技术特征：
1.一种基于机器视觉的工件质检方法，其特征在于，包括：获取图像采集设备所采集的若干种工件的图像,从所述图像中选取出每种工件的标准图像和多张非标准图像;对每张标准图像和非标准图像进行预处理,得到每张标准图像和非标准图像的真实特征点集;由非标准图像作为输入标签、非标准图像对应的真实特征点集作为输出标签，将多张非标准图像划分为训练集和测试集；以生成对抗网络搭建初始网路模型，利用训练集和测试集对所述初始网路模型进行训练和测试，得到特征点检测模型；获取图像采集设备所采集的待质检工件图像，将待质检工件图像输入特征点检测模型中得到对应的预测特征点集；选取待质检工件对应的标准图像和标准图像的真实特征集，计算待质检工件图像的预测特征点集与标准图像的真实特征点集的第一特征差异值，根据所述第一特征差异值判断待质检工件是否合格。2.根据权利要求1所述的工件质检方法，其特征在于，对每张标准图像和非标准图像进行预处理,得到每张标准图像和非标准图像的特征点集，包括：对若干种工件进行编号，依次对每种工件对应的标准图像和非标准图像进行多次降采样，使每张标准图像或非标准图像生成对应的一张低尺度图像和多张高尺度图像；根据预设的积分尺度和微分尺度计算得到每一张尺度图像中像素点的响应函数值；依次计算出每张高尺度图像中每个像素点所对应的响应函数值后，从多张高尺度图像中选取出每个像素点的响应函数最大值，并判断其响应函数最大值是否大于预设阈值，若是，则将其对应的像素点作为真实特征点，由多个真实特征点构成一张工件图像的真实特征点集；由一种工件的标准图像的真实特征点集和多张非标准图像的真实特征点集构成所述工件的对照库。3.根据权利要求1所述的工件质检方法，其特征在于,利用测试集对所述初始网路模型进行测试，得到特征点检测模型，包括：将测试集中的非标准图像对应的真实特征点集输入生成器进行学习，得到预测特征点集；计算所述预测特征点集与对应的真实特征点集的第二特征差异值；判断所述第二特征差异值是否小于第二预设值：若是，则所述初始网络模型完成训练，得到特征点检测模型。4.根据权利要求2所述的工件质检方法，其特征在于,选取待质检工件对应的标准图像和标准图像的真实特征集，包括：获取待质检工件的编号，根据待质检工件的编号确定对应的对照库；从对照库中获取标准图像和标准图像的真实特征集。5.根据权利要求1所述的工件质检方法，其特征在于, 以生成对抗网络搭建初始网路模型，利用训练集对所述初始网路模型进行训练，包括：利用生成器和鉴别器搭建初始网络模型，将训练集中的非标准图像生成器进行学习，
得到预测特征点集；将训练集中的非标准图像对应的真实特征点集输入鉴别器进行学习，判断生成器所生成的预测特征点集是否为真：若判断为假，则所述生成器重新学习非标准图像并重复生成预测特征点集，鉴别器重复判断所生成的预测特征点集，直到将预测特征点集判断为真；否则，所述初始网络模型完成训练。6.根据权利要求1所述的工件质检方法，其特征在于, 利用测试集对所述初始网路模型进行测试包括：将测试集中的非标准图像对应的真实特征点集输入生成器进行学习，得到预测特征点集；计算所述预测特征点集与对应的真实特征点集的第二特征差异值；判断所述第二特征差异值是否小于第二预设值：若是，则所述初始网络模型完成测试，得到特征点检测模型。7.