[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

说明书

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的气密性检测多气孔识别方法与系统。该方法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；由关键点坐标差和检测槽中气泡的初始最大离散宽度所建立的气泡离散度模型得到气泡的最大离散宽度；结合气泡的最大离散宽度、离散宽度的预设阈值和获取的气泡数量，判断疑似多气孔存在；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，且气泡类别的数量即为气孔数量。根据气泡的最大离散宽度和气泡的数量，初始判断多气孔存在，再结合气泡的特征进行分类，进一步检验多气孔存在的准确性，能够减少气孔数量识别的误差，使得气密性检测结果更加准确。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的气密性检测多气孔识别方法与系统。

背景技术

传统的发动机气密性检测方法一般采用浸泡法，即将器件放置于适量水的检测槽中，根据水深和浸泡的时间来应对各级IP防水等级测试。目前对于气密性检测过程中，通过检测单气孔产生的气泡，进而判断气密性检测结果。

发明人在实践中，发现上述现有技术存在以下缺陷：在检测的过程中，器件在极为靠近的位置可能存在两个或者两个以上的气孔，并且这些气孔也会由于出现泄露情况产生气泡，然而由于气孔的位置过近或者前后覆盖，常常在气密性检测过程中被认为是同一个气孔产生的，从而使检测结果存在较大的误差。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的气密性检测多气孔识别方法与系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了一种基于人工智能的气密性检测多气孔识别方法，该方法包括以下具体步骤：

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。

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。

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。

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。

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。