1.一种基于机器视觉的智能质量检测系统，其特征在于，包括以下模块：

数据图像采集模块：结合多种类型的传感器实时采集检测物体的环境参数，并通过计算环境参数影响系数结合利用控制算法自动调整光源参数；根据自动调整结果，结合光学相机、红外相机和激光扫描仪，实时采集检测物体的图像数据；

数据图像预处理模块：对环境参数进行数据清洗和归一化的预处理；对图像数据进行滤波去噪和图像增强的预处理；通过坐标变换矩阵，将图像数据进行多尺度融合对齐；

质量检测分析模块：根据融合后的图像信息，通过采用Q-learning算法训练光源控制行为，结合分析计算的图像质量评分，自动调整光源参数得到优化后的图像信息；根据优化后的图像信息利用YOLOv8模型进行缺陷识别检测；根据优化后的图像信息进行三维形变检测；根据缺陷和变形检测结果，计算质量异常系数；

控制反馈模块：根据质量异常系数进行实时控制反馈以及可视化检测物体的缺陷和形变状态；

结合多种类型的传感器实时采集检测物体的环境参数，并通过计算环境参数影响系数结合利用控制算法自动调整光源参数，包括以下步骤：采用光照传感器、温度传感器、湿度传感器、激光粉尘传感器和加速度传感器，实时采集检测物体的环境参数包括：环境光照强度、环境温度、环境湿度、环境粉尘浓度和物体运动速度；

根据检测物体的环境参数，通过计算环境参数影响系数并结合利用控制算法自动调整光源参数包括：亮度、角度和频闪；

计算环境参数影响系数公式：

其中，G是在时刻的环境光照强度；T是在时刻的环境温度；S是在时刻的环境湿度；F是在时刻的环境粉尘浓度；V是在时刻的物体运动速度；t是时间变量，表示从初始时刻0到当前采集环境参数数据的时间长度；

目标亮度为：，其中，表示基准光源亮度；将目标亮度减去当前亮度得到光源亮度偏差；将光源亮度偏差输入到PID控制算法中，自动调整当前新光源亮度为当前亮度加上PID控制算法的输出值总和；同理上述自动调整光源亮度步骤，可得当前新光源角度和新频闪；

根据融合后的图像信息，通过采用Q-learning算法训练光源控制行为，结合分析计算的图像质量评分，自动调整光源参数得到优化后的图像信息，包括以下步骤：根据检测物体的材质数据包括：金属、塑料、玻璃；将采集到的环境参数和物体材质数据作为Q-learning算法的状态空间的特征，构建一个当前环境和物体状态的状态空间；状态空间的维度和范围根据传感器的精度来确定；

定义光源参数的可调整范围和步长，构建动作空间；动作空间中的每个动作对应于对光源亮度、角度和频闪的一种调整方式；

根据多尺度融合后的图像信息，将图像分解为多个尺度的子带，并在每个尺度上分别计算结构相似性SSIM、均方误差MSE和峰值信噪比PSNR；通过计算图像质量评分公式为：其中，H是环境参数影响系数；S是分解的尺度数；、和分别是各尺度的权重系数，、和的和为1，分别为0.55、0.25和0.2；

根据图像质量评分设计奖励函数，确保奖励函数反映光源控制行为对图像质量的影响；创建一个初始化Q表，用于存储不同状态和动作组合下的Q值，Q表的初始值设置为零或随机值；

根据当前环境状态，选择当前Q值最大的动作，否则随机选择一个动作；执行选择的动作后，通过观察新的环境状态和奖励值，根据Q-learning算法的更新公式更新Q表中的Q值；使用Q-learning算法训练光源控制行为，通过不断调整光源参数，得到优化后的图像质量评分和优化后的图像信息。

2.根据权利要求1所述的一种基于机器视觉的智能质量检测系统，其特征在于，通过坐标变换矩阵，将图像数据进行多尺度融合对齐，包括以下步骤：根据自动调整的光源参数结果，实时采集图像数据包括：利用光学相机获取检测物体的外观图像、利用红外相机捕捉检测物体的热辐射信息和通过利用激光扫描仪发射光束测量检测物体的三维结构获取的点云数据；

采用棋盘格标定法或张正友标定法，对光学相机、红外相机和激光扫描仪分别进行标定，计算出内参和外参；其中，内参包括：焦距和主点位置，外参包括：旋转矩阵和平移向量；

对光学相机、红外相机和激光扫描仪，分别计算三个传感器的世界坐标系到目标坐标系的变换矩阵，变换矩阵公式为：，其中，R是旋转矩阵，X是平移向量；

根据变换矩阵，将光学相机图像从光学相机坐标系变换到世界坐标系，再变换到目标坐标系；将红外相机图像从红外相机坐标系变换到世界坐标系，再变换到目标坐标系；将激光扫描仪点云从激光扫描仪坐标系变换到世界坐标系，再变换到目标坐标系；

