本发明涉及缺陷识别的，尤其涉及一种基于机器视觉的汽车玻璃屏缺陷识别方法及系统。
背景技术：
1、随着汽车工业的快速发展，汽车玻璃屏的质量控制成为保证汽车安全性和舒适性的关键环节。传统的汽车玻璃屏缺陷检测主要依赖于人工视觉检查和简单的机械检测方法，然而，这些方法存在一些不足之处：人工检查受到操作人员经验、疲劳程度和主观判断等因素的影响，容易出现漏检和误检，尤其是对于微小缺陷的检测效果不理想。此外，人工检查效率低下，难以满足大规模生产的需求。传统的机械检测方法，如基于固定模板的检测，虽然能提高检测的一致性，但缺乏灵活性，难以适应多样化的缺陷类型和复杂的检测环境。此外，这些方法对于非接触性缺陷，如内部气泡、微裂纹等的检测能力有限。虽然近年来机器视觉技术已被应用于汽车玻璃屏缺陷检测，但现有的机器视觉方法仍然存在一些局限性。例如，一些方法在图像质量不佳或光照条件变化大的情况下，检测性能显著下降。此外，许多方法依赖于手工设计的特征提取和选择算法，这不仅增加了系统的复杂度，而且限制了模型的泛化能力和适应性。
技术实现思路
1、有鉴于此，本发明提供一种基于机器视觉的汽车玻璃屏缺陷识别方法及系统，目的在于引入高动态范围成像技术、自适应直方图均衡化处理、深度学习特征提取及注意力机制等先进技术，提高缺陷识别的准确性和效率。
2、实现上述目的，本发明提供的一种基于机器视觉的汽车玻璃屏缺陷识别方法，包括以下步骤：
3、s1：使用高动态范围成像技术对汽车玻璃屏进行图像采集，获得合成的汽车玻璃屏图像；
4、s2：基于自适应直方图均衡化调整汽车玻璃屏图像，获得调整后的汽车玻璃屏图像；
5、s3：对调整后的汽车玻璃屏图像的关键点进行检测生成相应的强度质心，并基于强度质心构建调整后的汽车玻璃屏图像的特征图；
6、s4：基于调整后的汽车玻璃屏图像和特征图，构建缺陷识别网络对汽车玻璃屏进行缺陷识别，获得缺陷类别概率分布；
7、s5：使用缺陷类别概率分布和真实缺陷类别计算损失函数，并更新缺陷识别网络参数；
8、作为本发明的进一步改进方法：
9、可选地，所述s1步骤中使用高动态范围成像技术对汽车玻璃屏进行图像采集，获得合成的汽车玻璃屏图像，包括：
10、s11：图像采集与融合：
11、拍摄不同曝光水平的汽车玻璃屏图像，得到汽车玻璃屏图像集合{i1,i2,…,in}，其中n表示汽车玻璃屏图像数量；基于内容的权重分配对汽车玻璃屏图像集合进行融合，获得融合后的汽车玻璃屏图像
12、
13、其中，(x,y)表示汽车玻璃屏图像每个点的坐标；表示融合后的汽车玻璃屏图像在(x,y)处的像素值；n＝1,2,…,n；in(x,y)表示汽车玻璃屏图像集合第n张图像在(x,y)处的像素值；w(in(x,y))是权重函数，根据in(x,y)的值进行计算，计算方式为：
14、
15、其中，是基本权重函数，表达式为：
16、
17、其中，in表示汽车玻璃屏图像集合第n张图像；min和max分别为最小值和最大值计算函数；α(in(x,y))表示调整因子，计算方式为：
18、
19、其中，win3×3(in(x,y))表示以in(x,y)为中心3×3范围内的像素；var为方差计算函数；和分别表示in(x,y)在x和y方向的梯度；
20、s12：自适应色调映射：
21、对融合后的汽车玻璃屏图像使用自适应色调映射函数，获得合成的汽车玻璃屏图像h：
22、
23、其中，ln表示自然对数；
24、可选地，所述s2步骤中基于自适应直方图均衡化调整汽车玻璃屏图像，获得调整后的汽车玻璃屏图像，包括：
25、s21：图像分块与对比度限制：
26、将h分割成不重叠的区块，每个区块的大小为16×16；
27、对每个区块计算直方图应用对比度限制，计算方式为：
28、
29、其中，small和large函数分别返回输入中的较小和较大值；i表示图像的灰度级；j＝0,1,…,level-1，level表示图像灰度级别数量；hk(i)表示第k个区块，灰度级为i的像素出现的次数；表示对比度限制后的hk(i)；th表示对比度限制阈值；
30、s22：计算累积分布函数并进行均衡化变换：
31、对于每个经过对比度限制处理的区块，计算累积分布函数值：
32、
33、其中，ck(i)表示灰度级为i的累积分布函数值；
34、对每个区块的每个像素应用均衡化变换，根据像素的像素值和相应区块的累积分布函数计算新的像素值，获得调整后的汽车玻璃屏图像
35、
36、其中，表示调整后的汽车玻璃屏图像在(x,y)处的像素值；和ck(0)分别表示灰度级为和0的累积分布函数值；round表示四舍五入取整函数；
37、可选地，所述s3步骤中对调整后的汽车玻璃屏图像的关键点进行检测生成相应的强度质心，并基于强度质心构建调整后的汽车玻璃屏图像的特征图，包括：
38、s31：关键点检测：
39、对于中的每个像素点h，以h为中心在半径r的圆上选择num个点；如果这num个点中存在连续的个点，这个点的像素值比h的像素值高出或低于阈值则h是一个关键点；
40、s32：关键点方向分配：
41、基于强度质心法为检测到的每个关键点分配一个强度质心，所述强度质心δ的计算方式为：
42、
43、其中，circleh表示以h为中心在半径r的圆上选择num个点的坐标集合；表示调整后的汽车玻璃屏图像在处的像素值；
44、对调整后的汽车玻璃屏图像中的每个像素点生成强度质心，构成调整后的汽车玻璃屏图像的特征图fea；
45、可选地，所述s4步骤中基于调整后的汽车玻璃屏图像和特征图，构建缺陷识别网络对汽车玻璃屏进行缺陷识别，包括：
46、缺陷识别网络由深度特征提取层、注意力层、特征融合层和分类层构成：
47、s41：深度特征提取：
48、将调整后的汽车玻璃屏图像和特征图输入至基于resnet构建的深度特征提取层，获得深度特征图：
49、
50、其中，f为深度特征图；θresnet是resnet的参数；
51、s42：注意力计算：
52、在深度特征提取后，对深度特征图应用注意力层；注意力层计算深度特征图在通道维度的全局平均池化和全局最大池化，然后通过全连接层和激活函数得到通道注意力权重：
53、wch＝σ(fc(gap(f))+fc(gmp(f)))
54、其中，σ是激活函数；gap是全局平均池化函数；gmp是全局最大池化函数；fc是全连接层；wch是计算得到的通道注意力权重；
55、基于通道注意力权重进一步计算空间注意力权重：
56、wsp＝σ(conv(wch·f))
57、其中，conv表示卷积操作；wsp是计算得到的空间注意力权重；
58、s43：特征融合和分类：
59、将通过注意力层加权的深度特征图送入分类层进行缺陷分类：
60、p＝softmax(fc(wsp·f))
61、其中，softmax是归一化指数函数；p是缺陷类别概率分布；
62、可选地，所述s5步骤中使用缺陷类别概率分布和真实缺陷类别计算损失函数，并更新缺陷识别网络参数，包括：
63、s51：损失函数计算：
64、损失函数使用改进的交叉熵损失计算，所述改进的交叉熵损失计算方式为：
65、
66、其中，d是缺陷类别的总数；βd是预定义的权重；pd表示p的第d维，表示缺陷识别网络预测样本属于第d个类别的概率；pd的计算方式依据真实缺陷类别，如果真实类别是d，那么pd保持不变，否则pd更新为1-pd；γ是调节因子；
67、s52：缺陷识别网络参数更新：
68、缺陷识别网络参数更新的公式为：
69、
70、其中，η表示学习率；λ为权重衰减系数；τ为参数更新次数；ωτ和ωτ+1分别为第τ次和第τ+1次更新后的缺陷识别网络参数；∈是一个防止除以零的常数；和分别为修正后的一阶矩估计和修正后的二阶矩估计，计算方式为：
71、
72、uτ＝κ1uτ-1+(1-κ1)gτ
73、
74、vτ＝κ2vτ-1+(1-κ2)gτ2
75、其中，κ1和κ2分别表示一阶矩和二阶矩的衰减率；gτ表示第τ次参数更新时损失函数关于缺陷识别网络参数的梯度；uτ和vτ分别为一阶矩估计和二阶矩估计，u0＝0，v0＝0；
76、s53：缺陷识别网络应用：
77、对于每张待进行缺陷识别的汽车玻璃屏图像，获得对应的调整后的汽车玻璃屏图像和特征图并输入至参数更新完成后的缺陷识别网络，获得缺陷类别概率分布，概率大于0.5的缺陷即为缺陷识别网络识别出的缺陷类别；
78、本发明还公开了一种基于机器视觉的汽车玻璃屏缺陷识别系统，包括：
79、图像合成模块：使用高动态范围成像技术对汽车玻璃屏进行图像采集，获得合成的汽车玻璃屏图像；
80、均衡化模块：基于自适应直方图均衡化调整汽车玻璃屏图像；
81、特征提取模块：基于强度质心构建调整后的汽车玻璃屏图像的特征图；
82、网络构建模块：构建缺陷识别网络对汽车玻璃屏进行缺陷识别，获得缺陷类别概率分布；
83、网络训练模块：使用缺陷类别概率分布和真实缺陷类别计算损失函数，并更新缺陷识别网络参数；
84、有益效果：
85、通过拍摄不同曝光水平的图像并融合，本发明能够显著提高汽车玻璃屏图像的动态范围，确保在极亮或极暗的区域仍能保留细节。这对于后续的缺陷识别至关重要，尤其是在缺陷区域与背景对比度不明显时。通过对图像进行自适应直方图均衡化处理，本发明进一步增强了图像的局部对比度，使得缺陷特征更加突出，便于检测。
86、本发明通过检测调整后图像的关键点并为其分配强度质心，有效地捕捉了汽车玻璃屏缺陷的关键特征。通过结合深度特征提取层和注意力层，本发明能够自动提取复杂的缺陷特征并聚焦于最关键的信息。这不仅提高了缺陷识别的准确性，还显著增强了模型对各种类型和形态缺陷的泛化能力。
87、通过采用改进的交叉熵损失函数和参数更新方法，本发明在处理类别不平衡的情况下实现了更加稳定高效的模型训练。这种方法有效减少了训练过程中的过拟合，提高了模型在实际应用中的性能和可靠性。
1.一种基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，所述步骤s1中，包括以下步骤：
3.根据权利要求2所述的基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求3所述的基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，所述步骤s3中，包括以下步骤：
5.根据权利要求4所述的基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，所述步骤s4中，包括以下步骤：
6.根据权利要求5所述的基于机器视觉的汽车玻璃屏缺陷识别方法，其特征在于，所述步骤s5中，包括以下步骤：
7.一种基于机器视觉的汽车玻璃屏缺陷识别系统，其特征在于，包括：
