CN116862914A - 基于深度学习的金属轴表面缺陷识别方法及系统 - Google Patents
基于深度学习的金属轴表面缺陷识别方法及系统 Download PDFInfo
- Publication number
- CN116862914A CN116862914A CN202311131469.4A CN202311131469A CN116862914A CN 116862914 A CN116862914 A CN 116862914A CN 202311131469 A CN202311131469 A CN 202311131469A CN 116862914 A CN116862914 A CN 116862914A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- uranium
- metal uranium
- metal
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 849
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 573
- 239000002184 metal Substances 0.000 title claims abstract description 573
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 229910052770 Uranium Inorganic materials 0.000 claims abstract description 614
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims abstract description 614
- 230000002159 abnormal effect Effects 0.000 claims abstract description 209
- 230000003068 static effect Effects 0.000 claims abstract description 132
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 44
- 238000013461 design Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 27
- 238000013075 data extraction Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 13
- 238000012423 maintenance Methods 0.000 description 38
- 238000004458 analytical method Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000036626 alertness Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30136—Metal
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Architecture (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种基于深度学习的金属轴表面缺陷识别方法及系统。所述方法包括以下步骤:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集及灰度图像数据转换,生成异常灰度图像块数据;利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,并利用异常灰度图像块数据进行异常区域提取,生成异常表面区域图像数据;对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态金属铀缺陷等级。本发明实现对金属铀表面缺陷识别更为精准。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于深度学习的金属轴表面缺陷识别方法及系统。
背景技术
金属轴作为重要的工程零部件,在工业生产中扮演着至关重要的角色。金属轴表面缺陷可能对其性能、可靠性和安全性造成严重影响,需要一种高效准确的金属轴表面缺陷识别方法,及早发现和定位表面缺陷,以避免缺陷在使用过程中逐渐扩大导致零部件失效;确保生产过程的质量控制,防止缺陷零部件流入市场,从而维护企业声誉和消费者信任;还能提供对缺陷类型、尺寸和分布的详细分析,帮助工程师优化设计和制造流程,最大程度地提升金属轴的性能和耐久性。然而,传统的金属轴表面缺陷识别方法不能需要对金属铀表面仔细检测,过于复杂且结果不精准,并且为考虑金属铀缺陷处在后续中是否会更严重。
发明内容
基于此,本发明提供一种基于深度学习的金属轴表面缺陷识别方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于深度学习的金属轴表面缺陷识别方法,包括以下步骤:
步骤S1:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
步骤S2:利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
步骤S3:对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
步骤S4:利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
步骤S5:根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
步骤S6:根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本发明利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,进而生成异步光源图像数据,随后通过图像块分割和异常灰度图像块数据提取,得到异常灰度图像块数据,通过光源的波长差异以及异步照射方式,能够从多个角度捕获金属铀表面的细微特征变化,包括微小的凹凸、裂纹等缺陷。采集到的异步光源图像数据不仅包含了标准照明条件下难以察觉的细节,还可以消除一些常规光源照射下的遮挡和反射影响,从而提供更加清晰和准确的表面信息。通过图像块分割和异常灰度图像块数据提取,能够将整张表面图像划分为更小的块,聚焦于局部区域的灰度特征,进一步增强对微小异常的敏感性,能够充分利用异步光源的优势,为后续的缺陷识别和分析奠定了精确数据基础。通过三维建模技术,将金属铀器件映射到一个更为真实的三维模型上,使得金属铀器件的表面信息得以更加精确地还原,这种三维模型能够捕获更多的细节和几何特征,不仅有助于更准确地定位缺陷,还能够综合多角度的信息,提供更全面的表面状态。基于异常灰度图像块数据进行的物理模型异常区域提取,可以将异常图像块数据与实际模型进行对应,从而确定哪些区域在物理模型上对应于异常区域,实现了异常的空间映射,进一步增强了对异常区域的准确性和可靠性。通过对异常表面区域的详细分析和特征提取,可以量化每个异常区域的严重程度,从而为缺陷进行客观而精细的分类和等级划分,这种静态缺陷等级计算依赖于预先建立的算法和规则,自动识别和定量化不同类型的缺陷,为维护人员提供了可操作的信息。通过静态缺陷等级计算,不仅可以直观地了解各个缺陷的严重程度,还可以根据不同的缺陷等级,进行优先级排序和合理的维护计划制定。利用长短时记忆网络(LSTM)等算法,对异常表面区域图像数据进行动态缺陷预测,从而生成动态表面缺陷预测数据。能够根据历史数据和趋势,预测金属铀器件表面缺陷的未来发展,为维护人员提前制定维护计划提供了有价值的信息,基于动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,使得缺陷等级能够根据缺陷发展趋势而动态调整,通过预设的静态-动态金属铀权重,将静态和动态缺陷等级进行加权处理,生成综合金属铀缺陷等级,能够更全面地反映金属铀表面缺陷的整体状态,为后续的处理和决策提供参考。根据综合金属铀缺陷等级,进行金属铀表面异常缺陷数据提取,有助于将不同等级的缺陷进行分类和记录,以便在维护过程中有针对性地处理不同类型的问题。根据综合金属铀缺陷等级,进行金属铀表面危险缺陷数据提取,从这些危险缺陷中,可以设计生成针对不同程度的警告音频,以及根据危险程度的差异,对维护人员进行有效的警示,从而最大程度地减少潜在的安全风险。因此,本发明的基于深度学习的金属轴表面缺陷识别方法能够通过不同光源对对金属铀表面进行照射,通过照射的反射结果可以明显得出缺陷处,使得检测精准且简易,并且通过静态与动态分析金属铀表面缺陷处的分析,了解缺陷处后续情况。
优选地,步骤S1包括以下步骤:
步骤S11:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;
步骤S12:对异步光源图像数据进行三原色数据采集,生成异步光源图像数据的三原色数据;
步骤S13:利用加权平均法对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S14:根据色彩加权平均数据对异步光源图像数据进行灰度图像数据转换,生成异步灰度图像数据;
