基于人工智能的五金零件生产质量检测方法及系统技术方案

本发明专利技术涉及图像数据处理技术领域，具体涉及基于人工智能的五金零件生产质量检测方法及系统，包括：采集标准图像以及不同光照角度下的齿轮区域图像；获取每个图像块中的目标区域以及非目标区域，进一步得到光照影响灰度分布曲线，根据光照影响灰度分布曲线获取光照影响区域，进一步获取光照角度的影响程度；根据图像块在不同光照角度下的目标区域中的灰度分布获取灰度趋势分布曲线，进一步得到图像块的显著性值的特征影响因子；特征影响因子获取区域差异值，进一步得到显著性图像；根据显著性图像识别缺料缺陷，实现五金零件的生产质量检测。本发明专利技术排除了油污缺陷对显著性图像的干扰，使得五金零件的生产质量检测结果更加准确。确。确。

【技术实现步骤摘要】
基于人工智能的五金零件生产质量检测方法及系统


[0001]本专利技术涉及图像数据处理
，具体涉及基于人工智能的五金零件生产质量检测方法及系统。

技术介绍

[0002]随着传动机械领域的发展，对构成传动机械的五金零部件的要求越来越高，因此在很多精细的五金零件出厂之前需要进行精准的质量检测，其中齿轮是传动机械中最常见的一种五金零件。现有的齿轮生产质量检测方法中通过人工智能检测的方式代替了传统的人工检测的方式，减少了生产成本，并提高了检测效率，因此，现代的五金零件生产过程中都会进行基于人工智能的生产质量检测流程以保证产品的质量。
[0003]现有的人工智能检测过程中，通过布置的图像采集系统来采集齿轮的清晰图像，大多数通过对采集的图像进行显著性分析来获取图像的显著性图对神经网络模型进行训练，并通过训练好的神经网络模型对图像中的缺陷位置进行标记。CA算法是一种基于局部特征和全局的特征的显著性检测算法，其基于局部的颜色特征来确定局部显著度，然而在采集图像的过程中，由于不同缺陷在图像中表现的为相似的特征，例如齿轮上的油污以及缺料在图像的效果表现基本极为相似，油污缺陷为质量容错范围内的缺陷，对齿轮的质量影响较小，而缺料缺陷为严重的质量缺陷，使用缺料的齿轮可能会造成较大的生产事故。此时若仅考虑颜色特征来确定局部显著度，会使得油污的显著性也较大，会影响显著性图的准确性，进而影响到神经网络模型的识别结果，导致油污被当作缺料缺陷被识别出来，得到错误的检测结果。

