CN107610103B - 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 - Google Patents
一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 Download PDFInfo
- Publication number
- CN107610103B CN107610103B CN201710764610.2A CN201710764610A CN107610103B CN 107610103 B CN107610103 B CN 107610103B CN 201710764610 A CN201710764610 A CN 201710764610A CN 107610103 B CN107610103 B CN 107610103B
- Authority
- CN
- China
- Prior art keywords
- welding seam
- image
- steel pipe
- line
- filtering
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,对图像进行增强显示、灰度转化和降噪处理之后,再采用Canny算子进行焊缝边缘检测,采用霍夫变换检测直线,对干扰因素进行过滤,获取焊缝两侧直线的像素点集合,并进行拟合得到焊缝边界,最后根据焊缝边界提取焊缝;使焊缝缺陷图像监测能够只针对提取出来的焊缝区域进行,钢管焊缝图像检测的数据量大大的减少,运行时间缩短,缺陷检测的效率显著提高。
Description
技术领域
本发明属于图像处理领域与无损检测领域,具体涉及一种基于X射线成像的钢管螺旋弧焊缝区域提取方法。
背景技术
近年来,随着我国经济的高速发展,国内人民生活水平的提高,基础建设的加快,我国对管线的需求也越来越大,西气东输工程、城市供水系统的改造、城市煤气管道的建设、国家石油管道的兴建等项目都需要大口径的螺旋钢管。这对螺旋钢管生产企业来说既是机遇同时又是挑战,而影响管材质量的主要因素就是钢管的焊缝质量是否有保证,因此焊缝质量检测是钢管制造企业一个重要的工艺环节。
现阶段,在数字实时成像技术中,“X射线工业电视”的无损检测方法在钢管焊缝检测方面占了主导位置。但目前仍采用人工方式进行在线检测与分析,有劳动强度大、主观标准不一致、检测效率低的问题。现有的无损检测图像处理,需要遍历整幅图像。若对整幅图像使用缺陷检测算法,计算量比较大,计算时间长,影响钢管焊缝的检测效率。
发明内容
本发明的目的在于提出一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,通过提取钢管焊缝图像的焊缝区域,然后在提取出来的焊缝区域进行缺陷检测,使得钢管焊缝图像检测的数据量大大的减少,运行时间缩短,缺陷检测算法的效率显著的提高。
为实现上述目的,本发明提供一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,具体包括以下步骤:
步骤1,读取图像,进行图像预处理,包括灰度转换,图像增强与降噪处理;
步骤2,用Canny算子进行焊缝边缘检测;
步骤3,进行霍夫变换,检测直线;
步骤4,两次直线过滤;
步骤5,获取左右两侧直线的像素点集合;
步骤6,对左右边界像素点集合进行拟合,得到焊缝的最终边界;
步骤7,提取焊缝区域。
步骤1中采用指数变换进行图像增强,将采集到的16位灰度图像转换到8位灰度图像进行显示,转换公式如下:
y=a+bxc
其中,采集原始数据图像灰度级为65535,转换后的图像为256个灰度级;设x代表原始图像的像素值,y代表转换后的图像的像素值,设定a、b、c三个系数,则x与y的转换关系为:
①、a<b:如果x≤a,则y=0;如果x≥b,则y=255;在[a,b]内,采用指数校正增强函数如下:
②、a>b:如果x≤b,则y=255;如果x≥a,则y=0;在[b,a]内,采用指数校正增强函数
如下:
对于不同的壁厚和直径的钢管,通过调节a、b、c的参数值,使图像在最佳的成像状态下进行显示,具体实现时设置a、b、c调节滑动条,手动调节a、b、c的值,找到更好的值,改变动态图像的成像效果,以便满足显示的需要。
步骤1中图像降噪处理使用的是帧叠加处理方式进行滤波处理,采用100帧图像叠加,在进行3×3窗口的中值滤波处理。
步骤2中确定Canny边缘检测的参数值时,选Canny值从2开始,靠近扫描起始点进行扫描时,每次增加1,进行焊缝中心线一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值记为Cmin,同理,对焊缝中心线另一侧进行扫描时,Canny值从15开始,每次减少1,进行焊缝中心线的另一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值命名为Cmax;最终采用Cmin和Cmax的平均值作为边缘检测的Canny值参数。
步骤3中使用Opencv库函数HoughLinesP进行霍夫变换,检测直线。
步骤4中进行两次直线过滤,第一次直线过滤,对计算步骤3检测出的所有直线的斜率进行过滤,过滤条件为:
长度小于30个像素值进行过滤;
过滤掉与焊缝中心线平行的直线和与焊缝中心线垂直的直线;
过滤掉斜率大于设定的最大斜率60度和斜率小于设定的最小斜率30度的直线;
其它的直线保留;
第二次过滤直线,根据第一次过滤结果获取焊缝的中心线;过滤掉离中心线小于设定距离的直线,其中设定距离为二分之一焊缝宽度加5像素;还要过滤掉与中心线相交的直线。
步骤5中将焊缝中心线左边的端点存入集合Lpoints中,焊缝中心线右边的端点存入集合Rpoints。
步骤6采用Opencv库函数中的filtline函数对步骤5所得集合Lpoints和集合Rpoints进行拟合,分别得到左右边界。
步骤7中,扫描原始图像,将两边界之间的区域存入结果集合中,得到焊缝区域。
与现有技术相比,本发明至少具有以下有益效果:
首先,本方法先进行图像增强处理,降低图像背景噪声的影响,突出焊缝区域,同时消除背景关照明暗程度不同导致的不稳定问题。其次,在Canny算子参数选取时,本方法基于实验选取的平均值,效果更好,更稳定;样本图片选取施工现场的工作图像,更加贴合实际工作场景;样本选取量为100张图像,这些样本图像覆盖了所有可能影响效果的因素,如光照、电流等。再者,本方法的直线过滤采取了两次,每次过滤只包含一个条件,专一性更强,检测效果更好。最后进行直线拟合,确定两侧边界,在进行图像扫描获取焊缝区域。总之,本方法提取钢管焊缝图像中的焊缝区域,然后在提取出来的焊缝区域进行缺陷检测,焊缝区域大约只占到整个图像的五分之一,使得钢管焊缝图像检测的数据量大大的减少,运行时间缩短,同时排除焊缝之外区域的干扰,最终使得缺陷检测的效率显著提高。
附图说明
图1为本发明的图像处理流程图。
图2为增强处理前的图像。
图3为增强处理后的图像。
图4为对增强处理后的图像进行降噪处理前的图像。
图5为对增强处理后的图像进行降噪处理后的图像。
图6焊缝提取结果图像。
具体实施方式
以下结合附图对本发明的实现步骤和实验效果作进一步详细描述:
本发明的具体实现步骤如下:
本发明的实施图像为16位,1024×1024像素图像,开发环境为VC++与Opencv计算机视觉库,进行如下处理:
步骤1,图像预处理:首先使用指数变换进行图像增强与灰度转化,采用指数变换进行图像增强,将采集到的原始16位灰度图像转换到8位灰度图像进行显示,转换公式如下:
y=a+bxc
其中,采集原始数据图像灰度级为65535,转换后的图像为256个灰度级;设x代表原始图像的像素值,y代表转换后的图像的像素值,设定a、b、c三个系数,则x与y的转换关系为:
①、a<b:如果x≤a,则y=0;如果x≥b,则y=255;在[a,b]内,采用指数校正增强函数如下:
②、a>b:如果x≤b,则y=255;如果x≥a,则y=0;在[b,a]内,采用指数校正增强函数
如下:
对于不同壁厚和直径的钢管都可以通过手工调整a、b、c的参数值,使图像达到最佳显示状态;图像增强前如图1所示,增强后如图2所示,图2所示图像的相对于图1所示图像其对比度明显增大,焊缝边界更加清晰。
再进行100帧的图像叠加滤波处理,使用3×3窗口大小的中值滤波对图像进行降噪处理。图像降噪前如图3所示,降噪后如图4所示,帧叠加处理后的图像和帧叠加处理前的图像相比,图4所示的图像背景噪声明显消除,缺陷边缘信息得到增强,滤掉噪声的同时达到图像增强的效果。
步骤2,焊缝边缘检测:使用Canny算子进行边缘检测,确定Canny边缘检测的参数值时,选Canny值从2开始,靠近扫描起始点进行扫描时,每次增加1,进行焊缝中心线一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值记为Cmin,同理,对焊缝中心线另一侧进行扫描时,Canny值从15开始,每次减少1,进行焊缝中心线的另一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值命名为Cmax;最终采用Cmin和Cmax的平均值作为边缘检测的Canny值参数。
步骤3,进行霍夫变换,使用Opencv库函数HoughLinesP函数进行直线检测。
步骤4,对步骤3检测出的直线进行两次过滤,滤掉背景直线噪音;过滤条件为:
长度小于30个像素值进行过滤;
过滤掉与焊缝中心线平行的直线和与焊缝中心线垂直的直线;
过滤掉斜率大于设定的最大斜率60度和斜率小于设定的最小斜率30度的直线;
其它的直线保留;
第二次过滤直线,根据第一次过滤结果获取焊缝的中心线;过滤掉距中心线小于设定距离的直线,其中设定距离为二分之一焊缝宽度加5像素;还要过滤掉与中心线相交的直线。
步骤5,获取焊缝两边界集合:将焊缝中心线左边的端点存入集合Lpoints中,焊缝中心线右边的端点存入集合Rpoints。
步骤6,使用Opencv库函数fitline(InputArray points,OutputArray Line,intdistType,doublereps,double aeps)对步骤5所得集合Lpoints和Rpoints进行直线拟合,得到焊缝边界。
步骤7,对整幅图进行遍历,根据左右边界提取边界之间的区域,通过扫描整个原始图像,将左右边界在同一行的二维坐标作为边界值,提取中间区域,存储到目标集合中,即可以获得如图5所示的两条直线之间的焊缝区域。
Claims (8)
1.一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,包括以下步骤:
步骤1,读取图像,进行图像预处理,包括灰度转换,图像增强与降噪处理;
步骤2,用Canny算子进行焊缝边缘检测;
步骤3,进行霍夫变换,检测直线;
步骤4,两次直线过滤;第一次直线过滤,对计算步骤3检测出的所有直线的斜率进行过滤,过滤条件为:
长度小于30个像素值进行过滤;
过滤掉与焊缝中心线平行的直线和与焊缝中心线垂直的直线;
过滤掉斜率大于设定的最大斜率60度和斜率小于设定的最小斜率30度的直线;
其它的直线保留;
第二次过滤直线,根据第一次过滤结果获取焊缝的中心线;过滤掉离中心线小于设定距离的直线,其中设定距离为二分之一焊缝宽度加5像素;还要过滤掉与中心线相交的直线;
步骤5,获取左右边界直线的像素点集合;
步骤6,对左右边界像素点集合进行拟合,得到焊缝的最终边界;
步骤7,提取焊缝区域。
2.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤1中采用指数变换进行图像增强,将采集到的16位灰度图像转换到8位灰度图像进行显示,转换公式如下:
y=a+bxc
其中,采集原始数据图像灰度级为65535,转换后的图像为256个灰度级;设x代表原始图像的像素值,y代表转换后的图像的像素值,设定a、b、c三个系数,则x与y的转换关系为:
①、a<b:如果x≤a,则y=0;如果x≥b,则y=255;在[a,b]内,采用指数校正增强函数如下:
②、a>b:如果x≤b,则y=255;如果x≥a,则y=0;在[b,a]内,采用指数校正增强函数如下:
对于不同的壁厚和直径的钢管,通过调节a、b、c的参数值,使图像在最佳的成像状态下进行显示。
3.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤1中图像降噪处理使用的是帧叠加处理方式进行滤波处理,采用100帧图像叠加,在进行3×3窗口的中值滤波处理。
4.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤2中确定Canny边缘检测的参数值时,选Canny值从2开始,靠近扫描起始点进行扫描时,每次增加1,进行焊缝中心线一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值记为Cmin,同理,对焊缝中心线另一侧进行扫描时,Canny值从15开始,每次减少1,进行焊缝中心线的另一侧焊缝边界检测,直到确定焊缝时Canny值停止改变,焊缝确定时Canny的值命名为Cmax;最终采用Cmin和Cmax的平均值作为边缘检测的Canny值参数。
5.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤3中使用Opencv库函数HoughLinesP进行霍夫变换,检测直线。
6.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤5中将焊缝中心线左边的端点存入集合Lpoints中,焊缝中心线右边的端点存入集合Rpoints。
7.根据权利要求6所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤6采用Opencv库函数中的filtline函数对步骤5所得集合Lpoints和集合Rpoints进行拟合,分别得到左右边界。
8.根据权利要求1所述的一种基于X射线成像的钢管螺旋弧焊缝区域提取方法,其特征在于,步骤7中,扫描原始图像,将两边界之间的区域存入结果集合中,得到焊缝区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764610.2A CN107610103B (zh) | 2017-08-30 | 2017-08-30 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764610.2A CN107610103B (zh) | 2017-08-30 | 2017-08-30 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610103A CN107610103A (zh) | 2018-01-19 |
CN107610103B true CN107610103B (zh) | 2021-01-08 |
Family
ID=61056536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710764610.2A Active CN107610103B (zh) | 2017-08-30 | 2017-08-30 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610103B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492260B (zh) * | 2018-02-07 | 2019-01-08 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
CN108645865A (zh) * | 2018-05-10 | 2018-10-12 | 中国石油天然气集团有限公司 | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 |
CN112528735B (zh) * | 2020-10-30 | 2022-07-01 | 清华大学 | 管道螺旋焊缝漏磁自动识别方法和装置 |
CN113040704A (zh) * | 2020-11-23 | 2021-06-29 | 泰州国安医疗用品有限公司 | 基于血丝分布状态的便携式诊断平台及方法 |
CN114937039B (zh) * | 2022-07-21 | 2022-10-25 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924896A (zh) * | 2006-09-14 | 2007-03-07 | 上海交通大学 | 基于局部图像处理的对接类型焊缝识别方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
KR101762203B1 (ko) * | 2016-10-24 | 2017-07-27 | 한국생산기술연구원 | Fov의 자동조절이 가능한 비전센서장치 및 그 제어방법 |
-
2017
- 2017-08-30 CN CN201710764610.2A patent/CN107610103B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1924896A (zh) * | 2006-09-14 | 2007-03-07 | 上海交通大学 | 基于局部图像处理的对接类型焊缝识别方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
KR101762203B1 (ko) * | 2016-10-24 | 2017-07-27 | 한국생산기술연구원 | Fov의 자동조절이 가능한 비전센서장치 및 그 제어방법 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107610103A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610103B (zh) | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 | |
CN111696107B (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN112001906B (zh) | 一种结合非极大值抑制的钢板焊缝图像检测方法 | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN110596116A (zh) | 一种车辆表面瑕疵检测方法及检测系统 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN113139900B (zh) | 一种棒材完整表面图像获取方法 | |
CN114663374A (zh) | 一种基于双边滤波和伽马变换的隧道墙体裂缝检测方法 | |
CN109859132A (zh) | 一种基于增强图像识别技术的产品质量在线检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN117237335A (zh) | 基于机器视觉的光伏钢结构组件检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN112935473A (zh) | 一种基于机器视觉的自动焊机及其控制方法 | |
CN114001674B (zh) | 一种自由视角下的线束弯曲半径机器视觉测量方法 | |
CN110390649B (zh) | 一种用于油气管道焊缝图像降噪的方法 | |
KR970007012B1 (ko) | 화상중의 농도변동구성화소 추출방법 및 농도변동덩어리 판정방법 | |
CN113516654A (zh) | 一种基于视觉识别芯孔内壁异常部位的方法及系统 | |
CN115526867B (zh) | 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 | |
CN111915581B (zh) | 一种金属光滑弧面缺陷检测方法 | |
CN117689662B (zh) | 一种换热器管头焊接质量视觉检测方法及系统 |
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 |