步骤S15:对异步灰度图像数据进行图像块分割,生成异步灰度图像块数据;
步骤S16:对异步灰度图像块数据进行邻格灰度值比较,当异步灰度图像块数据的灰度值与邻格的异步灰度图像块数据的灰度值差异较大时,对异步灰度图像块数据进行数据提取,生成异常灰度图像块数据。
本发明通过利用光源波长差异的光源设备进行异步光源表面照射图像数据采集,生成异步光源图像数据,利用光的波长差异,可以突显金属铀表面微小特征的反射差异,为后续的异常特征提取提供了更丰富的信息。进行了异步光源图像数据的三原色数据采集,有助于从不同的颜色通道获取更多信息,能够捕捉到可能在单一颜色通道中难以察觉的细微变化,从而提高了异常特征的检测敏感度。引入了加权平均法,对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据,通过合适的加权方式,可以凸显关键区域的颜色特征,降低其他干扰信息的影响,使得后续的图像分析更加集中和准确。将色彩加权平均数据转换为灰度图像数据,这一转换可以减少计算复杂性,同时保留了关键的灰度信息,为后续的图像处理提供了更合适的基础。进行了图像块分割,将整个图像分成小块,这可以更精细地捕捉到不同区域的灰度特征,使得后续分析可以更加集中和深入。对异步灰度图像块数据进行邻格灰度值比较,通过检测灰度值的差异,有助于捕捉到在周边环境中出现的异常特征,能够进一步提高缺陷的检测率,并减少误报。
优选地,步骤S2包括以下步骤:
步骤S21:利用监控设备对金属铀器件进行表面图像数据采集,生成金属铀表面图像数据;
步骤S22:利用三维建模技术对进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;
步骤S23:根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据。
本发明通过监控设备对金属铀器件进行表面图像数据采集,获得了真实的金属铀表面图像数据,直接反映了实际设备的表面状态,具有高度的可信度和准确性,为后续步骤提供了可靠的基础。采用三维建模技术对金属铀表面图像数据进行物理建模,生成了金属铀表面模型,通过将图像数据映射到三维模型上,可以更准确地还原表面的几何形状和特征,使得后续的分析更具可解释性和可操作性。根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,得到金属铀表面模型的异常表面区域图像数据,在物理模型的基础上,将来自异常灰度图像块数据的信息与实际模型对应起来,能够精确定位和分析异常区域,从而使得异常信息更加具体和准确。
优选地,步骤S3包括以下步骤:
步骤S31:对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,生成静态金属铀表面缺陷数据;
步骤S32:利用静态金属铀缺陷等级算法对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级。
本发明通过对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,生成了静态金属铀表面缺陷数据,从异常区域中提取出有关缺陷的关键信息,识别出各种类型的缺陷特征,有助于将复杂的图像数据转化为更易于理解和处理的形式,为后续的评级和处理提供了基础。应用静态金属铀缺陷等级算法,对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级,通过静态金属铀缺陷等级算法计算,能够根据缺陷的类型和分布等信息确定静态缺陷等级,对每个缺陷进行评级和分类,量化不同缺陷的严重程度,这为维护人员提供了全面的静态缺陷状态分析,使得维护策略可以更具针对性和效益性。
优选地,步骤S32中的静态金属铀缺陷等级算法如下所示:
;
式中,表示为静态金属铀缺陷等级,/>表示为缺陷分布位置生成的权重信息,/>表示为金属铀表面缺陷面积大小,/>表示为潜在金属铀表面缺陷范围大小,/>表示为根据缺陷的凹陷深浅数据,/>表示为自然对数的底数,/>表示为金属铀表面缺陷纹理与常规纹理偏差程度,/>表示为金属铀表面缺陷的灰度值数据,/>表示为正常金属铀表面的灰度值数据,/>表示为静态金属铀缺陷等级的异常调整值。
本发明利用一种静态金属铀缺陷等级算法,该算法综合考虑了缺陷分布位置生成的权重信息、金属铀表面缺陷面积大小/>、潜在金属铀表面缺陷范围大小/>、根据缺陷的凹陷深浅数据/>、自然对数的底数/>、金属铀表面缺陷纹理与常规纹理偏差程度/>、金属铀表面缺陷的灰度值数据/>、正常金属铀表面的灰度值数据/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式反映出金属铀表面缺陷的严重程度,有助于进一步识别和评估金属铀表面的缺陷情况。缺陷分布位置生成的权重信息,用于考虑不同位置的缺陷对整体缺陷等级的影响,较大的参数表示缺陷在更关键的位置,对缺陷等级的贡献较大;金属铀表面缺陷面积大小,反映了缺陷的尺寸,较大的缺陷面积通常意味着对整体缺陷等级产生更大影响;潜在金属铀表面缺陷范围大小,考虑了可能的缺陷扩展范围,这个参数可以影响到算法对缺陷的感知程度。根据缺陷的凹陷深浅数据,用于考虑缺陷的深浅程度,较大的参数可能表示较深的凹陷,对缺陷等级产生更大影响;自然对数的底数,用于对凹陷深浅进行调整,使其在计算中发挥适当的作用;金属铀表面缺陷纹理与常规纹理偏差程度,考虑了缺陷的纹理差异,差异越大会对缺陷等级产生更大影响;金属铀表面缺陷的灰度值数据,用于衡量缺陷的灰度特征;正常金属铀表面的灰度值数据,用于作为基准纹理进行比较,缺陷与正常区域的灰度差异越大,对缺陷等级产生更大影响。该函数关系式将多个影响缺陷等级的因素综合考虑,并通过数学计算得出一个相对准确的缺陷等级,有助于系统更准确地评估金属铀表面的缺陷情况,为后续步骤的数据整合和决策提供了重要依据。利用静态金属铀缺陷等级的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成静态金属铀缺陷等级/>,提高了对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的静态金属铀表面缺陷数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:根据预设的监测时间对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成动态异常表面区域图像数据;
步骤S42:对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据;
步骤S43:利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型;
步骤S44:对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试集;
步骤S45:利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成动态缺陷预测模型;
步骤S46:将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;
步骤S47:根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;
步骤S48:根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级。
本发明通过根据预设的监测时间,对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成了动态异常表面区域图像数据,能够以一定的时间间隔捕获不同时间点的异常区域图像,从而实现了对金属铀器件表面缺陷的时间序列监测。对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据,有助于在不同时间点上捕捉缺陷的变化情况,为后续的动态预测提供了有关缺陷特征的数据基础。利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型,长短时间记忆网络(LSTM)的引入能够处理时间序列数据,捕捉到动态变化的模式,从而实现对未来状态的预测。这为动态缺陷预测的建立提供了强有力的工具。对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试,能够为模型的训练和测试提供合理的数据集,使得模型在学习和预测过程中更具泛化能力。利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成了更精确的动态缺陷预测模型,通过在训练集上训练模型,模型能够学习到动态变化的模式和规律,提高了模型的预测能力和泛化能力。将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据,关注于模型的实际应用,通过将测试集数据输入模型,获得对未来缺陷状态的预测,为维护决策提供预先的参考信息。根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级,这一操作能够根据预测数据中的缺陷变化速率,对缺陷的发展趋势进行分析,量化动态变化程度,从而在时间维度上评估缺陷的严重程度。结合了静态和动态信息,根据预设的静态-动态金属铀权重,对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级,将静态和动态缺陷信息综合起来,为维护人员提供全面的缺陷评估结果,以便制定合理的维护计划和决策。
