本发明属于工程结构测试领域，具体设计一种对应变片的粘贴质量进行自动化、智能化的检测方法。
背景技术：
1、电阻应变片具有结构简单、性能稳定可靠、灵敏度高、频率范围广的特点，在工程结构测试领域应用非常广泛。
2、另一方面，作为一种接触式测量方法，测量前需要将应变片粘贴到物体表面，其粘贴质量问题往往会导致其可靠性以及精度不足下降，保证应变片的粘贴质量是一个重要的问题。
3、在实际工程中，目前主要通过目测、电测等人工方法进行质量的检测，效率非常低下，需要发展一种智能化的自动检测方法，以解决上述问题。
技术实现思路
1、针对以上技术问题，本发明为辅助应变片粘贴质量的检测，构建了一种利用图片处理手段判断应变片粘贴质量的智能检测流程。
2、技术方案:
3、为实现上述发明目的，本发明的应变片粘贴质量的智能检测方法可采用以下技术方案：
4、一种应变片粘贴质量的智能检测方法，包括以下步骤：
5、s1)建立应变片粘贴后试件图片的样本数据库，采集一定量的应变片粘贴后的试件图形数据，组成数据库，单个图片样本为一个完整的应变片粘贴后试件，至少包含粘贴后贴纸、焊点、应变栅以及预应力环上述要素；
6、s2)根据《astm》标准，人工判别对所述样本数据库中的应变片粘贴质量，并记录；
7、s3)将试件图片划分为不同的区域，并人工对样本数据库中的图片逐个进行两个层次的区域分割标记，并训练机器学习模型；利用长方形边框对所述样本数据库中的图片进行第一层次的图片分割的人工标记，第一层次的图片分割具体指焊片区域、应变栅区域以及预应力环区域，利用适用于图片分割的机器学习模型，记为模型i，并利用样本数据库和标记信息进行参数训练，获得第一层次的图片分割图像区域的模型参数；对样本数据库中的图片进行第二层次的图片分割的人工标记，第二层次的图片分割出的区域是指焊点区域，利用适用于图片分割的机器学习模型，并利用样本数据库和标记信息进行参数训练，获得第二层次的图片分割图像区域的模型参数；
8、s4)依次对样本数据库中的图片所对应的划分好的区域，计算其个性化的特征并进行分类模型的训练；利用图像预处理模块m1对图像进行预处理，利用个性化特征模块m2计算样本中图像的特征，并利用适用于分类的机器学习模型，对图像特征和标记信息进行参数训练，获取分类模型参数；
9、s5)利用步骤s3所训练的机器学习模型对所给目标图片进行分割区域，返回分割后不同区域的图片：图片分割分为两个层次：第一层次的图片分割后，进一步进行第二层次的分割；
10、s6)对步骤s5得到的分割图像中的应变栅区域，利用一阶微分算子和相似性分析对应变删区域进行连续性判断，如不满足相似性条件，则判定为粘贴质量不合格，否则进入步骤s7；
11、s7)利用图像预处理模块m1和个性化特征模块m2处理步骤s5得到的分割图像，获得目标图片tp的个性化特征，利用步骤s4中的分类模型及其模型参数，判定目标图片tp中的应变片粘贴质量。
12、步骤s2根据《astm》标准，先人工进行目测，再通过仪器测量确认整体的工作性能，将性能正常的图片样本记录为1，将表现不合格的图片样本记录为0。
13、步骤s3具体包括以下子步骤：
14、s3.1)利用长方形边框作为区域形状对样本数据库中的图片进行第一层次的图片分割的人工标记，得到第一标记信息；第一层次的图片分割出的区域具体指焊片区域、应变栅区域以及预应力环区域，该层标记记录的形式为长方形中点和长方形的长和宽；
15、s3.2)利用适用于图片分割的机器学习模型，记为模型i，利用步骤s1中的样本数据库和步骤s3.1中的第一标记信息进行参数训练，获得第一层次的图片分割图像区域的模型参数，记为模型参数ia；
16、s3.3)对样本数据库中的图片进行第二层次的图片分割的人工标记，得到第二标记信息，第二层次的图片分割出的区域是指焊点区域，该层标记记录的形式为长方形中点和长方形的长和宽；
17、s3.4)利用模型i、步骤s1中的样本数据库和步骤s3.3中的第二标记信息进行参数训练，获得第二层次的图片分割图像区域的模型参数，记为模型参数ib。
18、步骤s4)具体包括如下子步骤：
19、s4.1)利用步骤s3.1中人工标记的应变栅区域和胶底带应变栅区域进行消减运算，获取胶底代应变栅区域；
20、s4.2)利用图像预处理模块m1，逐个对样本中焊片区域、胶底代应变栅区域进行图片预处理操作，所述图片预处理操作包括a)重采样，设置采样率为10；b)平均滑动滤波处理；
21、s4.3)利用个性化特征模块m2，对步骤s3.1中标记的焊片区域、预应力环区域、步骤s3.3中标记的焊点区域以及步骤s4.1获取的胶底代应变栅区域进行特征提取，并返回特征；
22、s4.4)采用分类模型，记为模型ii，利用步骤s4.3提取好的特征与步骤s3中的人工标记进行训练，获取相应的分类参数，记为模型参数ii。
23、上述步骤s4.1中，胶底代应变栅区域是指三倍的应变栅的宽并和六分之五倍的应变栅的长所形成的长方形。
24、步骤s4.3特征提取具体是：针对图片分割后或标记的不同区域，计算不同的个性化特征，其中：
25、a)对于焊片区域，计算以下14个特征：图像颜色矩特征，每个颜色通道提取一、二、三3个低阶矩，一共有9个分量特征；4个焊点位置以及所围成区域的惯性矩，共5个特征；
26、b)对于焊点区域，计算以下48个特征：0，45，90，135方向上的二阶矩、对比度、相关度和熵，共16个特征，四个焊点共48个特征；
27、c)对于预应力环区域，通过阈值处理和形态学特征提取具体预应力环的路径后，计算以下7个特征：终末点的欧拉距离，共两个分量特征；两条理想导线间的夹角，共1个分量特征；导线路径与理想导线的偏移量的平方和，共2个分量特征；理想导线与垂直边缘的夹角，共2个分量特征；
28、d)对于胶底代应变栅区域，计算以下10个特征：颜色四等分后最浅颜色出现的比例，共1个分量特征；图片一二三阶矩，共9个分量特征。
29、步骤s5)包括以下子步骤：
30、5.1)对于所给的目标图片，利用步骤s3中的模型i和模型参数ia进行目标识别并进行第一层次的图片分割，获得焊片区域、应变栅区域、预应力环区域以及胶底带应变栅区域；
31、5.2)利用步骤s5.1分割出来的应变栅区域和胶底带应变栅区域进行消减运算，获取胶底代应变栅区域；
32、5.3)对于步骤s5.1分割出来的焊片区域，利用步骤s3中的模型i和模型参数ib进行目标识别并进行第二层次的图片分割获取焊点区域，这里假设焊点必须位于贴纸上，由于贴纸上最多有四个焊点，故在这个步骤s只取置信度最大的四个检测框，返回为图片和四个焊点在焊片区域的中心位置的相对坐标。
33、步骤s6的过程为，检查应变栅是否存在瑕疵，利用一阶微分算子对应变删区域进行处理，判断有无明显不连续处，若有，则认为该目标粘贴质量不满足要求；并对栅片图像的右12/13进行截取，并进行阈值处理后，将栅片图像重置为近含有(0，1)的矩阵，与标准情况下进行比对，若不同的像素点大于整体像素点的10％，则认为该目标粘贴质量不满足要求；若上两项都满足，则继续执行步骤s7。
34、步骤s7的具体步骤为：
35、s7.1)利用图像预处理模块m1，对所给中焊片区域、胶底代应变栅区域进行预处理操作；
36、s7.2)利用个性化特征模块m2，对步骤s5.1)获取的焊片区域、预应力环区域、步骤5.2)获取的胶底代应变栅区域、步骤s5.3)获取的焊点区域进行特征提取，
37、s7.3)利用模型ii、模型参数para-ii和s6.2)提取的特征进行分类，返回结果0，即不合格或结果1，即合格。
38、所述步骤s7.3中，当需要检测的图片结果处于两个支持向量的中间区域时，为了满足工程上的应用，即对于该类结果一律从严判断为0，即不合格。
39、有益效果:
40、本发明应用智能化技术，仅输入应变片的粘贴图片，即可输出结果，可作为实际工程中检测的辅助手段。其次，本发明针对应变片的图片的不同区域，设定了个性化的特征，显著化其物理意义，节省了学习算法的算力需求。
1.一种应变片粘贴质量的智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s2根据《astm》标准，先人工进行目测，再通过仪器测量确认整体的工作性能，将性能正常的图片样本记录为1，将表现不合格的图片样本记录为0。
3.根据权利要求1所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s3具体包括以下子步骤：
4.根据权利要求3所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s4）具体包括如下子步骤：
5.根据权利要求4所述的应变片粘贴质量的智能检测方法，其特征在于，上述步骤s4.1中，胶底代应变栅区域是指三倍的应变栅的宽并和六分之五倍的应变栅的长所形成的长方形。
6.根据权利要求4所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s4.3特征提取具体是：针对图片分割后或标记的不同区域，计算不同的个性化特征，其中：
7.根据权利要求4所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s5）包括以下子步骤：
8.根据权利要求1所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s6的过程为，检查应变栅是否存在瑕疵，利用一阶微分算子对应变删区域进行处理，判断有无明显不连续处，若有，则认为该目标粘贴质量不满足要求；并对栅片图像的右12/13进行截取，并进行阈值处理后，将栅片图像重置为近含有（0，1）的矩阵，与标准情况下进行比对，若不同的像素点大于整体像素点的10%，则认为该目标粘贴质量不满足要求；若上两项都满足，则继续执行步骤s7。
9.根据权利要求1所述的应变片粘贴质量的智能检测方法，其特征在于，步骤s7的具体步骤为：
10.根据权利要求9所述的应变片粘贴质量的智能检测方法，其特征在于，所述步骤s7.3中，当需要检测的图片结果处于两个支持向量的中间区域时，为了满足工程上的应用，即对于该类结果一律从严判断为0，即不合格。
