CN116704177B - 基于图像数据的齿轮变速箱故障检测方法 - Google Patents
基于图像数据的齿轮变速箱故障检测方法 Download PDFInfo
- Publication number
- CN116704177B CN116704177B CN202310955148.XA CN202310955148A CN116704177B CN 116704177 B CN116704177 B CN 116704177B CN 202310955148 A CN202310955148 A CN 202310955148A CN 116704177 B CN116704177 B CN 116704177B
- Authority
- CN
- China
- Prior art keywords
- gear
- subarea
- area
- crack
- subareas
- 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
- 238000001514 detection method Methods 0.000 title abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像数据的齿轮变速箱故障检测方法,包括:采集齿轮图像,获取齿轮图像中的齿轮区域;对齿轮区域进行划分,获取若干齿轮子区域;根据齿轮子区域,获取齿轮子区域的骨架;根据齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第一、第二以及第三可能性参数,根据齿轮子区域为裂纹区域的第一、第二以及第三可能性参数,获取齿轮子区域为裂纹区域的可能性参数,根据齿轮子区域为裂纹区域的可能性参数,对所有齿轮子区域进行增强,最后识别增强后齿轮区域内的裂纹区域。本发明达到在精准的识别齿轮中的裂纹区域的同时,极大的提高了齿轮检测的效率、减小了齿轮检测的成本的目的。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像数据的齿轮变速箱故障检测方法。
背景技术
齿轮变速箱是汽车的关键部件之一,负责将发动机的能量转化为车轮的力,并控制车辆的速度,而齿轮变速箱中的齿轮零件被用于超出其额定负载的应用时,齿轮将会受到过度应力的影响,导致齿轮表面的损坏,从而引起裂缝的形成。可能会对汽车的性能和安全产生严重影响,故及时对齿轮在使用过程中的缺陷进行识别尤为重要。
但传统的齿轮检测方法多为离线检测,需要将齿轮取下来进行检测。使得传统的齿轮检测效率低下,不适用于当下这个高速发展的行业。
而本发明利用图像处理技术,不需要将齿轮卸下就可以完成对齿轮的检测,最终达到在精准的识别齿轮中的裂纹区域的同时,极大的提高了齿轮检测的效率、减小了齿轮检测的成本的目的。
发明内容
本发明提供基于图像数据的齿轮变速箱故障检测方法,以解决现有的问题。
本发明的基于图像数据的齿轮变速箱故障检测方法采用如下技术方案:
本发明一个实施例提供了基于图像数据的齿轮变速箱故障检测方法,该方法包括以下步骤:
采集齿轮图像,获取齿轮图像中的齿轮区域;对齿轮区域进行划分,获取若干齿轮子区域;
根据齿轮子区域,获取齿轮子区域的骨架;根据齿轮子区域的骨架上游程的数量,每个游程的长度以及每个游程的灰度值,获取齿轮子区域的骨架的灰度连续性,作为齿轮子区域为裂纹区域的第一可能性参数,其中游程为在齿轮子区域的骨架上连续且相等的灰度值;根据齿轮子区域形态,获取齿轮子区域为裂纹区域的第二可能性参数;根据齿轮子区域与齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第三可能性参数;
根据齿轮子区域为裂纹区域的第一可能性参数、齿轮子区域为裂纹区域的第二可能性参数以及齿轮子区域为裂纹区域的第三可能性参数,获取齿轮子区域为裂纹区域的可能性参数;根据齿轮子区域为裂纹区域的可能性参数,获取齿轮子区域的增强系数;
根据所有齿轮子区域的增强系数,对所有齿轮子区域进行增强,获取所有增强后的齿轮子区域;将所有增强后的齿轮子区域,组合成增强后的齿轮区域,对增强后的齿轮区域使用阈值分割,得到齿轮区域中的裂纹区域。
优选的,所述获取齿轮图像中的齿轮区域,包括的具体步骤如下:
对齿轮图像进行灰度化处理,得到齿轮灰度图像;再使用kmeans算法对齿轮灰度图像进行聚类处理得到若干聚簇,将平均灰度值最小的聚簇作为的齿轮区域。
优选的,所述获取若干齿轮子区域,包括的具体步骤如下:
使用sobel算子获取齿轮区域中所有像素点的梯度值;然后根据齿轮区域中所有像素点的梯度值,计算齿轮区域中所有像素点的梯度值的均值,然后将齿轮区域中像素点的梯度值大于齿轮区域中所有像素点的梯度值的均值的像素点记为边界像素点,由边界像素点组成的连通域记为边界连通域;最后使用封闭边缘填充算法,将齿轮区域分成若干齿轮子区域。
