CN114049316A - 一种基于金属光泽区域的钢丝绳缺陷检测方法 - Google Patents
一种基于金属光泽区域的钢丝绳缺陷检测方法 Download PDFInfo
- Publication number
- CN114049316A CN114049316A CN202111293282.5A CN202111293282A CN114049316A CN 114049316 A CN114049316 A CN 114049316A CN 202111293282 A CN202111293282 A CN 202111293282A CN 114049316 A CN114049316 A CN 114049316A
- Authority
- CN
- China
- Prior art keywords
- steel wire
- wire rope
- image
- edge
- area
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 95
- 239000010959 steel Substances 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000002932 luster Substances 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005286 illumination Methods 0.000 claims description 51
- 229920006395 saturated elastomer Polymers 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008961 swelling Effects 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于金属光泽区域的钢丝绳缺陷检测方法,先利用白色强光从摄像头所在的同一径向照射钢丝绳,在保证钢丝绳的表面有充分的反射光下拍摄多组原图像,再对原图像依次进行预处理获取二值化图像,然后对二值化图像进行光泽区域边缘提取与形态学处理,从而提取出三维的特征向量构成特征向量集,最后基于特征向量集对待检测的钢丝绳进行缺陷检测。
Description
技术领域
本发明属于钢丝绳无损检测技术领域,更为具体地讲,涉及一种基于金属光泽区域的钢丝绳缺陷检测方法。
背景技术
钢丝绳在工业中有着重要的应用,比如在电梯运输、货物提升以及建筑物固定等。钢丝绳的结构的稳定性很大程度上影响着系统的安全性与可靠性。然而,钢丝绳在使用过程中常常会出现各种结构性损伤,比如断丝、磨损、锈蚀等。这些钢丝绳上的缺陷会导致钢丝绳在使用过程中有断裂的风险,从而可能威胁到人的生命安全。因此,定期检测钢丝绳并及时发现其上的缺陷是很有必要的。
人眼观察识别钢丝绳上的缺陷具有随机性高,容易受钢丝绳表面油污影响等不足。为了克服这一问题,目前磁检测法作为具有较好的可靠性和较高的检测成功率的检测技术而被广泛用于工业场景中的钢丝绳缺陷检测。然而磁检测技术具有设备价格较高,且技术上受限于提离值效应、检测速度等影响。因此很多新兴技术正尝试用于钢丝绳缺陷检测,比如超声传导检测法、涡流检测法以及计算机视觉法。
随着计算机视觉技术的发展,通过模式识别来检测钢丝绳表面的缺陷在近年来受到了广泛关注。在钢丝绳计算机视觉检测方法中,关键的一步就是提取钢丝绳表面的特征并对特征数据集进行维数缩减,从而构造出能够用于机器学习分类的特征数据集。对钢丝绳表面纹理的特征提取方法有局部二进制模式(LBP)、灰度共生矩阵(GLCM)以及方向梯度直方图(HOG),但是LBP方法存在缺陷特征和正常部分特征区分不显著,GLCM方法存在计算量大,计算复杂度高等问题,HOG算子存在特征向量维数较高等问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于金属光泽区域的钢丝绳缺陷检测方法,通过结合光泽区域边缘附近的梯度反映的信息和光泽区域形状反映的信息来对钢丝绳进行缺陷识别及分类。
为实现上述发明目的,本发明一种基于金属光泽区域的钢丝绳缺陷检测方法,其特征在于,包括以下步骤:
(1)、图像采集;
(1.1)、利用白色强光从摄像头所在的同一径向照射钢丝绳,保证钢丝绳的表面有充分的反射光,然后拍摄多组原图像,其中,每组原图像均包含钢丝绳及背景;
(1.2)、用Canny边缘检测算法提取每一幅原图像中的钢丝绳图像;
(2)、钢丝绳图像的切割;
在每一幅钢丝绳图像的正中央裁剪一条条状区域的图片,图片的宽度是钢丝绳图像宽度的0.2倍;
对条状区域的图片进行进一步的切割,使切割后的子图片中只包含2个或3个光泽区域,最后将这些子图片记为饱和光照图;
