CN110287968A - 一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 - Google Patents
一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 Download PDFInfo
- Publication number
- CN110287968A CN110287968A CN201910587387.8A CN201910587387A CN110287968A CN 110287968 A CN110287968 A CN 110287968A CN 201910587387 A CN201910587387 A CN 201910587387A CN 110287968 A CN110287968 A CN 110287968A
- Authority
- CN
- China
- Prior art keywords
- image
- weld
- weld bond
- egative film
- seam inspection
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于LBP纹理的焊缝探伤底片图像造假的检测方法,首先将胶质焊缝探伤底片图像扫描成数字化焊缝探伤底片图像并对扫描后的图像进行预处理,然后基于SIFT算法及SSIM相似度对焊缝图像进行处理来判断单张焊缝探伤底片图像是否造假,也能基于SIFT算法把一个焊口中所有焊缝探伤底片图像拼接为一张完整焊口焊缝图像,再基于LBP算法提取该焊口的完整焊口焊缝图像的LBP纹理特征向量并与数据库中已保存的数据进行对比来判断整个焊口焊缝是否造假。本发明能够快速准确地自动检测出单张焊缝探伤底片图像造假和整个焊口焊缝探伤底片图像造假的情况,避免质量不合格的焊缝采用替换造假的方式通过验收,保证工程质量,消除安全隐患。
Description
技术领域
本发明涉及管道焊接检测技术领域,尤其涉及一种基于LBP纹理的焊缝探伤底片图像造假的检测方法。
背景技术
焊接技术是制造业中重要的加工技术,在航空航天、化工生产、管道运输等方面广泛应用。在焊接过程中由于焊工的技术或者工作环境的影响,可能导致焊缝出现缺陷,如裂纹、气孔、漏焊等。为了保证产品的焊接质量,必须要对其中的焊缝进行无损检测。目前,X射线无损检测以清洁、方便、便于查看等优点在实际生产检测过程中被广泛应用。读片人员能够根据焊缝的X射线探伤图像检测焊缝是否有缺陷,若发现缺陷则及时进行返工,否则焊缝中存在的缺陷可能会导致重大事故发生。
根据X射线探伤工艺规程,每张焊缝探伤底片上必须显示像质计,定位标记(中心标记、搭接标记)与识别标记,识别标记包括管线号、焊口号、焊工号、焊接日期等,若返修重拍时片号后加返修标记。通常拍摄的一个焊口的X射线探伤底片图像不止一张,为了保证能够覆盖全部焊缝,焊缝的拍摄位置要有少量的重叠,铅质搭接标记放置在在搭接处,位置比较固定,且周围没有其它干扰标记,通常焊缝探伤底片图像上的搭接标记是一个箭头,有时也用数字代替,上述各种标记铅字在拍摄前放置在指定的位置,与焊缝一起成像。
目前,焊缝探伤底片造假的情况比较普遍。如果工程方认为某焊口或其中一段焊缝质量不佳,无法通过检查,可能会在另一条质量好的焊缝上重新拍摄(用新铅字标记拍摄老焊缝)图像,冒充要被检查的焊缝,并上交造假的焊缝底片。如果只有其中一张焊缝图像造假的话,检查人员有可能根据这张焊缝图像与前后相邻焊缝图像的搭接缝是否匹配判断出是否造假,但是,如果造假者重新拍摄了整个焊口,这种情况下焊口中的各个焊缝图像搭接完美,由于一个工程中的焊缝底片通常数量巨大,检查人员几乎不可能检查出这种造假的情况。如果有问题的焊缝底片通过检查,会直接影响产品的质量和使用寿命,存在极大的安全隐患。
发明内容
本发明的目的是提供一种基于LBP纹理的焊缝探伤底片图像造假的检测方法,能够快速准确地自动检测出单张焊缝探伤底片图像造假和整个焊口焊缝探伤底片图像造假的情况,避免质量不合格的焊缝采用替换造假的方式通过验收,保证工程质量,消除安全隐患。
本发明采用的技术方案为,一种基于LBP纹理的焊缝探伤底片图像造假的检测方法,包括如下步骤:
a.将待检测的n个焊口的胶质焊缝探伤底片图像均扫描成数字化焊缝探伤底片图像,并将每个焊口的m个焊缝探伤底片图像都按照底片号顺序排序为1,2,3……m;
b.对单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次进行预处理,并切割得到该焊口的所有搭接区图像;
c.基于SIFT算法及SSIM相似度对该焊口中底片号相邻的焊缝图像两两进行搭接匹配检测;若不匹配,则报警,若匹配,进入步骤d;
d.基于SIFT算法把该焊口中所有焊缝探伤底片图像按照底片号排序拼接为一张完整焊口焊缝图像;
e.基于LBP算法提取该焊口的完整焊口焊缝图像的LBP纹理特征向量;
f.若该焊口为检测的第一个焊口,则该焊口默认为非造假,同时建立一个用于保存完整焊口焊缝图像的LBP纹理特征向量的数据库,并将该焊口的完整焊口焊缝图像的LBP纹理特征向量直接保存在数据库中,完善数据库,若该焊口不是检测的第一个焊口,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的所有完整焊口焊缝图像的LBP纹理特征向量进行比对,若检测结果为造假,则报警,若检测结果为非造假,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中,完善数据库,并进入步骤g;
g.对下一个焊口进行检测,并重复步骤b~f,直至n个焊口都检测完成。
优选的,所述步骤b的具体步骤为:
b1.将单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次通过对比度拉伸进行图像增强处理;
b2.基于拉东变换在m个焊缝探伤底片图像中依次找到相邻的两个焊缝探伤底片图像中所对应的搭接标记,并从搭接标记处切割图像,得到搭接区图像。
进一步地,所述步骤c的具体步骤为:
c1.基于SIFT算法提取相邻两个搭接区图像的关键点特征描述子;
c2.计算相邻两个搭接区图像关键点特征描述子的欧式距离,寻找相匹配的关键点,得到相邻两个搭接区图像中相匹配的SIFT关键点数;
c3.计算相邻两个搭接区图像的SSIM相似度;
c4.若匹配的SIFT关键点数大于2且SSIM相似度大于85%,表示搭接匹配成功,进行下一步的检测,反之,则报警。
进一步地,所述步骤c1的具体步骤为:
c11.检测局部极值点:计算得到搭接区图像的不同尺度的图像,搭接区图像和不同尺度的图像共同构成搭接区图像的高斯金字塔模型,像素点和所有的图像域和尺度域的相邻像素点比较,当其大于或者小于所有相邻像素点时,该像素点即为局部;
c12.过滤局部极值点:通过拟合三维二次函数来精确确定局部极值点的位置和尺度并过滤掉低对比度和不稳定的局部极值点,留下的局部极值点就是搭接区图像的关键点;
c13.确定关键点的方向:计算搭接区图像关键点邻域像素的梯度方向和梯度幅值,再利用梯度直方图统计这些邻域像素的梯度方向和梯度幅值的分布特征,梯度直方图的峰值就是关键点的主方向;
c14.生成特征描述子:得到关键点的位置、尺度和主方向后,经过处理计算得到关键点的特征描述子。
优选的,所述步骤d的具体步骤为:
d1.基于SIFT算法提取一个焊口内所有焊缝图像的SIFT关键点;
d2.基于KD tree和BBF算法在相邻两个焊缝图像中查找能够匹配的SIFT关键点;
d3.基于RANSAC算法筛选匹配的SIFT关键点并计算变换矩阵;
d4.基于加权平均融合方法依次把两个焊缝图像拼接在一起,最终把一个焊口的所有焊缝图像拼接为一张完整焊口的焊缝图像。
优选的,所述步骤e的具体步骤为:
e1.将完整焊口的焊缝图像划分为16×16的小区域,并计算小区域中每个像素点的LBP值;
e2.根据得到的小区域中每个像素点的LBP值,计算每个小区域的直方图,然后对该直方图进行归一化处理;
e3.将得到的每个小区域归一化处理后的统计直方图进行连接成为一个特征向量,也就是完整焊口的焊缝图像的LBP纹理特征向量。
进一步,所述步骤f中,检测的焊口不是第一个焊口时,计算该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的完整焊口焊缝图像的LBP纹理特征向量之间的皮尔逊相关系数,如果皮尔逊相关系数大于0.9,说明数据库中的焊口焊缝图像与新检测的焊口焊缝图像强相关,则判定新检测的焊口焊缝图像为造假并报警,如果皮尔逊相关系数小于等于0.9,则判定新提交的焊口图像为非造假,然后将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中。
本发明首先对底片号相邻的焊缝图像两两进行搭接匹配可以快速检测出替换单张焊缝图像的造假现象;其次,基于SIFT算法把一个焊口中所有焊缝图像按照底片号排序拼接为一张完整焊口的焊缝图像,并基于LBP算法提取完整焊口焊缝图像的纹理特征向量,通过与已保存在数据库中的所有焊口LBP纹理特征向量进行比对,可以自动检测出整个焊口焊缝图像造假的情况。本发明相比于人工读片检测,提高了检测准确性和检测效率,保证了工程质量,消除了安全隐患,具有很大的应用价值。
附图说明
图1为本发明的流程图;
图2为本发明所述焊缝探伤底片图像中的搭接标记位置的示意图;
图3为本发明所述基于拉东变换确定搭接标记位置的示意图;
图4为本发明所述基于SIFT算法的关键点描述子的示意图;
图5为本发明所述焊缝探伤底片图像拼接示意图;
图6为本发明所述拼接后的完整焊口的焊缝图像的部分图像示意图;
图7为本发明所述LBP算子示意图;
图8为本发明所述等价模式LBP的模式类示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括如下步骤:
a.将待检测的n个焊口的胶质焊缝探伤底片图像均扫描成数字化焊缝探伤底片图像,并将每个焊口的m个焊缝探伤底片图像都按照底片号顺序排序为1,2,3……m,在实际操纵中,所述数字化焊缝探伤底片图像的大小为4200×880(扫描后每张焊缝图像的大小略有不同),格式为TIF格式;
b.对单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次进行预处理,并切割得到该焊口的所有搭接区图像,其具体步骤为:
b1.将单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次通过对比度拉伸进行图像增强处理,对比度拉伸属于灰度变换操作,能增强图像各部分的反差,即增强焊缝图像文字标记部分以及焊缝部分的灰度区域,以便于区分,使得后续分割更精确;
b2.基于拉东变换在m个焊缝探伤底片图像中依次找到相邻的两个焊缝探伤底片图像中所对应的搭接标记,并从搭接标记处切割图像,得到搭接区图像,每张焊缝探伤底片图像中都有搭接标记,如果焊缝探伤底片图像在拍照时按照从左往右的顺序的话,则先拍摄的焊缝探伤底片图像的右侧搭接标记与后拍摄的焊缝探伤底片图像的左侧搭接标记为对应的搭接标记。本步骤基于拉东变换在两个焊缝探伤底片图像中分别找到对应的搭接标记,拉东变换就是数字图像矩阵在某一指定角度射线方向上的投影,具体是沿着某一指定角度射线方向上的线积分,由于焊缝探伤底片图像矩阵是二维的,则具体是沿着由(ρ,θ)所定义直线的垂直方向上的线积分,ρ和θ分别为极坐标系中的极径和极角,即拉东变换公式为:
其中,g(ρ,θ)为在与θ垂直方向上的投影值,M和N分别为水平和竖直方向的像素数,δ为Delta函数,f(x,y)为焊缝探伤底片图像,δ函数在非零的点取值均为0,在整个定义域的积分为1。
首先在对应的搭接标记所在的区域分别做水平方向和垂直方向的拉东变换,然后根据水平方向和垂直方向投影值(线积分)的峰值的位置,准确地定位搭接标记的位置,在本实施例中,拍摄的焊缝探伤底片图像如图2所示,其对应的搭接标记是一个向下的箭头(图中白色圆圈中所示),位于图像的右侧边缘,图3是基于拉东变换确定搭接标记位置的示意图,确定搭接标记的位置后,从搭接标记处切割图像,得到搭接区图像。
c.基于SIFT算法及SSIM相似度对该焊口中底片号相邻的焊缝图像两两进行搭接匹配检测;若不匹配,则报警,若匹配,进入步骤d,其具体步骤为:
c1.以焊口为单位基于SIFT算法提取相邻两个搭接区图像的关键点特征描述子,其具体步骤为:
c11.检测局部极值点:利用高斯卷积函数计算得到搭接区图像的不同尺度的图像,搭接区图像和得到的这些不同尺度的图像共同构成了搭接区图像的高斯金字塔模型。本实施例中,搭接区图像为高斯金字塔模型的第一层,将高斯金字塔中相邻上下两层图像相减得到高斯差分图像,即DoG图像,这些DoG图像组成DoG金字塔。为了寻找DoG金字塔的局部极值点,每一个像素点要和它所有的图像域(也称本层图像)和尺度域(也称上下相邻层)的相邻像素点比较,当其大于或者小于所有相邻像素点时,该像素点就是所述DoG金字塔的局部极值点;
c12.过滤局部极值点:经上一步得到局部极值点后,通过拟合三维二次函数来精准确定局部极值点的位置和尺度,同时过滤掉一些低对比度和不稳定的局部极值点,以增强匹配稳定性、提高抗噪声能力,经过过滤后留下的局部极值点就是搭接区图像的关键点;
c13.确定关键点的方向:首先计算搭接区图像关键点邻域像素的梯度方向和梯度幅值,再利用梯度直方图统计这些邻域像素的梯度方向和梯度幅值的分布特征,梯度直方图的峰值就是关键点的主方向。具体步骤如下:
在尺度为σ的尺度图像L(x,y)中,计算以关键点为中心、以3×1.5σ为半径区域图像的幅值和方向,可通过下面公式求得,
其中,m(x,y)为关键点的梯度幅值,θ(x,y)为关键点的梯度方向。
计算得到关键点梯度方向后,使用梯度直方图统计关键点邻域内像素对应的梯度方向和梯度幅值,梯度直方图的峰值就是关键点的主方向。得到关键点的主方向后,一个关键点的特征可以由三个值表示,(x,y)表示关键点位置,关键点的尺度为σ,主方向为θ。
c14.生成特征描述子:得到SIFT关键点的位置、尺度和主方向后,以关键点为中心,将坐标轴旋转为关键点的主方向,取16×16的像素矩阵,如图4所示,左图的中央为当前关键点的位置,每个小格代表关键点邻域像素点,按公式(2)和公式(3)计算每个像素点的梯度幅值与梯度方向。图4左图每个小格中箭头方向代表该像素点的梯度方向,长度代表梯度幅值。把上述16×16的像素矩阵分割为16个不重叠的4×4小矩阵,如图4的左图所示,每个小矩阵产生一个种子点,利用高斯窗口对小矩阵进行加权运算,得到种子点方向的向量信息。对每个关键点使用4×4共16个种子点来描述,如图4的右图所示,最后每个关键点可获得4×4×8=128维向量信息,即生成了128维特征描述子,特征描述子表示的就是搭接区图像的图像特征。