技术实现思路

[0004]本专利技术提供基于人工智能的五金零件生产质量检测方法及系统，以解决现有的问题。
[0005]本专利技术的基于人工智能的五金零件生产质量检测方法采用如下技术方案：本专利技术一个实施例提供了基于人工智能的五金零件生产质量检测方法，该方法包括以下步骤：采集标准图像以及不同光照角度下的齿轮区域图像；将所有齿轮区域图像以及标准图像分别分割成多个图像块；根据标准图像以及齿轮区域图像获取齿轮区域图像的每个图像块中的目标区域以及非目标区域；根据每个图像块中的非目标区域获取每个图像块的光照影响灰度分布曲线，根据每个光照角度下所有图像块的光照影响灰度分布曲线获取每个光照角度下的光照影响区域；获取每个光照角度下的光照影响区域中每个图像块中的目标区域与其他光照角度下对应的图像块中的目标区域之间的轮廓相似度，根据轮廓相似度获取每个光照角度的影响程度；
若图像块在一个光照角度下位于光照影响区域，将对应的光照角度作为图像块的第一光照角度；将图像块的所有第一光照角度中影响程度最大的第一光照角度作为图像块的第二光照角度；根据图像块在第二光照角度下的目标区域中灰度值最小的像素点以及灰度值最大的像素点获取目标序列；根据目标序列获取图像块在第二光照角度以及每个第一光照角度下的灰度趋势分布曲线；根据不同光照角度下的灰度趋势分布曲线以及第二光照角度的影响程度获取图像块的显著性值的特征影响因子；根据每个光照角度下每个图像块的显著性值的特征影响因子获取区域差异值，根据区域差异值利用显著性检测算法获取每个光照角度下每个像素点的显著性值；根据每个光照角度下每个像素点的显著性值获取显著性图像；根据显著性图像以及影响程度最大的光照角度下的齿轮区域图像识别缺料缺陷，实现齿轮的生产质量检测。
[0006]优选的，所述根据标准图像以及齿轮区域图像获取齿轮区域图像的每个图像块中的目标区域以及非目标区域，包括的具体步骤如下：将标准图像的每个图像块中非0像素点构成的区域作为齿轮正常分布区域，将齿轮正常分布区域的边缘作为标准边缘；将每个齿轮区域图像的每个图像块中的非0像素点聚类成多个类簇，获取每个类簇构成的区域的边缘作为类簇边缘，统计每个齿轮区域图像的每个图像块中每个类簇边缘与标准图像对应的图像块中标准边缘中重合的像素点的个数，将得到的结果作为每个类簇的重合度；将每个图像块中除重合度最大的类簇外的每个类簇构成的区域作为差分区域，对每个图像块中所有差分区域的边缘像素点进行凸包检测得到凸包区域，将凸包区域作为每个图像块中的目标区域，将每个图像块中的目标区域之外的区域作为每个图像块中的非目标区域。
[0007]优选的，所述根据每个图像块中的非目标区域获取每个图像块的光照影响灰度分布曲线，包括的具体步骤如下：将一个光照角度下每个图像块中非目标区域的任意两个边缘点相连构成一条线段作为边缘线段，获取每个图像块的所有边缘线段与对应光照角度的角度差，将最小的角度差对应边缘线段作为每个图像块的目标边缘线段；将一个图像块中所有目标边缘线段上位于非目标区域的所有像素点的灰度值构成一个一维的序列，将所述一维的序列对应的曲线作为对应图像块的光照影响灰度分布曲线。
[0008]优选的，所述根据每个光照角度下所有图像块的光照影响灰度分布曲线获取每个光照角度下的光照影响区域，包括的具体步骤如下：计算每个光照角度下所有图像块两两之间非目标区域的DTW距离，对DTW距离进行负相关归一化，将得到的结果作为每个光照角度下所有图像块两两之间非目标区域之间的相似度；将每个光照角度下非目标区域的相似度大于相似度阈值的两个图像块作为一个光照类别；当一个图像块属于多个光照类别时，将图像块所属的多个光照类别合并为同一个光照类别；计算每个光照角度下的每个光照类别中所有非0像素点的灰度值均值，将灰度值均值最大的光照类别中所有图像块合并之后的区域作为每个光照角度下的光照影响区域。
[0009]优选的，所述根据轮廓相似度获取每个光照角度的影响程度，包括的具体步骤如下：
其中为第个光照角度的影响程度；L为除第个光照角度外其他光照角度的个数；为第个光照角度下的光照影响区域中第z个图像块中的目标区域；为第个光照角度下与对应的图像块中的目标区域；为第个光照角度下的光照影响区域中图像块的个数；为和之间的Hu矩轮廓相似度；为第个光照角度下的光照影响区域中第z个图像块中目标区域的最大的灰度值；为第个光照角度下的光照影响区域中第z个图像块中目标区域的最小的灰度值；是以自然常数为底的指数函数。
[0010]优选的，所述根据图像块在第二光照角度下的目标区域中灰度值最小的像素点以及灰度值最大的像素点获取目标序列，包括的具体步骤如下：将图像块在第二光照角度下的目标区域中灰度值最小的像素点以及灰度值最大的像素点的位置分别记为M1和M2；将M1和M2相连构成一条线段，将线段上所有像素点排列成一个一维的序列，作为图像块的目标序列。
