本发明专利技术公开了基于图像识别的走台板表面缺陷检测方法及人工智能系统，属于图像识别技术领域，该检测方法具体步骤如下：(1)采集走台板影像信息并进行图像优化；(2)构建检测模型并优化该模型参数；(3)接收影像信息并对其进行缺陷检测；(4)构建缺陷走台板三维模型并标注缺陷信息；(5)反馈缺陷信息并将检测数据进行区块存储；本发明专利技术能够自行为检测模型寻找最优参数，无需工作人员手动寻参，大幅提高走台板缺陷检测的精确性，同时减少工作人员工作量，提高缺陷检测效率，能够提高数据处理效率，降低数据处理能耗，同时保障数据安全性，防止数据遭到恶意篡改。数据遭到恶意篡改。数据遭到恶意篡改。
【技术实现步骤摘要】
基于图像识别的走台板表面缺陷检测方法及人工智能系统
[0001]本专利技术涉及图像识别
，尤其涉及基于图像识别的走台板表面缺陷检测方法及人工智能系统。
技术介绍
[0002]走台板作为一种工程机械车辆的操作平台，主要是布置在起重机车架上，位于起重机底盘的两侧，对车辆起到承载和防护的作用，同时方便操作人员行走作业，为相关人员提供一个安全的行走通道，也能一定程度的美化车辆外观的作用；随着计算机视觉的不断进步，图像识别技术成为当下十分重要的发展方向，同时表现出了良好的发展前景，在信息收集、医疗以及产品安全等方面，都已经开始广泛运用图像识别技术，发挥了非常大的作用。随着人们安全意识的不断进步，图像识别技术也用于对走台板表面出现划痕、裂纹、异常凸起凹陷等表面缺陷状况，其成为了走台板质量检测的主要手段之一。
[0003]经检索，中国专利号CN114549497A公开了基于图像识别的走台板表面缺陷检测方法及人工智能系统，该专利技术虽然提高缺陷区域与正常区域的差异度，有效提高了走台板缺陷的检测精度，但是需工作人员手动寻参，增加工作人员工作量，降低缺陷检测效率；此外，现有的基于图像识别的走台板表面缺陷检测方法及人工智能系统数据处理能耗较高，降低数据处理效率，数据安全性差；为此，我们提出基于图像识别的走台板表面缺陷检测方法及人工智能系统。
技术实现思路
[0004]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于图像识别的走台板表面缺陷检测方法及人工智能系统。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]基于图像识别的走台板表面缺陷检测方法，该检测方法具体步骤如下：
[0007](1)采集走台板影像信息并进行图像优化；
[0008](2)构建检测模型并优化该模型参数；
[0009](3)接收影像信息并对其进行缺陷检测；
[0010](4)构建缺陷走台板三维模型并标注缺陷信息；
[0011](5)反馈缺陷信息并将检测数据进行区块存储。
[0012]作为本专利技术的进一步方案，步骤(1)所述图像优化具体步骤如下：
[0013]步骤一：对各走台板影像信息进行采集，并将采集到的影像信息进行逐帧提取以获取图片数据，之后依据各图片数据显示比列进行分块处理，之后对分块后的各组图片数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；
[0014]步骤二：分别计算各图片数据的灰度值的平均值，之后将分块后各图片数据中每组像素的灰度值与计算出的均值进行比较，并将所有灰度值大于均值的像素构成分割目标，将所有灰度值小于均值的像素构成分割图像的背景。
[0015]作为本专利技术的进一步方案，步骤一所述傅里叶变换具体变换公式如下：
[0016][0017][0018]其中，u以及v均为频率变量，x以及y为该图片数据各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
[0019]作为本专利技术的进一步方案，步骤(2)所述检测模型具体构建步骤如下：
[0020]步骤
①
：级联分析模块从云数据库中提取过往走台板检测数据以及走台板合格标准信息，并将两组数据整合成样本数据集，再计算该样本数据集的标准偏差，同时依据该标准偏差剔除异常样本数据；
[0021]步骤
②
：标准化处理剩余数据，再对其进行归一化处理，之后将其划分为训练集以及测试集，之后再构建一组卷积神经网络，并对其参数设定向量进行赋值，再依据工作人员预设信息确定各神经网络层神经元数；
[0022]步骤
③
：将训练集输入神经网络输入层中，并获取输出层为隐节点输出的线性组合，之后采用最小二乘递推法，定义该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出检测模型，反之，继续进行训练，之后将测试集导入检测模型中进行测试，并计算该检测模型损失值，再对该检测模型进行参数更新。
[0023]5、根据权利要求4所述的基于图像识别的走台板表面缺陷检测方法，作为本专利技术的进一步方案，步骤
①
所述标准偏差具体计算公式如下：
[0024][0025][0026]其中，v
n
为样本数据集的数据偏差，s为标准偏差，若任一数据xi的偏差v
n
满足|v
n
|＞3σ，则判断该数据为异常数据，并剔除。
[0027]作为本专利技术的进一步方案，步骤(3)所述缺陷检测具体步骤如下：
[0028]步骤Ⅰ：通过检测模型对各图片数据进行尺度归一化处理，并提取归一化后各图片数据的特征，再将提取出的特征送入双向特征金字塔进行特征融合，之后对融合结果进行分类回归以输出检测框，并对图片数据中的缺陷检测框信息进行收集；
