[发明专利]基于自训练深度神经网络的水利系统管螺纹缺陷检测方法

权利要求书

1.一种基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，该方法包括：

步骤一，对管道内螺纹原始灰度图像进行阈值化处理、边缘检测，得到管道轮廓图像；

步骤二，基于最小二乘法拟合圆方法对管道轮廓图像进行处理，得到管道圆心的位置；

步骤三，以管道圆心为原点，对管道内螺纹原始灰度图像进行极坐标变换，得到管道内螺纹极坐标图像，对管道内螺纹极坐标图像进行线性灰度变换；

步骤四，设计两个不同大小的滤波窗口分别对线性灰度变换结果进行均值滤波，基于背景差分法，将两个均值滤波结果做差，得到管道内螺纹前景图像；

步骤五，对管道内螺纹前景图像进行阈值分割，对阈值分割结果进行连通域分析、筛选，得到管螺纹缺陷图像；

步骤六，将管螺纹缺陷图像从极坐标系变换至直角坐标系，变换结果作为标注图像；

步骤七，采集多个管道的内螺纹原始灰度图像，根据步骤一至六生成对应的标注图像，将标注图像与管道内螺纹原始灰度图像作为样本数据集；对样本数据集进行样本增强处理：以管道圆心为坐标原点，对样本数据集中的图像做旋转操作，得到不同角度的样本图像；设置不同的gamma系数，对管道内螺纹原始灰度图像做伽马变换，得到不同亮度的样本图像；将增强后的样本数据集输入预设语义分割深度卷积神经网络，基于交叉熵损失函数对网络进行训练；当损失曲线出现震荡时停止训练，保存训练好的语义分割深度卷积神经网络；

步骤八，将待检测管道内螺纹原始灰度图像输入训练好的语义分割深度卷积神经网络，得到缺陷分割结果，实现管螺纹缺陷检测。

2.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤一中管道内螺纹原始灰度图像的获取方式：使用环形光源进行背部打光，采用鱼眼镜头灰度相机获取管道内螺纹原始灰度图像。

3.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤三中的以管道圆心为原点，对管道内螺纹原始灰度图像进行极坐标变换，得到管道内螺纹极坐标图像包括：

对管道内螺纹原始灰度图像以直角坐标系图像的圆心(A,B)为坐标原点，进行极坐标变换，即：

其中，(x，y)为管道内螺纹原始灰度图像中的像素点的位置，(r，θ)为管道内螺纹原始灰度图像的像素点在对应极坐标系下的位置，得到管道内螺纹极坐标图像。

4.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤三中的对管道内螺纹极坐标图像进行线性灰度变换包括：

对管道内螺纹极坐标图像进行线性灰度变换，将像素值变换到0-170之间，即：

其中，P为管道内螺纹极坐标图像，P’为线性灰度变换结果。

5.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤七中的gamma系数取值范围是[0.2,2.4]。

6.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤七中的交叉熵损失函数具体为：

其中，S₁为语义分割深度卷积神经网络通道1的输出结果，L₁为标注图像，S₁(i,j)是输出结果在位置(i，j)处的像素值，L₁(i,j)是标注图像在位置(i，j)处的二值标签，缺陷处为1，其余位置为0。

7.如权利要求1所述的基于自训练深度神经网络的水利系统管螺纹缺陷检测方法，其特征在于，所述步骤七中的当损失曲线出现震荡时停止训练包括：

从损失曲线取多个样本点组成原始样本序列；

设置滤波模板，对原始样本序列进行均值滤波处理，得到平滑样本序列；

基于Top-K的度量方式计算原始样本序列和平滑样本序列的损失强度值；

当原始样本序列的损失强度值与平滑样本序列的损失强度值的比值大于设定阈值时，停止训练。