基于分水岭分割的机械零件轧制异常检测方法与流程

1.本发明涉及轧辊异常检测技术领域，具体涉及一种基于分水岭分割的机械零件轧制异常检测方法。


背景技术：

2.在机械设备及其零配件制造过程中，往往需要对金属板材进行轧制、冲压等工序，将金属板材加工成机械设备或机械零配件。在对金属板材进行轧制的过程中，往往因为工艺不良等原因在轧辊上形成划痕、裂纹、片状剥落等缺陷。轧辊上的缺陷会影响轧制的金属板材质量。因此需在轧制过程中，对轧辊表面缺陷进行检测，根据检测结果及时做出调整，避免对金属板材质量造成影响。目前常用的磁粉探伤、超声波探伤手段在轧制过程中无法进行。而现有的图像检测的方法如阈值分割、边缘检测，容易受光线干扰，准确率难以保证。
3.轧辊表面由于光线照射会产生光斑，容易对轧辊表面的划痕、裂纹、片状剥落等缺陷识别造成影响。采用阈值分割方法识别结果依赖于阈值的选取，采用边缘检测仅能检测到明显的强边缘，难以检测到弱边缘。采用基于标记的分水岭分割可将轧辊表面异常区域分割出来。但分割效果依赖于标记图像的选取，标记图像选取不当，可能会造成无法分割或过分割的问题。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于分水岭分割的机械零件轧制异常检测方法，所采用的技术方案具体如下：
5.获取轧辊表面灰度图像，构建轧辊表面灰度图像的灰度直方图，并根据灰度直方图进行混合高斯模型拟合，所述混合高斯模型的子高斯模型个数与灰度直方图中极大值个数相等；根据轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，确定各灰度值对应的子高斯模型；获取对应的子高斯模型为预设数量的所有灰度值，并对所述所有灰度值进行多阈值分割得到多个灰度值集合；
6.分别以各灰度值集合中每个灰度值为阈值，对轧辊表面灰度图像进行分割，得到各灰度值对应的二值图像；利用距离变化获取所述二值图像上像素点的距离信息，并对像素点进行赋值，得到各灰度值对应的距离变换图像；获取像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值大于设定阈值的数量，根据所述数量与该灰度值集合中灰度值的个数之比，得到各像素点的评价指标；
7.根据像素点的评价指标、像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值以及其邻域内像素点的像素值，得到像素点的前景率；其中，求得像素点的前景率的个数与灰度值集合的数量一一对应；根据像素点的前景率对所有像素点进行标记，得到标记图像；基于标记图像利用分水岭分割的方法对轧辊表面灰度图像进行分割，得到特征图像；利用神经网络对特征图像进行识别，得到轧辊表面图像上的异常类别区域。
8.优选地，所述确定各灰度值对应的子高斯模型具体为：
9.获取轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，针对一个像素点的灰度值，获取该像素点的灰度值在不同子高斯模型上最大的概率密度值记为第一概率密度值、第二大的概率密度值记为第二概率密度值；获取第一概率密度值与第二概率密度值的差值，并计算所述差值与第一概率密度值的比值得到灰度值的模型指标；若灰度值的模型指标大于模型阈值，则该灰度值属于第一概率密度值对应的子高斯模型；若灰度值的模型指标小于模型阈值，则该灰度值同时属于第一概率密度值和第二概率密度值对应的子高斯模型。
10.优选地，所述像素点的评价指标具体为：
[0011][0012][0013]
其中，g(i,y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i,x,y
表示在第i个灰度值集合内灰度值对应的第x个距离变换图像上第y个像素点的像素值，s(i)表示在第i个灰度值集合内灰度值对应的距离变换图像的个数，f(r
i,x,y
)表示r
i,x,y
的函数。
[0014]
优选地，所述像素点的前景率的获取方法具体为：
[0015]
若像素点的评价指标等于第一阈值，则像素点的前景率取第一数值；若像素点的评价指标等于第二阈值，则像素点的前景率取第二数值；其中，第一数值与第二数值是人为设定的；
