[发明专利]一种基于人工智能的机械零件损伤检测方法及系统

权利要求书

1.一种基于人工智能的机械零件损伤检测方法，其特征在于，所述方法包括：

获取零件表面图像；对所述零件表面图像进行边缘检测，获得裂纹边缘；

将所述裂纹边缘细化，获得细化边缘；获取所述细化边缘的端点和交叉点；根据所述端点和所述交叉点将所述细化边缘分段，获得细化裂纹段；根据所述细化裂纹段获得所述裂纹边缘上对应的裂纹段边缘；根据所述裂纹段边缘的宽度筛选出主干裂纹段和分支裂纹段；

根据所述主干裂纹段和所述分支裂纹段的长度和宽度获得第一零件损伤程度；

连接所述分支裂纹段的中心点和所述主干裂纹段的中心点，获得裂纹向量；一个所述分支裂纹段对应多个所述裂纹向量；根据所述裂纹向量的角度信息获得裂纹分散信息；根据所述裂纹向量的长度获得裂纹扩展信息；根据所述裂纹分散信息和所述裂纹扩展信息的乘积获得第二零件损伤程度；

根据所述第一零件损伤程度和所述第二零件损伤程度判断零件损伤情况；

所述根据所述主干裂纹段和所述分支裂纹段的长度和宽度获得第一零件损伤程度包括：

以主干裂纹段长度、主干裂纹段宽度和预设的主干裂纹段损伤权值的乘积作为主干裂纹损伤程度；以分支裂纹段长度、分支裂纹段宽度和预设的分支裂纹段损伤权值的乘积作为分支裂纹损伤程度；所述主干裂纹段损伤权值大于所述分支裂纹段损伤权值；将所有所述主干裂纹损伤程度和所有所述分支裂纹损伤程度的和作为所述第一零件损伤程度；

所述根据所述裂纹向量的角度信息获得裂纹分散信息包括：

获取所述分支裂纹段对应的所有所述裂纹向量的平均向量角度；以所述平均向量角度的方差作为所述裂纹分散信息；

所述根据所述裂纹段边缘的宽度筛选出主干裂纹段和分支裂纹段包括：

获得所述裂纹段边缘的平均宽度；以所述平均宽度最大的所述裂纹段边缘作为主干裂纹段；以与所述主干裂纹段相交的所述裂纹段边缘作为相关裂纹段；获得所述相关裂纹段和所述主干裂纹段平均宽度的差异；若所述差异大于预设宽度阈值，则对应的所述相关裂纹段为所述分支裂纹段；反之，则对应的所述相关裂纹段为所述主干裂纹段；

所述根据所述裂纹向量的长度获得裂纹扩展信息包括：

获取所述分支裂纹段对应的所有所述裂纹向量的平均向量长度；将所有所述平均向量长度的累加得到裂纹扩展长度；根据所述零件表面图像获得零件表面面积；以所述裂纹扩展长度和所述零件表面面积的比值作为所述裂纹扩展信息；所述获得所述裂纹段边缘的平均宽度包括：根据平均宽度获取公式获得所述平均宽度，所述平均宽度获取公式包括：

其中，d_i为第i个所述裂纹段边缘的所述平均宽度，n_i2为第i个所述裂纹段边缘内差异像素点的数量，n_i1为第i个所述裂纹段边缘内所述细化裂纹段的像素点数量；所述差异像素点通过将所述细化裂纹段与所述零件边缘相减获得。

2.根据权利要求1所述的一种基于人工智能的机械零件损伤检测方法，其特征在于，所述获取所述细化边缘的端点和交叉点包括：

检测所述细化边缘中每个像素点的相邻像素点数量；若所述相邻像素点数量为一，则对应的像素点为所述端点；若所述相邻像素点数量大于等于三，则对应的像素点为所述交叉点。

3.根据权利要求1所述的一种基于人工智能的机械零件损伤检测方法，其特征在于，所述根据所述细化裂纹段获得所述裂纹边缘上对应的裂纹段边缘包括：将所述细化裂纹段与所述零件边缘相减，获得差异像素点；获取所述差异像素点与所述细化裂纹段的距离；将所述距离最小的所述差异像素点和所述细化裂纹段作为同类裂纹段像素，所述同类裂纹段像素组成所述裂纹段边缘。

4.一种基于人工智能的机械零件损伤检测系统，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述方法。