【技术实现步骤摘要】
本申请涉及土木建筑领域，特别涉及一种拉挤型材缺陷实时检测方法、装置、电子设备及存储介质。
技术介绍
1、纤维增强复合材料(fibre reinforced polymer composites，简称frp)是近年来在木桥梁工程中应用广泛的一种新型结构材料，是由增强纤维材料(碳纤维、玻璃纤维、芳纶纤维等)与基体材料经过缠绕、模压或拉挤等成型工艺而形成的复合材料。frp按照纤维、基体材料不同而分为很多种类，但普遍具有高强度、轻质、耐腐蚀等优点，在建筑、交通、制造业等领域中都有相当的优势，特别是在土木工程中，已经在桥梁等结构的加固补强、围护防腐等方面得到了广泛的应用。
2、frp拉挤型材是由拉挤成型工艺连续生产的长条形frp制品，目前拉挤工艺可以实现连续化和自动化的快速大规模生产，其流程可以简要分为三个过程：浸润、成型以及固化或冷却。拉挤工艺可以实现连续化和自动化的快速大规模生产，但是在传统的拉挤工艺过程中，如果因原材料选择不当或操作不当，拉挤产品在制造生产过程中会产生一系列缺陷，导致其力学性能产生较大离散性，表观性能欠缺。
3、相关技术中，针对拉挤型材制品中出现的常见缺陷检测方法大多都是采用人工巡检进行外观检测，主要依赖于人眼的观察和经验判断；对于制品尺寸，按照图纸要求采用合适精度与量程的计量量具进行检验；对于型材制品的性能检测，需依据测试内容和规定的测试标准对制品热、物理和机械性能进行测试，为制品的验收提供依据；必要时，需对产品利用超声波扫描、x射线、ct、热成像等无损检测技术进行检测，从而定性定量地准确分
4、然而，在大多数应用场景和要求下，上述技术手段普遍存在效率低下、检测成本高、容易出现漏检和误判等问题，从而影响型材制品的生产质量和效率，亟待解决。
技术实现思路
1、本申请提供一种拉挤型材缺陷实时检测方法、装置、电子设备及存储介质，以解决现阶段缺陷检测手段效率低下、检测成本高以及容易出现漏检和误判等问题，从而提高型材制品的生产质量和效率。
2、为达到上述目的，本申请第一方面实施例提出一种拉挤型材缺陷实时检测方法，包括以下步骤：
3、获取待检测拉挤型材的表面图像；
4、根据所述表面图像得到满足预设缺陷代表特征的特征数据，并基于所述特征数据的特征阈值和边缘分割所述表面图像，得到多个分割区域，并根据由所述特征数据确定的缺陷位置和缺陷边界从所述多个分割区域中确定至少一个缺陷区域；以及
5、基于预设的机器学习和模式识别策略，对所述至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷类型和缺陷损伤程度。
6、根据本申请的一个实施例，所述根据所述表面图像得到满足预设缺陷代表特征的特征数据，包括：
7、对所述表面图像进行预处理，并对预处理后的表面图像进行滤波处理；
8、提取滤波处理后的表面图像的低维特征信息和高维特征信息，得到所述满足预设缺陷代表特征的特征数据。
9、根据本申请的一个实施例，所述基于预设的机器学习和模式识别策略，对所述至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷类型和缺陷损伤程度，包括：
10、基于预设的机器学习和模式识别策略，对所述至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷长度、缺陷面积和缺陷深度；
11、根据所述每个缺陷区域的缺陷长度确定所述每个缺陷区域的缺陷长度占比，并根据所述每个缺陷区域的缺陷面积确定所述每个缺陷区域的缺陷面积占比；
12、根据所述每个缺陷区域的缺陷长度占比、所述每个缺陷区域的缺陷面积占比和所述缺陷深度计算所述每个缺陷区域的加权缺陷程度指数，并根据所述缺陷区域的加权缺陷程度指数评估所述每个缺陷区域的缺陷损伤程度。
13、根据本申请的一个实施例，所述根据所述每个缺陷区域的缺陷长度确定所述每个缺陷区域的缺陷长度占比，包括：
14、基于预设的缺陷长度占比公式，根据所述每个缺陷区域的缺陷长度确定所述每个缺陷区域的缺陷长度占比，其中，所述预设的缺陷长度占比公式为：
15、dlr＝l/l；
16、其中，dlr为所述缺陷区域的缺陷长度占比，l为所述缺陷区域的缺陷长度，l为所述表面图像总长度。
17、根据本申请的一个实施例，所述根据所述每个缺陷区域的缺陷面积确定所述每个缺陷区域的缺陷面积占比，包括：
18、基于预设的缺陷面积占比公式，根据所述每个缺陷区域的缺陷面积确定所述每个缺陷区域的缺陷面积占比，其中，所述预设的缺陷面积占比公式为：
19、dar＝a/a；
20、其中，dar为所述缺陷区域的缺陷面积占比，a为所述缺陷区域的缺陷面积，a为所述表面图像总面积。
