小模数齿轮精度的视觉检测方法及系统.pdf

《小模数齿轮精度的视觉检测方法及系统.pdf》由会员分享，可在线阅读，更多相关《小模数齿轮精度的视觉检测方法及系统.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410006849.3(22)申请日 2024.01.03(71)申请人 东莞市星火齿轮有限公司地址 523000 广东省东莞市塘厦镇蛟乙塘宝石路13号(72)发明人 童爱军王得峰任继华彭彦(74)专利代理机构 深圳卓瀚知识产权代理有限公司 441109专利代理师 杜娟(51)Int.Cl.G06T 7/00(2017.01)G06N 3/0455(2023.01)G06N 3/0464(2023.01)G06T 17/00(2006.01)G06V 10/44(2022.01)G06V 1。

2、0/75(2022.01)G06V 10/762(2022.01)G06V 10/764(2022.01)G06V 10/82(2022.01)G01B 11/30(2006.01)G01M 13/021(2019.01)(54)发明名称小模数齿轮精度的视觉检测方法及系统(57)摘要本发明涉及视觉检测领域，公开了一种小模数齿轮精度的视觉检测方法及系统，用于提高小模数齿轮的视觉检测精度。方法包括：采集小模数塑胶齿轮的多个初始齿轮图像并进行齿形区域标准化处理，得到多个标准齿轮图像；进行多层次特征分解，得到多个不同层次的第一齿轮特征图像；进行特征图融合，得到多个第二齿轮特征图像；进行三维建模，得到初。

3、始三维齿轮模型并进行齿槽和轮廓异常点检测，得到齿槽异常点和轮廓异常点；进行齿轮异常点增强处理，生成目标三维齿轮模型；对目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据齿轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果。权利要求书3页 说明书13页 附图4页CN 117495867 A2024.02.02CN 117495867 A1.一种小模数齿轮精度的视觉检测方法，其特征在于，所述小模数齿轮精度的视觉检测方法包括：采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像；分别对所述多个标准齿轮图像。

4、进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像；分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像；根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点；根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型；对所述目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到。

5、对应的目标齿轮质量分类结果。2.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像，包括：通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像；通过预置的重聚焦算法对所述多个初始齿轮图像进行全局焦点标定，得到每个初始齿轮图像的全局焦点；根据所述全局焦点对所述多个初始齿轮图像进行深度标定，得到每个初始齿轮图像的深度标定信息；根据所述深度标定信息对所述多个初始齿轮图像进行齿形区域识别和定位，得到每个初始齿轮图像的齿形区域框；根据所述齿形区域框，对所述多个初始齿轮图像中的齿。

6、形区域进行区域标准化处理，得到多个标准齿轮图像。3.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述分别对所述多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像，包括：分别将所述多个标准齿轮图像输入预置的UNet网络，所述UNet网络包括两个卷积编码器以及两个卷积解码器；通过所述两个卷积编码器中的第一个卷积编码器分别对所述多个标准齿轮图像进行特征提取，得到第一编码特征图，通过所述两个卷积编码器之间的多个第一跳跃连接将所述第一编码特征图以及对应的标准齿轮图像输入所述两个卷积编码器的第二个卷积编码器进行特征图提取，得到每个标准齿轮图像对应。

7、的第二编码特征图；将每个标准齿轮图像对应的第二编码特征图输入所述两个卷积解码器，通过所述两个卷积解码器中的第一个卷积解码器对所述第二编码特征图进行上采样，得到第一解码特征权利要求书1/3 页2CN 117495867 A2图，并通过所述两个卷积解码器之间的多个第二跳跃连接将所述第一解码特征图以及对应的第二编码特征图输入所述两个卷积解码器的第二个卷积解码器进行特征图层次划分，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像。4.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图。

8、像，包括：分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图像分解，得到每个层次的三个齿轮细节特征图像以及一个齿轮基础特征图像；通过预置的改进拉普拉斯算子对所述齿轮细节特征图像进行齿轮弱细节信息捕捉，得到目标齿轮弱细节信息；根据所述目标齿轮弱细节信息对所述齿轮细节特征图像进行齿轮弱细节特征增强，得到每个层次的目标细节特征图像；对每个层次的目标细节特征图像和所述齿轮基础特征图像进行加权融合，得到所述多个标准齿轮图像对应的多个第二齿轮特征图像。5.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初。

