CN111768376A - 一种涡流热成像边缘检测方法、系统、存储介质及应用 - Google Patents
一种涡流热成像边缘检测方法、系统、存储介质及应用 Download PDFInfo
- Publication number
- CN111768376A CN111768376A CN202010590500.0A CN202010590500A CN111768376A CN 111768376 A CN111768376 A CN 111768376A CN 202010590500 A CN202010590500 A CN 202010590500A CN 111768376 A CN111768376 A CN 111768376A
- Authority
- CN
- China
- Prior art keywords
- matrix
- eddy current
- sub
- threshold value
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000001931 thermography Methods 0.000 title claims abstract description 59
- 238000003708 edge detection Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 49
- 230000007547 defect Effects 0.000 description 47
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002401 inhibitory effect Effects 0.000 description 5
- 229910001220 stainless steel Inorganic materials 0.000 description 5
- 239000010935 stainless steel Substances 0.000 description 5
- 230000001629 suppression Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明属于扫描式涡流热成像技术领域，公开了一种用于涡流热成像边缘检测方法、系统、存储介质及应用；先获取被测物体温度分布的矩阵，计算温度矩阵的x方向和y方向梯度分布；得到幅度矩阵后，设置阈值，对矩阵的数据做高通滤波处理；将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数；根据坐标从原始矩阵中提取出一个相应的子矩阵，并利用Otsu方法获得最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。系统包括：温度梯度分布矩阵计算模块；矩阵数据预处理模块；最佳阈值获取模块，本发明采用了局部自适应阈值选择方法，可以自动获得最佳边缘检测阈值，以抑制非均匀发射率的影响。
Description
技术领域
本发明属于扫描式涡流热成像技术领域，尤其涉及一种涡流热成像边缘检测方法、系统、存储介质及应用。
背景技术
目前，作为无损检测技术的一种，涡流热成像将涡流检测与热成像技术融合，使两种技术优势互为补充，相较于其他红外热像法，涡流热成像使用电磁激励，其具有多物理特性，检测灵敏度高的特点。目前，国内外使用涡流锁相热成像方式对多层异种金属粘接结构的缺陷检测的研究比较少，具有应用创新价值。在涡流热成像技术中，采用热像仪获取被测对象表面的温度。但是当被测表面的发射率不均匀时，容易对检测结果造成影响。虽然相较于其他传统无损检测技术，红外热成像体现出了非常强大的优势以及更好的检测效果，但是在实际应用中，也有一定的问题存在。热像仪是根据被测物体的辐射能量来测量物体表面温度的，它利用物体的辐射能量与温度之间的对应关系实现温度的测量。根据斯蒂芬-玻耳兹曼定律，物体在某一温度下的辐射度M为：
M＝εσT4
其中，ε为物体发射率；σ为斯蒂芬-玻耳兹曼系数，约为5.670373×10-8W·m-2·K-4；T为物体的热力学温度。从该公式可以看出，同等温度条件下发射率越大，物体的辐射度越大。所以，在同等条件下热像仪接收到的高发射率物体的辐射度要高于低发射率物体，从而在同等温度条件下热像仪测量的温度会有所不同。例如例如，抛光的不锈钢发射率只有0.16，而氧化的不锈钢的发射率却可以达到0.85。由于物体表面的非均匀发射率对热成像检测结果有很大影响，因此抑制非均匀发射率影响的研究对基于涡流热成像的表面检测具有重要意义。在这一领域已经有了一些研究进展。现有技术一提出了一种通过喷涂黑漆来提高铝板表面发射率的方法。现有技术二将均匀的水雾喷在材料表面，从而保证了材料表面的高发射率和均匀性。现有技术三采用二次热平衡法抑制了热发射率的影响。现有技术四提出了一种非负模式分离模型，该模型能够自动从热图像中提取较大的温差。对数分析和基于正态化的方法也可以减少不均匀发射率的影响。此外，利用傅里叶变换或希尔伯特变换等数学方法对热图像进行处理，也取得了良好的抑制效果。上述方法只适用于涡流热成像的静态检测模式，不是适用于扫描式涡流热成像，因为扫描式涡流热成像与静态涡流热成像在检测原理和方法上存在很大不同，所以在扫描式涡流热成像中以上方法无法有效消除不均匀发射率对检测结果的影响。
通过上述分析，现有技术存在的问题及缺陷为：现有抑制非均匀发射率影响的方法不适用于涡流热成像的动态检测。这些方法仍然有其局限性，不能有效地消除一些非缺陷信息的干扰。
解决以上问题及缺陷的难度为：
扫描式涡流热成像中激励器与被测物体存在相对移动，热图像中材料位置时刻在变化，材料发射率不均影响的问题较难解决。该问题仍然是该领域研究的难点。
解决以上问题及缺陷的意义为：
能够避免材料不均匀发射率对扫描式涡流热成像的检测结果的不良影响，增加扫描式涡流热成像检测技术的准确性，对于涡流热成像技术的应用具有推动作用。
发明内容
针对现有技术存在的问题，本发明提供了一种涡流热成像边缘检测方法、系统、存储介质及应用。
本发明是这样实现的，一种涡流热成像边缘检测方法，所述涡流热成像边缘检测方法包括：
第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
进一步，所述第一步还包括：获取温度分布的矩阵，计算温度矩阵的分别计算x方向和y方向的梯度分布，求解矩阵数据的梯度公式为：
其中，Tx和Ty分别代表x方向和y方向的温度梯度分布矩阵，再求取梯度幅度的平方，计算公式如下：
其中，M表示梯度的幅度矩阵。
进一步，所述第二步得到幅度矩阵M后，设置阈值A，A＝0.02，对矩阵M的数据做处理，元素值大于0.02的保持不变，否则置为0。
进一步，所述第三步还包括：将滤波后的矩阵M平均分为若干个子矩阵M1，M2…，Mn，每个子矩阵的元素为20*80，计算每个子矩阵中元素的非零个数Mi；如果某个子矩阵中的非零个数大于50个，则记录该矩阵中元素的坐标。
进一步，所述第四步还包括：根据坐标从原始矩阵T中提取出一个20*80的子矩阵，并利用Otsu方法获得最佳阈值ti，重复此操作，得到多个n个这样的值，求取阈值的平均值，即得到最佳阈值。
进一步，最佳阈值thr：
thr＝(t1+t2+…+tn)/n。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
第一步，获取温度分布的矩阵，计算温度矩阵的分别计算x方向和y方向的梯度分布；
第二步，得到幅度矩阵后，设置阈值，对矩阵的数据做处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数；
第四步，根据坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得最佳阈值，重复此操作，得到多个值，求取阈值的平均值，即得到最佳阈值。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
本发明的另一目的在于提供一种运行所述涡流热成像边缘检测方法的涡流热成像边缘检测系统，所述涡流热成像边缘检测系统包括：
温度梯度分布矩阵计算模块，用于获取温度分布的矩阵，计算温度矩阵的梯度分布；
矩阵数据预处理模块，用于得到幅度矩阵后，设置阈值，对矩阵的数据做处理；
最佳阈值获取模块，用于将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数；并根据坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得最佳阈值，重复此操作，得到多个这样的值，求取阈值的平均值，即得到最佳阈值。
本发明的另一目的在于提供一种针对扫描式涡流热成像中材料发射率不均影响的抑制方法，所述针对扫描式涡流热成像中材料发射率不均影响的抑制方法使用所述的涡流热成像边缘检测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：针对板A，缺陷开口的大小表征依赖于检测出的像素点的数量，本发明也分别提取出了用Roberts、Sobel和Prewitt这三种算子所得到的两个缺陷处的像素点数。如图14所示。其中对于第1个缺陷三种算子所得到的像素数是大致相同的，但是Sobel和Prewitt这两种算子要优于Roberts算子。在第2个缺陷的地方，Roberts算子得到的像素数只有508，而另外两种方法所得到的像素数明显要多于Roberts算子算子。从这个角度来讲，Roberts算子算子要比其他两个算子的检测效果差。
本发明也分析了采用局部自适应阈值边缘检测方法针对板B的检测效果。图15所示。所得到的结论与上图的结论一致。Roberts算子所得到的像素点数是最少的，而Sobel和Prewitt这两个算子所得到的像素点数差不多的，从这个角度来说Sobel和Prewitt检测效果要优于Roberts算子。对基于得到的检测结果，计算每个缺陷的检出率，得到的结果如表1和表2所示。从表1和表2中可以看出Sobel和Prewitt的检出率要高于Roberts算子。此外，计算了三种算子的运行时间如表3所示。从表3可以看出，Sobel和Prewitt的运行时间方面也具有优势。总体来说，Sobel和Prewitt的检测效果是类似的且优于Roberts，采用本发明所提出的方法时，建议采用Sobel或者Prewitt算子。
本发明提出了基于边缘检测的方法抑制动态检测过程中不均匀表面发射率的影响。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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涡流热成像边缘检测方法流程图。
图2是本发明实施例提供的涡流热成像边缘检测系统的结构示意图；
图中：1、温度梯度分布矩阵计算模块；2、矩阵数据预处理模块；3、最佳阈值获取模块。
图3是本发明实施例提供的实验系统框架图。
图4是本发明实施例提供的45号钢板(试件A)和不锈钢板(试件B)示意图。
图5是本发明实施例提供的线扫描示意图。
图6是本发明实施例提供的被测金属板表面温度分布：(a)板A；(b)板B。
图7是本发明实施例提供的被测金属板表面温度分布的俯视图：(a)板A；(b)板B。
图8是本发明实施例提供的利用Roberts算子得到的结果：(a)Otsu法选择阈值；(b)将阈值设为0.109；(c)将阈值设为0.110；(d)将阈值设为0.111。
图9是本发明实施例提供的针对板A采用四种算子得到的结果示意图。
图10是本发明实施例提供的针对板B采用四种算子得到的结果示意图。
图11是本发明实施例提供的涡流热成像边缘检测方法实现流程图。
图12是本发明实施例提供的针对板A利用四种算子得到的检测结果示意图。
图13是本发明实施例提供的针对板B利用四种算子得到的检测结果示意图。
图14是本发明实施例提供的利用三种算子得到的板A两个缺陷处的像素个数示意图。
图15是本发明实施例提供的利用三种算子得到的板B两个缺陷处的像素个数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种涡流热成像边缘检测方法、系统、存储介质及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的涡流热成像边缘检测方法包括以下步骤：第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
如图2所示，本发明提供的涡流热成像边缘检测系统包括：
温度梯度分布矩阵计算模块1，用于获取温度分布的矩阵，计算温度矩阵的分别计算x方向和y方向的梯度分布。
矩阵数据预处理模块2，用于得到幅度矩阵M后，设置阈值A，对矩阵M的数据做处理。
最佳阈值获取模块3，用于将滤波后的矩阵M平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数Mi；并根据这个坐标从原始矩阵T中提取出一个20*80的子矩阵，并利用Otsu方法获得最佳阈值ti，重复此操作，得到多个n个这样的值，求取阈值的平均值，即得到最佳阈值。
下面结合附图对本发明的技术方案作进一步的描述。
本发明针对材料表面的不均匀发射率会对热成像技术的检测结果产生不利影响。本发明针对扫描式涡流热像提出了一种基于边缘检测的不均匀发射率影响的抑制方法。由于传统的阈值选择方法并不理想，本发明采用了局部自适应阈值选择方法。该方法可以自动获得最佳边缘检测阈值，以抑制非均匀发射率的影响。分别采用Roberts、Sobel、Prewitt和Canny算子对局部自适应阈值选择方法进行测试，结果表明：Roberts算子、Sobel算子和Prewitt算子均能达到抑制效果，但Sobel算子和Prewitt算子的抑制效果相似，且优于Roberts算子。
1.实验设置
一般来说，涡流热成像检测系统包括三个部分：(1)励磁系统；(2)红外热成像系统；(3)热图像采集、处理与分析系统。在涡流热成像的动态检测模式(扫描式涡流热成像)中采用一个移动导轨使被测金属以一个恒定的速度移动(图3所示)，通过激励器的下方，激励器产生一个交变磁场，将使被测金属内部产生涡流。如果材料中含有缺陷，涡流的流向将绕过缺陷，因此，材料表面的涡流分布将发生变化，导致缺陷附近的局部涡流密度增大。涡流在金属材料中流动时可以转化为焦耳热，所以缺陷材料的表面会呈现不同的热分布。利用高速红外摄像机获取被测金属表面的温度分布，通过对热图像的分析达到检测缺陷的目的。实验研究采用45号钢板(试件A)和不锈钢板(试件B)，如图4所示。45号钢板的部分表面用黑色油漆涂黑。板上有两种裂纹型缺陷，均为半椭圆形，尺寸分别为16mm×0.4mm×3.2mm和16mm×0.6mm×3.2mm(长×宽×深)。不锈钢板上有三个圆孔缺陷，所有孔的直径均为10mm。
2.边缘检测算法
经典边缘检测提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律，用简单的方法检测边缘，这种方法称为边缘检测局部算子法。边缘检测的基本思想是通过检测每个像素和其邻域的状态，以决定该像素是否位于一个物体的边界上，如果每一个像素位于一个物体的边界上，则其邻域像元灰度值的变化就比较大。假如可以应用某种算法检测出这种变化并进行量化表示，那么就可以确定物体的边界。
边缘检测算子对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶异数过零点来检测边缘，常用的一阶导数算子有Roberts算子、Sobel算子和Prewitt算子和Canny算子等。
(1)Roberts算子
Roberts算子计算比较简单，它可以实现图像矩阵的梯度计算。该算子通过强化图像中高频率的区域，实现边缘检测。首先，需要计算对角线元素值之差，即
Δxf＝f(x,y)-f(x-1,y-1)
Δyf＝f(x-1,y)-f(x,y-1)
其中，f(x，y)表示在点(x，y)处的元素值，Δxf和Δyf分别表示对角线元素之差。在点(x，y)处的幅度M(x，y)为：
应用Roberts算子时，相当于用2×2的算子模板
和
与矩阵数据作卷积运算，得到幅度后，设定合适的阈值，对边缘信息进行提取。
(2)Sobel算子
Sobel算子是一阶导数的边缘检测算子，它是利用3×3的算子模板与矩阵数据作卷积，
Δxf＝f(x+1,y+1)+2f(x,y+1)+f(x-1,y+1)-f(x-1,y-1)-2f(x,y-1)-f(x+1,y-1)
Δyf＝f(x-1,y+1)+2f(x-1,y)+f(x-1,y+1)-f(x+1,y+1)-2f(x+1,y)-f(x+1,y-1)
然后计算幅度，即：
M(x,y)＝|Δxf|+|Δyf|
再通过设定阈值对幅度进行处理，以突出边缘。在此用到的两个3×3的算子模板分别为
和
(3)Prewitt算子
Prewitt算子和Sobel算子类似，同样是利用两个3×3的算子模板分别与矩阵数据作卷积，然后再计算幅度，两个算子模板分别为：
和
(4)Canny算子
Canny算子具有滤波、增强和检测的功能。首先，Canny算子先利用高斯平滑滤波器对图像进行降噪，然后再搜索图像梯度矩阵中的局部最大值，从而提取出图像的边缘。该算子的本质是二维高斯滤波函数在某一方向
上的一阶导数，即：
其中，hn即为Canny算子。再利用Canny算子与图像矩阵f(x，y)作卷积运算，当hn*f(x，y)取得最大值时，
正交于图像边缘的方向。
(5)Otsu方法
Otsu算法又称为最大类间方差法，其主要分割方法是利用图像灰度信息将图像分为目标与背景，并计算其方差。假设目标像素数占图像比例为w0，平均灰度为u0；背景像素数占图像比例为w1，平均灰度为u1，则整幅图像均值为：
u＝w0×u0+w1×u1
目标与背景之间的方差σ2(t)可以表示为：
σ2(t)＝w0(u0-u)2+w1(u1-u)2
t为阈值。目标与背景提取越准确，方差越大。当t取一定值时得到最大的σ2(t)值，则t为该图像最佳阈值，当t取值不唯一时，则取平均值为最佳阈值。
3.发射率不均影响的抑制方法
3.1发射率不均的影响
利用涡流热成像所得到的热成像的帧数是很多，需要采用有效的方法，把缺陷信息从众多的热图像中给提取出来，在涡流热成像的移动检测模式中，取缺陷信息就更加的困难，这是因为在移动检测模式中，每帧图像中的试件的位置是在不断变化的，所以需要本发明研究新方法去提取缺陷信息，在这里本发明选择了线扫描方法对热图像进行处理。本发明假设热图像，每帧的图片上都存在一条线，本发明把每幅图像中这条线上的数据提取出来，相当于用线扫过整个检测对象的表面，所以称为线扫描方法(如图5所示)。
图6和图7为得到的试件表面的温度分布图。为了方便后续的处理，对温度数据作了归一化处理。从两图中可以看出含有黑色涂层的区域，由于其具有较高的发射率，所以在热图像的结果中表现为高亮度的区域，即为高温。没有黑色涂层的区域，由于热发射率比较低，表现为低温状态。产生了这种虚假的高温和低温状态，是给缺陷检测带来了极大的困扰。因为缺陷的识别主要依赖于热图像上的高低温区域的区分，采用传统的热图像处理办法进行缺陷识别时，往往无法判断信号的有无。因此，为了提高缺陷检测结果的真实性和有效性，需要对热成像中的发射率进行深入研究。
3.2基于自适应阈值的边缘检测方法
从上面的结果本发明可以看出，由于发射率的不同导致温度波动非常大，甚至掩盖了缺陷所引起的温度的波动。对于这种情况，就不能仅仅依靠温度的最大值来进行识别缺陷是否存在。就需要采用其他的一些处理手段来实现缺陷的识别。在这里采用了边缘检测算子对热图像进行处理。采用边缘检测算子对图像进行处理时，最关键的是如何选取合理的阈值。在这里采用了基于Otsu方法来获取边缘检测的阈值。首先采用了自适应阈值方法进行边缘检测，针对板A采用了Roberts算子进行了处理，得到结果如图8(a)所示。但是图中得到的结果并不理想，这是因为自适应阈值太过于考虑全局因素，把非缺陷区域的边缘信息也检测出来了，这对于缺陷检测是不利的。
所以在这里又采用了人工选择阈值的方法，重新对热图像进行处理。结果如图8(b)～图8(d)所示。当阈值设定为0.111时只有缺陷的边缘信息被保留下来了。如果阈值低于这个值，那么非缺陷区域的边缘信息也会显现出来，所以本发明认为采用Robert算子进行检测时的最佳阈值为0.111。采用同样的方法得到了基于Sobel、Prewitt和canny算子的最佳阈值分别为0.136，0.136和(0.296，0.740)。对于Canny算子，需要高阈值和低阈值两个阈值，则高阈值为Thr，并设置低阈值为Thr*0.4。采用上述阈值对板A进行了处理，得到的结果如图9所示。
检测结果分别如下图所示，从图中本发明可以看出4种边缘检测算子都能够抑制热发射率不均所带来的不利影响，但是Canny算子的结果是最差的。Robots算子的检测结果最符合预期，因为缺陷一和缺陷二两者在宽度上是有区别的，而Roberts算子的检测结果正和这个是一致的。Sobel和Prewitt算子检测的结果是类似的。从中可以看出Roberts方法具有较好的检测效果。
采用同样的方式本发明对板B进行了处理，得到了针对四种算子的最佳阈值分别为0.111，0.119，0.119和(0.134，0.335)，结果如图10所示。图中的结果恰恰与上图的结果所得到的结论是相反的，Roberts算子对缺陷的检测结果是效果最差的，canny算子所得到的检测结果却是最好的。因为Canny算子检测得到的圆孔的边缘是最完整的，Roberts算子的检测到的边缘信息缺损程度比较大。但是人工选择阈值很麻烦，浪费时间，所以应该针对这种情况研究新的方法，实现阈值的自动选择并处理热图像。
3.3局域自适应阈值选择的边缘检测方法
3.3.1方法流程
虽然通过人工获取阈值的方法，能够得到较好的检测结果，但是人工获取阈值特别的麻烦，而且针对不同的检测对象所设定的阈值往往也是不一样的。所以还需继续研究一种自动获取阈值的方法，在这里提出了一种局部自适应阈值选择方法来获取边缘检测算子的最佳阈值。方法的流程图如图11所示。
这种方法的主要思想是认为由缺陷所引起的温度波动，比由发射率不均所引起的文波动要大。所以可以先选择缺陷区域周围的一小部分区域进行边缘检测算子的处理，并用otsu方法获得这一部分的最佳阈值，以此作为参照标准去处理整个热图像。局部处理所得到的阈值就可以把由热发射率不均所引起的波动给过滤掉。具体的流程如下：
(1)获取温度分布的矩阵，然后计算温度矩阵的分别计算x方向和y方向的梯度分布。由于采集的温度信号为离散的矩阵数据，那么求解矩阵数据的梯度公式为：
其中，Tx和Ty分别代表x方向和y方向的温度梯度分布矩阵。再求取梯度幅度的平方，计算公式如下：
其中，M表示梯度的幅度矩阵。
(2)得到幅度矩阵M后，设置阈值A(A＝0.02)，对矩阵M的数据做处理，元素值大于0.02的保持不变，否则置为0。
(3)将滤波后的矩阵M平均分为若干个子矩阵(M1，M2…，Mn)，每个子矩阵的元素为(20*80)。计算每个子矩阵中元素的非零个数Mi。如果某个子矩阵中的非零个数大于50个，则记录该矩阵中元素的坐标。并根据这个坐标从原始矩阵T中提取出一个20*80的子矩阵，并利用Otsu方法获得最佳阈值ti。重复此操作，可能会得到多个n个这样的值，求取这些阈值的平均值，即：
thr＝(t1+t2+…+tn)/n
thr为最佳阈值。
3.3.2结果
针对板A，利用局部自适应阈值法所得到四种算子的最佳阈值分别为0.12560.1331，0.1330和(0.10310.2578)。针对板B的最佳阈值为0.1124，0.1201，0.1199和(0.0500，0.1250)，得到检测结果分别如图12和图13所示。
从两图结果可以看出，Robots、Sobel和Prewitt这三种算子都能够检测出缺陷，并且抑制发射率不均的影响。Canny算子采用这种方法没有得到较好的效果，非缺陷区域的边缘信息仍然被检测出来。所以采用局部自适应阈值方法，所以不推荐采用Canny算子。所以本发明重点对Roberts、Sobel和Prewitt这三种算子的检测效果进行对比分析。
针对板A，缺陷开口的大小表征依赖于检测出的像素点的数量，本发明也分别提取出了用Roberts、Sobel和Prewitt这三种算子所得到的两个缺陷处的像素点数。如图14所示。其中对于第1个缺陷三种算子所得到的像素数是大致相同的，但是Sobel和Prewitt这两种算子要优于Roberts算子。在第2个缺陷的地方，Roberts算子得到的像素数只有508，而另外两种方法所得到的像素数明显要多于Roberts算子算子。从这个角度来讲，Roberts算子算子要比其他两个算子的检测效果差。
本发明也分析了采用局部自适应阈值边缘检测方法针对板B的检测效果。提取出了检测出的像素点数如图15所示。可以看出，本图所得到的结论与上图的结论一致。Roberts算子所得到的像素点数是最少的，而Sobel和Prewitt这两个算子所得到的像素点数差不多的，从这个角度来说Sobel和Prewitt检测效果要优于Roberts算子。
为了更加客观和准确地定量表示Roberts、Sobel和Prewitt算子的检测效果。采用基于自适应阈值方法对发射率不均的抑制效果本发明引人了基于像素级别评估方法。使用缺陷的检出率(Dr)和计算时间这个指标对本发明算法结果进行评价，Dr的计算公式分别为：
式中：Tp为正确检测出的目标像素数；Fn为未被检测出的目标像素数。当Dr越接近1时说明检测到的缺陷形状与实际形状越接近。对基于上述方法得到的检测结果，计算每个缺陷的检出率，得到的结果如表1和表2所示。从表1和表2中可以看出Sobel和Prewitt的检出率要高于Roberts算子。
此外，计算了三种算子的运行时间如表3所示。从表3可以看出，Sobel和Prewitt的运行时间方面也具有优势。总体来说，Sobel和Prewitt的检测效果是类似的且优于Roberts，采用本发明所提出的方法时，建议采用Sobel或者Prewitt算子。
表1板A上缺陷的检出率
表2板B上缺陷的检出率
表3三种算子的运行时间对比
本发明主要研究在涡流热成像检测中材料表面热发射率的影响及其抑制方法。本发明提出了一种方法，解决了自适应阈值边缘检测算法在发射率不均时的不足之处。本算法同样能够自动计算抑制发射率不均所需的阈值，在采用Sobel和Prewitt算子时能够得到较好的效果。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种涡流热成像边缘检测方法，其特征在于，所述涡流热成像边缘检测方法包括：
第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
2.如权利要求1所述的涡流热成像边缘检测方法，其特征在于，所述第一步还包括：获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布，求解矩阵数据的梯度公式为：
其中，Tx和Ty分别代表x方向和y方向的温度梯度分布矩阵，再求取梯度幅度的平方，计算公式如下：
其中，M表示梯度的幅度矩阵。
3.如权利要求1所述的涡流热成像边缘检测方法，其特征在于，所述第二步得到幅度矩阵M后，设置阈值A，A＝0.02，对矩阵M的数据做高通滤波处理，元素值大于0.02的保持不变，否则置为0。
4.如权利要求1所述的涡流热成像边缘检测方法，其特征在于，所述第三步还包括：将滤波后的矩阵M平均分为若干个子矩阵M1，M2…，Mn，每个子矩阵的元素为20*80，计算每个子矩阵中元素的非零个数Mi；如果某个子矩阵中的非零个数大于50个，则记录该矩阵中元素的坐标。
5.如权利要求1所述的涡流热成像边缘检测方法，其特征在于，所述第四步还包括：根据坐标从原始矩阵T中提取出一个20*80的子矩阵，并利用Otsu方法获得最佳阈值ti，重复此操作，得到多个n个这样的值，求取阈值的平均值，即得到最佳阈值。
6.如权利要求5所述的涡流热成像边缘检测方法，其特征在于，最佳阈值thr：
thr＝(t1+t2+…+tn)/n。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
第一步，获取温度分布的矩阵，计算温度矩阵的x方向和y方向的梯度分布；
第二步，计算并得到温度幅度矩阵后，设置阈值，对幅度矩阵的数据做高通滤波处理；
第三步，将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数，根据非零个数对子矩阵进行取舍；
第四步，根据选中的子矩阵的坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得该矩阵的最佳阈值，重复此操作，得到多个阈值，求取阈值的平均值，即得到最佳阈值。
9.一种运行权利要求1～6任意一项所述涡流热成像边缘检测方法的涡流热成像边缘检测系统，其特征在于，所述涡流热成像边缘检测系统包括：
温度梯度分布矩阵计算模块，用于获取温度分布的矩阵，计算温度矩阵的梯度分布；
矩阵数据预处理模块，用于得到幅度矩阵后，设置阈值，对矩阵的数据做处理；
最佳阈值获取模块，用于将滤波后的矩阵平均分为若干个子矩阵，计算每个子矩阵中元素的非零个数；并根据坐标从原始矩阵中提取出一个子矩阵，并利用Otsu方法获得最佳阈值，重复此操作，得到多个这样的值，求取阈值的平均值，即得到最佳阈值。
10.一种针对扫描式涡流热成像中材料发射率不均影响的抑制方法，其特征在于，所述针对扫描式涡流热成像中材料发射率不均影响的抑制方法使用权利要求1～6任意一项所述的涡流热成像边缘检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590500.0A CN111768376A (zh) | 2020-06-24 | 2020-06-24 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590500.0A CN111768376A (zh) | 2020-06-24 | 2020-06-24 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111768376A true CN111768376A (zh) | 2020-10-13 |
Family
ID=72721980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010590500.0A Pending CN111768376A (zh) | 2020-06-24 | 2020-06-24 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768376A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295298A (zh) * | 2021-05-19 | 2021-08-24 | 深圳市朗驰欣创科技股份有限公司 | 测温方法、测温装置、终端设备及存储介质 |
| CN114757907A (zh) * | 2022-04-06 | 2022-07-15 | 上海擎测机电工程技术有限公司 | 一种红外传感器的数据处理方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
| CN103985097A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院长春光学精密机械与物理研究所 | 一种非均匀照度的图像增强方法 |
| CN104021561A (zh) * | 2014-06-17 | 2014-09-03 | 浙江理工大学 | 基于小波变换及形态学运算的织物起毛起球图像分割方法 |
| CN104112132A (zh) * | 2014-07-03 | 2014-10-22 | 中国人民解放军第二炮兵工程大学 | 一种枪械编号自动识别方法 |
| CN104376551A (zh) * | 2014-08-25 | 2015-02-25 | 浙江工业大学 | 一种融合区域生长和边缘检测的彩色图像分割方法 |
| CN106530271A (zh) * | 2016-09-30 | 2017-03-22 | 河海大学 | 一种红外图像显著性检测方法 |
| CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
| CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
| CN109993736A (zh) * | 2019-03-29 | 2019-07-09 | 浙江大学 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
| CN110570404A (zh) * | 2019-08-26 | 2019-12-13 | 南京信息工程大学 | 一种基于Sobel算子的布料疵点检测方法 |
| CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
-
2020
- 2020-06-24 CN CN202010590500.0A patent/CN111768376A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
| CN103985097A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院长春光学精密机械与物理研究所 | 一种非均匀照度的图像增强方法 |
| CN104021561A (zh) * | 2014-06-17 | 2014-09-03 | 浙江理工大学 | 基于小波变换及形态学运算的织物起毛起球图像分割方法 |
| CN104112132A (zh) * | 2014-07-03 | 2014-10-22 | 中国人民解放军第二炮兵工程大学 | 一种枪械编号自动识别方法 |
| CN104376551A (zh) * | 2014-08-25 | 2015-02-25 | 浙江工业大学 | 一种融合区域生长和边缘检测的彩色图像分割方法 |
| CN106530271A (zh) * | 2016-09-30 | 2017-03-22 | 河海大学 | 一种红外图像显著性检测方法 |
| CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
| CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
| CN109993736A (zh) * | 2019-03-29 | 2019-07-09 | 浙江大学 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
| CN110570404A (zh) * | 2019-08-26 | 2019-12-13 | 南京信息工程大学 | 一种基于Sobel算子的布料疵点检测方法 |
| CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
Non-Patent Citations (2)
| Title |
|---|
| 贺敏: ""基于交流电磁场和涡流激励热成像的复合检测技术研究"", 《中国博士学位论文全文数据库 工程科技I辑》 * |
| 闫会朋等: "铁磁材料表面裂纹的涡流热成像检测", 《无损检测》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295298A (zh) * | 2021-05-19 | 2021-08-24 | 深圳市朗驰欣创科技股份有限公司 | 测温方法、测温装置、终端设备及存储介质 |
| CN114757907A (zh) * | 2022-04-06 | 2022-07-15 | 上海擎测机电工程技术有限公司 | 一种红外传感器的数据处理方法 |
| CN114757907B (zh) * | 2022-04-06 | 2023-03-10 | 上海擎测机电工程技术有限公司 | 一种红外传感器的数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Maini et al. | Study and comparison of various image edge detection techniques | |
| JP6658711B2 (ja) | 表面欠陥検出方法及び表面欠陥検出装置 | |
| Son et al. | Vibration displacement measurement technology for cylindrical structures using camera images | |
| JP2018155690A (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
| CN110335204B (zh) | 一种热成像图像增强方法 | |
| US9429527B1 (en) | Automatic optical inspection method of periodic patterns | |
| CN111768376A (zh) | 一种涡流热成像边缘检测方法、系统、存储介质及应用 | |
| CN109632808A (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
| Mak et al. | Detecting defects in textile fabrics with optimal Gabor filters | |
| Park et al. | Vision-based inspection for periodic defects in steel wire rod production | |
| Reddy et al. | Comparative analysis of common edge detection algorithms using pre-processing technique | |
| CN111462056B (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
| CN109801286A (zh) | 一种lcd导光板的表面缺陷检测算法 | |
| CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
| CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
| Lin et al. | A new prediction method for edge detection based on human visual feature | |
| CN116612112A (zh) | 一种水桶表面缺陷视觉检测方法 | |
| Ajmi et al. | New procedure for weld defect detection based-gabor filter | |
| Lee et al. | Robust defect detection method for a non-periodic TFT-LCD pad area | |
| JP3913517B2 (ja) | 欠陥検出方法 | |
| CN117351063A (zh) | 测量微纳器件尺寸的方法、装置、设备及存储介质 | |
| Cai et al. | PCB defect detection system based on image processing | |
| KR100353864B1 (ko) | 표면 검사 장치 및 그 방법 | |
| CN113436216A (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
| CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |
|
| RJ01 | Rejection of invention patent application after publication |