CN105761271A - 核安全壳表面缺陷自动检测方法及系统 - Google Patents
核安全壳表面缺陷自动检测方法及系统 Download PDFInfo
- Publication number
- CN105761271A CN105761271A CN201610148986.6A CN201610148986A CN105761271A CN 105761271 A CN105761271 A CN 105761271A CN 201610148986 A CN201610148986 A CN 201610148986A CN 105761271 A CN105761271 A CN 105761271A
- Authority
- CN
- China
- Prior art keywords
- crack
- point
- image
- pixel
- information
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000007797 corrosion Effects 0.000 claims abstract description 27
- 238000005260 corrosion Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 20
- 230000006978 adaptation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 6
- 208000006011 Stroke Diseases 0.000 claims description 6
- 238000007596 consolidation process Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004064 recycling Methods 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000009897 systematic effect Effects 0.000 abstract 1
- 239000004567 concrete Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 231100000768 Toxicity label Toxicity 0.000 description 1
- 229910001361 White metal Inorganic materials 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000010969 white metal Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种核安全壳表面缺陷自动检测方法及系统,针对核安全壳表面包括裂缝、锈蚀、渗流等在内的缺陷,提出一种系统而有效的技术方案,包括图像预处理,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;特征提取,包括利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;目标追踪得到裂缝中心线、反投定位提取真实的裂缝信息、量测裂缝的长度与稳定宽度、裂缝整合、其他缺陷检测和信息入库。进一步提出利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像等。所采用的技术方案自成体系,能满足实际工程的需要,保障核壳安全。
Description
技术领域
本发明属于数字图像处理领域,尤其涉及核安全壳表面缺陷自动检测方法及系统。
背景技术
核电站反应堆安全壳是一种安全等级极高的建筑,是防止核裂变产生的放射性物质外溢的最后一道安全屏障。核电站反应堆安全壳在建造完工、首次商业运行以及以后每隔十年都要进行整体打压试验,以检验安全壳承受LOCA工况的能力。整体打压试验其中一部分内容是需要对安全壳结构的外观表面进行检查。外观检查指对安全壳结构外侧表面缺陷进行检查,安全壳整体为预应力混凝土结构,外部表面为混凝土表面,需要检查混凝土表面的各种缺陷,包括裂缝、锈蚀、剥落等。
核安全壳外观检测的传统方法是先借助望远镜远距离观察,再通过搭建脚手架或悬挂吊篮对缺陷区域进行人工测量和标记。这种方法工作难度大,安全性差,费时费力,且易受观察者主观影响。随着数字近景摄影测量技术的发展,基于数字影像技术的墙体缺陷检测逐渐代替了传统的人工测量。但目前核电站所采用的基于数字影像技术的安全壳表面缺陷检测只是对核壳壁进行远距离的影像拍摄,而对于影像上的缺陷,仍需要人工识别。因此,利用数字图像处理技术自动提取和识别缺陷,这将是未来核安全壳外观检测的发展趋势。
随着数字图像处理技术的迅猛发展,目前国内外针对路面缺陷自动检测方法层出不穷,但针对核安全壳表面缺陷自动检测方法极少。核安全壳表面缺陷包括裂缝、锈蚀、渗流等,相对于传统路面影像,核安全壳外壁成像特点主要有以下几点:
1)安全壳外表面纹理具有不均匀性,且由于一定的风化作用,外表面多坑洼,不同区域使用的混凝土材质不同,采集到的缺陷图像背景颜色会有较大变化,同时缺陷与这种不均匀性混合在一起,给缺陷提取造成了困难;
2)不同位置的裂缝形态特征有所不同,但是总体上来说,在图像上裂缝的颜色比外表面混凝土背景的颜色深,表现在灰度值上就是裂缝区域像素灰度值比外表面混凝土灰度值低;其他缺陷,例如渗流和锈蚀,最明显的属其颜色特征,渗流多为白色物体,锈蚀多为黄橙色,在RGB值上具有其专属的特征范围;
3)裂缝是一种具有一定走向的线性、细长目标。裂缝在局部可能出现断裂,但在整体上具有连续性;渗流多表现为线状与面状结合的目标物;锈蚀多为面状目标物,当锈蚀发生在内部结构钢筋裸露部分时,多为圆环状;
4)在任意一幅图像中,所有的像素点大致可分为:①安全壳外表面混凝土成像像素点;②产生噪声干扰的噪声像素点;③缺陷成像像素点。分析图像可知,缺陷所占的面积要远远小于背景的面积,噪声像素点数量级与缺陷像素数量级在一个等级,但缺陷多为面状聚合目标,噪声多为点状离散目标;
5)由于历史检查的原因,绝大部分缺陷使用了醒目颜色(红或蓝)的油漆进行了标记,有虚线框、英文字母和数字的存在,会对缺陷提取存在干扰,因此需要对其进行处理,剔除干扰;
6)正常的外表面混凝土的灰度值与裂缝的灰度值有重叠部分;
7)安全壳外表面图像信息量大,必须选择合适的方法从中提取有效信息,否则会影响处理的效率。
由此可见,核安全壳表面缺陷种类更多,背景更为复杂,影像分辨率更高,所需要的检测精度更高,很多传统路面缺陷检测方法并不适用。因此需要针对核安全壳表面影像特点,对影像中的缺陷提出一种系统而有效的检测方法,以满足实际工程的需要,保障核壳安全。
发明内容
本发明在核安全壳高分辨率影像采集的基础上,针对核安全壳表面缺陷包括裂缝、锈蚀、渗流等,提出一种系统而有效的检测技术方案,能满足实际工程的需要,以检查安全壳壁的安全性能,保障生产安全。
本发明的技术方案为一种核安全壳表面缺陷自动检测方法,用于根据核安全壳影像采集结果进行缺陷检测,包括以下步骤:
步骤1,图像预处理,包括利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;
步骤2,特征提取,包括对步骤1所得预处理后的二值影像,利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;
步骤3,目标追踪,对步骤2张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线;
步骤4,反投定位,将步骤3所得的裂缝中心线上的点根据位置信息在步骤1所得预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息;
