热收缩管扩管工艺的次品识别方法与流程

1.本发明涉及应用电子设备进行识别的方法领域，具体涉及一种热收缩管扩管工艺的次品识别方法。


背景技术：

2.热收缩管是一种热塑性材料，对其加热就会收缩。热收缩管在常温情况下会保持原来的形状，达到一定温度后使用外力扩张的方式将热收缩管的口径变大，然后迅速冷却到常温的状态使得扩张管材的形状定型。在扩径过程中可能由于温度不合适、扩张外力不合适以及管材本身的材质存在颗粒异物等原因造成一些工艺缺陷，因此需要对扩管后的热收缩管进行缺陷检测。
3.最常见的热收缩管次品缺陷为管材表面有砂眼颗粒、杂质、小缺陷等，日常对于这些缺陷主要依靠人工检测进行识别。
4.但是人工检测效率低、主观性强、且非常容易视觉疲劳。因此本发明提供一种应用电子设备对热收缩管扩管工艺的次品进行识别的方法，可用于自动化识别次品，提高识别效率和精度。


技术实现要素：

5.本发明提供一种热收缩管扩管工艺的次品识别方法，包括：获取热收缩管的灰度直方图；利用灰度直方图波峰间的差异得到存在疑似缺陷的热收缩管；构建存在疑似缺陷热收缩管灰度图的二维直方图，利用二维直方图的灰度和梯度得到背景区域和疑似缺陷区域；获取疑似缺陷区域的疑似边缘像素的梯度方向，根据各像素的该梯度方向上像素的灰度及该梯度方向上像素的邻域像素灰度得到疑似边缘中各像素的异常程度值，进而得到疑似边缘中各像素的增强程度；根据增强程度对疑似边缘进行线性变换得到缺陷区域；利用缺陷区域的面积识别热收缩管是否为次品，相比于现有技术，本发明基于计算机视觉，对采集的可能存在缺陷的图像的二维直方图进行分段，得到背景、边缘和缺陷区域，然后对边缘区域进行图像增强得到增强后的图像，对增强后的图像进行缺陷检测判定热收缩管是否为次品。本发明提供一种应用电子设备对热收缩管扩管工艺的次品进行识别的方法，可用于自动化识别次品，提高识别效率和精度。
6.为达到上述目的，本发明采用以下技术方案，一种热收缩管扩管工艺的次品识别方法，包括：获取待识别的热收缩管的灰度图及灰度直方图。
7.利用灰度直方图中各波峰处的像素点频数计算得到灰度直方图的波峰之间的差异。
8.设置阈值，对灰度直方图的波峰之间的差异进行判断：当灰度直方图的波峰之间的差异小于等于阈值时，该待识别的热收缩管为合格品；当灰度直方图的波峰之间的差异大于阈值时，该待识别的热收缩管为存在疑似缺陷的热收缩管。
9.利用存在疑似缺陷的热收缩管的灰度图中每个像素点的灰度值和梯度值构建热收缩管灰度图的二维直方图。
10.利用二维直方图中的灰度值和梯度值对热收缩管灰度图中所有像素点进行划分，得到热收缩管区域灰度图中的背景区域和疑似缺陷区域。
11.获取疑似缺陷区域的疑似边缘区域中每个像素点的梯度方向，根据每个像素点的该梯度方向上像素点的灰度值及该梯度方向上像素点的邻域像素点灰度值得到疑似边缘区域中各像素点的异常程度值。
12.利用疑似边缘区域中各像素点的异常程度值计算得到疑似边缘区域中各像素点的增强程度。
13.根据疑似边缘区域中各像素点的增强程度对疑似边缘区域中的各像素点进行线性变换，利用增强后的疑似边缘区域得到缺陷区域。
14.利用缺陷区域的面积占比识别热收缩管是否为次品。
15.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述灰度直方图的波峰之间的差异的表达式如下：式中，表示灰度直方图的波峰之间的差异，h表示灰度直方图中的最高峰值处像素的频数，表示灰度直方图中除最高峰之外的第j个波峰处的像素频数，b为波峰数量。
16.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述热收缩管区域灰度图中的背景区域和疑似缺陷区域是按照如下方式得到：将二维直方图中的灰度直方图的第一高峰的右侧波谷对应的灰度值作为灰度值第一阈值，第二高峰的左侧波谷对应的灰度值作为灰度值第二阈值。
17.利用灰度值第一阈值和灰度值第二阈值将热收缩管区域灰度图中所有像素点划分为第一背景区域像素点、第一边缘区域像素点和第一缺陷区域像素点。
