CN115131250A - 用于机床装配的机床组件智能识别方法 - Google Patents
用于机床装配的机床组件智能识别方法 Download PDFInfo
- Publication number
- CN115131250A CN115131250A CN202211050928.1A CN202211050928A CN115131250A CN 115131250 A CN115131250 A CN 115131250A CN 202211050928 A CN202211050928 A CN 202211050928A CN 115131250 A CN115131250 A CN 115131250A
- Authority
- CN
- China
- Prior art keywords
- edge
- crack
- machine tool
- gear
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010791 quenching Methods 0.000 description 7
- 230000000171 quenching effect Effects 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于机床装配的机床组件智能识别方法，该方法采集齿轮表面的探伤图像及其去噪图像；在去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点，以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离；通过提取边缘点的梯度方向获取两侧边缘点的吻合程度，基于欧氏距离和吻合程度得到两侧边缘点的类裂纹特征值；利用类裂纹特征值检测非裂纹边缘并清除；对齿轮内部进行霍夫直线检测，将检测到的多余划痕边缘清除；将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，剔除存在裂纹的齿轮。本发减少了裂纹检测时的干扰，提高齿轮的质量检查效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于机床装配的机床组件智能识别方法。
背景技术
机床装配的工艺直接影响机床的加工精度，为保证机床的加工精度，需要零部件具有良好的加工工艺性和装配工艺性。传动系统是支撑机床正常运转的核心组件之一，包括传动轴、齿轮、皮带等单位零件，其中齿轮的数量是传动组件中最多的，且一旦发生损坏在拆卸更换时非常麻烦，因此在出厂前需要对这些齿轮表面进行精密的检查，挑拣出存在裂纹、缺口等劣质的齿轮。
在齿轮生产中淬火工艺冷热应力交替、硬物磕碰等，都会留下较大的报废隐患，产生裂纹，这些齿轮在机床上装配后，难以承受机床运行时的负载应力和疲劳应力，导致裂纹迅速扩大，甚至爆裂，对运转中的机床造成极大的损伤。虽然在齿轮出厂前会进行相关检测，但淬火裂纹是一种时效性裂纹，经常会延迟开裂，因此在机床装配前还需进行一次检查，无论齿轮上的裂纹大小，只要识别出此类缺陷就必须进行更换。
现有通过CCD工业探伤相机来采集识别齿轮表面缺陷数据的技术，大多利用的是常规阈值分割算法进行检测，但齿轮本身在淬火后的磨削、精切过程中会留下密集的划痕或者刮伤，这些划痕、刮伤无论是纹理还是像素特征都和裂纹极为相似，对裂纹检测识别造成干扰，使检测结果不准确。
发明内容
为了解决上述技术问题，本发明提供一种用于机床装配的机床组件智能识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于机床装配的机床组件智能识别方法，该方法包括以下步骤：
采集齿轮表面的探伤图像，并对所述探伤图像进行噪声去除，得到去噪图像；
在所述去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点，以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离；
通过提取边缘点的梯度方向获取两侧边缘点的吻合程度，基于所述欧氏距离和所述吻合程度得到两侧边缘点的类裂纹特征值；当所述类裂纹特征值的增长率小于预设的特征阈值时，对应的两侧边缘点为非裂纹边缘，将非裂纹边缘清除；
对齿轮内部进行霍夫直线检测，当霍夫空间中法线角度上，存在垂直方向分布的超过预设数量的霍夫亮点时，这些霍夫亮点对应的直线为多余划痕边缘，将多余划痕边缘清除；
将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，剔除存在裂纹的齿轮。
优选的，所述去噪图像的获取方法为：使用高斯滤波算法对所述探伤图像进行平滑，滤除噪声，得到所述去噪图像。
优选的，所述最外侧边缘中的断点的获取方法为：
利用模板匹配算法，使所述去噪图像与标准模板进行差分，标记差分结果大于预设的差分阈值的像素点，作为所述断点。