步骤5,信息量测,量测裂缝的形态信息,包括裂缝的长度与稳定宽度;实现方式如下,首先,根据提取结果求裂缝中心线的长度;然后在中心线两侧预设范围内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度;
步骤6,裂缝整合,将位于不同影像上的同一条裂缝信息进行整合;实现方式为,裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则归整为一条裂缝;
步骤7,其他缺陷检测,包括锈蚀与渗流缺陷;
步骤8,信息入库,将步骤6所得裂缝信息和步骤7所得其他缺陷信息存入数据库。
而且,步骤1中,所述适应宽度模板法实现方式如下,
1)设T为宽度阈值,引入一个种子搜索区域M和搜索区域宽度t,在灰度变化示意曲线上从左至右逐像素搜索,直到搜索到局部凹形最小点,然后在其右侧T个像素内继续搜索,若还存在局部凹形最小点,则比较凹形点的灰度值,以灰度值最小的凹形点作为搜索起点;
2)在搜索的过程中,以种子区域内所有像素点的灰度和同两侧邻域相等个数的像素灰度和之差△左和△右进行判断,
从局部凹形最小点开始,种子区域先向左扩大一个像素,将△左和△右与阈值进行比较,若不满足阈值,则回到局部凹形最小点,种子区域向右扩大一个像素,再进行阈值比较;若满足阈值,则种子区域整体向右扩大一个像素,再进行阈值比较;以此类推,向左、向右逐像素依次搜索,进行宽度判断,并记录最佳宽度tp的值,最终比较最佳宽度tp与阈值T的大小,并对图像进行二值化。
而且,步骤1中,所述迭代法采用改进的分块迭代法,实现方式如下,
(1)根据影像中的颜色分布特点,利用HSV颜色分割理论去除块状区域内标记线对阈值的影响,按照迭代法计算出迭代阈值;
(2)比较背景部分和目标部分的像素,若目标部分像素数大于背景像素数,则将目标像素点作为起算数据重新迭代计算阈值,以消除白色亮点对阈值计算的影响;
(3)对目标像素个数设定阈值;
(4)将每小块的阈值作为灰度值,利用空间滤波理论对该图像进行均值平滑,生成新的阈值;依据新的阈值,对原灰度图像进行二值化操作。
而且,步骤2的实现方式包括以下子步骤,
步骤2.1,设I(x,y)表示一幅二值影像,x、y表示二维影像平面上的像素点坐标,I(x,y)表示x、y像素点处的像素值;假设二维影像中(X,Y)位置处的像素值为0,则将此点的信息用张量表示为若二维影像中(X,Y)位置处的像素值不为0,则将此点的信息用张量表示为
步骤2.2,张量计算,包括通过投票的方法将点的张量信息传递给邻域中的各点,使得裂缝的目标信息更加突出;
步骤2.3,特征分析,对每个点的计算结果进行分解,对应到影像中作为每个像素点的值Q,得到一幅表征裂缝出现在某个位置可能性的概率图;分解采用的公式如下,
其中,e1,e2表示点的法向和切向,λ1,λ2表示法向和切向对应的大小,λ1-λ2是表征线性的显著度的量;
步骤2.4,线性加权张量投票,得到最终的代表裂缝区域强弱程度的概率图。
而且,步骤3的实现方式包括以下子步骤,
步骤3.1,概率图细化,包括预先给定一个区域范围,以区域的中心点为基准点,以张量投票得出的基准点方向,按照基准方向和垂直于基准方向在区域范围内搜索极大值点,若极值点与中心点一致则为中心线上的点;遍历整个图像,最后得到细化后的概率图是离散的单像素趋势线,作为进行目标追踪的基础;
步骤3.2,目标追踪,采用目标点聚类方式,用邻域搜索的方法将相互临近的目标点聚集到一类,然后在类与类之间,先找出聚类中的首尾点,再根据张量投票获得的方向信息判断前一个类中的尾点和后一个类中的首点的距离和相对位置关系,若距离相隔不超过预设距离阈值且点位顺序一致,则将它们进行连接,直至对所有类与类之间的相对关系都判断完毕,得到完整的追踪图;最后再根据目标的长度信息对结果进行过滤,去除噪声,保留真正的裂缝信息。
而且,步骤7中,锈蚀的缺陷检测实现方式如下。
设某一目标区域的黄橙色点像素数为T1,红色点像素数为T2,黑色点像素数为T3,设置较小面积阈值S1过滤噪声,同时设置较大面积阈值S2过滤大面积黄色斑驳背景,则通过以下条件判定目标区域是否为锈蚀区域,
(1)目标区域的黄橙色权值大于红色,表现为T1>T2;
(2)目标区域的面积在一定范围区间内,表现为S1<(T1+T2)<S2;
(3)目标区域一定范围内有黑色像素点,表现为T3≠0。
而且,步骤7中,锈蚀的渗流缺陷检测实现方式如下。
设某一目标区域的白色像素点的个数为T,设置较小面积阈值S,则通过以下条件判定目标区域是否为渗流区域,
(1)目标区域周围存在裂缝缺陷;
(2)目标区域有一定的面积,表现为T>S。
本发明还提供一种核安全壳表面缺陷自动检测系统,用于根据核安全壳影像采集结果进行缺陷检测,包括以下模块:
图像预处理模块,用于利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;
特征提取模块,用于对预处理后的二值影像,利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;
目标追踪模块,用于对张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线;
反投定位模块,用于将裂缝中心线上的点根据位置信息在预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息;
信息量测模块,用于量测裂缝的形态信息,包括裂缝的长度与稳定宽度;实现方式如下,首先,根据提取结果求裂缝中心线的长度;然后在中心线两侧预设范围内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度;
裂缝整合模块,用于将位于不同影像上的同一条裂缝信息进行整合;实现方式为,裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则归整为一条裂缝;
其他缺陷检测模块,用于包括锈蚀与渗流缺陷;
信息入库模块,用于将裂缝整合模块所得裂缝信息和其他缺陷信息存入数据库。
本发明能够有效地应用于核安全壳缺陷检测,能检测出高分辨率影像上极其细小的像素级裂缝,此方法应用与安全壳裂缝检测尚属首例。进一步地,具有如下优点:(1)提出了一种自适应宽度模板的二值化算法,该方法是在传统单像素模板法基础上的改进和创新,对于尺寸大、分辨率高的核安全壳表面影像,能较为完整地保留其中细小裂缝等缺陷,相比于其他算法有更好的效果,适用性更好;(2)提出了一种改进的分块迭代二值化算法,根据安全壳表面影像的特点对分块阈值进行处理,能较好的检测出细小的裂缝,并且裂缝周围的噪声较少;(3)将自适应宽度模板法和改进的分块迭代算法做“与”运算,再经过轮廓膨胀去噪,能较好的去除裂缝周围的噪声,并保留裂缝完整的形态;(4)利用线性加权的张量投票算法进行裂缝增强和提取,通过增强显著度,较好的将裂缝信息从大量散乱噪声中提取出来;(5)通过目标细化和追踪,将断裂的目标追踪成线,并将其反投定位提取真实的裂缝信息,能保留原始的裂缝信息;(6)利用HSV颜色理论,结合目标的形状特征,较好的实现了锈蚀、渗流缺陷的提取。
附图说明
图1为本发明实施例缺陷提取流程图。
图2为本发明实施例预处理模块算法流程图。
图3为本发明实施例自适应裂缝宽度的模板示意图,其中图3a为横向模板示意图,图3b为纵向模板示意图。
图4为本发明实施例裂缝宽度搜索过程示意图。
图5为本发明实施例张量投票过程示意图。
图6为本发明实施例张量投票过程示意图,其中图6a为棒型投票域示意图,图6b为球型投票域示意图。
图7为本发明实施例的影像来源采集示意图。
具体实施方式
本发明根据所采集的影像提出一种基于数字图像处理的核安全壳表面缺陷检测方法。本方法充分考虑了核安全壳表面影像的特点,能够根据实际工程需要有效检测出缺陷,打破了传统人工识别的局限,结果更加精确,更具客观性。
本发明实施例所用的影像均由尼康D800拍摄,有效像素为7360×4912,镜头为尼康AF尼克尔28mmF/1.8G,物距为91cm,拍摄图像的像素分辨率为0.13mm。软件操作系统为Windows8中文专业版(64位),编程语言为C++,编译器为MicrosoftVisualStudio2012(64位),图像处理库为OPENCV2.4.9,数据库为MicrosoftSQLServer2012(64位),图像工作站为DELLT5610。
