CN103822932B - 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 - Google Patents
基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 Download PDFInfo
- Publication number
- CN103822932B CN103822932B CN201410069615.XA CN201410069615A CN103822932B CN 103822932 B CN103822932 B CN 103822932B CN 201410069615 A CN201410069615 A CN 201410069615A CN 103822932 B CN103822932 B CN 103822932B
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- size
- scale filtering
- operator
- 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.)
- Active
Links
Abstract
基于多尺度滤波算子的X射线实时图像焊缝缺陷检出方法,属于图像缺陷检测领域。本发明在获取图像序列后,首先通过分析首帧图像得到优化参数,根据优化参数构造多尺度滤波算子,然后逐帧提取感兴趣区域进行卷积操作,并采用动态阈值方法对图像进行阈值分割,得到潜在缺陷区域。本发明能够实现图像处理参数的自适应优化,采用构造的滤波算子适应焊缝缺陷的局部灰度特征,有利于缺陷区域的自动检出,在参数自适应和分割准确性上较之现有的背景消除法等有明显优势,并能够在实时性上适应生产实际中的检测要求。
Description
技术领域
本发明涉及一种基于多尺度滤波算子的图像处理方法,可广泛应用于焊缝X射线图像缺陷检测领域。
背景技术
焊缝缺陷的X射线检测方法分为胶片照相、CR成像、线阵探测器成像、面阵探测器成像、图像增强器成像等方法。胶片成像因其检测过程复杂、耗时长、难于实现检测过程自动化、药水对环境造成污染等缺点,其应用前景受到严重制约;而线阵/面阵探测器成像和CR成像因动态性不足、成像时间较长,多用于X射线静态成像。基于图像增强器的方法在X射线实时成像中有较为广泛的应用:图像增强器将射线作用于输入屏闪烁体产生的光电子经光电转换及电信号的放大,经过模数转换后得到数字化图像,以进行图像的显示、处理和分析。通过图像处理和缺陷检出算法对数字射线图像序列进行自动检测和分析,可实现在线连续检测、自动判断缺陷,能够有效地提高检测效率,降低由于人为因素造成的漏检概率。但X射线实时成像具有信噪比低、图像分辨率低、相对灵敏度较低的特点,造成图像对比度较低,同时图像灰度与对比度水平均具有时变性,加之连续生产需要较快的图像处理速度,综上对用于缺陷检出及判断的图像处理算法提出了较高要求。
现有的X射线图像缺陷检测技术,在缺陷检出步骤中多采用滤波与阈值分割相结合的方法。参见周正干等的论文“航空发动机叶片X射线数字图像分析的一种新方法”,中国机械工程,2006,17(21):2270-2273,采用分区域自适应中值滤波和形态学滤波的方法对图像背景进行模拟,再用原始图像与背景相减得到缺陷突出的差值图像进行阈值分割。其中区域划分尺寸的设置影响检出结果,算法适应性受到一定限制;形态学操作会导致缺陷信息保真度降低,不利于后续的缺陷判断。张晓光等针对去除背景后的焊缝图像采用图像增强的方法使缺陷区域得到增强,之后对图像进行分割,利用局部阈值法对缺陷进行提取,该方法依据缺陷与背景的明显灰度对比进行缺陷检出,对胶片数字化图像有较好的识别效果,但对X射线实时图像的处理适用性有限,参见论文“X射线检测焊缝的图像处理与缺陷识别”,华东理工大学学报.2004,30(2):199-202。JiaxinShao等在缺陷检出步骤中同样采用背景消除的方法,得到缺陷突出的差值图像,利用动态阈值分割的方法对潜在缺陷区域进行检出。该方法能够有效地检出潜在缺陷区域并适应背景图像灰度均值的变化,且能够满足检测的实时性要求;但对图像背景部分在一定邻域范围内的一致性有较高要求,如缺陷靠近边缘或背景存在灰度级明显变化趋势,缺陷检出效果会受到影响,出现一定比例的误检,造成后续缺陷判断的难度,参见论文“Automaticwelddefectdetectionbasedonpotentialdefecttrackinginreal-timeradiographicimagesequence”.NDT&EInternational.2012,46:14-21。
综上,现有的焊缝缺陷检出技术与方法尚难以很好地满足数字射线检测的适应性和准确性要求。
发明内容
针对上述问题,本发明的目的在于提供基于多尺度滤波算子的X射线实时图像焊缝缺陷检出方法,采用自适应优化参数,构造滤波算子,避免背景灰度变化对缺陷检出的影响,对焊缝缺陷的不同尺寸进行自动适应,实现X射线图像焊缝缺陷的自动检出。