[0011]优选的，所述根据目标序列获取图像块在第二光照角度以及每个第一光照角度下的灰度趋势分布曲线，包括的具体步骤如下：将目标序列中所有像素点在第二光照角度下对应的灰度值构成的曲线作为第二光照角度下的灰度趋势分布曲线，其中灰度趋势分布曲线的横坐标为像素点在目标序列中的顺序，纵坐标为灰度值大小；将目标序列中所有像素点在每个第一光照角度下对应的像素点的灰度值构成的曲线作为每个第一光照角度下的灰度趋势分布曲线。
[0012]优选的，所述根据不同光照角度下的灰度趋势分布曲线以及第二光照角度的影响程度获取图像块的显著性值的特征影响因子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的五金零件生产质量检测方法，其特征在于，该方法包括以下步骤：采集标准图像以及不同光照角度下的齿轮区域图像；将所有齿轮区域图像以及标准图像分别分割成多个图像块；根据标准图像以及齿轮区域图像获取齿轮区域图像的每个图像块中的目标区域以及非目标区域；根据每个图像块中的非目标区域获取每个图像块的光照影响灰度分布曲线，根据每个光照角度下所有图像块的光照影响灰度分布曲线获取每个光照角度下的光照影响区域；获取每个光照角度下的光照影响区域中每个图像块中的目标区域与其他光照角度下对应的图像块中的目标区域之间的轮廓相似度，根据轮廓相似度获取每个光照角度的影响程度；若图像块在一个光照角度下位于光照影响区域，将对应的光照角度作为图像块的第一光照角度；将图像块的所有第一光照角度中影响程度最大的第一光照角度作为图像块的第二光照角度；根据图像块在第二光照角度下的目标区域中灰度值最小的像素点以及灰度值最大的像素点获取目标序列；根据目标序列获取图像块在第二光照角度以及每个第一光照角度下的灰度趋势分布曲线；根据不同光照角度下的灰度趋势分布曲线以及第二光照角度的影响程度获取图像块的显著性值的特征影响因子；根据每个光照角度下每个图像块的显著性值的特征影响因子获取区域差异值，根据区域差异值利用显著性检测算法获取每个光照角度下每个像素点的显著性值；根据每个光照角度下每个像素点的显著性值获取显著性图像；根据显著性图像以及影响程度最大的光照角度下的齿轮区域图像识别缺料缺陷，实现齿轮的生产质量检测。2.根据权利要求1所述的基于人工智能的五金零件生产质量检测方法，其特征在于，所述根据标准图像以及齿轮区域图像获取齿轮区域图像的每个图像块中的目标区域以及非目标区域，包括的具体步骤如下：将标准图像的每个图像块中非0像素点构成的区域作为齿轮正常分布区域，将齿轮正常分布区域的边缘作为标准边缘；将每个齿轮区域图像的每个图像块中的非0像素点聚类成多个类簇，获取每个类簇构成的区域的边缘作为类簇边缘，统计每个齿轮区域图像的每个图像块中每个类簇边缘与标准图像对应的图像块中标准边缘中重合的像素点的个数，将得到的结果作为每个类簇的重合度；将每个图像块中除重合度最大的类簇外的每个类簇构成的区域作为差分区域，对每个图像块中所有差分区域的边缘像素点进行凸包检测得到凸包区域，将凸包区域作为每个图像块中的目标区域，将每个图像块中的目标区域之外的区域作为每个图像块中的非目标区域。3.根据权利要求1所述的基于人工智能的五金零件生产质量检测方法，其特征在于，所述根据每个图像块中的非目标区域获取每个图像块的光照影响灰度分布曲线，包括的具体步骤如下：将一个光照角度下每个图像块中非目标区域的任意两个边缘点相连构成一条线段作为边缘线段，获取每个图像块的所有边缘线段与对应光照角度的角度差，将最小的角度差对应边缘线段作为每个图像块的目标边缘线段；将一个图像块中所有目标边缘线段上位于非目标区域的所有像素点的灰度值构成一个一维的序列，将所述一维的序列对应的曲线作为对应图像块的光照影响灰度分布曲线。
4.根据权利要求1所述的基于人工智能的五金零件生产质量检测方法，其特征在于，所述根据每个光照角度下所有图像块的光照影响灰度分布曲线获取每个光照角度下的光照影响区域，包括的具体步骤如下：计算每个光照角度下所有图像块两两之间非目标区域的DTW距离，对DTW距离进行负相关归一化，将得到的结果作为每个光照角度下所有图像块两两之间非目标区域之间的相似度；将每个光照角度下非目标区域的相似度大于相似度阈值的两个图像块作为一个光照类别；当一个图像块属于多个光照类别时，将图像块所属的多个光照类别合并为同一个光照类别；计算每个光照角度下的每个光照类别中所有非0像素点的灰度值均值，将灰度值均值最大的光照类别中所有图像块合并之后的区域作为每个光照角度下的光照影响区域。5.根据权利要求1所述的基于人工智能的五金零件生产质量检测方法，其特征在于，所述根据轮廓相似度获取每个光照角度的影响程度，包括的具体步骤如下：其中为第个光照角度的影响程度；L为除第个光照角度外其他光照角度的个数；为第个光照角度下的...

【专利技术属性】
技术研发人员：邱良凤，赵建湘，
申请(专利权)人：深圳市智宇精密五金塑胶有限公司，
类型：发明
国别省市：