(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 202211167861.X (22)申请日 2022.09.23 (71)申请人 莆田市喜乐网络科技有限公司 地址 351100 福建省莆田市荔城区西天尾 镇荔涵中大道10 65号6号楼 201-2 (72)发明人 张涛　林单　 (74)专利代理 机构 北京卓恒知识产权代理事务 所(特殊普通 合伙) 11394 专利代理师 郑少雨 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06V 10/762(2022.01) G06V 10/72(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于大数据的图像故障检测方法及系 统 (57)摘要 本发明提供了一种基于大数据的图像故障 检测方法及系统， 涉及图像处理技术领域， 包括 获取待检测图像， 并对所述待检测图像进行预处 理； 根据获取到的标准图像构建无监督预训练模 型； 将所述待检测图像输入至无监督预训练模型 中， 进行分层搜索， 得到待检测图像骨架集； 对所 述待检测图像骨架集中的骨架端点进行聚类处 理， 得到端点类别分布结果， 并根据所述端点类 别分布结果进行图像故障检测。 本发 明有利效果 为提高对零件进行故障检测时的准确率的技术 效果； 通过图像骨架集， 对端 点进行聚类， 避免对 噪声进行误判， 故在端点进行分类处理， 有助于 排除伪端点或干扰端点； 提高了准确率和检测时 间， 并且现场实时检测为 提供了可 行性。 权利要求书3页 说明书9页 附图3页 CN 115393344 A 2022.11.25 CN 115393344 A 1.一种基于大 数据的图像故障检测方法， 其特 征在于， 包括： 获取待检测图像， 并对所述待检测图像进行 预处理， 得到预处 理后的待检测图像； 根据获取到的标准图像构建无监 督预训练模型； 将所述待检测图像输入至无监督预训练模型中， 进行分层搜索， 得到待检测图像骨架 集； 对所述待检测图像骨架集中的骨架端点进行聚类处理， 得到端点类别分布结果， 并根 据所述端点类别分布结果进行图像故障检测。 2.根据权利要求1所述的图像故障检测方法， 其特征在于,所述获取待检测图像， 并对 所述待检测图像进行 预处理， 其中包括： 获取待检测图像， 并将所述待检测图像转换成灰度待检测图像； 基于图像灰度直方图特征， 对所述灰度待检测图像进行分割， 得到分割后的二值化待 检测图像； 基于非目标区域掩膜法， 对所述二值化待检测图像进行处理， 得到待检测图像掩膜结 果； 基于高斯图像金字塔模型的搜索策略和图像对称性特征， 对所述待检测图像掩膜结果 进行匹配， 得到匹配后新的待检测图像； 对新的所述待检测图像进行图像骨架提取， 得到预处 理后的待检测图像。 3.根据权利要求1所述的图像故障检测方法， 其特征在于,所述将所述待检测图像输入 至无监督预训练模型中， 其中包括： 设置初始化参数， 所述初始化参数包括像素深度值、 像素各色彩通道的灰度值和迭代 次数； 根据所述初始化参数， 对所述标准图像中的图像信息进行随机取样， 所述随机取样包 括对所述图像信息进 行图像增强， 其中， 所述图像增强包括利用Sobel尖锐化对图像的锐化 和利用拉普拉斯锐化 算法对图像的填充； 将每个所述图像信息进行表征向量化， 并将表征向量化的结果输入至非线性投影层， 输出每个所述图像信息计算对比损失函数的表征信息映射， 得到映射 值； 将所述映射 值输入到对比损失函数中， 计算损失值； 基于深度学习神经网络， 反向回传所述损 失值， 并进行更新所述无监督预训练模型的 权重参数， 更新后判断是否到达最大 的迭代次数或是否达到目标最小损失函数值， 若达到 则保存所述无监 督预训练模型的参数文件； 若未达 到则返回继续执 行。 