【技術實現步驟摘要】
本專利技術涉及智能檢測，具體而言，涉及一種基于機器視覺的攝像頭外殼檢測方法及檢測系統。
技術介紹
1、隨著汽車自動駕駛技術的快速發展，攝像頭作為關鍵的感知硬件，承擔著環境監測、障礙物識別及道路標線檢測等重要功能。為確保自動駕駛系統的穩定性與安全性，攝像頭外殼的質量直接影響到設備的耐用性和圖像采集性能，因而其檢測需求愈發重要。
2、然而，傳統的攝像頭外殼檢測方法中需要操作人員通過目測或使用簡單工具對外殼表面和結構進行檢查。雖然該方法直觀，但由于檢測效率低、成本高且受制于人為主觀因素，難以滿足現代化自動化生產線的需求。部分自動化檢測系統采用機器視覺方法，對攝像頭外殼進行圖像采集和分析。然而，單角度檢測的視野范圍有限，容易出現漏檢現象，特別是對于外殼復雜曲面及隱藏區域的缺陷難以覆蓋。
3、因此，有必要設計一種基于機器視覺的攝像頭外殼檢測方法及檢測系統用以解決當前技術中存在的問題。
技術實現思路
1、鑒于此，本專利技術提出了一種基于機器視覺的攝像頭外殼檢測方法及檢測系統，旨在解決當前攝像頭外殼檢測中存在的檢測效率低、檢測結果可靠性較低的問題。
2、一個方面，本專利技術提出了一種基于機器視覺的攝像頭外殼檢測方法，包括：
3、設置若干圖像采集裝置，采集待檢測外殼的圖像數據構成圖像數據鏈，對所述圖像數據鏈中每一圖像數據進行特征提取，獲得每一圖像數據的特征向量；
4、基于flann（fastlibraryfor?approximate?n
5、對每一所述子數據鏈中每一圖像數據進行缺陷識別，通過輪廓交疊度去重，確定每一圖像數據的缺陷面積以及缺陷深度；
6、根據所述缺陷面積以及缺陷深度獲得所述待檢測外殼的表面檢測評估；
7、對所述待檢測外殼進行恒溫加熱，基于紅外圖像采集裝置采集所述待檢測外殼的紅外圖像，根據所述紅外圖像確定所述待檢測外殼的內部檢測評估；
8、根據所述表面檢測評估以及內部檢測評估獲得所述待檢測外殼的整體缺陷值，根據所述整體缺陷值進行檢測預警。
9、進一步的，對所述圖像數據鏈中每一圖像數據進行特征提取，獲得每一圖像數據的特征向量時，包括：
10、將所述圖像數據轉換為灰度圖，遍歷所述灰度圖中所有像素，計算每個像素與其鄰域像素之間的灰度值組合，將組合統計結果填入矩陣，生成灰度共生矩陣；
11、根據所述灰度共生矩陣計算紋理特征，所述紋理特征包括能量、對比度和同質性；
12、將所述紋理特征進行歸一化處理獲得所述特征向量。
13、進一步的，根據所述灰度共生矩陣計算紋理特征時，包括：
14、所述共生矩陣定義為：
15、；
16、其中，p(i,j)表示在給定距離d和方向θ下，灰度值i和j的像素對出現的概率，d表示像素對的間距，θ表示方向角度；
17、通過下式計算所述紋理特征：
18、；
19、；
20、；
21、其中，e表示能量，c表示對比度，h表示同質性。
22、進一步的，基于flann算法對所述圖像數據鏈進行處理，將所述圖像數據鏈拆分為若干個子數據鏈時，包括：
23、提取所述圖像數據鏈中每一圖像數據的特征向量，構成特征集合；
24、使用flann構建快速搜索的索引結構，選擇kd-tree為索引類型；
25、對集合中的每一所述特征向量，使用flann找到與其相似的特征向量集合，將滿足相似條件的圖像劃分到同一子數據鏈；
26、所述相似條件為：
27、；
28、其中，ti、tj分別表示第i副圖、第j副圖的特征向量，表示特征向量之間的相似性，k表示特征向量的第k個分量，d表示特征向量的維度。
29、進一步的，通過輪廓交疊度去重時，包括：
30、將所述子數據鏈中每兩個圖像數據為一組計算缺陷的輪廓交疊度；
31、；
32、其中，c1、c2分別表示子數據鏈中兩幅圖像的缺陷輪廓；
33、將所述輪廓交疊度與交疊度閾值進行比對；
34、當所述輪廓交疊度大于所述交疊度閾值時，判定兩幅圖像的缺陷為同一缺陷并保留缺陷輪廓大的圖像數據；當所述輪廓交疊度小于或等于所述交疊度閾值時，判定兩幅圖像的缺陷為不同缺陷，將兩幅圖像數據進行合并，并對缺陷輪廓進行疊加。
35、進一步的，根據所述缺陷面積以及缺陷深度獲得所述待檢測外殼的表面檢測評估時，包括：
36、；
37、其中，s1表示表面檢測評估，az表示待檢測外殼的檢測面積，dr表示第r個缺陷的最大深度，ar表示第r個缺陷的面積，dmax表示待檢測外殼的最大厚度，α表示非線性面積因子，α取值范圍[1.1，1.5]，qa、qb分別表示面積權重與深度權重，qa取值范圍[30，50]，qb取值范圍[20，40]，r表示表面缺陷總數。
38、進一步的，根據所述紅外圖像確定所述待檢測外殼的內部檢測評估時，包括：
39、采集多角度的紅外圖像，構成所述待檢測外殼的三維溫度數據；
40、統計分析所述三維溫度數據中每個點與鄰域溫度的偏差值，當所述偏差值大于偏差值閾值時，將該點標記為異常點；
41、所述偏差值通過下式計算獲得：
42、；
43、其中，表示點的溫度偏差值，表示的標準化溫度值，表示點的鄰域點集合，表示鄰域點的總數，表示鄰域點標準化溫度值的總和；
44、從一所述異常點開始遍歷相鄰像素劃分異常區域，直至未檢測到新增異常點且已遍歷全部像素，記錄每一內部缺陷面積以及每一內部缺陷的最大溫差。
45、進一步的，根據所述紅外圖像確定所述待檢測外殼的內部檢測評估時，包括：
46、；
47、其中，s2表示內部檢測評估，at表示待檢測外殼的體積，ae表示第e個缺陷的體積，we表示第e個缺陷的標準溫度的均值，wmax表示最大標準溫度差值，e表示內部缺陷總數，qc表示體積權重，取值范圍[30，50]，qd表示溫度權重，取值范圍[10，20]。
48、進一步的，根據所述整體缺陷值進行檢測預警時，包括：
49、所述整體缺陷值通過下式計算獲得：
50、；
51、其中，s表示整體缺陷值，s1表示表面檢測評估，s2表示內部檢測評估，u1、u2表示權重系數，且u1+u2=1；
52、將所述整體缺陷值分別與第一預設整體缺陷值和第二預設整體缺陷值進行比對，所述第一預設整體缺陷值小于第二預設整體缺陷值，根據比對結果進行檢測預警；
53、當所述整體缺陷值小于或等于第一預本文檔來自技高網...
【技術保護點】
1.一種基于機器視覺的攝像頭外殼檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，對所述圖像數據鏈中每一圖像數據進行特征提取，獲得每一圖像數據的特征向量時，包括：
3.根據權利要求2所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，根據所述灰度共生矩陣計算紋理特征時，包括：
4.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，基于FLANN算法對所述圖像數據鏈進行處理，將所述圖像數據鏈拆分為若干個子數據鏈時，包括：
5.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，通過輪廓交疊度去重時，包括：
6.根據權利要求5所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，根據所述缺陷面積以及缺陷深度獲得所述待檢測外殼的表面檢測評估時，包括：
7.根據權利要求6所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，根據所述紅外圖像確定所述待檢測外殼的內部檢測評估時，包括：
8.根據權利要求7所述的基于機器視覺的攝像頭外殼
9.根據權利要求8所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，根據所述整體缺陷值進行檢測預警時，包括：
10.一種基于機器視覺的攝像頭外殼檢測系統，應用于如權利要求1-9任一項所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，包括：
...【技術特征摘要】
1.一種基于機器視覺的攝像頭外殼檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，對所述圖像數據鏈中每一圖像數據進行特征提取，獲得每一圖像數據的特征向量時，包括：
3.根據權利要求2所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，根據所述灰度共生矩陣計算紋理特征時，包括：
4.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，基于flann算法對所述圖像數據鏈進行處理，將所述圖像數據鏈拆分為若干個子數據鏈時，包括：
5.根據權利要求1所述的基于機器視覺的攝像頭外殼檢測方法，其特征在于，通過輪廓交疊度去重時，包括：
6.根據權利要求5所述...
【專利技術屬性】
技術研發人員：劉秋華，張懷良，劉春平，
申請(專利權)人：深圳市欣茂鑫實業有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。