申请/专利权人：南京航空航天大学

申请日：2024-02-27

公开（公告）日：2024-05-14

公开（公告）号：CN117788472B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/40;G06V10/764;G06V10/774;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，包括：采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征；通过引入模糊数学理论的方式得到真实圆铆钉图像特征；将真实圆铆钉图像特征输入带跳链接的卷积神经网络CNN中进行训练；将识别出的腐蚀铆钉图像利用DBSCAN算法进行分割，并利用灰度共生矩阵算法将分割得到腐蚀特征的原始图像的指定特征向量进行归一化处理；对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。本发明利用了改进的Hough变换、DBSCAN算法以及跳连接的模块的加入，可以快速自动了解飞机蒙皮表面的铆钉腐蚀程度，高效降低修护飞机蒙皮表面铆钉的维修成本。

主权项：1.一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法,其特征在于，包括以下步骤：S1、采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心；其具体过程包括以下步骤：S11、在圆上任取三点K、L、M,分别构成互不平行的KL和LM,KL的中垂线Lkl与LM的中垂线Lkm必交于圆心O点，设K、L、M的坐标为xK,yK、xL,yL、xM,yM，则KL和LM的方程为：y＝kKLx+dKL,y＝kLMx+dLM，解方程可求得两直线的交点，由此可得圆的三个参数，由模糊数学理论中圆的Hough变换方程为：x-a2+y-b2＝ρ2；Hough变换后形成三维空间a,b,ρ，其中，ρ为参数空间的维数由三维降到一维蒙皮铆钉圆的半径，a，b为圆心坐标；S12、将模糊点变换后的隶属度函数可以通过重建消解原理的方式来实现，用三个以Θ为参数的圆来表示一个集合：x＝x0,1,2+rcosΘ,y＝y0,1,2+rsinΘ；式中x0,1,2,y0,1,2为生成的模糊点三维的横纵坐标,Θ为模糊点与圆心的夹角，对应映射到参数空间，可得： 其中，x0，y0分别为生成的模糊点由三维映射到一维的横纵坐标，a,b为飞机蒙皮表面铆钉大量边缘点构成圆的圆心，映射的范围为： S13、将对应点依次映射到参数空间中，再跟隶属度函数进行卷积，得到飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心；S2、通过引入模糊数学理论的方式来降低随机Hough变换对噪声的敏感度，使得生成的飞机蒙皮表面铆钉的边缘点落在同一圆上的概率提升，得到真实圆铆钉图像特征；其具体过程包括以下步骤：S21、首先将采集的飞机蒙皮表面铆钉图像特征进行去噪、滤波、二值化处理操作后通过Canny边缘检测、OTSU阈值分割处理成黑白二值图像；S22、设黑白二值图像中圆的边缘点集为D，初始化单元集P＝NULL和循环次数k＝0，Δr为像素之间的带宽；S23、从D中任意取三点d1、d2、d3，如果d1、d2、d3不共线，则转S24，否则转S28；S24、计算三点确定的圆参数，若有解，执行S25，否则执行S28；ac＝-dKL-dLMkKL-kLM；bc＝kKLac+dKL； 式中dKL,dLM,kKL,kLM分别为线段KL，LM的截距与斜率，ac,bc为生成圆的圆心横纵坐标，xk,yk为线段与圆的交点，rc为生成圆的半径；S25、在P中找一点Pc,若满足‖p-Pc‖≤d,p为生成圆上选定的点，d是容许误差，转到执行S26，否则，执行S27；S26、将p插入P，令score等于1，执行S28；S27、将Pc的score得分+1，如果小于指定的阈值Nt,执行S28，否则，执行S29；S28、当k＝k+1时，若kkmax,结束，否则，执行S23；S29、Pc是候选圆M的参数，如果该点的参数对应候选圆M上的点数MPcMmin,执行S30；否则，判断为虚假圆，将其删除；S30、检测到参数Pc的真实圆，判断检测的圆的个数是否已达到规定的数目，若是，结束；否则，将落在参数Pc对应候选圆M上的点从D中去掉，初始化P＝NULL，k＝0,执行S23；S3、将真实圆铆钉图像特征输入带跳连接的卷积神经网络CNN中并采用GPU加速训练，识别出飞机蒙皮表面腐蚀铆钉图像；其具体过程包括以下步骤：S31、将真实圆铆钉图像特征作为输入数据被送入带跳连接的卷积神经网络中，依次经过3×3卷积层、激活层和最大池化层，得到较小尺寸的铆钉图像特征；S32、接着通过跳连接模块，选取一半由S1得到的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉图像特征进行融合得到浅层铆钉图像特征，由S1得到的另一半的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉腐蚀特征图进行融合后再通过两个3×3卷积层，一个激活层得到深层铆钉图像特征，将深层铆钉图像特征和浅层铆钉图像特征相加得到含有原先特征信息的飞机蒙皮表面铆钉的特征；S33、重复步骤S31-S32，通过全连接层，经过多个卷积和池化层后，将S32得到的特征图被展平并送入全连接层，进行最后的识别任务；S34、使用交叉熵损失来计算由S32得到的输出和确定了已经生锈的飞机蒙皮表面铆钉的差异，通过反向传播和优化算法调整网络参数，以得到最小的损失函数的值，从而得到最佳的带跳连接的卷积神经网络参数；S35、使用已经训练好的带跳连接的卷积神经网络模型，重复S31，设定精度γ为0.0005，如果损失函数的值小于γ则视为飞机蒙皮表面铆钉已经腐蚀；S4、利用DBSCAN算法对飞机蒙皮表面腐蚀铆钉图像的腐蚀部分进行分割，得到腐蚀特征的原始图像；S5、利用灰度共生矩阵算法，对已经提取出腐蚀特征的原始图像的指定特征向量进行归一化处理，建立一个图像样本库；S6、对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD