汽车零部件的防伪特征的提取方法以及系统与流程

本发明涉及汽车零部件的防伪特征的提取的，尤其涉及一种汽车零部件的防伪特征的提取方法以及系统。

背景技术：

1、随着科技的发展，汽车零部件作为汽车的一部分，在组装汽车时，需要对汽车零部件进行识别，以定义汽车零部件的真伪结果，在现有技术中，通过对零件表面压印字符进行分析，根据检测需求，设计了一套基于机器视觉的汽车零件字符检测系统，满足企业的自动化生产要求，可是，该现有技术不适用于多种汽车零部件材料表面的连续型及非连续型纹理特征提取。

技术实现思路

1、本发明的目的在于克服现有技术的不足，本发明提供了一种汽车零部件的防伪特征的提取方法以及系统，基于二维频域特征判断当前纹理的纹理类型，以便于针对当前纹理的纹理类型匹配对应的分析算法，从而兼容连续型、非连续型及轮廓型纹理特征的分析，进而利用人工智能自动匹配技术基于微观视觉图像处理和神经网络混合算法对汽车零部件进行防伪特征提取和识别，以便于在防伪识别下确定汽车零部件的真伪结果。

2、为了解决上述技术问题，本发明实施例提供了一种汽车零部件的防伪特征的提取方法，应用于汽车零部件的防伪特征的提取场景；所述汽车零部件的防伪特征的提取方法包括：

3、采集汽车零部件的微观视觉特征图像；

4、根据汽车零部件的微观视觉特征图像的图像处理而输出二维频域特征；

5、基于二维频域特征判断当前纹理的纹理类型；

6、根据当前纹理的纹理类型匹配对应的分析算法，以确定关键属性特征点；

7、基于关键属性特征点以及深度学习神经网络框架的训练而确定汽车零部件微观视觉特征识别模型；

8、基于汽车零部件微观视觉特征识别模型与先验特征库进行匹配分类，以在防伪识别下确定汽车零部件的真伪结果。

9、可选的，所述采集汽车零部件的微观视觉特征图像，包括：

10、选取要识别的汽车零部件品类；

11、基于汽车零部件品类收集真伪混合的该品类汽车零部件产品；

12、通过微观电子显微镜观测该汽车零部件真伪产品表面图像，并记录微观视觉特征图像。

13、可选的，所述根据汽车零部件的微观视觉特征图像的图像处理而输出二维频域特征，包括：

14、定格汽车零部件的微观视觉特征图像；

15、对汽车零部件的微观视觉特征图像进行微观图像分割处理，并形成多个区域；

16、根据多个区域进行区域运算，并输出二维频域特征。

17、可选的，所述根据汽车零部件的微观视觉特征图像的图像处理而输出二维频域特征，还包括：

18、在对汽车零部件的微观视觉特征图像进行滤波前，先对其中具有明显材料属性特征的区域进行归一化处理；

19、对汽车零部件的微观视觉特征图像采用分块处理的方式，定义为像素处的灰度值，，分别是块的平均值和方差，是像素处归一化后的灰度值，对块中的所有像素，归一化后的图像定义为：

20、；

21、，分别是期望的均值和方差，归一化是对所有的像素统一进行，因此它不会改变汽车零部件的微观视觉特征图像的纹理结构；

22、在汽车零部件的微观视觉特征图像中选取16×16大小的子块微观特征图像，二维gabor函数在空域的数学表达如下：

23、，

24、其中, 表示波长，它的值大于等于2，以像素为单位，不能大于输入图像尺寸的五分之一；表示方向，取值为0到360度，指定了gabor函数并行条纹的方向；表示长宽比(空间纵横比)，决定了gabor函数曲线形状的椭圆率, 该值为0.5；当时, 曲线形状是圆的；当时, 其形状沿着平行条纹方向不断拉伸；表示高斯部分的标准差，其值不能直接给定，受到滤波器中心频率的制约；x，y表示图像像素点的空间位置坐标；

25、则汽车零部件的微观视觉特征图像的经过图像滤波和增强后的特征图表示为：

26、。

27、可选的，所述基于二维频域特征判断当前纹理的纹理类型，包括：

28、采集二维频域特征；

29、在二维频域特征中，傅里叶谱纹理分析通过傅里叶变换将图像从空间域转换到频，以得到汽车零部件的微观视觉特征图像的频率分布；

30、根据汽车零部件的微观视觉特征图像的频率分布而定义汽车零部件的微观视觉特征图像的纹理特征；

31、根据汽车零部件的微观视觉特征图像的纹理特征定义当前纹理的纹理类型。

32、可选的，所述根据当前纹理的纹理类型匹配对应的分析算法，以确定关键属性特征点，包括：

33、采集当前纹理的纹理类型；

34、基于当前纹理的纹理类型匹配对应的分析算法；

35、在对应的分析算法中，基于当前纹理进行深度运算，并确定关键属性特征点。

36、可选的，所述根据当前纹理的纹理类型匹配对应的分析算法，以确定关键属性特征点，还包括：

37、对于有连续型纹理的采用poincare指数算法；

38、对于非连续型纹理，采用灰度共生矩阵(glcm)方法对纹理进行特征提取和分析；

39、对于轮廓型纹理，采用freeman链码及其导数特征提取算法。

40、可选的，所述基于关键属性特征点以及深度学习神经网络框架的训练而确定汽车零部件微观视觉特征识别模型，包括：

41、定格关键属性特征点；

42、将关键属性特征点与深度学习神经网络框架进行关联，并触发对应的训练；

43、基于训练而确定汽车零部件微观视觉特征识别模型。

44、可选的，所述基于汽车零部件微观视觉特征识别模型与先验特征库进行匹配分类，以在防伪识别下确定汽车零部件的真伪结果，包括：

45、采集汽车零部件微观视觉特征识别模型；

46、将汽车零部件微观视觉特征识别模型与先验特征库进行关联；

47、先验特征库中的各个待验证图像输入至汽车零部件微观视觉特征识别模型，以在防伪识别下确定汽车零部件的真伪结果。

48、可选的，一种汽车零部件的防伪特征的提取系统，所述汽车零部件的防伪特征的提取系统应用于上述的汽车零部件的防伪特征的提取方法，所述汽车零部件的防伪特征的提取系统包括：

49、采集模块，用于采集汽车零部件的微观视觉特征图像；

50、二维频域特征模块，用于根据汽车零部件的微观视觉特征图像的图像处理而输出二维频域特征；

51、纹理类型模块，用于基于二维频域特征判断当前纹理的纹理类型；

52、关键属性特征点模块，用于根据当前纹理的纹理类型匹配对应的分析算法，以确定关键属性特征点；

53、识别模块，用于基于关键属性特征点以及深度学习神经网络框架的训练而确定汽车零部件微观视觉特征识别模型；

54、分类模块，用于基于汽车零部件微观视觉特征识别模型与先验特征库进行匹配分类，以在防伪识别下确定汽车零部件的真伪结果。

55、在本发明实施例中，通过本发明实施例中的方法，采集汽车零部件的微观视觉特征图像；根据汽车零部件的微观视觉特征图像的图像处理而输出二维频域特征；基于二维频域特征判断当前纹理的纹理类型；根据当前纹理的纹理类型匹配对应的分析算法，以确定关键属性特征点；基于关键属性特征点以及深度学习神经网络框架的训练而确定汽车零部件微观视觉特征识别模型；基于汽车零部件微观视觉特征识别模型与先验特征库进行匹配分类，以在防伪识别下确定汽车零部件的真伪结果，此时，基于二维频域特征判断当前纹理的纹理类型，以便于针对当前纹理的纹理类型匹配对应的分析算法，从而兼容连续型、非连续型及轮廓型纹理特征的分析，进而利用人工智能自动匹配技术基于微观视觉图像处理和神经网络混合算法对汽车零部件进行防伪特征提取和识别，以便于在防伪识别下确定汽车零部件的真伪结果。