CN101216880A - 一种火工品缺陷识别方法 - Google Patents
一种火工品缺陷识别方法 Download PDFInfo
- Publication number
- CN101216880A CN101216880A CNA200710301442XA CN200710301442A CN101216880A CN 101216880 A CN101216880 A CN 101216880A CN A200710301442X A CNA200710301442X A CN A200710301442XA CN 200710301442 A CN200710301442 A CN 200710301442A CN 101216880 A CN101216880 A CN 101216880A
- Authority
- CN
- China
- Prior art keywords
- defective
- bubble
- image
- slag inclusion
- crack
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种火工品缺陷识别方法,将图像不变矩方法和直方图分析法组合,进行火工品缺陷的识别,首先利用图像不变矩方法,通过形状识别,将裂缝从火工品缺陷中提取出来,然后利用直方图分析法,计算出气泡和夹渣像素值所在的灰度区间,将气泡和夹渣区分,从而实现火工品缺陷的分类识别,克服了现有技术中通过人工判决而导致的识别效率低、准确性差的缺陷,保证了火工品的性能。
Description
技术领域
本发明涉及图像识别技术领域,更具体地,本发明涉及一种火工品缺陷识别方法。
背景技术
火工品在运输和储存过程中,经常由于碰撞、颠簸、振动以及湿热环境等不确定因素的影响,在火工品的内部一般会出现各种缺陷,这些缺陷会影响火工品的整体性能,甚至可能造成灾难性的事故。
20世纪80年代以来,工业CT作为一种先进的无损检测手段,取得迅速发展,并且得到广泛的应用。运用工业CT技术检测火工品的内部缺陷,能发现许多常规无损检测方法难以检查出的问题,大大提高了火工品的安全性能。但目前工业CT检测火工品的内部缺陷的识别准确性较低,另外目前工业CT检测火工品的内部缺陷完全依靠检测人员手工判读,故障诊断效率低。
发明内容
为克服现有技术中火工品缺陷识别中准确性差、效率低的缺陷,本发明提出了一种火工品缺陷识别方法。
一种火工品缺陷识别方法,包括:
步骤10)、根据火工品图像缺陷分割结果,利用图像不变矩方法,计算所述图像的各个缺陷的7个不变矩特征值;
步骤20)、计算由所述各缺陷的7个不变矩特征值组成的特征向量与裂缝的标准特征向量的欧氏距离,如果所述欧氏距离小于预设的阈值,则识别所述缺陷为裂缝;
步骤30)、计算由所述各缺陷的7个不变矩特征值组成的特征向量与气泡和夹渣的标准特征向量的欧氏距离,如果所述欧氏距离小于预设的阈值,则识别所述缺陷为气泡和夹渣;
步骤40)、分析所述图像的直方图,计算出气泡和夹渣像素值所在的灰度区间,判断气泡和夹渣的灰度空间是否和裂缝为同一灰度空间,识别缺陷中的气泡和夹渣。
其中,所述七个不变矩特征值分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-
(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
其中,ηpq为所述图像的归一化中心矩,p+q=2,3,…。
其中,步骤10)中,优选地,将所述7个不变矩特征值取对数,进行数据压缩。
其中,所述裂缝和所述气泡与夹渣的标准特征向量经试验测得,不因为CT图像的不同而变化。
其中,步骤20)中,一般地,所述阈值设定为15。
其中,步骤30)中,一般地,所述阈值设定为10。
其中,步骤30)中,分别计算未识别缺陷和识别出的裂缝的灰度均值,然后分别计算所述各缺陷的灰度均值和裂缝灰度均值的欧氏距离,如果缺陷的所述欧氏距离小于预设阈值,则所述缺陷为气泡,如果缺陷的所述欧氏距离大于预设阈值,则所述缺陷为夹渣,其中,一般地,所述预设阈值为20。
其中,对于不同CT设备得到的CT图像,灰度值会有不同,则所述7个不变矩特征值和上述各阈值也会有所不同。
通过应用本发明,实现了火工品缺陷的分类识别,显著提高了缺陷识别的准确性和识别效率,保证了火工品的整体性能。
附图说明
图1是含有典型缺陷的火工品模型CT图;
图2是根据本发明的实施例中的火工品缺陷识别流程图;
图3a-图3c分别是火工品三种缺陷灰度直方图分布示意图。
具体实施方式
下面结合附图和具体实施例,对本发明提供的一种火工品缺陷识别方法作进一步说明。
在火工品缺陷识别中可供使用的数据信息一般分为两类,第一类是缺陷区域的形状信息,也就是缺陷区域所包含的像素点的空间分布信息;第二类是缺陷区域的外观信息,也就是缺陷区域像素值的取值情况。而在火工品中存在的三种主要缺陷分别是裂缝、气孔和夹渣。如图1所示,在火工品缺陷的CT检测断层图像中,火工品缺陷区域的形状信息分别为:裂缝空间分布表现为狭长的椭圆形,气孔和夹渣的空间分布表现为近似圆形。火工品缺陷区域的外观信息分别为:裂缝和气孔缺陷区域像素值取值处于同一灰度区间,夹渣属于不同于裂缝和气孔二者的灰度区间的另一灰度区间,因此,可根据形状和外观信息对火工品缺陷实施分类识别。
图像不变矩法可以通过提取灰度数字图像平移、旋转和比例不变性的数学特征,进行目标形状信息的识别。直方图分析法通过对灰度数字图像的像素分布统计,计算出图像的灰度区间,进行目标的外观信息区分判定。
图像不变矩是指图像经过平移、旋转以及比例变换后仍保持不变的矩特征量。Hu M.K.于1962年首次提出连续函数矩的定义,并证明有关矩的平移、旋转以及比例不变性等性质,同时给出利用二阶和三阶中心矩构造的7个不变矩的表达式。Wong Y.R.进一步给出了离散函数的各阶矩的计算方法,但计算出的7个不变矩并不具有比例因子不变性,也不能保持平移和旋转不变性。吕洪涛通过对矩特征实施归一化处理,提出了一种新的不变矩算法,使7个不变矩具有比例因子不变性,又能保持平移和旋转不变性(参见吕洪涛、周继成的“离散状态下的不变矩算法研究”,发表于1993年8月出版的“数据采集与处理”,第151页-第155页)。
其中,图像函数f(x,y)的(p+q)阶普通矩和中心矩的公式分别为:
对于数字图像,积分用求和代替,mpq和μpq变为
归一化的中心矩定义为:
其中,r=(p+q)/2+1,p+q=2,3,…。
Hu M.K.利用二阶和三阶中心矩构造了七个不变矩:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-
(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]。
另外,当图像进行比例变化时,修正的中心矩定义为:
ηpq′=ρp+q·ηpq (8),
其中,ρ是比例因子。
由于七个不变矩的变化范围很大,为了便于比较,可利用取对数的方法进行数据压缩;同时考虑到不变矩有可能出现负值的情况,因此实际采用的不变矩为:
|Mk=lg|Mk|| k=1,2,…,7 (9)。
直方图是一幅图像中各像素灰度值出现次数(或频数)的统计结果,反映所述图像中不同灰度值出现的次数(或频数),是图像的一种统计特征。
依据定义,在离散形式下,灰度直方图的计算如下:
其中,nk为图像中出现rk级灰度的像素数,n是图像像素总数,而nk/n即为rk在图像中出现的频数,l为图像的灰度级数。
在根据本发明的实施例中,如图1所示,一个含有典型缺陷的固体发动机,包含三种常见类型的缺陷:裂缝、气泡和夹渣。裂缝缺陷典型地分布在固体发动机壳体和药柱之间的四处不同位置,形状大小不同,旋转角度各不相同;气泡缺陷和夹渣缺陷典型地分布在药柱内部,形状大小不同,由小到大按倍数依次增长。
本领域内的技术人员应该明白,固体发动机属于火工品的一种,火工品还包括炮弹、火箭弹等,而在一般火工品中都具有所述裂缝、气泡和夹渣三种常见类型的缺陷,并且三种缺陷在其它火工品中的分布以及三种缺陷在其他火工品中的表现与在固体发动机中一样。
在本实施例中,利用图像不变矩法和直方图分析法进行固体发动机缺陷的识别,如图2所示,对于火工品缺陷分割结果,首先利用图像不变矩方法,计算图像的7个不变矩特征值,通过形状信息识别,判断缺陷是否为裂缝,如果是,则将裂缝从火工品三种缺陷中提取出来;然后利用直方图分析法,计算出气泡和夹渣像素值所在的灰度区间,判断二者的灰度空间是否和裂缝为同一灰度空间,如果是,则缺陷属于气泡,如果不是,则缺陷属于夹渣,进而将其区分,得到识别结果,实现分类识别。
在本实施例中,采用图像分割算法提取出图1所示的各种缺陷后,利用诸如Matlab的软件工具计算出各种缺陷的不变矩特征值M1~M7,计算结果如表1-3所示。
表1裂缝的不变矩特征值
缺陷 | M1 | M2 | M3 | M4 | M5 | M6 | M7 |
裂缝1裂缝2裂缝3裂缝4 | 17.168416.642916.253317.0658 | 29.286023.786822.766626.6666 | 38.614637.227338.431239.2910 | 39.455236.926738.773641.6765 | 68.848364.313967.735974.5906 | 49.379543.850045.396250.1379 | 68.782366.011369.218172.4423 |
均值标准差 | 16.78260.3636 | 25.62652.5513 | 38.39100.7443 | 39.20801.6991 | 68.87223.7003 | 47.19092.6390 | 69.11352.2817 |
表2气泡的不变矩特征值
缺陷 | M1 | M2 | M3 | M4 | M5 | M6 | M7 |
气泡1气泡2气泡3气泡4均值标准差 | 17.282417.279717.281717.283917.28190.0015 | 41.540942.324343.876741.231742.24341.0236 | 53.393155.103354.846252.465453.95201.0779 | 42.747442.749642.885442.740742.78080.0605 | 81.948182.047886.736781.644983.09432.1081 | 58.620459.039759.927358.477659.01630.5651 | 84.122881.883483.539680.487182.50821.4271 |
表3夹渣的不变矩特征值
缺陷 | M1 | M2 | M3 | M4 | M5 | M6 | M7 |
夹渣1夹渣2夹渣3夹渣4均值标准差 | 17.283017.281617.279117.277217.28020.0022 | 43.019042.606741.274840.890341.94770.8878 | 56.205353.948451.598454.275754.00691.6363 | 43.247443.461942.887643.333643.23260.2133 | 85.716084.698281.786283.827684.00701.4459 | 59.936159.930758.649158.903159.35470.5856 | 83.608082.244980.748983.073182.41871.0795 |
由表1-3中的计算结果,可以看出:1、裂缝的不变矩特征值和气泡、夹渣二者的不变矩特征值相差较大,可以设定一个阈值,将裂缝和气泡、夹渣二者根据不变矩特征值分开;2、气泡和夹渣的不变矩特征值均值相差无几,说明不变矩对图像的灰度不敏感,不能区分出气泡和夹渣;3、裂缝的不变矩特征值标准差相比气泡、夹渣而言较大,说明裂缝的形状相对气泡、夹渣更不规则。
利用图像不变矩方法提取出缺陷的形状特征后,就需要判定在什么条件下两种缺陷是属于同一类型,在本实施例中,采用欧氏距离相似度度量方法。依据定义,模式样本向量X与Y之间的欧氏距离为:
其中,n为特征空间的维数。显然,如果样本X和Y位于同一个类型区域里,欧氏距离D(x,y)较小,若它们位于不同的类型区域里,欧氏距离D(x,y)较大。
火工品缺陷识别过程中,利用缺陷图像的7个不变矩特征值组成缺陷的特征向量,计算测试缺陷图像与标准缺陷图像特征向量的欧氏距离,作为缺陷的相似度判定依据。
经过实验数据统计分析,选定[16.8,25.6,38.4,39.2,68.9,47.2,69.1]为裂缝的标准特征向量,欧氏距离判定阈值设定为15;选定[17.3,42.1,54,43.1,83.5,59.2,82.4]为气泡和夹渣的标准特征向量,欧氏距离判定阈值设定为10。计算缺陷图像的7个不变矩特征值组成的特征向量与上述选定的裂缝的标准特征向量的欧氏距离,如果计算得到的欧氏距离小于15,则缺陷为裂缝;计算缺陷图像的7个不变矩特征值组成的特征向量与上述选定的气泡和夹渣的标准特征向量的欧氏距离,如果计算得到的欧氏距离小于10,则缺陷为气泡和夹渣,将裂缝从三种缺陷中区分出来。
裂缝和气泡内部为中空,CT值基本相同,在灰度图像上反应为灰度值基本相同。夹渣是火工品内部的杂质,其CT值与裂缝和气泡二者的CT值相差明显,即灰度值相差很大,因此,可利用灰度图像的直方图分析,区分气泡和夹渣。
图3为火工品缺陷灰度直方图分布示意图,图3a-图3c分别为裂缝1、气泡1和夹渣1的直方图分布。由图3可以看出:裂缝和气泡的灰度分布集中在0-50之间,夹渣灰度分布集中在100-175之间。
缺陷的平均灰度均值如表4所示:
表4缺陷灰度均值
缺陷 | 裂缝1 | 裂缝2 | 裂缝3 | 裂缝4 | 气泡1 | 气泡2 | 气泡3 | 气泡4 | 夹渣1 | 夹渣2 | 夹渣3 | 夹渣4 |
灰度均值 | 14.19 | 14.89 | 16.77 | 16.67 | 10.33 | 11.35 | 10.60 | 7.28 | 124.44 | 123.92 | 122.61 | 125.97 |
