一种基于局部二值模式的人工智能视觉检测方法及系统与流程

本发明涉及计算机视觉，特别是一种基于局部二值模式的人工智能视觉检测方法以及系统。

背景技术：

1、在近年来，随着人工智能技术的飞速发展，特别是在计算机视觉领域，智能化的图像识别与分析技术日益成为推动工业自动化、医疗诊断、安全监控的众多行业进步的关键，尽管lbp技术取得了显著成就，但在实际应用中仍面临诸多挑战，尤其是在复杂光照环境下的图像处理与识别精度方面，亟待技术创新以突破现有技术瓶颈，当前的视觉检测系统，虽然大多已经能够处理一定程度的光照变化，但面对极端光照条件和快速变化的光照场景时，往往难以保证识别的稳定性和准确性，一方面，环境光照的剧烈波动会导致图像信号失真，影响特征提取的可靠性，另一方面，单一固定颜色空间下的特征描述在面对不同色温和光照强度的场景时，缺乏足够的适应性和泛化能力。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于局部二值模式的人工智能视觉检测方法、装置、计算机设备及存储介质解决在复杂光照变化及多视角环境下，人工智能视觉检测中光照适应性差、特征提取不稳定及三维空间信息利用不充分的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于局部二值模式的人工智能视觉检测方法，其包括，

5、部署光谱传感器阵列定时捕捉光照强度和色温，对光照强度进行瞬间强光干扰去除和温度补偿处理，确定当前光照条件；

6、基于当前光照条件，实现自动化的空间选择逻辑，转换至目标颜色空间；

7、对目标颜色空间进行自适应权重分配后，执行动态lbp特征编码并进行特征提取形成特征向量；

8、同时启动所有摄像头进行图像数据的采集，对每路图像数据执行几何变换并集成深度信息，构建三维空间模型；

9、将各视角提取的lbp特征进行融合处理，利用三维空间模型对融合后的特征向量进行目标识别与匹配，输出最终的检测结果。

10、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：部署光谱传感器阵列定时捕捉光照强度和色温，对光照强度进行瞬间强光干扰去除和温度补偿处理，确定当前光照条件，具体操作步骤如下：

11、收集一段时间内的历史光照强度数据，对历史光照强度进行分析，设定光照强度的上下阈值；

12、对于新采集到的每个光照强度值执行异常值检测，去除瞬间强光干扰；

13、使用当前的环境温度值和去除瞬间强光干扰的原始光照强度测量值，计算补偿后的光照强度，消除温度变化对测量结果的影响；

14、根据补偿后的光照强度将环境分为暗光环境、自然光环境、强光环境；

15、根据色温将环境分为暖色调、中性色调和冷色调；

16、结合分类，综合评估光照条件，确定当前光照条件。

17、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：所述基于当前光照条件，实现自动化的空间选择逻辑，转换至目标颜色空间，具体步骤如下：

18、当环境为暗光、暖色调时，通过转换公式将rgb颜色空间转换为xyz空间，再将xyz空间转换为lab空间；

19、当环境为自然光、中性色调时，通过对每个像素的rgb值计算其对应的hsv值，执行rgb空间到hsv空间的转换；

20、当环境为强光、冷色调时，维持图像在rgb空间无需转换。

21、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：对目标颜色空间进行自适应权重分配，具体操作步骤如下：

22、根据光照强度调整像素权重，计算光照强度调整系数，表达式为：

23、

24、其中，αlux(lux)是光照强度调整系数，lux是当前像素点的光照强度，luxavg是平均光照强度，γ1是控制光照强度与权重调整之间非线性关系的陡峭程度的参数，γ2是决定光照强度偏离平均值的参数，γ3是调整高光照强度区域的权重增长速率的参数，γ4是控制高光照强度部分多项式增长的参数；

25、根据色温调整色彩程度权重，计算色温调整系数，表达式为：

26、

27、其中，βc(tc)是色温调整系数，tc是当前像素的色温，tn是中性色温，tr是色温的变化范围，δ1是色温敏感度，δ2是调整强度系数，δ3是控制色温偏差系数；

28、

29、其中，lc(o,j)是局部对比度，g(m,n)是高斯核函数，z是归一化常数，k是邻域半径，i(i,j)是每个像素点的灰度值，i是像素点的行坐标，j是像素点的列坐标，m是沿图像的行方向偏移的偏移量，n是沿图像的列方向偏移的偏移量；

30、综合考虑光照强度和色温的影响，计算像素点的权重值，表达式为：

31、

32、其中，w(i,j)是最终的像素权重，ρ是局部对比度对权重调整的速率的影响程度参数，σ是决定衰减速度的参数；

33、遍历图像中的每个像素，通过计算每个像素点的权重值，生成与原图尺寸相同的权重矩阵。

34、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：执行动态lbp特征编码并进行特征提取形成特征向量，具体操作步骤如下：

35、对图像进行灰度化处理并应用加权差异计算得到加权局部二值模式值，表达式为：

36、

37、其中，pc是中心像素位置，lbpw(pc)是加权局部二值模式值，pn是邻接像素，ig(pn)是邻接像素灰度值，ig(pc)是中心像素灰度值，np是当前遍历到的邻接像素的索引变量；

38、对所有像素点应用加权差异计算得到加权局部二值模式值后，统计得到的加权lbp码的频率，形成加权lbp直方图，得到特征向量。

39、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：同时启动所有摄像头进行图像数据的采集，对每路图像数据执行几何变换，具体操作步骤如下：

40、所有摄像头同步采集图像数据后进行图像拼接和校准；

41、对拼接和校准后的每路摄像头的图像数据应用orb算法提取图像的关键点；

42、利用最近邻算法计算特征描述并进行特征匹配；

43、通过特征匹配得到的匹配点集采用基础矩阵计算方法，计算两相机间的相对位置；

44、通过直接线性变换解法，计算透视变换矩阵，形成图像间的几何对齐。

45、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：执行几何变换后的图像集成深度信息，构建三维空间模型，具体操作步骤如下：

46、对几何对齐后的图像，采用块匹配算法计算视差图，将视差图转换为深度图；

47、遍历深度图的每个像素，对于每个像素点的深度值、图像坐标和相机参数，计算每个像素点在三维空间中的坐标；

48、将计算出的每个像素点的坐标加入到点云数据中并保存颜色信息；

49、采用marching cubes算法，将点云数据转换为三角网格，利用映射算法从点云中各点的二维图像坐标提取对应的颜色信息，构建三维表面模型。

50、作为本发明所述基于局部二值模式的人工智能视觉检测方法的一种优选方案，其中：将各视角提取的lbp特征进行融合处理，利用三维空间模型对融合后的特征向量进行目标识别与匹配，输出最终的检测结果，具体步骤如下：

51、对于每个视角的图像，应用lbp特征提取算法，计算出lbp编码并转换为直方图特征；

52、基于几何变换后的参数，将每个视角的特征向量从各自的图像坐标系转换至统一的三维空间坐标系中，形成特征对齐；

53、采用深度的加权融合方法，融合各视角的lbp特征，形成融合后的特征向量；

54、创建特征数据库，应用kd树搜索算法在特征数据库中对每个从多视点融合得到的特征向量进行最近邻搜索，得到初步匹配对象；

55、对初步匹配的结果，应用icp算法进行迭代最近点匹配，得到精确的位姿估计；

56、分析每个匹配点的深度值，识别并排除因遮挡导致的不合理匹配；

57、应用深度学习模型对融合特征进行分类，进一步细化识别结果；

58、结合深度学习模型的输出和传统匹配算法的结果，通过融合策略输出最终的检测结果。

59、第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于局部二值模式的人工智能视觉检测方法的任一步骤。

60、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于局部二值模式的人工智能视觉检测方法的任一步骤。

61、本发明有益效果为：通过部署光谱传感器阵列定时捕捉光照强度和色温，并进行瞬间强光干扰去除和温度补偿处理，提高了视觉检测系统因光线突变或温度波动引起的误检或漏检，基于当前光照条件实现自动化的空间选择逻辑，并转换至目标颜色空间，增强了颜色的区分度和信息的有效利用，提升了目标识别的准确性和效率，对目标颜色空间进行自适应权重分配动态调整像素权重，增强了检测系统的立体识别能力和对遮挡物的处理能力。