[发明专利]一种基于人工智能的机械零件缺陷检测方法

说明书

本发明涉及一种基于人工智能的机械零件缺陷检测方法，获取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,使用混合高斯模型对所有像素点进行分类，得到正常区域和异常区域，获取异常区域的最大内接矩形，计算出最大内接矩形的奇异指标值和异常区域的多维分形谱，根据每个像素点的像素点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结构指标，根据异常区域的各向异性指标和纹理结构指标得到异常区域的结构均匀指标，根据指标建立零件缺陷检测模型，根据零件缺陷检测模型判断待测零件是否需要加工修复，基于人工智能，精准而高效。

技术领域

本申请涉及机械零件缺陷检测领域，具体涉及一种基于人工智能的机械零件缺陷检测方法。

背景技术

在机械等领域中，各种高科技产品的集成度越来越高，零件的质量和加工工艺过程的完成质量直接影响零件产品的质量及性能，其中，零件表面出现缺陷时将会影响零件在使用过程中的密封性以及安全性等问题。传统进行即兴零件表面缺陷检测一般是根据领域内的专业检测人员进行识别，该方法人工成本较高，人为检测主观性较强，检测结果误检率高，且对检测人员的专业性有较高要求，人为检测检测效率及检测精度低。

发明内容

本发明提供一种基于人工智能的机械零件缺陷检测方法，解决人工检测零件的实时性低、检测效率低的问题，采用如下技术方案：

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。

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。

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：