[发明专利]一种基于人工智能的批量工件气密检测方法

说明书

本发明提出一种基于人工智能的批量工件气密检测方法。采集气密性检测装置的原始图像，检测原始图像中属于工件的像素并进行连通域分析，根据工件连通域凸包点和最小外接矩形角点的距离得到角点序列。采集扫描图像，检测扫描图像中气泡像素的位置，得到气泡中心点坐标。计算气泡中心点和各外接矩形中心点的距离并得到各个气泡对应的外接矩形；根据气泡中心点和外接矩形距离序列中各角点的距离得到距离序列，并计算不同距离序列的相似度，得到气泡中心点集合。统计气泡中心点集合中气泡中心点数量，得到高频气泡中心点集合，并得到高频气泡中心点集合中气泡对应的外接矩形子区域。

技术领域

本申请涉及人工智能领域，具体涉及一种基于人工智能的批量工件气密检测方法。

背景技术

在工业上进行气密性检测，一般是将待检测的工件放入装有一定水的玻璃缸中，并观察产生气泡的情况。由于气泡较小，特征不明显，难以通过图像直接分析气泡特征，识别气泡的位置。而且在对同一种工件的气密性进行分析时，需要获得漏气位置在工件的哪个部位，但是由于机械手臂或人手放置问题，导致工件在水中的位姿不同，难以确定漏气位置是否为工件的同一部位。

发明内容

针对以上问题，本发明提出一种基于人工智能的批量工件气密检测方法。采集气密性检测装置的原始图像，检测原始图像中属于工件的像素并进行连通域分析，得到凸包上的参考点，根参考点和最小外接矩形角点的距离得到角点序列。采集扫描图像，检测扫描图像中气泡像素的位置，得到气泡中心点坐标。计算气泡中心点和各外接矩形中心点的距离并得到各个气泡对应的外接矩形；根据气泡中心点和外接矩形距离序列中各角点的距离得到距离序列，并计算不同距离序列的相似度，得到气泡中心点集合。统计气泡中心点集合中气泡中心点数量，得到高频气泡中心点集合，并得到高频气泡中心点集合中气泡对应的外接矩形子区域。

一种基于人工智能的批量工件气密检测方法，其特征在于，该方法包括：

步骤S1：采集气密性检测装置的原始图像，通过语义分割网络检测原始图像中属于工件的像素，输出语义分割图；对语义分割图进行连通域分析，得到每个工件连通域的最小外接矩形图；根据每个工件连通域内点组成的集合得到对应的凸包，计算凸包上各凸包点和外接矩形中心点的距离l′，将l′最大的凸包点作为参考点，计算参考点与对应外接矩形四个角点的距离l″，按l″从小到大对角点排序，输出每个外接矩形的角点序列。

步骤S2：利用激光对气密性检测装置进行扫描，采集扫描图像；检测扫描图像中气泡像素的位置，得到气泡二值图，对气泡二值图进行连通域分析，计算气泡连通域外接圆的气泡中心点坐标。

步骤S3：计算气泡中心点和外接矩形图中各个矩形中心点的距离l″′，根据l″′的大小匹配气泡对应的外接矩形。

计算气泡中心点和对应外接矩形角点序列中四个角点的距离，输出距离序列，计算不同气泡对应距离序列的相似度并判断距离序列是否相似，将相似距离序列对应的气泡中心点放入同一个集合，输出若干个气泡中心点集合。

步骤S4：根据气泡中心点集合中气泡中心点数量筛选出高频气泡中心点集合，将高频气泡中心点集合中气泡中心点对应的外接矩形平均分为若干个子区域，得到高频气泡的所属子区域。

所述语义分割网络的训练方法包括：以若干张原始图像为数据集；对数据集进行标注，标注出工件像素，生成标注数据；使用交叉熵损失函数进行训练。

检测扫描图像中气泡像素的位置，得到气泡二值图，具体包括：