CN115170507A - 基于图像数据的注浆管表面缺陷检测方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像数据的注浆管表面缺陷检测方法及系统。该方法通过对表面图像进行分区域处理并对每个子区域的子高斯模型进行分类，获得多个高斯混合模型。对高斯混合模型中寻找代表度强的子高斯模型作为代表模型，获得理想灰度特征函数。根据理想灰度特征函数将实际灰度特征函数分为多个差异段和公共段，对差异段和公共段进行针对性的均衡化，获得修正直方图及增强图像，利用增强图像进行缺陷检测。本发明通过自适应的图像均衡化手段，对图像中的缺陷特征进行针对性的增强，增加了缺陷检测的效率及精度。

Description

基于图像数据的注浆管表面缺陷检测方法及系统

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于图像数据的注浆管表面缺陷检测方法及系统。

背景技术

注浆管为一种预埋注浆管系统，用于混凝土中的施工缝、冷接缝、管子渗缝、地墙之间空隙等处的永久密封。在注浆管生产过程中可能会由于工艺参数设置不当或环境影响在注浆管表面出现结疤、凹陷、划伤、裂缝等问题，影响注浆作业。因此需要在注浆管生产过程中，对注浆管产品进行缺陷检测，及时筛选出缺陷产品。

注浆管表面缺陷特征较为明显，因此在现有技术中可采用图像处理方法采集注浆管表面图像进行缺陷识别，避免因为人工检测导致的误检漏检。根据图像处理方法进行缺陷识别主要是通过提前表面图像中的图像特征，判断该图像特征是否为缺陷特征，因此必须保证表面图像的质量且需要表面图像中的图像特征更为明显。

现有技术中对包含缺陷的表面图像进行图像增强的方法最常用的是直方图均衡化，直接利用直方图均衡化会存在灰度值吞噬现象，导致图像部分细节丢失，对于不明显的划伤和裂缝达不到特征增强效果，影响了后续缺陷检测的准确度。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于图像数据的注浆管表面缺陷检测方法及系统，所采用的技术方案具体如下：

本发明提出了一种基于图像数据的注浆管表面缺陷检测方法，所述方法包括：

获取注浆管的表面图像；将所述表面图像均分为多个子区域图像，获取每个所述子区域图像的高斯混合模型，所述高斯混合模型包括多个子高斯模型；

根据相邻所述子区域图像的所述子高斯模型之间的差异对所述子高斯模型进行分组，获得多个高斯模型组；根据所述高斯模型组内所述子高斯模型之间的差异、所述子高斯模型的形态特征和所述高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个所述子高斯模型的代表度；根据所述代表度对所述子高斯模型进行筛选，获得代表模型，所有所述代表模型组成理想灰度特征函数；

根据所述表面图像的灰度直方图获得实际灰度特征函数；根据所述实际灰度特征函数与所述理想灰度特征函数的交点的横坐标将所述实际灰度特征函数分为多个函数段；若所述函数段中所述理想灰度特征函数的概率大于所述实际灰度特征函数的概率，则该所述函数段为公共段，反之则为差异段；

若所述差异段上灰度级对应的频数大于等于所述差异段的第一平均频数，则将所述灰度级的频数设置为所述第一平均频数；反之，则所述灰度级的频数不变；以修正直方图的第二平均频数作为未知量，以所述第二平均频数与所述公共段的长度比值作为所述公共段上所有灰度级的频数，获得包含未知量的初始修正直方图；对所述初始修正直方图进行求解，获得所述修正直方图；

根据所述修正直方图对所述表面图像进行均衡化处理，获得增强图像；将所述增强图像输入预先训练好的缺陷检测网络中，获得缺陷信息。

进一步地，所述获取注浆管的表面图像包括：

采集注浆管的初始表面图像，去除所述初始表面图像中的背景信息，获得仅包含注浆管信息的所述表面图像。

进一步地，所述获取每个所述子区域图像的高斯混合模型包括：

获得每个所述子区域图像的灰度直方图，将灰度直方图进行平滑处理，获得平滑后的灰度直方图的局部最大值数量，以平滑后的灰度直方图的灰度值及其频数作为样本根据所述局部最大值数量利用EM算法获得所述高斯混合模型；所述高斯混合模型中所述子高斯模型的数量与所述局部最大值数量相等。