可以预先采用核安全壳高分辨率影像采集系统针对圆柱形安全壳,利用架设在穹顶导轨上的移动平台带动采集平台在安全壳表面运动(如图7所示)。为保证采集效率,采集平台上装有两台相机通过接受指令对安全壳筒壁同时定点拍照。移动平台沿导轨逆时针等角度间隔更换航带,绕穹顶一周;采集平台沿安全壳筒壁从上至下等间隔、逐航带采集图像。
其中影像的采集质量跟相机参数和相机距离安全壳壁的距离有关,实际工程要求在拍摄影像上检测出宽度大于0.2mm的缺陷,也就是像方每一个像素至少等于物方0.2mm,所以根据相机视场角75°,设定采集平台相机摄影中心距离安全壳表面0.91m。最终采集到的影像像素分辨率为0.13mm,能符合精度要求。
由于影像采集过程中左右相机间的距离、航带间离、相邻行间距都严格固定,因此经过航带内左右影像拼接和裁剪、航带间影像的直接裁剪就能达到较为理想的拼接效果,用于本发明的核安全壳表面缺陷检测。
下面结合附图对本发明的具体实现流程做详细介绍:
如图1所示,具体包含以下步骤:
步骤1,图像预处理:利用自适应宽度模板法和分块迭代法分别对图像进行二值化,并将两种结果做“与”运算得到最终的二值影像,再利用轮廓膨胀过滤算法对其进行去噪增强,得到预处理后的二值影像。
裂缝是墙体缺陷检测中最重要的缺陷,是预处理算法研究的重点。通过裂缝图像预处理过程,能够较大程度地实现裂缝与复杂墙体背景的分离,在预处理的结果二值图像中保留完整准确裂缝形态信息和位置信息,便于后续对裂缝缺陷进行的提取、识别和测量工作,预处理模块算法流程如图2所示。首先采用OpenCV的灰度化函数对原始图像进行灰度化,然后采用自适应宽度模板法和分块迭代法分别对灰度图像进行二值化,并将两种方法得到的结果进行“与运算”,再将得到的结果进行轮廓膨胀过滤得到最终的二值图像。
在上述的步骤1中,具体操作方法如下:
步骤1.1,自适应宽度模板法二值化。
具体实现可参见“徐亚明,田鹏.一种自适应裂缝宽度的二值化方法[J].大地测量与地球动力学,2016Vol.36(3):239-243”。自适应宽度模板法是根据裂缝的宽度特征,设计出横向和纵向模板,如图3中图3a和图3b所示,图中两侧白色部分为背景信息,中间黑色部分为裂缝信息,宽度均为t个像素。该模板依然以阴影部分与空格部分的灰度差异为二值化判定条件,但t为不确定值,需要通过搜索算法求出t。图中该模板根据阴影部分与空格部分的灰度差异来进行二值化,从裂缝中心开始依次向左向右搜索来确定该裂缝部分的最合理宽度,宽度搜索过程如图4所示。首先搜索灰度“凹形点”,并进行局部“凹形点”的判定,从灰度最小的局部“凹形点”开始向左、向右依次搜索,进行宽度判断,并记录最佳宽度tp的值,将循环次数设置为T=15,最终比较最佳宽度tp与阈值T的大小,并对图像进行二值化。
现用的很多模板法算子多考虑的是单像素宽度的情况,例如四方向模板,阴影部分表示为裂缝信息,空格部分表示为背景信息,该模板根据阴影部分与空格部分的灰度差异作为二值化判定条件,其对于检测一、两个像素的细小裂缝效果较好,但该模板的最大检测像素区域为5×5,即对像素宽度大于5的裂缝,该模板在裂缝中心的灰度差异不明显,就会导致漏检裂缝点的情况。
所以本发明根据安全壳表面影像特点,提出采用自适应宽度模板法。
分析纵向裂缝在某一行上的灰度变化情况(如图4),灰度变化示意曲线表示了该行的灰度变化情况,其中裂缝部分位于波谷处。考虑到裂缝的灰度信息具有一定的对称性,因此可以通过从裂缝中心开始(即中间灰度最小的点),依次向左或者向右搜索来确定该裂缝部分的最合理宽度。由于裂缝宽度都不应超过某个阈值T,将搜索到的宽度与T进行比较,若小于T,则搜索部分认为是裂缝。根据检测图像的实际情况,本实施例将宽度阈值T设置为15,宽度搜索过程可分为以下步骤:
1)引入一个种子搜索区域M和搜索区域宽度t。在灰度变化示意曲线上从左至右逐像素搜索,直到搜索到局部凹形最小点(如图4中的a点),然后在其右侧T个像素内继续搜索,若还存在局部凹形最小点(如图4中的b点),则比较几个凹形点的灰度值,以灰度值最小的那个凹形点作为搜索起点;
2)在搜索的过程中,以种子区域内所有像素点的灰度和同两侧邻域相等个数的像素灰度和之差进行判断。如图4所示,若当前种子搜索区域为像素点1与点a(局部凹形最小点)的部分,两点灰度和记为S中。则左邻域为点4和点3所在的部分,灰度和记为S左,右邻域为点2和点5所在的部分,灰度和记为S右。判断因子即为两个差值,分别为△左=S左-S中,△右=S右-S中。根据裂缝区域的灰度变化特点,较宽裂缝的最小点附近灰度趋势变化较慢,边缘部分的灰度变化较快,而几个像素的窄裂缝则只是灰度变化较快的情况,故将判断函数设定为分段函数,分别由一次和二次函数组成。
从a点开始,种子区域先向左扩大一个像素,将△左和△右与阈值进行比较,若不满足阈值,则回到a点,种子区域向右扩大一个像素,再进行阈值比较;若满足阈值,则种子区域整体向右扩大一个像素,再进行阈值比较。以此类推,向左、向右逐像素依次搜索,进行宽度判断,并记录最佳宽度tp的值,将循环次数根据阈值设置为T=15,最终比较最佳宽度tp与阈值T的大小,并对图像进行二值化。
参见图4,若向左搜索a-1不满足阈值,则向右进行a-2判断,若向左搜索a-1满足阈值,则向右进行1-a-2判断。
步骤1.2,迭代法二值化:本发明进一步提出采用改进的分块迭代法二值化。分块迭代算法是从传统迭代算法基础上发展而来的,传统迭代法不足之处在于易受复杂背景的干扰,导致错检出块状缺陷和背景污渍和丢失裂缝信息,其优势在于缺陷周围噪声少,裂缝和背景的分离程度较高。因此,本发明实施例引入分块迭代,对图像逐区域块进行处理,并针对分块边界会产生的“块状效应”,对分块迭代算法进行一定的改进,去除块状区域内黑色亮点、红色标记线、块状污渍等对阈值的影响,将得到的阈值作为灰度值进行均值滤波,生成新的阈值,然后用新的阈值对图像进行二值化。具体改进方案如下:
(1)根据影像中的颜色分布特点,利用HSV颜色分割理论去除块状区域内黑色亮点、红色标记线等对阈值的影响,按照现有技术中的迭代法计算出迭代阈值;
(2)比较背景部分和目标部分的像素,若目标部分像素数大于背景像素数,则将目标像素点作为起算数据重新迭代计算阈值,以消除白色亮点对阈值计算的影响;
(3)对目标像素个数设定阈值。根据裂缝细长像素个数不超过一定数目的原则,例如设置阈值为1000,对该块内的噪声予以限制,具体实施时,本领域技术人员可自行设置阈值。
(4)将每小块的阈值作为灰度值,利用空间滤波理论对该图像进行均值平滑,生成新的阈值;依据新的阈值,对原灰度图像进行二值化操作。
步骤1.3,形态学“与”运算。通过以上两种方法得到的二值化图像具有相同的缺陷目标、不同的背景噪声。改进的分块迭代结果中裂缝周围噪声较少,背景分离程度较高,但错检严重,而模板法结果的裂缝周围噪声较多,将两种结果进行“与运算”,能保留共同的缺陷目标,消除缺陷周围的大量噪声。
步骤1.4,轮廓膨胀过滤。轮廓膨胀过滤是对二值结果图像做进一步的去噪,寻找二值图上的所有轮廓,对点群轮廓进行多级方向膨胀,连通裂缝区域,通过裂缝轮廓的形态学特征计算裂缝识别置信度,自适应的滤除显著噪声和相似性干扰。多级方向膨胀可采用现有技术实现,本发明不予赘述。
经过膨胀后的裂缝有三种形态学特征:裂缝的轮廓长度较长,面积在一定范围内,形心比与圆的形心比差值较大。具体实施时,可以计算长度、面积和形心比三种轮廓形态参数,以此为标准滤除大量噪声。
轮廓面积与周长通过轮廓矩进行计算,轮廓矩计算公式为:
Mmn=∫∫xmynf(x,y)dxdy(1)
式中,m,n∈[0,5];(x,y)为轮廓点的坐标。
面积计算公式为:
S=M0,0(2)
长度计算公式为:
h=S÷w(3)
式中:w为横向平均宽度。
形心比计算公式为:
裂缝判断置信度为:
式中:L为轮廓链的周长,S为轮廓面积,S0为裂缝片段的最佳面积。
轮廓越狭长,判断为裂缝的置信度越高,成为裂缝的可能性越大。以裂缝判断置信度为标准滤除非目标噪声,得到裂缝的轮廓。
步骤2,特征提取:经过了膨胀过滤后的影像,进一步利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图。