(3)、构建钢丝绳检测已知样本集并标记每个样本的状态;
将所有的饱和光照图构成钢丝绳检测已知样本集;在每一幅饱和光照图中,通过人工标记的方式标记每一幅饱和光照图中钢丝绳的状态,例如,包括:正常、磨损、断丝三个状态;
(4)、饱和光照图的二值化处理;
设置全局阈值的二值化划分阈值α;按照阈值α对所有的饱和光照图进行二值化处理,得到二值化图像;
(5)、光泽区域边缘提取与形态学处理
(5.1)、对每一幅二值化图像用半径为1像素的模板进行腐蚀,得到边界腐蚀图像,再用二值化图像减去边界腐蚀图像,得到被腐蚀区域,最后将被腐蚀区域作为饱和光照图的光泽区域边缘;
(5.2)、对每一幅二值化图像先后进行开操作和闭操作,得到形态学滤波图像;
(6)、提取饱和光照子图光泽区域的特征;
(6.1)、通过边缘差分矩阵EDM提取每张饱和光照图的光泽区域边缘的光泽边缘特征;
记饱和光照图的光泽区域边缘中任意一个边缘像素点i的坐标为(xi,yi),i=1,2,…,N,N为边缘像素点的总个数;
以边缘像素点i为中心,计算边缘像素点i与3*3领域内其余边缘像素点j的边缘差分矩阵EDMi;
其中,gi表示边缘像素点i的灰度值,gj表示边缘像素点j的灰度值,j=1,2,…,8,fn表示二值化图像中为0的位置,fp表示二值化图像中为1的位置,(xj,yj)表示边缘像素点j的坐标;
在矩阵IG中,取上下两个竖直方向上的元素IG(1,2)、IG(3,2)的值以及左右两个水平方向上的元素IG(2,1)、IG(2,3)的值计算特征值λ1:
其中,“IG()”代表是索引矩阵中的元素;
(6.3)、提取饱和光照图高光区域形状信息;
(6.3.1)、对于一幅形态学滤波图像,定义其背景区像素值为0,目标像素值为1,以四连通为基准标记每个连通区域;
(6.3.2)、计算每个连通区域的平均圆周性Ck;
其中,Sk为第k个连通区域的面积,其周长为Pk,k=1,2,…,n,n为连通区域的个数;
(6.3.3)、计算所有连通区域圆周性的加权平均值,并记为特征值λ2;
(6.3.4)、计算与每个连通区域具有相同二阶矩的椭圆的离心率ek;
将第k个连通区域的二阶中心矩除以第k个连通区域的面积,构造如下矩阵Mk;
与第k个连通区域具有相同二阶矩的椭圆的离心率表示为:
(6.3.5)、计算所有离心率ek的加权平均值,并记为特征值λ3;
(7)、构建所有饱和光照图的特征向量集;
按照步骤(4)-(6)所述方法处理完所有饱和光照图,每一幅饱和光照图得到三维的特征向量(λ1,λ2,λ3),从而构成特征向量集;
(8)、通过k近邻(kNN)算法对钢丝绳进行缺陷检测;
提取待检测的饱和光照图的三维的特征向量(λ1,λ2,λ3),再计算与已知样本集中所有特征向量的欧式距离,然后将得到的距离从小到大排列;
选取距离最小的前p个特征向量,找到其对应的已知样本集中的标记类别,然后统计出现次数最多的类别,并作为钢丝绳的检测结果。
本发明的发明目的是这样实现的:
本发明一种基于金属光泽区域的钢丝绳缺陷检测方法,先利用白色强光从摄像头所在的同一径向照射钢丝绳,在保证钢丝绳的表面有充分的反射光下拍摄多组原图像,再对原图像依次进行预处理获取二值化图像,然后对二值化图像进行光泽区域边缘提取与形态学处理,从而提取出三维的特征向量构成特征向量集,最后基于特征向量集对待检测的钢丝绳进行缺陷检测。
同时,本发明一种基于金属光泽区域的钢丝绳缺陷检测方法还具有以下有益效果:
(1)、本发明仅利用钢丝绳表面的光泽区域提取特征,相比之前的依靠纹理识别对整张钢丝绳图像的像素进行计算和处理的方法,本方法的计算速度明显较快。
(2)、本发明是针对不同状态下钢丝绳表面的光泽区域特征而设计的提取算法,提取得到的特征在不同类别下的区分度明显,有利于实施机器学习分类算法。
(3)、本发明设计的特征描述向量维数低,能够提高检测速度。
(4)、本发明中所检测的钢丝绳图像对应的区域面积较小,因此能够较为准确的定位到钢丝绳上的缺陷位置。
(5)、本发明中设计的特征描述子能够检测并区分出磨损和断丝两种缺陷,相比于单一的钢丝绳缺陷检测方法,本发明能够提供更多的检测信息。
(6)、本发明中的钢丝绳缺陷检测方法包含了将钢丝绳图像从背景中分离的步骤,因此检测结果不受环境的影响。
(7)、本方法中对得到的不同的钢丝绳图像采用同一二值化阈值,从而控制了二值化图像前景和背景划分阈值不同而导致的特征结果差异性。
附图说明
图1是本发明一种基于金属光泽区域的钢丝绳缺陷检测方法流程图;
图2是钢丝绳的示意图;
图3是饱和光照图的示意图;
图4是3种不同钢丝绳的原图像、二值化图像、光泽区域边缘图像以及形态学滤波图像;其中,(a)组代表正常钢丝绳、(b)组代表有磨损的钢丝绳、(c)组代表有断丝的钢丝绳;
图5是边缘差分矩阵EDM的提取示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种基于金属光泽区域的钢丝绳缺陷检测方法流程图。
