CN109459451A - 一种基于射线造影的金属内部微小裂纹检测方法 - Google Patents
一种基于射线造影的金属内部微小裂纹检测方法 Download PDFInfo
- Publication number
- CN109459451A CN109459451A CN201811528710.6A CN201811528710A CN109459451A CN 109459451 A CN109459451 A CN 109459451A CN 201811528710 A CN201811528710 A CN 201811528710A CN 109459451 A CN109459451 A CN 109459451A
- Authority
- CN
- China
- Prior art keywords
- image
- metal
- metal inside
- small cracks
- ray
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
Abstract
本发明公开了一种基于射线造影的金属内部微小裂纹检测方法,对待测金属发射射线,生成金属内部结构组织造影图像;对金属内部结构组织造影图像进行AD转换,生成数字图像;对数字图像进行预处理,包括图像滤波、目标区域增强、二值化处理和二值图像滤波;对预处理的图像进行数学形态学处理,提取目标形状特征;根据目标形状特征,进行裂纹的检测和识别。本发明利用射线波的强穿透能力,深入金属结构组织内部,采集金属内部微观组织影像,进行金属内部微小裂纹的检测。
Description
技术领域
本发明计算机视觉领域,具体涉及一种基于射线造影的金属内部微小裂纹检测方法。
背景技术
基于视觉的目标定位与检测技术由于具有定位准确、检测快速、自动化操作、易于安装部署等特点,已经广泛应用于工业自动化检测过程,特别是在目标表面质量检测领域。因此,通过射线造影技术获取金属内部纹理影像,继而通过基于视觉的裂纹检测技术可以实现对金属内部微小裂纹的检测,并且具有检测快速,准确率高的特点。
目前对于金属内部裂纹的检测方法主要有声发射无损检测、振动故障检测以及其余一些无损探伤方法。但是这些检测方法基本上是基于波形信号的检测,需要经过一段复杂的信号处理过程,并且得到的结果仅局限于有无裂纹,至于裂纹的长度、形态、严重程度等具体信息难以掌握。
发明内容
本发明的目的在于提供一种基于射线造影的金属内部微小裂纹检测方法。
实现本发明目的的技术解决方案为:一种基于射线造影的金属内部微小裂纹检测方法,包括如下步骤:
步骤1、对待测金属发射射线,生成金属内部结构组织造影图像;
步骤2、对金属内部结构组织造影图像进行AD转换,生成数字图像;
步骤3、对数字图像进行预处理,包括图像滤波、目标区域增强、二值化处理和二值图像滤波;
步骤4、对预处理的图像进行数学形态学处理,提取目标形状特征;
步骤5、根据目标形状特征,进行裂纹的检测和识别。
作为一种具体实施方式,步骤3中,图像滤波采用中值滤波的方法,其模板为线形、十字形、方形或菱形。
作为一种具体实施方式,步骤3中,目标区域增强采用直方图均衡化的方法。
作为一种具体实施方式,步骤3中,二值化阈值的确定选择自定义阈值法与迭代自适应法相结合的方式。
作为一种具体实施方式,步骤3中,二值图像滤波采用连通区域的面积滤波,去除小面积的杂点噪声。
作为一种具体实施方式,步骤5中,裂纹的识别通过计算图像中裂纹目标的外接矩形的长宽比来确定。
本发明与现有技术相比,其显著优点为:本发明利用射线波的强穿透能力,深入金属结构组织内部,采集金属内部微观组织影像,进行金属内部微小裂纹的检测。
附图说明
图1为本发明基于射线造影的金属内部微小裂纹检测方法的流程图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明方案。
本发明基于射线造影的金属内部裂纹检测方法,为由射线造影技术和计算机视觉技术构成的一套解决金属内部裂纹识别检测问题的组合技术方法。利用射线波的强穿透能力,深入金属结构组织内部,采集金属内部微观组织影像,经过模拟图像信号传输,再转换为数字图像信号,最后通过图像分析算法进行处理,将金属内部微观组织影像(尤其是裂纹影像)充分显示,从而实现金属内部微小裂纹的检测。主要用于造价昂贵的精密机械金属零件的健康监测,能够检测金属内部早期微小裂纹,确定裂纹状态,实现提前预防。
下面详细介绍本发明涉及的技术。
射线造影技术,对缺乏自然对比的结构,通过将密度高于或低于该结构的物质引入结构内或其周围间隙,使之产生对比显影。
计算机视觉技术,涉及到图像处理技术,在本发明中主要体现为图像预处理技术、目标检测技术、目标识别技术。
图像预处理一般是应用于图像识别,图像表示等领域的一种前期处理。在图像的采集和传输过程中,往往会因为某些原因导致图像质量降低。例如,从视觉主观上观察图像中的物体,可能会发现其轮廓位置过于鲜艳而显得突兀;从被检测目标物的大小和形状来看,图像特征比较模糊,难以定位;从图像对比度的角度来看,可能会受到某些噪声的影响;从图像整体来看,可能会发生某种失真,变形等。因此,待处理图像在视觉直观性和处理可行性等方面可能存在诸多干扰,不妨将其统称为图像质量问题。图像预处理正是用于图像质量的改善处理,通过一定的计算步骤进行适当的变换进而突出图像中某些感兴趣的信息,消除或降低干扰信息,如图像对比度增强,图像去噪或边缘提取等处理。因此,本发明首先将金属内部影像进行预处理,改善图像质量,进而提高图像的可视化效果。本发明选择图像滤波技术和图像增强技术来进行金属内部影像的预处理操作。
金属内部影像在采集和传输的过程中往往会受到成像设备和传输介质等因素的干扰而产生噪声,因此待处理的图像可能会存在边缘模糊,黑白杂点等问题,这在一定程度上会对裂纹目标的检测和识别带来影响,干扰实验结果的判断,因此需要对图像进行滤波去噪。本发明从均值滤波和中值滤波这两方面来进行图像去噪的处理。
均值滤波也称为邻域平均滤波,该方法假设待处理图像是由许多灰度值为常量的小区域组成的,并且相邻区域间存在较高的空间相关性,而噪声则显得相对独立。因此,通过将单个像素及其指定邻域内的所有像素按某种规则计算平均灰度值,再作为新图像中的对应像素值,可达到滤波去噪的目的,这一过程被称为均值滤波邻域平均法属于非加权邻域平均范畴,是最常用的均值滤波操作。
非加权邻域平均可以通过模板形式加以描述,通过卷积进行计算。当进行模板与图像卷积计算时,模板中系数的中间位置对应于图像的像素位置。这就要求模板需要在待处理图像中逐点移动,计算模板系数与图像中邻域内像素的乘积之和作为新图像的像素值。
图像边缘一般集中了图像的细节和高频信息,如果通过邻域平均法进行去噪,则往往会引起图像边缘的模糊,这也会对裂纹目标的检测带来不利影响。中值滤波是常用的非线性滤波方法,其主要思想是对像素邻域向量化取中值来进行滤波,具有运算简单,高效,能有效去除脉冲噪声的特点,在去噪的同时它也可以有效地保护图像的边缘细节信息。因此,本发明采用中值滤波的方法来对金属内部影像进行去噪处理,其处理步骤如下:
1.定位在图像中移动模板,将模板中心与图像中的某个像素重合。
2.计算选择模板对应于图像的各像素灰度值,进行向量化,并将其进行排序。
3.赋值选择序列的中间值,作为输出赋予模板中心对应的像素。
根据中值滤波器形状和维数的不同,其模板有线形,十字形,方形,菱形等,不同形状的窗口也会产生不同的滤波效果。在对金属内部影像进行中值滤波处理时,其关键在于选择合适的模板形状和模板大小。
由于受到传输介质的影像,在传输过程中金属内部影像所含的特征信息可能会减少,进而产生对比度较低的图像。此类图像的特点是灰度分布范围较小,集中在少量的灰度区间内,这也给后续的裂纹检测和识别带来了不利影响,因此需要对此类图像进行增强处理来提高对比度。
直方图作为图像灰度级分布的统计表,能在一定程度上反映图像的对比度详情。图像的灰度直方图表示该图像所属灰度类型中不同灰度级像素出现的相对频率,并且直方图的横坐标表示灰度,纵坐标表示灰度出现的次数或概率。直方图均衡化利用灰度直方图进行图像对比度的调整,以达到增强图像视觉效果的目标。直方图均衡化的基本思想是通过某种变换,将原始图像的灰度直方图从集中于某个较小的灰度区间变成在更大灰度区间内均匀分布的形式,得到灰度级差式分布,从而达到增强图像整体对比度的目标。
因此根据裂纹图像的特点,在对其进行目标检测和识别之前,需要进行图像预处理,主要包括:直方图均衡化增强,中值滤波去噪,对比度增强,二值化处理,二值图像滤波等步骤。其中,在二值化过程中,对阈值的确定选择自定义阈值法与迭代自适应法相结合的方式来计算;二值图像滤波主要是连通区域的面积滤波,通过去除小面积的杂点噪声来进行滤波去噪。裂纹图像经过预处理可以得到突出裂纹目标的二值图像,然后可以根据形态学区域特征来获取裂纹目标并进行检测识别。对于裂纹的形状识别可以通过计算图像中裂纹目标的外接矩形的长宽比来确定。
本发明的运用需要一定的硬件条件,具体所需的硬件设备如下:
(1)射线收发装置:能实现射线波的发射和接收,装置内部需要一种核心器件,即图像采集AI芯片。
(2)工业控制计算机:能实现造影图像的处理和分析,计算机内部须装有一款专门用于图像处理及其可视化的软件。
(3)信号传输电缆:用于造影图像信号传输。
在满足所需硬件条件的情况下,实现本发明方法的具体流程为:
首先由射线收发装置发射射线,在造影剂的作用下,产生金属内部结构组织造影图像,存储在原装置图像采集AI芯片中;然后通过信号传输电缆线进行模拟图像传输,在下位机中完成A/D转换,获得数字图像;最后对数字图像进行预处理、分析与识别,图像预处理操作完成图像滤波、目标区域增强等,图像分析是利用数学形态学原理完成目标形状特征提取,图像识别根据裂纹目标形状特征实现裂纹目标的检测和识别。
Claims (6)
1.一种基于射线造影的金属内部微小裂纹检测方法,其特征在于,包括如下步骤:
步骤1、对待测金属发射射线,生成金属内部结构组织造影图像;
步骤2、对金属内部结构组织造影图像进行AD转换,生成数字图像;
步骤3、对数字图像进行预处理,包括图像滤波、目标区域增强、二值化处理和二值图像滤波;
步骤4、对预处理的图像进行数学形态学处理,提取目标形状特征;
步骤5、根据目标形状特征,进行裂纹的检测和识别。
2.根据权利要求1所述的基于射线造影的金属内部微小裂纹检测方法,其特征在于,步骤3中,图像滤波采用中值滤波的方法,其模板为线形、十字形、方形或菱形。
3.根据权利要求1所述的基于射线造影的金属内部微小裂纹检测方法,其特征在于,步骤3中,目标区域增强采用直方图均衡化的方法。
4.根据权利要求1所述的基于射线造影的金属内部微小裂纹检测方法,其特征在于,步骤3中,二值化阈值的确定选择自定义阈值法与迭代自适应法相结合的方式。
5.根据权利要求1所述的基于射线造影的金属内部微小裂纹检测方法,其特征在于,步骤3中,二值图像滤波采用连通区域的面积滤波,去除小面积的杂点噪声。
6.根据权利要求1所述的基于射线造影的金属内部微小裂纹检测方法,其特征在于,步骤5中,裂纹的识别通过计算图像中裂纹目标的外接矩形的长宽比来确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528710.6A CN109459451A (zh) | 2018-12-13 | 2018-12-13 | 一种基于射线造影的金属内部微小裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528710.6A CN109459451A (zh) | 2018-12-13 | 2018-12-13 | 一种基于射线造影的金属内部微小裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109459451A true CN109459451A (zh) | 2019-03-12 |
Family
ID=65613251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811528710.6A Pending CN109459451A (zh) | 2018-12-13 | 2018-12-13 | 一种基于射线造影的金属内部微小裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459451A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005351875A (ja) * | 2004-05-12 | 2005-12-22 | Toyota Motor Corp | 鋳巣計測方法 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
CN103248840A (zh) * | 2012-02-01 | 2013-08-14 | 佳能株式会社 | 摄像设备、x射线检测器和摄像方法 |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN104991133A (zh) * | 2015-06-25 | 2015-10-21 | 云南电网有限责任公司电力科学研究院 | 一种基于cr成像的gis可视化无损检测方法 |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN107958253A (zh) * | 2018-01-18 | 2018-04-24 | 浙江中控技术股份有限公司 | 一种图像识别的方法和装置 |
CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
-
2018
- 2018-12-13 CN CN201811528710.6A patent/CN109459451A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005351875A (ja) * | 2004-05-12 | 2005-12-22 | Toyota Motor Corp | 鋳巣計測方法 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
CN103248840A (zh) * | 2012-02-01 | 2013-08-14 | 佳能株式会社 | 摄像设备、x射线检测器和摄像方法 |
CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN104991133A (zh) * | 2015-06-25 | 2015-10-21 | 云南电网有限责任公司电力科学研究院 | 一种基于cr成像的gis可视化无损检测方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN107958253A (zh) * | 2018-01-18 | 2018-04-24 | 浙江中控技术股份有限公司 | 一种图像识别的方法和装置 |
CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
Non-Patent Citations (2)
Title |
---|
王坤等: "基于X射线数字照相技术的电力电缆缺陷的CR和DR检测对比", 《无损检测》 * |
苗水清等: "基于中值滤波和直方图均衡化的图像增强方法研究", 《无线互联科技》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
CN113362326B (zh) * | 2021-07-26 | 2023-10-03 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888471B (zh) | 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 | |
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
AU2008202249A1 (en) | Automated defect detection of corrosion using SAFT processed lamb wave images | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN111275659B (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
Ramya et al. | A robust segmentation algorithm using morphological operators for detection of tumor in MRI | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN109459451A (zh) | 一种基于射线造影的金属内部微小裂纹检测方法 | |
Raj | Detection of cysts in ultrasonic images of ovary | |
CN115047073A (zh) | 一种基于超声导波的管道缺陷动态检测方法及装置 | |
CN114742768A (zh) | 钢轨浅层剥离损伤检测方法及检测系统 | |
Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
CN107016663B (zh) | 一种基于改进l0梯度的织物沾水区域分割方法 | |
Jose et al. | Comparative study of different image denoising filters for mammogram preprocessing | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN116883401B (zh) | 一种工业产品生产质量检测系统 | |
CN112927167B (zh) | Sar图像相干斑自适应快速滤波处理方法 | |
CN117392122B (zh) | 基于超声波技术的螺栓无损检测方法 | |
CN114972227B (zh) | 一种砂轮气孔率识别方法 | |
CN114170200B (zh) | 基于人工智能的金属点蚀缺陷程度评估方法及系统 | |
Wu et al. | Application of Image Processing Techniques in Infrared Detection of Faulty Insulators | |
Khan et al. | Performance analysis of integrated canny and fuzzy-logic based (2-by-2 cell block) edge-detection algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |
|
RJ01 | Rejection of invention patent application after publication |