CN114820626B - 一种汽车前脸零件配置智能检测方法 - Google Patents

一种汽车前脸零件配置智能检测方法 Download PDF

Info

Publication number
CN114820626B
CN114820626B CN202210754641.0A CN202210754641A CN114820626B CN 114820626 B CN114820626 B CN 114820626B CN 202210754641 A CN202210754641 A CN 202210754641A CN 114820626 B CN114820626 B CN 114820626B
Authority
CN
China
Prior art keywords
image
standard
pixel points
detected
front part
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.)
Active
Application number
CN202210754641.0A
Other languages
English (en)
Other versions
CN114820626A (zh
Inventor
高路
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.)
Nantong Haosheng Automobile Technology Co ltd
Original Assignee
Nantong Haosheng Automobile Technology 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 Nantong Haosheng Automobile Technology Co ltd filed Critical Nantong Haosheng Automobile Technology Co ltd
Priority to CN202210754641.0A priority Critical patent/CN114820626B/zh
Publication of CN114820626A publication Critical patent/CN114820626A/zh
Application granted granted Critical
Publication of CN114820626B publication Critical patent/CN114820626B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉领域，具体涉及一种汽车前脸零件配置智能检测方法，通过对待检测汽车前脸零件图像和标准图像并进行图像预处理得到待检测区域图像和标准检测区域图像，获取标准检测区域图像的边缘像素点和关键像素点及其特征描述子，计算出标准检测区域图像中像素点的关注度，通过关注度对K‑SVD算法的损失函数修正，获取标准检测区域图像的字典矩阵和稀疏编码矩阵，使用标准检测区域的字典矩阵分解待检测区域图像的灰度矩阵得到待检测区域图像的稀疏编码矩阵，根据待检测区域图像的稀疏编码矩阵和标准检测区域图像的稀疏编码矩阵计算出待检测汽车前脸零件图像和标准图像的差异程度，根据差异程度判断是否合格，方法高效又精准。

Description

一种汽车前脸零件配置智能检测方法
技术领域
本申请涉及计算机视觉领域，具体涉及一种汽车前脸零件配置智能检测方法。
背景技术
汽车零件的质量直接影响到汽车的稳定性以及安全性，随着汽车行业竞争日益增强，对生产出来的汽车质量的要求也越来越严格，汽车厂家想要在激烈的市场竞争中脱颖而出，就必须不断提升生产车辆的质量，对每个制造工艺环节进行优化。
总装车间尾线质监站的任务是检查汽车前脸零件配置是否有错装、漏装件，确保生产的每一辆汽车没有缺陷，目前汽车前脸零件配置检测大多数由人工完成，不仅费时费力，而且生产效率低、可靠性差，在工业生产中，最重要的就是检测的时效性，在确保检测精度的情况下，以最短的检测时间完成检测。
通过计算机视觉技术对车前脸零件配置进行智能识别、分析处理，可以检测出其配置是否合格，恰好在提高了效率的同时又提高了精度。
发明内容
本发明提供一种汽车前脸零件配置智能检测方法，解决汽车前脸零件配置低效且不可靠的问题，采用如下技术方案：
采集待检测汽车前脸零件配置图像和标准图像；
对待检测汽车前脸零件配置图像和标准图像进行预处理分别得到待检测区域图像和标准检测区域图像；
获取标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子；
根据标准检测区域图像中的边缘像素点的梯度幅值和关键像素点的特征描述子计算出标准检测区域图像中边缘像素点和关键像素点的关注度，并确定其他像素点的关注度；
利用标准检测区域图像中每个像素点的关注度对K-SVD算法的误差函数进行修正，根据修正过误差函数的K-SVD算法获取到标准检测区域图像的字典矩阵和稀疏编码矩阵；
使用标准检测区域的字典矩阵对待检测区域图像的灰度矩阵进行分解，得到待检测区域图像的稀疏编码矩阵；
根据待检测区域图像的稀疏编码矩阵中的元素和标准检测区域图像的稀疏编码矩阵中的元素计算出待检测汽车前脸零件配置图像和标准图像的差异程度；
根据待检测汽车前脸零件配置图像和标准图像的差异程度对待检测汽车前脸零件配置进行判断。
所述标准检测区域图像的获取方法如下：
对标准图像进行滤波去噪；
使用DNN网络进行语义分割得到标准图像中的检测区域像素点和背景像素点，将检测区域像素点值标为1，背景像素点值标为0；
将语义分割结果与原标准图像相乘，去除背景像素点，得到标准检测区域图像。
所述待检测汽车前脸零件配置图像的待检测区域图像的获取方法与标准图像的标准检测区域图像的获取方法相同。
所述标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子的获取方法如下：
对标准检测区域图像进行边缘检测得到标准检测区域图像中的边缘像素点；
通过SIFT算法对标准检测区域图像进行角点检测得到标准检测区域图像中心的关键像素点和关键像素点的特征描述子。
所述标准检测区域图像中像素点的关注度的获取方法如下：
若该像素点是边缘像素点或关键像素点，则该像素点的关注度计算公式为：
Figure 311657DEST_PATH_IMAGE001
式中，
Figure 100002_DEST_PATH_IMAGE002
为像素点的关注度,
Figure DEST_PATH_IMAGE003
为像素点梯度幅值权重，
Figure 100002_DEST_PATH_IMAGE004
为像素点特征描述子的权重，
Figure DEST_PATH_IMAGE005
为关键像素点的特征描述子的维度，值为128，
Figure 100002_DEST_PATH_IMAGE006
为边缘像素点的梯度幅值，
Figure DEST_PATH_IMAGE007
为关键像素点的第i个维度特征描述子的值；
若该像素点为其他像素点则该像素点的关注度为经验值0.5。
所述对K-SVD算法的误差函数进行修正方法为：
Figure 100002_DEST_PATH_IMAGE008
式中，
Figure 307426DEST_PATH_IMAGE009
为K-SVD算法的误差损失函数，
Figure 100002_DEST_PATH_IMAGE010
为标准检测区域图像的灰度矩阵大小即标准检测区域图像的尺寸大小，
Figure DEST_PATH_IMAGE011
为标准字典矩阵的大小，
Figure 100002_DEST_PATH_IMAGE012
为稀疏编码矩阵
Figure DEST_PATH_IMAGE013
的大小，
Figure 100002_DEST_PATH_IMAGE014
为标准检测区域图像中第
Figure DEST_PATH_IMAGE015
行第
Figure 100002_DEST_PATH_IMAGE016
列的像素点的关注度，
Figure DEST_PATH_IMAGE017
为标准检测区域图像中第
Figure 618322DEST_PATH_IMAGE015
行第
Figure 253613DEST_PATH_IMAGE016
列的像素点的灰度值，
Figure 100002_DEST_PATH_IMAGE018
为标准字典矩阵
Figure DEST_PATH_IMAGE019
第
Figure 208930DEST_PATH_IMAGE015
行第
Figure 100002_DEST_PATH_IMAGE020
列的值，
Figure DEST_PATH_IMAGE021
为稀疏编码矩阵
Figure 483923DEST_PATH_IMAGE013