优选地,步骤S5包括以下步骤:
利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级不大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀异常缺陷数据。
本发明利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,可以根据预先设定的标准,判断缺陷的严重程度,当综合金属铀缺陷等级低于或等于金属铀缺陷等级阈值时,系统进入下一阶段操作。将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀异常缺陷数据,在维护决策中具有重要意义,因为它结合了不同时间点的动态预测和实际静态缺陷情况,从而更准确地反映出器件表面的异常状态。
优选地,步骤S6包括以下步骤:
步骤S61:利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀危险缺陷数据;
步骤S62:利用金属铀危险缺陷警告音频算法对金属铀危险缺陷数据进行警告音频振幅大小计算,生成警告音频振幅数据;根据警告音频振幅数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本发明利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,进入下一阶段操作,这一判定阈值的过程能够根据事先设定的危险程度标准,确定缺陷的危险性。利用金属铀危险缺陷警告音频算法对金属铀危险缺陷数据进行警告音频振幅大小计算,生成警告音频振幅数据,根据这一振幅数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,通过缺陷等级、缺陷面积大小、危险缺陷数量等设计警告音频振幅大小,不仅能够识别潜在的危险缺陷,还能通过声音信号进行直观的警告,增加了人员的注意和警觉性。
优选地,步骤S62中的金属铀危险缺陷警告音频算法如下所示:
;
式中,表示为在/>时间点下的警告音频振幅大小,/>表示为缺陷区域内的缺陷气孔数量,/>表示为综合金属铀缺陷等级大小,/>表示为音频最大振幅的安全衰减调整值,/>表示为第/>个缺陷气孔的面积大小,/>表示为缺陷的裂纹深浅程度的权重信息,/>表示为缺陷的裂纹深浅程度的数据,/>表示为根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率,/>表示为警告音频振幅大小的异常调整值。
本发明利用一种金属铀危险缺陷警告音频算法,该算法综合考虑了缺陷区域内的缺陷气孔数量、综合金属铀缺陷等级大小/>、音频最大振幅的安全衰减调整值/>、第/>个缺陷气孔的面积大小/>、缺陷的裂纹深浅程度的权重信息/>、缺陷的裂纹深浅程度的数据/>、根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过金属铀表面缺陷的危险程度来生成警告音频振幅大小,从而可以将警告音频反馈至终端时,用户通过判别音频来了解金属铀缺陷的危险程度。缺陷区域内的缺陷气孔数量,考虑了气孔的数量对声音振幅的影响,更多的气孔将会导致更大的声音振幅;综合金属铀缺陷等级大小,用于考虑缺陷等级对声音振幅的影响。较大的等级表示更严重的缺陷,导致更大的声音振幅;音频最大振幅的安全衰减调整值,用于控制声音振幅的最大值,以确保警告声音不会过于强烈,从而避免用户反感或混淆;第/>个缺陷气孔的面积大小,考虑了不同气孔的大小对声音振幅的影响,更大的气孔面积使得缺陷更严重,因此导致更大的声音振幅;缺陷的裂纹深浅程度的权重信息,用于考虑裂纹的深浅对声音振幅的影响;缺陷的裂纹深浅程度的数据,表示裂纹的深浅程度;根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率,用于考虑裂纹的变化速率对声音振幅的影响,使得警告音频不仅仅反映缺陷的静态特征,还能在声音中包含关于缺陷是否正在扩展的信息。通过正弦函数和指数函数的组合,算法能够综合考虑多个因素对声音振幅的影响,例如指数函数可以体现出裂纹深浅的权重信息,而正弦函数则可以模拟不同气孔大小对声音振幅的影响。该函数关系式在使用多种参数和数学函数的复杂组合下,能够产生有意义且丰富的声音振幅,以准确地传达金属铀器件的危险程度,有助于操作人员在现场获得详细、全面的警告信息,以便及时采取适当的措施,从而提高安全性和可靠性。利用警告音频振幅大小的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地在/>时间点下的警告音频振幅大小/>,提高了对金属铀危险缺陷数据进行警告音频振幅大小计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的金属铀危险缺陷数据中,提高了算法的灵活性与适用性。
本说明书中提供一种基于深度学习的金属轴表面缺陷识别系统,用于执行如上述所述的基于深度学习的金属轴表面缺陷识别方法,该基于深度学习的金属轴表面缺陷识别系统包括:
金属铀异步光源图像采集模块,利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
金属铀表面异常标记模块,利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
金属铀静态缺陷等级计算模块,用于对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
金属铀动态缺陷等级计算模块,利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
金属铀异常缺陷数据提取模块,用于根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
金属铀危险缺陷数据反馈模块,用于根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本申请有益效果在于,本发明通过利用光源波长差异的光源设备进行异步光源表面照射图像数据采集,有效地获取了金属轴器件的原始图像数据,它采用光源波长差异的设备,通过异步光源照射,捕获了不同角度和光照条件下的金属轴表面图像。对异步光源图像数据进行图像块分割和异常灰度图像块数据提取,不仅能够定位异常区域,还能够捕捉到这些异常区域的灰度特征,从而为后续的分析提供更具体的数据基础,使得后续的分析更加精准和具体。利用三维建模技术将图像数据进行物理建模,生成了金属轴表面模型,并根据异常灰度图像块数据提取了异常表面区域,清楚定位到金属铀表面存在缺陷的地方,为后续的缺陷分析提供了更丰富的信息。通过静态金属铀表面缺陷数据的提取和算法计算,将缺陷进行量化,通过将静态金属铀表面缺陷数据提取出来,然后应用合适的算法进行计算,可以为每个缺陷分配一个特定的等级,实现了缺陷的分类和评级,使得维护人员可以快速了解静态缺陷状态,优化维护策略的制定。通过LSTM网络建立动态缺陷的预测模型,结合时间序列的数据划分和变化速率的分析,通过长短时间记忆网络(LSTM)等算法,能够根据过去的数据来预测未来的表面缺陷变化,使得系统能够更加敏锐地捕捉缺陷变化,为及时维护提供了关键的先导信息。通过阈值判定和警告音频设计,将抽象的数据结果转化为实际操作,综合金属铀缺陷等级阈值的判定,为异常缺陷和危险缺陷的划分提供了标准,使得维护人员能够更准确地识别问题,而通过警告音频的设计,不仅提供了直观的警示,还确保了维护人员能够及时作出反应,减少潜在风险。
附图说明
图1为本发明一种基于深度学习的金属轴表面缺陷识别方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种基于深度学习的金属轴表面缺陷识别方法,包括以下步骤:
步骤S1:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
步骤S2:利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
步骤S3:对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
步骤S4:利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
步骤S5:根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
