基于机器学习的管径判断方法及终端设备与流程

本发明属于计算机技术领域，尤其涉及一种基于机器学习的管径判断方法及终端设备。

背景技术：

球墨铸铁管根据实际应用的需要，分为不同的管子直径。如直径为300mm，350mm，400mm，500mm等等不同的标准规格。由于管子表面需要喷防腐漆，不同管子直径喷防腐漆的工艺参数不同，需要在线判断管子的直径，来自动调节工艺参数，实现自动化生产。但是，现有技术尚未提供一种可行的方法，能够对管径大小进行实时判断。

技术实现要素：

有鉴于此，本发明实施例提供了一种基于机器学习的管径判断方法、计算机可读存储介质及终端设备，以解决现有技术无法实时确定管径大小的问题。

本发明实施例的第一方面提供了一种基于机器学习的管径判断方法，包括：

分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应多张图像，所述m种型号的管道种任意两种型号的管道的管径大小不同；

针对所述图像集中的任一图像，获取所述图像所对应的标签，所述标签用于表示所述图像中管道的型号，得到训练集；

通过所述训练集对预设分类模型进行训练，得到分类器；

将待分类管道的图像输入所述分类器，获得所述图像中管道的型号，并根据所述管道的型号得到所述管道的管径大小。

本发明实施例的第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：

分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应多张图像，所述m种型号的管道种任意两种型号的管道的管径大小不同；

针对所述图像集中的任一图像，获取所述图像所对应的标签，所述标签用于表示所述图像中管道的型号，得到训练集；

通过所述训练集对预设分类模型进行训练，得到分类器；

将待分类管道的图像输入所述分类器，获得所述图像中管道的型号，并根据所述管道的型号得到所述管道的管径大小。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应多张图像，所述m种型号的管道种任意两种型号的管道的管径大小不同；

针对所述图像集中的任一图像，获取所述图像所对应的标签，所述标签用于表示所述图像中管道的型号，得到训练集；

通过所述训练集对预设分类模型进行训练，得到分类器；

将待分类管道的图像输入所述分类器，获得所述图像中管道的型号，并根据所述管道的型号得到所述管道的管径大小。

本发明提供了一种基于机器学习的管径判断方法及终端设备，包括：分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，型号的管道对应多张图像，m种型号的管道种任意两种型号的管道的管径大小不同；针对图像集中的任一图像，获取图像所对应的标签，标签用于表示图像中管道的型号，得到训练集；通过训练集对预设分类模型进行训练，得到分类器；将待分类管道的图像输入分类器，获得图像中管道的型号所对应的管径大小。本发明通过使用大量不同管径大小的管道图像对分类模型进行训练，得到分类器，通过分类器对待确定管径大小的管道的图像进行分类，实时得到管道的管径大小。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于机器学习的管径判断方法的流程示意图；

图2为本发明实施例提供的一种基于机器学习的管径判断装置的结构框图；

图3为本发明实施例提供的一种基于机器学习的管径判断终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

本发明实施例提供了一种基于机器学习的管径判断方法。结合图1，该方法包括：

s101，分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应多张图像，所述m种型号的管道种任意两种型号的管道的管径大小不同。

举例来说，所述m种型号的管道共对应4种型号的管道，分别为直径300mm的管道，直径为350mm的管道，直径为400mm的管道和直径为500mm的管道。

直径为300mm的管道的型号为型号1，直径为350mm的管道的型号为型号2，直径为400mm的管道的型号为型号3，直径为500mm的管道的型号为型号4。

针对每一种型号的管道，通过图像采集装置对该型号的管道进行图像采集，获取该型号的管道所对应的多张图像。

可选的，在图像采集的过程中，图像采集装置与每种型号的管道的距离相同，每种型号的管道的摆放位置相同。

s102，针对所述图像集中的任一图像，获取所述图像所对应的标签，所述标签用于表示所述图像中管道的型号，得到训练集。

对每张图像进行人工标注，得到该图像所对应的用于表示该图像中管道的型号的标签。步骤s101中所有采集到的图像经过人工标注后，共同组成训练集。

s103，通过所述训练集对预设分类模型进行训练，得到分类器。

通过训练集中的样本对预设分类模型进行训练，可选的，该预设分类模型为支持向量机的分类模型。

可选的，将训练集中的样本分为多个批次，分批次对所述预设分类模型进行训练，当所有批次都完成一次对该分类模型的训练后，则完成一次迭代，模型的精度达到预设精度或对该模型的训练的迭代次数达到预设次数后，停止训练，得到分类器。

s104，将待分类管道的图像输入所述分类器，获得所述图像中管道的型号，并根据所述管道的型号得到所述管道的管径大小。

实时采集待分类管道的图像，可选的，在采集待分类管道的图像时，待分类管道与图像采集装置的距离，以及待分类管道的摆放位置，与步骤s101中获取训练样本的距离和摆放位置相同。

将待分类管道的图像输入分类器，由分类器对待分类管道的图像进行分类，分类结果为所述m种型号中的一种，得到待分类管道的类型，即可获得待分类管道的管径。

可选的，为提高分类的精准度，在将待分类管道的图像输入所述分类器之前，该方法还包括：将所述待分类管道的图像进行灰度变换、中值滤波、模糊增强和阈值化处理。

可选的，预设分类模型为支持向量机的分类模型，由于支持向量机的分类模型为二值分类问题，当管道型号大于2种时，通过构建m(m-1)/2个判别函数，得到所述预设分类模型，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应(m-1)个判别函数，针对任一判别函数，所述判别函数用于判别所述m种型号中的两种型号，任意两个判别函数所对应的两种型号不完全相同。

举例来说，如骤s101所述，管道的型号为型号1至型号4，对应的管径大小依次为300mm、350mm、400mm和500mm，则依照上述方法，构建6个判别函数，第一个判别函数用于判别类型1和类型2的管道的图像，第二个判别函数用于判别类型1和类型3的管道的图像，第三个判别函数用于判别类型1和类型4的管道的图像，第四个判别函数用于判别类型2和类型3的管道的图像，第五个判别函数用于判别类型2和类型4的管道的图像，第六个判别函数用于判别类型3和类型4的管道的图像。

进一步的，通过如上所述的分类模型对待分类管道的图像进行分类包括：

分别为所述m(m-1)/2个判别函数中的每个判别函数设置优先级，并按照优先级由大到小的顺序对所述m(m-1)/2个判别函数进行排序，得到判别函数队列；

通过所述判别函数队列中的判别函数对所述待分类管道的图像进行判别，得到所述图像中管道的型号。

具体的，按照所述判别函数队列中的判别函数的顺序，依次调用队列中的判别函数对所述待分类管道的图像进行判别，若队列中的第一个判别函数无法对所述待分类管道的图像进行判别，则调用队列中的第二个判别函数对所述待分类管道的图像进行判别，直至确定得到判别结果的第一判别函数；

若所述第一判别函数对所述待分类管道的图像的判别结果为所述m种型号中的第一型号，则确定所述第一判别函数所对应的第二型号，并将所述判别函数队列中的所有用于判别所述第二型号的判别函数删除，由余下的判别函数对所述待分类管道的图像进行第二轮判别，直至得到所述待分类管道的图像中的管道的类型。

举例来说，分别为上述6个判别函数设置优先级，第一个判别函数的优先级＞第二个判别函数的优先级＞第三个判别函数的优先级＞第四个判别函数的优先级＞第五个判别函数的优先级＞第六个判别函数的优先级。

则生成判别函数队列，按照优先级由高到低的顺序，队列中的判别函数依次为第一个判别函数、第二个判别函数、第三个判别函数、第四个判别函数、第五个判别函数和第六个判别函数。

当对待分类管道的图像进行判别时，首先调用第一个判别函数，由于第一个判别函数用于判别类型1和类型2的管道，因此判别结果有三种可能，即待分类管道的类型为类型1、待分类的管道的类型为类型2或者判别失败。若判别失败，则第一个判别函数无法对待分类管道的图像进行判别，调用队里中的下一个判别函数对待分类管道的图像进行判别，直至得到能够得出图像中管道类型的判别函数。

在本发明实施例中，以第一个判别函数即可得出待分类管道的图像的判别结果为例进行说明。

假设第一个判别函数对待分类管道的图像的判别结果为类型1，则将队列中所有用于判别类型2的判别函数删除，余下的判别函数包括第二个判别函数，用于判别类型1和类型3；第三个判别函数，用于判别类型1和类型4；第六个判别函数，用于判别类型3和类型4；

之后进行第二轮判别，首先由第二个判别函数进行判别，若判别结果为类型1，则删除用于判别类型3的判别函数，即删除第六个判别函数，最后由第二个判别函数判别待分了管道的图像，得到判别结果。

本发明实施例提供了一种基于机器学习的管径判断方法，该方法包括：分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，型号的管道对应多张图像，m种型号的管道种任意两种型号的管道的管径大小不同；针对图像集中的任一图像，获取图像所对应的标签，标签用于表示图像中管道的型号，得到训练集；通过训练集对预设分类模型进行训练，得到分类器；将待分类管道的图像输入分类器，获得图像中管道的型号所对应的管径大小。本发明通过使用大量不同管径大小的管道图像对分类模型进行训练，得到分类器，通过分类器对待确定管径大小的管道的图像进行分类，实时得到管道的管径大小。

图2为本发明实施例提供的一种基于机器学习的管径判断装置示意图，结合图2，该装置包括：图像获取单元21，训练集获取单元22，训练单元23和分类单元24；

图像获取单元21，用于分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应多张图像，所述m种型号的管道种任意两种型号的管道的管径大小不同；

训练集获取单元22，用于针对所述图像集中的任一图像，获取所述图像所对应的标签，所述标签用于表示所述图像中管道的型号，得到训练集；

训练单元23，用于通过所述训练集对预设分类模型进行训练，得到分类器；

分类单元24，用于将待分类管道的图像输入所述分类器，获得所述图像中管道的型号，并根据所述管道的型号得到所述管道的管径大小。

进一步的，所述分类单元24还用于：

将所述待分类管道的图像进行灰度变换、中值滤波、模糊增强和阈值化处理。

进一步的，所述训练单元23还用于：

构建m(m-1)/2个判别函数，得到所述预设分类模型，其中，针对预设的m种型号的管道中的任一种型号的管道，所述型号的管道对应(m-1)个判别函数，针对任一判别函数，所述判别函数用于判别所述m种型号中的两种型号，任意两个判别函数所对应的两种型号不完全相同。

进一步的，所述分类单元24还用于：

分别为所述m(m-1)/2个判别函数中的每个判别函数设置优先级，并按照优先级由大到小的顺序对所述m(m-1)/2个判别函数进行排序，得到判别函数队列；

通过所述判别函数队列中的判别函数对所述待分类管道的图像进行判别，得到所述图像中管道的型号。

进一步的，所述分类单元24还用于：

按照所述判别函数队列中的判别函数的顺序，依次调用队列中的判别函数对所述待分类管道的图像进行判别，若队列中的第一个判别函数无法对所述待分类管道的图像进行判别，则调用队列中的第二个判别函数对所述待分类管道的图像进行判别，直至确定得到判别结果的第一判别函数；

若所述第一判别函数对所述待分类管道的图像的判别结果为所述m种型号中的第一型号，则确定所述第一判别函数所对应的第二型号，并将所述判别函数队列中的所有用于判别所述第二型号的判别函数删除，由余下的判别函数对所述待分类管道的图像进行第二轮判别，直至得到所述待分类管道的图像中的管道的类型。

本发明实施例提供了一种基于机器学习的管径判断装置，该装置通过分别获取预设的m种型号的管道中每一种型号的管道所对应的图像，得到图像集，其中，针对预设的m种型号的管道中的任一种型号的管道，型号的管道对应多张图像，m种型号的管道种任意两种型号的管道的管径大小不同；针对图像集中的任一图像，获取图像所对应的标签，标签用于表示图像中管道的型号，得到训练集；通过训练集对预设分类模型进行训练，得到分类器；将待分类管道的图像输入分类器，获得图像中管道的型号所对应的管径大小。该装置通过使用大量不同管径大小的管道图像对分类模型进行训练，得到分类器，通过分类器对待确定管径大小的管道的图像进行分类，实时得到管道的管径大小。

图3为本发明实施例提供的一种终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如基于机器学习的管径判断程序。所述处理器30执行所述计算机程序32时实现上述各个基于机器学习的管径判断方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。

示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。

所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器30可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述基于机器学习的管径判断方法的步骤。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。