基于激光束的金属丝网缺陷检测方法及人工智能系统

摘要

本发明涉及材料分析或测试技术领域，具体涉及一种基于激光束的金属丝网缺陷检测方法及人工智能系统，利用可见光手段采集待检测的金属丝网的表面可见光图像，并基于该表面可见光图像进行材料分析或测试，具体为对表面可见光图像的灰度图像进行修正，并基于高度分布图像和修正后的灰度图像，确定金属丝网的单个网孔的各个位置的像素点对应的高斯模型，并利用该高斯模型确定金属丝网的各个真实缺陷像素点。本发明基于待检测的金属丝网的表面可见光图像进行材料分析或测试，可以准确确定金属丝网的各个真实缺陷像素点，有效提高了金属丝网缺陷检测的可靠性，可用于实现新材料检测、计量、相关标准化等。

权利要求

1. 一种基于激光束的金属丝网缺陷检测方法 ，其特征在于，包括以下步骤：

获取待检测的金属丝网的高度分布图像和表面可见光图像，进而获取表面可见光图像的灰度图像；

根据灰度图像中各个像素点的灰度值及其相对于中心像素点的距离，并结合与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线，对灰度图像中各个像素点的灰度值进行修正，得到修正后的灰度图像；

根据修正后的灰度图像中一个网孔的宽度或长度，对高度分布图像和修正后的灰度图像进行网孔区域划分，得到高度分布图像上的各个网孔区域和修正后的灰度图像上的各个网孔区域；

根据高度分布图像上的任意一个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，确定金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型；

根据高度分布图像上的其他各个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新和修正，得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，具体为：根据修正后的灰度图像上任意一个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上任意一个网孔区域的灰度直方图，计算修正后的灰度图像上任意一个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上任意一个网孔区域的光照均匀程度；

初始化金属丝网的单个网孔的每个位置的像素点对应的初始高斯模型的模型参数，并将高度分布图像上对应的任意一个网孔区域中的单个网孔的每个位置的第一个像素点的高度值代入到对应的初始高斯模型，从而得到第一个像素点对应的概率值；

计算第一个像素点对应的概率值与修正后的灰度图像上任意一个网孔区域的光照均匀程的乘积，从而得到第一个像素点对应的修正后的概率值；

根据第一个像素点对应的修正后的概率值，对对应的初始高斯模型的模型参数进行更新，从而得到更新后的初始高斯模型，并将高度分布图像上的任意一个网孔区域中的单个网孔的每个位置的第二个像素点的高度值代入到更新后的初始高斯模型，从而得到第二个像素点对应的概率值，进而得到第二个像素点对应的修正后的概率值，并根据第二个像素点对应的修正后的概率值，继续对对应的初始高斯模型的模型参数进行更新，重复模型参数的更新过程，直至满足初始高斯模型终止条件；

根据高度分布图像上的各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，确定高度分布图像上的各个网孔区域中的各个像素点的缺陷指标值，进而确定金属丝网的各个疑似缺陷像素点；

确定金属丝网的各个疑似缺陷像素点的邻域疑似缺陷像素点，根据各个疑似缺陷像素点及其邻域疑似缺陷像素点的高度值以及各个疑似缺陷像素点到其对应的邻域疑似缺陷像素点的距离，确定金属丝网的各个疑似缺陷像素点的缺陷概率值，进而确定金属丝网的各个真实缺陷像素点。

2.根据权利要求1所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述对灰度图像中各个像素点的灰度值进行修正对应的计算公式为：其中， 为修正后的灰度图像中各个像素点的灰度值， 为灰度图像中各个像素点的灰度值，为灰度图像中各个像素点相对中心像素点的距离， 为与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线在 处的函数值。

3.根据权利要求1所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新和修正，得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，包括：根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点；

根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新，得到金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型；

对金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型的模型参数进行修正，并根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型；

根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型。

4.根据权利要求3所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述确定高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点，包括：根据金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围；

根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围，对高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点进行筛选，从而得到高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点。

5.根据权利要求3所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新，得到金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型，包括：根据修正后的灰度图像上其他各个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上其他各个网孔区域的灰度直方图，计算修正后的灰度图像上其他各个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上其他各个网孔区域的光照均匀程度；

根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的更新高斯模型的模型参数进行更新，从而得到更新后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新高斯模型终止条件。

6.根据权利要求5所述的基于激光束的金属丝网缺陷检测方法，其特征在于，更新高斯模型的模型参数对应的更新公式为：

其中， 和 分别为更新后的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差， 和 分别为更新前的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差， 为第k个目标像素点所在网孔区域的光照均匀程度， 为第k个目标像素点的高度值， 和 分别为第k个目标像素点对应的初始的第一准确度系数和第二准确度系数。

7.根据权利要求5所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型，包括：将金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型的模型参数中的方差缩小为原来的设定比例值，从而得到金属丝网的单个网孔的各个位置的像素点对应的方差缩小后的更新高斯模型；

根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的方差缩小后的更新高斯模型的模型参数进行更新，从而得到更新后的方差缩小后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的方差缩小后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新第一次修正高斯模型终止条件。

8.根据权利要求5所述的基于激光束的金属丝网缺陷检测方法，其特征在于，所述对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，包括：根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的各个像素点的高度值，确定所述每个位置的各个像素点在对应的第一次修正后的高斯模型上的高度值跨度，进而根据所述高度值跨度对每个位置的各个像素点对应的初始的第一准确度系数和第二准确度系数进行修正，得到每个位置的各个像素点对应的修正后的第一准确度系数和第二准确度系数；