步骤S6:根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本发明利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,进而生成异步光源图像数据,随后通过图像块分割和异常灰度图像块数据提取,得到异常灰度图像块数据,通过光源的波长差异以及异步照射方式,能够从多个角度捕获金属铀表面的细微特征变化,包括微小的凹凸、裂纹等缺陷。采集到的异步光源图像数据不仅包含了标准照明条件下难以察觉的细节,还可以消除一些常规光源照射下的遮挡和反射影响,从而提供更加清晰和准确的表面信息。通过图像块分割和异常灰度图像块数据提取,能够将整张表面图像划分为更小的块,聚焦于局部区域的灰度特征,进一步增强对微小异常的敏感性,能够充分利用异步光源的优势,为后续的缺陷识别和分析奠定了精确数据基础。通过三维建模技术,将金属铀器件映射到一个更为真实的三维模型上,使得金属铀器件的表面信息得以更加精确地还原,这种三维模型能够捕获更多的细节和几何特征,不仅有助于更准确地定位缺陷,还能够综合多角度的信息,提供更全面的表面状态。基于异常灰度图像块数据进行的物理模型异常区域提取,可以将异常图像块数据与实际模型进行对应,从而确定哪些区域在物理模型上对应于异常区域,实现了异常的空间映射,进一步增强了对异常区域的准确性和可靠性。通过对异常表面区域的详细分析和特征提取,可以量化每个异常区域的严重程度,从而为缺陷进行客观而精细的分类和等级划分,这种静态缺陷等级计算依赖于预先建立的算法和规则,自动识别和定量化不同类型的缺陷,为维护人员提供了可操作的信息。通过静态缺陷等级计算,不仅可以直观地了解各个缺陷的严重程度,还可以根据不同的缺陷等级,进行优先级排序和合理的维护计划制定。利用长短时记忆网络(LSTM)等算法,对异常表面区域图像数据进行动态缺陷预测,从而生成动态表面缺陷预测数据。能够根据历史数据和趋势,预测金属铀器件表面缺陷的未来发展,为维护人员提前制定维护计划提供了有价值的信息,基于动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,使得缺陷等级能够根据缺陷发展趋势而动态调整,通过预设的静态-动态金属铀权重,将静态和动态缺陷等级进行加权处理,生成综合金属铀缺陷等级,能够更全面地反映金属铀表面缺陷的整体状态,为后续的处理和决策提供参考。根据综合金属铀缺陷等级,进行金属铀表面异常缺陷数据提取,有助于将不同等级的缺陷进行分类和记录,以便在维护过程中有针对性地处理不同类型的问题。根据综合金属铀缺陷等级,进行金属铀表面危险缺陷数据提取,从这些危险缺陷中,可以设计生成针对不同程度的警告音频,以及根据危险程度的差异,对维护人员进行有效的警示,从而最大程度地减少潜在的安全风险。因此,本发明的基于深度学习的金属轴表面缺陷识别方法能够通过不同光源对对金属铀表面进行照射,通过照射的反射结果可以明显得出缺陷处,使得检测精准且简易,并且通过静态与动态分析金属铀表面缺陷处的分析,了解缺陷处后续情况。
本发明实施例中,参考图1所述,为本发明一种基于深度学习的金属轴表面缺陷识别方法的步骤流程示意图,在本实施例中,所述基于深度学习的金属轴表面缺陷识别方法包括以下步骤:
步骤S1:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
本发明实施例中,使用具有光源波长差异的设备对金属轴器件进行异步光源表面照射图像数据的采集,例如可以使用多个LED光源以不同的波长对金属轴进行照射,这会产生多个光源反射图像,采集光源反射图像在不同波长下的特征。对这些异步光源图像数据进行图像块分割,将每个图像划分成多个块,以便进一步分析。针对每个图像块,从中提取异常灰度图像块数据,这些数据可能代表了潜在的缺陷区域,例如亮度变化明显的部分。
步骤S2:利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
本发明实施例中,利用三维建模技术对金属轴器件的金属表面图像数据进行物理建模,例如使用计算机辅助设计软件,将采集到的图像数据转化为三维模型,该三维模型为根据金属铀器件表面建立。根据异常灰度图像块数据,识别模型上的异常表面区域,这些异常区域代表着金属轴表面的缺陷或异常。
步骤S3:对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
本发明实施例中,对异常表面区域图像数据进行静态金属铀缺陷等级计算,例如通过计算每个异常区域的特征值,如颜色、形状、凹陷程度等,并应用预先定义的算法,为每个区域分配一个静态缺陷等级,这个等级反映了缺陷的严重程度,使得维护人员可以有序地进行处理。
步骤S4:利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
本发明实施例中,利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,例如使用LSTM网络来学习异常区域的时间序列特征,从而预测未来可能出现的缺陷情况。根据动态表面缺陷预测数据,可以设计与缺陷变化速率的动态金属铀缺陷等级,例如预测出表面缺陷损坏程度更快的缺陷数据,设计为更高等级的动态金属铀缺陷等级。结合预设的静态-动态金属铀权重,如静态金属铀缺陷等级的权重为0.5,动态态金属铀缺陷等级的权重0.5,对静态金属铀缺陷等级与动态金属铀缺陷等级进行缺陷等级的加权处理,生成综合金属铀缺陷等级。
步骤S5:根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
本发明实施例中,基于综合金属铀缺陷等级的基础上,进行金属铀表面异常缺陷数据提取,例如通过对综合金属铀缺陷等级与预设的等级阈值进行比较,确定缺陷等级是否达到要求,如果综合缺陷等级低于等级阈值,可以将相应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行整合,形成金属铀异常缺陷数据,这些数据将详细描述器件的各类异常情况,为维护人员提供有关维修和替换的有用信息。
步骤S6:根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本发明实施例中,基于综合金属铀缺陷等级的基础上,进行金属铀表面危险缺陷数据提取,通过与预设的等级阈值进行比较,判断综合缺陷等级是否达到预定的危险等级标准,若超过阈值,将动态表面缺陷预测数据与静态金属铀表面缺陷数据整合,以生成金属铀危险缺陷数据。根据危险缺陷数据的特征,设计警告音频的振幅,以确保能够有效地传达危险情况,警告音频数据将通过终端反馈,使得维护人员能够立即注意到潜在的危险情形。
优选地,步骤S1包括以下步骤:
步骤S11:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;
步骤S12:对异步光源图像数据进行三原色数据采集,生成异步光源图像数据的三原色数据;
步骤S13:利用加权平均法对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S14:根据色彩加权平均数据对异步光源图像数据进行灰度图像数据转换,生成异步灰度图像数据;
步骤S15:对异步灰度图像数据进行图像块分割,生成异步灰度图像块数据;
步骤S16:对异步灰度图像块数据进行邻格灰度值比较,当异步灰度图像块数据的灰度值与邻格的异步灰度图像块数据的灰度值差异较大时,对异步灰度图像块数据进行数据提取,生成异常灰度图像块数据。
本发明通过利用光源波长差异的光源设备进行异步光源表面照射图像数据采集,生成异步光源图像数据,利用光的波长差异,可以突显金属铀表面微小特征的反射差异,为后续的异常特征提取提供了更丰富的信息。进行了异步光源图像数据的三原色数据采集,有助于从不同的颜色通道获取更多信息,能够捕捉到可能在单一颜色通道中难以察觉的细微变化,从而提高了异常特征的检测敏感度。引入了加权平均法,对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据,通过合适的加权方式,可以凸显关键区域的颜色特征,降低其他干扰信息的影响,使得后续的图像分析更加集中和准确。将色彩加权平均数据转换为灰度图像数据,这一转换可以减少计算复杂性,同时保留了关键的灰度信息,为后续的图像处理提供了更合适的基础。进行了图像块分割,将整个图像分成小块,这可以更精细地捕捉到不同区域的灰度特征,使得后续分析可以更加集中和深入。对异步灰度图像块数据进行邻格灰度值比较,通过检测灰度值的差异,有助于捕捉到在周边环境中出现的异常特征,能够进一步提高缺陷的检测率,并减少误报。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;
本发明实施例中,使用光源波长差异的专用光源设备对金属铀器件进行照射,采集到不同光源波长下的异步光源图像数据,这些异步光源图像数据将捕捉到器件表面的不同特征,包括可能存在的缺陷和异质性。
步骤S12:对异步光源图像数据进行三原色数据采集,生成异步光源图像数据的三原色数据;
本发明实施例中,对采集到的异步光源图像数据进行三原色数据采集,这意味着从每个图像中提取红、绿、蓝三个通道的原始数据,为后续处理提供多种信息来源。
步骤S13:利用加权平均法对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
本发明实施例中,利用加权平均法对三原色数据进行处理,产生色彩加权平均数据,例如对于每个通道,可以应用不同的权重,以反映不同光谱区域的重要性,从而生成更平衡的图像数据。
步骤S14:根据色彩加权平均数据对异步光源图像数据进行灰度图像数据转换,生成异步灰度图像数据;
本发明实施例中,根据色彩加权平均数据,将异步光源图像数据转换为灰度图像数据,根据加权的结果转化为特定的灰度值图像,如加权结果三原色的比例为0.3、0.5及0.2,则生成不同光源波长的异步灰度图像数据。
步骤S15:对异步灰度图像数据进行图像块分割,生成异步灰度图像块数据;
本发明实施例中,对灰度图像数据进行图像块分割。这将图像分割成多个小块,每个块包含了局部的图像信息,为后续的分析提供了更精细的数据处理基础。
步骤S16:对异步灰度图像块数据进行邻格灰度值比较,当异步灰度图像块数据的灰度值与邻格的异步灰度图像块数据的灰度值差异较大时,对异步灰度图像块数据进行数据提取,生成异常灰度图像块数据。
本发明实施例中,对异步灰度图像块数据进行邻格灰度值比较,如对于不同波长照射的异步灰度图像块数据,将每个灰度图像块与相同波长下邻格的灰度图像块进行比较,例如该灰度图像块与邻格图像块的灰度值偏差过大,则说明该光源波长照射下该区域存在缺陷,对不同的光源波长照射下的出现缺陷的灰度图像块进行标记,以此得到所有波长光源照射下的异常灰度图像块数据。
优选地,步骤S2包括以下步骤:
步骤S21:利用监控设备对金属铀器件进行表面图像数据采集,生成金属铀表面图像数据;
步骤S22:利用三维建模技术对进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;
步骤S23:根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据。
本发明通过监控设备对金属铀器件进行表面图像数据采集,获得了真实的金属铀表面图像数据,直接反映了实际设备的表面状态,具有高度的可信度和准确性,为后续步骤提供了可靠的基础。采用三维建模技术对金属铀表面图像数据进行物理建模,生成了金属铀表面模型,通过将图像数据映射到三维模型上,可以更准确地还原表面的几何形状和特征,使得后续的分析更具可解释性和可操作性。根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,得到金属铀表面模型的异常表面区域图像数据,在物理模型的基础上,将来自异常灰度图像块数据的信息与实际模型对应起来,能够精确定位和分析异常区域,从而使得异常信息更加具体和准确。
本发明实施例中,使用专门的监控设备对金属铀器件的表面进行图像数据采集。这些数据可能包括器件的各种视角和特征,例如不同角度下的表面细节和纹理。通过三维建模技术对采集到的金属铀表面图像数据进行物理建模,例如可以使用计算机辅助设计(CAD)软件或三维扫描仪来创建器件的精确模型,包括其几何形状和外观。根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取。这意味着识别和定位可能存在的缺陷或异常特征,例如裂纹或凹陷,提取的异常区域将为后续的缺陷等级计算和动态预测提供准确的信息。
优选地,步骤S3包括以下步骤:
步骤S31:对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,生成静态金属铀表面缺陷数据;
步骤S32:利用静态金属铀缺陷等级算法对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级。
本发明通过对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,生成了静态金属铀表面缺陷数据,从异常区域中提取出有关缺陷的关键信息,识别出各种类型的缺陷特征,有助于将复杂的图像数据转化为更易于理解和处理的形式,为后续的评级和处理提供了基础。应用静态金属铀缺陷等级算法,对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级,通过静态金属铀缺陷等级算法计算,能够根据缺陷的类型和分布等信息确定静态缺陷等级,对每个缺陷进行评级和分类,量化不同缺陷的严重程度,这为维护人员提供了全面的静态缺陷状态分析,使得维护策略可以更具针对性和效益性。
本发明实施例中,对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,包括从异常区域中提取出各种可能的缺陷特征,例如裂纹的长度、宽度以及位置等,这些缺陷特征的数据将在后续的等级计算中发挥关键作用。利用预先定义的静态金属铀缺陷等级算法,对提取的静态金属铀表面缺陷数据进行缺陷等级计算,这个算法基于金属铀表面的缺陷色泽,缺陷范围大下等问题进行计算得出,将缺陷特征映射到不同的缺陷等级,以实现对缺陷严重性的分类。
优选地,步骤S32中的静态金属铀缺陷等级算法如下所示:
;
式中,表示为静态金属铀缺陷等级,/>表示为缺陷分布位置生成的权重信息,/>表示为金属铀表面缺陷面积大小,/>表示为潜在金属铀表面缺陷范围大小,/>表示为根据缺陷的凹陷深浅数据,/>表示为自然对数的底数,/>表示为金属铀表面缺陷纹理与常规纹理偏差程度,/>表示为金属铀表面缺陷的灰度值数据,/>表示为正常金属铀表面的灰度值数据,/>表示为静态金属铀缺陷等级的异常调整值。
本发明利用一种静态金属铀缺陷等级算法,该算法综合考虑了缺陷分布位置生成的权重信息、金属铀表面缺陷面积大小/>、潜在金属铀表面缺陷范围大小/>、根据缺陷的凹陷深浅数据/>、自然对数的底数/>、金属铀表面缺陷纹理与常规纹理偏差程度/>、金属铀表面缺陷的灰度值数据/>、正常金属铀表面的灰度值数据/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式反映出金属铀表面缺陷的严重程度,有助于进一步识别和评估金属铀表面的缺陷情况。缺陷分布位置生成的权重信息,用于考虑不同位置的缺陷对整体缺陷等级的影响,较大的参数表示缺陷在更关键的位置,对缺陷等级的贡献较大;金属铀表面缺陷面积大小,反映了缺陷的尺寸,较大的缺陷面积通常意味着对整体缺陷等级产生更大影响;潜在金属铀表面缺陷范围大小,考虑了可能的缺陷扩展范围,这个参数可以影响到算法对缺陷的感知程度。根据缺陷的凹陷深浅数据,用于考虑缺陷的深浅程度,较大的参数可能表示较深的凹陷,对缺陷等级产生更大影响;自然对数的底数,用于对凹陷深浅进行调整,使其在计算中发挥适当的作用;金属铀表面缺陷纹理与常规纹理偏差程度,考虑了缺陷的纹理差异,差异越大会对缺陷等级产生更大影响;金属铀表面缺陷的灰度值数据,用于衡量缺陷的灰度特征;正常金属铀表面的灰度值数据,用于作为基准纹理进行比较,缺陷与正常区域的灰度差异越大,对缺陷等级产生更大影响。该函数关系式将多个影响缺陷等级的因素综合考虑,并通过数学计算得出一个相对准确的缺陷等级,有助于系统更准确地评估金属铀表面的缺陷情况,为后续步骤的数据整合和决策提供了重要依据。利用静态金属铀缺陷等级的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成静态金属铀缺陷等级/>,提高了对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的静态金属铀表面缺陷数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:根据预设的监测时间对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成动态异常表面区域图像数据;
步骤S42:对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据;
步骤S43:利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型;
步骤S44:对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试集;
步骤S45:利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成动态缺陷预测模型;
步骤S46:将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;
步骤S47:根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;
步骤S48:根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级。
本发明通过根据预设的监测时间,对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成了动态异常表面区域图像数据,能够以一定的时间间隔捕获不同时间点的异常区域图像,从而实现了对金属铀器件表面缺陷的时间序列监测。对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据,有助于在不同时间点上捕捉缺陷的变化情况,为后续的动态预测提供了有关缺陷特征的数据基础。利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型,长短时间记忆网络(LSTM)的引入能够处理时间序列数据,捕捉到动态变化的模式,从而实现对未来状态的预测。这为动态缺陷预测的建立提供了强有力的工具。对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试,能够为模型的训练和测试提供合理的数据集,使得模型在学习和预测过程中更具泛化能力。利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成了更精确的动态缺陷预测模型,通过在训练集上训练模型,模型能够学习到动态变化的模式和规律,提高了模型的预测能力和泛化能力。将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据,关注于模型的实际应用,通过将测试集数据输入模型,获得对未来缺陷状态的预测,为维护决策提供预先的参考信息。根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级,这一操作能够根据预测数据中的缺陷变化速率,对缺陷的发展趋势进行分析,量化动态变化程度,从而在时间维度上评估缺陷的严重程度。结合了静态和动态信息,根据预设的静态-动态金属铀权重,对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级,将静态和动态缺陷信息综合起来,为维护人员提供全面的缺陷评估结果,以便制定合理的维护计划和决策。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:根据预设的监测时间对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成动态异常表面区域图像数据;
本发明实施例中,根据预设的监测时间间隔对异常表面区域图像数据进行动态的异常表面区域图像数据采集,例如预设的时间段为采集到异常表面区域图像数据的前后两天,对前后两天的异常表面区域图像数据进行统计,生成动态异常表面区域图像数据,以获取表面的变化情况。
步骤S42:对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据;
本发明实施例中,对连续采集到的动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,包括从连续图像数据中提取可能存在的缺陷特征,例如新出现的裂纹或裂纹变化程度等其他异常变化。
步骤S43:利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型;
本发明实施例中,利用长短时间记忆(LSTM)网络等算法,建立金属铀表面动态缺陷预测的映射关系。LSTM网络能够对时间序列数据进行建模,从而捕捉到异常表面的动态变化趋势,并预测未来可能的缺陷情况。
步骤S44:对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试集;
本发明实施例中,对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试集。这有助于训练和验证动态缺陷预测模型的性能。
步骤S45:利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成动态缺陷预测模型;
本发明实施例中,用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,涉及将连续的异常表面图像数据与已知的缺陷情况进行关联,以建立模型,使其能够学习和理解不同的缺陷特征。
步骤S46:将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;
本发明实施例中,将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,模型利用先前训练得到的知识,分析连续的测试图像数据,以预测图像中可能存在的新缺陷,从而实现对未来缺陷的预测。
步骤S47:根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;
本发明实施例中,根据动态表面缺陷预测数据,通过分析缺陷在连续图像数据中的出现和变化情况,进行缺陷变化速率的动态缺陷等级设计,这样的等级设计能够更准确地反映出缺陷的增长趋势和严重程度,如动态缺陷预测数据预测出的缺陷变化程度过快,缺陷平均变化速率达到一定阈值,则给他分配相应等级,以此生成动态金属铀缺陷等级。
步骤S48:根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级。
本发明实施例中,根据预设的静态-动态金属铀权重,对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,这种加权处理综合考虑了静态和动态缺陷信息的重要性,从而生成更为准确和全面的综合金属铀缺陷等级。
优选地,步骤S5包括以下步骤:
利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级不大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀异常缺陷数据。
本发明利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,可以根据预先设定的标准,判断缺陷的严重程度,当综合金属铀缺陷等级低于或等于金属铀缺陷等级阈值时,系统进入下一阶段操作。将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀异常缺陷数据,在维护决策中具有重要意义,因为它结合了不同时间点的动态预测和实际静态缺陷情况,从而更准确地反映出器件表面的异常状态。
本发明实施例中,利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定。这个阈值是根据实际需求和安全标准设定的,用于界定何种程度的缺陷应该被视为异常。当综合金属铀缺陷等级不大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,这意味着,系统会将静态表面缺陷数据与动态预测数据结合起来,以获取更全面和准确的异常缺陷信息。
优选地,步骤S6包括以下步骤:
步骤S61:利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀危险缺陷数据;
步骤S62:利用金属铀危险缺陷警告音频算法对金属铀危险缺陷数据进行警告音频振幅大小计算,生成警告音频振幅数据;根据警告音频振幅数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本发明利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,进入下一阶段操作,这一判定阈值的过程能够根据事先设定的危险程度标准,确定缺陷的危险性。利用金属铀危险缺陷警告音频算法对金属铀危险缺陷数据进行警告音频振幅大小计算,生成警告音频振幅数据,根据这一振幅数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,通过缺陷等级、缺陷面积大小、危险缺陷数量等设计警告音频振幅大小,不仅能够识别潜在的危险缺陷,还能通过声音信号进行直观的警告,增加了人员的注意和警觉性。
本发明实施例中,利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,进入危险缺陷阶段,在这个阶段将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,有助于捕获到危险程度较高的缺陷情况,以便更加准确地识别出潜在的风险。利用金属铀危险缺陷警告音频算法对危险缺陷数据进行警告音频振幅大小的计算,这个计算基于金属铀表面缺陷的危险程度的评估,以确定警告音的响度和频率。根据警告音频振幅数据,进行金属铀表面危险缺陷的警告音频设计,这个警告音的设计可能涉及不同频率、音调和音量,以便能够在用户感知的范围内有效传递危险信息。
优选地,步骤S62中的金属铀危险缺陷警告音频算法如下所示:
;
式中,表示为在/>时间点下的警告音频振幅大小,/>表示为缺陷区域内的缺陷气孔数量,/>表示为综合金属铀缺陷等级大小,/>表示为音频最大振幅的安全衰减调整值,/>表示为第/>个缺陷气孔的面积大小,/>表示为缺陷的裂纹深浅程度的权重信息,/>表示为缺陷的裂纹深浅程度的数据,/>表示为根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率,/>表示为警告音频振幅大小的异常调整值。
本发明利用一种金属铀危险缺陷警告音频算法,该算法综合考虑了缺陷区域内的缺陷气孔数量、综合金属铀缺陷等级大小/>、音频最大振幅的安全衰减调整值/>、第/>个缺陷气孔的面积大小/>、缺陷的裂纹深浅程度的权重信息/>、缺陷的裂纹深浅程度的数据/>、根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过金属铀表面缺陷的危险程度来生成警告音频振幅大小,从而可以将警告音频反馈至终端时,用户通过判别音频来了解金属铀缺陷的危险程度。缺陷区域内的缺陷气孔数量,考虑了气孔的数量对声音振幅的影响,更多的气孔将会导致更大的声音振幅;综合金属铀缺陷等级大小,用于考虑缺陷等级对声音振幅的影响。较大的等级表示更严重的缺陷,导致更大的声音振幅;音频最大振幅的安全衰减调整值,用于控制声音振幅的最大值,以确保警告声音不会过于强烈,从而避免用户反感或混淆;第/>个缺陷气孔的面积大小,考虑了不同气孔的大小对声音振幅的影响,更大的气孔面积使得缺陷更严重,因此导致更大的声音振幅;缺陷的裂纹深浅程度的权重信息,用于考虑裂纹的深浅对声音振幅的影响;缺陷的裂纹深浅程度的数据,表示裂纹的深浅程度;根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率,用于考虑裂纹的变化速率对声音振幅的影响,使得警告音频不仅仅反映缺陷的静态特征,还能在声音中包含关于缺陷是否正在扩展的信息。通过正弦函数和指数函数的组合,算法能够综合考虑多个因素对声音振幅的影响,例如指数函数可以体现出裂纹深浅的权重信息,而正弦函数则可以模拟不同气孔大小对声音振幅的影响。该函数关系式在使用多种参数和数学函数的复杂组合下,能够产生有意义且丰富的声音振幅,以准确地传达金属铀器件的危险程度,有助于操作人员在现场获得详细、全面的警告信息,以便及时采取适当的措施,从而提高安全性和可靠性。利用警告音频振幅大小的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地在/>时间点下的警告音频振幅大小/>,提高了对金属铀危险缺陷数据进行警告音频振幅大小计算的准确性和可靠性。同时该公式中的权重信息及调整值可以根据实际情况进行调整,应用于不同的金属铀危险缺陷数据中,提高了算法的灵活性与适用性。
本说明书中提供一种基于深度学习的金属轴表面缺陷识别系统,用于执行如上述所述的基于深度学习的金属轴表面缺陷识别方法,该基于深度学习的金属轴表面缺陷识别系统包括:
金属铀异步光源图像采集模块,利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
金属铀表面异常标记模块,利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
金属铀静态缺陷等级计算模块,用于对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
金属铀动态缺陷等级计算模块,利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
金属铀异常缺陷数据提取模块,用于根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
金属铀危险缺陷数据反馈模块,用于根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
本申请有益效果在于,本发明通过利用光源波长差异的光源设备进行异步光源表面照射图像数据采集,有效地获取了金属轴器件的原始图像数据,它采用光源波长差异的设备,通过异步光源照射,捕获了不同角度和光照条件下的金属轴表面图像。对异步光源图像数据进行图像块分割和异常灰度图像块数据提取,不仅能够定位异常区域,还能够捕捉到这些异常区域的灰度特征,从而为后续的分析提供更具体的数据基础,使得后续的分析更加精准和具体。利用三维建模技术将图像数据进行物理建模,生成了金属轴表面模型,并根据异常灰度图像块数据提取了异常表面区域,清楚定位到金属铀表面存在缺陷的地方,为后续的缺陷分析提供了更丰富的信息。通过静态金属铀表面缺陷数据的提取和算法计算,将缺陷进行量化,通过将静态金属铀表面缺陷数据提取出来,然后应用合适的算法进行计算,可以为每个缺陷分配一个特定的等级,实现了缺陷的分类和评级,使得维护人员可以快速了解静态缺陷状态,优化维护策略的制定。通过LSTM网络建立动态缺陷的预测模型,结合时间序列的数据划分和变化速率的分析,通过长短时间记忆网络(LSTM)等算法,能够根据过去的数据来预测未来的表面缺陷变化,使得系统能够更加敏锐地捕捉缺陷变化,为及时维护提供了关键的先导信息。通过阈值判定和警告音频设计,将抽象的数据结果转化为实际操作,综合金属铀缺陷等级阈值的判定,为异常缺陷和危险缺陷的划分提供了标准,使得维护人员能够更准确地识别问题,而通过警告音频的设计,不仅提供了直观的警示,还确保了维护人员能够及时作出反应,减少潜在风险。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的金属轴表面缺陷识别方法,其特征在于,包括以下步骤:
步骤S1:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
步骤S2:利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
步骤S3:对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
步骤S4:利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
步骤S5:根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
步骤S6:根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
2.根据权利要求1所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;
步骤S12:对异步光源图像数据进行三原色数据采集,生成异步光源图像数据的三原色数据;
步骤S13:利用加权平均法对异步光源图像数据的三原色数据进行色彩加权平均处理,生成色彩加权平均数据;
步骤S14:根据色彩加权平均数据对异步光源图像数据进行灰度图像数据转换,生成异步灰度图像数据;
步骤S15:对异步灰度图像数据进行图像块分割,生成异步灰度图像块数据;
步骤S16:对异步灰度图像块数据进行邻格灰度值比较,当异步灰度图像块数据的灰度值与邻格的异步灰度图像块数据的灰度值差异较大时,对异步灰度图像块数据进行数据提取,生成异常灰度图像块数据。
3.根据权利要求2所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用监控设备对金属铀器件进行表面图像数据采集,生成金属铀表面图像数据;
步骤S22:利用三维建模技术对进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;
步骤S23:根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据。
4.根据权利要求3所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对异常表面区域图像数据进行静态金属铀表面缺陷数据提取,生成静态金属铀表面缺陷数据;
步骤S32:利用静态金属铀缺陷等级算法对静态金属铀表面缺陷数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级。
5.根据权利要求4所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S32中的静态金属铀缺陷等级算法如下所示:
;
式中,表示为静态金属铀缺陷等级,/>表示为缺陷分布位置生成的权重信息,/>表示为金属铀表面缺陷面积大小,/>表示为潜在金属铀表面缺陷范围大小,/>表示为根据缺陷的凹陷深浅数据,/>表示为自然对数的底数,/>表示为金属铀表面缺陷纹理与常规纹理偏差程度,表示为金属铀表面缺陷的灰度值数据,/>表示为正常金属铀表面的灰度值数据,/>表示为静态金属铀缺陷等级的异常调整值。
6.根据权利要求5所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据预设的监测时间对异常表面区域图像数据进行动态的异常表面区域图像数据采集,生成动态异常表面区域图像数据;
步骤S42:对动态异常表面区域图像数据进行动态金属铀表面缺陷数据提取,生成动态金属铀表面缺陷数据;
步骤S43:利用长短时间记忆网络算法建立金属铀表面动态缺陷预测的映射关系,生成初始动态缺陷预测模型;
步骤S44:对动态金属铀表面缺陷数据进行时间序列上的数据划分,分别生成动态金属铀表面缺陷训练集与动态金属铀表面缺陷测试集;
步骤S45:利用动态金属铀表面缺陷训练集对初始动态缺陷预测模型进行模型训练,生成动态缺陷预测模型;
步骤S46:将动态金属铀表面缺陷测试集传输至动态缺陷预测模型进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;
步骤S47:根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;
步骤S48:根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级。
7.根据权利要求6所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S5包括以下步骤:
利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级不大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀异常缺陷数据。
8.根据权利要求7所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S6包括以下步骤:
步骤S61:利用预设的金属铀缺陷等级阈值对综合金属铀缺陷等级进行阈值判定,当综合金属铀缺陷等级大于金属铀缺陷等级阈值时,将综合金属铀缺陷等级对应的动态表面缺陷预测数据与静态金属铀表面缺陷数据进行数据整合,生成金属铀危险缺陷数据;
步骤S62:利用金属铀危险缺陷警告音频算法对金属铀危险缺陷数据进行警告音频振幅大小计算,生成警告音频振幅数据;根据警告音频振幅数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
9.根据权利要求8所述的基于深度学习的金属轴表面缺陷识别方法,其特征在于,步骤S62中的金属铀危险缺陷警告音频算法如下所示:
;
式中,表示为在/>时间点下的警告音频振幅大小,/>表示为缺陷区域内的缺陷气孔数量,/>表示为综合金属铀缺陷等级大小,/>表示为音频最大振幅的安全衰减调整值,/>表示为第/>个缺陷气孔的面积大小,/>表示为缺陷的裂纹深浅程度的权重信息,/>表示为缺陷的裂纹深浅程度的数据,/>表示为根据动态金属铀表面缺陷数据生成的金属铀裂纹变化速率,/>表示为警告音频振幅大小的异常调整值。
10.一种基于深度学习的金属轴表面缺陷识别系统,其特征在于,用于执行如权利要求1所述的基于深度学习的金属轴表面缺陷识别方法,该基于深度学习的金属轴表面缺陷识别系统包括:
金属铀异步光源图像采集模块,利用光源波长差异的光源设备对金属铀器件进行异步光源表面照射图像数据采集,生成异步光源图像数据;对异步光源图像数据进行图像块分割及异常灰度图像块数据提取,生成异常灰度图像块数据;
金属铀表面异常标记模块,利用三维建模技术对金属铀器件进行金属铀表面图像数据进行的物理建模,生成金属铀表面模型;根据异常灰度图像块数据对金属铀表面模型进行物理模型异常区域提取,生成金属铀表面模型的异常表面区域图像数据;
金属铀静态缺陷等级计算模块,用于对异常表面区域图像数据进行静态金属铀缺陷等级计算,生成静态金属铀缺陷等级;
金属铀动态缺陷等级计算模块,利用长短时间记忆网络算法对异常表面区域图像数据进行金属铀表面动态缺陷预测,生成动态表面缺陷预测数据;根据动态表面缺陷预测数据进行缺陷变化速率的动态缺陷等级设计,生成动态金属铀缺陷等级;根据预设的静态-动态金属铀权重对静态金属铀缺陷等级与动态金属铀缺陷等级进行金属铀缺陷等级加权处理,生成综合金属铀缺陷等级;
金属铀异常缺陷数据提取模块,用于根据综合金属铀缺陷等级进行金属铀表面异常缺陷数据提取,生成金属铀异常缺陷数据;
金属铀危险缺陷数据反馈模块,用于根据综合金属铀缺陷等级进行金属铀表面危险缺陷数据提取,生成金属铀危险缺陷数据;根据金属铀危险缺陷数据进行金属铀表面危险缺陷的警告音频设计,生成警告音频数据,并将警告音频数据反馈至终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131469.4A CN116862914B (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131469.4A CN116862914B (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862914A true CN116862914A (zh) | 2023-10-10 |
CN116862914B CN116862914B (zh) | 2023-12-26 |
Family
ID=88225367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131469.4A Active CN116862914B (zh) | 2023-09-04 | 2023-09-04 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862914B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218041A (zh) * | 2023-11-08 | 2023-12-12 | 深圳长盛高精密五金有限公司 | 一种基于线扫描的金属轴表面图像采集方法 |
CN117269197A (zh) * | 2023-11-21 | 2023-12-22 | 昆明理工大学 | 多晶硅原料表面质量检测方法及检测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288622A (zh) * | 2011-04-29 | 2011-12-21 | 浙江师范大学 | 光学元件内部缺陷的检测方法及装置 |
WO2020098314A1 (zh) * | 2018-11-13 | 2020-05-22 | 浙江大学 | 一种可同时检测光学元件表面和亚表面缺陷的装置及方法 |
CN116490767A (zh) * | 2020-09-18 | 2023-07-25 | 株式会社岛津制作所 | 缺陷检查装置 |
CN116678826A (zh) * | 2023-05-31 | 2023-09-01 | 无锡华氏恒辉精密装备科技有限公司 | 一种基于快速立体重建的外观缺陷检测系统及方法 |
-
2023
- 2023-09-04 CN CN202311131469.4A patent/CN116862914B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288622A (zh) * | 2011-04-29 | 2011-12-21 | 浙江师范大学 | 光学元件内部缺陷的检测方法及装置 |
WO2020098314A1 (zh) * | 2018-11-13 | 2020-05-22 | 浙江大学 | 一种可同时检测光学元件表面和亚表面缺陷的装置及方法 |
CN116490767A (zh) * | 2020-09-18 | 2023-07-25 | 株式会社岛津制作所 | 缺陷检查装置 |
CN116678826A (zh) * | 2023-05-31 | 2023-09-01 | 无锡华氏恒辉精密装备科技有限公司 | 一种基于快速立体重建的外观缺陷检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
丛家慧: "引入人类视觉特性的带钢表面缺陷检测与识别方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, pages 022 - 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218041A (zh) * | 2023-11-08 | 2023-12-12 | 深圳长盛高精密五金有限公司 | 一种基于线扫描的金属轴表面图像采集方法 |
CN117218041B (zh) * | 2023-11-08 | 2024-03-12 | 深圳长盛高精密五金有限公司 | 一种基于线扫描的金属轴表面图像采集方法 |
CN117269197A (zh) * | 2023-11-21 | 2023-12-22 | 昆明理工大学 | 多晶硅原料表面质量检测方法及检测装置 |
CN117269197B (zh) * | 2023-11-21 | 2024-02-02 | 昆明理工大学 | 多晶硅原料表面质量检测方法及检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116862914B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116862914B (zh) | 基于深度学习的金属轴表面缺陷识别方法及系统 | |
CN109737309B (zh) | 一种基于风险识别的风险源定漏溯源方法及其系统 | |
KR101882925B1 (ko) | 납땜 이음의 품질을 검사하는 방법 | |
Hamilton et al. | Development of a novel wear detection system for wind turbine gearboxes | |
CN107194908A (zh) | 图像处理装置以及图像处理方法 | |
CN115643159B (zh) | 一种基于边缘计算的设备异常预警方法及系统 | |
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
JP2011145179A (ja) | 官能検査装置及び官能検査方法 | |
CN111310275B (zh) | 一种桥梁病害大数据分析方法 | |
CN116758491A (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
CN117218041B (zh) | 一种基于线扫描的金属轴表面图像采集方法 | |
Mustaffar et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification-a photogrammetric approach | |
CN116385735B (zh) | 一种基于图像识别的水位测量方法 | |
CN117609762A (zh) | 基于智能燃气井的井盖预警监测方法及系统 | |
JP2018096741A (ja) | 建築物風騒音評価方法 | |
WO2019073615A1 (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
CN112767365A (zh) | 一种探伤方法 | |
RU2426069C1 (ru) | Способ неразрушающего контроля качества поверхности рельсов | |
Trofimov | Multi-structural instrument for identifying surface defects on rails | |
CN113468823A (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
JP7229338B2 (ja) | 検査装置及び検査方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN117352006B (zh) | 一种用于施工现场环境噪声的监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |