一种基于人工智能的机械齿轮表面质量评估方法

技术领域

本申请涉及机械零件质量检测领域，具体涉及一种基于人工智能的机械齿轮表面质量评估方法。

背景技术

在机械等领域中，机械齿轮是各种机械设备中使用频率较高的一个旋转部件。旋转部件在生产过程以及出厂前必须经过表面质量的检测评估，机械齿轮的齿面以及齿轮表面出现异常现象时，将会影响后续使用效果，严重时将会导致安全事故问题。但是，目前大多是人工进行齿轮质量的整体评估，传统人工对齿轮的质量进行评估，主观性较强，准确度较低，检测效率低，极易出现错检漏检现象，会对人体造成视觉疲劳，采用传感器进行表面状况检测，考虑到齿轮一般面积较小，在进行检测时很不方便，硬件设备检测结果误差较大，且在进行接触检测时极易在部件表面产生划痕、摩擦等，对部件造成不必要的损坏，进一步将会导致机械零件生产企业的经济损失。

发明内容

本发明提供一种基于人工智能的机械齿轮表面质量评估方法，解决人工进行齿轮质量的整体评估的检测效率低，极易出现错检漏检现象的问题，采用如下技术方案：

对获取的机械齿轮表面图像进行预处理得到表面图像的灰度图；

对表面图像的灰度图进行阈值分割获得多个齿轮区域；将所述齿轮区域作为待分析ROI区域；

利用待分析ROI区域内每个连通域的面积指标、形状指标和距离指标获得待分析ROI区域中的异常连通域；

根据每个异常连通域内部像素点的像素值构建每个异常连通域的第一高斯混合模型；

获取异常连通域外的所有像素点的像素值构建第二高斯混合模型；

利用每个异常连通域的第一高斯混合模型和第二高斯混合模型计算每个异常连通域的特征参数，利用每个异常连通域的特征参数及面积得到每个异常连通域的异常程度；

根据所有异常连通域的异常程度得到机械齿轮的质量评估值；

根据机械齿轮的齿轮质量评估值对机械齿轮质量进行判断。

所述获得待分析ROI区域中的异常连通域的方法为：

将ROI区域内每个连通域内像素点之和作为该连通域的面积指标s

将ROI区域内每个连通域的最小外接矩形的长宽比作为该连通域的形状指标τ

将ROI区域内每个连通域的最小外接矩形中心点与齿轮中心点之间的距离作为该连通域的距离指标d

将ROI区域内满足(s

排除掉所有无关连通域后剩下的连通域为异常连通域。

所述每个异常连通域的特征参数的计算方法如下：

式中，δ

所述每个异常连通域的异常程度为：

式中，U

所述机械齿轮的质量评估值的计算方法为：

式中，q为机械齿轮质量评估值，i＝1,2,3,...,v，v为异常连通域的总数。

所述对机械齿轮质量进行判断的方法如下：

对q进行归一化处理，保证函数值处于[0,1]；

当q>0.4时，该机械齿轮质量过低，表面异常严重，需要对异常区域进行修复。

本发明的有益效果是：本发明通过图像处理方法准确对旋转部件齿轮表面进行检测分析，获取用于表征齿轮表面特征的信息，定量分析齿轮表面状况，进一步基于质量评估模型，对齿轮的质量进行计算，本发明能够很好地代替人工，提高检测效率和稳定性，具有结果准确、检测速度快以及成本低等效果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于人工智能的机械齿轮表面质量评估方法的流程示意图；

图2是本发明的一种基于人工智能的机械齿轮表面质量评估方法的异常连通域像素点示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于人工智能的机械齿轮表面质量评估方法的实施例，如图1所示，包括：

步骤一：对获取的机械齿轮表面图像进行预处理得到表面图像的灰度图；

该步骤的目的是采集待分析的图像数据，并通过图像预处理消除图像中的噪声以及光照不均匀影响，改善相机采集的图像质量，以提高后续各齿面特征提取的精度，进一步保证齿轮质量评估的准确度。

其中，图像采集方法为：

在待检测齿轮正上方布置图像采集设备，通过相机对齿轮轮齿的上下齿面进行图像采集，图像采集时相机位置以及相机拍摄范围的设置，实施者根据实际情况自行设定，但须保证能够对齿轮轮齿的齿面以及侧表面图像进行全面采集，作为后续齿轮质量评估的基础数据；

需要说明的是，齿轮齿面位置均为齿轮表面的固定位置，图像采集过程中需要对齿轮进行翻面，以采集齿轮的上下齿面图像数据，实施者可自行设置齿轮翻面过程。

其中，图像预处理的方法如下：

相机采集到齿轮轮齿的各图像之后，考虑到机械零件加工生产等工业环境较为复杂、恶劣，图像采集过程中将会产生大量的图像噪声，影响旋转部件齿轮表面图像的高质量采集，因此，为提高系统质量评估精度，本实施例将对相机所采集的图像进行预处理，包括高斯滤波去噪以及直方图均衡化处理，得到质量较高的轮齿表面图像的灰度图，用于对齿轮各表面进行分析及特征提取。