9、始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点，包括：根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行多角度二维卷积运算，得到多个像素点输出值；根据所述多个像素点输出值，构建所述小模数塑胶齿轮的初始三维齿轮模型；获取所述小模数塑胶齿轮的模板三维齿轮模型，并对所述初始三维齿轮模型和所述模板三维齿轮模型进行三维空间点模板匹配，得到三维模板匹配结果；根据所述三维模板匹配结果对所述初始三维齿轮模型进行齿槽和轮廓异常点提取，得到多个候选异常点；根据预设的异常阈值，对所述多个候选异常点进行异常点筛选，得到对应的齿槽异常点和轮廓。

10、异常点。6.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型，包括：分别计算所述齿槽异常点和所述轮廓异常点在所述初始三维齿轮模型中所占的比例，得到目标异常点比例；根据所述目标异常点比例计算对应的倒数，并将所述目标异常点比例的倒数作为聚类模型的目标聚类参数；根据所述目标聚类参数，并通过所述聚类模型对所述初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类，得到异常点聚类数据；对所述异常点聚类数据进行异常点插值，生成异常点插值数据，并根据所述异常点插值数据对所述初始三维齿轮模型。

11、进行模型组合，生成目标三维齿轮模型。7.根据权利要求1所述的小模数齿轮精度的视觉检测方法，其特征在于，所述对所述目权利要求书2/3 页3CN 117495867 A3标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果，包括：对所述目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据；对所述齿轮粗糙度数据与第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较，其中，第一齿轮质量分数阈值第二齿轮质量分数阈值；若齿轮粗糙度数据第一齿轮质量分数阈值，则将所述小模数塑胶齿轮划分至第一齿轮质量分类等级，若第一齿。

12、轮质量分数阈值齿轮粗糙度数据第二齿轮质量分数阈值，则将所述小模数塑胶齿轮划分至第二齿轮质量分类等级，若第二齿轮质量分数阈值齿轮粗糙度数据，则将所述小模数塑胶齿轮划分至第三齿轮质量分类等级，得到对应的目标齿轮质量分类结果。8.一种小模数齿轮精度的视觉检测装置，其特征在于，所述小模数齿轮精度的视觉检测装置包括：采集模块，用于采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像；分解模块，用于分别对所述多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像；融合模块，用于分别对每个标准齿轮图像对应的多个不。

13、同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像；建模模块，用于根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点；增强模块，用于根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型；分类模块，用于对所述目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果。9.一种小模数齿轮精度的视觉检测设备，其特。

14、征在于，所述小模数齿轮精度的视觉检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述小模数齿轮精度的视觉检测设备执行如权利要求17中任一项所述的小模数齿轮精度的视觉检测方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求17中任一项所述的小模数齿轮精度的视觉检测方法。权利要求书3/3 页4CN 117495867 A4小模数齿轮精度的视觉检测方法及系统技术领域0001本发明涉及视觉检测领域，尤其涉及一种小模数齿轮精度的视觉检测方法及系统。背景技术0002在工业制。

15、造领域，小模数齿轮广泛应用于各种设备和机械系统中，如精密仪器、汽车、电子设备等。齿轮作为机械传动的核心组件之一，其精度直接关系到设备的性能、稳定性和寿命。因此，对小模数齿轮的精度进行有效的检测和质量控制是制造过程中的重要环节。0003传统的齿轮检测方法主要依赖于人工目视检测和测量，这种方式存在效率低、易受主观因素影响等缺点。随着计算机视觉和深度学习技术的发展，自动化的视觉检测方法逐渐应用于齿轮制造领域，为提高生产效率、降低成本、提高齿轮精度提供了新的性。发明内容0004本发明提供了一种小模数齿轮精度的视觉检测方法及系统，用于提高小模数齿轮的视觉检测精度。0005本发明第一方面提供了一种小模数齿。

