本發(fā)明涉及機器視覺的，尤其涉及一種瞄準鏡生產(chǎn)管理系統(tǒng)。

背景技術(shù)：

1、近年來，隨著科技不斷發(fā)展，機器視覺得到廣泛應用，機器視覺基于光學系統(tǒng)、工業(yè)數(shù)字相機和圖像處理技術(shù)來模擬人類視覺和思維，機器視覺具有非觸摸、速度快、精度高、抗干擾的優(yōu)點，應用范圍涵蓋工業(yè)、農(nóng)業(yè)、醫(yī)藥、軍事、航天、氣象、天文、公安、交通、安全、科研等行業(yè)，提高武器裝備信息獲取能力的自動化程度，是提高裝備智能與自動化水平的關(guān)鍵。

2、目前，申請?zhí)枮閏n?117146647?a的中國發(fā)明專利公開了一種光學瞄準鏡的速調(diào)校準方法及系統(tǒng)，通過接收用戶的確定信號，激光測距儀發(fā)射測距信號，接收反饋信號，依據(jù)光學瞄準鏡的基礎信息進行距離分級建立距離等級集合，基于反饋信號生成預定距離，并確定匹配關(guān)系，將光學瞄準鏡調(diào)整至極限點和中值點，分別執(zhí)行圖像保留，以中值點作為初始點，根據(jù)圖像保留結(jié)果確定尋優(yōu)方向并執(zhí)行自適應尋優(yōu)調(diào)整，包括倍率尋優(yōu)和焦距尋優(yōu)，根據(jù)自適應尋優(yōu)調(diào)整結(jié)果確定校準參數(shù)，進行光學瞄準鏡的速調(diào)校準，但是現(xiàn)有技術(shù)中未對瞄準鏡建立質(zhì)量綜合評估系統(tǒng)，不利于檢測時對瞄準鏡的質(zhì)量進行定性，未對瞄準鏡的零位誤差進行校正，不利于瞄準鏡的精確度。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決的技術(shù)問題是：現(xiàn)有技術(shù)中未對瞄準鏡建立質(zhì)量綜合評估系統(tǒng)，不利于檢測時對瞄準鏡的質(zhì)量進行定性，未對瞄準鏡的零位誤差進行校正，不利于瞄準鏡的精確度。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種瞄準鏡生產(chǎn)管理系統(tǒng)包括采集模塊、處理模塊、質(zhì)量評估模塊和云平臺模塊；

3、所述采集模塊用于采集瞄準鏡內(nèi)的視頻，并將所述視頻傳輸至處理模塊；

4、所述處理模塊用于將所述視頻根據(jù)分幀的時間序列生成圖像集合，并選取圖像集合中的其中一幀圖像作為第一圖像，對所述第一圖像進行灰度處理和分割處理，生成二維灰度圖像和二值圖像，所述二維灰度圖像對二值圖像進行前景覆蓋，生成第二圖像，提取所述第二圖像的特征向量，并計算損失值，獲取所述二維灰度圖像的輪廓灰度曲線，根據(jù)第一閾值對所述圖像集合中的剩余圖像進行自適應分割，根據(jù)所述輪廓灰度曲線提取圖像集合中剩余圖像的前景圖像，生成第三圖像，提取所述第三圖像的角度特征、距離特征和形狀特征，并計算角度特征、距離特征和形狀特征的損失值，并將所述損失值傳輸?shù)劫|(zhì)量評估模塊中；

5、所述質(zhì)量評估模塊用于計算評估值，并將所述評估值傳輸?shù)皆破脚_模塊中；

6、所述云平臺模塊用于零位誤差校正、顯示評估值和控制所述處理模塊

7、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：預處理單元包括灰度處理子單元和分割子單元；

8、所述灰度處理子單元將視頻分幀的時間序列生成圖像集合，選取圖像集合中的其中一幀圖像作為第一圖像，對所述第一圖像進行灰度處理，生成二維灰度圖像，并將所述灰度圖像傳輸?shù)椒指钭訂卧校?/p>

9、所述分割子單元基于分離閾值將所述二維灰度圖像中的前景圖像和背景圖像進行分割，將二維灰度圖像中大于分離閾值的像素點定義為目標信息，并記錄所述目標信息的灰度值，將二維灰度圖像中小于分離閾值的像素點進行提取，生成背景圖像，并記錄所述背景圖像的灰度值，將前景圖像二值化處理并生成二值圖像，將二維灰度圖像的前景圖像覆蓋所述二值圖像，生成第二圖像；