c2.计算相邻两个搭接区图像关键点特征描述子的欧式距离,寻找相匹配的关键点,即在提取出两个搭接区图像的关键点特征描述子后,根据关键点特征描述子之间的欧式距离来寻找两个搭接区图像中匹配的关键点。
具体地,首先采用关键点特征描述子之间的欧氏距离作为两幅搭接区图像中关键点匹配的相似性判定度量。取一个搭接区图像中的某个关键点,找到另一搭接区图像中距该关键点欧式距离最近的两个关键点,如果最近距离除以次近距离小于阈值0.8,则判定为一对匹配点。
c3.计算相邻两个搭接区图像的SSIM相似度,为了保证搭接匹配计算的可靠性,本发明还计算了两个搭接区图像的SSIM相似度,作为衡量两幅搭接区图像相似度的指标。SSIM相似度的测量由三种对比模块组成,分别为:亮度、对比度、结构,公式如下:
亮度函数:
对比度函数:
结构函数:
其中,L、C、S分别表示搭接区图像的亮度函数、对比度函数和结构函数,x、y分别表示两张搭接区图像,μx、μy分别表示图像x、y的均值,σx、σy分别表示图像x、y的标准差,σx 2、σy 2分别表示图像x、y的方差,σxy表示图像x、y的协方差。C1、C2、C3为常数,通常取C1=(K1*L)2、C2=(K2*L)2、C3=C2/2,其中K1=0.01、K2=0.01、L=255。则SSIM相似度的计算公式为:
SSIM(x,y)=L(x,y)*C(x,y)*S(x,y) (7)
c4.若匹配的关键点数大于2且SSIM相似度大于85%,表示搭接匹配成功,进行下一步的检测,反之,则报警。
d.基于SIFT算法把该焊口中所有焊缝探伤底片图像按照底片号排序拼接为一张完整焊口焊缝图像,其具体步骤为:
d1.基于SIFT算法提取一个焊口内所有焊缝图像的SIFT关键点;
d2.基于KD tree和BBF算法在相邻两个焊缝图像中查找能够匹配的SIFT关键点,本发明基于KD tree使用二叉树的形式记录SIFT关键点之间的距离信息并能够快速地进行搜索,BBF算法是一种改进的KD tree最近邻查询算法,可以高概率返回SIFT关键点的最近邻。
d3.基于RANSAC算法筛选匹配的SIFT关键点并计算变换矩阵,具体步骤为:
RANSAC算法需要寻找一个最优变换矩阵H,矩阵大小为3×3。利用RANSAC算法找到的最优变换矩阵H需要使得满足该矩阵的匹配特征点最多。最优变换矩阵H有8个未知参数,分别为公式(8)中的h11、h12、h13、h21、h22、h23、h31、h32。
其中(x,y)表示目标焊缝图像SIFT关键点位置,(x',y')为另一张焊缝图像中SIFT关键点的位置,s为尺度参数。RANSAC算法随机抽出4个SIFT关键点并保证这4个SIFT关键点之间不共线,计算出最优变换矩阵H,然后利用这个模型测试所有其它SIFT关键点,以代价函数最小为原则,不断迭代最终得到SIFT关键点的最佳匹配点集。RANSAC算法的代价函数如下:
n为关键点的数量,xi为第i个关键点的横坐标,yi为第i个关键点的纵坐标。
d4.基于加权平均融合方法依次把两个焊缝图像拼接在一起,最终把一个焊口的所有焊缝图像拼接为一张完整焊口的焊缝图像。
具体地,在两个焊缝图像的拼接中,根据变换矩阵H可以对两个焊缝图像进行变换以确定图像间的重叠区域。本发明采用了加权平滑算法处理拼接后图像的拼接区。该算法的主要思想是:拼接后图像的拼接区像素点的灰度值Pixel由两个焊缝图像中对应点的灰度值Pixel_L和Pixel_R加权平均得到,即Pixel=k×Pixel_L+(1-k)×Pixel_R,其中k是可调因子,令k=d2/(d1+d2),其中d1,d2分别表示重叠区域中的点到两幅图像重叠区域的左边界与右边界的距离。如图5所示,在重叠区域中,沿焊缝图像a向焊缝图像b的方向,k由1渐变为0,从而将重叠区域平滑拼接为拼接图像c。图6所示是拼接后的完整焊口的焊缝图像的一部分。
e.基于LBP算法提取该焊口的完整焊口焊缝图像的LBP纹理特征向量;
LBP(局部二值模式)是一种用来描述图像局部纹理特征的算子,它具有旋转不变性和灰度不变性等优点。LBP的基本思想是对图像的像素和它局部周围像素进行比较,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。比如原始的LBP算子定义为在3×3的窗口内,这样,3×3邻域内的8个点可产生8bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。图7所示为LBP算子示意图。如果把LBP算子定义为在3×3的窗口内,LBP的二进制模式有256种,为了解决二进制模式过多的问题,本发明采用等价模式LBP来对LBP特征的模式种类进行降维。二进制模式由256种变为59种,图8所示为等价模式LBP的模式类。
具体地,基于LBP算法提取完整焊口焊缝图像的纹理特征向量的步骤如下:
e1.将完整焊口的焊缝图像划分为16×16的小区域,并计算小区域中每个像素点的LBP值;
e2.计算每个小区域的直方图,即每个十进制数LBP值出现的频率,然后对该直方图进行归一化处理;
e3.每个小区域归一化处理后的直方图可以看作为一个特征向量,将处理后得到的每个小区域的直方图进行串行连接成为一个长的特征向量,也就是完整焊口的焊缝图像的LBP纹理特征向量。
f.若该焊口为检测的第一个焊口,则该焊口默认为非造假,同时建立一个用于保存完整焊口焊缝图像的LBP纹理特征向量的MySQL数据库,并将该焊口的完整焊口焊缝图像的LBP纹理特征向量直接保存在数据库中,完善数据库,若该焊口不是检测的第一个焊口,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的所有完整焊口焊缝图像的LBP纹理特征向量进行比对,若检测结果为造假,则报警,若检测结果为非造假,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中,完善数据库,为了方便对数据的完整保存以及后期对图像数据的检索和参考,也能将数字化焊缝探伤底片图像和完整焊口焊缝图像保存在数据库中,在保存的过程中以焊口为单位进行保存,另外,检测该焊口的完整焊口焊缝图像是否造假的具体过程为:
计算该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的完整焊口焊缝图像的LBP纹理特征向量之间的皮尔逊相关系数。皮尔逊相关系数用于度量两个变量之间的相关程度,其值介于-1与1之间。对于两个完整焊口焊缝图像的LBP纹理特征向量X和Y,皮尔逊相关系数计算公式如下:
其中,n为特征向量X和Y中特征的数量,xi、yi分别表示特征向量X和Y的第i个特征,分别表示特征向量X和Y中特征的均值。
如果皮尔逊相关系数大于0.9,说明数据库中的完整焊口焊缝图像与该次检测的完整焊口焊缝图像强相关,则判定检测的完整焊口焊缝图像为造假并报警。如果皮尔逊相关系数小于等于0.9,则判定检测的完整焊口焊缝图像非造假,然后将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中,同时也能将该焊口的数字化焊缝探伤底片图像和完整焊口焊缝图像保存在数据库中便于后期的参考和使用。
在该焊口检测完成后,重复上述b~f步骤来对下一个焊口进行检测,直至n个焊口都检测完成。
Claims (7)
1.一种基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于,包括如下步骤:
a.将待检测的n个焊口的胶质焊缝探伤底片图像均扫描成数字化焊缝探伤底片图像,并将每个焊口的m个焊缝探伤底片图像都按照底片号顺序排序为1,2,3……m;
b.对单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次进行预处理,并切割得到该焊口的所有搭接区图像;
c.基于SIFT算法及SSIM相似度对该焊口中底片号相邻的焊缝图像两两进行搭接匹配检测;若不匹配,则报警,若匹配,进入步骤d;
d.基于SIFT算法把该焊口中所有焊缝探伤底片图像按照底片号排序拼接为一张完整焊口焊缝图像;
e.基于LBP算法提取该焊口的完整焊口焊缝图像的LBP纹理特征向量;
f.若该焊口为检测的第一个焊口,则该焊口默认为非造假,同时建立一个用于保存完整焊口焊缝图像的LBP纹理特征向量的数据库,并将该焊口的完整焊口焊缝图像的LBP纹理特征向量直接保存在数据库中,完善数据库,若该焊口不是检测的第一个焊口,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的所有完整焊口焊缝图像的LBP纹理特征向量进行比对,若检测结果为造假,则报警,若检测结果为非造假,则将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中,完善数据库,并进入步骤g;
g.对下一个焊口进行检测,并重复步骤b~f,直至n个焊口都检测完成。
2.根据权利要求1所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤b的具体步骤为:
b1.将单个焊口的m个数字化焊缝探伤底片图像按照1~m的顺序依次通过对比度拉伸进行图像增强处理;
b2.基于拉东变换在m个焊缝探伤底片图像中依次找到相邻的两个焊缝探伤底片图像中所对应的搭接标记,并从搭接标记处切割图像,得到搭接区图像。
3.根据权利要求1所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤c的具体步骤为:
c1.基于SIFT算法提取相邻两个搭接区图像的关键点特征描述子;
c2.计算相邻两个搭接区图像关键点特征描述子的欧式距离,寻找相匹配的关键点,得到相邻两个搭接区图像中相匹配的SIFT关键点数;
c3.计算相邻两个搭接区图像的SSIM相似度;
c4.若匹配的SIFT关键点数大于2且SSIM相似度大于85%,表示搭接匹配成功,进行下一步的检测,反之,则报警。
4.根据权利要求3所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤c1的具体步骤为:
c11.检测局部极值点:计算得到搭接区图像的不同尺度的图像,搭接区图像和不同尺度的图像共同构成搭接区图像的高斯金字塔模型,像素点和所有的图像域和尺度域的相邻像素点比较,当其大于或者小于所有相邻像素点时,该像素点即为局部;
c12.过滤局部极值点:通过拟合三维二次函数来精确确定局部极值点的位置和尺度并过滤掉低对比度和不稳定的局部极值点,留下的局部极值点就是搭接区图像的关键点;
c13.确定关键点的方向:计算搭接区图像关键点邻域像素的梯度方向和梯度幅值,再利用梯度直方图统计这些邻域像素的梯度方向和梯度幅值的分布特征,梯度直方图的峰值就是关键点的主方向;
c14.生成特征描述子:得到关键点的位置、尺度和主方向后,经过处理计算得到关键点的特征描述子。
5.根据权利要求1所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤d的具体步骤为:
d1.基于SIFT算法提取一个焊口内所有焊缝探伤底片图像的SIFT关键点;
d2.基于KD tree和BBF算法在相邻两个焊缝探伤底片图像中查找能够匹配的SIFT关键点;
d3.基于RANSAC算法筛选匹配的SIFT关键点并计算变换矩阵;
d4.基于加权平均融合方法依次把两个焊缝探伤底片图像拼接在一起,最终把一个焊口的所有焊缝探伤底片图像拼接为一张完整焊口焊缝图像。
6.根据权利要求1所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤e的具体步骤为:
e1.将完整焊口的焊缝图像划分为16×16的小区域,并计算小区域中每个像素点的LBP值;
e2.根据得到的小区域中每个像素点的LBP值,计算每个小区域的直方图,然后对该直方图进行归一化处理;
e3.将得到的每个小区域归一化处理后的统计直方图进行连接成为一个特征向量,也就是完整焊口的焊缝图像的LBP纹理特征向量。
7.根据权利要求1所述的基于LBP纹理的焊缝探伤底片图像造假的检测方法,其特征在于:所述步骤f中,检测的焊口不是第一个焊口时,计算该焊口的完整焊口焊缝图像的LBP纹理特征向量与数据库中已保存的完整焊口焊缝图像的LBP纹理特征向量之间的皮尔逊相关系数,如果皮尔逊相关系数大于0.9,说明数据库中的焊口焊缝图像与新检测的焊口焊缝图像强相关,则判定新检测的焊口焊缝图像为造假并报警,如果皮尔逊相关系数小于等于0.9,则判定新提交的焊口图像为非造假,然后将该焊口的完整焊口焊缝图像的LBP纹理特征向量保存在数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587387.8A CN110287968B (zh) | 2019-07-01 | 2019-07-01 | 一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587387.8A CN110287968B (zh) | 2019-07-01 | 2019-07-01 | 一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287968A true CN110287968A (zh) | 2019-09-27 |
CN110287968B CN110287968B (zh) | 2022-09-06 |
Family
ID=68021613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910587387.8A Active CN110287968B (zh) | 2019-07-01 | 2019-07-01 | 一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287968B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173433A (zh) * | 2023-07-31 | 2023-12-05 | 苏州城市学院 | 一种小径管焊缝射线图像相似度评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0624848A2 (en) * | 1993-05-04 | 1994-11-17 | Eastman Kodak Company | A technique for the detection and removal of local defects in digital continuous-tone images |
CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
-
2019
- 2019-07-01 CN CN201910587387.8A patent/CN110287968B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0624848A2 (en) * | 1993-05-04 | 1994-11-17 | Eastman Kodak Company | A technique for the detection and removal of local defects in digital continuous-tone images |
CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
张晓光等: "X射线检测焊缝的图像处理与缺陷识别", 《华东理工大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173433A (zh) * | 2023-07-31 | 2023-12-05 | 苏州城市学院 | 一种小径管焊缝射线图像相似度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110287968B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097547B (zh) | 一种基于深度学习的焊缝底片造假的自动检测方法 | |
Zhu et al. | Detection of large-scale concrete columns for automated bridge inspection | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CN109886298A (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN105069790A (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
CN108090494B (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
CN112330538B (zh) | 一种基于特征点优化提取的损伤温度重构图像拼接方法 | |
Dong et al. | A random forest-based automatic inspection system for aerospace welds in X-ray images | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN110084807B (zh) | 一种焊缝探伤底片图像造假的检测方法 | |
Said et al. | Automated detection and classification of non-wet solder joints | |
CN116309409A (zh) | 一种焊缝缺陷检测方法、系统和存储介质 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
Dillabaugh et al. | Semi-automated extraction of rivers from digital imagery | |
CN111553422A (zh) | 手术器械自动识别回收方法及系统 | |
CN116228678A (zh) | 芯片封装缺陷自动识别和处理方法 | |
CN110287968A (zh) | 一种基于lbp纹理的焊缝探伤底片图像造假的检测方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
Ghamisi et al. | Anomaly detection in automated fibre placement: learning with data limitations | |
Yang et al. | Weld Defect Cascaded Detection Model Based on Bidirectional Multi-scale Feature Fusion and Shape Pre-classification | |
CN114820492A (zh) | 一种电路板上多余物检测方法 | |
Said et al. | Non-wet solder joint detection in processor sockets and BGA assemblies | |
Lan et al. | Weld Recognition of Pressure Vessel Based on Texture Feature |
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 |