一种用于聚苯醚发泡材料质量分级的图像分析系统及方法与流程

本发明涉及图像分析，特别涉及一种用于聚苯醚发泡材料质量分级的图像分析系统及方法。

背景技术：

1、聚苯醚发泡材料因其优异的隔音减震性能被广泛应用于汽车缓冲密封部件，其泡孔结构的质量直接影响材料的力学性能和批次稳定性。

2、现有基于深度学习的自动检测方法存在以下问题：1、标准方形卷积核的采样模式与泡孔圆形几何结构不匹配，导致边界特征提取时混入大量背景噪声；2、发泡过程中气泡融合形成的粘连结构难以准确分割，现有方法过分割率高达35%，严重影响孔径统计准确性；3、高精度检测模型计算复杂度大，推理时间超过250毫秒，无法满足10米每分钟模切生产线的实时检测要求。

技术实现思路

1、本发明的主要目的为提供一种用于聚苯醚发泡材料质量分级的图像分析系统及方法，本发明消除了孔壁间隙背景噪声的干扰，使网络学习泡孔群体的统计规律而非记忆单个样本，增强了模型对不同发泡工艺参数的泛化能力，满足模切生产线实时检测要求。

2、为实现上述目的，本发明提供了一种用于聚苯醚发泡材料质量分级的图像分析方法，包括以下步骤：

3、采集聚苯醚发泡材料的第一图像并进行预处理，得到第二图像；

4、将所述第二图像输入预训练的教师网络进行特征采样，生成第一泡孔中心集合；

5、识别所述第二图像中的粘连泡孔区域，基于所述粘连泡孔区域和所述第一泡孔中心集合提取第二泡孔中心集合并计算所述教师网络的损失值；

6、将所述第二图像输入学生网络进行分析，得到第一孔径分布参数，并基于所述损失值对所述第一孔径分布参数进行软约束蒸馏，得到第二孔径分布参数；

7、基于所述第二孔径分布参数和所述第二泡孔中心集合生成质量分级结果。

8、可选的，在本发明第一方面的第一种实现方式中，采集聚苯醚发泡材料的第一图像并进行预处理，得到第二图像，包括：

9、采集聚苯醚发泡材料的第一图像，并对所述第一图像进行快速傅里叶变换，提取主频分量；

10、基于所述主频分量计算局部平均孔径先验值；

11、根据所述局部平均孔径先验值乘以预设比例系数设置对应窗口的高斯滤波核标准差，将所述高斯滤波核标准差组成滤波核标准差矩阵执行高斯卷积滤波处理，得到滤波图像；

12、对所述滤波图像进行直方图均衡化处理，得到第二图像，并将所述局部平均孔径先验值构建为局部孔径先验矩阵。

13、可选的，在本发明第一方面的第二种实现方式中，将所述第二图像输入预训练的教师网络进行特征采样，生成第一泡孔中心集合，包括：

14、将所述第二图像输入预训练的教师网络，通过所述教师网络中的预设卷积核进行卷积处理，得到灰度梯度散度，并基于所述灰度梯度散度标记泡孔候选中心；

15、以各所述泡孔候选中心为极坐标原点，从所述局部孔径先验矩阵查询各所述泡孔候选中心对应的局部平均孔径先验值并计算各所述泡孔候选中心的径向特征矩阵；

16、将各所述泡孔候选中心的径向特征矩阵展平并通过所述教师网络中的卷积投影层降维，得到泡孔描述符，同时基于所述泡孔描述符生成第一泡孔中心集合。

17、可选的，在本发明第一方面的第三种实现方式中，以各所述泡孔候选中心为极坐标原点，从所述局部孔径先验矩阵查询各所述泡孔候选中心对应的局部平均孔径先验值并计算各所述泡孔候选中心的径向特征矩阵，包括：

18、以各所述泡孔候选中心为极坐标原点设置多个角度方向，从所述局部孔径先验矩阵中查询各所述泡孔候选中心所在窗口的局部平均孔径先验值；

19、将所述局部平均孔径先验值除以预设层级数并依次递增得到多个半径层级的采样半径值，基于所述角度方向和采样半径值确定各采样点的极坐标参数；

20、将各所述采样点的极坐标参数转换为笛卡尔坐标系下的图像坐标，通过所述泡孔候选中心坐标加上采样半径值与角度余弦值的乘积，得到横坐标分量，通过所述泡孔候选中心坐标加上采样半径值与角度正弦值的乘积，得到纵坐标分量；

21、基于所述横坐标分量和所述纵坐标分量计算各采样点的特征向量，并基于所述泡孔候选中心的多个角度方向和多个采样点的特征向量构建各泡孔候选中心的径向特征矩阵。

22、可选的，在本发明第一方面的第四种实现方式中，识别所述第二图像中的粘连泡孔区域，基于所述粘连泡孔区域和所述第一泡孔中心集合提取第二泡孔中心集合并计算所述教师网络的损失值，包括：

23、识别所述第二图像中的粘连泡孔区域，并对所述粘连泡孔区域进行骨架提取，将度数大于预设度数的骨架分支点作为分离路径起点；

24、将分离后各子区域面积与周长平方比值的负和作为圆形度惩罚项，将各子区域面积与平均泡孔面积差值绝对值的负和作为面积惩罚项，将分离路径上各像素点灰度梯度模值与法向量内积的负和作为边界强度惩罚项；

25、基于所述圆形度惩罚项、所述面积惩罚项和所述边界强度惩罚项构建泡孔分离能量函数；

26、以所述骨架分支点为初始位置，通过梯度下降法迭代更新分离路径各控制点坐标使所述泡孔分离能量函数最小化，将所述粘连泡孔区域分解为多个独立子区域，计算第二泡孔中心集合；

27、基于所述第二泡孔中心集合计算所述教师网络的损失值。

28、可选的，在本发明第一方面的第五种实现方式中，基于所述第二泡孔中心集合计算所述教师网络的损失值，包括：

29、基于所述第二泡孔中心集合计算真实孔径概率分布；

30、将所述第二图像通过所述教师网络的多个卷积阶段提取不同尺度特征图，并基于各所述特征图预测平均孔径参数、标准差参数、偏度系数参数和峰度系数参数；

31、基于所述平均孔径参数、所述标准差参数、所述偏度系数参数和所述峰度系数参数计算预测孔径概率分布；

32、计算所述真实孔径概率分布与所述预测孔径概率分布之间的损失值。

33、可选的，在本发明第一方面的第六种实现方式中，基于所述平均孔径参数、所述标准差参数、所述偏度系数参数和所述峰度系数参数计算预测孔径概率分布，包括：

34、将所述峰度系数参数与所述标准差参数的比值作为幅度系数，将孔径值与所述平均孔径参数的差值除以所述标准差参数后求所述偏度系数参数次幂的绝对值取负指数，乘以所述幅度系数构建预测孔径概率密度函数；

35、在各孔径区间的上下界之间对所述预测孔径概率密度函数进行数值积分运算，得到预测孔径概率分布。

36、可选的，在本发明第一方面的第七种实现方式中，将所述第二图像输入学生网络进行分析，得到第一孔径分布参数，并基于所述损失值对所述第一孔径分布参数进行软约束蒸馏，得到第二孔径分布参数，包括：

37、将所述第二图像输入学生网络中的径向模糊核执行二维卷积运算，得到多个模拟多焦距图像特征；

38、通过所述学生网络的轻量级预估分支从所述第二图像提取融合特征图，在所述融合特征图上提取学生网络的场景级特征；

39、将所述场景级特征输入学生网络中的全连接层预测第一孔径分布参数，并基于所述第一孔径分布参数和所述损失值，对所述学生网络进行蒸馏训练，通过蒸馏训练之后的学生网络生成第二孔径分布参数。

40、可选的，在本发明第一方面的第八种实现方式中，基于所述第二孔径分布参数和所述第二泡孔中心集合生成质量分级结果，包括：

41、计算所述第二孔径分布参数的孔径均匀性系数，基于所述第二泡孔中心集合计算孔隙率、表皮完整度、孔壁厚度均匀性和最大孔径比；

42、将所述孔径均匀性系数低于第一阈值且所述孔隙率位于第一区间且所述表皮完整度高于第一完整度阈值且所述孔壁厚度均匀性低于第一厚度阈值且所述最大孔径比低于第一比值阈值的聚苯醚发泡材料，确定质量分级结果为优等品，将所述孔径均匀性系数低于第二阈值且所述孔隙率位于第二区间且所述表皮完整度高于第二完整度阈值且所述孔壁厚度均匀性低于第二厚度阈值且所述最大孔径比低于第二比值阈值的聚苯醚发泡材料，确定质量分级结果为合格品，将不满足合格品条件的聚苯醚发泡材料，确定质量分级结果为不合格品。

43、本发明还提供了一种用于聚苯醚发泡材料质量分级的图像分析系统，包括：

44、采集模块，用于采集聚苯醚发泡材料的第一图像并进行预处理，得到第二图像；

45、特征采样模块，用于将所述第二图像输入预训练的教师网络进行特征采样，生成第一泡孔中心集合；

46、损失计算模块，用于识别所述第二图像中的粘连泡孔区域，基于所述粘连泡孔区域和所述第一泡孔中心集合提取第二泡孔中心集合并计算所述教师网络的损失值；

47、分析模块，用于将所述第二图像输入学生网络进行分析，得到第一孔径分布参数，并基于所述损失值对所述第一孔径分布参数进行软约束蒸馏，得到第二孔径分布参数；

48、质量分级模块，用于基于所述第二孔径分布参数和所述第二泡孔中心集合生成质量分级结果。

49、综上所述，本发明通过泡孔径向采样卷积层的极坐标采样机制，针对圆形泡孔的几何特性在多个角度方向和半径层级提取径向特征，相比传统方形卷积核使泡孔边界特征响应集中度从0.58提升至0.87，消除了孔壁间隙背景噪声的干扰。构建的泡孔分离能量函数综合圆形度惩罚项、面积惩罚项和边界强度惩罚项，通过梯度下降法优化分离路径将粘连泡孔解耦为独立单元，过分割率从传统分水岭算法的35%降低至8%，提升了孔径统计的准确性。基于平均孔径、标准差、偏度系数和峰度系数四个参数重构的孔径分布概率密度函数，使网络学习泡孔群体的统计规律而非记忆单个样本，增强了模型对不同发泡工艺参数的泛化能力。学生网络的单目多焦点模拟层通过多个径向模糊核卷积模拟不同焦距深度的特征，补偿了单焦距输入缺失的深度层信息，结合动态温度系数的软约束蒸馏策略，在将模型参数量压缩84.1%的同时保持了接近教师网络的检测精度。最终实现推理时间68毫秒，满足模切生产线实时检测要求。