CN110648349A - 基于背景减除和连通区域算法的焊缝缺陷分割方法 - Google Patents
基于背景减除和连通区域算法的焊缝缺陷分割方法 Download PDFInfo
- Publication number
- CN110648349A CN110648349A CN201910837860.3A CN201910837860A CN110648349A CN 110648349 A CN110648349 A CN 110648349A CN 201910837860 A CN201910837860 A CN 201910837860A CN 110648349 A CN110648349 A CN 110648349A
- Authority
- CN
- China
- Prior art keywords
- image
- connected region
- background subtraction
- filtering
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 44
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003466 welding Methods 0.000 claims description 5
- 238000011410 subtraction method Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000007797 corrosion Effects 0.000 description 8
- 238000005260 corrosion Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 5
- 230000010339 dilation Effects 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理、计算机视觉与数字信号处理的算法，可应用于运输管道检测、生产质量监测、管道自动维修等领域，更具体地，涉及一种基于背景减除和连通区域算法的焊缝缺陷分割方法。采用了直方图均衡化和均值滤波与中值滤波相结合的算法，有效地去除了缺陷图像的噪声。在获取缺陷的前景图像时，通过自适应阈值得到前景差分图像，并利用形态学运算和面积滤波去除了不是缺陷的前景。在缺陷标记中，对每一块缺陷进行求取连通域集合，并且予以唯一的标记，以实现后续的特征提取。连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域，进一步可以获得连通域的轮廓，面积，外接矩形等几何参数。
Description
技术领域
本发明涉及图像处理、计算机视觉与数字信号处理的算法，可应用于运输管道检测、生产质量监测、管道自动维修等领域，更具体地，涉及一种基于背景减除和连通区域算法的焊缝缺陷分割方法。
背景技术
(1)图像去噪技术
图像本身可以视为是一种特殊的信号，在获取信号的过程中，由于信号采集设备、环境影响、采集方法等因素的存在，难免会得到掺杂噪声的信号。为了去除这些噪声数据，通常会假设这些噪声服从某些统计学中的分布，例如最常见的正态分布、二项分布、拉普拉斯分布、多元高斯分布等等，这样就可以通过数学计算得到这些噪声的模型和公式，进而找到去除它们的有效的方法。图像中常见的噪声有高斯噪声和椒盐噪声等。一般来说，对于高斯噪声，使用高斯滤波器可以有效地将其去除。高斯噪声的特点是对于不同的位置上的原始信号，增加了不同的权重，权重大小与该位置距中心的距离有关，得到加权后的信号。因此，高斯滤波器反其道而行之，仍然对周围领域中的像素进行加权平均，将被分散化的信号重新进行凝聚，不重要的信号重新进行淡化。
椒盐噪声常常由于硬件设备的不足造成，或是在传输中的数据丢失，与高斯噪声常出现在电磁干扰、温度变化干扰等情况不同，没有特定的分布函数。对于椒盐噪声，最简单有效的方法是使用中值滤波器进行滤波，也就是说，每个位置的像素值由它某个领域内的像素的中位数来代替。由于椒盐噪声常常是随机出现，表现为黑色区域中的白色像素或者白色区域中的黑色像素，因此取中值可以有效去除这些噪声。
(2)前景缺陷区域的处理技术
图像的开操作为使用同一个结构元素，先对原图进行一次膨胀运算，之后对得到的图像进行一次腐蚀运算的过程。先进行膨胀操作时，可以把图像中轻微连接或者趋近于连通的区域进行合并和连接，让目标区域扩大一圈。同时，对于噪声的区域，如果是包括在目标区域之内的，就会与目标合并到一起，相当于去除了这些噪声；而如果有些噪声没有包含于目标区域，尤其是一些聚集在一起的、包含数目较多噪声的噪声区域就会形成假的目标区域。进行完膨胀操作之后，需要进行一次腐蚀操作。对于已经扩大了边缘的图像，由于结构元素一般是方形的，膨胀过程中会使目标区域出现不光滑的情况，也就是毛刺过多。使用腐蚀操作可以对这些边缘进行平滑，让其恢复本身的平滑性。同时，由于使用的结构元素是相同的，因此腐蚀操作可以在很大程度上去除连接和边缘。一般来说，开操作会让图像的多个部分分离开，而如果图像的某些连通区域的面积过小，则会被丢弃，有去除噪声的效果。
图像的闭操作为使用同一个即够元素，先对原图进行一次腐蚀操作，再对结果进行一次膨胀操作。先进行腐蚀，可以去除大量的噪声区域，同时相对密集、区域面积较大的噪声区域和目标区域都会得以保留，但是轮廓会有明显的缩小。相当于用一条有宽度的实线将图中的目标区域的走势进行绘制，对图中连通区域之间的连接部分进行概括。之后，进行一次膨胀运算，可以把图像的细节还原。同时，由于之前那些有宽度的实线的存在，会使得膨胀后的图像显得更加凝实，让接近于连通的区域能够相连接。
发明内容
本发明目的在于克服现有方法的不足，致力于解决图像拍摄质量差，曝光不均匀，噪声等问题。采用了直方图均衡化和均值滤波与中值滤波相结合的算法，有效地去除了缺陷图像的噪声。在获取缺陷的前景图像时，通过自适应阈值得到前景差分图像，并利用形态学运算和面积滤波去除了不是缺陷的前景。在缺陷标记中，对每一块缺陷进行求取连通域集合，并且予以唯一的标记，以实现后续的特征提取。连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域，进一步可以获得连通域的轮廓，面积，外接矩形等几何参数。
为实现上述目的，本发明提供了如下技术方案：
基于背景减除和连通区域算法的焊缝缺陷分割方法，它包括以下步骤，
步骤S1，利用X射线机拍摄焊缝的X光图像；
步骤S2，图像预处理，采用灰度拉伸实现图像增强，对增强后的图像进行滤波，消除噪声；对原始图像进行预处理，分为两个过程：图像滤波和亮度矫正。通过直方图均衡化实现亮度矫正，可以改善图像的亮度分布，本质是通过变换灰度分布，使图像的灰度直方图变换为均匀分布的形式，以达到图像增强的目的。经过直方图均衡化之后的图像含有噪声，包括毛刺和点噪声。由于均值滤波对于平滑噪声有很好的效果，中值滤波能够保存物体的边缘。因此本发明采用中值滤波和均值滤波相结合消除噪声。
步骤S3，使用背景减除法获得仅包含缺陷信息的图像。构建背景图像的关键是将缺陷信息去除，而缺陷与背景图像相比，尺寸小，灰度变化小，因而本发明采用大模板中值滤波构建背景图像。之后使用面积滤波和形态学运算去除不是缺陷的前景。缺陷类型中裂纹、条形缺陷、未熔合和未焊透都可能为长条状分布，且大部分沿焊缝方向分布。因而首先使用长条形的结构元进行膨胀运算，增强缺陷的连通性，然后使用方形的结构元进行腐蚀，消除膨胀造成的多余扩张。
步骤S4，缺陷标记，每一块缺陷进行求取连通区域集合，并且予以唯一的标记，以实现后续的特征提取。利用连通区域标记获得独立的缺陷区域
本技术方案进一步的优化，所述步骤S2的灰度拉伸采用直方图均衡化方法，通过变换灰度分布，使图像的灰度直方图变换为均匀分布的形式。
本技术方案进一步的优化，所述步骤S2的图像滤波采用均值滤波和中值滤波相结合消除噪声。
本技术方案进一步的优化，所述步骤S3具体包括采用中值滤波构件背景图像，再使用面积滤波和形态学运算去除不是缺陷的前景。
本技术方案进一步的优化，所述步骤S4，连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域。
本技术方案更进一步的优化，所述连通区域标记法采用逐行标记算法。
与现有技术相比，本发明创新点及有益效果：结合直方图均衡化、均值滤波和中值滤波算法对含有噪声的图像进行增强和去噪；在背景减除之后，使用形态学运算和面积滤波，去除非缺陷的前景区域；使用经典的连通区域标记算法，得到缺陷的连通区域。
附图说明
图1为缺陷分割结构框图；
图2为直方图均衡化前后效果对比图；
图3为滤波和背景减除效果图；
图4为面积滤波和形态学运算效果图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1，本发明提出一种基于背景减除和连通区域算法的焊缝缺陷分割方法。该方法首先进行图像预处理以实现图像滤波和亮度矫正，通过亮度矫正方法直方图均衡化改善图像的亮度分布。之后使用背景减除法获得仅包含缺陷信息的图像。最后连通区域标记获得独立的缺陷区域。
步骤S1，利用X射线机拍摄焊缝的X光图像，即将X摄像机拍摄的焊缝X射线底片通过扫描变成图片，以便于后续处理。
步骤S2，图像预处理，采用灰度拉伸实现图像增强，对增强后的图像进行滤波，消除噪声。
图像预处理，目的是去噪和增强。灰度拉伸是图像增强的一种常用方式，包括线性拉伸和非线性拉伸。线性拉伸通过某种线性函数实现灰度级的转换，例如自动灰度拉伸和参数灰度拉伸。该实施例使用直方图均衡化矫正亮度分布不均匀的情况。直方图均衡化是一种非线性灰度拉伸方法，目的是通过变换灰度分布，使图像的灰度直方图变换为均匀分布的形式，以达到图像增强的目的。i是原始灰度，g是新计算的灰度。选取合适的映射函数使得g呈现均匀分布，映射函数为：
g＝EQ(i) (1)
映射函数需满足以下两个条件：
(1)是一个单值递增函数。不会打破原有的灰度级大小排列。
(2)对于0≤i≤255，有0≤g≤255。
因此，累积分布函数可以满足以上的条件。
步骤S3，使用背景减除法获得仅包含缺陷信息的图像。
背景减除法，对亮度矫正和滤波后的图像进行背景建模。背景减除法适用于小目标，并且除目标外区域稳定基本无变化的情况。构建背景图像的关键是将缺陷信息去除，参照图3和图4可以看出，缺陷与背景图像相比，尺寸小，灰度变化小。因而该实施例采用大模板中值滤波构建背景图像。一张射线图像的尺寸为4000×1024，在此基础上经过试验，将模板尺寸h设置为30，背景建立如式：
b(i,j)＝Median{f(i+x,j+y),(x,y)∈[-h,h]} (2)
其中f是原始图像，b是构建的背景图像。然后进行背景减除，得到差分图像fs，减除规则记为：
下一步采用面积滤波和形态学运算去除不是缺陷的前景。在面积滤波中，假设每一个连通域是一个区域。面积滤波规则记为：
R1＝{r,r.s＞St},R2＝{r,r.s＞Sn},R＝R1∩R2 (4)
其中St是面积阈值，单位是像素×像素，应置为需要检测的缺陷的最小尺寸。Sn是按照面积从大到小的顺序，第n个区域的面积。R集合是面积滤波后的区域集合，即区域面积大于面积阈值并且区域面积大于第n个区域面积的集合。
形态学运算是二值图像常用的处理方法之一。二值图像的形态运算有四种：膨胀、腐蚀、闭运算和开运算。顾名思义，膨胀会扩大区域，腐蚀会缩小区域，闭运算可以填充小孔，开运算可以去除边缘毛刺。本发明使用了膨胀和腐蚀消除不是缺陷的前景部分。从前文叙述可以知道，缺陷类型中裂纹、条形缺陷、未熔合和未焊透都可能为长条状分布，且大部分沿焊缝方向分布。因而首先使用长条形的结构元进行膨胀运算，增强缺陷的连通性。然后使用方形的结构元进行腐蚀，消除膨胀造成的多余扩张。
步骤S4，缺陷标记，每一块缺陷进行求取连通区域集合，并且予以唯一的标记，以实现后续的特征提取。
缺陷标记，每一块缺陷进行求取连通域集合，并且予以唯一的标记，以实现后续的特征提取。连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域，进一步可以获得连通域的轮廓、面积、外接矩形等几何参数。
经典的连通区域标记算法，逐行标记算法是Rosenfeld和Pfaltz于1966年提出的，是以经典的图连通成分算法为基础。以四连通为连通模型，对图像进行两次扫描。第一次扫描，赋予每一个像素一个临时标号并且记录等价表；第二扫描合并等价表中的标号，生成最终标号，代替每一个临时标号。
连通区域标记算法流程如下：
(1)第一次扫描。初始化label为0，逐行开始扫描图像，找到值为前景的像素点，并且访问此像素的上节点和左节点。
①若上节点与左节点都没有标记，则当前点标记为++label。
②若上节点和左节点只有一个有标记，标记为j，则标记当前点为j。
③若上节点和左节点有相同的标记j，则标记当前点为j。
④若上节点和左节点都有标记，且标记为不同的i和j，则将当前点标记为i，并且记录等价对(i,j)进等价表。
直至扫描完整张图像。
(2)第二次扫描
合并等价表，将等价对统一成相同的标号，并选取从1开始的连续数字进行标记。扫描图像，根据等价表，更新为统一的标号。
具体实施例
管道焊缝缺陷可能造成油气泄漏等后果，严重危害管道的安全使用。因此本发明提出了一种基于背景减除和连通区域算法的焊缝缺陷分割方法。
1.首先对X射线底片进行扫描得到数字图像，并使用中值滤波器和均值滤波器实现图像降噪，同时对图像进行平滑，二者均采用3×3的核函数。
参阅图2所示，为直方图均衡化前后效果对比图。从图中可以看出，眼睛很难观察出原始图像(a)中的缺陷，观察其灰度直方图(c)，可以看到灰度聚集在小范围内。(b)是直方图均衡化后的图像，可以看出经过直方图均衡化后可以看出明显的缺陷区域。
参阅图3所示，为滤波和背景减除效果图。经过直方图均衡化之后的图像含有噪声，从图3(a)中可以看出，有毛刺和点噪声。在众多滤波方法中，均值滤波对于平滑噪声有很好的效果，中值滤波能够保存物体的边缘。因此该实施例采用中值滤波和均值滤波相结合消除噪声，采用3×3的中值滤波算子和3×3的均值滤波算子。图3(b)是滤波后的三维显示图，可以看出消除了一部分毛刺和点噪声。
2.接下来，对含有缺陷的前景图像进行获取。利用高斯背景建模法对背景建模，并对建模后的图像进行平滑。对于输入的图像，通过公式(1)和(2)计算出差分图像。其中，图像的分辨率为4000×1024，核尺寸hw设置为30。
观察多张底片，该实施例得出底片中的缺陷部分相对于周围像素灰度较暗，即灰度值较小。图3(c)是构建的背景图像b，图3(d)是得到的差分图像fs。接下来对差分图像阈值化，自动阈值为：
T＝gavg+μ×gstd (5)
其中自适应阈值的选择依赖于差分图像的灰度平均值gavg和灰度标准差gstd，μ是一个可调节的参数，表示阈值化的灵敏度。在该实施例中经过实验，μ设置为3.0。
下一步采用面积滤波和形态学运算去除不是缺陷的前景。从提取出的前景图像可以看出，缺陷类型中裂纹、条形缺陷、未熔合和未焊透都可能为长条状分布，且大部分沿焊缝方向分布。因而首先使用长条形的结构元进行膨胀运算，增强缺陷的连通性。然后使用方形的结构元进行腐蚀，消除膨胀造成的多余扩张。本发明使用的结构元表示为：
使用S1结构元进行1次膨胀运算，然后使用S2进行2次腐蚀运算。如图4所示，面积滤波和形态学运算去除了大部分非缺陷前景。观察图4(c)，在红色椭圆圈出的部分出现了断裂，通过膨胀和腐蚀操作后重新实现了连续。如图4(b)中，3个区域中只有1个区域是缺陷，图4(d)区域中也只有1个缺陷，仍然存在不是缺陷的部分，因此判定是否为缺陷十分重要。所以，区别于一般的判断流程，本发明中间添加一个过程，使用分类的方法从非缺陷中提取缺陷。
3.对每一块缺陷进行求取连通域集合，并且予以唯一的标记，以实现后续的特征提取。连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域，进一步可以获得连通域的轮廓，面积，外接矩形等几何参数。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
Claims (6)
1.基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：它包括以下步骤，
步骤S1，利用X射线机拍摄焊缝的X光图像；
步骤S2，图像预处理，采用灰度拉伸实现图像增强，对增强后的图像进行滤波，消除噪声；
步骤S3，使用背景减除法获得仅包含缺陷信息的图像；
步骤S4，缺陷标记，每一块缺陷进行求取连通区域集合，并且予以唯一的标记，以实现后续的特征提取。
2.如权利要求1所述的基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：所述步骤S2的灰度拉伸采用直方图均衡化方法，通过变换灰度分布，使图像的灰度直方图变换为均匀分布的形式。
3.如权利要求1所述的基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：所述步骤S2的图像滤波采用均值滤波和中值滤波相结合消除噪声。
4.如权利要求1所述的基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：所述步骤S3具体包括采用中值滤波构件背景图像，再使用面积滤波和形态学运算去除不是缺陷的前景。
5.如权利要求1所述的基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：所述步骤S4，连通区域标记法通过标记二值图像中的前景像素，以实现查找和定位每一个单独的连通区域。
6.如权利要求5所述的基于背景减除和连通区域算法的焊缝缺陷分割方法，其特征在于：所述连通区域标记法采用逐行标记算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910837860.3A CN110648349A (zh) | 2019-09-05 | 2019-09-05 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910837860.3A CN110648349A (zh) | 2019-09-05 | 2019-09-05 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110648349A true CN110648349A (zh) | 2020-01-03 |
Family
ID=69010140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910837860.3A Pending CN110648349A (zh) | 2019-09-05 | 2019-09-05 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648349A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724406A (zh) * | 2020-07-14 | 2020-09-29 | 苏州精濑光电有限公司 | 一种区域连通合并方法、装置、设备和介质 |
| CN112116579A (zh) * | 2020-09-21 | 2020-12-22 | 东南大学 | 一种透明药瓶的缺陷检测方法和装置 |
| CN112258510A (zh) * | 2020-12-22 | 2021-01-22 | 常州微亿智造科技有限公司 | 一种基于连通区域算法的图像异常检测方法 |
| CN112529882A (zh) * | 2020-12-16 | 2021-03-19 | 安徽圭目机器人有限公司 | 一种桥梁斜拉索缺陷识别方法 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、系统及存储介质 |
| CN113160109A (zh) * | 2020-12-15 | 2021-07-23 | 宁波大学 | 反背景差分的细胞图像分割方法 |
| CN113496483A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
| CN114211168A (zh) * | 2022-02-21 | 2022-03-22 | 江苏天健智能装备制造有限公司 | 一种基于图像相减的平面焊缝轨迹纠偏的方法 |
| CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
| CN117058144A (zh) * | 2023-10-12 | 2023-11-14 | 南昌理工学院 | 一种焊缝图像的缺陷识别方法及系统 |
| CN117237362A (zh) * | 2023-11-16 | 2023-12-15 | 山东嘉源复合材料有限公司 | 一种基于视觉的丙二醇二乙酸酯罐装密封检测方法 |
| CN117876320A (zh) * | 2024-01-10 | 2024-04-12 | 湖大粤港澳大湾区创新研究院(广州增城) | 一种图像识别方法、装置和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
| 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 |
| CN108460744A (zh) * | 2018-03-21 | 2018-08-28 | 武汉理工大学 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
-
2019
- 2019-09-05 CN CN201910837860.3A patent/CN110648349A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
| 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 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| CN108460744A (zh) * | 2018-03-21 | 2018-08-28 | 武汉理工大学 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724406A (zh) * | 2020-07-14 | 2020-09-29 | 苏州精濑光电有限公司 | 一种区域连通合并方法、装置、设备和介质 |
| CN111724406B (zh) * | 2020-07-14 | 2023-12-08 | 苏州精濑光电有限公司 | 一种区域连通合并方法、装置、设备和介质 |
| CN112116579A (zh) * | 2020-09-21 | 2020-12-22 | 东南大学 | 一种透明药瓶的缺陷检测方法和装置 |
| CN112116579B (zh) * | 2020-09-21 | 2024-02-13 | 东南大学 | 一种透明药瓶的缺陷检测方法和装置 |
| CN113160109A (zh) * | 2020-12-15 | 2021-07-23 | 宁波大学 | 反背景差分的细胞图像分割方法 |
| CN113160109B (zh) * | 2020-12-15 | 2023-11-07 | 宁波大学 | 反背景差分的细胞图像分割方法 |
| CN112529882A (zh) * | 2020-12-16 | 2021-03-19 | 安徽圭目机器人有限公司 | 一种桥梁斜拉索缺陷识别方法 |
| CN112258510A (zh) * | 2020-12-22 | 2021-01-22 | 常州微亿智造科技有限公司 | 一种基于连通区域算法的图像异常检测方法 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、系统及存储介质 |
| CN113496483B (zh) * | 2021-06-22 | 2023-06-16 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
| CN113496483A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
| CN114211168A (zh) * | 2022-02-21 | 2022-03-22 | 江苏天健智能装备制造有限公司 | 一种基于图像相减的平面焊缝轨迹纠偏的方法 |
| CN115063422B (zh) * | 2022-08-18 | 2022-11-08 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
| CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
| CN117058144A (zh) * | 2023-10-12 | 2023-11-14 | 南昌理工学院 | 一种焊缝图像的缺陷识别方法及系统 |
| CN117058144B (zh) * | 2023-10-12 | 2023-12-19 | 南昌理工学院 | 一种焊缝图像的缺陷识别方法及系统 |
| CN117237362A (zh) * | 2023-11-16 | 2023-12-15 | 山东嘉源复合材料有限公司 | 一种基于视觉的丙二醇二乙酸酯罐装密封检测方法 |
| CN117237362B (zh) * | 2023-11-16 | 2024-01-26 | 山东嘉源复合材料有限公司 | 一种基于视觉的丙二醇二乙酸酯罐装密封检测方法 |
| CN117876320A (zh) * | 2024-01-10 | 2024-04-12 | 湖大粤港澳大湾区创新研究院(广州增城) | 一种图像识别方法、装置和系统 |
| CN117876320B (zh) * | 2024-01-10 | 2024-10-01 | 湖大粤港澳大湾区创新研究院(广州增城) | 一种图像识别方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
| CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
| CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
| CN109146860B (zh) | 全自动机械设备安装泄露检测方法及装置 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN110264459A (zh) | 一种土壤裂缝特征信息提取方法 | |
| CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
| CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
| CN111260675A (zh) | 一种图像真实边界高精度提取方法及系统 | |
| Sanghadiya et al. | Surface defect detection in a tile using digital image processing: Analysis and evaluation | |
| CN110717935A (zh) | 一种基于图像特征信息的图像匹配方法，装置与系统 | |
| CN104966274A (zh) | 一种采用图像检测与区域提取的局部模糊复原方法 | |
| CN115294149A (zh) | 一种天文图像背景提取方法及系统 | |
| CN110310223B (zh) | 一种紫外光与可见光图像的融合方法 | |
| CN107481253B (zh) | 一种基于边缘的斑点检测方法 | |
| CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
| CN109426770B (zh) | 虹膜识别方法 | |
| CN105405109A (zh) | 一种基于带状背景建模的脏点检测方法 | |
| Swarnalatha et al. | A centroid model for the depth assessment of images using rough fuzzy set techniques | |
| Jacob et al. | Detection of surface defects on ceramic tiles based on morphological techniques | |
| JP4247993B2 (ja) | 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体 | |
| JPH0624014B2 (ja) | 濃淡画像の処理方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |
|
| RJ01 | Rejection of invention patent application after publication |