CN115861320B - 一种汽车零件加工信息智能检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种汽车零件加工信息智能检测方法。该方法获得荧光磁粉喷射后轴承表面的灰度图像；通过分水岭算法获得灰度图像中的疑似缺陷区域；获取每个疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，对每个疑似缺陷区域中的像素点进行聚类，将目标像素点所在聚类簇的区域作为目标区域；根据目标区域对应的疑似缺陷区域的面积和目标区域中像素点的位置分布与梯度分布获取每个目标区域的荧光磁粉聚集程度；获取目标区域与灰度图像之间的灰度差异作为目标差异；根据荧光磁粉聚集程度与目标差异获取目标区域与背景区域的相似度；根据相似度确定灰度图像中的缺陷区域。提高了检测缺陷区域的效率。

Description

一种汽车零件加工信息智能检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种汽车零件加工信息智能检测方法。

背景技术

轴承是汽车零件中非常关键的一个部件，轴承质量的好坏关系到汽车的行驶安全。轴承在生产加工的过程中会因为锻造加热温度过高或保温时间过长产生缺陷，严重时晶界氧化甚至熔化。过烧的轴承在这种缺陷状态下进行锻造加工，受到重锤的锻打、冲孔及碾扩，缺陷处会产生撕裂，形成更大的缺陷。

在现有技术中，通常采用荧光磁粉法对轴承表面的缺陷进行探伤，荧光磁粉会依附在轴承表面的缺陷区域而形成荧光区域，可通过图像分割领域中常用的分水岭算法将荧光区域进行分割。但是细微的荧光磁粉也会依附在轴承表面的不平整处，形成荧光区域，因此当通过分水岭算法进行分割时，会因为荧光区域较大，导致水淹后保留的疑似缺陷区域面积较大，使得疑似缺陷区域既包含部分不存在缺陷的不平整区域也包含缺陷区域，使得分割出来的缺陷区域不准确，对缺陷区域的识别造成干扰，不利于对缺陷区域的检测。

发明内容

为了解决轴承不平整区域对缺陷区域的干扰，导致缺陷区域检测不准确的技术问题，本发明的目的在于提供一种汽车零件加工信息智能检测方法，所采用的技术方案具体如下：

本发明实施例中提供了一种汽车零件加工信息智能检测方法，该方法包括以下：

获得荧光磁粉喷射后轴承表面的灰度图像；

通过分水岭算法获得所述灰度图像中的疑似缺陷区域；获取每个所述疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，对每个所述疑似缺陷区域中的像素点进行聚类，将所述目标像素点所在聚类簇的区域作为目标区域；

根据所述目标区域对应的所述疑似缺陷区域的面积和所述目标区域中像素点的位置分布与梯度分布获取每个所述目标区域的荧光磁粉聚集程度；

获取所述目标区域与所述灰度图像之间的灰度差异作为目标差异；根据所述荧光磁粉聚集程度与所述目标差异获取所述目标区域与背景区域的相似度；

根据所述相似度将所述目标区域对应的所述疑似缺陷区域与所述背景区域合并，确定所述灰度图像中的缺陷区域。

进一步地，所述荧光磁粉聚集程度的获取方法，包括：

获取所述目标区域中的最大灰度值对应的像素点的坐标作为第一坐标，计算所述目标区域中的每个像素点对应的坐标与第一坐标之间的距离，获取所述目标区域中的像素点之间的平均距离；将平均距离进行负相关映射并归一化，所得结果作为第一结果；

获取所述目标区域中的边缘像素点的梯度均值作为平均梯度；

获取所述目标区域对应的疑似缺陷区域中的像素点的数量即疑似缺陷区域的面积作为第一面积；

计算第一结果、平均梯度与第一面积之间的乘积作为所述目标区域的荧光磁粉聚集程度。

进一步地，所述目标差异的获取方法，包括：

计算所述目标区域中的平均灰度值作为第一值；

计算所述灰度图像中的平均灰度值作为第二值；

将第一值与第二值的差值作为所述目标区域与所述灰度图像之间的目标差异。

进一步地，所述相似度的获取方法，包括：

将荧光磁粉聚集程度与目标差异的乘积进行负相关映射并归一化的结果作为目标区域与背景区域之间的相似度。

进一步地，所述根据所述相似度确定所述灰度图像中的缺陷区域的方法，包括：

设置相似度阈值，当相似度大于相似度阈值时，对应目标区域所在疑似缺陷区域不存在缺陷，将疑似缺陷区域与背景区域进行合并；未合并的区域即是缺陷区域，对缺陷区域进行核验。

进一步地，所述对每个所述疑似缺陷区域中的像素点进行聚类的方法，包括：

使用DBSCAN密度聚类算法根据像素点的位置与灰度值对疑似缺陷区域中的像素点进行聚类。

本发明具有如下有益效果：

通过分水岭算法获得轴承表面的灰度图像中的疑似缺陷区域，进而只对疑似缺陷区域进行分析，提高对缺陷区域检测的效率；获取每个疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，方便后续对疑似缺陷区域的具体特征进行分析；因此，对每个疑似缺陷区域中的像素点进行聚类，将目标像素点所在聚类簇的区域作为目标区域，目标区域中的像素点为疑似缺陷区域中灰度值峰较大的像素点，可以反映出对应疑似缺陷区域中的荧光磁粉的依附情况，因此，根据目标区域对应的疑似缺陷区域的面积和目标区域中像素点的位置分布与梯度分布获取每个目标区域的荧光磁粉聚集程度，初步判断缺陷区域；为了进一步确定缺陷区域，获取目标区域与灰度图像之间的灰度差异作为目标差异，间接确定目标区域所在疑似缺陷区域与背景区域的差异程度；进而根据荧光磁粉聚集程度与目标差异获取目标区域与背景区域的相似度，根据相似度将目标区域对应的疑似缺陷区域与背景区域合并，去除了因轴承表面不平整导致的对缺陷区域检测的干扰，消除了分水岭算法引起的过分割区域，确定了灰度图像中的缺陷区域，提高了缺陷区域检测的准确率。

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汽车零件加工信息智能检测方法的流程示意图；

图2为本发明一个实施例所提供的疑似缺陷区域中的灰度值大小的分布图。

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汽车零件加工信息智能检测方法，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。

下面结合附图具体的说明本发明所提供的一种汽车零件加工信息智能检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种汽车零件加工信息智能检测方法的流程示意图，该方法包括以下步骤：

步骤S1：获得荧光磁粉喷射后轴承表面的灰度图像。

具体的，本发明实施例的目的是通过荧光磁粉法对轴承表面的缺陷进行检测，首先使用赛福探伤机对轴承表面喷射一定量的荧光磁粉，然后通过高清相机采集喷射荧光磁粉后的轴承表面的图像，对获得的图像进行去噪处理，本发明实施例使用均值滤波算法对获得的图像进行去噪，然后对去噪后的图像进行灰度化处理，获得灰度图像。

其中，均值滤波算法以及灰度化处理均为现有技术，在此不再进行赘述。

步骤S2：通过分水岭算法获得所述灰度图像中的疑似缺陷区域；获取每个所述疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，对每个所述疑似缺陷区域中的像素点进行聚类，将所述目标像素点所在聚类簇的区域作为目标区域。

具体的，通过荧光磁粉法对轴承表面进行标记，轴承表面的不同平整度会形成不同的亮暗区域，例如当轴承表面的凹凸程度较大时，细微的荧光磁粉会依附在轴承表面的不平整处，形成一个整体的荧光区域；轴承表面的缺陷在微观观察下表面层金属晶界被氧化开裂呈现尖角，若金属内部成分偏析严重，晶界也开始熔化，严重时会形成尖角状洞穴，荧光磁粉会吸附在缺陷区域内，也形成一个整体的荧光区域。对轴承表面中的荧光区域进行分析，当荧光区域越大越亮时，说明荧光区域越可能为轴承表面中较大的不平整区域或缺陷区域。在灰度图像中荧光区域对应的灰度值较大，除去荧光区域的其他区域即背景区域对应的灰度值较小，通过分水岭算法获得灰度图像中的初始分割区域即疑似缺陷区域。分水岭算法是在灰度图像中找到极小值，然后开始扩张，若灰度图像中存在太多极小区域而产生许多小的集水盆地，会导致灰度图像过分割。因此当通过分水岭算法进行分割时，会因为荧光区域较大，导致水淹后保留的疑似缺陷区域面积较大，使得疑似缺陷区域既包含部分不存在缺陷的不平整区域也包含缺陷区域，使得分割出来的缺陷区域不准确。因此需要对获得的疑似缺陷区域进行处理，去除不存在缺陷的疑似缺陷区域，然后再对剩余的疑似缺陷区域进行识别，进而确定缺陷区域。本发明实施例根据缺陷区域的特征对分水岭算法的水淹位置进行优化，获得最佳的水淹位置，去除不存在缺陷的不平整区域因荧光磁粉进行标记造成的干扰，使得保留下来的疑似缺陷区域为缺陷区域。

其中，分水岭算法是公知技术，这里不再进行过多赘述。

通过分水岭算法获得的疑似缺陷区域，是直接根据阈值进行判断的，无法分清楚哪些疑似缺陷区域是不平整区域与缺陷区域，因此需要对每个疑似缺陷区域的具体特征进行分析，来对疑似缺陷区域进行合并，将属于正常的不平整区域的疑似缺陷区域与背景区域进行合并，也就是在通过分水岭算法分割时，不仅仅是一个“水淹”的过程，还需要对疑似缺陷区域进行判断，让属于正常的不平整区域的疑似缺陷区域也成为“被淹”的对象。

对疑似缺陷区域的具体特征进行分析，需要先获取每个疑似缺陷区域中的目标区域，获取目标区域的具体操作如下：

获得每个疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，若一个疑似缺陷区域中最大灰度值对应的像素点至少有两个，则任意选取一个最大灰度值对应的像素点作为目标像素点。使用DBSCAN密度聚类算法根据像素点的位置与灰度值对疑似缺陷区域中的像素点进行聚类，其中，DBSCAN密度聚类算法是根据像素点的位置进行聚类，通过灰度值来选择哪些像素点是聚类对象。获取目标像素点所在聚类簇的区域作为目标区域。本发明实施例设置DBSCAN密度聚类算法中的邻域半径为3，最小邻域像素点数量为3，此处阈值为经验阈值，实施者可根据不同的实施环境自行设定。其中，DBSCAN密度聚类算法为公知技术，这里不再进行过多赘述。

其中，将目标像素点所在聚类簇的区域作为目标区域的原因如下：

缺陷区域附着的荧光磁粉较多且均匀，因此缺陷区域的整体灰度值较大且灰度波动较大；缺陷区域中像素点的灰度值分布如图2中的B区域，B区域中的每个峰的高度就是缺陷区域中的对应像素点的灰度值；轴承表面的不平整区域通过荧光磁粉的依附形成的疑似缺陷区域之间存在背景区域，因此对应的灰度分布中的峰与峰之间的距离较大，不平整区域对应的疑似缺陷区域中灰度值峰不均匀，且像素点的灰度波动有大有小，如图2中的A区域，A区域中的每个峰值为对应疑似缺陷区域中对应像素点的灰度值。根据图2可以发现不平整区域对应的疑似缺陷区域与缺陷区域之间的峰的分布特征区别很大，A区域的峰的间距较大，并且峰值有高有低；B区域的峰比较密集，且峰值较大，在通过分水岭算法后，A区域的部分峰会小于阈值导致不会被分割出来，而B区域的峰值都大于分割阈值，都会被分割出来，B区域的峰的荧光磁粉聚集程度较大。因此，荧光磁粉聚集程度越大的疑似缺陷区域越可能为缺陷区域。目标像素点所在聚类簇能充分的反映对应的疑似缺陷区域中的高灰度值峰的分布，因此选取目标像素点所在的聚类簇的区域作为目标区域，对目标区域进行分析。因为A区域与B区域中灰度值峰的分布不同，因此聚类后每个疑似缺陷区域对应的目标区域中像素点数量不同且像素点分布也不同，根据目标区域中像素点的数量与分布获取每个目标区域的荧光磁粉聚集程度。

步骤S3：根据所述目标区域对应的所述疑似缺陷区域的面积和所述目标区域中像素点的位置分布与梯度分布获取每个所述目标区域的荧光磁粉聚集程度。

具体的，轴承表面的不平整区域产生的荧光区域对缺陷区域的识别会造成干扰，仅依靠灰度分布无法准确的区分不存在缺陷的荧光区域与缺陷区域。但是只要有荧光标记的区域，就有可能存在缺陷，因此通过对灰度图像中荧光区域进行分割，获得疑似缺陷区域，再对疑似缺陷区域进行分析，获得准确的缺陷区域。

