CN110111321A - 一种非接触式多尺度裂纹识别方法 - Google Patents
一种非接触式多尺度裂纹识别方法 Download PDFInfo
- Publication number
- CN110111321A CN110111321A CN201910389444.1A CN201910389444A CN110111321A CN 110111321 A CN110111321 A CN 110111321A CN 201910389444 A CN201910389444 A CN 201910389444A CN 110111321 A CN110111321 A CN 110111321A
- Authority
- CN
- China
- Prior art keywords
- crackle
- pixel
- crack
- independent
- brightness
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30132—Masonry; Concrete
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非接触式多尺度裂纹识别方法,包括:(1)采集待检测物体表面图像数据;(2)图像转换灰度图片;(3)对图片进行阈值处理,使裂纹与背景区分开;(4)设定局部阈值,对选取的局部区域进行处理,剔除背景中的污斑;(5)对图像中的独立裂纹进行提取;(6)对独立裂纹进行噪点过滤,判断出其中的真裂纹;(7)将所有的真裂纹组装,获得最终的裂纹图像;同时,对裂纹的几何特征进行分析并输出裂纹几何信息。本发明设计巧妙、应用方便,在力学研究中实现了裂纹的非接触实时监测,并且可以在加载过程中对裂纹行为进行监测;同时,其还可以实现工程领域裂纹的自动监测、检测和分析,解决工程领域裂纹监测耗人耗时耗力的问题。
Description
技术领域
本发明涉及图像识别工程技术领域,具体涉及的是一种非接触式多尺度裂纹识别方法。
背景技术
裂纹的出现往往意味着材料和构件(例如类混凝土类材料构件、金属等纹理材料构件)的断裂和失效。因此裂纹行为是工程监测和力学研究中重点关注的问题之一。在力学科学研究中,往往需要严密监视构件表面是否出现裂纹、裂纹尖端状况以及裂纹的发展走向等行为,以对构件的状况进行评估。目前,现有技术一般是采用在构件表面安装传感器或覆膜等方式获取裂纹状况,但是裂纹萌生位置和发展路径往往不可预测,因而安装传感器或覆膜存在一定的困难。
而在工程领域中,对表面裂纹最常用的检测方法为目视检测,这种方法耗费人力物力,检测主观性大,检测结果可靠性差。利用数字散斑相关方法虽然也能获得裂纹的状况,但是这只是基于应变得到的间接结果,且散斑布置复杂,在工程检测中应用困难。
发明内容
针对上述现有技术的不足,本发明提供了一种非接触式多尺度裂纹识别方法,可在力学研究中实现裂纹的非接触实时监测,并在加载过程中对裂纹行为进行监测;同时,其还可以实现工程领域裂纹的自动监测、检测和分析,解决工程领域裂纹监测耗人耗时耗力的问题。
为实现上述目的,本发明采用的技术方案如下:
一种非接触式多尺度裂纹识别方法,包括以下步骤:
(1)采集待检测物体表面图像数据;
(2)将图像转换为N位深度的灰度图片,N为8的倍数;
(3)设定阈值,并以此对图片的所有像素点进行阈值处理,使裂纹与背景区分开,此时裂纹亮度为A,背景亮度为B;
(4)在步骤(3)基础上再在图片中任意选取至少一个局部区域,设定局部阈值,然后以此对选取的局部区域进行处理,剔除背景中的污斑,使裂纹与背景更好地区分开来;
(5)对图像中的独立裂纹进行提取,其提取过程如下:
(a)提取图像中的任意一个像素点;
(b)判断该像素点的亮度是否等于A,是,则以此像素点作为独立裂纹提取起始点,执行步骤(c);否,则继续提取第二个像素点并进行判断,直至获得亮度为A的像素点,然后以此作为独立裂纹提取起始点并执行步骤(c);
(c)将该像素点存入用于存放独立裂纹的矩阵Is和集合Sd中;
(d)对集合Sd中存放的像素点周围的N个像素点进行探测,将其中亮度为A的项数点存入矩阵Is和集合St中,并将存入的像素点的亮度全部置为B,以免重复探测;
(e)将集合Sd中的像素点替换为集合St中的像素点,并重复执行步骤(d),直至集合Sd中不再探测到亮度为A的像素点时,确定一条完整的独立裂纹已被存放至矩阵Is中;
(f)提取下一个像素点,并循环步骤(b)~(e),直至获得图像中所有的独立裂纹,然后执行步骤(6);
(6)对矩阵Is中的独立裂纹进行噪点过滤,判断出其中的真裂纹;
(7)将所有的真裂纹组装,获得最终的裂纹图像,并输出该裂纹图像。
进一步地,本发明在输出裂纹图像的同时,还对该裂纹图像中的所有独立裂纹分别进行几何特征分析,并输出裂纹几何信息;所述的独立裂纹几何特征包括裂纹的面积Ac、长度lc、平均宽度wa,其中:
面积Ac根据获取的独立裂纹总像素点个数确定;
平均宽度wa由如下公式计算得到:
wa=Ac/lc;
长度lc的计算过程如下:
(a)对裂纹进行几何形态处理,获得像素宽为1的裂纹骨架;
(b)分析裂纹股价,确定其分支点和终止点;确定分支点和终止点个数的具体过程为:在裂纹骨架中,如果某个亮度为A的像素点周边的N个像素点中仅有一个亮度为A的像素点,则该像素点为裂纹的终止点;如果有三个或以上的亮度为A的像素点,则该像素点为裂纹的分支点;
(c)判断分支点的个数是否大于0,是,则确认独立裂纹为有分支裂纹,执行步骤(d);否,则确认独立裂纹为无分支裂纹,执行步骤(g);
(d)从第一个分支点开始,依次沿此分支点出发的各个路径,将相应的裂纹长度计算出来,具体为:沿着某一路径计算长度时,逐个像素点计算长度,直至另一分支点或终止点时,该路径的长度计算结束;计算过长度的像素点亮度置为B,以避免重复计算;
(e)开始计算下一路径长度,当该分支点所有路径长度计算完成时,继续计算下一个分支点逐个路径的长度;当所有分支点所有路径长度计算结束时,执行步骤(f);
(f)将所有分支点所有路径的长度累加,得到独立裂纹的总长度;
(g)从某一终止点开始,逐个像素点计算长度,直至另一终止点,得到独立裂纹的长度。
具体地,所述步骤(6)包括以下步骤:
(601)设定一个类圆率上限Fc,lmt,0<Fc,lmt<1;
(602)采用如下公式计算单个独立裂纹的类圆率Fc:
式中,ld为裂纹最大的维度尺寸;
(603)判断Fc是否小于Fc,lmt,是,则确定为真裂纹;否,则确定为噪点;
(604)循环步骤(602)、(603),确定出所有的真裂纹。
进一步地,所述步骤(4)中,局部阈值按照以下公式设定:
YL=R×IL
式中,YL为局部阈值大小;R为阈值系数,0<R<1;IL为局部窗口平均亮度。
优选地,所述的阈值系数R计算公式如下:
R=(Istm-0.5·Istd)/Istm
式中,Istm为图像整体亮度分布曲线最高点的亮度值,Istd为亮度分布曲线的标准差。
所述步骤(2)中,采用如下公式获得灰度图片:
Ix,y=0.2990×Rx,y+0.5870×Gx,y+0.1140×Bx,y
式中,Ix,y为像素点(x,y)的亮度,Rx,y,Gx,y,Bx,y分别为像素点(x,y)在红色、绿色和蓝色三个通道的亮度。
所述步骤(4)中,采用局部阈值处理时,局部窗口沿着图像的行和列按照设定的步长移动,步长值为窗口尺寸的四分之一。
与现有技术相比,本发明具有以下有益效果:
(1)本发明采用局部阈值对灰度图片进行处理,可很好地剔除背景中的污斑,使裂纹与背景更好地区分开来,便于后续独立裂纹的提取;同时,本发明所设计的局部阈值计算方式科学合理、应用方便。本申请发明人在大量研究的基础上,不仅确定了阈值系数的有效取值范围(0<R<1),而且在局部阈值处理时,将局部窗口沿着图像的行和列按照特定步长(窗口尺寸的四分之一)移动,确保每个像素点至少被阈值处理一次,如此可以获得较好的阈值处理效果。
