本發(fā)明涉及工業(yè)缺陷檢測(cè)，尤其涉及一種基于視覺(jué)識(shí)別的線束缺陷檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在工業(yè)制造領(lǐng)域，線束作為電氣系統(tǒng)的重要組成部分，廣泛應(yīng)用于汽車(chē)、航空、電子設(shè)備等高技術(shù)領(lǐng)域。這些線束結(jié)構(gòu)復(fù)雜，通常包含大量的電纜、連接器和護(hù)套，用于傳輸電信號(hào)或數(shù)據(jù)。由于線束通常在苛刻的環(huán)境中工作（如高溫、振動(dòng)或化學(xué)腐蝕等），任何微小的缺陷（如表面裂紋、內(nèi)部斷裂、磨損等）都導(dǎo)致電氣故障、設(shè)備停機(jī)，甚至引發(fā)安全事故。因此，線束缺陷檢測(cè)對(duì)保障產(chǎn)品質(zhì)量和設(shè)備安全至關(guān)重要。

2、傳統(tǒng)的線束檢測(cè)方法主要依賴(lài)于人工視覺(jué)檢查和簡(jiǎn)單的機(jī)械測(cè)試。人工檢測(cè)存在誤差大、效率低、主觀性強(qiáng)的問(wèn)題，難以實(shí)現(xiàn)精確檢測(cè)。尤其在檢測(cè)微小裂紋、內(nèi)部斷裂等復(fù)雜缺陷時(shí)，人工檢測(cè)往往無(wú)法滿足高精度要求。此外，機(jī)械測(cè)試方法（如拉伸測(cè)試）只能檢測(cè)出明顯的結(jié)構(gòu)損傷，而對(duì)微觀裂紋、潛在故障的檢測(cè)能力有限。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為解決上述技術(shù)問(wèn)題，提出了一種基于視覺(jué)識(shí)別的線束缺陷檢測(cè)方法及系統(tǒng)，以解決至少一個(gè)上述技術(shù)問(wèn)題。

2、本技術(shù)提供了一種基于視覺(jué)識(shí)別的線束缺陷檢測(cè)方法，包括以下步驟：

3、步驟s1：獲取線束圖像數(shù)據(jù)，并根據(jù)線束圖像數(shù)據(jù)進(jìn)行圖像分割，得到線束圖像分割數(shù)據(jù)；

4、步驟s2：根據(jù)線束圖像分割數(shù)據(jù)進(jìn)行形態(tài)特征提取，得到線束形態(tài)特征數(shù)據(jù)，并根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行三維重建，得到線束三維重建數(shù)據(jù)；

5、步驟s3：根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行微結(jié)構(gòu)缺陷檢測(cè)，得到第一線束缺陷檢測(cè)，得到第一線束缺陷檢測(cè)數(shù)據(jù)，并對(duì)線束三維重建數(shù)據(jù)進(jìn)行微形態(tài)缺陷檢測(cè)，得到第二線束缺陷檢測(cè)數(shù)據(jù)；

6、步驟s4：根據(jù)第一線束缺陷檢測(cè)數(shù)據(jù)以及第二線束缺陷檢測(cè)數(shù)據(jù)對(duì)線束圖像數(shù)據(jù)進(jìn)行標(biāo)記，得到線束圖像缺陷標(biāo)記數(shù)據(jù)，以進(jìn)行線束缺陷檢測(cè)輔助作用。

7、本發(fā)明中通過(guò)先獲取線束的圖像數(shù)據(jù)，并使用圖像分割技術(shù)來(lái)提取線束區(qū)域，有效隔離線束與背景，減少噪聲和干擾。采用微結(jié)構(gòu)和微形態(tài)兩種不同的檢測(cè)方法，分別對(duì)2d平面特征和3d形態(tài)特征進(jìn)行檢測(cè)，可以識(shí)別出更細(xì)微和復(fù)雜的缺陷，大幅提升了檢測(cè)的準(zhǔn)確性。通過(guò)在形態(tài)特征提取后對(duì)線束進(jìn)行三維重建，獲得線束的三維模型，使得缺陷檢測(cè)不局限于平面，而是可以檢測(cè)到立體結(jié)構(gòu)中的異常，能夠有效識(shí)別例如線束表面的磨損和內(nèi)部的結(jié)構(gòu)性缺陷。根據(jù)第一和第二線束缺陷檢測(cè)數(shù)據(jù)自動(dòng)生成缺陷標(biāo)記圖，將識(shí)別出的缺陷直接標(biāo)記在圖像數(shù)據(jù)中，使得檢測(cè)結(jié)果可以直接可視化，并在生產(chǎn)或檢修中提供清晰的缺陷位置信息。通過(guò)對(duì)2d和3d數(shù)據(jù)的雙重檢測(cè)，系統(tǒng)能夠交叉驗(yàn)證檢測(cè)結(jié)果，提高檢測(cè)結(jié)果的可靠性和一致性。