优选的,所述获取齿轮子区域为裂纹区域的第一可能性参数,包括的具体计算公式如下:
式中,为第/>个齿轮子区域骨架的游程个数;/>为第/>个齿轮子区域骨架上的第/>个游程的灰度值;/>为第/>个区域骨架的上第/>个游程的长度;/>表示第/>个齿轮子区域的骨架的灰度连续性,作为第/>个齿轮子区域为裂纹区域的第一可能性参数。
优选的,所述获取齿轮子区域为裂纹区域的第二可能性参数,包括的具体步骤如下:
将齿轮子区域的骨架上的像素点数量与齿轮子区域内的像素点数量的比值作为齿轮子区域为裂纹区域的第二可能性参数记为,其中/>为第/>个齿轮子区域为裂纹区域的第二可能性参数。
优选的,所述获取齿轮子区域为裂纹区域的第三可能性参数,包括的具体步骤如下:
统计齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离,得到齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列,将齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列的方差,作为齿轮子区域为裂纹区域的第三可能性参数记为,其中/>为第/>个齿轮子区域为裂纹区域的第三可能性参数。
优选的,所述获取齿轮子区域为裂纹区域的可能性参数,包括的具体步骤如下:
将齿轮子区域为裂纹区域的第一可能性参数和齿轮子区域为裂纹区域的第二可能性参数的积,与齿轮子区域为裂纹区域的第三可能性参数的比值作为齿轮子区域为裂纹区域的可能性参数记为,其中/>表示第/>个齿轮子区域为裂纹区域的可能性参数。
优选的,所述获取齿轮子区域的增强系数,包括的具体计算公式如下:
式中,表示第/>个齿轮子区域的增强系数,/>表示第/>个齿轮子区域为裂纹区域的可能性参数,/>表示自然常数。
优选的,所述获取所有增强后的齿轮子区域,包括的具体计算公式如下:
式中,表示第/>个齿轮子区域中第/>个像素点经过增强后的灰度值,/>表示第个齿轮子区域中第/>个像素点增强前的灰度值,/>表示第/>个齿轮子区域的增强系数,表示取最小值函数。
本发明的技术方案的有益效果是:传统的齿轮裂纹检测方法通常包括目视检查、磁粉检测、超声波检测以及硬度测量,但这些传统的齿轮裂纹检测方法多为离线检测,需要将齿轮取下来进行检测,不适用于当下这个高速发展的行业,而本发明通过图像处理技术,根据齿轮中裂纹的形态特征,灰度值特征,灰度分布特征,对齿轮的不同区域进行不同强度的增强,实现增强后的齿轮区域中的裂纹区域与其他区域的灰度差值大,最终达到在精准的识别齿轮中的裂纹区域的同时,极大的提高了齿轮检测的效率、减小了齿轮检测的成本的目的。
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,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地介绍,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他的附图。
图1为本发明基于图像数据的齿轮变速箱故障检测方法的步骤流程图。
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基于图像数据的齿轮变速箱故障检测方法,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基于图像数据的齿轮变速箱故障检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像数据的齿轮变速箱故障检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集齿轮图像,获取齿轮区域。
需要说明的是,通过相机采集齿轮图像,此时在采集的齿轮图像中存在齿轮区域、背景区域以及其他区域,而齿轮图像中的背景区域与其他区域并不属于齿轮区域,同时裂纹区域仅存在于齿轮区域内,所以齿轮图像中的背景区域与其他区域会对分析齿轮区域中的裂纹区域产生影响,所以需要去除齿轮图像中的背景区域与其他区域,获取齿轮图像中的齿轮区域。
具体的,对齿轮图像进行灰度化处理,得到齿轮灰度图像;再使用kmeans算法对齿轮灰度图像进行聚类处理,且kmeans算法中的K=3,由于kmeans算法作为一种公知的技术,故在本实施中不进行详细描述。
至此,将齿轮灰度图像分为三个聚簇。
需要进一步说明的是,由于在齿轮灰度图像中齿轮区域的灰度均值总是最小的。
所以在齿轮灰度图像的三个聚簇中,灰度均值最小的聚簇即为齿轮区域。
步骤S002:根据齿轮区域,获取若干齿轮子区域。
需要说明的是,在齿轮区域中存在齿轮的轮毂部分,而齿轮的轮毂部分与齿轮区域中裂纹区域的灰度值之间的差异小,通过像素点灰度值的差异难以分辨齿轮的轮毂部分与齿轮区域中裂纹区域;
需要进一步说明的是,由于齿轮的轮毂部分与齿轮区域中裂纹区域均和周边部分的灰度值相差较大,齿轮的轮毂部分与齿轮区域中裂纹区域中的像素点的梯度值大于齿轮区域内像素点梯度值的均值,所以可以将齿轮区域分为若干子区域,分别计算子区域为裂纹区域的可能性。
具体的,使用sobel算子获取齿轮区域中所有像素点的梯度值,由于sobel算子作为一种公知的技术,故在本实施例中不进行详细描述;然后根据齿轮区域中所有像素点的梯度值,计算齿轮区域中所有像素点的梯度值的均值,然后将齿轮区域中像素点的梯度值大于齿轮区域中所有像素点的梯度值的均值的像素点记为边界像素点,由边界像素点组成的连通域记为边界连通域;最后使用封闭边缘填充算法,将齿轮区域分成若干齿轮子区域,其中封闭边缘填充算法作为一种公知的技术,故在本实施例中不进行详细描述。
至此,完成对齿轮区域的划分,获取若干齿轮子区域。
步骤S003:提取所有齿轮子区域的骨架,根据齿轮子区域的骨架,计算所有齿轮子区域为裂纹区域的各个可能性参数。
需要说明的是,骨架提取作为一种公知的技术,其目的是从输入的图像中提取出代表物体结构的单像素宽的线条,作为输入图像的骨架,而图像的骨架可以表征图像的主体结构和形状特征,所以可以通过齿轮子区域的骨架计算齿轮子区域的裂纹区域的可能性。
具体的,对所有齿轮子区域进行骨架提取,获取所有齿轮子区域的骨架,而骨架提取作为一种公知的技术,故在本实施例中不进行详细描述。
1.根据齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第一可能性参数。
需要说明的是,由于齿轮中的裂纹区域内像素点的灰度值低且分布均匀,而齿轮子区域的骨架可以表征图像的主体结构和形状特征,即可以通过齿轮子区域的骨架上像素点灰度值的均匀程度,计算齿轮子区域内像素点的灰度值分布的均匀程度,即齿轮子区域的骨架上像素点灰度值的均匀程度越高,则齿轮子区域内像素点的灰度值分布的均匀程度越高,齿轮子区域为裂纹区域的第一可能性参数越大。
具体的,统计齿轮子区域的骨架上像素点灰度值,得到齿轮子区域的骨架上像素点灰度值序列,在齿轮子区域的骨架上像素点灰度值序列中,将连续且相等的灰度值记为一个游程,统计齿轮子区域的骨架上像素点灰度值序列中的游程数量并记为,根据齿轮子区域的骨架上像素点灰度值序列中的游程与灰度值,获取齿轮子区域为裂纹区域的第一可能性参数,其具体的计算公式为:
式中,为第/>个齿轮子区域中骨架的游程个数;/>为第/>个齿轮子区域中骨架上的第/>个游程的灰度值;/>为第/>个齿轮子区域中骨架的上第/>个游程的长度;/>表示第/>个齿轮子区域的骨架的灰度连续性,同时也是第/>个齿轮子区域为裂纹区域的第一可能性参数。
需要进一步说明的是,当齿轮子区域的骨架上像素点灰度值序列中的各游程长度越长,且各游程的灰度值越低、游程之间灰度值的差异越小,则齿轮子区域越有可能为裂纹区域。
至此,获得齿轮子区域为裂纹区域的第一可能性参数。
2.根据齿轮子区域形态,获取齿轮子区域为裂纹区域的第二可能性参数。
需要说明的是,在齿轮中的裂纹区域总是呈细长状的,所以当齿轮子区域形状越是细长,则齿轮子区域为裂纹区域的可能性就越大,又因为齿轮子区域的骨架是齿轮子区域中提取齿轮子区域结构的单像素宽的线条,所以可以通过齿轮子区域内的像素点数量与齿轮子区域的骨架上的像素点数量,获取齿轮子区域的形状特征,即获取齿轮子区域为裂纹区域的第二可能性参数。
具体的,通过将齿轮子区域的骨架上的像素点数量与齿轮子区域内的像素点数量的比值作为齿轮子区域为裂纹区域的第二可能性参数,其具体的计算公式为:
式中,为第/>个齿轮子区域的骨架上的像素点数量;/>为第/>个齿轮子区域内的像素点数量,/>为第/>个齿轮子区域为裂纹区域的第二可能性参数。
需要进一步说明的是,齿轮子区域为裂纹区域的第二可能性参数越大,则齿轮子区域越窄,即齿轮子区域越有可能为裂纹区域。
至此,获得齿轮子区域为裂纹区域的第二可能性参数。
3.根据齿轮子区域与齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第三可能性参数。
需要说明的是,在齿轮中的裂纹区域宽度均匀,而骨架提取的骨架是对图像不断细化的结果,且图像的骨架会处于图像的中心位置;所以可以通过齿轮子区域与齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第三可能性参数。
具体的,统计齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离,得到齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列,将齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列的方差,作为齿轮子区域为裂纹区域的第三可能性参数记为,其中/>为第/>个齿轮子区域为裂纹区域的第三可能性参数。
需要进一步说明的是,当齿轮子区域为裂纹区域的第三可能性参数越小时,齿轮子区域为裂纹区域的可能性越小。
至此,获取齿轮子区域为裂纹区域的第三可能性参数。
步骤S004:通过齿轮子区域为裂纹区域的各个可能性参数,获取齿轮子区域为裂纹区域的可能性参数,根据齿轮子区域为裂纹区域的可能性参数,获取齿轮子区域的增强系数。
需要说明的是,齿轮子区域为裂纹区域的第一可能性参数与齿轮子区域为裂纹区域的第二可能性参数越大,齿轮子区域为裂纹区域的可能性就越大;齿轮子区域为裂纹区域的第三可能性参数越小,齿轮子区域为裂纹区域的可能性越小。所以可以通过齿轮子区域为裂纹区域的各个可能性参数,获取齿轮子区域为裂纹区域的可能性参数。
具体获取齿轮子区域为裂纹区域的可能性参数的计算公式为:
式中,表示第/>个齿轮子区域为裂纹区域的可能性参数,/>为第/>个齿轮子区域为裂纹区域的第一可能性参数,/>为第/>个齿轮子区域为裂纹区域的第二可能性参数,为齿轮子区域为裂纹区域的第三可能性参数, />表示以自然常数为底的指数函数。
需要进一步说明的是,当所计算的齿轮子区域为裂纹区域的可能性参数越小,齿轮子区域就越有可能为裂纹区域。而在齿轮区域中,裂纹区域的灰度值总是很小,所以齿轮子区域为裂纹区域的可能性参数越小,齿轮子区域的增强系数就越小,反之齿轮子区域为裂纹区域的可能性参数越大,齿轮子区域的增强系数就越大。
具体获取齿轮子区域的增强系数的计算公式为:
式中,表示第/>个齿轮子区域的增强系数,/>表示第/>个齿轮子区域为裂纹区域的可能性参数,/>表示自然常数。
至此,获取齿轮子区域的增强系数。
步骤S005:根据所有齿轮子区域的增强系数,对所有齿轮子区域进行增强,并对增强后的齿轮区域进行裂纹识别。
需要说明的是在本实施例中,使用线性增强算法对所有齿轮子区域进行增强。
具体各个齿轮子区域增强后灰度值的具体计算公式为:
式中,表示第/>个齿轮子区域中第/>个像素点经过增强后的灰度值,/>表示第个齿轮子区域中第/>个像素点增强前的灰度值,/>表示第/>个齿轮子区域的增强系数,表示取最小值函数。
需要进一步说明的是,由于像素点灰度的取值范围为[0,255],所以当增强后像素点的灰度值大于255时,取255作为增强后像素点的灰度值。
至此,完成对所有齿轮子区域的增强。
最后将所有增强后的齿轮子区域,组合成增强后的齿轮区域,在增强后的齿轮区域中的裂纹区域与其他区域的灰度差值极大,此时对增强后的齿轮区域使用阈值分割,得到裂纹区域;最终达到在精准的识别齿轮中的裂纹区域的同时,极大的提高了齿轮检测的效率、减小了齿轮检测的成本的目的。
以上所述仅为本发明的较佳实施例而已,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.基于图像数据的齿轮变速箱故障检测方法,其特征在于,该方法包括以下步骤:
采集齿轮图像,获取齿轮图像中的齿轮区域;对齿轮区域进行划分,获取若干齿轮子区域;
根据齿轮子区域,获取齿轮子区域的骨架;根据齿轮子区域的骨架上游程的数量,每个游程的长度以及每个游程的灰度值,获取齿轮子区域的骨架的灰度连续性,作为齿轮子区域为裂纹区域的第一可能性参数,其中游程为在齿轮子区域的骨架上连续且相等的灰度值;根据齿轮子区域形态,获取齿轮子区域为裂纹区域的第二可能性参数;根据齿轮子区域与齿轮子区域的骨架,获取齿轮子区域为裂纹区域的第三可能性参数;
根据齿轮子区域为裂纹区域的第一可能性参数、齿轮子区域为裂纹区域的第二可能性参数以及齿轮子区域为裂纹区域的第三可能性参数,获取齿轮子区域为裂纹区域的可能性参数;根据齿轮子区域为裂纹区域的可能性参数,获取齿轮子区域的增强系数;
根据所有齿轮子区域的增强系数,对所有齿轮子区域进行增强,获取所有增强后的齿轮子区域;将所有增强后的齿轮子区域,组合成增强后的齿轮区域,对增强后的齿轮区域使用阈值分割,得到齿轮区域中的裂纹区域;
获取若干齿轮子区域,包括的具体步骤如下:使用sobel算子获取齿轮区域中所有像素点的梯度值;然后根据齿轮区域中所有像素点的梯度值,计算齿轮区域中所有像素点的梯度值的均值,然后将齿轮区域中像素点的梯度值大于齿轮区域中所有像素点的梯度值的均值的像素点记为边界像素点,由边界像素点组成的连通域记为边界连通域;最后使用封闭边缘填充算法,将齿轮区域分成若干齿轮子区域;
对所有齿轮子区域进行骨架提取,获取所有齿轮子区域的骨架;
获取齿轮子区域为裂纹区域的第三可能性参数,包括的具体步骤如下:统计齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离,得到齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列,将齿轮子区域的骨架上每个像素点到齿轮子区域边缘的最短距离的序列的方差,作为齿轮子区域为裂纹区域的第三可能性参数记为,其中/>为第/>个齿轮子区域为裂纹区域的第三可能性参数;
获取齿轮子区域为裂纹区域的第二可能性参数,包括的具体步骤如下:将齿轮子区域的骨架上的像素点数量与齿轮子区域内的像素点数量的比值作为齿轮子区域为裂纹区域的第二可能性参数记为,其中/>为第/>个齿轮子区域为裂纹区域的第二可能性参数。
2.根据权利要求1所述基于图像数据的齿轮变速箱故障检测方法,其特征在于,所述获取齿轮图像中的齿轮区域,包括的具体步骤如下:
对齿轮图像进行灰度化处理,得到齿轮灰度图像;再使用kmeans算法对齿轮灰度图像进行聚类处理得到若干聚簇,将平均灰度值最小的聚簇作为的齿轮区域。
3.根据权利要求1所述基于图像数据的齿轮变速箱故障检测方法,其特征在于,所述获取齿轮子区域的骨架的灰度连续性,包括的具体计算公式如下:
式中,为第/>个齿轮子区域骨架的游程个数;/>为第/>个齿轮子区域骨架上的第/>个游程的灰度值;/>为第/>个区域骨架的上第/>个游程的长度;/>表示第/>个齿轮子区域的骨架的灰度连续性。
4.根据权利要求1所述基于图像数据的齿轮变速箱故障检测方法,其特征在于,所述获取齿轮子区域为裂纹区域的可能性参数,包括的具体步骤如下:
将齿轮子区域为裂纹区域的第一可能性参数和齿轮子区域为裂纹区域的第二可能性参数的积,与齿轮子区域为裂纹区域的第三可能性参数的比值作为齿轮子区域为裂纹区域的可能性参数记为,其中/>表示第/>个齿轮子区域为裂纹区域的可能性参数。
5.根据权利要求1所述基于图像数据的齿轮变速箱故障检测方法,其特征在于,所述获取齿轮子区域的增强系数,包括的具体计算公式如下:
式中,表示第/>个齿轮子区域的增强系数,/>表示第/>个齿轮子区域为裂纹区域的可能性参数,/>表示自然常数。
6.根据权利要求1所述基于图像数据的齿轮变速箱故障检测方法,其特征在于,所述获取所有增强后的齿轮子区域,包括的具体计算公式如下:
式中,表示第/>个齿轮子区域中第/>个像素点经过增强后的灰度值,/>表示第/>个齿轮子区域中第/>个像素点增强前的灰度值,/>表示第/>个齿轮子区域的增强系数,/>表示取最小值函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955148.XA CN116704177B (zh) | 2023-08-01 | 2023-08-01 | 基于图像数据的齿轮变速箱故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955148.XA CN116704177B (zh) | 2023-08-01 | 2023-08-01 | 基于图像数据的齿轮变速箱故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704177A CN116704177A (zh) | 2023-09-05 |
CN116704177B true CN116704177B (zh) | 2023-11-17 |
Family
ID=87824257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310955148.XA Active CN116704177B (zh) | 2023-08-01 | 2023-08-01 | 基于图像数据的齿轮变速箱故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704177B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474927B (zh) * | 2023-12-28 | 2024-03-26 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
CN117557785B (zh) * | 2024-01-11 | 2024-04-02 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像处理的远距离渔船船牌识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005098911A (ja) * | 2003-09-26 | 2005-04-14 | Toyota Motor Corp | 歯車の歯当たり検査方法、歯車の歯当たり検査システム、歯車の歯当たり検査システムを制御する制御プログラム |
CN111701886A (zh) * | 2020-07-22 | 2020-09-25 | 河北工业大学 | 一种用于套类零件表面缺陷分拣装置及分拣方法 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114972342A (zh) * | 2022-07-28 | 2022-08-30 | 南通新思迪机电有限公司 | 一种变速箱齿轮表面缺陷检测方法 |
