CN104091327A - 铸件的枝状缩松缺陷仿真图像的生成方法及系统 - Google Patents
铸件的枝状缩松缺陷仿真图像的生成方法及系统 Download PDFInfo
- Publication number
- CN104091327A CN104091327A CN201410276468.3A CN201410276468A CN104091327A CN 104091327 A CN104091327 A CN 104091327A CN 201410276468 A CN201410276468 A CN 201410276468A CN 104091327 A CN104091327 A CN 104091327A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- defect
- image
- template
- layers
- 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
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了铸件的枝状缩松缺陷仿真图像的生成方法,包括以下步骤:(1)读入铸件的X射线图像,提取或手绘出枝状缺陷的骨架,并根据缺陷的形成原理对骨架赋权重,并统计缺陷的三层灰度分布;(2)以骨架为输入进行反几何扩散,通过骨架点的权重值控制反几何扩散次数,同时根据三层模板的面积大小及骨架长度获取阈值对扩散后的骨架图像二值化;(3)根据统计得到的梯度及灰度信息为二值化后的图像进行直方图匹配;(4)将步骤(3)处理后的缺陷图像与真实背景图像叠加,并对缺陷边缘区域进行扩散。本发明以较低计算成本模拟出具有较高随机性的铸件缺陷图像,避免了CAD模型算法复杂度高、耗时、成本较高等缺点。
Description
技术领域
本发明涉及图像的自动生成技术,特别涉及一种铸件的枝状缩松缺陷仿真图像的生成方法及系统。
背景技术
为保证铸件的质量,提高产品的安全性,厂商通常需要对铸件内部的缺陷进行检测,多采用自动X射线检测设备。为了开发自动铸造缺陷检测算法,算法开发与测试人员需要大量缺陷样本。实际中,由于厂商制造工艺水平的提升,现场产生的缺陷很少,从生产线上获取足够种类和数量的缺陷样本周期漫长,并且部分类型的缺陷较罕见,足够的样本以及样本的多样性无法保证。因此,铸造缺陷图像的生成技术是增加测试和学习样本的一种新的技术方法和手段。
现有技术主要是使用基于CAD模型来生成缺陷图像,通过模拟射线衰减定理和使用射线跟踪技术生成缺陷图像。每一束射线的衰减路径长度由其所穿越的体素点的衰减系数和体素点数目共同计算获得,通过计算到达探测器每一像素点的射线能量强度生成缺陷图像,可生成多种缺陷图像。该方法中,其工件的CAD模型可以通过实际测量,但是,由于工件中并没有缺陷,缺陷的CAD模型需要人为建立,虽然在具有CAD模型之后可以依据射线衰减的计算得到生成的缺陷图像,但由于缺陷的立体模型是通过人工建立的,这样大大的局限了缺陷的类别和形状,同时在射线衰减计算的过程中还会受到缺陷复杂形状的限制,使计算复杂度高、耗时很长,缺陷的形状和种类无法由计算机程序自适应的进行控制。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种铸件的枝状缩松缺陷仿真图像的生成方法,以较低计算成本模拟出具有较高随机性的铸件缺陷图像,避免了CAD模型算法复杂度高、耗时、成本较高等缺点。
本发明的目的通过以下技术方案实现:
铸件的枝状缩松缺陷仿真图像的生成方法,包括以下步骤:
(1)骨架获取与权重赋值:
(1-1)骨架获取:读入铸件的X射线图像,利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;
(1-2)获取骨架后,根据缺陷的形成原理对骨架上的点赋权重;
(2)反几何扩散与二值化:以步骤(1)得到骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
(3)灰度赋值:根据步骤(1)统计三层模板得到的梯度及灰度信息为步骤(2)中二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
(4)背景融合:将步骤(3)处理后的缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
步骤(1-1)所述骨架获取,还包括通过matlab绘图随机绘制需要的形状的手绘骨架。
步骤(1-2)所述根据缺陷的形成原理对骨架上的点赋权重,具体为:
(1-2-1)找出已生成骨架中的最长分枝,将其看作主干:首先将骨架看作一棵N叉树数据结构,通过遍历找到骨架中离顶部最近的点,将此点看作根节点,之后以广度优先遍历算法在8连通域中遍历整个骨架,其中子节点与根节点的距离为其父节点的距离加1,遍历过程完成之后,找到分枝末梢有最大距离值的末梢点,以此末梢点按距离递减依次向上寻找,即可得到骨架的最长分支,即主干;
(1-2-2)将主干上距离根节点处的点的权重赋值为1,从该点起,递归地寻找它相邻的骨架点,每一个相邻的骨架点的比重是在上一点的基础上加1;