第
Figure 219798DEST_PATH_IMAGE020
行第
Figure 887539DEST_PATH_IMAGE016
列的值。
所述待检测汽车前脸零件配置图像和标准图像的差异程度的计算方法为：
Figure 100002_DEST_PATH_IMAGE022
其中，
Figure 979254DEST_PATH_IMAGE005
为待检测汽车前脸零件配置图像和标准图像的差异程度，
Figure 238197DEST_PATH_IMAGE021
为标准检测区域图像的稀疏编码矩阵
Figure DEST_PATH_IMAGE023
第
Figure 930210DEST_PATH_IMAGE020
行第
Figure 385331DEST_PATH_IMAGE016
列的值,
Figure 100002_DEST_PATH_IMAGE024
为待检测区域图像的稀疏编码矩阵
Figure DEST_PATH_IMAGE025
第
Figure 846399DEST_PATH_IMAGE020
行第
Figure 745085DEST_PATH_IMAGE016
列的值。
所述对待检测汽车前脸零件配置进行判断的方法如下：
当差异度
Figure 100002_DEST_PATH_IMAGE026
时，汽车前脸零件配置不合格，则进一步人工检测确定具体的错装或漏装件；
当差异度
Figure DEST_PATH_IMAGE027
时，汽车前脸零件配置合格。
本发明的有益效果是：
利用计算机视觉技术，采集车前脸零件配置图像，进行预处理，根据图像中的关键像素点的特征描述子和边缘像素点的梯度幅值计算出每个像素点的关注度，根据关注度和K-SVD算法获取标准图像的字典矩阵和稀疏编码矩阵，利用标准图像的字典矩阵对待检测图像的灰度矩阵进行分解，得到待检测图像的稀疏编码矩阵，根据待检测图像的稀疏矩阵元素和标准图像的稀疏矩阵元素计算出待检测图像与标准图像的差异度，根据差异度判断汽车前脸零件配置是否合格，实现了对车前脸零件配置的情况的智能识别和检测。提高了检测效率，在车间生产线上，需要安装上千种不同种类的零件，人工检测具有速度慢、误检测的缺点，利用计算机视觉可以代替人工检测，使检测结果不受到操作员工的体力、技能限制。既保证了较高的检测率，也不会因为人眼的疲劳造成零件的错检，可大大减少人工因素以及外界因素对检验的干扰，有效的解决传统通过人工作业检测的弊端，在提高检验的精度、满足检验时效性以及车辆质量的同时也降低了质检员的工作量；实现生产线的柔性化，通过智能检测，可以实现生产线的柔性化，使生产线能够对零件发生的变化灵活应变；实现非接触识别以及分类，利用智能检测方法，在检测零件过程中，员工不需要对零件进行接触就能够对零件进行正确的判断，可以将其应用在危险、员工不易操作的工位上，这样既可以保证识别的准确率也可以确保工人的安全。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种汽车前脸零件配置智能检测方法的流程示意图；
图2是本发明的一种汽车前脸零件配置智能检测方法的汽车前脸示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种汽车前脸零件配置智能检测方法的实施例，如图1所示，包括：
步骤一：采集待检测汽车前脸零件配置图像和标准图像；
该步骤的目的是设置检测设备，采集待检测图像和标准图像。
本实施例是
本实施例在总装车间的尾线质监站设置检测设备，该检测设备利用计算机视觉技术通过采集图像、分析处理实现对车前脸零件配置的智能识别和检测，该设备包括用于对传送带检测区域内的汽车前脸零件配置进行成像和成像数据输出的成像设备，以及用于亮度补充的光源；感应装置，用于感应被测汽车零件并将感应信号输出；中央处理器，与成像设备和感应装置电信号连接，用于接受感应信号并实现相应数据处理和控制输出。
本实施例采用蓝色条形光为照明光源，从汽车前脸侧面进行照明，有效避免了图像局部高亮、边缘模糊不清等情况，采集待检测的汽车前脸零件配置图像，记为待检测图像，如图2所示，根据该图可以看到车灯、车盖、后视镜、中网、车标等汽车零件的位置和形状。
本实施例在相同工况环境下，采集合格的汽车前脸零件配置图像，记为标准图像。
步骤二：对待检测汽车前脸零件配置图像和标准图像进行预处理分别得到待检测区域图像和标准检测区域图像；
该步骤的目的是，排除环境条件、硬件条件等原因造成的无关干扰，提取到需要检测的区域图像。
其中，对标准图像预处理得到标准检测区域图像的方法为：
（1）图像去噪：获取图像的过程中，由于环境条件和硬件质量的影响，会出现图像噪声。图像上的噪声会影响有效信息的提取，甚至最终会导致误检，因此需要先对图像进行去噪处理。通过空间滤波器对标准图像进行滤波处理，达到去噪效果。本发明通过中值滤波器对标准图像进行滤波，具体为通过像素点的领域内像素点的灰度值的中值来代替其灰度值，实现标准图像去噪。
（2）语义分割：通过语义分割去除标准图像复杂的工况背景，该DNN网络的相关内容如下：
a.使用的数据集为本发明所述采集过程得到的图像数据集。
b.标签为两类，检测区域和背景区域。该方式为像素级分类，对图像所有像素点进行人工标注，检测区域像素点值标注为1，背景区域像素点值标注为0。
c.网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
