CN119515770A 一种工业零件缺陷检测方法 （科大讯飞华南人工智能研究院（广州）有限公司）

陷掩模；对二值化毛刺缺陷掩模进行形态学操2对二值化毛刺缺陷掩模进行形态学操作，通过膨胀和腐蚀消除孤立的噪点对初步的验证码字符矩阵进行图像增强处理，调整字符的颜色对对获取的工业零件毛刺缺陷图像进行线性灰度变换和自若所述边缘信息满足OTSU算法自动确定的高低阈值，则对边缘进行二若相邻像素点的灰度值差异和梯度方向差异均小于设定阈值，则将其纳入同一区域，对所述分割区域进行评估和优化，采用形状特征和纹理特征评估所述3利用Sobel算子提取所述优化后毛刺掩模的轮廓信息，根据所述轮廓信息计算曲率变采用刚体变换算法对二维毛刺掩模图像与深度相机采集对所述点云数据进行双边滤波降噪，使用移动最小二乘法进行表面重采用区域生长算法对所述特征向量进行分割，选择毛刺区域的边采用三层编码器和三层解码器的自编码器对所述多维毛刺缺陷特征向量进行降维处若中间层节点数为原始特征向量维度的1/4，则通过压缩和重构过程得到低维度毛刺对所述自编码器输出的特征向量进行Z－score标准化，计算不同根据所述余弦相似度构建相似度矩阵，利用基于密度的聚类算法针对每组毛刺缺陷计算组内样本的平均特征若所述样本与组内平均特征向量的欧氏距离权重为0.7且所述样本特征各维度的方差获取毛刺缺陷代表特征与验证码字符特征，建立所述毛刺缺陷代根据所述对应关系数据库对原始毛刺缺陷图像应用Otsu算法针对所述独立毛刺区域，查询所述对应关系数据库以获取与4采用二元语法模型计算所述初步字符矩阵中相邻字符组合的概率，判若所述概率低于预设阈值，则重新计算该位置毛刺特征针对所述识别出的缺失区域，结合相邻字符的形状特征和语义信采用U－Net结构的卷积神经网络对所述修复后的字符轮廓进行对所述补全后的字符矩阵应用光学字符识别算法进行验证，计算计算相邻字符边界框的重叠面积与字符面积的比值，若对分离后的字符图像进行形态学处理，采用矩形结构元素进行开运分析字符间的间距和大小关系，计算相邻字符中心点的欧根据调整后的字符矩阵位置信息，将优化后的字符特征图像按照原始排58.根据权利要求1所述的方法，其中，所述对初步的验证码字符矩阵进行图像增强处对验证码字符矩阵应用对比度受限自适应直方图均衡化处理，所述处对所述二值化字符图像进行形态学操作，采用基于距离变换的将所述处理后的字符图像与使用柏林噪声算法生成的背景图层进行融合，通过alpha对验证码图像进行灰度转换，所述灰度转换通过加权平均法将RGB值转换为单通道灰根据所述单通道灰度值对所述灰度图像进行频域分析，所述针对所述频域系数矩阵进行Z字形扫描，所述Z字形扫描将所述频维序列；采用算术编码对所述一维序列进行压缩，所述压缩通将所述压缩后的比特流封装为JPEG格式，所述封装包括添加文件6[0009]对生成的验证码图像进行压缩和格式转换，得到最终的工业零件毛刺缺陷验证7[0018]对获取的工业零件毛刺缺陷图像进行线性灰度变换和自适应直方图均衡化预处度梯度的区域生长算法对初步毛刺轮廓进行区域分割，以边缘检测得到的种子点为起始，8形态学操作，采用3x3矩形结构元素进行1次开运算去除细小噪声，2次闭运算填充内部空化的毛刺缺陷掩模图像。获取的工业零件毛刺缺陷图像经线性灰度变换后，像素值从0-9点算法对二维掩模图像与深度相机采集的三维点云数据进行配准，设置最大迭代次数为似度对不同类型的毛刺缺陷进行分组，选取各组毛刺缺陷中特征最具代表性样本的形状、尺寸参数作为该组毛刺缺陷的代表特征。对每个独立的毛刺缺陷区域进行几何特征计算，算平均特征向量μ和协方差矩阵Σ,计算每个样本x到μ的马氏距离d＝(x-μ)＾TΣ^-1(x-得到10×8的字符矩阵。使用基于10万常用词训练的二元语法模型，计算相邻字符对的概后的字符轮廓；采用U－Net结构的卷积神经网络对所述修复后的字符轮廓进行精细化处批大小32，学习率0.001，训练100轮。像素级交叉熵损失配合Adam优化器。补全后使用[0033]对补全后的字符矩阵应用连通域分析算法，通过8邻域连通性判断识别独立字符得到初步的验证码字符矩阵。在处理补全后的字符矩阵时，首先应用8邻域连通域分析算与使用柏林噪声算法生成的背景图层进行融合，通过alpha混合算法控制字符与背景的融[0037]示例性的，对初步的验证码字符矩阵应用对比度受限自将图像分割为8x8的局部区域，对每个区域进行直方图均衡化，设置对比度限制阈值为Otsu算法进行自适应阈值分割，根据图像灰度直方图的类间方差最大化原则确定最佳阈[0039]对验证码图像进行灰度转换，所述灰度转换通过加权平均法将RGB值转换为单通[0041]上述实施