[发明专利]基于人工智能的气密性检测多气孔识别方法与系统

权利要求书

1.一种基于人工智能的气密性检测多气孔识别方法，其特征在于，该方法包括：

将采集的多帧图像输入第一神经网络进行关键点检测，得到关键点坐标差，所述关键点为检测槽中横隔板的角点；

根据由所述关键点坐标差和所述检测槽中气泡的初始最大离散宽度所建立的气泡离散宽度模型得到气泡的所述最大离散宽度；

当所述气泡的最大离散宽度大于离散宽度的预设阈值时，则确定疑似多气孔存在；当所述气泡的最大离散宽度小于或等于所述离散宽度的预设阈值，且所述气泡数量大于气泡数量阈值时，则确定疑似多气孔存在；

根据气泡的特征进行分类，当气泡类别的数量大于或等于2时，确定多气孔存在，且所述气泡类别的数量即为气孔数量。

2.如权利要求1所述的方法，其特征在于，所述气泡的初始最大离散宽度的获取方法，包括：

将所述图像输入第二神经网络得到气泡的二值图像；

将所述二值图像通过边缘检测算法得到气泡的边缘点坐标；

计算所述边缘点坐标中横坐标的最大差值，即为所述气泡的初始最大离散宽度。

3.如权利要求1所述的方法，其特征中在于，所述气泡离散度模型为：

其中，w为所述气泡的最大离散宽度；d为所述关键点坐标差；α和γ分别为影响气泡离散度的因子，是常数；μ为气泡平均离散宽度。

4.如权利要求2所述的方法，其特征在于，所述根据气泡的特征进行分类的方法，包括：

根据所述边缘点坐标通过聚类算法，得到单个气泡的分布图像；

将所述单个气泡的分布图像进行匹配，得到所述气泡的类别。

5.如权利要求1所述的方法，其特征在于，所述聚类算法包括：

利用欧式距离计算相邻气泡的边缘点坐标之间的最小距离；

当所述最小距离的一半大于距离阈值时，进行聚类。

6.一种基于人工智能的气密性检测多气孔识别系统，其特征在于，该系统包括：

关键点检测单元，用于将采集的多帧图像输入第一神经网络进行关键点检测，得到关键点坐标差，所述关键点为检测槽中横隔板的角点；

离散宽度检测单元，用于根据由所述关键点坐标差和所述检测槽中气泡的初始最大离散宽度所建立的气泡离散宽度模型得到气泡的最大离散宽度；

多气孔识别单元，用于当所述气泡的最大离散宽度大于离散宽度的预设阈值时，则确定疑似多气孔存在；当所述气泡的最大离散宽度小于或等于所述离散宽度的预设阈值，且所述气泡数量大于气泡数量阈值时，则确定疑似多气孔存在；以及

多气孔检验单元，用于根据气泡的特征进行分类，当气泡类别的数量大于或等于2时，确定多气孔存在，且所述气泡类别的数量即为气孔数量。

7.如权利要求6所述的系统，其特征在于，所述离散宽度检测单元，包括：

图像处理单元，用于将所述图像输入第二神经网络得到气泡的二值图像；

边缘检测单元，用于将所述二值图像通过边缘检测算法得到气泡的边缘点坐标；以及

数据分析单元，用于计算所述边缘点坐标中横坐标的最大差值，即为所述初始气泡的最大离散宽度。

8.如权利要求6所述的系统，其特征在于，所述离散宽度检测单元中所述气泡离散度模型为：

其中，w为所述气泡的最大离散宽度；d为所述关键点坐标差；α和γ分别为影响气泡离散度的因子，是常数；μ为气泡平均离散宽度。

9.如权利要求7所述的系统，其特征在于，所述多气孔检验单元，包括：

聚类单元，用于根据所述边缘点坐标通过聚类算法，得到单个气泡的分布图像；以及

匹配单元，用于将所述单个气泡的分布图像进行图像匹配，得到所述气泡的类别。

10.如权利要求9所述的系统，其特征在于，所述聚类单元，包括：

距离检测单元，用于利用欧式距离计算相邻气泡的边缘点坐标之间的最小距离；以及

距离判断单元，用于当所述最小距离的一半大于距离阈值时，进行聚类。