CN110009633A - 一种基于反向高斯差分的钢轨表面缺陷检测方法 - Google Patents
一种基于反向高斯差分的钢轨表面缺陷检测方法 Download PDFInfo
- Publication number
- CN110009633A CN110009633A CN201910315903.1A CN201910315903A CN110009633A CN 110009633 A CN110009633 A CN 110009633A CN 201910315903 A CN201910315903 A CN 201910315903A CN 110009633 A CN110009633 A CN 110009633A
- Authority
- CN
- China
- Prior art keywords
- rail
- image
- reversed
- gaussian
- difference
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 28
- 239000010959 steel Substances 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 71
- 230000007547 defect Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims 1
- 238000005260 corrosion Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于反向高斯差分的钢轨表面缺陷检测方法,所述方法包括以下步骤:S1、通过图像采集装置获取钢轨表面全景图像;S2、利用垂直投影法从所述步骤S1获取的钢轨表面全景图像中提取目标区域部分的钢轨图像;S3、对所述步骤S2提取的钢轨图像进行反向高斯滤波,得到钢轨反向高斯滤波图像;S4、将所述步骤S2提取的钢轨图像与所述步骤S3得到的钢轨反向高斯滤波图像进行差分,得到钢轨差分图像;S5、对所述步骤S4中的钢轨差分图像进行二值化,得到钢轨二值化图像;S6、将所述步骤S5中的钢轨二值化图像进行面积滤波和闭运算,从而完成钢轨表面缺陷区域的检测。本发明适用于各种不同的轨道环境,均能够获得很好的钢轨表面缺陷检测效果。
Description
技术领域
本发明属于机器视觉检测技术领域,尤其涉及一种基于反向高斯差分的钢轨表面缺陷检测方法。
背景技术
随着经济增长、交通拥挤、环境污染等问题,对铁路运输的需求大幅增加,同时对现代化的铁路基础设施提出了更高的要求。由于铁路高密度、高重载的特点,加速了钢轨表面缺陷的形成,如裂纹、疤痕、剥落等,如果未能及时发现、处理,可能导致钢轨断裂和火车脱轨。因此,如何完善钢轨表面缺陷检测技术来满足现代化钢轨检测系统的需求是世界各国面临的重大问题。
传统的铁路轨道缺陷的检测都是通过人工目视完成的,检测结果易受多变性、主观性、视觉疲劳的影响,难以对钢轨缺陷问题进行准确的定量分析,检测效率低且具有危险性。而目前国内外常用的铁路轨道缺陷检测技术包括红外线检测、超声检测、涡流检测、震动检测、电磁检测等。
随着机器视觉技术的快速发展,更加突出了其在钢轨表面缺陷检测技术中客观、无损、自动化、非接触、成本低、速度快的优点。但是尽管在钢轨表面缺陷的视觉检测系统方面做了很多研究工作,但是在钢轨表面缺陷检测领域的应用仍然很有限。主要因为存在以下难点:
1)光照条件极易受轨道环境、季节、气候的影响,增大了钢轨检测的难度。
2)由于钢轨的特殊结构导致其表面反射不均匀,易产生阴影区域,造成虚假缺陷。
3)钢轨表面缺陷形状不规则,分布没有规律,且缺陷特征信息少,造成检测难度大。
鉴于此,研究一种能够快速准确找出钢轨表面缺陷的检测方法是本技术领域技术人员亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于反向高斯差分的钢轨表面缺陷检测方法,其目的在于能够快速准确找出钢轨表面的缺陷。
为解决上述技术问题,本发明提供一种基于反向高斯差分的钢轨表面缺陷检测方法,所述方法包括以下步骤:
S1、通过图像采集装置获取钢轨表面全景图像F(X,Y);
S2、利用垂直投影法从所述步骤S1获取的钢轨表面全景图像F(X,Y)中提取目标区域部分的钢轨图像I1(x,y);
S3、通过反向高斯滤波法对所述步骤S2提取的钢轨图像I1(x,y)进行滤波,得到钢轨反向高斯滤波图像I2(x,y);
S4、将所述步骤S2提取的钢轨图像I1(x,y)与所述步骤S3得到的钢轨反向高斯滤波图像I2(x,y)进行差分,得到钢轨差分图像I(x,y);
S5、对所述步骤S4中的钢轨差分图像I(x,y)进行二值化,得到钢轨二值化图像G(x,y);
S6、将所述步骤S5中的钢轨二值化图像G(x,y)进行面积滤波和闭运算处理,从而完成钢轨表面缺陷区域的检测。
优选地,所述步骤S2的具体实现方式为:
S21、分别计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中每一列灰度值的均值m,可用公式表示:
式(1)中,F(X,i)表示钢轨表面全景图像F(X,Y)中第X行第i列的灰度值,r表示钢轨表面全景图像F(X,Y)的总行数,c表示钢轨表面全景图像F(X,Y)的总列数;
S22、计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中所有灰度值的均值n,可用公式表示:
S23、分别比较所述步骤S21中每一列灰度值均值m(i)与所述步骤S22中所有灰度值均值n的大小,若m(i)≥n,记为1,若m(i)<n,记为0,从而得到一个矩阵M(i),可用公式表示:
式(3)中,i表示钢轨表面全景图像F(X,Y)的第i列;
S24、对所述步骤S23得到的矩阵M(i)从左到右进行扫描,找到第一个数值为1的列数,记为列B,然后以列B为起点从左到右继续扫描,找到第一个数值为0的列数,记为列E;
S25、截取钢轨表面全景图像F(X,Y)中列B与列E之间的图像,从而提取目标区域部分的钢轨图像I1(x,y)。
优选地,所述步骤S3的具体实现方式为:
S31、设置一个n×n窗口的高斯滤波模板和反向高斯核函数Gr,并对目标区域部分的钢轨图像I1(x,y)进行反向高斯滤波,得到反向高斯核函数值,其中反向高斯核函数Gr可表示为:
式(4)中,σ表示平滑程度参数,l,k分别表示当前点到对应点的横坐标距离和纵坐标距离,A表示反向高斯滤波引入的平滑因子,其中 I(i,j)表示模板中心周围且在模板内的像素值,I(a,b)表示模板中心像素值,σI表示图像全局标准方差;
S32、设置一个行数和列数均为n的系数矩阵H,并将所述步骤S31得到的反向高斯核函数值赋给系数矩阵H,得到反向高斯滤波系数矩阵Hn×n。
S33、通过所述步骤S32得到的反向高斯滤波系数矩阵Hn×n对所述步骤S2得到的钢轨图像I1(x,y)进行卷积,得到钢轨反向高斯滤波图像I2(x,y),可用公式表示:
I2(x,y)=Hn×n*I1(x,y) (5)
式(5)中,*表示卷积。
优选地,所述步骤S4的具体实现方式可用公式表示:
I(x,y)=I2(x,y)-I1(x,y) (6)
优选地,所述步骤S5的具体实现方式为:
S51、对所述步骤S4得到的钢轨差分图像I(x,y)进行二值化处理;
S52、利用自适应阈值方法分割出所述步骤S51得到的钢轨图像中的钢轨缺陷区域,得到钢轨二值化图像G(x,y),可用公式表示:
式(7)中,th表示自适应阈值,th=μI(x,y)+β·δI(x,y),其中μI(x,y)表示钢轨差分图像I(x,y)的均值,δI(x,y)表示钢轨差分图像I(x,y)的方差,β表示自适应阈值控制因子。
优选地,所述步骤S6的具体实现方式为:
S61、设置面积滤波阈值A,并通过面积滤波阈值A对所述步骤S5得到的钢轨二值化图像G(x,y)进行面积滤波;
S62、采用闭运算方法对经过面积滤波处理的钢轨二值化图像G(x,y)中的缺陷内部空洞进行填充,从而完成钢轨表面缺陷区域的检测,其中闭运算可用公式表示:
式(8)中,G表示钢轨二值化图像G(x,y),B表示结构元素,表示膨胀操作,表示腐蚀操作。
优选地,所述面积滤波阈值A=30。
与现有技术比较,本发明首先通过采用垂直投影法从钢轨表面全景图像中提取目标区域部分的钢轨图像,然后对所提取的钢轨图像进行反向高斯滤波,将提取的钢轨图像与钢轨反向高斯滤波图像进行差分处理来凸显出钢轨表面图像的缺陷部分,最后对钢轨差分图像采用二值化并进行面积滤波和闭运算处理,进而分割出钢轨表面图像的缺陷部分,完成钢轨表面缺陷的检测,该检测方法能够适用于不同的轨道环境,能够快速准确的找出钢轨表面缺陷,且取得很好的检测效果。
附图说明
图1是本发明一种基于反向高斯差分的钢轨表面缺陷检测方法流程图,
图2是本发明从钢轨表面全景图像中提取目标区域部分钢轨图像的方法流程图,
图3是本发明对目标区域部分钢轨图像进行反向高斯滤波处理流程图,
图4是本发明对钢轨差分图像进行二值化处理流程图,
图5是本发明对钢轨二值化图像进行面积滤波和闭运算处理流程图,
图6是本发明处理过程中各步骤效果图,
图7是本发明反向高斯滤波与高斯滤波对比图,
图8是本发明不同环境条件下的钢轨图像与缺陷检测结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
如图1、图6所示,一种基于反向高斯差分的钢轨表面缺陷检测方法,所述方法包括以下步骤:
S1、通过图像采集装置获取钢轨表面全景图像F(X,Y);
S2、利用垂直投影法从所述步骤S1获取的钢轨表面全景图像F(X,Y)中提取目标区域部分的钢轨图像I1(x,y);
S3、通过反向高斯滤波法对所述步骤S2提取的钢轨图像I1(x,y)进行滤波,得到钢轨反向高斯滤波图像I2(x,y);
S4、将所述步骤S2提取的钢轨图像I1(x,y)与所述步骤S3得到的钢轨反向高斯滤波图像I2(x,y)进行差分,得到钢轨差分图像I(x,y);
S5、对所述步骤S4中的钢轨差分图像I(x,y)进行二值化,得到钢轨二值化图像G(x,y);
S6、将所述步骤S5中的钢轨二值化图像G(x,y)进行面积滤波和闭运算处理,从而完成钢轨表面缺陷区域的检测。
本实施例中,首先获取钢轨表面全景图像F(X,Y),并采用垂直投影法从钢轨表面全景图像F(X,Y)中提取目标区域部分的钢轨图像I1(x,y),然后对所提取的钢轨图像I1(x,y)进行反向高斯滤波,将提取的钢轨图像I1(x,y)与钢轨反向高斯滤波图像I2(x,y)进行差分处理来凸显出钢轨表面图像缺陷,最后对钢轨差分图像I(x,y)采用二值化并进行面积滤波和闭运算处理,进而分割出钢轨表面图像缺陷,该方法能够适用于不同的轨道环境,能够快速准确的找出钢轨表面缺陷,且取得很好的检测效果。
如图2所示,所述步骤S2的具体实现方式为:
S21、分别计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中每一列灰度值的均值m,可用公式表示:
式(1)中,F(X,i)表示钢轨表面全景图像F(X,Y)中第X行第i列的灰度值,r表示钢轨表面全景图像F(X,Y)的总行数,c表示钢轨表面全景图像F(X,Y)的总列数;
S22、计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中所有灰度值的均值n,可用公式表示:
S23、分别比较所述步骤S21中每一列灰度值均值m(i)与所述步骤S22中所有灰度值均值n的大小,若m(i)≥n,记为1,若m(i)<n,记为0,从而得到一个矩阵M(i),可用公式表示:
式(3)中,i表示钢轨表面全景图像F(X,Y)的第i列;
S24、对所述步骤S23得到的矩阵M(i)从左到右进行扫描,找到第一个数值为1的列数,记为列B,然后以列B为起点从左到右继续扫描,找到第一个数值为0的列数,记为列E;
S25、截取钢轨表面全景图像F(X,Y)中列B与列E之间的图像,从而完成提取目标区域部分的钢轨图像I1(x,y)。
本实施例中,利用钢轨图像中缺陷区域与非缺陷区域灰度值不同的特点,通过计算并比较钢轨表面全景图像F(X,Y)中不同列灰度值均值m与钢轨表面全景图像F(X,Y)所有灰度值均值n,进而有效提取目标缺陷区域部分的钢轨图像I1(x,y)。
如图3所示,所述步骤S3的具体实现方式为:
S31、设置一个n×n窗口的高斯滤波模板和反向高斯核函数Gr,并对目标区域部分的钢轨图像I1(x,y)进行反向高斯滤波,得到反向高斯核函数值,其中反向高斯核函数Gr可表示为:
式(4)中,σ表示平滑程度参数,l,k分别表示当前点到对应点的横坐标距离和纵坐标距离,A表示反向高斯滤波引入的平滑因子,其中 I(i,j)表示模板中心周围且在模板内的像素值,I(a,b)表示模板中心像素值,σI表示图像全局标准方差;
S32、设置一个行数和列数均为n的系数矩阵H,并将所述步骤S31得到的反向高斯核函数值赋给系数矩阵H,得到反向高斯滤波系数矩阵Hn×n;
S33、通过所述步骤S32得到的反向高斯滤波系数矩阵Hn×n对所述步骤S2得到的钢轨图像I1(x,y)进行卷积,得到钢轨反向高斯滤波图像I2(x,y),可用公式表示:
I2(x,y)=Hn×n*I1(x,y) (5)
式(5)中,*表示卷积。
本实施例中,首先通过设置的高斯滤波模板以及对的像素差归一化和f的模板中心像素归一化,计算出反向高斯核函数值,然后根据计算出的反向高斯核函数值得到反向高斯滤波系数矩阵Hn×n,并通过得到的系数矩阵Hn×n对钢轨图像I1(x,y)进行卷积运算,从而获得钢轨反向高斯滤波图像I2(x,y)。其中对应点指的是模板中心点,当前点指的是位于中心点周围且在模板内的某一点,平滑因子A由像素值差和模板中心像素值决定,当中心像素值越低,周围像素值越高时,其A值就越小,因此反向高斯滤波函数值(即反向高斯滤波的权重值)是由位置信息、像素值差和模板中心像素值共同决定的,邻域像素点的权重值具有随当前点与中心点的距离单调增加、随像素值差单调增加和随模板中心灰度值单调减小的特点,阴影、铁锈及浅色污渍等区域f的值相对缺陷区域较大,引入的中心像素减弱了的影响,边缘区域的敏感程度降低,有效减弱了阴影铁锈及浅色污渍等区域的干扰。
如图1所示,所述步骤S4的具体实现方式可用公式表示:
I(x,y)=I1(x,y)-I2(x,y) (6)
本实施例中,由于钢轨表面缺陷检测易受光照变化和反射不均的影响,而钢轨图像中的缺陷区域远小于钢轨正常区域,具有局部分布、灰度值低的特点,因此在给定的合适的固定模板区域内利用反向高斯滤波方法可有效的提取钢轨的缺陷区域。首先对提取的目标区域部分钢轨图像I1(x,y)进行反向高斯滤波,得到钢轨反向高斯滤波图像I2(x,y),然后将提取的目标区域部分钢轨图像I1(x,y)与钢轨反向高斯滤波图像I2(x,y)进行差分处理,从而有效克服了光源照射变化和光源反射不均的影响,使得钢轨图像中的缺陷区域得以凸显出来。
如图4所示,所述步骤S5的具体实现方式为:
S51、对所述步骤S4得到的钢轨差分图像I(x,y)进行二值化处理;
S52、利用自适应阈值方法分割出所述步骤S51得到的钢轨图像中的钢轨缺陷区域,得到钢轨二值化图像G(x,y),可用公式表示:
式(7)中,th表示自适应阈值,th=μI(x,y)+β·δI(x,y),其中μI(x,y)表示钢轨差分图像I(x,y)的均值,δI(x,y)表示钢轨差分图像I(x,y)的方差,β表示自适应阈值控制因子。
本实施例中,根据钢轨差分图像均值和钢轨差分图像方差定义自适应阈值方法中的阈值,从而通过采用定义的阈值分割出钢轨差分图像I(x,y)中的缺陷区域,为进一步的图像二值化提供了有利条件。
如图5所示,所述步骤S6的具体实现方式为:
S61、设置面积滤波阈值A,并通过面积滤波阈值A对所述步骤S5得到的钢轨二值化图像G(x,y)进行面积滤波;
S62、采用闭运算方法对经过面积滤波处理的钢轨二值化图像G(x,y)中的缺陷内部空洞进行填充,从而完成钢轨表面缺陷区域的检测,其中闭运算可用公式表示:
式(8)中,G表示钢轨二值化图像G(x,y),B表示结构元素,表示膨胀操作,表示腐蚀操作。
本实施例中,首先通过面积滤波剔除钢轨二值化图像G(x,y)中的小缺陷和虚假缺陷,使得缺陷边缘得到较好的平滑,然后采用结构元素B对钢轨二值化图像G(x,y)进行闭运算处理,从而对经过面积滤波处理的钢轨二值化图像G(x,y)中的缺陷内部某些区域所产生空洞进行填充,有效保证了缺陷的检测精度。
如图5所示,所述面积滤波阈值A=30。本实施例中,设置的面积滤波阈值为A=30,检测精度为1×1mm2,则1mm2面积对应图像中30个像素点,此时可用于剔除钢轨二值化图像G(x,y)中1mm2面积中小于30个像素点的虚假缺陷和较小缺陷。在其他实施例中,面积滤波阈值可以根据实际情况进行调整。
为了更好的理解本发明的技术方案和技术效果,本发明还给出了通过本发明检测方法对钢轨表面缺陷进行检测的相关效果图。
如图6所示,一种基于反向高斯差分的钢轨表面缺陷检测方法的步骤效果图,从图6中可以清楚看出通过本发明的检测方法能够快速准确的找出钢轨表面缺陷,且均能取得很好的检测效果;如图7所示,反向高斯滤波与高斯滤波的效果对比图,图7(a)为提取的钢轨目标区域,图7(b)为高斯滤波图,图7(c)为反向高斯滤波图,图7(d)为高斯滤波前后对比图,图7(e)为反向高斯滤波前后对比图,从图7中可以清楚看出通过本发明检测方法对图像进行反向高斯滤波处理比高斯滤波处理更能凸显钢轨缺陷,即通过反向高斯滤波处理的效果更好;如图8所示,本发明不同环境条件下的钢轨图像与缺陷检测结果对比图,从图8中可以看出,无论在哪一种环境条件下所获取的钢轨图像,通过本发明均能准确的找出钢轨表面缺陷,且取得很好的检测效果,因此本发明能够适用于各种不同环境,且能够快速准确的找出钢轨表面缺陷,且取得很好的检测效果。
以上对本发明所提供的一种基于反向高斯差分的钢轨表面缺陷检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述方法包括以下步骤:
S1、通过图像采集装置获取钢轨表面全景图像F(X,Y);
S2、利用垂直投影法从所述步骤S1获取的钢轨表面全景图像F(X,Y)中提取目标区域部分的钢轨图像I1(x,y);
S3、通过反向高斯滤波法对所述步骤S2提取的钢轨图像I1(x,y)进行滤波,得到钢轨反向高斯滤波图像I2(x,y);
S4、将所述步骤S2提取的钢轨图像I1(x,y)与所述步骤S3得到的钢轨反向高斯滤波图像I2(x,y)进行差分,得到钢轨差分图像I(x,y);
S5、对所述步骤S4中的钢轨差分图像I(x,y)进行二值化,得到钢轨二值化图像G(x,y);
S6、将所述步骤S5中的钢轨二值化图像G(x,y)进行面积滤波和闭运算处理,从而完成钢轨表面缺陷区域的检测。
2.如权利要求1所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述步骤S2的具体实现方式为:
S21、分别计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中每一列灰度值的均值m,可用公式表示:
式(1)中,F(X,i)表示钢轨表面全景图像F(X,Y)中第X行第i列的灰度值,r表示钢轨表面全景图像F(X,Y)的总行数,c表示钢轨表面全景图像F(X,Y)的总列数;
S22、计算所述步骤S1获取的钢轨表面全景图像F(X,Y)中所有灰度值的均值n,可用公式表示:
S23、分别比较所述步骤S21中每一列灰度值均值m(i)与所述步骤S22中所有灰度值均值n的大小,若m(i)≥n,记为1,若m(i)<n,记为0,从而得到一个矩阵M(i),可用公式表示:
式(3)中,i表示钢轨表面全景图像F(X,Y)的第i列;
S24、对所述步骤S23得到的矩阵M(i)从左到右进行扫描,找到第一个数值为1的列数,记为列B,然后以列B为起点从左到右继续扫描,找到第一个数值为0的列数,记为列E;
S25、截取钢轨表面全景图像F(X,Y)中列B与列E之间的图像,从而提取目标区域部分的钢轨图像I1(x,y)。
3.如权利要求2所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述步骤S3的具体实现方式为:
S31、设置一个n×n窗口的高斯滤波模板和反向高斯核函数Gr,并对目标区域部分的钢轨图像I1(x,y)进行反向高斯滤波,得到反向高斯核函数值,其中反向高斯核函数Gr可表示为:
式(4)中,σ表示平滑程度参数,l,k分别表示当前点到对应点的横坐标距离和纵坐标距离,A表示反向高斯滤波引入的平滑因子,其中 I(i,j)表示模板中心周围且在模板内的像素值,I(a,b)表示模板中心像素值,σI表示图像全局标准方差;
S32、设置一个行数和列数均为n的系数矩阵H,并将所述步骤S31得到的反向高斯核函数值赋给系数矩阵H,得到反向高斯滤波系数矩阵Hn×n。
S33、通过所述步骤S32得到的反向高斯滤波系数矩阵Hn×n对所述步骤S2得到的钢轨图像I1(x,y)进行卷积,得到钢轨反向高斯滤波图像I2(x,y),可用公式表示:
I2(x,y)=Hn×n*I1(x,y) (5)
式(5)中,*表示卷积。
4.如权利要求3所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述步骤S4的具体实现方式可用公式表示:
I(x,y)=I2(x,y)-I1(x,y) (6)。
5.如权利要求4所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述步骤S5的具体实现方式为:
S51、对所述步骤S4得到的钢轨差分图像I(x,y)进行二值化处理;
S52、利用自适应阈值方法分割出所述步骤S51得到的钢轨图像中的钢轨缺陷区域,得到钢轨二值化图像G(x,y),可用公式表示:
式(7)中,th表示自适应阈值,th=μI(x,y)+β·δI(x,y),其中μI(x,y)表示钢轨差分图像I(x,y)的均值,δI(x,y)表示钢轨差分图像I(x,y)的方差,β表示自适应阈值控制因子。
6.如权利要求5所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述步骤S6的具体实现方式为:
S61、设置面积滤波阈值A,并通过面积滤波阈值A对所述步骤S5得到的钢轨二值化图像G(x,y)进行面积滤波;
S62、采用闭运算方法对经过面积滤波处理的钢轨二值化图像G(x,y)中的缺陷内部空洞进行填充,从而完成钢轨表面缺陷区域的检测,其中闭运算可用公式表示:
式(8)中,G表示钢轨二值化图像G(x,y),B表示结构元素,表示膨胀操作,表示腐蚀操作。
7.如权利要求6所述的基于反向高斯差分的钢轨表面缺陷检测方法,其特征在于,所述面积滤波阈值A=30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315903.1A CN110009633B (zh) | 2019-04-19 | 2019-04-19 | 一种基于反向高斯差分的钢轨表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315903.1A CN110009633B (zh) | 2019-04-19 | 2019-04-19 | 一种基于反向高斯差分的钢轨表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009633A true CN110009633A (zh) | 2019-07-12 |
CN110009633B CN110009633B (zh) | 2023-03-24 |
Family
ID=67172945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315903.1A Active CN110009633B (zh) | 2019-04-19 | 2019-04-19 | 一种基于反向高斯差分的钢轨表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009633B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340027A (zh) * | 2020-03-05 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种堆钢识别方法、系统、电子设备及介质 |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN117351011A (zh) * | 2023-12-04 | 2024-01-05 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
WO2017121018A1 (zh) * | 2016-01-11 | 2017-07-20 | 中兴通讯股份有限公司 | 二维码图像处理的方法和装置、终端、存储介质 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
-
2019
- 2019-04-19 CN CN201910315903.1A patent/CN110009633B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017121018A1 (zh) * | 2016-01-11 | 2017-07-20 | 中兴通讯股份有限公司 | 二维码图像处理的方法和装置、终端、存储介质 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340027A (zh) * | 2020-03-05 | 2020-06-26 | 中冶赛迪重庆信息技术有限公司 | 一种堆钢识别方法、系统、电子设备及介质 |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN113034447B (zh) * | 2021-03-10 | 2022-11-29 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN117351011A (zh) * | 2023-12-04 | 2024-01-05 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
CN117351011B (zh) * | 2023-12-04 | 2024-03-12 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110009633B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110009633A (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN104535586B (zh) | 带钢边部缺陷检测识别方法 | |
CN107255641B (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN103839268B (zh) | 一种地铁隧道表面裂缝的检测方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN106023158B (zh) | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
CN102854191A (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109118453A (zh) | 一种背景抑制的图像处理方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN105654495A (zh) | 汽车刹车盘内部缺陷的检测方法 | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN115880285B (zh) | 一种铝电解电容器引出线异常识别方法 |
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 |