CN114693678A - 工件质量智能检测方法、装置 - Google Patents

工件质量智能检测方法、装置 Download PDF

Info

Publication number
CN114693678A
CN114693678A CN202210605025.9A CN202210605025A CN114693678A CN 114693678 A CN114693678 A CN 114693678A CN 202210605025 A CN202210605025 A CN 202210605025A CN 114693678 A CN114693678 A CN 114693678A
Authority
CN
China
Prior art keywords
image
workpiece
preset
workpiece image
quality detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210605025.9A
Other languages
English (en)
Other versions
CN114693678B (zh
Inventor
唐湘辉
陈明凯
申晴晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Original Assignee
Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Dongfang Junchi Precision Manufacturing Co ltd filed Critical Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Priority to CN202210605025.9A priority Critical patent/CN114693678B/zh
Publication of CN114693678A publication Critical patent/CN114693678A/zh
Application granted granted Critical
Publication of CN114693678B publication Critical patent/CN114693678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及人工智能技术，揭露了一种工件质量智能检测方法，包括：采集预设传送带上的参考工件图像，将参考工件图像转换为角点图像，并识别出角点图像中的角点特征数据，基于布谷鸟算法和角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；对参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算锐化工件图像对应的纹理度和粗糙度，基于纹理度和粗糙度进行第二质量检测，得到第二质量检测结果；对第一质量检测结果和第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。本发明还提出一种工件质量智能检测装置。本发明可以解决工件质量智能检测的准确度较低的问题。

Description

工件质量智能检测方法、装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种工件质量智能检测方法、装置、设备及计算机可读存储介质。
背景技术
随着科学技术的进步和社会的发展，人们对机械产品的质量和检测方法都提出了更高的要求，工件质量包括尺寸、形状、材质以及表面状况等多个方面，工件质量的判定对工件的使用性能，尤其是对高速、高温、高压条件下工作的工件的可靠性有很大的影响，因此需要对工件质量进行检测。
现有的工件质量检测项目主要集中在表面质量检测，通常是依靠人眼进行辨别，这种方法劳动强度大，识别精度低且工作效率低下，因此亟待提出一种准确度更高的工件质量智能检测的方法。
发明内容
本发明提供一种工件质量智能检测方法、装置及计算机可读存储介质，其主要目的在于解决工件质量智能检测的准确度较低的问题。
为实现上述目的，本发明提供的一种工件质量智能检测方法，包括：
获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，其中所述预设的角特征提取公式为
Figure 56543DEST_PATH_IMAGE001
其中，
Figure 732375DEST_PATH_IMAGE002
为所述角点特征数据，
Figure 298355DEST_PATH_IMAGE003
为区分特征目标与背景的阈值，
Figure 426848DEST_PATH_IMAGE004
为预设像素点，
Figure 838106DEST_PATH_IMAGE005
为目标像素点，
Figure 102865DEST_PATH_IMAGE006
为所述预设像素点周围的像素个数，
Figure 856058DEST_PATH_IMAGE007
为所述目标像素点周围的像素个数；
基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
可选地，所述基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果，包括：
根据所述角点特征数据获取所述参考工件图像的相关参数，并利用预设的适应公式计算所述参考工件图像的适应度值；
当所述参考工件图像的适应度值大于预设适应阈值时，计算所述参考工件图像的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为劣质；
若存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为优质。
可选地，所述利用预设的适应公式计算所述参考工件图像的适应度值，包括：
所述预设的适应公式包括：
Figure DEST_PATH_IMAGE008
其中，
Figure 658798DEST_PATH_IMAGE009
表示所述参考工件图像的适应度值，
Figure DEST_PATH_IMAGE010
表示第
Figure 342589DEST_PATH_IMAGE011
个所述参考工件图像在t次迭代时的位置，
Figure DEST_PATH_IMAGE012
为步长因子，
Figure 179964DEST_PATH_IMAGE013
表示点对点的乘法，
Figure 572899DEST_PATH_IMAGE014
表示莱维飞行随机搜索路径，
Figure 659672DEST_PATH_IMAGE015
为预设参数。
可选地，所述计算所述参考工件图像的适应变化率，包括：
计算所述参考工件图像在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
可选地，所述预设的变化率公式包括：
Figure 694624DEST_PATH_IMAGE016
其中，
Figure 199555DEST_PATH_IMAGE017
为所述适应变化率，
Figure 12659DEST_PATH_IMAGE018
为所述第一适应度值，
Figure DEST_PATH_IMAGE019
为所述第二适应度值，
Figure 524412DEST_PATH_IMAGE020
为所述第一迭代数，
Figure 363055DEST_PATH_IMAGE021
为所述第二迭代数，L为预设参考位置。
可选地，所述对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，包括：
提取出所述参考工件图像数据中的多个图像像素点，并任意选取多个所述图像像素点中的任意一个图像像素点作为目标像素点；
基于预设的横向梯度公式和纵向梯度公式计算所述目标像素点对应的横向梯度值和纵向梯度值，根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值；
遍历多个所述图像像素点，直至计算出多个所述图像像素点对应的最终梯度值；
获取预先设定的梯度阈值，分别将多个所述图像像素点对应的最终梯度值与所述梯度阈值进行比较，将大于或者等于所述最终梯度阈值的所述图像像素点设置为第一参考值，得到变换图像；
将所述变换图像中的各个像素点与所述参考工件图像数据中的各个像素点进行相加处理，得到锐化工件图像。
可选地，所述预设的横向梯度公式为：
Figure DEST_PATH_IMAGE022
其中，
Figure 643864DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure DEST_PATH_IMAGE024
表示横坐标方向，
Figure 847443DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 654948DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 766124DEST_PATH_IMAGE027
表示连续向量。
可选地，所述分别计算所述锐化工件图像对应的纹理度和粗糙度，包括：
利用预设的梯度计算公式计算得到所述锐化工件图像对应的梯度值，将所述梯度值与预设纹理值进行相加计算，得到纹理度；
利用预设的粗糙度公式计算得到所述锐化工件图像对应的粗糙度。
可选地，所述利用所述工件图像采集装置采集预设传送带上的参考工件图像，包括：
获取所述预设传送带的恒定速度和延时距离，基于所述恒定速度和所述延时距离计算得到延时时间和定位精度；
利用所述工件图像采集装置中的延时模块延迟所述延时时间，以所述定位精度进行工件定位，得到参考工件图像。
为了解决上述问题，本发明还提供一种工件质量智能检测装置，所述装置包括：
图像采集模块，用于获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
第一质量检测模块，用于获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
第二质量检测模块，用于对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
最终结果评定模块，用于对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
本发明实施例中，通过工件图像采集装置采集预设传送带上的参考工件图像，所述工件图像采集装置可以实现高效且精准的图像采集，将所述参考工件图像转换为角点图像并提取出所述角点图像中的角点特征数据，避免其他外界因素对图像的影响，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果。对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，所述锐化处理可以提高所述锐化工件图像的清晰度，计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，提高了表面质量检测的准确度，得到第二质量检测结果，并对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果，使得得到的最终工件质量检测结果更准确。因此本发明提出的工件质量智能检测方法、装置、电子设备及计算机可读存储介质，可以解决工件质量智能检测的准确度较低的问题。
附图说明
图1为本发明一实施例提供的工件质量智能检测方法的流程示意图；
图2为本发明一实施例提供的工件质量智能检测装置的功能模块图；
图3为本发明一实施例提供的实现所述工件质量智能检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种工件质量智能检测方法。所述工件质量智能检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述工件质量智能检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的工件质量智能检测方法的流程示意图。在本实施例中，所述工件质量智能检测方法包括：
S1、获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像。
本发明实施例中，多个所述图像采集相关模块包括但不限于传送模块、延时模块、数据采集模块和图像采集模块等。其中，本方案中的传送模块为传送带，传送带上放着多个工件，图像采集模块可以为镜头，延时模块可以为长延时模块。本方案采用CCD异步复位模式来采集图像，利用光电传感器对工件快速触发，通过精确地延时保证图像采集与工件到达视场中心的时刻同步。
其中，工件是指制造过程中的一个产品部件，在流水线作业中通常放置在传送带上进行传输，由于人们对机械产品的质量和检测方法提出更高的要求，因此需要对工件进行智能检测，首先要做的就是采集工件对应的图像，图像的采集质量将直接影响到后续的图像处理和分析，关系到工件是否正确定位以及工件表面质量检测的正确性。
具体地，所述利用所述工件图像采集装置采集预设传送带上的参考工件图像，包括：
获取所述预设传送带的恒定速度和延时距离，基于所述恒定速度和所述延时距离计算得到延时时间和定位精度；
利用所述工件图像采集装置中的延时模块延迟所述延时时间，以所述定位精度进行工件定位，得到参考工件图像。
详细地，所述传送带上传送着多个待识别的工件。所述工件包括但不限于制件、作件、五金件等，所述定位精度显示了装置对被测工件的定位能力，其中，所述定位精度越小，表示装置的定位精度越高，越有利于图像处理分析。
进一步地，所述基于所述恒定速度和所述延时距离计算得到延时时间和定位精度，包括：
根据预设的延时时间计算公式和定位精度计算公式计算得到延时时间和定位精度。
具体地，所述预设的延时时间计算公式为：
Figure 494914DEST_PATH_IMAGE028
其中，
Figure 400553DEST_PATH_IMAGE029
为延时时间，
Figure 949215DEST_PATH_IMAGE030
为延时距离，
Figure 864082DEST_PATH_IMAGE031
为所述传送带的速度。
进一步地，所述定位精度计算公式为：
Figure 932532DEST_PATH_IMAGE032
其中，
Figure 523919DEST_PATH_IMAGE033
为所述定位精度，
Figure 310609DEST_PATH_IMAGE031
为所述传送带的速度，
Figure 763587DEST_PATH_IMAGE034
为所述传送带的速度变化量，
Figure 201391DEST_PATH_IMAGE035
为接近传感器的响应时间，
Figure 714412DEST_PATH_IMAGE036
为定时计数器的最小延时单位。
S2、获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据。
本发明实施例中，所述预设大小的圆形模板为SU-SAN算法中的圆形模板，所述SU-SAN算法是提取角点特征的小核值相似区的方法，该算法对低层次图像处理有较好的适用性和可靠性。
详细地，所述预设的背景图为一个白色的图像，将所述参考工件图像映射到所述背景图上，并且将所述圆形模板在映射了所述参考工件图像的背景图上进行遍历搜索，将所述圆形模板与所述参考工件图像中相交的部分作为角点图像输出。
具体地，所述利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，包括：
所述预设的角特征提取公式为：
Figure 972087DEST_PATH_IMAGE001
其中，
Figure 228756DEST_PATH_IMAGE002
为所述角点特征数据，
Figure 255486DEST_PATH_IMAGE003
为区分特征目标与背景的阈值，
Figure 939409DEST_PATH_IMAGE004
为预设像素点，
Figure 435112DEST_PATH_IMAGE005
为目标像素点，
Figure 744740DEST_PATH_IMAGE006
为所述预设像素点周围的像素个数，
Figure 642288DEST_PATH_IMAGE007
为所述目标像素点周围的像素个数。
详细地，角点是图像中目标边缘上发生了剧烈曲率变化的一些像素点，通过识别出角点图像中的角点特征数据，可以更精准的进行后续的图像处理。
S3、基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果。
本发明实施例中，所述基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果，包括：
根据所述角点特征数据获取所述参考工件图像的相关参数，并利用预设的适应公式计算所述参考工件图像的适应度值；
当所述参考工件图像的适应度值大于预设适应阈值时，计算所述参考工件图像的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为劣质；
若存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为优质。
详细地，所述参考工件图像的相关参数包括但不限于所述角点特征数据，根据所述角点特征数据获取的到更多相关的特征数据，并将特征数据进行汇总，得到相关参数。
具体地，所述利用预设的适应公式计算所述参考工件图像的适应度值，包括：
所述预设的适应公式包括：
Figure 497112DEST_PATH_IMAGE037
其中，
Figure 729379DEST_PATH_IMAGE038
表示所述参考工件图像的适应度值，
Figure 593430DEST_PATH_IMAGE010
表示第
Figure 329174DEST_PATH_IMAGE011
个所述参考工件图像在t次迭代时的位置，
Figure 620478DEST_PATH_IMAGE012
为步长因子，
Figure 90773DEST_PATH_IMAGE013
表示点对点的乘法，
Figure 742203DEST_PATH_IMAGE014
表示莱维飞行随机搜索路径，
Figure 83186DEST_PATH_IMAGE015
为预设参数。
进一步地，所述计算所述参考工件图像的适应变化率，包括：
计算所述参考工件图像在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
具体地，所述预设的变化率公式包括：
Figure 794659DEST_PATH_IMAGE039
其中，
Figure 752250DEST_PATH_IMAGE017
为所述适应变化率，
