一种钢丝绳磨损的检测方法及装置
技术领域
本发明属于图像处理技术领域,尤其涉及一种钢丝绳磨损的检测方法及装置。
背景技术
钢丝绳由若干根钢股螺旋缠绕而成,而每根钢股又是由钢丝缠绕而成,其中对外不可见的钢股又称为内芯。
在工业厂矿或者建筑行业,钢丝绳作为传输或者吊装工具应用广泛,但在使用过程中,钢丝绳会逐渐磨损,为了保证使用的安全性,会对钢丝绳定期的作磨损检测,以便于对钢丝绳进行及时的更换,避免在生产过程中产生安全事故。
现有的钢丝绳的磨损检测包括人工目测和无损探伤检测两大类。人工目测是工作人员定期以肉眼观测钢丝绳是否有损伤。此种方法简便易行,但劳动强度大,效率低下,精度不高;
无损探伤是利用射线、超声波、光学和磁检测法对钢丝绳进行检测,其检测精度和正检率高,但此种方法设备复杂,成本高昂贵。
因此,现有技术还有待发展。
发明内容
本发明实施例提供一种钢丝绳磨损的检测方法,旨在解决现有钢丝绳检测技术中人工检测劳动强度大,效率低下,精度不高,无损探伤检测设备复杂,成本高昂贵的问题。
本发明实施例是这样实现的,一种钢丝绳磨损的检测方法,
其中,所述方法包括下述步骤:
获取待检测钢丝绳的初始处理图像;
对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理,生成canny边缘检测效果图;
识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线;
对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S;
依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W;
所述磨损评估数W的计算公式为:
W=ABS(S-b)/(b-a)*100%;
其中,所述a,b为所述钢股线的斜率混乱程度的最小值和最大值,所述ABS(S-b)为S与b差值的绝对值,所述W的范围为[0,100%]。
进一步的,所述识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线采用K-means聚类算法识别。
进一步的,所述斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计;
其对应熵值S公式为:
当采用平均值统计时,S=(K1+K2+K3+…+Kn)/n;
或
当采用标准差统计时,
所述Kl,K2,……,Kn为canny边缘检测效果图中所有钢股线的斜率,所述K为钢股线斜率的平均值。
进一步的,所述钢股线的斜率的获取包括下述步骤:
在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点,所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法;
依据所述像素点拟合出每条钢股线的线段,所述线段的斜率即为钢股线的斜率Kn;
进一步的,所述待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
本发明实施例还提供一种钢丝绳磨损的检测装置,其中,所述装置包括:
初始图像获取模块,用于获取待检测钢丝绳的初始处理图像;
边缘检测模块,用于对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理,生成canny边缘检测效果图;
分类识别模块,用于识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线;
混乱度统计模块,用于对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S;
磨损评估数生成模块,用于依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W;
所述磨损评估数W的计算公式为:
W=ABS(S-b)/(b-a)*100%;
其中,所述a,b为所述钢股线的斜率混乱程度的最小值和最大值,所述ABS(S-b)为S与b差值的绝对值,所述W的范围为[0,100%]。
进一步的,所述分类识别模块采用采用K-means聚类算法识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线。
进一步的,所述混乱度统计模块中斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计;
其对应熵值S公式为:
当采用平均值统计时,S=(K1+K2+K3+…+Kn)/n;
或
当采用标准差统计时,
所述Kl,K2,……,Kn为canny边缘检测效果图中所有钢股线的斜率,所述K为钢股线斜率的平均值。
进一步的,所述混乱度统计模块还包括:
直线拟合生成模块,用于在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点,所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法;
斜率生成模块,用于依据所述像素点拟合出每条钢股线的线段,所述线段的斜率即为钢股线的斜率Kn。
进一步的,所述初始图像获取模块中待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
本发明实施例的钢丝绳磨损的检测方法,将摄像装置获取的现场钢丝绳图像经过canny边缘检测、分类识别钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线,并对钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S;然后依据熵值S输出描述所述钢丝绳磨损程度的磨损评估数W,磨损评估数W反映了钢丝绳的磨损程度,使得钢丝绳的磨损检测简单快速,精度高,同时不需要复杂的设备,操作简单,成本低。
附图说明
图1为本发明实施例提供的钢丝绳磨损的检测方法的流程图;
图2为本发明实施例提供的钢丝绳的初始处理图像;
图3为本发明实施例提供的图2中钢丝绳经过canny边缘检测算法处理后的图像;
图4为本发明实施例提供的钢股线的斜率的获取的流程图;
图5为本发明实施例提供的钢丝绳磨损的检测装置的结构图;
图6为本发明实施例提供的钢丝绳磨损的检测装置中混乱度统计模块的结构图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的钢丝绳磨损的检测方法的实现流程,
在步骤S101中,获取待检测钢丝绳的初始处理图像;
在本发明实施例中,所述待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成,自动抠图采用抠图软件进行抠图,钢丝绳的原始图像由摄像装置现场拍摄钢丝绳获取,待检测钢丝绳的初始处理图像为后续图像处理提供去除拍摄现场背景的钢丝绳图片,以防对后续的图片处理产生干扰。
在步骤S102中,对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理,生成canny边缘检测效果图;
如图2所示,图中为钢丝绳的初始处理图像,钢丝绳由若干根钢股螺旋缠绕而成,而每根钢股又是由钢丝缠绕而成。
canny边缘检测效果图中,如图3所示,钢丝绳内部有大量细短线条,呈水平方向,为钢丝线的缠绕方向;细长线条呈斜向,为钢股线缠绕方向,其边缘闭合的线为钢丝绳的边缘轮廓线。
在步骤S103中,识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线;
在本发明实施中,识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线采用的是K-means聚类算法识别,具体是以线段的倾斜角度、长度、以及粗细的不同结合数量的不同进行分类识别。
在步骤S104中,对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S;
在步骤S105中,依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W;
所述磨损评估数w的计算公式为:
W=ABS(S-b)/(b-a)*100%;
其中,所述a,b为所述钢股线的斜率混乱程度的最小值和最大值,所述ABS(S-b)为S与b差值的绝对值,所述W的范围为[0,100%],
钢股线的斜率代表钢丝的排列方向,
熵值S代表钢丝的排列方向混乱程度,熵越大表示越混乱,在没有外在力的影响下自然界都是趋向于熵越来越大,钢丝的磨损将会导致钢丝的边缘的排列规律被破坏,所以熵就会增大,熵值S的变化也将导致其输出的磨损评估数W也不同,具体的,在本发明实施例中,W的不同范围代表钢丝绳的不同磨损程度,如下表:
具体的,在本发明实施中,所述斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计;
其对应熵值S公式为:
当采用平均值统计时,S=(K1+K2+K3+…+Kn)/n;
或
当采用标准差统计时,
所述Kl,K2,……,Kn为canny边缘检测效果图中所有钢股线的斜率,所述K为钢股线斜率的平均值,
可以理解,在本发明的其他实施例中,所述斜率混乱程度统计量的计算还可以采用其他参数如:方差、极差等。
图4示出了本发明实施例提供的钢股线的斜率的获取的实现流程,
在步骤S401中,在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点,所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法;
每个连通区域都是歪扭的折线,其方向代表了钢股的方向。
在步骤S402中,依据所述像素点拟合出每条钢股线的线段,所述线段的斜率即为钢股线的斜率Kn。
使用连通区域内的像素点拟合出一条直线,代表钢股方向的斜率kn。
若找到了n个连通区域,则拟合出的钢股方向为[kl,k2,…,kn]。
本发明实施例中的钢丝绳磨损的检测方法可以是APP形式或者专用软件形式内嵌于智能设备如手机、计算机、或者专门的钢丝绳检测设备等,摄像装置可以是与智能设备分开的装置,也可以与智能设备集成于一体,摄像装置拍摄获取的钢丝绳原始图像在智能设备上进行自动或者人工抠图生成钢丝绳的初始处理图像。
图5示出了本发明实施例提供的钢丝绳磨损的检测装置的结构,包括:
初始图像获取模块51,用于获取待检测钢丝绳的初始处理图像;
边缘检测模块52,用于对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理,生成canny边缘检测效果图;
分类识别模块53,用于识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线;
混乱度统计模块54,用于对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S;
磨损评估数生成模块55,用于依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W;
所述磨损评估数W的计算公式为:
W=ABS(S-b)/(b-a)*100%;
其中,所述a,b为所述钢股线的斜率混乱程度的最小值和最大值,所述ABS(S-b)为S与b差值的绝对值,所述W的范围为[0,100%]。
在本发明实施例中,所述分类识别模块采用采用K-means聚类算法识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线。
在本发明实施例中,所述混乱度统计模块中斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计;
其对应熵值S公式为:
采用平均值统计时,S=(K1+K2+K3+…+Kn)/n;
或
当采用标准差统计时,
所述Kl,K2,……,Kn为canny边缘检测效果图中所有钢股线的斜率,所述K为钢股线斜率的平均值。
图6示出了本发明实施例提供的混乱度统计模块的结构,包括:
直线拟合生成模块541,用于在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点,所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法;
斜率生成模块542,用于依据所述像素点拟合出每条钢股线的线段,所述线段的斜率即为钢股线的斜率Kn。
本发明实施例提供的本发明的钢丝绳磨损的检测方法及装置,将摄像装置获取的现场钢丝绳图像经过canny边缘检测、分类识别钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线,并对钢股线的斜率进行斜率混乱程度统计量的计算,生成熵值S,然后依据熵值S输出描述所述钢丝绳磨损程度的磨损评估数W,磨损评估数W反映了钢丝绳的磨损程度,使得钢丝绳的磨损检测简单快速,精度高,同时不需要复杂的设备,操作简单,成本低,在保证检测精度的前提下同时大大提高了检测的效果和降低了检测的成本。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。