基于人工智能的金属点蚀缺陷程度评估方法及系统技术方案

本发明专利技术涉及人工智能技术领域，具体涉及基于人工智能的金属点蚀缺陷程度评估方法及系统。该方法包括：采集金属材料的表面图像，利用参数不同的Gabor滤波器获得表面图像的多张卷积结果图像；筛选出滤波器的最优方向；在最优方向下获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据第一差异图像的第一复杂度获取目标波长的纹理表征有效性，得到有效截止波长；以预设初始波长和有效截止波长组成有效波长范围，计算有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据第二复杂度和有效波长计算表面图像的点蚀缺陷程度。本发明专利技术实施例能够提高点蚀缺陷程度的评估准确性和合理性。性和合理性。性和合理性。

【技术实现步骤摘要】
基于人工智能的金属点蚀缺陷程度评估方法及系统


[0001]本专利技术涉及人工智能
，具体涉及基于人工智能的金属点蚀缺陷程度评估方法及系统。

技术介绍

[0002]点蚀又称为孔蚀，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。由于孔径较小，且洞口表面常有腐蚀产物遮盖，检查点蚀时必须去除腐蚀产物否则很难发现。由于它的特殊的动力学过程，反应是在自催化作用下加速进行的，经常发生在具有自钝化性能的金属或合金上，影响金属的使用性能和使用寿命，点蚀一旦发生，孔内溶解速度相当大，经常在突然之间导致事故发生，是破坏性和隐患较大的局部腐蚀形态之一，危害性很大。
[0003]现阶段可基于漏磁、脉冲涡流和超声波等对点蚀缺陷进行无损检测，进而基于点蚀的颜色、数量、面积等特征进行程度判定，但上述方法的设备较复杂，且对设备的灵敏度要求较高，不适用于大量金属材料的缺陷程度评估。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的金属点蚀缺陷程度评估方法及系统，所采用的技术方案具体如下：
[0005]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金属点蚀缺陷程度评估方法，该方法包括以下步骤：
[0006]采集金属材料的表面图像，利用参数不同的Gabor滤波器获得所述表面图像的多张卷积结果图像；所述参数包括滤波器方向和波长；
[0007]通过计算每个所述滤波器方向对应的所述卷积结果图像的纹理复杂度，筛选出所述滤波器方向的最优值作为最优方向；
[0008]在所述最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据所述第一差异图像的第一复杂度获取所述目标波长的纹理表征有效性，选取最大的所述纹理表征有效性对应的目标波长作为有效截止波长；
[0009]以预设初始波长和所述有效截止波长组成有效波长范围，计算所述有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据所述第二复杂度和所述有效波长计算所述表面图像的点蚀缺陷程度。
[0010]优选的，所述获得所述表面图像的多张卷积结果图像的步骤之前，还包括：
[0011]对所述表面图像进行预处理，所述预处理包括灰度化、锐化处理、去噪处理以及将所有所述表面图像调整为相同尺寸。
[0012]优选的，所述最优方向的筛选过程包括：
[0013]将所述滤波器方向和所述波长组成可变二元组，对于同一所述滤波器方向对应的所述可变二元组得到的所述卷积结果图像，分别计算纹理复杂度并求和，以和的最大值对
应的滤波器方向作为所述最优方向。
[0014]优选的，所述纹理表征有效性的获取过程包括：
[0015]根据所述第一复杂度和平均复杂度得到纹理差异度，依据所述纹理差异度得到对应的调节因子，以所述目标波长对应的卷积结果图像的纹理复杂度和所述调节因子的乘积作为所述纹理表征有效性。
[0016]优选的，所述点蚀缺陷程度的获取过程包括：
[0017]根据所述有效截止波长获取优化系数，依据所述相邻的有效波长的均值和所述优化系数获取所述第二复杂度的权重，对所有所述第二复杂度以及所述预设初始波长对应的卷积结果图像的纹理复杂度进行加权求和，得到所述点蚀缺陷程度。
[0018]优选的，该方法还包括以下步骤：
[0019]通过多个预设缺陷阈值将所述点蚀缺陷程度分段，得到多个缺陷程度区间，对应多个缺陷等级。
[0020]优选的，所述纹理复杂度的获取过程包括：
[0021]获取所述卷积结果图像的灰度直方图，根据所述灰度直方图对应的二阶矩阵描述所述纹理复杂度。
[0022]第二方面，本专利技术另一个实施例提供了一种基于人工智能的金属点蚀缺陷程度评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的金属点蚀缺陷程度评估方法的步骤。
[0023]本专利技术实施例至少具有如下有益效果：
[0024]基于Gabor滤波器中不同参数提取到的不同的纹理信息，获得滤波器方向参数的最优值以及波长参数的有效取值范围，从而得到有效卷积结果图像，并根据其本身纹理信息以及相邻有效波长对应的有效卷积结果图像之间的纹理差异信息进行点蚀缺陷程度的评估，本专利技术实施例能够充分考虑不同缺陷程度的点蚀在不同参数Gabor滤波器中的表征情况，提高评估结果的准确性和合理性。
附图说明
[0025]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。
[0026]图1为本专利技术一个实施例提供的基于人工智能的金属点蚀缺陷程度评估方法的步骤流程图。
具体实施方式
[0027]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基于人工智能的金属点蚀缺陷程度评估方法及系统，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。
[0028]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。
[0029]下面结合附图具体的说明本专利技术所提供的基于人工智能的金属点蚀缺陷程度评估方法及系统的具体方案。
[0030]请参阅图1，其示出了本专利技术一个实施例提供的基于人工智能的金属点蚀缺陷程度评估方法的步骤流程图，该方法包括以下步骤：
[0031]步骤S001，采集金属材料的表面图像，利用参数不同的Gabor滤波器获得表面图像的多张卷积结果图像；参数包括滤波器方向和波长。
[0032]具体的步骤包括：
[0033]1.对表面图像进行预处理，预处理包括灰度化、锐化处理、去噪处理以及将所有表面图像调整为相同尺寸。
[0034]首先对采集的表面图像进行灰度化处理，将每个像素点的RGB值统一成灰度值，提高运算速度；然后对灰度图像使用Laplacian算子进行锐化处理，在保留图像背景信息的前提下突出细节信息，提高后续检测的准确性；进而使用中值滤波算法进行图像去噪处理，以降低异常点对后续图像分析的影响；最后对上述表面图像进行尺寸统一处理，使得图像大小为M*M，M即为图像尺寸，作为一个示例，本专利技术实施例基于经验值设定M＝128。
[0035]需要说明的是，采集的表面图像优选为正方形的图像。
[0036]2.利用参数不同的Gabor滤波器获得预处理后的表面图像的多张卷积结果图像。
[0037]Gabor滤波是一个用于边缘提取的线性滤波器，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的金属点蚀缺陷程度评估方法，其特征在于，该方法包括以下步骤：采集金属材料的表面图像，利用参数不同的Gabor滤波器获得所述表面图像的多张卷积结果图像；所述参数包括滤波器方向和波长；通过计算每个所述滤波器方向对应的所述卷积结果图像的纹理复杂度，筛选出所述滤波器方向的最优值作为最优方向；在所述最优方向下，获取目标波长与其相邻波长对应的卷积结果图像之间的第一差异图像，根据所述第一差异图像的第一复杂度获取所述目标波长的纹理表征有效性，选取最大的所述纹理表征有效性对应的目标波长作为有效截止波长；；以预设初始波长和所述有效截止波长组成有效波长范围，计算所述有效波长范围内相邻的有效波长对应的有效卷积结果图像之间的第二差异图像的第二复杂度，根据所述第二复杂度和所述有效波长计算所述表面图像的点蚀缺陷程度。2.根据权利要求1所述的方法，其特征在于，所述获得所述表面图像的多张卷积结果图像的步骤之前，还包括：对所述表面图像进行预处理，所述预处理包括灰度化、锐化处理、去噪处理以及将所有所述表面图像调整为相同尺寸。3.根据权利要求1所述的方法，其特征在于，所述最优方向的筛选过程包括：将所述滤波器方向和所述波长组成可变二元组，对于同一所述滤波器方向对应的所述可变二元组得到的所述卷积结果图像，分别计算纹理复杂...

【专利技术属性】
技术研发人员：王玲，
申请(专利权)人：沭阳鑫洪锐金属制品有限公司，
类型：发明
国别省市：