Figure 692525DEST_PATH_IMAGE040
为所述第一适应度值，
Figure 668440DEST_PATH_IMAGE041
为所述第二适应度值，
Figure 301546DEST_PATH_IMAGE020
为所述第一迭代数，
Figure 730123DEST_PATH_IMAGE021
为所述第二迭代数，L为预设参考位置。
S4、对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果。
本发明实施例中，所述第二质量检测一般是指表面质量检测，其中，所述表面质量检测主要涉及表面粗糙度、划痕、裂痕、锈斑。
具体地，所述对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，包括：
提取出所述参考工件图像数据中的多个图像像素点，并任意选取多个所述图像像素点中的任意一个图像像素点作为目标像素点；
基于预设的横向梯度公式和纵向梯度公式计算所述目标像素点对应的横向梯度值和纵向梯度值，根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值；
遍历多个所述图像像素点，直至计算出多个所述图像像素点对应的最终梯度值；
获取预先设定的梯度阈值，分别将多个所述图像像素点对应的最终梯度值与所述梯度阈值进行比较，将大于或者等于所述最终梯度阈值的所述图像像素点设置为第一参考值，得到变换图像；
将所述变换图像中的各个像素点与所述参考工件图像数据中的各个像素点进行相加处理，得到锐化工件图像。
进一步地，所述预设的横向梯度公式为：
Figure 208508DEST_PATH_IMAGE022
其中，
Figure 320821DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 108517DEST_PATH_IMAGE024
表示横坐标方向，
Figure 775122DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 306466DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 7706DEST_PATH_IMAGE027
表示连续向量。
具体地，所述纵向梯度公式为：
Figure 717036DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值，
Figure 335186DEST_PATH_IMAGE024
表示横坐标方向，
Figure 686532DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 225967DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 371778DEST_PATH_IMAGE027
表示连续向量。
进一步地，所述根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值，包括：
Figure 262242DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
表示所述最终梯度值，
Figure 73072DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 748904DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值。
具体地，所述分别计算所述锐化工件图像对应的纹理度和粗糙度，包括：
利用预设的梯度计算公式计算得到所述锐化工件图像对应的梯度值，将所述梯度值与预设纹理值进行相加计算，得到纹理度；
利用预设的粗糙度公式计算得到所述锐化工件图像对应的粗糙度。
进一步地，所述预设的梯度计算公式为：
Figure 800037DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
为工件的梯度方向，
Figure 381060DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 792318DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值。
优选地，在本方案中，所述预设纹理值为
Figure 588236DEST_PATH_IMAGE048
，将所述梯度值与预设纹理值进行相加计算，得到纹理度为（
Figure DEST_PATH_IMAGE049
）。
具体地，所述预设的粗糙度公式为：
Figure 262800DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
为所述粗糙度，
Figure 65540DEST_PATH_IMAGE052
为预设评定长度，
Figure 765642DEST_PATH_IMAGE045
表示所述最终梯度值。
具体地，所述基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果，包括：
将所述纹理度和所述粗糙度与预设的评定等级表中的参考区间进行比较；
当所述纹理度不属于所述参考区间且所述粗糙度不属于所述参考区间时，将所述第二质量检测结果输出为劣质；
当所述纹理度或者所述粗糙度中的任意一个不属于所述参考区间时，将所述第二质量检测结果输出为良好；
所述纹理度属于所述参考区间且所述粗糙度属于所述参考区间时，将所述第二质量检测结果输出为优质。
详细地，所述评定等级表是根据历史工件的各项数据进行统计和分析汇总所得，用于参考和评定。
S5、对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
本发明实施例中，对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果，其中，所述最终结果评定可以是通过比较第一质量检测结果和第二质量检测结果是否一致，若一致则将一致的结果作为最终工件质量检测结果，若不一致则对不同结果设定不同的权重系数并进行计算，根据计算得到的结果进行评定。也可以采用人工智能模型进行最终结果评定，其中，所述人工智能模型可以为卷积神经网络模型等。
本发明实施例中，通过工件图像采集装置采集预设传送带上的参考工件图像，所述工件图像采集装置可以实现高效且精准的图像采集，将所述参考工件图像转换为角点图像并提取出所述角点图像中的角点特征数据，避免其他外界因素对图像的影响，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果。对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，所述锐化处理可以提高所述锐化工件图像的清晰度，计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，提高了表面质量检测的准确度，得到第二质量检测结果，并对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果，使得得到的最终工件质量检测结果更准确。因此本发明提出的工件质量智能检测方法可以解决工件质量智能检测的准确度较低的问题。
如图2所示，是本发明一实施例提供的工件质量智能检测装置的功能模块图。
本发明所述工件质量智能检测装置100可以安装于电子设备中。根据实现的功能，所述工件质量智能检测装置100可以包括图像采集模块101、第一质量检测模块102、第二质量检测模块103及最终结果评定模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像采集模块101，用于获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
所述第一质量检测模块102，用于获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
所述第二质量检测模块103，用于对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
所述最终结果评定模块104，用于对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
详细地，所述工件质量智能检测装置100各模块的具体实施方式如下：
步骤一、获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像。
本发明实施例中，多个所述图像采集相关模块包括但不限于传送模块、延时模块、数据采集模块和图像采集模块等。其中，本方案中的传送模块为传送带，传送带上放着多个工件，图像采集模块可以为镜头，延时模块可以为长延时模块。本方案采用CCD异步复位模式来采集图像，利用光电传感器对工件快速触发，通过精确地延时保证图像采集与工件到达视场中心的时刻同步。
其中，工件是指制造过程中的一个产品部件，在流水线作业中通常放置在传送带上进行传输，由于人们对机械产品的质量和检测方法提出更高的要求，因此需要对工件进行智能检测，首先要做的就是采集工件对应的图像，图像的采集质量将直接影响到后续的图像处理和分析，关系到工件是否正确定位以及工件表面质量检测的正确性。
具体地，所述利用所述工件图像采集装置采集预设传送带上的参考工件图像，包括：
获取所述预设传送带的恒定速度和延时距离，基于所述恒定速度和所述延时距离计算得到延时时间和定位精度；
利用所述工件图像采集装置中的延时模块延迟所述延时时间，以所述定位精度进行工件定位，得到参考工件图像。
详细地，所述传送带上传送着多个待识别的工件。所述工件包括但不限于制件、作件、五金件等，所述定位精度显示了装置对被测工件的定位能力，其中，所述定位精度越小，表示装置的定位精度越高，越有利于图像处理分析。
进一步地，所述基于所述恒定速度和所述延时距离计算得到延时时间和定位精度，包括：
根据预设的延时时间计算公式和定位精度计算公式计算得到延时时间和定位精度。
具体地，所述预设的延时时间计算公式为：
Figure 150487DEST_PATH_IMAGE028
其中，
Figure 58269DEST_PATH_IMAGE029
为延时时间，
Figure 161355DEST_PATH_IMAGE030
为延时距离，
Figure 914416DEST_PATH_IMAGE031
为所述传送带的速度。
进一步地，所述定位精度计算公式为：
Figure 153767DEST_PATH_IMAGE032
其中，
Figure 966871DEST_PATH_IMAGE033
为所述定位精度，
Figure 557253DEST_PATH_IMAGE031
为所述传送带的速度，
Figure 864737DEST_PATH_IMAGE034
为所述传送带的速度变化量，
Figure 739021DEST_PATH_IMAGE035
为接近传感器的响应时间，
Figure 739338DEST_PATH_IMAGE036
为定时计数器的最小延时单位。
步骤二、获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据。
本发明实施例中，所述预设大小的圆形模板为SU-SAN算法中的圆形模板，所述SU-SAN算法是提取角点特征的小核值相似区的方法，该算法对低层次图像处理有较好的适用性和可靠性。
详细地，所述预设的背景图为一个白色的图像，将所述参考工件图像映射到所述背景图上，并且将所述圆形模板在映射了所述参考工件图像的背景图上进行遍历搜索，将所述圆形模板与所述参考工件图像中相交的部分作为角点图像输出。
具体地，所述利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，包括：
所述预设的角特征提取公式为：
Figure 285857DEST_PATH_IMAGE001
其中，
Figure 911880DEST_PATH_IMAGE002
为所述角点特征数据，
Figure 860244DEST_PATH_IMAGE003
为区分特征目标与背景的阈值，
Figure 15151DEST_PATH_IMAGE004
为预设像素点，
Figure 314545DEST_PATH_IMAGE005
为目标像素点，
Figure 213100DEST_PATH_IMAGE006
为所述预设像素点周围的像素个数，
Figure 547129DEST_PATH_IMAGE007
为所述目标像素点周围的像素个数。
详细地，角点是图像中目标边缘上发生了剧烈曲率变化的一些像素点，通过识别出角点图像中的角点特征数据，可以更精准的进行后续的图像处理。
步骤三、基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果。
本发明实施例中，所述基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果，包括：
根据所述角点特征数据获取所述参考工件图像的相关参数，并利用预设的适应公式计算所述参考工件图像的适应度值；
当所述参考工件图像的适应度值大于预设适应阈值时，计算所述参考工件图像的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为劣质；
若存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为优质。
详细地，所述参考工件图像的相关参数包括但不限于所述角点特征数据，根据所述角点特征数据获取的到更多相关的特征数据，并将特征数据进行汇总，得到相关参数。
具体地，所述利用预设的适应公式计算所述参考工件图像的适应度值，包括：
所述预设的适应公式包括：
Figure 889249DEST_PATH_IMAGE053
其中，
Figure 659627DEST_PATH_IMAGE054
表示所述参考工件图像的适应度值，
Figure 847026DEST_PATH_IMAGE055
表示第
Figure 296549DEST_PATH_IMAGE056
个所述参考工件图像在t次迭代时的位置，
Figure 543990DEST_PATH_IMAGE012
为步长因子，
Figure 801665DEST_PATH_IMAGE013
表示点对点的乘法，
Figure 58334DEST_PATH_IMAGE014
表示莱维飞行随机搜索路径，
Figure 85065DEST_PATH_IMAGE015
为预设参数。
进一步地，所述计算所述参考工件图像的适应变化率，包括：
计算所述参考工件图像在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
具体地，所述预设的变化率公式包括：
Figure 768987DEST_PATH_IMAGE057
其中，
Figure 264690DEST_PATH_IMAGE017
为所述适应变化率，
Figure 574318DEST_PATH_IMAGE058
为所述第一适应度值，
Figure 471867DEST_PATH_IMAGE059
为所述第二适应度值，
Figure 310379DEST_PATH_IMAGE020
为所述第一迭代数，
Figure 558957DEST_PATH_IMAGE021
为所述第二迭代数，L为预设参考位置。
步骤四、对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果。
本发明实施例中，所述第二质量检测一般是指表面质量检测，其中，所述表面质量检测主要涉及表面粗糙度、划痕、裂痕、锈斑。
具体地，所述对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，包括：
提取出所述参考工件图像数据中的多个图像像素点，并任意选取多个所述图像像素点中的任意一个图像像素点作为目标像素点；
基于预设的横向梯度公式和纵向梯度公式计算所述目标像素点对应的横向梯度值和纵向梯度值，根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值；
遍历多个所述图像像素点，直至计算出多个所述图像像素点对应的最终梯度值；
获取预先设定的梯度阈值，分别将多个所述图像像素点对应的最终梯度值与所述梯度阈值进行比较，将大于或者等于所述最终梯度阈值的所述图像像素点设置为第一参考值，得到变换图像；
将所述变换图像中的各个像素点与所述参考工件图像数据中的各个像素点进行相加处理，得到锐化工件图像。
进一步地，所述预设的横向梯度公式为：
Figure 891850DEST_PATH_IMAGE022
其中，
Figure 893173DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 184477DEST_PATH_IMAGE024
表示横坐标方向，
Figure 904040DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 40623DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 912764DEST_PATH_IMAGE027
表示连续向量。
具体地，所述纵向梯度公式为：
Figure 624237DEST_PATH_IMAGE042
其中，
Figure 50670DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值，
Figure 522103DEST_PATH_IMAGE024
表示横坐标方向，
Figure 232439DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 599966DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 294122DEST_PATH_IMAGE027
表示连续向量。
进一步地，所述根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值，包括：
Figure 38087DEST_PATH_IMAGE044
其中，
Figure 884820DEST_PATH_IMAGE045
表示所述最终梯度值，
Figure 672516DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 73542DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值。
具体地，所述分别计算所述锐化工件图像对应的纹理度和粗糙度，包括：
利用预设的梯度计算公式计算得到所述锐化工件图像对应的梯度值，将所述梯度值与预设纹理值进行相加计算，得到纹理度；
利用预设的粗糙度公式计算得到所述锐化工件图像对应的粗糙度。
进一步地，所述预设的梯度计算公式为：
Figure 870466DEST_PATH_IMAGE046
其中，
Figure 306126DEST_PATH_IMAGE047
为工件的梯度方向，
Figure 281035DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 684204DEST_PATH_IMAGE043
为所述目标像素点对应的纵向梯度值。
优选地，在本方案中，所述预设纹理值为
Figure 769971DEST_PATH_IMAGE048
，将所述梯度值与预设纹理值进行相加计算，得到纹理度为（
Figure DEST_PATH_IMAGE060
）。
具体地，所述预设的粗糙度公式为：
Figure 778248DEST_PATH_IMAGE050
其中，
Figure 924058DEST_PATH_IMAGE051
为所述粗糙度，
Figure 548943DEST_PATH_IMAGE052
为预设评定长度，
Figure 172823DEST_PATH_IMAGE045
表示所述最终梯度值。
具体地，所述基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果，包括：
将所述纹理度和所述粗糙度与预设的评定等级表中的参考区间进行比较；
当所述纹理度不属于所述参考区间且所述粗糙度不属于所述参考区间时，将所述第二质量检测结果输出为劣质；
当所述纹理度或者所述粗糙度中的任意一个不属于所述参考区间时，将所述第二质量检测结果输出为良好；
所述纹理度属于所述参考区间且所述粗糙度属于所述参考区间时，将所述第二质量检测结果输出为优质。
详细地，所述评定等级表是根据历史工件的各项数据进行统计和分析汇总所得，用于参考和评定。
步骤五、对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
本发明实施例中，对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果，其中，所述最终结果评定可以是通过比较第一质量检测结果和第二质量检测结果是否一致，若一致则将一致的结果作为最终工件质量检测结果，若不一致则对不同结果设定不同的权重系数并进行计算，根据计算得到的结果进行评定。也可以采用人工智能模型进行最终结果评定，其中，所述人工智能模型可以为卷积神经网络模型等。
本发明实施例中，通过工件图像采集装置采集预设传送带上的参考工件图像，所述工件图像采集装置可以实现高效且精准的图像采集，将所述参考工件图像转换为角点图像并提取出所述角点图像中的角点特征数据，避免其他外界因素对图像的影响，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果。对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，所述锐化处理可以提高所述锐化工件图像的清晰度，计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，提高了表面质量检测的准确度，得到第二质量检测结果，并对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果，使得得到的最终工件质量检测结果更准确。因此本发明提出的工件质量智能检测装置可以解决工件质量智能检测的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现工件质量智能检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如工件质量智能检测程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如工件质量智能检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如工件质量智能检测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的工件质量智能检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据；