8、優(yōu)選地，步驟s1具體為：

9、通過(guò)環(huán)境光傳感器進(jìn)行環(huán)境光采集，得到環(huán)境光數(shù)據(jù)；

10、獲取線束材料數(shù)據(jù)；

11、根據(jù)線束材料數(shù)據(jù)進(jìn)行材料表面特性評(píng)估，得到線束表面特性數(shù)據(jù)；

12、根據(jù)環(huán)境光數(shù)據(jù)以及線束表面特性數(shù)據(jù)進(jìn)行視覺(jué)參數(shù)設(shè)置，得到視覺(jué)參數(shù)數(shù)據(jù)；

13、根據(jù)視覺(jué)參數(shù)數(shù)據(jù)通過(guò)預(yù)設(shè)的視覺(jué)設(shè)備進(jìn)行線束多視角圖像采集，得到線束圖像數(shù)據(jù)；

14、根據(jù)線束圖像數(shù)據(jù)進(jìn)行幾何校準(zhǔn)，得到線束幾何校準(zhǔn)數(shù)據(jù)；

15、根據(jù)線束幾何校準(zhǔn)數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到線束邊緣數(shù)據(jù)；

16、根據(jù)線束邊緣數(shù)據(jù)進(jìn)行區(qū)域分割與標(biāo)記，得到線束區(qū)域分割數(shù)據(jù)；

17、根據(jù)線束區(qū)域分割數(shù)據(jù)進(jìn)行平滑細(xì)節(jié)重構(gòu)，得到線束圖像分割數(shù)據(jù)。

18、本發(fā)明中通過(guò)環(huán)境光傳感器采集當(dāng)前環(huán)境光數(shù)據(jù)，根據(jù)光照條件靈活調(diào)整視覺(jué)參數(shù)，可以顯著減少因光照變化而導(dǎo)致的圖像質(zhì)量不穩(wěn)定性，從而獲得更清晰的圖像。根據(jù)線束材料的數(shù)據(jù)，評(píng)估表面的反射性、吸光性等特性，優(yōu)化視覺(jué)參數(shù)以應(yīng)對(duì)不同的材料特性。多視角圖像經(jīng)過(guò)幾何校準(zhǔn)，修正拍攝角度和位置差異，形成一套幾何精確的圖像數(shù)據(jù)，為精準(zhǔn)邊緣檢測(cè)和分割提供支持。在進(jìn)行幾何校準(zhǔn)后，通過(guò)精確的邊緣檢測(cè)算法提取線束的輪廓。由于圖像質(zhì)量高，且校準(zhǔn)到位，邊緣檢測(cè)過(guò)程能夠高效地捕捉到線束的輪廓，減少誤差和模糊區(qū)域?；趨^(qū)域分割數(shù)據(jù)進(jìn)行平滑和細(xì)節(jié)增強(qiáng)，去除噪聲，確保圖像的細(xì)節(jié)和紋理清晰、邊緣平滑。

19、優(yōu)選地，其中平滑細(xì)節(jié)重構(gòu)具體為：

20、根據(jù)線束區(qū)域分割數(shù)據(jù)進(jìn)行多分辨率解析，得到線束多分辨率層級(jí)數(shù)據(jù)；

21、根據(jù)線束多分辨率層級(jí)數(shù)據(jù)進(jìn)行邊緣增強(qiáng)，得到線束多層級(jí)邊緣增強(qiáng)數(shù)據(jù)；

22、對(duì)線束多層級(jí)邊緣增強(qiáng)數(shù)據(jù)進(jìn)行紋理恢復(fù)，得到線束多層級(jí)紋理恢復(fù)數(shù)據(jù)；

23、根據(jù)線束多層級(jí)紋理恢復(fù)數(shù)據(jù)進(jìn)行超分辨率修復(fù)，得到線束超分辨率數(shù)據(jù)；

24、對(duì)線束超分辨率數(shù)據(jù)進(jìn)行結(jié)構(gòu)保持映射，得到線束結(jié)構(gòu)映射數(shù)據(jù)；

25、對(duì)線束結(jié)構(gòu)映射數(shù)據(jù)進(jìn)行特征平滑處理，得到線束特征平滑數(shù)據(jù)；

26、根據(jù)線束特征平滑數(shù)據(jù)進(jìn)行局部細(xì)節(jié)對(duì)齊，得到線束多層級(jí)細(xì)節(jié)對(duì)齊數(shù)據(jù)；

