CN116883408A - 基于人工智能的积算仪壳体缺陷检测方法 - Google Patents

Abstract

本发明涉及图像分析领域，具体涉及一种基于人工智能的积算仪壳体缺陷检测方法。该方法包括：获取积算仪壳体表面的灰度图像，对灰度图像进行阈值分割获取疑似缺陷区域，根据疑似缺陷区域的纹理特征获得粗糙度，获取疑似缺陷区域中边缘线数量；基于霍夫圆检测获取凹陷区域，按照像素列对凹陷区域中像素点灰度值的突变情况进行分析，获取由像素列组成的目标区域的表面形变度，根据粗糙度、边缘线数量和表面形变度获得目标区域中疑似缺陷区域的老化显著系数，并根据老化显著系数对积算仪壳体的老化缺陷进行检测。本发明能够精确的识别出积算仪壳体老化缺陷和非老化缺陷之间的区别，提高了对积算仪壳体的老化缺陷检测的准确性。

Description

基于人工智能的积算仪壳体缺陷检测方法

技术领域

本发明涉及图像分析领域，具体涉及一种基于人工智能的积算仪壳体缺陷检测方法。

背景技术

积算仪为工程应用中重要的二次仪表，主要用途是对一次仪表发过来的信号进行计算。其中积算仪的外壳的材质通常为工程塑料，工程塑料通常会出现划痕、老化等缺陷。其中老化是工程塑料在长时间使用过程中不可避免的缺陷，因老化对积算仪壳体造成的缺陷会影响积算仪的外观和耐用性，因此及时并精确的检测出积算仪壳体是否出现老化缺陷对后期的保养和维护具有重大意义。

现有技术中通常使用图像分割等机器视觉技术检测待测物体表面的老化缺陷，由于积算仪壳体中不仅会存在老化缺陷，还存在划痕等其他非老化缺陷，在通过现有的机器视觉技术对积算仪壳体进行检测时，并不能精确的识别出老化缺陷和非老化缺陷之间的区别，降低对积算仪壳体的老化缺陷检测的准确性。

发明内容

为了解决通过现有的机器视觉技术对积算仪壳体进行检测时，并不能精确的识别出老化缺陷和非老化缺陷之间的区别，降低对积算仪壳体的老化缺陷检测的准确性的技术问题，本发明的目的在于提供一种基于人工智能的积算仪壳体缺陷检测方法，所采用的技术方案具体如下：

本发明提出了一种基于人工智能的积算仪壳体缺陷检测方法，所述方法包括：

获取积算仪壳体表面的灰度图像；

对所述灰度图像进行阈值分割获得疑似缺陷区域；根据所述疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度；对所述灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量；

根据所述灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域；将所述凹陷区域的任意一列像素点组成目标像素列；根据每个所述目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号；将存在突变区间且连续的目标像素列组成的区域作为目标区域，根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度；

将处于目标区域中的疑似缺陷区域作为目标缺陷区域，根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数；

根据所述老化显著系数对积算仪壳体的老化缺陷进行检测。

进一步地，所述对所述灰度图像进行阈值分割获得疑似缺陷区域包括：

基于大津阈值分割算法，根据灰度图像中所有像素点的灰度值获取最佳分割阈值，将灰度值大于最佳分割阈值的像素点作为疑似缺陷像素点；

对所述疑似缺陷像素点进行连通域分析，获得连通区域；将所述连通区域作为疑似缺陷区域。

进一步地，所述根据所述疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度包括：

获取所述疑似缺陷区域中像素点的邻域灰度差矩阵；

基于粗糙度计算公式对所述邻域灰度差矩阵进行粗糙度计算，获得疑似缺陷区域的粗糙度。

进一步地，所述对所述灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量包括：

对所述灰度图像进行边缘检测获取灰度图像中的边缘线；

根据灰度图像中的边缘线，统计每个所述疑似缺陷区域中边缘线的数量。

进一步地，所述根据所述灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域包括：

根据像素点的灰度值对所述灰度图像进行霍夫圆检测，获得灰度图像中的圆形边缘线；

将所述圆形边缘线围成的区域作为灰度图像中的凹陷区域。

进一步地，所述根据每个所述目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号包括：

构建所述灰度图像的坐标系，其中坐标系的横轴方向为灰度图像的水平方向，纵轴方向为坐标系的垂直方向，坐标系的原点为灰度图像左上角的像素点，在所述目标像素列中像素点的最大纵坐标和最小纵坐标之间均匀划分出预设长度的子区间；

对划分出的所述子区间按非零自然数的顺序进行编号，获取每个子区间对应的子区间序号；

根据所述子区间内像素点灰度值的分布获得突变区间和突变区间序号。

进一步地，所述根据所述子区间内像素点灰度值的分布获得突变区间和突变区间序号包括：

将每个所述目标像素列的每个子区间中像素点灰度值的极差，作为每个子区间的灰度极差；

获取所述灰度极差的最大值，将所述灰度极差的最大值大于预设第一阈值对应的子区间，作为目标像素列的突变区间，将对应子区间的子区间序号作为突变区间序号。

进一步地，所述根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度包括：

将所述目标区域中所有目标像素列的突变区间序号的方差，作为序号混乱度；

将每个目标像素列中所述突变区间中像素点灰度值的极差，作为每个目标像素列的突变程度；将目标区域中所有目标像素列的突变程度的平均值，作为整体突变程度；

获取目标区域的初始形变度，所述初始形变度与所述序号混乱度呈负相关，所述初始形变度与所述整体突变程度呈正相关，将所述初始形变度进行归一化处理获得目标区域的表面形变度。

进一步地，所述根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数包括：

将目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度的乘积值进行归一化处理，获得目标缺陷区域的老化显著系数。

进一步地，所述根据所述老化显著系数对积算仪壳体的老化缺陷进行检测包括：

将所述老化显著系数大于预设显著阈值的目标缺陷区域，作为积算仪壳体的老化缺陷区域。

本发明具有如下有益效果：

本发明考虑到积算仪壳体老化会导致壳体表面颜色变浅，所以首先对灰度图像进行阈值分割，初步提取出疑似缺陷区域，考虑到壳体老化会导致灰度图像的纹理更加粗糙并且出现较细的裂纹，所以通过获取疑似缺陷区域的粗糙度和边缘线的数量能够在后续中进一步判断是否为老化缺陷区域；考虑到壳体老化会导致其表面出现凹陷现象，因此首先获取灰度图像中可能的凹陷区域，由于灰度图像中的凹陷区域中的像素点灰度值相较于非凹陷区域有明显的突变，因此按照像素列进行分析，对目标像素列进行子区间划分获取目标像素列的突变区间和突变区间序号，进一步通过获取的表面形变度反映目标区域中出现凹陷的可能性，结合壳体老化具有的目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度的特征，得到老化显著系数，可对目标缺陷区域为老化缺陷区域的可能性进行评估分析，提高后续对积算仪壳体老化缺陷检测的准确性。

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基于人工智能的积算仪壳体缺陷检测方法流程图。

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积算仪壳体缺陷检测方法，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。

基于人工智能的积算仪壳体缺陷检测方法实施例：

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积算仪壳体缺陷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基于人工智能的积算仪壳体缺陷检测方法流程图，该方法包括：

步骤S1：获取积算仪壳体表面的灰度图像。

积算仪在长期使用过程中，其壳体会不可避免出现老化现象，比如壳体表面颜色变浅或出现较细的裂纹，还会在壳体表面形成凹坑，而老化对积算仪壳体造成的缺陷会影响积算仪的外观和耐用性，因此及时并精确的检测出积算仪壳体是否出现老化缺陷对后期的保养和维护具有重大意义。

本发明实施例首先使用电荷耦合器件(Charge Coupled Device，CCD)相机采集积算仪壳体表面的RGB图像，为了降低噪声带来的影响，提高图像的质量，在本发明的一个实施例中通过双边滤波对采集的RGB图像进行去噪处理，需要说明的是，双边滤波是本领域技术人员熟知的技术手段，在此不再赘述。

为了降低后续图像处理的计算量，提高处理速度，在本发明的一个实施例中将采集到的RGB图像进行灰度化处理，转化为单通道的灰度图像，需要说明的是，灰度化处理是本领域技术人员熟知的技术手段，在此不再赘述。

获取到积算仪壳体表面的灰度图像后，便可在后续中针对灰度图像进行分析，对灰度图像中的老化缺陷进行检测。

步骤S2：对灰度图像进行阈值分割获得疑似缺陷区域；根据疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度；对灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量。

积算仪的外壳材料通常为工程塑料，工程塑料在长期使用的过程中其表面会产生老化缺陷的区域，而积算仪壳体表面老化的部分区域的颜色会变浅，使得该区域中像素点灰度值相较于正常区域更大，因此首先对灰度图像进行阈值分割，初步获得灰度图像中因壳体老化而形成的疑似缺陷区域。

优选地，在本发明的一个实施例中疑似缺陷区域的获取方法具体包括：

由于积算仪壳体老化会使得其表面的颜色变浅，像素点灰度值增大，因此可基于大津阈值分割算法，根据灰度图像中所有像素点的灰度值获取最佳分割阈值，将灰度值大于最佳分割阈值的像素点作为疑似缺陷像素点；为了将相邻并且灰度差异相近的疑似缺陷像素点划分为同一区域，对疑似缺陷像素点进行连通域分析，获得连通区域；将连通区域作为疑似缺陷区域。

需要说明的是，大津阈值分割算法和连通域分析均是本领域技术人员熟知的技术手段，在此不再赘述。

为了确认疑似缺陷区域是否为积算仪壳体老化而形成的缺陷区域，可根据壳体老化具有的特征做进一步的分析，由于积算仪壳体老化后，其表面老化区域的纹理相较于正常区域会变得更加粗糙，并且老化区域会出现较多的细裂纹，因此可根据疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度，并对灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量，在后续中可基于粗糙度和边缘线的数量对疑似缺陷区域为老化缺陷区域的可能性进行评估分析。

优选地，在本发明的一个实施例中疑似缺陷区域的粗糙度的获取方法具体包括：

邻域灰度差矩阵能够表征图像中某一区域的粗糙性，因此可首先获取疑似缺陷区域中像素点的邻域灰度差矩阵，并基于邻域灰度差矩阵的粗糙度计算公式，对邻域灰度差矩阵进行粗糙度计算，获得疑似缺陷区域的粗糙度，其中粗糙度计算公式为邻域灰度差矩阵中每个灰阶的邻域灰度差与该灰阶出现的频率的加权平均的倒数。需要说明的是，领域灰度差矩阵以及相应的粗糙度计算公式是本领域技术人员熟知的技术手段，在此不再赘述。

优选地，在本发明的一个实施例中疑似缺陷区域中边缘线的数量的获取方法具体包括：

对疑似缺陷区域进行边缘检测获取灰度图像中的边缘线；并统计每个疑似缺陷区域中边缘线的数量，为了提高边缘线检测的效果，在本发明的一个实施例中使用canny边缘检测算子对灰度图像进行边缘检测，在本发明的其他实施例中也可使用例如sobel边缘检测算子或Laplacian边缘检测算子等边缘检测算子进行边缘检测，对此不做限制。

疑似缺陷区域的粗糙度越大，边缘线的数量越多，则疑似缺陷区域为积算仪壳体老化导致的缺陷区域的可能性就越大，因此可在后续中基于粗糙度和边缘线的数量对疑似缺陷区域进行评估，进而提高对老化缺陷区域识别的准确性。

步骤S3：根据灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域；将凹陷区域的任意一列像素点作为目标像素列，根据每个目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号；将存在突变区间且连续的目标像素列组成的区域作为目标区域，根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度。

由于积算仪壳体老化时，其表面会出现凹陷的现象，导致积算仪壳体表面出现凹坑，因此可检测积算仪壳体表面是否出现凹坑，进而分析其壳体是否已经老化，由于凹坑区域的边缘一般为圆形，并且由于反光原因，凹坑区域内像素点的灰度值大于非凹坑区域内像素点的灰度值，所以可首先对积算仪壳体表面的灰度图像进行霍夫圆检测，获得灰度图像中的凹陷区域。

优选地，在本发明的一个实施例中灰度图像的凹陷区域的获取方法具体包括：

对灰度图像进行霍夫圆检测获得灰度图像中的圆形边缘线；将圆形边缘线围成的区域作为灰度图像中的凹陷区域。需要说明的是，霍夫圆检测是本领域技术人员熟知的技术手段，在此不再赘述。

由于积算仪壳体表面由于老化出现的凹坑的反光能力更强，此时壳体表面的灰度图像中的凹陷区域的像素点灰度值比非凹陷区域的像素点灰度值更大，即凹陷区域的像素点灰度值发生了突变，可对灰度图像按照像素列进行分析，像素列为灰度图像中任意一列的像素点，若像素列的某个位置的像素点灰度值发生突变时，则说明该像素列上可能存在凹陷区域，因此可将检测出的凹陷区域所在的任意一个像素列作为目标像素列，分别对每个目标像素列进行分析，目标像素列中某个位置是否发生了突变可通过该目标像素列局部范围内的像素点灰度值的变化情况进行反映，因此可对每个目标像素列中像素点的纵坐标进行子区间划分获得突变区间和突变区间序号，突变区间能够反映出该目标像素列的像素点灰度值是否出现突变现象，即若目标像素列存在突变区间说明该目标像素列上存在突变现象，而突变区间序号能够反映出该目标像素列发生突变的位置。

优选地，在本发明的一个实施例中突变区间和突变区间序号的获取方法具体包括：

首先需要构建灰度图像的坐标系，其中坐标系的横轴方向为灰度图像的水平方向，纵轴方向为坐标系的垂直方向，坐标系的原点为灰度图像左上角的像素点，在目标像素列中像素点的最大纵坐标和最小纵坐标之间均匀划分出预设长度的子区间；对划分出的子区间按非零自然数的顺序进行编号，获取每个子区间对应的子区间序号，例如，将预设长度设为，则可将目标像素列中像素点的纵坐标所在区间/>为第一子区间，将区间/>作为第二子区间等等；当某一个子区间内的像素点灰度值存在突变现象时，该子区间内像素点的最大灰度值和最小灰度值的差值较大，即像素点灰度值的极差较大，所以将每个目标像素列的每个子区间中像素点灰度值的极差，作为每个子区间的灰度极差；获取灰度极差的最大值，将灰度极差的最大值大于预设第一阈值对应的子区间，作为目标像素列的突变区间；将对应子区间的子区间序号作为突变区间的序号。在本发明的一个实施例中预设长度设置为25，预设第一阈值设置为200，预设长度和预设第一阈值的具体数值可根据具体实施场景由实施者自行设置，在此不做限定。

需要说明的是，当划分出的最后一个区间的长度小于预设长度时，也将该区间作为一个完整的子区间。

获取目标像素列的突变区间后，由于某些目标像素列的像素点灰度值的突变的程度较小，这些目标像素列可视为并不存在突变区间，因此可将存在突变区间并且连续的像素列所组成的区域作为目标区域，若积算仪壳体表面在目标区域中出现凹坑，则目标区域中每个目标像素列的突变区间的序号较为接近，并且每个突变区间中像素点灰度值分布的差异性较大，所以可根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度，表面形变度能够反映目标区域出现凹坑的可能性，表面形变度越大，说明积算仪壳体表面在目标区域中出现凹坑的可能性就越大。

优选地，在本发明的一个实施例中目标区域的表面形变度的获取方法具体包括：

将目标区域中所有目标像素列的突变区间序号的方差，作为序号混乱度；将每个目标像素列中突变区间中像素点灰度值的极差，作为每个目标像素列的突变程度；将目标区域中所有目标像素列的突变程度的平均值，作为整体突变程度；获取目标区域的初始形变度，初始形变度与序号混乱度呈负相关，初始形变度与整体突变程度呈正相关，将初始形变度进行归一化处理获得目标区域的表面形变度。表面形变度的表达式可以具体例如为：

其中，表示第/>个目标区域的表面形变度；/>表示第/>个目标区域的序号混乱度；/>表示第/>个目标区域的整体突变程度；/>表示第/>个目标区域中第/>个目标像素列的突变区间序号；/>表示第/>个目标区域中所有目标像素列的突变区间序号的平均值；/>表示第个目标区域中第/>个目标像素列的突变区间中像素点灰度值的极差，即第/>个目标像素列的突变程度；/>表示第/>个目标区域中目标像素列的数量；/>表示归一化函数；/>表示调参因子，用于防止分母为0，在本发明的一个实施例中/>设置为1，调参因子/>的具体数值可根据具体实施场景由实施者自行设置，再不做限定。

