CN103218814A - 射线检测中缺陷的自适应水淹没优化分割方法 - Google Patents
射线检测中缺陷的自适应水淹没优化分割方法 Download PDFInfo
- Publication number
- CN103218814A CN103218814A CN2013101282655A CN201310128265A CN103218814A CN 103218814 A CN103218814 A CN 103218814A CN 2013101282655 A CN2013101282655 A CN 2013101282655A CN 201310128265 A CN201310128265 A CN 201310128265A CN 103218814 A CN103218814 A CN 103218814A
- Authority
- CN
- China
- Prior art keywords
- defective
- seed points
- ray detection
- image
- self
- 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
本发明公开一种射线检测中缺陷的自适应水淹没优化分割方法,包括构建检测图像的三维尺度空间图像,采用SIFT算子,在射线的尺度空间寻找缺陷的极值点,提取位置、尺度,旋转不变量信息,进而获得缺陷的特征点信息;根据缺陷的特征点信息,自适应确定缺陷判别的种子点或种子域,并在缺陷种子点或种子域搜索到缺陷分割种子点;利用水淹没的方法,实现射线检测图像中缺陷的分割。本发明将不仅可解决常用分割方法中缺陷的判别和分割种子点的定位问题,而且可极大地提高缺陷分割的精度和效率,为射线检测中缺陷的自动化和智能化识别奠定良好的基础。
Description
技术领域
本发明属于无损检测领域,具体涉及一种射线检测中缺陷的自适应水淹没优化分割方法。
背景技术
射线检测是工业无损检测的重要手段之一,随着数字图像处理技术和人工智能技术的发展,射线检测的自动化和智能化成为了其发展的新方向。以数字图像处理技术为支撑的缺陷自动化提取技术,作为实现缺陷计算机自动识别的基础,一直是该研究的难点和热点。
近年来,虽然一些具有初步实用价值的实现自动检测系统开始出现,但总体上,这些系统在缺陷提取、自动化识别等方面仍有诸多问题,人为干预还是无法取代,缺陷算法的通用性差、效率低,而且正确识别率低等,这与实际应用要求还有很大的距离。
缺陷分割的本质是将缺陷从射线检测图像中分离出来,它是缺陷特征提取、缺陷类型识别和等级评定等的基础,缺陷分割的精度和效率的高低对射线检测自动化识别具有直接影响。如果缺陷分割精度太低,缺陷尺寸误差太大,可能导致缺陷漏识别和缺陷识别错误;如果缺陷的分割时间太长,会导致系统工作效率太低而无法使用。因此提高缺陷的分割精度和效率对缺陷的自动化和智能化识别具有重要的意义。
射线检测图像的缺陷分割方法主要有背景差法、灰度轮廓曲线法和分水岭算法等,由于射线检测图像对比度低且灰度交叉,一般情况下直接采用上述方法获取的分割结果的分割误差往往比较大,无法满足应用要求;为了得到较为精确的焊缝边界通常需要对分割结果进行后续处理,如合并、形态学运算等处理环节多、耗时长,这势必会降低缺陷分割的效率,进而影响整个缺陷识别系统的效率。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种射线检测中缺陷的自适应水淹没优化分割方法,该方法能够实现射线图像中缺陷的高精度和高效率分割,达到了实际应用中对缺陷分割的要求。
为达到上述目的,本发明采用的技术方案是:
1)构建检测图像的三维尺度空间图像,采用SIFT算子,在射线的尺度空间寻找缺陷的极值点,提取位置、尺度以及旋转不变量的信息,进而获得缺陷的特征点信息;
2)根据缺陷的特征点信息,自适应确定缺陷判别的种子点和种子域,并在缺陷种子点或种子域搜索到缺陷分割种子点;
3)针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,利用水淹没的方法,实现射线检测图像中缺陷的分割。
进行步骤1)前读入含有焊缝的射线检测图像和对图像进行图像预处理操作。
所述步骤1)中具体包括以下步骤:
1.1)射线检测图像尺度空间的生成步骤:利用不同的尺度的高斯差分核与图像卷积,生成高斯差分尺度空间;
1.2)射线检测图像金字塔的构建步骤:确定图像金字塔共有O组,每组有S层,下一组的图像由上一组图像采样得到;确定构建尺度空间需确定的参数;
1.3)确定缺陷关键点的位置信息步骤:在射线检测图像尺度空间中,通过极值点检测,初步确定缺陷关键点位置和所在尺度;通过拟合三维二次函数以确定缺陷关键点的位置和尺度;为关键点方向进行分配,进而确定含有缺陷关键点的位置、所处尺度、方向信息的特征区域;
1.4)缺陷关键点描述子的生成步骤:以缺陷关键点为中心,取8×8的窗口,在每个4×4的小块上计算在8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即形成一个种子点;此图中一个关键点有2×2共4个种子点组成,每个种子点有8个方向向量信息,对于一个关键点生产32个数据,最终形成32维的SIFT特征向量。
所述步骤1.1)中高斯差分尺度空间具体通过以下公式计算:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中,D(x,y,σ)表示高斯差分尺度空间函数,L(x,y,σ)表高斯尺度空间函数,G(x,y,σ)是尺度可变高斯函数,(x,y)是空间坐标,σ代表了高斯正态分布的方差,在式称为尺度空间因子,即尺度坐标,其中I表示穿透工件基体的射线强度,即图像函数,k表示常数且k<0。
所述步骤1.2)中确定尺度空间参数具体通过以下公式计算:
确定σ、O和S的关系:
σ(o,s)=σ020+s/S,o∈omin+[0,......,O-1],s∈[0,......,S-1]. (5)
式中,σ—尺度空间坐标、O—octave坐标、S—Sub‐level坐标。
所述步骤1.3)中缺陷关键点的位置和尺度具体通过以下公式计算:
空间尺度函数泰勒展开式如下:
对(6)式求导,并令其为0,得到精确的位置:
其中,x表示尺度空间坐标,T表示平移操作,如X=(x,y,δ)T表示由点(x,y)平移获得。
所述步骤1.3)中关键点方向进行分配通过以下公式计算:
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性;
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))). (9)
式(8)和(9)分别为梯度的模值和方向公式,其中L所用的尺度为每个关键点各自所在的尺度。
所述步骤2)中具体包括以下步骤:
2.1)缺陷判别的种子点或种子域的分析步骤:通过对缺陷进行特征点提取,根据缺陷特征点信息,种子点的定位根据不同缺陷的不同特征信息而具有了自适应性;
2.2)缺陷分割种子点的确定步骤:在缺陷种子点或者种子域进行缺陷分割种子点的搜索选取,使每个缺陷都有一个缺陷分割种子点。
所述步骤3)中水淹没的方法包括以下步骤:
3.1)缺陷分级淹没步骤:以缺陷分割种子点为淹没起点,向缺陷种子点所在峡谷内灌水对其进行逐级淹没;
3.2)缺陷分割阈值确定步骤:根据三维地形图的地貌特点,淹没过程中,当水未溢出峡谷时,淹没区域面积逐步缓慢增大;然而当水溢出峡谷时,淹没区域面积突然急剧增大;利用水淹没面积的异常增大来确定阈值水位;
3.3)缺陷分割提取步骤:利用水淹没来确定缺陷的分割阈值,实现检测缺陷的分割。
所述水淹没的方法具体包括以下步骤:
步骤S1,从淹没起始点Pi开始,沿所在的列向上下两个方向淹没与Pi连通且灰度值小于当前水位的所有像素点,得到淹没线Sn(Pi),i=0,…,M,其中M是水位为n时淹没线数量;
步骤S2,在搜索区域中搜索最小灰度值点,将最小灰度值点作为下一列的淹没起始点;
步骤S3,重复迭代步骤S1和S2,当步骤S2搜索到的淹没起始点的灰度值大于当前水位n时,当前方向的淹没过程结束;当左右两个方向的淹没过程都结束后,得到淹没区域,即检测缺陷从检测图像中被分割出来。
本发明具有以下有益效果:本发明采用尺度空间的思想,构建了射线检测图像的三维尺度空间;在三维尺度空间中实现缺陷特征域检测,通过SIFT算子获得缺陷的种子点和种子域,通过缺陷判别准则,进而确定缺陷分割种子点;针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,借鉴“滴灌节水”和自然界水流在重力作用下“借势取径、盈满则溢”的思想,利用水淹没的方法,实现射线检测图像中缺陷的高精度和高效率分割。
本发明将图像尺度空间、特征点提取、滴水灌溉、水淹没等思想引入到缺陷分割中,从而形成了一种基于自适应的水淹没优化分割的缺陷定位、分割方法,它克服了常用缺陷分割方法中缺陷分割种子点难以寻找、缺陷难以判别、缺陷分割精度和效率低等不足。因此,它将不仅可解决常用分割方法中缺陷的判别和分割种子点的定位问题,而且与现有缺陷分割方法相比,可极大地提高缺陷分割的精度和效率,为射线检测中缺陷的自动化和智能化识别奠定良好的基础。
附图说明
图1(a)为射线检测基本原理示意图,图1(b)为射线检测主要参数关系示意图;
图2为射线检测的数学模型参数示意图,其中(a)为含有缺陷的射线检测图像,(b)为对应的灰度曲面图像即图像的三维地形图;
图3为本发明的算法流程示意图;
图4为基于SIFT算子的缺陷特征点提取流程示意图;
图5为特征点描述子生成示意图,其中(a)为邻域梯度方向,(b)为关键点特征向量;
图6为水淹没原理示意图;
图7为含有链状气孔缺陷的检测图像及缺陷特征域示意图,其中(a)为检测图像,(b)为缺陷特征域示意图;
图8为常见的典型焊缝缺陷图像,其中(a)气孔,(b)夹渣,(c)裂纹,(d)未融合,(e)未焊透;
图9为典型焊缝缺陷的特征区域,其中(a)气孔特征域,(b)夹渣特征域,(c)未焊透特征域,(d)裂纹特征域,(e)未融合特征域;
图10为常用气孔缺陷分割方法分割效果对比图,其中,(a)气孔,(b)Alaknanda,(c)BGS,(d)本发明方法;
图11为常用夹渣缺陷分割方法分割效果对比图,其中,(a)夹渣,(b)Alaknanda,(c)BGS,(d)本发明方法;
图12为常用未焊透缺陷分割方法分割效果对比图,其中,(a)未焊透,(b)Alaknanda,(c)BGS,(d)本发明方法;
图13为常用未融合缺陷分割方法分割效果对比图,其中,(a)未熔合,(b)Alaknanda,(c)BGS,(d)本发明方法;
图14为常用裂纹缺陷分割方法分割效果对比图,其中,(a)裂纹,(b)Alaknanda,(c)BGS,(d)本发明方法。
具体实施方式
下面结合附图对本发明做进一步详细描述:
图1(a)是射线检测的基本原理示意图,参见图1所示,利用物质在密度不同、厚度不同时对射线的衰减程度不同,如果物体局部区域存在缺陷或结构存在差异,他将改变物体对射线的衰减,使不同部位投射射线强度不同,从而使零件下面的底片感光不同的原理,实现对材料或零件内部质量的照相探伤。
图1(b)为射线检测主要参数关系示意图,参见图1(b)所示,图1(b)中T、△T分别表示工件基体和缺陷在射线透过方向上的尺寸,I0表示入射射线强度,I、I’分别表示穿透工件基体和缺陷部位的射线强度,μ、μ′分别表示工件基体和缺陷对射线的衰减系数。射线穿过工件后经过衰减的能量场(射线衰减能量场)分布如下:
在正常曝光情况下,底片黑度值随射线照射量对数的增加而呈线性增长,底片经CCD数字化处理后,得到的数字化图像灰度值与原底片灰度值呈线性关系。由此得出底片灰度与衰减能量场关系如下:
v=k·lg(I)+m (2)
其中:k,m为常数且k<0,可以看出图像的灰度值随射线衰减能量强度对数的增加而呈线性减小。
图2(a)是含有缺陷的射线检测图像(122×140像素),图2(b)是对应的灰度曲面图像即图像的三维地形图,该三维地形图有图像像素点坐标x,y及对应的灰度值v三个坐标构成。由式(2)可知图像各像素值与对应的衰减能量场射线强度具有精确的映射关系。由此可以看出,射线检测图像中缺陷分布具有稀疏性特征,缺陷区域三维地形图具有“峡谷地貌”特征,如图2(b)所示。
图3是本发明方法的算法流程示意图,该方法主要有缺陷特征点检测、缺陷分割种子点检测和水淹没分割三大步骤。缺陷特征点检测的目的是提取能够表征缺陷存在的特征;缺陷分割种子点检测的目的是检测图像中是否存在缺陷,如果存在,将缺陷上一点作为缺陷种子点对其进行标记和定位,为水淹没缺陷分割做准备;水淹没分割目的是对缺陷区域实施缺陷分割,利用水流的连通性来获取缺陷区域,根据水淹没面积和水位的变化确定缺陷分割阈值,进而得到分割区域。
参见图3所示,本发明方法的算法主要包括以下步骤:
1)读入含有焊缝的射线检测图像。
2)对图像进行图像预处理操作,如图像增强、图像复原、焊缝位置提取等。
3)构建检测图像的三维尺度空间图像,采用SIFT算子在射线图像的尺度空间寻找缺陷的极值点,提取极值点位置、尺度、旋转不变量等特征点信息(特征点的提取流程参见图4),进而获得缺陷的特征点信息。
本发明方法的算法具体包括以下步骤:
1.1)射线检测图像尺度空间的生成步骤:利用不同的尺度的高斯差分核与图像卷积,生成高斯差分尺度空间;
1.2)射线检测图像金字塔的构建步骤:确定图像金字塔共有O组,每组有S层,下一组的图像由上一组图像采样得到;确定构建尺度空间需确定的参数;
1.3)确定缺陷关键点的位置信息步骤:在射线检测图像尺度空间中,通过极值点检测,初步确定缺陷关键点位置和所在尺度;通过拟合三维二次函数以确定缺陷关键点的位置和尺度;为关键点方向进行分配,进而确定含有缺陷关键点的位置、所处尺度、方向信息的特征区域;
1.4)缺陷关键点描述子的生成步骤:以缺陷关键点为中心,取8×8的窗口,在每个4×4的小块上计算在8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即形成一个种子点;此图中一个关键点有2×2共4个种子点组成,每个种子点有8个方向向量信息,这样对于一个关键点生产32个数据,最终形成32维的SIFT特征向量(根据需要也可以是128维的)。
图4是基于SIFT算子的缺陷的特征点提取算法流程示意图,参见图4所示,该算法主要包括以下步骤:
步骤S1,读取射线检测图像。
步骤S2,构建射线检测图像尺度空间:为有效的在尺度空间检测到稳定的关键点,利用不同尺度的高斯差分核与图像卷积生成高斯差分尺度空间(DOGscale‐space)。
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中,D(x,y,σ)表示高斯差分尺度空间函数,L(x,y,σ)表高斯尺度空间函数,G(x,y,σ)是尺度可变高斯函数,(x,y)是空间坐标,σ代表了高斯正态分布的方差,在式称为尺度空间因子,即尺度坐标,其中I表示穿透工件基体的射线强度,即图像函数,k表示常数且k<0。
步骤S3,确定尺度空间参数,图像金字塔共有O组,每组有S层,下一组的图像由上一组图像采样得到。σ—尺度空间坐标、O—octave坐标、S—Sub‐level坐标。
确定σ、O和S的关系:
σ(o,s)=σ020+s/S,o∈omin+[0,......,O-1],s∈[0,......,S-1]. (5)
步骤S4,空间极值点检测,一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时,就认为该点是图像在该尺度下的一个特征点。
步骤S5,精确确定极值点位置,通过拟合三维二次函数以精确确定缺陷关键点的位置和所在尺度(达亚像素精度)。
空间尺度函数泰勒展开式如下:
对(6)式求导,并令其为0,得到精确的位置:
其中,x表示尺度空间坐标,T表示平移操作,如X=(x,y,δ)T表示由点(x,y)平移获得。
步骤S6,关键点方向分配,利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))). (9)
式(8)和(9)分别为梯度的模值和方向公式,其中L所用的尺度为每个关键点各自所在的尺度。
步骤S7,特征点描述子生成如图5所示,以缺陷关键点为中心,取8×8的窗口,中央黑点为当前关键点的位置,每个小格代表关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表梯度模值,图5(a)中的圈代表高斯加权的范围;然后在每个4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点。如图5(b)所示,此图中一个关键点由2×2共有4个种子点组成,每个种子点有8个方向向量信息。
4)根据缺陷的特征点信息,自适应和准确的确定缺陷判别的种子点和种子域;并依据缺陷分割种子点的搜索策略,在缺陷种子点或种子域搜索获得缺陷分割种子点。此处种子点即为上述所提取的特征点,而种子域是指以基点为圆心,半径为R的圆所覆盖的区域。此处的搜索策略是指根据缺陷分割种子点的判别准则来判断提取的特征点或域是否是由缺陷引起,如果是,则将特征点作为缺陷分割种子点对搜索到的缺陷进行标记,为后续水淹没缺陷分割做准备。
获得缺陷分割种子点的具体步骤为:
2.1)缺陷判别的种子点或种子域的分析步骤:通过对缺陷进行特征点提取,根据缺陷特征点信息,种子点的定位根据不同缺陷的不同特征信息而具有了自适应性;由于本发明方法中,缺陷特征点的提取是在图像的尺度空间进行的,它不仅可以提取全局特征点,又可以提取局部细节特征点;存在缺陷的位置均能准确的获得特征点,即有特征点即有缺陷,特点跟随缺陷而变化,因此说种子点的定位具有自适应性。
2.2)缺陷分割种子点的确定步骤:在缺陷种子点或者种子域进行缺陷分割种子点的搜索选取,使每个缺陷都有一个缺陷分割种子点。
图6为水淹没原理示意图,参见图6所示,针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,借鉴“滴灌节水”和自然界水流在重力作用下“借势取径、盈满则溢”的思想,利用水流的连通性来获取缺陷区域,根据水淹没面积和水位的变化确定缺陷分割阈值,进而得到缺陷分割区域。
针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,利用水淹没的方法,实现射线检测图像中缺陷的分割,其中,水淹没的方法具体步骤为:
3.1)缺陷分级淹没步骤:以缺陷分割种子点为淹没起点,向缺陷种子点所在峡谷内灌水对其进行逐级淹没;
3.2)缺陷分割阈值确定步骤:根据三维地形图的地貌特点,得到如下推论:淹没过程中,当水未溢出峡谷时,淹没区域面积逐步缓慢增大;然而当水溢出峡谷时,淹没区域面积突然急剧增大;基于以上分析,利用水淹没面积的异常增大来确定阈值水位;
3.3)缺陷分割提取步骤:利用水淹没来确定缺陷的分割阈值,实现检测缺陷的分割。
水淹没的方法的过程具体包括以下步骤:
步骤S1,从淹没起始点Pi开始,沿所在的列向上下两个方向淹没与Pi连通且灰度值小于当前水位的所有像素点,得到淹没线Sn(Pi),i=0,…,M,其中M是水位为n时淹没线数量。
步骤S2,在搜索区域中搜索最小灰度值点,将最小灰度值(如果有多个取中间)点作为下一列的淹没起始点。
步骤S3,重复迭代步骤S1和S2,当步骤S2搜索到的淹没起始点的灰度值大于当前水位n时,当前方向的淹没过程结束。当左右两个方向的淹没过程都结束后,得到淹没区域,即检测缺陷从检测图像中被分割出来。
5)针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,借鉴“滴灌节水”和自然界水流在重力作用下“借势取径、盈满则溢”的思想,利用水淹没的方法,实现射线检测图像中缺陷的高精度和高效率分割(水淹没原理和步骤参见图6)。
6)经过上述步骤,该优化的水分割算法可以高精度和高效率将缺陷从射线检测图像中分割出来,为后续缺陷特征提取、缺陷自动化识别、缺陷等级评定等奠定至关重要的基础。
图7为含有链状气孔缺陷的检测图像及缺陷特征域示意图,参见图7所示,通过构建检测图像尺度空间、尺度极值点检测、精确确定极值点位置、关键点方向分配、特征点描述子生成等步骤,对含有链状气孔缺陷的检测图像进行特征点提取,获得缺陷的位置和尺度等信息。从图7中可以看出,该方法能够准确的提取缺陷特征点、定位缺陷位置,解决了水淹没缺陷分割中缺陷种子点难以确定的难题。
图8为常见的典型焊缝缺陷图像,分别为气孔、夹渣、裂纹、未熔合、未焊透等实际焊缝中常见的缺陷。
图9为典型的焊缝缺陷特征域,采用图4中所示的基于SIFT算子的缺陷的特征点提取算法对缺陷进行特征点提取,获得缺陷特征域即种子点或种子域;根据缺陷分割种子点的搜索策略,即可在缺陷特征域搜索获得缺陷分割种子点。
图10‐图14为常用缺陷分割方法分割效果对比图,将本发明的自适应水淹没优化分割方法、背景差缺陷分割方法(Background Subtraction,BGS)、Alaknanda的基于分水岭算法的分割方法进行对比,从图10‐图14中可以看出,BGS方法和Alaknanda方法对气孔和夹渣的分割效果较为准确,但对未焊透、未熔合和裂纹分割效果较差,Alaknanda方法对背景的错分割较为严重;本发明水淹没优化缺陷分割算法利用水淹没区域的连通性,均得到正确的、完整的分割。
本发明提出基于自适应水淹没优化分割的无损检测缺陷定位、分割方法,可实现射线检测图像中缺陷的高精度和高效率分割,解决了射线检测缺陷自动化和智能化识别过程中缺陷分割的精度和效率问题,有利于在无损检测、缺陷自动识别、模式识别等领域的应用。
Claims (10)
1.射线检测中缺陷的自适应水淹没优化分割方法,其特征在于,包括以下步骤:
1)构建检测图像的三维尺度空间图像,采用SIFT算子,在射线的尺度空间寻找缺陷的极值点,提取位置、尺度以及旋转不变量的信息,进而获得缺陷的特征点信息;
2)根据缺陷的特征点信息,自适应确定缺陷判别的种子点和种子域,并在缺陷种子点或种子域搜索到缺陷分割种子点;
