CN107180428B - 一种基于光流算法的磁光图像增强方法 - Google Patents
一种基于光流算法的磁光图像增强方法 Download PDFInfo
- Publication number
- CN107180428B CN107180428B CN201710433248.0A CN201710433248A CN107180428B CN 107180428 B CN107180428 B CN 107180428B CN 201710433248 A CN201710433248 A CN 201710433248A CN 107180428 B CN107180428 B CN 107180428B
- Authority
- CN
- China
- Prior art keywords
- magneto optic
- optic images
- image
- magneto
- optical flow
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 64
- 230000002708 enhancing effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005284 excitation Effects 0.000 claims abstract description 10
- 239000000696 magnetic material Substances 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 14
- 229910000976 Electrical steel Inorganic materials 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 24
- 230000002500 effect on skin Effects 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000004907 flux Effects 0.000 description 29
- 239000000463 material Substances 0.000 description 15
- 238000012360 testing method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000005415 magnetization Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 241000220225 Malus Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004804 winding Methods 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于光流算法的磁光图像增强方法,采用低频交流激励放对磁轭进行激励,利用周期性的变化磁场得到不同信号强度下的图像集,而低频信号使得磁力线能穿透被测物体较深区域,使得磁光图像能反应出最较深度的缺陷信息,降低了趋肤效应的影响,同时,能在一个周期内多点采样拍摄(采集),丰富了磁光图像的数据信息;然而,这样得到的磁光图像存在低频交流信号作用下磁畴运动产生的干扰噪音,易与缺陷信息混淆降低图像检测精度,为此,本发明采用金字塔光流算法对磁光图像进行迭代处理,对产生光流运动的特征点进行累加,得到光流增强图像。增强后的图像,其图像梯度变化更为明显,干扰也大幅度降低,缺陷信息更加直观。
Description
技术领域
本发明属于磁性材料无损检测技术领域,更为具体地讲,涉及一种基于光流算法的磁光图像增强方法。
背景技术
无损检测(Non Destructive Testing)是指在不损害或者不影响被检测对象内部组织的前提,利用材料内部结构异常所引起的热、声、光、电、磁等反应的物理量变化,即无损检测利用了材料结构发生改变后引起的物理量的变化,测得物理量的变化值来反演材料结构的变化。值得注意的是,实验中得到的物理量变化值可能包含了众多其他信息,因此根据需要排除其他的外界干扰,才能对材料内部的异常情况做出可靠判断。
无损检测方法众多,最常用的是射线检测(Radiographic Testing)、超声检测(Ultrasonic Testing)、磁粉检测(Magnetic particle Testing)、渗透检测(PenetrantTesting)和涡流检测(Eddy current Testing)这五大种常规无损检测方法。
近年来,碳钢等磁性材料因其硬度高、强度大,广泛应用于工业、国防等领域的重大装备中,其结构完整性关乎国家经济和社会安全。磁光成像检测技术(Magneto-opticimaging,MOI)可以对这类磁性材料进行缺陷检测。