在目标区域的表面形变度的获取过程中，表面形变度表示第/>个目标区域的表面形变度，表面形变度/>越大，说明积算仪壳体表面在目标区域中存在凹陷区域的可能性就越大；/>表示第/>个目标区域中第/>个目标像素列的突变区间序号，如果目标区域中存在凹陷区域，则该目标区域中各个目标像素列发生突变的位置比较接近，即目标区域中各个目标像素列的突变区间序号是比较接近的，因此序号混乱度/>越小，说明积算仪壳体表面在目标区域中存在凹陷区域的可能性就越大，则表面形变度/>就越大；而当目标区域中存在凹陷区域时，由于光线和反光原因，凹陷区域中像素点灰度值发生突变，凹陷区域的像素点灰度值比非凹陷区域更大，则每个目标像素列中突变区间的像素点灰度值之间的极差/>较大，所以在本发明的一个实施例中将目标区域中所有目标像素列的突变区间中像素点灰度值的极差的平均值，作为目标区域的整体突变程度/>，整体突变程度/>越大，说明积算仪壳体表面在目标区域中存在凹陷区域的可能性就越大，表面形变度/>就越大，并对初始形变度/>进行归一化获得对应的表面形变度/>，便于后续根据表面形变度/>进行进一步的评估分析。

在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

步骤S4：将处于目标区域中的疑似缺陷区域作为目标缺陷区域，根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数。

在步骤S2中的疑似缺陷区域只是初步获取了积算仪壳体因老化而形成的缺陷区域，由于积算仪壳体表面还存在例如划痕等其他非老化缺陷区域，因此需要对疑似缺陷区域做进一步的分析，由于目标区域中有更大可能性存在壳体老化的特征，即存在凹坑，因此可将处于目标区域中的疑似缺陷区域作为目标缺陷区域，实现对老化缺陷区域进一步的确认，进而可根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数，老化显著系数能够反映出目标缺陷区域为老化缺陷区域的可能性，老化显著系数越大，说明对应的目标缺陷区域越可能为积算仪壳体因老化而形成的老化缺陷区域，进而在后续中可根据老化显著系数对目标缺陷区域做出准确分析，提高对老化缺陷识别的准确性。

优选地，在本发明的一个实施例中目标缺陷区域的老化显著系数的获取方法具体包括：

由于目标缺陷区域是处于目标区域中的疑似缺陷区域，因此可根据上述过程中，基于积算仪壳体老化具有的多个特征计算出的粗糙度、边缘线的数量以及表面形变度，对目标缺陷区域为老化缺陷区域的可能性进行分析，将目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度的乘积值进行归一化处理，获得目标缺陷区域的老化显著系数。老化显著系数的表达式可以具体例如为：

其中，表示第/>个目标区域中第/>个目标缺陷区域的老化显著系数；/>表示第/>个目标缺陷区域所在的第/>个目标区域的表面形变度；/>表示第/>个目标区域中第/>个目标缺陷区域的粗糙度；/>表示第/>个目标区域中第/>个目标缺陷区域内边缘线的数量；表示归一化函数。

在目标缺陷区域的老化显著系数的获取过程中，目标缺陷区域所在的目标区域的表面形变度越大，说明该目标区域中存在老化的凹坑特征的可能性就越大，进而说明该目标区域中目标缺陷区域越可能为老化缺陷，则该目标缺陷区域的老化显著系数/>就越大；由于积算仪壳体老化会导致其表面变粗糙，因此目标缺陷区域的粗糙度/>越大，说明该目标缺陷区域越可能为老化缺陷，则该目标缺陷区域的老化显著系数/>就越大；由于积算仪壳体老化还会导致其表面出现较多的细裂纹，因此目标缺陷区域内边缘线的数量越大，说明该目标缺陷区域越可能为老化缺陷，则该目标缺陷区域的老化显著系数/>就越大，因此在本发明的一个实施例中将表面形变度/>、粗糙度/>以及边缘线的数量的乘积值并进行归一化的结果作为目标缺陷区域的老化显著系数/>。

获取目标缺陷区域的老化显著系数后，便可在后续中根据老化显著系数对目标缺陷区域进行评估分析，进而准确的检测出对积算仪壳体表面的老化缺陷。

步骤S5：根据老化显著系数对积算仪壳体的老化缺陷进行检测。

积算仪壳体表面的目标缺陷区域的老化显著系数能够反映该目标缺陷区域为老化缺陷的可能性，即老化显著系数越大，说明该目标缺陷区域是积算仪壳体由于老化造成的缺陷区域的可能性就越大，因此可以根据老化显著系数对目标缺陷区域进行评估分析，进而准确检测出积算仪壳体表面的灰度图像中的老化缺陷区域。

优选地，在本发明的一个实施例中根据老化显著系数对积算仪壳体的老化缺陷进行检测具体包括：

由于老化显著系数越大，该目标缺陷区域是积算仪壳体由于老化造成的缺陷区域的可能性就越大，因此可以设置一个预设显著阈值，将老化显著系数大于预设显著阈值的目标缺陷区域，作为积算仪壳体的老化缺陷区域，从而可实现对积算仪壳体表面因老化造成的老化缺陷区域的检测，并提高了对积算仪壳体老化缺陷检测的准确性，在本发明的一个实施例中预设显著阈值设置为0.8，预设显著阈值的具体数值可根据具体实施场景由实施者自行设置，在此不做限定。

检测出积算仪壳体表面存在的老化缺陷以后，在后期便可及时对积算仪壳体进行保养和维护，进而可提高积算仪设备的耐用性。

综上所述，本发明实施例首先获取积算仪壳体表面的灰度图像，对灰度图像进行大津阈值分割，初步提取出疑似缺陷区域，根据疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度，对灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量；考虑到壳体老化会导致其表面出现凹陷现象，所以首先对灰度图像进行霍夫圆检测获取灰度图像的凹陷区域，然后对灰度图像按照像素列进行分析，将凹陷区域所在的任一像素列作为目标像素列，对每个目标像素列中像素点的纵坐标进行子区间划分获取目标像素列对应的子区间和子区间序号，并根据子区间中像素点灰度值的极差获得突变区间和突变区间序号，进一步通过获取的表面形变度能够反映目标区域中出现凹陷的可能性，结合积算仪壳体老化具有的各种特征，通过获取的老化显著系数可对目标缺陷区域为老化缺陷区域的可能性进行评估分析，将老化显著系数大于预设显著阈值的目标缺陷区域作为老化缺陷区域，提高了对积算仪壳体老化缺陷检测的准确性。

基于人工智能的积算仪壳体老化缺陷评估方法实施例：

相关技术中对物体表面缺陷的评估方法通常为：对物体表面的灰度图像进行自适应分割获得各个区域，获取各个区域对应的灰度直方图的多阶矩，根据多阶矩获得区域的评估值，基于评估值对各区域中的缺陷情况进行评估分析。但由于积算仪壳体在长期使用过程中，其表面不仅存在老化缺陷，还存在划痕等非老化缺陷，仅根据灰度直方图的多阶矩无法对积算仪壳体存在的老化缺陷进行精确的评估，并且在评估过程中无法识别出老化缺陷和非老化缺陷之间的区别，降低对积算仪壳体的老化缺陷评估的准确性。

为了解决该问题，本实施例提供了一种基于人工智能的积算仪壳体老化缺陷评估方法，包括：

步骤S1：获取积算仪壳体表面的灰度图像。

步骤S2：对灰度图像进行阈值分割获得疑似缺陷区域；根据疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度；对灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量。

步骤S3：根据灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域；将凹陷区域的任意一列像素点组成目标像素列；根据每个目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号；将存在突变区间且连续的目标像素列组成的区域作为目标区域，根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度。

步骤S4：将处于目标区域中的疑似缺陷区域作为目标缺陷区域，根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数。

其中，步骤S1~S4在上述一种基于人工智能的积算仪壳体缺陷检测方法实施例中已给出了详细说明，在此不再赘述。

本发明实施例带来的有益效果为：本发明实施例考虑到积算仪壳体老化会导致壳体表面颜色变浅，所以首先对灰度图像进行阈值分割，初步提取出疑似缺陷区域，考虑到壳体老化会导致灰度图像的纹理更加粗糙并且出现较细的裂纹，所以通过获取疑似缺陷区域的粗糙度和边缘线的数量能够在后续中进一步判断是否为老化缺陷区域；考虑到壳体老化会导致其表面出现凹陷现象，因此首先获取灰度图像中可能的凹陷区域，由于灰度图像中的凹陷区域中的像素点灰度值相较于非凹陷区域有明显的突变，因此按照像素列进行分析，对目标像素列进行子区间划分获取目标像素列的突变区间和突变区间序号，进一步通过获取的表面形变度能够反映目标区域中出现凹陷的可能性，结合壳体老化具有的各种特征，通过获取的老化显著系数可对目标缺陷区域为老化缺陷区域的可能性进行评估分析，提高了对积算仪壳体的老化缺陷评估的准确性。