[0029]步骤Ⅱ：生成对应检测框坐标，并对相关图片数据进行扩大化剪裁，通过RPN过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有缺陷的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，通过扩大化剪裁提取各组图片中的缺陷信息。
[0030]基于图像识别的走台板表面缺陷检测人工智能系统，包括管控平台、采集处理模块、级联分析模块、更新调整模块、缺陷核实模块、建模标注模块、云数据库、区块存储模块以及日志分析模块；
[0031]所述管控平台用于工作人员查看各走台板检测信息，并下发相关控制指令；
[0032]所述采集处理模块用于采集走台板影像信息并对其进行优化；
[0033]所述级联分析模块用于构建检测模型并对各走台板缺陷进行分析；
[0034]所述更新调整模块用于对检测模型参数进行优化；
[0035]所述缺陷核实模块用于对检测出的走台板缺陷进行核实确认；
[0036]所述建模标注模块用于将各走台板进行编号处理，并构建存在缺陷的走台板三维模型，同时标注缺陷信息；
[0037]所述云数据库用于存储各走台板检测数据；
[0038]所述区块存储模块用于对各走台板检测信息以及工作人员相关操作信息进行上链存储；
[0039]所述日志分析模块用于对管控平台操作日志进行风险分析。
[0040]作为本专利技术的进一步方案，所述更新调整模块模型参数优化具体步骤如下：
[0041]第一步：更新调整模型在检测模型的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算检测模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；
[0042]第二步：当局部误差超出工作人员预设阈值后，依据学习规则方程对该检测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；
[0043]第三步：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于图像识别的走台板表面缺陷检测方法，其特征在于，该检测方法具体步骤如下：(1)采集走台板影像信息并进行图像优化；(2)构建检测模型并优化该模型参数；(3)接收影像信息并对其进行缺陷检测；(4)构建缺陷走台板三维模型并标注缺陷信息；(5)反馈缺陷信息并将检测数据进行区块存储。2.根据权利要求1所述的基于图像识别的走台板表面缺陷检测方法，其特征在于，步骤(1)所述图像优化具体步骤如下：步骤一：对各走台板影像信息进行采集，并将采集到的影像信息进行逐帧提取以获取图片数据，之后依据各图片数据显示比列进行分块处理，之后对分块后的各组图片数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；步骤二：分别计算各图片数据的灰度值的平均值，之后将分块后各图片数据中每组像素的灰度值与计算出的均值进行比较，并将所有灰度值大于均值的像素构成分割目标，将所有灰度值小于均值的像素构成分割图像的背景。3.根据权利要求2所述的基于图像识别的走台板表面缺陷检测方法，其特征在于，步骤一所述傅里叶变换具体变换公式如下：一所述傅里叶变换具体变换公式如下：其中，u以及v均为频率变量，x以及y为该图片数据各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。4.根据权利要求1所述的基于图像识别的走台板表面缺陷检测方法，其特征在于，步骤(2)所述检测模型具体构建步骤如下：步骤
①
：级联分析模块从云数据库中提取过往走台板检测数据以及走台板合格标准信息，并将两组数据整合成样本数据集，再计算该样本数据集的标准偏差，同时依据该标准偏差剔除异常样本数据；步骤
②
：标准化处理剩余数据，再对其进行归一化处理，之后将其划分为训练集以及测试集，之后再构建一组卷积神经网络，并对其参数设定向量进行赋值，再依据工作人员预设信息确定各神经网络层神经元数；步骤
③
：将训练集输入神经网络输入层中，并获取输出层为隐节点输出的线性组合，之后采用最小二乘递推法，定义该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出检测模型，反之，继续进行训练，之后将测试集导入检测模型中进行测试，并计算该检测模型损失值，再对该检测模型进行参数更新。5.根据权利要求4所述的基于图像识别的走台板表面缺陷检测方法，其特征在于，步骤
①
所述标准偏差具体计算公式如下：
其中，v
n
为样本数据集的数据偏差，s为标准偏差，若任一数据x
i
的偏差v
n
满足v
n
＞3σ，则判断该数据为异常数据，并剔除。6.根据权利要求4所述的基于图像识别的走台板表面缺陷检测方法，其特征在于，步骤(3)所述缺陷检测具体步骤如下：步骤Ⅰ：通过检测模型对各图片数据进行尺度归一化处理，并提取归一化后各图片数据的特征，再将提取出的特征送入双向特征金字塔进行特征融合，之后对融合结果进行分类回归以输出检测框...
【专利技术属性】
技术研发人员：丁一倬，周小婉，樊好义，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。