基于人工智能的裂纹缺陷评估方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种基于人工智能的裂纹缺陷评估方法。该方法获取裂纹缺陷图像中裂纹缺陷区域；由裂纹缺陷区域出现的裂纹交叉点计算裂纹段的斜率变化范围；根据相邻裂纹缺陷图像中裂纹缺陷区域新出现的新裂纹交叉点计算对应检测区域中的粗糙度以得到粗糙度范围；基于斜率变化范围和粗糙度范围，确认待检测裂纹缺陷图像的目标裂纹段；由目标裂纹段判断裂纹的损伤程度。通过分析现有分支裂纹的情况来预测待检测裂纹缺陷图像中裂纹的后续分支情况，能够提高检测的合理性和准确性，以根据检测结果对金属材料进行提前更换，避免使用过程中出现异常情况。避免使用过程中出现异常情况。避免使用过程中出现异常情况。

【技术实现步骤摘要】
基于人工智能的裂纹缺陷评估方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的裂纹缺陷评估方法。

技术介绍

[0002]金属材料在应力和腐蚀介质的联合作用下，将出现低于材料强度极限的脆性开裂现象，这种现象称为应力腐蚀开裂。裂纹的出现会降低结构系统的安全性,甚至导致整个零件的失效。因此，需要对金属内部的应力腐蚀裂纹进行检测，判断其对零件的损伤程度，据此确定对金属材料的后续处理操作。
[0003]现有技术中一般只基于裂纹的当前状态信息，即裂纹的长度、宽度、面积信息，或结合裂纹当前的扩散程度进行裂纹损伤程度的判定。但裂纹处于不断扩展的状态，且后续向外扩展的程度越高，该裂纹的损伤程度越大。只基于当前时刻的裂纹状态信息得到的损伤程度不能完全体现裂纹对金属材料的损伤。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的裂纹缺陷评估方法，所采用的技术方案具体如下：本专利技术实施例中提供了一种基于人工智能的裂纹缺陷评估方法，该方法包括：获取金属材料在不同时刻的多张裂纹缺陷图像，基于裂纹的扩展性，由不同级裂纹的裂纹像素点得到所述裂纹缺陷图像中的裂纹缺陷区域；基于裂纹的连续性得到所述裂纹缺陷区域中裂纹的裂纹端点和裂纹交叉点，以得到多个裂纹段；拟合由所述裂纹交叉点划分为两个同级所述裂纹段所对应的曲线方程；利用所述曲线方程计算所述裂纹段上每个裂纹像素点处的斜率以得到每个所述裂纹交叉点对应的斜率变化值，由所述斜率变化值得到斜率变化范围；对比相邻所述裂纹缺陷图像中的所述裂纹交叉点得到新裂纹交叉点，获取所述新裂纹交叉点对应的检测区域，根据所述检测区域中非裂纹像素点的灰度值得到灰度一致程度；获取所述检测区域中裂纹像素点的波动程度；结合所述灰度一致程度和所述波动程度得到所述检测区域的粗糙度，由所述粗糙度得到粗糙度范围；计算待检测裂纹缺陷图像中每个所述裂纹段的所述斜率变化值，当该斜率变化值在所述斜率变化范围时，确认对应所述裂纹段为第一目标裂纹段，当所述第一目标裂纹段对应的所述粗糙度在所述粗糙度范围时，确认所述第一目标裂纹段为目标裂纹段；基于所述目标裂纹段判断裂纹的损伤程度。
[0005]优选的，所述每个所述裂纹交叉点对应的斜率变化值的获取方法，包括：基于所述裂纹交叉点对应的两个同级所述裂纹段上的所有裂纹像素点，计算相邻裂纹像素点之间的斜率差值，由所述斜率差值计算平均斜率差值，将所述平均斜率差值作为所述斜率变化值。
[0006]优选的，所述由所述斜率变化值得到斜率变化范围的方法，包括：计算每张所述裂纹缺陷图像中所有所述裂纹交叉点的所述斜率变化值，由所述斜率变化值的最大值和最小值构成所述斜率变化范围。
[0007]优选的，所述获取所述新裂纹交叉点对应的检测区域的方法，包括：基于所述新裂纹交叉点所在的所述裂纹缺陷图像，获取其相邻上一张的所述裂纹缺陷图像中所述新裂纹交叉点对应的一个所述裂纹段，将其最小外接矩形作为所述检测区域。
[0008]优选的，所述根据所述检测区域中非裂纹像素点的灰度值得到灰度一致程度的方法，包括：由相邻非裂纹像素点的灰度值计算灰度熵，将所述灰度熵作为所述灰度一致程度。
[0009]优选的，所述获取所述检测区域中裂纹像素点的波动程度的方法，包括：获取所述检测区域对应所述裂纹段的边缘像素点，拟合边缘像素点的直线；以第一个边缘像素点为原点、所述直线为X轴建立直角坐标系，基于所述直角坐标系，计算每个裂纹像素点对应的第一斜率，计算所述第一斜率为零的所述裂纹像素点与所述直线之间的距离，根据所述距离和裂纹像素点的数量得到所述波动程度。
[0010]优选的，所述边缘像素点包括上边缘像素点和下边缘像素点。
[0011]优选的，所述粗糙度与所述灰度一致程度呈正相关、所述粗糙度与所述波动程度呈正相关。
[0012]优选的，所述由所述粗糙度得到粗糙度范围的方法，包括：基于所有的所述裂纹缺陷图像，计算所有所述新裂纹交叉点所对应所述检测区域的所述粗糙度，由所述粗糙度的最大值和最小值构成所述粗糙度范围。
[0013]优选的，所述基于所述目标裂纹段判断裂纹的损伤程度的方法，包括：获取所述目标裂纹段的最小外接矩形，计算所述最小外接矩形的面积；统计所述待检测裂纹缺陷图像中像素点的总数量和裂纹像素点的第一数量，结合所述面积、所述总数量、所述第一数量和所述目标裂纹段的数量得到所述损伤程度。
[0014]本专利技术实施例至少具有如下有益效果：基于裂纹的现有分支情况来预测新分支裂纹的情况，根据预测的目标裂纹段进行裂纹的损伤程度的检测，能够提高检测的合理性和准确性，以根据检测结果对金属材料进行提前更换，避免使用过程中出现异常情况。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0016]图1为本专利技术一个实施例提供的一种基于人工智能的裂纹缺陷评估方法的步骤流程图。
具体实施方式
[0017]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于人工智能的裂纹缺陷评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0018]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0019]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的裂纹缺陷评估方法的具体方案。
[0020]请参阅图1，其示出了本专利技术一个实施例提供的一种基于人工智能的裂纹缺陷评估方法的步骤流程图，该方法包括以下步骤：步骤S001，获取金属材料在不同时刻的多张裂纹缺陷图像，基于裂纹的扩展性，由不同级裂纹的裂纹像素点得到裂纹缺陷图像中的裂纹缺陷区域。
[0021]具体的，利用X射线采集图像时穿透金属材料，且金属材料的缺陷部位和完好部位的透射射线强度不同，使得图像上相应部位出现灰度差异。对于待检测金属材料的裂纹缺陷，其在图像上比完好部位的黑度更高。
[0022]本专利技术实施例基于X射线对金属材料进行检测，获得表示金属材料内部结构的射线图像。对射线图像进行灰度化处理，并设置灰度阈值T，将低于灰度阈值T的像素点的灰度值设置为0，高于灰度阈值T的像素点的灰度值设置为255，即可获得金属材料的二值图像。
[0023]需要说明的是，灰度阈值T可根据采集图像的实际情况设定。
[0024]优选的，本专利技术实施例中根据经验值将其设定为T=100。
[0025]基于裂纹的扩展性，对于二值图像，基于编码器
‑
解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的裂纹缺陷评估方法，其特征在于，该方法包括：获取金属材料在不同时刻的多张裂纹缺陷图像，基于裂纹的扩展性，由不同级裂纹的裂纹像素点得到所述裂纹缺陷图像中的裂纹缺陷区域；基于裂纹的连续性得到所述裂纹缺陷区域中裂纹的裂纹端点和裂纹交叉点，以得到多个裂纹段；拟合由所述裂纹交叉点划分为两个同级所述裂纹段所对应的曲线方程；利用所述曲线方程计算所述裂纹段上每个裂纹像素点处的斜率以得到每个所述裂纹交叉点对应的斜率变化值，由所述斜率变化值得到斜率变化范围；对比相邻所述裂纹缺陷图像中的所述裂纹交叉点得到新裂纹交叉点，获取所述新裂纹交叉点对应的检测区域，根据所述检测区域中非裂纹像素点的灰度值得到灰度一致程度；获取所述检测区域中裂纹像素点的波动程度；结合所述灰度一致程度和所述波动程度得到所述检测区域的粗糙度，由所述粗糙度得到粗糙度范围；计算待检测裂纹缺陷图像中每个所述裂纹段的所述斜率变化值，当该斜率变化值在所述斜率变化范围时，确认对应所述裂纹段为第一目标裂纹段，当所述第一目标裂纹段对应的所述粗糙度在所述粗糙度范围时，确认所述第一目标裂纹段为目标裂纹段；基于所述目标裂纹段判断裂纹的损伤程度。2.如权利要求1所述的方法，其特征在于，所述每个所述裂纹交叉点对应的斜率变化值的获取方法，包括：基于所述裂纹交叉点对应的两个同级所述裂纹段上的所有裂纹像素点，计算相邻裂纹像素点之间的斜率差值，由所述斜率差值计算平均斜率差值，将所述平均斜率差值作为所述斜率变化值。3.如权利要求1所述的方法，其特征在于，所述由所述斜率变化值得到斜率变化范围的方法，包括：计算每张所述裂纹缺陷图像中所有所述裂纹交叉点的所述斜率变化值，由所述斜率变化值的最大值和最小值构成所述斜率变化范围。4.如权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：张玉芹，
申请(专利权)人：北京与子成科技有限公司，
类型：发明
国别省市：