优选的，所述梯度方向的提取方法为：
利用梯度算子分别在水平方向和竖直方向对所述去噪图像进行卷积，以卷积结果之间的夹角作为所述梯度方向。
优选的，所述吻合程度的获取方法为：
将两侧边缘点的所述梯度方向相加，以180°减去加和结果，作为对应两侧边缘点的所述吻合程度。
优选的，所述类裂纹特征值的获取方法：
以最新一次检测到边缘点时的所述欧氏距离作为预设值的负指数得到第一特征值，以多次检测到边缘点的所有欧氏距离的标准差作为所述预设值的负指数得到第二特征值，以多次检测到边缘点的所有吻合程度的标准差作为所述预设值的负指数得到第三特征值，计算所述第一特征值、第二特征值和第三特征值的平均值，将每次检测到边缘点时得到的所述平均值累加，累加结果即为所述类裂纹特征值。
优选的，所述将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，包括：
通过将清除了非裂纹边缘和多余划痕边缘的去噪图像作为训练集输入神经网络训练裂纹识别模型，输出为是否为裂纹；将清除了非裂纹边缘和多余划痕边缘的去噪图像输入训练完成的裂纹识别模型中，得到裂纹识别结果。
本发明实施例至少具有如下有益效果：
对齿轮最外侧边缘中的断点向内进行边缘检测，基于反映裂纹特征的欧氏距离和吻合程度筛选出非裂纹边缘；通过对齿轮内部进行霍夫直线检测，提取出表现为密集平行线的多余划划痕边缘；通过筛选出非裂纹变异和多余划痕边缘并去除，减少了裂纹检测时的干扰，提高齿轮的质量检查效率，进而降低机床装配后的故障率。
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提供的一种用于机床装配的机床组件智能识别方法的步骤流程图；
图2为本发明一个实施例提供的断点示意图。
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用于机床装配的机床组件智能识别方法，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用于机床装配的机床组件智能识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于机床装配的机床组件智能识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集齿轮表面的探伤图像，并对探伤图像进行噪声去除，得到去噪图像。
具体的步骤包括：
1、采集齿轮表面的探伤图像。
探伤是指探测金属材料或部件内部的裂纹或缺陷。一般用磁性、射线、超声波等仪器装置。在本发明实施例中利用CCD工业探伤相机获取齿轮探伤图像。
2、使用高斯滤波算法对探伤图像进行平滑，滤除噪声，得到去噪图像。
步骤S002，在去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点，以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离。
具体的步骤包括：
1、在去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点。
由于齿轮产生的淬火裂纹是由于加热后，因在马氏体转变区的冷却过快而引起的淬火裂纹，往往是穿晶分布，而且裂纹较直，周围没有分枝的小裂纹。一般发生在工件的尖角、截面等突变处。因此裂纹是由齿轮外侧向内侧蔓延的，我们利用这一特点，在边缘检测时，从已分割出的齿轮最外侧边缘像素点出发，仅检测与齿轮最外侧相连的突变边缘。这些突变边缘包括齿轮边缘容易磕碰产生的刮痕、裂纹、污渍、人为马克笔标记等。
分割齿轮最外侧边缘，由于齿轮最外侧边缘仅需跟背景区分，而机器视觉下对齿轮的拍摄高度、位置都不会发生变化，因此利用模板匹配算法，使去噪图像与标准模板进行差分，标记差分结果大于预设的差分阈值的像素点，即为不连续的断点。
2、以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离。
断点两端则认为可能是裂纹的最外侧，断点两端作为同组裂纹边缘的检测起始点，同时进行边缘检测。细长的缺陷两侧之间的宽度较小且变化较小，从齿轮最外侧的边缘上的每组起始点开始检测，每组两个起始点沿线分别记为a、b，如图2所示，共有四组断点，每组两个断点a点和b点同时作为检测起始点进行边缘检测。
根据淬火裂纹从齿轮外侧向内侧延伸的特性，通过齿轮边缘上的断点向内部同步遍历，记录两侧边缘的宽度变化，根据宽度变化，观察不同边缘是否具有类裂纹边缘的特征。计算两个断点每检测到一次边缘点时，两个点之间的欧式距离，该距离体现的是裂纹两侧的宽度，该宽度应该是变化极小的，如果出现较大变化，则可能是机油或其他污渍等非细长的边缘。
其中欧氏距离的具体计算公式为：
其中，x、y代表空间域的横纵坐标。
表示a、b两侧同时进行边缘点遍历时第
次检测到边缘点，
表示第
次检测到边缘点时，两侧边缘点
、
之间的欧式距离，
表示
在空间域中的坐标，
表示
在空间域中的坐标。
步骤S003，通过提取边缘点的梯度方向获取两侧边缘点的吻合程度，基于欧氏距离和吻合程度得到两侧边缘点的类裂纹特征值；当类裂纹特征值小于预设的特征阈值时，对应的两侧边缘点为非裂纹边缘，将非裂纹边缘清除。
由于裂纹是完整的物体局部分离，除了宽度稳定，裂纹还具有两侧边缘相互吻合的特征，这一特征利用边缘点的梯度方向进行提取。
具体的步骤包括：
1、提取边缘点的梯度方向。
利用梯度算子分别在水平方向和竖直方向对去噪图像进行卷积，以卷积结果之间的夹角作为梯度方向。
使用一阶有限差分计算梯度可以得到图像在x和y方向上偏导数的两个矩阵，本发明实施例中梯度算子采用sobel算子，得到作为水平方向二维卷积因子的矩阵
和作为竖直方向二维卷积因子的矩阵
，然后利用
和
对去噪图像进行卷积：
，
。其中，
表示sobel算子对去噪图像在水平方向的卷积结果，A表示去噪图像，
为卷积运算，
表示sobel算子对去噪图像在竖直方向的卷积结果。
以卷积结果之间的夹角作为梯度方向：
，
为0时代表边缘为垂直方向；
为1时边缘为45度方向；
不存在时，边缘为水平方向。
2、获取两侧边缘点的吻合程度。
将两侧边缘点的梯度方向相加，以180°减去加和结果，作为对应两侧边缘点的吻合程度。
边缘检测顺序是从齿轮外侧边缘上的断点处向齿轮内部逐个遍历，且每组起始点的断点有两个，在完全吻合的情况下
等于180°，因此以180°减去两侧边缘点的梯度方向的加和结果，作为对应两侧边缘点的吻合程度：
。
3、基于欧氏距离和吻合程度得到两侧边缘点的类裂纹特征值。
以最新一次检测到边缘点时的欧氏距离作为预设值的负指数得到第一特征值，以多次检测到边缘点的所有欧氏距离的标准差作为预设值的负指数得到第二特征值，以多次检测到边缘点的所有吻合程度的标准差作为预设值的负指数得到第三特征值，计算第一特征值、第二特征值和第三特征值的平均值，将每次检测到边缘点时得到的平均值累加，累加结果即为类裂纹特征值。
在本发明实施例中，预设值为自然常数e，第一特征值为
，计算多次检测到边缘点时之前的所有欧氏距离的标准差，然后得到第二特征值为
，同样计算多次检测到边缘点时之前的所有吻合程度的标准差，得到第三特征值为
。
将同一组起始遍历点进行同步检测的两侧边缘点之间，欧式距离、欧式距离离散度、吻合性离散度三个特征进行特殊归一化，然后加和求均，用一个单调递增的映射函数将特征求均结果累加，累加函数的增长率在裂纹边缘时稳定在1左右浮动，一旦增长率异常降低，则认为该组边缘的类裂纹特征消失。
因此计算第
次检测到边缘点时的类裂纹特征值
：
其中，p表示持续增长的检测次数。
欧氏距离和吻合程度都是同时遍历过程中边缘两侧的类裂缝特征变化，对两个参数计算标准差，当两侧遍历时边缘点之间的距离、吻合度相差较大时，其标准差异常较大，即
、
，然后加上
的大小本身就具有描述细长裂纹的特性，因此将它们三个特征参数的取值利用指数函数归一化。
当
较小时，
的取值在0-1之间越接近1；
、
的标准差越大，
、
的取值则在0-1之间越接近0，标准差越小，
、
的取值在0-1之间越接近1，
为两三加和求均，得到一个类裂纹边缘的筛选特征值，
为从齿轮边缘遍历开始，依次累加a、b两侧的类裂纹特征值，若其在持续遍历过程中，
的正常增长率在1左右浮动，而一旦增长率异常降低，则代表在此遍历序号处a、b两侧类裂纹特性不存在，即在该遍历序号为p处停止检测。
4、当类裂纹特征值的增长率小于预设的特征阈值时，对应的两侧边缘点为非裂纹边缘，将非裂纹边缘清除。
本发明实施例中特征阈值为0.7，即当
时，类裂纹特性不存在，在该遍历序号处停止检测，对应的两侧边缘点为非裂纹边缘，
表示类裂纹特征值
的增长率。
然后通过非极大值抑制将非裂纹边缘清除，对非极大值的数据进行抑制，即是对非极大值数据排除其是边缘的可能性。在非极大值抑制时，增加一个抑制算法，即非闭合边缘抑制，这样就可以使刻意中断检测的边缘作为非边缘被清除掉。
步骤S004，对齿轮内部进行霍夫直线检测，当霍夫空间中法线角度上，存在垂直方向分布的超过预设数量的霍夫亮点时，这些霍夫亮点对应的直线为多余划痕边缘，将多余划痕边缘清除。
具体的步骤包括：
对齿轮边缘的裂纹检测完成之后，不能否定会在齿轮中心区域出现其他裂纹，因此再对非边缘区域的磨削裂纹进行检测，由于划痕和裂纹不同，磨削划痕是多条密集的平行线，因此遮蔽已检测到的淬火边缘，然后对齿轮内部进行霍夫直线检测，在霍夫空间中，消除多条直线平行的霍夫空间点。
霍夫空间中的横坐标是原点至直线的法线角度，纵轴是法线距离，因此多条平行线在霍夫空间中表现为某一法线角度上，存在多个垂直方向分布的霍夫亮点，将法线角度上霍夫亮点大于预设数量的霍夫点全部筛除，就可以将检测出的多余的划痕边缘剔除。
作为一个示例，在本发明实施例中预设数量为3。
