【技术实现步骤摘要】
本专利技术涉及图像数据处理，尤其是涉及基于人工智能的工业零件生产过程质量溯源方法及系统。
技术介绍
1、不管是在产品生产的过程中，还是在完成产品生产之后，往往需要对产品进行质量检测，以确定出产品合不合格。叶轮叶片是发动机动力系统中重要的安全部件，它的质量情况直接影响到飞机的安全飞行。发动机叶轮叶片是由自动化产线生成，受到各种各样因素的影响，叶轮叶片表面会不可避免地产生不同种类的缺陷。
2、航空发动机结构复杂，零部件众多。叶轮叶片是发动机数量最多的部件，一台发动机的叶片总数有的可达2000多片。航空发动机叶轮叶片的典型特点都可以概括为：形状复杂(壁薄、叶身扭曲大)、材料特殊(高温合金)、加工工艺复杂，制造成本非常高。在服役中的发动机，叶轮叶片承受高温、交变载荷等复杂工况，航空飞机在飞行一段时间后，极易出现磨损、扭转、折边、凹坑、掉块等损伤，要最大程度上降低损伤，就要保证发动机叶轮叶片表面加工质量，剔除有缺陷的表面叶片。
3、传统的缺陷检测方法分为人工检测和传统的机器视觉检测，人工容易受技术人员的以往经验、精力、内心等因素影响，这种人工方法存在不足之处如下：检测精度低、检测效率不足、容易误检和漏检；传统机器视觉检测需要根据特定的目标的特别设计相应的检测方案，设计时间久，泛化能力差。近几年，随着计算机视觉的发展势头迅猛以及图像处理技术、人工智能等理论知识的不断完善，表面缺陷检测技术向着智能化的方向迈进。
技术实现思路
1、基于此，有必要针对上述技术问题，提供基于人
2、第一方面，本专利技术提供了基于人工智能的工业零件生产过程质量溯源方法，该方法包括：
3、s1、拍摄加工制造后的叶轮叶片，获取叶轮叶片表面图像，并通过叶轮叶片表面图像的灰度化处理，生成叶轮叶片灰度图像；
4、s2、基于图像数据处理的方式，将叶轮叶片灰度图像标定为不同类型的区域，并通过识别各个区域内的缺陷参数，计算缺陷程度值；
5、s3、识别作业区域内的目标对象针对目标产品执行的异常动作，并分析异常动作的重要性等级与问题类型，生成叶轮叶片的异常生产数据；
6、s4、基于叶轮叶片实际的产线数据与质量数据，建立产品与质量数据之间的线性回归数学模型，计算叶轮叶片的质量检测结果；
7、s5、关联叶轮叶片的质量检测结果及其异常生产数据，得到用于产品质量的可溯源生产数据，并告知制造厂商完成质量溯源反馈。
8、进一步的，基于图像数据处理的方式，将叶轮叶片灰度图像标定为不同类型的区域，并通过识别各个区域内的缺陷参数，计算缺陷程度值包括：
9、s21、采用叶轮叶片前景分割算法，利用叶轮叶片灰度图像中有限的叶轮图片边缘与内部像素点，划分出叶轮叶片区域作为前景；
10、s22、采用大津法提取叶轮叶片区域中灰度值大于大津法阈值的区域，作为待测区域；
11、s23、圆拟合每个待测区域中的所有像素点，得到每个待测区域的拟合圆，并基于拟合圆，将待测区域标记为不同类型的区域；
12、s24、基于提取的缺陷参数计算叶轮叶片的整体划痕深度与整体粗糙程度，并结合整体划痕深度与整体粗糙程度，计算叶轮叶片的缺陷程度值。
13、进一步的，基于拟合圆，将待测区域标记为不同类型的区域包括：
14、s231、将拟合圆与叶轮叶片边缘存在交点的待测区域作为圆弧划痕区域，再将拟合圆与叶轮叶片边缘不存在交点的待测区域作为光滑反光区域；
15、s232、以圆弧划痕区域的拟合圆的圆心作为区域圆心，以第一半径与第二半径分别绘制第一圆与第二圆，并以第一圆与第二圆的圆环区域作为圆弧划痕区域的归整区域；
16、s233、将属于圆弧划痕区域但不属于该圆弧划痕区域的归整区域的所有像素点构成聚集区域，并对每个聚集区域进行角点检测，确定所有角点后，对所有角点聚类得到若干聚类簇；
17、s234、提取每个聚类簇的凸包，在任意两个凸包中各取一个像素点计算两个像素点之间的点对点距离，若该点对点距离满足预设判定条件，则将两个凸包对应的两个聚类簇归为同一个簇；
18、s235、将归为同一个簇的两个聚类簇中与圆弧划痕区域的归整区域相邻的边缘像素点删除，得到两段聚类簇边缘线段，并将两段聚类簇边缘线段的端点按照连接线不相交的方式进行跨越归整区域的直接连接，形成一个封闭区域，将该封闭区域作为点状反光区域。
19、进一步的，基于提取的缺陷参数计算叶轮叶片的整体划痕深度与整体粗糙程度，并结合整体划痕深度与整体粗糙程度，计算叶轮叶片的缺陷程度值包括：
20、s241、提取圆弧划痕区域中拟合圆的划痕缺陷参数，利用划痕深度计算公式计算圆弧划痕区域内的划痕深度，其中，划痕缺陷参数包括圆弧划痕区域的划痕指数、圆弧划痕区域内像素点个数与同时属于圆弧划痕区域以及圆弧划痕区域的归整区域的像素点个数；
21、s242、判断圆弧划痕区域的划痕指数是否大于划痕指数阈值，若大于，则标定该圆弧划痕区域为明显划痕区域，并计算所有明显划痕区域的划痕深度的均值，作为叶轮叶片的整体划痕深度；
22、s243、提取点状反光区域中的粗糙缺陷参数，利用粗糙程度计算公式计算点状反光区域的整体粗糙程度，其中，粗糙缺陷参数包括点状反光区域的数量、每个点状反光区域内像素点数量、所有点状反光区域内像素点数量的最小值以及所有点状反光区域内像素点数量的中值；
23、s244、基于叶轮叶片的整体划痕深度和叶轮叶片的整体粗糙程度计算叶轮叶片的缺陷程度值，缺陷程度值的计算公式为：
24、
25、式中，wbp表示叶轮叶片的磨损程度值；fsd表示叶轮叶片的整体划痕深度；ptf表示叶轮叶片的整体粗糙程度；t0表示叶轮叶片的最小允许厚度；t1表示叶轮叶片的当前的剩余厚度；t2表示叶轮叶片出厂时的厚度。
26、进一步的，识别作业区域内的目标对象针对目标产品执行的异常动作，并分析异常动作的重要性等级与问题类型，生成叶轮叶片的异常生产数据包括：
27、s31、识别叶轮叶片表面图像中目标对象对应的执行动作序列，并获取作业区域对应的参考动作序列；
28、s32、通过比对执行动作序列与参考动作序列，识别执行动作序列中存在的异常动作；
29、s33、基于重要性等级评判标准，判定各个异常动作的重要性等级；
30、s34、向目标设备发送异常动作判定结果，反馈异常动作的问题类型；
31、s35、利用目标设备展示所有异常动作及其重要性等级与问题类型，作为叶轮叶片的异常生产数据。
32、进一步的，通过比对执行动作序列与参考动作序列，识别执行动作序列中存在的异常动作包括：
33、s321、将执行动作序列中的每个动作作为第一目标动作，选定第一目标动作在执行动作序列中的第一次序，并从参考动作序列中选取第一次序对应本文档来自技高网...
【技术保护点】
1.基于人工智能的工业零件生产过程质量溯源方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于图像数据处理的方式，将所述叶轮叶片灰度图像标定为不同类型的区域，并通过识别各个区域内的缺陷参数，计算缺陷程度值包括：
3.根据权利要求2所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于所述拟合圆，将所述待测区域标记为不同类型的区域包括：
4.根据权利要求3所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于提取的缺陷参数计算叶轮叶片的整体划痕深度与整体粗糙程度，并结合整体划痕深度与整体粗糙程度，计算叶轮叶片的缺陷程度值包括：
5.根据权利要求2所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述识别作业区域内的目标对象针对目标产品执行的异常动作，并分析所述异常动作的重要性等级与问题类型，生成叶轮叶片的异常生产数据包括：
6.根据权利要求5所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述通过比
7.根据权利要求5所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于重要性等级评判标准，判定各个所述异常动作的重要性等级包括：
8.根据权利要求5所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述向目标设备发送异常动作判定结果，反馈异常动作的问题类型包括：
9.根据权利要求1所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述线性回归数学模型的表达式为：
10.基于人工智能的工业零件生产过程质量溯源系统，用于实现权权利要求1-9中所述基于人工智能的工业零件生产过程质量溯源方法，其特征在于，该系统包括：
...【技术特征摘要】
1.基于人工智能的工业零件生产过程质量溯源方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于图像数据处理的方式，将所述叶轮叶片灰度图像标定为不同类型的区域，并通过识别各个区域内的缺陷参数，计算缺陷程度值包括：
3.根据权利要求2所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于所述拟合圆，将所述待测区域标记为不同类型的区域包括：
4.根据权利要求3所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述基于提取的缺陷参数计算叶轮叶片的整体划痕深度与整体粗糙程度，并结合整体划痕深度与整体粗糙程度，计算叶轮叶片的缺陷程度值包括：
5.根据权利要求2所述的基于人工智能的工业零件生产过程质量溯源方法，其特征在于，所述识别作业区域内的目标对象针对目标产品执行的异常动作，并分析所述异常动作的重要...
【专利技术属性】
技术研发人员：张梦怡，王超，朱文俊，易阳，王村松，薄翠梅，彭浩，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。