【技术实现步骤摘要】
本专利技术一般地涉及图像数据处理领域。更具体地，本专利技术涉及一种基于机器视觉的塑料管道外观缺陷检测方法。
技术介绍
1、机器视觉（computer vision）是一门利用计算机科学和工程技术来实现对图像和视频的理解与分析的学科领域。它的目标是使计算机能够模拟人类视觉系统的功能，从而使计算机能够理解和解释图像或视频数据。
2、塑料管道外观缺陷会使塑料管道的使用寿命、外观质量降低，严重的塑料管道外观缺陷还存在一定的安全隐患，因此及时检测并处理塑料管道外观缺陷非常重要，借助机器视觉技术，可以对塑料管道外观缺陷进行实时、高效、准确的检测和分类，能有效保证产品生产质量。
3、目前，使用机器视觉技术中区域生长法提取塑料管道外观缺陷时，由于塑料管道外观缺陷位置、部分噪声和背景区域灰度值差异程度相比正常区域高，传统的随机区域生长种子点选取方法容易选取非缺陷区域，从而在区域生长时造成虚影，导致塑料管道外观缺陷检测结果不准确。
技术实现思路
1、为解决上述一个或多个技术问题，本专利技术提出通过超像素分割获取塑料管道图像的超像素分割结果，将任意一个超像素块与邻域超像素块的相似程度进行合并，根据合并后各连通域，计算该区域是缺陷区域的缺陷可能程度值，从缺陷可能程度值高的各连通域中选取更加准确的区域生长种子点，为此，本专利技术在如下的多个方面中提供方案。
2、一种基于机器视觉的塑料管道外观缺陷检测方法，包括：采集塑料管道图像，进行预处理；将预处理后的塑料管道图像进行超像
3、在一个实施例中，将预处理后的塑料管道图像进行超像素分割，得到收敛超像素分割结果，根据所述收敛超像素分割结果的相似程度值进行图像合并，包括：
4、预处理后的图像上均匀分配超像素分割种子点，其中，所述超像素分割种子点为超像素分割后的区域内的中心坐标点；
5、计算超像素分割后的区域内任意一个像素点与分割种子点之间的距离，所述距离满足下述关系式：
6、
7、式中，表示第个像素点到第个分割种子点之间的距离，表示第个像素点对应灰度值与第个分割种子点对应灰度值之间的灰度差值，表示第个像素点与第个分割种子点的欧氏距离值，表示灰度距离对各像素点进行超像素分割的影响系数，表示图像中像素点的个数与分割区域个数比值的平方根，作为类内最大空间距离值；
8、将图像中每个像素点根据分割种子点进行聚类，得到多个聚类簇，根据聚类结果得到多个新超像素分割块，计算各个新超像素分割块内的像素点坐标中心点，作为新超像素分割种子点重新聚类，得到收敛超像素分割结果；
9、根据收敛超像素分割结果，计算各个超像素块和相邻的超像素块之间的相似程度值，根据所述相似程度值进行合并超像素块。
10、在一个实施例中，根据所述相似程度值进行合并超像素块，包括以下步骤：
11、分别获取相邻两个超像素块的灰度直方图，分别计算两个超像素块的对应灰度频率值，根据相邻两个超像素块的灰度频率值，计算各个超像素块和相邻的超像素块之间的灰度相似程度值；
12、分别获取相邻两个超像素块的梯度直方图，分别计算两个超像素块的对应梯度频率值，根据相邻两个超像素块的梯度频率值，计算各个超像素块和相邻的超像素块之间的梯度相似程度值。
13、在一个实施例中，所述灰度相似程度值满足下述关系式：
14、
15、式中，表示第个超像素块和相邻的第个超像素块的灰度相似程度值，表示灰度值索引为时，第个超像素块对应的灰度频率值，表示灰度值索引为时，第个超像素块对应的灰度频率值；为灰度值最大值，表示指数函数，表示以为底的对数。
16、在一个实施例中，所述梯度相似程度值满足下述关系式：
17、
18、式中，表示第个超像素块和相邻的第个超像素块的梯度相似程度值，表示第个超像素块及与其相邻的第个超像素块梯度最大值，表示梯度值索引，表示当梯度索引值为时，第个超像素块对应的梯度频率，表示当梯度索引值为时，第个超像素块对应的梯度频率，表示双曲正切函数。
19、在一个实施例中，计算两个相邻超像素块的综合相似程度值，根据所述综合相似程度值对两个相邻超像素块进行合并，包括以下步骤：
20、所述综合相似程度值满足下述关系式：
21、
22、式中，表示第个超像素块和相邻的第个超像素块的综合相似程度值，表示灰度相似程度值的熵权，表示第个超像素块和相邻的第个超像素块的灰度相似程度值，表示梯度相似程度值的熵权，表示第个超像素块和相邻的第个超像素块的梯度相似程度值；
23、对所述综合相似程度值进行归一化处理，响应于归一化后综合相似程度值大于预设相似阈值，对相邻两个超像素块进行合并。
24、在一个实施例中，所述缺陷可能程度值满足下述关系式：
25、
26、式中，表示合并后图像中第个连通域的缺陷可能程度，表示连通域个数，表示第个连通域内各像素点灰度均值，表示所有个连通域的连通域内灰度均值的均值，为第个连通域的面积，为第个连通域的周长，表示归一化函数。
27、在一个实施例中，根据所述缺陷图像数据集训练预设神经网络模型，得到缺陷网络模型，包括以下步骤：
28、对所述外观缺陷图像进行编码，提取图像特征，输入为塑料管道外观缺陷图像，输出为缺陷图像中有无凹陷、划痕、污渍；
29、使用卷积和池化操作对图像进行采样的过程中，提取图像中的空域特征，编码器的输出为提取到的特征向量；
30、全连接层的输入为编码器输出的特征向量，全连接层的输出层共有三个神经元，分别用于计算有无凹陷、划痕、污渍的置信度；
31、标签为图像对应的缺陷种类，其中，，，取值均为0和1的二值变量，0表示不存在，1表示存在。
32、在一个实施例中，实时获取生产的塑料管道图像并输入到缺陷网络模型中，得到塑料管道缺陷检测和分类结果，包括：
33、所述缺陷网络模型输出为标签对应的置信度，设置缺本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，将预处理后的塑料管道图像进行超像素分割，得到收敛超像素分割结果，根据所述收敛超像素分割结果的相似程度值进行图像合并，包括：
3.根据权利要求2所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，根据所述相似程度值进行合并超像素块，包括以下步骤：
4.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，所述灰度相似程度值满足下述关系式：
5.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，所述梯度相似程度值满足下述关系式：
6.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，计算两个相邻超像素块的综合相似程度值，根据所述综合相似程度值对两个相邻超像素块进行合并，包括以下步骤：
7.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，所述缺陷可能程度值满足
8.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，根据所述缺陷图像数据集训练预设神经网络模型，得到缺陷网络模型，包括以下步骤：
9.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，实时获取生产的塑料管道图像并输入到缺陷网络模型中，得到塑料管道缺陷检测和分类结果，包括：
...【技术特征摘要】
1.一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，将预处理后的塑料管道图像进行超像素分割，得到收敛超像素分割结果，根据所述收敛超像素分割结果的相似程度值进行图像合并，包括：
3.根据权利要求2所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，根据所述相似程度值进行合并超像素块，包括以下步骤：
4.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，所述灰度相似程度值满足下述关系式：
5.根据权利要求1所述的一种基于机器视觉的塑料管道外观缺陷检测方法，其特征在于，所述梯度相似程度值满足下述关系式...
【专利技术属性】
技术研发人员：豆利军，赵海波，李凤利，韩玉波，郑磊，
申请(专利权)人：西安亚大塑料制品有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。