CN106600604B - 一种磁光成像缺陷检测方法的阀值优化方法 - Google Patents
一种磁光成像缺陷检测方法的阀值优化方法 Download PDFInfo
- Publication number
- CN106600604B CN106600604B CN201611029434.XA CN201611029434A CN106600604B CN 106600604 B CN106600604 B CN 106600604B CN 201611029434 A CN201611029434 A CN 201611029434A CN 106600604 B CN106600604 B CN 106600604B
- Authority
- CN
- China
- Prior art keywords
- threshold values
- magneto
- optic
- column
- matrix
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 229910052705 radium Inorganic materials 0.000 claims description 3
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 6
- 230000005381 magnetic domain Effects 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000012141 concentrate Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种磁光成像缺陷检测方法的阀值优化方法,通过对图像进行特殊的神经元节点选取,筛选出所有可能的局部阀值集合,对其中的阀值进行有效筛选,得到优质的可分割阀值,进而将图像进行有效分割,这样脱离了对材料的依赖性,对磁畴滤除方法奠定了坚实的基础,提高了磁光缺陷检测的速度,简化了检测模型,增强了缺陷检测识别能力,使得后期对缺陷的提取识别提供了有效的支撑。
Description
技术领域
本发明属于磁光成像无损缺陷检测技术领域,更为具体地讲,涉及一种磁光成像缺陷检测方法的阀值优化方法。
背景技术
目前,无损检测越来越受到学者们的关注,因为各种大型设备的制造和运行都需要进行无人化,无损伤化检测与诊断,特别是随着3D打印技术的日趋完善。磁光成像检测则是无损检测中发展迅速的一种电磁光无损检测方法。
现在国内外研究工作都处于一种研究性阶段。很多成果都集中在缺陷的检测中,判断是否存在缺陷。然而随着技术的进步与发展,无损检测需要对缺陷进行提取和识别。一般情况下,磁光图像法检测都要对磁光图像进行灰度化,并二值化。然后进行图像处理过程。因此图像二值化的阀值收索就尤为重要。传统的研究中,阀值是通过实验经验值来选取的,比如专利CN201510896552.X。这种方法选取的阀值,在一定的实验条件下是可行的,比如实验条件保持不变,实验环境光线不变等。但是作为检测设备而言,环境和条件是多种多样的,这种阀值已经不能在满足需求了。需要一种可以自适应的方式来选择阀值。文章[1]对阀值自动收索做了研究,但是存在计算量大,耗时长的特点,特别是他需要对图像进行阀值扫描,就需要很大的计算机存储空间。文章[2]对阀值的优化和自动选取做了相应的研究和探索,但是他存在如下缺点:
1.对铁磁性材料检测存在不可预估性。由于使用特定的选择参数——偏度值。该值的定义则是需要对黑点像素进行分类统计,由于铁磁性材料磁畴的影响,该值将会计算不准确;
2.由于偏度的计算是和阀值扫描联合在一起,则也是很耗时耗空间的;
3.由于偏度值的计算存在误差,导致优化的阀值结果将不是最优的,会影响缺陷的检测结果。
由于以上各种原因,改进的ANN阀值收索方法得到发展,本发明中的阀值收索方法,不需要对阀值进行遍历,节约计算时间和空间。由于阀值本来是对图像综合评判,根据ANN的局部神经元特性的信息,可以从局部来优化统计结果,减少局部干扰的影响。在计算中,算法是根据图像本身的特点进行阀值寻优,可以很好的在各种实验环境进行工作,避免了检测对象的单一性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种磁光成像缺陷检测方法的阀值优化方法,通过最佳的阀值来准确地实现缺陷检测。
为实现上述发明目的,本发明一种磁光成像缺陷检测方法的阀值优化方法,其特征在于,包括以下步骤:
(1)、采用磁光成像装置获取试件的磁光图像,并进行灰度化处理得到磁光灰度图;
(2)、对磁光灰度图进行神经元选择处理
(2.1)、设磁光灰度图的有效区域是半径为R的圆,从该圆的圆心按照定步长Δr沿半径方向标记像素点,每条半径标记结束后沿逆时针方向旋转定角度Δθ,再按照相同方法标记下一条半径,直到将整个圆标记完成;其中,设共标记n条半径,标记的第j(j=1,2,…,n)条半径表述为Rj;
