[发明专利]基于分水岭分割的机械零件轧制异常检测方法

说明书

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，该方法包括：获取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，进而获取多个灰度值集合；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且进行距离变化之后，得到距离变换图像；根据各距离变换图像上像素点的像素值计算各像素点的前景率，并根据前景率对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。本发明能够得到具有较高分割准确度的图像，使得图像识别的结果更精准。

技术领域

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

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。

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。

发明内容

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：

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。

优选地，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。

优选地，所述像素点的评价指标具体为：