磁光成像检测技术是法拉第磁光效应、马吕斯效应与漏磁检测的综合应用,基本原理为使用激励线圈在被检测的铁磁性材料中出现磁力线分布,当被检测材料中存在缺陷时,磁力线在缺陷附近产生畸变形成漏磁场,引起了缺陷附近磁场的垂直分量变化。法拉第磁光效应揭示了线偏振光在磁光介质中受到漏磁场为主的外磁场作用发生一定角度的偏转,该偏转量与偏振光前进方向上的外磁场强度与磁光介质中的路径长度相关;而马吕斯效应揭示光强亮度也会随着磁场强度变化而产生变化,最终使得包含了缺陷信息的偏振光被图像传感CCD接收,实现了对铁磁性材料试件的实时成像。磁光成像技术作为一种可视化研究,其主要特点有:
(1)探测结果可视易懂,作为结果的磁光图像与视频资料可以通过图像传感器存放于电脑中易于保存,操作相对简单能缩短检测人员的培训时间;
(2)与其他无损检测方法如磁粉检测方法相比,磁光成像技术不需要对表面进行过多预处理,只需要保证检测表面能放置磁光传感器即可;
此外,磁光成像的优点是不需要清除表面覆层,检测速度快,结果直观。
根据磁化激励信号的不同,漏磁检测可分为直流漏磁检测和交流漏磁检测。然而,由于直流激励不仅磁化器体积大、能耗高,而且在恒定的磁化场下,漏磁场恒定,获取的信息量有限,不利于缺陷特征的提取,抗干扰能力较弱;
交流漏磁检测采用高频信号,使得交流信号产生的磁场主要集中于试件表面与近表面,因此难于覆盖到试件较深处的区域,这种现象被称为趋肤效应。一般情况下高频信号激励频率在1kHz以上,对应检测深度将小于1mm。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于光流算法的磁光图像增强方法,以提取更多的信息,并避免趋肤效应的同时,减少干扰信息对缺陷识别的影响。
为实现上述发明目的,本发明基于光流算法的磁光图像增强方法,其特征在于,包括以下步骤:
(1)、磁光图像的采集
在磁光图像检测中,采用0.1hz频率的正弦交流电源作为激励,通过图像传感器对如硅钢片的磁性材料进行拍摄,得到一组含有缺陷信息的磁光图像;
(2)、图像增强
对采集的磁光图像进行灰度化处理,然后采用金字塔光流算法对磁光图像进行迭代处理,其中,金字塔光流算法迭代算子最大迭代次数20,收敛阀值0.3,金字塔窗口大小5x5;
金字塔光流算法追踪动态特征产生的光流运动,对产生光流运动的特征点进行累加,即对发生动态运动的特征点进行记录,得到光流增强图像。
本发明的目的是这样实现的。
本发明基于光流算法的磁光图像增强方法,采用低频交流激励放对磁轭进行激励,利用周期性的变化磁场得到不同信号强度下的图像集,而低频信号使得磁力线能穿透被测物体较深区域,使得磁光图像能反应出最较深度的缺陷信息,降低了趋肤效应的影响,同时,能在一个周期内多点采样拍摄(采集),丰富了磁光图像的数据信息;然而,这样得到的磁光图像存在低频交流信号作用下磁畴运动产生的干扰噪音,易与缺陷信息混淆降低图像检测精度,为此,本发明采用金字塔光流算法对磁光图像进行迭代处理,对产生光流运动的特征点进行累加,得到光流增强图像。增强后的图像,其图像梯度变化更为明显,干扰也大幅度降低,缺陷信息更加直观。
附图说明
图1是本发明基于光流算法的磁光图像增强方法的流程图;
图2是磁性材料缺陷处的漏磁场示意图,其中,(a)为无缺陷,(b)为有缺陷;
图3是磁性材料为一字形缺陷的结构示意图;
图4是针对一字形缺陷采集的部分磁光图像,其中,(a)~(l)是间隔一定时间的采集图像;
图5是磁光图像的缺陷信息示意图,其中,(a)为采集的磁光图像,(b)为干扰标注的磁光图像;
图6是磁光图像增强光流增强图像;
图7是磁光图像光流增强前后对比图,其中,(a)为采集的磁光图像,(b)为增强后磁光图像即光流增强图像;
图8是采集的磁光图像和光流增强图像的网线面,其中,(a)为采集的磁光图像,(b)为光流增强图像;
图9是一复杂缺陷图像;
图10是图9所示复杂缺陷的磁光图像,其中,(a)为采集的磁光图像,(b)为基于形态学的增强磁光图像;
图11是对采集的复杂缺陷的磁光图像进行金字塔光流跟踪效果图;
图12是复杂缺陷磁光图像光流增强前后的对比图,其中,(a)为采集的磁光图像,(b)为光流增强图像;
图13是采集的复杂缺陷磁光图像和光流增强图像的网线面,其中,(a)为采集的磁光图像,(b)为光流增强图像。
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。
图1是本发明基于光流算法的磁光图像增强方法的流程图。
在本实施例中,如图1所示,本发明基于光流算法的磁光图像增强方法包括两个大的步骤,即:
步骤S1:磁光图像的采集
在磁光图像检测中,采用0.1hz频率的正弦交流电源作为激励,通过图像传感器对如硅钢片的磁性材料进行拍摄,得到一组含有缺陷信息的磁光图像。
步骤S2:图像增强
对采集的磁光图像进行灰度化处理,然后采用金字塔光流算法对磁光图像进行迭代处理,其中,金字塔光流算法迭代算子最大迭代次数20,收敛阀值0.3,金字塔窗口大小5x5;
金字塔光流算法追踪动态特征产生的光流运动,对产生光流运动的特征点进行累加,即对发生动态运动的特征点进行记录,得到光流增强图像。
一、下面对两个步骤结合具体实例,进行详细描述。
1、磁光图像的采集
1.1、漏磁检测
漏磁检测的基础在于磁性材料的高磁导率特性之上,利用磁敏元件做成的探头检测铁磁性材料表面的漏磁场。如图2所示,磁性材料在材质是均匀连续的情况时,材料中的磁力线将被约束在材料的内部。而当铁磁性材料的表层或内部不均匀连续(如存在缺陷)的时候,缺陷处的磁导率降低、磁阻加大,使得磁力线将改变路径:改变路径的磁力线优先通过磁阻较小的材料内部,而当缺陷附近的材料难以通过更大的磁通时,部分磁通会从缺陷的部位溢出,穿越磁性材料(相对磁导率远远大于1)上方的空气(空气的相对磁导率为1.0000004)再进入工件,从而在工件外形成漏磁通。
漏磁场会受到很多因素影响,如磁性材料所含的磁化强度与剩磁、被测试件材质(导电性与导磁性)、磁极间距等等。外加磁场强度与被测件中感应强度的关系为非线性。磁性材料被永磁体磁化之后能否在缺陷处产生漏磁场,主要取决于磁性材料的磁化强度。当磁场强度较低的时候、磁性材料缺陷处变薄的部分仍可能承担全部的磁通,也就不会有磁通泄露到磁性材料表面,所以在磁性材料磁化强度达到饱和的时候,才能确保产生缺陷漏磁场。
漏磁场包含了丰富的缺陷信息,知磁场对于偏振光的偏振面角度有偏转作用。漏磁检测与法拉第磁光效应构成磁光检测平台的理论基础,实现了缺陷信息到漏磁场信息、漏磁场信息到光的偏转角度信息、偏转角度信息到磁光图像亮度信息的转化。
在本实施例中,采用了U形硅钢片缠绕导电线圈制成的磁轭即U形磁轭,U形磁轭高为60mm,两极靴分别形成N极与S极的磁路且长宽分别为50mm*25mm,两极靴间距为40mm,缠绕了线径为0.5mm的铜线。
磁性材料为含有一字形缺陷的铁磁性材料硅钢片。如图3所示,该硅钢片试件尺寸长160mm宽30mm厚0.5mm,其中缺陷宽1mm深0.2mm。
采用0.1hz频率的正弦交流电源作为激励,VQ-310G-M120B0型号图像传感器对准图3所示的一字形缺陷进行拍摄,部分含有缺陷的磁光图像如4(a)~(l)所示。从图4,可以明显观察到随激励变化,磁光图像也发生变化,即产生了光流的运动,低频正弦交流信号可以获得丰富的磁光图像信息。单帧磁光图像中,图像亮度与漏磁场垂直方向的分量呈现正比关系。
在本实施例中,磁轭U部底端放置于操作台上,磁轭的结构并不能保证实验平台完全稳定,施加交流信号后正负交变的外磁场会使得磁轭发生微小的转动,反映在磁光图像上则为左右半图像不一的情况。
通过MATLAB工具箱对磁光图像进行等高线处理,所得结果如图5所示,理想的磁光图像应该其他区域保持平滑不变的基础上、在且仅在缺陷附近有较大梯度差,但在图像附近区域有大量“断裂”现象,这个现象体现在磁光图像中即是图像的干扰。
观察图5,可见磁光图像除了中间的缺陷信息,左右部分还含有了条状与斑状的空洞现象,反映在磁光图像上即为“明”、“暗”相间的干涉条纹与圆形斑状图案。条纹缺陷主要来自平台光路设计中磁光传感器与反射玻璃之间存在的物理间隙。
在本发明中,图像传感器采用黑白输出即磁光图像为黑白图像,这样拥有更大的图像梯度变化。
2、图像增强
传统的光流算法常应用于运动目标检测(Moving Object Detection)和视觉目标跟踪(Visual Object Tracking),目的在于描述相对于观察者所造成的观测目标表面或边缘的运动。光流法在三维物体投射在二维平面后,给图像中每一个像素点赋予了一个速度矢量,从而形成矢量运动场,从而根据各个像素点的速度矢量特征对图像进行动态分析。本发明利用光流场中丰富数据信息,分析缺陷光流、运动光流的不同,提取出磁光薄膜中动态特性并分离出缺陷产生的图像信息,达到增强磁光成像检测图像的效果。
在本发明中,采用的是金字塔光流算法,该算法是基于LK光流法的一种改进算法。当两帧图像间光流差别较大时,可以通过对两帧图像进行分层使得光流变小从而满足光流约束条件,再经过传递迭代出原始层磁光图像的光流信息,从而完成光流跟踪。实验证明金字塔光流法能稳定跟踪磁光图像集中光流的变化。
金字塔光流算法中的图像金字塔是一系列图像分辨率不同但是与原始图像覆盖范围相同的图像集,通过分辨率较低的图像进行层层递推,求得真实尺寸图像的光流矢量,对大运动的光流实现拆分从而求解。
在本实施例中,采用OpenCV计算机视觉库,金字塔光流中迭代算子最大迭代次数20,收敛阀值0.3,金字塔窗口大小5x5。与LK光流法不同,金字塔光流法能准确的追踪动态特征产生的光流运动,对产生光流运动的特征点进行累加,发生动态运动的特征点的记录结果如图6所示。
从图6,可以看出图像两侧分布稠密光流运动特征点,但中间位置存在空缺,没有动态特征运动的痕迹。明显的梯度差变化使得缺陷信息更加明确,二值化的显示使得缺陷部分图像灰度值梯度变化明显,易于人眼识别进行观察。
