CN108846839B - 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 - Google Patents

Abstract

本发明公开了一种基于扇形邻域差异直方图的匣钵裂纹检测方法。首先采集待检测匣钵的表面图像；再通过细节提取和阈值分割粗略提取到带有大量噪声的裂纹二值图像；然后根据裂纹像素点在邻域内的空间聚集特征和方向特征的特点，构造扇形滤波器并与图像卷积得到扇形邻域差异直方图；通过扇形邻域差异直方图分析裂纹像素点和非裂纹像素点的裂纹分布概率特征差异，对裂纹像素点和非裂纹像素点进行分离，实现裂纹的提取；最后，通过提取所得裂纹的全局以及局部的长度和面积特征，得到一个反映龟裂程度的评估因子，进行龟裂程度等级评估。本发明对复杂的匣钵底面上各种类型的裂纹都能实现准确完整的检测效果，可以应用于匣钵裂纹的自动化检测。

Description

一种基于扇形邻域差异直方图的匣钵裂纹检测方法

技术领域

本发明涉及图像处理领域，特别涉及一种基于扇形邻域差异直方图的匣钵裂纹检测方法。

背景技术

三元锂电正极材料的实际生产中，一般都采用高温固相合成法。它是将所需原料直接以固态形式，通过机械搅拌、球磨或压片等方式混合，然后再在高温下焙烧，冷却后破碎、过筛得到所需产品。正极材料高温焙烧过程所使用的载体为匣钵。但是高温下正极材料对匣钵具有一定的腐蚀性，用过数次的匣钵会存在不同程度底面裂纹缺陷，对于缺陷较严重的匣钵要及时更换，否则会影响正极材料产品质量。目前，匣钵底面裂纹主要通过专业检测人员肉眼观察来进行诊断和评估，缺陷定性评估受到操作者的经验，技能水平和图像质量的影响，评估标准很难实现客观统一，检测和替换效率低，并且容易发生误检和漏检。因此，实现匣钵底面裂纹检测自动化是提高生产效率和质量的有效途径。

实现匣钵表面裂纹检测自动化的主要方法是通过图像处理技术如经典的灰度阈值分割、形态学、机器学习、多尺度几何分析等技术，对采集到的匣钵表面图像进行自动处理，并测量检测到的裂纹的长度或宽度等特征，对裂纹结构和状态进行自动诊断。

发明内容

匣钵底面由于黑色锂电正极材料的粘连以及煅烧次数的增加，导致图像背景复杂，裂纹分布密集、断续，裂纹特征不明显，现有的裂纹检测方法在应用于匣钵裂纹提取时，都会由于匣钵裂纹以及图像背景的特殊性和复杂性，导致提取效果不理想。本发明针对现有的裂纹检测方法所存在的问题，在充分理解匣钵裂纹空间分布特征和图像背景特点的基础上，提出一种能够表现裂纹分布概率特征的扇形邻域差异直方图，对裂纹像素点和非裂纹像素点进行有效区分，进而实现裂纹提取和龟裂程度评估，最终达到检测目的。

为了实现上述技术目的，本发明的技术方案是，

一种基于扇形邻域差异直方图的匣钵裂纹检测方法，包括以下步骤：

S1：采集待检测匣钵的表面图像；

S2：对采集到的表面图像进行预处理以得到匣钵表面二值图像；

S3：构造多尺度、多方向的扇形滤波器，将滤波器与匣钵表面二值图像进行卷积，并根据卷积结果得到匣钵表面二值图像上每个像素点的扇形邻域差异直方图；

S4：提取扇形邻域差异直方图中裂纹分布概率特征值，并与预设的阈值比较，从而根据裂纹分布概率特征对步骤S2得到的匣钵表面二值图像上的裂纹进行提取；

S5：对步骤S4提取到的裂纹，再进行长度和面积特征提取并融合得到反映龟裂程度的评估因子，完成匣钵裂纹检测。

2、根据权利要求1中所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，所述步骤S2中图像预处理的方法为：

S201：细节提取，对步骤S1采集到的待检测匣钵表面图像I(i,j)进行通过中值滤波的方式得到细节图像I_d(i,j)；

S202：对步骤S201所得的细节图像I_d(i,j)进行阈值分割得到二值图像I′_t(i,j)，其中所采用的阈值为T，；

S203：对步骤S202所得的二值图像I′_t(i,j)进行形态学闭运算得到预处理结果图像I_t(i,j)，其中闭运算所使用的结构元素大小为5像素×5像素。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述的步骤S201中，通过中值滤波得到细节图像I_d(i,j)的过程为：

