[发明专利]基于人工智能的机车配件表面异常程度评估方法

说明书

本发明涉及零件表面异常评估技术领域，具体涉及基于人工智能的机车配件表面异常程度评估方法。方法包括：获取待检测的机车配件表面图像；根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域；将异常区域输入到构建的目标卷积模型中进行卷积操作，得到异常区域对应的纹理特征向量；根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组；利用异常区域中各像素点的空间四元组，得到异常区域的异常指标；根据异常区域对应的纹理特征向量与对应的异常指标，得到待检测的机车配件表面图像的异常程度。本发明提高了对机车配件异常程度检测的准确性。

技术领域

本发明涉及零件表面异常评估技术领域，具体涉及基于人工智能的机车配件表面异常程度评估方法。

背景技术

机车配件在生产或者使用过程中，由于原料质量、制造水平、承受的载荷、应力以及摩擦等因素，往往会导致配件表面出现很多损伤，比如划痕、裂纹等。当配件表面出现异常时，会导致机械在使用、运行过程中出现效率降低、安全隐患等问题。传统进行配件表面异常程度评估的方式一般是根据领域内的专业检测人员进行人工评估，而专业检测人员评估方法人工成本较高，人为检测主观性较强，因此检测结果误检率高。

发明内容

为了解决现有技术对配件异常评估的误检率高的问题，本发明的目的在于提供一种基于人工智能的机车配件表面异常程度评估方法，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的机车配件表面异常程度评估方法包括以下步骤：

获取待检测的机车配件表面图像；

根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域；

将异常区域输入到构建的目标卷积模型中进行卷积操作，得到异常区域对应的纹理特征向量；

根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组；利用异常区域中各像素点的空间四元组，得到异常区域的异常指标；

根据异常区域对应的纹理特征向量与对应的异常指标，得到待检测的机车配件表面图像的异常程度。

优选的，目标卷积模型函数为：

其中，为目标卷积模型对应的卷积窗口中位置处的值，为轴方向上的高斯滤波函数，为轴方向上的高斯滤波函数，，，，为第一中间变量，为第二中间变量，为第三中间变量，为尺度因子，为方向因子，为二维Gabor模型中的参数，u为滤波尺度，v为方向。

优选的，根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组，包括：

对异常区域进行灰度化处理，得到对应的灰度图像；

对异常区域进行HSV转换，得到对应的HSV图像；

根据异常区域对应的HSV图像中各像素点明度值、异常区域中各像素点对应R通道的值、异常区域对应的灰度图像中各像素点的灰度值和各像素点八邻域内的灰度均值，构建异常区域中各像素点对应的空间四元组。

优选的，根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域，包括：

利用3*3的窗口对待检测的机车配件表面图像进行扫描；

以窗口中的中心像素点为中心点，计算x轴上的三个像素点在x轴方向上的梯度幅值；计算y轴上的三个像素点在y轴方向上的梯度幅值；计算主对角线上的三个像素点在主对角线方向上的梯度幅值；计算副对角线上的三个像素点在副对角线方向上的梯度幅值；所述主对角线与副对角线为窗口中两个不同方向的对角线；