CN102937599B - 一种通过x射线检测含金属被测物的无损检测系统和方法 - Google Patents
一种通过x射线检测含金属被测物的无损检测系统和方法 Download PDFInfo
- Publication number
- CN102937599B CN102937599B CN201210413226.5A CN201210413226A CN102937599B CN 102937599 B CN102937599 B CN 102937599B CN 201210413226 A CN201210413226 A CN 201210413226A CN 102937599 B CN102937599 B CN 102937599B
- Authority
- CN
- China
- Prior art keywords
- obtains
- image
- dimensional image
- measured target
- metallic cable
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 17
- 239000002184 metal Substances 0.000 title claims abstract description 17
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 14
- XQPRBTXUXXVTKB-UHFFFAOYSA-M caesium iodide Chemical compound [I-].[Cs+] XQPRBTXUXXVTKB-UHFFFAOYSA-M 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000006378 damage Effects 0.000 claims description 17
- 150000002739 metals Chemical class 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000013077 target material Substances 0.000 claims description 3
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000004917 carbon fiber Substances 0.000 claims description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 239000011241 protective layer Substances 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 abstract description 9
- 239000010959 steel Substances 0.000 abstract description 9
- 239000004568 cement Substances 0.000 abstract 1
- 239000013307 optical fiber Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003870 refractory metal Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种通过X射线对含有金属绳的被测目标进行无损检测的系统以及一种通过X射线对含有金属的被测目标进行无损检测的方法。所述系统包括：超高压发生器、X射线发生器、碘化铯传感器、光纤模块、控制模块、计算机和电源模块。所述方法包括步骤：记录一维能量变化数据、拼接成二维图像、转存到GPU中、暗电流消除、增益调整、金属区域分割、缺陷检测、转储到计算机内部存储器、特征提取、模式识别并输出结果。本发明通过X射线、GPU计算、图像处理算法解决了其他方法检测精度低、反馈周期长、离线抽查、效率低等缺陷，可满足皮带生产厂家及矿山、港口、发电厂、钢厂、水泥厂等多种终端用户的需求。
Description
技术领域
本发明属于机器视觉技术领域，尤其涉及一种通过X射线对含有金属绳的被测目标进行无损检测的系统和方法。
背景技术
钢丝绳芯输送带(强力输送带)是带式输送机牵引和运载的重要部件，广泛用于煤炭、矿山、港口、冶金、电力、化工等领域以输送物料。
