(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211314442.4 (22)申请日 2022.10.26 (71)申请人 金成技术股份有限公司 地址 272500 山东省济宁市汶上县金成路1 号 (72)发明人 姬国华　姬蕾　郭鹏　王淑俭　 路秋媛　 (74)专利代理 机构 济宁仁礼信知识产权代理事 务所(普通 合伙) 37383 专利代理师 周建军 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/84(2022.01) G06V 10/26(2022.01)G06V 10/54(2022.01) G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/187(2017.01) G06T 7/45(2017.01) (54)发明名称 基于图像处理的金属管材生产异常识别方 法 (57)摘要 本发明涉及图像数据处理技术领域， 具体涉 及一种基于图像处理的金属管材生产异常识别 方法。 该方法通过金属管材表 面图像构建高斯混 合模型， 根据高斯混合模型中的子高斯模型峰值 选择对应的像素点作为金属管材表面图像划分 的初始节 点， 通过初始节点进行区域生长得到初 步划分的子区域， 对初步划分的子区域进行进一 步的合并获得合并子区域， 通过各个合并子区域 灰度共生矩 阵的纹理特征量和区域分布实现对 异常区域的提取识别。 本发明通过根据图像中的 像素值分布， 自适应对区域中的特征进行提取， 使得异常识别的方法在保证准确率的同时适应 性高且成本低。 权利要求书2页 说明书8页 附图1页 CN 115393657 A 2022.11.25 CN 115393657 A 1.一种基于图像处 理的金属管 材生产异常识别方法， 其特 征在于， 所述方法包括： 获取金属管材的表面图像， 根据所述表面图像中的灰度值分布获得对应的高斯混合模 型； 将所述高斯混合模型中各个子高斯模型 的峰值点对应的像素点作为初始节点， 通过所 述初始节点进行区域 生长获得至少两个子区域； 将邻接且像素值分布特 征一致的所述子区域 合并， 获得合并子区域； 统计每个所述合并子区域中像素点对应的高斯混合模型值的种类， 根据每种所述高斯 混合模型值在所述合并子区域中出现的概率 获得模型种类分布指标； 获取每个所述合并子 区域的灰度共生矩阵的纹理特征量； 通过所述模型种类分布指标和所述纹理特征量 获得每 个所述合并子区域的正常特 征指标； 根据所述 正常特征指标数值识别出异常区域。 2.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述根据所述表面图像中灰度值分布获得对应的高斯混合模型包括： 获得所述表面图像的灰度直方图， 获得所述灰度直方图的灰度直方图曲线， 以所述灰 度直方图曲线中的峰值点个数作为所述高斯混合模型中的子高斯模型数量； 基于所述子高 斯模型数量通过EM算法求解出所述表面图像对应的所述高斯混合模型。 3.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述将所述高斯混合模型中各个子高斯模型的峰值点对应的像素点作为初始节点包 括： 将去噪后的表面图像中的像素点代入各个子高斯模型得到对应的高斯序列， 选取每个 所述高斯序列的最大值对应的像素点作为对应的初始节点， 若所述高斯序列存在不止一个 最大值， 选取任意 一个最大值对应的像素点作为初始 节点。 4.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述通过初始 节点进行区域 生长获得至少两个子区域包括： 计算目标初始节点与其预设邻域范围内其他像素点之间的像素值相似度， 将所述像素 值相似度大于等于第一预设阈值的所述其他像素点与所述目标初始节点进 行合并， 选择与 所述目标初始节点合并的像素点中与所述目标初始节点像素值相似度最高的点作为新的 初始节点 继续进行生长， 直至所获得的最新初始节点和其预设邻域范围内其他像素点像素 值相似度均小于所述第一预设阈值得到 至少两个子区域。 5.根据权利要求4所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述计算目标初始 节点与其预设邻域范围内其 他像素点的像素值相似度包括： 所述目标初始 节点与其预设邻域范围内其 他像素点的像素值相似度计算模型包括： 其中， 为所述目标初 始节点的像 素值， 为所述目标初 始节点预设邻域范围内第 个 其他像素点的像素值， 为所述目标初始节点与其预 设邻域范围内第 个其他像素点的像素 值相似度， 为自然常数。 6.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述将邻接且像素值分布特 征一致的所述子区域 合并包括： 获取所有所述子区域的灰度直方图， 任意两个子区域构成子区域组； 获得所述子区域权　利　要　求　书 1/2 页 2 CN 115393657 A 2组中两个所述子区域灰度直方图之间的差异距离， 一减去所述差异距离， 获得两个所述子 区域之间的第一分析指标； 将所述子区域组中两个所述子区域的公共边缘长度与两个所述 子区域中最长区域边缘长度的比值作为第二分析指标； 计算所述第一分析指标与所述第二 分析指标的均值， 并对所述均值进行归一化处理得到所述子区域组的相关性指标； 若所述 相关性指标大于等于预设第二阈值， 则所述相关性指标对应的两个所述子区域邻接且像素 值分布特征一致， 将两个所述子区域进 行聚合， 获得新的子区域； 对 所有子区域进 行聚合分 析， 直至所有子区域之间的相关性指标均低于第二预设阈值。 7.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述根据每种所述高斯混合模型值在所述合并子区域中出现的概率 获得模型种类分布 包含： 在所有像素点高斯混合模型值中， 相同的像素点高斯混合模型值为一种高斯混合模型 值； 通过模型种类分布指标计算模型获得模型种类分布指标， 所述模型种类分布指标计算 模型包括： 其中， 为合并子区域中的高斯混合模型值种类的总数， 为第 种高斯混合模型值在 合并子区域中出现的次数， 为合并子区域像 素点的总数， 为合并子区域所对应的模型种 类分布指标。 8.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述获取每 个所述合并子区域灰度共生矩阵的纹 理特征量包括： 所述纹理特征量包括能量 值和熵值。 9.根据权利要求1所述的一种基于图像处理的金属管材生产异常识别方法， 其特征在 于， 所述通过每个合并子区域的模型种类分布指标和所述纹理特征量获得正常特征指标包 括： 建立区域特征模型来通过模型种类分布指标和所述合并子区域灰度共生矩阵的纹理 特征量获得正常特 征指标， 区域特 征模型包括： 其中， 为第一预设参数， 为第二预设参数， 为合并子区域灰度 共生矩阵的能量 值， 为合并子区域灰度共生矩阵的熵值， 为合并子区域所对应的模型种类分布指 标， 为正常特征指标。权　利　要　求　书 2/2 页 3 CN 115393657 A 3