CN110675388A - 一种焊缝图像相似性比较方法 - Google Patents

一种焊缝图像相似性比较方法 Download PDF

Info

Publication number
CN110675388A
CN110675388A CN201910920461.3A CN201910920461A CN110675388A CN 110675388 A CN110675388 A CN 110675388A CN 201910920461 A CN201910920461 A CN 201910920461A CN 110675388 A CN110675388 A CN 110675388A
Authority
CN
China
Prior art keywords
image
point
feature
welding seam
weld
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
Application number
CN201910920461.3A
Other languages
English (en)
Other versions
CN110675388B (zh
Inventor
张焕群
谭俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Technology Co Ltd
Original Assignee
Shenyang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Technology Co Ltd filed Critical Shenyang Technology Co Ltd
Priority to CN201910920461.3A priority Critical patent/CN110675388B/zh
Publication of CN110675388A publication Critical patent/CN110675388A/zh
Application granted granted Critical
Publication of CN110675388B publication Critical patent/CN110675388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/443—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 by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Processing (AREA)

Abstract

本发明属于无损检测技术领域，具体涉及一种焊缝图像相似性比较方法，对焊缝图像进行二维高斯变换、离散积分运算、构建焊缝图像金字塔、计算二阶偏导数矩阵、提取焊缝图像特征点和特征匹配，本发明可以自动识别绝大部分焊缝重复图像，避免对同一个焊缝多次检测，获得多组底片或平板探测器图像，冒充没来得及检测或者存在质量问题的焊缝底片或平板探测器图像等情况的发生，提高工程质量，减少安全事故。与图像评定人员人工识别相比，具有准确度高、速度快、成本低的优点。