在本实施例中,如图1所示,本发明一种基于金属光泽区域的钢丝绳缺陷检测方法,包括以下步骤:
S1、图像采集;
S1.1、为了达到利用钢丝绳表面的光泽区域的目标,需要白色强光从摄像头所在的同一径向照射钢丝绳,保证钢丝绳的表面有充分的反射光,然后拍摄多组原图像,如图2(a)所示,每组原图像均包含钢丝绳及背景,正常情况下拍摄出来的钢丝绳图像包含不必要的背景部分,因此首先需要将钢丝绳图像从背景中提取出来。
S1.2、采用Canny边缘检测算法计算图像中的边缘像素用以区分钢丝绳所在的图像区域和背景图像。具体方法为先对拍摄的图像进行边缘提取,然后根据检测出的边缘像素的密度来判断是否为钢丝绳图像区域,从而将钢丝绳图像与背景分离,得到图2(b)所示的钢丝绳图像。
S2、钢丝绳图像的切割;
为了得到具有充分反射光的钢丝绳图片,即能够使缺陷部位也有反射光,因此在每一幅钢丝绳图像的正中央裁剪一条条状区域的图片,图片的宽度是钢丝绳图像宽度的0.2倍,如图3所示。此外为了确保图像的大小达到该对应的特征描述符具有足够的代表性,本发明中对得到的中央条状区域的图片做进一步的切割,使切割后的子图片中只包含2个或3个光泽区域,最后将这些子图片记为饱和光照图。
S3、构建钢丝绳检测已知样本集并标记每个样本的状态;
将所有的饱和光照图构成钢丝绳检测已知样本集;在每一幅饱和光照图中,通过人工标记的方式标记每一幅饱和光照图中钢丝绳的状态,具体包括:正常、磨损、断丝三个状态;
S4、饱和光照图的二值化处理;
在本实施例中,采用全局阈值的二值化的方法对所有的饱和光照图进行二值化处理。具体方法为运用单一确定的二值化划分阈值α=120对所有的饱和光照图进行二值化处理。最后的效果是对于不同的饱和光照图,其二值化前景和背景的划分阈值是相同的,从而保证了从不同钢丝绳图像中提取的特征不会受到二值化阈值选择不同而导致的影响。
S5、光泽区域边缘提取与形态学处理
S5.1、对每一幅二值化图像用半径为1像素的模板进行腐蚀,得到边界腐蚀图像,再用二值化图像减去边界腐蚀图像,得到被腐蚀区域,最后将被腐蚀区域作为饱和光照图的光泽区域边缘;
S5.2、除了饱和光照图的光泽区域边缘,还需要对每一幅二值化图像进行形态学处理,以减小后续步骤中形态学分析时图像中的噪声。具体过程为:我们对对每一幅二值化图像先后进行开操作(先腐蚀后膨胀)和闭操作(先膨胀后腐蚀),得到形态学滤波图像,这样将对二值化图像中代表的光泽区域进行平滑,去除掉了小的噪声颗粒和内部空洞。
在本实施例中,图4罗列了3种不同钢丝绳的原图像、二值化图像、光泽区域边缘图像以及形态学滤波图像,其中,(a)组代表正常钢丝绳、(b)组代表有磨损的钢丝绳、(c)组代表有断丝的钢丝绳。
S6、提取饱和光照子图光泽区域的特征;
S6.1、通过边缘差分矩阵EDM提取每张饱和光照图的光泽区域边缘的光泽边缘特征;
记饱和光照图的光泽区域边缘中任意一个边缘像素点i的坐标为(xi,yi),i=1,2,…,N,N为边缘像素点的总个数;
以边缘像素点i为中心,计算边缘像素点i与3*3领域内其余边缘像素点j的边缘差分矩阵EDMi;
其中,gi表示边缘像素点i的灰度值,gj表示边缘像素点j的灰度值,j=1,2,…,8,fn表示二值化图像中为0的位置,fp表示二值化图像中为1的位置,(xj,yj)表示边缘像素点j的坐标;
在本实施例中,对每张图像的高光区域边缘通过构造边缘差分矩阵EDM来提取图像的光泽边缘特征。对于每个高光区域边缘像素点其EDM的有效区域由二值化图像来确定,而EDM包含的值由该边缘像素点的像素值减去其有效信息区域的像素值来确定,非有效区域的值填为0,具体如图5所示。
在矩阵IG中,取上下两个竖直方向上的元素IG(1,2)、IG(3,2)的值以及左右两个水平方向上的元素IG(2,1)、IG(2,3)的值计算特征值λ1:
其中,“IG()”代表是索引矩阵中的元素;
S6.3、提取饱和光照图高光区域形状信息;
对于钢丝绳的正常部位,其光泽的形状具有周期性与普遍性,而断丝和磨损区域的光泽形状与其他部分的明显不同,主要体现在有缺陷部分的光泽形状更加贴近圆的形状。基于上述特点,本文对观测区域中光泽区域的平均圆周性和与某一光泽连通区域具有相同二阶中心矩的椭圆的离心率作为描述光泽区域的形态学特征值;
S6.3.1、对于一幅形态学滤波图像,定义其背景区像素值为0,目标像素值为1,以四连通为基准标记每个连通区域;
S6.3.2、计算每个连通区域的平均圆周性Ck;
其中,Sk为第k个连通区域的面积,其周长为Pk,k=1,2,…,n,n为连通区域的个数;
S6.3.3、为了使圆周性反映出该图像中主要光泽区域的信息并且减小噪声光泽区域的影响,对一张图的连通区域采用面积作为权值来求所有连通区域圆周性的加权平均值,并记为特征值λ2;
S6.3.4、计算与每个连通区域具有相同二阶矩的椭圆的离心率ek;
将第k个连通区域的二阶中心矩除以第k个连通区域的面积,构造如下矩阵Mk;
与第k个连通区域具有相同二阶矩的椭圆的离心率表示为:
S6.3.5、计算所有离心率ek的加权平均值,并记为特征值λ3;
S7、构建所有饱和光照图的特征向量集;
按照步骤S4-S6所述方法处理完已知样本集中所有饱和光照图,每一幅饱和光照图得到三维的特征向量(λ1,λ2,λ3),从而构成特征向量集;
S8、通过kNN算法对钢丝绳进行缺陷检测;
提取待检测的饱和光照图的三维的特征向量(λ1,λ2,λ3),再计算与已知样本集中所有特征向量的欧式距离,然后将得到的距离从小到大排列;
选取距离最小的前p=10个特征向量,找到其对应的已知样本集中的标记类别,然后统计出现次数最多的类别(断丝组、磨损组、正常组),并作为钢丝绳的检测结果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于金属光泽区域的钢丝绳缺陷检测方法,其特征在于,包括以下步骤:
(1)、图像采集;
(1.1)、利用白色强光从摄像头所在的同一径向照射钢丝绳,保证钢丝绳的表面有充分的反射光,然后拍摄多组原图像,其中,每组原图像均包含钢丝绳及背景;
(1.2)、用Canny边缘检测算法提取每一幅原图像中的钢丝绳图像;
(2)、钢丝绳图像的切割;
在每一幅钢丝绳图像的正中央裁剪一条条状区域的图片,图片的宽度是钢丝绳图像宽度的0.2倍;
对条状区域的图片进行进一步的切割,使切割后的子图片中只包含2个或3个光泽区域,最后将这些子图片记为饱和光照图;
(3)、构建钢丝绳检测已知样本集并标记每个样本的状态;
将所有的饱和光照图构成钢丝绳检测已知样本集;在每一幅饱和光照图中,通过人工标记的方式标记每一幅饱和光照图中钢丝绳的状态,具体包括:正常、磨损、断丝三个状态;
(4)、饱和光照图的二值化处理;
设置全局阈值的二值化划分阈值α;按照阈值α对所有的饱和光照图进行二值化处理,得到二值化图像;
(5)、光泽区域边缘提取与形态学处理
(5.1)、对每一幅二值化图像用半径为1像素的模板进行腐蚀,得到边界腐蚀图像,再用二值化图像减去边界腐蚀图像,得到被腐蚀区域,最后将被腐蚀区域作为饱和光照图的光泽区域边缘;
(5.2)、对每一幅二值化图像先后进行开操作和闭操作,得到形态学滤波图像;
(6)、提取饱和光照子图光泽区域的特征;
(6.1)、通过边缘差分矩阵EDM提取每张饱和光照图的光泽区域边缘的光泽边缘特征;
记饱和光照图的光泽区域边缘中任意一个边缘像素点i的坐标为(xi,yi),i=1,2,…,N,N为边缘像素点的总个数;
以边缘像素点i为中心,计算边缘像素点i与3*3领域内其余边缘像素点j的边缘差分矩阵EDMi;
其中,gi表示边缘像素点i的灰度值,gj表示边缘像素点j的灰度值,j=1,2,…,8,fn表示二值化图像中为0的位置,fp表示二值化图像中为1的位置,(xj,yj)表示边缘像素点j的坐标;
在在矩阵IG中,取上下两个竖直方向上的元素IG(1,2)、IG(3,2)的值以及左右两个水平方向上的元素IG(2,1)、IG(2,3)的值计算特征值λ1:
其中,“IG()”代表是索引矩阵中的元素;
(6.3)、提取饱和光照图高光区域形状信息;
(6.3.1)、对于一幅形态学滤波图像,定义其背景区像素值为0,目标像素值为1,以四连通为基准标记每个连通区域;
(6.3.2)、计算每个连通区域的平均圆周性Ck;
其中,Sk为第k个连通区域的面积,其周长为Pk,k=1,2,…,n,n为连通区域的个数;
(6.3.3)、计算所有连通区域圆周性的加权平均值,并记为特征值λ2;
(6.3.4)、计算与每个连通区域具有相同二阶矩的椭圆的离心率ek;
将第k个连通区域的二阶中心矩除以第k个连通区域的面积,构造如下矩阵Mk;
与第k个连通区域具有相同二阶矩的椭圆的离心率表示为:
(6.3.5)、计算所有离心率ek的加权平均值,并记为特征值λ3;
(7)、构建所有饱和光照图的特征向量集;
按照步骤(4)-(6)所述方法处理完所有饱和光照图,每一幅饱和光照图得到三维的特征向量(λ1,λ2,λ3),从而构成特征向量集;
(8)、通过k近邻算法对钢丝绳进行缺陷检测;
提取待检测的饱和光照图的三维的特征向量(λ1,λ2,λ3),再计算与已知样本集中所有特征向量的欧式距离,然后将得到的距离从小到大排列;
选取距离最小的前p个特征向量,找到其对应的已知样本集中的标记类别,然后统计出现次数最多的类别,并作为钢丝绳的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293282.5A CN114049316A (zh) | 2021-11-03 | 2021-11-03 | 一种基于金属光泽区域的钢丝绳缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293282.5A CN114049316A (zh) | 2021-11-03 | 2021-11-03 | 一种基于金属光泽区域的钢丝绳缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049316A true CN114049316A (zh) | 2022-02-15 |
