹路提取方法 | |
| CN106846261A (zh) | 基于卷积神经网络的水下图像处理方法 | |
| CN116664559A (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN112465842B (zh) | 基于U-net网络的多通道视网膜血管图像分割方法 | |
| CN109712160B (zh) | 基于广义熵结合改进的狮群算法实现图像阈值分割方法 | |
| CN117078671B (zh) | 一种甲状腺超声影像智能分析系统 | |
| CN116152239A (zh) | 一种高速公路路面病害检测方法及系统 | |
| CN115272319B (zh) | 一种矿石粒度检测方法 | |
| CN114332008A (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
| CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
| CN115115641A (zh) | 一种瞳孔图像分割方法 | |
| CN116486224A (zh) | 一种基于改进U-Net的换热器管口图像识别算法 | |
| KR100858681B1 (ko) | 지문 영상 생성을 위한 영상 필터 조합 생성 방법 | |
| CN114998215A (zh) | 一种缝纫机表面喷漆异常检测方法及系统 | |
| CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
| Tarawneh et al. | Automatic gamma correction based on root-mean-square-error maximization | |
| CN111091554B (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
| CN111105423B (zh) | 一种基于深度学习的ct图像中肾脏分割方法 | |
| CN108764294B (zh) | 基于玉米果穗对称性的行数自动检测方法 | |
| CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230809 Address after: A29, Building A, Building 1, Building A, Jinan High tech Entrepreneurship Service Center, No. 1, North Section of Gangxing Third Road, High tech Zone, Jinan City, Shandong Province, 250000 Applicant after: Shandong Xiyue Intelligent Technology Co.,Ltd. Address before: 226200 No. 10, Qingnian West Road, Huilong Town, Qidong City, Nantong City, Jiangsu Province Applicant before: NANTONG SHENDONG METALLURGICAL MACHINERY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |