CN117197144B - 基于人工智能的主机外壳质量检测方法 - Google Patents

Abstract

本发明涉及主机外壳质量检测技术领域，具体涉及基于人工智能的主机外壳质量检测方法。方法包括：获取主机外壳的表面图像及标记像素点；根据标记像素点与其对应的窗口内其它像素点的灰度差异得到混乱值；根据标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、灰度值和混乱值得到相似度；根据标记像素点对应的窗口内其它标记像素点对应的混乱值、标记像素点与其对应的窗口内其它标记像素点的距离以及相似度，筛选关键点；基于表面图像和模板图像中关键点的位置获得旋转后的图像；将旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对主机外壳的质量进行判断。本发明提高了主机外壳质量检测结果的准确度。

Description

基于人工智能的主机外壳质量检测方法

技术领域

本发明涉及主机外壳质量检测技术领域，具体涉及基于人工智能的主机外壳质量检测方法。

背景技术

微型电脑主机外壳质量检测是保证产品质量和性能的重要环节，其中包括对外壳的表面质量、尺寸精度、装配质量等进行检测。待测主机外壳质量检测一般是将待测主机外壳的表面图像的图像特征与模板图像的图像特征进行匹配，基于匹配结果来判断待测主机外壳的质量。

在采用方向梯度直方图算法来对图像中的特征进行提取时，由于待测主机外壳在进行图像采集时待测主机的摆放位置可能会存在一定的差异，且将待测主机外壳放到传送带上进行传输时可能会存在轻微的抖动，因此会导致采集到的待测主机外壳的表面图像与模板图像存在一定的角度差，导致待测主机外壳的表面图像的图像特征与模板图像的图像特征的匹配结果存在一定误差，进而使得待测主机外壳的质量检测结果的准确度较低。

发明内容

为了解决现有方法采集到的待测主机外壳的表面图像与模板图像存在一定的角度差，进而导致在对待测主机外壳的质量进行检测时存在检测结果准确度较低的问题，本发明的目的在于提供一种基于人工智能的主机外壳质量检测方法，所采用的技术方案具体如下：

本发明提供了一种基于人工智能的主机外壳质量检测方法，该方法包括以下步骤：

获取待测主机外壳的表面图像及待测主机外壳的表面图像中的标记像素点；

分别以所述表面图像中各标记像素点为中心点，构建各标记像素点对应的窗口；根据各标记像素点与其对应的窗口内其它像素点的灰度差异，得到各标记像素点对应的混乱值；根据各标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、各标记像素点的灰度值以及各标记像素点对应的混乱值，得到各标记像素点对应的相似度；

根据各标记像素点对应的窗口内其它标记像素点对应的混乱值、各标记像素点与其对应的窗口内其它标记像素点的相对距离、各标记像素点对应的相似度，得到各标记像素点的重要程度；基于所述重要程度筛选所述表面图像中的关键点；

基于所述表面图像中的关键点的位置分布和模板图像中的关键点的位置分布，对所述表面图像进行角度旋转获得旋转后的图像；将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对待测主机外壳的质量进行判断。

优选的，所述根据各标记像素点与其对应的窗口内其它像素点的灰度差异，得到各标记像素点对应的混乱值，包括：

对于第i个标记像素点：

分别将第i个标记像素点的灰度值与其对应的窗口内其它各像素点的灰度值的差值的平方，作为第i个标记像素点与其对应的窗口内其它各像素点的灰度差异；

将第i个标记像素点与其对应的窗口内其它所有像素点的灰度差异的平均值的算术平方根，确定为第i个标记像素点对应的混乱值。

优选的，所述根据各标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、各标记像素点的灰度值以及各标记像素点对应的混乱值，得到各标记像素点对应的相似度，包括：

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它所有像素点的颜色通道值的差异的均值，记为第i个标记像素点对应的差异指标；

根据第i个标记像素点对应的混乱值、灰度值以及所述差异指标，获得第i个标记像素点对应的相似度。

优选的，采用如下公式计算第i个标记像素点对应的相似度：

其中,表示第i个标记像素点对应的相似度，/>表示第i个标记像素点的灰度值，表示第i个标记像素点对应的混乱值，/>表示第i个标记像素点的第c个颜色通道值，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第/>个像素点的第c个颜色通道值，C表示颜色通道的数量，L表示第i个标记像素点对应的窗口内其它像素点的数量，exp( )表示以自然常数为底数的指数函数，/>为取绝对值符号。

优选的，所述根据各标记像素点对应的窗口内其它标记像素点对应的混乱值、各标记像素点与其对应的窗口内其它标记像素点的相对距离、各标记像素点对应的相似度，得到各标记像素点的重要程度，包括：

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它标记像素点的相对距离和对应的其它标记像素点对应的混乱值的比值，记为对应的其它标记像素点的第一比值；

根据第i个标记像素点对应的相似度、第i个标记像素点对应的窗口内除第i个标记像素点外其它各标记像素点对应的混乱值以及所述第一比值，得到第i个标记像素点的重要程度。

优选的，采用如下公式计算第i个标记像素点的重要程度：

其中，表示第i个标记像素点的重要程度，/>表示第i个标记像素点对应的相似度，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点对应的混乱值，J表示第i个标记像素点对应的窗口内除第i个标记像素点外的标记像素点的数量，/>表示第i个标记像素点的横坐标，/>表示第i个标记像素点的纵坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的横坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的纵坐标，exp( )表示以自然常数为底数的指数函数。

优选的，所述基于所述重要程度筛选所述表面图像中的关键点，包括：

按照重要程度从大到小的顺序对所述表面图像中的标记像素点进行排序，获得标记像素点序列；

将所述标记像素点序列中前预设数量个标记像素点确定为所述表面图像中的关键点。

优选的，所述基于所述表面图像中的关键点的位置分布和模板图像中的关键点的位置分布，对所述表面图像进行角度旋转获得旋转后的图像，包括：

在所述表面图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得第一关键点序列；第一关键点序列中相邻两个关键点构成一个向量，所述向量由相邻两个关键点中的前一个关键点指向后一个关键点；获取每个向量对应的方向与预设方向之间的夹角，作为特征夹角；

在所述模板图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得标准关键点序列；第一关键点序列中相邻两个关键点构成一个向量，所述向量由相邻两个关键点中的前一个关键点指向后一个关键点；获取每个向量对应的方向与预设方向之间的夹角，作为标准夹角；

将每个特征夹角与对应的标准夹角之间的差值，记为每个特征夹角的角度差值；将所有特征夹角的角度差值的平均值确定为所述表面图像的待旋转角度；

基于所述待旋转角度对所述表面图像进行旋转处理，获得旋转后的图像。

优选的，待测主机外壳的表面图像中的标记像素点的获取，包括：

对所述表面图像进行霍夫直线检测和霍夫圆检测，将直线和圆上的像素点均作为标记像素点。

优选的，所述将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对待测主机外壳的质量进行判断，包括：

将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果获得匹配成功率；旋转后的图像对应的图像特征和模板图像对应的图像特征是基于方向梯度直方图算法获取的；

若所述匹配成功率大于预设匹配成功率阈值，则判定待测主机外壳的质量合格；若所述匹配成功率小于或等于预设匹配成功率阈值，则判定待测主机外壳的质量不合格。

本发明至少具有如下有益效果：

本发明考虑到待测主机的摆放位置可能会存在一定的差异，且将待测主机外壳放到传送带上进行传输时可能会存在轻微的抖动，因此会导致采集到的待测主机外壳的表面图像与模板图像存在一定的角度差，进而影响待测主机外壳的质量检测结果，本发明首先获取了待测主机外壳的表面图像中的标记像素点，标记像素点更有可能为待测主机上的插口区域的像素点，本发明通过利用每个标记像素点的局部特征来描述每个标记像素点的细节丰富度，获得每个标记像素点对应的混乱值，进而将标记像素点对应的混乱值与主机固有特征相结合得到每个标记像素点的重要程度，利用固有特征得到的重要程度不会受到角度的影响，进而基于重要程度从所有标记像素点中筛选出关键点，基于待测主机外壳的表面图像中的关键点的位置分布和模板图像中的关键点的位置分布实现对待测图像的旋转，最后将旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，进而对待测主机外壳的质量进行判断，提高了主机外壳的质量检测准确度。

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为本发明实施例所提供的一种基于人工智能的主机外壳质量检测方法的流程图。

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主机外壳质量检测方法进行详细说明如下。

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。

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主机外壳质量检测方法的具体方案。

基于人工智能的主机外壳质量检测方法实施例：

本实施例所针对的具体场景为：在对待测微型电脑主机外壳质量进行检测时，一般会将待测微型电脑主机平放在传送带上，在传送带正上方或者侧方设置相机，相机镜头正对着待测主机进行图像拍摄，但是待测主机在传送带上的初始摆放位置可能存在一定的差异，且在传送带传输过程中，可能会伴随着轻微抖动，因此采集到的待测主机外壳的表面图像存在一定的角度差异，为了不影响后续的匹配结果，提高待测主机外壳的质量检测精度，本实施例基于待测主机外壳的表面图像的特征，从待测主机外壳的表面图像中提取关键点，进而基于待测主机外壳的表面图像中的关键点的位置分布和模板图像中的关键点的位置分布对待测主机外壳的表面图像进行一定角度的旋转，获得旋转后的图像，旋转后的图像与模板图像对应的角度几乎一致，因此本实施例将将旋转后的图像和模板图像进行匹配，基于匹配结果对待测主机外壳的质量进行判断。

本实施例提出了基于人工智能的主机外壳质量检测方法，如图1所示，本实施例的基于人工智能的主机外壳质量检测方法包括以下步骤：

步骤S1，获取待测主机外壳的表面图像及待测主机外壳的表面图像中的标记像素点。

本实施例将待测主机平放在传送带上，在传送带正上方或者侧方设置相机，相机镜头正对着待测主机对其表面进行图像拍摄，为了排除噪声对后续检测结果的影响，本实施例对拍摄到的图像进行去噪处理，获得去噪后的图像，将去噪后的图像记为待测主机外壳的表面图像。对图像进行去噪处理为现有技术，此处不再过多赘述。

对于主机外壳来说，除了插口和按钮处之外，主机上可能会有一些文字或者不太规则花纹来使主机外壳更加的美观，但是这些特征相对于必须存在的插口和按钮区域来说并不规则且种类太多，并没有过于重要的参考价值，因此不适合作为关键点。无论是什么类型的主机外壳，其表面均会附带USB接口以及键盘鼠标耳机等插孔，并且不同的插孔会有不同的颜色，键盘的插孔颜色是紫色的，PS/2键盘接口也是紫色的；PS/2鼠标的接口是绿色的，所以主板背后的PS/2孔位的颜色是绿色的，并且这些区域的图像特征也比较规则，方便用于检测。因此可以利用这些固有特征来筛选关键点用于后续的检测过程。

基于此，本实施例分别对待测主机外壳的表面图像进行霍夫直线检测和霍夫圆检测技术，获得待测主机外壳的表面图像中的直线和圆，对直线和圆上的每个像素点均进行标记，获得标记像素点，也即将直线和圆上的像素点均作为了标记像素点。霍夫直线检测和霍夫圆检测均为现有技术，此处不再过多赘述。

至此，本实施例获取了待测主机外壳的表面图像及待测主机外壳的表面图像中的标记像素点。

步骤S2，分别以所述表面图像中各标记像素点为中心点，构建各像素点对应的窗口；根据各标记像素点与其对应的窗口内其它像素点的灰度差异，得到各标记像素点对应的混乱值；根据各标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、各标记像素点的灰度值以及各标记像素点对应的混乱值，得到各标记像素点对应的相似度。

本实施例已经获取了待测主机外壳的表面图像中的标记像素点，标记像素点为关键点的可能性较大，本实施例需要寻找纹理复杂区域的像素点，而此类像素点与周围像素点之间的灰度值差距比较大，因此通过计算各个窗口像素点与中心像素点之间的差异值来对每个像素点特征进行描述，得到的结果越大，说明对应标记像素点所在区域越混乱。因此本实施例接下来将对标记像素点及其周围的像素点的分布特征进行分析，确定每个标记像素点对应的混乱值，用于表征标记像素点周围像素点的灰度分布情况。

具体地，分别以待测主机外壳的表面图像中的每个标记像素点为中心点，构建预设大小的窗口，并作为待测主机外壳的表面图像中每个标记像素点对应的窗口，本实施例中的预设大小为5*5，在具体应用中，实施者可根据具体情况进行设置。对于第i个标记像素点：分别将第i个标记像素点的灰度值与其对应的窗口内其它各像素点的灰度值的差值的平方，作为第i个标记像素点与其对应的窗口内其它各像素点的灰度差异；将第i个标记像素点与其对应的窗口内其它所有像素点的灰度差异的平均值的算术平方根，确定为第i个标记像素点对应的混乱值。第i个标记像素点对应的混乱值的具体计算公式为：

