[发明专利]基于分水岭分割的机械零件轧制异常检测方法

权利要求书

1.一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，该方法包括以下步骤：

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；

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；

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。

2.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，所述确定各灰度值对应的子高斯模型具体为：

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。

3.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，所述像素点的评价指标具体为：

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。

4.根据权利要求1所述的一种基于分水岭分割的机械零件轧制异常检测方法，其特征在于，所述像素点的前景率的获取方法具体为：

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；

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；

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。