为实现上述目的,本发明采取以下技术方案:
步骤1)读入首帧图像:读入图像序列中的第一帧图像,记为I0;
步骤2)焊缝提取:对所述第一帧图像进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤3)参数优化:对所述第一帧图像的感兴趣区域进行图像分析,对多尺度滤波算子构造参数σ与动态阈值参数Th进行优化,得到多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;该步骤具体包括:
步骤30)参数初始化:选择参数a,b使其满足其中sizex(I0)表示图像沿x方向的尺寸,sizey(I0)表示图像沿y方向的尺寸;
设置多尺度滤波算子构造参数σ的初值σ0;
设置动态阈值参数Th的初值Th0;
步骤31)构造优化函数:以σ0、Th0为参数初值,按照下式构造滤波算子Lσ(x,y),
用所述滤波算子Lσ(x,y)对所述图像I0的感兴趣区域进行卷积运算得到卷积结果,将该卷积结果表达为关于σ的函数C(σ),构造优化目标函数O(σ,Th)如下式:
其中参数Num满足0<Num<sizex(I0)·sizey(I0);
步骤32)函数优化:对目标函数O(σ,Th)进行优化:
优化结果为多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;
步骤4)读入下一帧图像:顺次读入图像序列中的下一帧图像,记为In;
步骤5)焊缝提取:对所述图像In进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤6)算子构造:构造多尺度滤波算子
式中σ1=σop-0.5,σ2=σop,σ3=σop+0.5,其中sizex(In)表示图像In沿x方向的尺寸,sizey(In)表示图像In沿y方向的尺寸;
步骤7)卷积运算:用所述多尺度滤波算子对所述图像In进行所述感兴趣区域的卷积操作,得到卷积结果其中σ1=σop-0.5,σ2=σop,σ3=σop+0.5;
步骤8)图像分割:对所述卷积结果进行动态阈值分割并进行连通域标记,得到潜在缺陷区域;该步骤具体包括:
步骤80)动态阈值范围设定:将Thop的邻域[Thop-r,THop+r]设为动态阈值搜索范围,其中r≤30;
步骤81)多尺度分别阈值分割:采用动态阈值法对所述卷积结果进行阈值分割,得到二值化图像BW1、BW2、BW3;
步骤82)标记连通域:按下式计算得到二值化图像BW:
BW=BW1·BW2·BW3
标记二值化图像BW的连通域{r1,r2,...,rn},在二值化图像BW1、BW2、BW3中搜索包含{r1,r2,...,rn}的最大连通域,作为检出的潜在缺陷区域;
步骤9)检查图像序列是否结束,如未结束,回到步骤4,重复步骤4至步骤8,直至图像序列处理完毕。
其中焊缝提取步骤2)与步骤5)包括以下内容:提取焊缝上边缘与焊缝下边缘,将上边缘与下边缘各点的图像坐标分别记为分别对进行直线拟合,将所述两条直线之间的区域标记为感兴趣区域。
本发明由于采用上述技术方案,具有以下优点:①利用对图像序列中第一帧的分析,对图像处理的一系列参数进行自适应优化,使其自动适应待处理图像序列的特点,避免了检测效果对人工干预的依赖,有利于缺陷检出的自动化。②采用构造的滤波算子对焊缝X射线图像进行卷积操作,无需进行背景图像的模拟和差值运算,利用所构造算子对一定范围内潜在缺陷与邻域的灰度差异进行增强,且能够不受背景灰度渐变和各局部之间差异的影响,使得潜在缺陷的检出更为准确。③能够利用多尺度算子自动适应焊缝缺陷的局部灰度特征,在一系列尺度上对可能的缺陷区域进行提取,适应不同尺寸的焊缝缺陷。④阈值分割步骤采用动态阈值的方法,在动态阈值范围内进行搜索,得到最优阈值用于图像分割,以相对较小的计算量实现缺陷自动检出。
附图说明
图1本发明所述方法的流程图。
图2X射线实时成像所得焊缝图像。
图3焊缝边缘提取结果。
图4多尺度滤波算子结构(σ=3)。
图5多尺度滤波算子结构(σ=3.5)。
图6多尺度滤波算子结构(σ=4)。
图7本发明所述方法检出的潜在缺陷区域。
具体实施方式
基于多尺度滤波算子的X射线图像焊缝缺陷检出方法,包含以下步骤:
步骤1.读入首帧图像:读入图像序列中的第一帧图像,记为I0;
步骤2.焊缝提取:对所述第一帧图像进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤3.参数优化:对所述第一帧图像的感兴趣区域进行图像分析,对多尺度滤波算子构造参数σ与动态阈值参数Th进行优化,得到多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;该步骤具体包括:
步骤30.参数初始化:选择参数a,b使其满足其中sizex(I0)表示图像沿x方向的尺寸,sizey(I0)表示图像沿y方向的尺寸;
设置多尺度滤波算子构造参数σ的初值σ0;
设置动态阈值参数Th的初值Th0;
步骤31.构造优化函数:按照下式构造滤波算子Lσ(x,y),
