CN110687123A - 基于图像重构和分块阈值分割的钢轨缺陷检测方法 - Google Patents
基于图像重构和分块阈值分割的钢轨缺陷检测方法 Download PDFInfo
- Publication number
- CN110687123A CN110687123A CN201910903588.4A CN201910903588A CN110687123A CN 110687123 A CN110687123 A CN 110687123A CN 201910903588 A CN201910903588 A CN 201910903588A CN 110687123 A CN110687123 A CN 110687123A
- Authority
- CN
- China
- Prior art keywords
- image
- steel rail
- threshold segmentation
- block
- defect detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 230000007547 defect Effects 0.000 title claims abstract description 94
- 230000011218 segmentation Effects 0.000 title claims abstract description 68
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 45
- 239000010959 steel Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000007983 Tris buffer Substances 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 27
- 238000009792 diffusion process Methods 0.000 description 14
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Abstract
本发明提供一种基于图像重构和分块阈值分割的钢轨缺陷检测方法，具体步骤为：步骤1，输入待检测的钢轨图像，对待检测的钢轨图像做预处理步骤，获得增强图像；步骤2，对增强图像进行图像重构，获得重构图像；步骤3，增强图像与重构图像做减法操作，得到差分图像，步骤4，将差分图像分割为大小相同的图像块，对每个图像块做前、背景区域判断和阈值分割，得到二值图像；步骤5，对二值图像做开运算，最终得到检测结果图。本发明根据钢轨图像列一致性的特点重构一张无缺陷图，减小了缺陷检测的漏检率，分块阈值分割算法减少了光照不均对检测结果的影响。解决了现有技术中存在的缺陷检测不准确的问题。
Description
技术领域
本发明属于图像分割技术领域，涉及基于图像重构和分块阈值分割的钢轨缺陷检测方法。
背景技术
随着我国铁路事业的迅速发展，对铁路的基础安全设施提出了日益严格的要求。在铁路轨道的基本组成中，钢轨是其不可或缺的重要组成部分，且容易受到列车在行驶过程中带来的磨损和来自自然因素的损害，则会在其表面产生不同大小的缺陷，可能会对列车的正常行驶产生影响。为了保证列车更加安全的行驶，对钢轨表面的缺陷检测就显得尤为重要。
传统的检测方法多为经验丰富的人员进行人工检测，该方法不仅具有效率低、成本高等缺点，还容易产生由于人眼疲劳或情感因素造成的准确率低等问题。随着数字图像处理技术和机器视觉的发展，使其很快的应用到钢轨的缺陷检测中。目前，对于钢轨表面的缺陷检测方法可分为以下四类：超声波检测法、电涡流法、基于数字图像处理方法和深度学习方法。近年来，图像处理技术越来越多地应用到钢轨的表面缺陷检测中，但在其缺陷检测的准确性还有待提高。
发明内容
本发明的目的是提供一种基于图像重构和分块阈值分割的钢轨缺陷检测方法，解决了现有技术中存在的缺陷检测不准确的问题。
本发明所采用的技术方案是，
基于图像重构和分块阈值分割的钢轨缺陷检测方法，具体步骤为：
步骤1，输入待检测的钢轨图像，对待检测的钢轨图像做预处理步骤，获得增强图像；
步骤2，对增强图像进行图像重构，获得重构图像；
步骤3，增强图像与重构图像做减法操作，得到差分图像；
步骤4，将差分图像分割为大小相同的图像块，对每个图像块做前、背景区域判断和阈值分割，得到二值图像；
步骤5，对二值图像做开运算，最终得到检测结果图。
本发明的特点还在于，
预处理步骤具体的为：对待检测的钢轨图像依次做中值滤波、图像增强和归一化处理。
其中图像增强采用对数图像增强算法，公式如下：
其中Im为中值滤波后的图像，大小为M×N，i＝1,2...M，j＝1,2...N。In为对数图像增强之后的图像。
其中图像重构具体按照公式(2)操作：
其中Ir(i,j)重构图像，I(i,j)为增强图像，mean(j)为增强图像第j列像素的均值，Tr为设定的阈值。
其中Tr的值取Tr＝50。
其中步骤4具体为：
步骤4.1，将差分图像分割为大小相同的图像块，其中图像块大小为80*80；
步骤4.2，计算所有图像块的类间平均灰度差；
步骤4.3.对类间平均灰度差大于50的图像块进行阈值分割处理，其他的图像块判定为纯背景块，纯背景块的像素值的置为“0”，阈值分割处理具体为：
其中Bk为阈值分割处理后的图像块，ΔIk为类间平均灰度差大于50的图像块，Ts为使用全局阈值方法对存在缺陷的小块进行分割计算得到的阈值。
步骤4.4，对步骤4.3处理后的图片进行空洞填充，即可得到二值图像B。
其中类间平均灰度差的获得方式为：
设图像块的灰度级为S＝(1,2,3,L,j,L L)，T为分割两区域的阈值，fj为灰度级为j的像素个数，s1和s2分别为各区域内的像素总数；
则首先通过公式(4)和(5)获得g1和g2，g1和g2分别为两个区域平均灰度，
则平均灰度差Δg可通过公式(6)获得：
Δg＝|g1(T)-g2(T)| (6)。
其中开运算的具体运算方式为：
其中SE为开运算的结构元素，B为二值图像。
本发明的有益效果是，
一、本发明利用钢轨图像的列一致性，对钢轨图像进行图像重构，增强图像与重构图像做减法操作，提高了缺陷检测的准确性。
二、为避免光照不均对检测结果的影响，将差分图像分割为多个80*80的图像块，对每个图像块做前、背景区域判断和阈值分割，进一步提高检测的准确性。
三、最后开运算，可以去除孤立的噪声点，而保持总的位置和形状不变。