进一步地，所述根据相邻所述子区域图像的所述子高斯模型之间的差异对所述子高斯模型进行分组，获得多个高斯模型组包括：

获得所述子高斯模型之间的模型均值差异，若所述模型均值差异小于预设均值差异阈值，则认为对应的两个所述子高斯模型为同一所述高斯模型组。

进一步地，所述根据所述高斯模型组内所述子高斯模型之间的差异、所述子高斯模型的形态特征和所述高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个所述子高斯模型的代表度包括：

根据代表度公式获得所述代表度，所述代表度公式包括：

其中，

为第

个所述高斯模型组中第

个所述子高斯模型的所述代表度，

为以自然常数为底的指数函数，

为第

个所述高斯模型组中的所述子高斯模型数量，

为第

个所述高斯模型组中第

个所述子高斯模型的模型均值，

第

个所述高斯模型组 中第

个所述子高斯模型的模型均值，

为第

个所述高斯模型组中所有所述子高斯模型 的模型标准差的最小值，

为第

个所述高斯模型组中第

个所述子高斯模型的模型标准 差，

为所述子区域图像数量。

进一步地，所述根据所述代表度对所述子高斯模型进行筛选，获得代表模型包括：

获取每个所述高斯模型组内的最大代表度，若所述最大代表度大于预设代表度阈值，则以所述最大代表度对应的所述子高斯模型作为所述代表模型。

本发明还提出了一种基于图像数据的注浆管表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现任意一项所述一种基于图像数据的注浆管表面缺陷检测方法的步骤。

本发明具有如下有益效果：

在本发明实施例中，将表面图像进行分块分析，通过对每个子区域图像中的子高斯模型进行分类，获得多个高斯模型组，每个高斯模型组代表了表面图像中的一种图像特征。进一步考虑到会有缺陷像素分布在高斯模型组中，利用代表度筛选子高斯模型，获得代表模型，利用代表模型获得理想化的理想灰度特征函数用于后续分析。通过理想灰度特征函数与实际灰度特征函数的交点即可将实际灰度特征函数分为公共段和差异段，通过对实际灰度特征函数分段可对每个段的特征进行针对性的均衡化，避免了直接均衡化导致的信息缺失。通过每个函数段的函数信息分布特征对频数进行重新赋值，即可获得修正直方图，进而获得增强图像用于缺陷检测。本发明实施例通过对表面图像局部至整体的分析，获得修正直方图，进而通过图像特征明显的增强图像实现对注浆管表面缺陷的有效检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于图像数据的注浆管表面缺陷检测方法流程图；

图2为本发明一个实施例所提供的一个函数段分段示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像数据的注浆管表面缺陷检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于图像数据的注浆管表面缺陷检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于图像数据的注浆管表面缺陷检测方法流程图，该方法包括：

步骤S1：获取注浆管的表面图像；将表面图像均分为多个子区域图像，获取每个子区域图像的高斯混合模型。

在本发明实施例中，注浆管经生产工艺处理后，通过传送带输送至检测段，检测段设置有多个相机，用于采集多个角度下的注浆管表面图像，因为每张表面图像的缺陷检测方法均相同，因此仅以一张表面图像的缺陷检测过程进行表述说明。

注浆管的生产环境较为复杂，因此在相机采集到的初始表面图像中存在大量的背景信息，为了实现后续的缺陷检测过程，需要将初始表面图像中的背景信息去除，获得仅包含注浆管信息的表面图像。需要说明的是，背景信息的去除可使用多种现有技术去实现，例如人为划分感兴趣区域、阈值分割等，在本发明实施例中，使用语义分割网络实现去除背景信息的操作，网络的具体训练方法包括；

