CN110084786A - 一种渐变背景的数字x射线图像缺陷自动识别方法 - Google Patents
一种渐变背景的数字x射线图像缺陷自动识别方法 Download PDFInfo
- Publication number
- CN110084786A CN110084786A CN201910272027.9A CN201910272027A CN110084786A CN 110084786 A CN110084786 A CN 110084786A CN 201910272027 A CN201910272027 A CN 201910272027A CN 110084786 A CN110084786 A CN 110084786A
- Authority
- CN
- China
- Prior art keywords
- image
- thickness
- value
- noise
- examined workpiece
- 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
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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及一种渐变背景的数字X射线图像缺陷自动识别方法,通过数字X射线成像对被检工件和阶梯形对比试块进行扫描,选取对比试块DR图像中不同穿透厚度的阶梯所在区域图像,计算不同穿透厚度下对应的图像灰度值均值、标准偏差和量子噪声的概率密度函数;并使用被检工件的DR图像中检测区域,计算任一点的局部区域内的噪声理论概论密度函数与噪声实际概率密度函数,将两者之间差的绝对值之和替代该点的数值,形成新的图像;使用相同的方法,实现检测区域内所有点的数值替换,形成被检工件新的检测图像;采用阈值分割方法被检工件新的检测图像进行自动检测。该方法降低了噪声对小缺陷的干扰,能自动识别出小缺陷,识别准确精度高。
Description
技术领域
本发明涉及图像检测领域,特别涉及一种渐变背景的数字X射线图像缺陷自动识别方法。
背景技术
X射线检测技术作为五大常规无损检测技术之一,具有成像直观,定量、定位、定性准确,可存档复查等优势,广泛应用于工业无损探伤、医疗卫生等领域;不足之处在于大批量使用胶片造成使用成本较高、不环保,并且胶片图像的保存、信息管理及传递都有很大的局限性。为了弥补胶片法的不足,数字X射线成像技术应运而生,其原理是通过射线透照被检工件,衰减后的射线光子被闪烁体接收,利用激发跃迁效应产生可见荧光,由探测器接收转变为数字信号,再经过放大和A/D转换,传输给计算机进行处理,最终以数字图像的形式输出在显示器上。其技术优点主要体现在检测速度快、检测结果可靠、检测成本低和环保等,在数字X射线成像系统中,成像单位是基础,软件是核心。
无损检测的首要目的在于缺陷的检出,X射线检测技术能够实现复杂结构的内部缺陷检测,这是超声波检测技术无法匹及的,但是复杂结构会造成检测图像中的背景多样性,主要分为阶跃背景和渐变背景,其中渐变背景对基于传统图像处理的缺陷识别方法造成了很大的干扰,特别是针对小缺陷的快速自动识别。因此在大批量、高分辨率的数字X射线图像中实现小缺陷的自动识别是目前行业的技术难点,相关软件算法的识别范围还十分有限,检测效率和准确率较低。所以,实现高效准确的数字X射线图像中缺陷自动识别方法具有重要现实意义。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种降低噪声干扰,检测精度高的渐变背景的数字X射线图像缺陷自动识别方法。
本发明解决上述技术问题所采用的技术方案为:一种渐变背景的数字X射线图像缺陷自动识别方法,其特征在于:包括以下步骤:
步骤1、通过机械加工手段制造出与被检工件材质一致的阶梯形对比试块,且该对比试块的每个阶梯厚度呈逐渐变化,其中,该对比试块的最大厚度大于等于被检工件的最大厚度,最小厚度小于等于被检工件的最小厚度;
步骤2、采用数字X射线成像工艺对步骤1中的对比试块和被检工件进行扫描,获取对比试块和被检工件的DR图像;
步骤3、在对比试块的DR图像中,选取对比试块不同穿透厚度的阶梯所在区域图像,统计该区域内的量子噪声分布,并进行高斯拟合,计算不同穿透厚度下对应的图像灰度值均值和标准偏差,建立穿透厚度与灰度值均值的关系曲线以及穿透厚度与标准偏差的关系曲线;并根据穿透厚度与标准偏差的关系曲线,得到量子噪声的概率密度函数;
步骤4、已知被检工件的检测区域,获取该检测区域的厚度分布函数和被检工件的DR图像中该区域的灰度值分布函数,使用该区域的厚度分布函数对该区域内的图像灰度值分布函数进行厚度校正,获得校正后的灰度值分布函数;
步骤5、对于被检工件的DR图像中检测区域的任一点,在以该点为中心的局部区域内,利用步骤3中的量子噪声的概率密度函数计算该局部区域内的噪声理论概率密度函数,并利用步骤4中校正后的灰度值分布函数计算噪声实际概率密度函数,且计算该区域内噪声理论概论密度函数与噪声实际概率密度函数之间差的绝对值之和,并将该差的绝对值之和替代被检工件DR图像中中心点的数值,形成新的图像;
步骤6、采用与步骤5中相同的方法,将被检工件检测区域图像中的所有点,分别计算以任一点为中心的局部区域内噪声理论概率密度函数和噪声实际概率密度函数之间差的绝对值之和,且分别将以每个点为中心计算得到的差的绝对值之和替代对应中心点的数值,形成被检工件新的检测图像;
步骤7、采用阈值分割方法对步骤6中被检工件新的检测图像进行自动检测,识别出检测图像中的缺陷。
具体的,所述步骤3中的具体步骤为:
步骤3-1、统计量子噪声分布:设对比试块的DR图像中的灰度级为[0,L-1],在对比试块的DR图像中,在每个阶梯内选取一定大小的区域进行图像灰度直方图统计,对比试块中穿透厚度为i的阶梯处选取的区域内图像的灰度直方图序列hi:其中,hi=M(j),j为穿透厚度为i的阶梯处选取的区域图像中灰度级对应的像素值,即灰度值,j∈[0,L-1],M(j)为穿透厚度为i的阶梯处选取的区域图像中灰度值为j的像素数量;
步骤3-2、对输出序列直方图hi进行高斯拟合,得到拟合后的高斯曲线函数Hi(j),其中,拟合后的高斯曲线函数Hi(j)为:
其中,ai为穿透厚度为i下拟合后高斯曲线的幅值,μi为穿透厚度为i下拟合后高斯曲线的灰度值均值,σi为穿透厚度为i下拟合后高斯曲线的灰度值标准偏差;
步骤3-3、对灰度值均值μi和标准偏差σi进行线性拟合并插值,建立穿透厚度i与灰度值均值μi的关系曲线μ(i)以及穿透厚度i与标准偏差σi的关系曲线σ(i);
步骤3-4、根据步骤3-3中得到的穿透厚度i与标准偏差σi的关系曲线σ(i),建立量子噪声的概率密度函数PDFi(j):其中,
j为穿透厚度为i的阶梯处选取的区域图像中的灰度值。
作为改进,所述步骤4中的具体步骤为:
步骤4-1、通过数字X射线成像工艺获取的被检工件的图像像素为ω×ω,成像范围为σ×σmm,计算得到数字X射线图像的每个像素的尺寸ps为:
步骤4-2、设需检测直径大于e mm的缺陷,计算被检工件的DR图像中任意一个局部区域的像素为:其中q为预设的扩展系数,q≥1;
步骤4-3、假设被检工件的检测部位为a×b检测区域,获取该检测区域的厚度分布函数T(x,y),其中,x,y分别为被检工件检测区域的横、纵坐标值,0≤x≤a,0≤y≤b,
步骤4-4、获取被检工件的DR图像中该检测区域的灰度值分布函数f(x,y);
步骤4-5、使用被检工件检测区域内的厚度分布函数T(x,y)对被检工件的DR图像中该区域的灰度值分布函数f(x,y)进行厚度校正,得到校正后的灰度值分布函数f′(x,y),其中,f′(x,y)=f(x,y)-μ(T(x,y)),μ(T(x,y))为穿透厚度为T(x,y)下的灰度值均值。
进一步的,所述步骤5中的具体步骤为:
步骤5-1、取被检工件的检测区域图像中的任意一点A,其坐标为x1、y1,以A为中心,在检测区域内提取一局部区域L,即该局部区域中L的任一点坐标为:(m,n),其中,