(2)本发明设计了矩阵Is和集合Sd,在提取到裂纹像素点后,将其放入矩阵Is和集合Sd中,然后对集合Sd中的像素点周围几个像素点继续探测,并将探测到的裂纹像素点放入矩阵Is和集合St中,而后将集合Sd中的像素点替换为集合St中的像素点,并继续探测,如此反复循环,最终可以获得图像中所有的独立裂纹(在矩阵Is中)。本发明探测独立裂纹的方式,简单、有效,且存入的像素点的亮度值会全部被置换,以免重复探测,从而在确保裂纹探测准确的前提下大幅提高了探测的效率。
(3)本发明判断真裂纹与噪点时,巧妙采用了类圆率计算的方式,并设计了一个类圆率上限Fc,lmt(0<Fc,lmt<1),然后以计算得到的类圆率与上限值进行大小比较来确认真实裂纹。因为对于独立裂纹来说,裂纹越狭长,说明其约接近与真裂纹,类圆率越小,而类圆率越大,说明其形状于接近与圆,其越可能是一个噪点。因此,本发明采用这种方式判断真裂纹,准确度非常高,更加有效地实现了独立裂纹提取后的噪点过滤,获得了真实的裂纹。
(4)本发明还考虑了独立裂纹有无分支的情况,并对此进行了有针对性的裂纹长度计算,主要为:对独立裂纹进行几何处理,获得裂纹骨架,然后确定分支点和终止点,当独立裂纹为有分支裂纹时,计算所有分支点所有路径长度,然后将所有分支点所有路径的长度累加得到独立裂纹的总长度;当独立裂纹为无分支裂纹时,直接从某一终止点开始,逐个像素点计算长度,直至另一终止点,得到独立裂纹的长度。可以说,本发明在获得真裂纹后,还根据实际情况充分考虑了裂纹自身的性质,并引入了分支点、终止点个数确认以及路径计算,从而为最大程度上获得真实的裂纹几何特征信息提供了良好的保障。
(5)本发明通过独特的阈值处理、裂纹提取、真裂纹判断、裂纹性质确认(有无分支)以及裂纹长度计算等方案设计,结合图像采集、图片转换等技术手段,很好地实现了对构件或构件表面裂纹的实时监测和实时分析。本发明具有非接触、多尺度(多重判断、多重维度)裂纹识别的特点,对于力学科学研究来说,即使构件表面裂纹萌生位置和发展路径不可预测,本发明也可以满足裂纹探测需求;而对于工程领域来说,本发明无需目视检测,节约了人力物力,并且其检测结果的精确度非常高,可靠性强,检测效率高。
附图说明
图1为本发明的流程示意图。
图2为本发明-实施例中一种裂纹与周边背景的亮度对比示意图。
图3为本发明-实施例中利用不同阈值整体阈值处理的结果比较示意图。
图4为本发明-实施例中一种待分析图像示意图。
图5为图4所示图像的亮度分析示意图。
图6为本发明中独立裂纹的提取流程示意图。
图7为本发明-实施例中一种真裂纹图像示意图。
图8为本发明提取出的一种独立裂纹示意图。
图9为图8经几何处理后的裂纹示意图。
图10为有分支裂纹的长度计算示意图。
图11、12为本发明一种应用示例图,其中,图11为被探测图像,图12为裂纹探测结果。
图13、14为本发明第二种应用示例图,其中,图13为被探测图像,图14为裂纹探测结果。
图15、16为本发明第三种应用示例图,其中,图15为被探测图像,图16为裂纹探测结果。
图17、18为本发明第四种应用示例图,其中,图17为被探测图像,图18为裂纹探测结果。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
实施例
本发明提供了一种基于图像分析的非接触式裂纹识别技术,可实现构件表面照片的自动采集、分析并识别出其中的裂纹情况,最终输出单纯的裂纹照片以及裂纹的长度、宽度、路径等几何信息,从而达到对构件或构件表面裂纹的实时监测和实时分析的目的。本发明在系统配置上主要由图像采集系统、计算机系统组成。图像采集系统用于完成图像的自动采集,获取裂纹分析的基础图像数据信息,然后由计算机系统对图像中的裂纹进行识别分析,输出裂纹信息,为裂纹检测提供预警。
如图1所示,本发明的具体流程主要包括:一、图像采集和图片转码;二、图像阈值处理;三、噪点过滤和裂纹提取;四、结果输出。下面依次对这四个过程进行详细介绍。
一、图像采集和图片转码
首先,采集待检测物体表面图像数据,然后,将图像转换为N位深度的灰度图片,N为8的倍数(本实施例采用8位深度灰度图片)。灰度图片中像素点亮度可用以下公式算出:
Ix,y=0.2990×Rx,y+0.5870×Gx,y+0.1140×Bx,y
式中,Ix,y为像素点(x,y)的亮度,Rx,y,Gx,y,Bx,y分别为像素点(x,y)在红色、绿色和蓝色三个通道的亮度。通过这一过程处理后,可以得到一张8位深度的灰度图片。每一像素的亮度由0到255的整数表示,0表示最暗,255表示最亮。
二、图像阈值处理
设定阈值,并以此对图片的所有像素点进行阈值处理,使裂纹与背景区分开。裂纹与周边背景的区别在于裂纹比背景更暗(如图2所示),可以依据此特性将裂纹与背景区分开。本实施例中,将阈值处理的过程表述为:
其中,Px,y是像素点(x,y)阈值处理后的值,Y为给定的阈值。
经过阈值处理后,裂纹的亮度为0,背景亮度为1,上述0和1也可以替换为其他数字。阈值处理后,虽能区分出裂纹和背景,但由于背景图像中存在干扰,例如背景中的污斑或照片采集时的关系不均匀等,因此利用整体阈值的方法还不能充分区分出裂纹与背景。并且在利用整体阈值处理图片时,如果阈值设置太小,会导致裂纹信息流失;阈值设置太大,则会引入大片黑斑。图3所示的即为利用不同阈值(Y=80、85、90)整体阈值处理的结果。
所以,本发明在上述基础上再在图片中任意选取至少一个局部区域,设定局部阈值,然后以此对选取的局部区域进行处理,剔除背景中的污斑,从而使裂纹与背景更好地区分开来。例如,对于一个尺寸为m×n的图像来说,可从其中取出一块尺寸为a×a的区域实施阈值处理。本发明中,局部阈值的大小确定方法为:
YL=R×IL
其中,YL为局部阈值大小,R为阈值系数,0<R<1,IL为局部窗口平均亮度。R的值取决于图像的整体亮度分布。经过多张图片试验发现,R按照下式取值可得到最好的效果:
R=(Istm-0.5·Istd)/Istm
式中,Istm为图形整体亮度分布曲线最高点的亮度值,例如图4中图像的亮度分布如图5所示,其类似于正态分布,其曲线最高点则为均值。Istd为亮度分布曲线的标准差,例如图4所示图形的标准差为15.57。因此针对图4所示图像进行局部阈值的R取值为0.94。
在进行局部阈值处理时,局部窗口沿着图像的行和列按照特定步长移动。为保证每个像素点至少被阈值处理一次,步长应当小于局部窗口的尺寸。通过实验发现,当步长取值为窗口尺寸的四分之一时,可以获得较好的阈值处理效果。
经过局部阈值处理后,由于每个像素点被阈值处理的次数不等,因此额外定义了一个矩阵,记录每个像素点被阈值处理的次数。当一个像素点在每次阈值处理都被判定为0时,其最终的阈值处理结果才是0。
三、噪点过滤和裂纹提取
首先进行独立裂纹的提取。一个独立裂纹是指其周围没有任何一个判定为裂纹的像素点与之相连。本发明中,对独立裂纹的提取可以按照如下过程进行:
(1)提取图像中的任意一个像素点;
(2)判断该像素点的亮度是否等于0(即:零像素),是,则以此像素点作为独立裂纹提取起始点,执行步骤(3);否,则继续提取第二个像素点并进行判断,直至获得零像素点,然后以此作为独立裂纹提取起始点并执行步骤(3);
(3)将该像素点存入用于存放独立裂纹的矩阵Is和集合Sd中;
(4)对集合Sd中存放的像素点周围的N个像素点(8位图片就是8个像素点)进行探测,将其中的零像素点存入矩阵Is和集合St中,并将存入的像素点的亮度全部置为1,以免重复探测;
(5)将集合Sd中的像素点替换为集合St中的像素点,并重复执行步骤(4),直至集合Sd中不再探测到零像素点时,确定一条完整的独立裂纹已被存放至矩阵Is中;
(6)提取下一个像素点,并循环步骤(2)~(5),直至获得图像中所有的独立裂纹。如图6所示。
接着,对矩阵Is中的独立裂纹进行判断,确定其是否为真裂纹,因为获取的独立裂纹有些不一定是真裂纹,有可能是噪点。而要区分噪点和真裂纹,首先要对噪点和真裂纹的差异进行分析,一般来说,裂纹和噪点的几何形态具有明显差别,真裂纹的几何形态为狭长型,其长宽比较大,即一个维度的尺寸远远大于另一个维度的尺寸。而噪点多趋近于圆形。因此可以通过判断提取出的独立裂纹与圆形的近似尺度来将真裂纹与噪点区分开,其判断思路如下:
首先,任一图像的面积可以表示为:
A=c·ab (公式1)
其中,A为面积,a和b分别为图形在两个独立维度上的尺寸,即长度和宽度;c为不大于1的常数,视具体图像而定。例如对于矩形而言,c取1,a和b分别为长和宽;对于圆形而言,c取π/4,a和b相等,为圆的直径。
假设公式1中,a表示较长的一个维度尺寸,即a≥b,则公式1可以表示为:
其中为宽度与长度的比值,图形越狭长,其值越小。若图形为圆形,那么:
其中Ac为圆的面积,变形后可得:
定义一个变量类圆率表示图形与圆的近似程度,以ld表示图形最大维度尺寸,可以得到:
其中,Ac为独立裂纹的面积,ld为裂纹最大的维度尺寸。显然,对于一个圆而言,Fc=1,对于一个无限狭长的图形,Fc趋近于0。抽取出的独立裂纹越狭长,类圆率越小,说明其越接近于真裂纹;类圆率越大,说明其形状越接近于圆形,可能是一个噪点。
因此可以设定一个类圆率的上限Fc,lmt(0<Fc,lmt<1),用以区分真裂纹和噪点。若一个独立裂纹的Fc<Fc,lmt,则其为真裂纹,否则为噪点。
相较于长宽比,采用类圆率对噪点进行过滤不局限于某一种图形,具有更广泛的适用性,且可以在更简单的计算后得到结果。因为裂纹的具体取向是不确定的,且裂纹可能存在弯曲、分支等情况,所以要计算裂纹真实长度相对比较复杂,如图7所示。若简单以存储裂纹图像的矩阵的尺寸计算长宽比,则容易将真裂纹判断为噪点。例如图7所示真裂纹,其尺寸为67×58像素,面积为166像素,类圆率Fc为0.054,而其图像宽度与长度的比值却为0.866。
四、结果输出
本发明可输出单纯的裂纹图像(照片)和所有独立裂纹的几何特征信息。对于裂纹图像而言,只需将所有的真裂纹进行组装,即可获得最终的裂纹图像。对于独立裂纹的几何特征信息而言,需要输出其面积、长度、平均宽度信息。
下面详细阐述独立裂纹几何特征的分析过程。
首先,独立裂纹的面积Ac可根据获取的独立裂纹总像素点个数确定;
平均宽度wa由如下公式计算得到:
wa=Ac/lc;
对于长度lc的计算,则需要根据裂纹是否有分支进行判断。对于独立裂纹来说,其可分为无分支裂纹和有分支裂纹两类,在计算时,需要对裂纹进行几何形态处理。本发明中,将裂纹处理为宽度为1像素的骨架(即裂纹骨架),如图8、9所示。
而后,分析裂纹骨架,确定其分支点和终止点。在本发明中,分支点和终止点个数可采用如下方式确定:
如果某个零像素点(也就是裂纹像素)周边的8个像素点中仅有一个零像素点,则该像素点为裂纹的终止点;如果有两个零像素点,那么这个像素点就是中间像素点;如果有三个或以上的零像素点,则该像素点为裂纹的分支点。
按照上述方式确定分支点和终止点后,如果存在分支点(即分支点个数大于0),则确认独立裂纹为有分支裂纹,那么计算裂纹长度时,从第一个分支点开始,依次沿此分支点出发的各个路径,将相应的裂纹长度计算出来(具体为:沿着某一路径计算长度时,逐个像素点计算长度,直至另一分支点或终止点时,该路径的长度计算结束,然后开始计算下一路径长度;计算过长度的像素点亮度置为1,以避免重复计算)。
当该分支点所有路径长度计算完成时,继续计算下一个分支点逐个路径的长度,直至所有分支点所有路径长度计算结束后,将所有分支点所有路径的长度累加,即可得到独立裂纹的总长度。如图10所示。
如果没有分支点,则直接从某一终止点开始,逐个像素点计算长度,直至另一终止点,即可得到独立裂纹的长度。
最后,对真裂纹进行几何特征分析后,将结果输出,包括裂纹图像,裂纹面积、长度、宽度以及计算的记录文件。
图11~18为本发明的部分应用示例图,其中,图11、12为混凝土表面裂纹探测,图13、14为光学显微镜下放大20倍混凝土骨料-砂浆界面裂纹探测,图15、16为扫描电子显微下放大200倍混凝土裂纹探测,图17、18为扫描电子显微镜下放大2000倍的金属裂纹探测。
根据上述流程及应用示例可以看出,本发明通过独特的阈值及局部阈值处理、裂纹提取、真裂纹判断、裂纹性质确认(有无分支)以及裂纹长度计算等方案设计,结合图像采集、图片转换等技术手段,很好地实现了对构件或构件表面裂纹的实时监测和实时分析。对于力学科学研究来说,即使构件表面裂纹萌生位置和发展路径不可预测,本发明也可以满足裂纹探测需求;而对于工程领域来说,本发明无需目视检测,节约了人力物力,并且其检测结果的精确度非常高。本发明设计巧妙、应用方便,其很好地完善了现有裂纹探测技术(尤其是类混凝土类材料宏观和微观尺度裂纹探测以及金属等纹理材料表面裂纹探测技术)的不足,不仅克服现有技术的限制,取得了较大的创新,而且很好地符合了科技发展的潮流。因此,本发明与现有技术相比,技术进步十分明显,具有突出的实质性特点和显著的进步。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (8)
1.一种非接触式多尺度裂纹识别方法,其特征在于,包括以下步骤:
(1)采集待检测物体表面图像数据;
(2)将图像转换为N位深度的灰度图片,N为8的倍数;
(3)设定阈值,并以此对图片的所有像素点进行阈值处理,使裂纹与背景区分开,此时裂纹亮度为A,背景亮度为B;
(4)在步骤(3)基础上再在图片中任意选取至少一个局部区域,设定局部阈值,然后以此对选取的局部区域进行处理,剔除背景中的污斑,使裂纹与背景更好地区分开来;
(5)对图像中的独立裂纹进行提取,其提取过程如下:
(a)提取图像中的任意一个像素点;
(b)判断该像素点的亮度是否等于A,是,则以此像素点作为独立裂纹提取起始点,执行步骤(c);否,则继续提取第二个像素点并进行判断,直至获得亮度为A的像素点,然后以此作为独立裂纹提取起始点并执行步骤(c);
(c)将该像素点存入用于存放独立裂纹的矩阵Is和集合Sd中;
(d)对集合Sd中存放的像素点周围的N个像素点进行探测,将其中亮度为A的项数点存入矩阵Is和集合St中,并将存入的像素点的亮度全部置为B,以免重复探测;
(e)将集合Sd中的像素点替换为集合St中的像素点,并重复执行步骤(d),直至集合Sd中不再探测到亮度为A的像素点时,确定一条完整的独立裂纹已被存放至矩阵Is中;
(f)提取下一个像素点,并循环步骤(b)~(e),直至获得图像中所有的独立裂纹,然后执行步骤(6);
(6)对矩阵Is中的独立裂纹进行噪点过滤,判断出其中的真裂纹;
(7)将所有的真裂纹组装,获得最终的裂纹图像,并输出该裂纹图像。
2.根据权利要求1所述的一种非接触式多尺度裂纹识别方法,其特征在于,在输出裂纹图像的同时,还对该裂纹图像中的所有独立裂纹分别进行几何特征分析,并输出裂纹几何信息;所述的独立裂纹几何特征包括裂纹的面积Ac、长度lc、平均宽度wa,其中:
面积Ac根据获取的独立裂纹总像素点个数确定;
平均宽度wa由如下公式计算得到:
wa=Ac/lc;
长度lc的计算过程如下:
(a)对裂纹进行几何形态处理,获得像素宽为1的裂纹骨架;
(b)分析裂纹股价,确定其分支点和终止点;
(c)判断分支点的个数是否大于0,是,则确认独立裂纹为有分支裂纹,执行步骤(d);否,则确认独立裂纹为无分支裂纹,执行步骤(g);
(d)从第一个分支点开始,依次沿此分支点出发的各个路径,将相应的裂纹长度计算出来,具体为:沿着某一路径计算长度时,逐个像素点计算长度,直至另一分支点或终止点时,该路径的长度计算结束;计算过长度的像素点亮度置为B,以避免重复计算;
(e)开始计算下一路径长度,当该分支点所有路径长度计算完成时,继续计算下一个分支点逐个路径的长度;当所有分支点所有路径长度计算结束时,执行步骤(f);
(f)将所有分支点所有路径的长度累加,得到独立裂纹的总长度;
(g)从某一终止点开始,逐个像素点计算长度,直至另一终止点,得到独立裂纹的长度。
3.根据权利要求2所述的一种非接触式多尺度裂纹识别方法,其特征在于,确定分支点和终止点个数的具体过程为:在裂纹骨架中,如果某个亮度为A的像素点周边的N个像素点中仅有一个亮度为A的像素点,则该像素点为裂纹的终止点;如果有三个或以上的亮度为A的像素点,则该像素点为裂纹的分支点。
4.根据权利要求1~3任意一项所述的一种非接触式多尺度裂纹识别方法,其特征在于,所述步骤(6)包括以下步骤:
(601)设定一个类圆率上限Fc,lmt,0<Fc,lmt<1;
(602)采用如下公式计算单个独立裂纹的类圆率Fc:
式中,ld为裂纹最大的维度尺寸;
(603)判断Fc是否小于Fc,lmt,是,则确定为真裂纹;否,则确定为噪点;
(604)循环步骤(602)、(603),确定出所有的真裂纹。
5.根据权利要求4所述的一种非接触式多尺度裂纹识别方法,其特征在于,所述步骤(4)中,局部阈值按照以下公式设定:
YL=R×IL
式中,YL为局部阈值大小;R为阈值系数,0<R<1;IL为局部窗口平均亮度。
6.根据权利要求5所述的一种非接触式多尺度裂纹识别方法,其特征在于,所述的阈值系数R计算公式如下:
R=(Istm-0.5·Istd)/Istm
式中,Istm为图像整体亮度分布曲线最高点的亮度值,Istd为亮度分布曲线的标准差。
7.根据权利要求1、2、3、5或6所述的一种非接触式多尺度裂纹识别方法,其特征在于,所述步骤(2)中,采用如下公式获得灰度图片:
Ix,y=0.2990×Rx,y+0.5870×Gx,y+0.1140×Bx,y
式中,Ix,y为像素点(x,y)的亮度,Rx,y,Gx,y,Bx,y分别为像素点(x,y)在红色、绿色和蓝色三个通道的亮度。
8.根据权利要求7所述的一种非接触式多尺度裂纹识别方法,其特征在于,所述步骤(4)中,采用局部阈值处理时,局部窗口沿着图像的行和列按照设定的步长移动,步长值为窗口尺寸的四分之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389444.1A CN110111321B (zh) | 2019-05-10 | 2019-05-10 | 一种非接触式多尺度裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389444.1A CN110111321B (zh) | 2019-05-10 | 2019-05-10 | 一种非接触式多尺度裂纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111321A true CN110111321A (zh) | 2019-08-09 |
CN110111321B CN110111321B (zh) | 2021-01-19 |
Family
ID=67489303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910389444.1A Active CN110111321B (zh) | 2019-05-10 | 2019-05-10 | 一种非接触式多尺度裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
CN106023231A (zh) * | 2016-06-07 | 2016-10-12 | 首都师范大学 | 一种高分辨率影像牛羊自动检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN109187567A (zh) * | 2018-08-07 | 2019-01-11 | 华侨大学 | 一种聚晶金刚石复合片表面白点缺陷检测系统 |
-
2019
- 2019-05-10 CN CN201910389444.1A patent/CN110111321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
CN106023231A (zh) * | 2016-06-07 | 2016-10-12 | 首都师范大学 | 一种高分辨率影像牛羊自动检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
CN107403427A (zh) * | 2017-07-20 | 2017-11-28 | 重庆邮电大学 | 一种基于遗传规划与渗流模型的混凝土表面裂缝检测方法 |
CN109187567A (zh) * | 2018-08-07 | 2019-01-11 | 华侨大学 | 一种聚晶金刚石复合片表面白点缺陷检测系统 |
Non-Patent Citations (1)
Title |
---|
闫莉莉: "碳纤维增强铝基复合材料层间裂纹图像检测系统的研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110111321B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN108007355B (zh) | 基于图像距离变换的混凝土裂缝检测方法 | |
Wang et al. | Comparison analysis on present image-based crack detection methods in concrete structures | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
Tsai et al. | Critical assessment of pavement distress segmentation methods | |
CN108038853A (zh) | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115564771B (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
JP6403547B2 (ja) | 鋼材成分識別装置及びそのプログラム | |
JP2012247206A (ja) | 鋼材成分識別装置及びそのプログラム | |
CN106483143A (zh) | 一种太阳能光伏板积灰在线监测装置及其检测方法 | |
CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
CN114998323A (zh) | 基于注意力机制的螺纹钢异常判定方法 | |
CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
Dan et al. | Application of deep learning-based image recognition technology to asphalt–aggregate mixtures: Methodology | |
CN117274240B (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
CN108509696A (zh) | 基于三维激光扫描技术的古建筑健康监测方法及装置 | |
CN109146888A (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN103267498B (zh) | 铁矿石粗糙度自动数字量化测量方法 | |
CN111060455A (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN116993745B (zh) | 基于图像处理给水管表面漏损检测方法 | |
CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
CN110111321A (zh) | 一种非接触式多尺度裂纹识别方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
Tsai et al. | Saw-Mark Defect Detection in Heterogeneous Solar Wafer Images using GAN-based Training Samples Generation and CNN Classification. |
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 |