27、根據(jù)線束多層級(jí)細(xì)節(jié)對(duì)齊數(shù)據(jù)進(jìn)行重構(gòu)分割輸出，得到線束圖像分割數(shù)據(jù)。

28、本發(fā)明中通過(guò)多分辨率解析，將線束圖像細(xì)分為不同分辨率的層級(jí)數(shù)據(jù)，這種方法能夠在不同的分辨率層級(jí)捕捉到線束的細(xì)節(jié)特征。高分辨率層捕捉細(xì)小特征，低分辨率層捕捉整體輪廓信息，從而實(shí)現(xiàn)精細(xì)特征與全局輪廓的平衡。通過(guò)對(duì)不同分辨率層級(jí)的邊緣進(jìn)行多層級(jí)增強(qiáng)，使得線束輪廓的邊緣清晰可見(jiàn)。邊緣增強(qiáng)對(duì)復(fù)雜結(jié)構(gòu)和交錯(cuò)線束特別有利，使圖像中的每條線束輪廓都具備明確的邊界。在邊緣增強(qiáng)后進(jìn)行紋理恢復(fù)，恢復(fù)或增強(qiáng)線束表面的自然紋理，確保在邊緣清晰的同時(shí)，保留表面的紋理細(xì)節(jié)。通過(guò)高分辨率算法進(jìn)一步增強(qiáng)圖像細(xì)節(jié)，使低分辨率圖像中的細(xì)小特征得以清晰呈現(xiàn)。在進(jìn)行超分辨率修復(fù)后，通過(guò)結(jié)構(gòu)保持映射，避免因圖像增強(qiáng)過(guò)程引入的結(jié)構(gòu)變形，確保線束的形狀和結(jié)構(gòu)在放大后仍然保持原貌。通過(guò)特征平滑對(duì)紋理和形狀進(jìn)行細(xì)膩處理，使圖像的不同區(qū)域之間過(guò)渡更加自然，消除不必要的噪聲和銳利邊界。在特征平滑后進(jìn)行細(xì)節(jié)對(duì)齊，將不同分辨率層次的特征數(shù)據(jù)重新校正到同一對(duì)齊標(biāo)準(zhǔn)，確保各個(gè)層級(jí)的數(shù)據(jù)在空間上統(tǒng)一、準(zhǔn)確。

29、優(yōu)選地，其中特征平滑處理具體為：

30、對(duì)線束結(jié)構(gòu)映射數(shù)據(jù)進(jìn)行多尺度相似塊搜索，得到線束多尺度相似塊數(shù)據(jù)；

31、根據(jù)線束多尺度相似塊數(shù)據(jù)進(jìn)行輕量級(jí)卷積網(wǎng)絡(luò)相似度權(quán)重計(jì)算，得到線束相似度權(quán)重?cái)?shù)據(jù)；

32、根據(jù)線束相似度權(quán)重?cái)?shù)據(jù)對(duì)線束結(jié)構(gòu)映射數(shù)據(jù)進(jìn)行加權(quán)均值計(jì)算，得到線束相似度加權(quán)數(shù)據(jù)；

33、根據(jù)線束相似度加權(quán)數(shù)據(jù)進(jìn)行像素更新，得到線束像素更新數(shù)據(jù)；

34、根據(jù)線束像素更新數(shù)據(jù)進(jìn)行邊緣保留檢查，得到線束特征平滑數(shù)據(jù)。

35、本發(fā)明中通過(guò)在不同尺度上進(jìn)行相似塊搜索，可以識(shí)別出圖像中的相似區(qū)域，能夠更靈活地適應(yīng)線束結(jié)構(gòu)中的復(fù)雜性和多樣性，特別是針對(duì)具有復(fù)雜紋理或微小特征的線束。輕量級(jí)卷積網(wǎng)絡(luò)的使用，使相似度權(quán)重計(jì)算更加高效且準(zhǔn)確。卷積網(wǎng)絡(luò)可以自動(dòng)學(xué)習(xí)到相似塊間的復(fù)雜特征關(guān)系，從而避免了傳統(tǒng)手工相似度計(jì)算的偏差問(wèn)題?；谙嗨贫葯?quán)重?cái)?shù)據(jù)的加權(quán)均值計(jì)算，能夠有效將相似區(qū)域的像素值進(jìn)行平滑，而不會(huì)破壞原始的細(xì)節(jié)信息，使得平滑處理可以對(duì)噪聲進(jìn)行去除，而保持對(duì)關(guān)鍵細(xì)節(jié)的保護(hù)。將加權(quán)均值結(jié)果更新至圖像中的像素位置后，圖像的平滑度和一致性顯著提高，確保了平滑處理的結(jié)果能夠準(zhǔn)確反映在線束結(jié)構(gòu)映射數(shù)據(jù)中，減少了平滑過(guò)程中因噪聲導(dǎo)致的細(xì)節(jié)丟失，相比現(xiàn)有方法簡(jiǎn)單的均值或高斯平滑處理，本發(fā)明的加權(quán)均值計(jì)算在去噪的同時(shí)保留了邊緣和微小特征，提升了線束檢測(cè)的整體清晰度。在像素更新后，通過(guò)邊緣保留檢查來(lái)確保線束的關(guān)鍵邊緣不被模糊處理掉。邊緣保留可以針對(duì)性的保護(hù)結(jié)構(gòu)邊緣，使得最終的平滑圖像既具備高質(zhì)量的平滑效果，又保留了邊緣的清晰度。

