基于人工智能的五金件缺陷分类识别方法技术

本发明专利技术涉及五金件缺陷图像分析技术领域，具体涉及一种基于人工智能的五金件缺陷分类识别方法

【技术实现步骤摘要】
基于人工智能的五金件缺陷分类识别方法


[0001]本专利技术涉及五金件缺陷图像分析
，具体涉及一种基于人工智能的五金件缺陷分类识别方法
。

技术介绍

[0002]五金件缺陷分类识别场景中，利用计算机视觉技术获得五金件图像，并通过人工智能检测技术实现缺陷分类识别能有效提升缺陷检测效率
、
节约人工成本，其往往通过五金件缺陷不同的类型的区域形态差别进行分类识别，但存在对于出现划痕与裂纹的情况时，其区域形态差别区分度不高的问题，造成分类结果误判
。

技术实现思路

[0003]为了解决对五金件划痕与裂纹的缺陷类型分类识别不准确的技术问题，本专利技术的目的在于提供一种基于人工智能的五金件缺陷分类识别方法，所采用的技术方案具体如下：获取五金件的待处理区域灰度图像；获取所述待处理区域灰度图像中像素点的梯度幅值；从小到大依次选择预设上限阈值取值区间中的取值作为目标上限阈值；根据预设下限阈值和所述目标上限阈值以及像素点的梯度幅值获取所述待处理区域灰度图像的边缘线段；根据所述边缘线段上不同边缘点在整条边缘线段上边缘点的梯度幅值区间上的分布特征，获得所述目标上限阈值对边缘线段的影响程度参数；分析不同目标上限阈值对应的所述影响程度参数的波动特征，获取边缘线段对每个目标上限阈值的敏感程度参数；对所有边缘线段的所有所述敏感程度参数进行聚类，根据聚类结果获得待处理区域的敏感置信程度；根据所述敏感置信程度对缺陷类型进行划分，获得待处理区域的缺陷类型
。
[0004]进一步地，所述边缘线段的获取方法包括：将梯度幅值小于预设下限阈值的像素点认为是非边缘点，将梯度幅值大于预设下限阈值小于目标上限阈值的像素点认为是弱边缘点，将梯度幅值大于目标上限阈值的像素点认定为是强边缘点，将强边缘点和弱边缘点作为边缘点，将相邻的边缘点相连构成边缘线段
。
[0005]进一步地，所述影响程度参数的获取方法包括：在强边缘点和弱边缘点之间任选一类作为待分析类别边缘点；根据所述边缘线段上每种梯度幅值的待分析类别边缘点的数量特征，获取边缘线段的偏离程度；将每个待分析类别边缘点的梯度幅值归一化后与所述偏离程度相乘，将所有待分析类别边缘点的乘积求和后的均值通过函数映射，映射结果作为所述目标上限阈值对边缘线段的影响程度参数
。
[0006]进一步地，所述边缘线段的偏离程度的获取方法包括：获取每种梯度幅值对应的待分析类别边缘点数量；获取所有梯度幅值对应待分析
类别边缘点数量的均值作为均值参数；获取所有梯度幅值对应待分析类别边缘点数量的标准差作为标准差参数；获取每种梯度幅值对应的待分析类别边缘点数量与所述均值参数的差作为分子参数；将所述分子参数与所述标准差参数的比值的立方作为每种梯度幅值的偏离参数；将所有梯度幅值的偏离参数的均值作为所述边缘线段的偏离程度
。
[0007]进一步地，所述敏感程度参数的获取方法包括：获取所述边缘线段对应的上限阈值跨度参数；根据敏感程度参数计算公式获得每个目标上限阈值的敏感程度参数；所述敏感程度参数计算公式包括：其中，表示边缘线段的序号；表示目标上限阈值的序号；表示第个边缘线段对第个目标上限阈值的敏感程度参数；表示第个边缘线段与第个目标上限阈值对应的影响程度参数；表示第个边缘线段与第个目标上限阈值对应的影响程度参数；表示上限阈值跨度参数；表示最大最小值归一化函数，用于对括号内数据进行归一化
。
[0008]进一步地，所述敏感置信程度的获取方法包括：选择聚类结果中数据最多的数据集作为优选数据集；将所述优选数据集中每个边缘线段的敏感程度参数均值作为每个边缘线段的敏感置信程度
。
[0009]进一步地，所述缺陷类型的获取方法包括：当所述敏感置信程度大于预设划分阈值时，认定缺陷类型为裂纹；当所述敏感置信程度小于等于预设划分阈值时，认定缺陷类型为划痕
。
[0010]进一步地，所述梯度幅值的获取方法包括：利用
Sobel
算子获取所述待处理区域灰度图像中像素点的梯度幅值
。
[0011]进一步地，所述五金件的待处理区域灰度图像的获取方法包括：利用相机获取五金件彩色图像，将彩色图像通过语义分割神经网络，识别出图像中的五金件区域，并完成对五金件缺陷类型的初步区分，获得初始裂纹区域图像和初始划痕区域图像，将初始裂纹区域图像和初始划痕区域图像都作为待处理图像，同时进行灰度化，获得待处理区域灰度图像
。
[0012]进一步地，所采用的聚类方法为均值漂移算法
。
