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能效果，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机车配件表面异常程度评估方法进行详细说明如下。

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。

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机车配件表面异常程度评估方法的具体方案。

基于人工智能的机车配件表面异常程度评估方法实施例：

如图1所示，本实施例的一种基于人工智能的机车配件表面异常程度评估方法包括以下步骤：

步骤S1，获取待检测的机车配件表面图像。

为了对机车配件进行异常评估，本实施例通过对机车配件表面图像进行分析，以提取机车配件表面的异常区域，并对异常区域进行异常程度评估，本实施对待检测的机车配件表面图像的采集过程为：

首先，布置图像采集设备，通过相机对机车配件表面图像进行采集，其中相机位置以及相机拍摄范围的设置，可以根据实际情况进行设定。本实施例中相机位于配件上方，采集机车配件表面待检测区域的正视图像记为初始图像，便于对机车配件表面的异常情况进行检测。

相机采集到配件表面图像后，考虑到机车配件加工生产等工业环境较为复杂、恶劣，图像采集过程中将会产生大量的图像噪声，影响对机车配件表面图像的高质量采集，因此，为了提高系统检测、评估精度，本实施例对相机所采集的初始图像进行预处理得到待检测的机车配件表面图像，以消除图像中的噪声以及光照不均匀影响，以改善相机采集的图像质量，提高后续检测、评估异常程度的准确度。

本实施例中所述预处理包括图像滤波去噪处理以及图像增强处理。

步骤S2，根据待检测的机车配件表面图像中各像素点的梯度幅值，提取待检测的机车配件表面图像中的异常区域。

为了通过图像数据对机车配件表面进行异常程度评估，本实施例对步骤S1获取到的待检测的机车配件表面图像中的异常区域进行提取，以获取待评估的区域。本实施例所述的异常区域为纹理以及空间分布出现异常的区域，比如裂纹、划痕等。

本实施例通过对待检测的机车配件表面图像中各像素点进行逐像分析，根据图像中像素点梯度幅值的分布情况度来对异常区域的边缘点进行提取，这样避免了人工标注识别时的主观性，可以实现对待检测的机车配件表面图像中异常区域的边缘进行精确提取。本实施例中获取异常区域的过程具体为：

首先，对所获取的待检测的机车配件表面图像内的各像素点进行逐点分析，本实施例采用3*3的窗口对待检测的机车配件表面图像进行扫描，扫描方式为从左往右，从上到下，具体扫描方式可根据需要进行设定。

本实施例以窗口中心像素点为中心点，将窗口中过中心点水平方向记为x轴，将过中心点竖直方向记为y轴，将窗口中左上到右下的对角线记为副对角线，将窗口中右上到左下的对角线记为主对角线。

窗口对图像进行扫描时，通过对窗口中心点进行分析来判断该中心是否为异常区域的边缘点，具体为：

本实施例分别从窗口中的x轴、y轴、主对角线以及副对角线四个方向进行分析，其中每个方向上均有三个相邻的像素点，计算三个相邻像素点在对应方向上的梯度幅值，并获取各方向上的三个像素点中梯度幅值最大的像素点，记为局部最大值点。具体为：计算x轴上的三个像素点在x轴方向上的梯度幅值；计算y轴上的三个像素点在y轴方向上的梯度幅值；计算主对角线上的三个像素点在主对角线方向上的梯度幅值；计算副对角线上的三个像素点在副对角线方向上的梯度幅值。例如，在x轴上的三个像素点的梯度幅值为{}，其中中心点坐标为，为左边相邻像素点在x轴方向的梯度幅值，为处在x轴方向上的梯度幅值，为右边相邻像素点在x方向上的梯度幅值。

本实施例获取了各方向上各点的梯度幅值后，获取各个方向上对应的三个像素点的梯度幅值，选取出各个方向的三个像素点中的局部最大值点，若在各方向上的局部最大值点均为中心点，即中心点在x轴、y轴、主对角线以及副对角线方向上的梯度幅值都最大，则认为该中心点为异常区域的边缘点，并对该中心点进行标记。

本实施例基于上述方法对待检测的机车配件表面图像中各像素点进行逐点扫描，并将扫描得到的边缘点进行标注。对待检测的机车配件表面图像进行逐点分析完成之后，本实施例将标记的边缘点所围成的内部区域作为机车配件表面图像中异常区域。作为其他实施方式，为了使边缘点更加明显，也可以将被标注的所有像素点的像素值设置为1，未被标注的像素点的像素值设置为0，将像素值为1的像素点所围成的区域作为待检测的机车配件表面图像中的异常区域即机车配件表面的异常区域。本实施例中待检测的机车配件表面图像中的异常区域的数量可以是多个也可以是一个，理想情况也可能没有。

本实施例所述的提取待检测的机车配件表面图像中的异常区域的方法可对图像数据进行逐像素点分析，可实现对像素点的准确的分析，以提高机车配件表面异常程度评估精度。

步骤S3，将异常区域输入到构建的目标卷积模型中进行卷积操作，得到异常区域对应的纹理特征向量。

为了对步骤S2中提取到的异常区域进行特征分析，本实施例建立了目标卷积模型，用于提取异常区域中的特征数据，以便对各区域异常程度进行评估。所述建立目标卷积模型的过程具体为：

首先本实施例对异常区域的图像数据进行卷积操作，以实现对异常区域纹理特征参数的提取，由于异常区域为二维数据，所以本实施例采用二维Gabor算法对图像进行卷积操作，根据二维Gabor算法可知二维Gabor卷积函数为：

其中，为二维Gabor卷积对应的卷积窗口中位置处的值，为空间域像素的位置，u为滤波尺度，v为方向，为二维Gabor模型中的参数，为尺度因子，为方向因子，本实施例设置，，具体可根据实际需要进行设置。

本实施例考虑到由于图像数据为二维数据，因此在进行处理时运算量大、耗时长，会影响图像处理的效率，并且又由于二维Gabor卷积核在方差较大时，需要长度较大的滤波器模板，也会导致图像卷积过程的效率较低，因此，本实施例将二维Gabor卷积核进行分解，通过多个一维卷积核的组合操作实现对图像纹理信息的提取，以提高图像处理的速度，因此，本实施例进一步对二维Gabor卷积函数进行设置，具体为：

首先，为了方便对二维Gabor卷积函数进行变形，本实施例设置第一中间变量为：，则：

然后，本实施例通过建立x方向和y方向上的高斯滤波函数，来对二维Gabor卷积函数在x方向和y方向上进行分解，本实施例中x方向和y方向上的高斯滤波函数为：

其中，为轴方向上的高斯滤波函数，为轴方向上的高斯滤波函数。

最后，本实施例根据二维Gabor卷积核函数设置第二中间变量，第二中间变量，本实施例通过上述方式的对二维Gabor卷积核函数的分解处理，可以获取到用于异常区域纹理特征提取的卷积模型，即目标卷积模型。目标卷积模型用于对异常区域进行卷积操作，实现对异常区域纹理特征的提取；所述目标卷积模型函数为：

其中，为目标卷积模型的卷积窗口中位置处的值。

本实施例将二维卷积过程划分成多个一维的卷积，并进行融合处理，所获得的目标卷积模型既能降低异常区域纹理提取过程中的计算量，提高卷积效率，同时还可以保证纹理提取效果，因为仅在x方向和y方向上进行卷积滤波，不涉及二维卷积中坐标轴的旋转、插值等造成的额外误差，可以提高系统特征提取精度。

得到用于提取异常区域的特征数据的目标卷积模型后，本实施例将提取到的异常区域图像数据输入到本实施例建立的目标卷积模型中进行卷积操作，输出最终的卷积结果。本实施例通过上述目标卷积模型对异常区域进行卷积处理之后，即可得到异常区域所对应的特征图即纹理特征向量，本实施例中一个异常区域对应一个纹理特征向量。

步骤S4，根据异常区域中各像素点对应的灰度值和明度值，构建异常区域中各像素点对应的空间四元组；利用异常区域中各像素点的空间四元组，得到异常区域的异常指标。

为了实现对机车配件表面异常程度的精确评估，本实施例将对待检测的机车配件表面图像中的异常区域的异常指标再次进行提取，以进一步分析异常区域的异常程度。

本实施例构建了高维图像，然后利用构建的高维图像来计算异常区域对应的异常指标，所述异常指标用于表征异常区域内各像素点之间的特征多样性，从而体现出异常区域的异常程度；本实施例基于像素点对应的灰度值、亮度值以及RGB通道的像素值进行分析，从多个维度对异常区域的异常指标进行检测。具体过程为：

首先对待检测的机车配件表面图像中的异常区域进行灰度化处理，获取对应的灰度图像；然后将待检测的机车配件表面图像中异常区域进行HSV转换，得到HSV图像，以获取各像素点的色调饱和度和明度信息。

然后将异常区域对应的RGB图像与上述获得到的灰度图像以及HSV图像进行堆叠，以获取异常区域对应的高维图像，高维图像数据用于对异常区域的空间分布情况进行准确分析，图像堆叠技术以及HSV颜色空间转换为现有公知技术，不再赘述。

本实施例异常区域对应的高维图像进行分析，可以获取异常区域中各像素点对应的灰度值、明度值和R通道的值；除此之外，本实施例根据异常区域对应的高维图像中各像素点对应的八邻域内像素点的灰度值，可以计算八邻域内各像素点灰度值的平均值，记为灰度均值，其中为八邻域内第c个像素点的灰度值，为像素点对应的灰度均值。

本实施例根据获取到的异常区域各像素点对应的灰度值、灰度均值、明度值以及R通道的值，可以构建出各像素点对应的空间四元组，其中为灰度值；为八邻域内的灰度均值，用于反映像素点与周围像素点的分布情况；为V通道的明度值；为GB三个通道当中R 通道的值，用于体现异常区域中各像素点的颜色信息，从而体现各像素点的分布情况。

本实施例中空间四元组中R通道的值也可以替换为通道的值或B通道的值。作为其他实施方式也可仅利用异常区域中各像素点对应的灰度值，灰度均值和亮度值，构建空间三元组。

为了保证四元组内各元素的取值范围为[0,100]，本实施对各元素进行归一化处理，从而使得一共有个不同的空间四元组，本实施例利用各像素点对应的空间四元组来计算异常区域对应的异常指标，从而表征异常区域在各维度空间中的变化情况即各像素点对应的异常指标，本实施计算异常区域的异常指标的公式为：

其中，为异常区域对应的异常指标，为第j个空间四元组在异常区域中出现的频次，为第j个空间四元组对应的灰度值，为第j个空间四元组对应的八邻域内的灰度均值，为第j个空间四元组对应的V通道的明度值，为第j个空间四元组对应的三个通道当中R 通道的值，为空间四元组的总数。

本实施例中异常区域对应的异常指标越大，说明该异常区域内的分布越复杂，从而可以表明该异常区域内的异常程度越大。

步骤S5，根据异常区域对应的纹理特征向量与对应的异常指标，得到待检测的机车配件表面图像的异常程度。

为能够准确的分析机车配件表面的异常情况，本实施例基于上述获取到的异常区域对应的纹理特征向量和异常区域对应的异常指标并结合异常区域的面积大小对待检测的机车配件表面图像中的异常区域进行性分析，以得到待检测的机车配件表面图像对应的异常程度，所述异常程度用于对机车配件进行评估，待检测的机车配件表面图像对应的异常程度越大，说明机车配件越异常，越不符合使用要求；待检测的机车配件表面图像对应的异常程度越大，说明机车配件越符合使用要求，本实施例中计算待检测的机车配件表面图像对应的异常程度的公式为：

其中，为待检测的机车配件表面图像的异常程度，为第一模型参数，为第二模型参数，为第z个异常区域的面积，所述异常区域的面积通过待检测的机车配件表面图像中异常区域内像素点的总数量表示，为第z个异常区域的异常指标，为第z个异常区域经过本发明建立的卷积模型操作后所提取的纹理特征向量，为非异常区域经过卷积模型操作后所提取的纹理特征向量，为异常区域的总数量，为纹理特征向量与纹理特征向量之间的余弦相似度。本实施例设置模型参数，，并将计算出来的异常程度进行归一化处理，使异常程度的值处于（0，1），本实施例将归一化后的异常程度记为。

上式中表示待检测的机车配件表面图像中所有异常区域的面积，异常区域的面积越大，表明该异常程度就越大；为各异常区域对应的纹理特征向量与非异常区域对应的纹理特征之间的余弦相似度的平均值，余弦相似度平均值越大，说明异常区域内与非异常区域的相差越大，因此异常程度越大。

本实施为了避免表面缺陷过于严重的机车配件投入使用后，造成运行故障等问题，本实施例通过设置相应的异常程度阈值，来对得到的异常程度进行评估。本实施例通对机车配件表面的异常程度进行的检测评估，当检测到机车配件表面异常程度时，系统会发出预警，提示相关操作人员对应机车配件表面异常程度过高，需要对机车配件表面再次加工修复，以提高机车配件的质量，保证运行的安全；当机车配件表面异常程度时，则说明当前机车配件符合运行的标准，即可投入使用，本实施例将异常程度阈值设置为0.4，具体可根据实际需要进行设置。

本实施例获取待检测的机车配件表面图像中的异常区域，进一步利用目标卷积模型提取异常区域对应的纹理特征向量，然后利用异常区域中各像素点的空间四元组得到异常区域对应的异常指标，最后融合所提取的异常区域对应的纹理特征向量以及异常指标得到待检测的机车配件表面图像对应的异常程度。本发明通过计算机视觉及人工智能的方式实现对机车配件表面异常区域提取以及异常程度的评估，提高了对机车配件异常程度检测的准确性。

需要说明的是： 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。