[发明专利]一种基于BP神经网络的铁塔角钢冲孔缺陷检测方法

权利要求书

1.一种基于BP神经网络的铁塔角钢冲孔缺陷检测方法，其特征在于，包括以下步骤：

步骤1：获取角钢冲孔原始图像，对原始图像进行预处理，获取角钢冲孔拟合圆；

步骤1.1：对输入图像进行预处理、灰度化、去噪、二值化处理、canny边缘检测；

步骤1.2：利用canny边缘检测后的图像，计算冲孔目标区域的重心，获取重心坐标具体操作为：

对冲孔图像上的圆用canny边缘检测边缘点，分别累加边缘点的x坐标和y坐标，如式(1)和(2)所示：

于是冲孔圆环的重心坐标为：

冲孔圆的半径计算公式(5)为：

式中N为属于二值图像中灰度值为225点的总数量；

步骤1.3：以步骤1.2计算得到的重心坐标为圆心，360度径向扫描获取角钢冲孔边缘点坐标，具体操作为：

建立一个矩阵P用来存储搜索到边缘点像素的坐标值，以步骤1.2计算出来的重心为圆心，估算角钢冲孔圆的半径，初步估计的冲孔半径为R_E，以大于R_E或小于R_E的20个像素的搜索范围，逐个像素查找边缘点，当搜索到的像素值灰度由白到黑发生变化时，把该像素的坐标存储在预先建立的矩阵P中，然后再以一定角度的扫描步进角，逆时针360度径向扫描，搜索出冲孔圆的边缘点；图像中搜索的像素坐标由式(6)和(7)确定，最后将搜索到的边缘点像素坐标存储在矩阵P中；

其中，x_i表示搜索像素的横坐，y_i表示搜索像素的纵坐标；表示重心的横、纵坐标；j表示径向扫描步进的长度，i表示扫描步进角；

步骤1.4：利用步骤1.3获取的角钢冲孔边缘点坐标，采用最小二乘拟合圆法，拟合出冲孔圆获取冲孔圆心坐标(a，b)和半径R；

步骤2：利用上述步骤1.4中采用最小二乘拟合圆法获取的拟合冲孔圆，进行冲孔缺陷特征的提取；

步骤2.1：角钢冲孔缺陷周长特征的提取，冲孔圆的周长L₁指冲孔圆周的边缘点像素数之和；可以求出实际冲孔圆周长边缘点像素数，由步骤1.4定位出的拟合圆可以求出拟合圆的半径R，计算出拟合圆的周长L₂；标准冲孔圆的周长应该等于拟合圆的周长，冲孔圆边缘带有凹陷缺陷的圆，其边缘周长大于拟合圆周长；两者相减得到冲孔缺陷周长差值特征L＝L₁-L₂；

步骤2.2：角钢冲孔缺陷面积特征的提取，冲孔圆的面积S₁是指连通区域内所有像素点的像素之和；由步骤1.4定位出的拟合圆可以求出拟合圆的半径R，由拟合圆的半径R可以求出拟合圆的面积；标准冲孔圆的面积应该等于拟合圆的面积S₂，冲孔圆边缘带有凸起或凹陷缺陷的圆，其冲孔圆面积不等于拟合圆面积；两者相减可以得到冲孔缺陷面积差值特征S＝S₁-S₂；

步骤2.3：角钢冲孔缺陷相对圆心距离特征的提取，由步骤1.2利用二值化后的图像，可以计算出冲孔目标区域的重心，获取重心坐标由步骤1.4采用最小二乘拟合圆法，拟合出冲孔圆获取冲孔圆心坐标(a，b)和半径R；理想情况下没有缺陷的冲孔圆边缘点拟合出来的圆心就是冲孔目标区域图像的重心；两者相减得到冲孔缺陷相对圆心距离特征D；

所述步骤2.3具体操作如下：计算实际冲孔圆的圆心到拟合圆的圆心距离偏差，采用两点之间距离公式求取；由步骤1.2求取的重心坐标为角钢实际冲孔圆的圆心；由步骤1.4采用最小二乘拟合圆法计算出来拟合圆的圆心(a,b)，可以计算出实际冲孔圆的圆心到拟合圆的圆心距离偏差D：

步骤2.4：角钢冲孔缺陷圆形度特征的提取，标准圆的圆形度为1，其他形状的圆形度小于1，根据圆的圆形度计算公式，由步骤2.1和2.2计算出来的周长L₁和面积S₁可以计算角钢冲孔圆的圆形度特征e＝4πS₁/(L₁*L₁)；

步骤3：BP神经网络的建立与角钢冲孔缺陷检测；

步骤3.1：角钢冲孔缺陷检测BP神经网络的设计，网络结构采用输入层、隐含层、输出层的三层神经网络；

步骤3.2：将步骤2中提取的4个特征向量L、S、D和e组成一个特征向量组，作为神经网络的输入；

步骤3.3：对采集的大量角钢冲孔图像进行特征提取，每组特征对应一个输出，输出值表示角钢冲孔图像缺陷的检测情况；网络采用trainlm算法进行训练，训练达到设定的阈值要求时停止训练，确定网络的权值与阈值，网络训练步骤为：

首先，根据实际情况确定标准角钢冲孔在图片中的面积、周长、标准冲孔圆在图像中的相对圆心距离为0，圆形度为1；提取训练角钢冲孔图片中冲孔圆的面积特征、周长特征；然后把提取的面积特征、周长特征和相对圆心距离取绝对值进行归一化处理；将归一化后的面积、周长以及相对圆心距离与计算出来的圆形度分别赋予0.25的权值，然后将四个特征向量加权计算出来的结果进行累加，得出该冲孔圆特征向量对应的理想输出值，输出值的范围在0到1之间，标准冲孔圆对应输出值为0，冲孔带有缺陷的圆对应的输出值在0到1之间，越接近1说明冲孔缺陷越明显；利用函数newff()创建含有输入层、隐含层、输出层的BP神经网络；其中间层和输出层阈值函数分别为tansig、tansig、purelin，利用函数trainlm调用Levenberg-Marguardt训练规则，定义最大学习次数net.trainParam.epochs为1000；最大误差为0.0001，学习系数为0.1，然后通过训练函数train()、输入特征向量和理想输出训练网络net，当网络达到设定的最小训练目标时停止训练，网络训练完成；

步骤3.4：随机选取几幅角钢冲孔图片对角钢冲孔进行缺陷检测，确定网络的性能，确定角钢冲孔是否存在缺陷；BP神经网络对角钢冲孔图片进行冲孔缺陷检测的步骤为：

网络训练完成后，对随机选取的铁塔角钢冲孔图片进行冲孔缺陷检测，提取角钢冲孔圆的四个特征向量作为BP神经网络的输入，输入到训练好的神经网络中，利用函数sim()进行测试，观察网络输出的结果，输出结果越接近0则说明冲孔圆越接近标准冲孔圆，为合格的冲孔角钢，否则为不合格的冲孔角钢。

2.根据权利要求1所述的基于BP神经网络的铁塔角钢冲孔缺陷检测方法，其特征在于，所述步骤3.1缺陷检测BP神经网络结构设计如下：

冲孔缺陷检测BP神经网络的设计，网络结构采用输入层、隐含层、输出层的三层神经网络；定义输入层的神经元个数为4个，将角钢冲孔提取的四个特征作为神经网络的输入，分别为周长特征、面积特征、相对圆心距离特征和圆形度特征；定义隐藏层的神经元个数为8，输出层神经元个数为1。