特征提取模块是在预处理的基础上对所需要的缺陷目标进行增强并从背景噪声中区别和提取出来。由于裂缝目标具有统计规律,并保留了一定的趋势,而噪声是杂乱无章的,于是考虑采用张量投票算法。张量投票算法通过探测突显度较好地保留了裂缝特征,能将其从杂乱的背景噪声中提取出来。具体算法步骤如图5所示。
在上述的步骤2中,具体操作方法如下:
步骤2.1,假设I(x,y)表示一幅二值影像,x、y表示的是二维影像平面上的像素点坐标,I(x,y)表示的是x、y像素点处的像素值。假设二维影像中(X,Y)位置处的像素值为0,则将此点的信息用张量表示为反之,若二维影像中(X,Y)位置处的像素值不为0,则将此点的信息用张量表示为
步骤2.2,张量计算。张量计算是通过投票的方法将点的张量信息传递给邻域中的各点,使得裂缝的目标信息更加突出。投票的前提是计算好每一点的投票域,包括棒型投票域和球型投票域。在计算棒型投票域时,首先需要计算棒型投票值,再由一个个的棒型投票值组成最终的投票域,如图6a所示。参见“郭树强,朱世松,王立群,等.基于张量投票法的超声波图像去噪[J].河南理工大学学报(自然科学版),2014,33(01):75-78”,该投票域中每点的投票值的计算公式为:
Vsticktensorfield=DF·NNT
式中,DF称之为投票域的核函数,或者也可以称之为显著性衰减函数,其计算公式为:
式中,e为数学常量,s为两点之间的弧长,k为弧线的曲率,c为控制曲率的衰减程度,σ为投票尺度(可参见MordohaiP,MedioniG.TensorVoting:aPerceptualOrganizationApproachtoComputerVisionandMachine.Learning[M].MorgonandClaypoolPublishers,2006),它可以决定投票域的大小,当σ取值为10,对应的投票域的范围为43×43大小的区域。NN表示两点之间的梯度向量。
计算好棒型投票域之后,还需要计算球型投票域,如图6b所示,球型投票域即为棒型投票域在(0,2π)范围内的积分,具体计算公式如下:
确定棒型投票域和球型投票域之后,即可进行球型投票和棒型投票,其具体过程如图5所示。图6a中,可见球型投票域,点O接受来自邻域范围内的其他点的投票,例如图中的P1点对其投票,同时将收集到的投票值进行累加得到最终的投票结果,将每一点最终接收到的投票结果记为Q,对Q进行特征分析后得到初始方向,将初始方向赋予棒型投票域,重复上述的投票过程得到投票结果Q。其中,S为两点之间的弧长,l是两点之间的弦长。
步骤2.3,特征分析。在上述投票过程中,二维平面中的每个点接受来自其它点的投票值,在同一点的位置将不同的投票值进行累加,即可得到二维平面中每个点的张量计算的结果Q。对每个点的计算结果进行如下分解:
式中,e1,e2表示该点的法向和切向,λ1,λ2表示法向和切向对应的大小,λ1-λ2是表征线性的显著度的量(邹勤.低信噪比路面裂缝增强与提取方法研究[D].武汉:武汉大学,2012),将其对应到影像中作为每个像素点的值,将会得到一幅表征裂缝出现在某个位置可能性的概率图。若(λ1-λ2)>0且λ1-λ2的数值越大,则表示该点位于曲线上的可能性越大。
步骤2.4,线性加权张量投票。假设将原始的二维影像记作B0,对原始的二维影像进行编码,并计算棒型投票域和球型投票域,之后再进行球型投票和棒型投票,将投票的结果按照二阶张量矩阵的加法运算法则来叠加,得到最终的张量投票结果的矩阵T。按照投票算法中的特征分析的分解公式,将投票结果T进行分解,并标识出代表线性显著度因子的λ1-λ2,利用每点的λ1-λ2值来构建裂缝概率图,记作B1。再次对原始影像B0进行球型投票,叠加投票结果并分解,估算出每点参与棒形投票的初始方向,以及初始的线性显著度因子λ1-λ2,将初始λ1-λ2<0.3的像素点的像素值置为0,不参与棒型投票,将其余剩下的部分记作B2。将球型投票后得到的方向作为棒型投票的初始方向,对B2进行棒形投票,在投票的过程中将B1的值以强度信息赋予到棒型投票场中,再次对投票结果进行叠加分解,得到最终的代表裂缝区域强弱程度的概率图B。
步骤3,目标追踪:对张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线。
张量投票得到的结果是一幅对线性目标增强的概率图,它能够直观地表现出裂缝出现的可能性及其趋势,但并不代表最终的裂缝信息。下一步,是将裂缝概率图上具有代表性的目标信息点选取出来,并将断裂的目标追踪成线。
在上述的步骤3中,具体操作方法如下:
步骤3.1,概率图细化。先给定一个区域范围,以区域的中心点为基准点,以张量投票得出的基准点方向,按照基准方向和垂直于基准方向在区域范围内搜索极大值点,若极值点与中心点一致则为中心线上的点。遍历整个图像,最后得到细化后的概率图是离散的单像素趋势线,存在较为严重的断裂,下一步是用这样离散的带有趋势和方向信息的线进行目标追踪。
步骤3.2,目标追踪。采用目标点聚类的算法,用邻域搜索的方法将相互临近的目标点聚集到一类,然后在类与类之间,先找出聚类中的首尾点,再根据张量投票获得的方向信息判断前一个类中的尾点和后一个类中的首点的距离和相对位置关系,若距离相隔不远(具体实施时本领域技术人员可自行预设距离阈值)且点位顺序一致,则将它们进行连接,直至对所有类与类之间的相对关系都判断完毕,得到完整的追踪图。最后再根据目标的长度信息对结果进行过滤,去除噪声,保留真正的裂缝信息。
步骤4,反投定位:将步骤3所得裂缝中心线上的点根据位置信息在预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息。
目标追踪得到的是裂缝位置的中心线,并不能完整地表达裂缝信息(例如无法量测裂缝的宽度),从而无法达到工程要求,因此,需要对裂缝影像中心线进行反投定位。首先将特征提取之后得到的裂缝中心线上的点根据位置信息在预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大(具体实施时本领域技术人员可自行预设相差阈值)的点,以提取真实的裂缝信息。
步骤5,信息量测:量测裂缝的形态信息,包括裂缝的长度与稳定宽度。
根据实际工程的需要,在对核安全壳表面裂缝进行定位和提取之后,需要进一步对裂缝的长度和宽度进行量测。首先,根据提取结果求其中心线的长度,即裂缝的长度;然后在中心线两侧一定范围(具体实施时本领域技术人员可自行预设范围)内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度。
步骤6,裂缝整合:将位于不同影像上的同一条裂缝信息进行整合。
在获取核安全壳表面影像的时候,是按照一定的间隔逐行逐行带进行拍摄的,所以可能会存在一条裂缝被分割在了不同的影像中,因此需要对提取的裂缝进行整合,把位于不同影像上的同一条裂缝进行合并。具体方法是:裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则将其归整为一条裂缝。
步骤7,其他缺陷检测:根据HSV颜色信息和缺陷的形状、面积等特征提取锈蚀与渗流缺陷。
锈蚀和渗流是核安全壳表面除裂缝之外最为重要的两个缺陷,对于锈蚀和渗流缺陷的检测,主要采用的是HSV颜色分割理论。从采集到的影像上看,锈蚀缺陷多呈黄橙色,而周围裸露的钢筋呈黑色,多呈圆形;渗流区域多呈亮白色,且渗流往往出现在裂缝的周围,形状不一。由于安全壳墙面背景较为复杂,可能存在颜色上的干扰,所以在对其利用HSV颜色理论进行缺陷检测的同时作出一些改进。对于锈蚀缺陷,结合其颜色、形状、面积等特征进行检测;对于渗流缺陷,根据其颜色、面积以及周围是否存在裂缝等特征进行检测。
对于锈蚀缺陷,其颜色干扰项有两个:①墙体红色标记的边缘在日晒雨淋的作用下褪色成黄橙色,②大面积的黄色斑驳背景。对于干扰项①可以通过聚类比较红色与黄橙色权值关系进行排除;而对于干扰项②则可以根据面积阈值进行过滤。设某一目标区域的黄橙色点像素数为T1,红色点像素数为T2,黑色点像素数为T3,设置较小面积阈值S1过滤噪声,同时设置较大面积阈值S2过滤大面积黄色斑驳背景。则通过以下条件判定目标区域是否为锈蚀区域:
(1)目标区域的黄橙色权值大于红色,表现为T1>T2;
(2)目标区域的面积在一定范围区间内,表现为S1<(T1+T2)<S2;
(3)目标区域一定范围内有黑色像素点,表现为T3≠0。
对于渗流缺陷,其受到背景中亮白色金属、墙体白色标记等干扰。对采集图像进行渗流特征分析发现,渗流往往伴随着裂缝一同出现。因此,可以在提取裂缝后对其周围一定区域内的亮白色像素点进行搜索,寻找渗流区域。根据以上分析,设某一目标区域的白色像素点的个数为T,设置较小面积阈值S,则通过以下条件判定目标区域是否为渗流区域:
(1)目标区域周围存在裂缝缺陷;
(2)目标区域有一定的面积,表现为T>S;
步骤8,信息入库:将缺陷信息存入数据库。
在检测出所需的全部缺陷信息之后,将其存入SQL数据库中。
具体实施时,本发明所提供方法可基于软件技术实现自动运行流程,也可采用模块化方式实现相应系统。本发明还提供一种核安全壳表面缺陷自动检测系统,用于根据核安全壳影像采集结果进行缺陷检测,包括以下模块:
图像预处理模块,用于利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;
特征提取模块,用于对预处理后的二值影像,利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;
目标追踪模块,用于对张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线;
反投定位模块,用于将裂缝中心线上的点根据位置信息在预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息;
信息量测模块,用于量测裂缝的形态信息,包括裂缝的长度与稳定宽度;实现方式如下,首先,根据提取结果求裂缝中心线的长度;然后在中心线两侧预设范围内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度;
裂缝整合模块,用于将位于不同影像上的同一条裂缝信息进行整合;实现方式为,裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则归整为一条裂缝;
其他缺陷检测模块,用于包括锈蚀与渗流缺陷;
信息入库模块,用于将裂缝整合模块所得裂缝信息和其他缺陷信息存入数据库。
各模块具体实现可参见相应步骤,本发明不予赘述。
应当理解的是,上文中具体实施方式中的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,在不脱离本发明权利要求的保护的范围情况下,做出相应的替换或变形,均属于本发明的保护范围之内,本发明权利要求的保护的范围应以所附权利要求为准。
Claims (8)
1.一种核安全壳表面缺陷自动检测方法,用于根据核安全壳影像采集结果进行缺陷检测,其特征在于,包括以下步骤:
步骤1,图像预处理,包括利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;
步骤2,特征提取,包括对步骤1所得预处理后的二值影像,利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;
步骤3,目标追踪,对步骤2张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线;
步骤4,反投定位,将步骤3所得的裂缝中心线上的点根据位置信息在步骤1所得预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息;
步骤5,信息量测,量测裂缝的形态信息,包括裂缝的长度与稳定宽度;实现方式如下,首先,根据提取结果求裂缝中心线的长度;然后在中心线两侧预设范围内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度;
步骤6,裂缝整合,将位于不同影像上的同一条裂缝信息进行整合;实现方式为,裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则归整为一条裂缝;
步骤7,其他缺陷检测,包括锈蚀与渗流缺陷;
步骤8,信息入库,将步骤6所得裂缝信息和步骤7所得其他缺陷信息存入数据库。
2.根据权利要求1所述核安全壳表面缺陷自动检测方法,其特征在于:步骤1中,所述适应宽度模板法实现方式如下,
1)设T为宽度阈值,引入一个种子搜索区域M和搜索区域宽度t,在灰度变化示意曲线上从左至右逐像素搜索,直到搜索到局部凹形最小点,然后在其右侧T个像素内继续搜索,若还存在局部凹形最小点,则比较凹形点的灰度值,以灰度值最小的凹形点作为搜索起点;
2)在搜索的过程中,以种子区域内所有像素点的灰度和同两侧邻域相等个数的像素灰度和之差△左和△右进行判断,从局部凹形最小点开始,种子区域先向左扩大一个像素,将△左和△右与阈值进行比较,若不满足阈值,则回到局部凹形最小点,种子区域向右扩大一个像素,再进行阈值比较;若满足阈值,则种子区域整体向右扩大一个像素,再进行阈值比较;以此类推,向左、向右逐像素依次搜索,进行宽度判断,并记录最佳宽度tp的值,最终比较最佳宽度tp与阈值T的大小,并对图像进行二值化。
3.根据权利要求1所述核安全壳表面缺陷自动检测方法,其特征在于:步骤1中,所述迭代法采用改进的分块迭代法,实现方式如下,
(1)根据影像中的颜色分布特点,利用HSV颜色分割理论去除块状区域内标记线对阈值的影响,按照迭代法计算出迭代阈值;
(2)比较背景部分和目标部分的像素,若目标部分像素数大于背景像素数,则将目标像素点作为起算数据重新迭代计算阈值,以消除白色亮点对阈值计算的影响;
(3)对目标像素个数设定阈值;
(4)将每小块的阈值作为灰度值,利用空间滤波理论对该图像进行均值平滑,生成新的阈值;依据新的阈值,对原灰度图像进行二值化操作。
4.根据权利要求1或2或3所述核安全壳表面缺陷自动检测方法,其特征在于:步骤2的实现方式包括以下子步骤,
步骤2.1,设I(x,y)表示一幅二值影像,x、y表示二维影像平面上的像素点坐标,I(x,y)表示x、y像素点处的像素值;假设二维影像中(X,Y)位置处的像素值为0,则将此点的信息用张量表示为若二维影像中(X,Y)位置处的像素值不为0,则将此点的信息用张量表示为
步骤2.2,张量计算,包括通过投票的方法将点的张量信息传递给邻域中的各点,使得裂缝的目标信息更加突出;
步骤2.3,特征分析,对每个点的计算结果进行分解,对应到影像中作为每个像素点的值Q,得到一幅表征裂缝出现在某个位置可能性的概率图;分解采用的公式如下,
其中,e1,e2表示点的法向和切向,λ1,λ2表示法向和切向对应的大小,λ1-λ2是表征线性的显著度的量;
步骤2.4,线性加权张量投票,得到最终的代表裂缝区域强弱程度的概率图。
5.根据权利要求1或2或3所述核安全壳表面缺陷自动检测方法,其特征在于:步骤3的实现方式包括以下子步骤,
步骤3.1,概率图细化,包括预先给定一个区域范围,以区域的中心点为基准点,以张量投票得出的基准点方向,按照基准方向和垂直于基准方向在区域范围内搜索极大值点,若极值点与中心点一致则为中心线上的点;遍历整个图像,最后得到细化后的概率图是离散的单像素趋势线,作为进行目标追踪的基础;
步骤3.2,目标追踪,采用目标点聚类方式,用邻域搜索的方法将相互临近的目标点聚集到一类,然后在类与类之间,先找出聚类中的首尾点,再根据张量投票获得的方向信息判断前一个类中的尾点和后一个类中的首点的距离和相对位置关系,若距离相隔不超过预设距离阈值且点位顺序一致,则将它们进行连接,直至对所有类与类之间的相对关系都判断完毕,得到完整的追踪图;最后再根据目标的长度信息对结果进行过滤,去除噪声,保留真正的裂缝信息。
6.根据权利要求1或2或3所述核安全壳表面缺陷自动检测方法,其特征在于:步骤7中,锈蚀的缺陷检测实现方式如下。
设某一目标区域的黄橙色点像素数为T1,红色点像素数为T2,黑色点像素数为T3,设置较小面积阈值S1过滤噪声,同时设置较大面积阈值S2过滤大面积黄色斑驳背景,则通过以下条件判定目标区域是否为锈蚀区域,
(1)目标区域的黄橙色权值大于红色,表现为T1>T2;
(2)目标区域的面积在一定范围区间内,表现为S1<(T1+T2)<S2;
(3)目标区域一定范围内有黑色像素点,表现为T3≠0。
7.根据权利要求1或2或3所述核安全壳表面缺陷自动检测方法,其特征在于:步骤7中,锈蚀的渗流缺陷检测实现方式如下。
设某一目标区域的白色像素点的个数为T,设置较小面积阈值S,则通过以下条件判定目标区域是否为渗流区域,
(1)目标区域周围存在裂缝缺陷;
(2)目标区域有一定的面积,表现为T>S。
8.一种核安全壳表面缺陷自动检测系统,用于根据核安全壳影像采集结果进行缺陷检测,其特征在于,包括以下模块:
图像预处理模块,用于利用自适应宽度模板法和迭代法分别对图像进行二值化,并将两种结果做与运算得到最终的二值影像,再利用轮廓膨胀过滤算法进行去噪增强,得到预处理后的二值影像;
特征提取模块,用于对预处理后的二值影像,利用线性加权的张量投票算法,通过探测突显度将裂缝从离散的噪声中提取出来,得到结果概率图;
目标追踪模块,用于对张量投票后的结果概率图进行细化,然后利用目标点聚类算法对断裂的目标追踪成线,得到裂缝中心线;
反投定位模块,用于将裂缝中心线上的点根据位置信息在预处理后的二值影像中找到一一对应的点,再将这些点作为裂缝种子点,在其邻域内搜索与之灰度相差不大的点,提取真实的裂缝信息;
信息量测模块,用于量测裂缝的形态信息,包括裂缝的长度与稳定宽度;实现方式如下,首先,根据提取结果求裂缝中心线的长度;然后在中心线两侧预设范围内求梯度,选取两边梯度最大位置,并将两个最大位置之间的距离作为宽度;将中心线上全部位置的宽度都求取出来,然后在全部宽度中选取方差最小的一段,在该段中心的位置求取裂缝的稳定宽度;
裂缝整合模块,用于将位于不同影像上的同一条裂缝信息进行整合;实现方式为,裂缝提取后,在上下左右四个边界上寻找存在裂缝的影像,然后在其相邻的影像边界上找裂缝目标,如果两个裂缝目标在距离上和方向都满足一致性,则归整为一条裂缝;
其他缺陷检测模块,用于包括锈蚀与渗流缺陷;
信息入库模块,用于将裂缝整合模块所得裂缝信息和其他缺陷信息存入数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610148986.6A CN105761271B (zh) | 2016-03-16 | 2016-03-16 | 核安全壳表面缺陷自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610148986.6A CN105761271B (zh) | 2016-03-16 | 2016-03-16 | 核安全壳表面缺陷自动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761271A true CN105761271A (zh) | 2016-07-13 |
CN105761271B CN105761271B (zh) | 2019-03-19 |
Family
ID=56333308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610148986.6A Expired - Fee Related CN105761271B (zh) | 2016-03-16 | 2016-03-16 | 核安全壳表面缺陷自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761271B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN106815815A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种去除图像中不闭合曲线段的方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN108898080A (zh) * | 2018-06-19 | 2018-11-27 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
CN108921828A (zh) * | 2018-06-15 | 2018-11-30 | 湖南科技大学 | 一种复杂场景下不显著焊缝识别方法 |
CN109060832A (zh) * | 2018-07-05 | 2018-12-21 | 上海徕木电子股份有限公司 | 一种电子连接器插针工艺缺陷视觉检测方法 |
CN109102516A (zh) * | 2017-06-20 | 2018-12-28 | 成都飞机工业(集团)有限责任公司 | 一种鲁棒的弯管中心线提取方法 |
CN109522646A (zh) * | 2018-11-15 | 2019-03-26 | 中国矿业大学 | 岩体交叉裂隙图像自动分离及其矢量化表达方法 |
CN109657717A (zh) * | 2018-12-17 | 2019-04-19 | 罗世彬 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
CN109844814A (zh) * | 2016-10-07 | 2019-06-04 | 株式会社Dds | 信息处理程序和信息处理装置 |
CN110163843A (zh) * | 2019-04-16 | 2019-08-23 | 江苏大学 | 一种基于图像采集的楼板钢筋工程辅助验收方法 |
CN111105408A (zh) * | 2019-12-27 | 2020-05-05 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
CN111797932A (zh) * | 2020-07-10 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 图像分类方法、装置、设备和计算机可读介质 |
CN111882520A (zh) * | 2020-06-16 | 2020-11-03 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN112070708A (zh) * | 2020-08-21 | 2020-12-11 | 杭州睿琪软件有限公司 | 图像处理方法、图像处理装置、电子设备、存储介质 |
US10867381B2 (en) * | 2018-05-02 | 2020-12-15 | Samsung Display Co., Ltd. | Defect detection apparatus and method |
CN112582085A (zh) * | 2020-12-07 | 2021-03-30 | 中广核核电运营有限公司 | 双层安全壳表面缺陷检测设备及检测方法 |
CN113634553A (zh) * | 2021-08-05 | 2021-11-12 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN113808131A (zh) * | 2021-11-16 | 2021-12-17 | 成都数联云算科技有限公司 | 一种连接器缺陷识别方法及系统及装置及介质 |
CN113838078A (zh) * | 2021-09-06 | 2021-12-24 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN114419040A (zh) * | 2022-03-29 | 2022-04-29 | 武汉绿色塑料包装有限公司 | 基于形态学的瓶胚浇口拉丝检测方法及系统 |
CN114486903A (zh) * | 2021-12-06 | 2022-05-13 | 浙江大学台州研究院 | 一种灰度自适应的卷材检测系统及装置、算法 |
CN115452845A (zh) * | 2022-11-14 | 2022-12-09 | 深圳市晶台股份有限公司 | 一种基于机器视觉的led屏幕表面损伤检测方法 |
CN117094604A (zh) * | 2023-10-18 | 2023-11-21 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
CN117094998A (zh) * | 2023-10-19 | 2023-11-21 | 厘壮信息科技(苏州)有限公司 | 一种单晶硅片生产过程的缺陷检测方法 |
CN117404072A (zh) * | 2023-12-15 | 2024-01-16 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077379A (ja) * | 2006-09-21 | 2008-04-03 | Seiko Epson Corp | 画像検出装置、画像検出方法及び画像検出プログラム |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
CN105321179A (zh) * | 2015-10-12 | 2016-02-10 | 陕西科技大学 | 面向工业产品表面缺陷检测的二值图像连通域标记方法 |
-
2016
- 2016-03-16 CN CN201610148986.6A patent/CN105761271B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077379A (ja) * | 2006-09-21 | 2008-04-03 | Seiko Epson Corp | 画像検出装置、画像検出方法及び画像検出プログラム |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
CN105321179A (zh) * | 2015-10-12 | 2016-02-10 | 陕西科技大学 | 面向工业产品表面缺陷检测的二值图像连通域标记方法 |
Non-Patent Citations (4)
Title |
---|
FANFAN LIU等: "Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending", 《2008 INTERNATIONAL SYMPOSIUM ON KNOWLEDGE ACQUISITION AND MODELING》 * |
SIWAPORN SORNCHAREAN: "《Crack Detection on Asphalt Surface Image Using Enhanced Grid Cell Analysis》", 《4TH IEEE INTERNATIONAL SYMPOSIUM ON ELECTRONIC DESIGN》 * |
徐亚明等: "一种自适应裂缝宽度的二值化方法", 《大地测量与地球动力学》 * |
李清泉等: "路面裂缝影像几何特征提取算法", 《中国科技论文在线》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109844814A (zh) * | 2016-10-07 | 2019-06-04 | 株式会社Dds | 信息处理程序和信息处理装置 |
CN109844814B (zh) * | 2016-10-07 | 2022-12-06 | 株式会社Dds | 信息处理方法和信息处理装置 |
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN106815815B (zh) * | 2016-12-30 | 2019-05-24 | 浙江工业大学 | 一种去除图像中不闭合曲线段的方法 |
CN106815815A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种去除图像中不闭合曲线段的方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107154040B (zh) * | 2017-05-08 | 2021-03-23 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN109102516A (zh) * | 2017-06-20 | 2018-12-28 | 成都飞机工业(集团)有限责任公司 | 一种鲁棒的弯管中心线提取方法 |
US10867381B2 (en) * | 2018-05-02 | 2020-12-15 | Samsung Display Co., Ltd. | Defect detection apparatus and method |
CN108921828A (zh) * | 2018-06-15 | 2018-11-30 | 湖南科技大学 | 一种复杂场景下不显著焊缝识别方法 |
CN108898080B (zh) * | 2018-06-19 | 2022-03-11 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
CN108898080A (zh) * | 2018-06-19 | 2018-11-27 | 广西大学 | 一种基于山脊线邻域评价模型的裂缝连接方法 |
CN109060832A (zh) * | 2018-07-05 | 2018-12-21 | 上海徕木电子股份有限公司 | 一种电子连接器插针工艺缺陷视觉检测方法 |
CN109522646A (zh) * | 2018-11-15 | 2019-03-26 | 中国矿业大学 | 岩体交叉裂隙图像自动分离及其矢量化表达方法 |
CN109657717A (zh) * | 2018-12-17 | 2019-04-19 | 罗世彬 | 一种基于多尺度密集结构特征提取的异源图像匹配方法 |
CN110163843A (zh) * | 2019-04-16 | 2019-08-23 | 江苏大学 | 一种基于图像采集的楼板钢筋工程辅助验收方法 |
CN111105408B (zh) * | 2019-12-27 | 2022-05-03 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
CN111105408A (zh) * | 2019-12-27 | 2020-05-05 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
CN111882520B (zh) * | 2020-06-16 | 2023-10-17 | 歌尔光学科技有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN111882520A (zh) * | 2020-06-16 | 2020-11-03 | 歌尔股份有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN111797932B (zh) * | 2020-07-10 | 2023-11-14 | 抖音视界有限公司 | 图像分类方法、装置、设备和计算机可读介质 |
CN111797932A (zh) * | 2020-07-10 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 图像分类方法、装置、设备和计算机可读介质 |
CN112070708B (zh) * | 2020-08-21 | 2024-03-08 | 杭州睿琪软件有限公司 | 图像处理方法、图像处理装置、电子设备、存储介质 |
CN112070708A (zh) * | 2020-08-21 | 2020-12-11 | 杭州睿琪软件有限公司 | 图像处理方法、图像处理装置、电子设备、存储介质 |
US11985287B2 (en) | 2020-08-21 | 2024-05-14 | Hangzhou Glority Software Limited | Image processing method, image processing device, electronic apparatus and storage medium |
