CN114820611A - 基于人工智能的机械零件质量评估方法及*** - Google Patents

基于人工智能的机械零件质量评估方法及*** Download PDF

Info

Publication number
CN114820611A
CN114820611A CN202210744728.XA CN202210744728A CN114820611A CN 114820611 A CN114820611 A CN 114820611A CN 202210744728 A CN202210744728 A CN 202210744728A CN 114820611 A CN114820611 A CN 114820611A
Authority
CN
China
Prior art keywords
distribution
sliding window
image information
mechanical part
artificial intelligence
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
Application number
CN202210744728.XA
Other languages
English (en)
Other versions
CN114820611B (zh
Inventor
徐军
谢昌萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Hengqiang Mill Roll Co ltd
Original Assignee
Nantong Hengqiang Mill Roll Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Hengqiang Mill Roll Co ltd filed Critical Nantong Hengqiang Mill Roll Co ltd
Priority to CN202210744728.XA priority Critical patent/CN114820611B/zh
Publication of CN114820611A publication Critical patent/CN114820611A/zh
Application granted granted Critical
Publication of CN114820611B publication Critical patent/CN114820611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及缺陷检测领域，具体涉及基于人工智能的机械零件质量评估方法及***，该方法利用光学手段，具体是利用可见光手段采集可见光图像以此测试或分析机械零件，具体是测试机械零件的瑕疵或者缺陷的存在，对机械零件的质量进行评估，具体为：获取机械零件表面的可见光图像，获取可见光图像的ROI区域，提取ROI区域的各通道图像信息，并得到与其对应的转换图像；获取各转换图像在不同滑窗方向下对应的分布曲面，得到分布曲面的特征向量，计算特征向量的权重，得到各通道图像信息的分布特征参数；获取标准机械零件的标准分布特征参数，对机械零件的质量进行评估；同时，该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化等。

Description

基于人工智能的机械零件质量评估方法及***
技术领域
本发明涉及缺陷检测技术领域，具体涉及基于人工智能的机械零件质量评估方法及***。
背景技术
机械零件在生产制造和加工的过程中，由于操作人员、机器设备、工作环境等多种外界因素以及零件材质自身因素的影响，会导致零件表面出现各种各样的瑕疵缺陷；例如：表面凸凹不平、瑕疵点明显、存在划痕；由于机械零件在机械***中多用于承担一定压力或者进行大量的往复运动，一旦这些具有异常缺陷的机械零件被使用，则有可能导致整个机械***崩溃；因此，对机械零件进行质量检测的这一环节极为重要。目前大多制造商是将零件放置在固定的工作台上进行人工检测，这种检测方法不仅人工成本高，人员劳动强度大，且人工检测极易受检测员身体状况的影响，致使检测精度较低，出现较高的误检率。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于人工智能的机械零件质量评估方法，所采用的技术方案具体如下：
获取包含机械零件的RGB图像信息，提取所述RGB图像信息的ROI区域，所述ROI区域为机械零件所在区域；
对所述ROI区域进行信息处理，得到ROI区域对应的R通道图像信息、G通道图像信息和B通道图像信息；分别对R通道图像信息、G通道图像信息和B通道图像信息中的各像素点进行像素值转换，得到各像素点对应的转换像素值，进而获取各通道图像信息对应的转换图像；
根据转换像素值的大小按顺序对所述转换像素值依次进行赋值，得到多个赋值结果，将所述赋值结果作为集合中的元素，得到集合；任意选取集合中的一个或两个元素组成二元组，其中，当任意选取集合中的一个元素组成二元组时，该二元组对应两个相同的元素，当任意选取集合中的两个元素组成二元组时，该二元组对应两个不同的元素；利用尺寸为1×2的滑窗在不同滑窗方向对其中一转换图像进行滑窗操作，根据各二元组在其中一滑窗方向对应的滑窗过程中出现的概率，获取其中一转换图像在该滑窗方向对应的分布曲面，进而获取各转换图像在不同滑窗方向下对应的分布曲面。
计算所述分布曲面对应的第一分布指标与第二分布指标，根据第一分布指标与第二分布指标，得到分布曲面对应的特征向量；
根据所述ROI区域，计算不同滑窗方向对应分布曲面的特征向量的权重，根据所述权重，得到各通道图像信息对应的分布特征参数；
获取标准机械零件对应的标准分布特征参数，根据所述分布特征参数与标准分布特征参数，对机械零件的质量进行评估。
进一步地，所述转换像素值的获取方法为：比较像素点与其8邻域像素点的值的大小，将值大于该像素点的值对应的像素点记为1，将值小于该像素点对应的像素点记为0，将邻域像素点按照从左往右从上往下的顺序依次排序组成二进制数，将二进制数转为十进制作为该像素点的转换像素值。
进一步地，所述分布曲面的获取方法为：
建立三维坐标系，所述三维坐标系的x轴为元素，三维坐标系的y轴为元素，三维坐标系的z轴为二元组出现的概率，根据三维坐标系获取分布曲面。
进一步地，所述第一分布指标为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
，
Figure 100002_DEST_PATH_IMAGE006
为元素
Figure 100002_DEST_PATH_IMAGE008
与元素
Figure 100002_DEST_PATH_IMAGE010
组成的二元组，
Figure 100002_DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure 100002_DEST_PATH_IMAGE014
为二元组
Figure 100002_DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率。
进一步地，所述第二分布指标为：
Figure 100002_DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE020
，
Figure 94952DEST_PATH_IMAGE006
为元素
Figure 84861DEST_PATH_IMAGE008
与元素
Figure 333440DEST_PATH_IMAGE010
组成的二元组，
Figure 72857DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure 356071DEST_PATH_IMAGE014
为二元组
Figure 522741DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率；
Figure 100002_DEST_PATH_IMAGE022
为
Figure 100002_DEST_PATH_IMAGE024
的均值，
Figure 100002_DEST_PATH_IMAGE026
为
Figure 100002_DEST_PATH_IMAGE028
的均值；
式中，
Figure 100002_DEST_PATH_IMAGE030
，
Figure 100002_DEST_PATH_IMAGE032
，
Figure 290843DEST_PATH_IMAGE024
为二元组对应的第一个元素为
Figure 99530DEST_PATH_IMAGE008
保持不变而第二个元素变化对应的概率的和，
Figure 100002_DEST_PATH_IMAGE034
为元素的最大取值；
Figure 100002_DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE038
，
Figure 320471DEST_PATH_IMAGE028
为二元组对应的第一个元素变化而第二个元素为
Figure 189201DEST_PATH_IMAGE010
保持不变时对应的概率的和，
Figure 553318DEST_PATH_IMAGE034
为元素的最大取值，
Figure 100002_DEST_PATH_IMAGE040
为
Figure 775483DEST_PATH_IMAGE024
的方差，
Figure 100002_DEST_PATH_IMAGE042
为
Figure 643076DEST_PATH_IMAGE028
的方差。
进一步地，所述分布特征参数为：
Figure 100002_DEST_PATH_IMAGE044
其中，
Figure 100002_DEST_PATH_IMAGE046
为第i个滑窗方向，
Figure 100002_DEST_PATH_IMAGE048
为转换图像在第i个滑窗方向得到的分布曲面的特征向量，
Figure 100002_DEST_PATH_IMAGE050
为转换图像在第i个滑窗方向得到的分布曲面的特征向量的权重，m为滑窗方向的总个数。
进一步地，所述评估的方法为：根据所述分布特征参数与所述标准分布特征参数，建立质量评估模型，通过所述质量评估模型对机械零件的质量进行评估；
所述质量评估模型为：
Figure 100002_DEST_PATH_IMAGE052
其中，
Figure 100002_DEST_PATH_IMAGE054
为对应通道图像信息的评估值，
Figure 100002_DEST_PATH_IMAGE056
为标准分布特征参数，
Figure 100002_DEST_PATH_IMAGE058
