【技术实现步骤摘要】
本申请涉及图像处理，具体涉及基于人工智能的手表表盘缺陷智能检测方法。
技术介绍
1、手表是很多人出行都会佩戴的工具，长期使用难免出现磨花、刮伤等损害，然而，表盘是最容易与其他物体接触的部分，磨花的概率也是最大的，手表的表盘保护着内部的精密器件，对装配过程有着重要影响。手表表盘出现缺陷不仅会影响到正常读取时间，也会影响到佩戴者的体验感。此外，磨花还可能导致手表的防水性能下降，因为划痕和磨损可能会破坏密封圈。如果手表是高档品牌或收藏品，磨花也会影响其价值，降低了手表的完美程度和保存状态。
2、采用人工智能技术对手表表盘进行缺陷检测，能够实现自动化、高效率的检测过程，大大减少了人力成本和时间成本。但是，由于手表表盘上通常有各种复杂的设计和图案，会模糊甚至掩盖真正的缺陷，导致难以对手表表盘进行缺陷检测。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于人工智能的手表表盘缺陷智能检测方法，以解决现有的问题。
2、本专利技术的基于人工智能的手表表盘缺陷智能检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于人工智能的手表表盘缺陷智能检测方法，该方法包括以下步骤：
4、采集灰度化手表表盘图像；
5、使用canny边缘检测算子获取灰度化手表表盘图像中的边缘线，根据灰度化手表表盘图像中的闭合边缘获取疑似表盘区域，进而获取灰度化手表表盘图像的表盘区域；根据各像素点的lbp值获取各像素点的纹理行变向量和纹理列变向量，根据各像
6、根据表盘缺陷评估指数对手表表盘的缺陷进行检测。
7、进一步，所述据灰度化手表表盘图像中的闭合边缘获取疑似表盘区域，进而获取灰度化手表表盘图像的表盘区域，包括：
8、将灰度化手表表盘图像中所有闭合边缘线内的区域记为疑似表盘区域，将灰度化手表表盘图像中面积最大的疑似表盘区域判定为表盘区域。
9、进一步，所述根据各像素点的lbp值获取各像素点的纹理行变向量和纹理列变向量，包括：
10、以灰度化手表表盘图像中的各像素点为中心，构建边长为的邻域窗口，其中，为预设窗口长度；
11、计算各像素点的邻域窗口内所有像素点的lbp值，将邻域窗口内所有像素点的lbp值按照素点在邻域窗口内从左到右、从上到下的顺序按行排列，得到纹理行变向量；
12、对于各像素点的邻域窗口内所有像素点的lbp值，采用与纹理行变向量相同的方法按列排列得到纹理列变向量。
13、进一步，所述根据各像素点的lbp特征描述子获取各像素点的邻域纹理一致度，包括：
14、计算各像素点的邻域窗口内所有像素点，计算像素点的lbp特征描述子，计算两像素点之间的lbp特征描述子的汉明距离，计算各像素点的邻域窗口内所有汉明距离的均值，将以自然常数为底、以所述均值的负值为指数的指数函数的计算结果作为各像素点的邻域纹理一致度。
15、进一步，所述根据纹理行变向量、纹理列变向量和纹理一致度获取各像素点的纹理延伸无序熵，包括：
16、计算各像素点的纹理行变向量与纹理列变向量之间的欧式距离，计算所述欧式距离与各像素点的邻域纹理一致度的比值，将所述比值的归一化值作为各像素点的纹理延伸无序熵。
17、进一步，所述计算表盘区域中各像素点的相对灰度，根据像素点的纹理延伸无序熵和相对灰度获取表盘区域各像素点的缺陷本体自偏差指数，包括：
18、使用otsu大津阈值分割法将表盘区域分割为两类区域，将像素点个数多的一类区域记为背景区域，将背景区域所有像素点的灰度值的平均值记为表盘背景灰度，将表盘区域中每个像素点的灰度值与表盘背景灰度的差值的绝对值记为每个像素点的相对灰度；
19、对于各像素点，计算像素点的相对灰度与预设调整参数的和值，计算像素点的纹理延伸无序熵与所述和值的比值的负值，计算以自然常数为底、以所述负值为指数的指数函数的计算结果，计算数字2与所述计算结果的差值，将所述差值与像素点的相对灰度的乘积作为各像素点的缺陷本体自偏差指数。
20、进一步，所述根据像素点的缺陷本体自偏差指数获取表盘缺陷图像，使用canny边缘检测算子获取表盘缺陷图像中的裂纹纹路以及裂纹像素点，根据缺陷本体自偏差指数获取各裂纹像素点的邻域缺陷特征指数，进而获取每条裂纹纹路上的裂纹源点，使用harris角点检测算法获取每条裂纹纹路上的裂纹扩展端点，根据邻域缺陷特征指数、裂纹源点和裂纹扩展端点获取各裂纹纹路的扩展影响系数，包括：
21、计算表盘区域内部所有像素点的缺陷本体自偏差指数，将像素点的缺陷本体自偏差指数代替手表表盘图像中表盘区域内部的像素点的像素值，将手表表盘图像中除表盘区域以外的其余区域的像素点的像素值设置为0，得到表盘缺陷图像；
22、使用canny边缘检测算子对表盘缺陷图像进行边缘检测，得到表盘缺陷图像中的边缘线，将表盘缺陷图像中的每条边缘记为裂纹纹路，将所有裂纹纹路上像素点作为裂纹像素点，将裂纹像素点的邻域窗口内所有像素点的缺陷本体自偏差指数的平均值作为各裂纹像素点的邻域缺陷特征指数，将每条裂纹纹路上邻域缺陷特征指数最大的裂纹像素点作为裂纹源点；
23、使用harris角点检测算法获取每条裂纹纹路上的所有角点作为裂纹扩展端点；
24、对于各裂纹纹路，计算裂纹源点与各裂纹扩展端点的邻域缺陷特征指数的差值绝对值，计算裂纹源点与各裂纹扩展端点的欧式距离，计算所述差值绝对值与欧式距离的乘积，计算裂纹纹路上所有乘积的和值作为裂纹纹路的扩展影响系数。
25、进一步，所述根据扩展影响系数和邻域缺陷特征指数获取各裂纹纹路的潜在多边拓展系数，包括：
26、对于各裂纹纹路，计算所有裂纹扩展端点的邻域缺陷特征指数的和值，计算所述和值与裂纹纹路的扩展影响系数的乘积作为各裂纹纹路的潜在多边拓展系数。
27、进一步，所述根据潜在多边拓展系数获取表盘缺陷评估指数，包括：
28、计算所有裂纹纹路的潜在多边拓展系数的和值，计算以自然常数为底、以所述和值的负值为指数的指数函数的计算结果，将数字1与所述计算结果的差值作为表盘缺陷本文档来自技高网...
【技术保护点】
1.基于人工智能的手表表盘缺陷智能检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述据灰度化手表表盘图像中的闭合边缘获取疑似表盘区域，进而获取灰度化手表表盘图像的表盘区域，包括：
3.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据各像素点的LBP值获取各像素点的纹理行变向量和纹理列变向量，包括：
4.如权利要求3所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据各像素点的LBP特征描述子获取各像素点的邻域纹理一致度，包括：
5.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据纹理行变向量、纹理列变向量和纹理一致度获取各像素点的纹理延伸无序熵，包括：
6.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述计算表盘区域中各像素点的相对灰度，根据像素点的纹理延伸无序熵和相对灰度获取表盘区域各像素点的缺陷本体自偏差指数，包括：
7.如权利要求3所
8.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据扩展影响系数和邻域缺陷特征指数获取各裂纹纹路的潜在多边拓展系数，包括：
9.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据潜在多边拓展系数获取表盘缺陷评估指数，包括：
10.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据表盘缺陷评估指数对手表表盘的缺陷进行检测，包括：
...【技术特征摘要】
1.基于人工智能的手表表盘缺陷智能检测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述据灰度化手表表盘图像中的闭合边缘获取疑似表盘区域，进而获取灰度化手表表盘图像的表盘区域，包括：
3.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据各像素点的lbp值获取各像素点的纹理行变向量和纹理列变向量，包括：
4.如权利要求3所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据各像素点的lbp特征描述子获取各像素点的邻域纹理一致度，包括：
5.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述根据纹理行变向量、纹理列变向量和纹理一致度获取各像素点的纹理延伸无序熵，包括：
6.如权利要求1所述的基于人工智能的手表表盘缺陷智能检测方法，其特征在于，所述计算表盘区域中各像素点的相对灰度，根据像素点的纹理延伸无序熵和相对灰度获取表盘区域各像...
【专利技术属性】
技术研发人员：方建国，林明聪，
申请(专利权)人：昭工表面制品深圳有限公司，
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。