CN113554632A - 基于人工智能的浑浊水体中工件检测优化方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的浑浊水体中工件检测优化方法。该方法首先采集水体图像，对水体图像利用暗通道算法计算得到目标背景光像素点和对应的目标灰度值，对水体图像进行灰度化以及顶帽运算得到噪点效果图，对噪点效果图进行融合得到背景融合图和对应的背景模板帧数量，构建背景模板帧数量的关系模型。由背景融合图和噪点效果图得到前景图像，对前景图像进行融合得到融合前景图像，获取融合前景图像的气泡轨迹线和对应的强度特征值，获取最大强度特征值对应的前景图像帧数量，构建前景图像帧数量的关系模型。本发明使在不同浑浊度下采集到的水体图像均能准确反映出气泡特征，提升了水体中的工件气密性检测的准确性。

Description

基于人工智能的浑浊水体中工件检测优化方法

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的浑浊水体中工件检测优化方法。

背景技术

近年来，随着航空、航天工业技术的进步，人们对气密性检测技术及装备的要求也走向一个新的高度。在气密性检测中，传统的泡水检漏方法为在待检工件中冲入一定压力的气体后将工件放入水或者其他液体中，再对液体中的被测工件进行观察。

现有技术大多是通过相机获取图像采用帧差法来对工件气密性进行检测，如水体中有气泡溢出，则表明工件泄漏，是不合格工件，而冒出气泡的点就是泄漏点。

上述现有技术存在以下缺陷：通过相机获取图像来对工件气密性进行检测，随着时间的推移，水体中的杂质和工件上附着的杂质会使水体逐渐浑浊，而水体浑浊后气泡会变得不明显，会影响到工件气密性的检测结果。采用传统的帧差法只经过简单的帧叠加很难得到浑浊水体下的气泡轨迹线且叠加后噪声过多会严重影响判断结果。

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浑浊水体中工件检测优化方法，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的浑浊水体中工件检测优化方法，该方法包括以下步骤：

获取不同浑浊程度下的多张水体图像；

基于预设的暗通道算法，对所述水体图像进行背景像素点提取，获取目标背景光像素点，并获取所述目标背景光像素点的目标灰度值；

将所述水体图像进行灰度化并进行顶帽运算，得到噪点效果图；

基于相关噪点效果图之间的相似性，依次对各噪点效果图进行融合，当所述噪点效果图对应的相似性趋于稳定时融合结束，获取融合之后得到的背景融合图，以及图像融合数量，得到背景模板帧数量；

构建不同浑浊程度下所述目标灰度值和所述背景模板帧数量的关系模型；

将所述背景融合图与各所述噪点效果图进行作差运算，得到前景图像；

依次对各所述前景图像进行融合，其中，对于任意一次前景图像融合过程，将当前次需要融合的前景图像与上一次融合得到的融合前景图像进行融合时，识别得到该次融合得到的融合前景图像中的气泡轨迹线，并获取所述气泡轨迹线的平均灰度值，基于当前融合前景图像的平均灰度值，得到该次融合对应的表征气泡特征强度的强度特征值；从得到的多个强度特征值中获取强度特征最大值，获取所述强度特征最大值对应的前景图像的图像融合数量，得到前景图像帧数量；

构建不同浑浊程度下所述目标灰度值、所述背景模板帧数量和所述前景图像帧数量的关系模型。

优选的，所述基于预设的暗通道算法，对所述水体图像进行背景像素点提取，获取目标背景光像素点，包括：

对于所述水体图像中的任意一个像素点，该像素点的暗通道值的计算公式如下：

其中，p(i,j)表示在所述水体图像中取得的对应的像素点，x表示第x个像素点，I^dark(r)(x)表示红通道的单分量暗通道的值，I^dark(g)(x)表示绿通道的单分量暗通道的值，I^dark(b)(x)表示蓝通道的单分量暗通道的值；

所述单分量暗通道的值的计算公式如下：

其中，I^dark(c)(x)表示单分量暗通道的值，Ω(x)表示第x个像素点处的局部块，I^c(y)表示局部块内单分量暗通道的值；

获取所述水体图像中最小的暗通道值对应的像素点，为所述目标背景光像素点。

优选的，所述将所述水体图像进行灰度化并进行顶帽运算，得到噪点效果图之后，还包括：

按照所述水体图像采集的先后顺序对各所述噪点效果图进行分组，每组包括相邻的两个所述噪点效果图；

保留各组的两个所述噪点效果图中的平均灰度值较小的所述噪点效果图，并按照所述水体图像采集的先后顺序对保留的各噪点效果图进行排序，得到各帧所述噪点效果图。

优选的，所述基于相关噪点效果图之间的相似性，依次对各噪点效果图进行融合，当噪点效果图对应的相似性趋于稳定时融合结束，获取融合之后得到的背景融合图，以及图像融合数量，得到背景模板帧数量，包括：

采用以下计算公式对各噪点效果图进行融合：

F_i+1＝α_iF_i+(1-α_i)f_i+1

其中，F_i+1表示第i+1帧所述噪点效果图与前i帧所述噪点效果图融合后的所述背景融合图；F_i为前i帧所述噪点效果图融合后的所述背景融合图；f_i+1为第i+1帧所述噪点效果图；α_i为背景衰减系数；

所述背景衰减系数的计算过程包括：

α_i为第i+1帧所述噪点效果图与前i帧所述噪点效果图中每帧噪点效果图的相似度的平均值；

若α_i与α_i-1的差值的绝对值和α₂与α₁的差值的绝对值的比值小于预设差值百分比，表示所述噪点效果图对应的相似性趋于稳定，获取得到的融合之后的背景融合图为前i+1帧图像进行融合得到的背景融合图，所述背景模板帧数量为i+1。

优选的，所述相似度，包括：

采用归一化互相关匹配算法计算两帧噪点效果图之间的相似性，其中，归一化互相关匹配算法中采用噪声点连通域进行互相关运算。

优选的，所述构建不同浑浊程度下所述目标灰度值和所述背景模板帧数量的关系模型，包括：

所述背景模板帧数量的关系模型为：

其中，g_p表示所述目标灰度值；m_j表示所述背景模板帧数量；A,B,C表示相对应的模型优化系数。

优选的，所述将所述背景融合图与各所述噪点效果图进行作差运算，得到前景图像之后，还包括：

按照各所述噪点效果图的先后顺序对各前景图像进行分组，每组包括相邻的两帧所述前景图像；

保留各组的两帧所述前景图像中的平均灰度值较大的初始图像，并按照所述各噪点效果图的先后顺序对保留的各所述前景图像进行排序，得到各帧前景图像。

优选的，所述识别得到该次融合得到的融合前景图像中的气泡轨迹线，包括：

对所述融合前景图像进行边缘检测，得到边缘图；

基于霍夫直线检测算法，将所述边缘图转换到霍夫空间，获取所述霍夫空间内角度为90°的点，得到角度为90°的点在所述边缘图中对应的竖直直线；

获取各所述竖直直线中像素数量最多的直线，得到气泡轨迹线。

优选的，所述基于当前融合前景图像的平均灰度值，得到该次融合对应的表征气泡特征强度的强度特征值，包括：

所述强度特征值的计算公式如下：

其中，g_q表示所述气泡轨迹线的平均灰度值，g₀表示所述当前融合前景图像的平均灰度值。

优选的，所述构建不同浑浊程度下所述目标灰度值、所述背景模板帧数量和所述前景图像帧数量的关系模型，包括：

所述前景图像帧数量的关系模型为：

其中，R,S,T表示相对应的模型优化系数；m₀表示所述真实背景模板帧数量；m_j表示所述背景模板帧数量；n_j表示所述前景图像帧数量；g_p表示所述目标灰度值。

本发明的技术效果包括：首先通过相机采集水体图像，对采集到的水体图像利用暗通道算法计算出最真实的目标背景光像素点和其对应的目标灰度值，对水体图像进行灰度化以及顶帽运算得到噪点效果图，基于噪点效果图之间的相似性对其噪点效果图进行筛选融合得到背景融合图和对应的背景模板帧数量，由目标灰度值和背景模板帧数量构建背景模板帧数量的关系模型，根据背景模板帧数量的关系模型可以直接输入不同浑浊度下的目标灰度值来得到对应的背景模板帧数量，提升了背景图像的稳定性。由背景融合图和噪点效果图进行作差运算和筛选得到前景图像，对前景图像进行融合得到融合后的融合前景图像，获取融合前景图像的气泡轨迹线，根据气泡轨迹线的气泡特征强度的最大值得到对应的前景图像帧数量，由目标灰度值、背景模板帧数量和前景图像帧数量构建前景图像帧数量的关系模型。使得在不同浑浊度下采集到的水体图像仍然能够准确的反映出气泡特征，提高了对水体中的工件检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的浑浊水体中工件检测优化方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的浑浊水体中工件检测优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种基于人工智能的浑浊水体中工件检测优化方法的具体实施方法，该方法实施例适用于水体工件气密性检测，本实施例中相机为工业RGB相机，该相机水平固定于对着玻璃检测池的玻璃壁一侧进行水体图像采集。为了在不同浑浊程度的水体图像中，仍然能够得到明显的气泡特征，本发明实施例通过构建背景模板帧数量的关系模型和前景图像帧数量的关系模型，使由不同浑浊程度的水体图像可以直接得到对应的最佳的背景模板帧数量和前景图像帧数量，达到了得到明显的气泡特征的目的。

下面结合附图具体的说明本发明所提供的一种基于人工智能的浑浊水体中工件检测优化方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的浑浊水体中工件检测优化方法的方法流程图，该方法包括以下步骤：

步骤S100，获取不同浑浊程度下的多张水体图像。

使用工业RGB相机对气密性检测环境进行拍照，得到不同浑浊程度下的多张水体图像，其中，相机紧贴玻璃检测池的玻璃壁一侧。本实施例中，可以在玻璃检测池中添加不同量的杂质(比如尘土)以实现不同的浑浊程度，作为一个具体实施方式：杂质由少到多依次添加，而且，在每一个浑浊程度下，均通过该浑浊程度的水体对工件进行气密性检测，使用工业RGB相机对玻璃检测池进行的气密性检测图像(即水体图像)进行拍照。每个浑浊程度下的水体图像的数量由实际需要进行设置，可以按照预设的采样周期拍摄得到较多张图像，方便后续处理。

步骤S200，基于预设的暗通道算法，对所述水体图像进行背景像素点提取，获取目标背景光像素点，并获取所述目标背景光像素点的目标灰度值。

暗通道算法认为对于无雾图像的非天空区域中，总存在某一个通道在某些像素具有非常低的灰度值，甚至趋近于零。暗通道实际上是在RGB三个通道中取最小的值组成灰度图，然后再进行一个最小值滤波得到的。由于暗通道先验来源于雾天图像处理，本发明实施例中，考虑到水下成像与雾天成像的相似性，利用暗通道先验对当前水体图像进行计算。

在RGB三个通道中，由于红光波长最长，而波长越长的光其衰减系数越大，因此红色通道的光衰减的最快。由于水体图像蓝绿(亮)分量的灰度值远大于红色分量(暗)，因此水体图像通常呈现蓝绿色调。这也就导致传统的暗通道定义无法直接应用于水体图像，无法由暗通道直接估算出真实背景光值。

由于红光分量的衰减系数远大于蓝绿光，因此红光分量的暗通道远小于蓝绿分量，为弥补暗通道理论在水中的缺陷，估算出最真实有效的背景光值，本发明实施例中使用单分量暗通道来对水体图像进行分析计算。

具体的，对于水体图像中的任意一个像素点，该像素点的暗通道值的计算公式如下：

其中，p(i,j)表示在水体图像中取得的对应的像素点，x表示第x个像素点，I^dark(r)(x)表示红通道的单分量暗通道的值，I^dark(g)(x)表示绿通道的单分量暗通道的值，I^dark(b)(x)表示蓝通道的单分量暗通道的值。

单分量暗通道的值的计算公式如下：

其中，I^dark(c)(x)表示单分量暗通道的值，Ω(x)表示第x个像素点处的局部块，I^c(y)表示局部块内单分量暗通道的值。

需要说明的是，像素点的暗通道的计算公式在于在局部块内取蓝通道和绿通道的单分量暗通道的最大值，并用红通道的单分量暗通道的值与之相减。

通过上述过程，可以得到水体图像中各个像素点的暗通道值。由于红通道与蓝绿通道的对比程度越大则最能反映最真实的背景，故获取水体图像中最小的暗通道值对应的像素点，为能够反映最真实有效的背景光值的点，作为目标背景光像素点。

计算目标背景光像素点的灰度值g_p，以g_p作为目标背景光像素点的目标灰度值。应当理解，不同浑浊程度下的水体图像的目标背景光像素点的目标灰度值不同。

本实施例中，在对水体图像进行处理的处理过程为对任一个水体图像进行处理的处理过程，其他各水体图像的处理过程与此相同，不再赘述。

步骤S300，将所述水体图像进行灰度化并进行顶帽运算，得到噪点效果图。

将水体图像进行灰度化后再进行顶帽运算，得到噪点效果图，因此，就可以得到与各水体图像一一对应的噪点效果图。其中，顶帽运算是原图像与开运算后图像的差。使用顶帽运算的原因在于该操作下得到的效果图突出了比原图轮廓周围的区域更明亮的区域，往往用来分离比邻近点亮一些的版块。因此当一副图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。

步骤S400，基于相关噪点效果图之间的相似性，依次对各噪点效果图进行融合，当所述噪点效果图对应的相似性趋于稳定时融合结束，获取融合之后得到的背景融合图，以及图像融合数量，得到背景模板帧数量。

本步骤中，以属于同一个浑浊程度下的多个水体图像作为处理对象，最终得到该浑浊程度下对应的背景模板帧数量。

经过顶帽运算对单帧水体图像进行背景提取得到噪点效果图后，为了得到较为稳定的背景图像，首先对噪点效果图进行筛选，其筛选过程为：

1)按照各水体图像(即属于同一浑浊程度下的各水体图像)采集的先后顺序对各噪点效果图进行分组，每组包括相邻的两个噪点效果图，比如：分组情况为：(1，2)、(3，4)、(5，6)、(7，8)，……，其中数字代表的是图像的采集先后顺序。

2)保留各组的两个噪点效果图中的平均灰度值较小的噪点效果图，并按照水体图像采集的先后顺序对保留的各噪点效果图进行排序，得到各帧噪点效果图，比如：(1，2)中2的平均灰度值较小，(3，4)中3的平均灰度值较小，(5，6)中5的平均灰度值较小，(7，8)中8的平均灰度值较小，……，则排列顺序为(2，3，5，8，……)，将(2，3，5，8，……)重新排序为(1，2，3，4，……)，作为筛选后的各帧噪点效果图。

需要说明的是，保留平均灰度值较小的噪点效果图，舍弃平均灰度值较大的噪点效果图的意义在于，背景图像应尽量为纯黑色，即背景图像的平均灰度值应尽可能的趋近于0，这样才能使前景图像尽可能的明显。

将两两筛选后的多帧噪点效果图进行融合得到背景融合图，具体过程包括：

采用以下计算公式对各噪点效果图进行融合：

F_i+1＝α_iF_i+(1-α_i)f_i+1

其中，F_i+1为第i+1帧噪点效果图与前i帧噪点效果图融合后的背景融合图；F_i为前i帧噪点效果图融合后的背景融合图；f_i+1为第i+1帧噪点效果图；α_i为第i次融合对应的背景衰减系数。比如：i为1时，F₁为第一帧噪点效果图，f₂为第二帧噪点效果图，F₂为第二帧噪点效果图与第一帧噪点效果图融合后的背景融合图，α₁为第1次融合对应的背景衰减系数；i为2时，F₂为前两帧噪点效果图融合后的背景融合图，f₃为第三帧噪点效果图，F₃为第三帧噪点效果图与前两帧噪点效果图融合后的背景融合图，α₂为第2次融合对应的背景衰减系数；i为3时，F₃为前三帧噪点效果图融合后的背景融合图，f₄为第四帧噪点效果图，F₄为第四帧噪点效果图与前三帧噪点效果图融合后的背景融合图，α₃为第3次融合对应的背景衰减系数。

背景衰减系数由两帧噪点效果图之间的相似性得到。

采用归一化互相关匹配算法计算两帧噪点效果图之间的相似度，归一化互相关匹配算法是通过计算模板图像和匹配图像的互相关值来确定匹配的程度，两幅图像越相似则相似度结果越趋近于1。

需要说明的是，归一化互相关匹配算法是根据图像生成归一化互相关矩阵，然后利用该矩阵得到每幅图像中任一点像素相对于另一幅图像中所有对应点的最大值及相应索引实现匹配，由于每张图像有很多个像素点，会导致计算量非常大。故在本发明实施例中，将噪点效果图分割成一个个单独的噪声点连通域，采用噪声点连通域进行互相关运算来得到各帧噪点效果图之间的相似性，会大大的降低计算量且结果准确可靠。