16、轮精度的视觉检测方法，所述小模数齿轮精度的视觉检测方法包括：采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像；分别对所述多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像；分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像；根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点；根据所述齿槽异常点和所述轮廓异常。

17、点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型；对所述目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果。0006结合第一方面，在本发明第一方面的第一种实现方式中，所述采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像，包括：通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像；通过预置的重聚焦算法对所述多个初始齿轮图像进行全局焦点标定，得到每个初始齿轮图像的全局焦点；根据所述全局焦点对所述多个初始齿轮图像进行深度。

18、标定，得到每个初始齿轮图像的深度标定信息；根据所述深度标定信息对所述多个初始齿轮图像进行齿形区域识别和定位，得到每个初始齿轮图像的齿形区域框；根据所述齿形区域框，对所述多个初始齿轮图像中的齿形区域进行区域标准化处理，得到多个标准齿轮图像。说明书1/13 页5CN 117495867 A50007结合第一方面，在本发明第一方面的第二种实现方式中，所述分别对所述多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像，包括：分别将所述多个标准齿轮图像输入预置的UNet网络，所述UNet网络包括两个卷积编码器以及两个卷积解码器；通过所述两个卷积编码器中的第一个卷积。

19、编码器分别对所述多个标准齿轮图像进行特征提取，得到第一编码特征图，通过所述两个卷积编码器之间的多个第一跳跃连接将所述第一编码特征图以及对应的标准齿轮图像输入所述两个卷积编码器的第二个卷积编码器进行特征图提取，得到每个标准齿轮图像对应的第二编码特征图；将每个标准齿轮图像对应的第二编码特征图输入所述两个卷积解码器，通过所述两个卷积解码器中的第一个卷积解码器对所述第二编码特征图进行上采样，得到第一解码特征图，并通过所述两个卷积解码器之间的多个第二跳跃连接将所述第一解码特征图以及对应的第二编码特征图输入所述两个卷积解码器的第二个卷积解码器进行特征图层次划分，得到每个标准齿轮图像对应的多个不同层次的第一。

20、齿轮特征图像。0008结合第一方面，在本发明第一方面的第三种实现方式中，所述分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像，包括：分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图像分解，得到每个层次的三个齿轮细节特征图像以及一个齿轮基础特征图像；通过预置的改进拉普拉斯算子对所述齿轮细节特征图像进行齿轮弱细节信息捕捉，得到目标齿轮弱细节信息；根据所述目标齿轮弱细节信息对所述齿轮细节特征图像进行齿轮弱细节特征增强，得到每个层次的目标细节特征图像；对每个层次的目标细节特征图像和所述齿轮基础特征图像进行加权融合，得到所述多个标准齿。

21、轮图像对应的多个第二齿轮特征图像。0009结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点，包括：根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行多角度二维卷积运算，得到多个像素点输出值；根据所述多个像素点输出值，构建所述小模数塑胶齿轮的初始三维齿轮模型；获取所述小模数塑胶齿轮的模板三维齿轮模型，并对所述初始三维齿轮模型和所述模板三维齿轮模型进行三维空间点模板匹配，得到三维模板匹配结果；根据所述三。

22、维模板匹配结果对所述初始三维齿轮模型进行齿槽和轮廓异常点提取，得到多个候选异常点；根据预设的异常阈值，对所述多个候选异常点进行异常点筛选，得到对应的齿槽异常点和轮廓异常点。0010结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型，包括：分别计算所述齿槽异常点和所述轮廓异常点在所述初始三维齿轮模型中所占的比例，得到目标异常点比例；根据所述目标异常点比例计算对应的倒数，并将所述目标异常点比例的倒数作为聚类模型的目标聚类参数；根据所述目标聚类参数，并通过所述聚类模型对所述初始三维齿轮模型中的齿槽。

23、异常点和轮廓异常点进行异常点聚类，得到异常点聚类数据；对所述异常点聚类数据进行异常点插值，生成异常点插值数据，并根据所述异常点插值数据对所述初始三维齿轮模型进行模型组合，生成目标三维齿轮模型。0011结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述目标三维齿说明书2/13 页6CN 117495867 A6轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果，包括：对所述目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据；对所述齿轮粗糙度数据与第一齿轮质量分数阈值和第二齿轮质量分数阈值进行比较。