36、優(yōu)選地，其中形態(tài)特征提取具體為：

37、根據(jù)線束圖像分割數(shù)據(jù)進(jìn)行區(qū)域輪廓捕捉，得到線束區(qū)域輪廓數(shù)據(jù)；

38、根據(jù)線束區(qū)域輪廓數(shù)據(jù)進(jìn)行輪廓重構(gòu)，得到線束輪廓重構(gòu)數(shù)據(jù)；

39、對(duì)線束輪廓重構(gòu)數(shù)據(jù)進(jìn)行耦合卷積特征提取以及解釋卷積特征提取，分別得到第一線束圖像特征數(shù)據(jù)以及第二線束圖像特征數(shù)據(jù)；

40、對(duì)第一線束圖像特征數(shù)據(jù)以及第二線束圖像特征數(shù)據(jù)進(jìn)行線束形狀映射，得到第一線束形狀映射數(shù)據(jù)以及第二線束形狀映射數(shù)據(jù)；

41、根據(jù)第一線束形狀映射數(shù)據(jù)以及第二線束形狀映射數(shù)據(jù)進(jìn)行細(xì)節(jié)結(jié)構(gòu)差異映射，得到線束形態(tài)細(xì)節(jié)結(jié)構(gòu)差異數(shù)據(jù)；

42、根據(jù)線束形態(tài)細(xì)節(jié)結(jié)構(gòu)差異數(shù)據(jù)進(jìn)行形狀特征圖生成，得到線束形態(tài)特征數(shù)據(jù)；

43、其中耦合卷積特征提取具體為：

44、對(duì)線束輪廓重構(gòu)數(shù)據(jù)進(jìn)行初始卷積層處理，得到線束初始卷積層數(shù)據(jù)；

45、對(duì)線束初始卷積層數(shù)據(jù)進(jìn)行耦合特征通道分離，分別得到線束幾何結(jié)構(gòu)特征數(shù)據(jù)以及線束紋理特征數(shù)據(jù)；

46、對(duì)線束幾何結(jié)構(gòu)特征數(shù)據(jù)進(jìn)行殘差連接卷積層處理，得到線束幾何結(jié)構(gòu)高階特征數(shù)據(jù)，并對(duì)線束紋理特征數(shù)據(jù)進(jìn)行密集連接卷積層處理，得到線束紋理高階特征數(shù)據(jù)；

47、對(duì)線束幾何結(jié)構(gòu)高階特征數(shù)據(jù)以及線束紋理高階特征數(shù)據(jù)進(jìn)行特征融合，得到耦合融合特征圖數(shù)據(jù)；

48、對(duì)耦合融合特征圖數(shù)據(jù)將進(jìn)行局部感受野增強(qiáng)，得到耦合局部增強(qiáng)特征圖數(shù)據(jù)；

49、對(duì)耦合局部增強(qiáng)特征圖數(shù)據(jù)進(jìn)行特征緊縮，得到第一線束圖像特征數(shù)據(jù)；

50、其中解釋卷積特征提取具體為：

51、根據(jù)耦合融合特征圖數(shù)據(jù)對(duì)線束輪廓重構(gòu)數(shù)據(jù)進(jìn)行置信度計(jì)算，得到線束區(qū)域置信度數(shù)據(jù)；

52、根據(jù)線束區(qū)域置信度數(shù)據(jù)對(duì)線束輪廓重構(gòu)數(shù)據(jù)進(jìn)行特征選擇性卷積層處理，得到線束選擇性卷積層數(shù)據(jù)；

53、對(duì)線束選擇性卷積層數(shù)據(jù)以及耦合融合特征圖數(shù)據(jù)進(jìn)行特征比對(duì)，得到線束對(duì)比特征數(shù)據(jù)；

54、對(duì)線束對(duì)比特征數(shù)據(jù)進(jìn)行顯著性分析，得到線束顯著性特征數(shù)據(jù)；

55、對(duì)線束顯著性特征數(shù)據(jù)進(jìn)行高層結(jié)構(gòu)聚合，得到線束結(jié)構(gòu)聚合數(shù)據(jù)；

56、對(duì)線束顯著性特征數(shù)據(jù)以及線束結(jié)構(gòu)聚合數(shù)據(jù)進(jìn)行解釋性自注意力圖計(jì)算，得到線束加權(quán)解釋性特征圖數(shù)據(jù)；

57、根據(jù)線束加權(quán)解釋性特征圖數(shù)據(jù)進(jìn)行全局形態(tài)映射，得到第二線束圖像特征數(shù)據(jù)。

58、本發(fā)明中通過(guò)對(duì)線束圖像分割數(shù)據(jù)進(jìn)行輪廓捕捉和重構(gòu)，準(zhǔn)確識(shí)別線束的基本輪廓，確?；A(chǔ)結(jié)構(gòu)的準(zhǔn)確性。將幾何結(jié)構(gòu)特征與紋理特征分離處理，并分別應(yīng)用殘差連接和密集連接卷積層，使得每類(lèi)特征可以在各自的空間中深度提取。幾何特征提供形狀信息，紋理特征突出細(xì)節(jié)，保證了特征捕捉的全面性。通過(guò)特征融合和局部感受野增強(qiáng)，將幾何和紋理特征整合為統(tǒng)一的耦合特征圖，同時(shí)增強(qiáng)局部特征的解析能力。局部感受野增強(qiáng)確保微小的邊緣和形態(tài)變化不會(huì)被忽視。根據(jù)置信度數(shù)據(jù)選擇性地進(jìn)行卷積層處理，使得重要區(qū)域得到了更高的計(jì)算權(quán)重。選擇性卷積提升了對(duì)重要特征區(qū)域的重視，減少不重要信息的干擾。對(duì)特征進(jìn)行顯著性分析，識(shí)別出最具區(qū)分性的特征區(qū)域，通過(guò)自注意力機(jī)制加權(quán)，使這些區(qū)域在特征圖中得到突顯，確保了關(guān)鍵區(qū)域和顯著特征在數(shù)據(jù)中的高可見(jiàn)性。在多層特征數(shù)據(jù)基礎(chǔ)上進(jìn)行全局形態(tài)映射，將關(guān)鍵形態(tài)特征聚合到全局空間中，實(shí)現(xiàn)了對(duì)線束整體形態(tài)的準(zhǔn)確識(shí)別。高層結(jié)構(gòu)聚合則幫助系統(tǒng)生成更高層次的結(jié)構(gòu)信息。

59、優(yōu)選地，其中三維重建具體為：

60、根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行形態(tài)分類(lèi)，得到線束形態(tài)分類(lèi)數(shù)據(jù)；

