基于机器视觉的大直径压力钢管涂装色差检测方法与流程

本技术涉及图像数据处理领域，具体涉及基于机器视觉的大直径压力钢管涂装色差检测方法。

背景技术：

1、大直径压力钢管是指直径较大的压力管，通常指直径大于200毫米的管道。这种管道主要用于高压流体输送、化工、石油、天然气等领域，具有较高的强度、耐压能力和稳定性。由于大直径压力钢管的制造和运输成本较高，因此其使用范围受到一定的限制。在实际应用中，根据不同的工程需求，可以选择不同直径和大小的压力钢管来满足要求。比如，长距离输水工程中通过山谷、河流、洼地、道路或其他渠道的压力输水管道，是一种渠道交叉建筑物、大型调水工程和灌溉渠系中的重要设施之一，需要高水平的设计、施工以及技术管理，因此对钢管的智能化涂装是确保工程质量的重要环节之一。

2、在对大直径压力钢管投入生产使用时，通常会对大直径压力钢管的表面进行涂装。大直径钢管表面的涂装不仅可以提高外观美观度，还可以保护钢管表面不受腐蚀和氧化，所以对钢管表面进行涂装色差检测对于保证产品质量、提高生产效率和降低生产成本具有重要的意义。因此，对大直径压力钢管的表面进行涂装的质量检测尤为重要。通常是采用机器视觉技术结合集成学习算法来检验钢管表面的涂装色差进行检测，其中常用的一种算法是adaboost算法，而传统的adaboost算法对钢管表面的涂装色差进行检测，因异常训练样本较少的特性，且异常训练样本易与正常训练样本相混合，影响检测模型的模型精度，导致所训练的检测模型的检测结果准确度较低。

技术实现思路

1、鉴于以上内容，有必要提供一种基于机器视觉的大直径压力钢管涂装色差检测，相对于传统的大直径压力钢管涂装色差检测，提高了大直径压力钢管涂装色差的检测准确度。

2、本技术第一方面提供一种基于机器视觉的大直径压力钢管涂装色差检测方法，所述方法包括：基于初始异常训练样本的目标异常像素点与其对应的邻域像素点的灰度值，以及目标异常像素点在预设数量方向上的梯度值，确认目标异常像素点对应的凸显程度，其中，所述初始异常训练样本通过多角度拍摄的若干数量钢管图像进行获取；根据目标异常像素点在初始训练中的分类正确率与训练权重，以及目标异常像素点对应特征向量的余弦相似度，计算目标异常像素点对应的反光相似度，所述初始训练是指通过预设训练算法将所述初始异常训练样本进行预设次数的训练；通过所述目标异常像素点对应的凸显程度与反光相似度，确认目标异常像素点对应的抽样概率；基于所述初始异常训练样本中所有异常像素点对应的抽样概率进行抽样，构建优化异常像素点，以确认最终异常训练样本；将所述最终异常训练样本进行预设训练算法的训练，确认增强色差检测模型，以对多角度拍摄的若干数量钢管图像进行涂装色差检测。

3、在其中一种实施例中，所述基于初始异常训练样本的目标异常像素点与其对应的邻域像素点的灰度值，以及目标异常像素点在预设数量方向上的梯度值，确认目标异常像素点对应的凸显程度，其中，所述初始异常训练样本通过多角度拍摄的若干数量钢管图像进行获取，具体包括：将多角度拍摄的若干数量钢管图像中的像素点配置标签，获取初始异常训练样本，其中，所述初始异常训练样本包括异常像素点与正常像素点；根据目标异常像素点对应的邻域平均灰度值以及图像平均灰度值，计算目标异常像素点对应的灰度值差异值，所述邻域平均灰度值是指目标异常像素点所在的预设邻域内邻域像素点的灰度值平均值，图像平均灰度值是指目标异常像素点所在的钢管图像的灰度值平均值；基于目标异常像素点在预设数量方向上的预设数量个像素点的梯度值，计算目标异常像素点对应的平均灰度变化速度；通过目标异常像素点在预设数量方向上的预设数量个像素点内的最大梯度值，计算目标异常像素点对应的平均最大梯度值；将所述目标异常像素点对应的灰度值差异值、平均灰度变化速度以及平均最大梯度值作为计算参数，计算目标异常像素点对应的凸显程度。

4、在其中一种实施例中，所述预设邻域为5×5个像素点，所述预设数量方向为以水平线为基准，互相间隔45°的八个方向，在计算目标异常像素点对应的平均灰度变化速度时像素点的预设数量为20个，在计算目标异常像素点对应的平均最大梯度值时像素点的预设数量为20个，对应的，所述将所述目标异常像素点对应的灰度值差异值、平均灰度变化速度以及平均最大梯度值作为计算参数，计算目标异常像素点对应的凸显程度，具体包括：

5、其中，为目标异常像素点对应的凸显程度，为目标异常像素点在预设邻域内的第个邻域像素点的灰度值，为目标异常像素点在对应钢管图像内的第个图像像素点的灰度值，为目标异常像素点在对应钢管图像内的图像像素点的总数量，为目标异常像素点在第个方向上第个像素点对应的梯度值，为目标异常像素点在第个方向上第个像素点与图像中心的中心距离，为归一化函数，为最大值函数。

