CN120656009B - 基于机器视觉的铸件表面处理效果的质检方法及质检装置 - Google Patents

Abstract

本发明属于铸件质检技术领域，提供了基于机器视觉的铸件表面处理效果的质检方法及质检装置。所述方法包括：从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合；拍摄在照射强度下的第二高清图像，识别并剔除第二高清图像中的伪影区域，得到第三高清图像；从第三高清图像中提取得出质检参数，基于质检参数评估得出该铸件的表面处理效果。本发明能够有效克服传统铸件质检方法中的伪影干扰问题，实现了对铸件表面处理效果的高精度、高效率检测。

Description

基于机器视觉的铸件表面处理效果的质检方法及质检装置

技术领域

本发明涉及铸件质检技术领域，具体而言，涉及基于机器视觉的铸件表面处理效果的质检方法及质检装置。

背景技术

在现代制造业中，铸件作为机械产品的重要基础部件，其表面处理质量直接影响产品的耐腐蚀性、耐磨性以及外观品质，进而关系到机械产品的整体性能和使用寿命。

传统的基于传感器的检测方法（如涡流检测、超声检测等）虽能在一定程度上实现对铸件内部和表面缺陷的检测，但对表面处理效果（如涂层均匀性、粗糙度变化、表面色泽一致性等）的检测存在局限性，无法直观获取表面纹理特征和细微缺陷信息。近年来兴起的基于机器视觉的检测技术，虽部分解决了上述传统检测方法的不足，但现有技术仍存在诸多问题。主要体现在：铸件的表面区域分为全开放区域和非全开放区域，在对全开放区域进行表面处理效果质检时，常规的特征提取算法可以有效应对环境光的干扰，进而可以保证较高的检测精度。但是，对于如孔洞、深槽等非全开放区域，现有基于机器视觉的质检方法通常需要采用灯光（例如与摄像头集成）照射辅助拍摄图像，再进行分析检测。由于孔洞内部结构复杂，光线在孔洞内壁多次反射后，光线反射产生的伪影容易被误判为真实缺陷，极大地影响了质检结果的准确性，难以实现对这些区域表面处理效果的精准判断。

因此，亟需一种新的基于机器视觉的铸件表面处理效果的质检方法，以降低伪影对于质检结果的影响，实现对铸件表面处理效果的高精度、高效率、标准化检测，满足现代制造业对铸件质量控制的严格要求。

发明内容

对此，本发明提供了一种基于机器视觉的铸件表面处理效果的质检方法、质检装置、电子设备、计算机存储介质及计算机程序产品，以解决上述技术问题中的至少之一。

本发明第一方面，提供了一种基于机器视觉的铸件表面处理效果的质检方法，包括如下方法步骤：从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合；拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像。

从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果。

本发明第二方面，提供了一种基于机器视觉的铸件表面处理效果的质检装置，所述装置包括拍摄控制模块、伪影识别处理模块、质检模块。

所述拍摄控制模块，从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合。

所述伪影识别处理模块，拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像。

所述质检模块，从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果。

本发明第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前述任一项所述的方法。

本发明第四方面，提供一种计算机存储介质，该计算机存储介质存储有可被处理器执行以实现如前述任一项所述方法的计算机程序。

本发明第五方面，提供一种计算机程序产品，该计算机程序产品包含可被处理器执行以实现如前述任一项所述方法的计算机程序。

本发明通过采集非全开放区域图像获取实时光线强度，结合区域结构数据预测最佳照射强度，减少光线反射伪影；再经图像伪影识别剔除与质检参数提取评估。能够有效克服传统铸件质检方法中的伪影干扰问题，实现了对铸件表面处理效果的高精度、高效率检测，满足现代制造业严格的质量控制要求，保障铸件产品性能与寿命。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1是本发明实施例公开的一种基于机器视觉的铸件表面处理效果的质检方法的流程示意图。

图2是本发明实施例公开的门控神经网络的结构示意图。

图3是本发明实施例公开的一种基于机器视觉的铸件表面处理效果的质检装置的结构示意图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