具体的，背景衰减系数α_i的计算过程包括：

当i为1时，利用归一化互相关匹配算法计算第一帧噪点效果图与第二帧噪点效果图的相似度α₁；当i为2时，利用归一化互相关匹配算法计算第三帧噪点效果图与第一帧噪点效果图的相似度，以及第三帧噪点效果图与第二帧噪点效果图的相似度，然后计算这两个相似度的平均值，作为α₂；当i为3时，利用归一化互相关匹配算法计算第四帧噪点效果图与第一帧噪点效果图的相似度，第四帧噪点效果图与第二帧噪点效果图的相似度，以及第四帧噪点效果图与第三帧噪点效果图的相似度，然后计算这三个相似度的平均值，作为α₃。

α_i为第i+1帧噪点效果图与前i帧噪点效果图中每帧噪点效果图的相似度的平均值。

若α_i与α_i-1的差值的绝对值和α₂与α₁的差值的绝对值的比值小于预设差值百分比，表示α_i与α_i-1的差值越来越小，则噪点效果图对应的相似性趋于稳定，获取得到的融合之后的背景融合图为前i+1帧图像进行融合得到的背景融合图，背景模板帧数量为i+1。设此时的背景模板帧数量为m_j。在本发明实施例中，预设差值百分比为十分之一，即比值小于十分之一时即可判断当前所对应的帧数量足以获得稳定可靠的背景融合图。

需要说明的是，计算噪点效果图之间的相似性是因为由于随机噪声的影响，前后帧噪点效果图之间并不会完全相同，然而通过计算当前帧噪点效果图与之前帧噪点效果图的平均相似性，可以逐渐凸显固定噪声的影响，减弱随机噪声的影响。因此随着帧数的增加，α_i会逐渐趋于稳定，即α_i与α_i-1的差值会越来越小。

上述过程能够得到某一个浑浊程度下对应的目标灰度值和背景模板帧数量。其他浑浊程度下对应的目标灰度值和背景模板帧数量也可以通过上述过程得到，就可获得不同水体浑浊度下的目标灰度值和与之对应的背景模板帧数量。

步骤S500，构建不同浑浊程度下所述目标灰度值和所述背景模板帧数量的关系模型。

获得不同水体浑浊度下的目标灰度值和与之对应的背景模板帧数量之后，对不同水体浑浊度下的目标灰度值和与之对应的背景模板帧数量进行拟合，得到不同浑浊度下目标灰度值和背景模板帧数量的关系模型。

背景模板帧数量的关系模型为：

其中，g_p表示目标灰度值；m_j表示背景模板帧数量；A,B,C表示相对应的模型优化系数，可通过多次采集得到的不同水体浑浊度下的目标灰度值和与之对应的背景模板帧数量拟合得到。

若通过上述背景模板帧数量的关系模型，得到的背景模板帧数量为非整数，则可以对该非整数按照已知的向上取整函数进行向上取整，得到一个整数。

至此可根据得到的背景模板帧数量的关系模型，输入目标灰度值即可得到对应的背景模板帧数量。具体的：对于某一个浑浊程度，获取该浑浊程度对应的水体图像的目标灰度值，然后基于上述背景模板帧数量的关系模型，得到对应的背景模板帧数量。

步骤S600，将所述背景融合图与各所述噪点效果图进行作差运算，得到前景图像。

为了去除背景融合图中大量的噪声，将得到的背景融合图与经顶帽操作后的各噪点效果图进行作差运算，得到前景图像。具体的，将得到的背景融合图与经顶帽操作后的各噪点效果图分别进行图像相减操作，从而获得与各噪点效果图一一对应的前景图像。此时得到的单帧前景图像仍然存在很多的噪声，但是已经能够隐约显现气泡特征。原因在于气泡处于运动状态，其在前景图像中会被最大限度的显示出来。

同样对得到的各帧前景图像进行前景累积以获得清晰的气泡图像。具体过程同样为，筛选前景图像的相邻前后帧，筛选后利用衰减模型来进行融合。具体的，筛选前景图像的相邻前后帧的过程为：

1)按照各噪点效果图的先后顺序对各前景图像进行分组，每组包括相邻的两帧前景图像。比如：分组情况为：(1，2)、(3，4)、(5，6)、(7，8)，……，其中数字代表的是噪点效果图的先后顺序。

2)保留各组的两帧前景图像中的平均灰度值较大的前景图像，并按照各噪点效果图的先后顺序对保留的各前景图像进行排序，得到各帧前景图像。比如：(1，2)中1的平均灰度值较大，(3，4)中4的平均灰度值较大，(5，6)中6的平均灰度值较大，(7，8)中7的平均灰度值较大，……，则排列顺序为(1，4，6，7，……)，将(1，4，6，7，……)重新排序为(1，2，3，4，……)作为筛选后的各帧前景图像。

需要说明的是，保留平均灰度值较大的前景图像是为了使获取的前景图像时与背景图像可以产生明显的对比。

由于最终目的是为了得到明显的气泡特征，因此为简化计算量，前景累积过程中的前景衰减系数与背景累积过程中的背景衰减系数α_i相同。作为其他的实施方式，前景积累过程中的前景衰减系数也可以根据实际需要设置成其他的数值。

步骤S700，依次对各所述前景图像进行融合，其中，对于任意一次前景图像融合过程，将当前次需要融合的前景图像与上一次融合得到的融合前景图像进行融合时，识别得到该次融合得到的融合前景图像中的气泡轨迹线，并获取所述气泡轨迹线的平均灰度值，基于当前融合前景图像的平均灰度值，得到该次融合对应的表征气泡特征强度的强度特征值；从得到的多个强度特征值中获取强度特征最大值，获取所述强度特征最大值对应的前景图像的图像融合数量，得到前景图像帧数量。

对前景图像进行融合得到融合前景图像。其中，对于任意一次前景图像融合过程，与背景融合图的融合过程一致，即将当前次需要融合的前景图像与上一次融合得到的融合前景图像进行融合，识别得到该次融合得到的融合前景图像中的气泡轨迹线。

随着前景图像帧数量的增加，对前景图像进行融合得到的融合前景图像中的随机噪声会衰减，而一直存在的气泡特征则会进行保留累积，进而气泡特征被增强。然而前景图像帧数量继续增加时，其中一些频繁出现的随机噪声可能会逐渐被保留并被增强而显示出现，这会影响到对于气泡特征的提取和判断。

识别得到该次融合得到的融合前景图像中的气泡轨迹线的步骤为：

首先对得到的融合前景图像进行Canny边缘检测，得到边缘图。Canny边缘检测算法为现有算法，不再赘述。

基于霍夫直线检测算法，将边缘图转换到霍夫空间，获取霍夫空间内角度为90°的点，得到角度为90°的点在边缘图中对应的竖直直线。需要说明的是，仅获取竖直直线是由于在水中气泡轨迹为竖直方向上的直线。

计算获取到的每一条竖直直线上的像素数量，获取各竖直直线中像素数量最多的竖直直线，将该竖直直线归于气泡特征所形成的轨迹线，得到气泡轨迹线。当通过霍夫直线检测算法得到多条竖直直线时，除了得到像素数量最多的最长竖直直线外，还可以将像素数量超过最长竖直直线的像素数量的90％的其他竖直直线也归于气泡特征所形成的轨迹线，由此得到多条气泡轨迹线。

计算得到气泡轨迹线上像素点的平均灰度值g_q，其中，若只有一条气泡轨迹线，则计算该气泡轨迹线上的所有像素点的灰度值的平均值，作为g_q；若有多条气泡轨迹线，则计算所有气泡轨迹线上的所有像素点的灰度值的平均值，作为g_q。

计算当前融合前景图像的平均灰度值g₀。由此获得反映气泡特征强度的强度特征值。

强度特征值的计算公式如下：

其中，g_q表示气泡轨迹线的平均灰度值，g₀表示当前融合前景图像的平均灰度值。

通过强度特征值τ的大小来判断当前融合前景图像中的气泡特征强度。因为每一次前景图像融合过程均会得到一个强度特征值τ，最终会得到多个强度特征值τ。

从得到的多个强度特征值中获取强度特征最大值，需要说明的是，获取强度特征最大值是因为当融合前景图像的帧数量少时，气泡轨迹不明显，此时τ值较小，随着帧数量的增加，τ值也随之增加；当到达一个强度特征最大值时，随着帧数量的增加，噪声也开始增加，此时τ值有开始下降。