4.根据权利要求1所述的图像故障检测方法， 其特征在于,所述对所述待检测图像骨架 集中的骨架端点进行聚类处 理， 得到端点类别分布结果， 其中包括： 将所述待检测图像骨架集的骨架端点进行特征识别， 得到所述待检测图像骨架集的骨 架端点的特 征识别结果； 基于所述待检测图像骨架集的骨架端点的特征识别结果进行聚类， 得到至少一个特征 聚类簇， 并调用至少一个所述特征聚类簇所对应的参数范围， 计算每个所述特征聚类簇内 的第一参数平均数； 将每个所述第一 参数平均数发送至预设的分类模型中进行处 理， 得到端点分类结果。 5.根据权利要求4所述的图像故障检测方法， 其特征在于,所述分类模型的构建方法，权　利　要　求　书 1/3 页 2 CN 115393344 A 2其中包括： 获取所述标准图像的特征识别结果， 并基于聚类算法计算得到至少一个第 二参数平均 数， 所述第二参数平均数为所述标准图像进行聚类得到的特征参数范围， 进而计算得到的 特征聚类簇内的参数平均数； 将至少一个所述第 二参数平均数和所述标准图像进行映射， 得到每个所述标准图像和 每个所述第二 参数平均数的对应关系； 将每个所述第 二参数平均 数基于哈希算法进行处理， 得到每个所述第 二参数平均 数对 应的哈希值； 基于非极大值抑制算法对所有所述哈希值进行合并处理， 得到合并后的哈希值， 并基 于每个合并后的哈希值构建 分类数据库； 基于K‑Means聚类方法， 将每个所述标准图像和每个所述第二参数平均数的对应关系 发送至所述分类数据库进 行处理， 得到构建好的分类模型， 其中， 将所述对应关系与每个拼 接好的所述哈希值进行对应。 6.一种基于大 数据的图像故障检测系统， 其特 征在于， 包括： 获取模块： 用于获取待检测图像， 并对所述待检测图像进行预处理， 得到预处理后的待 检测图像； 构建模块： 用于根据获取到的标准图像构建无监 督预训练模型； 输入模块： 用于将所述待检测图像输入至无监督预训练模型中， 进行分层搜索， 得到待 检测图像骨架集； 处理模块： 用于对所述待检测图像骨架集中的骨架端点进行聚类处理， 得到端点类别 分布结果， 并根据所述端点类别分布结果进行故障检测。 7.根据权利要求6所述的图像故障检测系统， 其特 征在于， 所述获取模块， 其中包括： 转换单元： 用于获取待检测图像， 并将所述待检测图像转换成灰度待检测图像； 分割单元： 用于基于图像灰度直方图特征， 对所述灰度待检测图像进行分割， 得到分割 后的二值化待检测图像； 第一处理单元： 用于基于非 目标区域掩膜法， 对所述二值化待检测图像进行处理， 得到 待检测图像掩膜结果； 匹配单元： 用于基于高斯图像金字塔模型的搜索策略和图像对称性特征， 对所述待检 测图像掩膜结果进行匹配， 得到匹配后新的待检测图像； 提取单元： 用于对新的所述待检测图像进行图像骨架提取， 得到预处理后的待检测图 像。 8.根据权利要求6所述的图像故障检测系统， 其特 征在于， 所述输入 模块， 其中包括： 设置单元： 用于设置初始化参数， 所述初始化参数包括像素深度值、 像素各色彩通道的 灰度值和迭代次数； 取样单元： 用于根据 所述初始化参数， 对所述标准图像 中的图像信 息进行随机取样， 所 述随机取样包括对 所述图像信息进 行图像增强， 其中， 所述图像增强包括利用Sobel尖锐化 对图像的锐化和利用拉普拉斯锐化 算法对图像的填充； 第一映射单元： 用于将每个所述图像信息进行表征向量化， 并将表征向量化的结果输 入至非线性投影层， 输出每个所述图像信息计算对比损失函数的表征信息映射， 得到映射权　利　要　求　书 2/3 页 3 CN 115393344 A 3