步骤5-2、对步骤5-1中局部区域L内的厚度分布函数T(m,n)进行直方图统计,得到直方图序列hT,其中,hT=M(T(m,n)),T(m,n)为该局部区域L内(m,n)处的厚度值,M(T(m,n))为该局部区域L内厚度为T(m,n)的数量,并计算该局部区域L中各个厚度的数量在该区域中所占的面积比P(T(m,n)),其中, 为该局部区域L内各个厚度的数量之和;
步骤5-3、计算该局部区域L内噪声理论概率密度函数EPDF(m,n),其中,
步骤5-4、对该局部区域L内校正后的灰度值分布函数f′(m,n)进行直方图统计,得到灰度直方图序列hf′,其中,hf′=M(f′(m,n)),f′(m,n)为该局部区域L内(m,n)处的灰度值,M(f′(m,n))为该局部区域L内灰度值为f′(m,n)的像素数量;
步骤5-5、计算噪声实际分布概率密度函数APDF(m,n),其中,为该局部区域L内的每个灰度值的像素数量之和;
步骤5-6、计算该局部区域L内噪声理论概率密度函数与噪声实际分布概论密度函数之间的差的绝对值之和S(x1,y1),其中,x1,y1分别为局部区域L的中心点的横、纵坐标。
作为优选,所述步骤7中的阈值分割方法为最大类间方差法。
与现有技术相比,本发明的优点在于:利用阶梯对比试块建立不同穿透厚度与灰度值均值关系曲线以及不同穿透厚度与标准偏差的关系曲线,从而计算得到量子噪声的概率密度函数;并通过计算局部区域的噪声理论概率密度函数与噪声实际概率密度函数之间差的绝对值之和,利用该值替代被检工件中的数值,提高了信噪比,降低了渐变厚度工件引起的数字X射线图像背景噪声对小缺陷的干扰,因此能实现小缺陷的自动识别,且识别效率高,特别适用于已知结构的批量零件的快速缺陷识别。
附图说明
图1为本发明实施例中的阶梯形对比试块的示意图;
图2为图1中的两块对比试块并排扫描的DR图像;
图3为图2中对比试块的DR图像的灰度直方图和高斯拟合后的曲线图;
图4为本发明实施例中不同穿透厚度与灰度值均值的关系曲线图;
图5为本发明实施例中不同穿透厚度与标准偏差的关系曲线图;
图6为本发明实施例中概率密度函数的曲线图;
图7为本发明实施例中理论噪声概率密度函数和实际噪声分布概率密度函数图;
图8为本发明实施例中带小缺陷的原始图像;
图9为图8直接阈值分割后的效果图;
图10为本发明实施例中对图8计算后形成的新的检测图像;
图11为图10阈值分割后的效果图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种渐变背景的数字X射线图像缺陷自动识别方法,包括以下步骤:
步骤1、通过机械加工手段制造出与被检工件材质一致的阶梯形对比试块,且该对比试块每个阶梯厚度呈逐渐变化,其中,该对比试块的最大厚度大于等于被检工件的最大厚度,最小厚度小于等于被检工件的最小厚度;对比试块的阶梯数大于等于5,本实施例中,通过逐渐变化的阶梯形被检工件和对比试块,经过DR扫描后形成渐变背景,从而使用缺陷自动识别方法识别该阶梯形被检工件的缺陷,如图1所示,对比试块的阶梯数为6,每个阶梯的厚度分别为30mm、60mm、90mm、120mm、150mm和180mm;
步骤2、采用数字X射线成像工艺对步骤1中的对比试块和被检工件进行扫描,获取对比试块和被检工件的DR图像;对图1中的对比试块进行扫描,得到如图2所示的DR图像,其中,为了防止扫描误差,将两块对比试块并排放置,并进行扫描,图2中每一层阶梯的左、右图像分别为两块对比试块的同一层台阶的扫描图像;
步骤3、在对比试块的DR图像中,选取对比试块不同穿透厚度的阶梯所在区域图像,统计该区域内的量子噪声分布,并进行高斯拟合,计算不同穿透厚度下对应的图像灰度值均值和标准偏差,建立穿透厚度与灰度值均值的关系曲线以及穿透厚度与标准偏差的关系曲线;并根据穿透厚度与标准偏差的关系曲线,得到量子噪声的概率密度函数;
其中,步骤3的具体步骤为:
步骤3-1、统计量子噪声分布:设对比试块的DR图像中的灰度级为[0,L-1],在对比试块的DR图像中,在每个阶梯内选取一定大小的区域进行图像灰度直方图统计,如图3中的每个点所示,不同的灰度值对应有不同的数量,对比试块中穿透厚度为i的阶梯处选取的区域内图像的灰度直方图序列hi,其中,hi=M(j),j为穿透厚度为i的阶梯处选取的区域图像中灰度级对应的像素值,即灰度值,j∈[0,L-1],M(j)为穿透厚度为i的阶梯处选取的区域图像中灰度值为j的像素数量;本实施例中,L=266;
步骤3-2、对输出序列直方图hi进行高斯拟合,得到拟合后的高斯曲线函数Hi(j),如图3中的曲线所示,该拟合后的高斯曲线与输出序列直方图对应的数值比较接近,本实施例中,采用最小残差法对输出序列直方图hi进行高斯拟合,其中,拟合后的高斯曲线函数Hi(j)为:
其中,ai为穿透厚度为i下拟合后高斯曲线的幅值,μi为穿透厚度为i下拟合后高斯曲线的灰度值均值,σi为穿透厚度为i下拟合后高斯曲线的灰度值标准偏差;
步骤3-3、对灰度值均值μi和标准偏差σi进行线性拟合并插值,建立穿透厚度i与灰度值均值μi的关系曲线μ(i)以及穿透厚度i与标准偏差σi的关系曲线σ(i);其中,如图4所示为不同穿透厚度i与灰度值均值μi的关系曲线μ(i),如图5所示为不同穿透厚度i与标准偏差σi的关系曲线σ(i);
步骤3-4、根据步骤3-3中得到的穿透厚度i与标准偏差σi的关系曲线σ(i),建立量子噪声的概率密度函数PDFi(j),如图6所示,为穿透厚度为60mm的量子噪声的概率密度函数波形图:其中,
j为穿透厚度为i的阶梯处选取的区域图像中的灰度值。
步骤4、已知被检工件的检测区域,获取该检测区域的厚度分布函数和被检工件的DR图像中该区域的灰度值分布函数,使用该区域的厚度分布函数对该区域内的图像灰度值分布函数进行厚度校正,获得校正后的灰度值分布函数;
其中,步骤4的具体步骤为:
步骤4-1、通过数字X射线成像工艺获取的被检工件的图像像素为ω×ω,成像范围为σ×σmm,计算得到数字X射线图像的每个像素的尺寸ps为:
步骤4-2、设需检测直径大于e mm的缺陷,计算被检工件的DR图像中任意一个局部区域的像素为:其中q为预设的扩展系数,q≥1;
步骤4-3、假设被检工件的检测部位为a×b检测区域,获取该检测区域的厚度分布函数T(x,y),其中,x,y分别为被检工件检测区域的横、纵坐标值,0≤x≤a,0≤y≤b,
步骤4-4、获取被检工件的DR图像中该检测区域的灰度值分布函数f(x,y);
步骤4-5、使用被检工件检测区域内的厚度分布函数T(x,y)对被检工件的DR图像中该区域的灰度值分布函数f(x,y)进行厚度校正,得到校正后的灰度值分布函数f′(x,y),其中,f′(x,y)=f(x,y)-μ(T(x,y)),μ(T(x,y))为穿透厚度为T(x,y)下的灰度值均值。
步骤5、对于被检工件的DR图像中检测区域的任一点,在以该点为中心的局部区域内,利用步骤3中的量子噪声的概率密度函数计算该局部区域内的噪声理论概率密度函数,并利用步骤4中校正后的灰度值分布函数计算噪声实际概率密度函数,且计算该区域内噪声理论概论密度函数与噪声实际概率密度函数之间差的绝对值之和,并将该差的绝对值之和替代被检工件DR图像中中心点的数值,形成新的图像;
其中,步骤5中的具体步骤为:
步骤5-1、取被检工件的检测区域图像中的任意一点A,其坐标为x1、y1,以A为中心,在检测区域内提取一局部区域L,即该局部区域中L的任一点坐标为:(m,n),其中,
步骤5-2、对步骤5-1中局部区域L内的厚度分布函数T(m,n)进行直方图统计,得到直方图序列hT,其中,hT=M(T(m,n)),T(m,n)为该局部区域L内(m,n)处的厚度值,M(T(m,n))为该局部区域L内厚度为T(m,n)的数量,并计算该局部区域L中各个厚度的数量在该区域中所占的面积比P(T(m,n)),其中, 为该局部区域L内各个厚度的数量之和;
步骤5-3、计算该局部区域L内噪声理论概率密度函数EPDF(m,n),如图7中的曲线为噪声理论概率密度函数,其中,
步骤5-4、对该局部区域L内校正后的灰度值分布函数f′(m,n)进行直方图统计,得到灰度直方图序列hf′,其中,hf′=M(f′(m,n)),f′(m,n)为该局部区域L内(m,n)处的灰度值,M(f′(m,n))为该局部区域L内灰度值为f′(m,n)的像素数量;
