本發(fā)明屬于汽車生產(chǎn)制造，具體涉及一種基于機器視覺的汽車發(fā)動機缸蓋外觀檢測及缺陷判定系統(tǒng)、方法、存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、發(fā)動機缸蓋作為發(fā)動機的核心部件之一，其質(zhì)量和性能對發(fā)動機的整體運行效能起著舉足輕重的作用。在當(dāng)今汽車工業(yè)蓬勃發(fā)展、對發(fā)動機性能和可靠性的要求與日俱增的態(tài)勢下，發(fā)動機的檢測的精度、效率和準(zhǔn)確性成為了備受關(guān)注的焦點。

2、傳統(tǒng)的缸蓋檢測以及保持架開蓋方式主要依靠人工操作。然而，這種方法存在諸多顯著的缺陷，如檢測效率遲緩，檢測結(jié)果極易受到檢測人員的主觀判斷、疲勞程度等因素的左右，對于微小且隱蔽的缺陷常常難以有效察覺。此外，人工檢測需要投入大量的人力，導(dǎo)致成本居高不下，難以適應(yīng)現(xiàn)代大規(guī)模、高效率的生產(chǎn)模式需求。

3、隨著自動化技術(shù)和計算機視覺技術(shù)的日新月異，缸蓋自動化檢測應(yīng)運而生。早期的自動化檢測系統(tǒng)通常基于簡單的傳感器和機械裝置構(gòu)建，僅能針對缸蓋的部分關(guān)鍵尺寸和參數(shù)實施檢測，不僅功能相對單一，而且靈活性嚴(yán)重不足。

4、近段時間，基于機器視覺的缸蓋自動化檢測技術(shù)備受矚目并得以廣泛應(yīng)用。該技術(shù)借助高分辨率相機采集缸蓋的圖像，再運用圖像處理算法進行分析，進而識別缸蓋上的缺陷和尺寸偏差。但在實際應(yīng)用過程中，現(xiàn)有的機器視覺檢測技術(shù)仍遭遇一系列難題。例如，面對形狀和紋理復(fù)雜的缸蓋表面，檢測的精度和準(zhǔn)確性不高；檢測進程容易受到光照變化、灰塵等環(huán)境因素的干擾，使得檢測結(jié)果的可靠性難以保障；并且現(xiàn)有的檢測系統(tǒng)智能化程度有限，面對新涌現(xiàn)的缺陷類型和特殊情形，難以自適應(yīng)地達成精準(zhǔn)檢測的目標(biāo)。

技術(shù)實現(xiàn)思路

1、為了提升發(fā)動機缸蓋檢測的精度、效率和可靠性，以滿足日益嚴(yán)苛的缸蓋檢測標(biāo)準(zhǔn)，本發(fā)明提出一種基于機器視覺的汽車發(fā)動機缸蓋外觀檢測及缺陷判定系統(tǒng)、方法、存儲介質(zhì)和計算機程序產(chǎn)品。

2、實現(xiàn)本發(fā)明目的之一的一種汽車發(fā)動機缸蓋外觀檢測及缺陷判定系統(tǒng)，包括：

3、圖像采集模塊：用于從多角度采集汽車發(fā)動機缸蓋外觀圖像；

4、模型構(gòu)建模塊：用于構(gòu)建基于深度學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò)模型；

5、模型訓(xùn)練模塊：用于使用多張已標(biāo)注的發(fā)動機缸蓋樣本圖像對所述深度卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到發(fā)動機缸蓋外觀檢測模型；所述已標(biāo)注的發(fā)動機缸蓋樣本圖像涵蓋了各種常見和復(fù)雜的缺陷類型，如凸起、凹陷、劃傷、砂孔、縮孔、裂紋等，以及不同的缺陷程度；

6、將圖像采集模塊采集的圖像輸入所述發(fā)動機缸蓋外觀檢測模型，識別出汽車發(fā)動機缸蓋外觀缺陷。

7、進一步地，還包括圖像匹配模塊，用于對圖像采集模塊采集的汽車發(fā)動機缸蓋外觀圖像和構(gòu)建的缸蓋外觀圖像模板庫中的圖像進行匹配，篩選出疑似缺陷圖像；所述疑似缺陷圖像用于輸入發(fā)動機缸蓋外觀檢測模型中，對發(fā)動機缸蓋外觀進行檢測。所述缸蓋外觀圖像模板庫涵蓋各種型號和規(guī)格發(fā)動機缸蓋在無缺陷狀態(tài)下的缸蓋外觀圖像。技術(shù)效果包括：通過引入圖像匹配模塊對采集的圖像與缸蓋外觀圖像模板庫中的圖像進行匹配，篩選出疑似缺陷圖像，從而進一步縮小需要輸入檢測模型的圖像范圍，提高檢測效率，并減少誤報率。

8、圖像匹配模塊中，提取采集的汽車發(fā)動機缸蓋外觀圖像和缸蓋外觀圖像模板庫中的模板圖像的關(guān)鍵特征點(如邊緣特征點、角點等)，對所述特征點進行匹配，得到多個匹配的特征對；基于匹配的特征對，計算該匹配的特征對所屬的兩幅圖像的整體相似度指標(biāo)，包括基于像素差異的相似度指標(biāo)(如平均絕對誤差、均方誤差)和基于結(jié)構(gòu)的相似度指標(biāo)(如結(jié)構(gòu)相似性度量ssim)；當(dāng)兩幅圖像的相似度低于該相似度閾值時，將采集的汽車發(fā)動機缸蓋外觀圖像標(biāo)記為疑似缺陷圖像，并記錄疑似缺陷區(qū)域的位置和范圍。

9、進一步地，還包括第一圖像篩選模塊，用于對發(fā)動機缸蓋外觀檢測模型識別出的汽車發(fā)動機缸蓋外觀缺陷圖像進行進一步篩選，得到篩選后的缺陷圖像，所述篩選方法包括：

10、利用光度立體法計算所述識別出的汽車發(fā)動機缸蓋外觀缺陷圖像的梯度圖，針對每張?zhí)荻葓D，計算各區(qū)域的用于衡量數(shù)據(jù)離散程度的變異系數(shù)，當(dāng)變異系數(shù)超過設(shè)定的變異系數(shù)閾值時，則認(rèn)為該區(qū)域存在缺陷，從而得到缺陷圖像特征集。

11、上述篩選方法的技術(shù)效果包括：通過第一圖像篩選模塊，利用光度立體法計算梯度圖，并計算各區(qū)域的變異系數(shù)來篩選缺陷圖像。這種方法能夠更精確地識別出缺陷區(qū)域，減少誤判和漏判，提高檢測的準(zhǔn)確性。

12、更進一步地，還包括對所述變異系數(shù)閾值進行自適應(yīng)調(diào)整，調(diào)整方法包括：

13、對于新型號缸蓋或采用新生產(chǎn)工藝的缸蓋，在初始檢測階段采用較為寬松的變異系數(shù)閾值進行篩選；隨著檢測樣本的增加，逐漸調(diào)低所述變異系數(shù)閾值。

14、上述調(diào)整方法的技術(shù)效果包括：對變異系數(shù)閾值進行自適應(yīng)調(diào)整，以適應(yīng)新型號缸蓋或新生產(chǎn)工藝的缸蓋。這一方法能夠隨著檢測樣本的增加，逐漸優(yōu)化檢測參數(shù)，提高檢測的適應(yīng)性和準(zhǔn)確性。

15、進一步地，還包括第二圖像篩選模塊，用于對第一圖像篩選模塊篩選出的缺陷圖像特征集中的每個缺陷特征圖像進行進一步篩選，確定缺陷特征圖像中的缺陷是否屬于非缺陷，判斷方法包括：

16、根據(jù)發(fā)動機缸蓋的制造工藝和表面特征，采集多張正常缸蓋在不同生產(chǎn)條件下的圖像，構(gòu)成非缺陷特征模型庫；

17、運用圖像處理技術(shù)和數(shù)據(jù)分析方法，提取非缺陷特征模型庫中各種正常工藝特征的特征，采用深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)算法對提取的特征進行學(xué)習(xí)和分類，得到用于判斷圖像中的缺陷是否不屬于汽車發(fā)動機缸蓋外觀缺陷的非缺陷特征模式識別模型；

18、將對第一圖像篩選模塊篩選出的缺陷圖像特征集中的每個缺陷特征圖像輸入所述非缺陷特征模式識別模型中，非缺陷特征模式識別模型輸出該缺陷特征圖像是否屬于非缺陷特征的判定結(jié)果。

19、上述判斷方法的技術(shù)效果包括：通過第二圖像篩選模塊，建立非缺陷特征模型庫，并運用無監(jiān)督學(xué)習(xí)算法對非缺陷特征進行學(xué)習(xí)和分類。這一步驟能夠進一步排除非缺陷特征，提高檢測的準(zhǔn)確性和可靠性，減少誤報和漏報。

20、進一步地，所述非缺陷特征模式識別模型中，利用區(qū)域生長算法或邊緣檢測算法將相鄰的相似像素合并為一個區(qū)域，并根據(jù)該區(qū)域的邊緣特征和幾何形狀與非缺陷特征模型庫進行匹配，若匹配成功，則將該區(qū)域判定為非缺陷特征。其技術(shù)效果包括：在非缺陷特征模式識別模型中，利用區(qū)域生長算法或邊緣檢測算法將相鄰的相似像素合并為一個區(qū)域，并與非缺陷特征模型庫進行匹配。這種方法能夠更精確地識別出非缺陷特征，進一步提高檢測的準(zhǔn)確性和效率。

21、進一步地，在圖像采集模塊中，在缸蓋上方和側(cè)方分別設(shè)置多路時序光源和環(huán)形光源，確保從多個角度為缸蓋提供均勻且可調(diào)節(jié)的光照；多路時序光源則根據(jù)不同檢測區(qū)域和缺陷類型，提供動態(tài)的光照強度和角度變化，以清晰呈現(xiàn)邊緣輪廓和微小缺陷；

22、在圖像采集過程中，利用高精度機器人控制相機從多個角度對發(fā)動機缸蓋進行拍攝，對于缸蓋內(nèi)部的油道采用傾斜角度拍攝；對于缸蓋表面的平面區(qū)域，則通過多角度拍攝以全面覆蓋可能存在的缺陷，確保無檢測盲區(qū)。其技術(shù)效果包括：設(shè)置多路時序光源和環(huán)形光源，確保從多個角度為缸蓋提供均勻且可調(diào)節(jié)的光照，這一設(shè)計能夠清晰呈現(xiàn)邊緣輪廓和微小缺陷，提高圖像的采集質(zhì)量。同時，利用高精度機器人控制相機從多個角度對發(fā)動機缸蓋進行拍攝，確保無檢測盲區(qū)，提高了檢測的全面性和準(zhǔn)確性。

23、實現(xiàn)本發(fā)明目的之二的一種汽車發(fā)動機缸蓋外觀檢測及缺陷判定方法，包括：

24、從多角度采集汽車發(fā)動機缸蓋外觀圖像；

25、構(gòu)建基于深度學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò)模型；

26、使用多張已標(biāo)注的發(fā)動機缸蓋樣本圖像對所述深度卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到發(fā)動機缸蓋外觀檢測模型；

27、將圖像采集模塊采集的圖像輸入所述發(fā)動機缸蓋外觀檢測模型，識別出汽車發(fā)動機缸蓋外觀缺陷。

28、本發(fā)明的有益效果包括：

29、1.提升了微小和復(fù)雜缺陷檢測精度：發(fā)動機缸蓋的微小(如小于0.5mm砂孔、小于0.1mm劃痕等)及復(fù)雜形狀(如不規(guī)則變形、細(xì)微交織裂紋等)缺陷檢測難度極大。現(xiàn)有技術(shù)受相機分辨率、光照條件、算法性能等因素限制，難以準(zhǔn)確識別此類缺陷。本發(fā)明通過優(yōu)化圖像采集模塊(如采用高分辨率相機、設(shè)計合理光照方案)、改進算法(結(jié)合先進目標(biāo)檢測與增強技術(shù))以及擴充和優(yōu)化模型訓(xùn)練樣本等手段，確保對微小和復(fù)雜缺陷的精準(zhǔn)檢測，保障缸蓋質(zhì)量。例如，在某型號發(fā)動機缸蓋檢測中，現(xiàn)有技術(shù)對小于0.3mm砂孔的漏檢率高達40％，本發(fā)明預(yù)期將漏檢率降低至1％以下；

30、2.增強檢測手段通用性與靈活性：發(fā)動機缸蓋具有多種型號和規(guī)格，其外觀特征及可能出現(xiàn)的缺陷類型豐富多樣?，F(xiàn)有的檢測手段往往針對特定型號或有限幾種型號缸蓋設(shè)計，通用性差。當(dāng)面臨新型號缸蓋或同一型號缸蓋設(shè)計變更時，需要大量手動調(diào)整，甚至更換設(shè)備，影響檢測效率和準(zhǔn)確性。本發(fā)明通過建立廣泛涵蓋各類型號規(guī)格缸蓋的缸蓋外觀圖像模型庫，利用深度學(xué)習(xí)模型的強大自適應(yīng)性，使檢測系統(tǒng)能夠自動識別并適應(yīng)不同缸蓋的檢測需求，減少人工干預(yù)和設(shè)備調(diào)整，提升檢測靈活性與效率，降低生產(chǎn)成本；

31、3.強化檢測系統(tǒng)抗干擾能力：實際生產(chǎn)中，光照不均、灰塵、電磁干擾等影響檢測。光照變化致圖像失衡，灰塵或電磁干擾影響設(shè)備工作。本發(fā)明采用自適應(yīng)光照補償增強系統(tǒng)抗干擾性，確保檢測結(jié)果可靠穩(wěn)定；

32、4.精準(zhǔn)過濾非缺陷特征：缸蓋表面正常工藝特征(如分型線痕跡、加工紋理等)易誤判為缺陷?，F(xiàn)有技術(shù)難區(qū)分，本發(fā)明通過研究工藝特征后構(gòu)建非缺陷特征模型庫，結(jié)合深度學(xué)習(xí)算法識別過濾，避免誤判，提高檢測準(zhǔn)確性與效率，降低成本。