24、，其中，第一齿轮质量分数阈值第二齿轮质量分数阈值；若齿轮粗糙度数据第一齿轮质量分数阈值，则将所述小模数塑胶齿轮划分至第一齿轮质量分类等级，若第一齿轮质量分数阈值齿轮粗糙度数据第二齿轮质量分数阈值，则将所述小模数塑胶齿轮划分至第二齿轮质量分类等级，若第二齿轮质量分数阈值齿轮粗糙度数据，则将所述小模数塑胶齿轮划分至第三齿轮质量分类等级，得到对应的目标齿轮质量分类结果。0012本发明第二方面提供了一种小模数齿轮精度的视觉检测装置，所述小模数齿轮精度的视觉检测装置包括：采集模块，用于采集小模数塑胶齿轮的多个初始齿轮图像，并分别对所述多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像；分解模块。

25、，用于分别对所述多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像；融合模块，用于分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像；建模模块，用于根据所述多个第二齿轮特征图像对所述小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对所述初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点；增强模块，用于根据所述齿槽异常点和所述轮廓异常点对所述初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型；分类模块，用于对所述目标三维齿轮模型进行齿轮粗糙度分析。

26、，得到齿轮粗糙度数据，并根据所述齿轮粗糙度数据对所述小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果。0013本发明第三方面提供了一种小模数齿轮精度的视觉检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述小模数齿轮精度的视觉检测设备执行上述的小模数齿轮精度的视觉检测方法。0014本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的小模数齿轮精度的视觉检测方法。0015本发明提供的技术方案中，采集小模数塑胶齿轮的多个初始齿轮图像并进行齿形区域。

27、标准化处理，得到多个标准齿轮图像；进行多层次特征分解，得到多个不同层次的第一齿轮特征图像；进行特征图融合，得到多个第二齿轮特征图像；进行三维建模，得到初始三维齿轮模型并进行齿槽和轮廓异常点检测，得到齿槽异常点和轮廓异常点；进行齿轮异常点增强处理，生成目标三维齿轮模型；对目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据齿轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果，本发明通过光场相机、重聚焦算法和深度学习网络的综合运用，实现对小模数塑胶齿轮的高精度检测。光场相机提供了更多的深度信息，重聚焦算法增强了图像的清晰度，而深度学习网络能够有效地提取齿轮图像的。

28、特征。采用UNet网络进行多层次特征分解，并通过特征融合，更全面地捕捉和表示小模数齿轮的各层次特征。这有助于提高说明书3/13 页7CN 117495867 A7对齿轮形状和结构的准确理解。通过多角度二维卷积运算构建三维齿轮模型，增强了对齿轮形状的建模能力。使用模板匹配算法进行异常点检测，有效识别和排除的制造缺陷，提高了检测的准确性。采用异常点聚类和插值技术对齿轮模型进行异常点增强处理，使检测结果更加稳健。这种方法不仅提高了异常点的检测效果，还通过插值修复模型，确保生成的目标三维齿轮模型更符合设计要求。引入齿轮粗糙度分析，提供了对齿轮表面质量的定量评估。通过齿轮粗糙度数据，对小模数塑胶齿轮进行。

29、精准分类，使得质量控制更为细致和可靠。通过整合光场相机、深度学习、重聚焦算法、模板匹配等多种技术，提供了一套全面的小模数齿轮视觉检测解决方案。这种综合性的方法不仅可以满足齿轮形状、异常点和质量等多方面的检测需求，还能适应不同制造环境的要求，进而提高了小模数齿轮的视觉检测精度。附图说明0016图1为本发明实施例中小模数齿轮精度的视觉检测方法的一个实施例示意图；图2为本发明实施例中多层次特征分解的流程图；图3为本发明实施例中特征图融合的流程图；图4为本发明实施例中齿槽和轮廓异常点检测的流程图；图5为本发明实施例中小模数齿轮精度的视觉检测装置的一个实施例示意图；图6为本发明实施例中小模数齿轮精度的视。

