基于分水岭分割的机械零件轧制异常检测方法技术

本发明专利技术涉及轧辊异常检测技术领域，具体涉及一种基于分水岭分割的机械零件轧制异常检测方法，该方法包括：获取轧辊表面灰度图像的灰度直方图，并根据灰度直方图进行混合高斯模型拟合，进而获取多个灰度值集合；分别以各灰度值集合中每个灰度值为阈值，对轧辊表面灰度图像进行分割且进行距离变化之后，得到距离变换图像；根据各距离变换图像上像素点的像素值计算各像素点的前景率，并根据前景率对像素点进行标记得到标记图像；基于标记图像利用分水岭分割的方法对轧辊表面灰度图像进行分割，得到特征图像；利用神经网络对特征图像进行识别，得到轧辊表面图像上的异常类别区域。本发明专利技术能够得到具有较高分割准确度的图像，使得图像识别的结果更精准。像识别的结果更精准。像识别的结果更精准。

【技术实现步骤摘要】
基于分水岭分割的机械零件轧制异常检测方法


[0001]本专利技术涉及轧辊异常检测
，具体涉及一种基于分水岭分割的机械零件轧制异常检测方法。

技术介绍

[0002]在机械设备及其零配件制造过程中，往往需要对金属板材进行轧制、冲压等工序，将金属板材加工成机械设备或机械零配件。在对金属板材进行轧制的过程中，往往因为工艺不良等原因在轧辊上形成划痕、裂纹、片状剥落等缺陷。轧辊上的缺陷会影响轧制的金属板材质量。因此需在轧制过程中，对轧辊表面缺陷进行检测，根据检测结果及时做出调整，避免对金属板材质量造成影响。目前常用的磁粉探伤、超声波探伤手段在轧制过程中无法进行。而现有的图像检测的方法如阈值分割、边缘检测，容易受光线干扰，准确率难以保证。
[0003]轧辊表面由于光线照射会产生光斑，容易对轧辊表面的划痕、裂纹、片状剥落等缺陷识别造成影响。采用阈值分割方法识别结果依赖于阈值的选取，采用边缘检测仅能检测到明显的强边缘，难以检测到弱边缘。采用基于标记的分水岭分割可将轧辊表面异常区域分割出来。但分割效果依赖于标记图像的选取，标记图像选取不当，可能会造成无法分割或过分割的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于分水岭分割的机械零件轧制异常检测方法，所采用的技术方案具体如下：
[0005]获取轧辊表面灰度图像，构建轧辊表面灰度图像的灰度直方图，并根据灰度直方图进行混合高斯模型拟合，所述混合高斯模型的子高斯模型个数与灰度直方图中极大值个数相等；根据轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，确定各灰度值对应的子高斯模型；获取对应的子高斯模型为预设数量的所有灰度值，并对所述所有灰度值进行多阈值分割得到多个灰度值集合；
[0006]分别以各灰度值集合中每个灰度值为阈值，对轧辊表面灰度图像进行分割，得到各灰度值对应的二值图像；利用距离变化获取所述二值图像上像素点的距离信息，并对像素点进行赋值，得到各灰度值对应的距离变换图像；获取像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值大于设定阈值的数量，根据所述数量与该灰度值集合中灰度值的个数之比，得到各像素点的评价指标；
[0007]根据像素点的评价指标、像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值以及其邻域内像素点的像素值，得到像素点的前景率；其中，求得像素点的前景率的个数与灰度值集合的数量一一对应；根据像素点的前景率对所有像素点进行标记，得到标记图像；基于标记图像利用分水岭分割的方法对轧辊表面灰度图像进行分割，得到特征图像；利用神经网络对特征图像进行识别，得到轧辊表面图像上的异常类别区域。
[0008]优选地，所述确定各灰度值对应的子高斯模型具体为：
[0009]获取轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，针对一个像素点的灰度值，获取该像素点的灰度值在不同子高斯模型上最大的概率密度值记为第一概率密度值、第二大的概率密度值记为第二概率密度值；获取第一概率密度值与第二概率密度值的差值，并计算所述差值与第一概率密度值的比值得到灰度值的模型指标；若灰度值的模型指标大于模型阈值，则该灰度值属于第一概率密度值对应的子高斯模型；若灰度值的模型指标小于模型阈值，则该灰度值同时属于第一概率密度值和第二概率密度值对应的子高斯模型。
[0010]优选地，所述像素点的评价指标具体为：
[0011][0012][0013]其中，g(i,y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i,x,y
表示在第i个灰度值集合内灰度值对应的第x个距离变换图像上第y个像素点的像素值，s(i)表示在第i个灰度值集合内灰度值对应的距离变换图像的个数，f(r
i,x,y
)表示r
i,x,y
的函数。
[0014]优选地，所述像素点的前景率的获取方法具体为：
[0015]若像素点的评价指标等于第一阈值，则像素点的前景率取第一数值；若像素点的评价指标等于第二阈值，则像素点的前景率取第二数值；其中，第一数值与第二数值是人为设定的；
[0016]若像素点的评价指标大于第一阈值小于第二阈值，获取像素点在当前灰度值集合中各灰度值对应的距离变换图像上的像素值的最大值，与所有灰度值集合中各灰度值对应的距离变换图像上的像素值的最大值的比值；
[0017]获取像素点在当前灰度值集合中各灰度值对应的距离变换图像上的邻域像素点的像素值大于设定阈值的数量，并计算所述数量与所有邻域像素点的总个数的比值；根据两个所述比值的乘积，得到像素点在当前灰度值集合下对应的前景率。
[0018]优选地，所述若像素点的评价指标大于第一阈值小于第二阈值，像素点的前景率的获取方法具体为：
[0019][0020]其中，l
i，y
表示以第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的前景率，g(i，y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，R
i，y
表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的像素值集合，t表示轧辊表面灰度图像上像素点的总数量，max{R
i，y
}表示集合R
i，y
中的最大值，g(i，y
n
)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的8邻域内第n个像素点的评价指标。
[0021]优选地，所述根据像素点的前景率对所有像素点进行标记具体为：
[0022]当l
i，y
≥α时，第y个像素点在第i个灰度值集合下属于前景区域；当β＜l
i，y
＜α时，第y个像素点在第i个灰度值集合下属于背景区域；当l
i，y
≤β时，第y个像素点在第i个灰度值集合下属于不确定区域；其中，l
i，y
表示以第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的前景率，α和β是人为设定的阈值；
[0023]若像素点y在所有灰度值集合下存在所属区域为不确定区域，则像素点y属于不确定区域，将该像素点标记为0；若像素点y在所有灰度值集合下所属区域都不是不确定区域，则获取像素点y在所有灰度值集合下属于前景区域的次数z
‑
1，则该像素点属于第z个子高斯模型对应的特征，将该像素点标记为z。
[0024]优选地，所述神经网络为DNN语义分割网络，所述神经网络的损失函数为交叉熵损失函数。
[0025]本专利技术实施例至少具有如下有益效果：
[0026]本专利技术通过结合混合高斯模型得到多个灰度值集合，作为阈值分割的范围，并对这些阈值分割的结果进行分析计算各像素点为前景的概率，根据各像素点的前景率结合子高斯模型对应的特征，对各像素点进行标记得到标记图像，并基于标记图像对轧辊表面灰度图像进行分割，最后还基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，该方法包括以下步骤：获取轧辊表面灰度图像，构建轧辊表面灰度图像的灰度直方图，并根据灰度直方图进行混合高斯模型拟合，所述混合高斯模型的子高斯模型个数与灰度直方图中极大值个数相等；根据轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，确定各灰度值对应的子高斯模型；获取对应的子高斯模型为预设数量的所有灰度值，并对所述所有灰度值进行多阈值分割得到多个灰度值集合；分别以各灰度值集合中每个灰度值为阈值，对轧辊表面灰度图像进行分割，得到各灰度值对应的二值图像；利用距离变化获取所述二值图像上像素点的距离信息，并对像素点进行赋值，得到各灰度值对应的距离变换图像；获取像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值大于设定阈值的数量，根据所述数量与该灰度值集合中灰度值的个数之比，得到各像素点的评价指标；根据像素点的评价指标、像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值以及其邻域内像素点的像素值，得到像素点的前景率；其中，求得像素点的前景率的个数与灰度值集合的数量一一对应；根据像素点的前景率对所有像素点进行标记，得到标记图像；基于标记图像利用分水岭分割的方法对轧辊表面灰度图像进行分割，得到特征图像；利用神经网络对特征图像进行识别，得到轧辊表面图像上的异常类别区域。2.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，所述确定各灰度值对应的子高斯模型具体为：获取轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，针对一个像素点的灰度值，获取该像素点的灰度值在不同子高斯模型上最大的概率密度值记为第一概率密度值、第二大的概率密度值记为第二概率密度值；获取第一概率密度值与第二概率密度值的差值，并计算所述差值与第一概率密度值的比值得到灰度值的模型指标；若灰度值的模型指标大于模型阈值，则该灰度值属于第一概率密度值对应的子高斯模型；若灰度值的模型指标小于模型阈值，则该灰度值同时属于第一概率密度值和第二概率密度值对应的子高斯模型。3.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，所述像素点的评价指标具体为：在于，所述像素点的评价指标具体为：其中，g(i,y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i,x,y
表示在第i个灰度值集合内灰度值对应的第x个距离变换图像上第y个像素点的像素值，s(i)表示在第i个灰度值集合内灰度值对应的距离变换图像的个数，f(r
i,x,y
)表示r
i,x,y
的函数。4.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征
在于，所述像素点的前景率的获取...

【专利技术属性】
技术研发人员：赵爱梅，郑海珍，
申请(专利权)人：南通市立新机械制造有限公司，
类型：发明
国别省市：