从图6,可以看出易发现光流增强图像中存在缺陷左右图像差别较大现象,这是因为周期性变化的激励带来正负变化的磁化方向,当磁光薄膜没有放置在绝对正中的位置时就容易发生变化不均匀的现象。与LK算法相比,金字塔算法基于分层的理论进行迭代使得对于光流的捕捉更加全面,计算速度更加快速,计算的稳定性更高。最终得到的光流追踪图像中,缺陷分明易于识别。
使用图像增强是为了提高图像信息的可辨识程度,使得图像中信息更加有利于分析观察。普遍的做法是通过边缘、轮廓或对比度等信息来进行锐化等处理。
梯度反应在图像上,就是灰度图像中变化率,图像梯度体现了图像边缘灰度值的变化。如图7所示,肉眼可以明显观察到光流增强后的图像图像梯度变化更加明显,缺陷信息更加直观。
二、指标评价
在图像处理领域中,信噪比也得到了广泛的应用。信噪比可以作为指标评价数字图像信号或者雷达信号,也可以作为标准度量信号压缩或者降噪等效果[。
传统认为信噪比RSNR为:
其中,Nsig是需要的信号,nnoise是不需要的噪声。图8(a)、(b)分别为采集的磁光图像和光流增强图像的网线面。
从图8(a)、(b)中可以发现,原始图像即采集的磁光图像中含有很多高频噪音属于nnoise,需要的信息就是中间缺陷的梯度差Nsig,增强之后的磁光图像缺陷突出效果显著,易得:
RSNR处理后>RSNR处理前
项目采用交流激励信号后,外加磁场随激励信号的周期性变化而产生变化,但是检测材料缺陷部分漏磁场没有垂直方向的分量,反映在磁光图像上并没有像素的改变。原有的磁光图像主要包含了两类信息:缺陷的特征信息与其他干扰信息。增强后的磁光图像只含有缺陷信息。方便检测人员进行操作。
三、复杂形缺陷光流提取
在本实施例中,采用磁导率为200~400的钢板材料作为磁性材料,钢板材料尺寸为199mmX100mmX5mm。其缺陷如图9所示。
采用工业相机VQ-310G-M120B0作为图像传感器,图像传感器每秒120帧能实时捕捉磁光图像的变化。其中拍摄区域位于图9中圆圈部分的拐角复杂形状。在低频交流激励信号之下,磁光图像产生周期性明暗变化,拐角部分磁光图像效果如图10(a)所示。
在缺陷中心区域,因为漏磁场在此处垂直方向磁场微弱,不能引起线偏振光的偏转,而在非缺陷区域上漏磁场垂直方向的分量或多或少引起线偏振光的角度变化,该运动随着信号周期性变化随之产生强弱的变化。使用MATLAB对磁光图像进行提取,根据形态学提取磁光图像信息,所得增强复杂缺陷增强图像如图10(b)所示,已知线偏振光偏转角度对于漏磁场垂直方向分量敏感,复杂缺陷中漏磁场形态复杂,缺陷检测难度加大。
与一字形缺陷不同,现在采用的是复杂含拐角缺陷。施加外磁场后产生的漏磁场形态复杂,使得缺陷识别产生一定干扰,对该视频采用金字塔算法求取光流,所得部分光流变化如图11所示。可见光流依旧能表征漏磁场垂直分量的分布,缺陷处因为没有垂直方向的磁场分量导致没有光流运动。
对拐角缺陷的磁光图像进行光流增强,所得结果如图12(b)所示,可见磁光图像由中间的缺陷部分大致分为左右两半,有效的排除了如图12(a)中圆圈内部分所示的条纹变化。使得处理后的磁光图像缺陷明显,在缺陷与其他区域中边界的梯度变化明显,易于发现缺陷从而进行之后的操作。
采用信噪比作为处理效果的评价标准,对比图13(a)与图13(b),易知原始磁光图像含有较多噪声信息。而经过光流增强后的磁光图像缺陷边缘梯度明显易于辨识。
采用复杂字符进行处理,复杂的字符型缺陷会使得漏磁场分布复杂,作用于磁光薄膜上的垂直方向的漏磁场分量也会受到影响。若需更进一步分析研究复杂字符带来的磁光图像,需要对产生的磁场进行详细的了解。
通过以上实例,可以看出,与传统的磁光图像增强方法相比,磁光图像在低频交流信号下的磁畴信息丰富,因此不能使用传统的基于运动的滤波方法。实验证明,金字塔光流算法不仅可以达到降低干扰噪声的效果,还可以达到同时提高缺陷特性的目的。
同时,本发明成功提高了磁光成像检测的检测灵敏度,强化缺陷的同时抑制了低频交流信号作用下动态干扰造成的干扰噪音。
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)
1.一种基于光流算法的磁光图像增强方法,其特征在于,包括以下步骤:
(1)、磁光图像的采集
采用0.1hz频率的正弦交流电源作为激励,通过图像传感器对硅钢片磁性材料进行拍摄,得到一组含有缺陷信息的磁光图像;
(2)、图像增强
对采集的磁光图像进行灰度化处理,然后采用金字塔光流算法对磁光图像进行迭代处理,其中,金字塔光流算法迭代算子最大迭代次数20,收敛阀值0.3,金字塔窗口大小5x5;
金字塔光流算法追踪动态特征产生的光流运动,对产生光流运动的特征点进行累加,即对发生动态运动的特征点进行记录,得到光流增强图像。
2.根据权利要求1所述的图像增强方法,其特征在于,步骤(1)中,所述的图像传感器采用黑白输出,即磁光图像为黑白图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433248.0A CN107180428B (zh) | 2017-06-09 | 2017-06-09 | 一种基于光流算法的磁光图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433248.0A CN107180428B (zh) | 2017-06-09 | 2017-06-09 | 一种基于光流算法的磁光图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180428A CN107180428A (zh) | 2017-09-19 |
CN107180428B true CN107180428B (zh) | 2019-08-20 |
Family
ID=59835257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710433248.0A Active CN107180428B (zh) | 2017-06-09 | 2017-06-09 | 一种基于光流算法的磁光图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108195928B (zh) * | 2017-12-19 | 2021-05-14 | 电子科技大学 | 一种基于图像融合的金属磁性材料缺陷检测装置 |
CN108460763B (zh) * | 2018-03-26 | 2021-03-30 | 上海交通大学 | 一种磁粉探伤图像自动检测识别方法 |
CN112784704A (zh) * | 2021-01-04 | 2021-05-11 | 上海海事大学 | 一种面向小样本视频动作分类的方法 |
CN113792617B (zh) * | 2021-08-26 | 2023-04-18 | 电子科技大学 | 一种结合图像信息和文本信息的图像解译方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104869387A (zh) * | 2015-04-19 | 2015-08-26 | 中国传媒大学 | 基于光流法的双目图像最大视差获取方法 |
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 |
CN106204478A (zh) * | 2016-07-06 | 2016-12-07 | 电子科技大学 | 基于背景噪声特征空间的磁光图像增强算法 |
-
2017
- 2017-06-09 CN CN201710433248.0A patent/CN107180428B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104869387A (zh) * | 2015-04-19 | 2015-08-26 | 中国传媒大学 | 基于光流法的双目图像最大视差获取方法 |
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 |
CN106204478A (zh) * | 2016-07-06 | 2016-12-07 | 电子科技大学 | 基于背景噪声特征空间的磁光图像增强算法 |
Non-Patent Citations (2)
Title |
---|
Visual detection of subsurface defects using enhanced magneto-optic imaging system;Yu Hua Hua Cheng 等;《Eighth International Symposium on Precision Engineering Measurement and Instrumentation》;20130131;第1-7页 * |
一种基于图像金字塔光流的特征跟踪方法;江志军 等;《武汉大学学报》;20070831;第32卷(第8期);第680-683页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107180428A (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180428B (zh) | 一种基于光流算法的磁光图像增强方法 | |
CN108195928B (zh) | 一种基于图像融合的金属磁性材料缺陷检测装置 | |
JP5701392B2 (ja) | サンプルの特性を画像化し、サンプル内の損傷の領域を識別するシステムおよび方法 | |
