CN115861302B - 一种管接头表面缺陷检测方法及系统 - Google Patents

Abstract

本发明提供了一种管接头表面缺陷检测方法及系统，所述方法包括获取管接头的训练数据集与测试数据集；对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；将所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；将所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。本发明通过训练好的表面缺陷检测模型对管接头的缺陷进行检测，以保证表面缺陷检测的准确率和广泛性。

Description

一种管接头表面缺陷检测方法及系统

技术领域

本发明属于缺陷检测的技术领域，具体地涉及管接头表面缺陷检测方法、系统、设备及可读存储介质。

背景技术

管接头起着连接气动装置或液压装置中气液管路的作用，常用于机械、电力、农业以及食品等方面，其应用广泛，是生产生活中不可或缺的零部件。但是，管接头在制造过程中可能会因模锻机冲压、挤压成型等工艺原因或运输存储等原因产生表面缺陷，如裂纹、凹坑和碰伤等，一般来说，裂纹为细长且深的小面积状态，其由于锻造过程中存在较大应力而产生，凹坑为深浅不一的小面积缺陷，因粘连熔渣或加热时间长而产生，碰伤为较浅的大面积块状，一般为堆积或运输过程产生的挤压和碰撞而产生。管接头表面产生上述缺陷时，会使得管接头承压能力降低、腐蚀损坏加速，从而造成漏油漏气以及管接头失效造成等现象，从而引发经济损失。

因此，为增加管接头产品的合格率和出厂率，加工完成后对管接头进行表面缺陷检测至关重要。通常传统小型锻件表面缺陷检测方式均为人工检测，但人工检测容易出现漏检、错检等问题，其成本高，效率低。针对以上问题并结合管接头缺陷可从视觉上观察的特点，大多针对管接头诊断方式则基于机器视觉缺陷检测方法。

机器视觉技术融合了计算机技术和光学技术，具有成本低、效率高、精度高的优点，因此，一些学者基于机器视觉提出了许多管接头表面缺陷检测的方法。为进行智能检测，一种特征选择融合传统机器学习的方法被提出，其针对管接头的特征提取出部分特征，并运用传统的支持向量机(Support Vector Machine, SVM)进行分类；为增强结果的准确率，一种基于卷积神经网络(Convolutional NeuralNetwork, CNN)的方法被提出，其网络结构为卷积层和池化层的叠加，不断挖掘深层特征，最终用Softmax分类器进行分类；为解决数据样本量小的问题，一种基于迁移学习(Transfer Learning, TL)的方法被提出，其将充分样本的源域训练模型应用到较少样本的目标域当中，即利用已有的网络模型进行训练。

目前，机器学习、深度学习以及其改进模型广泛应用于管接头表面缺陷检测当中，机器学习方法预测泛化能力差，精度不够高，深度学习网络则需要大批量数据，此外，如若直接将处理好的图片直接输入深度学习网络中，则其训练时间很长，如若从图片中提取出特征集再进行训练需要精准的选择出代表性高的特征，而且其训练时间虽然变短，但依旧不能达到快速、精准的预测效果。因此，针对管接头的表面缺陷检测，亟需提出一种诊断速度快、准确率高的管接头表面缺陷检测方法及系统。

发明内容

为了解决上述技术问题，本发明提供了一种管接头表面缺陷检测方法及系统，用于解决现有技术中存在的技术问题。

第一方面，该发明提供以下技术方案，一种管接头表面缺陷检测方法，所述方法包括：

获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识，所述测试数据集内包括第二管接头图像；

对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。

相比现有技术，本申请的有益效果为：本申请通过获取管接头的训练数据集与测试数据集，以得到管接头的最终的测试数据以及用于模型训练的训练数据，然后，对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征，通过提取特征以得到训练数据集与测试数据集的特征，以便于表面缺陷检测模型的识别，而后将所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练，通过训练特征对表面缺陷检测模型进行训练，使得表面缺陷检测模型在检测待测管接头时，更加快速、检测效率高同时表面缺陷检测的准确率高，因此本发明通过将训练特征导入表面缺陷检测模型中，对其进行训练，并通过训练好的表面缺陷检测模型对管接头的缺陷进行检测，以保证表面缺陷检测的检测效率、准确率和广泛性。

较佳的，所述获取管接头的训练数据集与测试数据集的步骤包括：

采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；

采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集。

较佳的，所述对所述训练数据集与所述测试数据集进行预处理的步骤包括：

获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：

；

式中， Gray为转化后的灰色像素值， Red为红色通道像素值， Green为绿色通道像素值， Blue为蓝色通道像素值；

将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；

根据所述转化后的灰色像素值 Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；

提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景。

较佳的，所述对所述训练特征与所述测试特征分别进行归一化处理的步骤包括：

通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：

；

式中， y表示归一化之前的特征值，min（ y）表示归一化之前的特征值的最小值，max（ y）表示归一化之前的特征值的最大值， y′表示归一化后的特征值。

较佳的，所述对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练的步骤包括：

通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；

通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；

将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练。

较佳的，所述通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据的步骤包括：

将归一化之后的所述训练特征组合成原始数据矩阵 A，其中原始数据矩阵 A为 m行 n列的矩阵，所述原始数据矩阵 A包括 m个样本、 n个特征；

根据所述原始数据矩阵 A计算协方差矩阵：

；

式中， C为协方差矩阵， A为原始数据矩阵， A ^T 为 A的转置矩阵；

根据所述协方差矩阵计算第一特征向量和第二特征值，按照贡献率求出剩余特征矩阵 P，并根据所述剩余特征矩阵 P计算第一降维特征数据 Y：

；

式中， P为剩余特征矩阵。

较佳的，所述通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据的步骤包括：

对于原始数据矩阵 A存在：

；

式中，U为m阶的正交矩阵，为n阶正交矩阵的转置矩阵，为降序排列的非负的对角线元素组成的矩形对角矩阵；

根据所述原始数据矩阵 A与所述原始数据矩阵 A的转置矩阵 A ^T ，计算对应的第二特征值和第二特征向量，根据奇异向量保存百分比，以得到分解结果，根据所述分解结果得到第二降维特征数据。

较佳的，所述将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练的步骤包括：

将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征 X；

将所述训练选择特征 X导入BLS诊断系统，以完成所述训练选择特征 X到特征节点的映射，以得到映射节点：

；

式中， Z _i 为第 i个映射节点， W _ei 为第一特征映射层随机权重， β _ei 为第一特征映射层随机偏置， X为训练选择特征；

由所述映射节点经过变换生成增强节点：

；

式中，为第j个增强节点，为映射节点集合，为第二特征映射层随机权重，为第二特征映射层随机偏置；

输出所述映射节点与所述增强节点：

；

式中，K为节点集合，为增强节点集合，为所述特征节点和所述增强节点的权重；

根据所述映射节点与所述增强节点计算伪逆，以得到所述特征节点和所述增强节点的权重：

；

根据所述特征节点和所述增强节点的权重，对所述表面缺陷检测模型进行训练。

较佳的，在所述提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征的步骤中，所述训练特征与所述测试特征均包括几何特征、灰度特征和纹理特征；

其中，所述几何特征包括缺陷区域面积、缺陷区域的周长、缺陷区域高宽比、缺陷区域的矩形性和缺陷区域的圆形性；

所述灰度特征包括灰度均值、灰度方差、最大灰度、最小灰度和熵；

纹理特征包括对比度、角二阶矩、逆差分矩、相关性和同质性。

第二方面，该发明提供以下技术方案，一种管接头表面缺陷检测系统，所述系统包括：

获取模块，用于获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识；

处理模块，用于对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

训练模块，用于对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

检测模块，用于将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的管接头表面缺陷检测方法的流程图；

图2为本发明实施例一提供的管接头表面缺陷检测方法中步骤S1的详细流程图；

图3为本发明实施例一提供的管接头表面缺陷检测方法中步骤S2的详细流程图；

图4为本发明实施例一提供的管接头表面缺陷检测方法中步骤S3的详细流程图；

图5为本发明实施例一提供的管接头表面缺陷检测方法中步骤S31的详细流程图；

图6为本发明实施例一提供的管接头表面缺陷检测方法中步骤S32的详细流程图；

图7为本发明实施例一提供的管接头表面缺陷检测方法中步骤S33的详细流程图；

图8为本发明实施例二提供的管接头表面缺陷检测系统的结构框图；

图9为本发明另一实施例提供的计算机设备的硬件结构框图。

以下将结合附图对本发明实施例作进一步说明。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明的实施例，而不能理解为对本发明的限制。