(1-2-3)通过遍历找出骨架中权重最大值kmax,则任意骨架点的权重值k即为k=kmax+1-k。
步骤(2)所述通过骨架上的点的权重值控制反几何扩散次数,具体为:
设扩散总次数为N,当前扩散次数为n,则对权重的点进行扩散。
步骤(2)所述根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,具体为:
设第i层模板Pi的面积为Si,由Pi提取的第i层骨架长度为li;设经反几何扩散后的第i层骨架长度为l′i,使用灰度阈值α生成的轮廓模板P′i的面积为S′i,灰度阈值α选取的标准是使得生成模板P′i与数据收集阶段的模板Pi之间面积误差达到最小值,即使得取值最小。
铸件的枝状缩松缺陷仿真图像的生成系统,包括
骨架获取与权重赋值模块,用于读入铸件的X射线图像,并利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;获取骨架后,根据缺陷的形成原理对骨架上的点赋权重;
反几何扩散与二值化模块,用于以骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
灰度赋值模块,用于根据统计三层模板得到的梯度及灰度信息为二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
背景融合模块,用于将缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明通过灰度分布、梯度分布、几何轮廓等缺陷视觉特征,结合铸造缩松的形成原理,提出基于时空模型的枝状缩松缺陷仿真图像的生成方法,有较高随机性,避免了CAD模型算法复杂度高、耗时、成本较高等缺点;
(2)本发明根据枝状缩松细长,多分枝的几何结构特点,提出以骨架表达枝状缩松缺陷的几何结构信息,手绘骨架多样性强;
(3)本发明通过模拟缩松缺陷的形成过程,提出骨架点权重分布算法,并利用受控反几何扩散算法生成枝状缩松缺陷,更贴近真实缺陷,仿真度高。
附图说明
图1为本发明的实施例的铸件的枝状缩松缺陷仿真图像的生成方法的流程图。
图2为本发明的实施例的铸件的枝状缩松缺陷仿真图像的生成系统的组成示意图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,铸件的枝状缩松缺陷仿真图像的生成方法,包括以下步骤:
(1)骨架获取与权重赋值:
(1-1)骨架获取:读入铸件的X射线图像,利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;但仅由真实缺陷提取骨架,限制了骨架的种类,故操作人员可通过matlab绘图随机绘制需要的形状的手绘骨架,扩大骨架种类。
(1-2)获取骨架后,根据缺陷的形成原理对骨架上的点赋权重:
(1-2-1)找出已生成骨架中的最长分枝,将其看作主干:首先将骨架看作一棵N叉树数据结构,通过遍历找到骨架中离顶部最近的点,将此点看作根节点,之后以广度优先遍历算法在8连通域中遍历整个骨架,其中子节点与根节点的距离为其父节点的距离加1,遍历过程完成之后,找到分枝末梢有最大距离值的末梢点,以此末梢点按距离递减依次向上寻找,即可得到骨架的最长分支,即主干;
(1-2-2)将主干上距离根节点处的点的权重赋值为1,从该点起,递归地寻找它相邻的骨架点,每一个相邻的骨架点的比重是在上一点的基础上加1;
(1-2-3)通过遍历找出骨架中权重最大值kmax,则任意骨架点的权重值k即为k=kmax+1-k。
(2)反几何扩散与二值化:以步骤(1)得到骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
所述通过骨架上的点的权重值控制反几何扩散次数,具体为:
设扩散总次数为N,当前扩散次数为n,则对权重的点进行扩散。
所述根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,具体为:
设第i层模板Pi的面积为Si,由Pi提取的第i层骨架长度为li;设经反几何扩散后的第i层骨架长度为l′i,使用灰度阈值α生成的轮廓模板P′i的面积为S′i,则灰度阈值α选取的标准是使得生成模板P′i与数据收集阶段的模板Pi之间面积误差达到最小值,即使得取值最小;
(3)灰度赋值:根据步骤(1)统计三层模板得到的梯度及灰度信息为步骤(2)中二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
(4)背景融合:将步骤(3)处理后的缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
如图2所示,实现本实施例的枝状缩松缺陷仿真图像的生成方法系统,包括
骨架获取与权重赋值模块,用于读入铸件的X射线图像,并利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;获取骨架后,根据缺陷的形成原理对骨架上的点赋权重;
反几何扩散与二值化模块,用于以骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
灰度赋值模块,用于根据统计三层模板得到的梯度及灰度信息为二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
背景融合模块,用于将缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.铸件的枝状缩松缺陷仿真图像的生成方法,其特征在于,包括以下步骤:
(1)骨架获取与权重赋值:
(1-1)骨架获取:读入铸件的X射线图像,利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;
(1-2)获取骨架后,根据缺陷的形成原理对骨架上的点赋权重;
(2)反几何扩散与二值化:以步骤(1)得到骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
(3)灰度赋值:根据步骤(1)统计三层模板得到的梯度及灰度信息为步骤(2)中二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
(4)背景融合:将步骤(3)处理后的缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
2.根据权利要求1所述的铸件的枝状缩松缺陷仿真图像的生成方法,其特征在于,步骤(1-1)所述骨架获取,还包括通过matlab绘图随机绘制需要的形状的手绘骨架。
3.根据权利要求1所述的铸件的枝状缩松缺陷仿真图像的生成方法,其特征在于,步骤(1-2)所述根据缺陷的形成原理对骨架上的点赋权重,具体为:
(1-2-1)找出已生成骨架中的最长分枝,将其看作主干:首先将骨架看作一棵N叉树数据结构,通过遍历找到骨架中离顶部最近的点,将此点看作根节点,之后以广度优先遍历算法在8连通域中遍历整个骨架,其中子节点与根节点的距离为其父节点的距离加1,遍历过程完成之后,找到分枝末梢有最大距离值的末梢点,以此末梢点按距离递减依次向上寻找,即可得到骨架的最长分支,即主干;
(1-2-2)将主干上距离根节点处的点的权重赋值为1,从该点起,递归地寻找它相邻的骨架点,每一个相邻的骨架点的比重是在上一点的基础上加1;
(1-2-3)通过遍历找出骨架中权重最大值kmax,则任意骨架点的权重值k即为k=kmax+1-k。
4.根据权利要求1所述的铸件的枝状缩松缺陷仿真图像的生成方法,其特征在于,步骤(2)所述通过骨架上的点的权重值控制反几何扩散次数,具体为:
设扩散总次数为N,当前扩散次数为n,则对权重的点进行扩散。
5.根据权利要求1所述的铸件的枝状缩松缺陷仿真图像的生成方法,其特征在于,步骤(2)所述根据步骤(1)二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,具体为:
设第i层模板Pi的面积为Si,由Pi提取的第i层骨架长度为li;设经反几何扩散后的第i层骨架长度为l′i,使用灰度阈值α生成的轮廓模板P′i的面积为S′i,则灰度阈值α选取的标准是使得生成模板P′i与数据收集阶段的模板Pi之间面积误差达到最小值,即使得取值最小。
6.铸件的枝状缩松缺陷仿真图像的生成系统,其特征在于,包括
骨架获取与权重赋值模块,用于读入铸件的X射线图像,并利用固定阈值对缺陷进行二值化,得到互相嵌套的三层模板,分别统计三层模板的梯度及灰度信息;然后运用形态学算法细化三层模板,得到分别代表三层模板的三个骨架;获取骨架后,根据缺陷的形成原理对骨架上的点赋权重;
反几何扩散与二值化模块,用于以骨架为输入进行反几何扩散,通过骨架上的点的权重值控制反几何扩散次数,同时根据二值化得到的三层模板的面积大小及骨架长度获取灰度阈值,对扩散后的骨架图像进行二值化处理;
灰度赋值模块,用于根据统计三层模板得到的梯度及灰度信息为二值化后的图像进行直方图匹配,使得生成的缺陷与真实缺陷有相似的灰度分布特征;
背景融合模块,用于将缺陷图像与采集到的铸件的X射线图像叠加,并对缺陷边缘区域进行扩散,使得缺陷与背景有自然的过渡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276468.3A CN104091327A (zh) | 2014-06-19 | 2014-06-19 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276468.3A CN104091327A (zh) | 2014-06-19 | 2014-06-19 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104091327A true CN104091327A (zh) | 2014-10-08 |
Family
ID=51639042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410276468.3A Pending CN104091327A (zh) | 2014-06-19 | 2014-06-19 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091327A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095581A (zh) * | 2015-07-22 | 2015-11-25 | 华南理工大学 | 一种铸造缩孔缺陷图像生成方法 |
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN113379808A (zh) * | 2021-06-21 | 2021-09-10 | 昆明理工大学 | 一种多波段太阳图像配准的方法 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN116342952A (zh) * | 2023-03-29 | 2023-06-27 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
-
2014
- 2014-06-19 CN CN201410276468.3A patent/CN104091327A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095581A (zh) * | 2015-07-22 | 2015-11-25 | 华南理工大学 | 一种铸造缩孔缺陷图像生成方法 |
CN105095581B (zh) * | 2015-07-22 | 2018-09-14 | 华南理工大学 | 一种铸造缩孔缺陷图像生成方法 |
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
CN111681162A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
CN111681162B (zh) * | 2020-06-09 | 2023-09-01 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN112907543B (zh) * | 2021-02-24 | 2024-03-26 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN113379808A (zh) * | 2021-06-21 | 2021-09-10 | 昆明理工大学 | 一种多波段太阳图像配准的方法 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN116342952A (zh) * | 2023-03-29 | 2023-06-27 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
CN116342952B (zh) * | 2023-03-29 | 2024-01-23 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091327A (zh) | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN109711474A (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
CN102147402A (zh) | 机器视觉技术快速检测鸡蛋新鲜度的方法 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN107194872A (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
CN106056118A (zh) | 一种用于细胞的识别计数方法 | |
CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
CN109741320A (zh) | 一种基于航拍图像的风电叶片故障检测方法 | |
CN104732229B (zh) | 一种用于宫颈涂片图像中重叠细胞的分割方法 | |
CN105095581B (zh) | 一种铸造缩孔缺陷图像生成方法 | |
CN106530288A (zh) | 基于深度学习算法的织物疵点检测方法 | |
CN102621154B (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法 | |
CN104077806A (zh) | 基于城市建筑三维模型的自动分体提取方法 | |
CN107392954A (zh) | 一种基于序列图像的粗大误差点剔除方法 | |
CN106355140A (zh) | 车辆检测的方法及装置 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN104268940B (zh) | 基于ct扫描图像的mems结构重构与检测方法 | |
CN109919921A (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
CN113627257A (zh) | 检测方法、检测系统、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141008 |
|
WD01 | Invention patent application deemed withdrawn after publication |