其中，为第i个标记像素点对应的混乱值，K为第i个标记像素点对应的窗口内像素点的数量，/>为第i个标记像素点的灰度值，/>为第i个标记像素点对应的窗口内第k个像素点的灰度值。

用于表征第i个标记像素点与其所在窗口内第k个像素点之间的灰度差异。当第i个标记像素点与其对应的窗口内的像素点之间的灰度差异越大时，说明第i个标记像素点周围像素点的灰度分布情况越混乱，第i个标记像素点对应的混乱值越大。

采用上述方法，能够获得每个标记像素点对应的混乱值。标记像素点混乱值越大，则说明此处包含的主机细节信息越多。

本实施例将根据每个标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、每个标记像素点的灰度值以及每个标记像素点对应的混乱值，确定每个标记像素点对应的相似度。

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它所有像素点的颜色通道值的差异的均值，记为第i个标记像素点对应的差异指标；根据第i个标记像素点对应的混乱值、灰度值以及所述差异指标，获得第i个标记像素点对应的相似度。第i个标记像素点对应的相似度的具体计算公式为：

其中,表示第i个标记像素点对应的相似度，/>表示第i个标记像素点的灰度值，表示第i个标记像素点对应的混乱值，/>表示第i个标记像素点的第c个颜色通道值，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第/>个像素点的第c个颜色通道值，C表示颜色通道的数量，L表示第i个标记像素点对应的窗口内其它像素点的数量，exp( )表示以自然常数为底数的指数函数，/>为取绝对值符号。

由于颜色通道分别为R通道、G通道和B通道，因此C的取值为3；表示第i个标记像素点对应的差异指标，若第i个标记像素点与其对应的窗口内其他标记像素点的颜色通道值的差异越大，则第i个标记像素点对应的差异指标越大。第i个标记像素点对应的相似度主要取决于第i个标记像素点对应的混乱值以及与周围像素点各颜色通道之间的平均差值，而第i个标记像素点的灰度值越大，说明第i个标记像素点越有可能是附带颜色的插口区域，因此将标记像素点自身的灰度值作为权重，灰度值越高得到的相似度越有意义。

采用上述方法，能够获得每个标记像素点对应的相似度。

步骤S3，根据各标记像素点对应的窗口内其它标记像素点对应的混乱值、各标记像素点与其对应的窗口内其它标记像素点的相对距离、各标记像素点对应的相似度，得到各标记像素点的重要程度；基于所述重要程度筛选所述表面图像中的关键点。

标记像素点对应的混乱值只能初步反映待测主机外壳的表面图像局部细节较多的位置，待测主机外壳的表面图像中有多个规则的圆形和矩形，这些圆形区域和矩形区域主要是主机外壳上的插口部分，是微型主机上必不可少的部分，相当于是此类图像的固有特征。因此可以通过混乱值较大的区域与固有特征区域像素点之间的关系来在图像中找到相应的关键点。关键点是处于纹理复杂的区域的像素点，并且是通过一些必不可少的区域来得到的，因此关键点并不会因为图像的角度发生了变化而被影响，基于此，本实施例通过将待测主机外壳的表面图像中的关键点和模板图像的关键点进行对比，从而得到对应的旋转角度，进而进行角度修正。

对于任一标记像素点，若其对应的窗口内不包含其他标记像素点，则说明该中心像素点距离固有特征距离较远，因此不适合作为关键点来进行后续操作。对于任一标记像素点，如果该标记像素点周围存在的标记像素点的数量越多，且这些标记像素点距离该标记像素点的距离越近，则说明该标记像素点的重要程度越高；该标记像素点对应的相似度越高，说明此处越有可能是插孔等重要特征处的像素点，该标记像素点的重要程度应当越高。因此本实施例接下来将根据每个标记像素点对应的窗口内其它标记像素点对应的混乱值、每个标记像素点与其对应的窗口内其它标记像素点的相对距离、每个标记像素点对应的相似度，确定每个标记像素点的重要程度。

