CN117474925A - 一种基于机器视觉的齿轮点蚀检测方法及系统 - Google Patents
一种基于机器视觉的齿轮点蚀检测方法及系统 Download PDFInfo
- Publication number
- CN117474925A CN117474925A CN202311824428.3A CN202311824428A CN117474925A CN 117474925 A CN117474925 A CN 117474925A CN 202311824428 A CN202311824428 A CN 202311824428A CN 117474925 A CN117474925 A CN 117474925A
- Authority
- CN
- China
- Prior art keywords
- pitting
- gear
- image
- machine vision
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 229910052704 radon Inorganic materials 0.000 claims description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T2207/30204—Marker
Abstract
本发明涉及图像处理技术领域，更具体地，本发明涉及一种基于机器视觉的齿轮点蚀检测方法及系统，该方法包括对齿轮点蚀图像进行点蚀标记，并划分训练集和测试集，对预设的卷积神经网络模型进行训练，卷积神经网络模型采用轻量化解码器结构，编码器中执行至少两个卷积操作，第一卷积操作采用固定步长进行卷积计算，第二卷积操作根据训练过程中的误差分析结果自适应调整步长；将消除环境干扰后的待测齿轮点蚀图像输入至训练好的卷积神经网络模型进行齿轮点蚀状态的智能识别，得到识别结果；将识别结果和齿轮的点蚀等级标准进行比对，得到齿轮的点蚀等级数据。根据本发明的方案，解决了目前齿轮点蚀检测时检测精度和效率无法平衡的问题。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地，本发明涉及一种基于机器视觉的齿轮点蚀检测方法及系统。
背景技术
齿轮是设备中传递运动和动力的基本组成部分,它的工作情况关系着整个机械设备的运作。齿轮传动破坏的主要形式是齿轮的失效，为了改善和提高齿轮传动的使用寿命，则需深入的研究齿轮的失效形式。齿轮的故障诊断在齿轮的寿命预测中扮演着重要角色，齿轮的测量工作便成为研究与生产齿轮的过程中极为关键的环节。传统的接触式齿轮测量方法精度较低，工作量繁重。
目前，齿轮点蚀这一失效形式是最常见的齿轮失效形式之一，在齿轮的测量工作中，点蚀的测定也是很重要的一部分内容，齿轮点蚀的测量关系着整个齿轮机械设备的正常运作。齿轮在长期负载工作条件下，由于应力作用材料从齿面脱落，进而出现点状小坑，即初始点蚀。初始点蚀在反复受载下会不断扩展进而导致齿轮断齿，造成无法挽回的损失。因此，为定量掌控点蚀扩展的规律以及有效预防断齿，齿轮点蚀的定量评估与检测工作就尤为重要。
目前，传统的齿轮点蚀检测方法主要是通过肉眼进行观察和确定，其中对于肉眼不易察觉的极微小点蚀，需要进一步使用显微镜进行观察与确定。但是这种方式只对齿轮点蚀进行了定性评估，不仅步骤繁琐，效率、精度低，还浪费大量人力资源。为了提升齿轮点蚀检测的效率和准确性，基于机器视觉的齿轮点蚀评估方法也逐步扩大应用。例如通过机器学习的神经网络模型实现对齿轮点蚀情况的检测。为了提升检测精度，模型构建越来越复杂，导致检测效率降低。
基于此，如何解决目前齿轮点蚀检测时检测精度和效率无法平衡的问题，是当前研究的重点。
发明内容
为解决上述一个或多个技术问题，本发明提出通过在卷积神经网络模型执行卷积操作时，根据误差分析结果自适应调整卷积步长，一方面有效保证检测精度，另一方面能够平衡计算量，实现了检测精度和计算效率之间的平衡。为此，本发明在如下的多个方面中提供方案。
在第一方面中，本发明提供了 一种基于机器视觉的齿轮点蚀检测方法，包括：获取齿轮点蚀图像，并对所述齿轮点蚀图像进行点蚀标记，以得到标记后的图像数据集；将所述标记后的图像数据集划分为训练集和测试集，并对预设的卷积神经网络模型进行训练，以得到训练好的神经网络模型，其中所述卷积神经网络模型采用轻量化解码器结构，并且编码器中执行至少两个卷积操作，第一卷积操作采用固定步长进行卷积计算，第二卷积操作根据训练过程中的误差自适应调整步长；采用齿轮点蚀图像采集装置进行拍摄得到待测齿轮点蚀图像；将所述待测齿轮点蚀图像进行预处理，以消除环境噪声；将消除环境噪声后的待测齿轮点蚀图像输入至训练好的卷积神经网络模型进行齿轮点蚀状态的智能识别，以得到识别结果；将所述识别结果和齿轮的点蚀等级标准进行比对，以得到齿轮的点蚀等级数据。
在一个实施例中，其中根据训练过程中的误差自适应调整步长包括：确定当前训练阶段之前得到的所有卷积神经网络模型的误差；根据所述误差计算步长调整值，并根据所述步长调整值对原始步长进行调整，其中步长的计算公式为：
，/>；式中，表示步长调整值，/>表示第/>次训练之前得到的所有卷积神经网络模型的误差值，/>表示第一误差阈值，/>表示第二误差阈值，且/>，/>表示步长，/>表示原始步长。
在一个实施例中，所述第一卷积操作的固定步长和第二卷积操作的原始步长均为2。
在一个实施例中，在轻量化解码器结构中，采用步长为1的1×1卷积操作完成上采样。
在一个实施例中，将所述待测齿轮点蚀图像进行预处理，以消除环境噪声包括：对待测齿轮点蚀图像进行齿面倾斜校正，以得到校正后的图像；对所述校正后的图像进行形态学处理，以得到具有平滑边缘的齿轮图像。
在一个实施例中，对待测齿轮点蚀图像进行齿面倾斜校正包括：将待测齿轮点蚀图像进行Radon变换，获取倾斜角度；根据所述倾斜角度，对待测齿轮点蚀图像中的齿面进行倾斜校正。
在一个实施例中，将所述识别结果和齿轮的点蚀等级标准进行比对，以得到齿轮的点蚀等级数据包括：根据点蚀的密度和分布情况预设点蚀等级标准；根据识别结果中点蚀的密度和分布情况计算得到综合指标值，将综合指标值与所述点蚀等级标准进行对比，以得到对应的点蚀等级。
在一个实施例中，其中综合指标值的计算公式包括：；式中，/>表示综合指标值，/>表示点蚀密度对应的权重，/>表示点蚀分布情况对应的权重，/>表示齿轮点蚀的密度，/>表示齿轮点蚀分布对应的均值。
在第二方面中，本发明还提供了一种基于机器视觉的齿轮点蚀检测系统，包括：处理器；存储器，其存储有用于实现基于机器视觉的齿轮点蚀检测的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如前述一个或多个实施例所述的基于机器视觉的齿轮点蚀检测方法。
本发明的有益效果在于：根据本发明的方案，可以在齿轮点蚀图像标记后作为卷积神经网络模型的训练数据集，该卷积神经网络采用编码器-解码器结构，并且编码器中采用固定步长与自适应步长结合的方式，通过模型的误差分析结果自适应调整步长，在保证检测精度的同时有效控制了计算量，提升了分析效率，实现了在检测齿轮点蚀时检测准确性和效率的平衡。
进一步，本方案中还通过结合识别结果中点蚀的密度和分布情况计算综合指标值，有效提升对齿轮的点蚀等级划分的准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本发明的实施例的基于机器视觉的齿轮点蚀检测方法的流程图；
图2是根据本发明的实施例的自适应调整编码器中的卷积步长的示意图；
图3是根据本发明的实施例的基于机器视觉的齿轮点蚀检测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
根据本发明的上下文，本方案中可以直接拍摄生产线中的齿轮点蚀图像进行检测，也可以设置独立的试验台并将齿轮固定在试验台上进行检测。本方案中仅以示例的目的将其示出为在试验台上检测齿轮点蚀情况。
下面结合附图来详细描述本发明的具体实施方式。
图1是根据本发明的实施例的基于机器视觉的齿轮点蚀检测方法100的流程图。
如图1所示，在步骤S101中，获取齿轮点蚀图像，得到标记后的图像数据集。具体地，获取齿轮点蚀图像，并对齿轮点蚀图像进行点蚀标记，以得到标记后的图像数据集。在一些实施例中，可以利用工业CCD相机对生产线中的齿轮进行拍摄，以得到齿轮点蚀图像，通对齿轮点蚀图像中发生点蚀的位置、区域等进行标记，可以构建大量的用于训练的数据集。
在步骤S102中，调整卷积操作步长，卷积神经网络模型训练。具体地，可以将上述标记后的图像数据集划分为训练集和测试集，并对预设的卷积神经网络模型进行训练，以得到训练好的神经网络模型，其中卷积神经网络模型采用轻量化解码器结构，并且编码器中执行至少两个卷积操作，第一卷积操作采用固定步长进行卷积计算，第二卷积操作根据训练过程中的误差自适应调整步长。
在一些实施例中，在编码器中，可以先确定当前训练阶段之前得到的所有卷积神经网络模型的误差，然后根据误差计算步长调整值，并根据步长调整值对原始步长进行调整。
其中步长的计算公式为：
，/>。
式中，表示步长调整值，/>表示第/>次训练之前得到的所有卷积神经网络模型的误差值，/>表示第一误差阈值，/>表示第二误差阈值，且，/>表示步长，/>表示原始步长。
在轻量化解码器结构中，可以采用步长为1的1×1卷积操作完成上采样。
在一个应用场景中，可以将第一卷积操作的固定步长和第二卷积操作的原始步长均为2，第二卷积操作的步长可以根据上述计算公式自适应调整。通过这种动态调整步长的方式，一方面可以保证检测精度，另一方面也尽可能减少卷积计算量，保证计算效率。
在步骤S103中，拍摄得到待测齿轮点蚀图像。可以采用齿轮点蚀图像采集装置进行拍摄得到待测齿轮点蚀图像。在一些实施例中，可以直接将工业CCD相机设置在生产线上，并对生产线中的齿轮进行拍摄。也可以将待测齿轮放置在试验台上进行检测。例如在工作台上安装有齿轮夹具，用于夹持固定待测齿轮。在该试验台上还设置有工业CCD相机，用于获取齿轮各个齿面上的图像数据，以获取齿轮点蚀图像。另外还可以设置相应的光源，以保证点蚀图像获取的准确性。
在步骤S104中，待测齿轮点蚀图像预处理。将待测齿轮点蚀图像进行预处理，以消除环境噪声。在一些实施例中，可以通过对待测齿轮点蚀图像进行齿面倾斜校正，以得到校正后的图像。然后对校正后的图像进行形态学处理，以得到具有平滑边缘的齿轮图像。
