基于人工智能的机械配件故障快速检测方法技术

本发明专利技术涉及图像数据处理技术领域，具体涉及基于人工智能的机械配件故障快速检测方法，包括：通过对配件灰度图像中像素点的梯度进行分析，获得第一像素点，进一步对第一像素点在局部范围内的密集程度进行分析，以及对第一像素点所在连通域的大小进行分析，获得第二像素点，根据所有第二像素点的灰度分布特征，获得自适应双阈值。本发明专利技术通过获取的自适应双阈值，对配件灰度图像进行快速分割处理，通过双阈值的自适应获取提高了配件灰度图像的分割准确性，并进一步提高了对机械配件的故障缺陷检测效率和准确性。检测效率和准确性。检测效率和准确性。

【技术实现步骤摘要】
基于人工智能的机械配件故障快速检测方法


[0001]本专利技术涉及图像数据处理
，具体涉及基于人工智能的机械配件故障快速检测方法。

技术介绍

[0002]在数字化工厂生产加工机械配件时，机械配件的表面部分区域会由于磕碰、应力变化以及受到氧化出现划痕、裂纹以及锈蚀缺陷，导致机械配件出现质量问题，导致在使用过程中使得机械系统发生故障，影响机械系统的正常运行，甚至导致机械系统损坏。
[0003]目前，利用基于计算机视觉的无接触检测方法受到广泛使用，在对机械配件的图像进行处理分析过程中，通常利用大津法进行阈值分割，实现机械配件的缺陷检测，如果机械配件表面的像素点灰度值分布范围较广，大津法获取的单一阈值对机械配件的图像进行分割的效果不够理想，分割后的图像容易出现非缺陷区域，降低后续缺陷识别的精度；另外，利用区域生长算法和图割算法进行图像分割时，由于算法复杂度较高，对图像的处理计算过程较长，不能够满足生产需要。
[0004]本专利技术提出了一种基于人工智能的机械配件故障快速检测方法，通过图像处理技术，可以快速获取配件灰度图像中的缺陷区域；根据配件灰度图像中像素点的梯度和灰度分别获取第一像素点和第二像素点，通过获取第二像素点的密集程度以及所在连通域的距离特征，进一步获得缺陷像素点所对应的自适应双阈值，并利用自适应双阈值对配件灰度图像进行分割处理，实现机械配件故障缺陷的快速检测。

技术实现思路

[0005]本专利技术提供基于人工智能的机械配件故障快速检测方法，以解决现有的问题。
[0006]本专利技术的基于人工智能的机械配件故障快速检测方法采用如下技术方案：
[0007]本专利技术提供了基于人工智能的机械配件故障快速检测方法，该方法包括以下步骤：
[0008]获取配件灰度图像；
[0009]根据配件灰度图像中像素点的梯度大小，获得第一像素点；根据所有第一像素点在预设矩形范围内第一像素点的数量，获得第一像素点的密集程度；根据配件灰度图像中任意第一像素点所在连通域内，任意两个像素点之间的距离，获得对应第一像素点所在连通域的特征距离；根据特征距离和密集程度的大小，获得第二像素点；
[0010]获取所有第二像素点的平均灰度以及分布特征，根据平均灰度和分布特征获得低灰度阈值和高灰度阈值；
[0011]利用低灰度阈值和高灰度阈值对配件灰度图像进行分割处理，获得缺陷图像，并对缺陷图像进行检测识别，实现对机械配件故障缺陷进行快速智能检测。
[0012]进一步的，所述第一像素点，获取方法如下：
[0013]首先，通过Sobel算子获取配件灰度图像中所有像素点的梯度；
[0014]然后，获取配件灰度图像中，所有像素点的梯度平均值，根据经验预设梯度阈值记为分类阈值，将配件灰度图像中梯度小于分类阈值的像素点，记为第一像素点，获得若干个第一像素点。
[0015]进一步的，所述密集程度，获取方法如下：
[0016]首先，预设大小为a
×
a的矩形范围，以任意第一像素点为矩形范围的中心位置，获取矩形范围内第一像素点的数量；
[0017]然后，将矩形范围内第一像素点的数量与矩形范围的面积之间的比值，记为位于矩形范围中心的第一像素点的密集程度，获得若干个第一像素点的密集程度。
[0018]进一步的，所述特征距离，获取方法如下：
[0019]首先，利用连通域检测方法，获取在配件灰度图像中所有第一像素点所在的连通域；
[0020]然后，获取任意连通域中任意两个像素点的欧氏距离，将欧氏距离最大值记为连通域的特征距离。
[0021]进一步的，所述第二像素点，获取方法如下：
[0022]首先，利用线性归一化方法，对所有连通域的特征距离和所有第一像素点的密集程度进行归一化处理，将归一化处理后的特征距离和密集程度，分别记为归一化特征距离和归一化密集程度；
[0023]然后，根据经验预设特征距离阈值和密集程度阈值，将特征距离大于特征距离阈值的连通域中，密集程度大于密集程度阈值的第一像素点，记为第二像素点，获得若干个第二像素点。
[0024]进一步的，所述低灰度阈值和高灰度阈值，获取方法如下：
[0025]首先，获取所有第二像素点的灰度的平均值以及标准差，分别记为平均灰度μ和分布特征σ；
[0026]然后，根据经验预设灰度区间[μ
‑
2σ，μ+2σ]，将灰度区间的左端点记为低灰度阈值，将灰度区间的右端点记为高灰度阈值。
[0027]进一步的，所述利用低灰度阈值和高灰度阈值对配件灰度图像进行分割处理，获得缺陷图像，并对缺陷图像进行检测识别，实现对机械配件故障缺陷进行快速智能检测，包括的具体步骤如下：
[0028]步骤(1)，利用自适应双阈值对配件灰度图像进行分割处理：将配件灰度图像中，灰度值小于低灰度阈值和灰度值大于高灰度阈值的像素点的灰度值，设置为0；将灰度值在灰度区间[μ
‑
2σ，μ+2σ]范围内像素点的灰度值设置为255，获得阈值分割后的图像，记为缺陷图像；
[0029]步骤(2)，对缺陷图像进行检测识别，实现对机械配件故障缺陷进行快速智能检测，具体过程为：
[0030]首先，利用缺陷图像的获取方法，获得大量不同种类的机械配件的缺陷图像，并由机械制造领域的专业人员对缺陷图像进行人工标注，标注内容有：划痕、锈蚀以及裂纹，将任意缺陷图像的人工标注内容作为人工标签，则一个带有人工标签的缺陷图像作为一个样本，则大量带有人工标签的缺陷图像形成用于训练神经网络的数据集；
[0031]然后，根据经验预设划分比例，将数据集按照划分比例，划分为训练集、验证集以
及测试集，结合交叉熵损失函数，对ResNet卷积神经网络进行训练，获得完成训练的ResNet卷积神经网络；
[0032]最后，利用完成训练的ResNet卷积神经网络对缺陷图像进行检测识别，获得缺陷图像对应的缺陷类型，实现对机械配件故障的快速智能检测。
[0033]本专利技术的技术方案的有益效果是：通过对配件灰度图像中像素点的梯度进行分析，获得第一像素点，进一步对第一像素点在局部范围内的密集程度进行分析，以及对第一像素点所在连通域的大小进行分析，获得第二像素点，根据所有第二像素点的灰度分布特征，获得自适应双阈值，进一步实现利用获取的自适应双阈值，对配件灰度图像进行快速分割处理，通过双阈值的自适应获取提高了配件灰度图像的分割准确性，并进一步提高了对机械配件的故障缺陷检测效率和准确性。
附图说明
[0034]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，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地介绍，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他的附图。
[0035]图1为本专利技术基于人工智能的机械配件故障快速检测方法的步骤流程图；
[0036]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的机械配件故障快速检测方法，其特征在于，该方法包括以下步骤：获取配件灰度图像；根据配件灰度图像中像素点的梯度大小，获得第一像素点；根据所有第一像素点在预设矩形范围内第一像素点的数量，获得第一像素点的密集程度；根据配件灰度图像中任意第一像素点所在连通域内，任意两个像素点之间的距离，获得对应第一像素点所在连通域的特征距离；根据特征距离和密集程度的大小，获得第二像素点；获取所有第二像素点的平均灰度以及分布特征，根据平均灰度和分布特征获得低灰度阈值和高灰度阈值；利用低灰度阈值和高灰度阈值对配件灰度图像进行分割处理，获得缺陷图像，并对缺陷图像进行检测识别，实现对机械配件故障缺陷进行快速智能检测。2.根据权利要求1所述基于人工智能的机械配件故障快速检测方法，其特征在于，所述第一像素点，获取方法如下：首先，通过Sobel算子获取配件灰度图像中所有像素点的梯度；然后，获取配件灰度图像中，所有像素点的梯度平均值，根据经验预设梯度阈值记为分类阈值，将配件灰度图像中梯度小于分类阈值的像素点，记为第一像素点，获得若干个第一像素点。3.根据权利要求1所述基于人工智能的机械配件故障快速检测方法，其特征在于，所述密集程度，获取方法如下：首先，预设大小为a
×
a的矩形范围，以任意第一像素点为矩形范围的中心位置，获取矩形范围内第一像素点的数量；然后，将矩形范围内第一像素点的数量与矩形范围的面积之间的比值，记为位于矩形范围中心的第一像素点的密集程度，获得若干个第一像素点的密集程度。4.根据权利要求1所述基于人工智能的机械配件故障快速检测方法，其特征在于，所述特征距离，获取方法如下：首先，利用连通域检测方法，获取在配件灰度图像中所有第一像素点所在的连通域；然后，获取任意连通域中任意两个像素点的欧氏距离，将欧氏距离最大值记为连通域的特征距离。5.根据权利要求1所述基于人工智能的机械配件故障快速检测方法，其特征在于，所述第二像素点，获取方法如下：首先，利用线性归一化方法，对所有连通域的特征距离和所有第一像素点的密集程度进行归一化处理，将归一化处理后的特征距...

【专利技术属性】
技术研发人员：黄建娜，杜恒，刘松林，黄卓，张洁溪，张继方，相黎阳，
申请(专利权)人：河南工业职业技术学院，
类型：发明
国别省市：