18.将二维直方图中的梯度直方图的第一波谷对应的梯度值作为梯度值第一阈值，最后一个波谷对应的梯度值作为梯度值第二阈值。
19.利用梯度值第一阈值和梯度值第二阈值将热收缩管区域灰度图中所有像素点划分为第二背景区域像素点、第二边缘区域像素点和第二缺陷区域像素点。
20.将第一背景区域像素点和第二背景区域像素点进行合并得到热收缩管区域灰度图中的背景区域，第一缺陷区域像素点和第二缺陷区域像素点进行合并得到热收缩管区域灰度图中的疑似缺陷区域，第一边缘区域像素点和第二边缘区域像素点进行合并得到热收缩管区域灰度图中疑似缺陷区域的疑似边缘区域。
21.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述疑似边缘区域中各像素点的异常程度值是按照如下方式得到：以疑似边缘区域中各像素点为原点，设置初始半径为0，对各原点及其梯度方向上的相邻像素点的梯度方向进行判断：当两者的梯度方向的差值大于等于5
°
时，则将该初始半径作为原点梯度方向上的最大半径；当两者的梯度方向的差值小于5
°
时，则将该相邻像
素点作为半径内的像素点，并按照上述方式继续对该相邻像素点的相邻像素点进行迭代判断，直到相邻两像素点的梯度方向的差值大于等于5
°
时，停止迭代，得到疑似边缘区域中各像素点梯度方向上的最大半径。
22.以疑似边缘区域中各像素点梯度方向上的最大半径内各像素点为中心像素点，获取各中心像素点的八邻域像素点的灰度值。
23.将各中心像素点的八邻域像素点展开为一串序列，对各中心像素点的灰度值及其八邻域像素点的灰度值进行判断：当各中心像素点的灰度值大于其八邻域像素点的灰度值时，将其八邻域像素点的灰度值设为1；当各中心像素点的灰度值小于等于其八邻域像素点的灰度值时，将其八邻域像素点的灰度值设为0，按照上述方式得到疑似边缘区域中各像素点梯度方向上的最大半径内各像素点的序列串数值。
24.利用疑似边缘区域中各像素点梯度方向上的最大半径内各像素点的序列串数值计算得到疑似边缘区域中各像素点的异常程度值。
25.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述疑似边缘区域中各像素点的增强程度的表达式如下：式中，表示疑似边缘区域中各像素点的增强程度，表示疑似边缘区域中各像素点的异常程度值，表示疑似边缘区域中各像素点梯度方向上的最大半径。
26.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述利用缺陷区域的面积占比识别热收缩管是否为次品的过程具体如下：统计缺陷区域和热收缩管区域的像素点个数并作比，得到缺陷区域的面积占比。
27.设置阈值，对缺陷区域的面积占比进行判断：当缺陷区域的面积占比大于阈值时，则将该热收缩管识别为次品。
28.进一步的，所述一种热收缩管扩管工艺的次品识别方法，所述待识别的热收缩管的灰度图及灰度直方图是按照如下方式获取：采集待识别的热收缩管图像。
29.对热收缩管图像进行去噪处理，得到去噪后的热收缩管图像。
30.对去噪后的热收缩管图像进行语义分割，得到热收缩管区域图像。
31.对热收缩管区域图像进行灰度化处理，获取待识别的热收缩管的灰度图。
32.利用热收缩管的灰度图中的每个像素点的灰度值获取待识别的热收缩管的灰度直方图。
33.本发明的有益效果在于：本发明基于计算机视觉，对采集的可能存在缺陷的图像的二维直方图进行分段，得到背景、边缘和缺陷区域，然后对边缘区域进行图像增强得到增强后的图像，对增强后的图像进行缺陷检测判定热收缩管是否为次品。本发明提供一种应用电子设备对热收缩管扩管工艺的次品进行识别的方法，可用于自动化识别次品，提高识别效率和精度。
附图说明
34.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，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。