21、根据本申请的一个实施例，所述根据所述每个缺陷区域的缺陷长度占比、所述每个缺陷区域的缺陷面积占比和所述缺陷深度计算所述每个缺陷区域的加权缺陷程度指数，包括：
22、基于预设的加权缺陷程度指数公式，根据所述每个缺陷区域的缺陷长度占比、所述每个缺陷区域的缺陷面积占比和所述缺陷深度计算所述每个缺陷区域的加权缺陷程度指数，其中，所述预设的加权缺陷程度指数公式为：
23、wdr＝dlr*dar*h；
24、其中，wdr为所述加权缺陷程度指数，h为所述缺陷深度。
25、根据本申请的一个实施例，在根据所述缺陷区域的加权缺陷程度指数评估所述每个缺陷区域的缺陷损伤程度之后，还包括：
26、基于所述表面图像对所述每个缺陷区域进行边界标记，得到所述每个缺陷区域的缺陷图像；
27、将所述待检测拉挤型材的表面图像、所述缺陷图像和所述加权缺陷程度指数进行显示。
28、根据本申请实施例提出的拉挤型材缺陷实时检测方法，通过根据待检测拉挤型材的表面图像得到满足预设缺陷代表特征的特征数据，并基于特征数据的特征阈值和边缘分割表面图像，得到多个分割区域，并根据由特征数据确定的缺陷位置和缺陷边界从多个分割区域中确定至少一个缺陷区域；基于预设的机器学习和模式识别策略，对至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷类型和缺陷损伤程度。由此，通过非接触式检测方法，解决了现阶段缺陷检测手段效率低下、检测成本高以及容易出现漏检和误判等问题，实现对型材生产线的实时监控和检测，从而提高型材制品的生产质量和效率。
29、为达到上述目的，本申请第二方面实施例提出一种拉挤型材缺陷实时检测装置，包括：
30、获取模块，用于获取待检测拉挤型材的表面图像；
31、处理模块，用于根据所述表面图像得到满足预设缺陷代表特征的特征数据，并基于所述特征数据的特征阈值和边缘分割所述表面图像，得到多个分割区域，并根据由所述特征数据确定的缺陷位置和缺陷边界从所述多个分割区域中确定至少一个缺陷区域；以及
32、识别模块，用于基于预设的机器学习和模式识别策略，对所述至少本文档来自技高网...
【技术保护点】
1.一种拉挤型材缺陷实时检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述表面图像得到满足预设缺陷代表特征的特征数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于预设的机器学习和模式识别策略，对所述至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷类型和缺陷损伤程度，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述每个缺陷区域的缺陷长度确定所述每个缺陷区域的缺陷长度占比，包括：
5.根据权利要求3所述的方法，其特征在于，所述根据所述每个缺陷区域的缺陷面积确定所述每个缺陷区域的缺陷面积占比，包括：
6.根据权利要求3所述的方法，其特征在于，所述根据所述每个缺陷区域的缺陷长度占比、所述每个缺陷区域的缺陷面积占比和所述缺陷深度计算所述每个缺陷区域的加权缺陷程度指数，包括：
7.根据权利要求3所述的方法，其特征在于，在根据所述缺陷区域的加权缺陷程度指数评估所述每个缺陷区域的缺陷损伤程度之后，还包括：
8.一种拉挤型材缺陷实时检测装置
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的拉挤型材缺陷实时检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的拉挤型材缺陷实时检测方法。
...【技术特征摘要】
1.一种拉挤型材缺陷实时检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据所述表面图像得到满足预设缺陷代表特征的特征数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于预设的机器学习和模式识别策略，对所述至少一个缺陷区域进行识别和分类，得到每个缺陷区域的缺陷类型和缺陷损伤程度，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述每个缺陷区域的缺陷长度确定所述每个缺陷区域的缺陷长度占比，包括：
5.根据权利要求3所述的方法，其特征在于，所述根据所述每个缺陷区域的缺陷面积确定所述每个缺陷区域的缺陷面积占比，包括：
6.根据权利要求3所述的方法，其特征在于，所述根据所述...
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。