一种自行车牙盘表面喷涂质量检测方法与流程

本发明属于喷涂质量检测领域，具体地说，涉及一种自行车牙盘表面喷涂质量检测方法。

背景技术：

1、涂质量检测在现代制造业中占据着重要位置，尤其是对于汽车、航空以及自行车等产品的喷涂表面质量控制，至关重要。传统的喷涂质量检测方法多依赖人工检查，虽然这种方法能够直观地发现部分缺陷，但由于检测人员的经验差异、疲劳等问题，往往难以保证检测结果的一致性和准确性。尤其是在复杂的喷涂表面上，颗粒、色差、裂纹等缺陷往往难以通过肉眼判断，从而影响产品的整体质量。

2、传统的喷涂质量检测方法通常依赖人工目视检查，这种方法不仅存在很强的主观性，还容易受到操作者疲劳、经验差异和环境因素的影响，导致检测结果的不一致性和不稳定性。由于目视检查主要依靠人工对喷涂表面进行观察，人工判断过程中会受到视力疲劳、心理预期、工作环境光线变化等因素的干扰，尤其在长时间工作后，检测精度会显著下降。此外，人工检测人员对于喷涂表面的细微差异很难做出准确区分，尤其是在颗粒大小、表面粗糙度等参数相近的情况下，容易产生误判。

3、在自行车牙盘的喷涂过程中，喷涂表面颗粒的大小和分布均匀性直接影响最终的表面质量，这些颗粒的特征对喷涂层的功能性和美观性有着至关重要的影响。尤其是颗粒过大或分布不均匀时，会导致表面粗糙、喷涂层脱落等问题，而颗粒过小且分布不均匀则可能影响表面涂层的覆盖性和保护性。因此，精确识别颗粒的大小、分布情况以及表面粗糙度是喷涂质量控制的关键。然而，这些细微的差异常常难以通过人工检测准确判断。

4、有鉴于此特提出本发明。

技术实现思路

1、本发明要解决的技术问题在于克服现有技术的不足，提供一种自行车牙盘表面喷涂质量检测方法，解决了上述背景技术中提出的问题。

2、为解决上述技术问题，本发明采用技术方案的基本构思是：

3、一种自行车牙盘表面喷涂质量检测方法，包括以下步骤：

4、步骤一：获取自行车牙盘表面喷涂的高分辨率图像；

5、步骤二：对采集的原始图像进行去噪、灰度化及增强处理，以减少环境干扰并提高图像质量；

6、步骤三：通过形态学方法对图像进行颗粒分析，选择合适的圆形结构元素，利用n-开运算对图像进行滤波，保留牙盘喷涂表面颗粒的特征并通过yolov3检测并标注图像中的目标区域；

7、步骤四：通过gabor滤波器对yolov3检测到的目标区域进行纹理特征提取，计算并提取图像的能量、方差、对比度特征，用于表征表面喷涂质量；

8、步骤五：使用支持向量机对提取的纹理特征进行分类。采用径向基核函数作为核函数并通过交叉验证优化惩罚因子c和高斯宽度参数σ，以提高分类准确度；

9、步骤六：通过训练好的svm模型对新的图像进行分类，基于分类结果对喷涂质量进行评估，并输出合格或不合格的质量判定结果。

10、可选的，通过形态学方法对图像进行颗粒分析，选择合适的圆形结构元素，利用n-开运算对图像进行滤波，保留牙盘喷涂表面颗粒的特征的步骤为：

11、选择半径为1像素的圆形结构元素e，用于图像的筛选，结构元素e定义为一个圆形窗口，其大小为半径为1像素的圆形，颗粒分析的运算基于形态学开运算，对于图像a，其颗粒分析ψn(a)定义为：其中；

12、形态学膨胀操作对图像中的每个像素点扩展一个结构元素，对于图像a和结构元素e，膨胀操作能定义为：其中，ez是结构元素e在z点的平移，表示结构元素应用到图像a中的过程，接着，对颗粒分布fa(n)进行归一化处理，归一化的颗粒分布fa(n)定义为：对于灰度图像g，颗粒分布fg(n)能通过积分计算，其表达式为：其中，l为灰度图像g定义域，ψng(x)表示图像g经过n开运算后得到的结果。

13、可选的，通过yolov3检测并标注图像中的目标区域的步骤为：

14、首先，将待检测的图像输入yolov3网络，yolov3将输入图像分割成多个网格，并通过卷积神经网络对每个网格进行目标检测。

15、对每个目标框进行预测，预测时每个网格会输出多个预测框，每个预测框包括类别概率pclass、置信度以及目标框的位置(x，y，w，h)，其表达式为：其中，为预测框的调整值，aj为第j个锚点框的大小，σ(·)是sigmoid激活函数，接着，定义一个尺度适应函数f(s)，根据目标框的尺寸调整预测框，其表达式为：其中，α控制尺度的敏感度，s是目标框的尺寸，而是图像中目标的平均尺寸；

16、对所有目标框进行排序，排序时，首先，设置置信度阈值θ，然后根据设定的阈值θ筛选出有效框，其表达式为：其中，pfinal(xi)表示框xi的最终置信度，若目标框的置信度pfinal于阈值，则认为该框有效；

17、在完整排序后，计算目标框之间的交并比，并根据iou值去除重叠度高的框，iou计算公式为：其中，|x∩y|是两个框的交集面积，|x∩y|是它们的并集面积，若两个框的iou超过设定阈值，则会删除重叠框，只保留置信度更高的框。

18、可选的，通过gabor滤波器对经过颗粒分析的图像进行纹理特征提取，的步骤为：

19、gabor滤波器通过在不同频率和方向上对图像进行卷积操作，能够提取图像的纹理特征。gabor滤波器的二维函数为：其中，(x′，y′)为旋转后的坐标，λ为波长，θ为滤波器的方向，ψ为相位偏移，σ为高斯函数的标准差，γ为空间纵横比；

20、对gabor滤波后的图像进行特征提取，获取得到图像的能量和方差、对比度特征，随后，通过对目标区域进行多尺度、多方向的gabor滤波处理，得到多个纹理特征。将这些纹理特征集成成一个高维特征向量f，用于表征目标的纹理特性。

21、可选的，计算并提取图像纹理特征，用于表征表面喷涂质量的步骤为：

22、能量是描述图像局部纹理复杂度的指标，对于经过gabor滤波器处理后的图像响应，能量e的表达式为：其中，*表示卷积操作，g(x，y)是目标区域的原始图像，gλ，θ(x，y)是滤波器输出；

23、方差是衡量图像纹理变化程度的一个统计量，能够反映出纹理的粗糙程度，对于gabor滤波器提取的图像响应，方差vλ，θ其表达式为：其中，μλ，θ为gabor滤波结果的平均值，n为像素点的数量；

24、通过计算滤波器输出的灰度级差异来获取不同纹理模式之间的对比度，其表达式为：其中，gλ，θ(i)和gλ，θ(i-1)表示相邻像素的滤波响应值。

25、可选的，在完成步骤四中的纹理特征提取后还需要计算颗粒分布函数fa(n)和fg(n)得到表面颗粒的分布信息，从而进一步评估表面喷涂质量，其计算逻辑为：

26、根据图像a中颗粒的分布情况，计算图像的平均颗粒尺寸navg，并基于此调整开运算的尺度n，接着，定义自适应粒度调整函数f(n)来控制尺度变化，其表达式为其中，γ和β为常数，调节粒度分析尺度的灵敏度，navg为图像中颗粒的平均粒度；

27、基于自适应粒度分析的结果，对颗粒分布函数fa(n)和fg(n)进行加权计算，其表达式为：其中，ω[ψn(a(x))]表示在局部区域x经过n开运算后的目标像素数目，g(x)表示灰度图像的像素值，是对局部区域lx上的积分。

28、可选的，使用支持向量机(svm)对提取的纹理特征进行分类。采用径向基核函数(rbf)作为核函数并通过交叉验证优化惩罚因子c和高斯宽度参数σ，以提高分类准确度的步骤为：

29、使用svm的标准形式进行训练，支持向量机的决策函数为：其中，k(xi，x)是svm中的核函数，yi是样本的标签，αi是拉格朗日乘子，b是偏置项，x是待分类的输入特征；

30、选择径向基核函数(rbf)作为svm的核函数，rbf核函数的形式为：其中，σ是高斯宽度参数，用于控制核函数的平滑性。

31、可选的，通过交叉验证优化惩罚因子c和高斯宽度参数σ的步骤为：

32、将数据集划分为训练集和验证集。常用的划分方法是k折交叉验证，其中数据集被分成k个子集，每次使用k-1个子集进行训练，剩下的一个子集用于验证；

33、对于每一组c和σ的组合，在训练集上训练svm模型，并在验证集上评估其分类性能。通过计算验证集上的分类准确率、精度、召回率等指标来评估不同参数组合的效果；

34、选择能够最大化分类准确度的c和σ参数组合，作为最终的模型参数，交叉验证过程能通过网格搜索来完成，遍历预设的参数空间。

35、采用上述技术方案后，本发明与现有技术相比具有以下有益效果，当然，实施本发明的任一产品并不一定需要同时达到以下所述的所有优点：

36、1、通过yolov3模型对图像进行目标区域的快速且准确的检测，然后利用gabor滤波器提取自行车牙盘喷涂表面的纹理特征信息。该方法能够有效区分不同颗粒的表面特征，捕捉细微的纹理变化。最后，将提取的纹理特征输入支持向量机(svm)分类模型进行训练和分类，从而实现对喷涂质量的精准评估。与传统人工检测方法相比，本发明显著提高了检测精度和一致性，避免了人为误差，特别适用于颗粒大小和表面粗糙度难以区分的复杂情况，提供了更加客观、准确的喷涂质量判定。

37、2、本发明利用gabor滤波器对检测到的目标区域进行纹理特征提取，能够在多个尺度和方向上分析喷涂表面的纹理变化。这种特征提取方式能够准确反映表面喷涂质量的变化，并有效区分不同类型的缺陷。通过提取的能量、方差、对比度等纹理特征，本发明能够提供更为细致的质量评估，为后续的分类提供丰富的特征支持。

38、3、本发明使用支持向量机(svm)对纹理特征进行分类，采用径向基核函数(rbf)优化分类结果。通过交叉验证调节惩罚因子c和高斯宽度参数σ，提高了分类模型的准确度和鲁棒性。这种基于纹理特征的分类方法，能够在分类精度和实时性之间取得良好的平衡，适用于生产线上快速且准确的喷涂质量检测。

39、下面结合附图对本发明的具体实施方式作进一步详细的描述。