[发明专利]一种基于人工智能的机械零件缺陷检测方法

权利要求书

1.一种基于人工智能的机械零件缺陷检测方法，其特征在于，包括：

获取待检测机械零件图像进行图像预处理，包括滤波去噪和图像增强处理；

提取预处理后图像中的异常区域，获取每个异常区域的最大内接矩形区域，使用滑动窗口在最大内接矩形区域内进行步长为1的滑动，得到多个窗口区域，根据每个窗口区域的中心像素点的像素值得到每个窗口区域中心像素点的像素表征值，根据像素表征值得到每个窗口区域中心像素点的概率测度值；

根据每个窗口区域中心像素点的概率测度值得到每个窗口区域的奇异指数，根据每个窗口区域的奇异指数得到异常区域的奇异指标值；

将奇异指数相同的窗口区域作为一个子集合，统计每个奇异指数包含的窗口区域的个数，根据每个奇异指数包含的窗口区域的个数得到异常区域的多维分形谱；

获取异常区域每个像素点的Hessian矩阵，得到该像素点的两个特征值和两个特征向量，根据两个特征值和两个特征向量得到每个像素点的各向异性；

根据每个像素点的两个特征向量方向上的像素序列中相邻像素点的灰度级组合出现的概率得到每个像素点的纹理分布指标；

根据每个像素点的各向异性和纹理分布指标得到异常区域的各向异性指标和纹理分布指标；

根据异常区域的各向异性指标和纹理分布指标得到异常区域的结构均匀指标；

根据异常区域的多维分形谱和图像中的正常区域的多维分形谱的余弦相似度、异常区域奇异指标值得和异常区域的结构均匀指标得到零件缺陷检测值；

根据零件缺陷检测值对待检测机械零件的缺陷程度进行判断。

2.根据权利要求1所述的一种基于人工智能的机械零件缺陷检测方法，其特征在于，所述提取出图像中的异常区域的方法如下：

将图像中每个像素点输入到混合高斯模型的每个子高斯模型中，计算每个像素点属于每个子高斯模型的概率，将每个像素点归类到概率最高的子高斯模型中，将每个子高斯模型作为一类，实现对像素点的类别划分，将包含像素点最多的类别作为正常区域，其他类别为异常区域。

3.根据权利要求1所述的一种基于人工智能的机械零件缺陷检测方法，其特征在于，所述每个窗口区域内的中心像素点的概率测度值的获取方法为：

计算每个窗口区域的中心像素点的像素表征值，方法为：

式中，K_aw(i0,j0)为使用尺寸为w的滑动窗口遍历异常区域的最大内接矩形，得到多个窗口区域，在窗口区域a内的中心像素点(i0,j0)的像素表征值，G(i,j)为窗口区域内(i,j)处像素点的像素值，v(i,j)为窗口区域内(i,j)处像素点的权值；

根据每个窗口区域的中心像素点的像素表征值得到概率测度值，方法为：

式中，P_a(i,j)为第a个窗口区域中心点的概率测度值，a＝1，2，3…，m，m为异常区域的最大内接矩形中滑动窗口的滑动次数，即窗口区域的个数。

4.根据权利要求3所述的一种基于人工智能的机械零件缺陷检测方法，其特征在于，所述异常区域的奇异指标值得获取方法如下：

计算出每个窗口区域的奇异指数，方法如下：

式中，P_a(w)为使用尺寸为w的滑动窗口遍历异常区域的最大内接矩形时，第a个窗口区域的中心像素点的概率测度值，a＝1,2,…,N，N为窗口区域的数量；

将所有窗口区域的奇异指标均值作为异常区域的奇异指标值。

5.根据权利要求1所述的一种基于人工智能的机械零件缺陷检测方法，其特征在于，所述零件缺陷检测值，计算方法如下：

式中，U为零件缺陷检测值，e＝1,2,…,E，E为待检测零件表面异常区域的数量，S_e为待检测零件表面第e个异常区域的面积，S为零件表面总面积，γ_e为待检测零件表面第e个异常区域的奇异指标值，R_e为待检测零件表面第e个异常区域和正常区域的多重分形谱展开的一维向量之间的余弦相似度，v_e为待检测零件表面第e个异常区域的结构均匀特征指标。