CN114240915A - 一种基于图像三维重构的裂纹检测算法 - Google Patents
一种基于图像三维重构的裂纹检测算法 Download PDFInfo
- Publication number
- CN114240915A CN114240915A CN202111580101.7A CN202111580101A CN114240915A CN 114240915 A CN114240915 A CN 114240915A CN 202111580101 A CN202111580101 A CN 202111580101A CN 114240915 A CN114240915 A CN 114240915A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- crack
- dimensional reconstruction
- detection algorithm
- 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
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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像三维重构的裂纹检测算法,其包括3D扫描设定产品,得到产品信息,并对产品信息进行预处理,通过三维重构为信息图像;将重构得到的信息图像进行灰度化处理,并根据信息图像的像素边缘梯度变化计算选取ROI区域,作为输入图像;利用自适应迭代法做输入图像的二值化处理,判断裂纹信息并辅证,并得到的裂纹信息返回至数据服务中心。该基于图像三维重构的裂纹检测算法对重构的三维图像进行识别、分类,能够快速准确地定位到裂纹位置,高精度提取裂纹的表面尺寸和井深尺寸,对裂纹的识别率可以高达90%,裂纹数据可靠性强,精度高。
Description
技术领域
本发明涉及工业检测中无损检测方法领域,具体涉及一种基于图像三维重构的裂纹检测算法。
背景技术
在工业生产中,铸造压胚的过程会存在产品裂纹的发生;其中产生裂纹的产品需要进行返工处理,抑或成为生产垃圾。如果不能查出有裂纹的产品,任其流入市场,会危及使用者的安全,甚至造成无法挽回的损失。基于以上原因,检测裂纹具有非常重要的意义。目前,对于产品裂纹的检测,为直接利用图像检测,其是现行的主要手段,但存在识别效果不太理想的问题。现也有少部分采用X射线扫描的方式,对产品裂纹进行检测,但又存在造价成本高的问题。
发明内容
本发明的目的是提供一种对重构的三维图像进行识别、分类,能够快速准确地定位到裂纹位置,高精度提取裂纹的表面尺寸和井深尺寸,对裂纹的识别率可以高达90%,裂纹数据可靠性强,精度高的基于图像三维重构的裂纹检测算法。
为解决上述技术问题,本发明提供一种基于图像三维重构的裂纹检测算法,其包括3D扫描设定产品,得到产品信息,并对所述产品信息进行预处理,通过三维重构为信息图像;将重构得到的信息图像进行灰度化处理,并根据信息图像的像素边缘梯度变化计算选取ROI区域,作为输入图像;利用自适应迭代法做输入图像的二值化处理,判断裂纹信息并辅证,并得到的裂纹信息返回至数据服务中心。
进一步地,产品信息包括位置信息和高度信息。
进一步地,在对所述产品信息进行预处理时,对产品信息进行压缩、线性回归与线性插值处理,再利用三维重构得到tif图像,bmp图像。
进一步地,通过霍夫曼编码压缩产品信息减小数据量,并通过Ridge回归和线性插值对压缩后的数据信息进行线性补偿。
进一步地,在选取ROI区域时,利用Sobel算子计算信息图像的像素边缘梯度Δ,将每个像素的梯度Δ的绝对值进行排序;
按每个像素的梯度Δ的绝对值从大到小的顺序选取n个Δ的绝对值>ε的点[p1,p2…pn],其中ε为设定阈值;
以p1为中心,r为边长,划分对应p1的矩形框R1,
以p2为中心,r为边长,划分对应p2的矩形框R2,
以pn为中心,r为边长,划分对应pn的矩形框Rn,
其中,根据s取图像宽度Width/8,t取15。
Pn点之前s个点所有灰度值之和,需针对其他点的灰度值对当前点灰度值的影响分配权值,得到修正的灰度值和gs(n),并迭代:
初始gs(n)=s*(2α-1-1),其中α表示图像的深度,2α-1-1表示图像的灰度值得中间值;将图像高度信息与图像的灰度值的线性关系式带入T(n),即可以得到通过高度变化的自适应二值图像,若不存在裂纹则该位置二值为1,若存在裂纹则该位置二值为0,作为Image_1。
进一步地,将重构得到图像按做灰度化处理,这个灰度信息既包含了图像的轮廓,同时高度信息也以线性关系包含在图像的灰度值中,即H=f-1(G),
将H=f-1(G)与图像灰度值结合,选取上下限设定阈值。
进一步地,在对图像矩阵按设定顺序转化成一个单列向量时,将像素px,y(x=(1...m),y=(1...n))的m行n列的二维矩阵转变为px*n+y的一维向量。
进一步地,在进行裂纹的辅证分析时,对Image_1进行形态学操作及连通性分析,得到可靠的连通域;并对得到的连通域进行特征分析,提取特征信息,并通过阈值约束特征,判断裂纹信息,并向数据服务中心返回裂纹信息。
进一步地,在对连通域进行特征分析时,对连通域进行方向梯度直方图提取特征向量提取出的特征向量与阈值向量进行相关性分析,即内积整理得到0≤cosθ≤1;在[0,1]区间内选取一个设定阈值点μ,若cosθ≥μ,即存在裂纹。
本发明的有益效果为:该基于图像三维重构的裂纹检测算法对重构的三维图像进行识别、分类,能够快速准确地定位到裂纹位置,高精度提取裂纹的表面尺寸和井深尺寸,对裂纹的识别率可以高达90%,裂纹数据可靠性强,精度高。
具体实施方式
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。通常在此处附图中描述和示出的本发明实施例的组件可以以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。
以下结合实施例进行具体说明,并且对于本领域技术人员所知晓的技术常识内容进行了省略。
该基于图像三维重构的裂纹检测算法通过三维扫描设备获取检测物体的位置信息,高度信息;并将所得到的信息通过重构得到一幅图像,然后对图像进行处理,判断裂纹并加以辅证。
具体地,该基于图像三维重构的裂纹检测算法包括3D扫描设定产品,得到产品信息,其中,产品信息包括位置信息和高度信息,既有z=f(x,y),也可将得到的数据整合为csv文件。
并对所述产品信息进行预处理,通过三维重构为信息图像。在对所述产品信息进行预处理时,对产品信息进行压缩、线性回归与线性插值处理,再利用三维重构得到tif图像,bmp图像。其中,通过霍夫曼编码压缩产品信息减小数据量,并通过Ridge回归和线性插值对压缩后的数据信息进行线性补偿减小数据压缩带来的数据畸变。
此时通过三维重构的tif图像,灰度图像;与bmp图像,彩色或灰度既包含产品的轮廓信息,同时包含产品的高度信息。将重构得到图像按做灰度化处理,这个灰度信息既包含了图像的轮廓,同时高度信息也以线性关系包含在图像的灰度值中,即H=f-1(G),
G=f(H)
其中,G为灰度值Gray,H为高度。
接着,将重构得到的信息图像进行灰度化处理,并根据信息图像的像素边缘梯度变化计算选取ROI区域,作为输入图像。
在选取ROI区域时,利用Sobel算子计算信息图像的像素边缘梯度Δ,将每个像素的梯度Δ的绝对值进行排序;按每个像素的梯度Δ的绝对值从大到小的顺序选取n个Δ的绝对值>ε的点[p1,p2…pn],其中ε为设定阈值;
以p1为中心,r为边长,划分对应p1的矩形框R1,
以p2为中心,r为边长,划分对应p2的矩形框R2,
以pn为中心,r为边长,划分对应pn的矩形框Rn,
其取消了人为选择的操作方式,提供一种公用的选取标准,更精准地定位裂纹出现的部位。
接着,利用自适应迭代法做输入图像的二值化处理,判断裂纹信息并辅证,并得到的裂纹信息返回至数据服务中心。
具体地,将取到的ROI区域图像,作为输入图像处理,可结合上述的G=f(H)
,即H=f-1(G),利用一种快速自适应迭代法做图像二值化处理。
在此应该说明的是,图像在计算机中的表达就是一个(x,y,p)的三维矩阵,x和y为像素在图像中的坐标,p为元组(R,G,B)或(H,S,V)等。
且在对图像矩阵按设定顺序转化成一个单列向量时,将像素px,y(x=(1...m),y=(1...n))的m行n列的二维矩阵转变为px*n+y的一维向量。
并引入变量t得到此点的二值化:
其中,根据s取图像宽度Width/8,t取15为最优质取值。
进一步地,Fs(n),Pn点之前s个点所有灰度值之和,需针对其他点的灰度值对当前点灰度值的影响分配权值,即越靠近当前点的影响权值越大,远离当前点的点影响权值取最小,得到修正的灰度值和gs(n),并迭代:
初始gs(n)=s*(2α-1-1),其中α表示图像的深度,2α-1-1表示图像的灰度值得中间值。