61、根據(jù)線束形態(tài)分類(lèi)數(shù)據(jù)進(jìn)行特征圖融合，得到線束形態(tài)特征圖融合數(shù)據(jù)；

62、對(duì)線束形態(tài)特征圖融合數(shù)據(jù)進(jìn)行深度估計(jì)，得到線束特征深度數(shù)據(jù)；

63、根據(jù)線束特征深度數(shù)據(jù)進(jìn)行視角匹配，得到線束視角匹配數(shù)據(jù)；

64、根據(jù)線束視角匹配數(shù)據(jù)進(jìn)行三維點(diǎn)云生成，得到線束點(diǎn)云數(shù)據(jù)；

65、根據(jù)線束點(diǎn)云數(shù)據(jù)進(jìn)行三維網(wǎng)格化重建，得到線束三維重建數(shù)據(jù)。

66、本發(fā)明中在重建開(kāi)始前，通過(guò)對(duì)線束形態(tài)特征數(shù)據(jù)進(jìn)行分類(lèi)，生成線束形態(tài)分類(lèi)數(shù)據(jù)。此步驟能夠有效區(qū)分不同形態(tài)特征，確保重建過(guò)程更加針對(duì)性，尤其在處理復(fù)雜結(jié)構(gòu)或多樣化的線束形態(tài)時(shí)具有優(yōu)勢(shì)。將分類(lèi)后的形態(tài)特征圖進(jìn)行融合，使得不同形態(tài)信息綜合為一張完整的特征圖，確保所有形態(tài)特征在空間上保持一致，融合處理能夠增強(qiáng)整體特征的完整性，為三維重建提供清晰的形態(tài)數(shù)據(jù)。通過(guò)對(duì)融合的形態(tài)特征圖進(jìn)行深度估計(jì)，計(jì)算出不同特征的深度信息。深度估計(jì)在此階段能夠精準(zhǔn)獲取線束不同部分的空間位置，為視角匹配和點(diǎn)云生成提供了可靠的深度數(shù)據(jù)。通過(guò)對(duì)深度數(shù)據(jù)進(jìn)行多視角匹配，將不同視角下的形態(tài)特征對(duì)齊，確保三維重建的精準(zhǔn)度。視角匹配能夠補(bǔ)償多視角拍攝中的誤差，使得重建后的數(shù)據(jù)更具一致性。基于視角匹配數(shù)據(jù)生成三維點(diǎn)云，捕捉線束的三維結(jié)構(gòu)。點(diǎn)云數(shù)據(jù)包含豐富的三維坐標(biāo)信息，為網(wǎng)格化重建提供高質(zhì)量的空間數(shù)據(jù)。

67、優(yōu)選地，其中微結(jié)構(gòu)缺陷檢測(cè)具體為：

68、根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行特征塊劃分，得到線束形態(tài)局部特征數(shù)據(jù)；

69、根據(jù)線束形態(tài)局部特征數(shù)據(jù)進(jìn)行缺陷候選區(qū)域識(shí)別，得到線束缺陷候選區(qū)域數(shù)據(jù)；

70、根據(jù)線束缺陷候選區(qū)域數(shù)據(jù)以及預(yù)設(shè)的常規(guī)線束區(qū)域數(shù)據(jù)進(jìn)行紋理特征匹配，得到線束紋理異常數(shù)據(jù)；

71、根據(jù)線束紋理異常數(shù)據(jù)進(jìn)行局部形變相似度計(jì)算以及相對(duì)形變測(cè)量處理，分布得到線束局部形變相似度數(shù)據(jù)以及線束相對(duì)形變測(cè)量數(shù)據(jù)；

72、根據(jù)線束局部形變相似度數(shù)據(jù)以及線束相對(duì)形變測(cè)量數(shù)據(jù)進(jìn)行形態(tài)對(duì)比，得到線束形態(tài)對(duì)比數(shù)據(jù)；

73、根據(jù)線束形態(tài)對(duì)比數(shù)據(jù)進(jìn)行缺陷分類(lèi)并置信度估計(jì)，得到第一線束缺陷檢測(cè)數(shù)據(jù)。

74、本發(fā)明中將線束形態(tài)特征數(shù)據(jù)劃分為局部特征塊，以便進(jìn)行局部細(xì)節(jié)的分析，確保系統(tǒng)能夠在局部范圍內(nèi)專(zhuān)注于特征細(xì)節(jié)，特別適合捕捉小范圍的缺陷和細(xì)微異常。通過(guò)對(duì)局部特征數(shù)據(jù)的篩選識(shí)別出潛在的缺陷候選區(qū)域，可以有效減少系統(tǒng)處理的區(qū)域量，將計(jì)算資源集中在存在缺陷的區(qū)域上。通過(guò)將缺陷候選區(qū)域與預(yù)設(shè)的常規(guī)線束紋理數(shù)據(jù)進(jìn)行匹配，檢測(cè)出與正常區(qū)域存在差異的紋理異常區(qū)域，快速篩選出潛在缺陷區(qū)域，并顯著降低誤判率。對(duì)紋理異常區(qū)域進(jìn)行相似度和形變測(cè)量分析，識(shí)別細(xì)微的形變異常。形變相似度分析可以精確檢測(cè)出異常區(qū)域的變形程度，而相對(duì)形變測(cè)量則提供了變形位置和幅度的對(duì)比。將形變相似度數(shù)據(jù)和相對(duì)形變數(shù)據(jù)進(jìn)行對(duì)比，進(jìn)一步明確缺陷的位置和形狀特征，確保對(duì)缺陷區(qū)域的準(zhǔn)確識(shí)別。通過(guò)對(duì)形態(tài)對(duì)比結(jié)果進(jìn)行分類(lèi)，將缺陷區(qū)域按照類(lèi)型劃分，并對(duì)檢測(cè)結(jié)果進(jìn)行置信度估算，能夠生成詳細(xì)的缺陷類(lèi)型信息，確保分類(lèi)的可靠性，并提供識(shí)別結(jié)果的可信度評(píng)價(jià)。

