一种离合器组装风叶表面缺陷检测方法与流程

摘要: 本发明涉及图像处理,尤其涉及一种离合器组装风叶表面缺陷检测方法。背景技术:1、在离合器总成制造过程中,组装风叶作为关键散热与动平衡部件,其叶片形状精度直接影响离...
一种离合器组装风叶表面缺陷检测方法与流程

本发明涉及图像处理,尤其涉及一种离合器组装风叶表面缺陷检测方法。

背景技术:

1、在离合器总成制造过程中,组装风叶作为关键散热与动平衡部件,其叶片形状精度直接影响离合器的散热效率、运行稳定性及使用寿命;风叶的轮廓形态呈现出特定的几何辐射规律,叶片边缘的几何结构健康状态是评估其组装质量的核心物理指标。

2、然而在风叶的冲压或焊接组装工艺中,受材料内应力释放不均、模具定位偏差等因素影响,易产生叶片弯曲形变类表面缺陷,该类形变会破坏风叶的气动平衡,导致离合器在高速旋转时产生异常振动与噪声,严重时引发总成失效;因此,需要设计一种高精度的组装风叶叶片弯曲形变智能检测方法,以保障离合器装配质量。

3、在组装风叶缺陷检测场景中,通常采用霍夫变换算法实现边缘轮廓提取,从而分析是否存在形变,但由于工业现场采集的风叶表面常存在反光不均、毛刺等复杂干扰,当采用传统的霍夫变换算法提取叶片几何特征时,其固有的等权重投票机制无法区分真实形变边缘与噪声干扰边缘,这些异常边缘点会向参数空间注入大量虚假投票,稀释真实轮廓的峰值能量,从而导致最终拟合的叶片理论基准线发生严重偏移,造成弯曲形变缺陷检测极不准确。

技术实现思路

1、有鉴于此,本发明实施例提供了一种离合器组装风叶表面缺陷检测方法,以解决现有技术在复杂表面干扰下,传统等权重投票易引发虚假峰值导致基准线拟合偏移,进而造成弯曲形变检测不准的问题。

2、本发明实施例提供了一种离合器组装风叶表面缺陷检测方法,包括以下步骤:采集风叶图像并提取外轮廓的边缘点,定位风叶安装孔圆心建立极坐标系,将边缘点转换至极坐标系;进行极坐标同心圆采样,获取各同心圆与边缘点的交点,并沿圆周轨迹计算相邻交点间的极角弧长,基于极角弧长提取各同心圆的宽度峰值点与间距峰值点,并分别拟合获取宽度基准线与间距基准线;分别计算每个同心圆的宽度峰值点相对所述宽度基准线的第一斜率偏差以及垂直距离,及每个同心圆的间距峰值点相对所述间距基准线的第二斜率偏差以及垂直距离,以计算每个同心圆的径向变化线性度特征值;基于径向变化线性度特征值划分高风险圆与低风险圆;比对高风险圆内边缘点的前后相邻边缘点的极角弧长,与两类所述基准线在高风险圆极径处的峰值弧长的拟合值的偏差,计算高风险圆内边缘点的周向周期性畸变度;利用周向周期性畸变度计算高风险圆内边缘点的动态投票权重,并为低风险圆内边缘点赋予基础权重作为动态投票权重;将各边缘点及对应动态投票权重输入加权霍夫变换模型重构理论基准线,根据边缘点到所述理论基准线的距离执行缺陷判定。

3、优选的,所述基于极角弧长提取各同心圆的宽度峰值点与间距峰值点,包括:将同一同心圆上的相邻交点间的极角弧长构建为一维特征频数直方图;对所述一维特征频数直方图执行极大值搜索,提取频数最高的两个显著波峰对应的极角弧长数值及所在的极径位置,分别构建为所述宽度峰值点与间距峰值点。

4、优选的,所述分别拟合获取宽度基准线与间距基准线,包括:采用k-means聚类算法将所有同心圆的所有峰值点划分为两个独立的点集,即宽度峰值点集和间距峰值点集;利用最小二乘法对所述宽度峰值点集和间距峰值点集分别进行直线拟合,获取所述宽度基准线与间距基准线。

5、优选的,所述分别计算每个同心圆的宽度峰值点相对所述宽度基准线的第一斜率偏差以及垂直距离,及每个同心圆的间距峰值点相对所述间距基准线的第二斜率偏差以及垂直距离,包括:采用中心差分算法计算每个同心圆的宽度峰值点的局部差分斜率,并与所述宽度基准线的斜率作差后取绝对值,得到第一斜率偏差;计算每个同心圆的间距峰值点的局部差分斜率,并与所述间距基准线的斜率作差后取绝对值,得到第二斜率偏差;利用点到直线的距离公式,计算所述宽度峰值点到所述宽度基准线的垂直距离,对所述宽度峰值点到所述宽度基准线的垂直距离进行归一化处理,得到第一垂直距离,计算所述间距峰值点到所述间距基准线的垂直距离,对所述间距峰值点到所述间距基准线的垂直距离进行归一化处理,得到第二垂直距离。

6、优选的,所述计算每个同心圆的径向变化线性度特征值,包括:对所述第一斜率偏差的相反数和所述第二斜率偏差的相反数分别进行自然指数函数映射并求取两者的乘积,得到第一乘积项;对所述第一垂直距离的相反数和所述第二垂直距离的相反数分别进行自然指数函数映射并求取两者的乘积,得到第二乘积项;将所述第一乘积项与所述第二乘积项相乘,得到所述径向变化线性度特征值。

7、优选的,所述基于径向变化线性度特征值划分高风险圆与低风险圆,包括:提取历史无缺陷风叶样本的径向变化线性度特征值,绘制特征下包络线并提取底线极小值;结合预设公差将所述底线极小值向下浮动预设比例,设定为划分阈值;将所述径向变化线性度特征值小于或等于划分阈值的同心圆判定为高风险圆,大于划分阈值的同心圆判定为低风险圆。

8、优选的,所述计算高风险圆内边缘点的周向周期性畸变度,其计算表达式为:;式中,表示当前高风险圆内第个边缘点的周向周期性畸变度;、分别表示当前高风险圆内第个边缘点按极角方向递增与递减的前相邻边缘点和后相邻边缘点的极角弧长;、分别表示当前高风险圆极径处的叶片宽度峰值弧长的拟合值和叶片间距峰值弧长的拟合值;表示双曲正切激活函数;表示取两组匹配模式中的最小值;表示风叶的周向弧长标准工艺公差。

9、优选的,所述计算高风险圆内边缘点的动态投票权重,其计算表达式为:;式中,表示高风险圆内第个边缘点的动态投票权重;表示基础权重,通过相机的实际单像素物理当量除以加权霍夫变换模型中参数空间的离散网格分辨率步长获取;表示高风险圆内第个边缘点的周向周期性畸变度。

10、优选的,所述根据边缘点到所述理论基准线的距离执行缺陷判定,包括:反向解析加权霍夫变换模型中的全局加权最大峰值坐标,输出所述重构的理论基准线;逐一计算各边缘点到所述重构的理论基准线的垂直距离作为形变量;提取所有边缘点的形变量的最大值,若所述最大值超出机械安全公差阈值,则判定当前风叶存在表面缺陷并发出预警。

11、优选的,所述采集风叶图像并提取外轮廓的边缘点,定位风叶安装孔圆心,包括:对采集的风叶图像采用滤波算法降噪后,采用边缘检测算子提取风叶外轮廓的边缘点;采用霍夫圆检测算法定位风叶安装孔的内轮廓,获取其圆心像素坐标作为所述风叶安装孔圆心。

12、本发明实施例与现有技术相比存在的有益效果是:

13、本发明通过将外轮廓边缘点转换至极坐标系,使辐射状的风叶特征规则展开,通过计算峰值点的局部差分斜率偏差与到对应基准线的垂直距离,获取径向变化线性度特征值,从而划分出存在潜在形变的高风险圆;在此基础上,通过比对边缘点的相邻极角弧长与基准线拟合值的偏差,计算周向周期性畸变度,以此客观反映局部物理结构的破坏程度;最后,利用该畸变度直接调节边缘点的动态投票权重,在加权霍夫变换模型中有效抑制了毛刺、反光等异常干扰点的权重占比,该方法削弱了噪声对理论基准线重构的影响,确保了拟合基准的保真度,提高了组装风叶弯曲形变缺陷检测的准确率。