基于人工智能的液压齿轮泵缺陷检测方法及系统

摘要

本发明涉及液压系统零件缺陷检测技术领域，具体涉及一种基于人工智能的液压齿轮泵缺陷检测方法及系统。该方法为：获取齿轮泵图像的齿面目标区域；获取目标区域的复杂度；获取每个颜色通道下目标区域的熵，根据目标区域的熵获取空间分布向量，根据空间分布向量与正常齿面的空间分布向量之间的差异获取异常指标；获取目标区域内任意两个像素点之间的差异度，根据差异度与正常齿面的差异度之间的区别获取目标区域的差异指标；根据复杂度、异常指标以及差异指标获取缺陷置信度，当缺陷置信度大于预设阈值时，齿轮泵存在缺陷。从多方面对目标区域进行综合考虑，获取不同的特征参数，提高对齿面缺陷检测的准确度。

权利要求

1.一种基于人工智能的液压齿轮泵缺陷检测方法，其特征在于，该方法包括以下步骤：获取液压系统齿轮泵图像的目标区域，所述目标区域包括齿轮泵的齿面区域；获取所述目标区域的复杂度；

将所述目标区域等比例划分为多个平行于齿轮泵齿顶的矩形区域的子块，靠近所述齿轮泵齿顶的子块为第一子块；获取每个颜色通道下所有所述子块的熵，以每个子块与所述第一子块之间的距离为权值对所有所述子块的熵进行加权求和得到所述目标区域的熵；根据每个颜色通道下所述目标区域的熵获取空间分布向量，根据所述空间分布向量与正常齿面的空间分布向量之间的差异获取异常指标；

获取所述目标区域内每个像素点的梯度大小和方向，根据所述梯度大小和方向获取任意两个像素点之间的差异度，根据所述差异度与正常齿面的差异度之间的区别获取所述目标区域的差异指标；

根据所述复杂度、所述异常指标以及所述差异指标获取缺陷置信度，当所述缺陷置信度大于预设阈值时，所述齿轮泵存在缺陷；

所述获取所述目标区域的复杂度的步骤，包括：

将所述目标区域划分为相同尺寸的多个窗口，对每个所述窗口进行滤波处理获取每个所述窗口的特征值；

获取每个所述窗口的特征值在所述目标区域的占比，根据所述占比获取所述目标区域的复杂度；

所述复杂度为纹理复杂度，所述纹理复杂度为：

其中，表示目标区域的纹理复杂度； 表示第 个窗口在目标区域的占比； 表示目标区域内窗口的数量。

2.根据权利要求1所述的方法，其特征在于，所述以每个子块与所述第一子块之间的距离为权值对所有所述子块的熵进行加权求和得到所述目标区域的熵的步骤，进一步包括：将每个颜色通道的取值范围等分为多个等级；获取每个子块内所述等级的数量，根据每个子块内所述等级的数量对每个所述子块的熵进行优化得到每个子块的优化熵；

以每个子块与所述第一子块之间的距离为权值对所述优化熵进行加权求和得到所述目标区域的熵。

3.根据权利要求2所述的方法，其特征在于，所述根据每个颜色通道下所述目标区域的熵获取空间分布向量的步骤，包括：获取每个颜色通道中所有等级对应的所述目标区域的熵的均值，根据所述均值获取所述目标区域在每个颜色通道中的方差；

以所有颜色通道下所述目标区域的均值和方差构成空间分布向量。

4.根据权利要求1所述的方法，其特征在于，所述根据所述梯度大小和方向获取任意两个像素点之间的差异度的步骤，包括：将每个所述像素点的梯度大小和方向构成一个二元组；

以所述目标区域的任意像素点为中心像素点，所述中心像素点邻域内的像素点为待处理像素点；获取任意两个所述待处理像素点对应的二元组之间的相似度；所述差异度与所述相似度呈负相关关系。