35.图1为本发明实施例1提供的一种热收缩管扩管工艺的次品识别方法流程示意图。
36.图2为本发明实施例2提供的一种热收缩管扩管工艺的次品识别方法流程示意图。
37.图3为本发明实施例2提供的一种序列串示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.实施例1本发明实施例提供一种热收缩管扩管工艺的次品识别方法，如图1所示，包括：s101、获取待识别的热收缩管的灰度图及灰度直方图。
40.其中，灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。
41.s102、利用灰度直方图中各波峰处的像素点频数计算得到灰度直方图的波峰之间的差异。
42.其中，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。
43.s103、设置阈值，对灰度直方图的波峰之间的差异进行判断：当灰度直方图的波峰之间的差异小于等于阈值时，该待识别的热收缩管为合格品；当灰度直方图的波峰之间的差异大于阈值时，该待识别的热收缩管为存在疑似缺陷的热收缩管。
44.其中，波峰之间的差异越大，对应图像存在缺陷的可能性也越大。
45.s104、利用存在疑似缺陷的热收缩管的灰度图中每个像素点的灰度值和梯度值构建热收缩管灰度图的二维直方图。
46.其中，二维直方图为灰度-梯度二维直方图。
47.s105、利用二维直方图中的灰度值和梯度值对热收缩管灰度图中所有像素点进行划分，得到热收缩管区域灰度图中的背景区域和疑似缺陷区域。
48.其中，根据像素自身灰度值与梯度的特征将图像直方图划分区域。
49.s106、获取疑似缺陷区域的疑似边缘区域中每个像素点的梯度方向，根据每个像素点的该梯度方向上像素点的灰度值及该梯度方向上像素点的邻域像素点灰度值得到疑似边缘区域中各像素点的异常程度值。
50.其中，异常程度值用于计算像素点的增强程度。
51.s107、利用疑似边缘区域中各像素点的异常程度值计算得到疑似边缘区域中各像素点的增强程度其中，当像素点梯度方向的半径越大时，说明该点是缺陷区域的边缘点的可能性
很大，当该点的异常程度越大，说明其周围像素点的异常程度也高，也是属于缺陷区域周围的点。
52.s108、根据疑似边缘区域中各像素点的增强程度对疑似边缘区域中的各像素点进行线性变换，利用增强后的疑似边缘区域得到缺陷区域。
53.其中，图像灰度的线性变换就是将图像中所有的点的灰度按照线性灰度变换函数进行变换。
54.s109、利用缺陷区域的面积占比识别热收缩管是否为次品。
55.其中，设置阈值，当面积占比大于阈值时识别为次品。
56.本实施例的有益效果在于：本实施例基于计算机视觉，对采集的可能存在缺陷的图像的二维直方图进行分段，得到背景、边缘和缺陷区域，然后对边缘区域进行图像增强得到增强后的图像，对增强后的图像进行缺陷检测判定热收缩管是否为次品。本实施例提供一种应用电子设备对热收缩管扩管工艺的次品进行识别的方法，可用于自动化识别次品，提高识别效率和精度。
57.实施例2本实施例的主要目的是：使用二维直方图对图像进行分段，达到对背景、边缘、目标缺陷区域的选择性增强的效果。
58.针对热收缩管扩管工艺流程中生产出的次品检测问题，通过图像增强技术，对可能的次品图像进行增强，使得能够明显的观测出缺陷区域，从而判定是否为次品。
59.本发明实施例提供一种热收缩管扩管工艺的次品识别方法，如图2所示，包括：s201、获取热收缩管区域灰度图。
60.在生产线上方放置采集装置，采集生产过程中的热收缩管图像，由于采集过程中存在噪声以及光线等的干扰，因此需要将采集到的图像先进行高斯滤波降噪处理。
61.对图像进行增强需要提取出图像中的热收缩管区域，然后对热收缩管进行直方图分段图像均衡化增强，使得图像的对比度增强。采用dnn网络来识别和提取图像中的热收缩管区域。
62.该dnn网络的步骤方法如下：1)使用的数据集为图像采集过程中热收缩管表面图像的数据集，且待提取的热收缩管形态多种多样。
