CN111931647A - 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 - Google Patents

钢结构表面锈坑识别、提取与评价设备、方法及存储介质 Download PDF

Info

Publication number
CN111931647A
CN111931647A CN202010796518.6A CN202010796518A CN111931647A CN 111931647 A CN111931647 A CN 111931647A CN 202010796518 A CN202010796518 A CN 202010796518A CN 111931647 A CN111931647 A CN 111931647A
Authority
CN
China
Prior art keywords
matrix
pit
rust
rusty
pits
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
CN202010796518.6A
Other languages
English (en)
Other versions
CN111931647B (zh
Inventor
李安邦
徐善华
王友德
聂彪
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010796518.6A priority Critical patent/CN111931647B/zh
Publication of CN111931647A publication Critical patent/CN111931647A/zh
Application granted granted Critical
Publication of CN111931647B publication Critical patent/CN111931647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • 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
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/12—Acquisition of 3D measurements of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种钢结构表面锈坑识别、提取与评价设备、方法及存储介质，利用锈蚀钢板表面形貌扫描获得三维点云坐标数据，通过坐标变换直接将锈蚀钢板表面形貌数据写入灰度矩阵I；对灰度矩阵依次开展高斯滤波、梯度计算以及分水岭计算获取锈坑标记矩阵L；提取标记矩阵特定元素并返回索引值，利用索引值调取三维点云坐标数据获得各锈坑矩阵Ck与锈坑轮廓矩阵Dk；在锈坑矩阵Ck与轮廓矩阵Dk基础上计算各锈坑的形状与尺寸参数，进行锈坑评价。本发明可广泛用于各类金属腐蚀过程评价与分析以及锈蚀表面危险蚀坑(如深度最大或深径比最大蚀坑)识别及初始裂纹等效，为既有锈损钢结构疲劳寿命预测提供依据，具有重要的工程实用价值。