根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个像素点的高度值、该第一个像素点所在网孔区域的光照均匀程度以及第一个像素点对应的修正后的第一准确度系数和第二准确度系数，对对应的第一次修正后的高斯模型的模型参数进行更新，从而得到更新后的第一次修正后的高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个像素点的高度值、该第二个像素点所在网孔区域的光照均匀程度以及第二个像素点对应的修正后的第一准确度系数和第二准确度系数，继续对对应的更新后的第一次修正后的高斯模型的模型参数进行更新，重复上述过程，直至满足更新第二次修正高斯模型终止条件。

9.一种人工智能系统，其特征在于，包括缺陷检测存储模块和缺陷检测处理模块，所述缺陷检测存储模块用于存储指令，所述缺陷检测处理模块用于处理存储在所述缺陷检测存储模块中的指令，以实现如权利要求1‑8中任一项所述的基于激光束的金属丝网缺陷检测方法。

说明书

基于激光束的金属丝网缺陷检测方法及人工智能系统

技术领域

[0001] 本发明涉及材料分析或测试技术领域，具体涉及一种基于激光束的金属丝网缺陷检测方法及人工智能系统。

背景技术

[0002] 金属丝网具有耐酸、耐碱、耐高温、拉力和耐磨性强等特点，常应用于酸碱环境条件下物体的筛分及过滤，可应用在如石油化工、航空航天、液压、汽车、新能源发电、食品医药等领域。在高密度金属网编制过程中，金属丝会出现各种类型的网病，影响金属丝网的使用质量，因此对金属丝网的缺陷进行检测是非常重要的。

[0003] 专利申请号为202111062683.X的专利文件中提出了一种金属丝网生产用缺陷检测装置及检测方法，即将若干个均匀排列的点状激光束垂直照射在金属丝网上同时使用CCD相机进行抓拍，并将图像信息发送给人机交互界面，由人机交互界面通过图像的明暗变化判断金属丝网是否存在缺陷，当存在缺陷时，人机交互界面通过控制器将信号发送给标记机构，从而实现缺陷自动标记。

[0004] 在上述的专利文件中，通过利用CCD相机按照一定频率抓拍金属丝网图像，这种方式存在一定的局限性：（1）对于不同规格的金属丝网，需要不断修改相机的采样频率；（2）金属丝网种类具有多样性，上述方法不适合不同类型的金属丝网，适用范围较小；（3）对缺陷的检测依靠图像的明暗变化，对于明暗变化不明显缺陷无法检测，如网面不平、双线、跳线等，存在漏检现象，检测结果不可靠；（4）需要分别对金属丝网的经线和纬线进行检测，检测难度大。

发明内容

[0005] 为了解决现有对金属丝网进行缺陷检测时检测结果不可靠的问题，本发明的目的在于提供一种基于激光束的金属丝网缺陷检测方法及人工智能系统。

[0006] 本发明提供了一种基于激光束的金属丝网缺陷检测方法 ，包括以下步骤：

[0007] 获取待检测的金属丝网的高度分布图像和表面可见光图像，进而获取表面可见光图像的灰度图像；

[0008] 根据灰度图像中各个像素点的灰度值及其相对于中心像素点的距离，并结合与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线，对灰度图像中各个像素点的灰度值进行修正，得到修正后的灰度图像；

[0009] 根据修正后的灰度图像中一个网孔的宽度或长度，对高度分布图像和修正后的灰度图像进行网孔区域划分，得到高度分布图像上的各个网孔区域和修正后的灰度图像上的各个网孔区域；

[0010] 根据高度分布图像上的任意一个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，确定金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型；

[0011] 根据高度分布图像上的其他各个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新和修正，得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型；

[0012] 根据高度分布图像上的各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，确定高度分布图像上的各个网孔区域中的各个像素点的缺陷指标值，进而确定金属丝网的各个疑似缺陷像素点；

[0013] 确定金属丝网的各个疑似缺陷像素点的邻域疑似缺陷像素点，根据各个疑似缺陷像素点及其邻域疑似缺陷像素点的高度值以及各个疑似缺陷像素点到其对应的邻域疑似缺陷像素点的距离，确定金属丝网的各个疑似缺陷像素点的缺陷概率值，进而确定金属丝网的各个真实缺陷像素点。

[0014] 进一步的，所述对灰度图像中各个像素点的灰度值进行修正对应的计算公式为：

[0015]

[0016] 其中， 为修正后的灰度图像中各个像素点的灰度值， 为灰度图像中各个像素点的灰度值，为灰度图像中各个像素点相对中心像素点的距离， 为与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线在 处的函数值。

[0017] 进一步的，所述确定金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，包括：

[0018] 根据修正后的灰度图像上任意一个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上任意一个网孔区域的灰度直方图，计算修正后的灰度图像上任意一个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上任意一个网孔区域的光照均匀程度；

[0019] 初始化金属丝网的单个网孔的每个位置的像素点对应的初始高斯模型的模型参数，并将高度分布图像上对应的任意一个网孔区域中的单个网孔的每个位置的第一个像素点的高度值代入到对应的初始高斯模型，从而得到第一个像素点对应的概率值；

[0020] 计算第一个像素点对应的概率值与修正后的灰度图像上任意一个网孔区域的光照均匀程的乘积，从而得到第一个像素点对应的修正后的概率值；

[0021] 根据第一个像素点对应的修正后的概率值，对对应的初始高斯模型的模型参数进行更新，从而得到更新后的初始高斯模型，并将高度分布图像上的任意一个网孔区域中的单个网孔的每个位置的第二个像素点的高度值代入到更新后的初始高斯模型，从而得到第二个像素点对应的概率值，进而得到第二个像素点对应的修正后的概率值，并根据第二个像素点对应的修正后的概率值，继续对对应的初始高斯模型的模型参数进行更新，重复上述过程，直至满足初始高斯模型终止条件。

[0022] 进一步的，所述对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新和修正，得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，包括：

[0023] 根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点；

[0024] 根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新，得到金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型；

[0025] 对金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型的模型参数进行修正，并根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型；

[0026] 根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型。

[0027] 进一步的，所述确定高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点，包括：

[0028] 根据金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围；

[0029] 根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围，对高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点进行筛选，从而得到高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点。

[0030] 进一步的，所述对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新，得到金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型，包括：

[0031] 根据修正后的灰度图像上其他各个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上其他各个网孔区域的灰度直方图，计算修正后的灰度图像上其他各个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上其他各个网孔区域的光照均匀程度；

[0032] 根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的更新高斯模型的模型参数进行更新，从而得到更新后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新高斯模型终止条件。

[0033] 进一步的，更新高斯模型的模型参数对应的更新公式为：

[0034]

[0035]

[0036] 其中， 和 分别为更新后的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差， 和 分别为更新前的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差，为第k个目标像素点所在网孔区域的光照均匀程度， 为第k个目标像素点的高度值， 和分别为第k个目标像素点对应的初始的第一准确度系数和第二准确度系数。

[0037] 进一步的，所述对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型，包括：

[0038] 将金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型的模型参数中的方差缩小为原来的设定比例值，从而得到金属丝网的单个网孔的各个位置的像素点对应的方差缩小后的更新高斯模型；

[0039] 根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的方差缩小后的更新高斯模型的模型参数进行更新，从而得到更新后的方差缩小后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的方差缩小后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新第一次修正高斯模型终止条件。

[0040] 进一步的，所述对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，包括：

[0041] 根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的各个像素点的高度值，确定所述每个位置的各个像素点在对应的第一次修正后的高斯模型上的高度值跨度，进而根据所述高度值跨度对每个位置的各个像素点对应的初始的第一准确度系数和第二准确度系数进行修正，得到每个位置的各个像素点对应的修正后的第一准确度系数和第二准确度系数；

[0042] 根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个像素点的高度值、该第一个像素点所在网孔区域的光照均匀程度以及第一个像素点对应的修正后的第一准确度系数和第二准确度系数，对对应的第一次修正后的高斯模型的模型参数进行更新，从而得到更新后的第一次修正后的高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个像素点的高度值、该第二个像素点所在网孔区域的光照均匀程度以及第二个像素点对应的修正后的第一准确度系数和第二准确度系数，继续对对应的更新后的第一次修正后的高斯模型的模型参数进行更新，重复上述过程，直至满足更新第二次修正高斯模型终止条件。

[0043] 进一步的，对每个位置的各个像素点对应的初始的第一准确度系数和第二准确度系数进行修正对应的更新公式为：

[0044]

[0045]

[0046] 其中， 和 为每个位置的第k个像素点对应的修正后的第一准确度系数和第二准确度系数， 为每个位置的第k个像素点在对应的第一次修正后的高斯模型上的高度值跨度。

[0047] 本发明还提供了一种人工智能系统，包括缺陷检测存储模块和缺陷检测处理模块，所述缺陷检测存储模块用于存储指令，所述缺陷检测处理模块用于处理存储在所述缺陷检测存储模块中的指令，以实现上述的基于激光束的金属丝网缺陷检测方法。

[0048] 本发明具有如下有益效果：本发明提供了一种基于激光束的金属丝网缺陷检测方法及人工智能系统，该方法及人工智能系统是一种利用可见光手段采集待检测的金属丝网的表面可见光图像，并基于该表面可见光图像进行材料分析或测试的方法及人工智能系统，具体包括利用与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线对表面可见光图像的灰度图像进行修正，并基于高度分布图像和修正后的灰度图像，确定金属丝网的单个网孔的各个位置的像素点对应的高斯模型，并利用该高斯模型确定金属丝网的各个真实缺陷像素点。本发明基于该表面可见光图像，并结合高度分布图像，进行材料分析或测试，可以准确确定金属丝网的各个真实缺陷像素点，有效提高了金属丝网缺陷检测的可靠性，能够用于实现新材料检测、计量等。

附图说明

[0049] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。

[0050] 图1为本发明实施例中的基于激光束的金属丝网缺陷检测方法的流程图；

[0051] 图2为本发明实施例中的金属丝网的示意图；

[0052] 图3为本发明实施例中的金属丝网的单个网孔的示意图；

[0053] 图4为本发明实施例中的金属丝网的网孔区域的示意图。

具体实施方式

[0054] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0055] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0056] 本实施例提供了一种基于激光束的金属丝网缺陷检测方法，即使用相机对激光束照射下的金属丝网进行实时图像采集，结合激光束的反射时间得到金属丝网的高度分布图，根据CCD相机采集的金属丝网表面图像的光照均匀程度，得到单个网孔的每个位置的高斯模型，最后根据待测金属丝网各个网孔的各个位置的高度值与高斯模型对应位置的高度值的差异情况，进行金属丝网的缺陷检测。

[0057] 具体的，该基于激光束的金属丝网缺陷检测方法对应的流程图如图1所示，包括以下步骤：

[0058] （1）获取待检测的金属丝网的高度分布图像和表面可见光图像，进而获取表面可见光图像的灰度图像。

[0059] 将若干个均匀排列的点状激光束垂直照射在待检测的金属丝网上，同时使用CCD相机进行实时图像采集，从而可以获取待检测的金属丝网的表面可见光图像。对CCD相机采集的金属丝网的表面可见光图像进行灰度化处理，从而得到表面可见光图像的灰度图像。

[0060] 由于点状激光束垂直照射在待检测的金属丝网上时，如果照射部位存在金属丝，激光就会被反射回来并被接收到，如果照射部位不存在金属丝，激光就不会被反射回来。因此，对于金属丝网存在金属丝像素点的区域，可以根据所接收到反射光时间的平均值与光速的乘积，作为对应金属丝像素点的高度值，而对于金属丝网不存在金属丝的区域，由于没有反射光，因此不存在网线的区域像素点的高度值为0，从而得到待检测的金属丝网的高度分布图像。

[0061] （2）根据灰度图像中各个像素点的灰度值及其相对于中心像素点的距离，并结合与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线，对灰度图像中各个像素点的灰度值进行修正，得到修正后的灰度图像。

[0062] 由于激光具有较强的方向性，当激光照射的区域中存在金属丝时，在表面可见光图像中表现为亮区，当激光照射的区域中不存在金属丝时，在表面可见光图像中表现为暗区。但是由于越远离相机光心的位置，金属丝反射到相机内部的光线越少，因此相机采集的表面可见光图像中存在中间亮，四周暗的现象。而当金属丝发生局部弯曲时，表面可见光图像中也会存在明暗变化，因此仅根据表面可见光图像的明暗情况无法确定亮度不均匀的位置是否存在异常，因此本实施例首先需要对获取的表面图像的灰度图像进行光照修正。

[0063] 在进行光照修正时，获取与待检测的金属丝网同类型的正常金属丝网在同样的激光束照射下，CCD相机采集到的金属丝网的表面可见光图像对应的灰度图像，计算该灰度图像中的相机中心对应的中心像素点的灰度值，并计算该中心像素点的灰度值与该灰度图像中的到该中心像素点的不同距离 的像素点的灰度值之间的差值，以所得差值与对应的中心像素点的灰度值的比值作为光照的衰减程度，也就是灰度衰减值，从而可以得到该灰度图像中到中心像素点的不同距离所对应的灰度衰减值。以不同距离 为横坐标，并以对应的灰度衰减值为纵坐标，使用最小二乘法进行曲线拟合，从而得到与待检测的金属丝网同类型的正常金属丝网的距离与灰度衰减曲线 。利用该距离与灰度衰减曲线 ，对待检测的金属丝网的灰度图像中各个像素点的灰度值进行修正，对应的计算公式为：

[0064]

[0065] 其中， 为修正后的灰度图像中各个像素点的灰度值， 为灰度图像中各个像素点的灰度值，为灰度图像中各个像素点相对中心像素点的距离， 为与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线在d处的函数值。

[0066] 在上述的对待检测的金属丝网的灰度图像中各个像素点的灰度值进行修正的过程中，对于灰度图像中距离相机中心对应的中心像素点距离相同的像素点的修正程度是相同的，因此本修正操作并未改变灰度图像本身的对比度。

[0067] 由于金属丝网面不平等缺陷的明暗变化并不明显，且金属丝存在一定的反光，但是相对于明暗的变化，金属丝网的缺陷都会存在高度的变化，因此根据高度的变化进行缺陷的检测所得到的结果更加准确。此外，金属丝网由金属丝织造而成，其在横向以及纵向上均具有周期性，因此其在每个周期内各个位置的高度具有相对统一性，即每个周期内不同位置的高度是稳定的，如果可以得到这个稳定的高度分布，即金属丝网的高度模型，可根据各个位置的高度值与对应的高度模型的差异情况来确定金属丝网上存在缺陷的位置。

[0068] 由于噪声的干扰，单个网孔周期上相同位置像素点的高度信息存在差异，但是这些高度值仍然服从高斯分布，并且围绕标准值上下浮动，因此本实施例根据每个网孔周期中相同位置上像素点的高度值进行高斯模型的拟合，则最终所得高斯模型的均值即为该位置上的标准高度值。在此过程中，高斯模型可以视为该位置上的高度值的误差分布情况。

[0069] 在上述步骤（2）的基础上，确定单个网孔周期上相同位置像素点的高斯模型，进而根据这些高斯模型，确定金属丝网上存在缺陷的位置，具体实现过程参见下述步骤（3）‑（7）。

[0070] （3）根据修正后的灰度图像中一个网孔的宽度或长度，对高度分布图像和修正后的灰度图像进行网孔区域划分，得到高度分布图像上的各个网孔区域和修正后的灰度图像上的各个网孔区域。

[0071] 如图2所示，由于金属丝网中的各个网孔存在周期性，那么可以根据一个网孔的宽度或长度，对高度分布图像和修正后的灰度图像同时进行网孔区域划分，从而得到高度分布图像上的各个网孔区域和修正后的灰度图像上的各个网孔区域。在本实施例中，如图3所示，金属丝网中的单个网孔的大小为 ， 为长度， 为宽度，如图4所示，金属丝网的大小为 ，为长度，为宽度。在对高度分布图像和修正后的灰度图像进行网孔区域划分时，如图4所示，以金属丝网的最左侧的竖直边缘线为基础，然后每隔 划分一个区域，直至将整个金属丝网划分完毕，从而得到各个网孔区域。需要说明的，由于获取待检测的金属丝网的长度 并不一定是单个网孔的长度 的整数倍，因此最终划分得到的各个网孔区域的大小并不一定完全相同。在本实施例中，为了便于后续的计算，每次获取的待检测的金属丝网的长度 正好是单个网孔的长度 的整数倍，此时最终划分得到的各个网孔区域的大小完全相同。

[0072] （4）根据高度分布图像上的任意一个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，确定金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型。

[0073] 在上述步骤（3）的基础上，由于网孔区域均对应一个网孔周期，因此每个区域中相同位置像素点的特征(高度、灰度特征)是相同的。首先将各个网孔区域中相同位置的像素点划分为一组，对这些像素点的高度值进行分析，从而得到金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型。

[0074] （4.1）根据修正后的灰度图像上任意一个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上任意一个网孔区域的灰度直方图，计算修正后的灰度图像上任意一个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上任意一个网孔区域的光照均匀程度。

[0075] 考虑到高度分布图像上的高度信息是通过激光反射的时间得到的，当金属丝存在局部弯曲时，由于金属丝存在较强的镜面反射，导致弯曲位置无法将激光完全反射到激光接收器中，使得所得高度值存在误差，故而无法直接将各个高度值作为正常值使用，为保证结果的准确性，需要对这些数据进行可靠程度的分析。当金属丝表面不平整时，会导致相机拍摄到的可见光图像中对应位置的光照不均匀，因此要判断高度值是否准确，可以结合灰度图像中光照的均匀程度进行判断。

[0076] 基于上述分析，统计修正后的灰度图像上每个网孔区域的各个像素点的非0灰度值及其所占比例，从而得到修正后的灰度图像上每个网孔区域的灰度直方图。当光照越均匀，说明该网格区域内各个位置之间的灰度差异越小，因此本实施例计算灰度直方图中各个灰度级之间的方差，并根据该方差得到修正后的灰度图像上每个网孔区域的光照均匀程度，对应的计算公式为：

[0077]

[0078] 其中， 为修正后的灰度图像上第k个网孔区域的光照均匀程度， 为修正后的灰度图像上第k个网孔区域的灰度直方图上的各个灰度级之间的方差。

[0079] 根据上述的光照均匀程度的计算公式可知，当灰度直方图上的各个灰度级之间的方差越小时，表示该网孔区域内的灰度越均匀，光照越均匀，光照均匀程度 越大，对应测量可靠程度也越大。

[0080] 在上述步骤（4.1）的基础是，根据初始化金属丝网的单个网孔的每个位置的像素点的高度值，利用EM算法获取其对应的初始高斯模型。在使用EM算法对每个网孔区域内每个位置的像素点的高度值进行高斯模型拟合的过程中，更倾向于对可靠程度较大的高度值进行拟合，从而得到更准确的初始高斯模型，因此使用EM算法对高斯模型进行拟合的具体过程如参见下面的步骤（4.2）‑（4.4）：

[0081] （4.2）初始化金属丝网的单个网孔的每个位置的像素点对应的初始高斯模型的模型参数，并将高度分布图像上对应的任意一个网孔区域中的单个网孔的每个位置的第一个像素点的高度值代入到对应的初始高斯模型，从而得到第一个像素点对应的概率值。

[0082] 随机初始化单个网孔的每个位置的像素点对应的初始高斯模型的模型参数，也就是分布参数 ，该分布参数 包括初始高斯模型的均值和方差。对于高度分布图像上的各个网孔区域，任意选取高度分布图像上的第i个网孔区域，并在该第i个网孔区域中的单个网孔的每个位置所有像素点中任意选取一个像素点作为第一个像素点，将该第一个像素点的高度值代入到对应的初始高斯模型中，得到该第一个像素点对应的概率值，即得到该第一个像素点属于对应的初始高斯模型的概率。

[0083] （4.3）计算第一个像素点对应的概率值与修正后的灰度图像上任意一个网孔区域的光照均匀程的乘积，从而得到第一个像素点对应的修正后的概率值。

[0084] 在上述步骤（4.1）和（4.2）的基础上，将第一个像素点对应的概率值与该第一个像素点所位于的修正后的灰度图像上对应的网孔区域的光照均匀程度相乘，对该第一个像素点属于对应的初始高斯模型的概率进行修正，从而得到第一个像素点对应的修正后的概率值。

[0085] （4.4）根据第一个像素点对应的修正后的概率值，对对应的初始高斯模型的模型参数进行更新，从而得到更新后的初始高斯模型，并将高度分布图像上的任意一个网孔区域中的单个网孔的每个位置的第二个像素点的高度值代入到更新后的初始高斯模型，从而得到第二个像素点对应的概率值，进而得到第二个像素点对应的修正后的概率值，并根据第二个像素点对应的修正后的概率值，继续对对应的初始高斯模型的模型参数进行更新，重复上述过程，直至满足初始高斯模型终止条件。

[0086] 在上述的步骤（4.3）的基础上，根据第一个像素点对应的修正后的概率值，求出含有分布参数 的似然函数的下界并最大化它，得到新的分布参数𝜃 。也就是，根据第一个像素点对应的修正后的概率值，利用最大似然估计对对应的初始高斯模型的模型参数进行更新，从而得到更新后的初始高斯模型，由于其具体实现过程属于现有技术，此处不再赘述。然后在该第i个网孔区域中的单个网孔的每个位置除了第一个像素点外的其他像素点中任意选取一个像素点作为第二个像素点，并参考上述步骤（4.2）‑（4.4）中第一个像素点对初始高斯模型的模型参数的更新过程，继续对初始高斯模型的模型参数进行更新。按照上述方式，采用在该第i个网孔区域中的单个网孔的每个位置的所有的像素点逐个对初始高斯模型的模型参数进行更新迭代，直至满足初始高斯模型终止条件。该初始高斯模型终止条件是指初始高斯模型的模型参数的达到收敛，即模型参数不再发生变化，或者在该第i个网孔区域中的单个网孔的每个位置的所有的像素点均参与完毕对对应的初始高斯模型的模型参数的更新过程。

[0087] 通过上述步骤（4），可以得到金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，对于金属丝网的单个网孔的第i行第j列位置的像素点对应的初始高斯模型，记其对应的模型参数为均值 及方差 。

[0088] （5）根据高度分布图像上的其他各个网孔区域中的各个像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新和修正，得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，具体实现过程如下：

[0089] （5.1）根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点。

[0090] 由于通过上述步骤（4）得到的金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型参考的像素点数目较少，仅考虑了金属丝网的纵向周期性，即仅参考了高度分布图像上的其中一个网孔区域，事实上，金属丝网在横向上也是具有周期性的，即高度分布图像上的其他网孔区域的这些像素点也应作为该位置上高度模型获取过程中的数据。但是由于这些数据中并非所有像素点的高度值均为正确值，因此首先需要对这些数据与已得对应初始高斯模型进行匹配，从而确定高度分布图像上的其他各个网孔区域中的单个网孔的各个位置的像素点中的各个目标像素点，具体实现过程包括：

[0091] （5.1.1）根据金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型，确定金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围。

[0092] 以金属丝网的单个网孔的第i行第j列位置的像素点对应的初始高斯模型为例，该初始高斯模型对应的均值和方差分别为 和 ，根据该均值 和方差 ，确定金属丝网的单个网孔的第i行第j列位置的像素点对应的高度值集中取值范围为 。

[0093] （5.1.2）根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的高度值集中取值范围，对高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点进行筛选，从而得到高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点。

[0094] 以确定高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的像素点中的各个目标像素点为例，判断该单个网孔的第i行第j列位置的像素点是否位于高度值集中取值范围 范围内，若位于该范围内，则判定该像素点为目标像素点，后续可以根据该像素点对对应的初始高斯模型的均值 及方差 进行修正，否则判定该像素点不为目标像素点。

[0095] （5.2）根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的初始高斯模型进行更新，得到金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型。

[0096] 由于各个目标像素点的高度值的可靠程度并不相同，其对高斯模型的更新参考程度也并不相同，因此本实施例以各个目标像素点的高度值的可靠程度为权重对初始高斯模型的均值及方差进行更新，具体实现过程如下：

[0097] （5.2.1）根据修正后的灰度图像上其他各个网孔区域的各个像素点的灰度值，确定修正后的灰度图像上其他各个网孔区域的灰度直方图，计算修正后的灰度图像上其他各个网孔区域的灰度直方图上的各个灰度级之间的方差，进而确定修正后的灰度图像上其他各个网孔区域的光照均匀程度。

[0098] 由于确定修正后的灰度图像上其他各个网孔区域的光照均匀程度可以参考上述步骤（4.1），此处不再赘述。

[0099] （5.2.2）根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的更新高斯模型的模型参数进行更新，从而得到更新后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新高斯模型终止条件。

[0100] 以对金属丝网的单个网孔的第i行第j列位置的像素点对应的初始高斯模型进行更新为例，在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的所有目标像素点中任意选取一个目标像素点作为第一个目标像素点，根据该第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的更新高斯模型的模型参数进行更新，从而得到更新后的更新高斯模型。然后再在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的除了第一目标像素点外的所有目标像素点中任意选取一个目标像素点作为第二个目标像素点，并参考上述利用第一个目标像素点对对应的更新高斯模型的模型参数进行更新的过程，继续对对应的更新高斯模型的模型参数进行更新。按照上述方式，采用在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的所有目标像素点逐个对更新高斯模型的模型参数进行更新迭代，直至满足更新高斯模型终止条件。这里的更新高斯模型终止条件是指更新高斯模型达到收敛，即更新高斯模型的模型参数中的均值和方差不再发生变化。

[0101] 在上述的步骤中，对对应的更新高斯模型的模型参数进行更新对应的更新公式为：

[0102]

[0103]

[0104] 其中， 和 分别为更新后的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差， 和 分别为更新前的金属丝网的单个网孔的第i行第j列位置的像素点对应的更新高斯模型的模型参数中的均值和方差，为第k个目标像素点所在网孔区域的光照均匀程度， 为第k个目标像素点的高度值， 和分别为第k个目标像素点对应的初始的第一准确度系数和第二准确度系数。

[0105] 对于上述的对对应的更新高斯模型的模型参数进行更新对应的更新公式，由于高度值数据的不准确存在两种原因：一种是测量过程中的不准确，另一种是数据本身的偶然性错误(可理解为离散点)，由于此处无法判断数据本身是否存在偶然性错误，因此使用和 表示高度值数据的准确程度，设置 和 的初始值为1，即认为当前参与高斯模型拟合的高度值数据均为正确数据，暂时不考虑其是否存在偶然性错误。 为第k个目标像素点所在网孔区域的光照均匀程度，光照越均匀，可靠程度越高，在进行更新高斯模型的均值和方差更新的过程中参考的权重越大。

[0106] （5.3）对金属丝网的单个网孔的各个位置的像素点对应的更新高斯模型的模型参数进行修正，并根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的目标像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型。

[0107] 由于高斯模型反应的是金属丝表面高度值的分布情况，而在金属丝网的生产过程中，每个网孔周期中相同位置上的高度值应该是相同的，因此我们期望每个位置所对应高斯模型的误差范围，也就是高度值的分布范围较小，即所得高斯模型的标准差较小，此时的高斯模型的均值才能正确反映该位置上像素点的标准高度值。

[0108] 基于上述分析，对金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型进行第一次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型，包括：

[0109] （5.3.1）将金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型的模型参数中的方差缩小为原来的设定比例值，从而得到金属丝网的单个网孔的各个位置的像素点对应的方差缩小后的更新高斯模型。

[0110] 对于金属丝网的单个网孔的各个位置的像素点对应的模型参数修正后的更新高斯模型，以金属丝网的单个网孔的第i行第j列位置的像素点对应的模型参数修正后的更新高斯模型为例，该模型参数修正后的更新高斯模型对应的均值和方差分别为 和 ，由于位于 ( )范围内的高度值大小差异较小，且各个高度值的占比也较高，因此该范围内的高度值更具有代表性，即生产过程中该位置处的标准高度值更有可能分布在该范围内，因此本实施例将模型参数修正后的更新高斯模型的模型参数中的方差缩小为原来的 ，从而得到金属丝网的单个网孔的各个位置的像素点对应的方差缩小后的更新高斯模型。

[0111] （5.3.2）根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个目标像素点的高度值、该第一个目标像素点所在网孔区域的光照均匀程度以及第一个目标像素点对应的初始的第一准确度系数和第二准确度系数，对对应的方差缩小后的更新高斯模型的模型参数进行更新，从而得到更新后的方差缩小后的更新高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个目标像素点的高度值、该第二个目标像素点所在网孔区域的光照均匀程度以及第二个目标像素点对应的初始的第一准确度系数和第二准确度系数，继续对对应的更新后的方差缩小后的更新高斯模型的模型参数进行更新，重复上述过程，直至满足更新第一次修正高斯模型终止条件。

[0112] 由于上述步骤（5.3.2）对方差缩小后的更新高斯模型的模型参数进行更新与上述步骤（5.2.2）中对更新高斯模型的模型参数进行更新的过程完全相同，此处不再赘述。

[0113] （5.4）根据高度分布图像上的其他各个网孔区域中单个网孔的各个位置的像素点的高度值以及修正后的灰度图像上对应的网孔区域的各个像素点的灰度值，对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型。

[0114] 在高斯模型的初步拟合过程中，由于无法判断数据的正确性，只根据光照均匀程度为其分配了一个可靠程度，然后将其作为正确数据参与高斯模型的拟合过程。然而该可靠程度只能说明使用激光测量结果的准确性，并不能反映其与拟合出的高斯模型之间的符合程度，即无法判断高度值数据本身的偶然性错误(可理解为离散点)，因而在高斯模型的初始拟合过程中，可能会将错误高度值数据作为样本参与了高斯模型的拟合，故初次修正后的高斯模型仍然存在一定误差。因此，为了进一步验证所得高斯模型的准确性，对金属丝网的单个网孔的各个位置的像素点对应的第一次修正后的高斯模型进行第二次修正，从而得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，具体实现过程包括：

[0115] （5.4.1）根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的各个像素点的高度值，确定所述每个位置的各个像素点在对应的第一次修正后的高斯模型上的高度值跨度，进而根据所述高度值跨度对每个位置的各个像素点对应的初始的第一准确度系数和第二准确度系数进行修正，得到每个位置的各个像素点对应的修正后的第一准确度系数和第二准确度系数。

[0116] 对于高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的各个像素点的高度值，计算每个位置的各个像素点的高度值与对应的第一次修正后的高斯模型的均值的距离，并将该距离作为每个位置的各个像素点在对应的第一次修正后的高斯模型上的高度值跨度。像素点对应的高度值跨度越大，表示对应的像素点的异常程度较大，此时利用每个位置的各个像素点对应的高度值跨度对每个位置的像素点对应的初始的第一准确度系数和第二准确度系数进行修正，对应的更新公式为：

[0117]

[0118]

[0119] 其中， 和 为每个位置的第k个像素点对应的修正后的第一准确度系数和第二准确度系数， 为每个位置的第k个像素点在对应的第一次修正后的高斯模型上的高度值跨度。

[0120] （5.4.2）根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第一个像素点的高度值、该第一个像素点所在网孔区域的光照均匀程度以及第一个像素点对应的修正后的第一准确度系数和第二准确度系数，对对应的第一次修正后的高斯模型的模型参数进行更新，从而得到更新后的第一次修正后的高斯模型，并根据高度分布图像上的其他各个网孔区域中的单个网孔的每个位置的第二个像素点的高度值、该第二个像素点所在网孔区域的光照均匀程度以及第二个像素点对应的修正后的第一准确度系数和第二准确度系数，继续对对应的更新后的第一次修正后的高斯模型的模型参数进行更新，重复上述过程，直至满足更新第二次修正高斯模型终止条件。

[0121] 以对金属丝网的单个网孔的第i行第j列位置的像素点对应的第一次修正后的高斯模型的模型参数进行更新为例，在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的所有像素点中任意选取一个像素点作为第一个像素点，根据该第一个像素点的高度值、该第一个像素点所在网孔区域的光照均匀程度以及第一个像素点对应的修正后的第一准确度系数和第二准确度系数，对对应的第一次修正后的高斯模型的模型参数进行更新，从而得到更新后的第一次修正后的高斯模型。然后再在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的除了第一像素点外的所有像素点中任意选取一个像素点作为第二个像素点，并参考上述利用第一个像素点对对应的第一次修正后的高斯模型的模型参数进行更新的过程，继续对对应的第一次修正后的高斯模型的模型参数进行更新。按照上述方式，采用在高度分布图像上的其他各个网孔区域中的单个网孔的第i行第j列位置的所有像素点逐个对第一次修正后的高斯模型的模型参数进行更新迭代，直至满足更新第二次修正高斯模型件。这里的更新第二次修正高斯模型是指第一次修正后的高斯模型的模型参数中的均值和方差不再发生变化。

[0122] （6）根据高度分布图像上的各个网孔区域中单个网孔的各个位置的像素点的高度值以及金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型，确定高度分布图像上的各个网孔区域中的各个像素点的缺陷指标值，进而确定金属丝网的各个疑似缺陷像素点。

[0123] 在通过上述步骤（5）得到金属丝网的单个网孔的各个位置的像素点对应的最终的高斯模型之后，将该最终的高斯模型的均值作为标准高度值，并计算高度分布图像上的各个网孔区域中单个网孔的各个位置的像素点的高度值与对应的最终的高斯模型的均值的差值的绝对值，并将该差值的绝对值作为对应的像素点的缺陷指标值。将像素点的缺陷指标值与设置的高度差阈值 进行比较，若大于高度差阈值 ，则判定对应的像素点为疑似缺陷像素点，从而得到金属丝网的各个疑似缺陷像素点。

[0124] （7）确定金属丝网的各个疑似缺陷像素点的邻域疑似缺陷像素点，根据各个疑似缺陷像素点及其邻域疑似缺陷像素点的高度值以及各个疑似缺陷像素点到其对应的邻域疑似缺陷像素点的距离，确定金属丝网的各个疑似缺陷像素点的缺陷概率值，进而确定金属丝网的各个真实缺陷像素点。

[0125] 由于图像中存在噪声点，上述所得疑似缺陷像素点可能为离散点，而缺陷往往是一个连续的区域，因此还需要根据疑似缺陷像素点位置的连续程度进行缺陷区域的提取。在本实施例中，以各个疑似缺陷像素点为圆心，以5个像素长度为半径做圆形区域，将该圆形区域内除了位于圆心处的疑似缺陷像素点外的其他疑似缺陷像素点作为位于圆心处的疑似缺陷像素点的邻域疑似缺陷像素点。计算每个疑似缺陷像素点到其对应的各个邻域疑似缺陷像素点的距离，同时计算每个疑似缺陷像素点的高度值与其对应的各个邻域疑似缺陷像素点的高度值之间的差值的绝对值，进而确定每个疑似缺陷像素点的缺陷概率值，对应的计算公式为：

[0126]

[0127] 其中，为金属丝网的各个疑似缺陷像素点的缺陷概率值， 为金属丝网的各个疑似缺陷像素点与其对应的第i个邻域疑似缺陷像素点的高度值之间的差值的绝对值，为金属丝网的各个疑似缺陷像素点到其对应的第i个邻域疑似缺陷像素点的距离。

[0128] 根据上述的缺陷概率值 的计算公式可知，当疑似缺陷像素点与其对应的邻域疑似缺陷像素点的高度值之间的差值的绝对值越大时，该疑似缺陷像素点的缺陷概率值越大，而邻域疑似缺陷像素点到其对应的疑似缺陷像素点的距离越小，说明该疑似缺陷像素点的周边缺陷分布越密集，其属于噪声的概率越小，即该疑似缺陷像素点的缺陷概率越大。设置概率阈值为 ，当疑似缺陷像素点的缺陷概率值大于等于 时，则认为该疑似缺陷像素点为真实缺陷像素点，否则认为该疑似缺陷像素点为噪声点，需要对其进行剔除。通过这种方式，可以确定金属丝网的各个真实缺陷像素点。

[0129] 在确定金属丝网的各个真实缺陷像素点之后，参考背景技术中专利文件中的方案，人机交互界面通过控制器将启动信号发送给气泵，气泵通过气管增加染料罐内的气压，并将染料罐内的染料通过喷阀喷向缺陷处进行标记。

[0130] 本实施例还提供了一种人工智能系统，包括缺陷检测存储模块和缺陷检测处理模块，所述缺陷检测存储模块用于存储指令，所述缺陷检测处理模块用于处理存储在所述缺陷检测存储模块中的指令，以实现上述的基于激光束的金属丝网缺陷检测方法。由于该基于激光束的金属丝网缺陷检测方法已经在上述内容中进行了详细介绍，此处不再赘述。

[0131] 本发明通过获取待检测的金属丝网的高度分布图像和表面可见光图像，利用与待检测的金属丝网同类型的正常金属丝网对应的距离与灰度衰减曲线对表面可见光图像的灰度图像进行修正，并基于高度分布图像和修正后的灰度图像，最终确定金属丝网的单个网孔的各个位置的像素点对应的高斯模型，并利用该高斯模型准确确定金属丝网的各个真实缺陷像素点，有效提高了金属丝网缺陷检测的可靠性，且具有较广的应用范围和较强的泛化能力。

[0132] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。