（3）得到语义分割结果后，即为检测区域对应的二值遮罩，与原图进行相乘操作，实现检测区域图像的扣取，得到标准检测区域图像。
其中，对待检测汽车前脸零件配置图像也经过与标准图像相同的预处理方式，得到待检测区域图像。
步骤三：获取标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子；根据标准检测区域图像中的边缘像素点的梯度幅值和关键像素点的特征描述子计算出标准检测区域图像中边缘像素点和关键像素点的关注度，并确定其他像素点的关注度；
该步骤的目的是获取标准检测区域中的边缘特征和角点特征，分析二者的关注度。因为，检查汽车前脸零件装配时，零件之间的灰度特征很可能会相同，是否存在错装或漏装则主要是根据边缘和角点来区分，因此，边缘显示的和角点显示的关注度大，其余像素点的关注度小，以此来实现对边缘特征和角点特征的保存。
其中，标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子的获取方法如下：
（1）使用Canny边缘检测获取边缘图像：
通过Canny边缘检测算法对标准检测区域图像进行边缘检测，进而获取边缘像素点，该边缘像素点为连续且幅值较大的强边缘像素点，包括梯度幅值和方向。
（2）SIFT角点检测：
通过SIFT算法，提取标准检测区域图像的关键像素点及其特征描述子，关键像素点的特征描述子是4×4的分块梯度方向直方图，每个直方图统计8个方向的梯度幅值，因此，获取的关键像素点的特征描述子的维度为128维，用C表示。
其中，标准检测区域图像中的边缘像素点或关键像素点的关注度计算方法为：
Figure 875459DEST_PATH_IMAGE001
式中，
Figure 619424DEST_PATH_IMAGE002
为像素点的关注度,
Figure 981004DEST_PATH_IMAGE003
为像素点梯度幅值权重，本实施例中为
Figure 100002_DEST_PATH_IMAGE028
，
Figure 50591DEST_PATH_IMAGE004
为像素点特征描述子的权重，本实施例为
Figure DEST_PATH_IMAGE029
，
Figure 451617DEST_PATH_IMAGE005
为关键像素点的特征描述子的维度，值为128，
Figure 796010DEST_PATH_IMAGE006
为边缘像素点的梯度幅值，
Figure 513562DEST_PATH_IMAGE007
为关键像素点的第i个维度特征描述子的值，若像素点是边缘像素点或关键像素点，则梯度幅值和特征描述子越大，关注度
Figure 488471DEST_PATH_IMAGE002
越大。
其中，标准检测区域图像中的其他像素点的关注度的计算方法为：
Figure 100002_DEST_PATH_IMAGE030
需要说明的是，其他像素点是指该像素点既不是边缘像素点也不是关键像素点，其他像素点的关注度为定值
Figure DEST_PATH_IMAGE031
。
步骤四：利用标准检测区域图像中每个像素点的关注度对K-SVD算法的误差函数进行修正，根据修正过误差函数的K-SVD算法获取到标准检测区域图像的字典矩阵和稀疏编码矩阵；
该步骤的目的是，基于关注度对K-SVD算法的误差函数进行修正，然后获取标准图像的字典矩阵和稀疏编码矩阵。
本步骤选取K-SVD算法的优点是：
（1）在工业生产中，最重要的就是检测的时效性，在确保检测精度的情况下，以最短的检测时间完成检测，因此，通过K-SVD算法将图像特征提取出来，给予特征能够高效且高质量的完成汽车前脸零件装配的检测工作；
（2）本实施例的任务是检查汽车前脸零件是否有错装、漏装件，零件之间的灰度特征很可能会相同，是否存在错装或漏装则主要是根据边缘特征和角点特征来区分，因此，需要K-SVD算法在提取图像特征是能够较好的保存缘特征和角点特征。
其中，利用标准检测区域图像中的像素点的关注度对K-SVD算法的误差函数进行修正方法为：
Figure 100002_DEST_PATH_IMAGE032
式中，
Figure 642372DEST_PATH_IMAGE009
为K-SVD算法的误差损失函数，
Figure 242986DEST_PATH_IMAGE010
为标准检测区域图像的灰度矩阵大小即标准检测区域图像的尺寸大小，
Figure 64312DEST_PATH_IMAGE011
为标准字典矩阵的大小，
Figure 210122DEST_PATH_IMAGE012
为稀疏编码矩阵
Figure 913636DEST_PATH_IMAGE013
的大小，
Figure 803095DEST_PATH_IMAGE014
为标准检测区域图像中第
Figure 226729DEST_PATH_IMAGE015
行第
Figure 809020DEST_PATH_IMAGE016
列的像素点的关注度，
Figure 999830DEST_PATH_IMAGE017
为标准检测区域图像中第
Figure 692980DEST_PATH_IMAGE015
行第
Figure 957739DEST_PATH_IMAGE016
列的像素点的灰度值，
Figure 960199DEST_PATH_IMAGE018
为标准字典矩阵
Figure 638305DEST_PATH_IMAGE019
第
Figure 135145DEST_PATH_IMAGE015
行第