75、優(yōu)選地，其中微形態(tài)缺陷檢測(cè)具體為：

76、對(duì)線束三維重建數(shù)據(jù)進(jìn)行表面特征提取，得到線束表面特征數(shù)據(jù)；

77、對(duì)線束表面特征數(shù)據(jù)進(jìn)行局部區(qū)域劃分與網(wǎng)格細(xì)化，得到局部細(xì)化網(wǎng)格數(shù)據(jù)；

78、根據(jù)局部細(xì)化網(wǎng)格數(shù)據(jù)進(jìn)行形態(tài)異常檢測(cè)，得到線束形態(tài)異常數(shù)據(jù)；

79、根據(jù)線束三維重建數(shù)據(jù)以及線束形態(tài)異常數(shù)據(jù)進(jìn)行結(jié)構(gòu)完整性分析，得到線束結(jié)構(gòu)完整性數(shù)據(jù)；

80、根據(jù)線束形態(tài)異常數(shù)據(jù)進(jìn)行微細(xì)紋理檢測(cè)，得到線束微細(xì)紋理異常數(shù)據(jù)；

81、根據(jù)線束微細(xì)紋理異常數(shù)據(jù)進(jìn)行缺陷類(lèi)別分類(lèi)與定位處理，得到第二線束缺陷檢測(cè)數(shù)據(jù)。

82、本發(fā)明中基于線束的三維重建數(shù)據(jù)進(jìn)行表面特征提取，確保系統(tǒng)可以識(shí)別出每個(gè)結(jié)構(gòu)的外觀特征，使得線束表面的細(xì)節(jié)信息能夠被完整地捕捉，從而為檢測(cè)奠定了高質(zhì)量的輸入基礎(chǔ)。對(duì)表面特征數(shù)據(jù)進(jìn)行局部劃分，并通過(guò)網(wǎng)格細(xì)化增加局部區(qū)域的空間解析度，可以有效提升三維模型的分辨率，使得微小的缺陷特征也能被識(shí)別?；诩?xì)化后的網(wǎng)格數(shù)據(jù)，系統(tǒng)可以高效識(shí)別出形態(tài)上存在異常的區(qū)域，不僅能夠快速篩選出異常區(qū)域，還可以減少后續(xù)處理的范圍，提升整體檢測(cè)效率。結(jié)合三維重建數(shù)據(jù)和形態(tài)異常數(shù)據(jù)，系統(tǒng)可以分析結(jié)構(gòu)的完整性，識(shí)別出斷裂、裂縫等破損區(qū)域，確保檢測(cè)的全面性。

83、優(yōu)選地，步驟s4具體為：

84、根據(jù)第一線束缺陷檢測(cè)數(shù)據(jù)以及第二線束缺陷檢測(cè)數(shù)據(jù)進(jìn)行標(biāo)記位置初始化，得到缺陷位置標(biāo)記數(shù)據(jù)；

85、根據(jù)第一線束缺陷檢測(cè)數(shù)據(jù)對(duì)線束圖像數(shù)據(jù)進(jìn)行平面標(biāo)記，得到第一線束圖像缺陷標(biāo)記數(shù)據(jù)；

86、根據(jù)缺陷位置標(biāo)記數(shù)據(jù)以及線束三維重建數(shù)據(jù)對(duì)線束圖像數(shù)據(jù)進(jìn)行三維疊加，得到第二線束圖像缺陷標(biāo)記數(shù)據(jù)；

87、根據(jù)第一線束圖像缺陷標(biāo)記數(shù)據(jù)以及第二線束圖像缺陷標(biāo)記數(shù)據(jù)進(jìn)行缺陷可視化渲染，得到線束圖像缺陷標(biāo)記數(shù)據(jù)，以進(jìn)行線束缺陷檢測(cè)輔助作用。

88、本發(fā)明中根據(jù)第一和第二線束缺陷檢測(cè)數(shù)據(jù)初始化缺陷位置標(biāo)記，生成缺陷位置標(biāo)記數(shù)據(jù)，確保標(biāo)記位置與檢測(cè)到的缺陷位置精準(zhǔn)對(duì)應(yīng)，能夠消除位置偏差，使得標(biāo)記過(guò)程更加準(zhǔn)確。通過(guò)將第一線束缺陷檢測(cè)數(shù)據(jù)標(biāo)記到原始圖像上，生成第一線束圖像缺陷標(biāo)記數(shù)據(jù)，使檢測(cè)結(jié)果在二維平面上直觀展示。此步驟快速生成清晰的平面缺陷標(biāo)記，有助于初步檢測(cè)結(jié)果的展示和快速反饋。將缺陷位置標(biāo)記數(shù)據(jù)與三維重建數(shù)據(jù)進(jìn)行疊加，生成三維缺陷標(biāo)記圖像數(shù)據(jù)（第二線束圖像缺陷標(biāo)記數(shù)據(jù)）。三維疊加可以準(zhǔn)確展示缺陷在三維空間中的分布情況，使標(biāo)記更加立體和精確。

89、優(yōu)選地，本技術(shù)還提供了一種基于視覺(jué)識(shí)別的線束缺陷檢測(cè)系統(tǒng)，用于執(zhí)行如上所述的基于視覺(jué)識(shí)別的線束缺陷檢測(cè)方法，該基于視覺(jué)識(shí)別的線束缺陷檢測(cè)系統(tǒng)包括：

90、線束圖像分割模塊，用于獲取線束圖像數(shù)據(jù)，并根據(jù)線束圖像數(shù)據(jù)進(jìn)行圖像分割，得到線束圖像分割數(shù)據(jù)；

91、線束形態(tài)特征提取及三維重建模塊，用于根據(jù)線束圖像分割數(shù)據(jù)進(jìn)行形態(tài)特征提取，得到線束形態(tài)特征數(shù)據(jù)，并根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行三維重建，得到線束三維重建數(shù)據(jù)；

92、線束缺陷檢測(cè)模塊，用于根據(jù)線束形態(tài)特征數(shù)據(jù)進(jìn)行微結(jié)構(gòu)缺陷檢測(cè)，得到第一線束缺陷檢測(cè)，得到第一線束缺陷檢測(cè)數(shù)據(jù)，并對(duì)線束三維重建數(shù)據(jù)進(jìn)行微形態(tài)缺陷檢測(cè)，得到第二線束缺陷檢測(cè)數(shù)據(jù)；

93、線束圖像缺陷標(biāo)記模塊，用于根據(jù)第一線束缺陷檢測(cè)數(shù)據(jù)以及第二線束缺陷檢測(cè)數(shù)據(jù)對(duì)線束圖像數(shù)據(jù)進(jìn)行標(biāo)記，得到線束圖像缺陷標(biāo)記數(shù)據(jù)，以進(jìn)行線束缺陷檢測(cè)輔助作用。

94、本發(fā)明的有益效果在于：在獲取圖像數(shù)據(jù)后，通過(guò)圖像分割提取線束的區(qū)域信息，有效隔離背景干擾，從而確保特征提取能夠聚焦于線束本身的結(jié)構(gòu)。形態(tài)特征提取進(jìn)一步增強(qiáng)了線束的細(xì)節(jié)信息，確保系統(tǒng)能在細(xì)微的形態(tài)變化中識(shí)別出潛在缺陷，不僅提高了初始數(shù)據(jù)的清晰度，還在復(fù)雜的檢測(cè)環(huán)境中展現(xiàn)出極高的適應(yīng)性。通過(guò)分離的微結(jié)構(gòu)和微形態(tài)缺陷檢測(cè)，不僅在二維平面上實(shí)現(xiàn)對(duì)表面缺陷的高精度識(shí)別（微結(jié)構(gòu)缺陷），還通過(guò)三維重建后進(jìn)行的深層次分析，識(shí)別結(jié)構(gòu)內(nèi)部或立體形態(tài)上的異常（微形態(tài)缺陷）。雙重檢測(cè)策略有效減少了檢測(cè)盲區(qū)，大幅提升了缺陷識(shí)別的全面性和深度。系統(tǒng)通過(guò)耦合卷積對(duì)幾何和紋理特征進(jìn)行分離與融合，捕捉到更多細(xì)微特征；解釋卷積特征提取則進(jìn)一步通過(guò)置信度和顯著性分析聚焦于異常區(qū)域。分層的特征提取方式不僅提高了對(duì)細(xì)節(jié)的識(shí)別精度，還使系統(tǒng)在應(yīng)對(duì)復(fù)雜紋理和多樣化結(jié)構(gòu)時(shí)具有更高的敏感度。根據(jù)第一和第二線束缺陷檢測(cè)數(shù)據(jù)初始化標(biāo)記位置，并通過(guò)二維平面標(biāo)記和三維疊加標(biāo)記的組合，將缺陷信息精確定位到線束圖像數(shù)據(jù)中。多維標(biāo)記過(guò)程不僅能夠在二維圖像上展示缺陷的平面位置，還可以通過(guò)三維疊加更直觀地展現(xiàn)缺陷在三維空間中的位置關(guān)系，從而實(shí)現(xiàn)立體標(biāo)記和空間精確度的統(tǒng)一。