由于该类皮带大都长期在恶劣环境下使用，经常被异物或障碍物划伤，加上正常的橡胶老化、金属疲劳等因素，导致大多数皮带都在一种伤痕累累的状态下工作。当出现钢丝绳断裂等严重问题时，发生的故障将造成重大安全事故，不仅会导致停产、物料损耗、设备损坏等问题，而且还可能会造成人员伤亡等重大安全事故，这会严重地影响安全生产。
对于这类含有金属绳的被测目标的损伤检测，一直都是困扰业内的问题。由于皮带价格较高，更换又不方便，就中国的现状而言，基本上不可能实现定期更换，主要还是靠人工对皮带观察，感官上有问题时再更换。而实际上人眼根本看不到内部的钢丝，这让用户不断地在经济效益和安全生产中间纠结。
1980年澳大利亚提出了电磁检测法，能对皮带进行一定程度上的检测。但是不能直观的提供皮带内部图像、检测周期非常长、可靠性较差，最终很难在现场应用，也没有得到广泛的推广。随着X射线技术的成熟，小型化X光机成本的降低，大家开始把注意力放在用X射线技术来解决皮带检测的问题。但由于获取的数据量非常巨大，难以实时处理，往往在检测后需要大量时间对数据进行分析，导致检测结果的滞后，最终难以得到良好的应用。
图形芯片最初用作固定功能图形管线。随着时间的推移，这些图形芯片的可编程性日益增加，在此基础之上NVIDIA推出了第一款GPU(图形处理器)。1999-2000年间，计算机科学家，与诸如医疗成像和电磁等领域的研究人员，开始使用GPU(图形处理器)来运行通用计算应用程序。他们发现GPU(图形处理器)具备的卓越浮点性能可为众多科学应用程序带来显著的性能提升。开发人员需要使其科学应用程序看起来像图形应用程序，并将其关联到需要绘制三角形和多边形的问题上。这一方法限制了GPU(图形处理器)的卓越性能在科学领域的充分发挥。NVIDIA意识到，如果将这种强大的性能运用到更广泛的科学领域中，那么将能够发挥出巨大的潜力。该公司因此投入力量修改GPU，使开发人员能够针对科学应用程序而充分对GPU进行编程。
一颗CPU包含四到八个CPU核心，而一颗GPU却包含数百个尺寸更小的核心，它们在应用程序中共同处理数据。正是这种大规模并行架构让GPU能够拥有极高的计算性能。获得这个计算能力并不是没有代价的，GPU的硬件架构决定了处理算法要是小粒度并行计算模型。本发明以GPU的计算能力为核心，设计了并行化的数据处理方法，并围绕着该方法，设计了整个系统。本发明方法的提出，解决了长期以来含有金属绳的被测目标破损检测存在的难题。本发明能够实时的、直观的、智能的对被测目标进行检测，并自动的对检测结果进行分析，以恰当的方式对用户进行提醒。
发明内容
有鉴于此，本发明的主要目的在于提供一种通过X射线对含有金属绳的被测目标进行无损检测的系统和方法。其主要思想是：利用X射线具有特殊的物理效应的特点，采集被测物的数据；利用GPU强大的数学计算能力，通过图像分割、模式识别等方法，实时检测目标所存在的缺陷或损伤。
为实现上述目的，根据本发明的一方面，提供了一种通过X射线对含有金属绳的被测目标进行无损检测的系统，其特征在于，该系统包括：超高压发生器、X射线发生器、碘化铯传感器、光纤模块、控制模块、计算机和电源模块，其中：
所述超高压发生器与所述X射线发生器连接，用于将系统外部提供的普通电压转换成发射X射线使用的超高压，并提供给所述X射线发生器；
所述X射线发生器放置在被测目标的下方，用于产生X射线来照射被测目标；
所述碘化铯传感器放置在被测目标的上方，用于接收穿过被测目标后经过衰减的X射线，并将其转换为能量变化数据，并将采集得到的能量变化数据通过光纤模块传输给计算机；
所述控制模块与所述超高压发生器、X射线发生器和碘化铯传感器连接，用于控制这三个设备的同步开启、同步关闭、传感器采集频率，并对设备的工作状态进行监控；
所述光纤模块与所述控制模块和所述计算机连接，用于进行所述碘化铯传感器、所述控制模块和所述计算机之间的数据传输；
所述计算机与所述光纤模块和所述电源模块连接，用于对通过光纤模块接收的所述能量变化数据进行处理以及显示用户交互界面；
所述电源模块与所述控制模块和所述计算机连接，用于为系统中的各电子设备提供电源。
根据本发明的另一方面，还提供了一种通过X射线对含有金属的被测目标进行无损检测的方法，其特征在于，该方法包括以下步骤：
步骤S1，利用碘化铯被照射后所产生的荧光作用，记录X射线通过被测目标后由于被测目标物质密度不同所产生的垂直于被测目标运动方向的一维能量变化数据；
步骤S2，随着被测目标的运动，采集得到多个一维能量变化数据，并将采集得到的多个一维能量变化数据拼接成二维图像；
步骤S3，将所述二维图像从计算机的内部存储器传输到GPU的存储器，步骤S4-S7的计算均在GPU的存储器中进行；
步骤S4，对所述二维图像进行暗电流消除，得到暗电流消除图像；
步骤S5，对所述暗电流消除图像进行增益调整；
步骤S6，将增益调整后得到的二维图像中金属绳所在的区域分割出来；
步骤S7，对于分割得到的每根金属绳所在区域进行完整性检测，即缺陷检测，得到多个连通区域；
步骤S8，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器，步骤S9-S10的计算均在计算机的内部存储器中进行；
步骤S9，对所述多个连通区域中的每一个分别进行特征提取；
步骤S10，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果。
本发明的有益技术效果为：通过采用X射线无损检测、GPU计算和视觉图像处理方法，能够实时的对含有金属绳的被测目标进行无损检测，并及时的将损伤检测结果进行反馈，满足了含有金属绳的被测目标的检测要求。提高了行业安全水平，增加了安全作业时间，提高了含有金属绳的被测目标的寿命，降低了其更换频率，从而降低了使用成本。
附图说明
图1是本发明提供的对含有金属绳的被测目标进行损伤检测的系统结构图；
图2为本发明提供的对含有金属绳的被测目标进行损伤检测的方法流程图；
图3为根据本发明一实施例得到钢丝绳皮带一维光强变化数据；
图4为根据本发明一实施例得到的利用去噪后的钢丝绳皮带能量数据拼接得到的二维图像；
图5为本发明一实施例得到的增益调整结果图像；
图6为本发明一实施例对钢丝绳进行精确定位的结果；
图7为根据本发明一实施例得到的钢丝绳皮带损伤区域检测结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1是本发明提供的通过X射线对含有金属绳的被测目标进行无损检测系统的结构图，所述含有金属的被测目标比如可以为钢丝绳皮带等物体，为了便于理解，以下以钢丝绳皮带为例对本发明的技术方案进行说明。
如图1所示，根据本发明的一方面，提供一种通过X射线对含有金属绳的被测目标进行无损检测的系统，该系统包括：超高压(250kv)发生器、X射线发生器、碘化铯(CsI)传感器、光纤模块、控制模块、计算机和电源模块，其中：
所述超高压发生器与所述X射线发生器连接，用于将系统外部提供的普通电压(110v-22v)转换成发射X射线使用的超高压(250kv)，并提供给所述X射线发生器；
所述X射线发生器放置在被测目标的下方，用于产生X射线来照射被测目标，所述X射线发生器通过所述超高压发生器提供的超高压，击穿惰性气体形成电子束，轰击高速旋转的高熔点金属，从而产生X射线；
所述碘化铯传感器放置在被测目标的上方，用于接收穿过被测目标后经过衰减的X射线，并将其转换为能量变化数据；
所述控制模块与所述超高压发生器、X射线发生器和碘化铯传感器连接，用于控制这三个设备的同步开启、同步关闭、传感器采集频率，并对设备温度、电压、电流等工作状态进行监控，当有异常情况发生及时停机；
所述光纤模块与所述控制模块和所述计算机连接，其分为两个部分，与所述控制模块连接的部分放置在控制模块附近，与所述计算机连接的部分放置在计算机附近，所述光纤模块用于进行所述碘化铯传感器和所述计算机之间的能量变化数据、所述控制模块和所述计算机之间的控制指令数据的传输；
所述计算机与所述光纤模块和所述电源模块连接，用于对通过光纤模块接收的所述能量变化数据进行处理、控制各设备的工作流程、显示用户交互界面等；
所述电源模块与所述控制模块和所述计算机连接，其分为两部分，分别放置在控制模块和计算机附近，用于为系统中的各电子设备提供电源。
根据本发明的另一方面，还提供一种通过X射线对含有金属的被测目标进行无损检测的方法，如图2所示，该方法包括以下步骤：
步骤S1，利用碘化铯(CsI)被照射后所产生的荧光作用，记录X射线通过被测目标后由于被测目标物质密度不同所产生的垂直于被测目标运动方向的一维能量变化数据；
所述能量变化数据的采集由多个碘化铯(CsI)传感器组成的传感器阵列来完成，所述传感器阵列中的每一个传感器检测得到某一像素行中某一个像素的能量变化数据；所述碘化铯(CsI)传感器的数量根据实际应用中被测目标的尺寸及无损检测精度的要求来确定，比如可以配置为1024个碘化铯(CsI)传感器。
根据本发明一实施例得到的一维能量变化数据如图3所示。
步骤S2，随着被测目标的运动，采集得到多个一维能量变化数据，并将采集得到的多个一维能量变化数据拼接成二维图像；
为了使得采集得到的能量变化数据更有助于进行损伤处的尺寸评估，所述运动最好是匀速运动。
所述拼接进一步为：将每个一维能量变化数据作为二维图像中的一行横向排布的像素，随着一维能量变化数据的不断采集形成多行横向排布的像素，将多行横向排布的像素按照时间顺序在图像中纵向排布形成一个二维图像。
所述步骤S2进一步包括：在将所述多个一维能量变化数据拼接成二维图像时，先将所述一维能量变化数据每多条做平均，然后再将平均后得到的能量变化数据拼接成二维图像，以去除所述能量变化数据中的噪声，图4为根据本发明一实施例得到的利用去噪后的能量变化数据拼接得到的二维图像。
其中，做平均的能量变化数据比如可选为4条，做平均所选择的数据条数越多，平均之后得到的每条能量变化数据的质量就越高，但是拼接得到的二维图像中的数据比较稀疏，这就降低了二维图像的扫描频率，从而影响最终的无损检测结果。
步骤S3，将所述二维图像从计算机的内部存储器传输到GPU的存储器，后续的计算将都在GPU内完成；
步骤S4，由于碘化铯晶体在没有X射线照射的情况下依然存在光电转换，因此需要对所述二维图像进行暗电流消除，得到暗电流消除图像；
所述暗电流消除就是将所述二维图像减去暗电流背景图像，所述暗电流背景图像根据以下步骤获取：
步骤S41，在没有被测目标的情况下，使用满电压、满功率的X射线照射碘化铯，在不同的时间点采集获得与所述二维图像属于同一安装模式的多幅满电压、满功率照射图像img_16uC1_max；
所述安装模式包括射线源安装位置、射线源开口角度、传感器安装位置以及碳纤维保护层厚度。
步骤S42，对所述多幅满电压、满功率照射图像img_16uC1_max分别进行16位整型到32位浮点的格式转换，得到格式转换后的图像img_32fC1_max；
步骤S43，对格式转换后的多幅图像img_32fC1_max进行均值化处理，得到该安装模式上的暗电流背景图像img_32fC1_1。
步骤S5，由于碘化铯(CsI)晶体在光电转换率上存在着一定的个体差异，且X射线源在被测目标上分布的能量呈扇形扩散，因此需要对所述暗电流消除图像进行增益调整；
所述增益调整步骤进一步包括：
步骤S51，在没有被测目标的情况下，将X射线源按照不同电压、功率进行组合发射X射线，获得多张无被测目标背景图像；
比如，按照电压20％、40％、60％、80％、100％，功率20％、40％、60％、80％、100％，可以组合出25种照射方式，从而得到25张无被测目标背景图像。
步骤S52，根据所述多张无被测目标背景图像，得到每一个传感器输入能量和输出灰度值之间的对应关系，并根据所述对应关系建立255级查找表；
步骤S53，对所述暗电流消除图像img_32fC1_2进行高、低通滤波，得到滤波后的图像img_32fC1_3；
考虑到所述暗电流消除图像中最亮和最暗的像素值有可能是噪声，因此对所述暗电流消除图像进行高、低通滤波。
步骤S54，将滤波后的图像进行查表操作，得到经过增益调整后的图像。
根据本发明一实施例得到的经过增益调整后的图像如图5所示。
步骤S6，将增益调整后得到的二维图像中金属绳所在的区域分割出来；
所述步骤S6进一步包括以下子步骤：
步骤S61，对经过增益调整的二维图像进行自适应阈值分割和连通区域分析，得到多个候选金属绳区域；
所述步骤S61进一步包括以下子步骤：
步骤S611，对所述经过增益调整的二维图像进行下采样操作以减少计算量；
步骤S612，统计下采样后的二维图像的灰度直方图，并利用本领域常用的ISODATA算法求得分割所述二维图像所需要的阈值，记计算得到的分割阈值为t2a1；
如果所述二维图像中存在金属绳区域，则所述分割阈值t2a1应在被测目标和金属绳的亮度值之间。
步骤S613，求得所述灰度直方图的最大峰值，记为t2a2，使用下式计算得到用于进行图像分割的亮度值区间t2a3，而所述亮度值区间对应的像素组成候选金属绳区域：
＝1.1t2a1～0.1t2a2。
其中，每个候选金属绳区域中均包括多根金属绳。
步骤S62，对所述候选金属绳区域进行边缘提取，得到所述候选金属绳区域中每根钢丝绳的边缘信息；
步骤S63，基于所述每根金属绳的边缘信息，使用最小二乘直线拟合方法得到每根金属绳边界的精确位置，实现对于金属绳的精确分割；
所述步骤S63进一步包括以下子步骤：
步骤S631，运用金属绳的边缘线基本竖直的特点，将所述二维图像在横坐标上做投影；
步骤S632，根据二维图像在水平方向上投影得到的灰度分布和每根金属绳的边缘信息，得到每根金属绳所在的区域信息，即哪两根边缘线属于同一根金属绳，进而得到每根金属绳边缘线所在的位置；
步骤S633，对于每根金属绳边缘线所在位置附近的像素点，使用最小二乘直线拟合方法对其进行拟合，得到每根金属绳边界的精确位置。
所述附近比如可以是金属绳区域宽度的10％附近的区域。
根据本发明一实施例对钢丝绳进行精确定位的结果如图6所示。
步骤S7，对于分割得到的每根金属绳所在区域进行完整性检测，即缺陷检测，得到多个连通区域；
所述步骤S7进一步包括以下子步骤：