30、觉检测设备的一个实施例示意图。具体实施方式0017本发明实施例提供了一种小模数齿轮精度的视觉检测方法及系统，用于提高小模数齿轮的视觉检测精度。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对。

31、于这些过程、方法、产品或设备固有的其它步骤或单元。0018为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中小模数齿轮精度的视觉检测方法的一个实施例包括：S101、采集小模数塑胶齿轮的多个初始齿轮图像，并分别对多个初始齿轮图像进行齿形区域标准化处理，得到多个标准齿轮图像；可以理解的是，本发明的执行主体可以为小模数齿轮精度的视觉检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。0019具体的，通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像。光场相机具有高分辨率和深度感知能力，适用于对齿轮的微观细节进行捕捉。随后，采用。

32、预置的重聚焦算法对多个初始齿轮图像进行全局焦点标定。目的是确定每个初始齿轮图像的全局焦点位置，以确保所有图像的焦点位于齿轮的关键区域，从而获得清晰的图像。基于全局焦点说明书4/13 页8CN 117495867 A8信息，进行深度标定，以获得每个初始齿轮图像的深度标定信息。这些信息可用于确定每个图像中不同区域的深度差异，有助于分析齿轮形状。使用深度标定信息对多个初始齿轮图像进行齿形区域识别和定位。通过分析深度信息，可以确定齿轮上的齿形区域，然后根据这些信息，得到每个初始齿轮图像的齿形区域框。根据齿形区域框，对多个初始齿轮图像中的齿形区域进行区域标准化处理，以获得多个标准齿轮图像。确保齿轮的各个。

33、部分都以相同的标准进行处理，从而消除了的图像畸变和不一致性，为后续的齿轮形状分析提供了一致的数据。0020S102、分别对多个标准齿轮图像进行多层次特征分解，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像；具体的，分别将多个标准齿轮图像输入到预置的UNet网络中，这个网络具有强大的图像处理和特征提取能力。UNet结构分为编码器和解码器两部分，有助于实现多层次特征分解。在编码器部分，使用第一个卷积编码器对多个标准齿轮图像进行特征提取。这个编码器通过卷积操作从图像中提取低级特征，例如边缘和纹理，生成第一编码特征图。这些特征有助于识别图像中的基本特征。为了更好地捕捉图像的上下文信息和更高级。

34、的特征，使用多个第一跳跃连接，将第一编码特征图与对应的标准齿轮图像一起输入到第二个卷积编码器中。这有助于保留图像中的更多信息，包括齿轮的形状和结构，从而生成第二编码特征图。随后，将第二编码特征图送入UNet网络的解码器部分，以还原和分割特征，实现多层次特征分解。在解码器中，通过第一个卷积解码器对第二编码特征图进行上采样，生成第一解码特征图。这个特征图具有更高的分辨率，包含了更多的细节，有助于更好地理解图像的特征。使用多个第二跳跃连接，将第一解码特征图与对应的第二编码特征图输入到第二个卷积解码器中。这一步骤有助于对特征图进行层次划分，生成多个不同层次的第一齿轮特征图像。通过这个多层次特征分解的过。

35、程，每个标准齿轮图像都被分解为多个不同层次的特征图像。这些特征图像包含了从低级到高级的不同特征，从边缘到形状的各个层次。这种方法有助于更全面地理解和表示齿轮的特征，提高了齿轮的精度检测能力。这些多层次特征图像可以用于后续的三维建模、异常点检测和齿轮质量分析，以确保齿轮的质量符合要求。0021S103、分别对每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像进行特征图融合，得到多个第二齿轮特征图像；需要说明的是，分别对每个标准齿轮图像的多个不同层次的第一齿轮特征图像进行特征图像分解。将每个特征图像分解为三个齿轮细节特征图像和一个齿轮基础特征图像。这种分解有助于将齿轮特征分成细节和基础部分，使特。

36、征更易于处理和理解。通过使用预置的改进拉普拉斯算子，对齿轮细节特征图像进行处理，以捕捉齿轮的弱细节信息。这一步骤有助于提取齿轮特征中的微小变化和细微细节，从而更全面地理解齿轮的结构。随后，根据捕获的目标齿轮弱细节信息，对齿轮细节特征图像进行弱细节特征增强。目的是增强齿轮细节，使其更明显，有助于检测和分析齿轮的微小缺陷或变化。将每个层次的目标细节特征图像与齿轮基础特征图像进行加权融合，以得到多个标准齿轮图像对应的多个第二齿轮特征图像。这个融合过程考虑了细节和基础特征的权重，确保齿轮特征的完整性和一致性。这个特征图融合过程有助于综合各个特征图像，使齿轮的多层次特征得以整合，提供更全面和准确的信息。。

37、这些第二齿轮特征图像可以用于后续的三维建模、异常点检测和齿轮质量分析，以确保齿轮的精度和质量得到准确评估。说明书5/13 页9CN 117495867 A90022S104、根据多个第二齿轮特征图像对小模数塑胶齿轮进行三维建模，得到初始三维齿轮模型，并对初始三维齿轮模型和预置的模板三维齿轮模型进行齿槽和轮廓异常点检测，得到对应的齿槽异常点和轮廓异常点；具体的，根据多个第二齿轮特征图像，进行多角度二维卷积运算，以得到多个像素点输出值。这一步骤有助于从特征图像中提取齿轮的信息，包括形状和结构等方面的特征。这些像素点输出值将用于后续的三维建模。利用这些像素点输出值构建小模数塑胶齿轮的初始三维齿轮模型。

38、。这个模型代表了齿轮的三维形状，是后续分析的基础。同时，获取小模数塑胶齿轮的模板三维齿轮模型，这是一个已知的标准模型，用于与初始三维齿轮模型进行比较和匹配。通过三维空间点模板匹配，将初始三维齿轮模型与模板三维齿轮模型进行匹配，得到三维模板匹配结果。目的是找到初始模型和标准模型之间的相似性和差异。接着，根据三维模板匹配结果，进行齿槽和轮廓异常点的提取。异常点表示了初始模型与标准模型之间的差异，这些差异是齿轮的缺陷或不符合规格的地方。根据预设的异常阈值，对提取的多个候选异常点进行异常点筛选。这个步骤有助于确定哪些异常点是真正的问题，而哪些是噪音或误差。通过这个过程，可以得到齿槽异常点和轮廓异常点的。

39、位置信息，这些异常点可以用于进一步的分析和评估齿轮的质量和精度。异常点的数量和位置可以帮助确定齿轮的缺陷或不合格之处，从而实现对齿轮精度的可靠检测和评估。例如，如果初始三维齿轮模型与模板三维齿轮模型在齿轮的某个特定区域存在显著差异，那么在这个区域会被检测到齿槽异常点或轮廓异常点。这些异常点表明齿轮在这一区域存在问题，需要进一步的检查和维修。这个方法结合了三维建模和异常点检测技术，为小模数齿轮的视觉检测提供了强大的工具，以确保齿轮的质量和精度符合要求。0023S105、根据齿槽异常点和轮廓异常点对初始三维齿轮模型进行齿轮异常点增强处理，生成目标三维齿轮模型；具体的，根据已检测到的齿槽异常点和轮廓。

40、异常点计算它们在初始三维齿轮模型中所占的比例。这可以通过统计异常点的数量并将其除以总的三维齿轮模型点的数量来实现。这个比例将帮助确定异常点在整个模型中的分布程度，即它们在齿轮模型中的重要性。根据计算得到的齿槽异常点和轮廓异常点的比例，计算对应的倒数。这个倒数将作为聚类模型的目标聚类参数。倒数的计算有助于将异常点比例转化为聚类模型的参数，用于后续的异常点聚类。使用目标聚类参数，通过聚类模型对初始三维齿轮模型中的齿槽异常点和轮廓异常点进行异常点聚类。这个聚类过程有助于将异常点分成不同的组别，每个组别代表不同类型的异常或缺陷。聚类模型可以采用各种聚类算法，例如K均值聚类或层次聚类，根据具体需求选择最。

41、合适的算法。得到异常点聚类数据后，对数据进行异常点插值。插值是一种数学技术，用于填补数据中的缺失值，以获得更平滑和连续的结果。异常点插值有助于生成异常点插值数据，其中包含了从异常点到正常点之间的过渡值。根据异常点插值数据对初始三维齿轮模型进行模型组合，生成目标三维齿轮模型。这个过程有助于修复齿轮模型中的异常点，将其与正常点融合，从而生成更完整和精确的模型。例如，假设在初始三维齿轮模型中检测到了一些齿槽异常点和轮廓异常点，这些异常点代表了齿轮的缺陷或不正常的部分。通过计算异常点比例、目标聚类参数、异常点聚类和插值，可以将这些异常点与正常点进行平滑过渡，从而得到一个更接近实际齿轮的目标三维齿轮模型。

42、。0024S106、对目标三维齿轮模型进行齿轮粗糙度分析，得到齿轮粗糙度数据，并根据齿说明书6/13 页10CN 117495867 A10轮粗糙度数据对小模数塑胶齿轮进行齿轮质量分类，得到对应的目标齿轮质量分类结果。0025具体的，对目标三维齿轮模型进行齿轮粗糙度分析。齿轮粗糙度是一种用于描述齿轮表面粗糙程度的度量。这个分析过程涉及到对齿轮表面的高程数据或其它相关数据进行处理，以计算出齿轮表面的粗糙度参数。齿轮粗糙度数据的计算通常包括平均粗糙度、最大粗糙度、RMS（均方根）粗糙度等，这些参数用于定量描述齿轮表面的不平整度。齿轮粗糙度数据将与预先定义的第一齿轮质量分数阈值和第二齿轮质量分数阈值。

43、进行比较。这些阈值的设定通常基于先前的实验数据或工业标准，以便将齿轮分为不同的质量分类等级。具体而言，如果齿轮粗糙度数据小于第一齿轮质量分数阈值，那么该小模数塑胶齿轮将被划分为第一齿轮质量分类等级。这表示该齿轮在粗糙度方面表现良好，属于高质量的齿轮。如果第一齿轮质量分数阈值小于齿轮粗糙度数据且齿轮粗糙度数据小于第二齿轮质量分数阈值，那么该小模数塑胶齿轮将被划分为第二齿轮质量分类等级。这表示齿轮的粗糙度虽然不是最低的，但仍然在可以接受的范围内，属于中等质量的齿轮。如果齿轮粗糙度数据大于第二齿轮质量分数阈值，那么该小模数塑胶齿轮将被划分为第三齿轮质量分类等级。这表示齿轮的粗糙度超出了可接受的范围，。

44、属于低质量的齿轮。通过以上步骤，可以得到对应的目标齿轮质量分类结果。这个结果以数字形式表示齿轮的质量等级，通常为第一齿轮质量分类等级、第二齿轮质量分类等级或第三齿轮质量分类等级。这个质量分类结果有助于快速评估齿轮的质量，并可以用于制定后续的制造、维修或质量控制决策。例如，假设对一个小模数塑胶齿轮进行了齿轮粗糙度分析，结果表明其粗糙度数据为10微米，而第一齿轮质量分数阈值为15微米，第二齿轮质量分数阈值为25微米。根据比较结果，这个齿轮的粗糙度数据小于第一齿轮质量分数阈值，因此它将被划分为第一齿轮质量分类等级，表示为高质量的齿轮。0026本发明实施例中，通过光场相机、重聚焦算法和深度学习网络的综。

45、合运用，实现对小模数塑胶齿轮的高精度检测。光场相机提供了更多的深度信息，重聚焦算法增强了图像的清晰度，而深度学习网络能够有效地提取齿轮图像的特征。采用UNet网络进行多层次特征分解，并通过特征融合，更全面地捕捉和表示小模数齿轮的各层次特征。这有助于提高对齿轮形状和结构的准确理解。通过多角度二维卷积运算构建三维齿轮模型，增强了对齿轮形状的建模能力。使用模板匹配算法进行异常点检测，有效识别和排除的制造缺陷，提高了检测的准确性。采用异常点聚类和插值技术对齿轮模型进行异常点增强处理，使检测结果更加稳健。这种方法不仅提高了异常点的检测效果，还通过插值修复模型，确保生成的目标三维齿轮模型更符合设计要求。引。

46、入齿轮粗糙度分析，提供了对齿轮表面质量的定量评估。通过齿轮粗糙度数据，对小模数塑胶齿轮进行精准分类，使得质量控制更为细致和可靠。通过整合光场相机、深度学习、重聚焦算法、模板匹配等多种技术，提供了一套全面的小模数齿轮视觉检测解决方案。这种综合性的方法不仅可以满足齿轮形状、异常点和质量等多方面的检测需求，还能适应不同制造环境的要求，进而提高了小模数齿轮的视觉检测精度。0027在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：（1）通过预置的光场相机采集小模数塑胶齿轮的多个初始齿轮图像；（2）通过预置的重聚焦算法对多个初始齿轮图像进行全局焦点标定，得到每个初始齿轮图像的全局焦点；（3）根。

47、据全局焦点对多个初始齿轮图像进行深度标定，得到每个初始齿轮图像的说明书7/13 页11CN 117495867 A11深度标定信息；（4）根据深度标定信息对多个初始齿轮图像进行齿形区域识别和定位，得到每个初始齿轮图像的齿形区域框；（5）根据齿形区域框，对多个初始齿轮图像中的齿形区域进行区域标准化处理，得到多个标准齿轮图像。0028具体的，通过预置的光场相机对小模数塑胶齿轮进行多次拍摄，以获取多个初始齿轮图像。这些图像具有不同的焦点深度，因为光场相机可以同时捕捉多个深度层次的信息。这些初始图像将用于后续的处理步骤。使用预置的重聚焦算法对这些多个初始齿轮图像进行全局焦点标定。重聚焦算法是一种用于合。

48、成图像的技术，它可以从多个不同焦点深度的图像中提取最清晰的部分，以获得具有统一焦点的图像。这个过程将产生每个初始齿轮图像的全局焦点，即齿轮图像的清晰部分。一旦获得全局焦点，可以进一步进行深度标定。深度标定是指确定每个像素在图像中的深度信息，即离相机的距离。这是通过利用多个图像的深度信息和全局焦点来完成的。深度标定信息将用于后续的齿形区域识别和定位。使用深度标定信息，对多个初始齿轮图像进行齿形区域的识别和定位。这一步的目标是确定每个图像中齿轮的位置和形状，从而获得齿形区域的边界框。齿形区域通常是齿轮图像中感兴趣的部分，因此其准确定位有助于后续处理。根据齿形区域的框架，对多个初始齿轮图像中的齿形区。

49、域进行区域标准化处理，以获得多个标准齿轮图像。区域标准化是一种用于调整图像亮度、对比度和颜色等参数的方法，以确保所有图像在后续处理中具有相似的特征和属性。0029在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：S201、分别将多个标准齿轮图像输入预置的UNet网络，UNet网络包括两个卷积编码器以及两个卷积解码器；S202、通过两个卷积编码器中的第一个卷积编码器分别对多个标准齿轮图像进行特征提取，得到第一编码特征图，通过两个卷积编码器之间的多个第一跳跃连接将第一编码特征图以及对应的标准齿轮图像输入两个卷积编码器的第二个卷积编码器进行特征图提取，得到每个标准齿轮图像对应。

50、的第二编码特征图；S203、将每个标准齿轮图像对应的第二编码特征图输入两个卷积解码器，通过两个卷积解码器中的第一个卷积解码器对第二编码特征图进行上采样，得到第一解码特征图，并通过两个卷积解码器之间的多个第二跳跃连接将第一解码特征图以及对应的第二编码特征图输入两个卷积解码器的第二个卷积解码器进行特征图层次划分，得到每个标准齿轮图像对应的多个不同层次的第一齿轮特征图像。0030具体的，分别将多个标准齿轮图像输入到预置的UNet网络中。UNet网络由两个主要部分组成：卷积编码器和卷积解码器。卷积编码器负责将输入图像的信息压缩成高级特征，而卷积解码器负责将这些特征映射回原始图像大小。在卷积编码器中，使。