（1）以包含注浆管的图像作为训练数据。将注浆管的像素标注为1，其他背景像素标注为0，获得标签数据。

（2）语义分割网络采用编码-解码结构，将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征，获得特征图。语义分割解码器将特征图进行采样变换，输出语义分割结果。

（3）采用交叉熵损失函数对网络进行训练。

将表面图像均分为多个子区域图像，获取每个子区域图像的高斯混合模型。具体获得高斯混合模型的方法包括：

获得每个子区域图像的灰度直方图，将灰度直方图进行平滑处理，即可获得该灰度直方图的平滑曲线。获得平滑后的灰度直方图的局部最大值数量，即对应的平滑曲线的峰值点数量。以平滑后的灰度直方图的灰度值及其频数作为样本根据局部最大值数量利用EM算法获得高斯混合模型。高斯混合模型中子高斯模型的数量与局部最大值数量相等，每个子高斯模型均为一种图像特征的分布情况，例如注浆管管身底色、注浆管焊缝颜色等，因此每个子高斯模型代表了表面图像中一个局部图像特征。

在本发明实施例中，基于表面图像的长将表面图像均分为10个子区域图像，即每 个子区域图像的尺寸为

，其中

为表面图像的长，

为表面图像的宽。

步骤S2：根据相邻子区域图像的子高斯模型之间的差异对子高斯模型进行分组，获得多个高斯模型组；根据高斯模型组内子高斯模型之间的差异、子高斯模型的形态特征和高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个子高斯模型的代表度；根据代表度对子高斯模型进行筛选，获得代表模型，所有代表模型组成理想灰度特征函数。

因为每个子高斯模型代表了一个局部图像特征，注浆管的表面颜色是呈规则且均匀分布的，因此可将相邻子区域图像的子高斯模型进行合并分组，通过对每个子高斯模型都进行分组，获得高斯模型组，高斯模型组代表了一个局部图像特征的集合，也为一个图像特征在表面图像中的整体图像特征。例如注浆管主体表面颜色特征，每个子区域图像中均可能包含注浆管主体信息，即均包含局部注浆管主体表面颜色特征，通过分组获得高斯模型组，高斯模型组就表示了表面图像的整体注浆管主体表面颜色特征。

根据子高斯模型之间的差异对子高斯模型进行分组的具体方法包括：

以子高斯模型之间的模型均值差异作为模型之间的差异，若模型均值差异小于预设均值差异阈值，则认为对应的两个子高斯模型为同一高斯模型组。需要说明的是，子高斯模型的分组过程为一个遍历迭代过程，即目标子区域图像中某个子高斯模型获得与相邻子区域图像中的每个子高斯模型的模型差异，进而进行分组判断，然后该相邻子区域图像中的子高斯模型再与其另一个相邻的子区域图像中的子高斯模型进行分组判断，通过遍历整个表面图像及所有子高斯模型即可获得多个高斯模型组。在本发明实施例中，均值差异阈值设置为10。

在所有子高斯模型中，可能存在缺陷信息分布在某些子高斯模型中，因为每个子高斯模型代表一个局部图像特征，因此存在某些子高斯模型中不包含缺陷像素点分布或者仅包含少量缺陷像素点分布，所以此类子高斯模型可作为不存在缺陷信息的理想化数据，因为每个高斯模型组中的子高斯模型属于同一图像特征，因此可基于每个高斯模型组分析其中具有代表性的子高斯模型，进而筛选出能够构建理想化数据的代表模型。

具有代表性的子高斯模型在其高斯模型组中应能代表该组的特征，因此获得高斯模型组内子高斯模型之间的差异，一个子高斯模型与其他子高斯模型的差异越小，说明该子高斯模型在该组具有组内中心的性质，代表性越强；进一步考虑到子高斯模型的形状特征，子高斯模型的形状越窄，说明该子高斯模型包含的像素范围较小，越不可能包含缺陷像素信息，代表性越强；进一步考虑该高斯模型组本身的性质，因为子区域图像为表面图像均分的图像，因此在理想情况下应是每个子区域图像都包含相同的图像特征，经过子高斯模型的分组后 ，每个高斯模型组内的子高斯模型数量应与子区域图像数量相等，因此分析高斯模型组内子高斯模型数量在子区域图像数量的占比，占比越大说明该组的图像特征在表面图像中越广泛，信息量越多，则对应的子高斯模型越具有代表性。具体根据高斯模型组内子高斯模型之间的差异、子高斯模型的形态特征和高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个子高斯模型的代表度的方法包括：

根据上述特征关系通过数学拟合方法构建代表度公式，根据代表度公式获得代表度，代表度公式包括：

其中，

为第

个高斯模型组中第

个子高斯模型的代表度，

为以自然常数 为底的指数函数，

为第

个高斯模型组中的子高斯模型数量，

为第

个高斯模型组中第

个子高斯模型的模型均值，

第

个高斯模型组中第

个子高斯模型的模型均值，

为 第

个高斯模型组中所有子高斯模型的模型标准差的最小值，

为第

个高斯模型组中第

个子高斯模型的模型标准差，

为子区域图像数量。

在代表度公式中，

为目标子高斯模型与其他子高斯模型之间 均值差异的平均值，该值越大说明在高斯模型组内目标子高斯模型越具有离群性，越可能 包含缺陷像素信息，则代表度越小；

越接近1，说明目标子高斯模型的形状越窄，则对应 的代表度越大，该值越接近0，说明目标子高斯模型的形状越窄，越容易包含缺陷像素信息；

越接近1，说明极大部分的子区域均包含该高斯模型组的图像特征，则该组对应的所有子 高斯模型的代表度均较大，反之说明该高斯模型组的图像特征为某个子区域或者少量的某 些子区域特有的，例如缺陷信息或者注浆管的管头颜色特征等，则在整体表面图像中代表 性较弱。

通过代表度对子高斯模型进行筛选即可获得代表模型。优选的，为了使优选模型包含更多图像特征，具体的筛选方法包括：

获取每个高斯模型组内的最大代表度，若最大代表度大于预设代表度阈值，则以最大代表度对应的子高斯模型作为代表模型。在本发明实施例中，代表度阈值设置为0.72。

将所有代表模型进行合并，组成理想灰度特征函数。理想灰度特征函数为理想情况下不存在缺陷像素的大部分图像特征例如注浆管主体底色，注浆管焊缝颜色等分布的函数，因此可以理想灰度特征函数作为参考，对实际的表面图像进行针对性的图像增强。

步骤S3：根据表面图像的灰度直方图获得实际灰度特征函数；根据实际灰度特征函数与理想灰度特征函数的交点的横坐标将实际灰度特征函数分为多个函数段；若函数段中理想灰度特征函数的概率大于实际灰度特征函数的概率，则该函数段为公共段，反之则为差异段。

需要说明的是，表面图像的实际灰度特征函数获取方法与子区域图像的高斯混合模型获取方法相同，即实际灰度特征函数为表面图像整体的高斯混合模型。

因为理想灰度特征函数为理想化信息，实际灰度特征函数为实际信息，因此在实际灰度特征函数中满足理想灰度特征函数的位置无需重点增强，而在包含差异的部分可能为噪声影响、注浆管中特有的图像特征和缺陷特征，需要对该差异部分进行重点增强，方便后续的缺陷识别。

将实际灰度特征函数与理想灰度特征函数放入同一坐标系中可出现多个交点，以该交点的横坐标可将实际灰度特征函数分为多个函数段。请参阅图2，其示出了本发明一个实施例所提供的一种函数段分段示意图。图2中虚线表示的是理想灰度特征函数，因为理想灰度特征函数为多个代表模型合并而来，因此可能在坐标系中出现不连续的状态，由图2所示，理想灰度特征函数与实际灰度特征函数存在4个交点，这四个交点将实际高斯混合模型分为了5个函数段。在每个函数段内，若函数段中理想灰度特征函数的概率大于实际灰度特征函数的概率，即理想灰度特征函数与横轴之间的面积大于实际灰度特征函数与横轴之间的面积，则说明理想化信息覆盖了实际信息，该函数段为公共段，反之则说明实际信息相较于理想化信息更丰富，对应的函数段为差异段。