再将图像高度信息与图像的灰度值的线性关系式H=f-1(G)带入T(n),即可以得到通过高度变化的自适应二值图像,若不存在裂纹则该位置二值为1,若存在裂纹则该位置二值为0,作为Image_1。
与此同时,可将H=f-1(G)与图像灰度值结合,选取上下限设定阈值。
在进行裂纹的辅证分析时,对Image_1进行形态学操作及连通性分析,其中,可进行腐蚀、膨胀和开闭等形态学操作,用以去除图像噪声,去除区域毛刺。对Image_1做连通性分析,得到可靠的连通域,即连通分量提取。
当然,也可提取一无裂纹位置为1的作为Image_2,对形态学处理后的Image_1与Image_2进行区域分析包括但不限于做差,叠加等开闭操作,轮廓检测等边界的提取和跟踪,并做差别分析。
可按像素减法Dp=pimage_1-pimage_2,pimage_1为Image_1对应P点的值,pimage_2为Image_2对应P点的值,Dp为差值。为差值Dp做直方图,Dp<τ的概率P(Dp<τ)作为Image_1和Image_2的差别。τ为设定阈值,τ越小,Image_1和Image_2的差别越精细,τ越大,Image_1和Image_2的差别越模糊。
对得到的连通域进行特征分析,提取特征信息,并通过设定阈值约束特征,判断裂纹信息,并向数据服务中心返回裂纹信息。
在对连通域进行特征分析时,对连通域进行方向梯度直方图提取特征向量提取出的特征向量与设定阈值向量进行相关性分析,即内积整理得到0≤cosθ≤1;在[0,1]区间内选取一个设定阈值点μ,若cosθ≥μ,即存在裂纹。
数据服务中心将记录所有返回为裂的信息,以供后续深度学习检测使用,其中,gs(n)可作为学习率与误差迭代过程的关键因子。
该基于图像三维重构的裂纹检测算法对重构的三维图像进行识别、分类,能够快速准确地定位到裂纹位置,高精度提取裂纹的表面尺寸和井深尺寸,对裂纹的识别率可以高达90%,裂纹数据可靠性强,精度高。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像三维重构的裂纹检测算法,其特征在于,包括如下步骤:
S1.3D扫描设定产品,得到产品信息,并对所述产品信息进行预处理,通过三维重构为信息图像;
S2.将重构得到的信息图像进行灰度化处理,并根据信息图像的像素边缘梯度变化计算选取ROI区域,作为输入图像;
S3.利用自适应迭代法做输入图像的二值化处理,判断裂纹信息并辅证,并得到的裂纹信息返回至数据服务中心。
2.根据权利要求1所述的基于图像三维重构的裂纹检测算法,其特征在于:所述产品信息包括位置信息和高度信息。
3.根据权利要求1所述的基于图像三维重构的裂纹检测算法,其特征在于:所述步骤S1中,在对所述产品信息进行预处理时,对产品信息进行压缩、线性回归与线性插值处理,再利用三维重构得到tif图像,bmp图像。
4.根据权利要求3所述的基于图像三维重构的裂纹检测算法,其特征在于:通过霍夫曼编码压缩产品信息减小数据量,并通过Ridge回归和线性插值对压缩后的数据信息进行线性补偿。
6.根据权利要求1所述的基于图像三维重构的裂纹检测算法,其特征在于:所述S3的具体步骤为:
S31.选取输入图像上的某一点Pn(w,h),且此点的灰度值用表示;
S33.引入变量t得到此点的二值化:
其中,根据s取图像宽度Width/8,t取15;
S34.Pn点之前s个点所有灰度值之和,需针对其他点的灰度值对当前点灰度值的影响分配权值,得到修正的灰度值和gs(n),并迭代:
初始gs(n)=s*(2α-1-1),其中α表示图像的深度,2α-1-1表示图像的灰度值得中间值;
S36.将图像高度信息与图像的灰度值的线性关系式带入T(n),即可以得到通过高度变化的自适应二值图像,若不存在裂纹则该位置二值为1,若存在裂纹则该位置二值为0,作为Image_1。
8.根据权利要求6所述的基于图像三维重构的裂纹检测算法,其特征在于:在对图像矩阵按设定顺序转化成一个单列向量时,将像素px,y(x=(1...m),y=(1...n))的m行n列的二维矩阵转变为px*n+y的一维向量。
9.根据权利要求7所述的基于图像三维重构的裂纹检测算法,其特征在于:在进行裂纹的辅证分析时,对Image_1进行形态学操作及连通性分析,得到可靠的连通域;并对得到的连通域进行特征分析,提取特征信息,并通过阈值约束特征,判断裂纹信息,并向数据服务中心返回裂纹信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580101.7A CN114240915A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像三维重构的裂纹检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580101.7A CN114240915A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像三维重构的裂纹检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240915A true CN114240915A (zh) | 2022-03-25 |
Family
ID=80761143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580101.7A Pending CN114240915A (zh) | 2021-12-22 | 2021-12-22 | 一种基于图像三维重构的裂纹检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356108A (zh) * | 2022-10-10 | 2022-11-18 | 成都阿普奇科技股份有限公司 | 一种调制高阶水平挤压变换机械故障诊断方法与装置 |
CN118038443A (zh) * | 2024-03-06 | 2024-05-14 | 广州轨道交通检验检测认证有限公司 | 一种轨道区段状态检测方法及系统 |
-
2021
- 2021-12-22 CN CN202111580101.7A patent/CN114240915A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356108A (zh) * | 2022-10-10 | 2022-11-18 | 成都阿普奇科技股份有限公司 | 一种调制高阶水平挤压变换机械故障诊断方法与装置 |
CN118038443A (zh) * | 2024-03-06 | 2024-05-14 | 广州轨道交通检验检测认证有限公司 | 一种轨道区段状态检测方法及系统 |
CN118038443B (zh) * | 2024-03-06 | 2024-09-20 | 广州轨道交通检验检测认证有限公司 | 一种轨道区段状态检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111758024B (zh) | 一种缺陷检测方法及装置 | |
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 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN114240915A (zh) | 一种基于图像三维重构的裂纹检测算法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN102202227B (zh) | 一种无参考视频质量客观评估方法 | |
CN110264459A (zh) | 一种土壤裂缝特征信息提取方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN107644417B (zh) | 应变片外观缺损检测方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN102609903B (zh) | 一种基于边缘流的活动轮廓模型图像分割的方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
CN115060754B (zh) | 一种不锈钢制品表面质量检测方法 | |
Kumar et al. | Comparative analysis for edge detection techniques | |
Alaei et al. | Document image quality assessment based on improved gradient magnitude similarity deviation |
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 |