步骤5-5、计算噪声实际分布概率密度函数APDF(m,n),图7中的每个点为噪声实际分布概率密度函数波形图,其中,为该局部区域L内的每个灰度值的像素数量之和;
步骤5-6、计算该局部区域L内噪声理论概率密度函数与噪声实际分布概论密度函数之间差的绝对值之和S(x1,y1),其中,x1,y1分别为局部区域L的中心点的横、纵坐标;
步骤6、采用与步骤5中相同的方法,将被检工件检测区域图像中的所有点,分别计算以任一点为中心的局部区域内噪声理论概率密度函数和噪声实际概率密度函数之间差的绝对值之和,且分别将以每个点为中心计算得到的差的绝对值之和替代对应中心点的数值,形成被检工件新的检测图像;
步骤7、采用阈值分割方法对步骤6中被检工件新的检测图像进行自动检测,识别出检测图像中的缺陷。其中,该阈值分割方法可采用传统阈值分割方法,本实施例中,采用最大类间方差法。
如图8~11所示,图9为对图8中的原始图像进行直接阈值分割之后的效果图,图10为根据数字X射线图像中渐变背景灰度分布规律,建立渐变背景图像灰度统计模型,对图8中的原始图像进行处理后得到新的检测图像,该图像中减小了渐变厚度工件引起的数字X射线图像背景噪声的影响,因此通过对图10进行阈值分割,能得到图11的技术效果,使用本发明的方法降低了DR图像中噪声以及内部渐变结构造成的图像灰度背景对缺陷检出的干扰,提高检测精度,识别出的小缺陷明显比图9中清楚,具有更好的识别效果,且可实现无需人工干预的全自动缺陷识别。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种渐变背景的数字X射线图像缺陷自动识别方法,其特征在于:包括以下步骤:
步骤1、通过机械加工手段制造出与被检工件材质一致的阶梯形对比试块,且该对比试块的每个阶梯厚度呈逐渐变化,其中,该对比试块的最大厚度大于等于被检工件的最大厚度,最小厚度小于等于被检工件的最小厚度;
步骤2、采用数字X射线成像工艺对步骤1中的对比试块和被检工件进行扫描,获取对比试块和被检工件的DR图像;
步骤3、在对比试块的DR图像中,选取对比试块不同穿透厚度的阶梯所在区域图像,统计该区域内的量子噪声分布,并进行高斯拟合,计算不同穿透厚度下对应的图像灰度值均值和标准偏差,建立穿透厚度与灰度值均值的关系曲线以及穿透厚度与标准偏差的关系曲线;并根据穿透厚度与标准偏差的关系曲线,得到量子噪声的概率密度函数;
步骤4、已知被检工件的检测区域,获取该检测区域的厚度分布函数和被检工件的DR图像中该区域的灰度值分布函数,使用该区域的厚度分布函数对该区域内的图像灰度值分布函数进行厚度校正,获得校正后的灰度值分布函数;
步骤5、对于被检工件的DR图像中检测区域的任一点,在以该点为中心的局部区域内,利用步骤3中的量子噪声的概率密度函数计算该局部区域内的噪声理论概率密度函数,并利用步骤4中校正后的灰度值分布函数计算噪声实际概率密度函数,且计算该区域内噪声理论概论密度函数与噪声实际概率密度函数之间差的绝对值之和,并将该差的绝对值之和替代被检工件DR图像中中心点的数值,形成新的图像;
步骤6、采用与步骤5中相同的方法,将被检工件检测区域图像中的所有点,分别计算以任一点为中心的局部区域内噪声理论概率密度函数和噪声实际概率密度函数之间差的绝对值之和,且分别将以每个点为中心计算得到的差的绝对值之和替代对应中心点的数值,形成被检工件新的检测图像;
步骤7、采用阈值分割方法对步骤6中被检工件新的检测图像进行自动检测,识别出检测图像中的缺陷。
2.根据权利要求1所述的渐变背景的数字X射线图像的缺陷自动识别方法,其特征在于:所述步骤3中的具体步骤为:
步骤3-1、统计量子噪声分布:设对比试块的DR图像中的灰度级为[0,L-1],在对比试块的DR图像中,在每个阶梯内选取一定大小的区域进行图像灰度直方图统计,对比试块中穿透厚度为i的阶梯处选取的区域内图像的灰度直方图序列hi:其中,hi=M(j),j为穿透厚度为i的阶梯处选取的区域图像中灰度级对应的像素值,即灰度值,j∈[0,L-1],M(j)为穿透厚度为i的阶梯处选取的区域图像中灰度值为j的像素数量;
