CN117495866B - 基于机器视觉的齿轮缺陷检测方法及系统 - Google Patents
基于机器视觉的齿轮缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117495866B CN117495866B CN202410006847.4A CN202410006847A CN117495866B CN 117495866 B CN117495866 B CN 117495866B CN 202410006847 A CN202410006847 A CN 202410006847A CN 117495866 B CN117495866 B CN 117495866B
- Authority
- CN
- China
- Prior art keywords
- gear
- temperature
- roundness
- test
- matrix
- 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 claims abstract description 160
- 230000007547 defect Effects 0.000 title claims abstract description 109
- 238000012360 testing method Methods 0.000 claims abstract description 171
- 239000011159 matrix material Substances 0.000 claims abstract description 163
- 238000009826 distribution Methods 0.000 claims abstract description 121
- 238000004519 manufacturing process Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000013433 optimization analysis Methods 0.000 claims abstract description 10
- 238000011056 performance test Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 81
- 230000008569 process Effects 0.000 description 19
- 239000000306 component Substances 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002277 temperature effect Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机器视觉领域,公开了一种基于机器视觉的齿轮缺陷检测方法及系统,用于提高齿轮缺陷检测的准确率。方法包括:通过初始齿轮生产参数组合获取目标齿轮并进行齿轮性能测试和多模态图像采集,得到每个测试温度的多模态齿轮图像;进行齿轮啮合度检测,得到齿轮啮合度数据;进行齿轮圆度检测,得到齿轮圆度数据;构建齿轮啮合度分布曲线和齿轮圆度分布曲线;进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;进行齿轮生产参数优化分析,得到目标齿轮生产参数组合。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及一种基于机器视觉的齿轮缺陷检测方法及系统。
背景技术
齿轮作为机械传动系统中的核心组件,在各种工业应用中起着关键作用。然而,由于制造过程中的微小缺陷或运行过程中的磨损,齿轮出现各种缺陷,如啮合度不足、齿轮圆度偏差等,导致传动系统效能下降,甚至引发设备故障。
传统的齿轮检测方法主要依赖于人工检查和一些简单的物理测试,这种方法存在着效率低、依赖人工经验、容易出现漏检和误检等问题。随着工业生产的自动化程度不断提高,对自动检测技术的需求也日益增长。传统的人工检测方法已经不能满足高效、准确、大规模生产的要求,因此需要引入自动化的技术手段。
发明内容
本发明提供了一种基于机器视觉的齿轮缺陷检测方法及系统,用于提高齿轮缺陷检测的准确率。
本发明第一方面提供了一种基于机器视觉的齿轮缺陷检测方法,所述基于机器视觉的齿轮缺陷检测方法包括:通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对所述目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线;分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合。
结合第一方面,在本发明第一方面的第一种实现方式中,所述将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据,包括:将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型,所述第一齿轮图像检测模型包括:图像分割层、通道注意力机制层、残差网络以及卷积池化层;通过所述图像分割层分别对每个测试温度对应的多模态齿轮图像进行图像齿轮啮合区域分割,得到每个测试温度对应的齿轮啮合区域图像;通过所述通道注意力机制层分别对每个测试温度对应的齿轮啮合区域图像进行注意力权重分析,得到每个测试温度对应的齿轮啮合注意力特征图;通过所述残差网络分别对每个测试温度对应的齿轮啮合注意力特征图进行残差特征提取,得到每个测试温度对应的齿轮啮合残差特征图;通过所述卷积池化层分别对每个测试温度对应的齿轮啮合残差特征图进行齿轮啮合度特征运算,得到每个测试温度对应的齿轮啮合度数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据,包括:将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型,所述第二齿轮图像检测模型包括:三个卷积神经网络、特征融合层以及特征检测层;通过所述三个卷积神经网络分别对每个测试温度对应的多模态齿轮图像进行多尺度卷积特征运算,得到每个卷积神经网络的齿轮圆度卷积特征图;通过所述特征融合层对每个卷积神经网络的齿轮圆度卷积特征图进行特征融合,得到每个测试温度对应的齿轮圆度融合特征图;通过所述特征检测层对每个测试温度对应的齿轮圆度融合特征图进行齿轮圆度卷积和池化操作,得到每个测试温度对应的齿轮圆度数据。
结合第一方面,在本发明第一方面的第三种实现方式中,所述根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线,包括:获取所述多个测试温度的温度梯度顺序;根据所述温度梯度顺序对所述多个测试温度以及所述齿轮啮合度数据进行匹配,得到温度和齿轮啮合度匹配结果,并根据所述温度梯度顺序对所述多个测试温度以及所述齿轮圆度数据进行匹配,得到温度和齿轮圆度匹配结果;对所述温度和齿轮啮合度匹配结果进行曲线分布映射,得到初始啮合度分布曲线,并对所述温度和齿轮圆度匹配结果进行曲线分布映射,得到初始圆度分布曲线;对所述初始啮合度分布曲线进行曲线平滑处理,得到齿轮啮合度分布曲线,并对所述初始圆度分布曲线进行曲线平滑处理,得到齿轮圆度分布曲线。
结合第一方面,在本发明第一方面的第四种实现方式中,所述分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵,包括:计算所述齿轮啮合度分布曲线中的多个第一特征值,以及计算所述齿轮圆度分布曲线中的多个第二特征值;对所述齿轮啮合度分布曲线进行标准差计算,生成第一目标标准差,并对所述齿轮圆度分布曲线进行标准差计算,生成第二目标标准差;对所述多个第一特征值和所述第一目标标准差进行比较,得到多个第一特征值比较结果,并根据所述多个第一特征值比较结果生成多个齿轮啮合度温度关系特征;对所述多个第二特征值和所述第二目标标准差进行比较,得到多个第二比较结果,并根据所述多个第二比较结果生成多个齿轮圆度温度关系特征;根据所述多个测试温度以及所述多个齿轮啮合度温度关系特征生成多个第一矩阵元素,并根据所述多个第一矩阵元素生成对应的齿轮啮合度温度关系矩阵;根据所述多个测试温度以及所述多个齿轮圆度温度关系特征生成多个第二矩阵元素,并根据所述多个第二矩阵元素生成对应的齿轮圆度温度关系矩阵。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果,包括:将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型,所述多任务神经网络模型包括第一弱分类器、第二弱分类器以及判别网络;将所述齿轮啮合度温度关系矩阵输入所述第一弱分类器,并通过所述第一弱分类器中的双向长短时记忆网络对所述齿轮啮合度温度关系矩阵进行齿轮啮合度的温度影响分析,得到第一温度影响权重矩阵;将所述齿轮圆度温度关系矩阵输入所述第二弱分类器,并通过所述第二弱分类器中的双向门限循环网络对所述齿轮圆度温度关系矩阵进行齿轮圆度的度影响分析,得到第二温度影响权重矩阵;对所述第一温度影响权重矩阵和所述第二温度影响权重矩阵进行矩阵拼接,得到目标温度影响权重矩阵;通过所述判别网络中的多任务学习节点对所述目标温度影响权重矩阵进行齿轮缺陷检测,输出齿轮缺陷检测结果。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合,包括:对所述初始齿轮生产参数组合进行参数属性解析,得到多个齿轮生产属性参数,并对所述多个齿轮生产属性参数进行变量范围定义,得到每个齿轮生产属性参数的优化变量范围;通过预置的矩形分割全局优化算法,根据所述齿轮缺陷检测结果对每个齿轮生产属性参数的优化变量范围进行参数空间搜索,得到每个齿轮生产属性参数的多个候选参数数值;对每个齿轮生产属性参数的多个候选参数数值进行随机组合,得到多个候选齿轮生产参数组合;分别对所述多个候选齿轮生产参数组合进行评价指标计算,得到每个候选齿轮生产参数组合的目标评价指标;根据所述目标评价指标对所述多个候选齿轮生产参数组合进行最优化选取,得到所述目标齿轮的目标齿轮生产参数组合。
本发明第二方面提供了一种基于机器视觉的齿轮缺陷检测系统,所述基于机器视觉的齿轮缺陷检测系统包括:获取模块,用于通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对所述目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;第一检测模块,用于将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;第二检测模块,用于将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;构建模块,用于根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线;特征提取模块,用于分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;处理模块,用于将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;优化模块,用于根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合。
本发明第三方面提供了一种基于机器视觉的齿轮缺陷检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于机器视觉的齿轮缺陷检测设备执行上述的基于机器视觉的齿轮缺陷检测方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于机器视觉的齿轮缺陷检测方法。
本发明提供的技术方案中,通过初始齿轮生产参数组合获取目标齿轮并进行齿轮性能测试和多模态图像采集,得到每个测试温度的多模态齿轮图像;进行齿轮啮合度检测,得到齿轮啮合度数据;进行齿轮圆度检测,得到齿轮圆度数据;构建齿轮啮合度分布曲线和齿轮圆度分布曲线;进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;进行齿轮生产参数优化分析,得到目标齿轮生产参数组合,本发明通过采用多模态图像采集和多任务神经网络模型,能够在多个测试温度下综合分析齿轮的啮合度和圆度,从而实现高精度的齿轮缺陷检测。不同测试温度下的图像数据提供了更全面的信息,有助于提高检测的准确性。通过引入温度梯度顺序和温度影响权重矩阵,该方法能够进行温度影响分析,有效地考虑温度对齿轮性能的影响。这有助于更准确地理解齿轮在不同温度条件下的工作特性,提高缺陷检测的可靠性。采用多特征融合和曲线映射的方法,将齿轮啮合度分布曲线和齿轮圆度分布曲线进行处理,有助于减少噪声和提取关键特征。这样的处理方式增强了对齿轮性能分布的敏感性,为后续的分析提供了更可靠的数据基础。通过引入基于DIRECT的全局优化算法,该方法能够在大范围参数空间内寻找最优的齿轮生产参数组合。这有助于提高齿轮生产的效率和性能,确保生产出质量更高的目标齿轮。通过将缺陷检测结果与初始齿轮生产参数进行综合分析,并采用全局优化算法优化参数,该方法能够在保证缺陷检测准确性的同时,实现对齿轮生产参数的优化,进一步提高了齿轮缺陷检测的准确率。
附图说明
图1为本发明实施例中基于机器视觉的齿轮缺陷检测方法的一个实施例示意图;
图2为本发明实施例中齿轮圆度检测的流程图;
图3为本发明实施例中构建分布曲线的流程图;
图4为本发明实施例中特征提取和矩阵转换的流程图;
图5为本发明实施例中基于机器视觉的齿轮缺陷检测系统的一个实施例示意图;
图6为本发明实施例中基于机器视觉的齿轮缺陷检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于机器视觉的齿轮缺陷检测方法及系统,用于提高齿轮缺陷检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于机器视觉的齿轮缺陷检测方法的一个实施例包括:
S101、通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;
可以理解的是,本发明的执行主体可以为基于机器视觉的齿轮缺陷检测系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,定义齿轮的生产参数,包括齿轮的尺寸、材料、齿数等,这些参数将作为初始齿轮生产参数组合的一部分。这些参数将直接影响齿轮的性能和外观。选择一种适当的方法来制造目标齿轮。这可以包括使用数控机床或其他制造设备,根据预置的初始齿轮生产参数组合来加工目标齿轮。这个过程需要确保参数的准确性和一致性,以便获得可比较的结果。进行齿轮性能测试。这可以包括测试齿轮的承载能力、耐磨性、噪音水平等性能指标。这些测试通常在实验室或工程环境中进行,以模拟实际使用条件。为了获取多模态图像,服务器在不同的测试温度下拍摄目标齿轮的图像。这可以通过使用热箱或温度控制设备来实现。在每个测试温度下,服务器使用不同类型的传感器和相机来采集齿轮的图像,以获得多模态数据。例如,假设服务器要测试一台用于汽车传动系统的齿轮。服务器首先定义齿轮的尺寸、材料和齿数等生产参数。服务器使用数控机床根据这些参数来加工目标齿轮。服务器进行性能测试,包括测试齿轮的耐久性和承载能力。为了获得多模态图像,服务器将目标齿轮放入一个温度控制的测试室中。服务器使用红外相机来捕捉齿轮在不同温度下的热图像,以了解其热性能。同时,服务器还使用可见光相机来拍摄齿轮的外观图像,以检查是否有任何表面缺陷。这些多模态图像将在不同温度下采集,以获得全面的性能和外观信息。这些图像可以用于后续的数据分析和缺陷检测。服务器会得到每个测试温度对应的多模态齿轮图像,用于进一步的分析和检测。通过这种方法,服务器获取多维度的数据,包括性能测试结果和多模态图像,以更全面地评估齿轮的性能和检测潜在的缺陷。这有助于确保生产的齿轮符合质量标准,并有助于提高生产过程的可控性。
S102、将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;
具体的,通过将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型,可以进行齿轮啮合度检测。这个模型包括图像分割层、通道注意力机制层、残差网络和卷积池化层,它们协同工作,从多模态图像中获取齿轮啮合度数据。图像分割层负责将多模态齿轮图像中的齿轮区域从背景中分割出来。这确保了服务器仅对齿轮进行分析,而不考虑背景干扰。这样,服务器得到了每个测试温度对应的齿轮啮合区域图像。通道注意力机制层发挥作用,它分析每个齿轮啮合区域图像,并确定哪些通道或特征对于齿轮啮合度检测最为重要。这有助于模型集中注意力在最相关的特征上,提高了检测的准确性和鲁棒性。残差网络用于特征提取的关键组件。它通过学习齿轮啮合区域图像的细微特征变化,有助于揭示齿轮啮合度的信息。残差网络的输出是每个测试温度对应的齿轮啮合残差特征图,其中包含了齿轮啮合度的相关特征。卷积池化层用于运算齿轮啮合度的特征。这一步骤结合了不同特征图,以产生每个测试温度下的齿轮啮合度数据。这些数据表征了齿轮的啮合情况,反映了齿轮性能的关键方面。
S103、将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;
需要说明的是,将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型,第二齿轮图像检测模型包括:三个卷积神经网络、特征融合层以及特征检测层。多模态齿轮图像被送入三个独立的卷积神经网络中,每个CNN负责处理一个特定的测试温度下的图像。这三个卷积神经网络被设计为多尺度的,以便能够捕捉不同大小和尺度的齿轮特征。每个CNN都执行卷积操作,将原始图像转换为齿轮圆度卷积特征图。卷积特征图包含了有关齿轮形状和圆度的信息,但为了更准确地检测齿轮的圆度,这些特征图需要进行融合。这就是特征融合层的作用。在这一层,卷积特征图从三个卷积神经网络中融合在一起,以确保不同尺度和特征都被充分考虑。这个融合过程可以采用各种方法,例如加权融合或级联融合,具体取决于模型的设计和需求。一旦完成特征融合,融合特征图被送入特征检测层。这一层负责进一步处理特征图,以产生最终的齿轮圆度数据。它执行齿轮圆度卷积操作,这有助于捕捉图像中的关键特征。卷积特征被池化,以降低维度和减少计算复杂性。生成每个测试温度下的齿轮圆度数据。
S104、根据多个测试温度以及齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据多个测试温度以及齿轮圆度数据对应的齿轮圆度分布曲线;
具体的,服务器获取多个测试温度的温度梯度顺序。服务器明确每个测试温度的顺序,通常从低温度到高温度或相反。这一步骤有助于建立温度和齿轮啮合度数据之间的对应关系。根据温度梯度顺序,服务器进行匹配过程,将多个测试温度和齿轮啮合度数据进行匹配。服务器将确保每个测试温度对应相应的齿轮啮合度数据。这种匹配建立了温度和齿轮啮合度之间的关系。类似地,服务器也对多个测试温度和齿轮圆度数据进行匹配,以建立温度和齿轮圆度之间的关联。这确保了服务器在不同温度下拥有正确的齿轮圆度数据。服务器将对温度和齿轮啮合度匹配结果进行曲线分布映射。服务器将这些数据映射到一个分布曲线上,以便更好地理解齿轮啮合度在不同温度下的分布情况。这有助于检测齿轮的性能特征和变化趋势。同样,服务器对温度和齿轮圆度匹配结果进行曲线分布映射,以获得初始的圆度分布曲线。这样,服务器清晰地看到齿轮圆度在不同温度下的分布情况,有助于检测齿轮的圆度特性。服务器对初始的啮合度分布曲线和圆度分布曲线进行曲线平滑处理。这一步骤有助于去除噪音和不必要的波动,使分布曲线更加平稳和可靠。通过这一流程,服务器能够构建温度和齿轮啮合度分布曲线,以及温度和齿轮圆度分布曲线。这些分布曲线是齿轮性能分析的有力工具,可以用于检测潜在的缺陷或问题。例如,如果服务器发现在特定温度下齿轮的圆度分布发生异常变化,这表明齿轮存在问题,需要进一步的检查和维护。
S105、分别对齿轮啮合度分布曲线和齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;
具体的,服务器分别从齿轮啮合度分布曲线和齿轮圆度分布曲线中提取多个特征值。这些特征值反映了分布曲线的形状和性质。服务器将对齿轮啮合度分布曲线进行标准差计算,以生成第一目标标准差。同样,服务器也对齿轮圆度分布曲线进行标准差计算,以生成第二目标标准差。标准差是一种度量分布曲线波动性和散布程度的方法,它有助于了解分布的稳定性和一致性。服务器将多个第一特征值和第一目标标准差进行比较,以得到多个第一特征值比较结果。这些比较结果可以反映齿轮啮合度在不同温度下的变化趋势和特点。类似地,服务器还将多个第二特征值和第二目标标准差进行比较,以获得多个第二特征值比较结果,用于分析齿轮圆度的温度关系。基于这些比较结果,服务器生成多个齿轮啮合度温度关系特征,以描述不同测试温度下的齿轮啮合度特性。这些特征提供了对齿轮性能在温度变化下的响应的洞察。同样,基于第二特征值比较结果,服务器也可以生成多个齿轮圆度温度关系特征,以描述齿轮圆度在不同温度下的变化。根据多个测试温度和齿轮啮合度温度关系特征,服务器生成多个第一矩阵元素,这些元素构成了齿轮啮合度温度关系矩阵。类似地,根据多个测试温度和齿轮圆度温度关系特征,服务器生成多个第二矩阵元素,构成了齿轮圆度温度关系矩阵。这些生成的矩阵和特征提供了有关齿轮性能与温度之间关系的详细信息。它们可以用于分析和监测齿轮系统的性能,检测潜在的缺陷或问题。
S106、将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;
具体的,将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入预置的多任务神经网络模型,多任务神经网络模型包括第一弱分类器、第二弱分类器以及判别网络。将齿轮啮合度温度关系矩阵输入到多任务神经网络模型的第一弱分类器中。这个分类器包括一个双向长短时记忆网络,用于分析齿轮啮合度在不同温度下的温度影响。通过这个过程,服务器得到了第一温度影响权重矩阵,该权重矩阵反映了齿轮啮合度与温度之间的关系。同时,齿轮圆度温度关系矩阵也被输入到多任务神经网络模型的第二弱分类器中。这个分类器包括一个双向门限循环网络,用于分析齿轮圆度在不同温度下的温度影响。通过这个过程,服务器得到了第二温度影响权重矩阵,该权重矩阵反映了齿轮圆度与温度之间的关系。服务器将第一温度影响权重矩阵和第二温度影响权重矩阵进行矩阵拼接,得到目标温度影响权重矩阵。这个目标温度影响权重矩阵综合了齿轮啮合度和齿轮圆度在不同温度下的影响,为后续的齿轮缺陷检测提供了综合信息。服务器将目标温度影响权重矩阵输入到判别网络中的多任务学习节点。这些节点对目标温度影响权重矩阵进行分析,以进行齿轮缺陷检测。检测结果将输出为齿轮是否存在缺陷的信息。
