一种基于图像处理的测试结果智能识别方法和系统与流程

1.本发明属于机器视觉与图像处理技术领域，尤其涉及一种基于图像处理的测试结果智能识别方法和系统。


背景技术：

2.图像处理的操作主要包括数据采集、数据预处理、特征提取和分类。首先，需要收集包含不同对象或场景的图像数据集。接下来，对图像进行预处理，包括图像增强、降噪和归一化等操作，以提高图像质量和减少噪声干扰。然后，使用特征提取算法，从图像中提取出具有代表性的特征，例如边缘、颜色、纹理等。最后，将提取的特征输入到分类器中，进行对象或场景的分类和识别。
3.基于图像处理的智能识别和检测，是一种基于图像处理和模式识别技术，通过对产品图像进行分析和处理，识别出其中的缺陷，从而实现自动化检测出工件表面小面积缺陷，并显示出缺陷位置。图像处理的智能识别和检测的一种常见实现方式是机器视觉，机器视觉外观缺陷检测的原理非常简单，基本上就是利用计算机来从图像中捕获数据，并分析这些数据，然后检测出缺陷。当然，也可以对涉及化学处理工艺的测试对象进行调测；这样，颜色空间就能够在检测过程中发挥更大的作用。基于图像处理的测试结果的智能识别方法的优点在于其高效、准确、可靠。相比于传统的人工检测方法，机器视觉可以大大提高检测的速度和准确度，同时也可以减少人工误判和漏检的情况。此外，它还可以实现自动化生产，提高生产效率和产品质量。在工业领域,图像识别和处理技术被广泛应用于自动化生产线、机器人等领域,实现产品质量检测、机器故障诊断、智能制造等多种功能。比如在自动化生产线中,可以通过图像识别技术，将生产对象视为检测对象，将生产过程中检测对象的流转视为是检测对象在检测步骤之间的流转。可见，通过基于图像处理的测试结果智能识别，能够利用产品特征检测在批量生产模式中精准高效检测产品质量。此外，现有技术中的测试方法仅仅能够得到错误和正确的二分测试结果，但这显然是不够的。针对上述问题，需要一种更优的测试结果智能识别方法来提高测试分析的深度和层次。本发明基于多位置图像采集装置获取图像的量化分析，在确定测试结果正确的基础上，进一步的发现各种局部异常类型存在的可追寻特征踪迹，并最终确定异常类型，大大提升了测试的自动化程度和有效性,提高生产效率和产品质量。


技术实现要素：

4.为了解决现有技术中的上述问题，本发明提出了一种基于图像处理的测试结果智能识别方法和系统，所述方法包含：步骤s1：测试服务器基于测试计划发出测试指令；具体为：测试计划中包括按照先后顺序组织的测试任务；获取测试计划中的当前位置，获取和当前位置对应的测试任务，向测试终端发送针对所述测试任务的测试指令；步骤s2：测试终端基于测试指令对测试对象进行测试处理；测试终端执行和测试
指令对应的测试任务；在完成后得到测试结果；测试任务是针对测试对象并基于测试参数和测试步骤进行的测试，在测试完成后会得到相应的测试结果；其中：测试结果包括正确和异常类型；步骤s3：在测试任务执行过程中，图像采集装置采集实时现场图像并发送给测试服务器；设置一个或多个图像采集装置在测试现场；每个图像采集装置设置唯一的标识k；步骤s4：测试服务器基于实时现场图像所呈现出的测试对象的多角度颜色变化和颜色分布情况确定测试结果是否正确；如果测试结果正确，则更新测试计划中的当前位置，并返回步骤s1，如果测试结果异常，则进入步骤s5；所述步骤s4具体包括如下步骤；步骤s41：基于测试任务标识获取相对于每个图像采集装置的显著位置；具体为:基于当前测试任务标识t和每个图像采集装置k查询显著位置对照表，以得到和当前测试任务标识t和图像采集装置k对应的显著位置；显著位置是针对当前测试任务t的测试结果正确时，图像采集装置k获取到的图像中相对于其它图像来说像素值存在显著不同且相对于图像自身其它位置的像素值来说像素值稳定的图像位置；预先获取针对每个图像采集装置k和每个测试任务t的图像模板，所述图像模板是图像采集装置k采集到的，针对测试任务t来说测试结果正确时采集到的测试对象图像；步骤s42：确定针对测试任务t，图像采集装置k的显著位置向量；其中：是图像模板中第e元素的像素值；是针对测试任务t，图像采集装置k获取的当前图像中第e元素的像素值；其中：； e是显著位置向量中的元素数量；也就是，显著位置的个数；步骤s43：确定显著位置向量的均值；步骤s44：确定向量自离散度；步骤s45：确定向量间离散度；是的均值；k是图像采集装置的数量；步骤s46：计算抗干扰显著位置向量；其均值为；步骤s47：计算抗干扰向量内方差；步骤s48：计算抗干扰向量间方差的均值；步骤s49：计算差异度；基于差异度确定测试结果是否正确；具体为：若差异度小于差异度阈值，确定测试结果是否正确；否则，确定为测试结果异常；其中：是差异调节系数步骤s5具体为：确定当前测试任务发生测试结果异常；预先存储每种测试任务发生测试结果异常时，为了消除其产生的异常结果而需要返回并重新执行的测试任务标识；基于当前测试任务标识，在所述测试计划中查找位于所述当前测试任务之前的，距离所述当前测试任务最近的所述需要返回并重新执行的测试任务标识所在的位置，将所述所在的
位置确定为最大回撤位置，将所述最大回撤位置作为当前位置，在回撤后重新执行测试任务时，更换测试参数来复现测试结果异常，并返回步骤s1。
5.进一步的，每个测试任务具有唯一的测试任务标识。
6.进一步的，差异度阈值是预设值。
7.进一步的，测试结果的异常类型为多个。
8.进一步的，测试任务的类型用其标识来区分，相同类型的测试任务具有相同的标识。
9.进一步的，。
10.进一步的，所述更新测试计划中的当前位置，是将当前位置更新为测试计划中位于当前测试任务的下一顺序位置的测试任务。
11.一种基于图像处理的测试结果智能识别平台，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的基于图像处理的测试结果智能识别方法。
12.一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的基于图像处理的测试结果智能识别方法。
13.一种基于图像处理的测试结果智能识别系统，所述系统被配置为执行所述的基于图像处理的测试结果智能识别方法。
14.本发明的有益效果包括：(1)通过测试计划组织测试任务，就能够连续的对测试对象进行自动化测试；通过最大回撤位置，尽可能的挽回因为测试错误而导致的测试对象浪费，从同一测试对象上获取尽可能多的异常信息，大大提升了测试的自动化程度和有效性；(2)通过基于多位置获取的显著位置向量的向量间离散度、基于抗干扰向量的向量间方差，得到稳定性佳的差异度描述子，对于测试环境和采集环境噪音的抗干扰能力强；而通过缩小到针对显著位置的分析，在降低计算复杂度的同时不降低测试结果的辨识能力；(3)在得到正确测试结果的基础上，进一步的对异常类型进行有效区分，将各种及异常类型呈现出来图像信息进行拆分以得到多个局部异常结果，用特征灰度跨度集合描述局部异常类型的特征，以发现各种局部异常类型存在的可追寻特征踪迹，用特征灰度跨度集合来描述可追寻特征踪迹，通过基于图像处理的量化分析最终得到异常类型，并确定最大回撤位置；在发生异常时仍旧能够自动化执行测试计划，提高了测试效率。
附图说明
15.此处所说明的附图是用来提供对本发明的进一步理解，构成本技术的一部分，但并不构成对本发明的不当限定，在附图中：图1为本发明提供的基于图像处理的测试结果智能识别方法示意图。
具体实施方式
16.下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
