一种基于机器视觉的钢管表面缺陷检测方法技术

本发明专利技术公开了一种基于机器视觉的钢管表面缺陷检测方法，其涉及管材检测技术领域。该方法包括：采用明场照明方式，从不同方向对需要检测的钢管表面进行360度无死角照明；获取待检测的钢管表面图像，以及钢管表面缺陷的图像作为样本数据；进行预处理和特征提取并进行分类处理；建立钢管表面缺陷检测模型并对其进行训练与测试；通过对比识别检测出钢管表面缺陷。本发明专利技术中，在进行图像处理时，应用主成分分析方法对特征进行提取，对图像对比模块进行深度学习，可以精准对图像进行对比识别，从而精准检测出钢管表面缺陷，对光照变化具有较强的抗干扰能力,且综合检测率、漏检率和误检率均满足需求。满足需求。满足需求。

【技术实现步骤摘要】
一种基于机器视觉的钢管表面缺陷检测方法


[0001]本专利技术涉及管材检测
，尤其涉及一种基于机器视觉的钢管表面缺陷检测方法。

技术介绍

[0002]机器视觉是一门涉及到人工智能、神经生物学、计算科学、图像学、模式识别等的多领域交叉的学科，目的就是为了让机器人拥有和人一样的视觉感知能力，同时依靠此感知能力实现机器人的避障、导航等功能，而视觉的基础涉及到视觉信息的采集和大量的图像处理、计算和分析任务。
[0003]机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度，在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉，机器视觉对物料进行监控并及时定位取样，能够有效的帮助控制产品质量，排除机器生产线故障。
[0004]钢管的表面质量是评价钢管等级的一项重要指标，钢管表面质量的好坏也将直接影响产品的质量和性能，但是，企业在生产钢管的过程中，由于现场环境、设备等种种原因，钢管表面难以避免会出现划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤等不同类型的缺陷。这些缺陷不仅影响产品的外观，而且会降低产品的性能。
[0005]目前国内外有关机器视觉检测钢管的研究较少,未有成熟的产品,在技术方面有待完善，因此，提出的一种基于机器视觉的钢管表面缺陷检测方法。

技术实现思路

[0006]本专利技术的目的是为了解决现有技术中存在研究较少,未有成熟的产品,在技术方面有待完善的缺点，而提出的一种基于机器视觉的钢管表面缺陷检测方法。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]一种基于机器视觉的钢管表面缺陷检测方法，包括：
[0009]照明步骤，采用明场照明方式，从不同方向对待检测的钢管表面进行360度无死角照明，能够对钢管进行全方位的表面图像获取；
[0010]图像采集步骤，在照明状态下通过摄像头对钢管表面进行拍摄，获取待检测的钢管表面图像和钢管表面缺陷图像，并将钢管表面图像和钢管表面缺陷图像作为样本数据；
[0011]数据处理步骤，将采集到的图像数据转换成数字化信息，对数字化信息进行预处理和特征提取，提取缺陷区域的形状特征、灰度特征和纹理特征,并分析归一化特征值的差异进行分类处理；
[0012]深度学习步骤，建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤各不同类型的缺陷；并将样本数据作为数据集划分为训练数据集和测试数据集，选择合适的参数通过训练集对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测；
[0013]对比识别检测步骤，将分类的特征数据与通过钢管表面缺陷检测模型获得的钢管表面缺陷图像进行对比，通过比较两者的相似度，从而能够检测出钢管表面缺陷。
[0014]本专利技术的技术方案中，所述数据集将80％作为训练集，20％作为测试集。
[0015]上述技术方案进一步包括：
[0016]所述摄像头，用于对钢管表面进行拍摄，并将被检测的目标转换成图形信息，在照明条件下获取清新的图像信息；
[0017]其中，所述摄像头与数据采集模块之间连接，所述数据采集模块通过数据接口对摄像头拍摄的图像进行采集，并将采集到的数据传输到数据处理模块，同时将采集到的数据存储在数据库中。
[0018]所述数据处理模块包括：数据转换单元、数据预处理单元、特征提取单元和数据分类单元；
[0019]所述数据转换单元，用于将图像数据转换成数字化信息；
[0020]所述数据预处理单元，用于对数据进行预处理；
[0021]所述特征提取单元，用于将预处理后的数据进行特征提取；
[0022]所述数据分类单元，用于根据提取的特征将采集到的数据进行分类；
[0023]其中，所述数据转换单元将转换获得的数字化信息传输到数据预处理单元，所述数据预处理单元将处理好的数据传输到特征提取单元，所述特征提取单元将提取的特征信息传输到数据分类单元进行分类，所述数据分类单元将数据传输到图像对比模块。
[0024]所述数据处理模块与图像对比模块之间连接，所述图像对比模块与深度学习模块之间连接，所述深度学习模块与数据库之间连接：其中，所述数据库包括：用于训练的样本数据集、待检测的钢管表面图像数据和建立的模型数据。
[0025]所述特征提取单元应用主成分分析方法进行特征提取：
[0026]将预处理后的数据设置为M个样本{X1,X2,...,X
M
},每个样本有N维特征每一个特征X
j
都有各自的特征值；
[0027]对所有特征进行去中心化，即去均值，求出每个特征的平均值；
[0028]对于所有的样本，每一个特征都减去自身的均值，其中各均值分别为在去中心化后再求协方差矩阵其中，对角线上分别是特征X1和X2的方差，非对角线上是协方差，cov(X1,X1)的计算公式为由此得出M个样本在这N维特征下的协方差矩阵C；
[0029]得到协方差矩阵后，根据特征方程Cμ＝λμ求出其特征值及其对应的特征向量；其中，λ为特征值，μ为其对应的特征向量，选择最大的前k个特征值和相对应的特征向量进行投影，投影即为降维的过程，将原始特征从高维度降低到低维度，对图像特征进行提取。
[0030]所述深度学习模块还包括：建模单元、训练单元和测试单元；
[0031]所述建模单元，用于建立检测模型，根据实际需要检测的缺陷进行设计；
[0032]所述训练单元，用于将训练数据集导入建立的模型中进行机器学习的训练，使模型能够检测识别出对应的钢管表面缺陷；
[0033]所述测试单元，用于对模型的训练结果进行测试，判断模型训练效果；
[0034]其中，所述建模单元将建立的模型应用到训练单元，所述训练单元从数据库中获取训练数据集，所述训练单元将训练好的模型应用于测试单元，所述测试单元从数据库中获取测试数据集对模型进行训练结果的测试，所述测试单元最终获得检测钢管表面缺陷的模型。
[0035]所述数据分类单元应用有改进的K
‑
means算法，具体步骤如下：
[0036]从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
[0037]对于数据集中的每一个点x
i
，计算它与已选择的聚类中心中最接近聚类中心的距离其中r＝1,2,...k，其中k为选择的质心数；
[0038]选择一个新的数据点作为新的聚类中心，选择的原则是：D(x
i
)较大的点被选取作为聚类中心的概率较大；
[0039]重复上述两步直到选择出k个聚类质心；
[0040]对于n＝1,2,...,N，将簇划分初始化为其中t＝1,2...k；
[0041]对于i＝1,2...m，计算样本x
i
和各个质心向量μ
j
(j＝1,2,...k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，包括：照明步骤，采用明场照明方式，从不同方向对待检测的钢管表面进行360度无死角照明，能够对钢管进行全方位的表面图像获取；图像采集步骤，在照明状态下通过摄像头对钢管表面进行拍摄，获取待检测的钢管表面图像和钢管表面缺陷图像，并将钢管表面图像和钢管表面缺陷图像作为样本数据；数据处理步骤，将采集到的图像数据转换成数字化信息，对数字化信息进行预处理和特征提取，提取缺陷区域的形状特征、灰度特征和纹理特征,并分析归一化特征值的差异进行分类处理；深度学习步骤，建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤各不同类型的缺陷；并将样本数据作为数据集划分为训练数据集和测试数据集，选择合适的参数通过训练集对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测；对比识别检测步骤，将分类的特征数据与通过钢管表面缺陷检测模型获得的钢管表面缺陷图像进行对比，通过比较两者的相似度，从而能够检测出钢管表面缺陷。2.根据权利要求1所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述摄像头，用于对钢管表面进行拍摄，并将被检测的目标转换成图形信息，在照明条件下获取清新的图像信息；其中，所述摄像头与数据采集模块之间连接，所述数据采集模块通过数据接口对摄像头拍摄的图像进行采集，并将采集到的数据传输到数据处理模块，同时将采集到的数据存储在数据库中。3.根据权利要求2所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述数据处理模块包括：数据转换单元、数据预处理单元、特征提取单元和数据分类单元；所述数据转换单元，用于将图像数据转换成数字化信息；所述数据预处理单元，用于对数据进行预处理；所述特征提取单元，用于将预处理后的数据进行特征提取；所述数据分类单元，用于根据提取的特征将采集到的数据进行分类；其中，所述数据转换单元将转换获得的数字化信息传输到数据预处理单元，所述数据预处理单元将处理好的数据传输到特征提取单元，所述特征提取单元将提取的特征信息传输到数据分类单元进行分类，所述数据分类单元将数据传输到图像对比模块。4.根据权利要求2所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述数据处理模块与图像对比模块之间连接，所述图像对比模块与深度学习模块之间连接，所述深度学习模块与数据库之间连接：其中，所述数据库包括：用于训练的样本数据集、待检测的钢管表面图像数据和建立的模型数据。5.根据权利要求3所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述特征提取单元应用主成分分析方法进行特征提取：将预处理后的数据设置为M个样本{X1,X2,...,X
M
},每个样本有N维特征每一个特征X
j
都有各自的特征值；对所有特征进行去中心化，即去均值，求出每个特征的平均值；
对于所有的样本，每一个特征都减去自身的均值，其中各...

【专利技术属性】
技术研发人员：李志兴，孙上桢，
申请(专利权)人：西安星云航空科技有限公司，
类型：发明
国别省市：