Description

一种焊缝图像相似性比较方法
技术领域
本发明属于无损检测技术领域，具体涉及一种焊缝图像相似性比较方法。
背景技术
高压油气输管道和压力容器施工过程中需要大量的焊接加工，焊接加工形成焊缝，其常见的缺陷有未焊透、未熔合、裂纹、气孔、夹渣等。为了评估焊缝质量，及时发现安全隐患，需要施工时和服役时对焊缝进行无损检测。射线(X射线或γ射线)具有较强的穿透能力，可以检测焊缝内部缺陷，在焊缝检测中应用广泛。焊缝射线无损检测记录介质一般采用底片或平板探测器，底片或平板探测器曝光后，呈现焊缝的透射图像。
现场施工过程中，要求每一个焊缝进行一次无损检测，获得一组底片或平板探测器图像，但施工单位或检测单位为了节约时间或者掩饰质量问题，会对同一个焊缝多次检测，获得多组底片或平板探测器图像(重复图像)，来冒充没来得及检测或者存在质量问题的焊缝底片或平板探测器图像。
现有技术是依靠图像评定人员的记忆来识别重复图像，一般工程施工或检修都会持续数年或数月，产生数万张焊缝图像，需要上百名图像评定人员同时评定，一个图像评定人员不可能看过所有图像，也不可能记住数年前或数月前看过的图像，加之图像评定人员长时间工作会存在视觉疲劳，依靠这种方法难以识别重复图像，不能保证工程质量和杜绝安全事故。
发明内容
为解决上述技术问题，本发明提供一种焊缝图像相似性比较方法。
具体技术方案如下：
一种焊缝图像相似性比较方法，对焊缝图像进行二维高斯变换、离散积分运算、构建焊缝图像金字塔、计算二阶偏导数矩阵、提取焊缝图像特征点、特征匹配；具体步骤如下：
(1)读取焊缝图像到内存中
图片灰度用g(x,y)函数表示，其中x，y分别表示像素的横坐标和纵坐标，由于焊缝图像通常有搭接区域，搭接区域亮度会比较奇异，为了不影响特征匹配，图像两侧分别一定数量的像素用0填充；
(2)对焊缝图像进行二维高斯变换
高斯变换的核函数一般用O(n,n)表示，n通常取奇数，
Figure BDA0002217403860000021
然后进行特征提取；
(3)对焊缝图像进行离散积分运算
Figure BDA0002217403860000022
(4)构建焊缝图像金字塔
用高斯核P(m,m)对图像进行卷积操作：
Figure BDA0002217403860000031
之后删除偶数行和列即可得到该尺度空间结果，用不同大小的高斯核进行卷积操作，可以得到多个不同尺度空间的结果，分别记为：T1(x,y)，T2(x,y)……Tl(x,y)，这些不同尺度空间的结果，组成底片图像金字塔；
(5)计算二阶偏导数矩阵
Figure BDA0002217403860000032
如某点(x,y)的H(x,y)值为正，则该点为极值点；
(6)提取焊缝图像特征点
在极值点周围8个点和上下尺度空间的18个点，总共26个点，如果该点仍为极大值或极小值，确定其为特征点，记为：
z＝(x,y,l)
在尺度为l的尺度空间上，选择一个20×20的邻域窗口，划分成16个4×4的区域，分别求其每个区域中心像素x和y方向后一个相邻像素I(x,y)值之差的绝对值之和，作为一个特征值，最终组成一个64维特征向量；
(7)保存特征点数据
按照焊缝图像文件名称，加入不同扩展名，保存在原路径即可；
(8)相互特征匹配
在给定阈值τ前提下，根据工程下每个图像的特征，进行相互特征匹配，如果特征向量间距小于τ，即可认为是一个匹配的特征点，最终得出相互匹配特征点数；
(9)输出特征点数表
第一列为焊缝图像名称，第二列为工程下其他焊缝图像名称，第三列为前两列对应图像的匹配特征点数；如果点数大于用户给定值，即可认为是重复图像，如果点数稍小于给定值，可以人工辅助判断是否为重复图像。
与现有技术相比，本发明具有如下有益技术效果：
本发明可以自动识别绝大部分焊缝重复图像，避免对同一个焊缝多次检测，获得多组底片或平板探测器图像，冒充没来得及检测或者存在质量问题的焊缝底片或平板探测器图像等情况的发生，提高工程质量，减少安全事故。与图像评定人员人工识别相比，具有准确度高、速度快、成本低的优点。
附图说明
图1为本发明识别方法流程图；
具体实施方式
下面结合附图对本发明进行详细说明，但本发明的保护范围不受实施例所限。
实施例1
(1)读取焊缝图像到内存中；图片灰度用g(x,y)函数表示，其中x,y分别表示像素的横坐标和纵坐标。由于底片图像通常有搭接区域，搭接区域亮度会比较奇异，为了不影响特征匹配，图像两侧分别一定数量的像素用0填充，本实例中取150个像素。
(2)对焊缝图像进行二维高斯变换；高斯变换的核函数一般用O(n,n)表示，本实例中n取3，对应的模板系数为0.0625,该模板系数是高斯核函数自带的，每个高斯核函数都有一个模板系数，即核函数里面所有项之和的倒数。
Figure BDA0002217403860000051
Figure BDA0002217403860000052
原来的灰度函数g(x,y)矩阵中的每个像素分别与高斯核函数O(n,n)相乘，然后再乘以模板系数，最后得到还是一个灰度函数f(x,y)。
(3)对焊缝图像进行离散积分运算，得到一个长度和宽度与原来的相同的矩阵
Figure BDA0002217403860000053
(4)构建焊缝图像金字塔；用高斯核P(m,m)对图像进行卷积操作,之后删除偶数行和列即可得到该尺度空间结果，用不同大小的高斯核进行卷积操作，可以得到多个不同尺度空间的结果，一个空间尺度对应一个矩阵，分别记为：T1(x,y)，T2(x,y)……Tl(x,y)，这些不同尺度空间的结果，组成底片图像金字塔,本方法m(高斯核)分别取3,5,7即可。
Figure BDA0002217403860000054
T(x,y)有多个，每个都是一个二维矩阵。
(5)计算二阶偏导数矩阵；如某点(x,y)的H(x,y)值为正，则该点为极值点，H(x,y)值是一个浮点数。
Figure BDA0002217403860000061
通过本步骤确定极值点，该极值点就是奇异点，点得坐标是x和y，这些坐标需要存储起来，备下一步使用。
(6)提取焊缝图像特征点；在极值点周围8个点和上下尺度空间的18个点，总共26个点，如果该点仍为极大值或极小值，确定其为特征点，在尺度为l的尺度空间上，选择一个20×20的邻域窗口，划分成16个4×4的区域，分别求其每个区域中心像素x和y方向后一个相邻像素I(x,y)值之差的绝对值之和，作为一个特征值，最终组成一个64维特征向量。记为：
z＝(x,y,l)
该数组，里面有64个数字，分别代表图像的某个特征。
(7)保存特征点数据；按照底片图像文件名称，加入不同扩展名，保存在原路径即可。
(8)在给定阈值τ前提下，根据工程下每个图像的特征，进行相互特征匹配，如果特征向量间距小于τ，即可认为是一个匹配的特征点，最终得出相互匹配特征点数。即根据用户的需求，设置一个固定的数字，这个数字用τ表述，如果特征向量间距小于这个数字，就认为匹配成功。
(9)输出特征点数表，如表1所示，表格显示图像两两之间的匹配点数，点数越多，相似性越大。第一列为底片图像名称，第二列为工程下其他图像名称，第三列为前两列对应图像的匹配特征点数。如果点数大于用户给定值，即可认为是重复图像，如果点数稍小于给定值，可以人工辅助判断是否为重复图像。
表1特征点数表
疑似同口A片 疑似同口B片 相似程度
XQII-GH000+M001+2-01 XQII-GH000+M002-01jpg 48
XQII-GH005+M039-02 XQII-GH005-M051-02jpg 44
XQII-GH005+M055-RW-XF-02 XQII-GH005-M040-01jpg 43
XQII-GH000+M056-RW-XF-01 XQII-GH005-M041-01jpg 39