裂纹虽然不是一条笔直的长纹，但霍夫检测会从裂纹上检测出多条较短、不同方向的直线，这些直线方向随机，也有可能和某些划痕平行，出现在霍夫空间中霍夫点密集的法线角度上，因此还需要对霍夫亮点大于3的法线角度上，每一个霍夫亮点计算亮度离散度，霍夫点的亮度代表直线长度，裂纹上局部的短小直线即使和这些裂纹平行，但是长度必然异常离散，在霍夫空间中计算亮度离散度，即亮度方差，将离散度较大的霍夫点保留，其他非离散的点剔除。
经过上述步骤，利用Canny算子对齿轮裂纹检测结果中的冗余边缘就大幅度减少。
步骤S005，将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，剔除存在裂纹的齿轮。
具体的步骤包括：
1、将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别。
通过将清除了非裂纹边缘和多余划痕边缘的去噪图像作为训练集输入神经网络训练裂纹识别模型，输出为是否为裂纹；将清除了非裂纹边缘和多余划痕边缘的去噪图像输入训练完成的裂纹识别模型中，得到裂纹识别结果。
在抑制了大部分冗余的检测结果后，再通过裂纹识别模型，对齿轮裂纹进行最终识别，得到裂纹识别结果。
2、剔除存在裂纹的齿轮。
通过机械手剔除存在质量问题的齿轮组件，及时进行更换。
综上所述，本发明实施例采集齿轮表面的探伤图像，并对探伤图像进行噪声去除，得到去噪图像；在去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点，以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离；通过提取边缘点的梯度方向获取两侧边缘点的吻合程度，基于欧氏距离和吻合程度得到两侧边缘点的类裂纹特征值；当类裂纹特征值的增长率小于预设的特征阈值时，对应的两侧边缘点为非裂纹边缘，将非裂纹边缘清除；对齿轮内部进行霍夫直线检测，当霍夫空间中法线角度上，存在垂直方向分布的超过预设数量的霍夫亮点时，这些霍夫亮点对应的直线为多余划痕边缘，将多余划痕边缘清除；将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，剔除存在裂纹的齿轮。本发明实施例减少了裂纹检测时的干扰，提高齿轮的质量检查效率，进而降低机床装配后的故障率。
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。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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (7)
1.用于机床装配的机床组件智能识别方法，其特征在于，该方法包括以下步骤：
采集齿轮表面的探伤图像，并对所述探伤图像进行噪声去除，得到去噪图像；
在所述去噪图像中分割齿轮的最外侧边缘，通过差分获取最外侧边缘中的断点，以断点两端同时作为检测起始点向齿轮内部进行边缘检测，并计算两侧边缘点之间的欧氏距离；
通过提取边缘点的梯度方向获取两侧边缘点的吻合程度，基于所述欧氏距离和所述吻合程度得到两侧边缘点的类裂纹特征值；当所述类裂纹特征值的增长率小于预设的特征阈值时，对应的两侧边缘点为非裂纹边缘，将非裂纹边缘清除；
对齿轮内部进行霍夫直线检测，当霍夫空间中法线角度上，存在垂直方向分布的超过预设数量的霍夫亮点时，这些霍夫亮点对应的直线为多余划痕边缘，将多余划痕边缘清除；
将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，剔除存在裂纹的齿轮。
2.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述去噪图像的获取方法为：使用高斯滤波算法对所述探伤图像进行平滑，滤除噪声，得到所述去噪图像。
3.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述最外侧边缘中的断点的获取方法为：
利用模板匹配算法，使所述去噪图像与标准模板进行差分，标记差分结果大于预设的差分阈值的像素点，作为所述断点。
4.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述梯度方向的提取方法为：
利用梯度算子分别在水平方向和竖直方向对所述去噪图像进行卷积，以卷积结果之间的夹角作为所述梯度方向。
5.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述吻合程度的获取方法为：
将两侧边缘点的所述梯度方向相加，以180°减去加和结果，作为对应两侧边缘点的所述吻合程度。
6.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述类裂纹特征值的获取方法：
以最新一次检测到边缘点时的所述欧氏距离作为预设值的负指数得到第一特征值，以多次检测到边缘点的所有欧氏距离的标准差作为所述预设值的负指数得到第二特征值，以多次检测到边缘点的所有吻合程度的标准差作为所述预设值的负指数得到第三特征值，计算所述第一特征值、第二特征值和第三特征值的平均值，将每次检测到边缘点时得到的所述平均值累加，累加结果即为所述类裂纹特征值。
7.根据权利要求1所述的用于机床装配的机床组件智能识别方法，其特征在于，所述将清除了非裂纹边缘和多余划痕边缘的去噪图像进行裂纹识别，包括：
通过将清除了非裂纹边缘和多余划痕边缘的去噪图像作为训练集输入神经网络训练裂纹识别模型，输出为是否为裂纹；将清除了非裂纹边缘和多余划痕边缘的去噪图像输入训练完成的裂纹识别模型中，得到裂纹识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050928.1A CN115131250A (zh) | 2022-08-30 | 2022-08-30 | 用于机床装配的机床组件智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050928.1A CN115131250A (zh) | 2022-08-30 | 2022-08-30 | 用于机床装配的机床组件智能识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115131250A true CN115131250A (zh) | 2022-09-30 |
Family
ID=83387236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211050928.1A Pending CN115131250A (zh) | 2022-08-30 | 2022-08-30 | 用于机床装配的机床组件智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131250A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
-
2022
- 2022-08-30 CN CN202211050928.1A patent/CN115131250A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
| CN116740072B (zh) * | 2023-08-15 | 2023-12-01 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 | |
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN113689415A (zh) | 一种基于机器视觉的钢管壁厚在线检测方法 | |
| CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
| CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
| CN115063423A (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
| CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
| CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
| CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
| CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
| CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
| CN115131250A (zh) | 用于机床装配的机床组件智能识别方法 | |
| CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
| CN111353981B (zh) | 基于机器视觉的齿轮检测方法、系统及存储介质 | |
| CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
| CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
| CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
| CN110390649B (zh) | 一种用于油气管道焊缝图像降噪的方法 | |
| CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 |