CN115170541A - 一种齿轮啮合状态的检测方法、装置及系统 - Google Patents
一种齿轮啮合状态的检测方法、装置及系统 Download PDFInfo
- Publication number
- CN115170541A CN115170541A CN202210886222.2A CN202210886222A CN115170541A CN 115170541 A CN115170541 A CN 115170541A CN 202210886222 A CN202210886222 A CN 202210886222A CN 115170541 A CN115170541 A CN 115170541A
- Authority
- CN
- China
- Prior art keywords
- image
- gear
- target
- thermal
- gear pair
- 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 65
- 238000012360 testing method Methods 0.000 claims abstract description 126
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000005484 gravity Effects 0.000 claims description 43
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000002360 preparation method Methods 0.000 abstract description 4
- 239000006247 magnetic powder Substances 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004904 shortening Methods 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
-
- 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
-
- G06T5/70—
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—Training; Learning
Abstract
本申请提供了一种齿轮啮合状态的检测方法、装置及系统,其中,方法包括:获取待测齿轮副在测试过程中待测第一齿轮的热感图像;对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。本申请通过采用热感图像进行检测,可以实现非接触式测量,减少对人工的依赖,通过对温度在齿面上的分布情况进行啮合状态的判断,可以提高判断的准确性。同时,可通过热源进行主动加热有利于减少准备时间,提高检测效率。
Description
技术领域
本申请涉及齿轮啮合状态检测技术领域,特别涉及一种齿轮啮合状态的检测方法、装置及系统。
背景技术
齿轮机构是机械传动方式中最常见的一种机构,齿轮啮合状态是影响其工作性能和服役可靠性的关键因素。齿轮啮合不均匀会导致传动不稳定,易造成齿轮处于偏载状态,进而降低齿轮机构的服役寿命。而齿轮加工精度、装配精度、载荷状态等因素具有强烈的不确定性,也会影响齿轮啮合状态。为了更加准确地控制齿轮啮合状态,对齿轮实际啮合状态的检测就至关重要。
齿轮的啮合状态受到设计、加工和装配三个阶段的共同影响。仅仅依靠设计水平和加工精度的提升,有时还不足以确保齿轮的啮合质量满足使用要求。尤其是重载齿轮机构,其啮合状态对齿轮服役寿命的影响非常显著,此类齿轮机构的装配过程对齿轮啮合状态的影响不可忽视。因此,为了充分保证整个系统的装配质量,在装配完成后对此类齿轮机构的啮合状态进行检测就极其重要。
目前国内外对于齿轮啮合状态的检测已经展开一定程度的研究,开发出多种基于传感器的检测方法,有些还建立实时监测系统。但是受齿轮箱体的存在以及齿轮材料的不透明性影响,目前检测方法依然存在一些不足,例如:过多依赖人工经验,测量条件受限过多等。
发明内容
本申请实施例要达到的技术目的是提供一种齿轮啮合状态的检测方法、装置及系统,用以解决现有用于检测装配后齿轮啮合状态的方法存在依赖人工、环境限制多等的问题。
为解决上述技术问题,本申请实施例提供了一种齿轮啮合状态的检测方法,包括:
获取待测齿轮副在测试过程中待测第一齿轮的热感图像;
对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;
根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。
具体地,如上所述的检测方法,所述对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像,包括下述中的至少一项:
对所述热感图像进行图像裁剪,获取对应所述待测第一齿轮齿面的目标热感图像;
对所述目标热感图像进行灰度化处理,得到灰度图像;
根据所述灰度图像进行图形重心求解,得到图形重心;
根据所述灰度图像进行图形轮廓求解,得到图形轮廓;
其中,所述目标图像包括:所述目标热感图像、所述灰度图像、所述目标图形重心和所述目标图形轮廓中的至少一项。
具体地,如上所述的检测方法,所述根据所述灰度图像进行图形重心求解,得到图形重心,包括:
获取所述灰度图像中每一个像素点在预设坐标系中的坐标;
根据所述像素点的坐标和灰度值,得到所述像素点对坐标轴的力矩;
根据所述像素点的灰度值以及所述力矩,得到所述图形重心的灰度重心坐标。
具体地,如上所述的检测方法,所述根据所述灰度图像进行图形轮廓求解,得到图形轮廓,包括:
对所述灰度图像进行图像降噪,得到降噪后的所述灰度图像;
根据降噪后的所述灰度图像,计算得到图像梯度;