在对铸件的非全开放区域进行表面处理效果的质检时，需要使用灯光来辅助拍摄图像，此时就容易产生伪影，而伪影可能干扰缺陷的识别。例如：反光/眩光：铸件表面粗糙或存在倾斜角度时，灯光可能产生局部高光，掩盖细微缺陷（如裂纹、气孔）；阴影：凹凸不平的表面（如砂眼、毛刺）可能因灯光角度产生阴影，被误判为缺陷；镜面反射：光滑区域（如机加工面）可能反射光源形状（如灯管影像），干扰视觉判断；色偏：灯光色温（如冷光/暖光）可能改变铸件颜色，影响对氧化、夹杂等缺陷的判断。

针对上述技术问题，如图1所示，本发明实施例公开了一种基于机器视觉的铸件表面处理效果的质检方法，包括如下方法步骤：S10，从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合。

通过机器视觉设备（如高清工业相机）采集铸件非全开放区域（如孔洞、深槽）的第一高清图像，利用图像分析技术，对图像中各像素点的亮度信息进行统计和分析，从而计算出该区域的实时光线强度，即获取了该待检测区域当前的光照状况。

基于实时光线强度和该非全开放区域的结构数据（如孔洞的深度、直径、形状，深槽的宽度、深度等几何参数），采用光线传播原理和反射规律模拟不同照射参数组合下光线在该区域内的传播和反射情况，预测出能够减少光线反射、降低伪影产生概率的最佳照射参数组合。例如，对于较深且内部结构复杂的孔洞，预测得出降低光照强度并采用多角度散射光照射，可有效降低反射伪影的产生概率。

可以理解的是，机器视觉设备在对非全开放区域进行拍摄时，可以是先逐区域拍摄再合成为全景图像，后续分析也是针对全景图像的。同时，照明设备（如LED光源、光纤导光装置等）可以与机器视觉设备集成设置，这样在逐区域拍摄时实施对应的逐区域照射。

S20，拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像。

根据步骤S10预测得出的最佳的照射参数组合，调整照明设备，对铸件非全开放区域进行再次拍摄，获取第二高清图像（例如是上述的全景图像）。此时的第二高清图像在优化后的光照条件下，减少了因光线反射导致的伪影干扰，能够更清晰地呈现铸件表面的真实特征。

同时，还进一步识别并剔除第二高清图像中的伪影区域，得到第三高清图像。例如采用基于深度学习的伪影识别算法，对第二高清图像进行处理。算法通过对图像特征的学习和分析，准确区分伪影区域与真实缺陷或正常表面区域，将识别出的伪影区域进行标记并剔除（例如通过图像掩膜技术将伪影区域的像素值设置为特定值或进行修复），从而得到去除伪影干扰的第三高清图像。

如此，可进一步提高图像质量，使后续检测能够基于更准确的图像数据进行，避免伪影对检测结果造成误判。

S30，从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果。

在该步骤中，采用合适的图像分析算法和技术，提取与铸件表面处理效果相关的各项质检参数，包括但不限于表面粗糙度、涂层厚度、缺陷尺寸（如裂纹长度、气孔直径）、表面色泽均匀度等。再通过例如边缘检测算法提取表面缺陷的轮廓并计算其尺寸，利用灰度分析或颜色特征提取算法评估涂层的均匀性和色泽一致性。

将提取的质检参数与预先设定的质量标准（如行业标准、企业内控标准）进行对比分析。通过设定合理的评估规则和算法（如加权评分法，根据不同参数对产品质量的重要程度赋予不同权重，计算综合得分），对铸件表面处理效果进行量化评估，判断其是否符合质量要求。例如，若表面粗糙度、涂层厚度等各项参数均在标准范围内，则判定该铸件表面处理效果合格；若存在部分参数超出标准，则给出相应的质量等级和改进建议。具体不再赘述。

本发明通过采集非全开放区域图像获取实时光线强度，结合区域结构数据预测最佳照射强度，减少光线反射伪影；再经图像伪影识别剔除与质检参数提取评估。能够有效克服传统铸件质检方法中的伪影干扰问题，实现了对铸件表面处理效果的高精度、高效率检测，满足现代制造业严格的质量控制要求，保障铸件产品性能与寿命。

作为一个示例，所述基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合，包括：依据该非全开放区域的结构数据构建三维几何模型，基于几何光学原理得出光线在所述三维几何模型内的传播与反射物理模型，包括光线入射角与反射角的计算方程、材质表面反射率与光线波长的关系函数、多次反射后光线能量衰减模型；以所述实时光线强度为初始条件，以伪影产生概率最小化为目标函数，以照明设备的可调参数为优化变量，采用优化算法求解得出最优的照射参数组合。

首先，依据该非全开放区域的结构数据构建三维几何模型，以将铸件孔洞、深槽等区域的实际形状数字化。将结构数据中的如孔洞直径、深度、曲率，深槽宽度、侧壁角度等，转化为三维空间中的几何形状，为光线模拟提供数字化载体。

基于几何光学原理得出光线在三维几何模型内的传播与反射物理模型，通过光线入射角与反射角的计算方程（遵循反射定律）、材质表面反射率与光线波长的关系函数（表征不同材质对光的吸收反射特性）、多次反射后光线能量衰减模型（考虑光线在反射过程中的能量损耗），精确模拟光线在复杂结构内的行为，让光线传播可视化、可计算。

在三维几何模型中，每个表面点的法向量由模型的几何结构决定。例如：平面区域：法向量为平面的固定法向量（如深槽的侧壁）。

曲面区域：法向量为曲面在该点的切平面法向量（如孔洞的内壁），可通过参数方程或三角网格计算。

多面体交界：法向量在交界处可能发生突变（如阶梯孔的台阶面）。

（1）光线入射角与反射角的计算方程为：；其中，为单位向量，方向从物体表面指向反射方向；为单位向量，方向从光源指向物体表面（入射方向）；为单位法向量，垂直于物体表面指向外部；表示向量的点积运算，用于计算入射角的余弦值（为入射角）。

当光线照射到三维模型表面时，需先通过射线追踪算法（如BVH加速结构）确定光线与模型的交点，再获取该点的法向量，最后代入反射方程计算反射方向。例如：在孔洞内壁反射时，法向量随内壁曲面曲率变化，导致反射方向动态调整。在深槽底部反射时，若底部为斜面，法向量倾斜，反射光线会向特定方向偏折。

（2）材质表面反射率与光线波长的关系函数为：；其中，为光谱反射率函数，即铸件表面反射的光线能量与入射的光线能量的比值，其为无量纲参数，该比值越大表示该波长光线被反射的比例越高；为光线波长（单位：nm）；为多项式系数（单位：nm^-k），表征材质对连续光谱的基础反射趋势，为多项式项的最高次数，例如时，多项式为，最高次数越高时对连续光谱反射规律的刻画越精细；为高斯项（即）的幅度系数（为无量纲参数），用于调整高斯峰（即刻画出的曲线形态）的高度，为高斯峰的宽度系数（单位为：nm^-2），控制高斯峰的宽窄，为高斯峰的中心波长（单位：nm），对应材质反射特性出现突变的特征波长，用于拟合材质在特定波长（如金属的特征吸收峰）的反射突变。

材质表面反射率函数的参数（如）在三维模型中是空间变量，取决于模型表面各点的材质分布。例如：铸件表面可能存在涂层，涂层区域与非涂层区域的反射率函数参数不同。铸件内部不同深度的孔洞可能采用不同材质（如金属基体与填充材料），需为每个区域定义独立的。

首先，确定光线与三维模型的交点位置；通过交点位置查询该点的材质ID；根据材质ID调用对应的反射率函数计算反射率。

（3）光线能量衰减模型为：；其中，为光线在铸件内部经过m次反射后剩余可检测的光线能量（单位：J）；为初始入射光线能量（单位：J）即光源发射的原始能量；为第k次反射表面的光谱反射率（由上述关系函数计算），表示铸件表面对光线的反射能力，表示完全发射，表示完全吸收；为第k次反射的入射角（单位：°），即光线入射方向与表面法向量的夹角；入射角的余弦值为斜入射时的能量投射面积的修正因子；为第k次反射后光线的传播距离（单位：mm），即光线在k次反射传播过程中所经过的距离；为衰减长度（与环境介质散射特性相关，单位：mm），该参数用于描述环境介质（如空气、冷却液残留）对光线的散射特性，越小散射越强，越大则散射越弱；表征光线传播过程中的散射损耗，其是无量纲的散射损耗度量，即通过传播距离与衰减长度的比例来量化光线在介质中的散射严重程度。

能量衰减模型中的传播距离和入射角均由三维几何模型决定：传播距离：光线在两次反射间的直线距离，需通过三维空间中的起点和终点坐标计算（由射线追踪确定）。

入射角：由入射光线方向与交点处法向量的点积确定。

在复杂结构（如深孔）中，光线可能经历多次反射，每次反射的均不同：第1次反射：交点位于孔口，由孔口材质决定，为孔口到第一次内壁反射点的距离。

第2次反射：交点位于内壁，由内壁材质决定，为两次内壁反射点间的距离。

重复上述过程，直到光线能量低于阈值或离开模型区域。

处理过程举例说明如下：假设光线进入一个阶梯孔（直径突变的圆柱形孔洞）：1.几何模型准备：将阶梯孔离散化为三角网格，每个网格存储法向量和材质ID。为不同直径的孔段分配不同的材质参数（如）。

2.光线追踪与反射计算：光线从光源出发，与阶梯孔表面相交于点，获取的法向量和材质ID_1。代入反射方程计算反射方向。

3.能量衰减计算：通过计算波长为的光线在处的反射率。计算入射角和传播距离（光源到的距离）。更新能量：。

4.多次反射迭代：反射光线继续与模型相交于点，重复上述步骤计算。若位于阶梯孔的变径处，法向量和材质ID_2可能突变，导致反射行为和能量衰减显著变化。

然后，以实时光线强度为初始条件，将检测区域当前的光照状况作为计算起点。以伪影产生概率最小化为目标函数即优化方向；以照明设备的可调参数（如光照强度、照射角度、光谱类型）为优化变量，这些可调参数直接影响光线在铸件表面的反射情况。采用优化算法（如遗传算法、粒子群算法），通过计算不同照射参数组合下潜在伪影区域的相关指标（如过曝区域面积、明暗异常区域占比等），来量化评估伪影产生的可能性，并通过不断的迭代计算、筛选，进而求解出最优照射参数组合，使光线在非全开放区域内传播时，伪影产生概率达到最低。

作为一个示例，所述识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像，包括：将所述第二高清图像的像素特征与实时光线强度、该非全开放区域的结构数据、所述照射参数组合进行编码，构建包含视觉信息、光照参数、结构参数的多维特征向量；采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量；其中，所述三向注意力机制是通过空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块实施的；采用经训练的语义分割网络对所述增强多维特征向量进行处理，得到若干伪影区域，采用多尺度条件随机场对各伪影区域进行边界细化。

前述实施例中，虽然通过采用最优参数组合降低了伪影产生的概率，但铸件非全开放区域结构复杂、材质多样，微小的光照差异、结构细节仍可能导致伪影出现，所以仍需要对第二高清图像先进行伪影的识别与剔除。同时，由于非全开放区域结构复杂、光照情况多变，导致伪影特征在不同场景下表现各异，单一的图像像素特征无法全面反映伪影的成因与特征。

针对上述情况，本实施例将第二高清图像的像素特征与实时光线强度、区域结构数据、照射参数组合进行编码，以构建多维特征向量，从多视角综合分析图像，有效解决因信息片面导致的伪影误判、漏判问题。具体为：首先，将第二高清图像的像素特征与实时光线强度、非全开放区域的结构数据、照射参数组合进行编码。其中，第二高清图像的像素特征包含了铸件表面的纹理、颜色、灰度等视觉信息，是识别伪影的直观依据。实时光线强度反映了该非全开放区域当前的光照条件，影响着图像的明暗表现和伪影产生情况；非全开放区域的结构数据（如孔洞深度、形状，深槽宽度等）决定了光线在内部的传播路径和反射特性，与伪影生成密切相关；照射参数组合（光照强度、角度、光谱类型等）则是前期优化的光照条件，直接影响图像成像质量。通过编码技术将这些信息融合，构建成多维特征向量，以从多个角度综合分析图像。

接着，通过空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块的协同工作，实现采用三向注意力机制对多维特征向量进行特征增强。

空间-结构注意力模块：基于空间注意力机制（Spatial Attention），并结合几何特征提取算法（如曲率计算、区域拓扑关系分析）。空间注意力机制的核心是通过计算特征图中不同空间位置的权重，强化关键区域（如结构复杂、易产生伪影的位置）的特征表达。

其增强过程为：获取非全开放区域的三维结构数据（如孔洞、深槽、转角的几何参数）和照射参数（如光源角度、强度），构建空间特征图。通过几何算法计算结构表面的曲率（如曲率突变处）、拓扑关系（如封闭/半封闭区域），定位易产生伪影的区域（如孔洞转角、深槽底部——这些区域光线反射复杂，易因多次反射或遮挡形成伪影）。对上述关键区域分配更高的注意力权重，对平坦、少伪影区域分配低权重，生成空间注意力图。将注意力图与原始空间特征图加权融合，强化曲率突变区域的伪影特征（如明暗不均、边缘模糊等），避免因这些区域特征微弱而被漏检。

光谱-光照注意力模块：基于通道注意力机制（Channel Attention），结合光谱特征映射算法（如反射率-波长关系建模、颜色空间转换）。通道注意力机制通过对特征图的不同通道（如RGB颜色通道、纹理通道）赋予权重，突出与任务相关的通道特征。

其增强过程为：获取实时光线强度、材质的光谱反射率函数及图像的多通道特征（如颜色通道、纹理通道）。根据光线波长（）与材质反射率的关系，计算不同波长光线在材质表面的反射比例，结合实时光照强度，确定伪影在颜色、纹理上的特征（如金属材质在特定波长下的反射伪影可能呈现偏黄通道特征）。通过通道注意力机制，对与伪影相关的颜色通道（如特定波长对应的RGB分量）、纹理通道（如伪影的模糊/锯齿纹理）赋予高权重，弱化无关通道（如背景区域的均匀颜色通道）。将通道权重与原始图像特征图融合，突出伪影的颜色、纹理特征，提升模型对伪影与真实区域的区分能力。

参数-上下文注意力模块：基于上下文注意力机制（Contextual Attention），结合多参数关联建模（如照射参数、结构参数、光线强度的协同作用分析）。上下文注意力机制通过建模全局特征间的依赖关系，让模型从整体理解参数间的关联对目标（伪影）的影响。

其增强过程为：整合照射参数组合（如光源角度、距离）、实时光线强度、三维结构数据（如区域封闭性），构建多维度参数特征矩阵，捕捉参数间的全局关联（如“小角度光源+深槽结构”易产生阴影伪影）。通过自注意力机制（如Transformer中的缩放点积注意力）计算不同参数组合与伪影产生的关联性权重，构建全局上下文模型——例如学习到“特定光源角度+高反射材质+封闭结构”与“高光伪影”的强关联。基于全局上下文模型，动态调整空间、光谱等特征维度的注意力分布（如当检测到“封闭结构+强光”时，自动提升对应区域的空间权重和高光颜色通道权重）。通过参数间的关联分析，强化模型对伪影产生机制的语义理解（如“为何该场景下会产生伪影”），使模型在复杂场景（如多光源、混合材质）中仍能准确区分伪影与真实区域。

完成特征增强之后，再采用经训练的语义分割网络（如结合Transformer的U-Net模型）对增强多维特征向量进行处理，在训练过程中，语义分割网络通过大量标注数据的训练，学习了伪影与真实区域的特征差异，能够对增强后的多维特征向量进行分析，将图像中的伪影区域识别并标记出来，得到若干伪影区域。

但由于图像本身的复杂性和噪声干扰，初步识别的伪影区域边界可能不够精确，进一步采用多尺度条件随机场（MS-CRF）对各伪影区域进行边界细化，多尺度条件随机场可从不同尺度考虑图像的空间邻域信息，结合像素点之间的关联性，对伪影区域的边界进行优化，使分割结果更贴合伪影的真实边界，提高伪影识别的准确性和完整性。

另外，对于识别出的伪影区域，除了进行剔除之外，还可以视情况进行图像修复。例如，通过基于生成对抗网络（GAN）的多模态修复模型，结合结构数据与光照参数生成合理的修复内容，将修复后的区域与原始图像的非伪影区域进行融合，生成去除伪影干扰的第三高清图像。

作为一个示例，采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量，包括：基于所述实时光线强度、所述结构数据及所述照射参数组合分析得出光线反射复杂度、材质光谱敏感度及参数关联性；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，基于所述场景分类匹配得出权重系数组；将所述多维特征向量分别输入至所述空间-结构注意力模块、所述光谱-光照注意力模块和所述参数-上下文注意力模块中以得到对应的增强特征向量，基于所述权重系数组将各所述增强特征向量进行加权融合，得到所述增强多维特征向量。

在铸件的非全开放区域的表面处理效果质检中，实时光线强度决定了光线入射的初始能量与方向，结构数据（孔洞深度、形状，深槽宽度等）影响光线在内部的反射路径，照射参数组合（光照强度、角度、光谱类型等）直接改变光线与铸件表面的作用方式。通过综合分析这些数据，可得出光线反射复杂度，即光线在复杂结构表面多次反射的复杂程度，复杂程度越高，伪影产生可能性越大；材质光谱敏感度，反映不同材质对特定光谱光线的吸收和反射特性，某些材质在特定光谱下易产生反射伪影；参数关联性，指实时光线强度、结构数据与照射参数组合之间相互影响的关系，例如特定结构在某种光照强度和角度下，光线反射模式具有特定规律。

门控神经网络具有强大的模式识别和分类能力。将前述得到的光线反射复杂度、材质光谱敏感度及参数关联性作为输入，门控神经网络通过学习大量历史数据中不同场景下伪影的特征模式，对当前检测场景进行分类。

例如，若光线反射复杂度高且材质光谱敏感度在某一频段突出，可判定为“高反射复杂材质场景”；若参数关联性显示特定光照参数与结构组合易产生伪影，则归类为“参数耦合敏感场景”。

不同的场景分类对应不同的伪影特征分布规律，基于预先设定的匹配规则，为每个场景分类匹配相应的权重系数组，即确定空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块各自的权重。

例如，在“高反射复杂材质场景”中，光谱-光照注意力模块的权重会相应提高，使其更专注于捕捉材质光谱相关的伪影特征；在“参数耦合敏感场景”下，参数-上下文注意力模块权重增加，以更好地分析多参数综合影响下的伪影情况。

多维特征向量包含了图像像素特征以及实时光线强度、结构数据、照射参数组合等多源信息。三个注意力模块分别针对不同方面对其进行特征增强处理。具体地：空间-结构注意力模块基于结构数据和照射参数，聚焦光线反射复杂区域，增强该区域特征；光谱-光照注意力模块依据材质光谱敏感度，突出与伪影相关的光谱特征通道；参数-上下文注意力模块从参数关联性角度，理解多参数综合作用下的伪影语义特征。

在得到三个增强特征向量后，根据前述匹配得到的权重系数组，进行加权求和以实现特征融合，使每个模块在最终的增强多维特征向量中贡献符合当前场景需求的特征信息。例如，在“高反射复杂材质场景”下，光谱-光照注意力模块输出的增强特征向量在融合时占比较高，从而强化了对该场景下伪影特征的表达，为后续伪影识别提供更精准、更具针对性的特征向量。

作为一个示例，所述将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，包括：确定预设场景分类集中的预设场景分类的数量，基于所述数量确定门控神经网络的输出层神经元数量，以及调整隐藏层的自适应激活函数的类型；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性归一化后输入门控神经网络的输入层；通过隐藏层对输入特征进行非线性映射，输出层通过Softmax函数计算每个预设场景分类的概率值；选取概率值最高的场景分类作为最终分类结果，即得到所述场景分类。

预先基于铸件非全开放区域的结构类型（如直孔、阶梯孔、U型槽、V型槽）、材质类型（如铝合金、铸铁、陶瓷）及光照条件（如低光强、高光强、多角度混合光），划分出N个预设场景分类，构造得到预设场景分类集。

预设场景分类集中的预设场景分类数量（N）越多，意味着对铸件质检场景的划分越细致，如区分不同深度孔洞、不同材质在特定光照下的复杂场景，此时需要神经网络具备更强的特征区分能力。对此，本发明设置基于该数量（N）确定门控神经网络的输出层神经元数量，以及调整隐藏层的自适应激活函数的类型。具体如下：输出层神经元数量直接设置为N，使每个神经元对应一个预设场景分类，保证网络输出能覆盖所有分类结果。同时，根据N的大小调整隐藏层激活函数：例如，当N≤5时，采用ReLU函数，因其简单高效，能满足较少分类场景下的特征提取；当N＞5时，切换为LeakyReLU函数，该函数通过引入小的非零斜率解决ReLU函数在负半轴的“神经元死亡”问题，增强网络对复杂、多分类场景的特征表达能力，确保网络结构适配不同分类需求，提高场景分类的准确性。

如图2所示，门控神经网络包括输入层、隐藏层与输出层。将光线反射复杂度、所述材质光谱敏感度及所述参数关联性进行归一化处理（如将数据映射到[0,1]区间）后，以消除数据间的尺度差异。将归一化后得到的特征数据输入到门控神经网络的输入层。

接着，隐藏层对输入特征进行非线性变换，挖掘光线反射复杂度、材质光谱敏感度及参数关联性之间的复杂关系，提取出更具判别性的高阶特征。输出层则利用Softmax函数将隐藏层输出的特征向量转化为概率分布，每个概率值代表当前输入数据属于对应预设场景分类的可能性。选取概率值最高的场景分类作为最终结果，实现对当前铸件质检场景的精准判断。例如，若“深孔铝合金材质在高光强照射下”场景的概率值最高，即判定当前场景属于该分类，这样，有利于提升后续根据场景分类调整伪影识别权重、提高质检准确性。

如图3所示，本发明实施例还提供了一种基于机器视觉的铸件表面处理效果的质检装置10，所述装置10包括拍摄控制模块1001、伪影识别处理模块1002、质检模块1003；所述拍摄控制模块1001，从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合；所述伪影识别处理模块1002，拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像；所述质检模块1003，从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果。

作为一个示例，所述拍摄控制模块1001，用于实现：依据该非全开放区域的结构数据构建三维几何模型，基于几何光学原理得出光线在所述三维几何模型内的传播与反射物理模型，包括光线入射角与反射角的计算方程、材质表面反射率与光线波长的关系函数、多次反射后光线能量衰减模型；以所述实时光线强度为初始条件，以伪影产生概率最小化为目标函数，以照明设备的可调参数为优化变量，采用优化算法求解得出最优的照射参数组合。

作为一个示例，所述伪影识别处理模块1002，用于实现：将所述第二高清图像的像素特征与实时光线强度、该非全开放区域的结构数据、所述照射参数组合进行编码，构建包含视觉信息、光照参数、结构参数的多维特征向量；采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量；其中，所述三向注意力机制是通过空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块实施的；采用经训练的语义分割网络对所述增强多维特征向量进行处理，得到若干伪影区域，采用多尺度条件随机场对各伪影区域进行边界细化。

作为一个示例，所述伪影识别处理模块1002，用于实现：基于所述实时光线强度、所述结构数据及所述照射参数组合分析得出光线反射复杂度、材质光谱敏感度及参数关联性；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，基于所述场景分类匹配得出权重系数组；将所述多维特征向量分别输入至所述空间-结构注意力模块、所述光谱-光照注意力模块和所述参数-上下文注意力模块中以得到对应的增强特征向量，基于所述权重系数组将各所述增强特征向量进行加权融合，得到所述增强多维特征向量。

作为一个示例，所述伪影识别处理模块1002，用于实现：确定预设场景分类集中的预设场景分类的数量，基于所述数量确定门控神经网络的输出层神经元数量，以及调整隐藏层的自适应激活函数的类型；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性归一化后输入门控神经网络的输入层；通过隐藏层对输入特征进行非线性映射，输出层通过Softmax函数计算每个预设场景分类的概率值；选取概率值最高的场景分类作为最终分类结果，即得到所述场景分类。

本发明实施例还提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前述任一项所述的方法。

本发明实施例还提供一种计算机存储介质，该计算机存储介质存储有可被处理器执行以实现如前述任一项所述方法的计算机程序。

本发明实施例还提供一种计算机程序产品，该计算机程序产品包含可被处理器执行以实现如前述任一项所述方法的计算机程序。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于机器视觉的铸件表面处理效果的质检方法，其特征在于：包括如下方法步骤：从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合；拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像；从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果；

基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合，包括：依据该非全开放区域的结构数据构建三维几何模型，基于几何光学原理得出光线在所述三维几何模型内的传播与反射物理模型，包括光线入射角与反射角的计算方程、材质表面反射率与光线波长的关系函数、多次反射后光线能量衰减模型；以所述实时光线强度为初始条件，以伪影产生概率最小化为目标函数，以照明设备的可调参数为优化变量，采用优化算法求解得出最优的照射参数组合；

识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像，包括：将所述第二高清图像的像素特征与实时光线强度、该非全开放区域的结构数据、所述照射参数组合进行编码，构建包含视觉信息、光照参数、结构参数的多维特征向量；采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量；其中，所述三向注意力机制是通过空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块实施的；采用经训练的语义分割网络对所述增强多维特征向量进行处理，得到若干伪影区域，采用多尺度条件随机场对各伪影区域进行边界细化。

2.根据权利要求1所述的一种基于机器视觉的铸件表面处理效果的质检方法，其特征在于：采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量，包括：基于所述实时光线强度、所述结构数据及所述照射参数组合分析得出光线反射复杂度、材质光谱敏感度及参数关联性；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，基于所述场景分类匹配得出权重系数组；将所述多维特征向量分别输入至所述空间-结构注意力模块、所述光谱-光照注意力模块和所述参数-上下文注意力模块中以得到对应的增强特征向量，基于所述权重系数组将各所述增强特征向量进行加权融合，得到所述增强多维特征向量。

3.根据权利要求2所述的一种基于机器视觉的铸件表面处理效果的质检方法，其特征在于：将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，包括：确定预设场景分类集中的预设场景分类的数量，基于所述数量确定门控神经网络的输出层神经元数量，以及调整隐藏层的自适应激活函数的类型；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性归一化后输入门控神经网络的输入层；通过隐藏层对输入特征进行非线性映射，输出层通过Softmax函数计算每个预设场景分类的概率值；选取概率值最高的场景分类作为最终分类结果，即得到所述场景分类。

4.一种基于机器视觉的铸件表面处理效果的质检装置，其特征在于，所述装置包括拍摄控制模块、伪影识别处理模块、质检模块；所述拍摄控制模块，从第一高清图像中提取得出铸件的非全开放区域的实时光线强度，基于所述实时光线强度和该非全开放区域的结构数据预测得出有利于降低伪影的产生概率的照射参数组合；所述伪影识别处理模块，拍摄在所述照射参数组合下的第二高清图像，识别并剔除所述第二高清图像中的伪影区域，得到第三高清图像；所述质检模块，从所述第三高清图像中提取得出质检参数，基于所述质检参数评估得出该铸件的表面处理效果；

所述拍摄控制模块，用于实现：依据该非全开放区域的结构数据构建三维几何模型，基于几何光学原理得出光线在所述三维几何模型内的传播与反射物理模型，包括光线入射角与反射角的计算方程、材质表面反射率与光线波长的关系函数、多次反射后光线能量衰减模型；以所述实时光线强度为初始条件，以伪影产生概率最小化为目标函数，以照明设备的可调参数为优化变量，采用优化算法求解得出最优的照射参数组合；

所述伪影识别处理模块，用于实现：将所述第二高清图像的像素特征与实时光线强度、该非全开放区域的结构数据、所述照射参数组合进行编码，构建包含视觉信息、光照参数、结构参数的多维特征向量；采用三向注意力机制对所述多维特征向量进行特征增强，以得到增强多维特征向量；其中，所述三向注意力机制是通过空间-结构注意力模块、光谱-光照注意力模块和参数-上下文注意力模块实施的；采用经训练的语义分割网络对所述增强多维特征向量进行处理，得到若干伪影区域，采用多尺度条件随机场对各伪影区域进行边界细化。

5.根据权利要求4所述的一种基于机器视觉的铸件表面处理效果的质检装置，其特征在于：所述伪影识别处理模块，用于实现：基于所述实时光线强度、所述结构数据及所述照射参数组合分析得出光线反射复杂度、材质光谱敏感度及参数关联性；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性输入门控神经网络，得到场景分类，基于所述场景分类匹配得出权重系数组；

将所述多维特征向量分别输入至所述空间-结构注意力模块、所述光谱-光照注意力模块和所述参数-上下文注意力模块中以得到对应的增强特征向量，基于所述权重系数组将各所述增强特征向量进行加权融合，得到所述增强多维特征向量。

6.根据权利要求5所述的一种基于机器视觉的铸件表面处理效果的质检装置，其特征在于：所述伪影识别处理模块，用于实现：确定预设场景分类集中的预设场景分类的数量，基于所述数量确定门控神经网络的输出层神经元数量，以及调整隐藏层的自适应激活函数的类型；将所述光线反射复杂度、所述材质光谱敏感度及所述参数关联性归一化后输入门控神经网络的输入层；通过隐藏层对输入特征进行非线性映射，输出层通过Softmax函数计算每个预设场景分类的概率值；选取概率值最高的场景分类作为最终分类结果，即得到所述场景分类。