Figure 519990DEST_PATH_IMAGE020
列的值，
Figure 178505DEST_PATH_IMAGE021
为稀疏编码矩阵
Figure 343907DEST_PATH_IMAGE013
第
Figure 864012DEST_PATH_IMAGE020
行第
Figure 634522DEST_PATH_IMAGE016
列的值。
需要说明的是，标准检测区域图像中的像素点包括并边缘像素点、关键像素点和其他像素点。
需要说明的是，修改误差损失函数的原因为：
通过K-SVD算法获取标准图像分解后的字典矩阵（记为标准字典矩阵）和稀疏编码矩阵，其中，字典矩阵是将标准图像中的特征提取出来，在提取的过程中，会存在信息的丢失，本实施例为了防止重要的边缘特征和角点特征信息丢失，通过引入像素点的关注度修改K-SVD算法中的误差损失函数，尽可能的保存边缘和角点信息。
其中，标准检测区域图像的字典矩阵和稀疏编码矩阵的获取方法为：
根据修改误差损失函数后的K-SVD算法获取标准检测区域图像的字典矩阵和稀疏编码矩阵。
本步骤的有益效果是：根据修改后的误差损失函数获取的字典矩阵，能够保留角度的边缘特征和角点特征，进而使后续检测结果更准确。
步骤五：使用标准检测区域的字典矩阵对待检测区域图像的灰度矩阵进行分解，得到待检测区域图像的稀疏编码矩阵；根据待检测区域图像的稀疏编码矩阵中的元素和标准检测区域图像的稀疏编码矩阵中的元素计算出待检测汽车前脸零件配置图像和标准图像的差异程度；
该步骤的目的是获取待检测区域图像和标准区域图像的稀疏编码矩阵，根据二者矩阵元素的差异计算出待检测区域图像和标准检测区域图像的差异。
其中，待检测区域图像的稀疏编码矩阵的获取方法为：
根据步骤四中获得的标准检测区域图像的字典矩阵，对待检测区域图像的灰度矩阵进行分解，获得待检测区域图像的稀疏编码矩阵。
其中，待检测汽车前脸零件配置图像和标准图像的差异程度的计算方法为：
Figure 260676DEST_PATH_IMAGE033
其中，
Figure 851057DEST_PATH_IMAGE021
为标准检测区域图像的稀疏编码矩阵
Figure 689700DEST_PATH_IMAGE013
第
Figure 845875DEST_PATH_IMAGE020
行第
Figure 361039DEST_PATH_IMAGE016
列的值,
Figure 173137DEST_PATH_IMAGE024
为待检测区域图像的稀疏编码矩阵
Figure 100002_DEST_PATH_IMAGE034
第
Figure 81050DEST_PATH_IMAGE020
行第
Figure 294994DEST_PATH_IMAGE016
列的值，待检测图像与标准图像的稀疏编码矩阵在对应位置的差值越大，则待检测图像与标准图像的差异度越大。
步骤六：根据待检测汽车前脸零件配置图像和标准图像的差异程度对待检测汽车前脸零件配置进行判断。
该步骤的目的是根据步骤五计算出的根据待检测图像与标准图像的差异度，来判断汽车前脸零件配置是否合格。
其中，判断方法为：
当差异度
Figure 528529DEST_PATH_IMAGE026
时，认为汽车前脸零件配置不合格，对于不合格的汽车前脸零件配置，人工进一步检测确定具体的错装或漏装件；否则，认为汽车前脸零件配置合格，其中
Figure DEST_PATH_IMAGE035
为阈值，需要人为设置，本发明中
Figure 100002_DEST_PATH_IMAGE036
。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种汽车前脸零件配置智能检测方法，其特征在于，包括：
采集待检测汽车前脸零件配置图像和标准图像；
对待检测汽车前脸零件配置图像和标准图像进行预处理分别得到待检测区域图像和标准检测区域图像；
获取标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子；
根据标准检测区域图像中的边缘像素点的梯度幅值和关键像素点的特征描述子计算出标准检测区域图像中边缘像素点和关键像素点的关注度，并确定其他像素点的关注度；
所述标准检测区域图像中像素点的关注度的获取方法如下：
若该像素点是边缘像素点或关键像素点，则该像素点的关注度计算公式为：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为像素点的关注度,
Figure DEST_PATH_IMAGE006
为像素点梯度幅值权重，
Figure DEST_PATH_IMAGE008
为像素点特征描述子的权重，
Figure DEST_PATH_IMAGE010
为关键像素点的特征描述子的维度，值为128，
Figure DEST_PATH_IMAGE012
为边缘像素点的梯度幅值，
Figure DEST_PATH_IMAGE014
为关键像素点的第i个维度特征描述子的值；
若该像素点为其他像素点则该像素点的关注度为经验值0.5；
利用标准检测区域图像中每个像素点的关注度对K-SVD算法的误差函数进行修正，根据修正过误差函数的K-SVD算法获取到标准检测区域图像的字典矩阵和稀疏编码矩阵；
使用标准检测区域的字典矩阵对待检测区域图像的灰度矩阵进行分解，得到待检测区域图像的稀疏编码矩阵；
根据待检测区域图像的稀疏编码矩阵中的元素和标准检测区域图像的稀疏编码矩阵中的元素计算出待检测汽车前脸零件配置图像和标准图像的差异程度；