在本发明实施例的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

实施例一

如图1所示，在本发明的第一个实施例中，该发明提供以下技术方案，一种管接头表面缺陷检测方法，所述方法包括：

S1、获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识，所述测试数据集内包括第二管接头图像；

具体的，步骤S1为样本获取过程，通过获取故障的管接头的图像以及对该图像进行故障原因标识，即可得到第一管接头图像与对应的管接头故障标识，形成训练数据集，而通过在流水线上采集连续的管接头的图像，即可得到第二管接头图像，形成测试数据集。

如图2所示，其中，所述步骤S1包括以下步骤：

S11、采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；

具体的，采集第一管接头图像时，在管接头的生产过程中，即会对故障的管接头进行分选，并分析其故障原因，并将故障的管接头的图像以及对应的故障原因输入至数据库中，以得到训练数据集。

S12、采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集；

具体的，采集第二管接头图像时，通过在管接头的流水线上设置一采集相机，按管接头的输送速度设定一采集时间间隔，采集相机按照采集时间间隔即可采集到连续管接头的第二管接头图像。

S2、对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

具体的，在步骤S2中，通过对训练数据集与测试数据集进行预处理之后，可便于后续提取特征的过程，而通过提取训练数据集与测试数据集的特征，以便于后续的表面缺陷检测模型识别训练数据或者测试数据。

如图3所示，具体的，所述步骤S2包括：

S21、获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：

；

式中， Gray为转化后的灰色像素值， Red为红色通道像素值， Green为绿色通道像素值， Blue为蓝色通道像素值；

具体的，所述步骤S21为灰度图转化步骤，将所述训练数据集与所述测试数据集中彩色的第一管接头图像与第二管接头图像中的红、绿、蓝三种像素转换为灰色像素，以减轻模型识别的压力，提高模型训练的速度。

值得说明的是，在完成灰度图转化过程之后，需要将所述训练数据集与所述测试数据集中图片数据的[0，255]的像素值归一化为[0，1]：

；

式中，表示归一化之后的像素值，表示归一化之前的像素值。

S22、将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；

具体的，所述步骤S22为中值滤波去噪步骤，中值滤波去噪为一种非线性平滑技术，在该步骤中，噪声像素基本被周围像素所淹没，可以在几乎不影响原有图像的情况下去除全部噪声，避免噪声对图像的干扰。

S23、根据所述转化后的灰色像素值 Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；

具体的，步骤S23为模糊集合图像增强步骤，第一预设颜色为黑色，第二预设颜色为白色，该步骤的目的为了凸出目标所在区域。

S24、提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景；

具体的，步骤S24为OTSU图像分割步骤，在提取出灰度直方图之后，目标区域和背景区域通常会出现两个驼峰，确定一个灰度值作为阈值，将灰度值小于阈值的点作为目标，大于等于阈值的点作为背景。

值得说明的是，在步骤S2中，所述训练特征与所述测试特征均包括几何特征、灰度特征和纹理特征；

其中，所述几何特征包括缺陷区域面积、缺陷区域的周长、缺陷区域高宽比、缺陷区域的矩形性和缺陷区域的圆形性；

所述灰度特征包括灰度均值、灰度方差、最大灰度、最小灰度和熵；

纹理特征包括对比度、角二阶矩、逆差分矩、相关性和同质性。

S3、对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

具体的，通过将训练特征导入至预设的表面缺陷检测模型中，可通过训练特征训练该表面缺陷检测模型，以提高表面缺陷检测模型的检测速度以及精准度；

值得说明的是，表面缺陷检测模型具体为PCA-SVD-BLS模型，该模型前端为PCA-SVD特征选择模块，利用主成分分析(Principal Component Analysis，PCA)和奇异值分解(Singular ValueDecomposition，SVD)进行双重特征选择，以分别得到第一降维特征数据与第二降维特征数据，之后将第一降维特征数据与第二降维特征数据进行合并，形成训练选择特征，模型后端为宽度学习（Broad Learning System，BLS）模块，即BLS诊断系统，通过训练选择特征完成模型的训练过程。

其中，所述对所述训练特征与所述测试特征分别进行归一化处理的步骤包括：

通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：

；

式中， y表示归一化之前的特征值，min（ y）表示归一化之前的特征值的最小值，max（ y）表示归一化之前的特征值的最大值， y′表示归一化后的特征值；

其中，归一化处理的目的为了使得所述训练特征与所述测试特征具有相同的度量。

且如图4所示，所述步骤S3包括：

S31、通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；

具体的，步骤S31主要通过主成分分析算法对训练特征进行特征选择，以得到第一降维特征数据，其主要对训练特征进行降维处理。

如图5所示，其中，所述步骤S31包括：

S311、将归一化之后的所述训练特征组合成原始数据矩阵 A，其中原始数据矩阵 A为 m行 n列的矩阵，所述原始数据矩阵 A包括 m个样本、 n个特征。

S312、根据所述原始数据矩阵 A计算协方差矩阵：

；

式中， C为协方差矩阵， A为原始数据矩阵， A ^T 为 A的转置矩阵。

S313、根据所述协方差矩阵计算第一特征向量和第二特征值，按照贡献率求出剩余特征矩阵 P，并根据所述剩余特征矩阵 P计算第一降维特征数据 Y：

；

式中， P为剩余特征矩阵。

S32、通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；

具体的，步骤S32主要通过奇异值分解算法对训练特征进行特征选择，以得到第二降维特征数据，其主要对训练特征进行降维处理，通过断奇异值分解来达到降维目的。

如图6所示，其中，所述步骤S32包括：

S321、对于原始数据矩阵 A存在：

；

式中，U为m阶的正交矩阵，为n阶正交矩阵的转置矩阵，为降序排列的非负的对角线元素组成的矩形对角矩阵；

S322、根据所述原始数据矩阵 A与所述原始数据矩阵 A的转置矩阵 A ^T ，计算对应的第二特征值和第二特征向量，根据奇异向量保存百分比，以得到分解结果，根据所述分解结果得到第二降维特征数据；

具体的，步骤S31中的主成分分析算法与步骤S32中的奇异值分解算法组合之后形成了PCA-SVD特征选择模块，利用主成分分析(Principal ComponentAnalysis，PCA)和奇异值分解(Singular ValueDecomposition，SVD)进行双重特征选择，以分别得到第一降维特征数据与第二降维特征数据。

S33、将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练；

具体的，BLS诊断系统具体为一种随机向量函数链接神经网络，其通过求伪逆计算映射节点和增强节点的权重，可以全面提高模型的运算速度和测量精度，以达到训练模型的目的。

如图7所示，其中，所述步骤S33包括：

S331、将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征 X；

S332、将所述训练选择特征 X导入BLS诊断系统，以完成所述训练选择特征 X到特征节点的映射，以得到映射节点：

；

式中， Z _i 为第 i个映射节点， W _ei 第一为特征映射层随机权重， β _ei 第一为特征映射层随机偏置， X为训练选择特征；

S333、由所述映射节点经过变换生成增强节点：

；

式中，为第j个增强节点，为映射节点集合，为第二特征映射层随机权重，为第二特征映射层随机偏置；

S334、输出所述映射节点与所述增强节点：

；

式中，K为节点集合，为增强节点集合，为所述特征节点和所述增强节点的权重；

S335、根据所述映射节点与所述增强节点计算伪逆，以得到所述特征节点和所述增强节点的权重：

；

S336、根据所述特征节点和所述增强节点的权重，对所述表面缺陷检测模型进行训练；

可理解的是，由于BLS诊断系统最大的特点是其仅包含单一层的隐藏层，当面临学习不准确情况时，随时以横向的方式进行增量扩充，极大地解决了深度学习训练时间过长的问题，加之PCA-SVD特征选择模块所采用的双特征选择方法已经对训练特征进行了降维处理，因此，使得表面缺陷检测模型具备快速检测、准确率高的特点。

S4、将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测；

具体的，将归一化之后的所述测试特征输入至训练之后的所述表面缺陷检测模型中，由于模型事先经过训练，可根据输入至的测试特征自动判别其故障类型，并输出与测试特征对应的管接头故障标识，完成最终的管接头的表面缺陷识别。

值得一提的是，经过一段时间的检测后，诊断过的测试数据再次进行少部分人工检测，并将之替换部分训练数据集中的数据，对数据进行实时更新，从而保证训练数据集的广泛性和故障的多样性。

本实施例一的好处在于：通过获取管接头的训练数据集与测试数据集，以得到管接头的最终的测试数据以及用于模型训练的训练数据，然后，对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征，通过提取特征以得到训练数据集与测试数据集的特征，以便于表面缺陷检测模型的识别，而后将所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练，通过训练特征对表面缺陷检测模型进行训练，使得表面缺陷检测模型在检测待测管接头时，更加快速、检测效率高同时表面缺陷检测的准确率高，因此本发明通过将训练特征导入表面缺陷检测模型中，对其进行训练，并通过训练好的表面缺陷检测模型对管接头的缺陷进行检测，以保证表面缺陷检测的检测效率、准确率和广泛性。

实施例二

如图8所示，在本发明的第二个实施例提供了一种管接头表面缺陷检测系统，所述系统包括：

获取模块1，用于获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识；

处理模块2，用于对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

训练模块3，用于对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

检测模块4，用于将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测；

其中，所述获取模块1包括：

第一采集子模块，用于采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；

第二采集子模块，用于采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集。

所述处理模块2包括：

灰度图转化子模块，获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：

；

式中， Gray为转化后的灰色像素值， Red为红色通道像素值， Green为绿色通道像素值， Blue为蓝色通道像素值；

中值滤波去噪子模块，用于将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；

模糊集合图像增强子模块，用于根据所述转化后的灰色像素值 Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；

OTSU图像分割子模块，用于提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景。

所述训练模块3包括：

归一化子模块，用于通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：

；

式中， y表示归一化之前的特征值，min（ y）表示归一化之前的特征值的最小值，max（ y）表示归一化之前的特征值的最大值， y′表示归一化后的特征值。

所述训练模块3还包括：

第一特征选择子模块，用于通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；

第二特征选择子模块，用于通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；

训练子模块，用于将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练。

所述第一特征选择子模块包括：

组合单元，用于将归一化之后的所述训练特征组合成原始数据矩阵 A，其中原始数据矩阵 A为 m行 n列的矩阵，所述原始数据矩阵 A包括 m个样本、 n个特征；

第一计算单元，用于根据所述原始数据矩阵 A计算协方差矩阵：

；

式中， C为协方差矩阵， A为原始数据矩阵， A ^T 为 A的转置矩阵；

第二计算单元，用于根据所述协方差矩阵计算第一特征向量和第二特征值，按照贡献率求出剩余特征矩阵 P，并根据所述剩余特征矩阵 P计算第一降维特征数据 Y：

；

式中， P为剩余特征矩阵。

所述第二特征选择子模块包括：

第三计算单元，用于对于原始数据矩阵 A存在：

；

式中，U为m阶的正交矩阵，为n阶正交矩阵的转置矩阵，为降序排列的非负的对角线元素组成的矩形对角矩阵；

第四计算单元，用于根据所述原始数据矩阵 A与所述原始数据矩阵 A的转置矩阵 A ^T ，计算对应的第二特征值和第二特征向量，根据奇异向量保存百分比，以得到分解结果，根据所述分解结果得到第二降维特征数据。

所述训练子模块包括：

合并单元，用于将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征 X；

导入单元，用于将所述训练选择特征 X导入BLS诊断系统，以完成所述训练选择特征 X到特征节点的映射，以得到映射节点：

；

式中， Z _i 为第 i个映射节点， W _ei 为第一特征映射层随机权重， β _ei 为第一特征映射层随机偏置， X为训练选择特征；

增强节点生成单元，用于由所述映射节点经过变换生成增强节点：

；

式中，为第j个增强节点，为映射节点集合，为第二特征映射层随机权重，为第二特征映射层随机偏置；

输出单元，用于输出所述映射节点与所述增强节点：

；

式中，K为节点集合，为增强节点集合，为所述特征节点和所述增强节点的权重；

权重计算单元，用于根据所述映射节点与所述增强节点计算伪逆，以得到所述特征节点和所述增强节点的权重：

；

训练单元，用于根据所述特征节点和所述增强节点的权重，对所述表面缺陷检测模型进行训练。

在本发明的另一些实施例中，本发明实施例提供以下技术方案，一种计算机设备，包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序，所述处理器101执行所述计算机程序时实现上所述的管接头表面缺陷检测方法。

具体的，上述处理器101可以包括中央处理器（CPU），或者特定集成电路（Application SpecificIntegrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器102可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器102可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器102可在数据处理装置的内部或外部。在特定实施例中，存储器102是非易失性（Non-Volatile）存储器。在特定实施例中，存储器102包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-Only Memory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random AccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page ModeDynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（Extended Date Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous DynamicRandom-Access Memory，简称SDRAM）等。

存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器101所执行的可能的计算机程序指令。

处理器101通过读取并执行存储器102中存储的计算机程序指令，以实现上述管接头表面缺陷检测方法。

在其中一些实施例中，计算机还可包括通信接口103和总线100。其中，如图9所示，处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。

通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线100包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线100包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线100可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry StandardArchitecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry StandardArchitecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral ComponentInterconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnologyAttachment，简称为SATA）总线、视频电子标准协会局部（VideoElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以基于获取到管接头表面缺陷检测系统，执行本申请的管接头表面缺陷检测方法，从而实现管接头表面缺陷的检测。

在本发明的再一些实施例中，结合上述的管接头表面缺陷检测方法，本发明实施例提供以下技术方案，一种可读存储介质，所述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上述的管接头表面缺陷检测方法。

本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种管接头表面缺陷检测方法，其特征在于，所述方法包括：

获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识，所述测试数据集内包括第二管接头图像；

对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测；

其中，对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练的步骤包括：

通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；

通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；

将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练；

其中，所述将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练的步骤包括：

将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征X；

将所述训练选择特征X导入BLS诊断系统，以完成所述训练选择特征X到特征节点的映射，以得到映射节点：

；

式中，Z _i为第i个映射节点，W _ei为第一特征映射层随机权重，β _ei为第一特征映射层随机偏置，X为训练选择特征；

由所述映射节点经过变换生成增强节点：

；

式中，为第j个增强节点，为映射节点集合，为第二特征映射层随机权重，为第二特征映射层随机偏置；

输出所述映射节点与所述增强节点：

；

式中，K为节点集合，为增强节点集合，为所述特征节点和所述增强节点的权重；

根据所述映射节点与所述增强节点计算伪逆，以得到所述特征节点和所述增强节点的权重：

；

根据所述特征节点和所述增强节点的权重，对所述表面缺陷检测模型进行训练。

2.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述获取管接头的训练数据集与测试数据集的步骤包括：

采集故障管接头的第一管接头图像，对所述第一管接头图像进行故障标签分类，以得到与所述第一管接头图像对应的所述管接头故障标识，结合所述第一管接头图像与对应的所述管接头故障标识，组成训练数据集；

采集连续的管接头的第二管接头图像，将所述第二管接头图像组成测试数据集。

3.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述对所述训练数据集与所述测试数据集进行预处理的步骤包括：

获取所述训练数据集与所述测试数据集的红色通道像素值、绿色通道像素值、蓝色通道像素值，根据所述红色通道像素值、绿色通道像素值、蓝色像素值进行灰度图转化：

；

式中，Gray为转化后的灰色像素值，Red为红色通道像素值，Green为绿色通道像素值，Blue为蓝色通道像素值；

将所述训练数据集与所述测试数据集中的每个像素点的灰度值设置为该像素点任一邻域窗口内的所有邻域像素点灰度值的中值，以得到滤波像素点；

根据所述转化后的灰色像素值Gray将所述滤波像素点进行划分，将像素值小于第一阈值的所述滤波像素点设置为第一预设颜色，将像素值大于第二阈值的所述滤波像素点设置为第二预设颜色，将像素值处于所述第一阈值与所述第二阈值之间的所述滤波像素点设置为原始颜色，以得到增强像素点；

提取所述增强像素点的灰度直方图，将所述灰度直方图中小于灰度阈值的所述增强像素点作为目标，将所述灰度直方图中大于灰度阈值的所述增强像素点作为背景。

4.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述对所述训练特征与所述测试特征分别进行归一化处理的步骤包括：

通过归一化公式对所述训练特征与所述测试特征分别进行归一化处理，其中所述归一化公式为：

；

式中，y表示归一化之前的特征值，min（y）表示归一化之前的特征值的最小值，max（y）表示归一化之前的特征值的最大值，y′表示归一化后的特征值。

5.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，所述通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据的步骤包括：

将归一化之后的所述训练特征组合成原始数据矩阵A，其中原始数据矩阵A为m行n列的矩阵，所述原始数据矩阵A包括m个样本、n个特征；

根据所述原始数据矩阵A计算协方差矩阵：

；

式中，C为协方差矩阵，A为原始数据矩阵，A ^T为A的转置矩阵；

根据所述协方差矩阵计算第一特征向量和第二特征值，按照贡献率求出剩余特征矩阵P，并根据所述剩余特征矩阵P计算第一降维特征数据Y：

；

式中，P为剩余特征矩阵。

6.根据权利要求5所述的管接头表面缺陷检测方法，其特征在于，所述通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据的步骤包括：

对于原始数据矩阵A存在：

；

式中，U为m阶的正交矩阵，为n阶正交矩阵的转置矩阵，为降序排列的非负的对角线元素组成的矩形对角矩阵；

根据所述原始数据矩阵A与所述原始数据矩阵A的转置矩阵A ^T，计算对应的第二特征值和第二特征向量，根据奇异向量保存百分比，以得到分解结果，根据所述分解结果得到第二降维特征数据。

7.根据权利要求1所述的管接头表面缺陷检测方法，其特征在于，在所述提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征的步骤中，所述训练特征与所述测试特征均包括几何特征、灰度特征和纹理特征；

其中，所述几何特征包括缺陷区域面积、缺陷区域的周长、缺陷区域高宽比、缺陷区域的矩形性和缺陷区域的圆形性；

所述灰度特征包括灰度均值、灰度方差、最大灰度、最小灰度和熵；

纹理特征包括对比度、角二阶矩、逆差分矩、相关性和同质性。

8.一种管接头表面缺陷检测系统，其特征在于，所述系统包括：

获取模块，用于获取管接头的训练数据集与测试数据集，其中，所述训练数据集内包括第一管接头图像以及与所述第一管接头图像对应的管接头故障标识；

处理模块，用于对所述训练数据集与所述测试数据集进行预处理，并提取所述训练数据集与所述测试数据集的图像特征，以得到训练特征与测试特征；

训练模块，用于对所述训练特征与所述测试特征分别进行归一化处理，并将归一化之后的所述训练特征导入预设的表面缺陷检测模型中，对所述表面缺陷检测模型进行训练；

检测模块，用于将归一化之后的所述测试特征导入训练后的所述表面缺陷检测模型中，输出所述测试特征对应的所述管接头故障标识，以完成所述管接头的表面缺陷检测；

其中，所述训练模块包括：

第一特征选择子模块，用于通过所述表面缺陷检测模型内置的主成分分析算法对归一化之后的所述训练特征进行第一特征选择，以得到第一降维特征数据；

第二特征选择子模块，用于通过所述表面缺陷检测模型内置的奇异值分解算法对归一化之后的所述训练特征进行第二特征选择，以得到第二降维特征数据；

训练子模块，用于将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征，并将所述训练选择特征导入所述表面缺陷检测模型内置的BLS诊断系统中，对所述表面缺陷检测模型进行训练；

其中，所述训练子模块包括：

合并单元，用于将所述第一降维特征数据与所述第二降维特征数据进行合并，以得到训练选择特征X；

导入单元，用于将所述训练选择特征X导入BLS诊断系统，以完成所述训练选择特征X到特征节点的映射，以得到映射节点：

；

式中，Z _i为第i个映射节点，W _ei为第一特征映射层随机权重，β _ei为第一特征映射层随机偏置，X为训练选择特征；

增强节点生成单元，用于由所述映射节点经过变换生成增强节点：

；

式中，为第j个增强节点，为映射节点集合，为第二特征映射层随机权重，为第二特征映射层随机偏置；

输出单元，用于输出所述映射节点与所述增强节点：

；

式中，K为节点集合，为增强节点集合，为所述特征节点和所述增强节点的权重；

权重计算单元，用于根据所述映射节点与所述增强节点计算伪逆，以得到所述特征节点和所述增强节点的权重：

；

训练单元，用于根据所述特征节点和所述增强节点的权重，对所述表面缺陷检测模型进行训练。

Images