基于人工智能的滚塑机械故障检测方法技术

本发明专利技术涉及机械故障检测技术领域，具体涉及基于人工智能的滚塑机械故障检测方法。方法包括：获取待检测的滚塑机械的待检测轴承图像和待检测转轴图像；对待检测轴承图像中的轴承特征进行提取，所述轴承特征包括内环圆周缺陷程度、外环圆周缺陷程度、内外环中心偏移度和轴承颜色复杂度；根据所述轴承特征得到轴承故障程度；利用霍夫变换获取待检测轴承图像中转轴的弯曲程度；根据轴承故障程度指标和转轴弯曲程度，得到待检测的滚塑机械的故障程度。本发明专利技术通过对滚塑机械故障程度进行自动检测，提高了对滚塑机械故障检测的效率。高了对滚塑机械故障检测的效率。高了对滚塑机械故障检测的效率。

【技术实现步骤摘要】
基于人工智能的滚塑机械故障检测方法


[0001]本专利技术涉及机械故障检测
，具体涉及基于人工智能的滚塑机械故障检测方法。

技术介绍

[0002]滚塑成型的基本加工过程就是将粉末状或液状的聚合物放在模具里加热，同时模具围绕两个不同的方向进行自转和公转，然后冷却成型。在滚塑成型过程中，滚塑机械会由于离心力的作用，使水平方向和垂直方向的转轴承受巨大的压力，因此在高强度作业的情况下，轴体可能会出现弯曲或断裂的现象；并且在高强度作业的情况下，滚塑机械的轴承处可能出现比较严重的磨损，进而导致物料仓出现非线性的转速波动。这类故障会导致滚塑产品的颜色和透光率不均匀，从而影响滚塑产品质量。现有的对滚塑机械的故障进行检测的技术依赖于专业人员的经验与人为观察，由于人员检测较大程度上依赖人工，因此人员检测存在检测效率较低的问题。

技术实现思路

[0003]为了解决对滚塑机械故障检测效率低的问题，本专利技术的目的在于提供一种基于人工智能的滚塑机械故障检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于人工智能的滚塑机械故障检测方法包括以下步骤：获取待检测的滚塑机械的待检测轴承图像和待检测转轴图像；对待检测轴承图像中的轴承特征进行提取，所述轴承特征包括内环圆周缺陷程度、外环圆周缺陷程度、内外环中心偏移度和轴承颜色复杂度；根据所述轴承特征得到轴承故障程度；利用霍夫变换得到待检测转轴图像中转轴的弯曲程度；根据轴承故障程度指标和转轴的弯曲程度，得到待检测的滚塑机械的故障程度。
[0004]优选的，得到轴承的内环圆周缺陷程度的方法包括：对待检测轴承图像进行灰度化处理，得到待检测轴承图像对应的灰度图；利用边缘检测算法对待检测轴承图像对应的灰度图的边缘特征进行提取，得到轴承内环的内环边缘和轴承外环的外环边缘；将内环边缘上的像素点坐标映射到三维空间当中，得到三维空间中的内环边缘数据点；利用最小二乘法拟合出三维空间中内环边缘数据点的回归线方程；计算三维空间中的内环边缘数据点与回归线之间的均方误差，得到轴承的内环圆周缺陷程度。
[0005]优选的，得到轴承的外环圆周缺陷程度的方法包括：将外环边缘上的像素点坐标映射到三维空间当中，得到三维空间中的外环边缘数
据点；利用最小二乘法拟合出三维空间中外环边缘数据点的回归线方程；计算三维空间中的外环边缘数据点与回归线之间的均方误差，得到轴承的外环圆周缺陷程度。
[0006]优选的，得到内外环中心偏移度的方法包括：获取多张不同角度的轴承图像；利用边缘检测算法对各轴承图像的边缘进行提取，得到各轴承图像轴承内环的内环边缘和轴承外环的外环边缘；从各轴承图像中的内环边缘上任取三个像素点，根据三个像素点的坐标，得到各轴承图像中的轴承内环的中心点坐标；从各轴承图像中的外环边缘上任取三个像素点，根据三个像素点的坐标，得到各轴承图像中的轴承外环的中心点坐标；计算各轴承图像对应的轴承内环的中心点和轴承外环的中心点之间的距离，记为各轴承图像对应的中心点距离；计算各轴承图像对应的中心点距离的平均值，得到待检测轴承图像的内外环中心偏移度。
[0007]优选的，得到轴承颜色复杂度的方法包括：利用第一语义分割网络对待检测轴承图像进行处理，得到轴承内外环区域图像；将轴承内外环区域图像转换成Lab模式，得到轴承内外环区域图像中各像素点对应的Lab值；根据各像素点对应Lab空间的三个通道值，构建各像素点的颜色向量；根据各像素点的颜色向量，计算各像素点与其对应的八邻域内的像素点的颜色差值向量；对各像素点与其对应的八邻域内的像素点的颜色差值向量求和，得到各像素点对应的颜色复杂度向量；将各像素点对应的颜色复杂度向量映射的二维坐标系中，得到各像素点的颜色复杂度向量对应的数据点；根据各像素点的颜色复杂度向量对应的数据点的坐标，得到所有数据点的均值点坐标和协方差矩阵；根据均值点坐标和协方差矩阵得到，得到轴承颜色复杂度。
[0008]优选的，轴承颜色复杂度的计算公式为：其中，为轴承颜色复杂度，为均值点的横坐标，为均值点的纵坐标，为所有数据点的横坐标的方差，为所有数据点的纵坐标的方差。
[0009]优选的，轴承故障程度的计算公式为：
其中，为轴承故障程度，为内环圆周缺陷程度、为外环圆周缺陷程度，为内外环中心偏移度，为轴承颜色复杂度，为轴承故障程度的调节参数。
[0010]优选的，利用霍夫变换得到待检测转轴图像中转轴的弯曲程度，包括：逐行遍历待检测转轴图像中横向转轴的像素点，将横向转轴的像素点坐标映射到第一霍夫参数空间中；获取第一霍夫参数空间中各点的投票数，构建第一投票数集合；计算第一投票数集合的方差，得到横向转轴对应的弯曲程度；逐列遍历待检测转轴图像中纵向转轴的像素点，将纵向转轴的像素点坐标映射到第二霍夫参数空间中；获取第二霍夫参数空间中各点的投票数，构建第二投票数集合；计算第二投票数集合的方差，得到纵向转轴对应的弯曲程度；将横向转轴对应的弯曲程度和纵向转轴对应的弯曲程度相加，得到检测机械图像中转轴的弯曲程度。
[0011]优选的，待检测的滚塑机械的故障程度的计算公式为：其中，为待检测的滚塑机械的故障程度，为轴承故障程度，为第一特征权值，为第二特征权值，为第一调节参数，为第二调节参数，为转轴的弯曲程度。
[0012]本专利技术具有如下有益效果：本专利技术首先对获取到的待检测轴承图像中的轴承的内环圆周缺陷程度、外环圆周缺陷程度、内外环中心偏移度和轴承颜色复杂度特征进行提取，然后将提取到的轴承的特征进行特征融合得到轴承故障程度，然后利用霍夫变换获取待转轴机械图像中转轴的弯曲程度，本专利技术再根据轴承故障程度指标和转轴弯曲程度，得到待检测的滚塑机械的故障程度。本专利技术通过对滚塑机械故障程度进行自动检测，提高了对滚塑机械故障检测的效率。
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为本专利技术提供的一种基于人工智能的滚塑机械故障检测方法的流程图；图2为本专利技术提供的滚塑机械示意图。
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能效果，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滚塑机械故障检测方
法及系统进行详细说明如下。
[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滚塑机械故障检测方法及系统的具体方案。
[0018]一种基于人工智能的滚塑机械故障检测方法实施例：如图1所示，本实施例的一种基于人工智能的滚塑机械故障检测方法包括以下步骤：步骤S1，获取待检测的滚塑机械的待检测轴承图像和待检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的滚塑机械故障检测方法，其特征在于，该方法包括以下步骤：获取待检测的滚塑机械的待检测轴承图像和待检测转轴图像；对待检测轴承图像中的轴承特征进行提取，所述轴承特征包括内环圆周缺陷程度、外环圆周缺陷程度、内外环中心偏移度和轴承颜色复杂度；根据所述轴承特征得到轴承故障程度；利用霍夫变换得到待检测转轴图像中转轴的弯曲程度；根据轴承故障程度指标和转轴的弯曲程度，得到待检测的滚塑机械的故障程度。2.根据权利要求1所述的一种基于人工智能的滚塑机械故障检测方法，其特征在于，得到轴承的内环圆周缺陷程度的方法包括：对待检测轴承图像进行灰度化处理，得到待检测轴承图像对应的灰度图；利用边缘检测算法对待检测轴承图像对应的灰度图的边缘特征进行提取，得到轴承内环的内环边缘和轴承外环的外环边缘；将内环边缘上的像素点坐标映射到三维空间当中，得到三维空间中的内环边缘数据点；利用最小二乘法拟合出三维空间中内环边缘数据点的回归线方程；计算三维空间中的内环边缘数据点与回归线之间的均方误差，得到轴承的内环圆周缺陷程度。3.根据权利要求2所述的一种基于人工智能的滚塑机械故障检测方法，其特征在于，得到轴承的外环圆周缺陷程度的方法包括：将外环边缘上的像素点坐标映射到三维空间当中，得到三维空间中的外环边缘数据点；利用最小二乘法拟合出三维空间中外环边缘数据点的回归线方程；计算三维空间中的外环边缘数据点与回归线之间的均方误差，得到轴承的外环圆周缺陷程度。4.根据权利要求1所述的一种基于人工智能的滚塑机械故障检测方法，其特征在于，得到内外环中心偏移度的方法包括：获取多张不同角度的轴承图像；利用边缘检测算法对各轴承图像的边缘进行提取，得到各轴承图像轴承内环的内环边缘和轴承外环的外环边缘；从各轴承图像中的内环边缘上任取三个像素点，根据三个像素点的坐标，得到各轴承图像中的轴承内环的中心点坐标；从各轴承图像中的外环边缘上任取三个像素点，根据三个像素点的坐标，得到各轴承图像中的轴承外环的中心点坐标；计算各轴承图像对应的轴承内环的中心点和轴承外环的中心点之间的距离，记为各轴承图像对应的中心点距离；计算各轴承图像对应的中心点距离的平均值，得到待检测轴承图像的内外环中心偏移度。5.根据权利要求1所述的一种基于人工智能的滚塑机械故障检测方法，其特征在于，得到轴承颜色复杂度的方法包括：

【专利技术属性】
技术研发人员：徐元杰，
申请(专利权)人：武汉市书豪塑胶有限公司，
类型：发明
国别省市：