对于公共段而言，每个公共段为注浆管的一个广泛性的图像特征，例如注浆管主体颜色等，对其无需进行针对性增强，可设置阈值将该段中的每个灰度级都合并为一个频数，为差异段挪出更多增强后的位置；对于差异段而言，其中信息较为丰富，需要对其进行重点增强，便于后续缺陷识别。

步骤S4：若差异段上灰度级对应的频数大于等于差异段的第一平均频数，则将灰度级的频数设置为第一平均频数；反之，则灰度级的频数不变；以修正直方图的第二平均频数作为未知量，以第二平均频数与公共段的长度比值作为公共段上所有灰度级的频数，获得包含未知量的初始修正直方图；对初始修正直方图进行求解，获得修正直方图。

直方图均衡化是将图像中分布频数较大的灰度值进行展宽，对频数小的灰度值进行合并，目的是为了将直方图尽可能的均匀化分布，因此对灰度值展宽或合并的衡量标准为灰度值的平均频数。因此以均衡化处理后的修正直方图的第二平均频数作为未知量，以第二平均频数与公共段的长度比值作为公共段上所有灰度级的频数，与差异段挪出了更多增强后的位置。进一步对差异段进行针对性的增强，若差异段上灰度级对应的频数大于等于差异段的第一平均频数，则将灰度级的频数设置为第一平均频数；反之，则灰度级的频数不变。频数设置过程利用数学表达式可表达为：

其中，

为第

个灰度级设置后的频数，

为第

个灰度级对应的频数，

为对应函数段的长度，

为作为未知量的第二平均频数。

通过上式对灰度级频数的设置，可获得包含未知量的初始修正直方图，对初始修 正直方图进行求解，求出未知量即可获得修正直方图。求解公式即为：

。

步骤S5：根据修正直方图对表面图像进行均衡化处理，获得增强图像；将增强图像输入预先训练好的缺陷检测网络中，获得缺陷信息。

根据获得的修正直方图对表面图像进行均衡化处理即可获得增强图像。因为表面图像的灰度直方图中注浆管主体颜色等广泛图像特征对应的频率过大，而特有图像特征和缺陷图像特征对应的频率过小，利用传统直方图均衡化的方法会将注浆管管身底色等广泛图像特征过分增强，将缺陷特征吞噬掉。因此通过步骤S4中的频数设置方法可选择性增强可能包含缺陷特征的差异段，保留了差异段中的信息并将公共段中的信息合并，增强了缺陷特征的同时，避免了传统均衡化导致的信息缺失是的注浆管表面的缺陷更容易识别。

将增强图像输入预先训练好的缺陷检测网络中即可获得缺陷信息。需要说明的是，缺陷检测网络的本质任务是特征提取和分类识别，因此可选用具有识别功能的深度神经网络结构，该种网络结构具有多种，在此不做限定，仅简述其基本原理及训练方法：

（1）网络的输入为增强图像，输出为缺陷包围框中心点及回归出的包围框尺寸以及包围框对应的缺陷类别。网络采用编码-解码结构。

（2）训练数据为包含注浆管及其缺陷的经过增强后的增强图像。

（3）网络的标签为注浆管表面缺陷对应的缺陷类别及包围框，包围框包括包围框中心点坐标及尺寸。

（4）采用均方差损失函数对网络进行训练。

本发明还提出了一种基于图像数据的注浆管表面缺陷检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于图像数据的注浆管表面缺陷检测方法的步骤。

综上所述，本发明实施例通过对表面图像进行分区域处理并对每个子区域的子高斯模型进行分类，获得多个高斯混合模型。对高斯混合模型中寻找代表度强的子高斯模型作为代表模型，获得理想灰度特征函数。根据理想灰度特征函数将实际灰度特征函数分为多个差异段和公共段 ，对差异段和公共段进行针对性的均衡化，获得修正直方图及增强图像，利用增强图像进行缺陷检测。本发明实施例通过自适应的图像均衡化手段，对图像中的缺陷特征进行针对性的增强，增加了缺陷检测的效率及精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述方法包括：