为分布特征参数，
Figure 100002_DEST_PATH_IMAGE060
为分布特征参数的模，
Figure 100002_DEST_PATH_IMAGE062
为标准分布特征参数的模。
本发明还提供基于人工智能的机械零件质量评估***，该***包括处理器和存储器，所述处理器执行所述存储器存储的基于人工智能的机械零件质量评估方法的程序。
本发明实施例至少具有如下有益效果：
本发明涉及缺陷检测领域，具体涉及基于人工智能的机械零件质量评估方法及***，该方法利用光学手段，具体是利用可见光手段采集可见光图像以此测试或分析机械零件，具体是测试机械零件的瑕疵或者缺陷的存在，对机械零件的质量进行评估；本发明考虑到不同滑窗方向设定的随机性，通过ROI区域图像计算不同滑窗方向的权重，根据权重，对不同滑窗方向下提取的特征向量进行优化修正，得到分布特征参数，提高机械零件表面状况的检测精度，保证了所提取的分布特征参数的准确性，本发明具有无接触性、检测速度快评估精度高等优点。同时，该方法能够应用于新材料相关服务，可以实现新材料检测、计量、相关标准化等。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的基于人工智能的机械零件质量评估方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的机械零件质量评估方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的机械零件质量评估方法的步骤流程图，该方法包括以下步骤：
步骤1，获取包含机械零件的RGB图像信息，提取RGB图像信息的ROI区域，ROI区域为机械零件所在区域。
具体地，利用相机获取包含机械零件的RGB图像信息；其中，摄像头的拍摄范围和拍摄角度可由实施者根据实际情况进行调整，保证相机的拍摄范围能够覆盖待检测机械零件的表面即可，以便对机械零件进行全面检测；本实施例将摄像头部署于待检测机械零件的上方，以俯视视角采集待检测机械零件的表面图像，获取待检测机械零件的表面正视图像，防止相机视角对待检测机械零件的表面图像的采集产生影响。
进一步地，为了降低RGB图像信息中无关区域对质量评估产生影响，本实施例对RGB图像信息中机械零件所在的区域进行提取。
提取方法为：采用语义分割网络对RGB图像信息中的机械零件像素点进行识别。语义分割网络的输出为语义分割效果图，语义分割效果图为二值图像，本实施例的二值图像中机械零件对应像素点的像素值为1，剩余其他像素点的像素值为0；将二值图像与RGB图像信息进行相乘操作，得到机械零件对应的RGB图像数据，即得到RGB图像信息的ROI区域。其中，语义分割网络对图像进行分割识别的过程为公知技术，此处不再赘述。
步骤2，对ROI区域进行信息处理，得到ROI区域对应的R通道图像信息、G通道图像信息和B通道图像信息，分别对各通道图像信息中的各像素点进行像素值转换，得到各像素点对应的转换像素值，进而获取各通道图像信息对应的转换图像。
转换像素值的获取方法为：比较像素点与其8邻域像素点的值的大小，将值大于该像素点的值对应的像素点记为1，将值小于该像素点对应的像素点记为0，将领域像素点按照从左往右从上往下的顺序依次排序组成二进制数，将二进制数转为十进制作为该像素点的转换像素值。
需要说明的是，机械零件在不同的通道图像信息中所反映出的特征并不相同，对ROI区域进行通道提取是为了得到机械零件在不同通道图像信息中对应的特征，能够更加全面准确的获取机械零件对应的特征。
上述中的转换图像实现了对通道图像信息的显著性处理，初步获取了各通道图像信息中像素点的纹理分布信息，转换图像为准确提取ROI区域的分布状况提供了便利，提高了ROI区域纹理结构特征提取的精度。
步骤3，根据转换像素值的大小按顺序对所述转换像素值依次进行赋值，得到多个赋值结果，将所述赋值结果作为集合中的元素，得到集合；任意选取集合中的一个或两个元素组成二元组，其中，当任意选取集合中的一个元素组成二元组时，该二元组对应两个相同的元素，当任意选取集合中的两个元素组成二元组时，该二元组对应两个不同的元素；利用尺寸为1×2的滑窗在不同滑窗方向对其中一转换图像进行滑窗操作，根据各二元组在其中一滑窗方向对应的滑窗过程中出现的概率，获取其中一转换图像在该滑窗方向对应的分布曲面，进而获取各转换图像在不同滑窗方向下对应的分布曲面。
本实施例根据转换像素值的大小按顺序对所述转换像素值依次进行赋值，得到多个赋值结果；即将转换像素值在区间[0,15]内的赋值为0，将转换像素值在区间[16,31]内的赋值为1，依次类推，得到集合，集合为{0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15}；即集合中共16个元素，然后任意选取集合中的一个或两个元素组成一个二元组
Figure 28502DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE064
取值范围均为
Figure DEST_PATH_IMAGE066
，共16个元素，
Figure 365068DEST_PATH_IMAGE008
为二元组
Figure 249978DEST_PATH_IMAGE006
的第一个元素；
Figure 627870DEST_PATH_IMAGE010
为二元组
Figure 307244DEST_PATH_IMAGE006