步骤S71，根据金属绳所在区域的灰度分布曲线，通过ISODATA方法得到一个用于二值化分割的阈值；
步骤S72，使用所述步骤S71得到的阈值，对金属绳所在区域进行二值化分割；
步骤S73，对二值化分割后的图像进行形态学处理；
所述形态学处理为对二值化分割后的图像进行开运算，即先腐蚀再膨胀。
步骤S74，根据连通区域分析方法得到形态学处理后的图像中的多个连通区域，这些连通区域基本上已经是存在缺陷或损伤的区域。
接下来对上述基本上已经是存在缺陷或损伤的区域进行进一步的精确检测，即对上述完整性检测结果进行修正。
步骤S8，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器；
步骤S9，对所述多个连通区域中的每一个分别进行特征提取；
所述步骤S9进一步包括以下子步骤：
步骤S91，提取所述连通区域的灰度图；
步骤S92，提取所述灰度图的“HU矩”特征。
步骤S10，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果。
所述步骤S10进一步包括以下子步骤：
步骤S101，建立学习样本库，并提取学习样本库中每个样本的“HU矩”特征；
步骤S102，采用本领域通用的Boost分类器对每个样本的“HU矩”特征进行学习得到分类模型；
步骤S103，利用所述分类模型对提取得到的所述连通区域的“HU矩”特征进行识别，得到被测目标损伤区域的最终检测结果。
根据本发明一实施例得到的钢丝绳皮带损伤区域检测结果如图7所示。
检测到损伤区域后，可通过计算机的人机界面进行报警。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种通过X射线对含有金属的被测目标进行无损检测的方法，其特征在于，该方法包括以下步骤：
步骤S1，利用碘化铯被照射后所产生的荧光作用，记录X射线通过被测目标后由于被测目标物质密度不同所产生的垂直于被测目标运动方向的一维能量变化数据；
步骤S2，随着被测目标的运动，采集得到多个一维能量变化数据，并将采集得到的多个一维能量变化数据拼接成二维图像；
步骤S3，将所述二维图像从计算机的内部存储器传输到GPU的存储器，步骤S4-S7的计算均在GPU的存储器中进行；
步骤S4，对所述二维图像进行暗电流消除，得到暗电流消除图像；
步骤S5，对所述暗电流消除图像进行增益调整；
步骤S6，将增益调整后得到的二维图像中金属绳所在的区域分割出来；
步骤S7，对于分割得到的每根金属绳所在区域进行完整性检测，即缺陷检测，得到多个连通区域；
步骤S8，将所述多个连通区域数据从GPU存储器传到计算机的内部存储器，步骤S9-S10的计算均在计算机的内部存储器中进行；
步骤S9，对所述多个连通区域中的每一个分别进行特征提取；
步骤S10，对提取得到的特征进行模式识别，得到并输出被测目标损伤区域的最终检测结果。
2.根据权利要求1所述的方法，其特征在于，所述能量变化数据的采集由多个碘化铯传感器组成的传感器阵列来完成，所述传感器阵列中的每一个传感器检测得到某一像素行中某一个像素的能量变化数据。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中的运动为匀速运动。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，在将所述多个一维能量变化数据拼接成二维图像时，先将所述一维能量变化数据每多条做平均，然后再将平均后得到的能量变化数据拼接成二维图像，以去除所述能量变化数据中的噪声。
5.根据权利要求1所述的方法，其特征在于，所述暗电流消除为：将所述二维图像减去暗电流背景图像，所述暗电流背景图像根据以下步骤获取：
步骤S41，在没有被测目标的情况下，使用满电压、满功率的X射线照射碘化铯，在不同的时间点采集获得与所述二维图像属于同一安装模式的多幅满电压、满功率照射图像；
步骤S42，对所述多幅满电压、满功率照射图像分别进行16位整型到32位浮点的格式转换，得到格式转换后的图像；
步骤S43，对格式转换后的多幅图像进行均值化处理，得到该安装模式上的暗电流背景图像。
6.根据权利要求5所述的方法，其特征在于，所述安装模式包括射线源安装位置、射线源开口角度、传感器安装位置以及碳纤维保护层厚度。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5中的增益调整包括：
步骤S51，在没有被测目标的情况下，将X射线源按照不同电压、功率进行组合发射X射线，获得多张无被测目标背景图像；
步骤S52，根据所述多张无被测目标背景图像，得到每一个传感器输入能量和输出灰度值之间的对应关系，并根据所述对应关系建立255级查找表；
步骤S53，对所述暗电流消除图像进行高、低通滤波，得到滤波后的图像；
步骤S54，将滤波后的图像进行查表操作，得到经过增益调整后的图像。
8.根据权利要求1所述的方法，其特征在于，所述步骤S6进一步包括：
步骤S61，对经过增益调整的二维图像进行自适应阈值分割和连通区域分析，得到多个候选金属绳区域；
步骤S62，对所述候选金属绳区域进行边缘提取，得到所述候选金属绳区域中每根钢丝绳的边缘信息；
步骤S63，基于所述每根金属绳的边缘信息，使用最小二乘直线拟合方法得到每根金属绳边界的精确位置，实现对于金属绳的精确分割。
9.根据权利要求8所述的方法，其特征在于，所述步骤S61进一步包括以下子步骤：
步骤S611，对所述经过增益调整的二维图像进行下采样操作；
步骤S612，统计下采样后的二维图像的灰度直方图，利用ISODATA算法求得分割所述二维图像所需要的阈值，记计算得到的分割阈值为t2a1；
步骤S613，求得所述灰度直方图的最大峰值，记为t2a2，使用下式计算得到用于进行图像分割的亮度值区间t2a3，而所述亮度值区间对应的像素组成候选金属绳区域：
t2a3＝1.1t2a1～0.1t2a2。
10.根据权利要求8所述的方法，其特征在于，所述步骤S63进一步包括以下子步骤：
步骤S631，将所述二维图像在横坐标上做投影；
步骤S632，根据二维图像在水平方向上投影得到的灰度分布和每根金属绳的边缘信息，得到每根金属绳所在的区域信息，进而得到每根金属绳边缘线所在的位置；
步骤S633，对于每根金属绳边缘线所在位置附近的像素点，使用最小二乘直线拟合方法对其进行拟合，得到每根金属绳边界的精确位置。
11.根据权利要求1所述的方法，其特征在于，所述步骤S7进一步包括：
步骤S71，根据金属绳所在区域的灰度分布曲线，通过ISODATA方法得到一个用于二值化分割的阈值；
步骤S72，使用所述步骤S71得到的阈值，对金属绳所在区域进行二值化分割；
步骤S73，对二值化分割后的图像进行形态学处理；
步骤S74，根据连通区域分析方法得到形态学处理后的图像中的多个连通区域。
12.根据权利要求11所述的方法，其特征在于，所述形态学处理为对二值化分割后的图像进行开运算，即先腐蚀再膨胀。
13.根据权利要求1所述的方法，其特征在于，所述步骤S9进一步包括：
步骤S91，提取所述连通区域的灰度图；
步骤S92，提取所述灰度图的“HU矩”特征。
14.根据权利要求1所述的方法，其特征在于，所述步骤S10进一步包括：
步骤S101，建立学习样本库，并提取学习样本库中每个样本的“HU矩”特征；
步骤S102，采用Boost分类器对每个样本的“HU矩”特征进行学习得到分类模型；
步骤S103，利用所述分类模型对提取得到的所述连通区域的“HU矩”特征进行识别，得到被测目标损伤区域的最终检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210413226.5A CN102937599B (zh) | 2012-10-25 | 2012-10-25 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210413226.5A CN102937599B (zh) | 2012-10-25 | 2012-10-25 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102937599A CN102937599A (zh) | 2013-02-20 |
| CN102937599B true CN102937599B (zh) | 2015-01-07 |
Family
ID=47696510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210413226.5A Expired - Fee Related CN102937599B (zh) | 2012-10-25 | 2012-10-25 | 一种通过x射线检测含金属被测物的无损检测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102937599B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103308525B (zh) * | 2013-05-21 | 2015-10-28 | 中国科学院自动化研究所 | 一种用于金属线材生产的在线检测方法和装置 |