3)针对射线检测图像中缺陷分布的稀疏性和缺陷区域三维地形图的“峡谷地貌”特征,利用水淹没的方法,实现射线检测图像中缺陷的分割。
2.根据权利要求1所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:进行步骤1)前读入含有焊缝的射线检测图像和对图像进行图像预处理操作。
3.根据权利要求1所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤1)中具体包括以下步骤:
1.1)射线检测图像尺度空间的生成步骤:利用不同的尺度的高斯差分核与图像卷积,生成高斯差分尺度空间;
1.2)射线检测图像金字塔的构建步骤:确定图像金字塔共有O组,每组有S层,下一组的图像由上一组图像采样得到;确定构建尺度空间需确定的参数;
1.3)确定缺陷关键点的位置信息步骤:在射线检测图像尺度空间中,通过极值点检测,初步确定缺陷关键点位置和所在尺度;通过拟合三维二次函数以确定缺陷关键点的位置和尺度;为关键点方向进行分配,进而确定含有缺陷关键点的位置、所处尺度、方向信息的特征区域;
1.4)缺陷关键点描述子的生成步骤:以缺陷关键点为中心,取8×8的窗口,在每个4×4的小块上计算在8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即形成一个种子点;此图中一个关键点有2×2共4个种子点组成,每个种子点有8个方向向量信息,对于一个关键点生产32个数据,最终形成32维的SIFT特征向量。
4.根据权利要求3所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤1.1)中高斯差分尺度空间具体通过以下公式计算:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中,D(x,y,σ)表示高斯差分尺度空间函数,L(x,y,σ)表高斯尺度空间函数,G(x,y,σ)是尺度可变高斯函数,(x,y)是空间坐标,σ代表了高斯正态分布的方差,在式称为尺度空间因子,即尺度坐标,其中I表示穿透工件基体的射线强度,即图像函数,k表示常数且k<0。
5.根据权利要求3所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤1.2)中确定尺度空间参数具体通过以下公式计算:
确定σ、O和S的关系:
σ(o,s)=σ020+s/S,o∈omin+[0,......,O-1],s∈[0,......,S-1]. (5)
式中,σ—尺度空间坐标、O—octave坐标、S—Sub‐level坐标。
6.根据权利要求3所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤1.3)中缺陷关键点的位置和尺度具体通过以下公式计算:
空间尺度函数泰勒展开式如下:
对(6)式求导,并令其为0,得到精确的位置:
其中,x表示尺度空间坐标,T表示平移操作。
7.根据权利要求3所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤1.3)中关键点方向进行分配通过以下公式计算:
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性;
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))). (9)
式(8)和(9)分别为梯度的模值和方向公式,其中L所用的尺度为每个关键点各自所在的尺度。
8.根据权利要求1所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤2)中具体包括以下步骤:
2.1)缺陷判别的种子点或种子域的分析步骤:通过对缺陷进行特征点提取,根据缺陷特征点信息,种子点的定位根据不同缺陷的不同特征信息而具有了自适应性;
2.2)缺陷分割种子点的确定步骤:在缺陷种子点或者种子域进行缺陷分割种子点的搜索选取,使每个缺陷都有一个缺陷分割种子点。
9.根据权利要求1所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述步骤3)中水淹没的方法包括以下步骤:
3.1)缺陷分级淹没步骤:以缺陷分割种子点为淹没起点,向缺陷种子点所在峡谷内灌水对其进行逐级淹没;
3.2)缺陷分割阈值确定步骤:根据三维地形图的地貌特点,淹没过程中,当水溢出峡谷时,淹没区域面积急剧增大;利用水淹没面积的增大来确定阈值水位;
3.3)缺陷分割提取步骤:利用水淹没来确定缺陷的分割阈值,实现检测缺陷的分割。
10.根据权利要求1或9所述射线检测中缺陷的自适应水淹没优化分割方法,其特征在于:所述水淹没的方法具体包括以下步骤:
步骤S1,从淹没起始点Pi开始,沿所在的列向上下两个方向淹没与Pi连通且灰度值小于当前水位的所有像素点,得到淹没线Sn(Pi),i=0,…,M,其中M是水位为n时淹没线数量;
步骤S2,在搜索区域中搜索最小灰度值点,将最小灰度值点作为下一列的淹没起始点;
步骤S3,重复迭代步骤S1和S2,当步骤S2搜索到的淹没起始点的灰度值大于当前水位n时,当前方向的淹没过程结束;当左右两个方向的淹没过程都结束后,得到淹没区域,即检测缺陷从检测图像中被分割出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101282655A CN103218814A (zh) | 2013-04-15 | 2013-04-15 | 射线检测中缺陷的自适应水淹没优化分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101282655A CN103218814A (zh) | 2013-04-15 | 2013-04-15 | 射线检测中缺陷的自适应水淹没优化分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103218814A true CN103218814A (zh) | 2013-07-24 |
Family
ID=48816557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101282655A Pending CN103218814A (zh) | 2013-04-15 | 2013-04-15 | 射线检测中缺陷的自适应水淹没优化分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218814A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230203A (zh) * | 2017-05-19 | 2017-10-03 | 重庆理工大学 | 基于人眼视觉注意机制的铸件缺陷识别方法 |
CN109583333A (zh) * | 2018-11-16 | 2019-04-05 | 中证信用增进股份有限公司 | 基于水淹法和卷积神经网络的图像识别方法 |
CN111260646A (zh) * | 2020-03-11 | 2020-06-09 | 顾志军 | 一种数字式射线检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
-
2013
- 2013-04-15 CN CN2013101282655A patent/CN103218814A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
Non-Patent Citations (5)
Title |
---|
张乐 等: "区域生长算法的改进及其在异物检测中的应用", 《无损检测》 * |
申清明 等: "焊缝缺陷的水淹没分割算法", 《西安交通大学学报》 * |
申清明 等: "焊缝缺陷类型识别方法的研究", 《西安交通大学学报》 * |
管秋 等: "《基于医学图像的心脏建模与分析》", 31 May 2010 * |
陆宝春 等: "荧光磁粉探伤自动缺陷识别方法研究", 《南京理工大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230203A (zh) * | 2017-05-19 | 2017-10-03 | 重庆理工大学 | 基于人眼视觉注意机制的铸件缺陷识别方法 |
CN107230203B (zh) * | 2017-05-19 | 2021-06-08 | 重庆立洋机电设备制造有限公司 | 基于人眼视觉注意机制的铸件缺陷识别方法 |
CN109583333A (zh) * | 2018-11-16 | 2019-04-05 | 中证信用增进股份有限公司 | 基于水淹法和卷积神经网络的图像识别方法 |
CN109583333B (zh) * | 2018-11-16 | 2020-12-11 | 中证信用增进股份有限公司 | 基于水淹法和卷积神经网络的图像识别方法 |
CN111260646A (zh) * | 2020-03-11 | 2020-06-09 | 顾志军 | 一种数字式射线检测方法 |
CN111260646B (zh) * | 2020-03-11 | 2020-10-02 | 顾志军 | 一种数字式射线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Automated road markings extraction from mobile laser scanning data | |
Westaway et al. | Remote sensing of clear-water, shallow, gravel-bed rivers using digital photogrammetry | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN109100741A (zh) | 一种基于3d激光雷达及图像数据的目标检测方法 | |
US20230108634A1 (en) | Ground penetrating radar and deep learning-based underground pipeline detection method and system | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
US9625611B2 (en) | Method for detecting zonal underground target in mountain land based on ridge heat radiation correction | |
CN113378686B (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
CN111340012B (zh) | 一种地质灾害解译方法、装置、终端设备 | |
Miao et al. | Developing efficient procedures for automated sinkhole extraction from Lidar DEMs | |
CN102032875A (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
CN109815300A (zh) | 一种车辆定位方法 | |
CN112001411B (zh) | 一种基于fpn结构的大坝裂缝检测算法 | |
CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN103218814A (zh) | 射线检测中缺陷的自适应水淹没优化分割方法 | |
CN116958907A (zh) | 一种输气管道周边隐患目标巡检方法及系统 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Qing et al. | Automated detection of manhole covers in Mls point clouds using a deep learning approach | |
Hu et al. | A study of automatic recognition and localization of pipeline for ground penetrating radar based on deep learning | |
Yao et al. | Automatic extraction of road markings from mobile laser-point cloud using intensity data | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
CN115546551A (zh) | 一种基于深度学习的地理信息提取方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130724 |