本发明涉及图像处理，具体涉及基于机器学习的径锻钛棒外观视觉检测方法。
背景技术：
1、通过机器学习技术可以检测钛棒表面上的外观缺陷，以降低检测钛棒质量的成本，并提高钛棒的生产效率；因此，需要对图像进行图像增强处理。现有方法通常利用slic(simple linear iterative clustering)简单线性迭代聚类算法对钛棒图像进行分割，从而检测出钛棒的缺陷区域；但由于钛棒表面上的不同区域内受到的光照强度不同，会影响不同像素点之间信息内容的表示；而传统slic简单线性迭代聚类算法将不同像素点之间的空间几何距离作为距离度量进行分割的方式，并没有结合光照强度对不同像素点的影响，导致分割结果不准确，降低钛棒的检测效率。
技术实现思路
1、本发明提供基于机器学习的径锻钛棒外观视觉检测方法，以解决现有的问题：传统slic简单线性迭代聚类算法的距离度量并没有结合光照强度对像素点的影响，导致分割后的结果不准确，降低钛棒的检测效率。
2、本发明的基于机器学习的径锻钛棒外观视觉检测方法采用如下技术方案：
3、包括以下步骤：
4、采集钛棒的钛棒灰度图像；
5、根据每张钛棒灰度图像内每个像素点对应纹理延伸方向的梯度信息分布情况，得到每张钛棒灰度图像的纹理方向延伸度数；根据纹理方向延伸度数对应方向上不同像素点受光照强度影响的差异以及对应位置的分布距离，得到任意两个像素点的光照综合距离度量；
6、根据任意两个像素点的光照综合距离度量，自适应调整搜索范围边长并进行迭代聚类，得到若干钛棒检测超像素块；
7、对每个钛棒检测超像素块进行检测。
8、优选的，所述根据每张钛棒灰度图像内每个像素点对应纹理延伸方向的分布情况，得到每张钛棒灰度图像的纹理方向延伸度数，包括的具体方法为：
9、获得slic简单线性迭代聚类算法在钛棒灰度图像上的初始种子点，以及初始种子点为中心的纹理趋向分析窗口；每个初始种子点对应有不同角度下的若干个纹理趋向分析窗口；
10、根据初始种子点的每个纹理趋向分析窗口内每个像素点的纹理变化方向，得到初始种子点的每个纹理趋向分析窗口的奇异贡献系数；
11、根据每个纹理趋向分析窗口的奇异贡献系数，得到每个初始种子点的纹理方向值；
12、将所有初始种子点的纹理方向值的均值的反余弦值，作为钛棒灰度图像的纹理方向延伸度数。
13、优选的，所述根据初始种子点的每个纹理趋向分析窗口内每个像素点的纹理变化方向，得到初始种子点的每个纹理趋向分析窗口的奇异贡献系数，包括的具体方法为：
14、对于初始种子点的任意一个纹理趋向分析窗口；按照纹理趋向分析窗口每个像素点灰度值的排列方式构建灰度矩阵，对灰度矩阵进行svd奇异值分解得到左奇异矩阵以及对角矩阵；将对角矩阵中的所有奇异值进行降序排列后的序列记为纹理方向奇异值序列；将纹理方向奇异值序列中任意一个奇异值记为目标奇异值，将目标奇异值之前所有奇异值的累加和记为第一累加和，将纹理方向奇异值序列中所有奇异值的累加和记为第二累加和，将第一累加和与第二累加和的比值记为目标奇异值的奇异贡献值，获取所有奇异值的奇异贡献值；
15、预设一个奇异贡献值阈值，将奇异贡献值第一次大于的奇异值记为标记奇异值，将标记奇异值之前所有奇异值的标准差记为纹理趋向分析窗口的奇异贡献因子；获取初始种子点的所有纹理趋向分析窗口的奇异贡献因子，对所有奇异贡献因子进行线性归一化，将归一化后的每个奇异贡献因子记为奇异贡献系数。
16、优选的，所述根据初始种子点的每个纹理趋向分析窗口的奇异贡献系数，得到每个初始种子点的纹理方向值，包括的具体方法为：
17、对于任意一个初始种子点的任意一个纹理趋向分析窗口，将纹理趋向分析窗口的奇异贡献系数与纹理趋向分析窗口的左奇异矩阵中数值最大元素的比值，记为纹理趋向分析窗口的纹理方向负贡献值；获取初始种子点的所有纹理趋向分析窗口的纹理方向负贡献值，将最小的纹理方向负贡献值作为初始种子点的纹理方向值。
18、优选的，所述根据纹理方向延伸度数对应方向上不同像素点受光照强度影响的差异以及对应位置的分布距离，得到任意两个像素点的光照综合距离度量，包括的具体方法为：
19、对于任意一张钛棒灰度图像，利用sobel算子获取钛棒灰度图像中每个像素点的梯度幅值以及梯度度数，将灰度值所属的种类、梯度幅值所属的种类以及梯度度数所属的数据种类依次记为一个光照因素维度种类；
20、对于钛棒灰度图像中第个像素点、第个像素点以及第个光照因素维度种类，根据第个像素点与第个像素点在第个光照因素维度种类中对应数值的差异情况，构建第个像素点与第个像素点在第个光照因素维度种类中的维度向量；
21、根据第个像素点与第个像素点在第个光照因素维度种类中的维度向量，以及纹理方向延伸度数上的单位向量，得到第个像素点与第个像素点在第个光照因素维度种类中的光照维度权重；
22、将任意两个像素点在第个光照因素维度种类中对应数据的差值的绝对值，记为这两个像素点在第个光照因素维度种类中的光照因素数据差异值；根据所有任意两个像素点在所有光照因素维度种类中的光照因素数据差异值的整体变化幅度，以及第个像素点与第个像素点在每个光照因素维度种类中的光照维度权重，得到第个像素点与第个像素点的光照综合距离度量，包括的具体方法为：
23、
24、式中，表示第个像素点与第个像素点的光照综合距离度量；表示所有光照因素维度种类的数量；表示第个像素点与第个像素点在第个光照因素维度种类中的光照维度权重；表示所有任意两个像素点在第个光照因素维度种类中所有光照因素数据差异值的标准差；表示以自然常数为底的指数函数。
25、优选的，所述根据第个像素点与第个像素点在第个光照因素维度种类中对应数值的差异情况，构建第个像素点与第个像素点在第个光照因素维度种类中的维度向量，包括的具体方法为：
26、将第个像素点到第个像素点的方向作为向量的方向，将第个像素点与第个像素点在第个光照因素维度种类中对应数值之间差值的绝对值作为向量的大小，根据向量的方向以及向量的大小构建向量，并作为第个像素点与第个像素点在第个光照因素维度种类中的维度向量。
27、优选的，所述根据第个像素点与第个像素点在第个光照因素维度种类中的维度向量，以及纹理方向延伸度数上的单位向量，得到第个像素点与第个像素点在第个光照因素维度种类中的光照维度权重，包括的具体方法为：
28、
29、式中，表示第个像素点与第个像素点在第个光照因素维度种类中的光照维度权重；表示第个像素点与第个像素点在第个光照因素维度种类中的维度向量；表示该纹理方向延伸度数上的单位向量；表示第个像素点与第个像素点的欧氏距离；表示取向量的二范数。
30、优选的，所述根据任意两个像素点的光照综合距离度量，自适应调整搜索范围边长并进行迭代聚类，得到若干钛棒检测超像素块，包括的具体方法为：
31、根据初始种子点的初始参考区域内不同像素点关于初始种子点对照分布的像素点之间的距离差异，得到初始种子点的初始参考区域内每个像素点的范围距离权重系数；
32、根据初始种子点的初始参考区域内所有像素点的范围距离权重系数，得到初始种子点的自适应搜索范围边长；
33、根据初始种子点的自适应搜索范围边长，通过slic简单线性迭代聚类算法进行聚类迭代，得到初始种子点的钛棒检测超像素块。
34、优选的，所述根据初始种子点的初始参考区域内不同像素点关于初始种子点对照分布的像素点之间的距离差异，得到初始种子点的初始参考区域内每个像素点的范围距离权重系数，包括的具体方法为：
35、预设一个邻域窗口边长，对于任意一张钛棒灰度图像中任意一个初始种子点，以初始种子点为中心，窗口大小为的窗口区域记为初始种子点的初始参考区域；
36、将初始种子点的初始参考区域内任意一个像素点记为目标像素点，过目标像素点作钛棒灰度图像的纹理方向延伸度数对应方向的直线，并记为目标直线；过初始种子点作与目标直线垂直的直线，并记为垂直对照直线；将目标像素点关于垂直对照直线轴对称的像素点记为目标像素点的邻域对照像素点；将邻域对照像素点与该目标像素点之间的欧氏距离作为该目标像素点的范围参考距离；获取初始种子点的初始参考区域内所有像素点的范围参考距离，将所有的范围参考距离进行线性归一化，将归一化后的每个范围参考距离记为范围距离权重系数。
37、优选的，所述根据初始种子点的初始参考区域内所有像素点的范围距离权重系数，得到初始种子点的自适应搜索范围边长，包括的具体方法为：
38、
39、式中，表示初始种子点的自适应搜索范围边长；表示初始种子点的初始参考区域内所有像素点的数量；表示初始种子点的初始参考区域内第个像素点的范围距离权重系数；表示预设的超参数倍数。
40、本发明的技术方案的有益效果是：本发明通过分析每个像素点对应纹理延伸方向的分布情况，以及对应方向上不同像素点受光照强度影响的差异，得到任意两个像素点的光照综合距离度量，进而自适应调整搜索框范围并进行迭代聚类，得到每个初始种子点的钛棒检测超像素块；首先通过每张钛棒灰度图像内每个像素点对应纹理延伸方向的分布情况，得到每张钛棒灰度图像的纹理方向延伸度数，其中纹理方向延伸度数用于描述钛棒灰度图像中钛棒表面纹理的整体延伸方向，使不同像素点之间受光照强度影响的程度更加明显；然后根据纹理方向延伸度数对应方向上不同像素点受光照强度影响的差异以及对应位置的分布距离，得到任意两个像素点的光照综合距离度量，其中光照综合距离度量用于描述结合光照强度影响下不同像素点之间的距离度量，提高了不同像素点之间有效信息表达的准确性；最后根据任意两个像素点的光照综合距离度量，自适应调整搜索范围边长并进行迭代聚类，得到每个初始种子点的钛棒检测超像素块，其中自适应调整搜索范围边长用于描述调整传统slic简单线性迭代聚类算法对种子点在进行迭代聚类时的搜索范围边长，将实际表示钛棒表面信息相似的像素点更好地划分到同一个超像素块内，降低所含有效信息像素点被错误划分的可能性；本发明提高了分割结果的准确性，提高了钛棒的检测效率。
1.基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据每张钛棒灰度图像内每个像素点对应纹理延伸方向的分布情况，得到每张钛棒灰度图像的纹理方向延伸度数，包括的具体方法为：
3.根据权利要求2所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据初始种子点的每个纹理趋向分析窗口内每个像素点的纹理变化方向，得到初始种子点的每个纹理趋向分析窗口的奇异贡献系数，包括的具体方法为：
4.根据权利要求3所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据初始种子点的每个纹理趋向分析窗口的奇异贡献系数，得到每个初始种子点的纹理方向值，包括的具体方法为：
5.根据权利要求1所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据第个像素点与第个像素点在第个光照因素维度种类中对应数值的差异情况，构建第个像素点与第个像素点在第个光照因素维度种类中的维度向量，包括的具体方法为：
6.根据权利要求1所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据第个像素点与第个像素点在第个光照因素维度种类中的维度向量，以及纹理方向延伸度数上的单位向量，得到第个像素点与第个像素点在第个光照因素维度种类中的光照维度权重，包括的具体方法为：
7.根据权利要求2所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据任意两个像素点的光照综合距离度量，自适应调整搜索范围边长并进行迭代聚类，得到若干钛棒检测超像素块，包括的具体方法为：
8.根据权利要求7所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据初始种子点的初始参考区域内不同像素点关于初始种子点对照分布的像素点之间的距离差异，得到初始种子点的初始参考区域内每个像素点的范围距离权重系数，包括的具体方法为：
9.根据权利要求8所述基于机器学习的径锻钛棒外观视觉检测方法，其特征在于，所述根据初始种子点的初始参考区域内所有像素点的范围距离权重系数，得到初始种子点的自适应搜索范围边长，包括的具体方法为：