基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据；
基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种工件质量智能检测方法，其特征在于，所述方法包括：
获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，其中所述预设的角特征提取公式为
Figure 100567DEST_PATH_IMAGE001
其中，
Figure 1396DEST_PATH_IMAGE002
为所述角点特征数据，
Figure 453237DEST_PATH_IMAGE003
为区分特征目标与背景的阈值，
Figure 582867DEST_PATH_IMAGE004
为预设像素点，
Figure 584190DEST_PATH_IMAGE005
为目标像素点，
Figure 344335DEST_PATH_IMAGE006
为所述预设像素点周围的像素个数，
Figure 532740DEST_PATH_IMAGE007
为所述目标像素点周围的像素个数；
基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
2.如权利要求1所述的工件质量智能检测方法，其特征在于，所述基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果，包括：
根据所述角点特征数据获取所述参考工件图像的相关参数，并利用预设的适应公式计算所述参考工件图像的适应度值；
当所述参考工件图像的适应度值大于预设适应阈值时，计算所述参考工件图像的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为劣质；
若存在小于固定阈值的适应变化率，确定所述参考工件图像的第一质量结果为优质。
3.如权利要求2所述的工件质量智能检测方法，其特征在于，所述利用预设的适应公式计算所述参考工件图像的适应度值，包括：
所述预设的适应公式包括：
Figure 669323DEST_PATH_IMAGE008
其中，
Figure 56311DEST_PATH_IMAGE009
表示所述参考工件图像的适应度值，
Figure 784096DEST_PATH_IMAGE010
表示第
Figure 210529DEST_PATH_IMAGE011
个所述参考工件图像在t次迭代时的位置，
Figure 931229DEST_PATH_IMAGE012
为步长因子，
Figure 126718DEST_PATH_IMAGE013
表示点对点的乘法，
Figure 290984DEST_PATH_IMAGE014
表示莱维飞行随机搜索路径，
Figure 250718DEST_PATH_IMAGE015
为预设参数。
4.如权利要求2所述的工件质量智能检测方法，其特征在于，所述计算所述参考工件图像的适应变化率，包括：
计算所述参考工件图像在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
5.如权利要求4所述的工件质量智能检测方法，其特征在于，所述预设的变化率公式包括：
Figure 197946DEST_PATH_IMAGE016
其中，
Figure 575837DEST_PATH_IMAGE017
为所述适应变化率，
Figure 832375DEST_PATH_IMAGE018
为所述第一适应度值，
Figure 295718DEST_PATH_IMAGE019
为所述第二适应度值，
Figure 561483DEST_PATH_IMAGE020
为所述第一迭代数，
Figure 528302DEST_PATH_IMAGE021
为所述第二迭代数，L为预设参考位置。
6.如权利要求1所述的工件质量智能检测方法，其特征在于，所述对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，包括：
提取出所述参考工件图像数据中的多个图像像素点，并任意选取多个所述图像像素点中的任意一个图像像素点作为目标像素点；
基于预设的横向梯度公式和纵向梯度公式计算所述目标像素点对应的横向梯度值和纵向梯度值，根据所述横向梯度值和所述纵向梯度值计算得到所述目标像素点的最终梯度值；
遍历多个所述图像像素点，直至计算出多个所述图像像素点对应的最终梯度值；
获取预先设定的梯度阈值，分别将多个所述图像像素点对应的最终梯度值与所述梯度阈值进行比较，将大于或者等于所述最终梯度阈值的所述图像像素点设置为第一参考值，得到变换图像；
将所述变换图像中的各个像素点与所述参考工件图像数据中的各个像素点进行相加处理，得到锐化工件图像。
7.如权利要求6所述的工件质量智能检测方法，其特征在于，所述预设的横向梯度公式为：
Figure 972052DEST_PATH_IMAGE022
其中，
Figure 906379DEST_PATH_IMAGE023
为所述目标像素点对应的横向梯度值，
Figure 460989DEST_PATH_IMAGE024
表示横坐标方向，
Figure 282314DEST_PATH_IMAGE025
表示纵坐标方向，
Figure 208551DEST_PATH_IMAGE026
表示预设横向参考值，n表示预设纵向参考值，
Figure 584168DEST_PATH_IMAGE027
表示连续向量。
8.如权利要求1所述的工件质量智能检测方法，其特征在于，所述分别计算所述锐化工件图像对应的纹理度和粗糙度，包括：
利用预设的梯度计算公式计算得到所述锐化工件图像对应的梯度值，将所述梯度值与预设纹理值进行相加计算，得到纹理度；
利用预设的粗糙度公式计算得到所述锐化工件图像对应的粗糙度。
9.如权利要求1所述的工件质量智能检测方法，其特征在于，所述利用所述工件图像采集装置采集预设传送带上的参考工件图像，包括：
获取所述预设传送带的恒定速度和延时距离，基于所述恒定速度和所述延时距离计算得到延时时间和定位精度；
利用所述工件图像采集装置中的延时模块延迟所述延时时间，以所述定位精度进行工件定位，得到参考工件图像。
10.一种工件质量智能检测装置，其特征在于，所述装置包括：
图像采集模块，用于获取多个图像采集相关模块，根据多个所述图像采集相关模块构建工件图像采集装置，利用所述工件图像采集装置采集预设传送带上的参考工件图像；
第一质量检测模块，用于获取预设大小的圆形模板和预设的背景图，将所述参考工件图像映射至所述背景图中并利用所述圆形模板对所述映射所述参考工件图像的背景图进行模板遍历处理，得到角点图像，利用预设的角特征提取公式识别出所述角点图像中的角点特征数据，基于布谷鸟算法和所述角点特征数据对所述参考工件图像进行质量评价，得到第一质量结果；
第二质量检测模块，用于对所述参考工件图像数据进行图像锐化处理，得到锐化工件图像，分别计算所述锐化工件图像对应的纹理度和粗糙度，基于所述纹理度和所述粗糙度进行第二质量检测，得到第二质量检测结果；
最终结果评定模块，用于对所述第一质量检测结果和所述第二质量检测结果进行最终结果评定，得到最终工件质量检测结果。
CN202210605025.9A 2022-05-31 2022-05-31 工件质量智能检测方法、装置 Active CN114693678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605025.9A CN114693678B (zh) 2022-05-31 2022-05-31 工件质量智能检测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605025.9A CN114693678B (zh) 2022-05-31 2022-05-31 工件质量智能检测方法、装置

