CN102590247A - 一种基于x光图像处理技术的钢丝绳损伤检测方法 - Google Patents

Abstract

本发明涉及一种基于X光图像处理技术的钢丝绳损伤检测方法，包括如下步骤：(1)采集预处理钢丝绳X光图像；(2)取一组典型无缺陷钢丝绳X光图像，进行纹理能量计算得到能量特征向量，建立无缺陷钢丝绳图像训练样本集；(3)将步骤(2)所建立的训练样本集输入到支持向量机分类算法中，建立基于支持向量机分类算法的钢丝绳损伤检测模型；(4)待测图像分类：将待测钢丝绳X光图像的能量特征向量输入步骤(3)得到的损伤检测模型中，即可判断缺陷是否发生，并可进一步确定缺陷发生的位置。本发明所提出的方法适用于钢丝绳损伤检测，能够提高缺陷识别精度，实现钢丝绳缺陷判断智能化。

Description

一种基于X光图像处理技术的钢丝绳损伤检测方法

技术领域

本发明涉及钢丝绳损伤识别领域，特别涉及一种基于X光图像处理技术的钢丝绳损伤检测方法。

背景技术

钢丝绳在矿山、冶金、航运、旅游和建筑等诸多行业得到广泛应用，在使用过程中会发生疲劳、腐蚀、磨损、甚至断裂等现象，钢丝绳破断引发的事故危及人身和设备安全，因此实时监测钢丝绳损伤情况具有十分重要的社会和经济效益。

多年来，人们一直探索检测钢丝绳缺陷的各种方法，主要有人工检测法、电磁法、X光射线检测法等。人工检测法，即由专业人员定期对钢丝绳进行外观检查，采用卡尺测量、手摸或目测等方式寻找缺陷。该方法简单易行，但难以探测到钢丝绳内部缺陷，同时受人为因素的影响较大，很容易造成漏检。电磁法是根据电磁原理，将钢丝绳磁化，然后通过检查磁场曲线实现对截面损失的定量检测，但磁场曲线不能反映缺陷的周向分布情况，而且易受工作环境的干扰，不能保证得到准确的磁场曲线。

X光射线检测法是一种基于X射线投影成像及计算机图像处理的无损探伤技术。其原理是利用钢丝绳对X射线吸收率的不同，通过X射线吸收量的变化生成透视图像，利用图像纹理的变化来监测钢丝绳缺陷是否已经发生。该方法可实现实时检测、信息量丰富，国内外已开发出基于X光探测原理的钢丝绳检测系统。

但在实际应用中，由于钢丝绳工作环境恶劣，线路传输、射线散射、及钢丝绳自身振动等因素也会降低图像质量；同时，图像信号转换过程中会引入大量测量噪声，造成图像像素值出现偏差。特别是当出现较小缺陷时，测量误差的影响往往掩盖了钢丝绳损伤的信息，很难判断损伤是否已经发生。因此需要进一步提高钢丝绳X光检测的可靠性和智能性。

近年来，随着计算机技术、模式识别等领域的快速发展，人工智能方法也引入损伤检测领域。例如，在现已公开的关于钢丝绳损伤检测的专利中，发明专利(公开号为CN 1928543A)“基于霍尔传感器阵列的钢丝绳无损检测方法”，以霍尔传感器阵列获取缺陷标样处的漏磁信号，采用K-L变换提取特征量并以此训练神经网络，再以该网络检验实际缺陷。发明专利申请(公开号为CN201010146881.X)“X光成像的钢丝绳芯拉伸故障自动检测方法”，根据局部直方图信息筛选拼接钢丝绳芯完整X光图像，采用改进的差分算法和聚类方法实现对接头拉伸故障的自动检测。

但如果要取得较好的预测效果，上述方法都需要收集大量可靠的试验数据充分训练预测模型，这在很大程度上限制了人工智能方法的广泛应用。近年来出现的支持向量机算法(Support Vector Machine，SVM)，能够在样本量较少的情况下亦能获得很好的学习效果，并避免神经网络等方法模型参数难于确定、过学习以及局部极小化等问题，在数据样本量较少的情况下亦能获得很好的学习效果。基于X光图像处理技术的钢丝绳损伤检测，很适合支持向量机算法的应用。

发明内容

针对上述问题，本发明的主要目的在于在现有钢丝绳X光图像检测技术的基础上，进一步提高钢丝绳损伤监测的可靠性和精度，提出一种基于X光图像处理技术的钢丝绳损伤检测方法。

为了要解决上述的技术问题，本发明的技术方案如下：首先采集钢丝绳X光图像并预处理，通过数字图像增强处理技术提高图像质量。然后选取一组典型无缺陷钢丝绳X光图像，计算纹理能量并经过合成变换处理，得到相应的纹理能量特征向量，从而建立无缺陷钢丝绳图像训练样本集。接着通过支持向量机分类算法，构建钢丝绳损伤检测模型。待测图像的能量特征向量输入到分类模型中，即可判断损伤是否发生，并可进一步确定损伤发生位置。

本发明是通过下述技术方案来解决上述技术问题的：一种基于X光图像处理技术的钢丝绳损伤检测方法，其特征在于：所述方法包括如下步骤：

(1).采集预处理钢丝绳X光图像；

X射线发生器发射X光束穿透钢丝绳，由X射线光伏探测器接收，经采集得到钢丝绳X光二维投影图像，并转换为24位(bit)离散的图像数字信号。

根据现场测试环境特点，进行图像增强处理。测量噪声可分成随机噪声和系统噪声。通过图像平滑滤波处理方法减少随机测量噪声，利用图像补偿的方法降低系统测量噪声。

(2).取一组典型无缺陷钢丝绳X光图像，进行纹理能量计算得到能量特征向量，建立无缺陷钢丝绳图像训练样本集；

选取一组典型无缺陷钢丝绳X光图像，首先进行纹理能量计算，即对图像中每个像素及其邻域的灰度分布进行一阶统计分析，采用模板滤波方式实现。一般可取3～5个5×5的模板，将每幅图像与模板进行卷积运算，分别得到与之对应的纹理能量图。

将每幅图像对应的所有纹理能量图合成为一幅能量图，然后采用高斯滤波对合成图进行平滑处理，就得到了一组无缺陷钢丝绳X光图像的纹理能量特征向量，从而建立了无缺陷钢丝绳图像训练样本集。

(3).建立基于支持向量机分类算法的钢丝绳损伤检测模型；

将步骤(2)所建立的训练样本输入到支持向量机分类算法中，选择合适的核函数及相关参数，建立基于支持向量机算法的钢丝绳损伤检测模型。

为了提高支持向量机算法的计算精度，需要选择合适的核函数，一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等。通过计算发现，采取径向基函数能够取得较好的预测效果。径向基函数参数的选择，利用遗传算法自动寻优得到。

(4).待测图像分类：将待测钢丝绳X光图像的能量特征向量输入步骤(3)建立的损伤检测模型中，即可判断缺陷是否发生，并可进一步通过图像差值运算确定损伤发生位置。

本发明的积极进步效果在于：本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法具有以下优点：本发明利用支持向量机对钢丝绳X光图像进行分类，一方面可以降低X光测试噪声的干扰，提高计算精度；另一方面将待测X光图像的能量特征向量输入到检测模型中，即可接判断是否发生损伤。从而提高了X光图像的处理精度，简化了损伤识别过程，节省检测时间。

附图说明

图1本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法的具体流程图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法的具体流程图，如图1所示。本发明的基于X光图像处理技术的钢丝绳损伤检测方法，按以下步骤具体实施：

1)钢丝绳X光图像采集预处理。

X射线光伏探测器接收到钢丝绳X光束，采集得到钢丝绳的二维投影图像，并转换为24位(bit)离散的图像数字信号。

根据现场测试环境特点，进行图像预处理。对于随机测量噪声，可通过多次平滑滤波图像处理方法进行处理。例如先用3×3的窗口进行一次中值滤波，再用5×5窗口进行二次中值滤波，这样处理后的图像比只用3×3的窗口进行滤波的效果好。

而测量系统噪声可以用图像补偿的方法降低。在没有射线照射的情况下，可采集空白暗场图像进行补偿。

2)然后建立无缺陷钢丝绳图像训练样本集。

选取一组典型无缺陷钢丝绳X光图像，首先进行纹理能量计算合成，得到X光图像的纹理能量特征向量，这就建立了一组无缺陷钢丝绳图像训练样本集。

例如，可选取9幅无缺陷钢丝绳X光图像进行处理。

取3个一维矢量，分别为

L＝(1 4 5 4 1)、E＝(-1 -2 1 2 1)和S＝(-1 0 3 0-1)。将这3个矢量经过两两不同的组合及行列矢量积运算，构造5个二维5×5矩阵作为模板，分别为：

$E^{T}L=\left(\begin{array}{c}-1\\ -2\\ 1\\ 2\\ 1\end{array}\right)\left(\begin{array}{ccccc}1& 4& 5& 4& 1\end{array}\right)=\left(\begin{array}{ccccc}-1& -4& -5& -4& -1\\ -2& -8& -10& -8& -2\\ 1& 4& 5& 4& 1\\ 2& 8& 10& 8& 2\\ 1& 4& 5& 4& 1\end{array}\right)$

$L^{T}E=\left(\begin{array}{c}1\\ 4\\ 5\\ 4\\ 1\end{array}\right)\left(\begin{array}{ccccc}-1& -2& 1& 2& 1\end{array}\right)=\left(\begin{array}{ccccc}-1& -2& 1& 2& 1\\ -4& -8& 4& 8& 4\\ -5& -10& 5& 10& 5\\ -4& -8& 4& 8& 4\\ -1& -2& 1& 2& 1\end{array}\right)$

$E^{T}S=\left(\begin{array}{c}-1\\ -2\\ 1\\ 2\\ 1\end{array}\right)\left(\begin{array}{ccccc}-1& 0& 3& 0& -1\end{array}\right)=\left(\begin{array}{ccccc}1& 0& -3& 0& 1\\ 2& 0& -6& 0& 2\\ -1& 0& 3& 0& -1\\ -2& 0& 6& 0& -2\\ -1& 0& 3& 0& -1\end{array}\right)$

$S^{T}E=\left(\begin{array}{c}-1\\ 0\\ 3\\ 0\\ -1\end{array}\right)\left(\begin{array}{ccccc}-1& -2& 1& 2& 1\end{array}\right)=\left(\begin{array}{ccccc}1& 2& -1& -2& -1\\ 0& 0& 0& 0& 0\\ -3& -6& 3& 6& 3\\ 0& 0& 0& 0& 0\\ 1& 2& -1& -2& -1\end{array}\right)$

$L^{T}S=\left(\begin{array}{c}1\\ 4\\ 5\\ 4\\ 1\end{array}\right)\left(\begin{array}{ccccc}-1& 0& 3& 0& -1\end{array}\right)=\left(\begin{array}{ccccc}-1& 0& 3& 0& -1\\ -4& 0& 12& 0& -4\\ -5& 0& 15& 0& -5\\ -4& 0& 12& 0& -4\\ -1& 0& 3& 0& -1\end{array}\right)$

对于每幅X光图像，用这5个模板分别进行模板滤波，即将图像与模板进行卷积运算。

设F_n(i，j)表示用第n个模板对X光图像像素点(i，j)进行滤波卷积运算的结果，则对应第n个模板的能量图上的每点的像素值

式中r、c分别为像素点的行列数。然后将模板滤波后的5幅能量图合并，就得到一个含有5个通道的能量图，图像中每个像素点对应的像素值为

这样，对所有9幅无缺陷钢丝绳X光图像进行类似处理，就得到了9幅无缺陷图像的纹理能量图。最后采用高斯滤波对能量图进行平滑处理，最终就得到了9组无缺陷钢丝绳X光图像的纹理特征向量，从而建立了无缺陷钢丝绳图像训练样本集。

3)按照支持向量机分类算法，建立钢丝绳X光图像损伤检测模型。

将无损钢丝绳X光图像的纹理能量特征向量作为训练样本，输入到支持向量机分类算法中，选择合适的核函数及相关参数，建立基于支持向量机分类算法的钢丝绳缺陷检测模型。

为了提高支持向量机算法的计算精度，需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等，通过计算发现采取径向基函数能够取得较好的预测效果。径向基函数参数的选择，利用遗传算法自动寻优得到。为计算方便，若像素值变化较大，可将其归一化到[0，1]之间处理。

4)待测图像分类。

待测钢丝绳X光图像的纹理能量特征向量输入到分类模型中，即可判断损伤缺陷是否发生。若出现损伤，可进一步通过图像差值运算确定损伤发生位置。

本发明利用支持向量机对钢丝绳X光图像进行分类，可提高X光检测的精度，简化了损伤识别过程，节省检测时间。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于X光图像处理技术的钢丝绳损伤检测方法，其特征在于：所述方法包括如下步骤：

(1).采集预处理钢丝绳X光图像；将采集到的钢丝绳X光二维投影图像转换为24位(bit)离散的图像数字信号，并进行图像增强处理降低测量噪声。

(2).取一组典型无缺陷钢丝绳X光图像，进行纹理能量计算得到能量特征向量，建立无缺陷钢丝绳图像训练样本集；

(3).将步骤(2)所建立的训练样本集输入到支持向量机分类算法中，建立基于支持向量机分类算法的钢丝绳损伤检测模型；

(4).待测图像分类：将待测钢丝绳X光图像的能量特征向量输入步骤(3)得到的损伤检测模型中，即可判断缺陷是否发生，并可进一步确定缺陷发生的位置。

2.根据权利要求1所述的基于X光图像处理技术的钢丝绳损伤检测方法，其特征在于：步骤(2)中的具体步骤包括：选取一组典型无缺陷钢丝绳X光图像，进行纹理能量计算合成，得到与之对应的纹理能量图；然后采用高斯滤波进行平滑处理，就得到了无缺陷钢丝绳X光图像的能量特征向量，建立无缺陷钢丝绳图像训练样本集。

3.根据权利要求1所述的基于X光图像处理技术的钢丝绳损伤检测方法，其特征在于：步骤(3)中的具体步骤包括：选择径向基核函数，并利用遗传算法自动寻优函数参数，将步骤(2)所建立的训练样本集输入到支持向量机分类算法中，建立基于支持向量机分类算法的钢丝绳损伤检测模型。

Images