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。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 (10)

1.一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述方法包括：

获取积算仪壳体表面的灰度图像；

对所述灰度图像进行阈值分割获得疑似缺陷区域；根据所述疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度；对所述灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量；

根据所述灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域；将所述凹陷区域的任意一列像素点组成目标像素列；根据每个所述目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号；将存在突变区间且连续的目标像素列组成的区域作为目标区域，根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度；

将处于目标区域中的疑似缺陷区域作为目标缺陷区域，根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数；

根据所述老化显著系数对积算仪壳体的老化缺陷进行检测。

2.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述对所述灰度图像进行阈值分割获得疑似缺陷区域包括：

基于大津阈值分割算法，根据灰度图像中所有像素点的灰度值获取最佳分割阈值，将灰度值大于最佳分割阈值的像素点作为疑似缺陷像素点；

对所述疑似缺陷像素点进行连通域分析，获得连通区域；将所述连通区域作为疑似缺陷区域。

3.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据所述疑似缺陷区域的纹理特征获得疑似缺陷区域的粗糙度包括：

获取所述疑似缺陷区域中像素点的邻域灰度差矩阵；

基于粗糙度计算公式对所述邻域灰度差矩阵进行粗糙度计算，获得疑似缺陷区域的粗糙度。

4.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述对所述灰度图像进行边缘检测获取疑似缺陷区域中边缘线的数量包括：

对所述灰度图像进行边缘检测获取灰度图像中的边缘线；

根据灰度图像中的边缘线，统计每个所述疑似缺陷区域中边缘线的数量。

5.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据所述灰度图像中像素点的灰度分布，获取灰度图像的凹陷区域包括：

根据像素点的灰度值对所述灰度图像进行霍夫圆检测，获得灰度图像中的圆形边缘线；

将所述圆形边缘线围成的区域作为灰度图像中的凹陷区域。

6.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据每个所述目标像素列中像素点的灰度分布进行子区间划分获得突变区间和突变区间序号包括：

构建所述灰度图像的坐标系，其中坐标系的横轴方向为灰度图像的水平方向，纵轴方向为坐标系的垂直方向，坐标系的原点为灰度图像左上角的像素点，在所述目标像素列中像素点的最大纵坐标和最小纵坐标之间均匀划分出预设长度的子区间；

对划分出的所述子区间按非零自然数的顺序进行编号，获取每个子区间对应的子区间序号；

根据所述子区间内像素点灰度值的分布获得突变区间和突变区间序号。

7.根据权利要求6所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据所述子区间内像素点灰度值的分布获得突变区间和突变区间序号包括：

将每个所述目标像素列的每个子区间中像素点灰度值的极差，作为每个子区间的灰度极差；

获取所述灰度极差的最大值，将所述灰度极差的最大值大于预设第一阈值对应的子区间，作为目标像素列的突变区间，将对应子区间的子区间序号作为突变区间序号。

8.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据目标区域中目标像素列的突变区间序号的分布和突变区间中像素点灰度值的分布，获得目标区域的表面形变度包括：

将所述目标区域中所有目标像素列的突变区间序号的方差，作为序号混乱度；

将每个目标像素列中所述突变区间中像素点灰度值的极差，作为每个目标像素列的突变程度；将目标区域中所有目标像素列的突变程度的平均值，作为整体突变程度；

获取目标区域的初始形变度，所述初始形变度与所述序号混乱度呈负相关，所述初始形变度与所述整体突变程度呈正相关，将所述初始形变度进行归一化处理获得目标区域的表面形变度。

9.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度，获得目标缺陷区域的老化显著系数包括：

将目标缺陷区域的粗糙度、目标缺陷区域中边缘线的数量以及目标区域的表面形变度的乘积值进行归一化处理，获得目标缺陷区域的老化显著系数。

10.根据权利要求1所述的一种基于人工智能的积算仪壳体缺陷检测方法，其特征在于，所述根据所述老化显著系数对积算仪壳体的老化缺陷进行检测包括：

将所述老化显著系数大于预设显著阈值的目标缺陷区域，作为积算仪壳体的老化缺陷区域。