一种再生铝合金模板表面缺陷识别方法与流程

本发明涉及铝合金生产，特别涉及一种再生铝合金模板表面缺陷识别方法。

背景技术：

1、铝合金模板是一种用于制造各种铝合金制品的模具或模型。它通常由铝合金材料制成，具有高强度、耐磨损、耐腐蚀等特点。铝合金模板广泛应用于各个领域，如汽车工业、航空航天、建筑和建筑、电子和电气工业等。

2、目前，随着工业生产中节能环保意识的提升，再生铝合金模板技术逐渐应用于铝合金生产领域，再生铝合金模板是指利用回收的废旧铝材料进行再生和再利用制造的铝合金模板。再生铝合金模板的使用虽然有助于推动循环经济和可持续发展，减少资源消耗和环境影响。但是由于废旧铝材料的不确定性以及参差不齐的质量，导致再生的铝合金模板的物理特性以及产品性能与原始模板有一定的差距，因此再生铝合金模板的质量控制和检测显得尤为重要。

3、因此，本发明提供一种再生铝合金模板表面缺陷识别方法。

技术实现思路

1、本发明提供一种再生铝合金模板表面缺陷识别方法，用以提升对再生铝合金模板表面缺陷的识别精度，进而提升了再生铝合金模板成品的质量水平，从而提升了对铝合金生产的质量控制水平。

2、本发明提供一种再生铝合金模板表面缺陷识别方法，包括：

3、步骤1：通过影像采集设备获取模板的实时图像，对所述实时图像进行预处理，得到待处理图像；

4、步骤2：对所述待处理图像进行特征提取，生成缺陷特征信息，并将所述缺陷特征信息输入预设缺陷识别模型中进行缺陷识别，得到第一结果；

5、步骤3：获取模板的历史缺陷图像信息，并建立历史缺陷图像集，同时，将所述第一结果、历史缺陷图像集输入预设图像对比模型中进行对比分析，得到第二结果；

6、步骤4：基于所述缺陷特征信息，在预设模型数据库中筛选得到缺陷分析模型，并将所述第一结果、第二结果输入所述缺陷分析模型中进行缺陷分析，得到最终识别结果。

7、优选的，步骤1中，包括：

8、通过影像采集设备从预设角度对模板表面进行图像采集，得到实时图像，并根据所述实时图像的时间顺序建立实时图像集；

9、对所述实时图像集中的每一实时图像进行预处理，并将符合预设第一阈值的实时图像标定为待处理图像。

10、优选的，步骤2中，包括：

11、获取所述实时图像集中的待处理图像，同时，在预设策略数据库中筛选出适配的特征提取策略；

12、基于所述特征提取策略，在预设策略-方法对照表中选取合适的特征提取方法；

13、基于所述特征提取方法，对所述待处理图像进行特征提取，生成缺陷特征信息。

14、优选的，步骤2中，还包括：

15、基于所述缺陷特征信息，在预设特征-模型匹配表中获取模型信息，并基于所述模型信息在预设模型数据库中选取对应的预设缺陷识别模型；

16、将所述缺陷特征信息输入所述预设缺陷识别模型中进行缺陷识别，得到第一结果。

17、优选的，步骤3中，包括：

18、基于所述缺陷特征信息、第一结果，在历史缺陷数据库中筛选得到匹配度大于第一匹配度的历史缺陷图像信息；

19、将所述历史缺陷图像信息进行缺陷分类，并基于分类结果建立历史缺陷图像集；

20、同时，利用预设图像对比模型对所述第一结果、历史缺陷图像集进行对比分析，得到第二结果。

21、优选的，步骤3中，还包括：

22、对所述缺陷特征信息进行内容解析，并基于解析内容建立缺陷特征数据包；

23、对所述缺陷特征数据包中的所有缺陷特征进行归类分析，并建立缺陷特征分类表；

24、结合预设类别-因子匹配表，获取所述缺陷特征分类表中每一特征种类的第一筛选因子；

25、同时，将所述缺陷特征数据包输入预设特征分析模型进行参数计算，得到每一缺陷特征对应的特征参数；

26、基于每一缺陷特征的特征参数，利用预设参数-因子对照表获取每一缺陷特征参数的第二筛选因子；

27、结合所述第一筛选因子、第二筛选因子，在历史缺陷数据库中筛选得到匹配度大于第一匹配度的历史缺陷图像信息；

28、根据所述历史缺陷图像信息中携带的特征信息，对所述历史缺陷图像信息进行归类分析，并根据归类分析结果以及相应缺陷特征的特征参数建立历史缺陷图像集；

29、将所述缺陷特征分类表和历史缺陷图像集中同一归类下的缺陷特征以及相应的特征参数进行提取，建立对比数据包；

30、结合所述第一结果，将每一特征类别对应的所述对比数据包输入预设图像对比分析模型中进行对比分析，得到第二结果。

31、优选的，步骤4中，包括：

32、对所述缺陷特征信息中的每一缺陷特征进行聚类分析，同时，对聚类分析结果中同一类别下的缺陷特征数量进行统计，并按照每一类别中包含的缺陷特征数量进行降序排列，得到特征降序表；

33、对所述特征降序表中序数大于第一序数的特征类别进行提取，并根据预设类别-参数对照表得到第一筛选参数；

34、同时，将所述缺陷特征信息中的每一缺陷特征与预设特征-优先级对照表进行优先级判定，得到每一缺陷特征对应的优先级；

35、基于每一缺陷特征以及对应的优先级，结合预设优先级-参数对照表获取与每一缺陷特征对应的第二筛选参数；

36、将所述第一筛选参数、第二筛选参数输入预设模型数据库中进行模型匹配，得到匹配度大于第二匹配度的缺陷分析模型；

37、获取所述第一结果对应的第一类别信息，同时将所述第一类别信息与所述第一结果进行绑定，得到第一绑定信息；

38、将所述第一绑定信息、第二结果输入所述缺陷分析模型中，对同一特征类别下的特征参数进行参数分析，得到最终识别结果。

39、优选的，基于所述特征提取方法，对所述待处理图像进行特征提取，生成缺陷特征信息，包括：

40、在所述待处理图像中截取多个不同预设尺寸的方形灰度图像以及预设滤波函数；

41、通过预设滤波函数在m个尺度，n个预设方向上对每个所述灰度图像进行滤波处理，得到与每一所述方形灰度图像对应的m*n个滤波核；

42、将所有所述方形灰度图像的m*n个滤波核进行融合处理，得到第一纹理图像；

43、分别获取所述第一纹理图像的亮度均值ave1以及对应实时图像的亮度均值ave2；

44、以所述亮度均值ave1对所述实时图像进行调整得到第一待分析图像，同时，以所述亮度均值ave2对所述第一纹理图像进行调整得到第二待分析图像；

45、当实时图像中第i个像素点的亮度值r1i满足ave1-δ1≤r1i≤ave1+δ1条件，将第i个像素点替换为亮度均值ave1，否则，保持第i个像素点不变，进而得到第一待分析图像，其中，δ1表示再生铝合金模板表面不存缺陷时所对应获取的亮度方差；

46、同时，当第一纹理图像中第j个像素点亮度值r2j满足ave2-δ2≤r2j≤ave2+δ2，将第j个像素点替换为亮度均值ave2，否则，保持第j个像素点不变，进而得到第二待分析图像，其中，δ2表示第一纹理图像与实时图像中初步确定出存在缺陷的所有相同坐标下的亮度方差；

47、获取所述第一待分析图像与实时图像的第一亮度方差σ12，同时，获取所述第二待分析图像与第一纹理图像的第二亮度方差σ22；

48、按照所述亮度均值ave1、亮度均值ave2、第一亮度方差σ12以及第二亮度方差σ22，获取得到所述第一纹理图像的图像质量w；

49、

50、其中，∝1、∝2、∝3表示重要性参数；n1表示第一待分析图像中存在像素亮度替换的个数；n3表示第一待分析图像中像素点的总个数；n2表示第二待分析图像中存在像素亮度替换的个数；n4表示第二待分析图像中像素点的总个数；

51、若所述图像质量w大于等于阈值质量，基于所述第一纹理图像进行特征提取；

52、否则，根据图像质量w与阈值质量的差值，从差值-清晰调节映射表中确定调节清晰度，同时，分别获取每个方形灰度图像的平均灰度值以及平均模糊值，并基于所述调节清晰度进行分析，得到弱纹理区域以及细节纹理区域；

53、对所述弱纹理区域按照进行第一清晰倍数调整以及对细节纹理区域按照进行第二清晰倍数调整，获取得到第二纹理图像，其中，g1(avehd,avemh)表示基于平均灰度值avehd与平均模糊值avemh的调节函数；β1、β2表示调节权重；δ(mh)表示基于模糊度mh的变量；δ(hd,bd)表示基于灰度值hd与标准灰度值bd的变量；g2(avehd,avemh,maxmh,avemh1)表示基于平均灰度值avehd、平均模糊值avemh、最大模糊度maxmh以及满足正态分布概率的平均模糊度avemh1的调节函数；[]表示取整符号；

54、基于所述第二纹理图像进行特征提取。

55、本发明的实施原理以及有益效果是：本发明首先通过对获取的铝合金模板图像进行预处理，提升实时图像的图像质量，随后通过预设滤波函数对待处理图像进行缺陷特征提取，从而生成缺陷特征信息以及金属表面图像；随后在设缺陷识别模型中对模板表面的缺陷进行识别，得到第一结果，同时与匹配的历史缺陷图像进行对比分析，产生第二结果，以历史数据作为参考对当前的缺陷进行判定，大幅提升了缺陷的识别精度，进而通过对第一结果、第二结果的综合分析处理，得到最终的缺陷识别结果，从多元角度对缺陷进行识别分析，减少了误判的可能性，从而大幅提升了对缺陷的检测精度，提升了再生铝合金模板的质控水平。

56、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

57、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。