(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144370.3 (22)申请日 2022.09.20 (71)申请人 重庆理工大 学 地址 400054 重庆市巴南区红光大道69号 (72)发明人 马慰　朱凌云　严旭贤　杨小洪　 (74)专利代理 机构 重庆天成卓越专利代理事务 所(普通合伙) 50240 专利代理师 王宏松 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/80(2017.01) G06T 3/40(2006.01) G06T 5/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于计算机视觉的小口径容器内壁缺陷检 测方法 (57)摘要 本发明提出了一种基于计算机视觉的小口 径容器内壁缺陷检测方法， 包括以下步骤： S1， 采 集不规则产品内壁曲面的图像； S2， 使用网格标 定法来矫正单张图像的畸变， 然后将多张图像拼 接； S3， 对拼接后的图像进行缺陷检测和识别。 本 发明能够快速、 准确地识别小口径容器内壁缺 陷， 且对开发人员的开发经验需求更小， 泛化性 更高， 对不同的识别任务不需要过多的个体调 整。 权利要求书2页 说明书9页 附图4页 CN 115471482 A 2022.12.13 CN 115471482 A 1.一种基于计算机 视觉的小口径容器内壁 缺陷检测方法， 其特 征在于， 包括以下步骤： S1， 采集不规则产品内壁曲面的图像； S2， 矫正单张图像的畸变， 然后将多张图像拼接； S3， 对拼接后的图像进行缺陷检测 和识别。 2.根据权利要求1所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 所述 矫正单张图像的畸变包括： (1)对拍摄的标准图像使用阈值分割出网格边缘， 并采用形态学对图像进行开运算， 提 取标准图像的边框； (2)以最中间一列矩形格的像素值k为基准， 依次向两边计算每一列矩形格的像素值分 别为中心向左的每一列宽度的像素值v1,v2,v3,v4,v5....vx和中心向右的每一列宽度的像 素值w1,w2,w3,w4,w5....wy； (3)计算相邻列的矩形格与最中间一列矩形格宽度的像素比值得到中间向左的横向畸 变比例为a1,a2,a3,a4,a5....ax， 中间向右的横向畸变比例为b1,b2,b3,b4,b5....by； (4)以中心一列为基准， 依次将中间向左的每一列的像素横向乘以a1,a2,a3,a4, a5....ax倍， 中间向右的每一列的像素横向乘以b1,b2,b3,b4,b5....by倍。 3.根据权利要求2所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 所述标准图像由若干等大小的矩形构成。 4.根据权利要求1所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 图像拼接包括以下步骤： 将相邻两张图像分为w ×w个网格， 使用方差比值计算两个 图像的拼接候选区域， 然后 使用SURF算法对两个图像的候选区域进行拼接 。 5.根据权利要求4所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 所述使用方差比值计算两个图像的拼接候选区域包括： S10， 将两个图像都划分为w ×w个网格， 每个网格内部有 个像素， 之后计算每一 个网格里面每一列像素的方差分别为 S20， 将每一个网格里面的最中间一列像素的方差作为标准， 计算其余列像素的方差与 最中间一列像素 方差的比值 S30， 计算每个网格内 个像素的灰度值众数， 统计当前网格内与灰度值众数相等 的像素值的个数； S40， 设定阈值， 若灰度值众数相等的像素个数大于阈值， 则认定该网格为无效区域， 不 进行计算匹配； S50， 将两个图像的w ×w个网格的方差比值作为特征向量， 然后用欧 氏距离计算相似 度， 计算出第一个图像w ×w个区域分别与第二个图像的最相似的区域的相似度s和对应的 第二个图像相似区域的行列数phl， 分别保存到 两个w×w的矩阵； S60， 将上述矩阵按照欧氏距离的值， 找出欧氏距离最小 的多个连续的网格， 从而划分权　利　要　求　书 1/2 页 2 CN 115471482 A 2出一个最大 可能区域作为后续匹配的候选区域。 6.根据权利要求4所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 使用SURF算法对两个图像的候选区域进行拼接包括： 根据候选区域， 使用SURF算法提取到矫正图像的特征向量， 然后使用黑塞矩阵求出特 征， 再通过滤波器构建相应的尺度空间， 在当前尺度和相邻两层定位精确的特征点， 统计特 征点圆形邻域内的har r小波特征。 7.根据权利要求1所述的一种基于计算机视觉的小口径容器内壁缺陷检测方法， 其特 征在于， 采用改进的SSD网络作为特征提取网络对处理后的图像进 行缺陷识别， 包括以下步 骤： S100， 将图像输入到剪枝的efficientnet  b3网络， 经过3x3的卷积和5个超参数不同的 MBconv Block得到特 征图一； 再通过三个MBco nv Block得到特 征图二； S200， 将特征 图一和特征 图二分别通过三个1x1的卷积进行升维， 得到特征图Conv4_3 和特征图Conv7； S300， 将特征 图Conv7进行L2归一化， 再使用一个大小为1x1的卷积核降低特征 图通道 数， 再接一个残差模块和坐标注意力， 之后使用一个大小为3x3， 步长为2， padding为1的卷 积核， 输出 特征图Conv8_2； Conv8_2使用一个大小为1x1的卷积核将特征图通道数降低， 后面接一个残差模块和坐 标注意力， 使用一个大小为3x3， 步长为2， pad ding为1的卷积核， 输出 特征图Conv9_2； Conv9_2使用一个大小为1x1的卷积核将特征图通道数降低， 后面接一个残差模块和坐 标注意力， 使用一个大小为3x3的卷积核， 输出 特征图Conv10_2； Conv10_2使用一个大小为1x1的卷积核将特征图通道数降低， 后面接一个残差模块和 坐标注意力， 使用一个大小为3x3的卷积核， 输出 特征图Conv11_2； S400， 在conv4_3， Conv_7， Conv8_2， Conv9_2， Conv10_2， Conv11_2 六个特征图上生成若 干先验框， 并使用极大值抑制的方法去除多余的先验框； S500， 计算目标的损失函数； S600， 将损失函数作为 参数， 使用梯度下降法训练改进的S SD模型； S700， 使用完成训练改进的SSD模型进行缺陷检测， 将有缺陷的照片传到前端进行展 示。权　利　要　求　书 2/2 页 3 CN 115471482 A 3