| CN103344648A (zh) * | 2013-07-10 | 2013-10-09 | 鞍钢股份有限公司 | 一种基于gpu的钢板表面质量检测方法及系统 |
| CN103500719A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 一种基于专家系统的自适应微聚焦x射线检测方法 |
| CN104122275A (zh) * | 2014-06-30 | 2014-10-29 | 中国化学工程第十四建设有限公司 | 一种9%Ni钢射线照相方法 |
| CN107407647A (zh) * | 2015-03-20 | 2017-11-28 | 株式会社石田 | 检查装置 |
| TWI684225B (zh) * | 2015-08-28 | 2020-02-01 | 美商克萊譚克公司 | 自定向計量和圖樣分類 |
| WO2017123128A1 (en) * | 2016-01-14 | 2017-07-20 | Prismatic Sensors Ab | A measurement circuit for an x-ray detector, and a corresponding method and x-ray imaging system |
| WO2017144482A1 (en) * | 2016-02-22 | 2017-08-31 | Koninklijke Philips N.V. | System for generating a synthetic 2d image with an enhanced depth of field of a biological sample |
| CN107944504B (zh) * | 2017-12-14 | 2024-04-16 | 北京木业邦科技有限公司 | 木板识别及木板识别的机器学习方法、装置及电子设备 |
| CN108346141B (zh) * | 2018-01-11 | 2021-10-22 | 杭州衡眺科技有限公司 | 单边侧入光式导光板缺陷提取方法 |
| CN108169253A (zh) * | 2018-02-12 | 2018-06-15 | 无锡百年通工业输送有限公司 | 一种x射线探测芳纶输送带指型接头抽动的方法 |
| CN108535287B (zh) * | 2018-03-29 | 2020-09-15 | 多科智能装备（常熟）有限公司 | 基于X-Ray成像技术异物检测系统、方法以及装置 |
| CN109047026B (zh) * | 2018-08-02 | 2021-08-27 | 重庆科技学院 | 一种矿石筛选系统及方法 |
| CN110120037B (zh) * | 2019-04-29 | 2021-07-13 | 国网江苏省电力有限公司电力科学研究院 | 图像处理及缺陷检测方法、装置、设备及计算机存储介质 |
| CN110288540B (zh) * | 2019-06-04 | 2021-07-06 | 东南大学 | 一种碳纤维导线x射线图像在线成像标准化方法 |
| CN111610205A (zh) * | 2020-06-12 | 2020-09-01 | 上海鸢安智能科技有限公司 | 一种金属零部件x光图像缺陷检测装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62123341A (ja) * | 1985-11-25 | 1987-06-04 | Bridgestone Corp | タイヤのスチ−ルコ−ドのｘ線検査装置 |
| CN201965100U (zh) * | 2010-10-16 | 2011-09-07 | 王进 | 钢丝绳芯胶带检测设备 |
| CN102243189B (zh) * | 2011-03-31 | 2013-01-23 | 太原理工大学 | 一种钢绳芯输送带在线虚拟测试系统 |
| CN202351188U (zh) * | 2011-11-17 | 2012-07-25 | 山西戴德测控技术有限公司 | 基于x射线的钢绳芯输送带探伤装置 |
| CN102565103B (zh) * | 2011-12-16 | 2014-03-19 | 清华大学 | 一种基于x射线图像的焊缝缺陷跟踪检测方法 |
-
2012
- 2012-10-25 CN CN201210413226.5A patent/CN102937599B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN102937599A (zh) | 2013-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102937599B (zh) | 一种通过x射线检测含金属被测物的无损检测系统和方法 | |
| CN104535356B (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
| CN204359710U (zh) | 一种玻璃表面缺陷检测装置 | |
| CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
| Sun et al. | Real-time automatic detection of weld defects in steel pipe | |
| JP4726983B2 (ja) | 欠陥検査システム、並びに、それに用いる、欠陥検査用撮影装置、欠陥検査用画像処理装置、欠陥検査用画像処理プログラム、記録媒体、および欠陥検査用画像処理方法 | |
| CN103308525B (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
| CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
| CN102175701A (zh) | 工业x射线机在线探伤检测系统及方法 | |
| CN113989716B (zh) | 煤矿井下输送带异物目标检测方法、系统、设备及终端 | |
| CN1936555A (zh) | 强力输送带无损检测系统 | |
| CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| Pham et al. | A YOLO-based real-time packaging defect detection system | |
| CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
| CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
| CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 | |
| Duan et al. | Study on surface defect vision detection system for steel plate based on virtual instrument technology | |
| Chen et al. | Swintd: Transformer-based detection network for foreign objects in the cut section of tobacco packets | |
| O'Byrne et al. | Effects of turbidity and lighting on the performance of an image processing based damage detection technique | |
| CN105427295A (zh) | 一种基于焊缝的图像识别方法和图像识别系统 | |
| Brosch et al. | Quality inspection of translucent and micro-structured functional surfaces | |
| CN116229195B (zh) | 用于在线训练辐射图像识别模型的方法、辐射图像识别方法和装置 | |
| Qiu et al. | X-ray Imaging Defect Detection of Transmission Line Strain Clamps Based on a YOLOX Model | |
| Huang et al. | Research on Detection Method of Sheet Surface Defects Based on Machine Vision | |
| CN113828531B (zh) | 一种基于灰度-厚度的多通道煤矸识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150107 Termination date: 20211025 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |