基于机器学习的不锈钢管缺陷识别系统的制作方法

文档序号:39773202发布日期:2024-10-25 13:51阅读:41来源:国知局
基于机器学习的不锈钢管缺陷识别系统的制作方法

本发明涉及缺陷识别,尤其涉及基于机器学习的不锈钢管缺陷识别系统。


背景技术:

1、缺陷识别技术领域旨在通过自动化手段识别和分类物体表面或结构内部的缺陷,以提高产品质量、安全性和生产效率。广泛应用于制造业、材料科学和质量控制领域,特别是在对金属管材、板材等材料进行检测时,通过利用图像处理、模式识别和机器学习等算法,缺陷识别技术能够自动检测出裂纹、凹陷、气孔、夹杂物和其他缺陷类型,大幅度提升检测的准确性和效率。

2、其中,不锈钢管缺陷识别系统的主要目的是实现不锈钢管材在生产过程中或生产后缺陷的自动化识别和分类,旨在减少人工检查的需求,提高检测速度和准确率,保证不锈钢管材的质量符合工业标准和安全要求,达到降低生产成本、减少因缺陷导致的废品率和提高生产线的自动化水平的效果。

3、传统的缺陷识别系统依赖于较为简单的图像处理技术和人工设定的阈值判断,在处理复杂或微小的缺陷类型时,特别是在不锈钢管这类材料的缺陷识别中,传统系统难以有效区分微小裂纹和轻微腐蚀与正常纹理的差异,导致缺陷检测的准确率和灵敏度不足,传统方法在缺陷分类方面缺乏足够的精确度和适应性,需要大量的人工干预来调整分类标准,增加了生产成本,降低了生产效率,易造成资源浪费、生产延误和产品质量风险。


技术实现思路

1、本发明的目的是解决现有技术中存在的缺点,而提出的基于机器学习的不锈钢管缺陷识别系统。

2、为了实现上述目的,本发明采用了如下技术方案:基于机器学习的不锈钢管缺陷识别系统,所述系统包括:

3、图像处理模块基于原始不锈钢管图像数据,对图像进行亮度调整、对比度增强,去除图像噪声,并执行归一化处理,得到质量增强图像;

4、特征学习选择模块基于所述质量增强图像,将不锈钢管图像分为多个区域,分析每个区域的纹理和形状特征,识别关键缺陷特征,得到基础缺陷特征集;

5、特征调整模块基于所述基础缺陷特征集,识别影响不锈钢管缺陷识别分类的关键特征组合,得到优化缺陷特征集;

6、异常点检测模块基于所述优化缺陷特征集,使用孤立森林算法,对不锈钢管图像进行异常点检测,标识与正常图像特征分布存在差异的图像为缺陷图像,得到标注缺陷图像集;

7、缺陷分类决策模块基于所述标注缺陷图像集,采用梯度提升树,对缺陷进行分类,识别不锈钢管的缺陷类别,得到不锈钢管缺陷分类结果;

8、准确性评估模块基于所述不锈钢管缺陷分类结果,对分类结果的准确性进行评估验证,得到缺陷识别评估结果。

9、本发明改进有,所述质量增强图像具体为亮度调整、对比度增强、边缘强化后的图像,所述基础缺陷特征集包括腐蚀区域纹理特征、裂纹直线特性、缺陷区域形状参数,所述优化缺陷特征集具体为优化后的纹理特征参数、形状特征权重、缺陷识别关键特征,所述标注缺陷图像集包括裂纹标注图像、腐蚀标注图像、缺陷类型标注图像,所述不锈钢管缺陷分类结果具体为裂纹类缺陷识别结果、腐蚀类缺陷识别结果、凹陷类缺陷识别结果,所述缺陷识别评估结果包括分类准确率数据、召回率数据。

10、本发明改进有,所述特征学习选择模块包括:

11、图像分割子模块基于所述质量增强图像,将不锈钢管图像划分为多个区域,每个区域代表不锈钢管的差异化部分,得到区域分割信息;

12、特征提取子模块基于所述区域分割信息,对于每个划分后的区域,分析区域内的纹理细节和形状变化,识别包括腐蚀区域的粗糙度、裂纹区域的直线特性的关键缺陷特征,并从划分后的区域中提取关键特征数据,得到区域缺陷特征集;

13、特征选择子模块基于所述区域缺陷特征集,进行特征重要性分析,通过比较差异化特征在缺陷识别中的贡献度,筛选影响缺陷识别的关键特征,得到基础缺陷特征集。

14、本发明改进有,所述特征调整模块包括:

15、特征变异子模块基于所述基础缺陷特征集,对特征集中的每个特征进行随机调整,改变特征数值,模拟变异过程,分析特征空间中未被覆盖的区域,挖掘影响缺陷识别效果的特征组合,得到随机调整特征集;

16、特征交叉子模块基于所述随机调整特征集,将差异化特征集的特征按照预定规则进行组合,模拟遗传交叉过程,融合差异化特征集中的信息,优化特征描述能力,分析特征之间的潜在相互作用,得到融合特征集;

17、特征评估子模块基于所述融合特征集,评估每一组特征对缺陷识别任务的贡献度,识别并保留影响不锈钢管缺陷识别分类的关键特征组合,并剔除冗余特征,得到优化缺陷特征集。

18、本发明改进有,所述异常点检测模块包括:

19、特征分布分析子模块基于所述优化缺陷特征集,对不锈钢管图像特征的分布进行统计分析,包括计算多种特征的均值、方差和特征间的相关性,建立正常特征分布模型;

20、异常分析子模块基于所述正常特征分布模型,使用孤立森林算法,对所述优化缺陷特征集进行异常点检测,通过构建多棵孤立树隔离观察点,计算每个点的孤立深度,判断其是否为异常,得到异常检测结果;

21、缺陷标识子模块基于所述异常检测结果,将被标记为异常的数据点对应的不锈钢管图像识别为缺陷图像,并进行标注,标注内容包括缺陷的类型和位置,得到标注缺陷图像集。

22、本发明改进有,所述孤立森林算法,按照公式:

23、

24、计算异常分数,其中,s′(x,n,w)为改进的异常分数,反映数据点x的异常程度,x为待评估的数据点,n为样本数量,e(h(x))为数据点x在孤立森林中的平均路径长度,sd(h(x))为数据点x在孤立森林中的路径长度的标准差,c(n)为给定n个样本情况下的正常化因子,cv(n)为样本数量的变异系数,w1、w2、w3分别为原始异常分数的权重系数、路径长度标准差的权重系数和样本数量变异系数的权重系数。

25、本发明改进有,所述缺陷分类决策模块包括:

26、缺陷分类子模块基于所述标注缺陷图像集,采用梯度提升树算法,通过分析图像特征与已知缺陷类型之间的关联性,进行缺陷识别,对多种缺陷进行分类,包括裂纹、腐蚀、凹陷类型,得到缺陷类型识别信息;

27、分类策略调整子模块基于所述缺陷类型识别信息,结合自适应调整策略,对所述梯度提升树的参数进行优化,调整树的深度和学习率,优化分类准确率,得到优化后的缺陷分类模型;

28、分类输出子模块基于所述优化后的缺陷分类模型,对缺陷图像进行分类决策,输出每个图像的缺陷类型,包括分类标签和可能性评分,得到不锈钢管缺陷分类结果。

29、本发明改进有,所述梯度提升树算法,按照公式:

30、

31、计算缺陷分类的目标函数,生成缺陷类型识别信息,其中,obj′为目标函数值,yi为第u个数据点的实际缺陷类型标签,为第i个数据点的预测缺陷类型,由模型给出的缺陷分类结果,为预测值与真实值之间的损失函数,var(yi)为真实缺陷类型标签的方差,fk为模型中的第k棵树,ω(fk)为模型复杂度的正则化项,depth(fk)为第k棵树的深度,α和β为权重系数,分别调整真实标签方差和树深度在目标函数中的影响,n代表训练模型的数据点的总数,k表示使用的树的总数。

32、与现有技术相比,本发明的优点和积极效果在于:

33、本发明中,通过孤立森林算法的应用,能够高效识别数据中的异常点,相较于传统的统计方法或简单的阈值判断,能够更精确地识别出不锈钢管中的微小或不规则缺陷,如微裂纹或轻微腐蚀,从而大幅提升了缺陷检测的灵敏度和准确性,梯度提升树的应用,实现了对不同缺陷类型的高准确率分类,能够更好地处理图像特征与缺陷类型之间复杂的非线性关系,提高分类的准确性和鲁棒性,使得系统在自动化识别和分类不锈钢管缺陷方面,达到了减少人工检查需求、提高检测速度和准确率的有益效果,进而保证产品质量,降低生产成本。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1