一种竹筒壁厚的检测模型构建方法及检测装置与流程

1.本发明涉及材料检测技术领域，特别是涉及一种竹筒壁厚的检测模型构建方法及检测装置。


背景技术：

2.竹子作为一种天然环保材料广泛应用于工业领域中。其中，切割竹筒是竹筒加工过程中的关键步骤。目前，竹筒加工通常采用人工切割或使用机械结构检测外径切割。而由于竹材的天然特性，竹筒壁厚并不均匀。采用人工测量存在主观性问题，而机械测量又容易受到杂质、缺陷等因素的干扰，从而影响测量结果的准确性和精度。同时，这些方法所需的人力成本和时间成本也相对较高，给生产带来了一定的经济负担。
3.目前，现有技术中提出了相应的解决方案。如公开号为cn102269571a的专利公开文件中，公开了使用传统数字图像处理技术进行竹筒直径测量的方案。但该方案仅适用于稳定成像条件，并且受传统数字图像算法影响，精度不高。又如在公开号为cn214470652u的专利文件中，公开了采用了两阶段的拍照方法来测量竹筒直径，但需要相机进行移动，效率受到限制。
4.同时，在传统的竹筒加工中，通常是以竹筒的壁厚来选择切割长度。由于竹筒为长管状，而检测时通常无法同时获取到竹筒两端的厚度信息，导致切割时出现长度错误的情况，造成材料浪费。同时，现有技术采用的图像处理技术也无法区分正常竹筒和烂竹筒，影响产品品质。


技术实现要素：

5.本发明所要解决的技术问题是：提供一种竹筒壁厚的检测模型构建方法及装置，实现快速精准的竹筒壁厚检测。
6.为了解决上述技术问题，本发明采用的技术方案为：一种竹筒壁厚的检测模型构建方法，其特征在于，包括步骤：获取预设数量的竹筒在不同长度下的端面图像；根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值；根据同一竹筒不同所述端面图像之间对应的长度间距以及不同所述端面图像对应的壁厚值和外径值，得到不同竹筒对应的训练集；获取预测目标长度，根据所述预测目标长度以及训练集得到预测模型；所述预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值。
7.为了解决上述技术问题，本发明采用的另一技术方案为：一种竹筒壁厚的检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种竹筒壁厚的检测模型构建方法中的各个步骤。
8.本发明的有益效果在于：通过获取多个竹筒在不同长度下的端面图像，并计算得到每一竹筒在不同长度下端面对应的壁厚值、外径值以及端面之间的长度间距，从而基于壁厚值、外径值以及端面之间的长度间距对预测模型进行训练后，能够通过单一竹筒的端面图像预测出该竹筒在目标长度端面下对应的壁厚值和外径值，即能够获取到同一竹筒不同端面的壁厚值和外径值，相较于现有技术中仅能够获取到单个端面壁厚的技术，能够更精确的识别竹筒壁厚信息，从而提高竹筒的切割效果。
附图说明
9.图1为本发明实施例中的一种竹筒壁厚的检测模型构建方法的步骤流程图；图2为本发明实施例中的一种竹筒壁厚的检测模型构建方法中分割分类模型的示意图；图3为本发明实施例中的一种竹筒壁厚的检测模型构建方法中预测模型的示意图；图4为本发明实施例中的基于竹筒壁厚的检测模型的检测步骤流程图；图5为本发明实施例中的基于竹筒壁厚的检测模型的矫正步骤流程图图6为本发明实施例中的一种竹筒壁厚的检测装置的结构示意图。
具体实施方式
10.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
11.请参照图1，一种竹筒壁厚的检测模型构建方法，包括步骤：获取预设数量的竹筒在不同长度下的端面图像；根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值；根据同一竹筒不同所述端面图像之间对应的长度间距以及不同所述端面图像对应的壁厚值和外径值，得到不同竹筒对应的训练集；获取预测目标长度，根据所述预测目标长度以及训练集得到预测模型；所述预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值。
12.由上述描述可知，本发明的有益效果在于：通过获取多个竹筒在不同长度下的端面图像，并计算得到每一竹筒在不同长度下端面对应的壁厚值、外径值以及端面之间的长度间距，从而基于壁厚值、外径值以及端面之间的长度间距对预测模型进行训练后，能够通过单一竹筒的端面图像预测出该竹筒在目标长度端面下对应的壁厚值和外径值，即能够获取到同一竹筒不同端面的壁厚值和外径值，相较于现有技术中仅能够获取到单个端面壁厚的技术，能够更精确的识别竹筒壁厚信息，从而提高竹筒的切割效果。
13.进一步地，所述获取预设数量的竹筒在不同长度下的端面图像包括：获取预设数量的竹筒在不同长度下的端面图片；对所述端面图片进行透视变换，得到矫正图像；识别并提取所述矫正图像中的竹筒区域，得到目标竹筒区域图像；对所述目标竹筒区域图像进行数据增强，得到所述端面图像。
14.由上述描述可知，通过获取竹筒在不同长度下的端面图片后对其进行透视变换，能够将图片的成像效果转换形成竹筒端面的正视图，从而更有利于计算竹筒端面的尺寸，再通过对矫正图像中的竹筒区域进行剪裁得到目标竹筒区域图像，不仅降低了图像处理的数据量，而且能够提高后续模型的识别精度。
15.进一步地，所述根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值包括：构建分割模型，并根据所述分割模型对所述端面图像进行分割，得到分割结果图；根据所述分割结果图得到所述端面图像中竹筒对应的壁厚值以及外径值。
16.由上述描述可知，通过构建分割模型对竹筒的端面图像进行分割，得到分割图像，从而能够基于分割图像快速的提取到竹筒的端面壁厚信息，并提高壁厚值以及外径值的计算精度。
17.进一步地，所述根据所述分割结果图得到所述端面图像中竹筒对应的壁厚值以及外径值包括：计算所述分割结果图对应的最大外接矩形框，并获取所述最大外接矩形框的中心点以及长度；以所述最大外接矩形框的中心点为圆心、所述最大外接矩形框的长度为半经，对所述分割结果图进行长度检测，得到像素长度信息；获取所述分割结果图对应的像素精度，根据所述像素长度信息以及像素精度得到所述端面图像中竹筒对应的壁厚值以及外径值。
18.由上述描述可知，通过先得到竹筒对应的最大外接矩形框，以及得到矩形框对应的中心点和长度，从而能够根据中心点位置以及长度对画出的竹筒边界区域进行长度检测，得到精确的像素信息后，再根据像素精度计算得到最终的竹筒的端面壁厚信息。
19.进一步地，所述对所述分割结果图进行长度检测，得到像素长度信息包括：获取预设检测的间隔角度；依次以所述间隔角度向外延伸计算当前间隔角度对应的像素长度，直至检测角度等于360
°
；根据所有所述间隔角度对应的像素长度得到所述像素长度信息。
20.由上述描述可知，通过以预设的间隔角度依次检测在该角度上的像素长度，从而基于所有角度对应的像素长度能够获取到平均壁厚、最大壁厚以及最小壁厚等壁厚信息，精确识别竹筒的壁厚。
21.进一步地，所述预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值之后包括：获取竹筒的端面图片，根据所述分割结果图以及竹筒的端面图片得到竹筒内部图像；获取所述竹筒内部图像对应的亮度信息；根据所述亮度信息判断所述端面图像中的竹筒是否为竹节区域，若是，则矫正所述壁厚值。
22.由上述描述可知，通过识别竹筒的内部图像判断当前端面是否为竹节区域，而当识别为竹节区域时对竹筒对应的壁厚值进行矫正，从而提供更精确的壁厚信息。
23.进一步地，所述构建分割模型包括：获取竹筒图像数据集；采用pp-liteseg构建分割网络，并在所述分割网络的输出层设置交叉熵损失函数，得到分割学习模型；根据所述竹筒图像数据集对所述分割学习模型进行训练，得到所述分割模型。
24.由上述描述可知，通过采用轻量级分割网络构建分割模型，并根据竹筒端面成像提取当前竹筒壁厚度信息，实现有效且快速测量竹筒的壁厚，达到提升检测精度和速度的效果。
25.进一步地，所述根据所述分割模型对所述端面图像进行分割，得到分割结果图之后包括：构建分割分类模型，将所述分割结果图以及所述端面图像输入所述分割分类模型，得到分类结果；根据所述分类结果判断所述端面图像中的竹筒是否存在缺陷。
26.由上述描述可知，在分割模型的基础上进一步构建分割分类模型，从而通过分割分类模型中的分类分支部分区分正常竹筒与烂竹筒，达到竹筒加工过程中的品质要求。
27.进一步地，所述构建分割分类模型包括：采用repvgg构建分类网络，并在所述分类网络的输出层设置标签平滑损失函数，得到分类学习模型；获取所述分割模型训练过程生成的与所述竹筒图像数据集对应的训练结果集；将所述训练结果集与所述竹筒图像数据集对应相乘，得到分类训练集；根据所述分类训练集对所述分类学习模型进行训练，得到所述分割分类模型。
28.由上述描述可知，通过采用repvgg构建分类网络，在提高模型的速度和效率的同时，还能够使模型保持较高的准确率。
29.本实施例提供了一种竹筒壁厚的检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种竹筒壁厚的检测模型构建方法中的各个步骤。
30.本发明上述竹筒壁厚的检测模型构建方法及检测装置能够适用于各种类型的筒状结构物质的壁厚识别，特别是能够针对竹筒壁厚的识别，以下通过具体实施方式进行说明：实施例一请参照图1，一种竹筒壁厚的检测模型构建方法，包括步骤：s1、获取预设数量的竹筒在不同长度下的端面图像，具体的：s11、获取预设数量的竹筒在不同长度下的端面图片；即采用高分辨率相机对竹筒原始图像数据进行采集，通过切割的方式得到竹筒在不同长度下的端面图片；s12、对所述端面图片进行透视变换，得到矫正图像；在获取端面图片的过程中，由于机械结构受限等原因通常无法得到竹筒端面的正视图，因此，通过对端面图片进行透视变换矫正，能够使其成像效果为竹筒端面的正视图；s13、识别并提取所述矫正图像中的竹筒区域，得到目标竹筒区域图像；其中，对图像进行识别和提取的方法不限于采用传统图像处理方法以及目标检测方法，实现对目标竹
筒区域的定位，并在完成定位后将目标竹筒区域进行裁剪得到目标竹筒区域图像；s14、对所述目标竹筒区域图像进行数据增强，得到所述端面图像；其中，数据增强操作包括但不限于对图像的旋转、翻转、仿射变换及更改图像亮度、对比度等操作。
31.s2、根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值，具体的：可通过图像识别方法识别出所述端面图像中的封闭区域，即竹筒壁的部分，再结合所述端面图像的中心点位置计算中心点与竹筒壁的距离得到壁厚值以及外径值。
32.s3、根据同一竹筒不同所述端面图像之间对应的长度间距以及不同所述端面图像对应的壁厚值和外径值，得到不同竹筒对应的训练集。
33.s4、获取预测目标长度，根据所述预测目标长度以及训练集得到预测模型；即输入数据为壁厚值、外径值以及预测目标长度，输出为预测目标长度位置对应的壁厚值与外径值；构建mlp（multilayer perceptron，多层感知器）回归预测模型，将训练集数据统一标准化后对模型进行训练；使得预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值。
34.实施例二本实施例具体限定了获取壁厚值以及外径值的方法；步骤s2具体包括以下步骤：s21、构建分割模型，并根据所述分割模型对所述端面图像进行分割，得到分割结果图，具体的：请参照图2，在一可选的实施方式中，采用pp-liteseg构建分割网络的方式构建所述分割模型；pp-liteseg是一种基于跳层连接结构的深度学习分割模型，由编码器、解码器和聚合模块三部分组成；其中编码器采用了轻量级网络，从不同阶段提取特征，并将通道数随着网络层数增加而减少，能够避免模型参数过多而影响模型效率；解码器则逆向编码器，浅层特征通道数逐步减少，最后采用金字塔模块来聚合上下文信息，从而获得更丰富的语义信息；同时，在解码器中运用了注意力机制，实现多尺度语义特征的融合和利用，提高了分割精度；训练时需要将解码后的中间三层的特征图进行上采样并进行训练，推理时仅将最后一层结果上采样输出；通过如实施例一中的方式获取竹筒图像数据集后对模型进行训练，使分割模型能够基于输入的竹筒端面图片得到对应的分割结果图；其中分割结果图可以是二值图；请参照图3，同时，可以进一步基于二值图对所述预测模型进行训练。
35.在构建所述分割模型的基础上，进一步构建得到分割分类模型，具体的：将所述训练结果集中的分割图像与所述竹筒图像数据集中的竹筒图像相乘，即将分割的结果与竹筒原图相乘，得到融合图像；再对融合图像中的背景区域进行填充得到分类图像，以得到的所有所述分类图像作为分类模型的训练集；使得分类模型能够基于输入的竹筒端面图片以及分割结果判断端面图像中的竹筒是否存在缺陷，将烂竹筒和正常竹筒区分；在一可选的实施方式中，采用repvgg构建分类网络；repvgg模块是一种基于结构重参数化的神经网络模块，在具体实现中，repvgg模块采用了三个3x3卷积层，每个repvgg模块可以看作是三个简单卷积层的组合；使得在训练阶段中能够同时训练这三个卷积层，使得模型能够学习到更加有效的特征表示，从而提高分类性能；在推理阶段中，repvgg模块使用结构重参数化技术将三个卷积层融合为一个等效的卷积层，从而提高速度和效率，降低内存消耗。
36.其中，在所述分割分类模型中进一步引入两个损失函数进行混合训练，具体的：在分割分支中引入交叉熵损失函数，用于训练竹筒分割效果，通常采用每个像素的交叉熵损失的叠加；在分类分支中引入标签平滑损失函数，用于训练竹筒壁缺陷分类，增强其泛化性；；；；；其中，n是图像像素点个数，是每个像素点真实标签，是每个像素点属于前景的预测概率；k为样本类别数，是分类属于第i类的真实标签，是预测为第i类的概率，为一个较小的常数，使得损失中的优化目标不再为1和0来避免过拟合；和分别代表两种损失所占比重的系数，均设置为0.5；表示总损失，最终根据进行权重迭代优化。在一可选的实施方式中，训练的优化器采用sgd，权值衰减参数weight_decay设置为4e-5，动量参数momentum设置为0.9，初始学习率0.01，每次迭代样本数batch_size设置为32，训练迭代次数iters为5000次。
37.s22、计算所述分割结果图对应的最大外接矩形框，并获取所述最大外接矩形框的中心点以及长度；s23、以所述最大外接矩形框的中心点为圆心、所述最大外接矩形框的长度为半经，对所述分割结果图进行长度检测，得到像素长度信息，具体的：s231、获取预设检测的间隔角度；如预设的间隔角度为1
°
；s232、依次以所述间隔角度向外延伸计算当前间隔角度对应的像素长度，直至检测角度等于360
°
；即以间隔角度为1
°
依次由0
°
至360
°
，检测当前角度下中心点到竹筒内外壁之间像素长度；s233、根据所有所述间隔角度对应的像素长度得到所述像素长度信息；即得到0
°‑
360
°
每一角度对应的像素长度；s24、获取所述分割结果图对应的像素精度，根据所述像素长度信息以及像素精度得到所述端面图像中竹筒对应的壁厚值以及外径值；即：长度=像素精度
×
像素长度；从而得到竹筒的平均壁厚、最大壁厚、最小壁厚、平均外径、最大外径以及最小外径的相关数据。
38.实施例三本实施例与实施例一或二的不同在于，还对预测的壁厚值进行矫正，具体的：请参照图4和图5，通过由分割分类模型获取到待识别的竹筒端面图像的二值图后，进一步根据二值图计算得到对应的壁厚值以及外径值，将壁厚值、外径值以及待预测的目标长度输入所述预测模型后，所述预测模型输出预测的目标长度下竹筒端面对应壁厚值和外径值；在执行预测步骤的同时，执行矫正判断步骤：a1、获取待识别的竹筒端面图片；a2、根据所述分割结果以及待识别竹筒的端面图片得到竹筒内部图像；
a3、获取所述竹筒内部图像对应的亮度信息，根据所述亮度信息判断所述端面图像中的竹筒是否为竹节区域，若是，则执行a4；若否，则直接输出所述预测模型输出壁厚值和外径值；其中，若所述竹筒内部图像对应的亮度越大，则为竹节的可能性越大；可通过设置亮度阈值的方式进行判断；a4、则矫正所述壁厚值；如基于所述竹筒内部图像对应的亮度与亮度阈值之间的比例进行调整；或根据通常情况下竹节位置与空心位置的尺寸比值进行校正，如设置矫正值为10%-20%。
39.实施例四请参照图6，一种竹筒壁厚的检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例一、二和三中所述的一种竹筒壁厚的检测模型构建方法中的各个步骤。
40.综上所述，本发明提供的一种竹筒壁厚的检测模型构建方法以及检测装置，该方法采用深度学习模型，通过构建的分割分类模型对待识别竹筒的端面图像进行分割以及分类，从而能够基于分割图像快速的提取到当前待识别竹筒的端面壁厚信息，能够实现快速精准的竹筒壁厚检测，并按照其成像进行分类和预测。同时，还使用回归算法来预测目标长度下竹筒端面的壁厚和外径，通过构建的预测模型对分割结果图以及待识别竹筒的端面图像进行预测，得到竹筒沿长度方向上其他端面的壁厚信息，从而通过整合竹筒的端面壁厚信息以及长度方向上其他端面的壁厚信息得到竹筒整体的壁厚信息，相较于现有技术中仅能够获取到单个端面壁厚的技术，能够更精确的识别竹筒壁厚信息，从而提高竹筒的切割效果。
41.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种竹筒壁厚的检测模型构建方法，其特征在于，包括步骤：获取预设数量的竹筒在不同长度下的端面图像；根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值；根据同一竹筒不同所述端面图像之间对应的长度间距以及不同所述端面图像对应的壁厚值和外径值，得到不同竹筒对应的训练集；获取预测目标长度，根据所述预测目标长度以及训练集得到预测模型；所述预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值。2.根据权利要求1所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述获取预设数量的竹筒在不同长度下的端面图像包括：获取预设数量的竹筒在不同长度下的端面图片；对所述端面图片进行透视变换，得到矫正图像；识别并提取所述矫正图像中的竹筒区域，得到目标竹筒区域图像；对所述目标竹筒区域图像进行数据增强，得到所述端面图像。3.根据权利要求1所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述根据所述端面图像，得到所述端面图像中每一竹筒对应的不同长度下的壁厚值以及外径值包括：构建分割模型，并根据所述分割模型对所述端面图像进行分割，得到分割结果图；根据所述分割结果图得到所述端面图像中竹筒对应的壁厚值以及外径值。4.根据权利要求3所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述根据所述分割结果图得到所述端面图像中竹筒对应的壁厚值以及外径值包括：计算所述分割结果图对应的最大外接矩形框，并获取所述最大外接矩形框的中心点以及长度；以所述最大外接矩形框的中心点为圆心、所述最大外接矩形框长度为半经，对所述分割结果图进行长度检测，得到像素长度信息；获取所述分割结果图对应的像素精度，根据所述像素长度信息以及像素精度得到所述端面图像中竹筒对应的壁厚值以及外径值。5.根据权利要求4所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述对所述分割结果图进行长度检测，得到像素长度信息包括：获取预设检测的间隔角度；依次以所述间隔角度向外延伸计算当前间隔角度对应的像素长度，直至检测角度等于360
°
；根据所有所述间隔角度对应的像素长度得到所述像素长度信息。6.根据权利要求3所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述预测模型输出预测目标长度下竹筒端面对应壁厚值和外径值之后包括：获取竹筒的端面图片，根据所述分割结果图以及竹筒的端面图片得到竹筒内部图像；获取所述竹筒内部图像对应的亮度信息；根据所述亮度信息判断所述端面图像中的竹筒是否为竹节区域，若是，则矫正所述壁厚值。7.根据权利要求3所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述构建分
割模型包括：获取竹筒图像数据集；采用pp-liteseg构建分割网络，并在所述分割网络的输出层设置交叉熵损失函数，得到分割学习模型；根据所述竹筒图像数据集对所述分割学习模型进行训练，得到所述分割模型。8.根据权利要求7所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述根据所述分割模型对所述端面图像进行分割，得到分割结果图之后包括：构建分割分类模型，将所述分割结果图以及所述端面图像输入所述分割分类模型，得到分类结果；根据所述分类结果判断所述端面图像中的竹筒是否存在缺陷。9.根据权利要求8所述的一种竹筒壁厚的检测模型构建方法，其特征在于，所述构建分割分类模型包括：采用repvgg构建分类网络，并在所述分类网络的输出层设置标签平滑损失函数，得到分类学习模型；获取所述分割模型训练过程生成的与所述竹筒图像数据集对应的训练结果集；将所述训练结果集与所述竹筒图像数据集对应相乘，得到分类训练集；根据所述分类训练集对所述分类学习模型进行训练，得到所述分割分类模型。10.一种竹筒壁厚的检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述的一种竹筒壁厚的检测模型构建方法中的各个步骤。

技术总结
本发明公开一种竹筒壁厚的检测模型构建方法以及检测装置，通过构建的分割分类模型对待识别竹筒的端面图像进行分割以及分类，从而能够基于分割图像快速的提取到当前待识别竹筒的端面壁厚信息，能够实现快速精准的竹筒壁厚检测，并按照其成像进行分类和预测。同时，还使用回归算法来预测目标长度下竹筒端面的壁厚和外径，通过构建的预测模型对分割结果图以及待识别竹筒的端面图像进行预测，得到竹筒沿长度方向上其他端面的壁厚信息，从而通过整合竹筒的端面壁厚信息以及长度方向上其他端面的壁厚信息得到竹筒整体的壁厚信息，相较于现有技术中仅能够获取到单个端面壁厚的技术，能够更精确的识别竹筒壁厚信息，从而提高竹筒的切割效果。切割效果。切割效果。


技术研发人员：许鑫达 杨和 刘文哲 童同 高钦泉
受保护的技术使用者：福建帝视科技集团有限公司
技术研发日：2023.06.13
技术公布日：2023/7/17