直方图分析法中,由于不同的CT检测设备生成的检测图像的灰度值有所区别,所以不能采用绝对灰度值来识别缺陷。由表4可知裂缝和气泡的灰度均值很接近,而与夹渣相差很大,可利用上节所述的欧氏距离判定。首先计算出裂缝的灰度均值作为标准值,在本实施例中,取裂缝均值为15.5,然后计算测试缺陷的灰度均值,进而求出测试缺陷的灰度均值和标准值之间的欧氏距离。欧氏距离小于设定阈值的缺陷为气泡,一般取阈值为20,反之为夹渣。
本领域内的技术人员应该明白,对于不同的CT设备,产生的CT图像在灰度值上会有不同,本发明的方法用于教导,并没有对不同图像的灰度值以及形成的阈值进行限制。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,并且在应用上可以延伸到其他的修改、变化、应用和实施例,同时认为所有这样的修改、变化、应用、实施例都在本发明的精神和范围内。
Claims (9)
1.一种火工品缺陷识别方法,包括:
步骤10)、根据火工品图像缺陷分割结果,利用图像不变矩方法,计算所述图像的各个缺陷的7个不变矩特征值;
步骤20)、计算由所述各缺陷的7个不变矩特征值组成的特征向量与裂缝的标准特征向量的欧氏距离,如果所述欧氏距离小于预设的阈值,则识别所述缺陷为裂缝;
步骤30)、计算由所述各缺陷的7个不变矩特征值组成的特征向量与气泡和夹渣的标准特征向量的欧氏距离,如果所述欧氏距离小于预设的阈值,则识别所述缺陷为气泡和夹渣;
步骤40)、分析所述图像的直方图,计算出气泡和夹渣像素值所在的灰度区间,判断气泡和夹渣的灰度空间是否和裂缝为同一灰度空间,识别缺陷中的气泡和夹渣。
2.权利要求1的方法,其中,所述七个不变矩特征值分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-3(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-
(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
其中,ηpq为所述图像的归一化中心矩,p+q=2,3…。
3.权利要求1的方法,其中,步骤10)中,优选地,将所述7个不变矩特征值取对数,进行数据压缩。
4.权利要求1的方法,其中,所述裂缝和所述气泡与夹渣的标准特征向量经试验测得,不因为CT图像的不同而变化。
5.权利要求1的方法,其中,步骤20)中,一般地,所述阈值设定为15。
6.权利要求1的方法,其中,步骤30)中,一般地,所述阈值设定为10。
7.权利要求1的方法,其中,步骤30)中,分别计算未识别缺陷和识别出的裂缝的灰度均值,然后分别计算所述各缺陷的灰度均值和裂缝灰度均值的欧氏距离,如果缺陷的所述欧氏距离小于预设阈值,则所述缺陷为气泡,如果缺陷的所述欧氏距离大于预设阈值,则所述缺陷为夹渣。
8.权利要求7的方法,其中,一般地,所述预设阈值为20。
9.权利要求1-8的方法,其中,对于不同CT设备得到的CT图像,灰度值会有不同,则所述7个不变矩特征值和上述各阈值也会有所不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA200710301442XA CN101216880A (zh) | 2007-12-28 | 2007-12-28 | 一种火工品缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA200710301442XA CN101216880A (zh) | 2007-12-28 | 2007-12-28 | 一种火工品缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101216880A true CN101216880A (zh) | 2008-07-09 |
Family
ID=39623311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200710301442XA Pending CN101216880A (zh) | 2007-12-28 | 2007-12-28 | 一种火工品缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101216880A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730510A (zh) * | 2017-09-13 | 2018-02-23 | 电子科技大学 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN108022231A (zh) * | 2016-10-31 | 2018-05-11 | 兰州交通大学 | 一种基于萤火虫神经网络的工件内部缺陷识别方法 |
CN113554579A (zh) * | 2020-04-07 | 2021-10-26 | 东华大学 | 皮革的缺陷检测方法 |
-
2007
- 2007-12-28 CN CNA200710301442XA patent/CN101216880A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022231A (zh) * | 2016-10-31 | 2018-05-11 | 兰州交通大学 | 一种基于萤火虫神经网络的工件内部缺陷识别方法 |
CN107730510A (zh) * | 2017-09-13 | 2018-02-23 | 电子科技大学 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
CN107730510B (zh) * | 2017-09-13 | 2020-02-18 | 电子科技大学 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN107941808B (zh) * | 2017-11-10 | 2024-04-12 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN113554579A (zh) * | 2020-04-07 | 2021-10-26 | 东华大学 | 皮革的缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN109800752B (zh) | 一种基于机器视觉的汽车车牌字符分割识别算法 | |
CA2435290A1 (en) | Computer-aided image analysis | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN101807256A (zh) | 一种基于多分辨率框架的物体识别检测方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN107180422A (zh) | 一种基于词袋特征的标贴破损检测方法 | |
CN101216880A (zh) | 一种火工品缺陷识别方法 | |
CN103246877B (zh) | 基于图像轮廓的人脸识别新方法 | |
CN102867195A (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
CN1215438C (zh) | 图形对照设备,图形对照方法 | |
Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
CN100465997C (zh) | 基于元胞自动机的图像边缘检测算法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN108932471B (zh) | 一种车辆检测方法 | |
Zemouri et al. | Machine printed handwritten text discrimination using Radon transform and SVM classifier | |
Popescu et al. | Efficient fractal method for texture classification | |
Kavitha et al. | A robust script identification system for historical Indian document images | |
Kennard et al. | Offline signature verification and forgery detection using a 2-D geometric warping approach | |
Tou et al. | Rotational invariant wood species recognition through wood species verification | |
CN102103700A (zh) | 基于陆地移动距离的相似度检测图像型垃圾邮件的方法 | |
Ahmad et al. | A fusion of labeled-grid shape descriptors with weighted ranking algorithm for shapes recognition | |
CN101814127B (zh) | 图像辨识与输出方法以及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20080709 |