塑料管表面缺陷检测方法、系统及计算机可读存储介质技术方案

本申请公开了一种塑料管表面缺陷检测方法及系统及设备及计算机可读存储介质，该方法包括：获取待测塑料管的表面图像对应的表面缺陷特征，得到待测缺陷特征；将所述待测缺陷特征输入至预先创建的训练后模型，得到所述训练后模型输出的表面缺陷类型；其中，所述训练后模型为预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的模型，其中，所述训练样本包括历史表面缺陷特征以及相应的表面缺陷类型。本发明专利技术利用了BP神经网络的输入和输出具有高度非线性的映射关系，以及良好的容错能力、分类能力、和自学习能力，提高了塑料管表面缺陷的检测精度，并且节省大量劳动力资源，极大地提高了检测效率。

【技术实现步骤摘要】
塑料管表面缺陷检测方法、系统及计算机可读存储介质
本专利技术涉及缺陷检测
，特别涉及一种塑料管表面缺陷检测方法及系统及设备及计算机可读存储介质。
技术介绍
随着城市化建设、新型工业化的不断推进，塑料种类越来越多，塑料生产技术也日益提高，塑料管的应用领域越来越广泛，与此同时，各领域对塑料管性能与质量的要求也越来越高。然而，在注塑过程中，由于注塑条件如压力、温度以及时间等控制不好，胶料的变化以及模具损伤等原因导致塑料管表面产生不同形式的缺陷。目前，大部分塑料管生产商对塑料管表面缺陷的检测大都采用人工目测法或者传统的无损检测法来实现。人工目测不仅工作量大，而且人眼长时间工作容易疲劳，同时易受检测人员主观因素的影响，容易对产品表面缺陷造成漏检，极大降低了产品的表面质量，从而不能够保证检测的效率与精度。传统的无损检测技术受限于其检测原理的局限性，缺陷定量描述参数极为有限，可检出的缺陷种类少，导致检测精度不高，此外，在检测过程中还需要进一步地对检测到的数据进行分析才能得到相应的表面缺陷检测结果，并且传统的无损检测技术不能对缺陷实现准确的分类，故无法对产品的表面质量进行综合的评估。因此，如何提高塑料管表面缺陷的检测精度，同时保证检测效率是目前亟待解决的技术问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种塑料管表面缺陷检测方法及系统及设备及计算机可读存储介质，使塑料管表面缺陷检测的精度显著提高，同时提高了检测效率。其具体方案如下：一种塑料管表面缺陷检测方法，包括：获取待测塑料管的表面图像对应的表面缺陷特征，得到待测缺陷特征；将所述待测缺陷特征输入至预先创建的训练后模型，得到所述训练后模型输出的表面缺陷类型；其中，所述训练后模型为预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的模型，其中，所述训练样本包括历史表面缺陷特征以及相应的表面缺陷类型。优选的，所述训练后模型的创建步骤，包括：获取所述训练样本；利用所述训练样本对所述待训练模型进行训练，得到训练后模型。优选的，所述利用所述训练样本对所述待训练模型进行训练的步骤之前，进一步包括：对所述训练样本进行归一化处理。优选的，进一步包括：利用测试样本对所述训练后模型进行测试。优选的，所述获取所述训练样本的步骤，包括：获取表面缺陷类型已知的塑料管的表面图像，得到历史表面图像；对所述历史表面图像进行处理，得到处理后图像；从所述处理后图像中提取相应的表面缺陷特征，得到历史表面缺陷特征，并为该组历史表面缺陷特征标注相应的表面缺陷类型。优选的，所述对所述历史表面图像进行处理，得到处理后图像的步骤，包括：对所述历史表面图像进行图像预处理，得到相应的预处理图像；利用Canny算子与形态学梯度融合的边缘检测方法对所述预处理图像进行相应处理，得到初始边缘图像信息；利用改进的最大类间方差算法确定目标阈值，并利用所述目标阈值对所述初始边缘图像信息进行二值分割，得到二值边缘图像。优选的，所述利用改进的最大类间方差算法确定目标阈值的步骤，包括：对所述预处理图像中所有像素点进行遍历，并保存各个非零像素点，得到相应的目标前景图像；计算所述目标前景图像中每种灰度值对应的占比；利用所述目标前景图像中每种灰度值对应的占比，确定出所述目标阈值。优选的，所述利用所述目标前景图像中每种灰度值对应的占比，确定出所述目标阈值的步骤，包括：步骤A1：确定出阈值范围；其中，所述阈值范围的最大值为所述目标前景图像中像素点的最大灰度值，所述阈值范围的最小值为所述目标前景图像中像素点的最小灰度值；步骤A2：计算所述目标前景图像的平均灰度，得到第一平均灰度；步骤A3：从所述阈值范围的未经过选取的所有阈值中筛选出一个阈值作为当前阈值；步骤A4：根据当前阈值对所述阈值范围进行分割，得到第一非零像素区域和第二非零像素区域；步骤A5：分别计算第一非零像素区域和第二非零像素区域的概率，得到当前第一概率和当前第二概率；步骤A6：分别计算第一非零像素区域和第二非零像素区域的平均灰度，得到当前第二平均灰度和当前第三平均灰度；步骤A7：将当前第一概率、当前第二概率、所述第一平均灰度、当前第二平均灰度和当前第三平均灰度输入总方差计算公式，得到当前总方差，并重新进入步骤A3，直到所述阈值范围中的所有阈值均已经过选取；其中，所述总方差计算公式为：σ2＝p0(u0-u)2+p1(u1-u)2；式中，σ2表示当前总方差，p0表示当前第一概率，p1表示当前第二概率，u表示所述第一平均灰度，u0表示当前第二平均灰度，u1表示当前第三平均灰度；步骤A8：将所有总方差中数值最大的一个总方差对应的阈值确定为所述目标阈值。优选的，所述表面缺陷特征包括灰度特征和/或形状特征和/或纹理特征。本专利技术还相应公开了一种塑料管表面缺陷检测系统，包括：特征获取模块，用于获取待测塑料管的表面图像对应的表面缺陷特征，得到待测缺陷特征；特征输入模块，用于将所述待测缺陷特征输入至预先创建的训练后模型，得到所述训练后模型输出的表面缺陷类型；其中，所述训练后模型为预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的模型，其中，所述训练样本包括历史表面缺陷特征以及相应的表面缺陷类型。本专利技术还相应公开了一种塑料管表面缺陷检测设备，包括：包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一项所述塑料管表面缺陷检测方法的步骤。本专利技术还相应公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述塑料管表面缺陷检测方法的步骤。本专利技术公开的塑料管表面缺陷检测方法，将获取到的待测塑料管的表面图像对应的表面缺陷特征作为待测缺陷特征输入至预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的训练后模型，可以理解的是，上述创建后模型保存有历史表面缺陷特征与相应表面缺陷类型的对应关系，训练后模型可以通过识别所述待测缺陷特征即可将对应的表面缺陷类型作为检测结果输出，进而完成塑料管表面缺陷的检测。本专利技术采用基于机器视觉检测方法，利用了BP神经网络的输入和输出具有高度非线性的映射关系，同时，具有良好的容错能力、分类能力、和自学习能力，实现了塑料管表面缺陷的非接触检测，具有较高的检测精度，并且可以长时间稳定工作，节省大量劳动力资源，极大地提高了检测效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术公开的一种塑料管表面缺陷检测方法流程图；图2为本专利技术公开的一种具体的塑料管表面缺陷检测方法流程图；图3为本专利技术公开的一种具体的塑料管表面缺陷检测方法中的目标阈值确定流程图；图4为本专利技术公开的一种具体的塑料管表面缺陷检测系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所本文档来自技高网...

【技术保护点】
一种塑料管表面缺陷检测方法，其特征在于，包括：获取待测塑料管的表面图像对应的表面缺陷特征，得到待测缺陷特征；将所述待测缺陷特征输入至预先创建的训练后模型，得到所述训练后模型输出的表面缺陷类型；其中，所述训练后模型为预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的模型，其中，所述训练样本包括历史表面缺陷特征以及相应的表面缺陷类型。

【技术特征摘要】
1.一种塑料管表面缺陷检测方法，其特征在于，包括：获取待测塑料管的表面图像对应的表面缺陷特征，得到待测缺陷特征；将所述待测缺陷特征输入至预先创建的训练后模型，得到所述训练后模型输出的表面缺陷类型；其中，所述训练后模型为预先利用训练样本对基于BP神经网络算法构建的待训练模型进行训练后得到的模型，其中，所述训练样本包括历史表面缺陷特征以及相应的表面缺陷类型。2.根据权利要求1所述的塑料管表面缺陷检测方法，其特征在于，所述训练后模型的创建步骤，包括：获取所述训练样本；利用所述训练样本对所述待训练模型进行训练，得到训练后模型。3.根据权利要求2所述的塑料管表面缺陷检测方法，其特征在于，所述利用所述训练样本对所述待训练模型进行训练的步骤之前，进一步包括：对所述训练样本进行归一化处理。4.根据权利要求2所述的塑料管表面缺陷检测方法，其特征在于，进一步包括：利用测试样本对所述训练后模型进行测试。5.根据权利要求2所述的塑料管表面缺陷检测方法，其特征在于，所述获取所述训练样本的步骤，包括：获取表面缺陷类型已知的塑料管的表面图像，得到历史表面图像；对所述历史表面图像进行处理，得到处理后图像；从所述处理后图像中提取相应的表面缺陷特征，得到历史表面缺陷特征，并为该组历史表面缺陷特征标注相应的表面缺陷类型。6.根据权利要求5所述的塑料管表面缺陷检测方法，其特征在于，所述对所述历史表面图像进行处理，得到处理后图像的步骤，包括：对所述历史表面图像进行图像预处理，得到相应的预处理图像；利用Canny算子与形态学梯度融合的边缘检测方法对所述预处理图像进行相应处理，得到初始边缘图像信息；利用改进的最大类间方差算法确定目标阈值，并利用所述目标阈值对所述初始边缘图像信息进行二值分割，得到二值边缘图像。7.根据权利要求6所述的塑料管表面缺陷检测方法，其特征在于，所述利用改进的最大类间方差算法确定目标阈值的步骤，包括：对所述预处理图像中所有像素点进行遍历，并保存各个非零像素点，得到相应的目标前景图像；计算所述目标前景图像中每种灰度值对应的占比；利用所述目标前景图像中每种灰度值对应的占比，确定出所述目标阈值。8.根据权利要求7所述的塑料管表面缺陷检测方法，其特征在于，所述利用所述目标前景图像中每种灰度值对应的占比，确定出所述目标阈值的步...

【专利技术属性】
技术研发人员：张美杰，张平，李力，黄坤山，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44