基于人工智能的发酵罐加工工序检测方法及系统技术方案

本发明专利技术涉及缺陷检测技术领域，具体涉及一种基于人工智能的发酵罐加工工序检测方法及系统。该方法通过带有可见光光源的光学图像采集设备获得目标缺陷图像及其多个视角下的视角图像。通过图像的匹配融合消除了光照对内壁缺陷特征的影响，放大的缺陷特征。根据包含完整清楚的缺陷特征的融合图像训练缺陷识别神经网络，利用缺陷识别神经网络可快速准确的对待检测发酵罐内壁的缺陷进行检测。本发明专利技术通过对缺陷特征的放大训练出准确度高的神经网络对缺陷进行识别，实现了对发酵罐内壁缺陷的精准识别，且能够根据内壁缺陷针对性的制定修补工艺，提高了发酵罐的使用寿命和发酵罐生产工序的加工效率。序的加工效率。序的加工效率。

【技术实现步骤摘要】
基于人工智能的发酵罐加工工序检测方法及系统


[0001]本专利技术涉及缺陷检测
，具体涉及一种基于人工智能的发酵罐加工工序检测方法及系统。

技术介绍

[0002]发酵罐为工业上用来进行微生物发酵的装置，其主体一般为不锈钢板制成的柱式圆筒。在发酵罐生产过程中，应保证发酵罐内壁光滑完整，防止细菌积累滋生。因此在发酵罐生产加工工序中应对发酵罐内壁的缺陷进行针对性检测。
[0003]在现有的缺陷检测过程中，可利用计算机视觉提取发酵罐内壁图像中的缺陷特征，根据缺陷特征判断是否存在缺陷及缺陷类型。为了实现快速且智能的缺陷检测，可利用神经网络处理发酵罐内壁图像，输出缺陷类别。
[0004]神经网络的训练过程需要采集大量的包含缺陷的内壁图像作为训练数据，发酵罐内部较暗，因此在采集内壁图像时需要设置光源，因为发酵罐为不锈钢金属打造，在图像采集过程中光源会受到金属内壁的反光影响，导致采集到的内壁图像存在过曝或过暗现象，导致内壁图像中的特征信息缺失，影响神经网络的训练结果。