Publications (2)

Publication Number Publication Date
CN114693678A true CN114693678A (zh) 2022-07-01
CN114693678B CN114693678B (zh) 2022-10-14

Family

ID=82131099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605025.9A Active CN114693678B (zh) 2022-05-31 2022-05-31 工件质量智能检测方法、装置

Country Status (1)

Country Link
CN (1) CN114693678B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563286A (zh) * 2023-07-11 2023-08-08 深圳市惠德贵科技开发有限公司 一种移动硬盘盒生产质量快速检测系统
CN116611746A (zh) * 2023-07-20 2023-08-18 深圳华龙讯达信息技术股份有限公司 一种基于工业互联网的产品质量管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680286A (zh) * 2016-12-20 2017-05-17 深圳信息职业技术学院 一种基于机器视觉的激光加工系统及方法
CN110197479A (zh) * 2019-05-23 2019-09-03 中国科学院力学研究所 一种表面改性质量检测方法
CN110660131A (zh) * 2019-09-24 2020-01-07 宁波大学 一种基于深度背景建模的虚拟视点空洞填补方法
CN113643280A (zh) * 2021-08-30 2021-11-12 燕山大学 一种基于计算机视觉的板材分拣系统及方法
CN113888510A (zh) * 2021-09-30 2022-01-04 深圳中科飞测科技股份有限公司 检测方法、检测装置、检测设备及计算机可读存储介质
CN113989233A (zh) * 2021-10-28 2022-01-28 太原理工大学 基于图像的零件表面粗糙度支持向量机检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680286A (zh) * 2016-12-20 2017-05-17 深圳信息职业技术学院 一种基于机器视觉的激光加工系统及方法
CN110197479A (zh) * 2019-05-23 2019-09-03 中国科学院力学研究所 一种表面改性质量检测方法
CN110660131A (zh) * 2019-09-24 2020-01-07 宁波大学 一种基于深度背景建模的虚拟视点空洞填补方法
CN113643280A (zh) * 2021-08-30 2021-11-12 燕山大学 一种基于计算机视觉的板材分拣系统及方法
CN113888510A (zh) * 2021-09-30 2022-01-04 深圳中科飞测科技股份有限公司 检测方法、检测装置、检测设备及计算机可读存储介质
CN113989233A (zh) * 2021-10-28 2022-01-28 太原理工大学 基于图像的零件表面粗糙度支持向量机检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢先武等: "一种面向机器人分拣的杂乱工件视觉检测识别方法", 《高技术通讯》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563286A (zh) * 2023-07-11 2023-08-08 深圳市惠德贵科技开发有限公司 一种移动硬盘盒生产质量快速检测系统
CN116563286B (zh) * 2023-07-11 2023-09-15 深圳市惠德贵科技开发有限公司 一种移动硬盘盒生产质量快速检测系统
CN116611746A (zh) * 2023-07-20 2023-08-18 深圳华龙讯达信息技术股份有限公司 一种基于工业互联网的产品质量管理方法
CN116611746B (zh) * 2023-07-20 2024-01-09 深圳华龙讯达信息技术股份有限公司 一种基于工业互联网的产品质量管理方法

Also Published As

Publication number Publication date
CN114693678B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN114693678B (zh) 工件质量智能检测方法、装置
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN109800698A (zh) 基于深度网络的图标检测方法
CN112017986A (zh) 半导体产品缺陷检测方法、装置、电子设备及存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN113920117B (zh) 一种面板缺陷区域检测方法、装置、电子设备及存储介质
CN111914939A (zh) 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN113554008B (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN115984662B (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112528908A (zh) 活体检测方法、装置、电子设备及存储介质
CN114241338A (zh) 基于影像识别的建筑物测量方法、装置、设备及存储介质
CN113657385B (zh) 一种电子计量装置的数据检测方法、装置及电子设备
CN112862703A (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN116137061B (zh) 数量统计模型的训练方法、装置、电子设备及存储介质
CN114240924A (zh) 一种基于数字化技术的电网设备质量评估方法
CN115798004A (zh) 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN114037700A (zh) 面板缺陷检测方法、装置、电子设备及存储介质
CN113920269A (zh) 工程进度获取方法、装置、电子设备及介质
CN112541899A (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质
CN116452655B (zh) 一种应用于mpis工控主板的贴合定位方法、装置、设备及介质
CN114708230B (zh) 基于图像分析的车架质量检测方法、装置、设备及介质
CN112730427B (zh) 一种基于机器视觉的产品表面缺陷检测方法及系统
CN112132140B (zh) 基于人工智能的车品牌识别方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220701

Assignee: Shenzhen Futaihe Precision Manufacturing Co.,Ltd.

Assignor: WUHAN DONGFANG JUNCHI PRECISION MANUFACTURING CO.,LTD.

Contract record no.: X2023420000303

Denomination of invention: Intelligent detection method and device for workpiece quality

Granted publication date: 20221014

License type: Common License

Record date: 20230928