将此时强度特征值τ所对应的当前融合前景图像的帧数量作为前景图像帧数量n_j。

因此，上述过程能够得到某一个浑浊程度下对应的目标灰度值、背景模板帧数量和前景图像帧数量之间的关系。其他浑浊程度下对应的目标灰度值、背景模板帧数量和前景图像帧数量之间的关系也可以通过上述过程得到，就可获得不同水体浑浊度下的目标灰度值、背景模板帧数量和前景图像帧数量之间的关系。应当理解，不同目标灰度值对应的背景模板帧数量由上述背景模型帧数量的关系模型获取得到。

步骤S800，构建不同浑浊程度下所述目标灰度值、所述背景模板帧数量和所述前景图像帧数量的关系模型。

根据不同水体浑浊度下的目标灰度值、背景模板帧数量和前景图像帧数量之间的关系，进行拟合得到不同浑浊度下目标灰度值和前景图像帧数量的关系模型。

前景图像帧数量的关系模型为：

其中，m₀表示真实背景模板帧数量；m_j表示背景模板帧数量；n_j表示前景图像帧数量；g_p表示目标灰度值；R,S,T表示相对应的模型优化系数，可通过多次采集到的不同水体浑浊度下的目标灰度值和与之对应的前景图像帧数量拟合得到。

需要说明的是，前景图像帧数量的关系模型表明当真实背景模板帧数量m₀大于背景模板帧数量m_j时，背景融合图的质量会得到进一步的提高，在此基础上获得的初始前景图像噪声会减少，因此所需的前景图像帧数量会有所减少，反之亦然。

至此，对于某一个浑浊程度，获取该浑浊程度下采集到的水体图像的目标灰度值，然后根据得到的前景图像帧数量的关系模型，输入目标灰度值即可获得最佳气泡特征强度所需要的前景图像帧数量。

若通过上述前景图像帧数量的关系模型，得到的前景图像帧数量为非整数，则可以对该非整数按照已知的向上取整函数进行向上取整，得到一个整数。

综上所述，本发明实施例利用人工智能，采集水体图像，对采集到的水体图像利用暗通道算法计算出最真实的目标背景光像素点和其对应的目标灰度值，对水体图像进行灰度化以及顶帽运算得到噪点效果图，基于噪点效果图之间的相似性对其噪点效果图进行筛选融合得到背景融合图和对应的背景模板帧数量，构建背景模板帧数量的关系模型。由背景融合图和噪点效果图进行作差运算和筛选得到前景图像，对前景图像进行融合得到融合后的融合前景图像，获取融合前景图像的气泡轨迹线，根据气泡轨迹线的气泡特征强度的最大值得到对应的前景图像帧数量，构建前景图像帧数量的关系模型。使得在不同浑浊度下采集到的水体图像仍然能够准确的反映出气泡特征，提高了对水体中的工件检测的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的浑浊水体中工件检测优化方法，其特征在于，该方法包括以下步骤：

获取不同浑浊程度下的多张水体图像；

基于预设的暗通道算法，对所述水体图像进行背景像素点提取，获取目标背景光像素点，并获取所述目标背景光像素点的目标灰度值；

将所述水体图像进行灰度化并进行顶帽运算，得到噪点效果图；

基于相关噪点效果图之间的相似性，依次对各噪点效果图进行融合，当所述噪点效果图对应的相似性趋于稳定时融合结束，获取融合之后得到的背景融合图，以及图像融合数量，得到背景模板帧数量；

构建不同浑浊程度下所述目标灰度值和所述背景模板帧数量的关系模型；

将所述背景融合图与各所述噪点效果图进行作差运算，得到前景图像；

依次对各所述前景图像进行融合，其中，对于任意一次前景图像融合过程，将当前次需要融合的前景图像与上一次融合得到的融合前景图像进行融合时，识别得到该次融合得到的融合前景图像中的气泡轨迹线，并获取所述气泡轨迹线的平均灰度值，基于当前融合前景图像的平均灰度值，得到该次融合对应的表征气泡特征强度的强度特征值；从得到的多个强度特征值中获取强度特征最大值，获取所述强度特征最大值对应的前景图像的图像融合数量，得到前景图像帧数量；

构建不同浑浊程度下所述目标灰度值、所述背景模板帧数量和所述前景图像帧数量的关系模型。

2.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述基于预设的暗通道算法，对所述水体图像进行背景像素点提取，获取目标背景光像素点，包括；

对于所述水体图像中的任意一个像素点，该像素点的暗通道值的计算公式如下：

其中，p(i,j)表示在所述水体图像中取得的对应的像素点，x表示第x个像素点，I^dark(r)(x)表示红通道的单分量暗通道的值，I^dark(g)(x)表示绿通道的单分量暗通道的值，I^dark(b)(x)表示蓝通道的单分量暗通道的值；

所述单分量暗通道的值的计算公式如下：

其中，I^dark(c)(x)表示单分量暗通道的值，Ω(x)表示第x个像素点处的局部块，I^c(y)表示局部块内单分量暗通道的值；

获取所述水体图像中最小的暗通道值对应的像素点，为所述目标背景光像素点。

3.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述将所述水体图像进行灰度化并进行顶帽运算，得到噪点效果图之后，还包括：

按照所述水体图像采集的先后顺序对各所述噪点效果图进行分组，每组包括相邻的两个所述噪点效果图，

保留各组的两个所述噪点效果图中的平均灰度值较小的所述噪点效果图，并按照所述水体图像采集的先后顺序对保留的各噪点效果图进行排序，得到各帧所述噪点效果图。

4.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述基于相关噪点效果图之间的相似性，依次对各噪点效果图进行融合，当噪点效果图对应的相似性趋于稳定时融合结束，获取融合之后得到的背景融合图，以及图像融合数量，得到背景模板帧数量，包括：

采用以下计算公式对各噪点效果图进行融合：

F_i+1＝α_iF_i+(1-α_i)f_i+1

其中，F_i+1表示第i+1帧所述噪点效果图与前i帧所述噪点效果图融合后的背景融合图；F_i为前i帧所述噪点效果图融合后的所述背景融合图；f_i+1为第i+1帧所述噪点效果图；α_i为背景衰减系数；

所述背景衰减系数的计算过程包括：

α_i为第i+1帧所述噪点效果图与前i帧所述噪点效果图中每帧噪点效果图的相似度的平均值；

若α_i与α_i-1的差值的绝对值和α₂与α₁的差值的绝对值的比值小于预设差值百分比，表示所述噪点效果图对应的相似性趋于稳定，获取得到的融合之后的背景融合图为前i+1帧图像进行融合得到的背景融合图，所述背景模板帧数量为i+1。

5.根据权利要求4所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述相似度，包括：

采用归一化互相关匹配算法计算两帧噪点效果图之间的相似性，其中，归一化互相关匹配算法中采用噪声点连通域进行互相关运算。

6.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述构建不同浑浊程度下所述目标灰度值和所述背景模板帧数量的关系模型，包括：

所述背景模板帧数量的关系模型为：

其中，g_p表示所述目标灰度值；m_j表示所述背景模板帧数量；A,B,C表示相对应的模型优化系数。

7.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述将所述背景融合图与各所述噪点效果图进行作差运算，得到前景图像之后，还包括：

按照各所述噪点效果图的先后顺序对各前景图像进行分组，每组包括相邻的两帧所述前景图像；

保留各组的两帧所述前景图像中的平均灰度值较大的初始图像，并按照所述各噪点效果图的先后顺序对保留的各所述前景图像进行排序，得到各帧前景图像。

8.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述识别得到该次融合得到的融合前景图像中的气泡轨迹线，包括：

对所述融合前景图像进行边缘检测，得到边缘图；

基于霍夫直线检测算法，将所述边缘图转换到霍夫空间，获取所述霍夫空间内角度为90°的点，得到角度为90°的点在所述边缘图中对应的竖直直线；

获取各所述竖直直线中像素数量最多的直线，得到气泡轨迹线。

9.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述基于当前融合前景图像的平均灰度值，得到该次融合对应的表征气泡特征强度的强度特征值，包括：

所述强度特征值的计算公式如下：

其中，g_q表示所述气泡轨迹线的平均灰度值，g₀表示所述当前融合前景图像的平均灰度值。

10.根据权利要求1所述的基于人工智能的浑浊水体中工件检测优化方法，其特征在于，所述构建不同浑浊程度下所述目标灰度值、所述背景模板帧数量和所述前景图像帧数量的关系模型，包括：

所述前景图像帧数量的关系模型为：

其中，R,S,T表示相对应的模型优化系数；m₀表示所述真实背景模板帧数量；m_j表示所述背景模板帧数量；n_j表示所述前景图像帧数量；g_p表示所述目标灰度值。

Images