1.一种基于机器视觉的零部件缺陷自动检测方法,其特征在于,包括:获取目标零部件的三维几何参数,基于所述三维几何参数在视觉样本库中匹配历史缺陷样本集合;
对所述历史缺陷样本集合进行缺陷类型聚类划分,生成多个缺陷类别子集合;
逐个处理所述多个缺陷类别子集合执行多光谱特征提取操作,获得每个缺陷类别对应的基准检测区域和缺陷关联半径参数;
利用所述缺陷关联半径参数配置多级检测网络层的扫描步长,通过所述多级检测网络层对目标零部件表面扫描图像序列执行分层特征解析,生成多个尺度缺陷特征图;
对所述多个尺度缺陷特征图执行跨层级关联融合操作,生成融合缺陷特征图谱,并将所述融合缺陷特征图谱作为最终缺陷检测结果输出;
所述逐个处理所述多个缺陷类别子集合执行多光谱特征提取操作,包括:从每个缺陷类别子集合中提取表面形变图像序列集合;
识别所述表面形变图像序列集合中局部曲率突变位置,定位基准形变区域坐标集合;
对所述基准形变区域坐标集合执行纹理频谱分析操作,生成基准缺陷特征向量集合;
以所述基准缺陷特征向量集合为索引,在对应表面形变图像序列集合中执行区域扩散计算,确定每个基准形变区域的缺陷关联半径参数,所述缺陷关联半径参数用于表征缺陷核心区域到边缘衰减区域的像素跨度;
所述确定每个基准形变区域的缺陷关联半径参数,包括:采用区域生长算法从基准形变区域坐标集合出发执行像素扩散操作;
设置灰度相似度容忍阈值控制像素扩散边界,记录扩散终止位置坐标;
计算所述基准形变区域中心坐标与扩散终止位置坐标的欧氏距离,生成原始缺陷关联半径;
对所有原始缺陷关联半径执行加权平均计算,输出修正后的缺陷关联半径参数;
对所述多个尺度缺陷特征图执行跨层级关联融合操作,包括:从多级检测网络层输出中选取粗粒度缺陷特征图与细粒度缺陷特征图;
计算所述粗粒度缺陷特征图与细粒度缺陷特征图的空间相关性矩阵;
对所述空间相关性矩阵执行归一化映射操作,生成特征关联权重分布图;
利用所述特征关联权重分布图对细粒度缺陷特征图执行加权融合操作,生成跨层级增强特征图;
重复迭代所述加权融合操作直至所有尺度缺陷特征图完成融合,生成所述融合缺陷特征图谱。
2.根据权利要求1所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,所述定位基准形变区域坐标集合,包括:采用曲率突变检测模型对表面形变图像序列集合进行实时处理,输出高曲率波动区域坐标;
对所述高曲率波动区域坐标执行空间密度聚类操作,生成候选基准形变区域;
计算所述候选基准形变区域与相邻区域的灰度梯度差异值,当所述灰度梯度差异值超过预设突变阈值时,将所述候选基准形变区域纳入基准形变区域坐标集合。
3.根据权利要求2所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,所述生成基准缺陷特征向量集合,包括:采用缺陷概率预测模型对基准形变区域坐标集合进行特征编码操作;
提取所述缺陷概率预测模型输出的深度特征张量,对所述深度特征张量执行通道注意力加权处理;
通过加权后的特征张量计算各通道特征均值,生成初始基准特征向量;
基于预设滑动窗口在所述深度特征张量中迭代提取局部特征块,当局部特征块的聚集密度小于所述初始基准特征向量的聚集密度时,将所述初始基准特征向量作为基准缺陷特征向量集合元素。
4.根据权利要求1所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,所述生成特征关联权重分布图,包括:采用三维卷积核对粗粒度缺陷特征图执行上采样操作,使其分辨率匹配细粒度缺陷特征图;
计算上采样后特征图与细粒度缺陷特征图的逐像素相似度;
通过相似度值构建初始关联权重矩阵,对所述初始关联权重矩阵执行高斯平滑处理;
将平滑处理后的权重矩阵除以最大权重值进行归一化,生成所述特征关联权重分布图。
5.根据权利要求1所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,还包括:解析融合缺陷特征图谱中的缺陷分布参数,生成缺陷量化列表;
基于所述缺陷量化列表执行外场干扰强度分析操作,输出多级补偿策略强度参数;
构建包含多级吸附阈值的缺陷补偿网络;
根据实时采集的环境光参数动态调整所述缺陷补偿网络的吸附阈值;
采用调整后的缺陷补偿网络对目标零部件执行二次扫描操作,更新融合缺陷特征图谱。
6.根据权利要求5所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,所述生成缺陷量化列表,包括:统计融合缺陷特征图谱中连通区域的数量及面积;
计算每个连通区域的形状不规则度与纹理复杂度;
将所述形状不规则度与纹理复杂度输入缺陷等级分类模型;
输出包含缺陷类型编码、面积权重、风险系数的结构化列表。
7.根据权利要求1所述的基于机器视觉的零部件缺陷自动检测方法,其特征在于,还包括:构建设备适配层用于解析不同光学采集设备的参数差异;
将所述多级检测网络层的输出特征转换为目标设备支持的坐标编码格式;
在转换过程中保持跨层级特征的空间对应关系;
注入目标设备的畸变校正参数,生成设备无关的缺陷检测协议。