[0013]本专利技术具有如下有益效果：首先获取五金件的待处理区域灰度图像，去除图像分析过程中无关信息，减少识别方法的计算量，为后续精准区分缺陷类型做准备；进一步获得待处理区域灰度图像的边缘线段，确定缺陷所在的具体位置，便于后续分析边缘线段对阈值所表现出的敏感程度，区分缺陷类型；进一步获得目标上限阈值对边缘线段的影响程度参数，为目标上限阈值对边缘线段的影响程度提供参考依据，从而分析不同目标上限阈值下影响程度参数的波动变化，获得能够反映出边缘线段的敏感程度参数，为精准划分缺陷类型做准备；进一步将敏感程度参数进行聚类，避免同一缺陷类型边缘线段局部区域多变所产生的影响，根据聚类结
果获得更准确的敏感置信程度；最后根据敏感置信程度对缺陷类型进行精确的划分，提高了五金件缺陷分类识别的准确性，保障缺陷信息的可靠性
。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图
。
[0015]图1为本专利技术一个实施例所提供的一种基于人工智能的五金件缺陷分类识别方法的流程图
。
具体实施方式
[0016]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于人工智能的五金件缺陷分类识别方法，其具体实施方式
、
结构
、
特征及其功效，详细说明如下
。
在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例
。
此外，一或多个实施例中的特定特征
、
结构或特点可由任何合适形式组合
。
[0017]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同
。
[0018]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的五金件缺陷分类识别方法的具体方案
。
[0019]请参阅图1，其示出了本专利技术一个实施例提供的一种基于人工智能的五金件缺陷分类识别方法的流程图，具体包括：步骤
S1
：获取五金件的待处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的五金件缺陷分类识别方法，其特征在于，所述方法包括：获取五金件的待处理区域灰度图像；获取所述待处理区域灰度图像中像素点的梯度幅值；从小到大依次选择预设上限阈值取值区间中的取值作为目标上限阈值；根据预设下限阈值和所述目标上限阈值以及像素点的梯度幅值获取所述待处理区域灰度图像的边缘线段；根据所述边缘线段上不同边缘点在整条边缘线段上边缘点的梯度幅值区间上的分布特征，获得所述目标上限阈值对边缘线段的影响程度参数；分析不同目标上限阈值对应的所述影响程度参数的波动特征，获取边缘线段对每个目标上限阈值的敏感程度参数；对所有边缘线段的所有所述敏感程度参数进行聚类，根据聚类结果获得待处理区域的敏感置信程度；根据所述敏感置信程度对缺陷类型进行划分，获得待处理区域的缺陷类型
。2.
根据权利要求1中所述的一种基于人工智能的五金件缺陷分类识别方法，其特征在于，所述边缘线段的获取方法包括：将梯度幅值小于预设下限阈值的像素点认为是非边缘点，将梯度幅值大于预设下限阈值小于目标上限阈值的像素点认为是弱边缘点，将梯度幅值大于目标上限阈值的像素点认定为是强边缘点，将强边缘点和弱边缘点作为边缘点，将相邻的边缘点相连构成边缘线段
。3.
根据权利要求2中所述的一种基于人工智能的五金件缺陷分类识别方法，其特征在于，所述影响程度参数的获取方法包括：在强边缘点和弱边缘点之间任选一类作为待分析类别边缘点；根据所述边缘线段上每种梯度幅值的待分析类别边缘点的数量特征，获取边缘线段的偏离程度；将每个待分析类别边缘点的梯度幅值归一化后与所述偏离程度相乘，将所有待分析类别边缘点的乘积求和后的均值通过函数映射，映射结果作为所述目标上限阈值对边缘线段的影响程度参数
。4.
根据权利要求3中所述的一种基于人工智能的五金件缺陷分类识别方法，其特征在于，所述边缘线段的偏离程度的获取方法包括：获取每种梯度幅值对应的待分析类别边缘点数量；获取所有梯度幅值对应待分析类别边缘点数量的均值作为均值参数；获取所有梯度幅值对应待分析类别边缘点数量的标准差作为标准差参数；获取每种梯度幅值对应的待分析类别边缘点数量与所述均值参数的差作为分子参数；将所述分子参数与所述标准差参数的比值的立方作为每种梯度幅值的偏...

【专利技术属性】
技术研发人员：刘健，张阿曼，刘康，
申请(专利权)人：深圳市明鸿五金制品有限公司，
类型：发明
国别省市：