[发明专利]基于人工智能的机车配件表面异常程度评估方法

权利要求书

1.一种基于人工智能的机车配件表面异常程度评估方法，其特征在于，该方法包括以下步骤：

获取待检测的机车配件表面图像；

根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域；

将异常区域输入到构建的目标卷积模型中进行卷积操作，得到异常区域对应的纹理特征向量；

根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组；利用异常区域中各像素点的空间四元组，得到异常区域的异常指标；

根据异常区域对应的纹理特征向量与对应的异常指标，得到待检测的机车配件表面图像的异常程度；

根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组，包括：

对异常区域进行灰度化处理，得到对应的灰度图像；

对异常区域进行HSV转换，得到对应的HSV图像；

根据异常区域对应的HSV图像中各像素点明度值、异常区域中各像素点对应R通道的值、异常区域对应的灰度图像中各像素点的灰度值和各像素点八邻域内的灰度均值，构建异常区域中各像素点对应的空间四元组；

计算异常区域的异常指标的公式包括：

其中，为异常区域对应的异常指标，为第j个空间四元组在异常区域中出现的频次，为第j个空间四元组对应的灰度值，为第j个空间四元组对应的八邻域内的灰度均值，为第j个空间四元组对应的V通道的明度值，为第j个空间四元组对应的三个通道当中R 通道的值，为空间四元组的总数；

计算待检测的机车配件表面图像的异常程度的公式为：

其中，为待检测的机车配件表面图像的异常程度，为第一模型参数，为第二模型参数，为第z个异常区域的面积，所述异常区域的面积通过待检测的机车配件表面图像中异常区域内像素点的总数量表示，为第z个异常区域的异常指标，为第z个异常区域经过本发明建立的卷积模型操作后所提取的纹理特征向量，为非异常区域经过卷积模型操作后所提取的纹理特征向量，为异常区域的总数量，为纹理特征向量与纹理特征向量之间的余弦相似度。

2.根据权利要求1所述的一种基于人工智能的机车配件表面异常程度评估方法，其特征在于，目标卷积模型函数为：

其中，为目标卷积模型对应的卷积窗口中位置处的值，为轴方向上的高斯滤波函数，为轴方向上的高斯滤波函数，，，，为第一中间变量，为第二中间变量，为第三中间变量，为尺度因子，为方向因子，为二维Gabor模型中的参数，u为滤波尺度，v为方向。

3.根据权利要求1所述的一种基于人工智能的机车配件表面异常程度评估方法，其特征在于，根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域，包括：

利用3*3的窗口对待检测的机车配件表面图像进行扫描；

以窗口中的中心像素点为中心点，计算x轴上的三个像素点在x轴方向上的梯度幅值；计算y轴上的三个像素点在y轴方向上的梯度幅值；计算主对角线上的三个像素点在主对角线方向上的梯度幅值；计算副对角线上的三个像素点在副对角线方向上的梯度幅值；所述主对角线与副对角线为窗口中两个不同方向的对角线；

若中心点在各个方向上的梯度幅值均为最大值，则判定该中心点为异常区域的边缘点；

将待检测图像中边缘点围成的内部区域作为异常区域。