一种管接头表面缺陷检测方法及系统技术方案

本发明专利技术提供了一种管接头表面缺陷检测方法及系统，所述方法包括获取管接头的训练数据集与测试数据集；对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；将所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；将所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。本发明专利技术通过训练好的表面缺陷检测模型对管接头的缺陷进行检测，以保证表面缺陷检测的准确率和广泛性。率和广泛性。率和广泛性。

【技术实现步骤摘要】
一种管接头表面缺陷检测方法及系统


[0001]本专利技术属于缺陷检测的
，具体地涉及管接头表面缺陷检测方法、系统、设备及可读存储介质。

技术介绍

[0002]管接头起着连接气动装置或液压装置中气液管路的作用，常用于机械、电力、农业以及食品等方面，其应用广泛，是生产生活中不可或缺的零部件。但是，管接头在制造过程中可能会因模锻机冲压、挤压成型等工艺原因或运输存储等原因产生表面缺陷，如裂纹、凹坑和碰伤等，一般来说，裂纹为细长且深的小面积状态，其由于锻造过程中存在较大应力而产生，凹坑为深浅不一的小面积缺陷，因粘连熔渣或加热时间长而产生，碰伤为较浅的大面积块状，一般为堆积或运输过程产生的挤压和碰撞而产生。管接头表面产生上述缺陷时，会使得管接头承压能力降低、腐蚀损坏加速，从而造成漏油漏气以及管接头失效造成等现象，从而引发经济损失。
[0003]因此，为增加管接头产品的合格率和出厂率，加工完成后对管接头进行表面缺陷检测至关重要。通常传统小型锻件表面缺陷检测方式均为人工检测，但人工检测容易出现漏检、错检等问题，其成本高，效率低。针对以上问题并结合管接头缺陷可从视觉上观察的特点，大多针对管接头诊断方式则基于机器视觉缺陷检测方法。
[0004]机器视觉技术融合了计算机技术和光学技术，具有成本低、效率高、精度高的优点，因此，一些学者基于机器视觉提出了许多管接头表面缺陷检测的方法。为进行智能检测，一种特征选择融合传统机器学习的方法被提出，其针对管接头的特征提取出部分特征，并运用传统的支持向量机(Support Vector Machine, SVM)进行分类；为增强结果的准确率，一种基于卷积神经网络(Convolutional NeuralNetwork, CNN)的方法被提出，其网络结构为卷积层和池化层的叠加，不断挖掘深层特征，最终用Softmax分类器进行分类；为解决数据样本量小的问题，一种基于迁移学习(Transfer Learning, TL)的方法被提出，其将充分样本的源域训练模型应用到较少样本的目标域当中，即利用已有的网络模型进行训练。
[0005]目前，机器学习、深度学习以及其改进模型广泛应用于管接头表面缺陷检测当中，机器学习方法预测泛化能力差，精度不够高，深度学习网络则需要大批量数据，此外，如若直接将处理好的图片直接输入深度学习网络中，则其训练时间很长，如若从图片中提取出特征集再进行训练需要精准的选择出代表性高的特征，而且其训练时间虽然变短，但依旧不能达到快速、精准的预测效果。因此，针对管接头的表面缺陷检测，亟需提出一种诊断速度快、准确率高的管接头表面缺陷检测方法及系统。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供了一种管接头表面缺陷检测方法及系统，用于解决现有技术中存在的技术问题。
[0007]第一方面，该专利技术提供以下技术方案，一种管接头表面缺陷检测方法，所述方法包括：获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识，所述测试数据集内包括第二管接头图像；对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。
[0008]相比现有技术，本申请的有益效果为：本申请通过获取管接头的训练数据集与测试数据集，以得到管接头的最终的测试数据以及用于模型训练的训练数据，然后，对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征，通过提取特征以得到训练数据集与测试数据集的特征，以便于表面缺陷检测模型的识别，而后将所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练，通过训练特征对表面缺陷检测模型进行训练，使得表面缺陷检测模型在检测待测管接头时，更加快速、检测效率高同时表面缺陷检测的准确率高，因此本专利技术通过将训练特征导入表面缺陷检测模型中，对其进行训练，并通过训练好的表面缺陷检测模型对管接头的缺陷进行检测，以保证表面缺陷检测的检测效率、准确率和广泛性。
[0009]较佳的，所述获取管接头的训练数据集与测试数据集的步骤包括：采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集。
[0010]较佳的，所述对所述训练数据集与所述测试数据集进行预处理的步骤包括：获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：；式中，Gray为转化后的灰色像素值，Red为红色通道像素值，Green为绿色通道像素值，Blue为蓝色通道像素值；将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；根据所述转化后的灰色像素值Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增
强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景。
[0011]较佳的，所述对所述训练特征与所述测试特征分别进行归一化处理的步骤包括：通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：；式中，y表示归一化之前的特征值，min（y）表示归一化之前的特征值的最小值，max（y）表示归一化之前的特征值的最大值，y
′
表示归一化后的特征值。
[0012]较佳的，所述对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练的步骤包括：通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练。
[0013]较佳的，所述通过所述表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种管接头表面缺陷检测方法，其特征在于，所述方法包括：获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识，所述测试数据集内包括第二管接头图像；对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。2.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述获取管接头的训练数据集与测试数据集的步骤包括：采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集。3.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述对所述训练数据集与所述测试数据集进行预处理的步骤包括：获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：；式中，Gray为转化后的灰色像素值，Red为红色通道像素值，Green为绿色通道像素值，Blue为蓝色通道像素值；将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；根据所述转化后的灰色像素值Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景。4.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述对所述训练特征与所述测试特征分别进行归一化处理的步骤包括：通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：；式中，y表示归一化之前的特征值，min（y）表示归一化之前的特征值的最小值，max（y）
表示归一化之前的特征值的最大值，y
′
表示归一化后的特征值。5.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练的步骤包括：通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练。6.根据权利要求5所述的管接头表面缺陷检测方法，其特征在于，所述通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征...

【专利技术属性】
技术研发人员：周建民，刘露露，杨晓彤，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：