CN115359237A (zh) * | 2022-10-19 | 2022-11-18 | 镭戈斯智能装备江苏有限公司 | 一种基于图形识别的齿轮断齿识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255654A (zh) * | 2020-02-12 | 2021-08-13 | 斯凯孚公司 | 特征数据的图像化处理方法及其应用 |
-
2023
- 2023-08-01 CN CN202310955148.XA patent/CN116704177B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005098911A (ja) * | 2003-09-26 | 2005-04-14 | Toyota Motor Corp | 歯車の歯当たり検査方法、歯車の歯当たり検査システム、歯車の歯当たり検査システムを制御する制御プログラム |
CN111701886A (zh) * | 2020-07-22 | 2020-09-25 | 河北工业大学 | 一种用于套类零件表面缺陷分拣装置及分拣方法 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114972342A (zh) * | 2022-07-28 | 2022-08-30 | 南通新思迪机电有限公司 | 一种变速箱齿轮表面缺陷检测方法 |
CN115359237A (zh) * | 2022-10-19 | 2022-11-18 | 镭戈斯智能装备江苏有限公司 | 一种基于图形识别的齿轮断齿识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Sun Dingyi et al.Non-contact diagnosis for gearbox based on the fusion of multi-sensor heterogeneous data.《INFORMATION FUSION》.2023,94第112-125页. * |
卓识.基于深度神经网络的新能源汽车变速箱齿轮故障诊断研究.《中国优秀硕士学位论文全文数据库》.2021,(03),第1-62页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116704177A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116704177B (zh) | 基于图像数据的齿轮变速箱故障检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN114842009B (zh) | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 | |
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN105701835A (zh) | 面向电力设施的图像边缘检测方法及系统 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN114331869B (zh) | 一种坝面裂缝语义分割方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN116468728A (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN114494318B (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
CN116091498A (zh) | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN107369162A (zh) | 一种绝缘子候选目标区域的生成方法及系统 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN105336035A (zh) | 一种脏污冠字号图像分类的方法与系统 | |
Jia | Fabric defect detection based on open source computer vision library OpenCV | |
CN112418241A (zh) | 一种基于红外成像技术的电力设备识别方法 | |
CN116188786A (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 |
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 |