Claims (1)

1.一种焊缝图像相似性比较方法，其特征在于：对焊缝图像进行二维高斯变换、离散积分运算、构建焊缝图像金字塔、计算二阶偏导数矩阵、提取焊缝图像特征点、特征匹配；具体步骤如下：
(1)读取焊缝图像到内存中
图片灰度用g(x,y)函数表示，其中x，y分别表示像素的横坐标和纵坐标，由于焊缝图像通常有搭接区域，搭接区域亮度会比较奇异，为了不影响特征匹配，图像两侧分别一定数量的像素用0填充；
(2)对焊缝图像进行二维高斯变换
高斯变换的核函数一般用O(n,n)表示，n通常取奇数，
Figure FDA0002217403850000011
然后进行特征提取；
(3)对焊缝图像进行离散积分运算
(4)构建焊缝图像金字塔
用高斯核P(m,m)对图像进行卷积操作：
Figure FDA0002217403850000013
之后删除偶数行和列即可得到该尺度空间结果，用不同大小的高斯核进行卷积操作，可以得到多个不同尺度空间的结果，分别记为：T1(x,y)，T2(x,y)……Tl(x,y)，这些不同尺度空间的结果，组成底片图像金字塔；
(5)计算二阶偏导数矩阵
Figure FDA0002217403850000021
如某点(x,y)的H(x,y)值为正，则该点为极值点；
(6)提取焊缝图像特征点
在极值点周围8个点和上下尺度空间的18个点，总共26个点，如果该点仍为极大值或极小值，确定其为特征点，记为：
z＝(x,y,l)
在尺度为l的尺度空间上，选择一个20×20的邻域窗口，划分成16个4×4的区域，分别求其每个区域中心像素x和y方向后一个相邻像素I(x,y)值之差的绝对值之和，作为一个特征值，最终组成一个64维特征向量；
(7)保存特征点数据
按照焊缝图像文件名称，加入不同扩展名，保存在原路径即可；
(8)相互特征匹配
在给定阈值τ前提下，根据工程下每个图像的特征，进行相互特征匹配，如果特征向量间距小于τ，即可认为是一个匹配的特征点，最终得出相互匹配特征点数；
(9)输出特征点数表
第一列为焊缝图像名称，第二列为工程下其他焊缝图像名称，第三列为前两列对应图像的匹配特征点数；如果点数大于用户给定值，即可认为是重复图像，如果点数稍小于给定值，可以人工辅助判断是否为重复图像。
CN201910920461.3A 2019-09-27 2019-09-27 一种焊缝图像相似性比较方法 Active CN110675388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910920461.3A CN110675388B (zh) 2019-09-27 2019-09-27 一种焊缝图像相似性比较方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910920461.3A CN110675388B (zh) 2019-09-27 2019-09-27 一种焊缝图像相似性比较方法

Publications (2)

Publication Number Publication Date
CN110675388A true CN110675388A (zh) 2020-01-10
CN110675388B CN110675388B (zh) 2024-02-02

Family

ID=69079498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910920461.3A Active CN110675388B (zh) 2019-09-27 2019-09-27 一种焊缝图像相似性比较方法

Country Status (1)