用所述滤波算子Lσ(x,y)对所述图像I0的感兴趣区域进行卷积运算得到卷积结果,将该卷积结果表达为关于σ的函数C(σ),构造优化目标函数O(σ,Th)如下式:
其中参数Num满足0<Num<sizex(I0)·sizey(I0);
步骤32.函数优化:以σ0、Th0为参数初值,采用遍历、遗传算法、最速下降法等方法之一对目标函数O(σ,Th)进行优化:
优化结果为多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;
步骤4.读入下一帧图像:顺次读入图像序列中的下一帧图像,记为In;
步骤5.焊缝提取:对所述图像In进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤6.算子构造:构造多尺度滤波算子
式中σ1=σop-0.5,σ2=σop,σ3=σop+0.5,其中sizex(In)表示图像In沿x方向的尺寸,sizey(In)表示图像In沿y方向的尺寸;
步骤7.卷积运算:用所述多尺度滤波算子对所述图像In进行所述感兴趣区域的卷积操作,得到卷积结果其中σ1=σop-0.5,σ2=σop,σ3=σop+0.5;
步骤8.图像分割:对所述卷积结果进行动态阈值分割并进行连通域标记,得到潜在缺陷区域;该步骤具体包括:
步骤80.动态阈值范围设定:将Thop的邻域[Thop-r,THop+r]设为动态阈值搜索范围,其中r≤30;
步骤81.多尺度分别阈值分割:采用动态阈值法对所述卷积结果进行阈值分割,得到二值化图像BW1、BW2、BW3;
步骤82.标记连通域:按下式计算得到二值化图像BW:
BW=BW1·BW2·BW3
标记二值化图像BW的连通域{r1,r2,...,rn},在二值化图像BW1、BW2、BW3中搜索包含{r1,r2,...,rn}的最大连通域,作为检出的潜在缺陷区域;
步骤9:检查图像序列是否结束,如未结束,回到步骤4,重复步骤4至步骤8,直至图像序列处理完毕。
其中焊缝提取步骤2)与步骤5)包括以下内容:提取焊缝上边缘与焊缝下边缘,将上边缘与下边缘各点的图像坐标分别记为分别对进行直线拟合,将所述两条直线之间的区域标记为感兴趣区域。
下面结合附图和实施例对本发明进行详细的描述。
实施例:
获取焊缝X射线实时图像序列,图2为焊缝X射线实时成像所得原始图像。
对图像序列中的第一帧进行处理,记图像为I0,提取焊缝上边缘与焊缝下边缘,将上边缘与下边缘各点的图像坐标分别记为分别对进行直线拟合,将所述两条直线之间的区域标记为感兴趣区域,图3为焊缝上下边缘提取结果,其中黑色直线为焊缝上下边缘位置。
图像沿x方向的尺寸sizex(I0)为295像素,图像沿y方向的尺寸sizey(I0)为237像素,令a=30,b=30,设多尺度滤波算子构造参数σ的初值σ0为σ0=1,构造滤波算子如下:
用滤波算子Lσ(x,y)对图像进行卷积运算得到卷积结果,将该卷积结果表达为关于σ的函数C(σ);
构造优化目标函数如下式,其中Num=80,σ与Th为待优化参数,初值分别为:σ0=1,Th0=80,采用在σ∈{1,2,3,4,5,6},Th∈{60,70,80,90,100,110,120,130}范围内遍历的方式对如下的目标函数O(σ,Th)进行优化:
得到使目标函数O(σ,Th)取得最小值的优化结果σop=3,Thop=100;
根据所述参数优化结果,按照下式构造多尺度滤波算子,该算子结构如图3、图4、图5所示:
其中:σ1=2.5,σ2=3,σ3=3.5;
对图像序列中的各帧依次进行以下处理:
用所述多尺度滤波算子对待检测图像逐帧进行卷积操作,得到卷积结果
以[Thop-20,Thop+20]作为动态阈值搜索范围,采用动态阈值法对多尺度滤波结果 进行阈值分割,得到二值化图像BW1,BW2,BW3,按下式计算得到二值化图像BW,能够去除一部分伪缺陷。
BW=BW1·BW2·BW3
二值化图像BW的连通域为两个,将其分别标记为r1,r2,在二值化图像BW1,BW2,BW3中的相同位置搜索包含r1,r2的最大连通域,并将其作为潜在缺陷区域进行标记,得到如图6所示的检出结果,图中黑色区域为检出的潜在缺陷区域。
上述实施例仅用于说明本发明,其中参数a,b,Num,目标函数优化方法等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于多尺度滤波算子的X射线图像焊缝缺陷检出方法,包括:
步骤1)读入首帧图像:读入图像序列中的第一帧图像,记为I0;
步骤2)焊缝提取:对所述第一帧图像进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤3)参数优化:对所述第一帧图像的感兴趣区域进行图像分析,对多尺度滤波算子构造参数σ与动态阈值参数Th进行优化,得到多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;该步骤具体包括:
步骤30)参数初始化:选择参数a,b使其满足其中sizex(I0)表示图像沿x方向的尺寸,sizey(I0)表示图像沿y方向的尺寸;
设置多尺度滤波算子构造参数σ的初值σ0;
设置动态阈值参数Th的初值Th0;
步骤31)构造优化函数:按照下式构造滤波算子Lσ(x,y),
用所述滤波算子Lσ(x,y)对所述图像I0的感兴趣区域进行卷积运算得到卷积结果,将该卷积结果表达为关于σ的函数C(σ),构造优化目标函数O(σ,Th)如下式:
其中参数Num满足0<Num<sizex(I0)×sizey(I0);
步骤32)函数优化:以σ0、Th0为参数初值,对目标函数O(σ,Th)进行优化:
得到多尺度滤波算子构造参数优化值σop与动态阈值参数优化值Thop;
步骤4)读入下一帧图像:顺次读入图像序列中的下一帧图像,记为In;
步骤5)焊缝提取:对所述图像In进行边缘提取和区域分割,提取焊缝边界,将焊缝作为感兴趣区域进行标识操作;
步骤6)算子构造:构造多尺度滤波算子
其中σ1=σop-0.5,σ2=σop,σ3=σop+0.5,其中sizex(In)表示图像In沿x方向的尺寸,sizey(In)表示图像In沿y方向的尺寸;
步骤7)卷积运算:用所述多尺度滤波算子对所述图像In进行所述感兴趣区域的卷积操作,得到卷积结果
步骤8)图像分割:对所述卷积结果进行动态阈值分割并进行连通域标记,得到潜在缺陷区域;该步骤具体包括:
步骤80)动态阈值范围设定:将Thop的邻域[Thop-r,THop+r]设为动态阈值搜索范围,其中r≤30;
步骤81)多尺度分别阈值分割:采用动态阈值法对所述卷积结果进行阈值分割,得到二值化图像BW1、BW2、BW3;
步骤82)标记连通域:按下式计算得到二值化图像BW:
BW=BW1×BW2×BW3
标记二值化图像BW的连通域{r1,r2,...,rn},在二值化图像BW1、BW2、BW3中搜索包含{r1,r2,...,rn}的最大连通域,作为检出的潜在缺陷区域;
步骤9)检查图像序列是否结束,如未结束,回到步骤4,重复步骤4至步骤8,直至图像序列处理完毕。
2.如权利要求1所述的一种基于多尺度滤波算子的X射线图像焊缝缺陷检出方法,其特征在于所述焊缝提取步骤2)与步骤5)包括以下内容:提取焊缝上边缘与焊缝下边缘,将上边缘与下边缘各点的图像坐标分别记为分别对进行直线拟合,将所述两条直线之间的区域标记为感兴趣区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410069615.XA CN103822932B (zh) | 2014-02-27 | 2014-02-27 | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410069615.XA CN103822932B (zh) | 2014-02-27 | 2014-02-27 | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103822932A CN103822932A (zh) | 2014-05-28 |
CN103822932B true CN103822932B (zh) | 2016-04-20 |
Family
ID=50758099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410069615.XA Active CN103822932B (zh) | 2014-02-27 | 2014-02-27 | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103822932B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862693B (zh) * | 2017-12-08 | 2021-10-08 | 湖南文理学院 | 用于泡沫镍表面缺陷的检测方法及装置 |
CN108427937A (zh) * | 2018-03-29 | 2018-08-21 | 武汉真元生物数据有限公司 | 稳定区域选取方法及装置 |
CN109859177B (zh) * | 2019-01-17 | 2023-03-10 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
CN111882529A (zh) * | 2020-07-15 | 2020-11-03 | 苏州佳智彩光电科技有限公司 | 基于Gaussian-Surface保边滤波的显示屏Mura缺陷检测方法及装置 |
CN115063422B (zh) * | 2022-08-18 | 2022-11-08 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
CN116681752B (zh) * | 2023-08-03 | 2023-10-27 | 山东墨氪智能科技有限公司 | Dbc焊料层空洞缺陷的空洞率计算方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620203A (zh) * | 2009-05-13 | 2010-01-06 | 中华人民共和国南通出入境检验检疫局 | 基于小波理论的机械设备缺欠超声检测设备 |
CN102565103A (zh) * | 2011-12-16 | 2012-07-11 | 清华大学 | 一种基于x射线图像的焊缝缺陷跟踪检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757354B2 (en) * | 2002-09-20 | 2004-06-29 | Invision Technologies, Inc. | Multi-view x-ray imaging of logs |
-
2014
- 2014-02-27 CN CN201410069615.XA patent/CN103822932B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620203A (zh) * | 2009-05-13 | 2010-01-06 | 中华人民共和国南通出入境检验检疫局 | 基于小波理论的机械设备缺欠超声检测设备 |
CN102565103A (zh) * | 2011-12-16 | 2012-07-11 | 清华大学 | 一种基于x射线图像的焊缝缺陷跟踪检测方法 |
Non-Patent Citations (1)
Title |
---|
直缝钢管X射线图像焊缝缺陷检测降噪算法;石涵等;《中国科技论文》;20130831;第8卷(第8期);717-720 * |
Also Published As
Publication number | Publication date |
---|---|
CN103822932A (zh) | 2014-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103822932B (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 | |
CN105976352B (zh) | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 | |
CN105574513B (zh) | 文字检测方法和装置 | |
CN104075965B (zh) | 一种基于分水岭分割的显微图像颗粒粒度测量方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
KR20160083099A (ko) | 검출 방법 및 그 설비 | |
CN109214439A (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
CN105825516A (zh) | 一种dicom影像血流分析系统 | |
CN109492543A (zh) | 红外图像的小目标检测方法与系统 | |
CN106447684A (zh) | 工业ct图像中弱边缘尺寸测量方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN103544491A (zh) | 一种面向复杂背景的光学字符识别方法及装置 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN105510364A (zh) | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN112085700A (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
Reddy et al. | Comparative analysis of common edge detection algorithms using pre-processing technique | |
Yan et al. | Multi-scale multi-intensity defect detection in ray image of weld bead | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
Gooda et al. | Automatic detection of road cracks using EfficientNet with residual U-net-based segmentation and YOLOv5-based detection | |
CN105374025A (zh) | 乳房图像获取方法及装置、乳房摄影系统 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN112464933A (zh) | 一种地基凝视红外成像弱小目标智能识别方法 |
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 |