根据所述图像梯度对所述灰度图像中的像素进行非极大值抑制,得到边缘候选像素;
对所述边缘候选像素进行双阈值筛选,得到所述图形轮廓。
优选地,如上所述的检测方法,所述根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态,包括下述中的至少一项:
根据温度在齿宽方向上的分布情况进行判断,确定所述待测齿轮副的啮合状态,其中,当在温度在所述齿宽方向上呈对称分布时,确定所述待测齿轮副的啮合状态为无偏载状态;
根据所述目标图像中的所述图形重心相对于所述图形轮廓的位置,确定所述待测齿轮副的啮合状态,其中,当确定所述图形中心位于所述图形轮廓的几何中心时,确定所述待测齿轮副的啮合状态为无偏载状态;
根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态。
可选地,如上所述的检测方法,在所述根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态的情况下,还包括:
获取至少一个测试热感视频,每个所述测试热感视频对应一种预设啮合状态下测试齿轮副的测试过程;
获取所述测试热感视频中第一预设数量的测试帧图像;
对所述第一预设数量的测试帧图像进行所述图像处理,得到关于所述测试齿轮副中测试第一齿轮齿面的目标测试图像;
根据所述第一预设数量的测试帧图像对应的所述目标测试图像,分别获取第二预设数量的所述目标测试图像作为训练集,获取第三预设数量的所述目标测试图像作为测试集,所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
根据所述训练集和所述训练集进行预设神经网络模型的训练和测试,得到所述目标神经网络模型。
具体地,如上所述的检测方法,所述获取待测齿轮副在测试过程中待测第一齿轮的热感图像,包括:
获取待测齿轮副在测试过程中所述待测第一齿轮的待测热感视频;
当接收到视频处理信号时,对所述待测热感视频进行视频分解处理,得到多个待测帧图像;
依次确定所述待测帧图像为所述热感图像。
本申请的另一实施例还提供了一种控制装置,包括:
第一处理模块,用于获取待测齿轮副在测试过程中待测第一齿轮的热感图像;
第二处理模块,用于对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;
第三处理模块,用于根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。
本申请的又一实施例还提供了一种检测系统,包括:齿轮测试平台以及如上所述的控制装置;
其中,所述齿轮测试平台包括:热感图像获取装置以及热源,所述热源对应需要进行测试的齿轮副中的第二齿轮,所述热感图像获取装置至少对应所述齿轮副中第一齿轮;
所述控制装置与所述热感图像获取装置连接。
本申请的再一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的一种齿轮啮合状态的检测方法的步骤。
与现有技术相比,本申请实施例提供的一种齿轮啮合状态的检测方法、装置及系统,至少具有以下有益效果:
本申请通过采用热感图像进行检测,可以实现非接触式测量,减少对人工的依赖,通过对温度在齿面上的分布情况进行啮合状态的判断,可以提高判断的准确性。同时,可通过热源进行主动加热有利于减少准备时间,提高检测效率。
附图说明
图1为本申请的一种齿轮啮合状态的检测方法的流程示意图之一;
图2为本申请的一种齿轮啮合状态的检测方法的流程示意图之二;
图3为本申请的一种齿轮啮合状态的检测方法的流程示意图之三;
图4为本申请的一种齿轮啮合状态的检测方法的流程示意图之四;
图5为本申请的一种齿轮啮合状态的检测方法的流程示意图之五;
图6为为本申请的一种控制装置的结构示意图;
图7为本申请的一种检测系统的结构示意图;
图8为在灰度图像上建立的预设坐标系的结构示意图;
图9为高斯平滑滤波器卷积计算的示意图;
图10为齿轮副竖直错位时轴系在竖直面上的分布示意图;
图11为齿轮副水平错位时轴系在水平面上的分布示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
参见图1,本申请的一实施例提供了一种齿轮啮合状态的检测方法,包括:
步骤S101,获取待测齿轮副在测试过程中待测第一齿轮的热感图像。在此步骤中,该热感图像可以为测试过程中实时获取,也可为在测试结束后获取。其中,待测齿轮副包括相互啮合的待测第一齿轮和待测第二齿轮,待测第一齿轮为主动齿轮和从动齿轮中的一个,待测第二齿轮为主动齿轮和从动齿轮中的另一个。
需要说明的是,对待测齿轮副执行测试过程时,需要借助一齿轮测试平台。在一具体实施例中该齿轮测试平台包括:热源和热感图像获取装置,其中,热源与待测第二齿轮对应设置,通过该热源可对待测第二齿轮的齿面进行加热,缩短待测第二齿轮的升温的时间。当待测齿轮副转动时,通过待测第一齿轮和待测第二齿轮啮合时的接触,实现待测第二齿轮与待测第一齿轮之间的热传导;
热感图像获取装置对应待测第一齿轮设置,会拍摄待测第一齿轮转动过程中温度变化的热感视频和/或热感图片,以便于执行该步骤S101,获取到待测齿轮副在测试过程中待测第一齿轮的热感图像。
其中,采用通过热感图像来获取齿轮的啮合状态,能实现非接触式测量,减少对人工的依赖,同时,可通过热源进行主动加热,来减少准备时间。
步骤S102,对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像。在此步骤中,会对上述获取到的热感图像进行处理,以便得到所需的目标图像,其中,该目标图像仅对应待测第一齿轮上的齿面,可以减少图像中第二齿轮、齿轮箱体等其他无效物体的影响。
优选地,该目标图像仅对应一待测观察齿的齿面,该待测观察齿优选为该待测第一齿轮上受其他热源影响最小的从动齿,进一步保证得到的目标图像的代表性和准确性。需要说明的是,可通过在待测第一齿轮上设置标记物的方式,确定一参考齿,并以该参考齿为基准对其他从动齿进行标号,从而可确定该参考齿或一预设标号对应的从动齿为该待测观察齿。
