CN111539910B - 锈蚀区域检测方法及终端设备 - Google Patents
锈蚀区域检测方法及终端设备 Download PDFInfo
- Publication number
- CN111539910B CN111539910B CN202010175484.9A CN202010175484A CN111539910B CN 111539910 B CN111539910 B CN 111539910B CN 202010175484 A CN202010175484 A CN 202010175484A CN 111539910 B CN111539910 B CN 111539910B
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- detection
- detection result
- clustering
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 191
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 abstract description 13
- 239000010959 steel Substances 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域，提供了一种锈蚀区域检测方法及终端设备，上述方法包括：获取目标图像，并对目标图像进行分割，得到第一数量的图像块；采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果；根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。本发明将图像像素分割与图像检测结合，同时采用两种检测模型协同检测，对空间网格的划分要求不高，可实现复杂环境下的钢结构表面的锈蚀区域的检测，检测精度高。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种锈蚀区域检测方法及终端设备。
背景技术
在大型基础建设中，钢结构因自身承载能力强，制造、建设、维修方便等优点被广泛应用。钢结构由于长期暴露在自然环境中，在外界风霜雨雪作用下表面会发生锈蚀病害，锈蚀病害会引起钢结构本身物理性能的变化，从而影响钢结构的刚度及稳定性，带来潜在的风险。因此，及时检测发现钢结构表面的锈蚀病害情况，对保障钢结构的安全有着至关重要的作用。
现有技术中，基于区域图像分类学习的锈蚀区域检测方法由于不易受背景颜色、光照以及杂波噪声点的干扰影响，得到了广泛的应用。但该算法对于空间网格的划分要求较高，空间网格划分过于密集，会提高算法对光照和背景杂波噪声的敏感度，而空间网格划分过于稀疏，又会导致锈蚀区域定位分割精度较差，从而导致锈蚀区域检测精度不高。同时，由于非锈蚀背景内容复杂多变，该检测方法大多基于单一的二分类技术，检测精度不高。
发明内容
有鉴于此，本发明实施例提供了一种锈蚀区域检测方法及终端设备，以解决现有技术中基于区域图像分类学习的锈蚀区域检测方法由于难以确定合适的空间网格划分参数及非锈蚀背景多变，从而导致对锈蚀区域检测精度不高的问题。
本发明实施例的第一方面提供了一种锈蚀区域检测方法，包括：获取目标图像，并对目标图像进行分割，得到第一数量的图像块；采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果；根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。
本发明实施例的第二方面提供了一种终端设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如本发明实施例第一方面提供的锈蚀区域检测方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例第一方面提供的锈蚀区域检测方法的步骤。
本发明实施例提供了一种锈蚀区域检测方法，包括：获取目标图像，并对目标图像进行分割，得到第一数量的图像块；采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果；根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。本发明将图像像素分割与图像检测结合，同时采用两种检测模型协同检测，对空间网格的划分要求不高，可实现复杂环境下的钢结构表面锈蚀区域的检测，检测精度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种锈蚀区域检测方法的实现流程示意图；
图2是本发明实施例提供的目标图像网格区域像素聚类划分的效果图；
图3是本发明实施例提供的锈蚀区域检测方法的效果图；
图4是本发明实施例提供的一种锈蚀区域检测装置的示意图；
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参考图1，本发明实施例提供了一种锈蚀区域检测方法，包括：
步骤S101：获取目标图像，并对目标图像进行分割，得到第一数量的图像块。
其中，目标图像为待检测钢结构表面的图像。
一些实施例中，对目标图像进行分割，得到第一数量的图像块，可以包括：
步骤S1011：根据预设的网格参数对目标图像进行网格划分，得到第二数量的方块图像；
步骤S1012：对各个方块图像进行网格区域像素聚类，将目标图像重新分割为第一数量的图像块。
钢结构表面的涂层颜色(包括银色、蓝色、白色等)多种多样。相比而言，锈蚀是由钢结构破碎表面与外部环境的化学反应引起的，其颜色特征相似。
聚类分析在模式识别和图像处理领域中具有广泛的应用，其主要目的是按事物间的相似性对给定事物进行区分和分类，使每一类中的元素尽可能具有相同的特性，不同的聚合类之间的特性差别尽可能的大。由此，根据锈蚀区域的颜色特征，可将聚类分析应用于锈蚀区域检测。
本发明实施例中，以3×3九宫格为局部网格搜索空间，提取3×3九宫格中心位置的方块图像I，其中，方块I为第二数量的方块图像中的任意一个方块图像。计算方块图像I中所有像素的YCbCr(色彩空间的一种)特征值，并利用聚类算法对方块图像I中的所有像素特征值进行无监督聚类。其中，聚类中心点个数预设为2个。一些实施例中，聚类算法可以采用K-Means算法。
若方块图像I中所有像素的无监督聚类结果为2，且该2个聚类区域像素总数的比值在[0.8，1.2]范围内，则为方块图像I中2个聚类区域各分配一个新的标记；
若方块图像I中所有像素特征的无监督聚类结果为2，且该2个聚类区域像素总数的比值不在[0.8,1.2]范围内，则以2个聚类区域中的像素总数较多者代表方块图像I，并按1个聚类中心进行处理。
若方块图像I中所有像素特征的无监督聚类结果为1个，则计算方块图像I与方块图像I所在3×3九宫格内其他8个方块图像的相似程度。提取方块图像I中的聚类中心点像素YCbCr特征值，依次计算该聚类中心点像素YCbCr特征值与3×3九宫格内其他8个方块图像聚类中心点像素YCbCr特征值的欧式距离，将欧式距离最小的某个方块图像聚类中心点像素的标记赋给方块图像I。其中，YCbCr特征值采用三个维度的特征向量表示，计算公式为：
其中，R、G、B分别表示该像素点在R、G、B三个通道的灰度值。
按照上述步骤对目标图像中第二数量的方块图像进行3×3九宫格滑动窗处理，完成对目标图像中所有方块图像的网格区域像素聚类。参考图2，目标图像根据局部图像的相似程度被重新划分为第一数量的不规则的图像块。本发明实施采用聚类算法实现对目标图像的不规则划分，避免了空间网格划分参数选取不合理所带来的各种问题，提高了算法的适用性，进而提高了锈蚀区域检测的精度。
步骤S102：采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果。
一些实施例中，步骤S102可以包括：
步骤S1021：采用第一检测模型对第一图像块进行检测，得到第一图像块的第一检测结果及第一图像块的第一检测概率；其中，第一图像块为各个图像块中的任意一个图像块；
步骤S1022：采用第二检测模型对第一图像块进行检测，得到第一图像块的第二检测结果及第一图像块的第二检测概率；
步骤S1023：根据第一图像块的第一检测结果、第一图像块的第一检测概率、第一图像块的第二检测结果及第一图像块的第二检测概率，确定第一图像块的检测结果。
一些实施例中，步骤S1023可以包括：
根据第一图像块的第一检测概率和第一图像块的第二检测概率，确定第一图像块的第一权重和第一图像块的第二权重；
根据第一图像块的第一权重、第一图像块的第二权重、第一图像块的第一检测结果及第一图像块的第二检测结果，确定第一图像块的检测结果。
一些实施例中，第一图像块的检测结果i*的计算公式可以为：
i*＝sgn(w1×J1+w2×J2) (2)
其中，w1为第一图像块的第一权重，w2为第一图像块的第二权重，J1为第一图像块的第一检测结果，J2为第一图像块的第二检测结果。
若i*为1，则第一图像块为锈蚀区域。
一些实施例中，第一检测模型可以为：单类支持向量机分类检测模型；第二检测模型可以为：L2稀疏表示分类检测模型。本发明实施采用第一检测模型和第二检测模型协同进行锈蚀区域检测，同时根据各个模型的权重综合得到各个第一图像块的检测结果，提高了检测结果的准确度。
一些实施例中，第一图像块的第一权重w1的计算公式可以为：
w1＝p1/(p1+p2) (3)
第一图像块的第二权重w2的计算公式可以为：
w2＝p2/(p1+p2) (4)
其中，p1为第一图像块的第一检测概率，p2为第一图像块的第二检测概率。本发明实施例将检测模型的权重与相应检测模型的检测概率关联起来，第一检测模型的权重和第二检测模型的权重根据实际计算情况自适应调整，提高了检测结果的精度。
一些实施例中，第一图像块的第一检测概率p1的计算公式可以为：
p1＝exp([R2-||φ(xl)-c||2]/R2) (5)
第一图像块的第二检测概率p2的计算公式可以为：
其中，R为包围锈蚀样本特征的最优球体半径，c为最优球体的中心坐标参数，φ(xl)为最优非线性映射的核函数值；m为锈蚀特征的数量，n为非锈蚀特征的数量，ai为第i个锈蚀特征系数向量，i＝1,2,…,m，bj为第j个非锈蚀特征系数向量，j＝1,2,…,n。
步骤S103：根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。
一些实施例中，步骤S102之前还可以包括：
步骤S104：建立第一检测模型和第二检测模型，并分别对第一检测模型和第二检测模型进行训练。
一些实施例中，第一检测模型可以为单类支持向量机分类检测模型；第二检测模型可以为：L2稀疏表示分类检测模型。
采用锈蚀样本对单类支持向量机分类检测模型进行训练，使单类支持向量机(one-class SVM)分类检测模型对锈蚀样本周围的约束区域进行学习。一些实施例中，可人工挑选一定数量的锈蚀小方块图像对单类支持向量机分类检测模型进行训练。例如，给定L个锈蚀样本xk，(k＝1,...,L)，单类支持向量机分类检测模型的目标是识别尽可能多的锈蚀训练样本，同时它最小化了识别非锈蚀样本的可能性。单类支持向量机分类检测模型的训练任务是优化以下问题：
其中，R为包围锈蚀样本特征的最优球体半径；c为最优球体的中心坐标参数；ξk为训练过程中考虑可能出现人工标记误差引入的松弛变量；λ为训练过程中引入的正则化参数；φ(xk)为非线性映射的核函数。通过对偶问题优化，可以在训练阶段将上述提到的参数求解出来。样本识别结果的计算公式为：
i1 *＝sgn([R2-||φ(xl)-c||2]/R2) (8)
若i1 *的值为1，则表示该样本为锈蚀样本。
充分利用锈蚀特征的聚类特征对L2稀疏表示分类检测模型进行训练。一些实施例中，可人工挑选一定数量的锈蚀小方块图像对L2稀疏表示分类检测模型进行训练。假定特征集D＝[Dr,Dnr]＝[d1,...,dm,dm+1,...,dm+n]，Dr表示锈蚀特征集，Dnr表示非锈蚀特征集。在本发明中，非锈蚀特征的数量n要远大于锈蚀特征的数量m。样本y可以大致位于D的线性空间中，y可以由下式表示：
y≈DA＝a1d1+...+amdm+b1dm+1+...+bndn+m (9)
根据上述推论，样本y的系数向量A应该是稀疏的，我们需要解决以下问题：
其中，β是一个小的正则化参数，通过下面的岭回归方法可以得到最优解。
A*＝(DTD+βI)-1DTy (11)
其中，系数其中，/>表示样本y和锈蚀特征之间的相关性，/>表示样本y和非锈蚀特征之间的相关性。在此基础上，使用均值池化策略确定样本y的检测结果：
若i2 *的值为1，则样本y为锈蚀样本。
本发明实施例提供的锈蚀区域检测方法对目标图像进行分割，然后分别对每个分割后的图像块进行检测，从而得到目标图像的锈蚀区域检测结果。同时，本发明实施例采用两个检测模型协同进行检测，对空间网格的划分要求不高，可以实现复杂环境下的钢结构表面锈蚀区域的检测，大大提高了检测精度。由图3可知，采用上述实施例提供的锈蚀区域检测方法对钢结构表面的图像进行检测，检测效果良好，可以实现锈蚀区域的准确提取。
一些实施例中，参考图4，本发明实施例还提供了一种锈蚀区域检测装置，包括：
图像分割模块21，用于获取目标图像，并对目标图像进行分割，得到第一数量的图像块；
第一计算模块22，用于采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果；
第二计算模块23，用于根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。
一些实施例中，图像分割模块21还可以包括：
第一划分单元，用于根据预设的网格参数对目标图像进行网格划分，得到第二数量的方块图像；
第二划分单元，用于对各个方块图像进行网格区域像素聚类，将目标图像重新分割为第一数量的图像块。
一些实施例中，第一计算模块22还可以包括：
第一检测单元，用于采用第一检测模型对第一图像块进行检测，得到第一图像块的第一检测结果及第一图像块的第一检测概率；其中，第一图像块为各个图像块中的任意一个图像块；
第二检测单元，用于采用第二检测模型对第一图像块进行检测，得到第一图像块的第二检测结果及第一图像块的第二检测概率；
结果输出单元，用于根据第一图像块的第一检测结果、第一图像块的第一检测概率、第一图像块的第二检测结果及第一图像块的第二检测概率，确定第一图像块的检测结果。
一些实施例中，结果输出单元可以包括：
权重确定子单元，用于根据第一图像块的第一检测概率和第一图像块的第二检测概率，确定第一图像块的第一权重和第一图像块的第二权重；
结果输出子单元，用于根据第一图像块的第一权重、第一图像块的第二权重、第一图像块的第一检测结果及第一图像块的第二检测结果，确定第一图像块的检测结果。
一些实施例中，第一图像块的检测结果i*的计算公式为：
i*＝sgn(w1×J1+w2×J2) (2)
其中，w1为第一图像块的第一权重，w2为第一图像块的第二权重，J1为第一图像块的第一检测结果，J2为第一图像块的第二检测结果。
一些实施例中，第一图像块的第一权重w1的计算公式为：
w1＝p1/(p1+p2) (3)
第一图像块的第二权重w2的计算公式为：
w2＝p2/(p1+p2) (4)
其中，p1为第一图像块的第一检测概率，p2为第一图像块的第二检测概率。
一些实施例中，第一检测模型为：单类支持向量机分类检测模型；第二检测模型为：L2稀疏表示分类检测模型。
一些实施例中，第一图像块的第一检测概率p1的计算公式为：
p1＝exp([R2-||φ(xl)-c||2]/R2) (5)
第一图像块的第二检测概率p2的计算公式为：
其中，R为包围锈蚀样本特征的最优球体半径，c为最优球体的中心坐标参数，φ(xl)为最优非线性映射的核函数值；m为锈蚀特征的数量，n为非锈蚀特征的数量，ai为第i个锈蚀特征系数向量，i＝1,2,…,m，bj为第j个非锈蚀特征系数向量，j＝1,2,…,n。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备4包括：一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个锈蚀区域检测方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器40执行计算机程序42时实现上述锈蚀区域检测装置实施例中各模块/单元的功能，例如图4所示模块21至模块23的功能。
示例性地，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在终端设备4中的执行过程。例如，计算机程序42可以被分割成图像分割模块21、第一计算模块22、第二计算模块23。
图像分割模块21，用于获取目标图像，并对目标图像进行分割，得到第一数量的图像块；
第一计算模块22，用于采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到各个图像块的检测结果；
第二计算模块23，用于根据各个图像块的检测结果得到目标图像的锈蚀区域检测结果。
其它模块或者单元在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图5仅仅是终端设备的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种锈蚀区域检测方法，其特征在于，包括：
获取目标图像，并对所述目标图像进行分割，得到第一数量的图像块；
采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到所述各个图像块的检测结果；
根据所述各个图像块的检测结果得到所述目标图像的锈蚀区域检测结果；
所述对所述目标图像进行分割，得到第一数量的图像块，包括：
根据预设的网格参数对所述目标图像进行网格划分，得到第二数量的方块图像；
对各个方块图像进行网格区域像素聚类，将所述目标图像重新分割为所述第一数量的图像块；
所述对各个方块图像进行网格区域像素聚类，将所述目标图像重新分割为所述第一数量的图像块，包括：
针对每个方块图像，获取该方块图像中所有像素的特征值，并根据该方块图像中所有像素的特征值对该方块图像中所有像素进行聚类；若聚类结果为2，且两个聚类区域的像素总数的比值在预设范围内，则分别为两个聚类区域分配新的标记；若所述聚类结果为2，且两个聚类区域的像素总数的比值不在所述预设范围内，则将聚类结果更新为1，并将两个聚类区域中像素总数最大的聚类区域的聚类中心点像素的标记作为该方块图像的标记；若所述聚类结果为1，则计算该方块图像与该方块图像对应的滑窗内的各个其他方块图像的相似度，将与该方块图像的相似度最大的方块图像的聚类中心点像素的标记作为该方块图像的标记；其中，初始聚类中心的个数为2。
2.如权利要求1所述的锈蚀区域检测方法，其特征在于，所述采用第一检测模型和第二检测模型对各个图像块进行检测，分别得到所述各个图像块的检测结果包括：
采用所述第一检测模型对第一图像块进行检测，得到所述第一图像块的第一检测结果及所述第一图像块的第一检测概率；其中，所述第一图像块为所述各个图像块中的任意一个图像块；
采用所述第二检测模型对所述第一图像块进行检测，得到所述第一图像块的第二检测结果及所述第一图像块的第二检测概率；
根据所述第一图像块的第一检测结果、所述第一图像块的第一检测概率、所述第一图像块的第二检测结果及所述第一图像块的第二检测概率，确定所述第一图像块的检测结果。
3.如权利要求2所述的锈蚀区域检测方法，其特征在于，所述根据所述第一图像块的第一检测结果、所述第一图像块的第一检测概率、所述第一图像块的第二检测结果及所述第一图像块的第二检测概率，确定所述第一图像块的检测结果，包括：
根据所述第一图像块的第一检测概率和所述第一图像块的第二检测概率，确定所述第一图像块的第一权重和所述第一图像块的第二权重；
根据所述第一图像块的第一权重、所述第一图像块的第二权重、所述第一图像块的第一检测结果及所述第一图像块的第二检测结果，确定所述第一图像块的检测结果。
4.如权利要求3所述的锈蚀区域检测方法，其特征在于，所述第一图像块的检测结果i*的计算公式为：
i*＝sgn(w1×J1+w2×J2)
其中，w1为所述第一图像块的第一权重，w2为所述第一图像块的第二权重，J1为所述第一图像块的第一检测结果，J2为所述第一图像块的第二检测结果。
5.如权利要求3所述的锈蚀区域检测方法，其特征在于，所述第一图像块的第一权重w1的计算公式为：
w1＝p1/(p1+p2)
所述第一图像块的第二权重w2的计算公式为：
w2＝p2/(p1+p2)
其中，p1为所述第一图像块的第一检测概率，p2为所述第一图像块的第二检测概率。
6.如权利要求2至5任一项所述的锈蚀区域检测方法，其特征在于，所述第一检测模型为：单类支持向量机分类检测模型；
所述第二检测模型为：L2稀疏表示分类检测模型。
7.如权利要求6所述的锈蚀区域检测方法，其特征在于，所述第一图像块的第一检测概率p1的计算公式为：
p1＝exp([R2-||φ(xl)-c||2]/R2)
所述第一图像块的第二检测概率p2的计算公式为：
其中，R为包围锈蚀样本特征的最优球体半径，c为最优球体的中心坐标参数，φ(xl)为最优非线性映射的核函数值；m为锈蚀特征的数量，n为非锈蚀特征的数量，ai为第i个锈蚀特征系数向量，i＝1,2,…,m，bj为第j个非锈蚀特征系数向量，j＝1,2,…,n。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述锈蚀区域检测方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述锈蚀区域检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175484.9A CN111539910B (zh) | 2020-03-13 | 2020-03-13 | 锈蚀区域检测方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175484.9A CN111539910B (zh) | 2020-03-13 | 2020-03-13 | 锈蚀区域检测方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539910A CN111539910A (zh) | 2020-08-14 |
| CN111539910B true CN111539910B (zh) | 2024-03-19 |
Family
ID=71979990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010175484.9A Active CN111539910B (zh) | 2020-03-13 | 2020-03-13 | 锈蚀区域检测方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539910B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419298B (zh) * | 2020-12-04 | 2024-01-19 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
| CN112927197B (zh) * | 2021-02-19 | 2023-06-13 | 中冶建筑研究总院（深圳）有限公司 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
| CN114636499B (zh) * | 2022-03-16 | 2023-09-15 | 天津大学 | 一种锈蚀焊接空心球节点剩余承载力的现场检测评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102148919A (zh) * | 2010-02-09 | 2011-08-10 | 新奥特（北京）视频技术有限公司 | 一种球类检测的方法及系统 |
| CN104217438A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于半监督的图像显著性检测方法 |
| CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
| CN109993755A (zh) * | 2019-04-02 | 2019-07-09 | 浙江大学 | 一种提花织物图像组织结构分割方法 |
| WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
| CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
| CN110473216A (zh) * | 2019-08-22 | 2019-11-19 | 联想(北京)有限公司 | 一种图像中目标物的检测方法及装置 |
-
2020
- 2020-03-13 CN CN202010175484.9A patent/CN111539910B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102148919A (zh) * | 2010-02-09 | 2011-08-10 | 新奥特（北京）视频技术有限公司 | 一种球类检测的方法及系统 |
| CN104217438A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于半监督的图像显著性检测方法 |
| WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
| CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
| CN109993755A (zh) * | 2019-04-02 | 2019-07-09 | 浙江大学 | 一种提花织物图像组织结构分割方法 |
| CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
| CN110473216A (zh) * | 2019-08-22 | 2019-11-19 | 联想(北京)有限公司 | 一种图像中目标物的检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于SSD卷积网络的视频目标检测研究;杨洁等;《南华大学学报 自然科学版》;第82页 * |
| 第450-453页.Rust Detection of Steel Structure via One-Class Classification and L2 Sparse Representation with Decision Fusion.《IEICE TRANS. INF. & SYST》.2020,第450-453页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539910A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
| CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
| CN113313164B (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
| CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
| CN111915015B (zh) | 一种异常值检测方法、装置、终端设备及存储介质 | |
| Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
| CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
| CN118015261B (zh) | 一种基于多尺度特征复用的遥感图像目标检测方法 | |
| CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
| CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
| Liu et al. | Building segmentation from satellite imagery using U-Net with ResNet encoder | |
| CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
| CN117690030A (zh) | 基于图像处理的多面发花识别方法及系统 | |
| CN117593253A (zh) | 乳腺病理图像有丝分裂检测方法、系统、存储介质、设备 | |
| CN118197610A (zh) | 基于结构磁共振的带状疱疹性神经痛辅助识别方法及系统 | |
| CN112084988A (zh) | 车道线实例聚类方法、装置、电子设备和存储介质 | |
| CN111199228B (zh) | 一种车牌定位的方法及装置 | |
| CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
| CN118135444A (zh) | 基于无人机遥感的土地规划资源监测方法与系统 | |
| CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN113128511B (zh) | 一种焦炭组织识别方法及装置 | |
| Promsuk et al. | Numerical Reader System for Digital Measurement Instruments Embedded Industrial Internet of Things. | |
| CN118411568B (zh) | 目标识别模型的训练、目标识别方法、系统、设备及介质 |
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 |