[发明专利]疲劳断口的机器视觉图像智能分析方法、装置及系统

权利要求书

1.一种疲劳断口的机器视觉图像智能分析方法，其特征在于，包括：

获得金属断裂图像和金属源图像；

基于深度学习卷积神经网络对所述金属断裂图像进行分析，确定金属断裂类型；

当所述金属断裂类型为疲劳断裂类型，对所述金属断裂图像进行区分，获得裂纹扩展区与裂纹瞬断区；

对所述裂纹扩展区与裂纹瞬断区进行统计分析；

根据金属断裂图像和金属源图像，基于影像变形算法对金属断裂的形成过程进行模拟，模拟生成金属断裂形成过程图像；

其中，对所述金属断裂图像进行区分获得裂纹扩展区，包括：

对所述金属断裂图像进行去噪化和灰度化处理，获得灰度化金属断裂图像；

利用高斯主动轮廓检测法对所述灰度化金属断裂图像的轮廓进行检测，获得金属图像；

利用自适应二进制阈值检测法对所述金属图像进行检测，获得金属图像扩展区初始图像；

利用openCV图像腐蚀膨胀算法对金属图像扩展区初始图像进行腐蚀膨胀处理，获得金属图像扩展区轮廓模板；

根据金属断裂图像和金属图像扩展区轮廓模板确定金属裂纹扩展区图像；

对所述金属断裂图像进行区分获得裂纹瞬断区，包括：

基于金属裂纹扩展区图像，根据预设的阈值起点值和终点值获得初始瞬断区轮廓图；

利用openCV图像腐蚀膨胀算法对所述初始瞬断区轮廓图进行腐蚀膨胀处理，获得瞬断区轮廓模板；

根据金属断裂图像和瞬断区轮廓模板确定金属裂纹瞬断区图像。

2.如权利要求1所述的疲劳断口的机器视觉图像智能分析方法，其特征在于，基于深度学习卷积神经网络对所述金属断裂图像进行分析，确定金属断裂类型，包括：

对包括金属疲劳断裂和拉伸断裂的图像进行去噪化和灰度化处理，获得灰度化金属疲劳断裂和拉伸断裂图像；

基于深度学习卷积神经网络，对灰度化金属疲劳断裂和拉伸断裂图像进行训练，获得已训练深度网络检测模型；

对所述金属断裂图像进行去噪化和灰度化处理，获得灰度化金属断裂图像；

利用所述已训练深度网络检测模型对灰度化金属断裂图像进行检测，确定金属断裂类型。

3.如权利要求1所述的疲劳断口的机器视觉图像智能分析方法，其特征在于，根据金属断裂图像和金属源图像，基于影像变形算法模拟生成金属断裂的形成过程，模拟生成金属断裂形成过程图像，包括：

对金属源图像进行弯曲变形处理，获得与金属断裂图像具有相同形状的源图像；

对金属断裂图像进行弯曲变形处理，获得与金属源图像具有相同形状的目标图像；

将源图像和目标图像对应的颜色取平均，获得金属断裂形成过程图像。

4.一种疲劳断口的机器视觉图像智能分析装置，其特征在于，包括：

图像获得模块，用于获得金属断裂图像和金属源图像；

金属断裂类型确定模块，用于基于深度学习卷积神经网络对所述金属断裂图像进行分析，确定金属断裂类型；

裂纹扩展区与裂纹瞬断区确定模块，用于当所述金属断裂类型为疲劳断裂类型，对所述金属断裂图像进行区分，获得裂纹扩展区与裂纹瞬断区；统计分析模块，用于对所述裂纹扩展区与裂纹瞬断区进行统计分析；

金属断裂形成过程模拟模块，用于根据金属断裂图像和金属源图像，基于影像变形算法对金属断裂的形成过程进行模拟，模拟生成金属断裂形成过程图像；

其中，裂纹扩展区与裂纹瞬断区确定模块具体用于：

对所述金属断裂图像进行去噪化和灰度化处理，获得灰度化金属断裂图像；

利用高斯主动轮廓检测法对所述灰度化金属断裂图像的轮廓进行检测，获得金属图像；

利用自适应二进制阈值检测法对所述金属图像进行检测，获得金属图像扩展区初始图像；

利用openCV图像腐蚀膨胀算法对金属图像扩展区初始图像进行腐蚀膨胀处理，获得金属图像扩展区轮廓模板；

根据金属断裂图像和金属图像扩展区轮廓模板确定金属裂纹扩展区图像；

基于金属裂纹扩展区图像，根据预设的阈值起点值和终点值获得初始瞬断区轮廓图；

利用openCV图像腐蚀膨胀算法对所述初始瞬断区轮廓图进行腐蚀膨胀处理，获得瞬断区轮廓模板；

根据金属断裂图像和瞬断区轮廓模板确定金属裂纹瞬断区图像。