Country Link
CN (1) CN110675388B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120057763A1 (en) * 2010-09-03 2012-03-08 Shi-Jinn Horng method for recognizing the identity of user by biometrics of palm vein
CN103065135A (zh) * 2013-01-25 2013-04-24 上海理工大学 基于数字图像处理的车牌号码匹配算法
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN104574421A (zh) * 2015-01-29 2015-04-29 北方工业大学 一种大幅面小重合区域高精度多光谱图像配准方法及装置
CN104778679A (zh) * 2014-12-22 2015-07-15 中国科学院遥感与数字地球研究所 一种基于高分一号卫星数据的控制点图元快速匹配方法
CN105081528A (zh) * 2015-06-24 2015-11-25 浙江东南网架股份有限公司 一种Q345qE结构钢的焊接工艺
CN105160641A (zh) * 2015-08-04 2015-12-16 成都多贝科技有限责任公司 基于图像处理的x射线焊缝区域提取方法
CN106960451A (zh) * 2017-03-13 2017-07-18 西安电子科技大学 一种提升图像弱纹理区域特征点数量的方法
US10149958B1 (en) * 2015-07-17 2018-12-11 Bao Tran Systems and methods for computer assisted operation
CN109949340A (zh) * 2019-03-04 2019-06-28 湖北三江航天万峰科技发展有限公司 基于OpenCV的目标尺度自适应跟踪方法
WO2019134327A1 (zh) * 2018-01-03 2019-07-11 东北大学 一种基于边缘检测与sift的人脸表情识别特征提取方法
CN110084807A (zh) * 2019-05-06 2019-08-02 河南大学 一种焊缝探伤底片图像造假的检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120057763A1 (en) * 2010-09-03 2012-03-08 Shi-Jinn Horng method for recognizing the identity of user by biometrics of palm vein
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置
CN103065135A (zh) * 2013-01-25 2013-04-24 上海理工大学 基于数字图像处理的车牌号码匹配算法
CN104778679A (zh) * 2014-12-22 2015-07-15 中国科学院遥感与数字地球研究所 一种基于高分一号卫星数据的控制点图元快速匹配方法
CN104574421A (zh) * 2015-01-29 2015-04-29 北方工业大学 一种大幅面小重合区域高精度多光谱图像配准方法及装置
CN105081528A (zh) * 2015-06-24 2015-11-25 浙江东南网架股份有限公司 一种Q345qE结构钢的焊接工艺
US10149958B1 (en) * 2015-07-17 2018-12-11 Bao Tran Systems and methods for computer assisted operation
CN105160641A (zh) * 2015-08-04 2015-12-16 成都多贝科技有限责任公司 基于图像处理的x射线焊缝区域提取方法
CN106960451A (zh) * 2017-03-13 2017-07-18 西安电子科技大学 一种提升图像弱纹理区域特征点数量的方法
WO2019134327A1 (zh) * 2018-01-03 2019-07-11 东北大学 一种基于边缘检测与sift的人脸表情识别特征提取方法
CN109949340A (zh) * 2019-03-04 2019-06-28 湖北三江航天万峰科技发展有限公司 基于OpenCV的目标尺度自适应跟踪方法
CN110084807A (zh) * 2019-05-06 2019-08-02 河南大学 一种焊缝探伤底片图像造假的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAO YONGTAO等: "Improved Harris algorithm within scale-invariance" *
任克强等: "基于改进SURF算子的彩色图像配准算法" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法

Also Published As

Publication number Publication date
CN110675388B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111339858B (zh) 一种基于神经网络的油气管道标志物识别方法
US20230419472A1 (en) Defect detection method, device and system
JP6792842B2 (ja) 外観検査装置、変換データ生成装置、及びプログラム
CN110930352B (zh) 物体色差缺陷检测方法、装置、计算机设备及存储介质
CN111507976B (zh) 基于多角度成像的缺陷检测方法及系统
CN112132196B (zh) 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN104574328A (zh) 一种基于直方图分割的彩色图像增强方法
US20220366682A1 (en) Computer-implemented arrangements for processing image having article of interest
CN113538603B (zh) 一种基于阵列产品的光学检测方法、系统和可读存储介质
CN113012153A (zh) 一种铝型材瑕疵检测方法
CN112819748A (zh) 一种带钢表面缺陷识别模型的训练方法及装置
EP2575350A2 (en) Method for brightness correction of defective pixels of digital monochrome image
CN113506239A (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN114897855A (zh) 基于x射线图片灰度值分布判定缺陷类型的方法
CN110675388B (zh) 一种焊缝图像相似性比较方法
CN112883907B (zh) 小体积模型的滑坡检测方法及装置
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
CN115994893B (zh) 一种基于低分辨率红外图像的密封件弱小泄露目标检测方法
Wang et al. Efficient multi-branch dynamic fusion network for super-resolution of industrial component image
CN115908967A (zh) 基于循环生成对抗网络的石化装置管道数据样本均衡方法
CN114021422B (zh) 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法
CN116188391A (zh) 断栅缺陷检测方法、装置、电子设备和存储介质
CN117392043A (zh) 一种基于深度学习的钢板表面缺陷视频检测方法及系统
CN115546199A (zh) 利用自注意力分析sar图像获取海上溢油区域的方法
JP3127598B2 (ja) 画像中の濃度変動構成画素抽出方法および濃度変動塊判定方法

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