将图像数据在目标坐标系下进行空间对齐和时间对齐，所述空间对齐包括：空间位置和姿态；通过坐标变换矩阵将图像数据数据投影到同一目标坐标系下；

将坐标变换后的光学图像、红外图像和点云数据进行多尺度融合，得到融合和对齐后的图像信息。

3.根据权利要求1所述的一种基于机器视觉的智能质量检测系统，其特征在于，根据优化后的图像信息利用YOLOv8模型进行缺陷识别检测，包括以下步骤：收集优化后的历史图像信息训练集，其中包含多种缺陷类型和图像质量评分；对图像信息集进行标注包括：缺陷类别和位置信息；所述缺陷类型包括：裂纹、划痕、气泡、凹陷和孔洞；

选择YOLOv8模型作为缺陷检测模型，用于识别定位缺陷类型和区域并输出边界框；将标注后的历史图像信息训练集输入到YOLOv8模型中进行训练；将实时采集并预处理后的图像信息输入到训练完成的YOLOv8模型中，进行缺陷检测输出包括：缺陷的类别、位置边界框；

引入‌在线学习技术，通过持续收集新的缺陷数据，包括新出现的缺陷类型和样本‌，对新收集的缺陷数据进行标注，补充图像信息训练集；部署增量学习框架，利用新缺陷数据持续更新缺陷检测模型。

4.根据权利要求1所述的一种基于机器视觉的智能质量检测系统，其特征在于，根据优化后的图像信息进行三维形变检测，包括以下步骤：在初始状态或无变形状态下，获取并存储光学图像、红外热像图和点云数据，设置为基准图像数据；通过多尺度融合生成三维基准模型包括：几何形状、表面纹理和热分布；按固定时间间隔采集当前状态的优化后的图像信息包括：光学图像、红外热像图和点云数据；其中，对基准图像数据和当前状态的图像信息进行时间戳对齐；

基于点云数据进行几何形变检测‌，将当前点云与基准点云利用ICP算法进行配准，通过有限元分析或局部网格变形模型，计算表面应变分布；基于红外图像进行热辐射异常检测，将当前红外图像与基准红外图像对齐，检测温度场异常区域；结合热弹性理论，分析温度变化与几何形变的热膨胀系数；基于光学图像进行表面纹理变化检测，使用特征匹配算法对比当前与基准光学图像的表面纹理；通过光流法或数字图像相关法计算微观位移场；将上述基于点云数据进行几何形变检测、基于红外图像进行热辐射异常检测和基于光学图像进行表面纹理变化检测的形变检测结果进行加权求和，得到形变程度值；

通过验证几何形变区域是否与热异常、纹理变化区域在空间上重合，排除干扰因素；通过设定形变量阈值，当形变程度值超出阈值则判定为物体发生变形。

5.根据权利要求1所述的一种基于机器视觉的智能质量检测系统，其特征在于，根据缺陷和变形检测结果，计算质量异常系数，包括以下步骤：通过YOLOv8模型实时识别出的缺陷类型和位置，输出缺陷区域的边界框；使用采用语义分割算法中的实例分割算法，将定位到缺陷位置的图像区域输入到实例分割算法中；实例分割算法对该区域内的每个像素进行分析和分类，判断其是否属于缺陷部分，生成像素级缺陷掩膜；在缺陷掩膜中，缺陷区域的像素值设置为255，而非缺陷区域的像素值则被设置0；将缺陷区域从边界框背景中分离出来；

在获得缺陷掩膜后，通过对掩膜中像素值为255的像素点进行计数，得到缺陷区域的像素数量；根据图像的像素尺寸信息，将像素数量转换为实际面积单位后乘以缺陷区域的像素数量，得到缺陷面积；在得到缺陷掩膜后，利用边缘检测算法提取缺陷区域的轮廓，通过计算轮廓边缘上相邻像素之间的距离之和，得到缺陷周长；

计算质量异常系数公式：

得到质量异常系数Y；其中，是第i个缺陷面积；是第i个缺陷周长；q是缺陷数量；B是变形程度值；Q表示图像质量评分；H是环境参数影响系数。

6.根据权利要求1所述的一种基于机器视觉的智能质量检测系统，其特征在于，所述控制反馈模块，包括：设定质量异常系数的阈值，当质量异常系数超过设定阈值，返回步骤S1，自动调整光源参数并重新采集图像；将检测出物体的缺陷类别标签和缺陷位置投影在三维模型中可视化展示；结合分割掩膜和点云数据，使用3D重建算法生成检测物体的三维模型，包含检测物体的几何形状、表面纹理和热分布信息；根据变形程度值，使用颜色映射方法生成形变热力图或三维形变模型。