S107、根据齿轮缺陷检测结果对初始齿轮生产参数组合进行齿轮生产参数优化分析,得到目标齿轮的目标齿轮生产参数组合。
具体的,服务器对初始齿轮生产参数组合进行参数属性解析,服务器将这些参数分解为多个齿轮生产属性参数。这些属性参数包括齿轮的材料、尺寸、形状、硬度等。对这些参数进行解析有助于服务器理解它们对齿轮性能的影响。服务器对每个齿轮生产属性参数定义变量范围。这是为了确保在优化过程中,服务器不会超出合理的参数范围。例如,对于齿轮的尺寸参数,服务器定义长度、宽度和高度的变量范围,以确保它们在合理的尺寸内。服务器使用预置的矩形分割全局优化算法,根据齿轮缺陷检测结果,对每个齿轮生产属性参数的优化变量范围进行参数空间搜索。服务器在参数空间中寻找的优化区域,以寻找更好的参数组合。在参数空间搜索后,服务器获得了每个齿轮生产属性参数的多个候选参数数值。这些候选参数数值代表了在考虑齿轮缺陷检测结果的情况下的参数取值。服务器对每个齿轮生产属性参数的多个候选参数数值进行随机组合,以得到多个候选齿轮生产参数组合。这些组合代表了潜在的齿轮生产参数选择。服务器对每个候选齿轮生产参数组合进行评价指标计算。这些评价指标可以包括齿轮性能、质量和耐用性等方面的指标。通过计算这些指标,服务器了解每个候选组合的性能。服务器根据目标评价指标对多个候选齿轮生产参数组合进行最优化选取。服务器选择那些在性能和质量方面表现最佳的参数组合,以确定目标齿轮的最佳生产参数组合。
本发明实施例中,通过采用多模态图像采集和多任务神经网络模型,能够在多个测试温度下综合分析齿轮的啮合度和圆度,从而实现高精度的齿轮缺陷检测。不同测试温度下的图像数据提供了更全面的信息,有助于提高检测的准确性。通过引入温度梯度顺序和温度影响权重矩阵,该方法能够进行温度影响分析,有效地考虑温度对齿轮性能的影响。这有助于更准确地理解齿轮在不同温度条件下的工作特性,提高缺陷检测的可靠性。采用多特征融合和曲线映射的方法,将齿轮啮合度分布曲线和齿轮圆度分布曲线进行处理,有助于减少噪声和提取关键特征。这样的处理方式增强了对齿轮性能分布的敏感性,为后续的分析提供了更可靠的数据基础。通过引入基于DIRECT的全局优化算法,该方法能够在大范围参数空间内寻找最优的齿轮生产参数组合。这有助于提高齿轮生产的效率和性能,确保生产出质量更高的目标齿轮。通过将缺陷检测结果与初始齿轮生产参数进行综合分析,并采用全局优化算法优化参数,该方法能够在保证缺陷检测准确性的同时,实现对齿轮生产参数的优化,进一步提高了齿轮缺陷检测的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型,第一齿轮图像检测模型包括:图像分割层、通道注意力机制层、残差网络以及卷积池化层;
(2)通过图像分割层分别对每个测试温度对应的多模态齿轮图像进行图像齿轮啮合区域分割,得到每个测试温度对应的齿轮啮合区域图像;
(3)通过通道注意力机制层分别对每个测试温度对应的齿轮啮合区域图像进行注意力权重分析,得到每个测试温度对应的齿轮啮合注意力特征图;
(4)通过残差网络分别对每个测试温度对应的齿轮啮合注意力特征图进行残差特征提取,得到每个测试温度对应的齿轮啮合残差特征图;
(5)通过卷积池化层分别对每个测试温度对应的齿轮啮合残差特征图进行齿轮啮合度特征运算,得到每个测试温度对应的齿轮啮合度数据。
具体的,将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型,第一齿轮图像检测模型包括:图像分割层、通道注意力机制层、残差网络以及卷积池化层。服务器使用图像分割层来处理每个测试温度对应的多模态齿轮图像,以进行齿轮啮合区域的分割。这一步骤有助于将齿轮的啮合区域从整个图像中提取出来,使后续的分析更为精确。每个测试温度都对应着一个齿轮啮合区域图像,其中包含了服务器感兴趣的齿轮部分。通过通道注意力机制层,服务器对每个测试温度对应的齿轮啮合区域图像进行注意力权重分析。这一层有助于识别和强调对齿轮啮合度检测最为重要的特征通道。通过这种方式,服务器集中注意力于最具信息量的图像特征,提高齿轮啮合度的检测性能。随后,服务器使用残差网络对每个测试温度对应的齿轮啮合注意力特征图进行残差特征提取。残差网络是一种深度学习架构,可用于学习和捕获特征之间的关键差异。在这一步骤中,服务器提取出与齿轮啮合相关的特征,以进一步提高检测的准确性。通过卷积池化层,服务器对每个测试温度对应的齿轮啮合残差特征图进行齿轮啮合度特征运算。卷积池化是一种常用的图像处理技术,用于减小特征图的维度,并提取最显著的特征。在这一步骤中,服务器计算每个测试温度对应的齿轮啮合度数据,这将作为检测结果。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型,第二齿轮图像检测模型包括:三个卷积神经网络、特征融合层以及特征检测层;
S202、通过三个卷积神经网络分别对每个测试温度对应的多模态齿轮图像进行多尺度卷积特征运算,得到每个卷积神经网络的齿轮圆度卷积特征图;
S203、通过特征融合层对每个卷积神经网络的齿轮圆度卷积特征图进行特征融合,得到每个测试温度对应的齿轮圆度融合特征图;
S204、通过特征检测层对每个测试温度对应的齿轮圆度融合特征图进行齿轮圆度卷积和池化操作,得到每个测试温度对应的齿轮圆度数据。
具体的,服务器将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型。这个检测模型由三个关键组件构成:卷积神经网络(CNNs),特征融合层和特征检测层。卷积神经网络(CNNs)是深度学习的核心组成部分,用于图像特征提取。服务器使用三个CNN分别对每个测试温度对应的多模态齿轮图像进行多尺度卷积特征运算。这说明服务器在不同尺度下对图像进行卷积操作,以捕获各种细节和特征。每个CNN将生成一个齿轮圆度卷积特征图,其中包含有关齿轮形状和圆度的信息。服务器通过特征融合层将这些卷积特征图合并成一个融合特征图。特征融合有助于整合不同尺度和方面的信息,提供更全面的齿轮圆度特征。这个融合特征图是多模态图像的表示,其中包含了多个CNN的卷积输出,它们已经学习到了不同层次的图像特征。服务器通过特征检测层对融合特征图进行齿轮圆度卷积和池化操作。卷积操作有助于进一步提取特征,而池化操作则用于减小特征图的维度,减少计算复杂性,并提高计算效率。这个过程将每个测试温度对应的多模态齿轮图像转化为齿轮圆度数据。通过结合不同尺度下的图像信息和多个CNN的卷积输出,服务器能够更全面地捕获齿轮的圆度特征。这对于齿轮生产中的质量控制和性能评估非常重要,因为它可以检测到微小的圆度缺陷,从而确保齿轮的精确性和可靠性。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、获取多个测试温度的温度梯度顺序;
S302、根据温度梯度顺序对多个测试温度以及齿轮啮合度数据进行匹配,得到温度和齿轮啮合度匹配结果,并根据温度梯度顺序对多个测试温度以及齿轮圆度数据进行匹配,得到温度和齿轮圆度匹配结果;
S303、对温度和齿轮啮合度匹配结果进行曲线分布映射,得到初始啮合度分布曲线,并对温度和齿轮圆度匹配结果进行曲线分布映射,得到初始圆度分布曲线;