He et al. | Automatic defects detection and classification of low carbon steel WAAM products using improved remanence/magneto-optical imaging and cost-sensitive convolutional neural network | |
CN105372324B (zh) | 基于磁光成像法的缺陷检测方法 | |
Gao et al. | Multidirectional magneto-optical imaging system for weld defects inspection | |
Gao et al. | Weldment nondestructive testing using magneto-optical imaging induced by alternating magnetic field | |
Li et al. | Weld cracks nondestructive testing based on magneto-optical imaging under alternating magnetic field excitation | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN107734329A (zh) | 一种基带数字视频帧率的检测系统及检测方法 | |
CN107831192A (zh) | 一种缺陷的无损检测系统及方法 | |
Li et al. | Detection model of invisible weld defects by magneto-optical imaging at rotating magnetic field directions | |
CN204903413U (zh) | 基于偏振光成像技术的检测装置 | |
Liu et al. | Magneto-optical imaging nondestructive testing of welding defects based on image fusion | |
Zhen et al. | Design and evaluation of an FFT-based space-time image velocimetry (STIV) for time-averaged velocity measurement | |
CN108918657A (zh) | 一种工件缺陷检测系统 | |
Lu et al. | Quantitative nondestructive testing of wire ropes based on features fusion of magnetic image and infrared image | |
Gao et al. | Magneto-optical imaging characteristics of weld defects under alternating and rotating magnetic field excitation | |
Ma et al. | Influence of hysteresis effect on contrast of welding defects profile in magneto-optical image | |
Gao et al. | Modeling for detecting micro-gap weld based on magneto-optical imaging | |
Ma et al. | Influence of sampling frequency on magneto-optical imaging under alternating magnetic field excitation | |
Gao et al. | Identification of weld defects using magneto-optical imaging | |
Shi et al. | A novel distinction method of metal debris material based on inductive sensor with multi-sensing units | |
CN110514734A (zh) | 一种复合磁场磁光成像无损检测系统及方法 | |
Ma et al. | Optimization of Magneto-Optical Imaging Visualization of Micro-Defects Under Combined Magnetic Field Based on Dynamic Permeability |
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 |