本發(fā)明涉及形變檢測，具體是指基于圖像處理的非接觸式形變檢測方法。

背景技術(shù)：

1、非接觸式形變檢測方法是一種通過不直接接觸被測物體來檢測其形變的技術(shù)；相比傳統(tǒng)的接觸式測量方法，這種方法通過遠(yuǎn)程或間接手段來獲取物體的形變檢測結(jié)果。但是一般形變檢測方法存在無法精確識(shí)別形變區(qū)域，類別不平衡問題得不到合理關(guān)注，無法處理多樣化形變區(qū)域，進(jìn)而導(dǎo)致形變檢測結(jié)果準(zhǔn)確性差的問題；一般形變檢測方法存在噪聲干擾嚴(yán)重導(dǎo)致無法提取出形變圖像中的關(guān)鍵特征，模型穩(wěn)定性差導(dǎo)致無法適應(yīng)非接觸式形變檢測中的動(dòng)態(tài)監(jiān)測場景的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于圖像處理的非接觸式形變檢測方法，針對(duì)一般形變檢測方法存在無法精確識(shí)別形變區(qū)域，類別不平衡問題得不到合理關(guān)注，無法處理多樣化形變區(qū)域，進(jìn)而導(dǎo)致形變檢測結(jié)果準(zhǔn)確性差的問題，本方案通過設(shè)計(jì)自適應(yīng)損失函數(shù)調(diào)整對(duì)不同類別的懲罰，動(dòng)態(tài)更新自適應(yīng)參數(shù)，提高了分割模型在不同類別上的表現(xiàn)，使得模型在處理多樣化形變區(qū)域時(shí)更加靈活；通過反復(fù)迭代和更新參數(shù)，對(duì)形變圖像分割時(shí)具有更好的泛化能力，進(jìn)而提高后續(xù)形變檢測結(jié)果的準(zhǔn)確性；針對(duì)一般形變檢測方法存在噪聲干擾嚴(yán)重導(dǎo)致無法提取出形變圖像中的關(guān)鍵特征，模型穩(wěn)定性差導(dǎo)致無法適應(yīng)非接觸式形變檢測中的動(dòng)態(tài)監(jiān)測場景的問題，本方案通過將數(shù)據(jù)矩陣分解為低秩矩陣和稀疏矩陣，有效區(qū)分正常形變模式和異常形變區(qū)域；構(gòu)建目標(biāo)函數(shù)時(shí)，引入歷史一致性項(xiàng)，有助于保持形變模式的連貫性，確保檢測穩(wěn)定性，進(jìn)而使得形變檢測模型的靈活性，保證形變檢測結(jié)果具有更高的精度。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的基于圖像處理的非接觸式形變檢測方法，該方法包括以下步驟：

3、步驟s1：圖像采集；

4、步驟s2：圖像預(yù)處理；

5、步驟s3：圖像分割；

6、步驟s4：建立形變檢測模型；

7、步驟s5：非接觸式形變檢測。

8、進(jìn)一步地，在步驟s1中，所述圖像采集是采集歷史機(jī)床形變圖像集；所述歷史機(jī)床形變圖像集包括目標(biāo)形變前后的狀態(tài)圖像；對(duì)圖像進(jìn)行標(biāo)注，標(biāo)注標(biāo)簽為形變區(qū)域和形變?cè)u(píng)估結(jié)果；形變區(qū)域用于圖像分割任務(wù)；形變?cè)u(píng)估結(jié)果用于形變檢測任務(wù)；所述形變?cè)u(píng)估結(jié)果包括未形變和形變?cè)u(píng)估等級(jí)；形變?cè)u(píng)估等級(jí)越高，形變?cè)絿?yán)重。

9、進(jìn)一步地，在步驟s2中，所述圖像預(yù)處理是對(duì)采集的圖像進(jìn)行旋轉(zhuǎn)、縮放、平移和噪聲添加；并對(duì)像素歸一化；得到預(yù)形變圖像集；并劃分為預(yù)測試集和預(yù)訓(xùn)練集。

10、進(jìn)一步地，在步驟s3中，所述圖像分割具體包括以下步驟：

11、步驟s31：模型架構(gòu)設(shè)計(jì)；選擇u-net模型作為基礎(chǔ)模型架構(gòu)，從輸入的預(yù)訓(xùn)練集中提取多尺度特征，并生成分割預(yù)測，得到預(yù)測的形變區(qū)域；

12、步驟s32：定義自適應(yīng)損失函數(shù)；通過設(shè)計(jì)的自適應(yīng)損失函數(shù)來處理分割任務(wù)中的類別不平衡問題，并精確定位形變區(qū)域；所用公式如下：

13、；

14、式中，aeloss是自適應(yīng)損失函數(shù)；c是圖像分割任務(wù)中的類別總數(shù)，i1是類別索引；是第i1類別預(yù)測向量和實(shí)際標(biāo)簽向量之間的角度；ki1是每個(gè)類別的調(diào)節(jié)因子；

15、步驟s33：模型訓(xùn)練；具體包括：

16、步驟s331：前向傳播；輸入圖像x通過模型生成形變區(qū)域的預(yù)測；表示如下：

17、；

18、式中，是模型預(yù)測的形變區(qū)域標(biāo)簽；y是真實(shí)的形變區(qū)域標(biāo)簽；w和b分別是模型權(quán)重和偏置；是模型輸出；

19、步驟s332：計(jì)算損失；使用自適應(yīng)損失函數(shù)計(jì)算預(yù)測誤差；若損失收斂或達(dá)到最大迭代次數(shù)，則圖像分割模型訓(xùn)練完成，轉(zhuǎn)至步驟s36；否則轉(zhuǎn)至步驟s34；計(jì)算損失表示如下：

20、；

21、式中，loss是計(jì)算的損失值；

22、步驟s34：參數(shù)更新；表示如下：

23、；

24、式中，wt1+1和wt1分別是第t1+1次迭代和第t1次迭代時(shí)的模型參數(shù)；α1是學(xué)習(xí)率；t1是最大迭代次數(shù)；是平滑項(xiàng)；

25、步驟s35：更新自適應(yīng)參數(shù)；在預(yù)測試集上評(píng)估每個(gè)類別的dice相似系數(shù)，并基此更新自適應(yīng)參數(shù)；并轉(zhuǎn)至步驟s33；更新自適應(yīng)參數(shù)表示如下：

26、；

27、式中，是更新后的第i1個(gè)類別的自適應(yīng)參數(shù)；是用于確定上限的參數(shù)；是第i1類別第t1次迭代時(shí)的預(yù)測正確率；是dice相似系數(shù)；

28、步驟s36：模型判定；預(yù)先設(shè)有正確率閾值，若訓(xùn)練完成的圖像分割模型對(duì)測試集的預(yù)測正確率高于正確率閾值，則圖像分割模型建立完成，基于建立完成的圖像分割模型對(duì)預(yù)形變圖像集進(jìn)行圖像分割，得到形變圖像集，并劃分為測試集和訓(xùn)練集；否則調(diào)整參數(shù)重新劃分預(yù)形變圖像集進(jìn)行模型訓(xùn)練。

29、進(jìn)一步地，在步驟s4中，所述建立形變檢測模型具體包括以下步驟：

30、步驟s41：圖像轉(zhuǎn)換；將形變圖像集中的圖像轉(zhuǎn)換為矩陣形式，形成數(shù)據(jù)矩陣，其中每一列代表一個(gè)圖像；

31、步驟s42：矩陣分解；將數(shù)據(jù)矩陣分解為低秩矩陣和稀疏矩陣，低秩矩陣代表正常的形變模式，稀疏矩陣對(duì)應(yīng)異常的形變區(qū)域；將矩陣分解表示為優(yōu)化問題：；使用增廣拉格朗日乘子法求解，分離出正常和異常形變模式；其中，l是低秩矩陣；s是稀疏矩陣；rank(·)是矩陣的秩；是控制低秩項(xiàng)和稀疏項(xiàng)之間權(quán)衡的正則化參數(shù)；是矩陣的l1范數(shù)；

32、步驟s43：構(gòu)建目標(biāo)函數(shù)；評(píng)估每個(gè)圖像與預(yù)定義的形變模式之間的匹配程度，形變模式即每個(gè)形變?cè)u(píng)估等級(jí)對(duì)應(yīng)的模版；為每個(gè)圖像構(gòu)建目標(biāo)函數(shù)，用于評(píng)估該圖像與形變模式的匹配程度；所用公式如下：

33、；

34、式中，是第n個(gè)圖像對(duì)應(yīng)的最優(yōu)形變模式矩陣即最匹配的形變模式；是在第n個(gè)圖像下第i個(gè)模式第j個(gè)特征值；imagen是當(dāng)前進(jìn)行形變檢測的圖像；是第i個(gè)形變模式第j個(gè)位置的特征值；m是形變模式總數(shù)，n1是特征值總數(shù)；α是正則化參數(shù)；h(·)是歷史一致性項(xiàng)，具體為hamming距離；和分別是第t次和第t-1次的最優(yōu)形變模式矩陣；

35、步驟s44：模型訓(xùn)練；基于訓(xùn)練集隨機(jī)生成n1組初始形變模式和對(duì)應(yīng)的特征值，使用目標(biāo)函數(shù)評(píng)估當(dāng)前形變模式的性能，選擇最優(yōu)的一組作為精英組，基于精英組統(tǒng)計(jì)形變模式的特征，更新形變模式對(duì)應(yīng)特征值，生成下一輪的形變模式；當(dāng)達(dá)到最大迭代次數(shù)或目標(biāo)函數(shù)收斂時(shí)，形變檢測模型訓(xùn)練完成；

36、步驟s45：模型判定；預(yù)先設(shè)有形變正確率閾值，當(dāng)形變檢測模型對(duì)測試集的預(yù)測正確率高于形變正確率閾值時(shí)，形變檢測模型建立完成；否則調(diào)整參數(shù)并重新劃分?jǐn)?shù)據(jù)集訓(xùn)練形變檢測模型。

37、進(jìn)一步地，在步驟s5中，所述非接觸式形變檢測是基于建立完成的形變檢測模型，實(shí)時(shí)采集待檢測圖像，經(jīng)圖像分割后輸入至形變檢測模型中，將模型輸出作為形變檢測結(jié)果。

38、采用上述方案本發(fā)明取得的有益效果如下：

39、（1）針對(duì)一般形變檢測方法存在無法精確識(shí)別形變區(qū)域，類別不平衡問題得不到合理關(guān)注，無法處理多樣化形變區(qū)域，進(jìn)而導(dǎo)致形變檢測結(jié)果準(zhǔn)確性差的問題，本方案通過設(shè)計(jì)自適應(yīng)損失函數(shù)調(diào)整對(duì)不同類別的懲罰，動(dòng)態(tài)更新自適應(yīng)參數(shù)，提高了分割模型在不同類別上的表現(xiàn)，使得模型在處理多樣化形變區(qū)域時(shí)更加靈活；通過反復(fù)迭代和更新參數(shù)，對(duì)形變圖像分割時(shí)具有更好的泛化能力，進(jìn)而提高后續(xù)形變檢測結(jié)果的準(zhǔn)確性。

40、（2）針對(duì)一般形變檢測方法存在噪聲干擾嚴(yán)重導(dǎo)致無法提取出形變圖像中的關(guān)鍵特征，模型穩(wěn)定性差導(dǎo)致無法適應(yīng)非接觸式形變檢測中的動(dòng)態(tài)監(jiān)測場景的問題，本方案通過將數(shù)據(jù)矩陣分解為低秩矩陣和稀疏矩陣，有效區(qū)分正常形變模式和異常形變區(qū)域；構(gòu)建目標(biāo)函數(shù)時(shí)，引入歷史一致性項(xiàng)，有助于保持形變模式的連貫性，確保檢測穩(wěn)定性，進(jìn)而使得形變檢測模型的靈活性，保證形變檢測結(jié)果具有更高的精度。