买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳华唛智能科技有限公司

摘要：本发明公开一种基于机器视觉的手表外壳表面检测系统及方法，涉及手表外壳表面检测技术领域，解决手表外壳表面检测不够准确问题，其中尺度空间特征提取算法对手表外壳表面图像进行尺度空间特征描述，实现手表外壳表面的凹陷检测和形变检测，局部梯度计算模块、特征描述子构建模块、特征匹配与筛选模块和检测识别模块实现手表外壳表面的裂纹检测和划痕检测，t分布随机邻域嵌入算法将手表外壳表面图像进行维度空间映射，特征提取器模块、特征选择器模块和瑕疵氧化识别模块对维度空间进行瑕疵和氧化特征提取，实现手表外壳表面的瑕疵检测和氧化检测，本发明大大提高手表外壳表面检测效率和准确性，实现全面的手表外壳表面检测。

主权项：1.一种基于机器视觉的手表外壳表面检测系统，其特征在于：包含：图像采集模块，用于采集手表外壳表面图像，所述图像采集模块采用CMOS相机采集手表外壳表面图像，所述CMOS相机配备软件接口和开发工具包进行参数设置、校正和调试操作；光源照明模块，用于充分照亮手表外壳的表面，在手表外壳表面图像采集的同时提供明亮的光线，所述光源照明模块采用LED照明灯提供均匀的照明；图像处理模块，用于对采集到的手表外壳表面图像进行处理，所述图像处理模块通过均值滤波进行手表外壳表面图像的滤波，实现手表外壳表面图像的去噪操作，所述图像处理模块再通过频率通道融合将手表外壳表面图像的频率通道进行融合，提高手表外壳表面图像的分辨率99%；凹陷形变检测模块，用于检测手表外壳表面的凹陷和形变，所述凹陷形变检测模块采用尺度空间特征提取算法对手表外壳表面图像进行尺度空间特征描述，提取出凹陷特征和形变特征，所述尺度空间特征提取算法根据凹陷特征和形变特征实现手表外壳表面的凹陷检测和形变检测；裂纹划痕检测模块，用于检测手表外壳表面的裂纹和划痕，所述裂纹划痕检测模块采用局部梯度特征提取算法模型分析手表外壳表面图像中裂纹和划痕特征，实现手表外壳表面的裂纹检测和划痕检测，所述局部梯度特征提取算法模型包括局部梯度计算模块、特征描述子构建模块、特征匹配与筛选模块和检测识别模块，所述局部梯度计算模块的输出端与所述特征描述子构建模块计算模块的输入端连接，所述特征描述子构建模块的输出端与所述特征匹配与筛选模块的输入端连接，所述特征匹配与筛选模块的输出端与所述检测识别模块的输入端连接；瑕疵氧化检测模块，用于检测手表外壳表面的瑕疵和氧化，所述瑕疵氧化检测模块采用图像维度映射分析机制将手表外壳表面图像进行维度空间映射，所述瑕疵氧化检测模块再采用方差特征提取模型对手表外壳表面图像的维度空间进行瑕疵和氧化特征提取，实现手表外壳表面的瑕疵检测和氧化检测；所述光源照明模块的输出端与所述图像采集模块的输入端连接，所述图像采集模块的输出端与所述图像处理模块的输入端连接，所述图像处理模块的输出端与所述凹陷形变检测模块的输入端、裂纹划痕检测模块的输入端和瑕疵氧化检测模块输入端连接，所述凹陷形变检测模块、裂纹划痕检测模块和瑕疵氧化检测模块并行连接；所述尺度空间特征提取算法的工作方法为：S1、采用高斯差分金字塔构建尺度空间模型，所述高斯差分金字塔通过下采样压缩操作和高斯核模糊处理将手表外壳表面图像压缩和模糊化处理得到至少6个尺度空间图像，所述高斯核模糊处理通过高斯模糊函数得到尺度空间图像特有的尺度值，所述尺度空间图像的尺度值计算公式为： 在公式（1）中，为尺度空间图像的尺度值，为尺度空间图像的尺度因数，为高斯模糊函数的高斯卷积核覆盖目标区域面积，为高斯模糊函数的高斯卷积核的数量；S2、然后再采用尺度不变特征变换网络对尺度空间图像进行极值点检测，得到关键点，所述尺度不变特征变换网络通过泰勒展开函数求解关键点精确位置和尺度，得到关键点的水平方向尺度和垂直方向尺度；S3、最后采用特征匹配机制以关键点为中心，建立16x16大小的邻域区域，所述特征匹配机制通过高斯加权函数计算邻域区域内每个像素的梯度幅值和方向，得到一个128维的特征向量，所述特征匹配机制根据特征向量进行值阈分析判断凹陷点或形变点；所述局部梯度计算模块采用边缘检测分析算子计算手表外壳表面图像中的局部梯度信息，所述边缘检测分析算子通过像素卷积网络将3x3的模板应用于手表外壳表面图像中的每个像素点，所述像素卷积网络根据像素点的梯度幅值和方向进行卷积操作，将模板与当前像素点的灰度值进行乘法运算，将所有结果相加得到一个新的像素值，所述新的像素值代表当前位置处的局部梯度特征值；所述特征描述子构建模块采用矩阵行列式极值检测对局部梯度信息的关键点进行检测，确定每个关键点的采样区域，所述特征描述子构建模块再采用局部大块描述算子将关键点的采样区域转化为统计特征描述子，所述局部大块描述算子通过采样区域划分将每个采样区域的梯度方向分成8个区间，所述局部大块描述算子再通过方向梯度直方图构建机制对每个区间内的梯度值进行累加得到梯度直方图，所述局部大块描述算子最后通过LBP码间串联协议将梯度直方图串联起来，形成一个全局特征向量作为该关键点的统计特征描述子；所述特征匹配与筛选模块采用基于近似最近邻搜索算子对提取出的特征描述子进行匹配，所述基于近似最近邻搜索算子采用二叉树结构构建索引结构找到特征描述子匹配的特征点，所述二叉树结构的节点表示样本点，所述二叉树结构通过递归划分特征空间对每个样本点中的子集进行递归匹配，所述特征匹配与筛选模块再采用基于Harris角点检测机制对提取出的特征描述子进行筛选，所述基于Harris角点检测机制通过尺度空间极值检测提取出具有旋转不变性和尺度不变性的特征点，所述尺度空间极值检测通过高斯滤波机制对特征描述子进行平滑处理，模拟特征描述子在不同尺度下的特征点，所述基于Harris角点检测机制根据特征点筛选匹配的特征描述子；所述检测识别模块采用噪声空间聚类将匹配和筛选到的特征描述子聚合，所述噪声空间聚类通过迭代更新簇中心点将特征描述子分配到最近的簇中，直到收敛为止，所述检测识别模块再采用决策树机器学习机制将聚合后的特征描述子进行识别，所述决策树机器学习机制通过队列迭代模型训练构建决策树分类器判断检测到的特征描述子是裂纹或划痕，所述决策树分类器通过局部特征描述协议生成特征描述子具有固定长度和方向性质的特征向量，所述决策树分类器根据特征向量进行分类和预测实现裂纹或划痕的检测；所述图像维度映射分析机制采用t分布随机邻域嵌入算法进行非线性降维得到手表外壳表面图像的维度空间，所述t分布随机邻域嵌入算法通过欧几里得距离衡量手表外壳表面图像中像素的相似度，所述t分布随机邻域嵌入算法通过梯度下降优化迭代机制优化目标映射函数，所述梯度下降优化迭代机制根据手表外壳表面图像中像素的相似度进行函数优化得到目标映射函数，所述t分布随机邻域嵌入算法根据优化好的目标映射函数以最小化原始距离映射手表外壳表面图像的维度空间，所述目标映射函数通过相似度矩阵得到手表外壳表面图像的维度空间，并保留像素之间的相对距离关系；所述方差特征提取模型包括特征提取器模块、特征选择器模块和瑕疵氧化识别模块，所述特征提取器模块的输出端与所述特征选择器模块的输入端连接，所述特征选择器模块的输出端与所述瑕疵氧化识别模块的输入端连接，所述特征提取器模块采用GPQ半监督卷积神经网络从手表外壳表面图像中提取瑕疵和氧化的关键特征指标，所述关键特征指标至少包括亮度、对比度、颜色分布、纹理、斜率和法线，所述GPQ半监督卷积神经网络通过余弦相似性分类器构建灰度共生矩阵，所述余弦相似性分类器根据灰度共生矩阵分析和提取手表外壳表面图像中的亮度和对比度信息，所述GPQ半监督卷积神经网络再通过Gabor滤波机制进行子空间极小最大熵损失逻辑分析，得到手表外壳表面图像中的颜色分布和纹理信息，所述GPQ半监督卷积神经网络最后通过小波变换分型结构对特征向量进行归一化，所述GPQ半监督卷积神经网络根据归一化后的特征向量确定斜率和法线信息；所述特征选择器模块采用线性判别分析算子对关键特征指标进行降噪和筛选，所述线性判别分析算子采用贝叶斯理论构建类内散度矩阵机制计算每个类别下关键特征指标的所有样本点与类别均值之间的距离平方和，将距离平方和相加得到类内散度矩，所述贝叶斯理论构建类内散度矩阵机制根据投影向量确定最大化类间散度矩阵和最小化类内散度矩阵，所述线性判别分析算子根据最大化类间散度矩阵和最小化类内散度矩阵对关键特征指标进行映射降噪，所述线性判别分析算子采用特征变量筛选机制对降噪后的关键特征指标进行筛选，所述特征变量筛选机制通过计算最小化多元方差分析的特征向量来得到鉴别特征向量，所述特征变量筛选机制根据鉴别特征向量对关键特征指标进行筛选优化；所述瑕疵氧化识别模块采用k近邻算法分类器实现对手表外壳表面图像的瑕疵检测和氧化检测，所述瑕疵氧化识别模块通过局部二值模式对关键特征指标进行训练实现k近邻算法分类器的优化，所述局部二值模式根据二进制编码调整k近邻算法分类器k值，优化k近邻算法分类器性能，所述k近邻算法分类器通过欧氏距离和余弦相似度度量机制找到离瑕疵氧最近的关键特征指标，所述k近邻算法分类器根据关键特征指标的标签检测手表外壳表面图像的瑕疵和氧化部位。

全文数据：

权利要求：

百度查询： 深圳华唛智能科技有限公司 基于机器视觉的手表外壳表面检测系统及方法