63.2)需要分割的像素共有两类，即训练数据集对应的标签标注过程为：对应语义分割为单通道，图像中背景区域的像素点标注为0，待提取区域像素点标注为1。
64.3)网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
65.4)得到的语义分割图像中背景区域的像素值为0，热收缩管区域的像素值为1，将该图像作为掩膜，与原图像进行计算，得到热收缩管区域的图像，计算公式如下：式中为背景区域像素点的像素值，为目标区域像素点的像素值。
66.5)通过公式，去除了背景的影响，得到了只含热收缩管区域的图像。
67.6)将热收缩管区域图像转换为灰度图像。
68.至此，获得热收缩管区域的灰度图像。
69.s202、判断当前图像存在缺陷的可能性。
70.由于采集到的图像中存在两种情况，一种是该图像中的热收缩管可能存在缺陷，另一种是该图像中的热收缩管可能不存在缺陷。因此我们首先需要判断当前图像存在缺陷的可能性。
71.获取图像灰度直方图，存在缺陷的图像，其直方图特征与不存在缺陷的图像直方图存在形状差异。主要表现为无缺陷图像的灰度直方图大体上基本是单峰，而存在缺陷的图像直方图一定表现为多峰的特征。根据这一差异判断当前图像存在缺陷的可能性。
72.获取灰度直方图上的波峰数量b，计算波峰之间的差异的计算公式为：式中h为灰度直方图中的最高峰值处像素的频数，为图像直方图中除最高峰之外的第j个波峰处的像素频数，b为波峰数量。
73.计算最高峰与其余波峰之间频数的方差，当前图像无缺陷时，即m=1时，值越小，对应图像存在缺陷的可能性越小；反之如果图像存在缺陷，直方图存在多峰，则值越大，对应图像存在缺陷的可能性也越大。
74.当图像存在缺陷的可能性》0.2时，认为图像的存在缺陷的可能性较大，需要对其进一步分析计算。
75.s203、获取图像二维直方图。
76.如果对整幅图像的直方图进行均衡化处理，很容易损失细节信息，使得图像采集过程中的一些小影响导致非缺陷区域的点也被增强，因此可以通过对直方图分段进行增强，主要是将图像直方图中背景区域与边缘区域以及缺陷区域区分出来，再对各部分进行选择性的变换，这样不仅不会损失细节，还会使得细节增强，对比度更加明显。所述背景区域为热收缩管区域图像中的正常区域，边缘区域为缺陷区域和正常区域之间的过渡区域。
77.一维直方图只能反应出图像的灰度频率，不能反应出图像的空间位置信息，因此绘制图像的灰度-梯度二维直方图，能够反映出图像的位置信息。
78.具体过程为：统计图像中各像素的灰度值，对图像中的像素按照从左向右，从上向下的顺序，使用sobel算子计算图像中各像素点x,y方向上的梯度和。
79.进而求得各像素点的梯度，获得图像中各像素点的灰度与梯度信息后，绘制图像的二维直方图。使用灰度-梯度点对来统计直方图。定义如下：式中m*n是图像的大小，是像素灰度值，是像素梯度值。t（m,n）是灰度值为m梯度值为n的点对的占比。为关于像素梯度值的函数，为关于像素灰度值的函数。
80.s204、根据像素自身灰度特征与空间特征进行直方图分段。
81.图像中的像素之间存在灰度、梯度、频数上的差异，因此根据像素自身灰度值与梯
度的特征将图像直方图划分为三块区域。
82.具体过程为：由于图像中最多的像素是背景像素，背景像素灰度值小，梯度小且频数大；其次是凸点区域的像素，该区域像素灰度值最高、梯度较小且频数较大；而边缘区域的像素灰度较高、梯度最大且频数最小，由此我们根据这些特征将直方图中的灰度轴分为三段，将梯度轴也分为三段。
83.对于灰度直方图来说，选取第一个高峰的右侧波谷作为分割背景区域与边缘区域的阈值，选第二高峰的左侧波谷作为分割边缘区域与凸点区域的阈值，至此灰度被分为三段区间，（0，）为背景区域，（）为边缘区域，（）为凸点区域。
84.同理对于梯度直方图来说，选取第一波谷作为分割背景区域与凸点区域的阈值点，选取最后一个波谷区域作为分割凸点区域与边缘区域的阈值点，至此梯度被分为三段区间，（0，）为背景区域，为凸点区域，为边缘区域。
