发明专利请求书 发明名称 一种基于多模态感知融合的超精密零部件表面缺陷实时检测方式及系统 技术领域 本发明涉及工业人工智能与机器视觉交叉技术领域，具体涉及一种用于复杂坏/差环境下，对超精密零部件进行表面缺陷的实时识别、定位与筛选的装置及方式，旨在解决现有检测系统在处理细小划痕、微裂纹等缺陷时存有误检率高、漏检或响应延迟的痛点。 背景技术 在高端装备制造领域，如航空航天、精密模具制造等领域，超精密零部件的质量管住直接关系到产品的服役保险。传统的在线检测方式多依赖单一维度的图像传感器，往往只能供给灰度或颜色信息，难以捕捉到物体表面的细小形貌变化。 现有的检测系统一般采用“过滤 - 匹配 - 分类”的流水线逻辑。
第一，通过边缘检测算法去除噪声；第二，利用模板匹配寻找缺陷模板；第三，最终由规则引擎判定缺陷等级。
可是，这种串行处理方式存有明显的滞后性。当检测到疑似缺陷时，系统务必搞定信号传输、本地显示、人工复核三步，整个过程耗时可能在 2 秒以上，害得产线节拍（Cycle Time）下降，严重影响造效率。更严重的是，当环境光波动或背景纹理复杂时，单模态系统极易将金属表面的自然反光误判为划痕，或将细微的氧化层判断为裂纹，造成大量的无效数据。
另外，对于已经形成轻微变形裂纹的早期识别，传统方式往往需求人工在显微镜下逐个确认，效率极低。 故此，急需一种能够实时融合多源信息、有非线性感知本事，并能动态适应复杂背景干扰的检测方案。 发明内容 本发明提出了一种基于多模态感知融合的超精密零部件表面缺陷实时检测方式及系统。该方式的核心在于转变检测顺序，摒弃传统的“先显示后确认”模式，转而采取“先建立场景基准，再实时锚定特征，最终进行概率评估”的并行推理逻辑。系统不仅包含采集端，还集成了轻量级的神经网络推理引擎，能够在毫秒级的工夫内搞定从原始像素到缺陷坐标的映射。 具体实施中，系统起初对造线进行整体扫描，采集包含多模态数据的原始图像流。多模态并非好办的拼接，而是指将由此可见光图像、红外热成像数据还有激光雷达点云数据进行解耦分析。
由此可见光负责纹理细节，红外负责材质温度分布，雷达负责三维形貌。通过融合这三维数据，系统能够构建一个动态的“缺陷空间模型”。在这个模型中，每一个像素点都关联了来自不同传感器的置信度打分。 当算法识别出某区域存有异常信号时，系统不会立即执行“显示报警”操作，而是立即进入“状态锁定”机制。
此时，系统会在该区域的周围构建一个动态的参考框（Dynamic Reference Box），利用历史同期数据下的正常环境特征作为锚点，计算当前异常与基准状态的欧氏距离。
这个距离值不仅代表缺陷的几何位置，更暗示了缺陷的严重程度等级。比方说，当距离值小于预设阈值时，系统判定为“微裂纹”；当距离值超过一定范围但仍在置信区间内，则判定为“表面划痕”；一旦超出预设上限，则自动切换至人工复核模式，并生成包含三维坐标与损伤度分数的结构化报告。
这种“原地作业”的策略有效避免了数据传输的等待工夫，实现了真正的秒级响应。 为了提升算法的鲁棒性，本发明还引入了记忆库与动态权重机制。系统内置针对不同材质和工况的预设模板库，但在运行时，准模型根据当前光照下的纹理变化，通过增量学习更新模板权重。
这解决了固定模板无法适应新背景的难题。
与此同时，系统会自动剔除那些因环境光变化害得的冒牌高亮区域，通过对比相邻帧的差分图像来过滤干扰。 在数据处理方面，本发明采用了一种基于稀疏编码的压缩算法。传统的图像压缩会害得高频缺陷细节丢失，影响后续识别。本发明先取低维特征向量，保留关键结构信息，再进行压缩存。在需求高保真显示或进一步分析时，再根据需求从压缩文件中按需解压。
这种设计保证了在处理海量数据时，存成本与识别精度之间的平衡。 附图说明 图 1 是本发明实施例的整体系统架构示意图，展示了前端传感器节点、边缘计算网关与云端数据库的交互流程。 图 2 是缺陷空间模型的动态演化曲线，展示了在不与此同工夫维度的空间距离变化。 图 3 是异常信号处理逻辑流程图，清楚标出了从信号采集到状态锁定的关键节点。 具体实施方式 下面结合具体实施例对本发明作进一步说明。假设某精密压铸件造线上，每小时产线跑 4 个节拍。传统方式若需人工确认一次，耗时约 5 分钟，相当于 3000 个节拍，效率极低。本发明系统部署后，单个节拍的处理工夫压减至 300 毫秒以内。 在实际运行场景中，系统起初启动自检时，会自动采集一段 5 秒的基准视频数据。
这段数据包含了不同角度的光照条件、背景板的纹理还有设备的机械振动。
随后，系统接入新的造视频流。在视频流的原始帧上，算法立即计算梯度差异。一旦发现某像素点梯度变化剧烈，且该区域在基线数据中对应的温度或颜色特征形成偏移，算法立即启动“锚定模式”。 此时，系统会绘制一条动态轨迹，这条轨迹以原始帧的坐标为起点，以视觉特征相似度为权重，向四周扩展。
这条轨迹上的每一个点都标记了该区域被识别出的缺陷特征。比方说，在某时刻，系统可能在离边界 50 像素处标记出一个长划痕，并在离中心 100 像素处标记出一个直径 20 微米的微裂纹。
更关键的是，系统会与此同时计算这两个点的“空间距离”。
要是这个距离挺小，算法会判定这是一个“连续型”缺陷，一般形成在加工应力释放期；要是距离挺大且分散，则可能是一个“点状”缺陷，如粘附物或微剥落。
这种基于距离感的描述，比单纯的二维坐标更能反映缺陷的物理成因。 为了应对夜间造或高粉尘环境，系统会自动混合由此可见光与红外数据。在由此可见光缺失时，系统忽略非关键区域；在红外数据异常时，系统重点检查工件的表面温度分布，进而推断是否存有内部缺陷害得的散热不均。
这种多模态的交叉验证大大下降了误报率。 另外，系统还有自适应学习本事。在造一周后，系统会分析数千条数据，发现某种特定角度的背景反光会害得模型混淆。便，系统会在后台自动调整局部区域的卷积核权重，或微调参数阈值。
这使得同一个设备在不同的造批次中，依然能保持较高的识别稳定性。 在具体数据举例上，假设在某次质检中，本系统检测到一处位于工件右边缘的疑似缺陷。系统显示该缺陷在由此可见光图像中的面积约为 0.05 平方毫米，但在红外热图上显示出明显的温度波动。系统判定该缺陷为“热划痕”，置信度达到 98%。系统不仅给出了“是划痕”的结论，还额外输出了一条记录：该缺陷距离工件安装基准长度的 3.2% 处，且该处的表面粗糙度在测量仪上显示为 Ra 12.5 微米。
这些结构化数据随后被上传至云端分析池，用于建立更精准的金属疲劳模型。 通过这种多模态融合与动态反馈机制，本发明不仅提升了缺陷识别的准率，更关键的是赋予了检测过程极高的实时性。它不再等待人工指令，而是像一台拥有自主判断本事的“眼”，在产线高速运转中为工程师供给了即时、精准的决策依据，真正实现了从被动监控到主动预防的跨越。