S304、对初始啮合度分布曲线进行曲线平滑处理,得到齿轮啮合度分布曲线,并对初始圆度分布曲线进行曲线平滑处理,得到齿轮圆度分布曲线。
具体的,服务器获取多个测试温度的温度梯度顺序。这些测试温度可以代表在不同工作条件下进行的齿轮测试。温度梯度顺序的获得可以通过监测和记录实验环境中的温度变化来实现。服务器根据温度梯度顺序对多个测试温度以及齿轮啮合度数据进行匹配。将每个测试温度与相应的齿轮啮合度数据关联起来,以建立温度和齿轮啮合度之间的联系。这一步的目的是为了了解温度对齿轮啮合度的影响。同样地,服务器也根据温度梯度顺序对多个测试温度以及齿轮圆度数据进行匹配。这一步的目的是建立温度和齿轮圆度之间的关系,以便进一步的分析。服务器对温度和齿轮啮合度匹配结果进行曲线分布映射。服务器将匹配结果转化为曲线形式,其中温度是自变量,齿轮啮合度是因变量。这样的曲线可以反映温度变化对齿轮啮合度的影响。同样,服务器也对温度和齿轮圆度匹配结果进行曲线分布映射,以得到圆度和温度之间的关系。服务器对初始啮合度分布曲线和初始圆度分布曲线进行曲线平滑处理。曲线平滑有助于去除噪音和不必要的波动,使得齿轮啮合度和圆度的分布曲线更加平滑和稳定。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、计算齿轮啮合度分布曲线中的多个第一特征值,以及计算齿轮圆度分布曲线中的多个第二特征值;
S402、对齿轮啮合度分布曲线进行标准差计算,生成第一目标标准差,并对齿轮圆度分布曲线进行标准差计算,生成第二目标标准差;
S403、对多个第一特征值和第一目标标准差进行比较,得到多个第一特征值比较结果,并根据多个第一特征值比较结果生成多个齿轮啮合度温度关系特征;
S404、对多个第二特征值和第二目标标准差进行比较,得到多个第二比较结果,并根据多个第二比较结果生成多个齿轮圆度温度关系特征;
S405、根据多个测试温度以及多个齿轮啮合度温度关系特征生成多个第一矩阵元素,并根据多个第一矩阵元素生成对应的齿轮啮合度温度关系矩阵;
S406、根据多个测试温度以及多个齿轮圆度温度关系特征生成多个第二矩阵元素,并根据多个第二矩阵元素生成对应的齿轮圆度温度关系矩阵。
具体的,服务器从齿轮啮合度分布曲线中计算多个第一特征值。这些特征值可以代表分布曲线的不同方面,如峰值、均值、分散度等。这些特征值的计算可以提供有关齿轮啮合度分布的重要信息。同样,服务器也从齿轮圆度分布曲线中计算多个第二特征值。这些特征值可以反映齿轮的圆度特性,例如最大偏差、平均偏差等。这些特征值的计算有助于了解齿轮的圆度分布。服务器对齿轮啮合度分布曲线进行标准差计算,以生成第一目标标准差。标准差是一种衡量分布数据离散程度的统计指标。同样,服务器也对齿轮圆度分布曲线进行标准差计算,以生成第二目标标准差。这些标准差值可以提供有关分布曲线的离散程度的信息。服务器将多个第一特征值和第一目标标准差进行比较。这一比较可以产生多个第一特征值比较结果,其中包括了对齿轮啮合度分布曲线的不同特征的评估。根据这些比较结果,服务器生成多个齿轮啮合度温度关系特征,以反映齿轮啮合度分布和温度之间的关系。同样地,服务器也对多个第二特征值和第二目标标准差进行比较,得到多个第二比较结果。这些结果反映了齿轮圆度分布的不同特征在不同温度下的表现。基于这些比较结果,服务器生成多个齿轮圆度温度关系特征,以揭示齿轮圆度分布与温度之间的联系。服务器使用多个测试温度和多个齿轮啮合度温度关系特征生成多个第一矩阵元素,然后根据这些矩阵元素生成对应的齿轮啮合度温度关系矩阵。这个矩阵可以帮助服务器理解齿轮啮合度在不同温度下的变化趋势。类似地,服务器使用多个测试温度和多个齿轮圆度温度关系特征生成多个第二矩阵元素,然后根据这些元素生成对应的齿轮圆度温度关系矩阵。这个矩阵有助于服务器了解齿轮圆度随温度的变化情况。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入预置的多任务神经网络模型,多任务神经网络模型包括第一弱分类器、第二弱分类器以及判别网络;
(2)将齿轮啮合度温度关系矩阵输入第一弱分类器,并通过第一弱分类器中的双向长短时记忆网络对齿轮啮合度温度关系矩阵进行齿轮啮合度的温度影响分析,得到第一温度影响权重矩阵;
(3)将齿轮圆度温度关系矩阵输入第二弱分类器,并通过第二弱分类器中的双向门限循环网络对齿轮圆度温度关系矩阵进行齿轮圆度的度影响分析,得到第二温度影响权重矩阵;
(4)对第一温度影响权重矩阵和第二温度影响权重矩阵进行矩阵拼接,得到目标温度影响权重矩阵;
(5)通过判别网络中的多任务学习节点对目标温度影响权重矩阵进行齿轮缺陷检测,输出齿轮缺陷检测结果。
具体的,服务器将齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵输入到预置的多任务神经网络模型中。这个模型包括第一弱分类器、第二弱分类器以及判别网络,这三部分共同协作以执行不同的任务。服务器将齿轮啮合度温度关系矩阵输入到第一弱分类器中,其中包括一个双向长短时记忆网络(双向LSTM)。这个网络被用来对齿轮啮合度温度关系矩阵进行分析,以了解齿轮啮合度在不同温度下的变化情况。这个分析会产生第一温度影响权重矩阵,它描述了温度对于齿轮啮合度的影响。同样,服务器将齿轮圆度温度关系矩阵输入到第二弱分类器中,其中包括一个双向门限循环网络。这个网络用于分析齿轮圆度温度关系矩阵,以理解齿轮圆度在不同温度下的变化。这个分析生成第二温度影响权重矩阵,它描述了温度对于齿轮圆度的影响。服务器将第一温度影响权重矩阵和第二温度影响权重矩阵进行矩阵拼接,以生成目标温度影响权重矩阵。这个矩阵综合考虑了温度对齿轮啮合度和圆度的综合影响。服务器使用判别网络中的多任务学习节点对目标温度影响权重矩阵进行齿轮缺陷检测。这个判别网络能够综合考虑齿轮的温度影响,从而输出齿轮缺陷检测结果。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)对初始齿轮生产参数组合进行参数属性解析,得到多个齿轮生产属性参数,并对多个齿轮生产属性参数进行变量范围定义,得到每个齿轮生产属性参数的优化变量范围;
(2)通过预置的矩形分割全局优化算法,根据齿轮缺陷检测结果对每个齿轮生产属性参数的优化变量范围进行参数空间搜索,得到每个齿轮生产属性参数的多个候选参数数值;
(3)对每个齿轮生产属性参数的多个候选参数数值进行随机组合,得到多个候选齿轮生产参数组合;
(4)分别对多个候选齿轮生产参数组合进行评价指标计算,得到每个候选齿轮生产参数组合的目标评价指标;
(5)根据目标评价指标对多个候选齿轮生产参数组合进行最优化选取,得到目标齿轮的目标齿轮生产参数组合。
具体的,对初始齿轮生产参数组合进行参数属性解析。将齿轮生产参数组合拆分为多个不同的属性参数,这些属性参数可以影响齿轮的质量和性能。这些属性参数可以包括齿轮的材料、尺寸、温度、生产速度等等。通过解析这些参数,服务器更好地理解它们对齿轮的影响。对这些多个齿轮生产属性参数进行变量范围定义。目的是确定每个属性参数的取值范围,以确保参数不会超出合理范围。例如,尺寸参数的变量范围可以是特定的尺寸范围,温度参数的变量范围可以是合理的温度范围。这有助于确保参数的合理性。服务器使用预置的矩形分割全局优化算法,根据齿轮缺陷检测结果对每个齿轮生产属性参数的优化变量范围进行参数空间搜索。服务器根据齿轮缺陷检测的结果来调整属性参数的取值范围,以降低齿轮缺陷的风险。如果缺陷检测结果表明某些参数范围需要调整,算法将自动搜索新的参数范围。服务器对每个齿轮生产属性参数的多个候选参数数值进行随机组合。这一步是为了生成多个潜在的齿轮生产参数组合,以进行后续的评估。服务器针对每个候选齿轮生产参数组合执行评价指标计算。这些评价指标可以包括齿轮的质量、性能、成本等方面的度量。通过评估每个组合,服务器了解它们在各个方面的表现。根据目标评价指标对多个候选齿轮生产参数组合进行最优化选取。这一步是为了找到最佳的齿轮生产参数组合,以获得目标齿轮的所需质量和性能。这可以通过多目标优化算法来实现,以综合考虑各种评价指标,以找到最佳的参数组合。