技术实现思路

[0005]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发酵罐加工工序检测方法及系统，所采用的技术方案具体如下：本专利技术提出了一种基于人工智能的发酵罐加工工序检测方法，所述方法包括：利用带有可见光光源的光学图像采集设备获得发酵罐内壁的目标缺陷图像；改变光学图像采集设备的视角，获得所述目标缺陷图像对应的多个视角图像；对所述目标图像和每个视角图像进行角点匹配，获得初始匹配结果；根据所述目标缺陷图像中每个像素点与所述初始匹配结果对应的所述视角图像中像素点在预设第一邻域范围内纹理数量信息的差异获得纹理信息保留度；根据所述目标缺陷图像中每个像素点的所述第一邻域范围内的对比度熵和所述纹理信息保留度获得所述目标缺陷图像中每个像素点的光照影响程度；根据预设选取数量选取所述光照影响程度最小的多个像素点作为光照修正点；获得每个图像的所述光照修正点的预设第二邻域范围内的纹理分布信息；根据所述目标缺陷图像中所述光照修正点与所述初始匹配结果对应的每个所述视角图像中的所述光照修正点的预设第三邻域范围内每个像素点的纹理分布信息相似性选取最佳光照修正点匹配对，获得最佳匹配结果；以每个像素点的所述光照影响程度的倒数作为第一融合权重，根据所述第一融合权重和所述最佳匹配结果对每个所述视角图像与所述目标缺陷图像进行加权融合，获得多个初始融合图像；根据所述最佳光照修正点匹配对内的坐标偏移距离获得每个所述初始融合图像的第二融合权重；根据所述第二融合权重将所有所述初始融合图像进行加权融合，
获得融合图像；获得多个所述融合图像，构成训练数据集；根据所述训练数据集训练缺陷识别神经网络；根据所述缺陷识别神经网络识别待检测发酵罐的缺陷。
[0006]进一步地，获得像素点在预设第一邻域范围内所述纹理数量信息包括：对每个像素点的所述第一邻域范围进行边缘检测，获得纹理边缘像素点；以所述纹理边缘像素点的数量作为所述纹理数量信息。
[0007]进一步地，所述根据所述目标缺陷图像中每个像素点与所述初始匹配结果对应的所述视角图像中像素点在预设第一邻域范围内纹理数量信息的差异获得纹理信息保留度包括：获得所述目标缺陷图像中每个像素点对应的所有所述初始匹配结果中的像素点的所述纹理数量信息；以所述目标缺陷图像中每个像素点的所述纹理数量信息和对应的平均纹理数量信息的比值作为所述纹理信息保留度。
[0008]进一步地，所述根据所述目标缺陷图像中每个像素点的所述第一邻域范围内的对比度熵和所述纹理信息保留度获得所述目标缺陷图像中每个像素点的光照影响程度包括：以所述纹理信息保留度和所述对比度熵乘积的倒数作为所述光照影响程度。
[0009]进一步地，所述获得每个所述光照修正点的预设第二邻域范围内的纹理分布信息包括：获得所述光照修正点的所述第二邻域范围内的纹理边缘；获得所述纹理边缘上每个所述纹理边缘像素点的曲率；统计所述曲率，构建曲率直方图；根据所述曲率直方图获得曲率分布序列；以所述曲率分布序列作为所述纹理分布信息。
[0010]进一步地，所述根据所述目标缺陷图像中所述光照修正点与所述初始匹配结果对应的每个所述视角图像中的所述光照修正点的预设第三邻域范围内每个像素点的纹理分布信息相似性选取最佳光照修正点匹配对包括：以所述纹理分布信息之间的余弦相似度作为所述纹理分布信息相似性；所述目标缺陷图像中所述光照修正点与对应的所述第三邻域范围内所述纹理分布信息相似性最大的像素点构成所述最佳光照修正点匹配对。
[0011]进一步地，所述获得最佳匹配结果包括：以所述角点匹配过程中的匹配角点和所述最佳光照修正点匹配对作为匹配特征点对；根据所述匹配特征点对构建单应性矩阵，获得所述最佳匹配结果。
[0012]进一步地，所述根据所述最佳光照修正点匹配对内的坐标偏移距离获得每个所述初始融合图像的第二融合权重包括：将所述最佳光照修正点匹配对中的两个所述光照修正点根据所述最佳匹配结果转换至同一坐标系下；获得所述坐标系内所述最佳光照修正点匹配对内两个所述光照修正点之间的欧式距离；以所述初始融合图像对应的所有所述最佳光照修正点匹配对的平均欧式距离的倒数作为所述第二融合权重。
[0013]本专利技术还提出了一种基于人工智能的发酵罐加工工序检测系统，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，所述处理器执行所
述计算机程序时实现所述一种基于人工智能的发酵罐加工工序检测方法的步骤。
[0014]本专利技术具有如下有益效果：本专利技术实施例采集目标缺陷图像的多个视角下的视角图像。通过角点匹配获得初始匹配结果。根据初始匹配结果获得目标缺陷图像中每个像素点的光照影响程度，进而选取光照修正点。根据光照修正点与对应的初始匹配结果的光照修正点的纹理分布信息获得最佳光照修正点匹配对，获得最佳匹配结果。最佳匹配结果结合了角点信息和光照影响信息，使匹配结果更加准确。根据最佳匹配结果将每个视角图像与目标缺陷图像加权融合，获得初始融合图像，进一步将初始融合图像融合，获得融合图像。通过两次加权融合消除了光照对缺陷信息的影响，根据融合图像训练神经网络，提高了神经网络的准确性，提高了发酵罐内壁缺陷检测效率。
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所提供的一种基于人工智能的发酵罐加工工序检测方法流程图。
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发酵罐加工工序检测方法及系统，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发酵罐加工工序检测方法，其特征在于，所述方法包括：利用带有可见光光源的光学图像采集设备获得发酵罐内壁的目标缺陷图像；改变光学图像采集设备的视角，获得所述目标缺陷图像对应的多个视角图像；对所述目标图像和每个视角图像进行角点匹配，获得初始匹配结果；根据所述目标缺陷图像中每个像素点与所述初始匹配结果对应的所述视角图像中像素点在预设第一邻域范围内纹理数量信息的差异获得纹理信息保留度；根据所述目标缺陷图像中每个像素点的所述第一邻域范围内的对比度熵和所述纹理信息保留度获得所述目标缺陷图像中每个像素点的光照影响程度；根据预设选取数量选取所述光照影响程度最小的多个像素点作为光照修正点；获得每个图像的所述光照修正点的预设第二邻域范围内的纹理分布信息；根据所述目标缺陷图像中所述光照修正点与所述初始匹配结果对应的每个所述视角图像中的所述光照修正点的预设第三邻域范围内每个像素点的纹理分布信息相似性选取最佳光照修正点匹配对，获得最佳匹配结果；以每个像素点的所述光照影响程度的倒数作为第一融合权重，根据所述第一融合权重和所述最佳匹配结果对每个所述视角图像与所述目标缺陷图像进行加权融合，获得多个初始融合图像；根据所述最佳光照修正点匹配对内的坐标偏移距离获得每个所述初始融合图像的第二融合权重；根据所述第二融合权重将所有所述初始融合图像进行加权融合，获得融合图像；获得多个所述融合图像，构成训练数据集；根据所述训练数据集训练缺陷识别神经网络；根据所述缺陷识别神经网络识别待检测发酵罐的缺陷。2.根据权利要求1所述的一种基于人工智能的发酵罐加工工序检测方法，其特征在于，获得像素点在预设第一邻域范围内所述纹理数量信息包括：对每个像素点的所述第一邻域范围进行边缘检测，获得纹理边缘像素点；以所述纹理边缘像素点的数量作为所述纹理数量信息。3.根据权利要求2所述的一种基于人工智能的发酵罐加工工序检测方法，其特征在于，所述根据所述目标缺陷图像中每个像素点与所述初始匹配结果对应的所述视角图像中像素点在预设第一邻域范围内纹理数量信息的差异获得纹理信息保留度包括：获得所述目标缺陷图像中每个像素点对应的所有所述初始匹配结果中的像素点的所述纹理数量信息；以所述目标缺陷图像中每个像素点的所述纹理数量信息和对应的平均纹理数量信息的比值作为所述纹理信息保留度。4.根据权利...

【专利技术属性】
技术研发人员：程永超，
申请(专利权)人：江苏万容机械科技有限公司，
类型：发明
国别省市：