10、所述分割子單元獲取前景圖像與背景圖像的輪廓灰度值，并生成輪廓灰度曲線，所述分割子單元基于第一閾值對所述圖像集合中的剩余圖像進行自適應分割，基于輪廓灰度曲線提取圖像集合中剩余圖像的前景圖像，生成第三圖像，將所述第二圖像傳輸?shù)教卣魈崛卧?，將第三圖像傳輸?shù)劫|(zhì)量評估模塊，將所述二值圖像傳輸?shù)娇刂茊卧?/p>

11、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述自適應分割的計算表達式為：

12、

13、其中，為待分割的圖像集合中的圖像，為第三圖像，為所述處理模塊中設定的第一閾值，為待分割的圖像集合中的圖像的梯度運算。

14、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述特征提取單元將注意力機制融入卷積神經(jīng)網(wǎng)絡中，所述卷積神經(jīng)網(wǎng)絡包括輸入層、輸出層、池化層、卷積層和全連接層；

15、所述池化層將第二圖像中各個像素的二維池化分解為一維池化，將所述一維池化分別進行特征編碼，并生成特征圖，所述特征圖包括所述第二圖像中各個像素的方向信息和位置信息，將所述特征圖輸入到全連接層，所述全連接層基于分類器對所述特征圖中的特征信息進行提取和融合，并生成融合特征向量，其計算表達式為：

16、

17、其中，為融合特征向量，為特征圖，為可學習權(quán)重，為卷積神經(jīng)網(wǎng)絡的學習率，所述卷積神經(jīng)網(wǎng)絡以融合特征向量作為數(shù)據(jù)集，設置訓練次數(shù)并進行對比，構(gòu)建損失函數(shù)，計算損失值，并將所述損失值傳輸?shù)劫|(zhì)量評估模塊，所述融合特征向量包括角度、距離和形狀，所述損失函數(shù)的計算表達式為：

18、

19、

20、其中，為損失函數(shù)的值，為交并比，為動態(tài)權(quán)重，為距離損失，為形狀損失，為常數(shù)。

21、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：檢測單元包括第一定時器和第二定時器，控制單元與云平臺模塊電性連接，所述控制單元用于控制所述第一定時器和所述第二定時器的交錯運行；

22、當所述控制單元接收到云平臺模塊的檢測指令時，控制單元向所述第一定時器發(fā)送啟動信號，所述第一定時器對所述二值圖像的像素進行像素掃描，獲取二值圖像的中心像素的坐標，基于先驗定標點像素的位置計算二值圖像的像素的零位偏差m，將零位偏差m傳輸?shù)娇刂茊卧斄阄黄頼超過零位閾值，所述第一定時器輸出零位偏差過大信號到云平臺模塊；

23、所述檢測單元基于先驗定標點像素的位置生成零位閾值，所述第一定時器與所述控制單元電性連接，所述第二定時器與云平臺模塊和控制單元電性連接。

24、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述云平臺模塊包括顯示屏和調(diào)控按鈕，所述顯示屏用于顯示偏差過大信號和評估值，所述調(diào)控按鈕用于手動降低零位偏差m，并將降低后的零位偏差的值發(fā)送到控制單元，所述控制單元在零位偏差小于零位閾值時向第二定時器發(fā)送啟動信號，所述第二定時器對所述第三圖像進行像素掃描，獲取第三圖像的中心像素坐標，獲取所述中心像素坐標的鄰域圖像，計算所述中心像素坐標的鄰域圖像的零位偏差n，并將所述零位偏差n傳輸?shù)娇刂茊卧?/p>

25、所述控制單元計算所述零位偏差m和零位偏差n的差值，并基于零位偏差m和所述零位偏差n的差值的閾值啟動所述第一定時器，當所述零位偏差m和所述零位偏差n的差值大于所述零位偏差m和所述零位偏差n的差值的閾值時，所述控制單元啟動所述第一定時器，所述第一定時器對所述零位偏差m進行加權(quán)更新，并將加權(quán)更新后的零位偏差傳輸?shù)剿鲈破脚_模塊；

26、所述加權(quán)更新的計算表達式為：

27、

28、

29、其中，為零位偏差m加權(quán)更新后的值，為零位偏差m的值，為零位偏差n的值，為零位偏差m和零位偏差n的差值。

30、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述質(zhì)量評估模塊包括計算單元和評估模型；

31、所述計算單元提取所述第三圖像的質(zhì)量關(guān)鍵參數(shù)，并利用神經(jīng)網(wǎng)絡計算所述第三圖像的質(zhì)量關(guān)鍵參數(shù)的轉(zhuǎn)折閾值，基于所述轉(zhuǎn)折閾值建立云化區(qū)間，并將所述云化區(qū)間傳輸?shù)剿鲈u估模型中，所述第三圖像的質(zhì)量關(guān)鍵參數(shù)包括適眼距、出瞳徑、放大倍數(shù)和視差角度；

32、所述評估模型采用模糊層次分析法計算所述第三圖像的質(zhì)量關(guān)鍵參數(shù)的權(quán)重向量，基于所述權(quán)重向量和所述云化區(qū)間建立第三圖像的質(zhì)量關(guān)鍵參數(shù)的質(zhì)量等級，基于所述質(zhì)量等級計算評估值，所述質(zhì)量等級包括優(yōu)秀、合格和不合格。

33、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述評估模型基于所述模糊層次分析法構(gòu)建判斷矩陣，基于所述判斷矩陣計算一致性矩陣，基于所述一致性矩陣計算所述第三圖像的質(zhì)量關(guān)鍵參數(shù)的權(quán)重向量；

34、所述判斷矩陣的計算表達式為：

35、

36、所述一致性矩陣的計算表達式為：

37、

38、所述第三圖像的質(zhì)量關(guān)鍵參數(shù)的權(quán)重向量的計算表達式為：

39、

40、其中，為判斷矩陣，為一致性矩陣，為第三圖像中質(zhì)量關(guān)鍵參數(shù)與第三圖像中質(zhì)量關(guān)鍵參數(shù)的比較取值，為第三圖像中質(zhì)量關(guān)鍵參數(shù)與第三圖像中質(zhì)量關(guān)鍵參數(shù)的比較取值的倒數(shù)，為權(quán)重向量，為第三圖像中質(zhì)量關(guān)鍵參數(shù)經(jīng)過n次迭代得到的新矩陣，為第三圖像中質(zhì)量關(guān)鍵參數(shù)經(jīng)過次迭代，并融合第三圖像中質(zhì)量關(guān)鍵參數(shù)經(jīng)過次迭代得到的新矩陣。

41、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述神經(jīng)網(wǎng)絡分別第三圖像的質(zhì)量關(guān)鍵參數(shù)和進行歸一化處理，使所述第三圖像的質(zhì)量關(guān)鍵參數(shù)和分布于0~1之間，設置競爭初始權(quán)重向量、拓撲鄰域半徑和初始學習率，基于所述權(quán)重向量和所述第三圖像的質(zhì)量關(guān)鍵參數(shù)和確定獲勝神經(jīng)元，獲取以所述獲勝神經(jīng)元為中心的相鄰區(qū)間圖像，并更新以所述獲勝神經(jīng)元為中心的相鄰區(qū)間圖像拓撲和學習率，基于所述第三圖像的質(zhì)量關(guān)鍵參數(shù)和的迭代次數(shù)的收斂性，計算眼距轉(zhuǎn)折閾值a、出瞳徑轉(zhuǎn)折閾值b、放大倍數(shù)轉(zhuǎn)折閾值c和視差角度轉(zhuǎn)折閾值d，生成云化區(qū)間a~b、b~c和c~d，并將所述云化區(qū)間傳輸?shù)剿鲈u估模型中。

42、作為本發(fā)明所述的瞄準鏡生產(chǎn)管理系統(tǒng)的一種優(yōu)選方案，其中：所述評估模型基于所述云化區(qū)間和所述第三圖像的質(zhì)量關(guān)鍵參數(shù)和的權(quán)重向量建立優(yōu)秀等級p、合格等級q和不合格等級s，對第三圖像的質(zhì)量關(guān)鍵參數(shù)和的權(quán)重向量進行加權(quán)綜合，計算第三圖像的質(zhì)量關(guān)鍵參數(shù)和的權(quán)重向量的評估重心，基于所述評估重心計和損失值計算評估值，并將所述評估值傳輸?shù)皆破脚_模塊；

43、所述評估值的計算表達式為：

44、

45、

46、其中，為評估值，為評估重心，為評估模型的期望參數(shù)，為評估模型的熵，為損失函數(shù)。

47、本發(fā)明的有益效果：本發(fā)明通過相機內(nèi)的視頻進行分幀，獲取靜態(tài)圖像作為第一圖像，對第一圖像進行灰度處理和分割處理，生成二維灰度圖像和二值圖像，用二維灰度圖像對二值圖像進行前景覆蓋，生成第二圖像，并提取第二圖像的特征向量來計算損失值；采用二值圖像計算系統(tǒng)的零位偏差，簡化計算，減小實際應用的難度；采用控制單元并結(jié)合云平臺的人機交互來控制第一定時器和第二定時器的交錯運行，節(jié)省第一定時器和第二定時器的儲存負擔和電量損耗，利于節(jié)能環(huán)保；建立評估模型，綜合損失值、質(zhì)量關(guān)鍵參數(shù)和權(quán)重向量的評估重心對瞄準鏡的綜合質(zhì)量進行評估，并量化為評估分，評估分數(shù)越大，瞄準鏡的質(zhì)量越好，通過云平臺顯示評估分值，直觀看出瞄準鏡的質(zhì)量，易于辨別，減少了人眼識別的工作量。