CN112582085B (zh) * | 2020-12-07 | 2024-03-19 | 中广核核电运营有限公司 | 双层安全壳表面缺陷检测设备及检测方法 |
CN112582085A (zh) * | 2020-12-07 | 2021-03-30 | 中广核核电运营有限公司 | 双层安全壳表面缺陷检测设备及检测方法 |
CN113634553A (zh) * | 2021-08-05 | 2021-11-12 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN113634553B (zh) * | 2021-08-05 | 2022-06-21 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN113838078B (zh) * | 2021-09-06 | 2023-06-30 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN113838078A (zh) * | 2021-09-06 | 2021-12-24 | 中国矿业大学(北京) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 |
CN113808131B (zh) * | 2021-11-16 | 2022-01-25 | 成都数联云算科技有限公司 | 一种连接器缺陷识别方法及系统及装置及介质 |
CN113808131A (zh) * | 2021-11-16 | 2021-12-17 | 成都数联云算科技有限公司 | 一种连接器缺陷识别方法及系统及装置及介质 |
CN114486903A (zh) * | 2021-12-06 | 2022-05-13 | 浙江大学台州研究院 | 一种灰度自适应的卷材检测系统及装置、算法 |
CN114486903B (zh) * | 2021-12-06 | 2024-05-14 | 浙江大学台州研究院 | 一种灰度自适应的卷材检测系统及装置、算法 |
CN114419040B (zh) * | 2022-03-29 | 2022-06-03 | 武汉绿色塑料包装有限公司 | 基于形态学的瓶胚浇口拉丝检测方法及系统 |
CN114419040A (zh) * | 2022-03-29 | 2022-04-29 | 武汉绿色塑料包装有限公司 | 基于形态学的瓶胚浇口拉丝检测方法及系统 |
CN115452845B (zh) * | 2022-11-14 | 2023-01-13 | 深圳市晶台股份有限公司 | 一种基于机器视觉的led屏幕表面损伤检测方法 |
CN115452845A (zh) * | 2022-11-14 | 2022-12-09 | 深圳市晶台股份有限公司 | 一种基于机器视觉的led屏幕表面损伤检测方法 |
CN117094604B (zh) * | 2023-10-18 | 2023-12-26 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
CN117094604A (zh) * | 2023-10-18 | 2023-11-21 | 南通双耀冲压有限公司 | 一种电机定转子冲压模具表面质量管理方法及系统 |
CN117094998B (zh) * | 2023-10-19 | 2024-02-02 | 厘壮信息科技(苏州)有限公司 | 一种单晶硅片生产过程的缺陷检测方法 |
CN117094998A (zh) * | 2023-10-19 | 2023-11-21 | 厘壮信息科技(苏州)有限公司 | 一种单晶硅片生产过程的缺陷检测方法 |
CN117404072A (zh) * | 2023-12-15 | 2024-01-16 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理系统 |
CN117404072B (zh) * | 2023-12-15 | 2024-02-23 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105761271B (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105761271A (zh) | 核安全壳表面缺陷自动检测方法及系统 | |
Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN112923904B (zh) | 面向多无人机协同摄影测量的地质灾害隐患探测方法 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN110472658A (zh) | 一种动目标多源探测的层次融合与提取方法 | |
CN104063882B (zh) | 一种基于双目的车辆视频测速方法 | |
CN102654902A (zh) | 基于轮廓向量特征的嵌入式实时图像匹配方法 | |
Pathak et al. | An object detection approach for detecting damages in heritage sites using 3-D point clouds and 2-D visual data | |
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
CN112801075B (zh) | 基于航摄影像的农村道路边界线的自动提取方法 | |
CN101782526A (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
Nazir et al. | Kiln-net: A gated neural network for detection of brick kilns in South Asia | |
CN116415843A (zh) | 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法 | |
Yang et al. | Superpixel image segmentation-based particle size distribution analysis of fragmented rock | |
Guo et al. | Surface defect detection of civil structures using images: Review from data perspective | |
Nogueira et al. | A tool for bridge detection in major infrastructure works using satellite images | |
Sun et al. | Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images. | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
Kruse et al. | Generating impact maps from bomb craters automatically detected in aerial wartime images using marked point processes | |
Samadzadegan et al. | Automatic Road Crack Recognition Based on Deep Learning Networks from UAV Imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190319 Termination date: 20200316 |