在一些实施例中，对待测齿轮点蚀图像进行齿面倾斜校正时，可以首先将待测齿轮点蚀图像进行Radon变换，获取倾斜角度。然后根据倾斜角度，对待测齿轮点蚀图像中的齿面进行倾斜校正。
对校正后的图像进行形态学处理的方式可以包括：首先，对校正后的图像进行二值化，以得到二值化图像。接着，对二值化图像进行开运算操作中，以得到具有平滑边缘的齿轮图像。
进一步，在得到平滑边缘的齿轮图像之后，还可以对待测齿轮点蚀图像进行边缘检测，以强化齿轮边缘线，从而使得齿轮点蚀图像具有更明显的特征。
在步骤S105中，齿轮点蚀状态的智能识别。具体地，将消除环境噪声后的待测齿轮点蚀图像输入至训练好的卷积神经网络模型进行齿轮点蚀状态的智能识别，以得到识别结果。该识别结果可以包括齿轮点蚀的密度和在齿面上的分布情况。
在步骤S106中，比对确认齿轮的点蚀等级标准。将识别结果和齿轮的点蚀等级标准进行比对，以得到齿轮的点蚀等级数据。
在一些实施例中，可以根据点蚀的密度和分布情况预设点蚀等级标准，然后根据识别结果中点蚀的密度和分布情况计算得到综合指标值，将综合指标值与所述点蚀等级标准进行对比，以得到对应的点蚀等级。
具体地，综合指标值的计算公式包括：，式中，/>表示综合指标值，/>表示点蚀密度对应的权重，/>表示点蚀分布情况对应的权重，/>表示齿轮点蚀的密度，表示齿轮点蚀分布对应的均值。
图2是根据本发明的实施例的自适应调整编码器中的卷积步长的示意图。
如图2所示，以第一卷积操作的固定步长和第二卷积操作的原始步长均为2为例，第二卷积操作的步长L可以根据上述计算公式自适应调整。在卷积神经网络中的编码器进行卷积计算时，可以根据训练过程中的误差自适应调整步长，判断每次得到的误差是否符合要求，根据误差计算步长调整值，并根据步长调整值对原始步长进行调整。
在本发明中，可以通过确定当前训练阶段之前得到的所有卷积神经网络模型的误差，并根据多次误差的算数平方根来确定误差的总体水平，从而保证了系统的稳定性。同时，在误差达到相对稳定的状态且相对较小时，可以适当增加步长以减小运算量，当误差较大时，则适当减小步长以保证计算精度。当误差处于合适范围且相对稳定时，可以保持原始步长不变，从而保证检测精度和运算效率之间的平衡。在一个应用场景中，在编码器结构中，第一卷积操作的卷积步长可以是2，第二卷积操作可以根据整体卷积神经网络的检测精度设置为1、2或3。
需要说明的是，上述第一卷积操作的固定步长和第二卷积操作的原始步长可以相同也可以不同，例如第一卷积操作的固定步长可以设置为1，而第二卷积操作的原始步长设置为2，或者是第一卷积操作的固定步长可以设置为2，而第二卷积操作的原始步长设置为3。该编码器结构中也可以包括多次卷积操作，例如3次或4次，其中自适应调整的步长也可以设置在第三次卷积操作中。基于次，上述设置方式仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要选择合适的设置方式。
同时该卷积神经网络中，解码器的结构可以采用步长为1的轻量型解码器，作为其他实施方式，本领域技术人员也可以选择其他结构的解码器，以保证有效计算。
图3是示意性示出根据本实施例中的一种基于机器视觉的齿轮点蚀检测系统的结构框图。
本发明还提供了一种基于机器视觉的齿轮点蚀检测系统。如图3所示，所述系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述实施例中的一种基于机器视觉的齿轮点蚀检测系方法。
所述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (9)
1.一种基于机器视觉的齿轮点蚀检测方法，其特征在于，包括：
获取齿轮点蚀图像，并对所述齿轮点蚀图像进行点蚀标记，以得到标记后的图像数据集；
将所述标记后的图像数据集划分为训练集和测试集，并对预设的卷积神经网络模型进行训练，以得到训练好的神经网络模型，其中所述卷积神经网络模型采用轻量化解码器结构，并且编码器中执行至少两个卷积操作，第一卷积操作采用固定步长进行卷积计算，第二卷积操作根据训练过程中的误差自适应调整步长；
采用齿轮点蚀图像采集装置进行拍摄得到待测齿轮点蚀图像；
将所述待测齿轮点蚀图像进行预处理，以消除环境噪声；
将消除环境噪声后的待测齿轮点蚀图像输入至训练好的卷积神经网络模型进行齿轮点蚀状态的智能识别，以得到识别结果；
将所述识别结果和齿轮的点蚀等级标准进行比对，以得到齿轮的点蚀等级数据。
2.根据权利要求1所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，其中根据训练过程中的误差自适应调整步长包括：
确定当前训练阶段之前得到的所有卷积神经网络模型的误差；
根据所述误差计算步长调整值，并根据所述步长调整值对原始步长进行调整，其中步长的计算公式为：
式中，表示步长调整值，/>表示第/>次训练之前得到的所有卷积神经网络模型的误差值，/>表示第一误差阈值，/>表示第二误差阈值，且，/>表示步长，/>表示原始步长。
3.根据权利要求2所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，所述第一卷积操作的固定步长和第二卷积操作的原始步长均为2。
4.根据权利要求3所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，在轻量化解码器结构中，采用步长为1的1×1卷积操作完成上采样。
5.根据权利要求1所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，将所述待测齿轮点蚀图像进行预处理，以消除环境噪声包括：
对待测齿轮点蚀图像进行齿面倾斜校正，以得到校正后的图像；
对所述校正后的图像进行形态学处理，以得到具有平滑边缘的齿轮图像。
6.根据权利要求5所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，对待测齿轮点蚀图像进行齿面倾斜校正包括：
将待测齿轮点蚀图像进行Radon变换，获取倾斜角度；
根据所述倾斜角度，对待测齿轮点蚀图像中的齿面进行倾斜校正。
7.根据权利要求1所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，将所述识别结果和齿轮的点蚀等级标准进行比对，以得到齿轮的点蚀等级数据包括：
根据点蚀的密度和分布情况预设点蚀等级标准；
根据识别结果中点蚀的密度和分布情况计算得到综合指标值，将综合指标值与所述点蚀等级标准进行对比，以得到对应的点蚀等级。
8.根据权利要求7所述的基于机器视觉的齿轮点蚀检测方法，其特征在于，其中综合指标值的计算公式包括：
式中，表示综合指标值，/>表示点蚀密度对应的权重，/>表示点蚀分布情况对应的权重，/>表示齿轮点蚀的密度，/>表示齿轮点蚀分布对应的均值。
9.一种基于机器视觉的齿轮点蚀检测系统，其特征在于，包括：
处理器；
存储器，其存储有用于实现基于机器视觉的齿轮点蚀检测的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-8中任意一项所述的基于机器视觉的齿轮点蚀检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824428.3A CN117474925B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的齿轮点蚀检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824428.3A CN117474925B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的齿轮点蚀检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474925A true CN117474925A (zh) | 2024-01-30 |
| CN117474925B CN117474925B (zh) | 2024-03-15 |
Family
ID=89624171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311824428.3A Active CN117474925B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的齿轮点蚀检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474925B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107796826A (zh) * | 2017-09-27 | 2018-03-13 | 浙江大学 | 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法 |
| CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
| US20200272139A1 (en) * | 2019-02-21 | 2020-08-27 | Abb Schweiz Ag | Method and System for Data Driven Machine Diagnostics |
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
| KR102193469B1 (ko) * | 2019-06-20 | 2020-12-21 | 엔에이치엔 주식회사 | 이미지 변환을 수행하는 컴퓨터 장치 및 방법 |
| WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
| WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
| WO2021174771A1 (zh) * | 2020-03-05 | 2021-09-10 | 西北工业大学 | 一种人机协作的视频异常检测方法 |
| CN113869614A (zh) * | 2021-12-03 | 2021-12-31 | 北京航空航天大学杭州创新研究院 | 一种基于时空图卷积的行人流早期预测方法 |
| CN114066870A (zh) * | 2021-11-23 | 2022-02-18 | 重庆大学 | 一种基于视觉Transformer的齿轮点蚀测量方法 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
| WO2022082739A1 (zh) * | 2020-10-23 | 2022-04-28 | 深圳晶泰科技有限公司 | 基于卷积神经网络预测蛋白和配体分子结合自由能的方法 |
| WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| WO2023010658A1 (zh) * | 2021-08-06 | 2023-02-09 | 大连理工大学 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
| CN116091445A (zh) * | 2023-01-05 | 2023-05-09 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
| CN116342521A (zh) * | 2023-03-21 | 2023-06-27 | 重庆大学 | 基于视觉Transformer的齿轮点蚀在线检测系统及方法 |
| CN116822089A (zh) * | 2023-07-07 | 2023-09-29 | 深圳希哈科技有限公司 | 一种基于数据驱动的电动机内部扰动分析及建模方法 |
| WO2023186833A1 (en) * | 2022-03-28 | 2023-10-05 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
-
2023
- 2023-12-28 CN CN202311824428.3A patent/CN117474925B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN107796826A (zh) * | 2017-09-27 | 2018-03-13 | 浙江大学 | 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法 |
| US20200272139A1 (en) * | 2019-02-21 | 2020-08-27 | Abb Schweiz Ag | Method and System for Data Driven Machine Diagnostics |
| KR102193469B1 (ko) * | 2019-06-20 | 2020-12-21 | 엔에이치엔 주식회사 | 이미지 변환을 수행하는 컴퓨터 장치 및 방법 |
| WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
| CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
| WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
| WO2021174771A1 (zh) * | 2020-03-05 | 2021-09-10 | 西北工业大学 | 一种人机协作的视频异常检测方法 |
| CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
| WO2022082739A1 (zh) * | 2020-10-23 | 2022-04-28 | 深圳晶泰科技有限公司 | 基于卷积神经网络预测蛋白和配体分子结合自由能的方法 |
| WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
| WO2023010658A1 (zh) * | 2021-08-06 | 2023-02-09 | 大连理工大学 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
| CN114066870A (zh) * | 2021-11-23 | 2022-02-18 | 重庆大学 | 一种基于视觉Transformer的齿轮点蚀测量方法 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
| CN113869614A (zh) * | 2021-12-03 | 2021-12-31 | 北京航空航天大学杭州创新研究院 | 一种基于时空图卷积的行人流早期预测方法 |
| WO2023186833A1 (en) * | 2022-03-28 | 2023-10-05 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
| CN116091445A (zh) * | 2023-01-05 | 2023-05-09 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
| CN116342521A (zh) * | 2023-03-21 | 2023-06-27 | 重庆大学 | 基于视觉Transformer的齿轮点蚀在线检测系统及方法 |
| CN116822089A (zh) * | 2023-07-07 | 2023-09-29 | 深圳希哈科技有限公司 | 一种基于数据驱动的电动机内部扰动分析及建模方法 |
Non-Patent Citations (4)
| Title |
|---|
| KLEEMOLA JAAKKO, LEHTOVARA ARTO, 王秩信 , 李沛然: "用振动测量和神经网络进行齿轮传动的故障诊断", 设备管理与维修, no. 03, 6 March 2004 (2004-03-06) * |
| 姜洋洋;: "基于卷积神经网络与CUDA加速计算的手势识别算法应用研究", 系统仿真技术, no. 01, 28 February 2020 (2020-02-28) * |
| 成冲;章进强;代杰;: "基于卷积神经网络的不锈钢焊缝视觉检测系统", 工业控制计算机, no. 05, 25 May 2019 (2019-05-25) * |
| 杨洁;陈灵娜;林颖;陈宇韶;陈俊熹;: "基于卷积网络的视频目标检测", 南华大学学报(自然科学版), no. 04, 31 August 2018 (2018-08-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474925B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102018208191B4 (de) | Maschinenlernvorrichtung, Robotersteuersystem und Maschinenlernverfahren | |
| CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
| GB2547816A (en) | Actually-measured marine environment data assimilation method based on sequence recursive spare filtering three-dimensional variation | |
| US20230326010A1 (en) | Defective picture generation method and apparatus applied to industrial quality inspection | |
| CN111382472A (zh) | 随机森林融合svm预测盾构引起近接结构变形方法及装置 | |
| CN108345832A (zh) | 一种人脸检测的方法、装置及设备 | |
| CN113752086A (zh) | 一种用于数控机床刀具状态检测的方法和装置 | |
| CN117474925B (zh) | 一种基于机器视觉的齿轮点蚀检测方法及系统 | |
| CN115796002A (zh) | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 | |
| CN116166513A (zh) | 一种针对数据库性能测试的评价方法、设备及存储介质 | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
| CN111460701A (zh) | 一种故障诊断模型训练方法和装置 | |
| CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
| CN117076935A (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| CN112308426A (zh) | 食品重金属污染风险评估模型训练方法、评估方法及装置 | |
| CN108876073A (zh) | 风电机组可靠性确定方法和装置 | |
| CN110411721A (zh) | 一种海洋立管损伤定位方法及系统 | |
| CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
| CN115456337A (zh) | 一种卫星在轨运行风险综合评估方法及评估装置 | |
| CN113673759A (zh) | 一种水文资料实时整编方法及终端 | |
| CN113868848A (zh) | 加权灰靶算法和模拟退火法的变压器状态评估方法 | |
| CN113486742B (zh) | 一种故障识别方法、装置、系统及计算机可读存储介质 | |
| KR20210105774A (ko) | 인공지능을 이용한 크라우드 아웃소싱 작업 검수 대상 샘플링 방법 및 장치 |
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 |