步骤二：对表面图像的灰度图进行阈值分割获得多个齿轮区域；将所述齿轮区域作为待分析ROI区域；

该步骤的目的是对步骤一获取的图像数据进行分析，提取出齿轮区域作为ROI区域，实现齿轮表面的检测，获取齿轮各表面的特征信息，用于对质量进行评估。

其中，提取待分析ROI区域方法为：

本实施例基于像素值的阈值化对步骤一获得的灰度图像进行分割，得到二值图像，其中，背景像素点设置为0，齿轮轮齿表面像素点设置为1，至此，即可初步得到图像中的齿轮区域，也即待分析的ROI区域。

步骤三：利用待分析ROI区域内每个连通域的面积指标、形状指标和距离指标获得待分析ROI区域中的异常连通域；

该步骤的目的是考虑到所采集的图像中不仅包含上下齿面信息，其表面还有夹具、表面设置的编号等字体，齿轮表面的干扰因素较多，会对后续齿面分析及特征提取产生影响，因此，为消除齿轮表面固有字体、固有凹槽等对齿轮表面状况检测分析的影响，本实施例将对齿轮区域内的各无关区域进行检测识别，以消除无关区域对齿轮质量评估的影响。

其中，每个连通域的面积指标、形状指标、距离指标分别按照如下方式获取：

(1)面积指标：对齿轮区域内的各连通域的面积指标进行提取s

(2)形状指标：获取各连通域的最小外接矩形，并提取最小外接矩形各指标，用于对无关区域进行分析：对于各连通域，获取连通域的长宽比，作为连通域的形状指标：

式中，L

(3)距离指标：获取连通域最小外接矩形的中心点坐标(x

d

其中，待分析ROI区域中的无关连通域的提取方法如下：

当连通域满足：(s

实施者可根据经验及实际情况自行设定。本实施例将满足无关区域检测模型的连通域作为无关区域，将提取的各无关区域作为背景区域，将其像素值设置为0，后续将不对其进行分析，降低系统计算量，同时提高齿轮表面特征提取精度。

其中，待分析ROI区域中的异常连通域为排除掉无关连通域后剩余的连通域。

步骤四：根据每个异常连通域内部像素点的像素值构建每个异常连通域的第一高斯混合模型；获取异常连通域外的所有像素点的像素值构建第二高斯混合模型；利用每个异常连通域的第一高斯混合模型和第二高斯混合模型计算每个异常连通域的特征参数，利用每个异常连通域的特征参数及面积得到每个异常连通域的异常程度；

该步骤的目的是对每个异常连通域内部像素点灰度和齿轮表面正常像素点灰度，构建高斯混合模型，以获取各异常连通域的表面特征参数得到每个异常连通域的异常程度。

其中，每个异常连通域的特征参数获取步骤为：

首先，对于异常连通域，本实施例将基于其内部所有像素点的像素值构建一个高斯混合模型P

然后，基于齿轮区域内除各异常连通域外的所有像素点的像素值，构建一个高斯混合模型P

最后，本实施例将对异常连通域的表面特征参数进行提取，用于对异常连通域的表面异常状况进行表征，本实施例将构建异常连通域特征参数提取模型，计算每个异常连通域的特征参数δ

式中，P

δ

如图2中，连通域1,2,3为异常连通域，每个连通域内像素点像素值对应的高斯混合模型分别为P(1),P(2),P(3),在这三个连通域之外的其他像素点的像素值得到的高斯混合模型为P(0)，其中，P(1),P(2),P(3)为第一高斯混合模型，P(0)为第二高斯混合模型。

其中，每个异常连通域的异常程度为：

式中，U

步骤五：根据所有异常连通域的异常程度得到机械齿轮的质量评估值；根据机械齿轮的齿轮质量评估值对机械齿轮质量进行判断。

该步骤的目的是，获取机械齿轮的质量评估值并根据该评估值对机械齿轮质量进行判断，对齿轮质量不达标的状况进行及时提示预警。

其中，机械齿轮的质量评估值q为：

式中，v为异常连通域的总数，需要对q进行归一化处理，保证函数值处于[0,1]。

其中，对机械齿轮质量进行判断的方法如下：

本实施例将对质量评估值进行阈值设定q＝0.4，当待检测齿轮的质量评估值q高于预设阈值时，本实施例认为该待检测齿轮质量过低，表面的异常状况较为严重，需要操作人员对齿轮表面的异常区域进行检查修复，以降低齿轮次品率，保证后续使用的安全性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。