的第二个元素。在具体实施过程中，实施者可以根据实际情况对元素的个数进行调整。
设置滑窗步长为1，利用尺寸为1×2的滑窗对转换图像进行滑窗操作的过程中，每一个滑窗区域都具有与其对应的二元组，即可将滑窗区域看作一个二元组；因为每一个像素点都有与其对应的元素，所以滑窗区域的两像素点可组成一个二元组。
上述中分布曲面的获取方法为：建立三维坐标系，三维坐标系的x轴为元素，对应二元组中的第一个元素，取值范围为0~15共16个元素，三维坐标系的y轴为元素，对应二元组中的第二个元素，取值范围为0~15共16个元素，三维坐标系的z轴为二元组出现的概率，根据三维坐标系获取分布曲面。
本实施例中的不同滑窗方向为：水平方向（包括左和右），竖直方向（包括上和下），45°所在直线对应的方向（包括45°和-135°）以及135°所在直线对应的方向（包括135°和-45°）；滑窗的滑动方向是指滑窗短边中线的指向，设置不同的滑窗方向是为了提取不同方向尺度下的转换图像中各像素点的分布状况，保证ROI区域各像素点分布特征提取的精度。
需要说明的是，本发明通过二元组对机械零件表面的分布状况进行检测，通过二元组可检测不同组合的元素在对应转换图像上的分布情况，并通过二元组以及不同的滑窗方向考虑了邻域信息，对局部分布状况进行表征，二元组能够反映像素点及其邻域像素点的局部纹理信息，更加准确的对对应转换图像中各转换像素值的分布状况进行分析。
步骤4，计算分布曲面对应的第一分布指标与第二分布指标，根据第一分布指标与第二分布指标，得到分布曲面对应的特征向量。
第一分布指标为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 306338DEST_PATH_IMAGE020
，
Figure 463781DEST_PATH_IMAGE006
为元素
Figure 696179DEST_PATH_IMAGE008
与元素
Figure 77613DEST_PATH_IMAGE010
组成的二元组，
Figure 372459DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure 723806DEST_PATH_IMAGE014
为二元组
Figure 420498DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率。
第二分布指标为：
Figure DEST_PATH_IMAGE018A
其中，
Figure 644937DEST_PATH_IMAGE020
，
Figure 958237DEST_PATH_IMAGE006
为元素
Figure 988642DEST_PATH_IMAGE008
与元素
Figure 930053DEST_PATH_IMAGE010
组成的二元组，
Figure 122131DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure 516203DEST_PATH_IMAGE014
为二元组
Figure 350298DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率；
Figure 880636DEST_PATH_IMAGE022
为
Figure 509195DEST_PATH_IMAGE024
的均值，
Figure 390563DEST_PATH_IMAGE026
为
Figure 774489DEST_PATH_IMAGE028
的均值；
式中，
Figure 424913DEST_PATH_IMAGE030
，
Figure 958794DEST_PATH_IMAGE032
，
Figure 327458DEST_PATH_IMAGE024
为二元组对应的第一个元素为
Figure 237776DEST_PATH_IMAGE008
保持不变而第二个元素变化对应的概率的和，
Figure 149232DEST_PATH_IMAGE034
为元素的最大取值；
Figure 978647DEST_PATH_IMAGE036
，
Figure 709974DEST_PATH_IMAGE038
，
Figure 548617DEST_PATH_IMAGE028
为二元组对应的第一个元素变化而第二个元素为
Figure 49000DEST_PATH_IMAGE010
保持不变时对应的概率的和，
Figure 455841DEST_PATH_IMAGE034
为元素的最大取值，本实施例中，n为15，
Figure 533519DEST_PATH_IMAGE040
为
Figure 316798DEST_PATH_IMAGE024
的方差，
Figure 796321DEST_PATH_IMAGE042
为
Figure 108485DEST_PATH_IMAGE028
的方差。
上述中的特征向量为
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE070
为转换图像在第i个滑窗方向对应分布曲面的第一分布指标，
Figure DEST_PATH_IMAGE072
为转换图像在第i个滑窗方向对应分布曲面的第二分布指标；其中，
Figure 96295DEST_PATH_IMAGE046
为第i个滑窗方向，
Figure DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE076
为第1个滑窗方向与本实施例中的水平方向（包括左和右）相对应，
Figure DEST_PATH_IMAGE078
为第2个滑窗方向与本实施例中的竖直方向（包括上和下）相对应，
Figure DEST_PATH_IMAGE080
为第3个滑窗方向与本实施例中的45°所在直线对应的方向（包括45°和-135°）相对应，
Figure DEST_PATH_IMAGE082
为第4个滑窗方向与本实施例中的135°所在直线对应的方向（包括135°和-45°）相对应。
需要说明的是，第一分布指标表征的是ROI区域的复杂程度，复杂程度越高，对应第一分布指标的值越高，第二分布指标表征的是分布曲面在行列方向上的相关程度。
步骤5，根据ROI区域，计算不同滑窗方向对应分布曲面的特征向量的权重，利用权重，获取各通道图像信息对应的分布特征参数。
权重为：
Figure DEST_PATH_IMAGE084
其中，
Figure 782798DEST_PATH_IMAGE046
为第i个滑窗方向，
Figure 257773DEST_PATH_IMAGE050
为转换图像在第i个滑窗方向得到的分布曲面的特征向量的权重，
Figure DEST_PATH_IMAGE086
为第i个滑窗方向对应的分布状况指标，m为滑窗方向的总个数。本实施例中滑窗方向的总个数为4。
当i为1时，对应本实施例中的水平方向（包括左和右）。
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE090
为ROI区域中坐标为
Figure DEST_PATH_IMAGE092
像素点的灰度值，
Figure DEST_PATH_IMAGE094
为ROI区域中坐标为
Figure DEST_PATH_IMAGE096
像素点的灰度值，
Figure DEST_PATH_IMAGE098
为ROI区域中坐标为
Figure DEST_PATH_IMAGE100
像素点的灰度值，
Figure DEST_PATH_IMAGE102
为ROI区域中坐标为
Figure DEST_PATH_IMAGE104
像素点的灰度值，
Figure DEST_PATH_IMAGE106
为ROI区域中坐标为
Figure 896432DEST_PATH_IMAGE106
像素点的灰度值，ROI区域的图像尺寸为
Figure DEST_PATH_IMAGE108
。
当i为2时，对应本实施例中的竖直方向（包括上和下）。
Figure DEST_PATH_IMAGE110
其中，
Figure DEST_PATH_IMAGE112
为ROI区域中坐标为
Figure DEST_PATH_IMAGE114
像素点的灰度值，
Figure DEST_PATH_IMAGE116
为ROI区域中坐标为
Figure DEST_PATH_IMAGE118
像素点的灰度值，
Figure 312151DEST_PATH_IMAGE098
为ROI区域中坐标为
Figure 30708DEST_PATH_IMAGE100
像素点的灰度值，
Figure DEST_PATH_IMAGE120
为ROI区域中坐标为
Figure DEST_PATH_IMAGE122
像素点的灰度值，
Figure DEST_PATH_IMAGE124
为ROI区域中坐标为
Figure 907659DEST_PATH_IMAGE124
像素点的灰度值，ROI区域的图像尺寸为
Figure 561626DEST_PATH_IMAGE108
。
当i为3时，对应本实施例中的45°所在直线对应的方向（包括45°和-135°）。
Figure DEST_PATH_IMAGE126
其中，
Figure DEST_PATH_IMAGE128
为ROI区域中坐标为
Figure DEST_PATH_IMAGE130
像素点的灰度值，
Figure DEST_PATH_IMAGE132
为ROI区域中坐标为
Figure DEST_PATH_IMAGE134
像素点的灰度值，
Figure 200724DEST_PATH_IMAGE098
为ROI区域中坐标为
Figure 457393DEST_PATH_IMAGE100
像素点的灰度值，
Figure DEST_PATH_IMAGE136
为ROI区域中坐标为
Figure DEST_PATH_IMAGE138
像素点的灰度值，
Figure DEST_PATH_IMAGE140
为ROI区域中坐标为
Figure DEST_PATH_IMAGE142
像素点的灰度值，ROI区域的图像尺寸为
Figure 267480DEST_PATH_IMAGE108
。
当i为4时，对应本实施例中的135°所在直线对应的方向（包括135°和-45°）。
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
为ROI区域中坐标为
Figure DEST_PATH_IMAGE148
像素点的灰度值，
Figure DEST_PATH_IMAGE150
为ROI区域中坐标为
Figure DEST_PATH_IMAGE152
像素点的灰度值，
Figure 62654DEST_PATH_IMAGE098
为ROI区域中坐标为
Figure 976601DEST_PATH_IMAGE100
像素点的灰度值，
Figure DEST_PATH_IMAGE154
为ROI区域中坐标为
Figure DEST_PATH_IMAGE156
像素点的灰度值，
Figure DEST_PATH_IMAGE158
为ROI区域中坐标为
Figure DEST_PATH_IMAGE160
像素点的灰度值，ROI区域的图像尺寸为
Figure 335163DEST_PATH_IMAGE108
。
上述中的分布特征参数为：
Figure DEST_PATH_IMAGE044A
其中，
Figure 983444DEST_PATH_IMAGE046
为第i个滑窗方向，
Figure 103847DEST_PATH_IMAGE048
为转换图像在第i个滑窗方向得到的分布曲面的特征向量，
Figure 758951DEST_PATH_IMAGE050
为转换图像在第i个滑窗方向得到的分布曲面的特征向量的权重，m为滑窗方向的总个数。步骤4中提到滑窗方向为4个，所以本实施例中的m为4。
需要说明的是，本实施例考虑到在进行滑动方向设定时，没有根据ROI区域图像本身的纹理信息走向对滑动方向进行限制，在一定程度上会减弱ROI区域图像本身的纹理特征，存在边缘结构纹理提取不准确的问题，进一步导致获取的特征向量与ROI区域本身的特征向量存在一定的差异，因此，为提高特征向量的提取精度，实现对机械零件表面结构分布特征提取的准确性，本实施例利用ROI区域图像的梯度信息对不同滑窗方向上的纹理信息进行判定，根据ROI区域图像本身的特征基础对机械零件表面的分布特征参数进行优化。
步骤6，根据分布特征参数与标准机械零件对应的标准分布特征参数，对机械零件的质量进行评估。
具体地，利用步骤1至步骤5中的方法获取标准机械零件对应的各通道图像信息对应的标准分布特征参数，因步骤1至步骤5的具体实施方法在上述内容中已有详细介绍，不过多赘述。根据分布特征参数与对应标准分布特征参数建立对应通道图像信息的质量评估模型。
质量评估模型为：
Figure DEST_PATH_IMAGE052A
其中，
Figure 170471DEST_PATH_IMAGE054
为对应通道图像信息的评估值，
Figure 486309DEST_PATH_IMAGE056
为标准分布特征参数，
Figure 308771DEST_PATH_IMAGE058
为分布特征参数，
Figure 190184DEST_PATH_IMAGE060
为分布特征参数的模，
Figure 998871DEST_PATH_IMAGE062
为标准分布特征参数的模。
本实施例中，各通道图像信息都有对应的评估值，将各通道图像信息对应评估值的均值作为机械零件的评价指标，评价指标越高，则对应机械零件的质量越高，机械零件表面的缺陷状况越少，评价指标越低，则对应机械零件的质量越低，机械零件表面的缺陷状况越多。
进一步地，为便于相关工作人员对机械零件的质量进行直观判断，设定阈值，将评价指标大于阈值对应机械零件的质量评为优，将平均值小于阈值对应机械零件的质量评为差，本实施例认为质量为优的机械零件满足出厂及后续使用要求，质量为差的机械零件表面缺陷较为严重，需要对其进行再次加工以满足出厂需求，防止后续使用过程中事故的发生。
本发明还提供一种基于人工智能的机械零件质量评估***，该***包括处理器和存储器，处理器执行存储器存储的基于人工智能的机械零件质量评估方法的程序。由于基于人工智能的机械零件质量评估方法的具体实施方式已在上述步骤1至步骤6中详细给出，不再过多赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.基于人工智能的机械零件质量评估方法，其特征在于，该方法包括以下步骤：
获取包含机械零件的RGB图像信息，提取所述RGB图像信息的ROI区域，所述ROI区域为机械零件所在区域；
对所述ROI区域进行信息处理，得到ROI区域对应的R通道图像信息、G通道图像信息和B通道图像信息；分别对R通道图像信息、G通道图像信息和B通道图像信息中的各像素点进行像素值转换，得到各像素点对应的转换像素值，进而获取各通道图像信息对应的转换图像；
根据转换像素值的大小按顺序对所述转换像素值依次进行赋值，得到多个赋值结果，将所述赋值结果作为集合中的元素，得到集合；任意选取集合中的一个或两个元素组成二元组，其中，当任意选取集合中的一个元素组成二元组时，该二元组对应两个相同的元素，当任意选取集合中的两个元素组成二元组时，该二元组对应两个不同的元素；利用尺寸为1×2的滑窗在不同滑窗方向对其中一转换图像进行滑窗操作，根据各二元组在其中一滑窗方向对应的滑窗过程中出现的概率，获取其中一转换图像在该滑窗方向对应的分布曲面，进而获取各转换图像在不同滑窗方向下对应的分布曲面；
计算所述分布曲面对应的第一分布指标与第二分布指标，根据第一分布指标与第二分布指标，得到分布曲面对应的特征向量；
根据所述ROI区域，计算不同滑窗方向对应分布曲面的特征向量的权重，利用所述权重，获取各通道图像信息对应的分布特征参数；
获取标准机械零件对应的标准分布特征参数，根据所述分布特征参数与标准分布特征参数，对机械零件的质量进行评估。
2.根据权利要求1所述的基于人工智能的机械零件质量评估方法，其特征在于，所述转换像素值的获取方法为：比较像素点与其8邻域像素点的值的大小，将值大于该像素点的值对应的像素点记为1，将值小于该像素点对应的像素点记为0，将邻域像素点按照从左往右从上往下的顺序依次排序组成二进制数，并将二进制数转为十进制作为该像素点的转换像素值。
3.根据权利要求1所述的基于人工智能的机械零件质量评估方法，其特征在于，
所述分布曲面的获取方法为：
建立三维坐标系，所述三维坐标系的x轴为元素，三维坐标系的y轴为元素，三维坐标系的z轴为二元组出现的概率，根据三维坐标系获取分布曲面。
4.根据权利要求1所述的基于人工智能的机械零件质量评估方法，其特征在于，
所述第一分布指标为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE006
为元素
Figure DEST_PATH_IMAGE008
与元素
Figure DEST_PATH_IMAGE010
组成的二元组，
Figure DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure DEST_PATH_IMAGE014
为二元组
Figure DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率。
5.根据权利要求1所述的基于人工智能的机械零件质量评估方法，其特征在于，
所述第二分布指标为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
，
Figure 165919DEST_PATH_IMAGE006
为元素
Figure 503491DEST_PATH_IMAGE008
与元素
Figure 133186DEST_PATH_IMAGE010
组成的二元组，
Figure 999425DEST_PATH_IMAGE012
为所有二元组组成的集合，
Figure 398176DEST_PATH_IMAGE014
为二元组
Figure 31283DEST_PATH_IMAGE016
在滑窗操作过程中出现的概率；
Figure DEST_PATH_IMAGE022
为
Figure DEST_PATH_IMAGE024
的均值，
Figure DEST_PATH_IMAGE026
为
Figure DEST_PATH_IMAGE028
的均值；
式中，
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE032
，
Figure 462789DEST_PATH_IMAGE024
为二元组对应的第一个元素为
Figure 878858DEST_PATH_IMAGE008
保持不变而第二个元素变化对应的概率的和，
Figure DEST_PATH_IMAGE034
为元素的最大取值；
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
，
Figure 677922DEST_PATH_IMAGE028
为二元组对应的第一个元素变化而第二个元素为
Figure 888455DEST_PATH_IMAGE010
保持不变时对应的概率的和，
Figure 289481DEST_PATH_IMAGE034
为元素的最大取值，
Figure DEST_PATH_IMAGE040
为
Figure 119027DEST_PATH_IMAGE024
的方差，
Figure DEST_PATH_IMAGE042
为
Figure 571000DEST_PATH_IMAGE028
的方差。
6.根据权利要求1所述的基于人工智能的机械零件质量评估方法，其特征在于，
所述分布特征参数为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE046
为第i个滑窗方向，
Figure DEST_PATH_IMAGE048
为转换图像在第i个滑窗方向得到的分布曲面的特征向量，
Figure DEST_PATH_IMAGE050
为转换图像在第i个滑窗方向得到的分布曲面的特征向量的权重，m为滑窗方向的总个数。
7.根据权利要求1或6所述的基于人工智能的机械零件质量评估方法，其特征在于，所述评估的方法为：根据所述分布特征参数与所述标准分布特征参数，建立质量评估模型，通过所述质量评估模型对机械零件的质量进行评估；
所述质量评估模型为：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
为对应通道图像信息的评估值，
Figure DEST_PATH_IMAGE056
为标准分布特征参数，
Figure DEST_PATH_IMAGE058
为分布特征参数，
Figure DEST_PATH_IMAGE060
为分布特征参数的模，
Figure DEST_PATH_IMAGE062
为标准分布特征参数的模。
8.基于人工智能的机械零件质量评估***，包括处理器和存储器，其特征在于，所述处理器执行如所述存储器存储的如权利要求1-7中任一项所述的基于人工智能的机械零件质量评估方法的程序。
CN202210744728.XA 2022-06-29 2022-06-29 基于人工智能的机械零件质量评估方法及*** Active CN114820611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744728.XA CN114820611B (zh) 2022-06-29 2022-06-29 基于人工智能的机械零件质量评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744728.XA CN114820611B (zh) 2022-06-29 2022-06-29 基于人工智能的机械零件质量评估方法及***

Publications (2)

Publication Number Publication Date
CN114820611A true CN114820611A (zh) 2022-07-29
CN114820611B CN114820611B (zh) 2022-09-02

Family

ID=82522327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744728.XA Active CN114820611B (zh) 2022-06-29 2022-06-29 基于人工智能的机械零件质量评估方法及***

Country Status (1)

Country Link
CN (1) CN114820611B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972354A (zh) * 2022-08-02 2022-08-30 济宁金筑新型建材科技有限公司 基于图像处理的蒸压加气混凝土砌块生产控制方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2510043C1 (ru) * 2012-11-12 2014-03-20 Российская Федерация, от имени которой выступает Государственная корпорация по атомной энергии "Росатом" Способ определения дальности до поверхности земли
CN106291502A (zh) * 2016-08-30 2017-01-04 北京航空航天大学 目标rcs测量中背景提取与抵消的最大概率时域处理方法
CN107123109A (zh) * 2017-01-13 2017-09-01 陕西师范大学 一种用于桥梁裂缝检测的窗口滑动算法
CN113326855A (zh) * 2021-06-22 2021-08-31 长光卫星技术有限公司 基于二维高斯曲面拟合的夜间灯光遥感图像特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2510043C1 (ru) * 2012-11-12 2014-03-20 Российская Федерация, от имени которой выступает Государственная корпорация по атомной энергии "Росатом" Способ определения дальности до поверхности земли
CN106291502A (zh) * 2016-08-30 2017-01-04 北京航空航天大学 目标rcs测量中背景提取与抵消的最大概率时域处理方法
CN107123109A (zh) * 2017-01-13 2017-09-01 陕西师范大学 一种用于桥梁裂缝检测的窗口滑动算法
CN113326855A (zh) * 2021-06-22 2021-08-31 长光卫星技术有限公司 基于二维高斯曲面拟合的夜间灯光遥感图像特征提取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972354A (zh) * 2022-08-02 2022-08-30 济宁金筑新型建材科技有限公司 基于图像处理的蒸压加气混凝土砌块生产控制方法及***

Also Published As

Publication number Publication date
CN114820611B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN108846397B (zh) 一种基于图像处理的电缆半导电层自动检测方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测***及方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN109859160A (zh) 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及***
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN116030060A (zh) 一种塑料颗粒质量检测方法
CN115661187B (zh) 用于中药制剂分析的图像增强方法
CN111724376B (zh) 一种基于纹理特征分析的纸病检测方法
CN114820611B (zh) 基于人工智能的机械零件质量评估方法及***
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110544243B (zh) 一种ct图像小缺陷自动检出、定量及可靠性评价方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法

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