5.根据权利要求4所述的方法，其特征在于，所述根据所述差异度与正常齿面内差异度之间的区别获取所述目标区域的差异指标的步骤，包括：以每个邻域内所述待处理像素点之间的所述差异度构成差异向量，获取所述差异向量的自相关矩阵；根据所述自相关矩阵内所有元素的均值获取梯度指标；

获取所述目标区域所有像素点对应的梯度指标为梯度指标序列，计算所述梯度指标序列与正常区域梯度指标序列之间的差异为所述差异指标。

6.根据权利要求1所述的方法，其特征在于，所述根据所述复杂度、所述异常指标以及所述差异指标获取缺陷置信度的步骤，包括：根据所述复杂度、异常指标以及差异指标构建缺陷置信度模型为：

其中， 表示所述缺陷置信度；表示所述目标区域的纹理复杂度；表示所述目标区域的异常指标；表示所述目标区域的差异指标； 表示所述异常指标的参数； 表示所述差异指标的参数。

7.一种基于人工智能的液压齿轮泵缺陷检测系统，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 6任意一项所述方法的步骤。

说明书

基于人工智能的液压齿轮泵缺陷检测方法及系统

技术领域

[0001] 本发明涉及液压系统零件缺陷检测技术领域，具体涉及一种基于人工智能的液压齿轮泵缺陷检测方法及系统。

背景技术

[0002] 随着现代化工业企业的自动化发展，各工业企业内的液压设备也随着兴起，为了保证液压设备的正常、高效运行，在实际应用过程中通常需要对液压设备的各组件、零件等进行检测、维修以及保养。齿轮泵是液压系统的动力元件，齿轮是液压设备中常用的一种重要传动零件，其齿面质量和精度高低对整个液压设备的综合性能和使用寿命有着重要的影响。

[0003] 现有的对液压设备齿轮泵的故障检测大多是由具有丰富经验的工作人员进行，但利用工作人员对齿轮泵进行检测时通常要按照复杂的检测流程进行，工作量大且检测效率不高；并且人工检测的能力有限，无法保证对齿轮检测的全面性，误检率较高。

发明内容

[0004] 为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的液压齿轮泵缺陷检测方法及系统，所采用的技术方案具体如下：

[0005] 第一方面，本发明一个实施例提供了一种基于人工智能的液压齿轮泵缺陷检测方法，该方法包括以下步骤：

[0006] 获取液压系统齿轮泵图像的目标区域，所述目标区域包括齿轮泵的齿面区域；获取所述目标区域的复杂度；

[0007] 将所述目标区域划分为多个平行于齿轮泵齿顶的子块，靠近所述齿轮泵齿顶的子块为第一子块；获取每个颜色通道下所有所述子块的熵，以每个子块与所述第一子块之间的距离为权值对所有所述子块的熵进行加权求和得到所述目标区域的熵；根据每个颜色通道下所述目标区域的熵获取空间分布向量，根据所述空间分布向量与正常齿面的空间分布向量之间的差异获取异常指标；

[0008] 获取所述目标区域内每个像素点的梯度大小和方向，根据所述梯度大小和方向获取任意两个像素点之间的差异度，根据所述差异度与正常齿面的差异度之间的区别获取所述目标区域的差异指标；

[0009] 根据所述复杂度、所述异常指标以及所述差异指标获取缺陷置信度，当所述缺陷置信度大于预设阈值时，所述齿轮泵存在缺陷。

[0010] 优选的，所述获取所述目标区域的复杂度的步骤，包括：

[0011] 将所述目标区域划分为相同尺寸的多个窗口，对每个所述窗口进行滤波处理获取每个所述窗口的特征值；

[0012] 获取每个所述窗口的特征值在所述目标区域的占比，根据所述占比获取所述目标区域的复杂度。

[0013] 优选的，所述以每个子块与所述第一子块之间的距离为权值对所有所述子块的熵进行加权求和得到所述目标区域的熵的步骤，进一步包括：

[0014] 将每个颜色通道的取值范围等分为多个等级；获取每个子块内所述等级的数量，根据每个子块内所述等级的数量对每个所述子块的熵进行优化得到每个子块的优化熵；

[0015] 以每个子块与所述第一子块之间的距离为权值对所述优化熵进行加权求和得到所述目标区域的熵。

[0016] 优选的，所述根据每个颜色通道下所述目标区域的熵获取空间分布向量的步骤，包括：

[0017] 获取每个颜色通道中所有等级对应的所述目标区域的熵的均值，根据所述均值获取所述目标区域在每个颜色通道中的方差；

[0018] 以所有颜色通道下所述目标区域的均值和方差构成空间分布向量。

[0019] 优选的，所述根据所述梯度大小和方向获取任意两个像素点之间的差异度的步骤，包括：

[0020] 将每个所述像素点的梯度大小和方向构成一个二元组；

[0021] 以所述目标区域的任意像素点为中心像素点，所述中心像素点邻域内的像素点为待处理像素点；获取任意两个所述待处理像素点对应的二元组之间的相似度；所述差异度与所述相似度呈负相关关系。

[0022] 优选的，所述根据所述差异度与正常齿面内差异度之间的区别获取所述目标区域的差异指标的步骤，包括：

[0023] 以每个邻域内所述待处理像素点之间的所述差异度构成差异向量，获取所述差异向量的自相关矩阵；根据所述自相关矩阵内所有元素的均值获取梯度指标；

[0024] 获取所述目标区域所有像素点对应的梯度指标为梯度指标序列，计算所述梯度指标序列与正常区域梯度指标序列之间的差异为所述差异指标。

[0025] 优选的，所述根据所述复杂度、所述异常指标以及所述差异指标获取缺陷置信度的步骤，包括：

[0026] 根据所述复杂度、异常指标以及差异指标构建缺陷置信度模型为：

[0027]

[0028] 其中， 表示所述缺陷置信度；表示所述目标区域的复杂度；表示所述目标区域的异常指标；表示所述目标区域的差异指标； 表示所述异常指标的参数； 表示所述差异指标的参数。

[0029] 第二方面，本发明另一个实施例提供了一种基于人工智能的液压齿轮泵缺陷检测系统，该系统包括存储器、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上述方法的步骤。

[0030] 本发明具有如下有益效果：通过获取齿轮泵的目标区域图像，然后对目标区域的复杂度进行分析；为了避免颜色对齿面检测的影响，进一步在不同颜色通道下对目标区域的熵进行计算，根据目标区域的熵得到空间指标，结合不同颜色通道下的空间指标与正常目标区域的空间指标之间的差异作为该目标区域的异常指标。再获取目标区域中每个像素点的梯度特征，根据当前检测的目标区域的梯度特征与正常目标区域的梯度特征之间的差异得到当前检测目标区域的差异指标。根据目标区域的复杂度、异常指标以及差异指标得到该目标区域的缺陷置信度。从多个方面考虑目标区域的特征，获取不同的特征参数进行分析，提高对齿面缺陷检测的准确度，避免单一检测造成的误差影响。

附图说明

[0031] 为了更清楚地说明本发明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发明的一些实施例，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。

[0032] 图1为本发明一个实施例所提供的一种基于人工智能的液压齿轮泵缺陷检测的方法流程图。

具体实施方式

[0033] 为了更进一步阐述本发明为达成预定发明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，对依据本发明提出的一种基于人工智能的液压齿轮泵缺陷检测方法及系统，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。

[0034] 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发明的技术领域的技术人员通常理解的含义相同。

[0035] 本发明实施例主要应用于对液压系统齿轮泵齿面缺陷的检测，通过获取齿轮泵的目标区域图像，然后对目标区域的复杂度进行分析；进一步在不同颜色通道下对目标区域的熵进行计算，得到该目标区域的异常指标；再获取目标区域中每个像素点的梯度特征，得到当前检测目标区域的差异指标；结合目标区域的复杂度、异常指标以及差异指标得到该目标区域的缺陷置信度。从多方面对目标区域进行分析，获取不同的特征参数，提高对齿面缺陷检测的准确度。

[0036] 下面结合附图具体的说明本发明所提供的一种基于人工智能的液压齿轮泵缺陷检测方法及系统的具体方案。

[0037] 请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的液压齿轮泵缺陷检测的方法流程图，该方法具体包括以下步骤：

[0038] 步骤S100，获取液压系统齿轮泵图像的目标区域，目标区域包括齿轮泵的齿面区域；获取目标区域的复杂度。

[0039] 在正对液压系统齿轮泵齿面的一侧安装相机对齿面区域的图像进行采集，相机的位置应保证能采集到齿轮泵一个齿面的全部区域，由此获得待分析的初始图像。

[0040] 由于该初始图像中可能包含多个齿面和非齿面区域，为提高检测的精度以及降低计算量，本发明实施例中利用语义分割网络对初始图像进行处理，得到齿轮泵齿面的ROI区域为目标区域，语义分割网络结构为编码器‑解码器，具体训练过程如下：

[0041] （1）语义分割网络的输入为齿轮泵的初始图像；

[0042] （2）对初始图像进行标注，将初始图像中齿面区域像素点标注为1，其他区域像素点标注为0；

[0043] （3）利用编码器对初始图像进行特征提取，输出特征图像，再解码器对特征图像进行上采样；

[0044] （4）损失函数采用交叉熵损失函数；

[0045] （5）语义分割网络的输出为齿面分割效果图。

[0046] 进一步的，将语义分割网络输出的齿面分割效果图作为遮罩与初始图像相乘即可获得待分析的齿面ROI区域，将该ROI区域作为后续缺陷分析的目标区域。

[0047] 对获取到的齿面的目标区域进行特征参数提取，以便于获取齿面的纹理分布的复杂度，将目标区域划分为相同尺寸的多个窗口，对每个窗口进行滤波处理获取每个窗口的特征值；获取每个窗口的特征值在目标区域的占比，根据占比获取目标区域的复杂度。

[0048] 获取齿面目标区域的复杂度的具体方法为：

[0049] 首先，将目标区域划分为多个相同尺寸的窗口，本发明实施例中默认获取到的齿面的目标区域为基本规则的矩形区域。作为优选，将每个窗口的尺寸设置为 。

[0050] 其次，构建窗口滤波模型，用于获取每个窗口中心像素点的特征值，具体计算为：

[0051]

[0052] 其中， 表示第 个窗口中心点的特征值； 表示窗口中心点坐标；表示窗口内 处像素点的像素值； 表示窗口内 处像素点对应的权
值； 表示窗口的尺寸，本发明实施例中 。

[0053] 进一步的，每个窗口内像素点对应的权值计算为：

[0054]

[0055] 其中， 表示窗口内 处像素点对应的权值； 表示窗口中心点坐标； 表示窗口内任意像素点的坐标。

[0056] 以此类推，获取每个窗口中心点的特征值；根据每个窗口中心点的特征值获取该窗口在目标区域的占比为：

[0057]

[0058] 其中， 表示第 个窗口在目标区域的占比； 表示第 个窗口中心点的特征值； 表示目标区域内窗口的数量。

[0059] 进而对目标区域的纹理复杂度分析，具体为：

[0060]

[0061] 其中，表示目标区域的复杂度； 表示第 个窗口在目标区域的占比； 表示目标区域内窗口的数量。

[0062] 当 的取值越大，表明目标区域的纹理特征越复杂；的取值越小，则相应的目标区域的纹理特征越简单。

[0063] 步骤S200，将目标区域划分为多个平行于齿轮泵齿顶的子块，靠近齿轮泵齿顶的子块为第一子块；获取每个颜色通道下所有子块的熵，以每个子块与第一子块之间的距离为权值对所有子块的熵进行加权求和得到目标区域的熵；根据每个颜色通道下目标区域的熵获取空间分布向量，根据空间分布向量与正常齿面的空间分布向量之间的差异获取异常指标。

[0064] 考虑到在不同的颜色通道下，可能会对缺陷检测造成影响从而导致结果不准确，因此本发明实施例在不同颜色通道下对目标区域进行分析。

[0065] 具体的，将齿轮泵的目标区域等比例划分为多个平行于齿轮泵齿顶的子块，本发明实施例中设置子块的数量为5，即将目标区域等比例划分为五个矩形区域，获得五个子块；由于实际工作中齿轮之间的啮合，齿顶区域为缺陷存在的常见区域，因此将靠近齿轮泵齿顶的子块作为第一子块，获取每个子块与该第一子块之间的距离，作为分析每个子块可能发生缺陷的关注度。

[0066] 进一步的，将每个颜色通道的取值范围等分为多个等级；获取每个子块内等级的数量，根据每个子块内等级的数量对每个子块的熵进行优化得到每个子块的优化熵；以每个子块与第一子块之间的距离为权值对优化熵进行加权求和得到目标区域的熵。

[0067] 具体的，本发明实施例中对目标区域的RGB三个颜色通道分别进行分析，为了降低后续的计算量，将每个颜色通道的取值范围等分为10个等级，在每个颜色通道下对每个子块进行分析。

[0068] 作为一个示例，以目标区域的红色通道为例，标注出每个子块中的像素点对应的等级，统计该子块在红色通道中出现的不同等级的数量，根据每个子块中等级的数量设计因子模型为：

[0069]

[0070] 其中， 表示第 个子块的因子； 表示第 个子块中出现的不同等级的数量；表示在红色通道下划分的等级的数量， 。

[0071] 进一步的，计算每个等级在每个子块中出现的概率为：

[0072]

[0073] 其中， 表示第 个等级在第 个子块中出现的概率； 表示第 个等级在第 个子块中出现的次数；表示子块中所有像素点的数量。

[0074] 针对每个子块在空间分布上的差异性，将每个子块与第一子块之间的距离作为该子块对应的权值，当某个子块与第一子块之间的距离越近，表明该子块对应的权值越大。以每个子块对应的权值作为权重，结合每个子块对应的因子对每个等级在每个子块的熵进行加权求和，得到每个等级在目标区域的熵，则每个等级在目标区域对应的熵具体为：

[0075]

[0076] 其中， 表示第 个等级在目标区域的熵； 表示第 个子块的因子； 表示第 个子块与第一子块之间的距离； 表示第 个等级在第 个子块中出现的概率。

[0077] 进一步的，获取每个颜色通道中所有等级对应的目标区域的熵的均值，根据均值获取目标区域在每个颜色通道中的方差；以所有颜色通道下目标区域的均值和方差构成空间分布向量。

[0078] 具体的，获取在红色通道内所有等级在目标区域的熵值的均值为：

[0079]

[0080] 其中， 表示第 个等级在目标区域的熵；表示所有等级在目标区域的熵值的均值。

[0081] 根据红色通道内所有等级在目标区域的熵值的均值进一步获取对应的方差为：

[0082]

[0083] 其中， 表示第 个等级在目标区域的熵；表示所有等级在目标区域的熵值的均值；表示所有等级在目标区域的熵值的方差。

[0084] 本发明实施例中将上述获取到的均值和方差作为红色通道内的空间指标；以此类推，获取到目标区域在绿色通道内的空间指标以及目标区域在蓝色通道内的空间指标。为了体现目标区域的亮度分布信息，将目标区域图像进行HSV色彩空间的转化，并计算目标区域在亮度通道的空间指标。

[0085] 将目标区域对应的各个通道内的空间指标构成空间分布向量为： 

[0086] 其中， 表示红色通道下所有等级在目标区域的均值； 表示红色通道下所有等级在目标区域的方差； 表示绿色通道下所有等级在目标区域的均值； 表示绿色通道下所有等级在目标区域的方差； 表示蓝色通道下所有等级在目标区域的均值； 表示蓝色通道下所有等级在目标区域的方差； 表示亮度通道下所有等级在目标区域的均值； 表示亮度通道下所有等级在目标区域的方差。

[0087] 将上述获取到的空间分布向量与正常齿面对应的目标区域的空间分布向量比较，获取当前检测齿面的目标区域的异常指标为：

[0088]

[0089] 其中，表示目标区域的异常指标； 表示空间分布向量的第 个元素； 表示正常空间分布向量的第 个元素。

[0090] 由此在不同颜色通道下对当前检测的目标区域进行分析，能够直观检测到目标区域的空间分布情况，避免由于颜色以及亮度值的量化带来的误差影响。

[0091] 步骤S300，获取目标区域内每个像素点的梯度大小和方向，根据梯度大小和方向获取任意两个像素点之间的差异度，根据差异度与正常齿面内差异度之间的区别获取目标区域的差异指标。

[0092] 为了进一步提高对目标区域缺陷检测分析的准确性，考虑到当齿面出现缺陷区域时，其表面像素点的梯度幅值以及方向将会出现杂乱分布。因此，本发明实施例中对齿面目标区域的图像数据各像素点的梯度指标进行提取，将每个像素点的梯度大小和方向构成一个二元组；以目标区域的任意像素点为中心像素点，中心像素点邻域内的像素点为待处理像素点；获取任意两个待处理像素点对应的二元组之间的相似度；差异度与相似度呈负相关关系。

[0093] 具体的，获取目标区域内所有像素点的梯度大小和方向，将每个像素点所对应的梯度大小和方向构成一个二元组，即每个像素点对应一个二元组。以目标区域的任意像素点作为中心像素点，将该中心像素点的邻域像素点作为待处理像素点。作为优选，本发明实施例中选取该中心像素点的八邻域进行分析，即每个中心像素点对应八个待处理像素点。

[0094] 计算邻域内每相邻两个待处理像素点之间的相似度，本发明实施例中利用相关系数法对每相邻两个待处理像素点之间的相似度进行计算，具体为：

[0095]

[0096] 其中， 表示第 个待处理像素点与第 个待处理像素点之间的相似度； 表示第个待处理像素点所对应二元组的第 个元素； 表示第 个待处理像素点所对应二元组的第 个元素。

[0097] 邻域内每相邻两个待处理像素点之间的差异度与该相似度呈负相关关系，则差异度为：

[0098]

[0099] 其中， 表示第 个待处理像素点与第 个待处理像素点之间的差异度； 表示第个待处理像素点与第 个待处理像素点之间的相似度。

[0100] 基于上述相同的原理，获取每个邻域内所有相邻两个待处理像素点之间的差异度，以每个邻域内待处理像素点之间的差异度构成差异向量，获取差异向量的自相关矩阵；根据自相关矩阵内所有元素的均值获取梯度指标；获取目标区域所有像素点对应的梯度指标为梯度指标序列，计算梯度指标序列与正常区域梯度指标序列之间的差异为差异指标。

[0101] 具体的，本发明实施例中将每个邻域内的待处理像素点按顺时针方向分别标注为1 8，则每个邻域中心像素点对应的差异向量为 ，其
中， 表示第1个待处理像素点与第2个待处理像素点之间的差异度； 表示第1个待处理像素点与第4个待处理像素点之间的差异度。

[0102] 进一步的，对每个中心像素点对应的差异向量进行分析，本发明实施例中通过获取每个差异向量的自相关矩阵对该中心像素点周围的梯度分布情况进行分析。该自相关矩阵是大小为 的矩阵，矩阵中每个元素值表示该差异向量中每两个元素之间的相似度，具体为：

[0103]

[0104] 其中， 表示差异向量中第 个元素和第 个元素之间的相似度，即该自相关矩阵中第 行 列的元素值； 表示差异向量中第 个元素； 表示差异向量中第 个元素；表示一个常数，取值范围为： 。

[0105] 需要说明的是，当差异向量中每两个元素之间的相似度越大，表示该两个元素之间的梯度变化越相似，则自相关矩阵中对应的元素值越接近于1。

[0106] 进一步的，计算该自相关矩阵中所有元素值的均值，将该均值作为该中心像素点对应的梯度指标。

[0107] 基于上述获取梯度指标相同的方法，获取齿轮泵目标区域中所有像素点对应的梯度指标构成梯度指标序列。

[0108] 将获取到的梯度指标序列与正常齿面下目标区域对应的正常梯度指标序列进行比较；本发明实施例中采用最大加权均值差异法对梯度指标序列和正常梯度指标序列进行分析，在其他实施例中可以采用动态时间扭曲或者皮尔逊相关算法。

[0109] 最终得到当前目标区域的梯度指标序列与正常齿面目标区域的正常梯度指标序列之间的差异指标，当差异指标的值越大，则当前目标区域与正常目标区域的梯度指标差异越大，则当前检测的目标区域的齿面缺陷程度越严重。

[0110] 步骤S400，根据复杂度、异常指标以及差异指标获取缺陷置信度，当缺陷置信度大于预设阈值时，齿轮泵存在缺陷。

[0111] 由步骤S100、步骤S200和步骤S300分别获取到目标区域的复杂度、异常指标以及差异指标，缺陷置信度与复杂度、异常指标以及差异指标呈正相关关系，由此获取缺陷置信度模型为：

[0112]

[0113] 其中， 表示缺陷置信度；表示目标区域的复杂度；表示目标区域的异常指标；表示目标区域的差异指标； 表示异常指标的参数； 表示差异指标的参数。

[0114] 作为优选，本发明实施例中设置 。

[0115] 进一步的，为了便于工作人员对液压系统齿轮泵的齿面缺陷情况进行实时了解，避免齿轮泵齿面缺陷程度过大导致齿轮运行出现异常、工作效率降低等问题，本发明实施例中设置缺陷置信度预设阈值为 ，即当获取到的目标区域的缺陷置信度大于预设阈值时，表示齿轮泵的齿面缺陷程度过高，将会影响齿轮的运行过程，导致齿轮泵的工作效率降低，应当提示工作人员及时对齿轮泵的齿面进行检修维护，防止重大安全问题的产生。

[0116] 综上所述，本发明实施例中通过获取齿轮泵的目标区域图像，然后对目标区域的复杂度进行分析；为了避免不同颜色的影响，进一步在不同颜色通道下对目标区域的熵进行计算，根据目标区域的熵得到空间指标，结合不同颜色通道下的空间指标得到空间分布向量，当前检测的目标区域的空间分布向量与正常目标区域的空间分布向量之间的差异作为该目标区域的异常指标。再获取目标区域中每个像素点的梯度特征，根据当前检测的目标区域的梯度特征与正常目标区域的梯度特征之间的差异得到当前检测目标区域的差异指标。结合目标区域的复杂度、异常指标以及差异指标得到该目标区域的缺陷置信度。从多方面对目标区域进行分析，获取不同的特征参数，提高对齿面缺陷检测的准确度，避免单一检测造成的误差影响。

[0117] 基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的液压齿轮泵缺陷检测系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的液压齿轮泵缺陷检测方法实施例中的步骤，例如图1所示的步骤。该一种基于人工智能的液压齿轮泵缺陷检测方法在上述实施例中已经详细说明，不再赘述。

[0118] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0119] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0120] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。