根据待检测汽车前脸零件配置图像和标准图像的差异程度对待检测汽车前脸零件配置进行判断。
2.根据权利要求1所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述标准检测区域图像的获取方法如下：
对标准图像进行滤波去噪；
使用DNN网络进行语义分割得到标准图像中的检测区域像素点和背景像素点，将检测区域像素点值标为1，背景像素点值标为0；
将语义分割结果与原标准图像相乘，去除背景像素点，得到标准检测区域图像。
3.根据权利要求1所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述待检测汽车前脸零件配置图像的待检测区域图像的获取方法与标准图像的标准检测区域图像的获取方法相同。
4.根据权利要求1所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述标准检测区域图像中的边缘像素点和关键像素点及关键像素点的特征描述子的获取方法如下：
对标准检测区域图像进行边缘检测得到标准检测区域图像中的边缘像素点；
通过SIFT算法对标准检测区域图像进行角点检测得到标准检测区域图像中心的关键像素点和关键像素点的特征描述子。
5.根据权利要求1所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述对K-SVD算法的误差函数进行修正方法为：
Figure DEST_PATH_IMAGE016
式中，
Figure DEST_PATH_IMAGE018
为K-SVD算法的误差损失函数，
Figure DEST_PATH_IMAGE020
为标准检测区域图像的灰度矩阵大小即标准检测区域图像的尺寸大小，
Figure DEST_PATH_IMAGE022
为标准字典矩阵的大小，
Figure DEST_PATH_IMAGE024
为稀疏编码矩阵
Figure DEST_PATH_IMAGE026
的大小，
Figure DEST_PATH_IMAGE028
为标准检测区域图像中第
Figure DEST_PATH_IMAGE030
行第
Figure DEST_PATH_IMAGE032
列的像素点的关注度，
Figure DEST_PATH_IMAGE034
为标准检测区域图像中第
Figure 305294DEST_PATH_IMAGE030
行第
Figure 753593DEST_PATH_IMAGE032
列的像素点的灰度值，
Figure DEST_PATH_IMAGE036
为标准字典矩阵
Figure DEST_PATH_IMAGE038
第
Figure 877538DEST_PATH_IMAGE030
行第
Figure DEST_PATH_IMAGE040
列的值，
Figure DEST_PATH_IMAGE042
为稀疏编码矩阵
Figure 383999DEST_PATH_IMAGE026
第
Figure 729530DEST_PATH_IMAGE040
行第
Figure 99462DEST_PATH_IMAGE032
列的值。
6.根据权利要求5所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述待检测汽车前脸零件配置图像和标准图像的差异程度的计算方法为：
Figure DEST_PATH_IMAGE044
其中，
Figure 474818DEST_PATH_IMAGE010
为待检测汽车前脸零件配置图像和标准图像的差异程度，
Figure 204876DEST_PATH_IMAGE042
为标准检测区域图像的稀疏编码矩阵
Figure DEST_PATH_IMAGE046
第
Figure 201651DEST_PATH_IMAGE040
行第
Figure 476906DEST_PATH_IMAGE032
列的值,
Figure DEST_PATH_IMAGE048
为待检测区域图像的稀疏编码矩阵
Figure DEST_PATH_IMAGE050
第
Figure 336628DEST_PATH_IMAGE040
行第
Figure 604798DEST_PATH_IMAGE032
列的值。
7.根据权利要求6所述的一种汽车前脸零件配置智能检测方法，其特征在于，所述对待检测汽车前脸零件配置进行判断的方法如下：
当差异度
Figure DEST_PATH_IMAGE052
时，汽车前脸零件配置不合格，则进一步人工检测确定具体的错装或漏装件；
当差异度
Figure DEST_PATH_IMAGE054
时，汽车前脸零件配置合格。
CN202210754641.0A 2022-06-30 2022-06-30 一种汽车前脸零件配置智能检测方法 Active CN114820626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210754641.0A CN114820626B (zh) 2022-06-30 2022-06-30 一种汽车前脸零件配置智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754641.0A CN114820626B (zh) 2022-06-30 2022-06-30 一种汽车前脸零件配置智能检测方法

Publications (2)

Publication Number Publication Date
CN114820626A CN114820626A (zh) 2022-07-29
CN114820626B true CN114820626B (zh) 2022-09-02

Family

ID=82523318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754641.0A Active CN114820626B (zh) 2022-06-30 2022-06-30 一种汽车前脸零件配置智能检测方法

Country Status (1)

Country Link
CN (1) CN114820626B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035111B (zh) * 2022-08-10 2022-10-25 江苏永银化纤有限公司 一种基于图像处理的有色丝色差检测方法
CN116224947B (zh) * 2023-04-10 2023-11-14 济南永信新材料科技有限公司 可主动融入领域规则知识的深度学习工业控制***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274398A (zh) * 2017-06-16 2017-10-20 重庆越畅汽车科技有限公司 基于汽车中网质量检测***及方法
CN110598621A (zh) * 2019-09-06 2019-12-20 高新兴科技集团股份有限公司 车辆品牌识别方法、装置、设备及计算机可读存储介质
CN114359270B (zh) * 2022-03-09 2022-06-07 山东华硕汽车配件科技有限公司 基于计算机视觉的汽车发动机油路铜套缺陷检测方法

Also Published As

Publication number Publication date
CN114820626A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114820626B (zh) 一种汽车前脸零件配置智能检测方法
CN109870461B (zh) 一种电子元器件质量检测***
CN111861990B (zh) 一种产品不良外观检测的方法、***及存储介质
CN110473184A (zh) 一种pcb板缺陷检测方法
CN110490872B (zh) 加工设备的异物检测方法和***
CN116109637B (zh) 基于视觉的涡轮增压器叶轮外观缺陷检测的***及其方法
CN112419298A (zh) 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及***
CN115201206B (zh) 基于机器视觉的电动车车把缺陷检测方法
CN116109577A (zh) 一种印刷标签缺陷检测***及方法
CN102901735A (zh) 利用计算机对工件缺损、裂变、变形进行自动检测的***
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN113139943B (zh) 开口圆环工件外观缺陷检测方法、***及计算机存储介质
CN115131355B (zh) 利用电子设备数据检测防水布异常的智能方法
CN115947066A (zh) 皮带撕裂检测方法、装置及***
CN115672778A (zh) 一种智能视觉识别***
CN115343313A (zh) 基于人工智能的视觉识别方法
CN114742823A (zh) 一种物体表面划痕智能检测方法
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
Zhang et al. Development of a real-time machine vision system for detecting defeats of cord fabrics
CN111017728A (zh) 一种基于机器视觉的起重机制动器健康状态评估方法
CN115424189B (zh) 一种可对象状态识别防漏检的图像识别***及方法
CN112329783B (zh) 基于图像处理的钩尾框折断识别方法
CN111340795B (zh) 物品质量的确定方法及装置
CN111652249A (zh) 基于图像识别的表面贴装工艺质检方法和***

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