85.最后得到三个主要区域作为我们的均衡化目标区域，为背景区域，为凸点区域，为可能边缘区域。
86.s205、获取边缘区域各像素点对应的增强程度。
87.对于正常区域与缺陷区域，由于对比度已经较为明显，不需要对其进行增强或抑制，而对于边缘区域内的像素并非都是缺陷边缘区域的像素，很有可能是热收缩管材质的原因或是采集光线的问题导致正常区域的像素点也存在这种灰度与梯度属于边缘区域的情况。因此我们对于边缘像素内的点不能一致的认为该点就是缺陷区域的边缘点进而盲目的对它增强，需要结合每一个像素的自身特征和空间特征区别对待。
88.具体过程为：1.计算像素梯度方向上的最大半径r。
89.当某些像素之间的灰度与梯度都相同时，我们无法判断该点到底是属于凸包缺陷区域的边缘点还是其他非缺陷区域的点。但是对于这两种点之间，他们周围邻域的像素分布是有差别的。
90.凸点区域边缘像素的梯度是指向凸点中心的，并且梯度方向上的点的梯度方向也指向中心。计算像素梯度方向最大半径的过程为：指向中心。计算像素梯度方向最大半径的过程为：指向中心。计算像素梯度方向最大半径的过程为：和为边缘区域中各像素点x,y方向上的梯度，为梯度方向。式中r为以边缘区域中的任意一点为原点开始计算的半径，初始时r=0，为该原点梯度方向上的第i个像素点的梯度方向，为该原点梯度方向上的第个像素点的梯度方向。当梯度方向与上一像素点的梯度方向相差5
°
之内时，将该点算入半径内。
91.按照上述方式不断迭代计算得到边缘区域中每个像素点对应的梯度方向上的最大半径。
92.2.获取像素异常程度值mx。
93.获取半径上各像素的八邻域像素灰度值，比较每一中心像素与其八邻域像素值，将中心点的八邻域像素展开为一串序列，当该中心点的灰度值h》邻域点的灰度值时，将的值设为1，反之设为0，得到序列串的数值如图3所示。
94.当该中心点周围存在较多的点都是比它亮的点时，说明该点距离凸点中心越近，我们需要对其增强，使其亮度更亮，首先根据八邻域像素值计算半径上各点的异常值,进而获取边缘区域各像素点对应的异常程度值为：为：=式中为半径上第g个像素的邻域中第i个像素点的序列串数值，n为半径上各像素的邻域的像素点数量，此处n=8。ag表示半径上第g个像素的异常值。r表示半径上像素的数量。
95.3.计算像素增强程度ma。
96.当像素点梯度方向的半径越大时，说明该点是缺陷区域的边缘点的可能性很大，当该点的异常程度越大，说明其周围像素点的异常程度也高，也是属于缺陷区域周围的点，反之如果梯度方向上的半径小且该点与其周围点的灰度不算异常的话，说明该点不是缺陷区域周围的点。
97.计算像素的增强程度ma为：由此对于是缺陷区域周围的边缘点，我们使用线性变换对其增强，其中b值根据常规经验设定，由于ma》1所以我们对缺陷边缘像素的使用的是线性增强的变换，使其更加亮；同理对于不是缺陷边缘的点，其ma《1所以我们对其使用的是线性抑制，使其更加暗。
98.s206、利用增强后的边缘完成对热收缩管的次品识别。
99.边缘增强后缺陷区域的边缘不再模糊不清，而是变得更加清晰和明显，从而得到缺陷区域。对增强边缘后的图像进行二值化处理，获得热收缩管的二值遮罩图像，二值遮罩图像中正常区域的点值为0，缺陷区域的点为1，将二值遮罩图像与增强边缘后的热收缩管相乘，获得热收缩管的二值图像。
100.统计缺陷区域的大小，统计热收缩管的大小，当缺陷区域的面积占热收缩管面积的5%时或者更大时，认为缺陷严重，判定为次品。
101.本实施例的有益效果在于：本实施例基于计算机视觉，对采集的可能存在缺陷的图像的二维直方图进行分段，得到背景、边缘和缺陷区域，然后对边缘区域进行图像增强得到增强后的图像，对增强
后的图像进行缺陷检测判定热收缩管是否为次品。本实施例提供一种应用电子设备对热收缩管扩管工艺的次品进行识别的方法，可用于自动化识别次品，提高识别效率和精度。
102.以上所述仅为本发明的较佳实施例而已，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。