获取注浆管的表面图像；将所述表面图像均分为多个子区域图像，获取每个所述子区域图像的高斯混合模型，所述高斯混合模型包括多个子高斯模型；

根据相邻所述子区域图像的所述子高斯模型之间的差异对所述子高斯模型进行分组，获得多个高斯模型组；根据所述高斯模型组内所述子高斯模型之间的差异、所述子高斯模型的形态特征和所述高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个所述子高斯模型的代表度；根据所述代表度对所述子高斯模型进行筛选，获得代表模型，所有所述代表模型组成理想灰度特征函数；

根据所述表面图像的灰度直方图获得实际灰度特征函数；根据所述实际灰度特征函数与所述理想灰度特征函数的交点的横坐标将所述实际灰度特征函数分为多个函数段；若所述函数段中所述理想灰度特征函数的概率大于所述实际灰度特征函数的概率，则该所述函数段为公共段，反之则为差异段；

若所述差异段上灰度级对应的频数大于等于所述差异段的第一平均频数，则将所述灰度级的频数设置为所述第一平均频数；反之，则所述灰度级的频数不变；以修正直方图的第二平均频数作为未知量，以所述第二平均频数与所述公共段的长度比值作为所述公共段上所有灰度级的频数，获得包含未知量的初始修正直方图；对所述初始修正直方图进行求解，获得所述修正直方图；

根据所述修正直方图对所述表面图像进行均衡化处理，获得增强图像；将所述增强图像输入预先训练好的缺陷检测网络中，获得缺陷信息。

2.根据权利要求1所述的一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述获取注浆管的表面图像包括：

采集注浆管的初始表面图像，去除所述初始表面图像中的背景信息，获得仅包含注浆管信息的所述表面图像。

3.根据权利要求1所述的一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述获取每个所述子区域图像的高斯混合模型包括：

获得每个所述子区域图像的灰度直方图，将灰度直方图进行平滑处理，获得平滑后的灰度直方图的局部最大值数量，以平滑后的灰度直方图的灰度值及其频数作为样本根据所述局部最大值数量利用EM算法获得所述高斯混合模型；所述高斯混合模型中所述子高斯模型的数量与所述局部最大值数量相等。

4.根据权利要求1所述的一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述根据相邻所述子区域图像的所述子高斯模型之间的差异对所述子高斯模型进行分组，获得多个高斯模型组包括：

获得所述子高斯模型之间的模型均值差异，若所述模型均值差异小于预设均值差异阈值，则认为对应的两个所述子高斯模型为同一所述高斯模型组。

5.根据权利要求1所述的一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述根据所述高斯模型组内所述子高斯模型之间的差异、所述子高斯模型的形态特征和所述高斯模型组内子高斯模型数量在子区域图像数量的占比获得每个所述子高斯模型的代表度包括：

根据代表度公式获得所述代表度，所述代表度公式包括：

其中，

为第

个所述高斯模型组中第

个所述子高斯模型的所述代表度，

为以 自然常数为底的指数函数，

为第

个所述高斯模型组中的所述子高斯模型数量，

为第

个所述高斯模型组中第

个所述子高斯模型的模型均值，

第

个所述高斯模型组中第

个所述子高斯模型的模型均值，

为第

个所述高斯模型组中所有所述子高斯模型的模型 标准差的最小值，

为第

个所述高斯模型组中第

个所述子高斯模型的模型标准差，

为 所述子区域图像数量。

6.根据权利要求1所述的一种基于图像数据的注浆管表面缺陷检测方法，其特征在于，所述根据所述代表度对所述子高斯模型进行筛选，获得代表模型包括：

获取每个所述高斯模型组内的最大代表度，若所述最大代表度大于预设代表度阈值，则以所述最大代表度对应的所述子高斯模型作为所述代表模型。

7.一种基于图像数据的注浆管表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。

Images