[发明专利]一种基于人工智能的缺陷分析诊断系统、方法、装置

权利要求书

1.一种基于人工智能的缺陷分析诊断方法，其特征在于，包括：

获取目标工件的图像信息，并将目标工件的图像信息传送至控制端；

通过图像处理单元进行图像处理；

通过工件识别单元进行工件类型识别；

确认目标工件类型并核对；

通过缺陷识别单元进行工件缺陷检测和输出检测结果；

所述通过工件识别单元进行工件类型识别是对获取的目标工件特征纹理图像进行图像增强，从而突出工件边缘特征，进而对增强后的工件边缘图像进行形状识别，并进行类型匹配从而完成识别确认；其中进行图像增强的方法如下：

针对目标工件特征纹理图像中独立的像素点进行灰度变换处理，由输入目标工件特征纹理图像像素点的灰度值决定相应的输出像素点的灰度值，设输入目标工件特征纹理图像当前的灰度范围为(N₁～M₁)，增强后的目标工件特征纹理图像灰度范围为(N₂～M₂)，则得到增强后的目标工件特征纹理图像的公式为：

式中，A表示为增强后的目标工件特征纹理图像；

B表示为输入目标工件特征纹理图像；

通过调整N₁、M₁、N₂、M₂的值控制图像增强的斜率，进而达到灰度范围的增强；

所述对增强后的工件边缘图像进行形状识别，并进行类型匹配从而完成识别确认是通过对增强后的目标工件特征纹理图像进行形状、边缘轮廓矩特征和边缘轮廓局部特征的目标识别，并进行类型匹配从而完成识别确认；具体方法如下：

根据目标工件特征纹理图像建立积分图像进行图像卷积滤波；在积分图像的每个像素上的灰度值是该像素左上方所有像素灰度值的和，表达式如下：

式中，A_积表示目标工件特征纹理图像A的积分图像；

(X，Y)表示图像上像素的灰度值；

进行积分图像滤波；根据积分图像与目标工件特征纹理图像灰度值的对比，进行图像中每一个像素在不同的方向的检测从而进行每一个像素的边缘响应消除；

建立图像尺度空间；根据积分图像代替目标工件特征纹理图像进行卷积运算从而得到不同尺度的图像；

在图像尺度空间寻找目标工件特征纹理图像中工件特征点与特征点定位；将进行滤波后的积分图像中每个像素点的灰度值与其尺度空间内的26个点的灰度值进行比较，若当前比较的像素点的是最大值点或最小值点则予以保留成为候选特征值点，反之，若当前比较的像素点小于阈值点，则被剔除；从而进行所有特征像素点的定位；

进行每个特征点的方向确定；

进行每个特征点的匹配与误匹配点的剔除；具体方法如下：

从参考图像中的选取一个特征点，分别计算参考特征点与目标工件特征纹理图像中所有特征点的距离，进行选出其中的第一最小距离和第二最小距离，并计算第一最小距离和第二最小距离的比值与预设的阈值大小比较，当比值小于阈值，即说明具有最小距离的两个点匹配成功；反之则说明匹配不成功；依次类推，对参考图像中的所有特征点都进行特征点的匹配；

进行优化匹配结果；即删除误匹配点，把特征点匹配结束后所得到的所有匹配对组成一个集合T，从集合T共计8个点中随机选取4个匹配特征点对，计算变换矩阵K，即得到：

式中，F(X^’，Y^’)与E(X，Y)是一对匹配点，E(X，Y)为目标工件特征纹理图像中的一个特征点，F(X^’，Y^’)为参考图像中与目标工件特征纹理图特征点对应的匹配特征点；

将集合T中所有特征点与匹配点通过上述计算进行删除误匹配点，并将删除误匹配点的匹配点计入一个新集合H；

进行判断最优集合Y与新集合H中特征点元素的个数比值；若最优集合Y是空集或集合H中特征点元素的个数大于最优集合Y的特征点元素个数，则把当前集合H当成最优集合，其中，初始时最优集合Y是空集；并进行输出匹配结果；反之，则继续随机抽取4个匹配特征点对进行计算变换矩阵K并组成新的集合H。