Family
ID=80206995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111293282.5A Pending CN114049316A (zh) | 2021-11-03 | 2021-11-03 | 一种基于金属光泽区域的钢丝绳缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049316A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
CN116630330A (zh) * | 2023-07-26 | 2023-08-22 | 征图新视(江苏)科技股份有限公司 | 一种基于边缘差分的三角网格平面缺陷检测方法 |
GB2619576A (en) * | 2022-06-07 | 2023-12-13 | Univ Zhejiang | Method for detecting and processing corrosion defect image of tower guy wire on power transmission line |
-
2021
- 2021-11-03 CN CN202111293282.5A patent/CN114049316A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2619576A (en) * | 2022-06-07 | 2023-12-13 | Univ Zhejiang | Method for detecting and processing corrosion defect image of tower guy wire on power transmission line |
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
CN116630330A (zh) * | 2023-07-26 | 2023-08-22 | 征图新视(江苏)科技股份有限公司 | 一种基于边缘差分的三角网格平面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
EP2719754B1 (en) | Image processing apparatus, image processing method and image processing system | |
Schmugge et al. | Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN116485764B (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN107145896A (zh) | 基于荧光磁粉的智能缺陷识别系统 | |
CN114067147A (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN115631146A (zh) | 一种基于图像的受电弓碳滑条缺损缺陷检测方法 | |
CN118014933A (zh) | 一种基于图像检测的缺陷检测识别方法和装置 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN108508023A (zh) | 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统 | |
CN114235814A (zh) | 一种建筑玻璃幕墙裂纹识别方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
Jalalian et al. | An automatic visual inspection method based on statistical approach for defect detection of ship hull surfaces | |
KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
CN115471755A (zh) | 基于分割的图像目标快速检测方法 |
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 |