步骤3-2、对输出序列直方图hi进行高斯拟合,得到拟合后的高斯曲线函数Hi(j),其中,拟合后的高斯曲线函数Hi(j)为:
其中,ai为穿透厚度为i下拟合后高斯曲线的幅值,μi为穿透厚度为i下拟合后高斯曲线的灰度值均值,σi为穿透厚度为i下拟合后高斯曲线的灰度值标准偏差;
步骤3-3、对灰度值均值μi和标准偏差σi进行线性拟合并插值,建立穿透厚度i与灰度值均值μi的关系曲线μ(i)以及穿透厚度i与标准偏差σi的关系曲线σ(i);
步骤3-4、根据步骤3-3中得到的穿透厚度i与标准偏差σi的关系曲线σ(i),建立量子噪声的概率密度函数PDFi(j):其中,
j为穿透厚度为i的阶梯处选取的区域图像中的灰度值。
3.根据权利要求2所述的渐变背景的数字X射线图像的缺陷自动识别方法,其特征在于:所述步骤4中的具体步骤为:
步骤4-1、通过数字X射线成像工艺获取的被检工件的图像像素为ω×ω,成像范围为σ×σmm,计算得到数字X射线图像的每个像素的尺寸ps为:
步骤4-2、设需检测直径大于e mm的缺陷,计算被检工件的DR图像中任意一个局部区域的像素为:其中q为预设的扩展系数,q≥1;
步骤4-3、假设被检工件的检测部位为a×b检测区域,获取该检测区域的厚度分布函数T(x,y),其中,x,y分别为被检工件检测区域的横、纵坐标值,0≤x≤a,0≤y≤b,
步骤4-4、获取被检工件的DR图像中该检测区域的灰度值分布函数f(x,y);
步骤4-5、使用被检工件检测区域内的厚度分布函数T(x,y)对被检工件的DR图像中该区域的灰度值分布函数f(x,y)进行厚度校正,得到校正后的灰度值分布函数f′(x,y),其中,f′(x,y)=f(x,y)-μ(T(x,y)),μ(T(x,y))为穿透厚度为T(x,y)下的灰度值均值。
4.根据权利要求3所述的渐变背景的数字X射线图像的缺陷自动识别方法,其特征在于:所述步骤5中的具体步骤为:
步骤5-1、取被检工件的检测区域图像中的任意一点A,其坐标为x1、y1,以A为中心,在检测区域内提取一局部区域L,即该局部区域中L的任一点坐标为:(m,n),其中,
步骤5-2、对步骤5-1中局部区域L内的厚度分布函数T(m,n)进行直方图统计,得到直方图序列hT,其中,hT=M(T(m,n)),T(m,n)为该局部区域L内(m,n)处的厚度值,M(T(m,n))为该局部区域L内厚度为T(m,n)的数量,并计算该局部区域L中各个厚度的数量在该区域中所占的面积比P(T(m,n)),其中, 为该局部区域L内各个厚度的数量之和;
步骤5-3、计算该局部区域L内噪声理论概率密度函数EPDF(m,n),其中,
步骤5-4、对该局部区域L内校正后的灰度值分布函数f′(m,n)进行直方图统计,得到灰度直方图序列hf′,其中,hf′=M(f′(m,n)),f′(m,n)为该局部区域L内(m,n)处的灰度值,M(f′(m,n))为该局部区域L内灰度值为f′(m,n)的像素数量;
步骤5-5、计算噪声实际分布概率密度函数APDF(m,n),其中, 为该局部区域L内的每个灰度值的像素数量之和;
步骤5-6、计算该局部区域L内噪声理论概率密度函数与噪声实际分布概论密度函数之间差的绝对值之和S(x1,y1),其中,x1,y1分别为局部区域L的中心点的横、纵坐标。
5.根据权利要求1所述的渐变背景的数字X射线图像的缺陷自动识别方法,其特征在于:所述步骤7中的阈值分割方法为最大类间方差法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272027.9A CN110084786B (zh) | 2019-04-04 | 2019-04-04 | 一种渐变背景的数字x射线图像缺陷自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272027.9A CN110084786B (zh) | 2019-04-04 | 2019-04-04 | 一种渐变背景的数字x射线图像缺陷自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084786A true CN110084786A (zh) | 2019-08-02 |
CN110084786B CN110084786B (zh) | 2022-05-13 |
Family
ID=67414258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272027.9A Active CN110084786B (zh) | 2019-04-04 | 2019-04-04 | 一种渐变背景的数字x射线图像缺陷自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084786B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915569A (zh) * | 2020-07-09 | 2020-11-10 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
CN113702408A (zh) * | 2021-09-18 | 2021-11-26 | 中国航空制造技术研究院 | 变厚度碳化硅纤维复合材料x射线检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093212A (zh) * | 2016-06-08 | 2016-11-09 | 北京隆盛泰科石油管科技有限公司 | 用于板材电磁超声自动检测的对比试块及其设计方法 |
CN109115872A (zh) * | 2017-06-22 | 2019-01-01 | 航天特种材料及工艺技术研究所 | 一种粘接质量的超声检测方法 |
CN109406629A (zh) * | 2018-10-15 | 2019-03-01 | 成都飞机工业(集团)有限责任公司 | 一种用于复合材料结构超声检测的r角试块及制作方法 |
CN109521093A (zh) * | 2018-11-27 | 2019-03-26 | 中航通飞华南飞机工业有限公司 | 一种应用于大厚度碳纤维复合材料检测的超声对比试块 |
-
2019
- 2019-04-04 CN CN201910272027.9A patent/CN110084786B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093212A (zh) * | 2016-06-08 | 2016-11-09 | 北京隆盛泰科石油管科技有限公司 | 用于板材电磁超声自动检测的对比试块及其设计方法 |
CN109115872A (zh) * | 2017-06-22 | 2019-01-01 | 航天特种材料及工艺技术研究所 | 一种粘接质量的超声检测方法 |
CN109406629A (zh) * | 2018-10-15 | 2019-03-01 | 成都飞机工业(集团)有限责任公司 | 一种用于复合材料结构超声检测的r角试块及制作方法 |
CN109521093A (zh) * | 2018-11-27 | 2019-03-26 | 中航通飞华南飞机工业有限公司 | 一种应用于大厚度碳纤维复合材料检测的超声对比试块 |
Non-Patent Citations (2)
Title |
---|
付康,等: "工业CT工艺参数选择对小缺陷尺寸测量的影响", 《兵器材料科学与工程》 * |
赵建江: "基于斜率试块方法的缺陷自身高度精确测量的DR检测技术", 《无损探伤》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915569A (zh) * | 2020-07-09 | 2020-11-10 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
CN111915569B (zh) * | 2020-07-09 | 2022-04-22 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
CN113702408A (zh) * | 2021-09-18 | 2021-11-26 | 中国航空制造技术研究院 | 变厚度碳化硅纤维复合材料x射线检测方法 |
CN113702408B (zh) * | 2021-09-18 | 2024-04-09 | 中国航空制造技术研究院 | 变厚度碳化硅纤维复合材料x射线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084786B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712212B (zh) | 一种工业ct伪影校正方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
KR102079022B1 (ko) | 검사 레시피를 생성하는 방법 및 그 시스템 | |
CN108629775A (zh) | 一种热态高速线材表面图像处理方法 | |
CN101584587B (zh) | 一种ct投影中心的自动校正方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN110084786A (zh) | 一种渐变背景的数字x射线图像缺陷自动识别方法 | |
CN110060293A (zh) | 一种ct检测系统的缺陷检出性能极限评估方法 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
Fleßner et al. | Evaluating and visualizing the quality of surface points determined from computed tomography volume data | |
CN109035245B (zh) | 基于灰度变化特征分析的无损射线底片灵敏度判别方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
CN103282938A (zh) | 用于通过x射线计算机断层扫描装置确定位于待检查物体中的结构位置的方法和评估设备 | |
Yu et al. | Analysis and processing of decayed log CT image based on multifractal theory | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
JP2012145507A (ja) | X線検査方法 | |
KR101858829B1 (ko) | 편석 분석 장치 및 방법 | |
CN111882518B (zh) | 一种漏磁数据自适应伪彩色化方法 | |
Qi et al. | Quantitative detection of minor defects in metal materials based on variation coefficient of CT image | |
CN107292888B (zh) | 待测物中屏蔽区域的获取方法、装置以及检测系统 | |
CN106225741B (zh) | 一种测量大厚度比工件边蚀宽度的方法 | |
Li et al. | Detection of cracks in computer tomography images of logs based on fractal dimension | |
CN116413290B (zh) | 一种工业ct散射校正方法 | |
CN115343365B (zh) | 基于超声c扫描数字图像处理的试件完好率检测方法 |
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 |