上面对本发明实施例中基于机器视觉的齿轮缺陷检测方法进行了描述,下面对本发明实施例中基于机器视觉的齿轮缺陷检测系统进行描述,请参阅图5,本发明实施例中基于机器视觉的齿轮缺陷检测系统一个实施例包括:
获取模块501,用于通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对所述目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;
第一检测模块502,用于将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;
第二检测模块503,用于将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;
构建模块504,用于根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线;
特征提取模块505,用于分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;
处理模块506,用于将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;
优化模块507,用于根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合。
通过上述各个组成部分的协同合作,通过采用多模态图像采集和多任务神经网络模型,能够在多个测试温度下综合分析齿轮的啮合度和圆度,从而实现高精度的齿轮缺陷检测。不同测试温度下的图像数据提供了更全面的信息,有助于提高检测的准确性。通过引入温度梯度顺序和温度影响权重矩阵,该方法能够进行温度影响分析,有效地考虑温度对齿轮性能的影响。这有助于更准确地理解齿轮在不同温度条件下的工作特性,提高缺陷检测的可靠性。采用多特征融合和曲线映射的方法,将齿轮啮合度分布曲线和齿轮圆度分布曲线进行处理,有助于减少噪声和提取关键特征。这样的处理方式增强了对齿轮性能分布的敏感性,为后续的分析提供了更可靠的数据基础。通过引入基于DIRECT的全局优化算法,该方法能够在大范围参数空间内寻找最优的齿轮生产参数组合。这有助于提高齿轮生产的效率和性能,确保生产出质量更高的目标齿轮。通过将缺陷检测结果与初始齿轮生产参数进行综合分析,并采用全局优化算法优化参数,该方法能够在保证缺陷检测准确性的同时,实现对齿轮生产参数的优化,进一步提高了齿轮缺陷检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于机器视觉的齿轮缺陷检测系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于机器视觉的齿轮缺陷检测设备进行详细描述。
图6是本发明实施例提供的一种基于机器视觉的齿轮缺陷检测设备的结构示意图,该基于机器视觉的齿轮缺陷检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于机器视觉的齿轮缺陷检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于机器视觉的齿轮缺陷检测设备600上执行存储介质630中的一系列指令操作。
基于机器视觉的齿轮缺陷检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于机器视觉的齿轮缺陷检测设备结构并不构成对基于机器视觉的齿轮缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于机器视觉的齿轮缺陷检测设备,所述基于机器视觉的齿轮缺陷检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于机器视觉的齿轮缺陷检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于机器视觉的齿轮缺陷检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于机器视觉的齿轮缺陷检测方法,其特征在于,所述基于机器视觉的齿轮缺陷检测方法包括:
通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对所述目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;
将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;
将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;
根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线;具体包括:获取所述多个测试温度的温度梯度顺序;根据所述温度梯度顺序对所述多个测试温度以及所述齿轮啮合度数据进行匹配,得到温度和齿轮啮合度匹配结果,并根据所述温度梯度顺序对所述多个测试温度以及所述齿轮圆度数据进行匹配,得到温度和齿轮圆度匹配结果;对所述温度和齿轮啮合度匹配结果进行曲线分布映射,得到初始啮合度分布曲线,并对所述温度和齿轮圆度匹配结果进行曲线分布映射,得到初始圆度分布曲线;对所述初始啮合度分布曲线进行曲线平滑处理,得到齿轮啮合度分布曲线,并对所述初始圆度分布曲线进行曲线平滑处理,得到齿轮圆度分布曲线;
分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;具体包括:计算所述齿轮啮合度分布曲线中的多个第一特征值,以及计算所述齿轮圆度分布曲线中的多个第二特征值;对所述齿轮啮合度分布曲线进行标准差计算,生成第一目标标准差,并对所述齿轮圆度分布曲线进行标准差计算,生成第二目标标准差;对所述多个第一特征值和所述第一目标标准差进行比较,得到多个第一特征值比较结果,并根据所述多个第一特征值比较结果生成多个齿轮啮合度温度关系特征;对所述多个第二特征值和所述第二目标标准差进行比较,得到多个第二比较结果,并根据所述多个第二比较结果生成多个齿轮圆度温度关系特征;根据所述多个测试温度以及所述多个齿轮啮合度温度关系特征生成多个第一矩阵元素,并根据所述多个第一矩阵元素生成对应的齿轮啮合度温度关系矩阵;根据所述多个测试温度以及所述多个齿轮圆度温度关系特征生成多个第二矩阵元素,并根据所述多个第二矩阵元素生成对应的齿轮圆度温度关系矩阵;
将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;具体包括:将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型,所述多任务神经网络模型包括第一弱分类器、第二弱分类器以及判别网络;将所述齿轮啮合度温度关系矩阵输入所述第一弱分类器,并通过所述第一弱分类器中的双向长短时记忆网络对所述齿轮啮合度温度关系矩阵进行齿轮啮合度的温度影响分析,得到第一温度影响权重矩阵;将所述齿轮圆度温度关系矩阵输入所述第二弱分类器,并通过所述第二弱分类器中的双向门限循环网络对所述齿轮圆度温度关系矩阵进行齿轮圆度的度影响分析,得到第二温度影响权重矩阵;对所述第一温度影响权重矩阵和所述第二温度影响权重矩阵进行矩阵拼接,得到目标温度影响权重矩阵;通过所述判别网络中的多任务学习节点对所述目标温度影响权重矩阵进行齿轮缺陷检测,输出齿轮缺陷检测结果;
根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合。
2.根据权利要求1所述的基于机器视觉的齿轮缺陷检测方法,其特征在于,所述将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据,包括:
将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型,所述第一齿轮图像检测模型包括:图像分割层、通道注意力机制层、残差网络以及卷积池化层;
通过所述图像分割层分别对每个测试温度对应的多模态齿轮图像进行图像齿轮啮合区域分割,得到每个测试温度对应的齿轮啮合区域图像;
通过所述通道注意力机制层分别对每个测试温度对应的齿轮啮合区域图像进行注意力权重分析,得到每个测试温度对应的齿轮啮合注意力特征图;
通过所述残差网络分别对每个测试温度对应的齿轮啮合注意力特征图进行残差特征提取,得到每个测试温度对应的齿轮啮合残差特征图;
通过所述卷积池化层分别对每个测试温度对应的齿轮啮合残差特征图进行齿轮啮合度特征运算,得到每个测试温度对应的齿轮啮合度数据。
3.根据权利要求1所述的基于机器视觉的齿轮缺陷检测方法,其特征在于,所述将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据,包括:
将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型,所述第二齿轮图像检测模型包括:三个卷积神经网络、特征融合层以及特征检测层;
通过所述三个卷积神经网络分别对每个测试温度对应的多模态齿轮图像进行多尺度卷积特征运算,得到每个卷积神经网络的齿轮圆度卷积特征图;
通过所述特征融合层对每个卷积神经网络的齿轮圆度卷积特征图进行特征融合,得到每个测试温度对应的齿轮圆度融合特征图;
通过所述特征检测层对每个测试温度对应的齿轮圆度融合特征图进行齿轮圆度卷积和池化操作,得到每个测试温度对应的齿轮圆度数据。
4.根据权利要求1所述的基于机器视觉的齿轮缺陷检测方法,其特征在于,所述根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合,包括:
对所述初始齿轮生产参数组合进行参数属性解析,得到多个齿轮生产属性参数,并对所述多个齿轮生产属性参数进行变量范围定义,得到每个齿轮生产属性参数的优化变量范围;
通过预置的矩形分割全局优化算法,根据所述齿轮缺陷检测结果对每个齿轮生产属性参数的优化变量范围进行参数空间搜索,得到每个齿轮生产属性参数的多个候选参数数值;
对每个齿轮生产属性参数的多个候选参数数值进行随机组合,得到多个候选齿轮生产参数组合;
分别对所述多个候选齿轮生产参数组合进行评价指标计算,得到每个候选齿轮生产参数组合的目标评价指标;
根据所述目标评价指标对所述多个候选齿轮生产参数组合进行最优化选取,得到所述目标齿轮的目标齿轮生产参数组合。
5.一种基于机器视觉的齿轮缺陷检测系统,其特征在于,所述基于机器视觉的齿轮缺陷检测系统包括:
获取模块,用于通过预置的初始齿轮生产参数组合获取待检测的目标齿轮,并基于多个测试温度分别对所述目标齿轮进行齿轮性能测试和多模态图像采集,得到每个测试温度对应的多模态齿轮图像;
第一检测模块,用于将每个测试温度对应的多模态齿轮图像输入预置的第一齿轮图像检测模型进行齿轮啮合度检测,得到每个测试温度对应的齿轮啮合度数据;
第二检测模块,用于将每个测试温度对应的多模态齿轮图像输入预置的第二齿轮图像检测模型进行齿轮圆度检测,得到每个测试温度对应的齿轮圆度数据;
构建模块,用于根据所述多个测试温度以及所述齿轮啮合度数据构建对应的齿轮啮合度分布曲线,并根据所述多个测试温度以及所述齿轮圆度数据对应的齿轮圆度分布曲线;具体包括:获取所述多个测试温度的温度梯度顺序;根据所述温度梯度顺序对所述多个测试温度以及所述齿轮啮合度数据进行匹配,得到温度和齿轮啮合度匹配结果,并根据所述温度梯度顺序对所述多个测试温度以及所述齿轮圆度数据进行匹配,得到温度和齿轮圆度匹配结果;对所述温度和齿轮啮合度匹配结果进行曲线分布映射,得到初始啮合度分布曲线,并对所述温度和齿轮圆度匹配结果进行曲线分布映射,得到初始圆度分布曲线;对所述初始啮合度分布曲线进行曲线平滑处理,得到齿轮啮合度分布曲线,并对所述初始圆度分布曲线进行曲线平滑处理,得到齿轮圆度分布曲线;
特征提取模块,用于分别对所述齿轮啮合度分布曲线和所述齿轮圆度分布曲线进行特征提取和矩阵转换,得到齿轮啮合度温度关系矩阵和齿轮圆度温度关系矩阵;具体包括:计算所述齿轮啮合度分布曲线中的多个第一特征值,以及计算所述齿轮圆度分布曲线中的多个第二特征值;对所述齿轮啮合度分布曲线进行标准差计算,生成第一目标标准差,并对所述齿轮圆度分布曲线进行标准差计算,生成第二目标标准差;对所述多个第一特征值和所述第一目标标准差进行比较,得到多个第一特征值比较结果,并根据所述多个第一特征值比较结果生成多个齿轮啮合度温度关系特征;对所述多个第二特征值和所述第二目标标准差进行比较,得到多个第二比较结果,并根据所述多个第二比较结果生成多个齿轮圆度温度关系特征;根据所述多个测试温度以及所述多个齿轮啮合度温度关系特征生成多个第一矩阵元素,并根据所述多个第一矩阵元素生成对应的齿轮啮合度温度关系矩阵;根据所述多个测试温度以及所述多个齿轮圆度温度关系特征生成多个第二矩阵元素,并根据所述多个第二矩阵元素生成对应的齿轮圆度温度关系矩阵;
处理模块,用于将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型进行齿轮缺陷检测,得到齿轮缺陷检测结果;具体包括:将所述齿轮啮合度温度关系矩阵和所述齿轮圆度温度关系矩阵输入预置的多任务神经网络模型,所述多任务神经网络模型包括第一弱分类器、第二弱分类器以及判别网络;将所述齿轮啮合度温度关系矩阵输入所述第一弱分类器,并通过所述第一弱分类器中的双向长短时记忆网络对所述齿轮啮合度温度关系矩阵进行齿轮啮合度的温度影响分析,得到第一温度影响权重矩阵;将所述齿轮圆度温度关系矩阵输入所述第二弱分类器,并通过所述第二弱分类器中的双向门限循环网络对所述齿轮圆度温度关系矩阵进行齿轮圆度的度影响分析,得到第二温度影响权重矩阵;对所述第一温度影响权重矩阵和所述第二温度影响权重矩阵进行矩阵拼接,得到目标温度影响权重矩阵;通过所述判别网络中的多任务学习节点对所述目标温度影响权重矩阵进行齿轮缺陷检测,输出齿轮缺陷检测结果;
优化模块,用于根据所述齿轮缺陷检测结果对所述初始齿轮生产参数组合进行齿轮生产参数优化分析,得到所述目标齿轮的目标齿轮生产参数组合。
6.一种基于机器视觉的齿轮缺陷检测设备,其特征在于,所述基于机器视觉的齿轮缺陷检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于机器视觉的齿轮缺陷检测设备执行如权利要求1-4中任一项所述的基于机器视觉的齿轮缺陷检测方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于机器视觉的齿轮缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006847.4A CN117495866B (zh) | 2024-01-03 | 2024-01-03 | 基于机器视觉的齿轮缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006847.4A CN117495866B (zh) | 2024-01-03 | 2024-01-03 | 基于机器视觉的齿轮缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495866A CN117495866A (zh) | 2024-02-02 |
CN117495866B true CN117495866B (zh) | 2024-03-15 |
Family
ID=89683430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410006847.4A Active CN117495866B (zh) | 2024-01-03 | 2024-01-03 | 基于机器视觉的齿轮缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495866B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110976830A (zh) * | 2019-12-06 | 2020-04-10 | 北京科技大学 | 一种铝合金换挡毂铸造缺陷的控制方法 |
CN111462038A (zh) * | 2020-02-26 | 2020-07-28 | 东莞理工学院 | 一种基于深度学习的风机齿轮缺陷检测方法 |
KR20220129755A (ko) * | 2021-03-17 | 2022-09-26 | 주식회사 글로비즈 | 기어박스의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치 |
CN115761455A (zh) * | 2022-11-15 | 2023-03-07 | 长春吉星印务有限责任公司 | 一种基于数据采集定量分析的产品缺陷监测系统 |
CN116167968A (zh) * | 2022-12-12 | 2023-05-26 | 天津大学 | H型钢表面缺陷检测方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4193235A1 (en) * | 2020-04-13 | 2023-06-14 | Aiberry, Inc. | Multimodal analysis combining monitoring modalities to elicit cognitive states and perform screening for mental disorders |
-
2024
- 2024-01-03 CN CN202410006847.4A patent/CN117495866B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110976830A (zh) * | 2019-12-06 | 2020-04-10 | 北京科技大学 | 一种铝合金换挡毂铸造缺陷的控制方法 |
CN111462038A (zh) * | 2020-02-26 | 2020-07-28 | 东莞理工学院 | 一种基于深度学习的风机齿轮缺陷检测方法 |
KR20220129755A (ko) * | 2021-03-17 | 2022-09-26 | 주식회사 글로비즈 | 기어박스의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치 |
CN115761455A (zh) * | 2022-11-15 | 2023-03-07 | 长春吉星印务有限责任公司 | 一种基于数据采集定量分析的产品缺陷监测系统 |
CN116167968A (zh) * | 2022-12-12 | 2023-05-26 | 天津大学 | H型钢表面缺陷检测方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
面向生产现场的注塑齿轮快速分选检测系统;童爱军等;《光学精密工程》;20200930;第28卷(第09期);第2017-2026页 * |
面齿轮齿面拓扑修形设计与接触性能分析;王得峰等;《现代制造工程》;20230831(第08期);第108-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495866A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110303380B (zh) | 一种数控机床刀具剩余寿命预测方法 | |
Kaya et al. | Process capability analyses based on fuzzy measurements and fuzzy control charts | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
TW202012905A (zh) | 刀具磨耗監控方法 | |
TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
CN101718528A (zh) | 基于数字图像的快速求解圆参数方法 | |
CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN113009823A (zh) | 用于控制机器的方法和设备 | |
KR20220067897A (ko) | IoT를 기반으로 하는 이상 탐지 방법 및 그 장치 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN117495866B (zh) | 基于机器视觉的齿轮缺陷检测方法及系统 | |
CN117131364B (zh) | 一种滚动轴承的工艺检测集成方法及系统 | |
CN112884348B (zh) | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
JP2018124667A (ja) | 生産工程分析装置及びこれを用いる生産管理システム | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
CN115345256A (zh) | 应用于智能制造的工业产品测试系统 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
Wang et al. | Thermal error modeling of a machine tool using data mining scheme | |
CN113435106A (zh) | 一种过渡模态操作故障检测方法和系统 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
CN117294824B (zh) | 激光投影光机的图像优化方法、装置、设备及存储介质 | |
CN117109909B (zh) | 一种大轴径半剖式机械密封性能检测预警方法及系统 | |
CN117726241B (zh) | 建筑结构质量检测方法、设备及存储介质 |
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 |