17.本发明提出一种基于图像处理的测试结果智能识别方法和系统，如附图1所示，所述方法包括如下步骤：步骤s1：测试服务器基于测试计划发出测试指令；具体为：测试计划中包括按照先后顺序组织的测试任务；获取测试计划中的当前位置，获取和当前位置对应的测试任务，并向测试终端发送针对所述测试任务的测试指令；优选的：每个测试任务具有唯一的任务标识；通过测试计划组织测试任务，就能够连续的对测试对象进行自动化测试；才能进行回撤，而通过最大回撤位置，能够尽可能的挽回因为测试错误而导致的测试对象浪费，同时通过不断的回撤能够不断的复现错误并从同一测试对象上获取尽可能多的异常信息，大大提升了测试的自动化程度和有效性；优选的；在回撤后重新执行测试任务时，更换测试参数来复现错误；步骤s2：测试终端基于测试指令对测试对象进行测试处理；测试终端执行和测试指令对应的测试任务；在完成后得到测试结果；测试任务是针对测试对象并基于测试参数和测试步骤进行的测试，在测试完成后会得到相应的测试结果；其中：测试结果包括正确和异常类型；优选的：所述异常类型包括多种类型；所述测试终端执行和测试指令对应的测试任务；具体为：测试终端本地保存和测试任务标识及其对应的测试参数和测试步骤；基于测试标识获取和测试任务对应的测试参数和测试步骤；基于测试参数调整测试环境、测试物料等，然后基于测试步骤执行测试任务；步骤s3：在测试任务执行过程中，图像采集装置采集现场图像并发送给测试服务器；设置一个或多个图像采集装置在测试现场；每个图像采集装置设置唯一的标识；优选的：每个图像采集装置均连续的获取测试过程中的一张和多张图像，每个图像采集装置将采集到的图像按照采集时间顺序发送给测试服务器；当采集到的图像为多个时，从中选择一张最具备代表性的进行后续处理；步骤s4：测试服务器基于现场图像中所呈现的测试对象的多角度颜色变化和颜色分布情况确定测试结果是否正确；如果测试结果正确，则更新测试计划中的当前位置，并返回步骤s1，如果测试结果异常，则进入步骤s5；优选的：所述更新测试计划中的当前位置，是将当前位置更新为测试计划中位于当前测试任务的下一顺序的测试任务；所述步骤s4具体包括如下步骤；步骤s41：基于测试任务标识获取针对每个图像采集装置的显著位置；具体为:基于当前测试任务标识和每个图像采集装置k查询显著位置对照表，以得到和当前测试任务标识和图像采集装置k对应的显著位置；显著位置是图像模板中相对于其它图像来说像素值存在显著不同且相对于图像采集装置k和测试任务t像素值相对稳定的位置；优选的：预先获取针对每个图像采集装置k和每个测试任务t的图像模板，所述图像模板是从图像采集装置k的位置采集到的，针对测试任务t来说测试结果正确时采集到的测试对象图像；可以预先存储该图像的一般形式作为图像模板；确定图像模板中相对于其它图像来说存在显著不同且相对于图像采集装置k和测试任务t相对稳
定的位置，称为显著位置；预先将图像采集装置k和每个测试任务t对应的显著位置之间的关联关系保存在显著位置对照表中；显然对于一个来说，其显著位置是一个或多个像素点，甚至是一片或则多片显著区域；当显著位置为区域时，可以用区域像素均值等代表性数值来使得一个虚拟的像素点代表该区域；当然也可以采用其他复杂方式，这里不再详述；优选的：所述对于每个图像采集装置k和每个测试任务t的组合，其对应的显著位置的个数是一个或多个；步骤s42：确定针对测试任务t，图像采集装置k的显著位置向量；其中：是图像模板中第e元素的像素值；是针对测试任务t，图像采集装置k获取的当前图像中第e元素的像素值；其中： ；e是显著位置向量中的元素数量；也就是，显著位置的个数；步骤s43：确定显著位置向量的均值；步骤s44：确定向量自离散度；步骤s45：确定向量间离散度；是的均值；k是图像采集装置的数量；步骤s46：计算抗干扰显著位置向量；其均值为；步骤s47：计算抗干扰向量内方差；步骤s48：计算抗干扰向量间方差的均值；步骤s49：计算差异度；基于差异度确定测试结果是否正确；具体为：若差异度小于差异度阈值，确定测试结果是否正确；否则，确定为测试结果异常；可替换的：计算差异度；优选的：差异度阈值是预设值；是差异调节系数；通过基于多位置获取的显著位置向量的向量间离散度、基于抗干扰向量的向量间方差，得到稳定性佳的差异度描述子，对于测试环境和采集环境噪音的抗干扰能力强；而通过缩小到针对显著位置的分析，在降低计算复杂度的同时不降低测试结果的辨识能力；步骤s5：则确定当前测试任务的异常类型及其测试计划中的最大回撤位置；将所述最大回撤位置作为当前位置，并返回步骤s1；具体为：获取针对测试任务t，每个图像采集装置k采集到的当前图像和各类局部异常结果对应的局部异常图像模板之间的相似程度分布情况，基于所述相似程度分布情况确定测试任务t对应的异常类型；基于所述异常类型确定最大回撤位置；将所述最大回撤位置作为当前位置，并返回步骤s1；其中：所述局部异常结果是针对测试对象的局部部分在测试任务完成后呈现的异常状况及其类别；测试对象的异常类型和局部异常结果的组合之间存在关联关系，但是和其中的每一个不存在直接的关联关系；这里的局部是相对于测试对象整体来说的局部；可替换的：所述步骤s5具体为：确定当前测试任务发生测试结果异常；预先存储每
种测试任务发生测试结果异常时，为了消除其产生的异常结果而需要返回并重新执行的测试任务标识；基于当前测试任务标识，在所述测试计划中查找位于所述当前测试任务之前的，距离所述当前测试任务最近的所述需要返回并重新执行的测试任务标识所在的位置，将所述所在的位置确定为最大回撤位置，将所述最大回撤位置作为当前位置，并返回步骤s1；这里，测试任务的类型可以用其标识来区分，相同类型的测试任务具有相同的标识；优选的：对于不同位置的当前图像而言，其不一定能顾覆盖所有的测试对象局部；优选的：当所述局部为1个时，所述局部是测试对象整体；所述步骤s5具体包括如下步骤：步骤s51：获取和每个局部图特征cr对应的特征灰度跨度集合；其中：局部图特征cr是测试对象局部异常时直方图所呈现出来的特征；特征灰度跨度集合是当直方图呈现出该特征时对应的灰度值范围的集合；优选的：预先获取局部异常类型ab对应的局部异常图像模板；局部异常图像模板是图像采集装置k采集到的针对局部异常类型ab的图像，或者一般图像；确定局部异常图像模板的局部异常模板直方图；基于局部异常模板直方图确定局部图特征cr，获取和每个局部图特征cr对应的特征灰度跨度集合；其中：每个特征灰度跨度是一个灰度值范围；是最小灰度值，是最大灰度值；特征灰度跨度集合中的各个特征灰度跨度对应的局部异常模板直方图的局部直方图的部分区域的特征相对于非所述部分区域或其他局部异常类型ab来说具有显著性；需要注意的是：当局部异常类型局限于测试任务t时，局部异常图像模板是针对不同的测试任务是不同的，反之，则不对测试任务t进行区分；同样的，当局部异常类型不局限于图像采集装置k时，则不对图像采集装置进行区分；反之，则需要进行区分；下面则不进行区分，考虑到局部图特征往往具有一定的显著性才具备区分能力，因此，其通常不会使得不同的k和t条件下的局部图特征产生混淆；优选的：每个局部异常类型对应一个或者多个局部图特征；优选的：所述局部图特征是直方图部分区域的y轴数值及其趋势变化情况；例如：（x轴范围）对应一个显著的直方图的灰度频率（y轴）的波峰变化（y值从y1到y2；y轴可以是频率或者数量），而该波峰变化是其他局部异常类型会这当前直方图中的其它部分所不具备的，此时可视为该局部图特征的一个特征灰度跨度元素；显然，为了区分不同类型的局部异常，其特征灰度跨度为一个或者多个，也就是说，特征灰度跨度集合中的元素为一个或多个；步骤s52：获取针对测试任务t，每个图像采集装置k采集到的当前图像；确定每个当前图像的当前图像灰度直方图；基于当前图像灰度直方图确定对应于每个局部图特征cr的特征灰度跨度集合；显然，当前图像灰度直方图的特征灰度跨度集合中的每个对应的当前图像灰度直方图中的相应区域的直方图y轴具有所述局部图特征cr；如果当前图像灰度直方图中不存在具备所述局部图特征cr的区域，设置其对应的特征灰度跨度