首先对待检测匣钵表面图像I(i,j)进行中值滤波，以过滤掉细节内容并得到图像背景I_b(i,j)，然后用I(i,j)减去I_b(i,j)，得到细节图像I_d(i,j)。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述的步骤S202中，所述的阈值T的确定方法是使得灰度值小于等于T的图像面积不大于图像总面积的1/p，灰度值小于T+1的图像面积大于图像总面积的1/p，其中1/p为针对匣钵裂纹图像所设置的常量。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述步骤S3中扇形邻域差异直方图的获取方法为：

S301：构造包含三个尺度，每个尺度有32个方向、平均分布于360°范围的扇形滤波器

其中k＝0，1，…，31，表示32个方向；n＝1，2，3，表示3个尺度；

S302：根据步骤S301中构造的扇形滤波器

与步骤S2得到的预处理结果图像进行卷积，以扇形滤波器的32个方向为横坐标值，以每个方向所对应的3个尺度的卷积结果的最大值为纵坐标值，得到每一个像素点的扇形邻域差异直方图H。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述步骤S4中匣钵裂纹的提取方法为：

S401：对步骤S3得到的扇形邻域差异直方图进行变换，得到峰值特征明显的直方图H′，变换方法如下：

其中，y_n表示变换前直方图在坐标n处的值，y′_n表示变换后直方图在坐标n处的值，

表示32个方向处理结果的平均值；

S402：根据步骤S401得到的直方图H′提取每一个像素点的裂纹分布概率特征值V_c，的计算方法为V_c＝(y′₁+y′₂+y′₄-y′₅-0.1×y′₃+3)/63，其中y′₁，y′₂，y′₃，y′₄，y′₅表示直方图H′中最大的五个值，且y′₁≥y′₂≥y′₃≥y′₄≥y′₅。；

S403：根据步骤S402得到的裂纹分布概率特征值V_c对表面裂纹进行提取，将每一个像素点的裂纹分布概率特征值V_c与预设的概率阈值比较，若大于概率阈值，则归属于裂纹像素点，否则属于非裂纹像素点，由此实现表面裂纹提取。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述的概率阈值为0.35。

所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，所述步骤S5中龟裂程度评估方法为：

S501:根据步骤S4提取到的匣钵裂纹，进一步提取裂纹的全局分布面积S_g，全局长度L_g，局部分布面积S_l，局部长度L_l，计算方法为：

其中，S表示步骤S1获取的表面图像的面积，V_c(i)表示第i个裂纹像素点的V_c值，L表示提取到的裂纹总长,k＝1，2，…，64，表示将一幅匣钵底面图像平均分为64块，

表示第k块图像的S_g值，

表示第k块图像的L_g值；

S502：对步骤S501提取到的S_g，L_g，S_l和L_l进行综合，确定匣钵龟裂程度的定量评估因子，具体确定方法如下：

E＝max{E₁，E₂，E₃，E₄}

其中，

和

分别为根据实验确定的经验阈值，E₁，E₂，E₃和E₄分别表示将S_g，L_g，S_l和L_l标准化到区间[0，1]的结果，最终得到的评估因子为它们的最大值E；

S503：根据步骤S502得到的评估因子E，确定裂纹龟裂等级，达到裂纹检测目的。

本发明的技术效果在于，与现有的裂纹检测方法相比，本发明充分考虑了匣钵裂纹的空间分布特征以及图像背景的特点，首先通过图像预处理从复杂的图像背景中实现裂纹粗提取，进而根据裂纹像素点与非裂纹像素点在裂纹分布概率特征上的差异，实现裂纹精提取。最后，对所得裂纹的全局和局部的分布面积特征以及长度特征进行提取综合，确定裂纹龟裂等级评估因子，达到匣钵裂纹检测目的。这种逐步求精的方法提高了裂纹提取以及龟裂等级评估的精度，保证了裂纹检测的准确性。

附图说明

图1为本发明所述裂纹检测方法的流程示意图。

图2中，(a)为扇形滤波器获取过程示意图；(b)为前八个方向扇形滤波器示意图。

图3中，(a)为某裂纹像素点的扇形邻域差异直方图变换前；(b)为某裂纹像素点的扇形邻域差异直方图变换后。

图4中，(a)为采集到的匣钵裂纹灰度图像；(b)为本发明提取到的裂纹。

具体实施方式

下面结合具体实施例，并参照附图，对本发明作进一步详细说明。

参见附图1所示，本实施例所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，包括以下步骤：

S1：通过CCD工业相机或其他图像采集装置，采集待检测匣钵的表面灰度图像；

S2：对采集到的匣钵表面灰度图像进行预处理，以得到由裂纹像素点和非裂纹像素点组成的匣钵表面二值图像，步骤如下：

S201：细节提取，对步骤S1采集到的待检测匣钵表面图像I(i,j)进行中值滤波，过滤细节内容，得到图像背景I_b(i,j)，再用图像I(i,j)减去图像I_b(i,j)得到细节图像I_d(i,j)，则

其中，I_O(x)表示像素点x的灰度值，R_i表示像素x_i的邻域。本实施例所选取的邻域半径即中值滤波器的半径为15个像素单位。

S202：阈值分割，对步骤S201所得的细节图像I_d(i,j)进行阈值分割得到二值图像I′_t(i,j)，其中所采用的阈值为T，T值确定方法是使得灰度值小于等于T的图像面积不大于图像总面积的1/p，灰度值小于T+1的图像面积大于图像总面积的1/p，具体操作公式为：

其中，H为图像的高度，W为图像的宽度，hist为图像的灰度直方图，本实施例根据匣钵裂纹的分布密度所确定的1/p的值为0.15。

S203：形态学运算，对步骤S2所得的二值图像I′_t(i,j)进行形态学闭运算得到预处理结果图像I_t(i,j)，如下式所示：

I_t(i,j)＝I′_t(i,j(·A，

其中，A表示本实施例在闭运算所使用的正方形的结构元素，边长为5个像素单位。

S3：如图2所示，构造多尺度、多方向的扇形滤波器，将滤波器与裂纹二值图像进行卷积，并对卷积结果进行处理得到扇形邻域差异直方图，步骤如下：

S301：构造扇形滤波器，对于一个中心像素点，将其360°邻域按一定的角度平均分为32个方向，也就是每11.25°一个方向；对于每一个方向，以这个方向为中心，构建一个夹角为12°的扇形滤波器f(x，y，θ，σ)，其中(x，y)表示滤波器上的点相对于中心像素点的坐标值，θ表示滤波器的方向角度，σ表示与扇形半径相关的滤波器的尺度，具体构造过程如下：

首先将由中心向四周递减的高斯函数变换为一个由中心向四周递增的函数：

G′(x，y，σ)＝1-G(x，y，σ)，

其中，G(x，y，σ)表示以(0，0)为中心，方差为σ的各向同性高斯函数，即

然后用一个函数h(x，y，θ，r)表示一个幅值大小为1的扇形区域，则

其中，D(θ，r)表示以(0，0)为圆心，对称轴方向为θ，半径为3σ，夹角为12°的扇形区域。最后得到扇形滤波器表达式为：

f(x，y，θ，σ)＝G′(x，y，σ)×h(θ，σ)，

其中，θ表示扇形滤波器的方向，一共32个方向，即θ_k＝k×11.25°，k＝0，1，…，31。σ表示扇形滤波器的尺度。由于不同裂纹的长度和宽度存在一定程度的差异，为了对不同尺寸的裂纹都取得最佳的提取效果，使每一个方向的滤波器都拥有三个尺度，本文通过实验确定的三个最佳尺度为σ₁＝2.67，σ₂＝3.67，σ₃＝4.67，即对应的滤波器半径分别为8，11，14。

S302：如图3所示，获取扇形邻域差异直方图，根据步骤S301所构造的扇形滤波器，与步骤S2得到的二值图像I_t(i,j)卷积来获取像素点扇形邻域差异直方图：

设

其中k＝0，1，…，31；n＝1，2，3。

其中，

表示第k个方向上尺度为σ_n的卷积模板，I_B(i，j)表示阈值分割后得到的二值图像，

表示模板

与图像I_B(i，j)卷积得到的图像矩阵，它包含各个像素点在第k个方向上对应的扇形邻域差异直方图中的y轴值，即直方图中x轴坐标为k时对应的y轴值，但是由于每一个方向都对应三个尺度，所以选择三个尺度的计算结果中最大的值作为该方向上的值，最后对所有的值进行归一化，拉伸，取整，转换为0到30的整数，便于直方图的构建和分析。经过这一系列的操作，就可以得到图像I_B(i，j)中的所有目标点所对应的直方图信息，其中直方图的横坐标为x＝1，2，3，…，31，32，与横坐标相对应的纵坐标值为y(x)＝I_x(i，j)。

S4：提取扇形邻域差异直方图中裂纹分布概率特征，并根据裂纹分布概率特征对步骤S2得到的匣钵表面二值图像上的裂纹进行提取，步骤如下：

S401：直方图变换，由于像素点扇形邻域差异直方图的波峰是区分裂纹像素点与非裂纹像素点的关键特征，为了使波峰更加明显，对S3所得到的直方图进行变换，只保留明显高于平均值的波峰即显著波峰。变换原理如下：

其中，y_n表示变换前直方图在坐标n处的值，y′_n表示变换后直方图在坐标n处的值，

表示一个直方图32个方向的平均值。

S402：裂纹分布概率特征值提取，根据S401得到的直方图y′(x)，提取像素点的裂纹分布概率特征值V_c，提取方法如下：

取y′(x)中最大的五个值，从大到小依次为y₁，y₂，y₃，y₄，y₅，

{y₁，y₂，y₃，y₄，y₅}＝max₅y′(x)，

通过y₁，y₂，y₃，y₄，y₅定义V′_c：

其中，

分别为y₁，y₂，y₃，y₄，y₅所对应的权值，本发明设定

于是

V′_c＝y₄+y₅-y₁-y₂+0.1×y₃，

则-60≤V′_c≤3，最后，根据V′_c确定V_c:

V_c＝(y₁+y₂+y₄-y₅-0.1×y₃+3)/63，

其中，0≤V_c≤1。V_c值即为像素点的裂纹分布概率特征值。

S403：裂纹提取，根据步骤S402得到的裂纹分布概率特征值V_c进行裂纹提取，其中V_c值的大小表示一个像素点属于裂纹像素点的概率，一个像素点的V_c值越接近于1，表明该像素点属于裂纹像素点的可能性越大。通过计算二值图像中每一个值为1的像素点的V_c值，将一幅二值图像转化为一个同等大小的概率矩阵，最后再设定一个合适的概率阈值，将裂纹像素点从噪声像素点中分离出来，从而最终得到裂纹图像。本实施例所选取的概率阈值为0.4，提取结果如图4所示。

S5：对步骤S4所得裂纹的长度和面积特征进行提取，融合特征信息得到反映龟裂程度的评估因子，进行龟裂程度评估，完成匣钵裂纹检测，步骤如下：

S501:裂纹特征提取，根据步骤S4提取到的匣钵裂纹，进一步提取裂纹的全局分布面积S_g，全局长度L_g，局部分布面积S_l，局部长度L_l，计算方法为：

其中，S表示步骤S1获取的图像的面积，V_c(i)表示第i个裂纹像素点的V_c值，L表示提取到的裂纹总长,k＝1，2，…，64，表示将一幅匣钵底面图像平均分为64块，

表示第k块图像的S_g值，

表示第k块图像的L_g值。

S502：龟裂程度评估因子计算，对步骤S501提取到的S_g，L_g，S_l和L_l进行综合，确定匣钵龟裂程度的定量评估因子，具体确定方法如下：

E＝max{E₁，E₂，E₃，E₄}

其中，

和

分别为根据实验确定的经验阈值，即通过选取多幅经人工分辨判定为龟裂严重的匣钵表面图像，计算每幅图像的S_g，L_g，S_l和L_l，再计算它们的平均值

和

来作为

和

E₃和E₄分别表示将S_g，L_g，S_l和L_l标准化到区间[0，1]的结果，最终得到的评估因子为它们的最大值E。

S503：龟裂等级评估，根据步骤S502得到的评估因子E，确定裂纹龟裂等级，达到裂纹检测目的。以下给出本实施例中对裂纹龟裂等级的评定，在实际运用中，可根据具体情况进行相应调整。

本实施例中，首先通过图像预处理进行裂纹粗提取，然后再对粗提取到的裂纹进行精提取。在进行精提取时，先设计了一种独特的扇形滤波器，然后使用该滤波器构建扇形邻域差异直方图，并分析裂纹像素点与非裂纹像素点的扇形邻域差异直方图的裂纹分布概率特征，从而最终实现了匣钵底面裂纹的提取。最后使用得到的裂纹进一步提取能够表现龟裂程度的特征，并使用这些特征构造了一个龟裂程度评估因子，对匣钵裂纹进行龟裂程度等级评估，达到理想的检测效果。

Claims (5)

1.一种基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，包括以下步骤：

S1：采集待检测匣钵的表面图像；

S2：对采集到的表面图像进行预处理以得到匣钵表面二值图像；

S3：构造多尺度、多方向的扇形滤波器，将滤波器与匣钵表面二值图像进行卷积，并根据卷积结果得到匣钵表面二值图像上每个像素点的扇形邻域差异直方图；

S4：提取扇形邻域差异直方图中裂纹分布概率特征值，并与预设的阈值比较，从而根据裂纹分布概率特征对步骤S2得到的匣钵表面二值图像上的裂纹进行提取；

S5：对步骤S4提取到的裂纹，再进行长度和面积特征提取并融合得到反映龟裂程度的评估因子，完成匣钵裂纹检测；

所述步骤S3中扇形邻域差异直方图的获取方法为：

S301：构造包含三个尺度，每个尺度有32个方向、平均分布于360°范围的扇形滤波器

其中k＝0，1，…，31，表示32个方向；n＝1，2，3，表示3个尺度；

S302：根据步骤S301中构造的扇形滤波器

与步骤S2得到的预处理结果图像进行卷积，以扇形滤波器的32个方向为横坐标值，以每个方向所对应的3个尺度的卷积结果的最大值为纵坐标值，得到每一个像素点的扇形邻域差异直方图H；

所述步骤S4中匣钵裂纹的提取方法为：

S401：对步骤S3得到的扇形邻域差异直方图进行变换，得到峰值特征明显的直方图H′，变换方法如下：

其中，y_n表示变换前直方图在坐标n处的值，y′_n表示变换后直方图在坐标n处的值，

表示32个方向处理结果的平均值；

S402：根据步骤S401得到的直方图H′提取每一个像素点的裂纹分布概率特征值V_c的计算方法为V_c＝(y′₁+y′₂+y′₄-y′₅-0.1×y′₃+3)/63，其中y′₁，y′₂，y′₃，y′₄，y′₅表示直方图H′中最大的五个值，且y′₁≥y′₂≥y′₃≥y′₄≥y′₅；

S403：根据步骤S402得到的裂纹分布概率特征值V_c对表面裂纹进行提取，将每一个像素点的裂纹分布概率特征值V_c与预设的概率阈值比较，若大于概率阈值，则归属于裂纹像素点，否则属于非裂纹像素点，由此实现表面裂纹提取；

所述步骤S5中龟裂程度评估方法为：

S501:根据步骤S4提取到的匣钵裂纹，进一步提取裂纹的全局分布面积S_g，全局长度L_g，局部分布面积S_l，局部长度L_l，计算方法为：

其中，S表示步骤S1获取的表面图像的面积，V_c(i)表示第i个裂纹像素点的V_c值，L表示提取到的裂纹总长,k＝1，2，…，64，表示将一幅匣钵底面图像平均分为64块，

表示第k块图像的S_g值，

表示第k块图像的L_g值；

S502：对步骤S501提取到的S_g，L_g，S_l和L_l进行综合，确定匣钵龟裂程度的定量评估因子，具体确定方法如下：

E＝max{E₁，E₂，E₃，E₄}

其中，

和

分别为根据实验确定的经验阈值，E₁，E₂，E₃和E₄分别表示将S_g，L_g，S_l和L_l标准化到区间[0，1]的结果，最终得到的评估因子为它们的最大值E；

S503：根据步骤S502得到的评估因子E，确定裂纹龟裂等级，达到裂纹检测目的。

2.根据权利要求1中所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，所述步骤S2中图像预处理的方法为：

S201：细节提取，对步骤S1采集到的待检测匣钵表面图像I(i,j)进行通过中值滤波的方式得到细节图像I_d(i,j)；

S202：对步骤S201所得的细节图像I_d(i,j)进行阈值分割得到二值图像I′_t(i,j)，其中所采用的阈值为T；

S203：对步骤S202所得的二值图像I′_t(i,j)进行形态学闭运算得到预处理结果图像I_t(i,j)，其中闭运算所使用的结构元素大小为5像素×5像素。

3.根据权利要求2中所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，所述的步骤S201中，通过中值滤波得到细节图像I_d(i,j)的过程为：

首先对待检测匣钵表面图像I(i,j)进行中值滤波，以过滤掉细节内容并得到图像背景I_b(i,j)，然后用I(i,j)减去I_b(i,j)，得到细节图像I_d(i,j)。

4.根据权利要求2中所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，所述的步骤S202中，所述的阈值T的确定方法是使得灰度值小于等于T的图像面积不大于图像总面积的1/p，灰度值小于T+1的图像面积大于图像总面积的1/p，其中1/p为针对匣钵裂纹图像所设置的常量。

5.根据权利要求1中所述的基于扇形邻域差异直方图的匣钵裂纹检测方法，其特征在于，所述的概率阈值为0.35。

Images