步骤S103,根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。在此步骤中,会根据目标图像上体现出的温度分布情况,来获取待测齿轮副的啮合状态,具体地为判断温度在齿宽方向上的分布情况是否与待测齿轮副的啮合特性相对应,其中,在一具体实施例中,以直齿为例,当温度在齿宽方向上对称分布时,则确定待测齿轮副的啮合状态为正常的啮合状态,否则,即可确定待测齿轮副的啮合状态为偏心的啮合状态,即待测齿轮副的齿侧间隙过大,使得齿轮啮合不均匀。
可选地,上述的对称分布具有一误差范围,当处于该误差范围内时,均可认定为对称分布。
综上所述,本实施例通过采用热感图像进行检测,可以实现非接触式测量,减少对人工的依赖,通过对温度在齿面上的分布情况进行啮合状态的判断,可以提高判断的准确性。同时,可通过热源进行主动加热,有利于减少准备时间,提高检测效率。
具体地,如上所述的检测方法,所述对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像,包括下述中的至少一项:
对所述热感图像进行图像裁剪,获取对应所述待测第一齿轮齿面的目标热感图像。在此步骤中,由于热感图像中可能存在例如第二齿轮、齿轮箱体等无效物体,因此先对热感图像进行裁剪,只保留待测第一齿轮对应的图像,更具体的为仅保留待测观察齿对应的图像,并将其作为后续处理的原始图像,避免了齿轮箱等无效物体的影响。
对所述目标热感图像进行灰度化处理,得到灰度图像。在此步骤中,通过将目标热感图像转化为灰度图像,可以凸显出印痕,以便于用户更好的判断齿轮啮合状态;其中,由于任意一张热感图像的本质都是由RGB三通道组成的三维矩阵,由于热感图像表示的温度是单维度数值,因此需要将图像的三通道构成单通道数值,即将彩色图转换成灰度图,其最常见的计算公式为:
Gray=Z1*R+Z2*G+Z3*B
其中,R、G、B分别是红色通道、绿色通道和蓝色通道内的数值;Z1、Z2、Z3为权重值,且Z2>Z1>Z3;将RGB按照对应的权重值相加即是灰度值。但是在热感图像中,红色表示高温、绿色表示中温、蓝色表示低温,由于本实施例需要突出啮合区域,即高温区的形状,因此可适当调整优化RGB的权重,即提高红色通道所占比重,降低绿色通道所占比重,同时也可对蓝色送到所占比重进行调整。在一具体实施例中优化后的灰度图的计算公式可以为:
Gray=Z2*R+Z1*G+Z3*B
通过优化后的灰度图更能突出齿轮啮合区域,便于用户观察做出判断。
需要说明的是,在一具体实施例中,Z1=0.299,Z2=0.587,Z3=0.114。
根据所述灰度图像进行图形重心求解,得到图形重心。在此步骤中,通过机器视觉,仿照物体重心的定义(在地球的吸引下,物体中每部分受到的重力的合力作用点),获取目标热感图像的目标图形重心(也被称之为区域中心),通过求解得到的目标图形重心可以表示待测齿轮副啮合时啮合区域的区域中心。使得用户可以便捷的确定待测齿轮副啮合时的啮合中点,并判断待测齿轮副的啮合中心是否偏离。
根据所述灰度图像进行图形轮廓求解,得到图形轮廓。在此步骤中,通过对灰度图像进行图形轮廓求解,即可得到待测齿轮副啮合时啮合区域的边缘。使得用户可以便捷的确定待测齿轮副啮合时的啮合区域,并判断啮合区域是否偏离。
可选地,当同时获取到图形重心和图形轮廓时,还可通过判断图形重心和图形轮廓的中心之间的间距是否满足预设误差来判断啮合状态。
其中,所述目标图像包括:所述目标热感图像、所述灰度图像、所述目标图形重心和所述目标图形轮廓中的至少一项。在此步骤中,可根据实际需求选择性的确定目标热感图像、灰度图像、目标图形重心和目标图形轮廓中的至少一项为该目标图像,以满足不同用户的需求,提高本实施例中检测方法的适用性和个性化。
参见图2,具体地,如上所述的检测方法,所述根据所述灰度图像进行图形重心求解,得到图形重心,包括:
步骤S201,获取所述灰度图像中每一个像素点在预设坐标系中的坐标。对于此步骤,在一具体实施例中,在灰度图像的左上角建立所述预设坐标系(如图8所示),并确定灰度图像中每个像素点的灰度值为该点的质量。其中,竖直方向为横坐标轴,水平方向为纵坐标轴,每个像素点的横纵坐标分别为该像素点到横纵坐标轴的距离,具体地为,像素点的横坐标i为像素点到纵坐标轴Y的距离,像素点的纵坐标j为像素点到横坐标轴X的距离。
步骤S202,根据所述像素点的坐标和灰度值,得到所述像素点对坐标轴的力矩。在此步骤中,会基于预设的第一算法对像素点的坐标和灰度值进行计算得到像素点对坐标轴的力矩,在一具体实施例中,该第一算法为:
其中,i为像素点的横坐标;j为像素点的纵坐标;Gray[i,j]为像素点的灰度值;Xtorque[i,j]为像素点对横坐标轴的力矩;Ytorque[i,j]为像素点对纵坐标轴的力矩。
步骤S203,根据所述像素点的灰度值以及所述力矩,得到所述图形重心的灰度重心坐标。在此步骤中,会基于预设的第二算法对像素点的灰度值和上一步得到力矩进行计算得到目标图形重心的灰度重心坐标,在一具体实施例中,该第二算法为:
其中,Xtol为所有像素点对横坐标轴的力矩;Ytol为所有像素点对纵坐标轴的力矩;∑Gray[i,j]为所有像素点灰度值的和;xgra和ygra分别灰度重心坐标的横坐标和纵坐标。
参见图3,具体地,如上所述的检测方法,在根据所述灰度图像进行图形轮廓求解,得到目标图形轮廓时,由于图像边缘检测的方法众多,包括:Canny算子、Sobel算子、Laplace算子等,为保证得到的结果的准确性,在本实施例中以采用Canny算子进行图像边缘检测的具体步骤进行举例说明,其具体包括:
步骤S301,对所述灰度图像进行图像降噪,得到降噪后的所述灰度图像。在此步骤中,优选采用高斯平滑滤波器卷积整个灰度图像来降噪来提高灰度图像的质量,其中,卷积核大小可以调整,具体地,以大小为3的卷积为例的示意图如图9所示,图中从左至右依次为原图、高斯和计算结果,其中,高斯核的数值要除以1000。
步骤S302,根据降噪后的所述灰度图像,计算得到图像梯度。即,在降噪之后,会对图像梯度进行计算,得到的图像梯度包括:幅值和方向,以便于利用梯度的方向信息对降噪后的灰度图像进行细化处理。具体地,在计算梯度的算法为:
其中,θ为梯度方向;G为幅值;Gx和Gy分别为关于横坐标轴和纵坐标轴的幅值分量。
步骤S303,根据所述图像梯度对所述灰度图像中的像素进行非极大值抑制,得到边缘候选像素。在此步骤中,经过图像梯度计算后,会将非边缘像素的梯度值减小,从而通过非极大值抑制,将局部内的极大值确定为最优解即保留的边缘候选像素,将梯度方向变化率效率的点筛选掉,避免造成干扰,提高最终得到的图形轮廓的准确度。
步骤S304,对所述边缘候选像素进行双阈值筛选,得到所述图形轮廓。在此步骤中,会对边缘候选像素进行双阈值筛选,以保证得到的图形轮廓的完整性和准确度。具体为,预设第一阈值和第二阈值,且第一阈值大于第二阈值;在进行双阈值筛选时,根据预设规则进行筛选,其中预设规则为:
若边缘候选像素的灰度值大于第一阈值,则确定为边缘像素;
若边缘候选像素的灰度值小于第二阈值,则清零灰度值;
若灰度值大于第二阈值且小于第一阈值的边缘候选像素,则只有与一个灰度值大于第一阈值的边缘候选像素连接时,确定为边缘像素,否则清零灰度值。
优选地,如上所述的检测方法,在根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态时,具体包括:
根据温度在齿宽方向上的分布情况,确定所述待测齿轮副的啮合状态。即通过人工判断或计算机辅助判断等方式,确定温度在齿宽方向上的分布,若温度在宽方向上呈对称分布,则说明此时待测齿轮副的啮合状态为无偏载状态;若温度在宽方向上呈不对称分布,则说明此时待测齿轮副的啮合状态为偏载状态,且温度在齿宽方向不对称性越显著,说明待测齿轮副的偏载程度越大。
在一具体实施例中,当需要通过人工进行判断时,该方法还包括:
传输所述目标图像至显示装置。即,将上述进行图像处理后的目标图像发送至显示装置,以便于用户通过显示装置获知温度在齿宽方向上的分布情况,并进行判断。在一具体实施例中为减少上述图像处理过程中的消耗,可仅以目标热感图像为该目标图像,此时上述的图像处理仅需获取到该目标热感图像即可。为以进一步提高用户进行判断的准确性,可在以目标热感图像为该目标图像的基础上,增加灰度图像等作为目标图像。
接收用户根据所述目标图像输入的判断结果,根据所述判断结果,确定所述待测齿轮副的啮合状态。在此步骤中,当用户根据显示的目标图像进行判断并得到判断结果后,会经由输入设备将该判断结果输入,进而根据该判断结果即可确定待测齿轮副的啮合状态。
在另一具体实施例中,当需要通过计算机进行辅助判断时,可通过对目标图像建立坐标系和对称轴,并判断多对对称坐标上的灰度值或RGB值是否一致,确定温度在宽方向上是否呈对称分布,进而得到待测齿轮副的啮合状态。
需要说明的是,为避免偶然误差等对判断结果造成影响,当对称坐标上的灰度值或RGB值的差值处于预设区间内时,即可确定两者相同。
此外,除上述的根据温度在齿宽方向上的分布情况进行判断外,根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态时,还可以具体为:
根据所述目标图像中的所述图形重心相对于所述图形轮廓的位置,确定所述待测齿轮副的啮合状态。即,通过人工判断或计算机辅助判断等方式,确定目标图像中的图形重心和图形轮廓的几何中心的位置关系,当确定所述图形中心位于所述图形轮廓的几何中心时,即可确定所述待测齿轮副的啮合状态为无偏载状态,否则,确定所述待测齿轮副的啮合状态为偏载状态,且图形重心和图形轮廓的几何中心之间的距离越大,说明待测齿轮副的偏载程度越大。
在一具体实施例中,当需要通过人工进行判断时,该方法还包括:
传输所述目标图像至显示装置。即,至少将上述进行图像处理后的图形重心和图形轮廓发送至显示装置,以便于用户通过显示装置获知图形重心和图形轮廓的几何中心的位置关系,并进行判断。
接收用户根据所述目标图像输入的判断结果,根据所述判断结果,确定所述待测齿轮副的啮合状态。在此步骤中,当用户根据显示的图形重心和图形轮廓进行判断并得到判断结果后,会经由输入设备将该判断结果输入,进而根据该判断结果即可确定待测齿轮副的啮合状态。
在另一具体实施例中,当需要通过计算机进行辅助判断时,可通过对目标图像建立坐标系,并获取图形轮廓的几何中心的坐标,进而根据几何中心的坐标和图形重心的坐标,确定两者之间的位置关系,优选为距离关系。并根据该位置关系确定啮合状态。
需要说明的是,为避免偶然误差等对判断结果造成影响,当图形重心和图形轮廓的几何中心之间的距离处于预设范围内时,即可确定两者重合。
此外,除上述的根据温度在齿宽方向上的分布情况和根据所述目标图像中的所述图形重心相对于所述图形轮廓的位置进行判断外,根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态时,还可以具体为:
根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态。即,将上述得到的目标图像输入至预先得到的目标神经网络模型中,通过目标神经网络模型进行定量判断,得到测齿轮副的啮合状态;采用此种方式可以有效避免人工经验判断带来的误差,提高最终获取到的待测齿轮副的啮合状态的准确度。
需要说明的是,在实际使用时,可选用上述根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态的具体步骤中的至少一项,当选用两项或三项时,若至少一个啮合状态为偏载状态,则确定最终的啮合状态为偏载状态,否则,确定为无偏载状态,可实现冗余判断,有利于进一步保证得到的啮合状态的准确性。
参见图4,可选地,如上所述的检测方法,在所述根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态的情况下,还包括:
步骤S401,获取至少一个测试热感视频,每个所述测试热感视频对应一种预设啮合状态下测试齿轮副的测试过程。即,预先获取热感图像获取装置拍摄到的至少一个测试热感视频,其中,每个测试热感视频对应一次测试过程,优选地,每次测试时,测试齿轮副具有不同的预设啮合状态,以满足对多种啮合状态的测试,进而提升得到的目标神经网络模型使用范围以及准确度。其中,不同预设啮合状态之间可以通过改变测试齿轮副的水平错位角度(如图11所示)和/或竖直错位角度(如图10所示)实现切换。
可选地,为保证获取到足够的测试数据,还可对同一预设啮合状态的测试齿轮副进行多次测试。
步骤S402,获取所述测试热感视频中第一预设数量的测试帧图像。在此步骤中,由于在测试过程中,受加热时间、热传导时间等因素的影响,使得测试热感视频中的部分图像不具有代表性,因此,优选从测试热感视频的尾部向前获取第一预设数量的图像为测试帧图像。可选地,该第一预设数量为2000张。
步骤S403,对所述第一预设数量的测试帧图像进行所述图像处理,得到关于所述测试齿轮副中测试第一齿轮齿面的目标测试图像。在此步骤中,会对上述得到的测试帧图像也进行如上所述的图像处理的过程,得到对应测试齿轮副中测试从动齿齿面的目标测试图像,以便于确定目标测试图像与预设啮合状态之间的对应关系。同理,优选地目标测试图像与测试从动轮上的一测试观察齿对应。
步骤S404,根据所述第一预设数量的测试帧图像对应的所述目标测试图像,分别获取第二预设数量的所述目标测试图像作为训练集,获取第三预设数量的所述目标测试图像作为测试集,所述第二预设数量与所述第三预设数量的和等于所述第一预设数量。即,在得到第一预设数量的测试帧图像对应的目标测试图像后,为得到目标神经网络模型,会将每一种预设啮合状态对应的第一预设数量的目标测试图像进行测试集和训练集的划分,具体地,将其中第二预设数量的目标测试图像作为训练集,剩余第三预设数量的目标测试图像作为测试集。优选地,第二预设数量等于第三预设数量。
步骤S405,根据所述训练集和所述训练集进行预设神经网络模型的训练和测试,得到所述目标神经网络模型。在此步骤中,通过根据训练集对预设神经网络模型训练,得到预选神经网络模型,再根据测试集对预选神经网络模型进行测试,判断该预选神经网络模型是否满足准确度需求,当满足准确度需求时,即可确定该预选神经网络模型为目标神经网络模型,以保证后续根据该目标神经网络模型进行判断时的准确性。
参见图5,具体地,如上所述的检测方法,所述获取待测齿轮副在测试过程中待测第一齿轮的热感图像,包括:
步骤S501,获取待测齿轮副在测试过程中所述待测第一齿轮的待测热感视频。在本步骤中,执行该检测方法的控制装置与热感图像获取装置连接,热感图像获取装置在拍摄到待测热感视频后会进行存储,且会主动或接收到请求后向控制装置传输该待测热感视频,控制装置接收到该待测热感视频后会进行存储,当用户需要获取视频并进行处理时,会根据用户的调用输入,会调取对应的待测热感视频,以供用户使用。
在另一具体实施例中,控制装置在根据用户的调用输入获取待测热感视频时,还会读取待测热感视频的基本信息(例如:时长、帧率、图像长宽等),并输出以便用户了解待测热感视频的基本信息。
优选地,在一实施例中,在热感图像获取装置和控制装置开机后,热感图像获取装置会实时的传输视频数据至该控制装置。
步骤S502,当接收到视频处理信号时,对所述待测热感视频进行视频分解处理,得到多个待测帧图像。在此步骤中,当接收到视频处理信号时,确定该待测热感视频为用户所需视频,且需要对视频进行分解处理,具体地为根据帧率等基本信息对视频进行分解,得到多个待测帧图像,以便后续通过进行图像处理等操作获取与齿轮啮合状态相关的信息。
步骤S503,依次确定所述待测帧图像为所述热感图像。在此步骤中,会依次将待测帧图像为热感图像,以便后续进行图像处理的步骤,得到对应每一帧的待测帧图像的待测图像处理结果。
可选地,如上所述的检测方法,在获取到所述待测齿轮副的啮合状态之后,还包括:
传输所述目标图像和所述待测齿轮副的啮合状态至显示装置。即,在获取到待测齿轮副的啮合状态之后,为便于用户查看具体的目标图像和啮合状态,会传输目标图像和啮合状态至显示装置进行显示。
在一具体实施例中,先将图像处理过程中得到的目标图像中的目标热感图像和/或灰度图像传输至显示装置进行显示,以便用户基于目标热感图像和灰度图像定性判断待测齿轮副的啮合状态;若仍需要查看具体的图形重心、图形轮廓和/或啮合状态时,可根据用户输入的结果分析信号,再传输图形重心、图形轮廓和/或啮合状态至显示装置进行显示,以便于用户进行再次判断或查看结果,与通过目标神经网络模型得到的待测齿轮副的啮合状态进行冗余判断。
进一步的,在传输图形重心、图形轮廓和/或啮合状态至显示装置后,可控制显示装置仅显示目标热感图像、灰度图像、图形重心、图形轮廓、啮合状态中的其中一项,当再次接收到与其他项相关的切换信号后,再显示与该切换信号对应的目标热感图像、灰度图像、图形重心、图形轮廓或啮合状态。
优选地,如上所述的检测方法,所述目标图像包括所述灰度图像的情况下,在传输所述目标图像至所述目标装置之前,还包括:
对所述灰度图像进行二值化处理,得到二值化后的所述灰度图像。在此步骤中,通过对灰度图像进行二值化处理,将灰度值大小不一的灰度图像进行二值化区分,该预设阈值大于0且小于255,将所有灰度值小于该预设阈值的像素的灰度值重设为0,将所有灰度值大于或等于该预设阈值的像素的灰度值重设为255,此时即可得到该二值化的灰度图像,当将该二值化的灰度图像传输至显示装置进行显示以后,更便于用户获知待测齿轮副的啮合区域的特征,并进行定性判断,有利于提高工作效率。
具体地,如上所述的检测方法,还包括:
当接收到用户输入的结果保存信号后,保存所述待测齿轮副的啮合状态,并传输保存地址至显示装置。即,当用户认可上述通过输入或通过目标神经网络模型得到的啮合状态时会输入结果保存信号,根据该结果保存信号,可以将前述得到待测齿轮副的啮合状态保存,并传输保存地址至显示装置进行显示,以便于用户获知,该热感图像对应的结果已保存,且便于用户根据保存地址获取具体的啮合状态。可选地,在保存时,还保存前述获得的目标图像。
参见图6,本申请的另一实施例还提供了一种控制装置,包括:
第一处理模块601,用于获取待测齿轮副在测试过程中待测第一齿轮的热感图像;
第二处理模块602,用于对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;
第三处理模块603,用于根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。
具体地,如上所述的控制装置,第二处理模块,包括下述中的至少一项:
第一处理单元,用于对所述热感图像进行图像裁剪,获取对应所述待测第一齿轮的目标热感图像;
第二处理单元,用于对所述目标热感图像进行灰度化处理,得到灰度图像;
第三处理单元,用于根据所述灰度图像进行图形重心求解,得到图形重心;
第四处理单元,用于根据所述灰度图像进行图形轮廓求解,得到图形轮廓;
其中,所述目标图像包括:所述目标热感图像、所述灰度图像、所述目标图形重心和所述目标图形轮廓中的至少一项。
具体地,如上所述的控制装置,所述第三处理单元,包括:
第一处理子单元,用于获取所述灰度图像中每一个像素点在预设坐标系中的坐标;
第二处理子单元,用于根据所述像素点的坐标和灰度值,得到所述像素点对坐标轴的力矩;
第三处理子单元,用于根据所述像素点的灰度值以及所述力矩,得到所述图形重心的灰度重心坐标。
具体地,如上所述的控制装置,所述第四处理单元,包括:
第四处理子单元,用于对所述灰度图像进行图像降噪,得到降噪后的所述灰度图像;
第五处理子单元,用于根据降噪后的所述灰度图像,计算得到图像梯度;
第六处理子单元,用于根据所述图像梯度对所述灰度图像中的像素进行非极大值抑制,得到边缘候选像素;
第七处理子单元,用于对所述边缘候选像素进行双阈值筛选,得到所述图形轮廓。
具体地,如上所述的控制装置,第三处理模块,包括下述中的至少一项:
第五处理单元,用于根据温度在齿宽方向上的分布情况进行判断,确定所述待测齿轮副的啮合状态,其中,当在温度在所述齿宽方向上呈对称分布时,确定所述待测齿轮副的啮合状态为无偏载状态;
第六处理单元,用于根据所述目标图像中的所述图形重心相对于所述图形轮廓的位置,确定所述待测齿轮副的啮合状态,其中,当确定所述图形中心位于所述图形轮廓的几何中心时,确定所述待测齿轮副的啮合状态为无偏载状态;
第七处理单元,用于根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态。具体地,如上所述的控制装置,还包括:
第四处理模块,用于获取至少一个测试热感视频,每个所述测试热感视频对应一种预设啮合状态下测试齿轮副的测试过程;
第五处理模块,用于获取所述测试热感视频中第一预设数量的测试帧图像;
第六处理模块,用于对所述第一预设数量的测试帧图像进行所述图像处理,得到关于所述测试齿轮副中测试第一齿轮齿面的目标测试图像;
第七处理模块,用于根据所述第一预设数量的测试帧图像对应的所述目标测试图像,分别获取第二预设数量的所述目标测试图像作为训练集,获取第三预设数量的所述目标测试图像作为测试集,所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
第八处理模块,用于根据所述训练集和所述训练集进行预设神经网络模型的训练和测试,得到所述目标神经网络模型。
具体地,如上所述的控制装置,第一处理模块,包括:
第八处理单元,用于获取待测齿轮副在测试过程中所述待测第一齿轮的待测热感视频;
第九处理单元,用于当接收到视频处理信号时,对所述待测热感视频进行视频分解处理,得到多个待测帧图像;
第十处理单元,用于依次确定所述待测帧图像为所述热感图像。
具体地,如上所述的控制装置,还包括:
第九处理模块,用于传输所述目标图像和所述待测齿轮副的啮合状态至显示装置。
具体地,如上所述的控制装置,还包括:
第十处理模块,用于对所述灰度图像进行二值化处理,得到二值化后的所述灰度图像。
具体地,如上所述的控制装置,还包括:
第十一处理模块,用于当接收到用户输入的结果保存信号后,保存所述待测齿轮副的啮合状态,并传输保存地址至显示装置。
参见图7,本申请的又一实施例还提供了一种检测系统,包括:齿轮测试平台1以及如上所述的控制装置2;
其中,所述齿轮测试平台1包括:热感图像获取装置102以及热源101,所述热源103对应需要进行测试的齿轮副中的第二齿轮1031,所述热感图像获取装置102至少对应所述齿轮副中第一齿轮1032;
所述控制装置2与所述热感图像获取装置102连接。
在本申请的一具体实施例中具体公开了一种检测系统,该检测系统除包括前述的控制装置2外,还包括:齿轮测试平台1,该齿轮测试平台1具体包括:热感图像获取装置102以及热源101,其中,热源101与第二齿轮1031对应设置,通过该热源101可对第二齿轮1031的齿面进行加热,缩短第二齿轮1031的升温的时间。当齿轮副转动时,通过第一齿轮和第二齿轮啮合时的接触,实现第二齿轮1031与第一齿轮1032之间的热传导;
热感图像获取装置102对应第一齿轮1032设置,会拍摄第一齿轮1032转动过程中温度变化的热感视频和/或热感图片,并上传至控制装置,以便于控制装置根据拍摄到的热感视频和/或热感图片执行上述的检测方法,得到对应的检测结果即齿轮副的啮合状态。
在一具体实施例中,当使用本实施例中的检测系统进行检测或测试时,启动热源101和热感图像获取装置102,通过热源101对第二齿轮1031加热,通过第二齿轮1031与第一齿轮1032的啮合进行热传导,通过热感图像获取装置102获取第一齿轮1032对应的热感图像和/或热感视频,并传输至该控制装置进行处理;当持续第一预设时间后停止,该预设时间优选为1小时。
需要说明的是,当需要利用该检测系统中同一个齿轮幅进行多次测试时,相邻测试之间需要间隔第二预设时间,且需要将第二齿轮1031和第一齿轮1032的齿面进行打磨,以避免前一测试的热和热产生的碳化物对后一测试的正确性造成影响。
在一具体实施例中,热源101优选为激光加热器,其中激光加热器的光斑优选为矩形光斑,以保证呈矩形的齿面区域的表面温度基本一致,以避免齿面的表面不同使得获取到的热感图像和/或热感视频存在较大误差的情况。在一具体实施例中,激光加热器为波粒光电科技有限公司的WPL1-50W-LCD型号设备。
