基于人工智能的机械零件表面损伤检测方法技术

本发明专利技术涉及零件损伤检测识别领域，具体涉及基于人工智能的机械零件表面损伤检测方法。方法包括：构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型；根据零件表面图像中各像素点的灰度值，计算像素点与像素点之间的权值；根据初始损伤区域和初始正常区域的混合高斯模型，得到各像素点划分为损伤区域和正常区域的概率；根据像素点与像素点之间的权值、各像素点划分为损伤区域的概率和划分为正常区域的概率，构建损失函数模型，得到目标损伤区域，计算目标损伤区域的损伤指标；根据各行像素点的排列熵和各列像素点的排列熵，计算结构分布指标；根据损伤指标和结构分布指标，得到损伤程度指标。本发明专利技术提高了检测精度，节省了检测时间。省了检测时间。省了检测时间。

【技术实现步骤摘要】
基于人工智能的机械零件表面损伤检测方法


[0001]本专利技术涉及零件损伤检测识别领域，具体涉及基于人工智能的机械零件表面损伤检测方法。

技术介绍

[0002]零件表面出现损伤时不仅影响零件的外部美观、表面光滑性、密封性以及耐腐蚀性，而且会对后续机械设备的运行、使用寿命、工作效率等都会产生较大影响，严重时，将会导致事故的发生。因此，对于机械零件表面损伤检测、判定是极其关键的一步。
[0003]传统进行零件损伤检测一般是根据领域内的专业检测人员以及检测仪器进行识别，专业检测人员评估方法人工成本较高，人为检测主观性较强，检测结果误检率高，且对检测人员的专业性有较高要求；通过仪器进行表面质量评估的方法，由于受测量仪器本身固有损伤、测量环境以及检测人员技能等因素的影响，会使检测结果产生误差，导致评估结果不准确。

技术实现思路

[0004]为了解决现有方法检测零件表面损伤准确性低的问题，本专利技术的目的在于提供一种基于人工智能的机械零件表面损伤检测方法，所采用的技术方案具体如下：本专利技术提供了一种基于人工智能的机械零件表面损伤检测方法,该方法包括以下步骤：获取零件表面图像；根据所述零件表面图像，构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型；所述初始正常区域为零件表面图像中除去初始损伤区域的区域；根据零件表面图像中各像素点的灰度值，计算零件表面图像中像素点与像素点之间的权值；根据所述初始损伤区域的混合高斯模型，得到零件表面图像中各像素点划分为损伤区域的概率，根据所述初始正常区域的混合高斯模型，得到零件表面图像中各像素点划分为正常区域的概率；根据所述零件表面图像中像素点与像素点之间的权值、零件表面图像中各像素点划分为损伤区域的概率和零件表面图像中各像素点划分为正常区域的概率，构建损失函数模型；根据所述损失函数模型，得到目标损伤区域；根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率，得到目标损伤区域的损伤指标；获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵，根据所述目标损伤区域中各行像素点的排列熵和各列像素点的排列熵，计算目标损伤区域的结构分布指标；根据所述目标损伤区域的损伤指标和目标损伤区域的结构分布指标，计算零件表面的损伤程度指标。
[0005]优选的，所述构建初始损伤区域的混合高斯模型，包括：采用聚类算法对初始损伤区域的像素点进行聚类，得到设定个数的簇；获取各簇内像素点的数量和各簇内各像素点的灰度值，根据所述各簇内像素点的数量和各簇内各像素点的灰度值，构建各簇对应的高斯子模型；根据所述各簇对应的高斯子模型，构建初始损伤区域的混合高斯模型。
[0006]优选的，所述初始损伤区域的混合高斯模型为：其中，为初始损伤区域的混合高斯模型，为第个簇对应的高斯子模型，为第个簇内像素点的数量，为初始损伤区域中簇的个数。
[0007]优选的，损失函数模型为：其中，为损失函数模型，为目标损伤区域像素点的个数，为正常区域像素点的个数，为目标损伤区域中第个像素点和第个像素点之间的权值，为正常区域中第个像素点和第个像素点之间的权值，为目标损伤区域中第个像素点划分为损伤区域的概率，为正常区域中第个像素点划分为正常区域的概率。
[0008]优选的，所述根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率，得到目标损伤区域的损伤指标，包括：采用如下公式计算目标损伤区域中各像素点对于目标损伤区域的隶属度：其中，为目标损伤区域中第个像素点对于目标损伤区域的隶属度，为目标损伤区域中第个像素点和第个像素点之间的权值，为目标损伤区域中第个像素点划分为损伤区域的概率，为目标损伤区域中像素点的个数；采用如下公式计算目标损伤区域的损伤指标：其中，为目标损伤区域的损伤指标。
[0009]优选的，所述获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵，包括：
获取目标损伤区域中各行像素点的灰度值，根据目标损伤区域中各行像素点的灰度值，构建各行像素点对应的原始序列；根据设定的嵌入维度和时间延迟，对各行像素点对应的原始序列进行重构，得到各行像素点对应的多组重构行序列；根据所述各行像素点对应的多组重构行序列，得到各行像素点的排列熵；获取目标损伤区域中各列像素点的灰度值，根据目标损伤区域中各列像素点的灰度值，构建各列像素点对应的原始序列；根据设定的嵌入维度和时间延迟，对各列像素点对应的原始序列进行重构，得到各列像素点对应的多组重构列序列；根据所述各列像素点对应的多组重构列序列，得到各列像素点的排列熵。
[0010]优选的，采用如下公式计算目标损伤区域的结构分布指标：其中，为目标损伤区域的结构分布指标，为目标损伤区域第行像素点的排列熵，为目标损伤区域第列像素点的排列熵，为目标损伤区域的像素行数，为目标损伤区域的像素列数。
[0011]优选的，采用如下公式计算零件表面的损伤程度指标：其中，为零件表面的损伤程度指标，为目标损伤区域的个数，为第个目标损伤区域的损伤指标，为第个目标损伤区域的结构分布指标，为第个目标损伤区域的面积，为零件表面图像的面积。
[0012]本专利技术具有如下有益效果：本专利技术构建了初始损伤区域的混合高斯模型，根据初始损伤区域的混合高斯模型得到零件表面图像中各像素点划分为损伤区域的概率，同时构建了初始正常区域的混合高斯模型，根据初始正常区域的混合高斯模型得到零件表面图像中各像素点划分为正常区域的概率；基于零件表面图像中像素点划分为损伤区域的概率和划分为正常区域的概率对像素点进行划分，得到目标损伤区域，提高了零件表面损伤区域的检测精度。本专利技术的目标损伤区域相较于初始损伤区域更加准确，因此本申请计算的损伤指标更加准确；在此基础上，本专利技术还计算了目标损伤区域的结构分布指标，根据目标损伤区域的损伤指标和结构分布指标这两个指标共同对零件表面的损伤程度指标进行判断，判断结果更加准确。本专利技术的检测方法属于一种自动检测方法，不依赖于人工，相较于现有的人工检测方法节省了检测时间，提高了检测效率。
附图说明
[0013]为了更清楚地说明本专利技术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
仅是本专利技术的一些实施例，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。
[0014]图1为本专利技术一个实施例所提供的一种基于人工智能的机械零件表面损伤检测方法的流程图；图2为本专利技术的检测效果对比图。
具体实施方式
[0015]为了更进一步阐述本专利技术为达成预定专利技术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，对依据本专利技术提出的一种基于人工智能的机械零件表面损伤检测方法进行详细说明如下。
[0016]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专利技术的
的技术人员通常理解的含义相同。
[0017]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的机械零件表面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的机械零件表面损伤检测方法，其特征在于，该方法包括以下步骤：获取零件表面图像；根据所述零件表面图像，构建初始损伤区域的混合高斯模型和初始正常区域的混合高斯模型；所述初始正常区域为零件表面图像中除去初始损伤区域的区域；根据零件表面图像中各像素点的灰度值，计算零件表面图像中像素点与像素点之间的权值；根据所述初始损伤区域的混合高斯模型，得到零件表面图像中各像素点划分为损伤区域的概率，根据所述初始正常区域的混合高斯模型，得到零件表面图像中各像素点划分为正常区域的概率；根据所述零件表面图像中像素点与像素点之间的权值、零件表面图像中各像素点划分为损伤区域的概率和零件表面图像中各像素点划分为正常区域的概率，构建损失函数模型；根据所述损失函数模型，得到目标损伤区域；根据目标损伤区域中像素点与像素点之间的权值和目标损伤区域中各像素点划分为损伤区域的概率，得到目标损伤区域的损伤指标；获取目标损伤区域中各行像素点的排列熵和各列像素点的排列熵，根据所述目标损伤区域中各行像素点的排列熵和各列像素点的排列熵，计算目标损伤区域的结构分布指标；根据所述目标损伤区域的损伤指标和目标损伤区域的结构分布指标，计算零件表面的损伤程度指标。2.根据权利要求1所述的一种基于人工智能的机械零件表面损伤检测方法，其特征在于，所述构建初始损伤区域的混合高斯模型，包括：采用聚类算法对初始损伤区域的像素点进行聚类，得到设定个数的簇；获取各簇内像素点的数量和各簇内各像素点的灰度值，根据所述各簇内像素点的数量和各簇内各像素点的灰度值，构建各簇对应的高斯子模型；根据所述各簇对应的高斯子模型，构建初始损伤区域的混合高斯模型。3.根据权利要求1所述的一种基于人工智能的机械零件表面损伤检测方法，其特征在于，所述初始损伤区域的混合高斯模型为：其中，为初始损伤区域的混合高斯模型，为第个簇对应的高斯子模型，为第个簇内像素点的数量，为初始损伤区域中簇的个数。4.根据权利要求1所述的一种基于人工智能的机械零件表面损伤检测方法，其特征在于，损失函数模型为：
其中，为损失函数模型，为目标损伤区域像素点的个数，为正常区域像素点的个数，为目标损伤区域中第个像素点和第个像素点之间的权值，为正常区域中第个像素点和第个像素点之间的权...

【专利技术属性】
技术研发人员：张金刚，司文强，王帅福，冯玉豹，
申请(专利权)人：山东精良海纬机械有限公司，
类型：发明
国别省市：