(2.2)、以初始半径ro,定步长Δh依次画圆,共画m个圆;其中,Δh=kΔr,k为常数,且满足等式ro+(m-1)Δh=R,标记的第i(i=1,2,…,m)个圆表示为Фi;
(2.3)、将所有圆和半径的交点标记为特征神经元节点,再将特征神经元节点组成一个矩阵,标记为[Фi,Rj];其中,矩阵中的元素(Фi,Rj)表示第i行,第j个神经元的像素值;(:,Rj)表示第j列的所有神经元;
(3)、搜索二值化阀值
(3.1)、复制矩阵[Фi,Rj],并标记为[Фi,Rj]buf;
(3.2)、计算矩阵[Фi,Rj]的第一列(:,R1)的均值,记为M;
遍历第一列中的每个元素(Фi,R1),若元素(Фi,R1)对应的像素值大于M,则将元素(Фi,R1)对应的像素值置为0,反之则置为1;
(3.3)、对矩阵[Фi,Rj]的非第一列元素(Фi,Rj)进行处理
(3.3.1)、如果处理的元素是第j列的第1个元素(Ф1,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φ1,Rj-1),(Φ1,Rj-1),(Φ2,Rj-1)]
计算参数B按如下公式:
其中,ω为权值向量;
(3.3.2)、如果处理的元素是第j列的最后1个元素(Фm,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φm-1,Rj-1),(Φm-1,Rj-1),(Φm,Rj-1)]
计算参数B按如下公式:
(3.3.4)、如果处理的元素是第j列的非第一个和非最后一个元素(Фi,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φi-1,Rj-1),(Φi,Rj-1),(Φi+1,Rj-1)]
计算参数B按如下公式:
(3.4)、计算A+B的值,再将A+B的值与阀值H进行比较,若(A+B)<H,则将元素(Фi,Rj)对应的像素值置为0,否则置为1;
(3.5)、判断第j列中的元素是否全部遍历结束,如果遍历未结束,则返回步骤(3.3);若遍历结束,则令j=j+1,再返回步骤(3.3)进行下一列的处理,直到将所有列遍历结束,得到由0、1组成的新矩阵[Фi,Rj]*;
(4)、将新矩阵[Фi,Rj]*的每一列和矩阵[Фi,Rj]buf中对应列进行点乘,并将点乘后每一列中的最大值存入列阀值集合Ttangential(j);
Ttangential(j)=Max((:,Rj)*·(:,Rj)buf)
(5)、同理,将矩阵[Фi,Rj]转置后,按照步骤(3)和(4)进行处理,得到行阀值集合Tratial(i);
(6)、计算最优阀值T:
(7)、利用最优阀值T对磁光灰度图进行二值化处理,若某一像素点的灰度值大于T,则将该像素点的灰度值设置为255,否则设置为0,从而得到了缺陷和斑点分割图像。
本发明的发明目的是这样实现的:
本发明一种磁光成像缺陷检测方法的阀值优化方法,通过对图像进行特殊的神经元节点选取,筛选出所有可能的局部阀值集合,对其中的阀值进行有效筛选,得到优质的可分割阀值,进而将图像进行有效分割,这样脱离了对材料的依赖性,对磁畴滤除方法奠定了坚实的基础,提高了磁光缺陷检测的速度,简化了检测模型,增强了缺陷检测识别能力,使得后期对缺陷的提取识别提供了有效的支撑。
同时,本发明一种磁光成像缺陷检测方法的阀值优化方法还具有以下有益效果:
(1)、不依赖于被测试件材料。很多基于磁光成像技术来进行缺陷检测的方法中,都是研究不同材料的响应特性进行分类研究。该方法不依赖于材料的选择,只是依赖于被检测的图像,大大扩大了检测的有效性和使用性。
(2)、该方法对缺陷的识别性强。该方法中所描述的方法中可以看出,每个阀值向量中都涵盖落该列中所有包含在内的可能的缺陷区域,最后得到的阀值一定可以将缺陷信息包含在内,这个缺陷一定在被分割的图像中。
(3)、不需要进行先验参数。很多阀值都是根据对很多组不同的材料进行检测后,对数据进行分析最后得到一个能够适性大多数检测情况的参数,以其作为阀值的选取依据。而本方法中采用的事神经网络出,采用的事图像像素相关区域表现出的特征进行分析而选取的,与先验知识和结论并没有直接联系。
(4)、阀值决策快。本方法中使用的是特殊方法选择的神经元节点,不是一般传统神经网络方法中对整幅图像进行计算。由于随着检测原件技术的提升,图像的像素越来越高,越来越复杂,这样对整图像处理会消耗很多的时间,不利于提高检测的效率。而本方法则是由规律性的选择神经元节点,一方面使得神经元包含的几乎整幅图像的信息,另一方面减少了处理对象的数量,大大节约了处理时间,提高了检测效率。
附图说明
图1是获取磁光图像的原理图;
图2是磁光图像示意图;
图3是磁光图像转换的灰度图;
图4是神经网络结构图;
图5是神经节点选取示意图;
图6是神经元节点矩阵;
图7是半径方向阀值集合图;
图8切向方向的阀值集合图;
图9是半径方向阀值排序图;
图10是切向方向阀值排序图;
图11是试件1检测结果图;
图12是试件2检测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了更好地说明本发明的技术方案,首先对本发明原理进行说明。
本检测方法是基于磁光效应提出的一种磁光图像处理方法,按照如图1所示原理图,首先使用磁场在导体中激励出强磁场,将功率激光经过偏振器后形成偏振光照射在试件上。试件上的作用区域光路上有磁光薄膜,将作用后的光线反射到检偏器端,后由CCD感光器件接受成像,进而得到磁光图像。
在磁光灰度图像中,疑似缺陷部分的像素值低于非缺陷部分,但是缺陷本身没有固定的深度和形状,从模式识别上很难做到明确检出缺陷。因此,本发明缺陷检测中使用的图像对象是二值化后的磁光图像。通过二值化可以使缺陷的边缘和位置信息很大程度上全部显示出来。再根据图像的特性,通过不同的算法进行滤波,从而得到缺陷的图像。经过以上分析可知,在磁光检测中,将图像二值化尤为重要。那么图像二值化时所采用阀值的选取往往是最重要的,现有技术很多情况下都是根据经验确定的阀值,对原始磁光图像的照片质量有很大的要求和限制。
下面对本发明一种磁光成像缺陷检测方法的阀值优化方法进行详细说明,具体包括以下步骤:
(1)、采用磁光成像装置获取试件的磁光图像,并进行灰度化处理得到磁光灰度图;
在本实施例中,按照图1所示的装置可以得到一幅磁光图像,如图2所示,根据提出的算法,利用联通性原理,使得图像中的缺陷信息可以很好的被分离出来,得到缺陷的具体轮廓和位置。然而处理方法主要使用的是灰度图,因此需要将图2处理成图3所示的灰度图。
(2)、对磁光灰度图进行神经元选择处理
(2.1)、设磁光灰度图的有效区域是半径为R的圆,从该圆的圆心按照定步长Δr沿半径方向标记像素点,每条半径标记结束后沿逆时针方向旋转定角度Δθ,再按照相同方法标记下一条半径,直到将整个圆标记完成;其中,设共标记n条半径,标记的第j(j=1,2,…,n)条半径表述为Rj;
在本实施例中,按照步骤(2.1)所述规律,选取了诺干个神经节点作为神经网络的输入,其中,神经网络的示意图如图4所示,包括一个输入层,一个隐层和一个输出层,输入层到隐层为三个连接路径;
(2.2)、以初始半径ro,定步长Δh依次画圆,共画m个圆;其中,Δh=kΔr,k为常数,且满足等式ro+(m-1)Δh=R,标记的第i(i=1,2,…,m)个圆表示为Фi;
(2.3)、将所有圆和半径的交点标记为特征神经元节点,再将特征神经元节点组成一个矩阵,标记为[Фi,Rj];其中,矩阵中的元素(Фi,Rj)表示第i行,第j个神经元的像素值;(:,Rj)表示第j列的所有神经元;
在本实施例中,如图5所示,首先以图像的中心开始,向外扩散圆形,每相邻两个圆的半径是一定的。取诺干个圆形,圆形上的所有像素点为一神经节点;其次,以选中的最大圆形的半径为半径,按照图像中的方式旋转去点,每两个相邻半径之间的圆形角也是固定值,所有在半径上的点为另一组神经元基节点,这些点同时也落在所选取的圆上,这样对整幅图像进行了第一步操作——选取神经元。
选取神经元后,将其按照图6所示方式,组成一个神经元节点矩阵,该矩阵有m行,n列,第i个圆形,第j个半径上的点,记为<Фi,Rj>,矩阵记为[Фi,Rj]。神经网络算法需要处理的对象为矩阵[Фi,Rj],该方法主要分两步进行:第一步是按照切线方向或者是按照列(在矩阵中)来进行处理,另一个是按照法向方向或者是行(在矩阵中)来进行处理。由于磁场的分布受试件缺陷形状有关,且在缺陷附近就会有变化,因此磁场在缺陷附近就会有所表现。为此,本方法中,对于神经网络的输入信号包括多个,即考虑了研究对象信息,同时也考虑了其周边像素的信息。比如在处理到某个像素元时,假设为<Ф2,R2>,即图6中的黑色神经元,其周边像素<Ф1,R1>,<Ф1,R2>,<Ф1,R3>,<Ф2,R1>和<Ф3,R1>都将会被考虑在内。根据其周边元所表现出的信息状
(3)、搜索二值化阀值
(3.1)、复制矩阵[Фi,Rj],并标记为[Фi,Rj]buf;
(3.2)、计算矩阵[Фi,Rj]的第一列(:,R1)的均值,记为M;
遍历第一列中的每个元素(Фi,R1),若元素(Фi,R1)对应的像素值大于M,则将元素(Фi,R1)对应的像素值置为0,反之则置为1;
(3.3)、对矩阵[Фi,Rj]的非第一列元素(Фi,Rj)进行处理
(3.3.1)、如果处理的元素是第j列的第1个元素(Ф1,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φ1,Rj-1),(Φ1,Rj-1),(Φ2,Rj-1)]
计算参数B按如下公式:
其中,ω为权值向量,在本实施例中,ω=[0.3,0.4,0.3];
(3.3.2)、如果处理的元素是第j列的最后1个元素(Фm,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φm-1,Rj-1),(Φm-1,Rj-1),(Φm,Rj-1)]
计算参数B按如下公式:
(3.3.4)、如果处理的元素是第j列的非第一个和非最后一个元素(Фi,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φi-1,Rj-1),(Φi,Rj-1),(Φi+1,Rj-1)]
计算参数B按如下公式:
(3.4)、计算A+B的值,再将A+B的值与阀值H进行比较,若(A+B)<H,则将元素(Фi,Rj)对应的像素值置为0,否则置为1;在本实施例中,取H=0.95;
(3.5)、判断第j列中的元素是否全部遍历结束,如果遍历未结束,则返回步骤(3.3);若遍历结束,则令j=j+1,再返回步骤(3.3)进行下一列的处理,直到将所有列遍历结束,得到由0、1组成的新矩阵[Фi,Rj]*;
(4)、将新矩阵[Фi,Rj]*的每一列和矩阵[Фi,Rj]buf中对应列进行点乘,并将点乘后每一列中的最大值存入列阀值集合Ttangential(j);
Ttangential(j)=Max((:,Rj)*·(:,Rj)buf)
(5)、同理,将矩阵[Фi,Rj]转置后,按照步骤(3)和(4)进行处理,得到行阀值集合Tratial(i);
在本实施例中,图7是每一个半径方向产生的阀值所组成的集合。从图中可以看出,每个方向上的阀值并不一样,且分布不均匀,说明缺陷和干扰并存,另外分布也不是很集中,说明干扰的存在是很均匀化的。这个结论说明干扰是均匀无规则的分布于磁光图像中的。从图中可以看出,该阀值可选域的平均值为41.9241,该值可以均衡干扰和缺陷所产生的阀值,可以比较优越的分割图像。
另外,图8显示了切线方向的阀值集合。从图中可以看出其分布上有一个分界,在前半部分的均值明显高于后半部分的均值。需要说明的是,靠前的是半径较小的圆形上的神经元计算得到的,靠后的事半径较大圆形上的神经元计算得到的。由这个分布可以知道,激光激励存在的一个问题,就是在光线中部,光线比较集中,光强比较强,而在中心向外扩散过程中,光线密度越来越稀疏,光强也是越来越弱,是的检测效果越来越模糊,不明显。经过取其均值,可以得到为41.5400的分割阀。
为了从另一个角度来检测该方法的阀值有效性。将这两个方向上的阀值集合按照从小到大的顺序进行排列,得到图9和图10。从图中可已看出,在前期其走势很快,之后会变大缓和,甚至平缓,最后会再次变得快速。在头尾变换快的区间,其所含有的阀值点数量是比较少的。说明大部分都集中在中部不叫缓慢的部分。根据之前提出过的假设:缺陷的分布面积比磁畴干扰面积大且连接程度高。说明在中间区域,阀值已经包含了大部分缺陷信息,且在评为区域时已经达到相对优的情况。从图中可以看到,图9和图10在平缓区域的阀值分别为42和42.该值和上式得出的均值41.9241和41.5400几乎相同。因此从该角度也可以证明该方法的有效性和合理性。
(6)、通过对两个方向上的阀值集合求均值,进而计算最优阀值T:
(7)、利用最优阀值T对磁光灰度图进行二值化处理,若某一像素点的灰度值大于T,则将该像素点的灰度值设置为255,否则设置为0,从而得到了缺陷和斑点分割图像。
实验验证:通过该本发明提出的分割阀值分别对试件1和试件2进行处理后,得到一幅分割很好的二值化图像,如图11(左)和图12(左)。由图像可知,缺陷和磁畴干扰很好的在图像上被分割开来,有助于对缺陷的形状和位置进行提取和测量。根据之前提出的连通性原理滤波方法,可以很容易将缺陷识别,如图11(右)和图12(右)。图11(右)和图12(右)分别是对不同尺寸缺陷的检测结果,其中图11的深度为0.2mm,比图12中的缺陷要深,为0.1mm。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种磁光成像缺陷检测方法的阀值优化方法,其特征在于,包括以下步骤:
(1)、采用磁光成像装置获取试件的磁光图像,并进行灰度化处理得到磁光灰度图;
(2)、对磁光灰度图进行神经元选择处理
(2.1)、设磁光灰度图的有效区域是半径为R的圆,从该圆的圆心按照定步长Δr沿半径方向标记像素点,每条半径标记结束后沿逆时针方向旋转定角度Δθ,再按照相同方法标记下一条半径,直到将整个圆标记完成;其中,设共标记n条半径,标记的第j条半径表述为Rj,j=1,2,…,n;
(2.2)、以初始半径ro,定步长Δh依次画圆,共画m个圆;其中,Δh=kΔr,k为常数,且满足等式ro+(m-1)Δh=R,标记的第i个圆表示为Фi,i=1,2,…,m;
(2.3)、将所有圆和半径的交点标记为特征神经元节点,再将特征神经元节点组成一个矩阵,标记为[Фi,Rj];其中,矩阵中的元素(Фi,Rj)表示第i行,第j个神经元的像素值;(:,Rj)表示第j列的所有神经元;
(3)、搜索二值化阀值
(3.1)、复制矩阵[Фi,Rj],并标记为[Фi,Rj]buf;
(3.2)、计算矩阵[Фi,Rj]的第一列(:,R1)的均值,记为M;
遍历第一列中的每个元素(Фi,R1),若元素(Фi,R1)对应的像素值大于M,则将元素(Фi,R1)对应的像素值置为0,反之则置为1;
(3.3)、对矩阵[Фi,Rj]的非第一列元素(Фi,Rj)进行处理
(3.3.1)、如果处理的元素是第j列的第1个元素(Ф1,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φ1,Rj-1),(Φ1,Rj-1),(Φ2,Rj-1)]
计算参数B按如下公式:
其中,ω为权值向量;
(3.3.2)、如果处理的元素是第j列的最后1个元素(Фm,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φm-1,Rj-1),(Φm-1,Rj-1),(Φm,Rj-1)]
计算参数B按如下公式:
(3.3.4)、如果处理的元素是第j列的非第一个和非最后一个元素(Фi,Rj),则计算参数A按如下公式:
A=0.5·ω·[(Φi-1,Rj-1),(Φi,Rj-1),(Φi+1,Rj-1)]
计算参数B按如下公式:
(3.4)、计算A+B的值,再将A+B的值与阀值H进行比较,若(A+B)<H,则将元素(Фi,Rj)对应的像素值置为0,否则置为1;
(3.5)、判断第j列中的元素是否全部遍历结束,如果遍历未结束,则返回步骤(3.3);若遍历结束,则令j=j+1,再返回步骤(3.3)进行下一列的处理,直到将所有列遍历结束,得到由0、1组成的新矩阵[Фi,Rj]*;
(4)、将新矩阵[Фi,Rj]*的每一列和矩阵[Фi,Rj]buf中对应列进行点乘,并将点乘后每一列中的最大值存入列阀值集合Ttangential(j);
Ttangential(j)=Max((:,Rj)*·(:,Rj)buf)
(5)、同理,将矩阵[Фi,Rj]转置后,按照步骤(3)和(4)进行处理,得到行阀值集合Tratial(i);
(6)、计算最优阀值T:
(7)、利用最优阀值T对磁光灰度图进行二值化处理,若某一像素点的灰度值大于T,则将该像素点的灰度值设置为255,否则设置为0,从而得到了缺陷和斑点分割图像。
2.根据权利要求1所述的一种磁光成像缺陷检测方法的阀值优化方法,其特征在于,所述的权值向量ω取ω=[0.3,0.4,0.3]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029434.XA CN106600604B (zh) | 2016-11-14 | 2016-11-14 | 一种磁光成像缺陷检测方法的阀值优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029434.XA CN106600604B (zh) | 2016-11-14 | 2016-11-14 | 一种磁光成像缺陷检测方法的阀值优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600604A CN106600604A (zh) | 2017-04-26 |
CN106600604B true CN106600604B (zh) | 2019-06-14 |
Family
ID=58591739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611029434.XA Expired - Fee Related CN106600604B (zh) | 2016-11-14 | 2016-11-14 | 一种磁光成像缺陷检测方法的阀值优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285339B (zh) * | 2020-09-25 | 2024-02-06 | 安徽润谷科技有限公司 | 一种荧光免疫层析视觉检测划线标记方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540650A (zh) * | 2003-04-22 | 2004-10-27 | ������������ʽ���� | 磁光盘及使用磁光盘的记录和/或再现方法与装置 |
JP2008014882A (ja) * | 2006-07-07 | 2008-01-24 | Univ Of Miyazaki | 三次元計測装置 |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN105372324A (zh) * | 2015-12-07 | 2016-03-02 | 电子科技大学 | 基于磁光成像法的缺陷检测方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
-
2016
- 2016-11-14 CN CN201611029434.XA patent/CN106600604B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540650A (zh) * | 2003-04-22 | 2004-10-27 | ������������ʽ���� | 磁光盘及使用磁光盘的记录和/或再现方法与装置 |
JP2008014882A (ja) * | 2006-07-07 | 2008-01-24 | Univ Of Miyazaki | 三次元計測装置 |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN105372324A (zh) * | 2015-12-07 | 2016-03-02 | 电子科技大学 | 基于磁光成像法的缺陷检测方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106600604A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN110310259A (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
Pan et al. | Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm | |
CN103733322B (zh) | 提供裂纹检测用预测模型的方法和检测半导体结构上的裂纹的方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
Kelly et al. | Quantification of neuronal density across cortical depth using automated 3D analysis of confocal image stacks | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN111179263A (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN113850339A (zh) | 一种基于多光源表面图像的粗糙度等级预测方法及装置 | |
KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN106600604B (zh) | 一种磁光成像缺陷检测方法的阀值优化方法 | |
CN118247560A (zh) | 一种基于Transformer-CNN双域融合网络的光刻热点检测方法 | |
Cao et al. | Balanced multi-scale target score network for ceramic tile surface defect detection | |
Xu et al. | The steel surface multiple defect detection and size measurement system based on improved yolov5 | |
CN117372770A (zh) | 基于光度立体和深度学习的pcb微小缺陷检测识别方法 | |
Zeder et al. | Automated quality assessment of autonomously acquired microscopic images of fluorescently stained bacteria | |
Xu et al. | Research on improved residual network classification method for defect recognition of thermal battery | |
Li et al. | A machine learning approach to robustly determine director fields and analyze defects in active nematics | |
Luo et al. | An mRMR-SVM approach for Opto-fluidic microorganism classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20190614 Termination date: 20211114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |