CN117974666B - 一种非圆行星齿轮的质量异常检测方法 - Google Patents
一种非圆行星齿轮的质量异常检测方法 Download PDFInfo
- Publication number
- CN117974666B CN117974666B CN202410385905.9A CN202410385905A CN117974666B CN 117974666 B CN117974666 B CN 117974666B CN 202410385905 A CN202410385905 A CN 202410385905A CN 117974666 B CN117974666 B CN 117974666B
- Authority
- CN
- China
- Prior art keywords
- suspected
- pitting
- area
- value
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 19
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000428 dust Substances 0.000 description 20
- 230000001788 irregular Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种非圆行星齿轮的质量异常检测方法;根据卷积神经网络获取外观图像的疑似异常区域;根据外观图像和疑似异常区域的灰度差异特征获得疑似点蚀区域,根据疑似点蚀区域的形态特征和边缘轮廓的变化特征获得疑似点蚀区域的形状特征值;根据疑似点蚀区域的灰度分布特征和梯度分布特征获得疑似点蚀区域的深度特征值。本发明根据形状特征值和深度特征值获得目标点蚀指数;根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域,避免图像视觉算法将所有疑似异常区域认为点蚀区域,提高了非圆行星齿轮点蚀状况的检测准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种非圆行星齿轮的质量异常检测方法。
背景技术
非圆行星齿轮表面质量直接影响传动***的效率和性能,表面质量差会增加摩擦损耗和降低传动效率。点蚀是一种集中于金属表面很小的范围并深入到金属内部的腐蚀形态,常见的齿轮点蚀会导致齿轮表面出现不规则的损坏,导致增加摩擦和噪声水平,降低传动效率和引起机械故障,因此在工业生产过程中需要定期对非圆行星齿轮的表面进行检测,保证传动***正常运行。
传统方式下通常使用图像视觉技术对工业生产中齿轮表面的缺陷和异常进行识别,通过获取并训练大量点蚀区域图像的连通区域特征以及灰度变化特征,实现点蚀区域目标的检测。由于非圆行星齿轮在工作运转时会产生较大的静电和摩擦力,导致空气中的粉尘颗粒被吸引到齿轮表面,并且齿轮表面未清洁干净的油脂或润滑剂会增加粉尘附着的程度。由于在图像处理中粉尘在齿轮表面聚集的特征与点蚀特征相似,造成机器学习将粉尘在齿轮表面聚集的区域被认作为点蚀区域;使得通过图像视觉技术对齿轮表面的点蚀区域识别不准确。
发明内容
为了解决上述由于粉尘在齿轮表面的聚集导致图像视觉技术对齿轮表面的点蚀区域识别不准确的技术问题,本发明的目的在于提供一种非圆行星齿轮的质量异常检测方法,所采用的技术方案具体如下:
获取检测非圆行星齿轮表面质量的外观图像,根据卷积神经网络获取所述外观图像的疑似异常区域;
根据外观图像和所述疑似异常区域的灰度差异特征获得疑似点蚀区域;根据疑似点蚀区域的形态特征获得第一规则度;根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度;根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值;
根据疑似点蚀区域的灰度分布特征获得深度差异特征值;根据疑似点蚀区域的梯度分布特征获得深度变化特征值;根据所述深度差异特征值和所述深度变化特征值获得疑似点蚀区域的深度特征值;
根据所述形状特征值和所述深度特征值获得目标点蚀指数;根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域。
进一步地,所述根据外观图像和所述疑似异常区域的灰度差异特征获得疑似点蚀区域的步骤包括:
计算任意疑似异常区域的灰度值的平均值,获得所述任意疑似异常区域的区域灰度均值;计算外观图像的灰度值的平均值,获得整体外观灰度均值;计算区域灰度均值和整体外观灰度均值的差值绝对值并归一化,获得所述任意疑似异常区域的异常特征值;当所述异常特征值超过预设异常阈值时,所述任意疑似异常区域为疑似点蚀区域。
进一步地,所述根据疑似点蚀区域的形态特征获得第一规则度的步骤包括:
计算所述疑似点蚀区域的分形维数值并负相关映射,获得疑似点蚀区域的第一规则度。
进一步地,所述根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度的步骤包括:
计算所述疑似点蚀区域的边缘像素点的曲率的方差并负相关映射,获得疑似点蚀区域的第一轮廓变化特征值;统计所述边缘像素点的曲率极大值的数量值并负相关映射,获得第二轮廓变化特征值;计算所述第一轮廓变化特征值和所述第二轮廓变化特征值的平均值,获得所述疑似点蚀区域的第二规则度。
进一步地,所述根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值的步骤包括:
计算预设第一权重和所述第一规则度的乘积,获得第一形状特征权重;计算预设第二权重和所述第二规则度的乘积,获得第二形状特征权重;计算第一形状特征权重和第二形状特征权重的和值,获得疑似点蚀区域的形状特征值。
进一步地,所述根据疑似点蚀区域的灰度分布特征获得深度差异特征值的步骤包括:
获取所述疑似点蚀区域的灰度直方图,计算灰度直方图的纵轴极值差和横轴极值差的比值并归一化,获得疑似点蚀区域的深度差异特征值。
进一步地,所述根据疑似点蚀区域的梯度分布特征获得深度变化特征值的步骤包括:
计算疑似点蚀区域中像素点的梯度的平均值并负相关映射,获得疑似点蚀区域的深度变化特征值。
进一步地,所述根据所述深度差异特征值和所述深度变化特征值获得疑似点蚀区域的深度特征值的步骤包括:
计算预设第三权重和深度差异特征值的乘积,获得第一深度特征权重;计算预设第四权重和深度变化特征值的乘积,获得第二深度特征权重;计算第一深度特征权重和第二深度特征权重的和值,获得疑似点蚀区域的深度特征值。
进一步地,所述根据所述形状特征值和所述深度特征值获得目标点蚀指数的步骤包括:
将所述形状特征值负相关映射,获得形状特征映射值,计算所述形状特征映射值与所述深度特征值的平均值,获得疑似点蚀区域的目标点蚀指数。
进一步地,所述根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目标点蚀区域的步骤包括:
当所述疑似点蚀区域的目标点蚀指数超过预设指数阈值时,所述疑似点蚀区域为目标点蚀区域。
本发明具有如下有益效果:
在本发明中,获取疑似异常区域能够通过图像视觉算法高效快速地将可能出现点蚀的区域标记出来,提高检测效率;获取疑似点蚀区域能够根据灰度差异特征初步将疑似出现点蚀的区域进行确定,降低图像视觉算法标记的误差,提高获取点蚀区域的准确性。根据第一规则度和第二规则度获取疑似点蚀区域的形状特征值,能够基于真实点蚀区域和粉尘聚集区域的区域形状规则特征的差异进行区分,提高获取点蚀区域的准确性。根据深度差异特征值和深度变化特征值获取疑似点蚀区域的深度特征值,能够基于真实点蚀区域和粉尘聚集区域的内部深度差异特征的差异进行区分,提高获取点蚀区域的准确性。最终根据目标点蚀指数获取非圆行星齿轮的目标点蚀区域,能够避免图像视觉算法将所有疑似异常区域认为点蚀区域,提高了非圆行星齿轮点蚀状况的检测准确性。
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为本发明一个实施例所提供的一种非圆行星齿轮的质量异常检测方法流程图。
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一种非圆行星齿轮的质量异常检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种非圆行星齿轮的质量异常检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种非圆行星齿轮的质量异常检测方法流程图,该方法包括以下步骤:
步骤S1,获取检测非圆行星齿轮表面质量的外观图像,根据卷积神经网络获取外观图像的疑似异常区域。
在本发明实施例中,实施场景为对非圆行星齿轮表面质量的检测;首先获取检测非圆行星齿轮表面的外观图像,通过工业相机在合适位置拍摄非圆行星齿轮表面的图像,对图像进行去噪和增强的预处理,获得外观图像。对外观图像使用边缘检测算法提取齿轮表面的疑似点蚀的异常区域特征,进而通过CNN卷积神经网络算法训练学习疑似点蚀的异常区域特征的识别模型,使得识别模型能够快速地识别齿轮表面的疑似异常区域;疑似异常区域表征了非圆行星齿轮表面中可能为非正常的区域。需要说明的是,边缘检测算法和CNN卷积神经网络算法属于现有技术,具体计算步骤不再赘述。
步骤S2,根据外观图像和疑似异常区域的灰度差异特征获得疑似点蚀区域;根据疑似点蚀区域的形态特征获得第一规则度;根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度;根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值。
为了提高最终对非圆行星齿轮表面点蚀情况的检测准确性,首先需要对疑似异常区域进行分析,判断疑似异常区域是否符合点蚀区域或粉尘聚集区域的灰度变化特征;因点蚀区域或粉尘聚集区域和齿轮表面其他正常区域的灰度差异明显,明暗对比度较强,故根据外观图像和疑似异常区域的灰度差异特征获得疑似点蚀区域,优选地,在本发明一个实施例中,获取疑似点蚀区域包括:计算任意疑似异常区域的灰度值的平均值,获得该任意疑似异常区域的区域灰度均值;计算外观图像的灰度值的平均值,获得整体外观灰度均值;计算区域灰度均值和整体外观灰度均值的差值绝对值并归一化,获得任意疑似异常区域的异常特征值;当异常特征值越大,意味着该任意疑似异常区域和整体的外观图像的灰度差异越大,明暗对比度越明显,该任意疑似异常区域越可能是点蚀区域或粉尘聚集的区域;反之,异常特征值越小,意味着该任意疑似异常区域和整体的外观图像的灰度差异越小,该任意疑似异常区域越可能是正常区域。当异常特征值超过预设异常阈值时,任意疑似异常区域为疑似点蚀区域;在本发明实施例中,预设异常阈值为0.5,实施者可根据实施场景自行确定。通过对疑似异常区域进行分析,筛选获得疑似点蚀区域,初步提高了齿轮表面点蚀情况的检测准确性。
进一步地,因疑似点蚀区域包括真实的点蚀区域以及粉尘聚集的区域,点蚀区域在齿轮表面通常会呈现小孔或小坑形态特征,会引起表面局部亮度的变化,而粉尘聚集的区域同样会有相似的明暗变化的特征;但区别在于,二者的连通域的规则程度存在一定的差异,通过理论特性可知,点蚀区域的形状不规则,而粉尘聚集区域均匀分布细小颗粒或簇状颗粒,整体的形态较为规整。其次二者的深度存在一定的差异,点蚀区域通常是磨损或化学作用引起的表面微小变化,该类点状缺陷可会在表面上留下微小的凹痕或凸起,但整体上不会有太大的深度差异,因此点蚀区域的深度变化较浅,反之粉尘聚集区域的深度差异比点蚀区域的更大,通常由于颗粒的堆积而形成明显的高度变化,粉尘聚集区域在图像中更能够清晰地观察到深度差异。故可通过疑似点蚀区域的规则程度以及深度变化特征进行区分,获取疑似点蚀区域中真实的点蚀区域。
首先根据疑似点蚀区域的形态特征获得第一规则度,具体包括:计算疑似点蚀区域的分形维数值并负相关映射,获得疑似点蚀区域的第一规则度,在本发明实施例中通过函数进行负相关映射,其中/>表示需要负相关映射的数值,/>表示以自然常数为底的指数函数,后续负相关映射的步骤无特殊说明时,负相关映射的方式相同。需要说明的是,分形维数属于现有技术,具体计算步骤不再赘述;分形维数能够用于描述图像的不规则程度,本发明实施例中使用常见的盒计数法计算分形维数。当分形维数越低,第一规则度越大,意味着该疑似点蚀区域的边缘规则程度越高,越可能为粉尘聚集区域;反之当分形维数越高,第一规则度越小,意味着该疑似点蚀区域的边缘规则程度越低,越可能为点蚀区域。
进一步地,疑似点蚀区域的边缘像素点的曲线变化也能够反映规则程度,故根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度;优选地,在本发明一个实施例中,获取第二规则度包括:计算疑似点蚀区域的边缘像素点的曲率的方差并负相关映射,获得疑似点蚀区域的第一轮廓变化特征值;需要说明的是,边缘像素点和对应的曲率的获取属于现有技术,具体计算步骤不再赘述;较为规则的边缘通常表现相对恒定的曲率,而不规则的边缘会有大幅度的曲率变化。当曲率的方差越小,第一轮廓变化特征值越大,意味着该疑似点蚀区域的边缘轮廓越规则。统计边缘像素点的曲率极大值的数量值并负相关映射,获得第二轮廓变化特征值;当边缘像素点的曲率大于边缘轮廓上相邻的两个其他边缘像素点的曲率时,该边缘像素点的曲率为极大值;当极大值的数量越少,第二轮廓变化特征值越大,意味着曲率变化的波动越小,该疑似点蚀区域的边缘轮廓越规则。计算第一轮廓变化特征值和第二轮廓变化特征值的平均值,获得疑似点蚀区域的第二规则度;当第二规则度越大,意味着该疑似点蚀区域的边缘轮廓越规则,越可能是粉尘聚集区域。
进而根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值,具体包括:计算预设第一权重和第一规则度的乘积,获得第一形状特征权重;计算预设第二权重和第二规则度的乘积,获得第二形状特征权重;计算第一形状特征权重和第二形状特征权重的和值,获得疑似点蚀区域的形状特征值。在本发明实施例中,预设第一权重和预设第二权重分别为0.5,实施者可根据实施场景自行确定;当形状特征值越小,意味着该疑似点蚀区域的形状越不规则,越可能是真实的点蚀区域。
步骤S3,根据疑似点蚀区域的灰度分布特征获得深度差异特征值;根据疑似点蚀区域的梯度分布特征获得深度变化特征值;根据深度差异特征值和深度变化特征值获得疑似点蚀区域的深度特征值。
因真实的点蚀区域和粉尘聚集区域的深度差异存在明显的区别,深度差异反映在图像中会导致灰度级的分布存在差异,深度差异越明显,则灰度级的分布越广,反之深度越统一,灰度级越集中;同时深度差异也导致像素点之间的梯度特征不同。故根据疑似点蚀区域的灰度分布特征获得深度差异特征值。
优选地,在本发明一个实施例中,获取深度差异特征值包括:获取疑似点蚀区域的灰度直方图,计算灰度直方图的纵轴极值差和横轴极值差的比值并归一化,获得疑似点蚀区域的深度差异特征值。灰度直方图的横轴表示不同的灰度级,纵轴表示灰度级对应的像素点数量;灰度直方图的纵轴极值差表示灰度级中像素点数量最多和最少的数量差异,当纵轴极值差越大,意味着该疑似点蚀区域中像素点大多数属于个别灰度级,该疑似点蚀区域中像素点的灰度分布较为统一,深度变化越不明显。灰度直方图的横轴极值差表示灰度级的数量,当横轴极值差越小,意味着该疑似点蚀区域中灰度级的数量较少,像素点的灰度值相似,深度变化越不明显。故当灰度直方图的纵轴极值差越大,横轴极值差越小,深度差异特征值越大,意味着该疑似点蚀区域的深度差异越不明显,越可能为真实的点蚀区域;反之,当纵轴极值差越小,每个灰度级中的像素点数量越相似,横轴极值差越大,灰度级的数量越多,获得的深度差异特征值越小,疑似点蚀区域中的深度差异越明显,越可能为粉尘聚集区域。
进一步地,由于深度差异也导致像素点之间的梯度特征不同,故根据疑似点蚀区域的梯度分布特征获得深度变化特征值,具体包括:计算疑似点蚀区域中像素点的梯度的平均值并负相关映射,获得疑似点蚀区域的深度变化特征值。真实的点蚀区域内部整体不会有太大的深度差异,进而疑似点蚀区域中像素点的梯度均值较小;反之,粉尘聚集区域内部有较大的深度差异,使得疑似点蚀区域中像素点的梯度均值较大。故当疑似点蚀区域中像素点梯度均值越小,深度变化特征值越大,意味着疑似点蚀区域越可能为真实的点蚀区域。
进而根据深度差异特征值和深度变化特征值获得疑似点蚀区域的深度特征值,优选地,在本发明一个实施例中,获取深度特征值包括:计算预设第三权重和深度差异特征值的乘积,获得第一深度特征权重;计算预设第四权重和深度变化特征值的乘积,获得第二深度特征权重;计算第一深度特征权重和第二深度特征权重的和值,获得疑似点蚀区域的深度特征值。在本发明实施例中,预设第三权重为0.4,预设第四权重为0.6,实施者可根据实施场景自行确定,当深度特征值越大,意味着该疑似点蚀区域越可能为真实的点蚀区域。
步骤S4,根据形状特征值和深度特征值获得目标点蚀指数;根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域。
获取疑似点蚀区域的形状特征值和深度特征值后,可根据形状特征值和深度特征值获得目标点蚀指数;优选地,在本发明一个实施例中,获取目标点蚀指数包括:将形状特征值负相关映射,获得形状特征映射值,计算形状特征映射值与深度特征值的平均值,获得疑似点蚀区域的目标点蚀指数。当形状特征值越小,深度特征值越大,则目标点蚀指数越大,意味着该疑似点蚀区域越可能为真实的点蚀区域。获取目标点蚀指数的公式包括:
式中,表示疑似点蚀区域的目标点蚀指数,/>表示形状特征值,/>表示对形状特征值负相关映射,即形状特征映射值,/>表示深度特征值。
进一步地,可根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域,具体包括:当疑似点蚀区域的目标点蚀指数超过预设指数阈值时,该疑似点蚀区域为目标点蚀区域。在本发明实施例中,预设指数阈值为0.7,实施者可根据实施场景自行确定。最终通过分析疑似点蚀区域的形状规则特征和深度差异特征获得目标点蚀指数和目标点蚀区域,避免直接使用图像视觉算法将所有疑似异常区域认作为非圆行星齿轮表面的点蚀区域,提高了点蚀状况的检测准确性。
综上所述,本发明实施例提供了一种非圆行星齿轮的质量异常检测方法;根据卷积神经网络获取外观图像的疑似异常区域;根据外观图像和疑似异常区域的灰度差异特征获得疑似点蚀区域,根据疑似点蚀区域的形态特征和边缘轮廓的变化特征获得疑似点蚀区域的形状特征值;根据疑似点蚀区域的灰度分布特征和梯度分布特征获得疑似点蚀区域的深度特征值。本发明根据形状特征值和深度特征值获得目标点蚀指数;根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域,避免使用图像视觉算法将所有疑似异常区域认作为非圆行星齿轮表面的点蚀区域,提高了点蚀状况的检测准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种非圆行星齿轮的质量异常检测方法,其特征在于,所述方法包括以下步骤:
获取检测非圆行星齿轮表面质量的外观图像,根据卷积神经网络获取所述外观图像的疑似异常区域;
根据外观图像和所述疑似异常区域的灰度差异特征获得疑似点蚀区域;根据疑似点蚀区域的形态特征获得第一规则度;根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度;根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值;
根据疑似点蚀区域的灰度分布特征获得深度差异特征值;根据疑似点蚀区域的梯度分布特征获得深度变化特征值;根据所述深度差异特征值和所述深度变化特征值获得疑似点蚀区域的深度特征值;
根据所述形状特征值和所述深度特征值获得目标点蚀指数;根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目的点蚀区域;
所述根据疑似点蚀区域的形态特征获得第一规则度的步骤包括:
计算所述疑似点蚀区域的分形维数值,将所述分形维数值的相反数代入以自然常数为底数的指数函数中,获得疑似点蚀区域的第一规则度;
所述根据疑似点蚀区域的边缘轮廓的变化特征获得第二规则度的步骤包括:
计算所述疑似点蚀区域的边缘像素点的曲率的方差,将所述方差的相反数代入以自然常数为底数的指数函数中,获得疑似点蚀区域的第一轮廓变化特征值;统计所述边缘像素点的曲率极大值的数量值,将所述边缘像素点的曲率极大值的数量值的相反数代入以自然常数为底数的指数函数中,获得第二轮廓变化特征值;计算所述第一轮廓变化特征值和所述第二轮廓变化特征值的平均值,获得所述疑似点蚀区域的第二规则度;
所述根据外观图像和所述疑似异常区域的灰度差异特征获得疑似点蚀区域的步骤包括:
计算任意疑似异常区域的灰度值的平均值,获得所述任意疑似异常区域的区域灰度均值;计算外观图像的灰度值的平均值,获得整体外观灰度均值;计算区域灰度均值和整体外观灰度均值的差值绝对值并归一化,获得所述任意疑似异常区域的异常特征值;当所述异常特征值超过预设异常阈值时,所述任意疑似异常区域为疑似点蚀区域;
所述根据所述形状特征值和所述深度特征值获得目标点蚀指数的步骤包括:
计算常数1与所述形状特征值的差值,获得形状特征映射值,计算所述形状特征映射值与所述深度特征值的平均值,获得疑似点蚀区域的目标点蚀指数。
2.根据权利要求1所述的一种非圆行星齿轮的质量异常检测方法,其特征在于,所述根据第一规则度和第二规则度获得疑似点蚀区域的形状特征值的步骤包括:
计算预设第一权重和所述第一规则度的乘积,获得第一形状特征权重;计算预设第二权重和所述第二规则度的乘积,获得第二形状特征权重;计算第一形状特征权重和第二形状特征权重的和值,获得疑似点蚀区域的形状特征值。
3.根据权利要求1所述的一种非圆行星齿轮的质量异常检测方法,其特征在于,所述根据疑似点蚀区域的灰度分布特征获得深度差异特征值的步骤包括:
获取所述疑似点蚀区域的灰度直方图,计算灰度直方图的纵轴极值差和横轴极值差的比值并归一化,获得疑似点蚀区域的深度差异特征值。
4.根据权利要求1所述的一种非圆行星齿轮的质量异常检测方法,其特征在于,所述根据疑似点蚀区域的梯度分布特征获得深度变化特征值的步骤包括:
计算疑似点蚀区域中像素点的梯度的平均值,将疑似点蚀区域中像素点的梯度的平均值的相反数代入以自然常数为底数的指数函数中,获得疑似点蚀区域的深度变化特征值。
5.根据权利要求1所述的一种非圆行星齿轮的质量异常检测方法,其特征在于,所述根据所述深度差异特征值和所述深度变化特征值获得疑似点蚀区域的深度特征值的步骤包括:
计算预设第三权重和深度差异特征值的乘积,获得第一深度特征权重;计算预设第四权重和深度变化特征值的乘积,获得第二深度特征权重;计算第一深度特征权重和第二深度特征权重的和值,获得疑似点蚀区域的深度特征值。
6.根据权利要求1所述的一种非圆行星齿轮的质量异常检测方法,其特征在于,所述根据疑似点蚀区域的目标点蚀指数获取非圆行星齿轮的目标点蚀区域的步骤包括:
当所述疑似点蚀区域的目标点蚀指数超过预设指数阈值时,所述疑似点蚀区域为目标点蚀区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410385905.9A CN117974666B (zh) | 2024-04-01 | 2024-04-01 | 一种非圆行星齿轮的质量异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410385905.9A CN117974666B (zh) | 2024-04-01 | 2024-04-01 | 一种非圆行星齿轮的质量异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974666A CN117974666A (zh) | 2024-05-03 |
CN117974666B true CN117974666B (zh) | 2024-06-25 |
Family
ID=90861359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410385905.9A Active CN117974666B (zh) | 2024-04-01 | 2024-04-01 | 一种非圆行星齿轮的质量异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974666B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751137A (zh) * | 2015-03-19 | 2015-07-01 | 江苏大学 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其*** |
CN108830822A (zh) * | 2018-03-12 | 2018-11-16 | 北京交通大学 | 基于改进Canny算子的受电弓碳滑板磨耗识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160142700A1 (en) * | 2014-11-19 | 2016-05-19 | Ginni Grover | Measuring Accuracy of Image Based Depth Sensing Systems |
CN111815630B (zh) * | 2020-08-28 | 2020-12-15 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN114486732B (zh) * | 2021-12-30 | 2024-04-09 | 武汉光谷卓越科技股份有限公司 | 一种基于线扫描三维的瓷砖缺陷在线检测方法 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
CN117522873B (zh) * | 2024-01-05 | 2024-03-29 | 惠汕绿创(江苏)科技有限公司 | 一种太阳能光伏组件生产质量检测*** |
-
2024
- 2024-04-01 CN CN202410385905.9A patent/CN117974666B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751137A (zh) * | 2015-03-19 | 2015-07-01 | 江苏大学 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其*** |
CN108830822A (zh) * | 2018-03-12 | 2018-11-16 | 北京交通大学 | 基于改进Canny算子的受电弓碳滑板磨耗识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117974666A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115601367A (zh) | 一种led灯芯缺陷检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115082418A (zh) | 一种汽车零部件精密识别方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及*** | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN112581434A (zh) | 一种用于产品缺陷检测的图像识别方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
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 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115294097A (zh) | 基于机器视觉的纺织品表面疵点检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
CN117974666B (zh) | 一种非圆行星齿轮的质量异常检测方法 |
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 |