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它标记像素点的相对距离和对应的其它标记像素点对应的混乱值的比值，记为对应的其它标记像素点的第一比值；根据第i个标记像素点对应的相似度、第i个标记像素点对应的窗口内除第i个标记像素点外其它各标记像素点对应的混乱值以及所述第一比值，得到第i个标记像素点的重要程度。第i个标记像素点的重要程度的计算公式为：

其中，表示第i个标记像素点的重要程度，/>表示第i个标记像素点对应的相似度，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点对应的混乱值，J表示第i个标记像素点对应的窗口内除第i个标记像素点外的标记像素点的数量，/>表示第i个标记像素点的横坐标，/>表示第i个标记像素点的纵坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的横坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的纵坐标，exp( )表示以自然常数为底数的指数函数。

表示第i个标记像素点与其对应的窗口内的第j个标记像素点的相对距离；/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的第一比值。当第i个标记像素点对应的相似度越大、第i个标记像素点对应的窗口内其他标记像素点对应的混乱值越大、第i个标记像素点与其对应的窗口内其他标记像素点的相对距离越小时，说明第i个标记像素点越可能为主机上插孔等重要特征处的像素点，也即第i个标记像素点的重要程度越大。

采用上述方法能够获得待测主机外壳的表面图像中每个标记像素点的重要程度，重要程度越大，说明对应标记像素点越可能为主机上插孔等重要特征处的像素点，因此本实施例按照重要程度从大到小的顺序对待测主机外壳的表面图像中的标记像素点进行排序，获得标记像素点序列；将标记像素点序列中前预设数量个标记像素点确定为所述表面图像中的关键点，也即基于标记像素点的重要程度，从所有标记像素点中获取了重要程度最大的预设数量个标记像素点，并将其作为了关键点。本实施例中的预设数量为100，在具体应用中，实施者可根据具体情况进行设置。

至此，本实施例对待测主机外壳的表面图像中的标记像素点进行了筛选，获取了关键点。

步骤S4，基于所述表面图像中的关键点的位置分布和模板图像中的关键点的位置分布，对所述表面图像进行角度旋转获得旋转后的图像；将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对待测主机外壳的质量进行判断。

本实施例在步骤S3中获取了待测主机外壳的表面图像中的关键点，类比待测主机外壳的表面图像中的关键点的获取方法，能够获得模板图像中的关键点。需要说明的是，模板图像中的关键点的数量与待测主机外壳的表面图像中的关键点的数量相等；本实施例中的模板图像为与待测主机同一型号且质量合格的主机的表面图像。

由于关键点是根据主机外壳中的固有特征来选取的，因此同一类型的主机外壳选取出来关键点的重要程度值是十分接近的，并且是不受图像角度影响的，因此在获得待测主机外壳的表面图像中的关键点和模板图像中的关键点之后，将待测主机外壳的表面图像中的关键点与模板图像中的关键点进行位置对比，可以得到待测主机外壳的表面图像的旋转角度，进而对待测主机外壳的表面图像进行角度旋转，获得旋转后的图像。

具体地，在所述表面图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得一个关键点序列，将该关键点序列记为第一关键点序列；第一关键点序列中相邻两个关键点构成一个向量，所述向量由相邻两个关键点中的前一个关键点指向后一个关键点，也即基于第一关键点序列中第一个关键点在图像中的位置和第二个关键点在图像中的位置获得了一个向量，该向量由第一个关键点指向第二个关键点；基于第一关键点序列中第二个关键点在图像中的位置和第三个关键点在图像中的位置获得了一个向量，该向量由第二个关键点指向第三个关键点；以此类推，基于第一关键点序列中倒数第二个关键点在图像中的位置和最后一个关键点在图像中的位置获得了一个向量，且该向量是由倒数第二个关键点指向最后一个关键点。获取每个向量对应的方向与预设方向之间的夹角，作为特征夹角；因此获得了多个特征夹角。在模板图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得标准关键点序列；第一关键点序列中相邻两个关键点构成一个向量，所述向量由相邻两个关键点中的前一个关键点指向后一个关键点；获取每个向量对应的方向与预设方向之间的夹角，作为标准夹角；因此获得了多个标准夹角，标准夹角的数量与特征夹角的数量相等。本实施例中的预设方向为水平向右的方向，预设顺序为从大到小的顺序，在具体应用中，预设方向和预设顺序实施者可根据具体情况进行设置。将每个特征夹角与对应的标准夹角之间的差值，记为每个特征夹角的角度差值；将所有特征夹角的角度差值的平均值确定为所述表面图像的待旋转角度。待旋转角度的计算公式具体为：

