CN111915569A - 自由曲面类零件数字射线图像区域筛选方法、设备及介质 - Google Patents
自由曲面类零件数字射线图像区域筛选方法、设备及介质 Download PDFInfo
- Publication number
- CN111915569A CN111915569A CN202010659218.3A CN202010659218A CN111915569A CN 111915569 A CN111915569 A CN 111915569A CN 202010659218 A CN202010659218 A CN 202010659218A CN 111915569 A CN111915569 A CN 111915569A
- Authority
- CN
- China
- Prior art keywords
- image
- transillumination
- pixel
- free
- spatial
- 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
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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种自由曲面类零件数字射线图像区域筛选方法、设备及介质,采用不同曝光参数所获取的透照图像中灰度统计曲线的积分确定基准透照图像;对基准透照图像的灰度值进行计算得到空间熵分布,以空间熵分布评价复杂自由曲面类零件在基准透照图像中的局部厚度变化特征;利用基准透照图像的空间熵分布以及对应的梯度分布,确定图像分区的个数与空间位置;通过计算不同参数透照图像对应分区的空间熵确定各分区对应的最优透照图像,并将其与其他透照图像的对应关系进行归档整理,得到复杂自由曲面类零件的透照信息数据库。本发明实现复杂自由曲面类零件局部最优透照图像的快速筛选,保证批量检测的检测效率。
Description
技术领域
本发明属于数字射线检测技术领域,具体涉及一种基于空间熵特征提取的自由曲面类零件数字射线图像区域筛选方法、计算设备及存储介质。
背景技术
数字射线检测技术可实现对X射线的数字化成像,整个检测系统由射线源和数字平板探测器两个关键部件组成。在检测时,射线源对准被测零件进行透照,由平板探测器对穿透零件的射线进行捕获,并输出高分辨率的数字图像。
在实际检测过程中,由于被测零件的尺寸和几何特征复杂多样,难以通过单次透照设置获取被测零件各区域的完整厚度信息,需采用不同透照设置对零件进行多次透照,从而实现各区域最优透照图像的获取。尤其是几何特征具有较大变化的自由曲面类零件,其厚度分布难以预测,导致该类零件在数字射线检测的过程中需采用不同透照参数进行多次透照,以保证对零件不同区域几何信息的完整获取,进而对零件内部的缺陷进行识别和排查。传统数字射线检测方法在针对复杂自由曲面类零件进行透照作业时,仅能针对零件的整体成像质量来人工制定相应透照策略,并对零件进行多次不同曝光设置的透照作业以选出全局成像质量较优的透照图像。该方法获得的透照图像在局部区域的动态响应范围较小,难以获取局部区域的准确厚度信息,同时多次透照获取的透照图像整体利用率较低,对检测效率有较大影响。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于空间熵特征提取的自由曲面类零件数字射线图像区域筛选方法、计算设备及存储介质,实现复杂自由曲面类零件局部最优透照图像的快速筛选。
本发明采用以下技术方案:
一种自由曲面类零件数字射线图像区域筛选方法,包括以下步骤:
S1、根据不同参数透照图像的一维非零灰度分布积分确定投影面积最大时的基准透照图像B;
S2、对基准透照图像B的灰度值进行计算得到空间熵分布JB,利用空间熵分布JB评价复杂自由曲面类零件在基准透照图像B中的局部厚度变化特征,作为图像分区依据;
S3、对基准透照图像B的灰度值进行计算得到空间梯度分布LB,以空间梯度分布LB与空间熵分布JB叠加得到的二维矩阵TB为分区依据,确定图像分区个数r与对应的空间位置;
S4、计算不同参数透照图像对应分区的空间熵,统计各图像空间熵的均值及标准差,筛选出各分区对应的最优透照图像,完成区域筛选。
具体的,步骤S1具体为:
S101、利用数字射线系统对放置于同一位置的自由曲面类零件采用N组不同的参数进行透照,N≥3,每组参数中的管电压以等步距增加,管电流与曝光时间保持不变,得到N幅透照图像A1,A2,...,AN;
S102、依据数字射线系统成像的动态范围M得到图像最大灰度(2M-1)),将整个灰度区间m等分后,统计对应每个非零灰度区间的像素数Pk,带入图像的总像素数P,计算每个非零灰度区间像素的密度Dk;
S103、对图像每一非零灰度级的密度Dk进行统计,得到以区间数m,对应像素密度Dk的密度分布面积S;
S104、分别将N次透照得到的不同图像带入上式,求得每幅图像对应的密度分布面积,依次为S1,S2,...,SN,将面积最大时对应的透照图像作为基准图像B。
具体的,步骤S2具体为:
S201、以基准图像B中每个像素(i,j)周围8个相邻像素的灰度值作为参考,计算像素的信息熵J(i,j);
S202、依次计算基准图像B中所有像素的局部信息熵,建立空间熵分布JB,以其各像素处的数值来评价自由曲面类零件的局部厚度变化特征。
进一步的,步骤S201中,像素的信息熵J(i,j)计算如下:
具体的,步骤S3具体为:
S301、以像素(i,j)处为初始位置,计算像素(i,j)与周围8个相邻像素灰度值的对应梯度;
S302、选取像素(i,j)与周围8个相邻像素灰度值中梯度的模最大的点,以最大点梯度的模表示像素(i,j)处的局部梯度峰值Li,j;
S303、带入基准图像B的各处像素中,得到图像内所有像素对应的空间梯度分布LB;
S304、将空间梯度分布LB以及空间熵分布JB做二值化处理,得到处理后的二值化矩阵L'B和J'B,然后将两个二值化矩阵进行叠加和二值化处理,最后得到二维矩阵TB,并以二维矩阵TB内的闭合区域为分割边缘将基准图像B分成r个分区,每个分区依次为T1,T2,...,Tr。
进一步的,步骤S301中,像素(i,j)与周围8个相邻像素灰度值的对应梯度计算如下:
其中,f为基准图像B的离散函数表达式f={i,j,Bi,j},i,j,Bi,j分别对应表达式f中的水平像素坐标、垂直像素坐标和对应像素的灰度值。
具体的,步骤S4具体为:
具体的,步骤S4完成后,将筛选出的最优透照图像和其他未筛选透照图像进行整理,建立以透照图像A1,A2,...,AN中的透照设置E1,E2,...,EN与对应图像空间熵分布的映射数列,表示为依次计算透照图像的全局空间熵在分区T1,T2,...,Tr中对应的局部空间熵,将其带入映射数列,建立透照设置、分区、空间熵之间的透照数据关系,最终整合为透照信息数据库,为批量检测提供标准。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种自由曲面类零件数字射线图像区域筛选方法,利用透照图像的空间熵数值特征,分析该零件的局部厚度变化信息,从而筛选不同区域对应的最优透照图像,并建立透照数据信息库,用于该零件批量检测时的参照标准。
进一步的,利用透照图像的非零像素灰度值分布特征,获取最大投影面积对应的透照图像。
进一步的,利用透照图像的空间熵分布特点,得到该零件的全局几何分布特征作为图像分区的依据。
进一步的,通过对目标像素与相邻区域像素的灰度值进行统计学计算,得到局部区域的信息熵,从而获取该处像素的局部灰度值复杂程度。
进一步的,结合基准图像中目标像素与相邻区域像素的梯度与空间熵的数值特征,以空间梯度分布与空间熵二值化矩阵中的闭合区域为参考依据,对基准图像进行有效分区。
进一步的,通过对目标像素与相邻区域像素梯度的计算,对比目标像素在局部图像中的相对灰度值变化率,从而作为基准图像分区边缘的参考依据。
进一步的,利用透照组图像的空间熵数值在对应分区的均值与标准差,评价该图像在对应分区灰度值的数值特征,筛选出该分区具有最优动态响应范围的透照图像。
进一步的,利用透照组图像建立被测自由曲面类零件的透照信息数据库,分析不同透照设置下各分区的动态响应范围及灰度值变化趋势,用于该零件在批量检测作业中的透照设置参考标准,大幅提高批量复杂自由曲面类零件的检测效率。
综上所述,本发明所公开的针对自由曲面类零件的数字射线图像区域筛选方法,以图像的空间熵分布数值作为分区依据,有效筛选出零件在不同区域具有最大动态响应范围的透照图像,并通过建立透照信息数据库的方法,将对应分区最优图像的透照设置应用于该零件的批量检测中,保证批量检测的检测效率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为基准图像获取过程示意图;
图2为空间信息熵分布获取过程示意图;
图3为基准图像分区提取示意图;
图4为分区最优透照图像筛选示意图。
具体实施方式
请参阅图1,本发明一种自由曲面类零件数字射线图像区域筛选方法,包括以下步骤:
S1、根据不同参数透照图像的一维非零灰度分布积分确定基准透照图像B;
由于自由曲面类零件的厚度变化复杂,使得在利用数字射线对其进行检测时的透照设置难以预测和优化,从而对该类零件的检测无法通过单次透照获取完整的零件厚度信息。在实际数字射线检测过程中,必须对零件在不同透照参数设置下进行多次透照,根据每幅透照图像中像素灰度的分布特征对多幅图像进行筛选,从而获取覆盖零件所有厚度变化范围并且拥有良好动态响应范围的透照图像。所以,首先对自由曲面类零件进行N次透照,得到透照图像组A1,A2,...,AN,根据不同参数透照图像的灰度分布特征,统计同级灰度下像素密度最大的图像,为基准透照图像B;具体步骤如下:
S101、利用数字射线系统对放置于同一位置的自由曲面类零件采用N组不同的参数进行透照,N≥3。每组参数中的管电压以等步距增加,管电流与曝光时间保持不变,得到N幅透照图像A1,A2,...,AN;
S102、依据数字射线系统成像的动态范围M得到图像最大灰度(2M-1)),将整个灰度区间m等分后,统计对应每个非零灰度区间的像素数Pk,带入图像的总像素数P,每个灰度区间像素的密度Dk计算如下:
其中,k=1,2,...,m;
S103、对图像每一灰度级的密度Dk进行统计,得到以区间数m,对应像素密度Dk的密度分布面积S;
S104、分别将N次透照得到的不同图像带入上式,求得每幅图像对应的密度分布面积,依次为S1,S2,...,SN,将面积最大时对应的透照图像作为基准图像B;
S2、对基准透照图像B的灰度值进行计算得到空间熵分布JB,利用JB评价复杂自由曲面类零件在基准透照图像B中的局部厚度变化特征;
请参阅图2,以相邻的8个像素的的灰度值作为参考,依次对基准透照图像B中的像素(i,j)与相邻像素的局部信息熵进行计算,得到基准图像B的空间熵分布JB,利用JB的数值来评价复杂自由曲面类零件在基准透照图像中的局部厚度变化特征;具体步骤如下:
S201、以基准图像B中每个像素(i,j)周围8个相邻像素的灰度值作为参考,计算该像素的信息熵如下:
S202、依次计算基准图像B中所有像素的局部信息熵,建立空间熵分布JB,以其各像素处的数值来评价自由曲面类零件的局部厚度变化特征。
S3、对基准透照图像B的灰度值进行计算得到空间梯度分布LB,以空间梯度分布LB与空间熵分布JB叠加得到的二维矩阵TB为分区依据,确定图像分区个数r与对应的空间位置;
请参阅图3,以相邻的8个像素的的灰度值作为参考,依次对基准透照图像B中的像素(i,j)与相邻像素的梯度进行计算,取最大梯度的模得到空间梯度分布LB,然后利用二值化处理后的空间梯度分布L'B与空间熵分布J'B叠加组成二维矩阵TB,最后以该矩阵为分区依据,确定图像的分区个数r与对应的空间位置;具体步骤如下:
S301、以像素(i,j)处为初始位置,计算像素(i,j)与周围8个相邻像素灰度值,具体为:
其中,f为基准图像B的离散函数表达式f={i,j,Bi,j},i,j,Bi,j分别对应表达式f中的水平像素坐标、垂直像素坐标和对应像素的灰度值。
S302、选取▽Bi-1,j-1,▽Bi,j-1,...,▽Bi+1,j+1中梯度的模最大的点,以该点梯度的模表示像素(i,j)处的局部梯度峰值,记作Li,j;
S303、带入基准图像B的各处像素中,得到图像内所有像素对应的空间梯度分布LB,其中LB的离散表达式为g={i,j,Li,j},i,j,Li,j分别为像素的坐标和对应坐标计算得出的梯度峰值;
S304、将空间梯度分布LB以及空间熵分布JB做二值化处理,得到处理后的二值化矩阵L'B和J'B,然后将两个二值化矩阵进行叠加和二值化处理,最后得到二维矩阵TB,并以该矩阵内的闭合区域为分割边缘将基准图像B分成r个分区,每个分区依次为T1,T2,...,Tr。
S4、计算不同参数透照图像对应分区的空间熵,统计各图像空间熵的均值及标准差,筛选出各分区对应的最优透照图像;
请参阅图4,具体步骤如下:
S5、将筛选出的最优透照图像和其他未筛选透照图像进行整理,建立透照设置、图像坐标和空间熵数值之间的数据映射表,最终将复杂自由曲面类零件的透照数据整合为透照信息数据库。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本专利所提出的针对自由曲面类零件数字射线图像区域筛选方法可应用于自由曲面类零件的批量检测流水线,在同批零件中利用该方法对零件进行一次透照检测作业,流程如图1至图4所示,然后以得到的最优透照参数组依次对同批零件进行批量检测作业,并根据已建立的透照数据信息库对需二次检测的零件找出对应的最优透照设置,进行二次检测,最后得到所有同批零件的最优透照图像组以进行后续如缺陷检出、质量管控等处理。
综上所述,本发明一种自由曲面类零件数字射线图像区域筛选方法,应用于工业射线检测流水线的零件批量检测作业,利用空间熵分布评价自由曲面类零件的厚度变化特征,通过单次透照流程建立同批零件的最优透照设置,以快速对批量零件进行检测作业,有效提高工业射线检测流水线的批量检测效率。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.自由曲面类零件数字射线图像区域筛选方法,其特征在于,包括以下步骤:
S1、根据不同参数透照图像的一维非零灰度分布积分确定投影面积最大时的基准透照图像B;
S2、对基准透照图像B的灰度值进行计算得到空间熵分布JB,利用空间熵分布JB评价复杂自由曲面类零件在基准透照图像B中的局部厚度变化特征,作为图像分区依据;
S3、对基准透照图像B的灰度值进行计算得到空间梯度分布LB,以空间梯度分布LB与空间熵分布JB叠加得到的二维矩阵TB为分区依据,确定图像分区个数r与对应的空间位置;
S4、计算不同参数透照图像对应分区的空间熵,统计各图像空间熵的均值及标准差,筛选出各分区对应的最优透照图像,完成区域筛选。
2.根据权利要求1所述的自由曲面类零件数字射线图像区域筛选方法,其特征在于,步骤S1具体为:
S101、利用数字射线系统对放置于同一位置的自由曲面类零件采用N组不同的参数进行透照,N≥3,每组参数中的管电压以等步距增加,管电流与曝光时间保持不变,得到N幅透照图像A1,A2,...,AN;
S102、依据数字射线系统成像的动态范围M得到图像最大灰度(2M-1)),将整个灰度区间m等分后,统计对应每个非零灰度区间的像素数Pk,带入图像的总像素数P,计算每个非零灰度区间像素的密度Dk;
S103、对图像每一非零灰度级的密度Dk进行统计,得到以区间数m,对应像素密度Dk的密度分布面积S;
S104、分别将N次透照得到的不同图像带入上式,求得每幅图像对应的密度分布面积,依次为S1,S2,…,SN,将面积最大时对应的透照图像作为基准图像B。
3.根据权利要求1所述的自由曲面类零件数字射线图像区域筛选方法,其特征在于,步骤S2具体为:
S201、以基准图像B中每个像素(i,j)周围8个相邻像素的灰度值作为参考,计算像素的信息熵J(i,j);
S202、依次计算基准图像B中所有像素的局部信息熵,建立空间熵分布JB,以其各像素处的数值来评价自由曲面类零件的局部厚度变化特征。
5.根据权利要求1所述的自由曲面类零件数字射线图像区域筛选方法,其特征在于,步骤S3具体为:
S301、以像素(i,j)处为初始位置,计算像素(i,j)与周围8个相邻像素灰度值的对应梯度;
S302、选取像素(i,j)与周围8个相邻像素灰度值中梯度的模最大的点,以最大点梯度的模表示像素(i,j)处的局部梯度峰值Li,j;
S303、带入基准图像B的各处像素中,得到图像内所有像素对应的空间梯度分布LB;
S304、将空间梯度分布LB以及空间熵分布JB做二值化处理,得到处理后的二值化矩阵L'B和J'B,然后将两个二值化矩阵进行叠加和二值化处理,最后得到二维矩阵TB,并以二维矩阵TB内的闭合区域为分割边缘将基准图像B分成r个分区,每个分区依次为T1,T2,...,Tr。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659218.3A CN111915569B (zh) | 2020-07-09 | 2020-07-09 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659218.3A CN111915569B (zh) | 2020-07-09 | 2020-07-09 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915569A true CN111915569A (zh) | 2020-11-10 |
CN111915569B CN111915569B (zh) | 2022-04-22 |
Family
ID=73227919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659218.3A Active CN111915569B (zh) | 2020-07-09 | 2020-07-09 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915569B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010046312A1 (en) * | 1997-03-31 | 2001-11-29 | Masayuki Murakami | Method and apparatus for recognizing irradiation fields on radiation images |
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其系统 |
CN106845011A (zh) * | 2017-02-16 | 2017-06-13 | 西安交通大学 | 一种大型燃气轮机叶片数字射线分区探测方法 |
CN106932416A (zh) * | 2017-02-16 | 2017-07-07 | 西安交通大学 | 基于数字射线的燃气轮机叶片内部缺陷三维参数提取方法 |
CN108229080A (zh) * | 2018-03-26 | 2018-06-29 | 西安交通大学 | 模型未知燃气轮机叶片数字射线分区透照方向的优化方法 |
CN108388713A (zh) * | 2018-02-07 | 2018-08-10 | 西安交通大学 | 燃气轮机叶片探测区域自适应分割及曝光参数优化方法 |
CN108830864A (zh) * | 2018-05-03 | 2018-11-16 | 上海电机学院 | 图像分割方法 |
CN108956655A (zh) * | 2018-07-06 | 2018-12-07 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
CN110084786A (zh) * | 2019-04-04 | 2019-08-02 | 中国兵器科学研究院宁波分院 | 一种渐变背景的数字x射线图像缺陷自动识别方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
CN110728325A (zh) * | 2019-10-12 | 2020-01-24 | 太原科技大学 | 基于支持度变换的变电压dr图像融合方法 |
-
2020
- 2020-07-09 CN CN202010659218.3A patent/CN111915569B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010046312A1 (en) * | 1997-03-31 | 2001-11-29 | Masayuki Murakami | Method and apparatus for recognizing irradiation fields on radiation images |
US20030099330A1 (en) * | 2000-02-05 | 2003-05-29 | Domingo Mery | Method for automatically detecting casting defects in a test piece |
CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术(北京)有限公司 | 图像筛选方法及其系统 |
CN106845011A (zh) * | 2017-02-16 | 2017-06-13 | 西安交通大学 | 一种大型燃气轮机叶片数字射线分区探测方法 |
CN106932416A (zh) * | 2017-02-16 | 2017-07-07 | 西安交通大学 | 基于数字射线的燃气轮机叶片内部缺陷三维参数提取方法 |
CN108388713A (zh) * | 2018-02-07 | 2018-08-10 | 西安交通大学 | 燃气轮机叶片探测区域自适应分割及曝光参数优化方法 |
CN108229080A (zh) * | 2018-03-26 | 2018-06-29 | 西安交通大学 | 模型未知燃气轮机叶片数字射线分区透照方向的优化方法 |
CN108830864A (zh) * | 2018-05-03 | 2018-11-16 | 上海电机学院 | 图像分割方法 |
CN108956655A (zh) * | 2018-07-06 | 2018-12-07 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
CN110084786A (zh) * | 2019-04-04 | 2019-08-02 | 中国兵器科学研究院宁波分院 | 一种渐变背景的数字x射线图像缺陷自动识别方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
CN110728325A (zh) * | 2019-10-12 | 2020-01-24 | 太原科技大学 | 基于支持度变换的变电压dr图像融合方法 |
Non-Patent Citations (7)
Title |
---|
LEI CHEN等: ""Detection of Three-Dimensional Parameter of Defects for Gas Turbine Blades Based on Two-Dimensional Digital Radiographic Projective Imaging"", 《JOURNAL OF NONDESTRUCTIVE EVALUATION》 * |
LI BING等: "" 3D detection of internal defects for gas turbine blades"", 《INSIGHT - NON-DESTRUCTIVE TESTING AND CONDITION MONITORING》 * |
OISHILA BANDYOPADHYAY等: ""Automatic Segmentation of Bones in X-ray Images Based on Entropy Measure"", 《INTERNATIONAL JOURNAL OF IMAGE AND GRAPHICS》 * |
YUEGEN WANG等: ""Region segmentation based radiographic detection of defects for gas turbine blades"", 《2015 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 * |
任文坚等: ""推力室钎焊身部X射线数字成像检测技术"", 《火箭推进》 * |
刘宾: ""高动态范围X射线成像技术与系统"", 《中国博士学位论文全文数据库 信息科技辑》 * |
李兵等: ""燃气轮机透平叶片数字射线检测分区及透照参数确定方法"", 《西安交通大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111915569B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6792842B2 (ja) | 外観検査装置、変換データ生成装置、及びプログラム | |
CN100496402C (zh) | 图像处理方法、图像处理系统以及x-射线ct系统 | |
JP2019129169A (ja) | 画像評価方法及び画像評価装置 | |
KR20200026110A (ko) | 패턴 검사 시스템 | |
JP2007228586A5 (zh) | ||
CN110246129B (zh) | 图像检测方法、装置、计算机可读存储介质和计算机设备 | |
JP5956814B2 (ja) | 外観検査装置、外観検査方法及びコンピュータプログラム | |
JP4982544B2 (ja) | 合成画像形成方法及び画像形成装置 | |
JP2008175549A (ja) | 欠陥検出装置および欠陥検出方法 | |
JP7427744B2 (ja) | 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム | |
CN112534243A (zh) | 检查装置及方法 | |
CN108022219B (zh) | 一种二维图像灰度修正方法 | |
US10127642B2 (en) | Method for correcting defective pixel artifacts in a direct radiography image | |
JP2008040705A (ja) | ぼかしフィルタ設計方法 | |
US20130084025A1 (en) | Method for Brightness Correction of Defective Pixels of Digital Monochrome Image | |
CN111179184A (zh) | 基于随机抽样一致性的鱼眼图像有效区域提取方法 | |
US9978558B2 (en) | Scanning-electron-microscope image processing device and scanning method | |
CN111915569B (zh) | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 | |
JP7390486B2 (ja) | 画像処理方法、形状検査方法、画像処理システム及び形状検査システム | |
CN111182293B (zh) | 一种镜头阴影校正数据的检测方法及系统 | |
CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 | |
CN108364325B (zh) | 规则样品x射线ct投影图位置平移偏差检测及校正方法 | |
CN104322057A (zh) | 图案处理装置、图案处理方法和图案处理程序 | |
CN110390642A (zh) | 一种对木刻版藏文图像几何校正的方法 | |
JP2006163608A (ja) | 分類装置及び分類方法 |
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 |