附图说明
图1是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法的流程图；
图2为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例1中的待检测的钢轨图像；
图3是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例1中的增强图像；
图4是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例1中的重构图像；
图5是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例1中图像检测结果图；
图6是对图2进行缺陷分割的真实图；
图7是用LN+DLBP算法对图2进行缺陷检测后的图像；
图8为采用基于P-M逆扩散模型陷检测算法对图2进行缺陷检测后的图像；
图9为采用由粗到细模型检测算法对图2进行缺陷检测后的图像；
图10为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例2中的待检测的钢轨图像；
图11是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例2中的增强图像；
图12是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例2中的重构图像；
图13是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例2中图像检测结果图；
图14是对图10进行缺陷分割的真实图；
图15是用LN+DLBP算法对图10进行缺陷检测后的图像；
图16为采用基于P-M逆扩散模型陷检测算法对图10进行缺陷检测后的图像；
图17为采用由粗到细模型检测算法对图10进行缺陷检测后的图像；
图18为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例3中的待检测的钢轨图像；
图19是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例3中的增强图像；
图20是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例3中的重构图像；
图21是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例3中图像检测结果图；
图22是对图18进行缺陷分割的真实图；
图23是用LN+DLBP算法对图18进行缺陷检测后的图像；
图24为采用基于P-M逆扩散模型陷检测算法对图18进行缺陷检测后的图像；
图25为采用由粗到细模型检测算法对图18进行缺陷检测后的图像；
图26为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例4中的待检测的钢轨图像；
图27是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例4中的增强图像；
图28是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例4中的重构图像；
图29是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例4中图像检测结果图；
图30是对图26进行缺陷分割的真实图；
图31是对图26进行现有的LN+DLBP算法后的检测结果图。
图32是对图26进行现有的基于P-M逆扩散模型陷检测算法后的检测结果图。
图33是对图26进行现有的由粗到细模型检测算法后的检测结果图。
图34为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例5中的待检测的钢轨图像；
图35是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例5中的增强图像；
图36是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例5中的重构图像；
图37是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例5中图像检测结果图；
图38是对图34进行缺陷分割的真实图；
图39是对图34进行现有的LN+DLBP算法后的检测结果图。
图40是对图34进行现有的基于P-M逆扩散模型陷检测算法后的检测结果图。
图41是对图34进行现有的由粗到细模型检测算法后的检测结果图。
图42为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例6中的待检测的钢轨图像；
图43是为本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例6中的增强图像；
图44是是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例6中的重构图像；
图45是本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法实施例6中图像检测结果图；
图46是对图42进行缺陷分割的真实图；
图47是对图42进行现有的LN+DLBP算法后的检测结果图。
图48是对图42进行现有的基于P-M逆扩散模型陷检测算法后的检测结果图。
图49是对图42进行现有的由粗到细模型检测算法后的检测结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法，如图1所示，具体步骤如下：
步骤1，输入待检测的钢轨图像，对待检测的钢轨图像做预处理步骤，获得增强图像；
预处理步骤具体的为：对待检测的钢轨图像依次做中值滤波、图像增强和归一化处理；
其中图像增强采用对数图像增强算法，公式如下：
其中Im为中值滤波后的图像，大小为M×N，i＝1,2...M，j＝1,2...N。In为对数图像增强之后的图像；
步骤2，对增强图像进行图像重构，获得重构图像；
重构图像Ir(i,j)可表示为：
其中Ir(i,j)重构图像，I(i,j)为增强图像，mean(j)为增强图像第j列像素的均值，Tr为设定的阈值，本发明中取Tr＝50。
步骤3，增强图像与重构图像做减法操作，得到差分图像，其中公式为：
ΔI(i,j)＝|I(i,j)-Ir(i,j)| (3)
其中ΔI(i,j)为得到的差分图像。
步骤4，将差分图像分割为大小相同的图像块，对每个图像块做前、背景区域判断和阈值分割，得到二值图像；步骤4具体为：
步骤4.1，将差分图像分割为大小相同的图像块，其中图像块大小为80*80；
步骤4.2，计算所有图像块的类间平均灰度差；
设图像块的灰度级为S＝(1,2,3,L,j,L L)，T为分割两区域的阈值，fj为灰度级为j的像素个数，s1和s2分别为各区域内的像素总数；
则首先通过公式(4)和(5)获得g1和g2，g1和g2分别为两个区域平均灰度，
则平均灰度差Δg可通过公式(6)获得：
Δg＝|g1(T)g2(T)| (6)。
步骤4.3.对类间平均灰度差大于50的图像块进行阈值分割处理，其他的图像块判定为纯背景块，纯背景块的像素值的置为“0”，阈值分割处理具体为：
其中Bk为阈值分割处理后的图像块，ΔIk类间平均灰度差大于50的图像块，Ts为使用全局阈值方法对存在缺陷的小块进行分割计算得到的阈值；
步骤4.4，对步骤4.3处理后的图片进行空洞填充，即可得到二值图像B。
步骤5，对二值图像做开运算，最终得到检测结果图，设开运算的结构元素为SE，则对B进行开运算可表示为：
以下为利用本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法进行缺陷检测的6个实施例，以下6个实施例均使用RSDDs数据集中的图像作为待检测的钢轨图像，RSDDs数据集是由中国铁路科学研究院收集整理而来并且提供了其缺陷分割的真实图作为结果对比，其中数据集1包含67张高速铁路表面的图像，数据集2包含128张重载铁路表面的图像；其中实施例1～实施例3中的待检测的钢轨图像来源于数据集1；实施例4～实施例6中的待检测的钢轨图像来源于数据集2。
为对本发明基于图像重构和分块阈值分割的钢轨缺陷检测方法的准确性进行测试，同时与李清勇等(IEEE Trans.Instrum.Meas.，2012，61(8)：2189-2199)提出的钢轨离散表面缺陷检测方法(本文称为：LN+DLBP方法)、贺振东等(Sensor Rev.，2016，36(1)：86-97)提出的基于P-M逆扩散模型的高速钢轨表面缺陷检测方法(本文称为：P-M逆扩散方法)、余浩民等(IEEE Trans.Instrum.Meas.，2018，68(3)：656-666)提出的粗到细的钢轨表面缺陷检测方法(本文称为：由粗到细方法)进行实验准确性比较。
实施例1
执行步骤1，输入图2，对图2做预处理步骤，获得的增强图像为图3；
执行步骤2，获得的重构图像为图4；
执行步骤3～步骤5，图5为最终得到检测结果图。
图6是对图2进行缺陷分割的真实图，图7～图9分别为对图2进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图，用本发明方法与其他方法进行对比可知，本发明方法的检测结果的大小形状都更接近于真实图，本方法的检测结果更加的准确。
实施例2
执行步骤1，输入图10，对图10做预处理步骤，获得的增强图像为图11；
执行步骤2，获得的重构图像为图12；
执行步骤3～步骤5，图13为最终得到检测结果图。
图14是对图10进行缺陷分割的真实图，图15～图17分别为对图10进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图，用本发明方法与其他方法进行对比可知，本发明方法的检测结果准定、缺陷的大小和形状接近于真实图，本方法的检测结果准确度仅次于由粗到细模型检测算法。
实施例3
执行步骤1，输入图18，对图18做预处理步骤，获得的增强图像为图19；
执行步骤2，获得的重构图像为图20；
执行步骤3～步骤5，图21为最终得到检测结果图。
图22是对图18进行缺陷分割的真实图，图23～图25分别为对图18进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图，用本发明方法与其他方法进行对比可知，LN+DLBP算法并未检测到缺陷，本发明方法的检测结果的大小形状都更接近于真实图，本方法的检测结果更加的准确。
实施例4
执行步骤1，输入图26，对图26做预处理步骤，获得的增强图像为图27；
执行步骤2，获得的重构图像为图28；
执行步骤3～步骤5，图29为最终得到检测结果图。
图30是对图26进行缺陷分割的真实图，图31～图33分别为对图26进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图，用本发明方法与其他方法进行对比可知，本发明方法的检测结果的大小形状都更接近于真实图，本方法的检测结果更加的准确。
实施例5
执行步骤1，输入图34，对图34做预处理步骤，获得的增强图像为图35；
执行步骤2，获得的重构图像为图36；
执行步骤3～步骤5，图37为最终得到检测结果图。
图38是对图34进行缺陷分割的真实图，图39～图41分别为对图34进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图，用本发明方法与其他方法进行对比可知，本发明方法的检测结果准定、缺陷的大小和形状接近于真实图，本方法的检测结果准确度仅次于由粗到细模型检测算法。
实施例6
执行步骤1，输入图42，对图42做预处理步骤，获得的增强图像为图43；
执行步骤2，获得的重构图像为图44；
执行步骤3～步骤5，图45为最终得到检测结果图。
图46是对图42进行缺陷分割的真实图，图47～图49分别为对图42进行LN+DLBP算法后、基于P-M逆扩散模型陷检测算法后和由粗到细模型检测算法后的检测结果图用本发明方法与其他方法进行对比可知，本发明方法的检测结果准定、缺陷的大小和形状接近于真实图，本方法的检测结果准确度仅次于由粗到细模型检测算法。
为更加客观的评价缺陷检测的效果，实验引入准确率、回归率和F值等指标来评价方法检测率，结果如表1、表2所示。准确率Pre、回归率Rec、F值定义如下：
Pre＝TP/P (9)
Rec＝TP'/N (10)
F＝2×Rec×Pre/(Rec+Pre) (11)
其中TP为正确检测出的缺陷数，P为检测出的缺陷数，TP'为正确检测出含有标记的缺陷数，N表示真实图中标记的缺陷数。
表1 不同方法对数据集中类型Ⅰ中图像进行检测的准确率、回归率、F值
表2 不同方法对数据集中类型Ⅱ中图像进行检测的准确率、回归率、F值
如表1和表2分别为不同方法对数据集中类型Ⅰ中图像进行检测的准确率、回归率、F值和不同方法对数据集中类型Ⅱ中图像进行检测的准确率、回归率、F值。从表1和表2中可以看出，本文明方法对数据集中类型Ⅰ的图像进行缺陷检测，准确率、回归率和F值均高于其它三种方法；对数据集中类型Ⅱ的图像进行缺陷检测，其准确率均高于其它三种方法，而回归率低于由粗到细方法，而综合评价指标F值高于其它三种方法。
本发明在分析钢轨图像自身特点的基础上，提出了一种基于图像重构和分块阈值分割的钢轨缺陷检测方法，增加缺陷与背景的对比度后，根据钢轨图像列一致性的特点重构一张无缺陷图，减小了缺陷检测的漏检率，分块阈值分割算法减少了光照不均对检测结果的影响。该方法对钢轨图像的缺陷检测表现出较好的效果。
Claims (8)
1.基于图像重构和分块阈值分割的钢轨缺陷检测方法，其特征在于，具体步骤为：
步骤1，输入待检测的钢轨图像，对待检测的钢轨图像做预处理步骤，获得增强图像；
步骤2，对增强图像进行图像重构，获得重构图像；
步骤3，增强图像与重构图像做减法操作，得到差分图像；
步骤4，将差分图像分割为大小相同的图像块，对每个图像块做前、背景区域判断和阈值分割，得到二值图像；
步骤5，对二值图像做开运算，最终得到检测结果图。
2.如权利要求1所述的基于图像重构和分块阈值分割的钢轨缺陷检测方法，其中预处理步骤具体的为：对待检测的钢轨图像依次做中值滤波、图像增强和归一化处理。
3.如权利要求2所述的基于图像重构和分块阈值分割的钢轨缺陷检测方法，其特征在于，所述图像增强采用对数图像增强算法，公式如下：
其中Im为中值滤波后的图像，大小为M×N，i＝1,2...M，j＝1,2...N。In为对数图像增强之后的图像。
4.如权利要求1所示的基于图像重构和分块阈值分割的钢轨缺陷检测方法，其特征在于，所述图像重构具体按照公式(2)操作：
其中Ir(i,j)重构图像，I(i,j)为增强图像，mean(j)为增强图像第j列像素的均值，Tr为设定的阈值。
5.如权利要求4所示的基于图像重构和分块阈值分割的钢轨缺陷检测方法，其特征在于，所述Tr的值取Tr＝50。
6.如权利要求1所示的基于图像重构和分块阈值分割的钢轨缺陷检测方法，其特征在于，所述步骤4具体为：
步骤4.1，将差分图像分割为大小相同的图像块，其中图像块大小为80*80；
步骤4.2，计算所有图像块的类间平均灰度差；
步骤4.3.对类间平均灰度差大于50的图像块进行阈值分割处理，其他的图像块判定为纯背景块，纯背景块的像素值的置为“0”，所述阈值分割处理具体为：
其中Bk为阈值分割处理后的图像块，ΔIk为类间平均灰度差大于50的图像块，Ts为使用全局阈值方法对存在缺陷的小块进行分割计算得到的阈值。
步骤4.4，对步骤4.3处理后的图片进行空洞填充，即可得到二值图像B。
7.如权利要求6所示的基于图像重构和分块阈值分割的钢轨缺陷检测方法，所述类间平均灰度差的获得方式为：
设图像块的灰度级为S＝(1,2,3,L,j,L L)，T为分割两区域的阈值，fj为灰度级为j的像素个数，s1和s2分别为各区域内的像素总数；
则首先通过公式(4)和(5)获得g1和g2，g1和g2分别为两个区域平均灰度，
则平均灰度差Δg可通过公式(6)获得：
Δg＝|g1(T)-g2(T)| (6)。
8.如权利要求1所示的基于图像重构和分块阈值分割的钢轨缺陷检测方法，所述开运算的具体运算方式为：
其中SE为开运算的结构元素，B为二值图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910903588.4A CN110687123B (zh) | 2019-09-24 | 2019-09-24 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910903588.4A CN110687123B (zh) | 2019-09-24 | 2019-09-24 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110687123A true CN110687123A (zh) | 2020-01-14 |
| CN110687123B CN110687123B (zh) | 2022-04-19 |
Family
ID=69110115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910903588.4A Active CN110687123B (zh) | 2019-09-24 | 2019-09-24 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110687123B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476784A (zh) * | 2020-04-14 | 2020-07-31 | 孙洁 | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6977664B1 (en) * | 1999-09-24 | 2005-12-20 | Nippon Telegraph And Telephone Corporation | Method for separating background sprite and foreground object and method for extracting segmentation mask and the apparatus |
| CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
| 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 |
| CN106327520A (zh) * | 2016-08-19 | 2017-01-11 | 苏州大学 | 一种运动目标检测方法及系统 |
| CN106327488A (zh) * | 2016-08-19 | 2017-01-11 | 云赛智联股份有限公司 | 一种自适应的前景检测方法及其检测装置 |
| CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
| CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
-
2019
- 2019-09-24 CN CN201910903588.4A patent/CN110687123B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6977664B1 (en) * | 1999-09-24 | 2005-12-20 | Nippon Telegraph And Telephone Corporation | Method for separating background sprite and foreground object and method for extracting segmentation mask and the apparatus |
| CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
| CN106327520A (zh) * | 2016-08-19 | 2017-01-11 | 苏州大学 | 一种运动目标检测方法及系统 |
| CN106327488A (zh) * | 2016-08-19 | 2017-01-11 | 云赛智联股份有限公司 | 一种自适应的前景检测方法及其检测装置 |
| 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 |
| CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
| CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| YU-TING PAI ET.AL: "Adaptive thresholding algorithm:Efficientcomputation technique based on intelligent block detection for degraded document images", 《PATTERN RECOGNITION》 * |
| 吴禄慎等: "基于图像区域划分的轨道缺陷自动检测技术研究", 《激光与红外》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476784A (zh) * | 2020-04-14 | 2020-07-31 | 孙洁 | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110687123B (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
| CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
| CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
| CN111402209B (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
| CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
| CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
| CN108364281B (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
| CN111353395A (zh) | 一种基于长短期记忆网络的换脸视频检测方法 | |
| Tastimur et al. | Rail defect detection and classification with real time image processing technique | |
| Zhang et al. | Learning based alpha matting using support vector regression | |
| CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及系统 | |
| CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
| CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
| CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
| CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
| CN110687123B (zh) | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 | |
| CN108830882B (zh) | 视频异常行为实时检测方法 | |
| CN111403026A (zh) | 一种面瘫等级评估方法 | |
| KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
| CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
| CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
| Nie et al. | Machine vision-based apple external quality grading | |
| CN116452505A (zh) | 基于改进YOLOv5的连铸坯内部缺陷检测与评级方法 | |
| CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231225 Address after: 310009 room 407, No. 2, Tushan Lane 1, Huancheng East Road, Shangcheng District, Hangzhou, Zhejiang Province Patentee after: Hangzhou Shengqing Technology Co.,Ltd. Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19 Patentee before: XI'AN POLYTECHNIC University |