对疑似缺陷区域进行分析，将不存在缺陷的疑似缺陷区域与背景区域进行合并，将最终分割的区域作为缺陷区域。由步骤S2可知，根据目标区域的荧光磁粉聚集程度可以对疑似缺陷区域进行初步分析。

优选地，获取荧光磁粉聚集程度的方法为：获取目标区域中的最大灰度值对应的像素点的坐标作为第一坐标，计算目标区域中的每个像素点对应的坐标与第一坐标之间的距离，获取目标区域中的像素点之间的平均距离；将平均距离进行负相关映射并归一化，所得结果作为第一结果；获取目标区域中的边缘像素点的梯度均值作为平均梯度；获取目标区域对应的疑似缺陷区域中的像素点的数量即疑似缺陷区域的面积作为第一面积；计算第一结果、平均梯度与第一面积之间的乘积作为目标区域的荧光磁粉聚集程度。

需要说明的是，轴承表面因不平整引起的荧光区域在通过分水岭算法分割后只会保留荧光较明显的区域，荧光不明显的区域会被分割到背景区域中；缺陷区域在通过分水岭算法分割后保留下来的区域较大，因此，缺陷区域中灰度值较大的像素点的数量较多，灰度值较大的像素点即为图2中的B区域中每个峰的峰值点，对应的目标区域中的像素点就是对应疑似缺陷区域内与最大峰值点的峰值相近的像素点，对应在轴承表面就是某一块较大的缺陷区域。通过计算目标区域中像素点的平均距离来表示目标区域的荧光磁粉聚集程度，荧光磁粉聚集程度越大，说明目标区域对应的疑似缺陷区域为缺陷区域的可能程度越大。用边缘像素点的梯度变化来对聚类的结果进行修正，密度聚类的结果不仅仅是将与峰值接近的像素点聚为一类，还将聚类像素点对应的区域聚类为一类，缺陷区域的峰比较聚集且灰度值较大，边缘像素点的梯度越大说明在该区域中因为荧光磁粉聚集所产生的边缘特征越明显，则荧光磁粉聚集程度越大。通过聚类后会将不同的峰聚为一个区域即目标区域，因此目标区域的面积越大，也就是目标区域内像素点的数量越多，说明目标区域对应位置的荧光磁粉越聚集，荧光磁粉聚集程度越大，对应疑似缺陷区域为缺陷区域的可能程度越大。

通过分水岭算法分割后，每个疑似缺陷区域就相当于是一个孤立的区域，缺陷区域对应的疑似缺陷区域中像素点数量肯定多，因此像素点数量越多的疑似缺陷区域是缺陷区域的可能程度越大，而因不平整分割出来的不存在缺陷的疑似缺陷区域相当于是一些散点，对应的疑似缺陷区域中的像素点数量就少，疑似缺陷区域为缺陷区域的可能程度就越小。因此将疑似缺陷区域中的像素点数量即疑似缺陷区域的面积作为计算荧光磁粉聚集程度的一个分量。

作为一个示例，以目标区域j为例，获取目标区域j中最大灰度值对应的像素点的坐标作为第一坐标，若目标区域j中最大灰度值对应的像素点至少有两个，则任意选取一个像素点的坐标作为第一坐标。根据目标区域j中每个像素点的坐标获取目标区域j中每个像素点与第一坐标对应像素点之间的距离。通过算子获取目标区域j中每个像素点的梯度，并获得区域边界处边缘像素点的梯度，其中，算子为公知技术，这里不再进行过多赘述。根据目标区域j中每个像素点与第一坐标对应像素点之间的距离以及每个像素点的梯度，获取目标区域j的荧光磁粉聚集程度，获取目标区域j的荧光磁粉聚集程度的公式为：

其中，为目标区域j的荧光磁粉聚集程度；为目标区域j中像素点的数量；为目标区域j中最大灰度值对应像素点的坐标即第一坐标；为目标区域j中第个像素点的坐标；为目标区域j中第个边缘像素点的梯度；为目标区域j所在疑似缺陷区域的面积即第一面积；为自然常数。

需要说明的是，平均距离越小，说明目标区域j中的像素点的位置分布越聚集，越大；平均梯度越大，说明目标区域j中边缘像素点的灰度变化越大，因此荧光磁粉聚集产生的边缘特征越明显，越大；越大，说明目标区域j所在的疑似缺陷区域的面积越大即像素点数量越多，使得满足聚类条件的像素点越多，使得聚类效果越好，越大；因此，越大，说明目标区域j的荧光磁粉聚集程度越高，目标区域j所在的疑似缺陷区域越可能为缺陷区域。

根据获取目标区域j的荧光磁粉聚集程度的方法，获取每个目标区域的荧光磁粉聚集程度。目标区域的荧光磁粉聚集程度越大，说明目标区域越不平整，越不平整的区域在通过荧光磁粉法进行标记后，标记的效果越明显；目标区域的荧光磁粉聚集程度越小，说明目标区域越是因为轴承表面不平整所保留下来的正常区域。通过像素点的位置来判断目标区域的相关性是不准确的，还需要根据每个峰之间的梯度变化来对聚类的结果进行修正，再根据每个目标区域的荧光磁粉聚集程度来判断对应的疑似缺陷区域能否与背景区域进行合并。

步骤S4：获取所述目标区域与所述灰度图像之间的灰度差异作为目标差异；根据所述荧光磁粉聚集程度与所述目标差异获取所述目标区域与背景区域的相似度。

具体的，为了确定分水岭算法的最佳水淹位置，把不存在缺陷的疑似缺陷区域与背景区域进行合并，进而获取准确的缺陷区域，则根据目标区域的荧光磁粉聚集程度获取目标区域与背景区域的相似度。

优选地，获取目标区域与背景区域的相似度的方法为：计算目标区域中的平均灰度值作为第一值；计算灰度图像中的平均灰度值作为第二值；将第一值与第二值的差值作为目标区域与灰度图像之间的目标差异。将荧光磁粉聚集程度与目标差异的乘积进行负相关映射并归一化的结果作为目标区域与背景区域之间的相似度。

需要说明的是，通过计算疑似缺陷区域与背景区域之间的相似度，将相似度大的疑似缺陷区域与背景区域进行合并，以此排除部分不存在缺陷但又影响对缺陷区域判断的疑似缺陷区域。当通过分水岭算法进行分割时，就不会产生过多的不存在缺陷的疑似缺陷区域的干扰，使得对灰度图像中的缺陷区域分割的更加准确。

作为一个示例，以步骤S3中的目标区域j为例，根据目标区域j中的每个像素点的灰度值，获取目标区域j的平均灰度值即第一值；根据灰度图像中的每个像素点的灰度值，获取灰度图像的平均灰度值即第二值，因为目标区域j中的像素点都是荧光磁粉标记的像素点，因此灰度值较大即第一值较大，而灰度图像中的像素点也包括背景区域的像素点，因此第二值一定比第一值小，第一值与第二值的差值即目标差异一定是正数。获取目标区域j的目标差异的公式为：

其中，为目标区域j与灰度图像的目标差异；为目标区域j的平均灰度值即第一值；为灰度图像中的像素点数量；为灰度图像中第个像素点的灰度值。

需要说明的是，越大，说明目标区域j的平均灰度值与灰度图像的平均灰度值之间的差异越大；通过荧光磁粉法进行标记，缺陷区域的灰度值比正常区域的灰度值大，并且灰度值越大，说明缺陷越明显；因此，越大，说明目标区域j与背景区域之间的差异越大。

根据荧光磁粉聚集程度与目标差异获取目标区域j与背景区域的相似度的公式为：

其中，为目标区域j与背景区域的相似度；为目标区域j的荧光磁粉聚集程度；为目标区域j的目标差异；为自然常数。

需要说明的是，越大，说明目标区域j所在的疑似缺陷区域越可能为缺陷区域，越小；越大，说明目标区域j中的灰度值与背景区域中的灰度值差异越大，目标区域j与背景区域之间越不相似，目标区域j越可能为缺陷区域，越小；因此，越小，说明目标区域j与背景区域越不相似，目标区域j所在的疑似缺陷区域越可能为缺陷区域。

根据获取目标区域j与背景区域的相似度的方法，获取每个目标区域与背景区域的相似度。根据相似度设置分水岭算法中适当的分割阈值，使得最终分割区域为缺陷区域。

步骤S5：根据所述相似度将所述目标区域对应的所述疑似缺陷区域与所述背景区域合并，确定所述灰度图像中的缺陷区域。

设置相似度阈值，当相似度大于相似度阈值时，对应目标区域所在疑似缺陷区域不存在缺陷，将疑似缺陷区域与背景区域进行合并；未合并的区域即是缺陷区域，对缺陷区域进行核验。

本发明实施例设置相似度阈值为0.32，实施者可根据实际不同的情况自行调整。当相似度大于相似度阈值时，说明目标区域与背景区域的相似度大，目标区域所在的疑似缺陷区域不存在缺陷，则将疑似缺陷区域与背景区域进行合并，通过分水岭算法对灰度图像进行分割时，该疑似缺陷区域不会被分割出来。

对疑似缺陷区域完成合并后，消除了不存在缺陷的疑似缺陷区域，剩下的未合并的疑似缺陷区域就是缺陷区域，对缺陷区域进行标记，便于人工对缺陷区域进行核验，提高了缺陷检测的效率。

至此，本发明实施例结束。

综上所述，本发明实施例获得荧光磁粉喷射后轴承表面的灰度图像；通过分水岭算法获得灰度图像中的疑似缺陷区域；获取每个疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，对每个疑似缺陷区域中的像素点进行聚类，将目标像素点所在聚类簇的区域作为目标区域；根据目标区域对应的疑似缺陷区域的面积和目标区域中像素点的位置分布与梯度分布获取每个目标区域的荧光磁粉聚集程度；获取目标区域与灰度图像之间的灰度差异作为目标差异；根据荧光磁粉聚集程度与目标差异获取目标区域与背景区域的相似度；根据相似度确定灰度图像中的缺陷区域。提高了检测缺陷区域的效率。

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。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。

Claims (4)

1.一种汽车零件加工信息智能检测方法，其特征在于，该方法包括以下步骤：

获得荧光磁粉喷射后轴承表面的灰度图像；

通过分水岭算法获得所述灰度图像中的疑似缺陷区域；获取每个所述疑似缺陷区域中的最大灰度值对应的像素点作为目标像素点，对每个所述疑似缺陷区域中的像素点进行聚类，将所述目标像素点所在聚类簇的区域作为目标区域；

根据所述目标区域对应的所述疑似缺陷区域的面积和所述目标区域中像素点的位置分布与梯度分布获取每个所述目标区域的荧光磁粉聚集程度；

获取所述目标区域与所述灰度图像之间的灰度差异作为目标差异；根据所述荧光磁粉聚集程度与所述目标差异获取所述目标区域与背景区域的相似度；

根据所述相似度将所述目标区域对应的所述疑似缺陷区域与所述背景区域合并，确定所述灰度图像中的缺陷区域；

所述荧光磁粉聚集程度的获取方法，包括：

获取所述目标区域中的最大灰度值对应的像素点的坐标作为第一坐标，计算所述目标区域中的每个像素点对应的坐标与第一坐标之间的距离，获取所述目标区域中的像素点之间的平均距离；将平均距离进行负相关映射并归一化，所得结果作为第一结果；

获取所述目标区域中的边缘像素点的梯度均值作为平均梯度；

获取所述目标区域对应的疑似缺陷区域中的像素点的数量即疑似缺陷区域的面积作为第一面积；

计算第一结果、平均梯度与第一面积之间的乘积作为所述目标区域的荧光磁粉聚集程度；

所述目标差异的获取方法，包括：

计算所述目标区域中的平均灰度值作为第一值；

计算所述灰度图像中的平均灰度值作为第二值；

将第一值与第二值的差值作为所述目标区域与所述灰度图像之间的目标差异。

2.如权利要求1所述的一种汽车零件加工信息智能检测方法，其特征在于，所述相似度的获取方法，包括：

将荧光磁粉聚集程度与目标差异的乘积进行负相关映射并归一化的结果作为目标区域与背景区域之间的相似度。

3.如权利要求1所述的一种汽车零件加工信息智能检测方法，其特征在于，所述根据所述相似度确定所述灰度图像中的缺陷区域的方法，包括：

设置相似度阈值，当相似度大于相似度阈值时，对应目标区域所在疑似缺陷区域不存在缺陷，将疑似缺陷区域与背景区域进行合并；未合并的区域即是缺陷区域，对缺陷区域进行核验。

4.如权利要求1所述的一种汽车零件加工信息智能检测方法，其特征在于，所述对每个所述疑似缺陷区域中的像素点进行聚类的方法，包括：

使用DBSCAN密度聚类算法根据像素点的位置与灰度值对疑似缺陷区域中的像素点进行聚类。

Images