为默认范围，例如：[0,255]、[0,0]等；步骤s53：针对每个局部图特征cr的每个特征灰度跨度,采用下式（1）计算特征范围波动；其中：是局部异常模板直方图中局部图特征cr的第p特征灰度跨度中的最大灰度值，是局部异常模板直方图中局部图特征cr的第p特征灰度跨度中的最小灰度值；是当前图像灰度直方图中局部图特征cr的第p特征灰度跨度中的最大灰度值，是当前图像灰度直方图中局部图特征cr的第p特征灰度跨度中的最小灰度值，x是横坐标，是局部异常模板直方图对应横坐标x对应的y轴数据值；是当前图像灰度直方图对应横坐标x的y轴数据值； （1）；步骤s54：确定局部图特征cr对应的特征范围波动向量；其中：是局部图特征cr的数量；是局部图特征cr的特征灰度跨度的数量；步骤s55：计算局部图特征cr对应的波动向量熵；步骤s56：基于所有局部图特征cr的波动向量熵确定测试任务对应的异常类型；具体为：按照固定顺序组织波动向量熵得到波动向量熵序列；查询预设的波动向量熵序列和异常类型对应表以得到和所述波动向量熵序列对应的异常类型ab；其中：所述固定顺序是指局部图特征cr的顺序；可替换的：将波动向量熵序列作为异常类型分析模型的输入，并得到异常类型分析模型的输出；基于所述输出确定其对应的异常类型；所述异常类型分析模型是人工智能模型，其输入是波动向量熵序列，输出是异常类型；优选的：用历史数据训练异常类型分析模型；可以看出，异常类型分析模型就是通过关联当前图像灰度直方图呈现出来的局部图特征和模板局部图特征，发现两者之间相似性分布情况，来确定能够综合体现各个局部图特征的当前图像的异常类型；步骤s57：基于所述异常类型确定最大回撤位置；将所述最大回撤位置作为当前位置，并返回步骤s1；所述基于所述异常类型确定最大回撤位置；具体为：预先存储每种异常类型对应的为了消除其对应异常结果而需要返回的测试任务类型（或标识），基于测试计划确定所述需要返回的测试任务对应的位置，将所述对应的位置作为最大回撤位置；本发明通过将各种及异常类型呈现出来图像信息进行拆分以得到多个局部异常结果，从而测试任务及图像采集位置调出来，上升到直方图本身可能呈现出来的特点，从而能够用特征灰度跨度集合描述局部异常类型的特征，以发现各种局部异常类型存在的可追寻特征踪迹，用特征灰度跨度描述可追寻特征踪迹，通过基于图像处理的量化分析最终得到异常类型，并确定最大回撤位置；在发生异常时仍旧能够自动化执行测试计划，提高了测试效率；基于相同的发明构思，本发明还提供一种基于图像处理的测试结果智能识别系
统，所述系统用于实现上述一种基于图像处理的测试结果智能识别方法；所述系统包括：测试终端、测试服务器、图像采集装置；所述测试终端、测试服务器和图像采集装置之间通信连接；优选的：所述通信连接方式为无线通信连接方式；优选的：所述图像采集装置为多个；优选的：所述测试服务器为智能分析服务器；计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
[0018]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0019]
本发明是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0020]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0021]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0022]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。