[發(fā)明專利]一種基于人工智能的機(jī)械零件缺陷檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210810838.1
• 申請(qǐng)日: 2022-07-11
• 公開（公告）號(hào): CN115187548A
• 公開（公告）日: 2022-10-14
• 發(fā)明（設(shè)計(jì)）人: 常穎
• 申請(qǐng)（專利權(quán)）人: 常穎
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00;G06V10/764
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于人工智能的機(jī)械零件缺陷檢測(cè)方法，獲取機(jī)械零件圖像進(jìn)行圖像預(yù)處理，包括濾波去噪和圖像增強(qiáng)處理,使用混合高斯模型對(duì)所有像素點(diǎn)進(jìn)行分類，得到正常區(qū)域和異常區(qū)域，獲取異常區(qū)域的最大內(nèi)接矩形，計(jì)算出最大內(nèi)接矩形的奇異指標(biāo)值和異常區(qū)域的多維分形譜，根據(jù)每個(gè)像素點(diǎn)的像素點(diǎn)各向異性和紋理分布指標(biāo)，得到異常區(qū)域的各向異性指標(biāo)和紋理結(jié)構(gòu)指標(biāo)，根據(jù)異常區(qū)域的各向異性指標(biāo)和紋理結(jié)構(gòu)指標(biāo)得到異常區(qū)域的結(jié)構(gòu)均勻指標(biāo)，根據(jù)指標(biāo)建立零件缺陷檢測(cè)模型，根據(jù)零件缺陷檢測(cè)模型判斷待測(cè)零件是否需要加工修復(fù)，基于人工智能，精準(zhǔn)而高效。

技術(shù)領(lǐng)域

本申請(qǐng)涉及機(jī)械零件缺陷檢測(cè)領(lǐng)域，具體涉及一種基于人工智能的機(jī)械零件缺陷檢測(cè)方法。

背景技術(shù)

在機(jī)械等領(lǐng)域中，各種高科技產(chǎn)品的集成度越來越高，零件的質(zhì)量和加工工藝過程的完成質(zhì)量直接影響零件產(chǎn)品的質(zhì)量及性能，其中，零件表面出現(xiàn)缺陷時(shí)將會(huì)影響零件在使用過程中的密封性以及安全性等問題。傳統(tǒng)進(jìn)行即興零件表面缺陷檢測(cè)一般是根據(jù)領(lǐng)域內(nèi)的專業(yè)檢測(cè)人員進(jìn)行識(shí)別，該方法人工成本較高，人為檢測(cè)主觀性較強(qiáng)，檢測(cè)結(jié)果誤檢率高，且對(duì)檢測(cè)人員的專業(yè)性有較高要求，人為檢測(cè)檢測(cè)效率及檢測(cè)精度低。

發(fā)明內(nèi)容

本發(fā)明提供一種基于人工智能的機(jī)械零件缺陷檢測(cè)方法，解決人工檢測(cè)零件的實(shí)時(shí)性低、檢測(cè)效率低的問題，采用如下技術(shù)方案：

獲取待檢測(cè)機(jī)械零件圖像進(jìn)行圖像預(yù)處理，包括濾波去噪和圖像增強(qiáng)處理；

提取預(yù)處理后圖像中的異常區(qū)域，獲取每個(gè)異常區(qū)域的最大內(nèi)接矩形區(qū)域，使用滑動(dòng)窗口在最大內(nèi)接矩形區(qū)域內(nèi)進(jìn)行步長為1的滑動(dòng)，得到多個(gè)窗口區(qū)域，根據(jù)每個(gè)窗口區(qū)域的中心像素點(diǎn)的像素值得到每個(gè)窗口區(qū)域中心像素點(diǎn)的像素表征值，根據(jù)像素表征值得到每個(gè)窗口區(qū)域中心像素點(diǎn)的概率測(cè)度值；

根據(jù)每個(gè)窗口區(qū)域中心像素點(diǎn)的概率測(cè)度值得到每個(gè)窗口區(qū)域的奇異指數(shù)，根據(jù)每個(gè)窗口區(qū)域的奇異指數(shù)得到異常區(qū)域的奇異指標(biāo)值；

將奇異指數(shù)相同的窗口區(qū)域作為一個(gè)子集合，統(tǒng)計(jì)每個(gè)奇異指數(shù)包含的窗口區(qū)域的個(gè)數(shù)，根據(jù)每個(gè)奇異指數(shù)包含的窗口區(qū)域的個(gè)數(shù)得到異常區(qū)域的多維分形譜；

獲取異常區(qū)域每個(gè)像素點(diǎn)的Hessian矩陣，得到該像素點(diǎn)的兩個(gè)特征值和兩個(gè)特征向量，根據(jù)兩個(gè)特征值和兩個(gè)特征向量得到每個(gè)像素點(diǎn)的各向異性；

根據(jù)每個(gè)像素點(diǎn)的兩個(gè)特征向量方向上的像素序列中相鄰像素點(diǎn)的灰度級(jí)組合出現(xiàn)的概率得到每個(gè)像素點(diǎn)的紋理分布指標(biāo)；

根據(jù)每個(gè)像素點(diǎn)的各向異性和紋理分布指標(biāo)得到異常區(qū)域的各向異性指標(biāo)和紋理分布指標(biāo)；

根據(jù)異常區(qū)域的各向異性指標(biāo)和紋理分布指標(biāo)得到異常區(qū)域的結(jié)構(gòu)均勻指標(biāo)；

根據(jù)異常區(qū)域的多維分形譜和圖像中的正常區(qū)域的多維分形譜的余弦相似度、異常區(qū)域奇異指標(biāo)值得和異常區(qū)域的結(jié)構(gòu)均勻指標(biāo)得到零件缺陷檢測(cè)值；

根據(jù)零件缺陷檢測(cè)值對(duì)待檢測(cè)機(jī)械零件的缺陷程度進(jìn)行判斷。

所述提取出圖像中的異常區(qū)域的方法如下：

將圖像中每個(gè)像素點(diǎn)輸入到混合高斯模型的每個(gè)子高斯模型中，計(jì)算每個(gè)像素點(diǎn)屬于每個(gè)子高斯模型的概率，將每個(gè)像素點(diǎn)歸類到概率最高的子高斯模型中，將每個(gè)子高斯模型作為一類，實(shí)現(xiàn)對(duì)像素點(diǎn)的類別劃分，將包含像素點(diǎn)最多的類別作為正常區(qū)域，其他類別為異常區(qū)域。

所述每個(gè)窗口區(qū)域內(nèi)的中心像素點(diǎn)的概率測(cè)度值的獲取方法為：

計(jì)算每個(gè)窗口區(qū)域的中心像素點(diǎn)的像素表征值，方法為：