在一具体实施例中,热感图像获取装置102优选为红外热像仪,在一具体实施例中红外热像仪为拓扑瑞公司的HM61型号产品。
具体地,如上所述的检测系统,还包括:显示装置和用户输入装置;
所述显示装置和所述用户输入装置均与所述控制装置连接。
在本申请的另一实施例中,还包括显示装置和用户输入装置,其中显示装置可接收控制装置发送的数据,并对其进行显示。所显示的内容包括但不限于热感图像、目标图像以及通过目标神经网络模型得到的啮合状态等。用户输入装置,用于根据用户的选择,发送对应的信号至控制装置,以使控制装置根据用户输入进行对应的控制,例如:接收到用户输入的结果保存信号后,保存所述待测齿轮副的啮合状态,并传输保存地址至显示装置;或者,接收到用户输入的结果分析信号后,传输图形重心、图形轮廓和/或啮合状态至显示装置进行显示。
参见图8,可选地,如上所述的检测系统,所述齿轮测试平台还包括:磁粉制动器和扭矩传感器;
其中,所述磁粉制动器用于与所述齿轮副中的第一齿轮1032或第二齿轮1031连接;
所述扭矩传感器设置于所述磁粉制动器与所述第一齿轮1032或第二齿轮1031之间。
在本申请的另一实施例中,齿轮测试平台还包括:磁粉制动器和扭矩传感器,其中通过磁粉制动器与第一齿轮1032或第二齿轮1031连接,可对齿轮副提供负载,满足不同负载下对齿侧间隙进行测试和/或检测的需求。扭矩传感器的设置便于准确获知对应的负载。其中,扭矩传感器优选为自带液晶仪表表盘的设备,以便于用户直观的获取转速、扭矩和功率等信息,例如:华力滕科技有限公司的HLT-171-10型号设备。
当测试或检测过程中需要磁粉制动器提供扭矩时,通过改变磁粉制动器的电流来改变其提供的负载扭矩,例如,当电流为0A时,负载扭矩为0.3N·m;当电流为0.2A时,负载扭矩为12N·m。
本申请的再一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的一种齿轮啮合状态的检测方法的步骤。
此外,本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种齿轮啮合状态的检测方法,其特征在于,包括:
获取待测齿轮副在测试过程中待测第一齿轮的热感图像;
对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;
根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。
2.根据权利要求1所述的检测方法,其特征在于,所述对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像,包括下述中的至少一项:
对所述热感图像进行图像裁剪,获取对应所述待测第一齿轮齿面的目标热感图像;
对所述目标热感图像进行灰度化处理,得到灰度图像;
根据所述灰度图像进行图形重心求解,得到图形重心;
根据所述灰度图像进行图形轮廓求解,得到图形轮廓;
其中,所述目标图像包括:所述目标热感图像、所述灰度图像、所述目标图形重心和所述目标图形轮廓中的至少一项。
3.根据权利要求2所述的检测方法,其特征在于,所述根据所述灰度图像进行图形重心求解,得到图形重心,包括:
获取所述灰度图像中每一个像素点在预设坐标系中的坐标;
根据所述像素点的坐标和灰度值,得到所述像素点对坐标轴的力矩;
根据所述像素点的灰度值以及所述力矩,得到所述图形重心的灰度重心坐标。
4.根据权利要求2所述的检测方法,其特征在于,所述根据所述灰度图像进行图形轮廓求解,得到图形轮廓,包括:
对所述灰度图像进行图像降噪,得到降噪后的所述灰度图像;
根据降噪后的所述灰度图像,计算得到图像梯度;
根据所述图像梯度对所述灰度图像中的像素进行非极大值抑制,得到边缘候选像素;
对所述边缘候选像素进行双阈值筛选,得到所述图形轮廓。
5.根据权利要求2所述的检测方法,其特征在于,所述根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态,包括下述中的至少一项:
根据温度在齿宽方向上的分布情况,确定所述待测齿轮副的啮合状态,其中,当在温度在所述齿宽方向上呈对称分布时,确定所述待测齿轮副的啮合状态为无偏载状态;
根据所述目标图像中的所述图形重心相对于所述图形轮廓的位置,确定所述待测齿轮副的啮合状态,其中,当确定所述图形中心位于所述图形轮廓的几何中心时,确定所述待测齿轮副的啮合状态为无偏载状态;
根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态。
6.根据权利要求5所述的检测方法,其特征在于,在所述根据目标神经网络模型对所述目标图像进行处理,得到所述待测齿轮副的啮合状态的情况下,还包括:
获取至少一个测试热感视频,每个所述测试热感视频对应一种预设啮合状态下测试齿轮副的测试过程;
获取所述测试热感视频中第一预设数量的测试帧图像;
对所述第一预设数量的测试帧图像进行所述图像处理,得到关于所述测试齿轮副中测试第一齿轮齿面的目标测试图像;
根据所述第一预设数量的测试帧图像对应的所述目标测试图像,分别获取第二预设数量的所述目标测试图像作为训练集,获取第三预设数量的所述目标测试图像作为测试集,所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
根据所述训练集和所述训练集进行预设神经网络模型的训练和测试,得到所述目标神经网络模型。
7.根据权利要求1所述的检测方法,其特征在于,所述获取待测齿轮副在测试过程中待测第一齿轮的热感图像,包括:
获取待测齿轮副在测试过程中所述待测第一齿轮的待测热感视频;
当接收到视频处理信号时,对所述待测热感视频进行视频分解处理,得到多个待测帧图像;
依次确定所述待测帧图像为所述热感图像。
8.一种控制装置,其特征在于,包括:
第一处理模块,用于获取待测齿轮副在测试过程中待测第一齿轮的热感图像;