[0016]
若像素点的评价指标大于第一阈值小于第二阈值，获取像素点在当前灰度值集合中各灰度值对应的距离变换图像上的像素值的最大值，与所有灰度值集合中各灰度值对应的距离变换图像上的像素值的最大值的比值；
[0017]
获取像素点在当前灰度值集合中各灰度值对应的距离变换图像上的邻域像素点的像素值大于设定阈值的数量，并计算所述数量与所有邻域像素点的总个数的比值；根据两个所述比值的乘积，得到像素点在当前灰度值集合下对应的前景率。
[0018]
优选地，所述若像素点的评价指标大于第一阈值小于第二阈值，像素点的前景率的获取方法具体为：
[0019][0020]
其中，l
i，y
表示以第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的前景率，g(i，y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i，y
表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的像素值集合，t表示轧辊表面灰度图像上像素点的总数量，max{r
i，y
}表示集合r
i，y
中的最大值，g(i，yn)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的8邻域内第n个像素点的评价指标。
[0021]
优选地，所述根据像素点的前景率对所有像素点进行标记具体为：
[0022]
当l
i，y
≥α时，第y个像素点在第i个灰度值集合下属于前景区域；当β＜l
i，y
＜α时，第y个像素点在第i个灰度值集合下属于背景区域；当l
i，y
≤β时，第y个像素点在第i个灰度值集合下属于不确定区域；其中，l
i，y
表示以第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的前景率，α和β是人为设定的阈值；
[0023]
若像素点y在所有灰度值集合下存在所属区域为不确定区域，则像素点y属于不确定区域，将该像素点标记为0；若像素点y在所有灰度值集合下所属区域都不是不确定区域，则获取像素点y在所有灰度值集合下属于前景区域的次数z-1，则该像素点属于第z个子高斯模型对应的特征，将该像素点标记为z。
[0024]
优选地，所述神经网络为dnn语义分割网络，所述神经网络的损失函数为交叉熵损失函数。
[0025]
本发明实施例至少具有如下有益效果：
[0026]
本发明通过结合混合高斯模型得到多个灰度值集合，作为阈值分割的范围，并对这些阈值分割的结果进行分析计算各像素点为前景的概率，根据各像素点的前景率结合子高斯模型对应的特征，对各像素点进行标记得到标记图像，并基于标记图像对轧辊表面灰度图像进行分割，最后还基于分割结果对其进行检测识别以获取存在缺陷的区域。本发明能够准确的获取标记图像，使得图像分割结果较为准确，避免了由于光线干扰而造成图像分割结果不准确的问题，同时能够精准的识别出图像中存在的缺陷，以便工人针对相应的缺陷做出相应的检修措施。
附图说明
[0027]
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
[0028]
图1是本发明的一种基于分水岭分割的机械零件轧制异常检测方法的方法流程图。
具体实施方式
[0029]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于分水岭分割的机械零件轧制异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0030]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0031]
下面结合附图具体的说明本发明所提供的一种基于分水岭分割的机械零件轧制异常检测方法的具体方案。
[0032]
实施例：
[0033]
本发明所针对的具体场景为：在机械设备及其零配件的制造轧制过程中，往往会因为工艺不良在轧辊表面产生划痕、裂纹、片状剥落等缺陷，影响轧制品质量。需在轧制过程中对轧辊表面缺陷进行检测识别，以便根据识别结果智能调控轧机，避免轧制品质量造成影响。
[0034]
请参阅图1，其示出了本发明一个实施例提供的一种基于分水岭分割的机械零件轧制异常检测方法的方法流程图，该方法包括以下步骤：
[0035]
步骤一，获取轧辊表面灰度图像，构建轧辊表面灰度图像的直方图，并根据直方图进行混合高斯模型拟合，所述混合高斯模型的子高斯模型个数与直方图中极大值个数相等；根据轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，确定各灰度值对应的子高斯模型；获取对应的子高斯模型为预设数量的所有灰度值，并对所述所有灰度值进行多阈值分割得到多个灰度值集合。
[0036]
首先，在轧辊正上方放置相机，在轧辊轧制过程中以一定时间间隔拍摄轧辊表面图像。其中，放置相机的位置实施者需要根据实际情况进行调整，以便采集到的轧辊表面图像中尽可能的只包含轧辊表面，不包含其他区域。同时，需要对轧辊表面图像进行灰度化处理，得到轧辊表面灰度图像。需要说明的是，对图像进行灰度化为公知技术，在此不再过多赘述。
[0037]
然后，根据轧辊表面灰度图像上各像素点的像素点构建灰度直方图。根据轧辊表面灰度图像上各像素点的灰度特征可知，轧辊表面属于同一特征的像素点，其对应的灰度值呈集中分布，且在噪声的干扰下呈高斯分布。则可以对灰度直方图进行平滑处理，并获取平滑处理后灰度直方图中极大值的个数，再利用em算法对灰度直方图进行混合高斯模型的拟合，其中混合高斯模型包括多个子高斯模型，且所述子高斯模型的个数与灰度直方图中极大值的个数相等。
[0038]
需要说明的是，一个子高斯模型对应一个极大值，则不同的子高斯模型表示了轧辊表面的不同特征，如轧辊的底色、轧辊图像上存在的光斑、轧辊表面存在的片状剥落缺陷等特征。获取每个灰度值在不同的子高斯模型中的概率密度值，当同一个概率密度值在两个不同的子高斯模型中的概率密度值都较大且基本一致时，表示该灰度值属于这个两个不同的子高斯模型，相应地，该灰度值在轧辊表面灰度图像上属于两个不同的特征。
[0039]
最后，获取轧辊表面灰度图像上各像素点的灰度值在不同子高斯模型上的概率密度值，针对一个像素点的灰度值，获取该像素点的灰度值在不同子高斯模型上最大的概率密度值记为第一概率密度值p1、第二大的概率密度值记为第二概率密度值p2，获取第一概率密度值与第二概率密度值的差值，并计算所述差值与第一概率密度值的比值得到灰度值的模型指标。
[0040]
若灰度值的模型指标大于模型阈值，则该灰度值属于第一概率密度值对应的子高斯模型，进而属于该高斯模型对应的特征；若灰度值的模型指标小于模型阈值，则该灰度值同时属于第一概率密度值和第二概率密度值对应的子高斯模型，进而属于两个子高斯模型对应的特征。其中，在本实施例中，模型阈值的取值为0.8。
[0041]
获取各灰度值对应的子高斯模型，并获取对应的子高斯模型为预设数量的所有灰度值，并对所述所有灰度值进行多阈值分割得到多个灰度值集合。其中在本实施例中，预设数量的取值为2。具体地，获取所有属于两个子高斯模型的灰度值，根据所有灰度值的分布
连续性，对其进行多阈值分割，将所有属于两个子高斯模型的灰度值分为多个灰度值集合。其中，所述灰度值集合的数量比灰度直方图上极大值的数量少一个。
[0042]
需要说明的是，根据灰度直方图拟合得到的混合高斯模型中，在波谷一定范围内的灰度值都有可能属于该波谷左边极大值对应的子高斯模型，也可能属于该波谷右边极大值对应的子高斯模型，故需要根据各灰度值在不同子高斯模型上的概率密度值确定该灰度值具体属于哪个子高斯模型。进而可以获取同时属于两个子高斯模型的灰度值，并根据灰度值在灰度直方图上的分布情况以及其分布连续性，可以清楚地得到各灰度值集合，也可根据多阈值分割的方法获取各灰度值集合，实施者需根据灰度值在灰度直方图上的分布情况具体地设定阈值的取值。
[0043]
同时，本实施例中基于各灰度值在不同高斯分布上的概率密度值，进而获取多个灰度值集合，以便后续作为阈值对图像进行分割的研究。而若只是获取混合高斯模型上各波谷对应的灰度值，后续作为阈值对图像进行分割，容易受到干扰，进而导致分割结果不准确。
[0044]
步骤二，分别以各灰度值集合中每个灰度值为阈值，对轧辊表面灰度图像进行分割，得到各灰度值对应的二值图像；利用距离变化获取所述二值图像上像素点的距离信息，并对像素点进行赋值，得到各灰度值对应的距离变换图像；获取像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值大于设定阈值的数量，根据所述数量与该灰度值集合中灰度值的个数之比，得到各像素点的评价指标。
[0045]
具体地，分别以各灰度值集合中的每个灰度值为阈值，对轧辊表面灰度图像进行分割，将轧辊表面灰度图像上像素点的像素值大于所述阈值的像素值记为1，将小于所述阈值的像素值记为0，进而得到各灰度值对应的二值图像。
[0046]
利用距离变化获取所述二值图像上像素点的距离信息，所述距离信息的获取方法为：计算图像中非零像素点到零像素点的最短距离。将各像素点的像素值重新赋值为所述距离信息，得到各灰度值对应的距离变换图像。其中，灰度值集合中各灰度值对应的距离变换图像构成了距离变换图像集，且灰度值集合与距离变化图像集一一对应。
[0047]
计算像素点的评价指标，用公式表示为：
[0048][0049][0050]
其中，g(i，y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i，x，y
表示在第i个灰度值集合内灰度值对应的第x个距离变换图像上第y个像素点的像素值，s(i)表示在第i个灰度值集合内灰度值的个数(即灰度值对应的距离变换图像的个数)，f(r
i，x，y
)表示r
i，x，y
的函数。
[0051]
步骤三，根据像素点的评价指标、像素点在灰度值集合中各灰度值对应的距离变换图像上的像素值以及其邻域内像素点的像素值，得到像素点的前景率；其中，求得像素点的前景率的个数与灰度值集合的数量一一对应；根据像素点的前景率对所有像素点进行标记，得到标记图像；基于标记图像利用分水岭分割的方法对轧辊表面灰度图像进行分割，得到特征图像；利用神经网络对特征图像进行识别，得到轧辊表面图像上的异常类别区域。
[0052]
首先，计算像素点的前景率，用公式表示为：
[0053][0054]
其中，l
i，y
表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的前景率，g(i，y)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的评价指标，r
i，y
表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的像素值集合，t表示轧辊表面灰度图像上像素点的总数量，max{r
i，y
}表示集合r
i，y
中的最大值，g(i，yn)表示在第i个灰度值集合内各灰度值对应的所有距离变换图像上第y个像素点的8邻域内第n个像素点的评价指标。
[0055]
当g(i，y)的取值为1时，表示在以第i个灰度值集合中所有灰度值为阈值进行分割得到的对应的距离变换图像上，第y个像素点都属于前景，进而可以得到第y个像素点在当前灰度值集合中的前景率为1。
[0056]
当g(i，y)的取值为0时，表示在以第i个灰度值集合中所有灰度值为阈值进行分割得到的对应的距离变换图像上，第y个像素点都属于背景，进而可以得到第y个像素点在当前灰度值集合下对应的前景率为0。
[0057]
当g(i，y)的取值为(0，1)时，则需根据第y个像素点在第i个灰度值集合内各灰度值对应的距离变换图像上的图像特征以及8邻域内像素点的特征，获取第y个像素点在当前灰度值集合下对应的前景率。
[0058]
当越大时，前景率越大，第y个像素点越可能属于前景。当第y个像素点8领域内的所有像素点在第i个灰度值集合内各像素点对应的距离变换图像上的评价指标均值较大时，第y个像素点前景率越大，越可能属于前景；所述均值较小时，第y个像素点的前景率越小，越可能属于背景。
[0059]
