一种金属表面划痕动态快速测量方法技术

本发明专利技术公开了一种金属表面划痕动态快速测量方法，包括：定义需判断的最小划痕宽度及划痕深度；通过激光位移传感器沿划痕切线方向运动，获取被测金属表面划痕信息的点云数据；应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测；将预测后的点云数据与获取点云数据进行点云数据比较；判断划痕存在位置，并计算划痕尺寸。该方法可实现金属表面划痕的动态快速测量，测量过程简单方便、准确率较高。

A fast and dynamic measurement method of scratch on metal surface

【技术实现步骤摘要】
一种金属表面划痕动态快速测量方法
本专利技术涉及机器视觉
，涉及一种金属表面划痕动态快速测量方法。
技术介绍
随着工业技术的发展，划痕检测逐渐成为检测的重点，往往决定着该工件是否有返修的必要。例如，在轮对检修过程中，由于拆卸导致对车轴表面造成划伤，产生微小划痕，而划痕深浅、划痕数量、划痕密度直接决定着列车车轴是否存在维修价值。传统金属表面划痕的检测采用的是人工检测，检测者凭借着肉眼对产生的表面划痕进行观察或通过经验对表面划痕进行识别。但在实际现场中检测者在噪声、震动的恶劣环境下，往往因疲劳、经验论导致检测结果无重复性，人为因素较多。导致划痕测量结果误差大、测量精度低，而且也存在检测人员劳动强度大、工作效率低的问题。另外，由于金属表面划痕由于材质反光、划痕细微等因素，无法准确对金属表面划痕测量进行检测。
技术实现思路
鉴于现有技术中对金属的表面存在难以准确检测出划痕深度和宽度信息的问题，本专利技术提出了一种金属表面划痕动态快速测量方法，包括：定义需判断的最小划痕宽度及划痕深度；通过激光位移传感器沿划痕切线方向运动，获取被测金属表面划痕信息的点云数据；应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测；将预测后的点云数据与获取点云数据进行点云数据比较；判断划痕存在位置，并计算划痕尺寸。在一个实施例中，应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测，具体包括：构建一个五层神经网络，将所述点云数据中的X方向及Y方向中前n/m及后n/m的数据作为输入，通过训练，将中间1-2n/m的X方向及Y方向点云作为期望结果输出。在一个实施例中，将预测后的点云数据与获取点云数据进行点云数据比较，包括：设不含划痕信息的数据点为(xoi,yoi)(i＝1,2,…,k)，被测金属表面划痕信息的点云数据(xci,yci)(i＝1,2,…,k)；步骤1：针对点云数据比较时，X方向坐标保持固定，只需对Y方向数据进行比较，即：εi＝yoi-yci(1)步骤2：若|εi|≥scratchdepth，则记录该点所在的位置xci，将其放置到数组new_xc中；scratchdepth表示预定义的最小划痕深度；步骤3：判断所述数组new_xc中|εi|≥scratchdepth的个数是否超过δ；其中δ取决于预定义的最小划痕宽度scratchwidth与被测划痕之间的点距dd。在一个实施例中，判断划痕存在位置，并计算划痕尺寸，包括：对数组new_xc中|εi|≥scratchdepth记录其起点位置及终点位置，并对该段数据进行计算；则所述被测划痕宽度为：Csw＝(scratchwidth_stop-scratchwidth_start)×dd(2)(2)式中，scratchwidth_stop表示划痕终止位置时在数组new_xc中X方向的坐标，scratchwidth_start表示划痕开始位置时在数组new_xc中X方向的坐标，Csw表示为被测划痕宽度；所述被测划痕深度为：Csd＝(scratchdepth_start+scratchdepth_stop)/2-min(scratchall_depth)(3)(3)式中，scratchdepth_start表示划痕开始位置时在数组new_xc中Y方向的坐标，scratchdepth_stop表示划痕终止位置时在数组new_xc中Y方向的坐标，Csd表示为被测划痕深度，min(scratchall_depth)表示划痕开始位置至划痕结束位置Y方向的最小数据值。本专利技术实施例提供的上述技术方案的有益效果至少包括：本专利技术实施例提供的一种金属表面划痕动态快速测量方法，通过预先定义需判断的最小划痕宽度及划痕深度，利用激光位移传感器沿划痕切线方向运动获取划痕信息的点云数据；应用神经网络对所述获取划痕信息的点云数据进行不含划痕信息的预测；将预测后的点云数据与获取点云数据进行点云数据比较；判断划痕存在位置，计算划痕尺寸；该方法可实现划痕动态的快速测量，测量过程简单方便、准确率较高。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例提供金属表面划痕动态快速测量方法的流程图；图2为本专利技术实施例提供的获取被测金属表面划痕信息的点云数据图；图3为本专利技术实施例提供的预测不含划痕的金属表面数据图；图4为本专利技术实施例提供的划痕数据框选图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。参照图1所示，本专利技术实施例提供一种金属表面划痕动态快速测量方法，包括：S1、定义需判断的最小划痕宽度及划痕深度；S2、通过激光位移传感器沿划痕切线方向运动，获取被测金属表面划痕信息的点云数据；S3、应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测；S4、将预测后的点云数据与获取点云数据进行点云数据比较；S5、判断划痕存在位置，并计算划痕尺寸。本实施例中，上述步骤S1中，定义需判断的最小划痕宽度及划痕深度；在对金属划痕进行测量时，根据测量对象不同，划痕的判断标准也存在着不同的要求。比如测量火车轮对车轴表面划痕时，定义最小划痕宽度为scratch_wigth＝0.1mm，最小划痕深度为scratch_depth＝0.06mm。因此，需要针对测量对象进行最小划痕宽度及划痕深度的定义，以满足测量需要。上述步骤S2中，通过激光位移传感器沿划痕切线方向运动，参照图2所示，获取被测金属表面划痕信息的点云数据；由于被测金属划痕一般呈现条状、区域凹陷等情况，因此，针对条状划痕沿着被测金属表面划痕切线方向可最大程度获取被测金属表面划痕的信息，同时，针对区域凹陷可沿着被测金属表面划痕切线方向同样能够满足测量需要。上述步骤S3中，应用神经网络对获取被测金属表面划痕信息的点云数据进行不含划痕信息的预测；其中，预测不含划痕的金属表面数据如图3所示；该神经网络可以包括多个神经网络，通过该多个神经网络分别对获取被测金属表面划痕信息的点云数据进行识别得到不含划痕信息的预测。该神经网络的结构类型可以本文档来自技高网...

【技术保护点】
1.一种金属表面划痕动态快速测量方法，其特征在于，包括：/n定义需判断的最小划痕宽度及划痕深度；/n通过激光位移传感器沿划痕切线方向运动，获取被测金属表面划痕信息的点云数据；/n应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测；/n将预测后的点云数据与获取点云数据进行点云数据比较；/n判断划痕存在位置，并计算划痕尺寸。/n

【技术特征摘要】
1.一种金属表面划痕动态快速测量方法，其特征在于，包括：
定义需判断的最小划痕宽度及划痕深度；
通过激光位移传感器沿划痕切线方向运动，获取被测金属表面划痕信息的点云数据；
应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测；
将预测后的点云数据与获取点云数据进行点云数据比较；
判断划痕存在位置，并计算划痕尺寸。


2.如权利要求1所述的一种金属表面划痕动态快速测量方法，其特征在于，应用神经网络对所述获取被测金属表面划痕信息的点云数据，进行不含划痕信息的预测，具体包括：
构建一个五层神经网络，将所述点云数据中的X方向及Y方向中前n/m及后n/m的数据作为输入，通过训练，将中间1-2n/m的X方向及Y方向点云作为期望结果输出。


3.如权利要求1所述的一种金属表面划痕动态快速测量方法，其特征在于，将预测后的点云数据与获取点云数据进行点云数据比较，包括：
设不含划痕信息的数据点为(xoi,yoi)(i＝1,2,…,k)，被测金属表面划痕信息的点云数据(xci,yci)(i＝1,2,…,k)；
步骤1：针对点云数据比较时，X方向坐标保持固定，只需对Y方向数据进行比较，即：
εi＝yoi-yci(1)
步骤2：若|εi|≥scratchdepth，则记录该点所在的位置xci，将其放置到数组new_xc中；scratchdepth表示预...

【专利技术属性】
技术研发人员：高金刚，侯岱双，王华，张爽，郭于龙，陈儒，祝国凯，赵伟甫，吴东旭，王新海，郭永旭，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林;22