6、在其中一种实施例中，所述根据目标异常像素点在初始训练中的分类正确率与训练权重，以及目标异常像素点对应特征向量的余弦相似度，计算目标异常像素点对应的反光相似度，所述初始训练是指通过预设训练算法将所述初始异常训练样本进行预设次数的训练，具体包括：通过预设训练算法将所述初始异常训练样本进行十次训练，统计初始异常训练样本中每个异常像素点在十次训练过程中的分类正确率以及每次训练对应的训练权重；根据目标异常像素点对应的特征向量与其对应的类簇内所有正常像素点对应的特征向量，计算目标异常像素点对应特征向量的余弦相似度，其中，所述目标异常像素点对应的类簇，是指将所述目标异常像素点对应的钢管图像所有像素点映射到特征空间中，并将对特征空间中所有像素点对应的特征向量进行聚类，得到预设数量的类簇；统计目标异常像素点对应的类簇中正常像素点与类簇所有像素点做商计算，确认目标异常像素点对应的正常像素占比；将目标异常像素点在初始训练中的分类正确率与训练权重、余弦相似度以及正常像素占比作为计算参数，计算目标异常像素点对应的反光相似度。

7、在其中一种实施例中，所述将目标异常像素点在初始训练中的分类正确率与训练权重、余弦相似度以及正常像素占比作为计算参数，计算目标异常像素点对应的反光相似度，具体包括：

8、其中，为目标异常像素点对应的反光相似度，为目标异常像素点在初始训练中的分类正确率，为目标异常像素点对应的训练权重，为目标异常像素点在初始训练中第j次训练对应的训练权重的一阶差分，为目标异常像素点在初始训练中第次训练对应的训练权重的一阶差分的方向，为目标异常像素点对应的特征向量，为目标异常像素点对应的类簇内正常像素点的特征向量，为目标异常像素点对应的类簇内正常像素点的数量，为目标异常像素点对应的类簇内所有像素点的数量，为阶跃函数，为余弦值函数。

9、在其中一种实施例中，所述通过所述目标异常像素点对应的凸显程度与反光相似度，确认目标异常像素点对应的抽样概率，具体包括：根据目标异常像素点对应的凸显程度与初始异常训练样本中其他异常像素点对应的凸显程度的差值，计算目标异常像素点对应的平均凸显程度差异值；基于目标异常像素点对应的反光相似度与初始异常训练样本中其他异常像素点的反光相似度，计算目标异常像素点对应的平均反光相似度；将所述目标异常像素点对应的平均凸显程度差异值与平均反光相似度作为计算参数，计算目标异常像素点对应的权重系数；将所述目标异常像素点对应的权重系数与初始异常训练样本中所有异常像素点的权重系数之和的比值，作为目标异常像素点对应的抽样概率。

10、在其中一种实施例中，所述将所述目标异常像素点对应的平均凸显程度差异值与平均反光相似度作为计算参数，计算目标异常像素点对应的权重系数，具体包括：

11、其中，为目标异常像素点对应的权重系数，为目标异常像素点对应的初始异常训练样本中其他异常像素点的数量，为目标异常像素点对应的凸显程度，为目标异常像素点对应的其他异常像素点对应的凸显程度，为目标异常像素点对应的平均凸显程度差异值，为目标异常像素点对应的反光相似度，为目标异常像素点对应的平均反光相似度，为以自然常数为底的指数函数。

12、在其中一种实施例中，所述将所述目标异常像素点对应的权重系数与初始异常训练样本中所有异常像素点的权重系数之和的比值，作为目标异常像素点对应的抽样概率，具体包括：

13、其中，为目标异常像素点对应的抽样概率为目标异常像素点对应的权重系数，为目标异常像素点对应的初始异常训练样本中所有异常像素点的权重系数之和。在其中一种实施例中，所述基于所述初始异常训练样本中所有异常像素点对应的抽样概率进行抽样，构建优化异常像素点，以确认最终异常训练样本，具体包括：基于所述初始异常训练样本中所有异常像素点对应的抽样概率进行抽样，抽取预设数量个异常像素点；将预设数量个异常像素点的灰度值均值，作为优化异常像素点的灰度值，以完成一个优化异常像素点的构建；返回初始步骤，直至达到样本平衡，确认最终异常训练样本。

14、在其中一种实施例中，所述将所述最终异常训练样本进行预设训练算法的训练，确认增强色差检测模型，以对多角度拍摄的若干数量钢管图像进行涂装色差检测，具体包括：通过最终异常训练样本与正常训练样本进行预设训练算法的训练，构建增强色差检测模型；将所述多角度拍摄的若干数量钢管图像进行涂装色差检测输入增强色差检测模型，获取涂装色差检测结果。

15、本技术实施例提供一种基于机器视觉的大直径压力钢管涂装色差检测方法，所述方法包括：先基于初始异常训练样本的目标异常像素点与其对应的邻域像素点的灰度值，以及目标异常像素点在预设数量方向上的梯度值，确认目标异常像素点对应的凸显程度，其中，所述初始异常训练样本通过多角度拍摄的若干数量钢管图像进行获取，然后根据目标异常像素点在初始训练中的分类正确率与训练权重，以及目标异常像素点对应特征向量的余弦相似度，计算目标异常像素点对应的反光相似度，所述初始训练是指通过预设训练算法将所述初始异常训练样本进行预设次数的训练，再通过所述目标异常像素点对应的凸显程度与反光相似度，确认目标异常像素点对应的抽样概率，并且基于所述初始异常训练样本中所有异常像素点对应的抽样概率进行抽样，构建优化异常像素点，以确认最终异常训练样本，最后将所述最终异常训练样本进行预设训练算法的训练，确认增强色差检测模型，以对多角度拍摄的若干数量钢管图像进行涂装色差检测。通过初始异常训练样本中异常像素点的凸显程度与反光相似度，构建优化异常像素点，以确认最终异常训练样本进行预设训练算法的训练，得到增强色差检测模型再对多角度拍摄的若干数量钢管图像进行涂装色差检测，相对于传统的涂装色差检测，提高了检测准确性。