根据权利要求6所述的工件质检方法，其特征在于, 所述第二特征差异值的计算方法包括：将预测特征点集中的预测特征点与测试集中非标准图像对应的真实特征点进行匹配，得到若干对特征点对；计算每对特征点对的第二相似度；将全部特征点对的第二相似度进行排序，根据所述排序选取若干个特征点对作为基准点，分别计算多个预测特征点与每个基准点的相对位置、多个真实特征点与每个基准点的相对位置；由多个预测特征点与一个基准点的相对位置构成第一位置向量，由多个真实特征点与一个基准点的相对位置构成第二位置向量；基于多个第一位置向量和多个第二位置向量计算得到夹角余弦距离，得到第二特征差异值；当所述第二特征差异值小于第二预设值时，初始网络模型完成测试。8.根据权利要求7所述的工件质检方法，其特征在于, 所述特征点对的第二相似度的计算方法包括：从若干对特征点对中选取预设对特征点构造多个对照点集，并计算所述每个所述对照点集的变换矩阵；根据每对特征点和所有变换矩阵计算得到每个真实特征点对应的第一残差向量；以及根据每个真实特征点和所有变换矩阵计算得到每个真实特征点对应的第二残差向量；利用所述第一残差向量和第二残差向量计算得到预测特征点与真实特征点的第二相似度。9.根据权利要求1所述的工件质检方法，其特征在于,计算待质检工件图像的预测特征点集与标准图像的真实特征点集的第一特征差异值，根据所述第一特征差异值判断待质检工件是否合格，包括：将预测特征点集中的预测特征点与标准图的真实特征点进行匹配，得到若干对特征点对；
计算每对特征点对的第一相似度；将全部特征点对的第一相似度进行排序，根据所述排序选取若干个特征点对作为基准点，分别计算多个预测特征点与每个基准点的相对位置、多个真实特征点与每个基准点的相对位置；由多个预测特征点与一个基准点的相对位置构成第一位置向量，由多个真实特征点与一个基准点的相对位置构成第二位置向量；基于多个第一位置向量和多个第二位置向量计算得到夹角余弦距离，得到第一特征差异值；当所述第一特征差异值小于第一预设值时，待质检工件合格。10.一种基于机器视觉的工件质检装置，其特征在于，包括：选取模块：用于获取图像采集设备所采集的若干种工件的图像,从所述图像中选取出每种工件的标准图像和多张非标准图像;预处理模块：用于对每张标准图像和非标准图像进行预处理,得到每张标准图像和非标准图像的真实特征点集;数据集构建模块：用于由非标准图像作为输入标签、非标准图像对应的真实特征点集作为输出标签，将多张非标准图像划分为训练集和测试集；模型训练模块：用于以生成对抗网络搭建初始网路模型，利用训练集和测试集对所述初始网路模型进行训练和测试，得到特征点检测模型；预测模块：用于获取图像采集设备所采集的待质检工件图像，将待质检工件图像输入特征点检测模型中得到对应的预测特征点集；比对模块：用于选取待质检工件对应的标准图像和标准图像的真实特征集，计算待质检工件图像的预测特征点集与标准图像的真实特征点集的第一特征差异值，根据所述第一特征差异值判断待质检工件是否合格。
技术总结
本发明提供了一种基于机器视觉的工件质检方法及装置，涉及质检技术领域，包括若干种工件的图像中选取出每种工件的标准图像和多张非标准图像;得到每张标准图像和非标准图像的真实特征点集;将多张非标准图像划分为训练集和测试集；以生成对抗网络搭建初始网路模型，利用训练集和测试集对初始网路模型进行训练和测试；将待质检工件图像输入特征点检测模型中得到对应的预测特征点集；计算待质检工件图像的预测特征点集与标准图像的真实特征点集的第一特征差异值，根据第一特征差异值判断待质检工件是否合格，本发明用于解决现有技术中不能准确的检测和提取到工件的特征点，在后续的特征比对中准确率较低，工件质检的精度达不到要求的技术问题。不到要求的技术问题。不到要求的技术问题。
技术研发人员：唐湘辉 朱江平 张亚蕊 陈明凯
受保护的技术使用者：武汉东方骏驰精密制造有限公司
技术研发日：2023.09.08
技术公布日：2023/10/15