Description

钢结构表面锈坑识别、提取与评价设备、方法及存储介质
技术领域
本发明属于土木工程技术领域，具体涉及一种锈蚀钢结构表面锈坑识别、提取与评价设备、方法及存储介质。
背景技术
工程实践表明，许多长期处于工业、海洋大气等腐蚀环境下的钢结构工程(如工业及民用建筑、桥梁、输配电铁塔、电视塔、海上采油平台等)，往往难以通过防护和构造措施避免锈蚀发生。锈蚀不仅造成钢结构有效截面损失，还在其表面形成凹凸不平的锈坑，引起钢材表层局部应力集中，导致其塑性和断裂韧性降低，加速其裂纹萌生与扩展，造成钢结构疲劳性能严重劣化。因此，对既有锈蚀钢结构进行疲劳寿命评估是土木工程领域经常需要解决的关键问题，目前比较普遍的寿命评估方法是将锈蚀钢结构表面蚀坑按一定规则(如锈坑深度、宽度或形状特征等效)等效为初始裂纹，然后结合断裂力学原理开展裂纹扩展分析并计算疲劳寿命。
因此，如何在粗糙不平的锈蚀表面识别、提取锈坑并计算其尺寸与形状参数，成为了锈蚀钢结构疲劳寿命评估的基础。现有技术存在的问题是仅能够判断表面是否锈蚀以及锈蚀区域所占面积比等二维信息，而无法具体给出锈蚀区域内锈坑的深度、宽度以及形状特征等三维信息，因此无法利用上述技术开展锈蚀钢结构疲劳寿命评估。
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，提供一种钢结构表面锈坑识别、提取与评价设备、方法及存储介质，不仅能够精确判断钢结构表面锈蚀区域、计算锈蚀区域所占面积比等二维信息，还可以快速给出锈蚀区域内全部锈坑的尺寸及形状参数等三维信息。
本发明采用以下技术方案：
一种钢结构表面锈坑识别、提取与评价方法，利用锈蚀钢板表面形貌扫描获得三维点云坐标数据，通过坐标变换直接将锈蚀钢板表面形貌数据写入灰度矩阵I；对灰度矩阵依次开展高斯滤波、梯度计算以及分水岭计算获取锈坑标记矩阵L；提取标记矩阵特定元素并返回索引值，利用索引值调取三维点云坐标数据获得各锈坑矩阵Ck与锈坑轮廓矩阵Dk；在锈坑矩阵Ck与轮廓矩阵Dk基础上计算各锈坑的形状与尺寸参数，进行锈坑评价。
具体的，利用非接触式三维高分辨表面形貌测量技术对除去表面锈蚀产物后的结构表面开展形貌扫描，获取锈蚀表面三维点云坐标数据；读入锈蚀钢板表面形貌扫描获得的三维点云数据，并存储为N行×3列的形貌矩阵A，N行代表扫描点总数，3列分别存储各点的X、Y、Z坐标，X、Y表示锈蚀钢板表面各点的平面位置信息，Z表示锈蚀钢板表面各点相对于基准面的高度值。
具体的，利用形貌矩阵A中X、Y坐标值及扫描步长生成一个涵盖锈蚀钢板扫描区域的格栅矩阵，利用线性插值方法将格栅点(X,Y)位置对应的各点相对于基准面的高度值Z写入，得到灰度矩阵I。
具体的，锈坑标记矩阵L具体为：
利用MATLAB中的Fspecial函数建立滤波算子，调用Imfilter函数对灰度矩阵I开展线性平滑滤波，得到新的灰度矩阵II，调用MATLAB中的Imgradient梯度函数对灰度矩阵II进行梯度计算，得到锈蚀表面梯度矩阵B，调用MATLAB中的Watershed函数对梯度矩阵B开展分水岭计算，获得锈蚀表面标记矩阵L，标记矩阵L内元素最大值n表示锈坑的总个数，n＝max(max(L))。
具体的，利用For循环、Find(L＝＝k)函数，k∈1:max(max(L))，对标记矩阵L中任意第k号锈坑的所有标记元素进行查找并返回索引值，利用各元素的索引值进行平面坐标转换得到任意第k号锈坑内所有标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将任意第k号锈坑内所有标记点(Xi，Yi，Zi)写入矩阵，获得各锈坑矩阵Ck。
具体的，利用For循环、Find(L＝＝k)函数，k∈1:max(max(L))，对任意第k号锈坑的标记元素进行二值化处理，将标记矩阵L中等于k的元素改写为1，将其他不等于k的元素改写为0，得到含有第k号锈坑特征的二值化矩阵L_，调用MATLAB中的Bwperim轮廓提取函数对二值化矩阵L_进行轮廓提取，得到的二值化的第k号锈坑轮廓矩阵W，值为1的元素构成锈坑边缘轮廓，利用find(W＝＝1)函数查找锈坑边缘轮廓标记元素并返回索引值，利用索引值进行平面坐标转换得到锈坑边缘轮廓各标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将(Xi,Yi,Zi)写入矩阵即可获得任意第k号锈坑的轮廓矩阵Dk。
具体的，利用锈坑矩阵Ck计算锈坑尺寸参数如下：
锈坑面积A为：
A＝m·λ1·λ2
包围锈坑的矩形面积AC为：
AC＝WX·WY
锈坑半径r1为：
Figure BDA0002625829850000041
锈坑深度d1为：
d1＝max(Ck(:,3))-min(Ck(:,3))
锈坑体积V为：
Figure BDA0002625829850000042
包围锈坑的长方体体积VC为：
VC＝d1·WX·WY
锈坑深径比DR1为：
DR1＝d1/r1
锈坑面积比AR为：
AR＝A/AC
锈坑体积比VR为：
VR＝V/VC
其中，λ1、λ2分别为X、Y方向扫描步长；WX、WY分别为X及Y方向上锈坑宽度值。
具体的，锈坑轮廓矩阵Dk计算锈坑在X或Y方向的剖切尺寸如下：
锈坑剖切深度d2为：
Figure BDA0002625829850000043
剖切半径r2为：
Figure BDA0002625829850000044
剖切深径比DR2为：
DR2＝d2/r2
其中，Dk为轮廓矩阵，y＝ycor表示沿板宽方向且通过第k号锈坑内局部最低点的剖切面。
本发明的另一技术方案是，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根据所述的方法中的任一方法。
本发明的另一技术方案是，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：
本发明一种钢结构表面锈坑识别、提取与评价方法，不仅能够精确判断钢结构表面锈蚀区域、计算锈蚀区域所占面积比等二维信息，还可以快速给出锈蚀区域内全部锈坑的尺寸及形状参数等三维信息；利用该方法可以监测钢结构表面锈坑生长过程及分布特征，用于金属腐蚀过程评价与分析；可精确得到锈损钢结构表面全部锈坑的尺寸、形状参数，用于危险蚀坑(如深度最大或深径比最大蚀坑)识别及初始裂纹等效，为锈损钢结构疲劳寿命计算提供基础参数。
进一步的，锈蚀钢板表面形貌扫描和三维点云数据读取可以获得保留了锈蚀表面全部细节信息的锈蚀表面灰度图，改进了传统锈蚀图像识别技术中利用RGB图像难以反映锈蚀表面锈坑特征的缺陷。
进一步的，利用滤波、梯度计算以及分水岭计算获取的锈坑标记矩阵保证了锈蚀区域检测的精度，极大的提高了锈蚀表面识别与提取的准确率。
进一步的，利用索引值调取三维点云坐标数据获得的各锈坑矩阵与锈坑轮廓矩阵，确保了各锈坑目标提取的客观与精确，为锈坑评价提供了完备的基础数据。
进一步的，锈坑评价技术提供了详细的锈坑尺寸参数及形状参数计算方法，为金属腐蚀过程评价以及危险蚀坑判别与等效提供了新的解决途径。
综上所述，本发明可广泛用于各类金属腐蚀过程评价与分析以及锈蚀表面危险蚀坑(如深度最大或深径比最大蚀坑)识别及初始裂纹等效，为既有锈损钢结构疲劳寿命预测提供依据，具有重要的工程实用价值。
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为锈蚀钢结构表面锈坑识别、提取与评价流程图；
图2为形貌扫描获得的锈蚀钢板表面的三维形貌图；
图3为锈蚀表面锈坑识别、提取过程示意图(以中性盐雾环境下腐蚀了3个月的钢板为例)，其中，(a)为形貌矩阵A，(b)为灰度矩阵I，(c)为灰度矩阵II，(d)为梯度矩阵B，(e)为标记矩阵L；
图4为锈蚀表面锈坑评价过程示意图(以中性盐雾环境下腐蚀了3个月的钢板为例)；
图5为锈蚀表面锈坑深度频率分布情况(以中性盐雾环境下腐蚀了3个月的钢板为例)；
图6为锈坑体积比VR随锈坑深度d1变化规律(以中性盐雾环境下腐蚀了3个月的钢板为例)。
具体实施方式
本发明提供了一种锈蚀钢结构表面锈坑识别、提取与评价方法，首先利用锈蚀钢板表面形貌扫描获得三维点云坐标数据，通过坐标变换直接将锈蚀钢板表面形貌数据写入灰度矩阵从而避免表面锈蚀细节信息丢失；然后对灰度矩阵依次开展滤波、梯度计算以及分水岭计算从而获取锈坑标记矩阵；然后提取标记矩阵特定元素并返回索引值，利用索引值调取三维点云坐标数据获得各锈坑矩阵与锈坑轮廓矩阵；最后在锈坑矩阵与轮廓矩阵基础上计算各锈坑的形状与尺寸参数。
请参阅图1，本发明一种锈蚀钢结构表面锈坑识别、提取与评价方法，包括以下步骤：
S1、锈蚀钢板表面形貌扫描；
利用非接触式三维高分辨表面形貌测量技术对除去表面锈蚀产物后的结构表面开展形貌扫描，获取锈蚀表面三维点云坐标数据，以中性盐雾环境下腐蚀了3个月的钢板为例，图2给出了该锈蚀钢板的表面三维形貌图。
S2、三维点云数据读取；
读入锈蚀钢板表面形貌扫描获得的三维点云数据，并存储为N行×3列的形貌矩阵A，其中N行代表扫描点总数，3列分别存储各点的X、Y、Z坐标，X、Y表示锈蚀钢板表面各点的平面位置信息，Z表示锈蚀钢板表面各点相对于基准面的高度值，如图3(a)所示。
S3、编写灰度矩阵；
利用形貌矩阵A中X、Y坐标值及扫描步长生成一个涵盖锈蚀钢板扫描区域的格栅矩阵(M行×N列)，其中，M＝(max(A(:,1))-min(A(:,1)))/λ1，N＝(max(A(:,2))-min(A(:,2)))/λ2，λ1、λ2分别为X、Y方向的扫描步长，利用线性插值方法将格栅点(X,Y)位置对应的各点相对于基准面的高度值Z写入，即可得到灰度矩阵I，该矩阵可以完整保留锈蚀表面全部细节信息，如图3(b)所示。
S4、高斯滤波；
利用MATLAB中的Fspecial函数建立滤波算子，调用Imfilter函数对灰度矩阵I开展线性平滑滤波，得到新的灰度矩阵II，以消除高斯噪声并避免后续分水岭计算出现过分割现象，如图3(c)所示。
S5、梯度计算；
调用MATLAB中的Imgradient梯度函数对灰度矩阵II进行梯度计算，得到锈蚀表面梯度矩阵B，如图3(d)所示。
S6、分水岭计算；
调用MATLAB中的Watershed函数对梯度矩阵B开展分水岭计算，获得锈蚀表面标记矩阵L，如图3(e)所示，此时标记矩阵L内的零元素即构成所谓“分水线”，其他非零元素标记出“积水盆”，也就是各个锈坑，标记矩阵L内元素最大值n(n＝max(max(L)))即表示锈坑的总个数。
S7、锈坑提取；
利用For循环、Find(L＝＝k)函数(其中k∈1:max(max(L)))，对标记矩阵L中任意第k号锈坑的所有标记元素进行查找并返回索引值，利用各元素的索引值进行平面坐标转换得到任意第k号锈坑内所有标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将任意第k号锈坑内所有标记点(Xi，Yi，Zi)写入矩阵即可获得各锈坑矩阵Ck。
利用For循环、Find(L＝＝k)函数(其中k∈1:max(max(L)))，对任意第k号锈坑的标记元素进行二值化处理，即将标记矩阵L中等于k的元素改写为1，将其他不等于k的元素改写为0，即可得到含有第k号锈坑特征的二值化矩阵L_，调用MATLAB中的Bwperim轮廓提取函数对L_进行轮廓提取，得到的二值化的第k号锈坑轮廓矩阵W(其中值为1的元素构成锈坑边缘轮廓)，利用find(W＝＝1)函数查找锈坑边缘轮廓标记元素并返回索引值，利用索引值进行平面坐标转换得到锈坑边缘轮廓各标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将(Xi,Yi,Zi)写入矩阵即可获得任意第k号锈坑的轮廓矩阵Dk。
S8、锈坑评价。
根据上述锈坑识别与提取方法，可以得到任意第k个被识别并提取的锈坑矩阵Ck(m行×3列)，m表示该锈坑范围内扫描点总个数，3列分别存储该锈坑范围内各扫描点的Xi、Yi、Zi坐标。
利用锈坑矩阵Ck计算锈坑尺寸参数，计算方法如下：
A＝m·λ1·λ2
AC＝WX·WY
Figure BDA0002625829850000091
d1＝max(Ck(:,3))-min(Ck(:,3))
Figure BDA0002625829850000092
VC＝d1·WX·WY
其中，A为锈坑面积，m为锈坑内扫描点数，λ1、λ2分别为X、Y方向扫描步长；AC为包围锈坑的矩形面积，WX、WY分别为X及Y方向上锈坑宽度值，具体为：
WX＝max(Ck(:,1))-min(Ck(:,1))
WY＝max(Ck(:,2))-min(Ck(:,2))
请参阅图4；r1为锈坑半径，考虑到锈坑形状的不规则性，取其值为X与Y方向锈坑宽度的平均值；d1为锈坑深度，定义为锈坑范围内最高点与最低点的高差值；V为锈坑体积，以坑内各扫描点距最高点所在平面的高度差值代表各扫描点对应小棱柱体高度，再以坑内全部小棱柱体体积和作为锈坑体积；VC为包围锈坑的长方体体积。
除尺寸参数外，还可以利用锈坑矩阵Ck计算锈坑形状参数，计算方法如下：
DR1＝d1/r1
AR＝A/AC
VR＝V/VC
其中，DR1为锈坑深径比、AR为锈坑面积比，VR为锈坑体积比，积比AR与体积比VR是判别锈坑平面投影形状与锈坑整体形状的重要指标，对于(椭)圆形、三角形以及矩形投影面AR值分别为π/4、1/2以及1，对于半(椭)球体、圆锥体以及圆柱体VR值则分别为π/6、π/12以及π/4。
利用锈坑轮廓矩阵Dk还可以计算锈坑在X或Y方向的剖切尺寸(深度、宽度等)，下面给出锈坑剖切深度d2、剖切半径r2以及剖切深径比DR2的计算过程。
Figure BDA0002625829850000101
Figure BDA0002625829850000102
DR2＝d2/r2
其中，Dk为轮廓矩阵(n行×3列)，调用轮廓提取函数Bwperim获得，n为第k号锈坑轮廓扫描点数，3列分别存储扫描点的Xi、Yi、Zi坐标，y＝ycor表示沿板宽方向且通过第k号锈坑内局部最低点(xcor,ycor,zcor)的剖切面，如图4所示。
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。
请参阅图5和图6，借助循环命令和上述锈坑评价方法，可以快速、准确得到扫描区域内锈蚀表面的全部锈坑尺寸与形状参数。图5给出按上述方法获得的中性盐雾环境下腐蚀了3个月的锈蚀钢板全部表面锈坑的深度频率分布情况，可以发现其表面锈坑深度分布宽度为0～640um，其最大分布频率对应的锈坑深度范围为140～160um。图6给出了钢板锈坑体积比VR随锈坑深度d1的变化规律，图6中由上而下三条水平线线依次代表VR＝π/4(圆柱体)、VR＝π/6(半(椭)球体)以及VR＝π/12(圆锥体)，可以发现其表面多数锈坑的形状介于圆柱体与圆锥体之间，但对于深度较大的“危险蚀坑”而言，其锈坑体积比则多集中分布于VR＝π/12，说明“危险蚀坑”主要呈圆锥体形状。
综上所述，本发明一种锈蚀钢结构表面锈坑识别、提取与评价方法，本发明可以解决现有锈蚀识别方法(技术)仅能判断钢结构表面是否锈蚀以及锈蚀区域位置及面积，而无法计算具体锈坑的深度、宽度、形状、数量等问题，可广泛用于各类金属腐蚀过程评价与分析以及锈蚀表面危险蚀坑(如深度最大或深径比最大蚀坑)识别及初始裂纹等效，可以为既有锈损钢结构疲劳寿命预测提供依据，具有重要的工程实用价值。
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)

1.一种钢结构表面锈坑识别、提取与评价方法，其特征在于，利用锈蚀钢板表面形貌扫描获得三维点云坐标数据，通过坐标变换直接将锈蚀钢板表面形貌数据写入灰度矩阵I；对灰度矩阵依次开展高斯滤波、梯度计算以及分水岭计算获取锈坑标记矩阵L；提取标记矩阵特定元素并返回索引值，利用索引值调取三维点云坐标数据获得各锈坑矩阵Ck与锈坑轮廓矩阵Dk；在锈坑矩阵Ck与轮廓矩阵Dk基础上计算各锈坑的形状与尺寸参数，进行锈坑评价。
2.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，利用非接触式三维高分辨表面形貌测量技术对除去表面锈蚀产物后的结构表面开展形貌扫描，获取锈蚀表面三维点云坐标数据；读入锈蚀钢板表面形貌扫描获得的三维点云数据，并存储为N行×3列的形貌矩阵A，N行代表扫描点总数，3列分别存储各点的X、Y、Z坐标，X、Y表示锈蚀钢板表面各点的平面位置信息，Z表示锈蚀钢板表面各点相对于基准面的高度值。
3.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，利用形貌矩阵A中X、Y坐标值及扫描步长生成一个涵盖锈蚀钢板扫描区域的格栅矩阵，利用线性插值方法将格栅点(X,Y)位置对应的各点相对于基准面的高度值Z写入，得到灰度矩阵I。
4.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，锈坑标记矩阵L具体为：
利用MATLAB中的Fspecial函数建立滤波算子，调用Imfilter函数对灰度矩阵I开展线性平滑滤波，得到新的灰度矩阵II，调用MATLAB中的Imgradient梯度函数对灰度矩阵II进行梯度计算，得到锈蚀表面梯度矩阵B，调用MATLAB中的Watershed函数对梯度矩阵B开展分水岭计算，获得锈蚀表面标记矩阵L，标记矩阵L内元素最大值n表示锈坑的总个数，n＝max(max(L))。
5.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，利用For循环、Find(L＝＝k)函数，k∈1:max(max(L))，对标记矩阵L中任意第k号锈坑的所有标记元素进行查找并返回索引值，利用各元素的索引值进行平面坐标转换得到任意第k号锈坑内所有标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将任意第k号锈坑内所有标记点(Xi，Yi，Zi)写入矩阵，获得各锈坑矩阵Ck。
6.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，利用For循环、Find(L＝＝k)函数，k∈1:max(max(L))，对任意第k号锈坑的标记元素进行二值化处理，将标记矩阵L中等于k的元素改写为1，将其他不等于k的元素改写为0，得到含有第k号锈坑特征的二值化矩阵L_，调用MATLAB中的Bwperim轮廓提取函数对二值化矩阵L_进行轮廓提取，得到的二值化的第k号锈坑轮廓矩阵W，值为1的元素构成锈坑边缘轮廓，利用find(W＝＝1)函数查找锈坑边缘轮廓标记元素并返回索引值，利用索引值进行平面坐标转换得到锈坑边缘轮廓各标记点的平面位置坐标Xi、Yi，再以Xi、Yi值调取形貌矩阵A中对应点的Zi值，将(Xi,Yi,Zi)写入矩阵即可获得任意第k号锈坑的轮廓矩阵Dk。
7.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，利用锈坑矩阵Ck计算锈坑尺寸参数如下：
锈坑面积A为：
A＝m·λ1·λ2
包围锈坑的矩形面积AC为：
AC＝WX·WY
锈坑半径r1为：
Figure FDA0002625829840000031
锈坑深度d1为：
d1＝max(Ck(:,3))-min(Ck(:,3))
锈坑体积V为：
Figure FDA0002625829840000032
包围锈坑的长方体体积VC为：
VC＝d1·WX·WY
锈坑深径比DR1为：
DR1＝d1/r1
锈坑面积比AR为：
AR＝A/AC
锈坑体积比VR为：
VR＝V/VC
其中，λ1、λ2分别为X、Y方向扫描步长；WX、WY分别为X及Y方向上锈坑宽度值。
8.根据权利要求1所述的锈蚀钢结构表面锈坑识别、提取与评价方法，其特征在于，锈坑轮廓矩阵Dk计算锈坑在X或Y方向的剖切尺寸如下：
锈坑剖切深度d2为：
Figure FDA0002625829840000033
剖切半径r2为：
Figure FDA0002625829840000034
剖切深径比DR2为：
DR2＝d2/r2
其中，Dk为轮廓矩阵，y＝ycor表示沿板宽方向且通过第k号锈坑内局部最低点的剖切面。
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。
10.一种评价设备，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。
CN202010796518.6A 2020-08-10 2020-08-10 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 Active CN111931647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010796518.6A CN111931647B (zh) 2020-08-10 2020-08-10 钢结构表面锈坑识别、提取与评价设备、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010796518.6A CN111931647B (zh) 2020-08-10 2020-08-10 钢结构表面锈坑识别、提取与评价设备、方法及存储介质

Publications (2)

Publication Number Publication Date
CN111931647A true CN111931647A (zh) 2020-11-13
CN111931647B CN111931647B (zh) 2024-02-02

Family

ID=73307820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010796518.6A Active CN111931647B (zh) 2020-08-10 2020-08-10 钢结构表面锈坑识别、提取与评价设备、方法及存储介质

Country Status (1)

Country Link
CN (1) CN111931647B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177272A (zh) * 2021-04-15 2021-07-27 哈尔滨工业大学（深圳） 金属材料腐蚀后疲劳有限元数值模拟与参数分析方法
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统
CN114323399A (zh) * 2021-12-29 2022-04-12 西安建筑科技大学 锈蚀高强螺栓预紧力检测方法、系统、设备及介质
CN114609358A (zh) * 2022-03-24 2022-06-10 西南科技大学 一种针对既有锈蚀钢结构剩余性能评估方法
WO2022251906A1 (en) * 2021-05-31 2022-12-08 Abyss Solutions Pty Ltd Method and system for detecting coating degradation
CN116306153A (zh) * 2023-03-24 2023-06-23 同济大学 一种基于三维点云的锈后钢板疲劳寿命计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104532A1 (en) * 2004-11-12 2006-05-18 Giuseppe Messina Digital image processing method
WO2017120897A1 (zh) * 2016-01-15 2017-07-20 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN109063716A (zh) * 2018-08-28 2018-12-21 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN109087396A (zh) * 2018-07-26 2018-12-25 东南大学 一种基于混凝土ct图像像素特征的细观结构重构方法
CN109827855A (zh) * 2018-08-30 2019-05-31 长沙理工大学 季节性腐蚀与疲劳耦合下钢筋混凝土桥梁寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060104532A1 (en) * 2004-11-12 2006-05-18 Giuseppe Messina Digital image processing method
WO2017120897A1 (zh) * 2016-01-15 2017-07-20 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN109087396A (zh) * 2018-07-26 2018-12-25 东南大学 一种基于混凝土ct图像像素特征的细观结构重构方法
CN109063716A (zh) * 2018-08-28 2018-12-21 广东工业大学 一种图像识别方法、装置、设备及计算机可读存储介质
CN109827855A (zh) * 2018-08-30 2019-05-31 长沙理工大学 季节性腐蚀与疲劳耦合下钢筋混凝土桥梁寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
兰红;方治屿;: "3维灰度矩阵的钢板缺陷图像识别", 中国图象图形学报, no. 06 *
王友德;徐善华;李晗;张海江;: "一般大气环境下锈蚀结构钢表面特征与随机模型", 金属学报, no. 02 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177272A (zh) * 2021-04-15 2021-07-27 哈尔滨工业大学（深圳） 金属材料腐蚀后疲劳有限元数值模拟与参数分析方法
WO2022251906A1 (en) * 2021-05-31 2022-12-08 Abyss Solutions Pty Ltd Method and system for detecting coating degradation
CN114323399A (zh) * 2021-12-29 2022-04-12 西安建筑科技大学 锈蚀高强螺栓预紧力检测方法、系统、设备及介质
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统
CN114609358A (zh) * 2022-03-24 2022-06-10 西南科技大学 一种针对既有锈蚀钢结构剩余性能评估方法
CN114609358B (zh) * 2022-03-24 2023-06-06 西南科技大学 一种针对既有锈蚀钢结构剩余性能评估方法
CN116306153A (zh) * 2023-03-24 2023-06-23 同济大学 一种基于三维点云的锈后钢板疲劳寿命计算方法
CN116306153B (zh) * 2023-03-24 2024-02-02 同济大学 一种基于三维点云的锈后钢板疲劳寿命计算方法

Also Published As

Publication number Publication date
CN111931647B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111931647B (zh) 钢结构表面锈坑识别、提取与评价设备、方法及存储介质
CN113409314B (zh) 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
CN110441305B (zh) 一种二次喷丸的表面覆盖率检验方法
CN111507972A (zh) 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法
CN114298983A (zh) 一种防腐层缺陷智能识别与测量方法
Xia et al. Non-uniform corrosion characteristics of the steel pipe pile exposed to marine environments
Xiao et al. Change detection of trees in urban areas using multi-temporal airborne lidar point clouds
CN115597494A (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN116883439A (zh) 一种表面带水渍的板坯轮廓检测方法及装置
CN115034001A (zh) 一种锈蚀钢结构承载性能评估方法、系统、设备及介质
CN113868904B (zh) 一种基于三维点云自动化生成既有结构有限元模型的方法
CN114549751A (zh) 箱梁生产的模板监控系统及方法
CN112283595B (zh) 管道溢油路径分析方法、装置、计算机设备和存储介质
CN112198170B (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN113899746B (zh) 一种基于dic的钢结构疲劳裂纹扩展形态测量方法
CN112686204B (zh) 一种基于稀疏像素点跟踪的视频测流方法及装置
CN114723699A (zh) 地质雷达检测道路地下隐患的智能识别方法及系统
CN114862755A (zh) 一种基于小样本学习的表面缺陷检测方法及系统
JP7174601B2 (ja) 天端面段差抽出システム、及び天端面段差抽出方法
CN112906639A (zh) 一种铬合金钢材中铁素体的图像识别方法及装置
CN112069445A (zh) 一种2d slam算法评估及量化方法
CN111583383A (zh) 一种高压容器检验的三维可视化辅助方法
Wu et al. Thinning Evaluation of Steel Plates for Weathering Tests Based on Convolutional Neural Networks
Figueiredo et al. Hidden Surface Removal for Accurate Painting-Area Calculation on CAD Models

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