第二处理模块,用于对所述热感图像进行图像处理,得到关于所述待测第一齿轮齿面的目标图像;
第三处理模块,用于根据所述目标图像上的温度分布情况,获取所述待测齿轮副的啮合状态。
9.一种检测系统,其特征在于,包括:齿轮测试平台以及如权利要求8中所述的控制装置;
其中,所述齿轮测试平台包括:热感图像获取装置以及热源,所述热源对应需要进行测试的齿轮副中的第二齿轮,所述热感图像获取装置至少对应所述齿轮副中第一齿轮;
所述控制装置与所述热感图像获取装置连接。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种齿轮啮合状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886222.2A CN115170541A (zh) | 2022-07-26 | 2022-07-26 | 一种齿轮啮合状态的检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210886222.2A CN115170541A (zh) | 2022-07-26 | 2022-07-26 | 一种齿轮啮合状态的检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170541A true CN115170541A (zh) | 2022-10-11 |
Family
ID=83497936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210886222.2A Pending CN115170541A (zh) | 2022-07-26 | 2022-07-26 | 一种齿轮啮合状态的检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758078A (zh) * | 2023-08-18 | 2023-09-15 | 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 |
-
2022
- 2022-07-26 CN CN202210886222.2A patent/CN115170541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758078A (zh) * | 2023-08-18 | 2023-09-15 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105051781B (zh) | 机器视觉系统以及用于产品的远程质量检验的方法 | |
US7450248B2 (en) | Three-dimensional measuring method and three-dimensional measuring apparatus | |
WO2019150872A1 (ja) | 画像処理装置及び画像処理方法 | |
EP2416113B1 (en) | Position and orientation measurement apparatus and position and orientation measurement method | |
CN115170541A (zh) | 一种齿轮啮合状态的检测方法、装置及系统 | |
Reinhart | Industrial computer tomography–A universal inspection tool | |
CN115808324A (zh) | 一种中小跨径桥梁轻量化安全管理监测方法及系统 | |
JP3972647B2 (ja) | 画像診断装置,画像診断システム及び画像診断方法 | |
JP2002140694A (ja) | 画像処理装置、画像処理方法および画像処理プログラムを記録した記録媒体 | |
CN108333805B (zh) | 不良点坐标自动检测方法和装置、设备和存储介质 | |
JP2020190421A (ja) | 移動体評価装置、移動体評価方法、およびプログラム | |
WO2013169951A2 (en) | System and method of distributed procesing for machine-vision analysis | |
CN204649642U (zh) | 一种检测平面缺陷的装置 | |
CN114111576A (zh) | 一种飞机蒙皮间隙面差检测方法及传感器 | |
CN111504608B (zh) | 辉度均匀检测系统及辉度均匀检测方法 | |
CN114719784B (zh) | 一种圆柱形称重传感器倾斜角度检测装置和方法 | |
CN111678438A (zh) | 秤体位移预警方法和系统 | |
CN112270695A (zh) | 一种确定相机运动状态的方法、装置、设备及存储介质 | |
CN104713887A (zh) | 一种检测平面缺陷的方法 | |
CN117058154B (zh) | 3dp金属打印铺粉过程的缺陷识别方法、系统及介质 | |
WO2023090307A1 (ja) | ミスアライメント測定システム、溶接鋼管の製造設備、撮像端末、撮像システム、情報処理装置、ミスアライメント測定方法、溶接鋼管の製造方法、及び、溶接鋼管の品質管理方法 | |
KR102666424B1 (ko) | 드론을 이용한 건물 외벽 진단 시스템 | |
CN117576800A (zh) | 火电厂自动巡检方法、装置、巡检机器人及存储介质 | |
CN117830418A (zh) | 基于相机标定的缺陷位置确定方法、装置、设备及介质 | |
CN117433447A (zh) | 钢轨扣件三维几何检测系统 |
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 |