【技术实现步骤摘要】
本专利技术属于图像识别和装备维护领域，更具体地，涉及一种基于机器视觉的长直导轨微小异物自动检测方法。
技术介绍
1、线型导轨是机械设备中常见的关键组成部件，运行区域内可能会侵入影响设备正常安全运行的物体，比如脱落的零部件、断裂的绳索、遗落的工具零件等固体异物，侵入物可能会卡入机械缝隙中产生结构变形或损坏，导致异常磨损缩短使用寿命，产生巨大的安全隐患。所以，为保证线型导轨运行的安全性和稳定性，及时发现并且处理导轨上的侵入异物，是线型导轨正常作业的重要保障和前提。
2、目前线型导轨异物侵入检测主要依赖人工巡检，存在较大局限性和缺陷：巡检需要停机进行，人工巡检通常是定期巡检，难以及时检测到故障并做出警报；人工巡检依赖工作人员的专业素质和身心状态，工作环境较为恶劣，增加了工作人员的劳动强度，并且存在许多安全隐患。
技术实现思路
1、为了克服上述
技术介绍
的缺陷，本专利技术提供一种基于机器视觉的长直导轨微小异物自动检测方法。
2、为了解决上述技术问题本专利技术的所采用的技术方案为：
3、一种基于机器视觉的长直导轨微小异物自动检测方法，包括：
4、步骤1，沿导轨方向水平布置汇聚光源，增强异物与背景视觉差异；用自动扫焦相机获取整个导轨范围的成像结果；
5、步骤2，对成像结果进行图像预处理，获取潜在异物区域热力图；
6、步骤3，对潜在异物区域热力图进行区域动态放大，获取放大区域包围盒；
7、步骤4，对放大区域包围盒通
8、较佳地，步骤2对成像结果进行图像预处理，获取潜在异物区域热力图的具体方法包括：
9、步骤211，对选取异物可能发生的区域的彩色图像进行slic超像素分割；
10、对于图像的每个像素提取以下5个特征，ax和y方向一阶梯度的范数和二阶梯度的范数以及图像的灰度i(x，y)，每个像素可以通过5维的特征向量进行表示:
11、
12、根据上述特征向量，区域r的协方差矩阵计算如如下公式所示:
13、
14、其中，μ是区域特征向量的均值，n是区域内像素总数，c是d×d维的协方差矩阵；
15、步骤212，提取分割后每个区域增强的sigma特征，
16、使用sigma特征如下公式所示：
17、
18、其中li是矩阵l的第i列，c＝llt，α是系数，引入d维向量的均值，则区域c增强的sigma特征向量如公式所示:
19、ψc＝(s1+μ，s2+μ，...，s2d+μ)t
20、区域ri与其邻近区域的增强sigma特征的空间距离加权平均定义为区域ri的局部异物显著性,具体公式为:
21、
22、其中rj属于区域ri的邻域，m代表邻域区域的个数，k代表归一化因子来保证空间距离加权系数的和为1，||ri-rj||代表两个区域中心之间的欧氏距离，σ1代表区域间的距离对局部显著性的影响。ψri表示区域ri的增强sigma特征，是ψri和ψrj的欧式距离；
23、步骤213，利用如下公式改进区域ri的局部异物显著性sl(ri):
24、
25、其中，n(rj)表示区域rj内的像素个数，n(i)表示图像的像素个数，rj属于当前区域的邻域和图像的边界区域；
26、步骤214，逐个对每个区域进行全局核密度估计，构造全局热力图，利用整个图像区域特征的核密度估计来计算全局异物显著性sg(ri)，具体公式如下
27、
28、其中κ(x)是高斯核密度函数，iri表示区域的平均灰度，m是图像区域的个数；
29、步骤215，采用指数加权方式对局部和全局热力图进行融合，获取融合热力图；
30、局部和全局异物显著图的结合得到融合热力图fpre，公式为：
31、fpre＝sg(ri)×exp(σ3×sl(ri))
32、其中，σ3局部显著图的重要性控制参数，融合热力图算法的参数主要有七个：总超像素数ns、密度cp、σ1、σ2、σ3、c和ra(ratio)；其中，ns和cp是slic方法的参数，ns是超像素个数，该值越小，超像素块越大；cp表示超像素的形状，该值越小，超像素块和区域块边界的吻合度越高；ns和cp需要根据不同图像进行调整；其中，σ1＝3，σ2＝10，σ3＝6，c＝2000，ra>0.5。
33、较佳地，步骤3对潜在异物区域热力图进行区域动态放大，获取放大区域包围盒的具体方法包括：
34、网格划分后的热力图中矩形区域内rtgi的总像素值sumpxi，
35、
36、其中，pxj代表rtgi区域内第j个像素点的像素值，sumpxi值与矩形区域rtgi的放大收益成正比；
37、通过二阶差分法自适应选取像素值阈值，完成区域中心块的初筛选；将热力图经过8×8划分得到64个候选区域，每一个候选区域都可以得到一个总体像素值sumpxi表示放大收益，得到64×1的数组，若元素小于0.1，则判定为没有目标进行舍去，从而得到n×1维的数组c，设定函数f(g)用来估计sumpxi由大减小变化的趋势，如式所示
38、
39、则将f(ck)取最大值时的ck作为此热力图的sumpxi阈值；
40、以每个区域中心块为中心的3×3个矩形构成放大筛选区域，同一个放大筛选区域类如果有多个满足像素值阈值条件的矩形区域，取像素值最大的那个作为区域中心；
41、以放大筛选区域中心点为中心位置，按照不同的长宽比预测6个固定大小的预测包围盒，放大筛选区域的面积为sz每个预测包围盒的面积，公式如下：
42、
43、其中，smin＝0.1×sz，smax＝0.7×sz，m＝5，对于不同的预测包围盒赋予不同的长宽比
44、
45、其中，w、h分别表示包围盒的宽和长，则包围盒对应的宽和长分别为当ar＝1时还有一个预测包围盒，规模为则共有6个预测包围盒；
46、对于任一个包围盒bl，计算盒内的像素总值sumpxi
47、
48、区域面积s
49、s(bl)＝w×l
50、区域内高放大收益像素占比p
51、
52、pn1表示bl区域内具有放大收益的像素点的总数，pn1表示bl区域像素点总数，每一个预测包围盒bl的特征向量为(x，y，sumpx，w，l，p)，x、y分别表示bl的中心点横纵坐标；
53、对于输入的预测包围盒，bl(x，y，sumpx，w，l，p)，logistic分类器，引入权值参数θ＝(θ1，θ2，k，θ6)，对bl中的属性进行加权，得到θtbl，引入logistic函数(sigmoid函数)得到函数hθ(bl)<本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，所述步骤2对所述成像结果进行图像预处理，获取潜在异物区域热力图的具体方法包括：
3.根据权利要求1所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，所述步骤3对所述潜在异物区域热力图进行区域动态放大，获取放大区域包围盒的具体方法包括：
4.根据权利要求3所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于:判断热力图上是否已经对所有高放大收益区域进行检测的方法为：热力图像素总值是否为0，若是，则表示已经对所有高放大收益区域进行检测，若否，则表示未对所有高放大收益区域进行检测。
5.根据权利要求3所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于:放大到检测器检测候选区域的最小尺寸为10×10。
6.根据权利要求1所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，所述步骤4对放大区域包围盒通过深度注意力卷积神经网
...【技术特征摘要】
1.一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，所述步骤2对所述成像结果进行图像预处理，获取潜在异物区域热力图的具体方法包括：
3.根据权利要求1所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在于，所述步骤3对所述潜在异物区域热力图进行区域动态放大，获取放大区域包围盒的具体方法包括：
4.根据权利要求3所述的一种基于机器视觉的长直导轨微小异物自动检测方法，其特征在...
【专利技术属性】
技术研发人员：华夏，徐兴华，崔小鹏，邱少华，李忠，郭威，欧阳斌，熊又星，伍送兵，余坤，刘仲烨，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。