其中，A表示待旋转角度，R表示特征夹角的数量，表示第r个特征夹角，/>为第r个标准夹角；/>表示第r个特征夹角的角度差值。

在获得了待旋转角度之后，本实施例对待测主机外壳的表面图像进行旋转，其中待测主机外壳的表面图像的旋转角度为待旋转角度，获得旋转后的图像。旋转后的图像与模板图像基本处于同一角度。

方向梯度直方图具有良好的特征提取效果，但是该算法对于角度有着较弱的容错性，如果图像发生了一定的角度变化，那么得到的图像特征也会发生变化，因此需要对待测图像进行角度修正，使得待测主机外壳的表面图像和模板图像基本处于同一角度，此时使用方向梯度直方图得到的图像特征不再会受到角度的影响。

采用方向梯度直方图算法分别提取旋转后的图像对应的图像特征和模板图像对应的图像特征，方向梯度直方图算法为现有技术，此处不再过多赘述。将旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果获得匹配成功率。图像的匹配过程以及匹配成功率的获取方法均为现有技术，此处不再过多赘述。

若所述匹配成功率大于预设匹配成功率阈值，则判定待测主机外壳的质量合格；若所述匹配成功率小于或等于预设匹配成功率阈值，则判定待测主机外壳的质量不合格。本实施例的匹配成功率为0.7，在具体应用中，实施者可根据具体情况进行设置。

至此，采用本实施例提供的方法完成了对待测主机外壳的质量的检测，提高了检测结果的准确度。

本实施例考虑到待测主机的摆放位置可能会存在一定的差异，且将待测主机外壳放到传送带上进行传输时可能会存在轻微的抖动，因此会导致采集到的待测主机外壳的表面图像与模板图像存在一定的角度差，进而影响待测主机外壳的质量检测结果，本实施例首先获取了待测主机外壳的表面图像中的标记像素点，标记像素点更有可能为待测主机上的插口区域的像素点，本实施例通过利用每个标记像素点的局部特征来描述每个标记像素点的细节丰富度，获得每个标记像素点对应的混乱值，进而将标记像素点对应的混乱值与主机固有特征相结合得到每个标记像素点的重要程度，利用固有特征得到的重要程度不会受到角度的影响，进而基于重要程度从所有标记像素点中筛选出关键点，基于待测主机外壳的表面图像中的关键点的位置分布和模板图像中的关键点的位置分布实现对待测图像的旋转，最后将旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，进而对待测主机外壳的质量进行判断，提高了主机外壳的质量检测准确度。

需要说明的是：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)

1.一种基于人工智能的主机外壳质量检测方法，其特征在于，该方法包括以下步骤：

获取待测主机外壳的表面图像及待测主机外壳的表面图像中的标记像素点；

分别以所述表面图像中各标记像素点为中心点，构建各标记像素点对应的窗口；根据各标记像素点与其对应的窗口内其它像素点的灰度差异，得到各标记像素点对应的混乱值；根据各标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、各标记像素点的灰度值以及各标记像素点对应的混乱值，得到各标记像素点对应的相似度；

根据各标记像素点对应的窗口内其它标记像素点对应的混乱值、各标记像素点与其对应的窗口内其它标记像素点的相对距离、各标记像素点对应的相似度，得到各标记像素点的重要程度；基于所述重要程度筛选所述表面图像中的关键点；

基于所述表面图像中的关键点的位置分布和模板图像中的关键点的位置分布，对所述表面图像进行角度旋转获得旋转后的图像；将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对待测主机外壳的质量进行判断。

2.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述根据各标记像素点与其对应的窗口内其它像素点的灰度差异，得到各标记像素点对应的混乱值，包括：

对于第i个标记像素点：

分别将第i个标记像素点的灰度值与其对应的窗口内其它各像素点的灰度值的差值的平方，作为第i个标记像素点与其对应的窗口内其它各像素点的灰度差异；

将第i个标记像素点与其对应的窗口内其它所有像素点的灰度差异的平均值的算术平方根，确定为第i个标记像素点对应的混乱值。

3.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述根据各标记像素点与其对应的窗口内其它像素点的颜色通道值的差异、各标记像素点的灰度值以及各标记像素点对应的混乱值，得到各标记像素点对应的相似度，包括：

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它所有像素点的颜色通道值的差异的均值，记为第i个标记像素点对应的差异指标；

根据第i个标记像素点对应的混乱值、灰度值以及所述差异指标，获得第i个标记像素点对应的相似度。

4.根据权利要求3所述的基于人工智能的主机外壳质量检测方法，其特征在于，采用如下公式计算第i个标记像素点对应的相似度：

其中,表示第i个标记像素点对应的相似度，/>表示第i个标记像素点的灰度值，/>表示第i个标记像素点对应的混乱值，/>表示第i个标记像素点的第c个颜色通道值，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第/>个像素点的第c个颜色通道值，C表示颜色通道的数量，L表示第i个标记像素点对应的窗口内其它像素点的数量，exp( )表示以自然常数为底数的指数函数，/>为取绝对值符号。

5.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述根据各标记像素点对应的窗口内其它标记像素点对应的混乱值、各标记像素点与其对应的窗口内其它标记像素点的相对距离、各标记像素点对应的相似度，得到各标记像素点的重要程度，包括：

对于第i个标记像素点：

将第i个标记像素点与其对应的窗口内其它标记像素点的相对距离和对应的其它标记像素点对应的混乱值的比值，记为对应的其它标记像素点的第一比值；

根据第i个标记像素点对应的相似度、第i个标记像素点对应的窗口内除第i个标记像素点外其它各标记像素点对应的混乱值以及所述第一比值，得到第i个标记像素点的重要程度。

6.根据权利要求5所述的基于人工智能的主机外壳质量检测方法，其特征在于，采用如下公式计算第i个标记像素点的重要程度：

其中，表示第i个标记像素点的重要程度，/>表示第i个标记像素点对应的相似度，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点对应的混乱值，J表示第i个标记像素点对应的窗口内除第i个标记像素点外的标记像素点的数量，/>表示第i个标记像素点的横坐标，/>表示第i个标记像素点的纵坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的横坐标，/>表示第i个标记像素点对应的窗口内除第i个标记像素点外的第j个标记像素点的纵坐标，exp( )表示以自然常数为底数的指数函数。

7.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述基于所述重要程度筛选所述表面图像中的关键点，包括：

按照重要程度从大到小的顺序对所述表面图像中的标记像素点进行排序，获得标记像素点序列；

将所述标记像素点序列中前预设数量个标记像素点确定为所述表面图像中的关键点。

8.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述基于所述表面图像中的关键点的位置分布和模板图像中的关键点的位置分布，对所述表面图像进行角度旋转获得旋转后的图像，包括：

在所述表面图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得第一关键点序列；第一关键点序列中相邻两个关键点构成一个特征向量，所述特征向量由相邻两个关键点中的前一个关键点指向后一个关键点；获取每个特征向量对应的方向与预设方向之间的夹角，作为特征夹角；

在所述模板图像中，基于关键点的重要程度按照预设顺序将关键点进行排序获得标准关键点序列；标准关键点序列中相邻两个关键点构成一个标准向量，所述标准向量由相邻两个关键点中的前一个关键点指向后一个关键点；获取每个标准向量对应的方向与预设方向之间的夹角，作为标准夹角；

将每个特征夹角与对应的标准夹角之间的差值，记为每个特征夹角的角度差值；将所有特征夹角的角度差值的平均值确定为所述表面图像的待旋转角度；

基于所述待旋转角度对所述表面图像进行旋转处理，获得旋转后的图像。

9.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，待测主机外壳的表面图像中的标记像素点的获取，包括：

对所述表面图像进行霍夫直线检测和霍夫圆检测，将直线和圆上的像素点均作为标记像素点。

10.根据权利要求1所述的基于人工智能的主机外壳质量检测方法，其特征在于，所述将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果对待测主机外壳的质量进行判断，包括：

将所述旋转后的图像对应的图像特征和模板图像对应的图像特征进行匹配，基于匹配结果获得匹配成功率；旋转后的图像对应的图像特征和模板图像对应的图像特征是基于方向梯度直方图算法获取的；

若所述匹配成功率大于预设匹配成功率阈值，则判定待测主机外壳的质量合格；若所述匹配成功率小于或等于预设匹配成功率阈值，则判定待测主机外壳的质量不合格。