需要说明的是，一般情况下在对图像进行二值化处理时，将像素值大于设定阈值的像素点记为前景，将像素值小于阈值的像素点记为背景。本实施例中，在不同阈值下进行分割处理后得到的图像上，通过计算各像素点的属于前景的概率，进而确定各像素点是否属于前景，能够较为准确的获取各像素点的特征信息。
[0060]
具体地，当l
i，y
≥α时，第y个像素点在第i个灰度值集合下属于前景区域；当β＜l
i，y
＜α时，第y个像素点在第i个灰度值集合下属于背景区域；当l
i，y
≤β时，第y个像素点在第i个灰度值集合下属于不确定区域，表示第y个像素点可能属于前景也可能属于背景。其中，α和β是人为设定的，在本实施例中的取值分别为0.1和0.01。
[0061]
按照上述方法可以获取各像素点在不同灰度值集合下的前景率，进而可以得到各像素点在不同灰度值集合下是否属于前景。若像素点在所有灰度值集合下存在所属区域为不确定区域，则该像素点属于不确定区域，将该像素点标记为0；若像素点在所有灰度值集合下所属区域都不是不确定区域，则该像素点属于确定的特征，即可能是背景或者前景，需对其做进一步的分析。
[0062]
获取像素点在所有灰度值集合下属于前景区域的次数z-1，则该像素点属于第z个
子高斯模型对应的特征，将该像素点标记为z。由于灰度值集合的数量比灰度直方图上极大值的数量少一个，而极大值又与子高斯模型一一对应，。则若极大值数量为k，则灰度值集合的数量为k-1，当像素点在所有灰度值集合下属于前景区域的次数为k-1时，表示在以所有灰度值集合内各灰度值为阈值对轧辊表面灰度图像进行分割时，该像素点均为前景区域，说明像素点若属于前k-1个子高斯模型对应的特征都能被划分为前景区域，进而则可知该像素点对应的特征为第k个子高斯模型对应的特征，将该像素点标记为k。
[0063]
需要说明的是，分水岭分割是基于图像梯度图进行分割的。分水岭分割是从极小值开始向上淹没形成一个集水盆，在集水盆边界建坝，来达到分割的效果。但是梯度图像中的极小值是非常多的，那么就会产生过度分割的问题。基于标记的分水岭分割思想是，将需要分割的区域进行标记，只从标记区域的极小值向上淹没，这样就可以避免过度分割的问题。本方实施例获取的不确定区域，实际上是需要进行分割的区域，将其标记为0，使得分水岭分割时只从不确定区域的梯度极小值向上淹没，进行分割，避免过度分割。
[0064]
然后，基于标记图像利用分水岭分割算法对轧辊表面灰度图像进行分割处理，得到特征图像。在基于标记图像进行分割得到的特征图像上，将轧辊表面灰度图像中不同的特征分割到了不同的区域，则可根据特征图像对不同区域进行识别，识别效率高，且识别结果更加准确。其中，在本实施例，利用dnn语义分割神经网络对图像上不同区域进行识别。
[0065]
所述dnn网络的输入为特征图像，输出为每个区域的类别；使用的数据集为特征图像数据集；训练集对应的标签标注过程为：在本实施例中需要分割的区域共为5类，且标签为单通道的语义标签；对应区域属于轧辊底色的标注为1，对应区域属于轧辊表面光斑的标注为2，对应区域属于轧辊表面存在片状剥落缺陷的标注为3，对应区域属于轧辊表面存在裂纹缺陷的标注为4，对应区域属于轧辊表面存在划痕缺陷的标注为5；神经网络的任务为分类，网络采用的损失函数为交叉熵损失函数。
[0066]
需要说明的是，利用神经网络实现了对轧辊表面缺陷的识别，得到了相应的异常类别区域。在对dnn网络的训练中，利用特征图像进行训练，相比于常规采用轧辊表面图像直接进行网络的训练，使得对像素点的标注变成了对不同区域的标注，可以减少人工标注量，降低人工成本，同时降低网络的复杂程度，提高网络的训练效率与准确率。
[0067]
最后，根据轧辊表面灰度图像上的异常类别区域，结合相关的异常缺陷类别对轧机进行智能调控。例如，当轧辊表面存在裂纹缺陷或者片状剥落缺陷时，可能是由于轧制过程中发生了异常，造成辊面局部温度急剧上升，该区域发生膨胀，在随后的冷却过程中产生很大的拉应力，造成裂纹，进一步形成片状剥落。此时控制轧机立即停止轧制，对轧制过程中的异常进行检查，同时对轧辊进行修补，避免在后续的轧制过程中对金属板材质量造成影响。
[0068]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。