CN114441546A - 一种裂纹测量内窥镜 - Google Patents

一种裂纹测量内窥镜 Download PDF

Info

Publication number
CN114441546A
CN114441546A CN202210364340.7A CN202210364340A CN114441546A CN 114441546 A CN114441546 A CN 114441546A CN 202210364340 A CN202210364340 A CN 202210364340A CN 114441546 A CN114441546 A CN 114441546A
Authority
CN
China
Prior art keywords
image
crack
pixel
endoscope
display screen
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
CN202210364340.7A
Other languages
English (en)
Other versions
CN114441546B (zh
Inventor
黄涛
钟鸣
杨伟杰
梁勇
许赞
康颖
余文桢
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.)
Hunan Wanhang Technology Co ltd
Original Assignee
Hunan Wanhang Technology Co ltd
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 Hunan Wanhang Technology Co ltd filed Critical Hunan Wanhang Technology Co ltd
Priority to CN202210364340.7A priority Critical patent/CN114441546B/zh
Publication of CN114441546A publication Critical patent/CN114441546A/zh
Application granted granted Critical
Publication of CN114441546B publication Critical patent/CN114441546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • 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
    • G01N2021/8874—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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及裂纹测量的技术领域，公开了一种裂纹测量内窥镜，所述内窥镜包括摄像头、内窥镜检测系统以及主机，所述内窥镜的裂纹测量流程为：利用内窥镜的摄像头检测被测物，并利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备；基于伽马变换方法对被测物图像进行图像增强处理；利用腐蚀膨胀方法对增强后的图像进行处理；利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测；对标记到的裂纹进行裂纹长度以及宽度的测量，将测量结果标记在显示图像对应裂纹的上方。本发明所述流程通过对内窥镜的检测图像进行增强处理，从而在低光照场景下，利用裂纹检测模型实现静态图像和动态视频的实时裂纹检测和测量。

Description

一种裂纹测量内窥镜
技术领域
本发明涉及裂纹测量的技术领域，尤其涉及一种裂纹测量内窥镜。
背景技术
工业内窥镜主要是用于汽车、航空发动机、管道、机械零件等，可在不需拆卸或破坏组装及设备停止运行的情况下实现无损检测，广泛应用于航空、汽车、船舶、电气、化学、电力、煤气、原子能、土木建筑等现代核心工业的各个部门。但在工业检测的实际应用场景中，场景内的光照较低，很难通过肉眼去观察是否存在裂纹，更无法实施对裂纹的长度和宽度进行测量。针对该问题，本专利提出一种用于裂纹测量的内窥镜。
发明内容
本发明提供一种裂纹测量内窥镜，目的在于（1）可以在低光照场景下，实现静态图像和动态视频的实时裂纹检测；（2）实现裂纹检测区域的测量。
实现上述目的，本发明提供的一种裂纹测量内窥镜，所述内窥镜的裂纹测量流程包括以下步骤：
S1：利用内窥镜的摄像头检测被测物，并利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备；
S2：图像处理设备基于伽马变换方法对被测物图像进行图像增强处理；
S3：图像处理设备利用腐蚀膨胀方法对增强后的图像进行处理，去除图像中的孤立点以及空洞，避免图像中的孤立点以及空洞被检测为裂纹；
S4：图像处理设备利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，并在显示屏中标记检测到的裂纹；
S5：显示屏对标记到的裂纹进行裂纹长度以及宽度的测量，将测量结果标记在显示图像对应裂纹的上方。
作为本发明的进一步改进裂纹测量流程：
所述S1步骤中利用内窥镜的摄像头检测被测物，包括：
利用内窥镜检测系统中的内窥镜控制设备控制选择内窥镜的拍照或录像功能，并控制内窥镜摄像头的光照强度，拍摄得到被测物的静态图像或动态视频，所述摄像头的探头直径为Φ8mm，像素为100万，景深为8-80mm，可视方向为直视；在本发明一个具体实施例中，若拍摄得到静态图像，则直接利用高清图像传感技术将静态图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对静态图像进行裂纹测量，显示屏的展示结果为带有裂纹标记的静态图像；若拍摄得到动态视频，则利用高清图像传感技术将动态视频的每帧图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对每帧图像进行裂纹测量，显示屏将裂纹测量后的每帧图像合并为动态视频，显示屏的展示结果为带有裂纹标记的动态视频。
所述S1步骤中利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备，包括：
摄像头的传感器将实时拍摄到的图像传输到显示屏，所述传输方式为高清图像传感技术，对于静态图像，摄像头的传感器利用无线网络将实时拍摄的静态图像传输到显示屏，对于动态视频，摄像头的传感器利用无线网络将实时拍摄的动态视频的每帧图像传输到显示屏，所述高清图像传感技术的流程为：
摄像头的传感器将拍摄到的图像进行压缩打包，所述图像压缩的方法为LZ77图像压缩算法，压缩结果为
Figure 903973DEST_PATH_IMAGE001
，其中I表示摄像头实时拍摄到的被测物图像，所述打包结果为数据包，数据包格式包括服务类型、生存时间、网络协议、消息ID标识、图像拍摄时间、图像序列，其中服务类型={0,1}，其中0表示该图像为静态图像，1表示该图像为动态视频中的一帧图像，生存时间为数据包的存在时间，将其设置为10秒，网络协议设置为TCP/IP协议，消息ID标识为数据包的ID，若服务类型为0，则图像序列为0，若服务类型为1，则图像序列的值k表示该图像为动态视频的第k帧图像；在本发明一个具体实施例中，本发明按照图像序列顺序将多帧图像合并为动态视频，展示在显示屏中；
摄像头的传感器将压缩打包后的数据包分别传输到内窥镜检测系统的显示屏以及图像处理设备，显示屏以及图像处理设备分别对接收到的数据包进行解压缩处理。
所述S2步骤中基于伽马变换方法对图像进行图像增强处理，包括：
所述图像处理设备基于伽马变换方法对图像进行图像增强处理，所述图像增强处理的流程为：
1）对接收到的被测物图像的灰度值进行归一化处理：
Figure 151939DEST_PATH_IMAGE002
其中：
w表示被测物图像中任意像素的灰度值；
Vw表示灰度值w的归一化处理结果；
2）利用伽马变换方法对归一化处理后的灰度值进行增强处理，所述伽马变换公式为：
Figure 993993DEST_PATH_IMAGE003
其中：
Figure 654782DEST_PATH_IMAGE004
表示伽马变换参数，将其设置为0.4，在图像的低灰度值区域，
Figure 797050DEST_PATH_IMAGE005
的动态范围变大，进而实现图像对比度增强，而在图像的高灰度值区域，
Figure 681829DEST_PATH_IMAGE005
的动态变化范围较小，图像对比度变低，且图像的整体灰度值变大，在内窥镜测量的实际应用中，所检测的图像大多位于暗处，存在大量低灰度值的像素，因此可利用伽马变换方法实现图像增强处理；
Figure 214442DEST_PATH_IMAGE006
表示灰度值w的伽马增强结果。
所述S3步骤中利用腐蚀膨胀方法对增强后的图像进行处理，包括：
所述图像处理设备利用腐蚀膨胀方法对伽马增强后的图像进行腐蚀膨胀处理，所述腐蚀膨胀处理的流程为：
1）将伽马增强后的图像转换为像素矩阵A，对像素矩阵A进行腐蚀处理：
Figure 741238DEST_PATH_IMAGE007
其中：
A表示像素矩阵；
Figure 675696DEST_PATH_IMAGE008
表示腐蚀处理后的像素矩阵；
B表示腐蚀矩阵，所采用的腐蚀矩阵为：
Figure 731377DEST_PATH_IMAGE009
将B在A上顺序移动，对移动过程中的矩阵交点求并集，填补像素矩阵A中的空洞；
2）对腐蚀后的像素矩阵
Figure 813602DEST_PATH_IMAGE008
进行膨胀处理：
Figure 610001DEST_PATH_IMAGE010
其中：
D表示腐蚀膨胀处理后的像素矩阵；
C表示膨胀矩阵，所采用的膨胀矩阵为：
Figure 398966DEST_PATH_IMAGE011
将
Figure 891127DEST_PATH_IMAGE008
在C上顺序移动，对移动过程中的矩阵交点求交集，去除图像中的孤立点；
3）将腐蚀膨胀后的像素矩阵D转换为图像，所转换图像即为腐蚀膨胀处理后的图像，去除图像中的孤立点以及空洞，避免图像中的孤立点以及空洞被检测为裂纹。
所述S4步骤中利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，包括：
所述裂纹检测模型包括图像编码器、图像金字塔以及图像解码器；
所述图像编码器的输入为腐蚀膨胀处理后的被测物图像M，所述图像编码器包括一个步长为1的3*3像素大小的卷积层以及一个步长为2的2*2像素大小的空洞卷积层，所述图像编码器对图像M进行编码处理的公式为：
Figure 460649DEST_PATH_IMAGE012
Figure 1351DEST_PATH_IMAGE013
其中：
Figure 972718DEST_PATH_IMAGE014
表示对输入值进行卷积处理，
Figure 370202DEST_PATH_IMAGE015
表示卷积层的参数，包括卷积层的权重以及偏置量；
Figure 364703DEST_PATH_IMAGE016
表示对输入值进行空洞卷积处理，
Figure 771413DEST_PATH_IMAGE017
表示空洞卷积层的参数，包括空洞卷积层的权重以及偏置量；
F1表示图像M的卷积特征；
F2表示图像M的空洞卷积特征，将空洞卷积特征作为图像编码器的输出，并将F2输出到图像金字塔；
相较于传统e*r像素大小的卷积核，空洞卷积层中卷积核的感受野计算公式为：
Figure 534970DEST_PATH_IMAGE018
Figure 371863DEST_PATH_IMAGE019
其中：
Figure 650398DEST_PATH_IMAGE020
表示空洞卷积层中卷积核的感受野大小；
r表示扩张率，因此对于一个扩张率为2的3*3像素大小的卷积核，其感受野大小为5*5，由于空洞卷积中只有权重不为0的卷积核部分参与运算，参数数量就远小于普通5*5大小的卷积核；
所述图像金字塔接收空洞卷积特征F2，并对空洞卷积特征F2进行多层拉普拉斯金字塔分解：
Figure 595220DEST_PATH_IMAGE021
其中：
Figure 213283DEST_PATH_IMAGE022
表示第t层的拉普拉斯金字塔分解结果；
Figure 483728DEST_PATH_IMAGE023
表示拉普拉斯金字塔分解公式；
选取第L层以下的拉普拉斯金字塔分解结果，其中L小于10，设置特征阈值δ，对于所选取的每层拉普拉斯金字塔分解结果中的任意特征点，若该特征点大于特征阈值δ，则将其标记为图像裂纹区域特征；
将所有拉普拉斯金字塔分解结果进行融合：
Figure 187241DEST_PATH_IMAGE024
其中：
Q为融合后的特征，将融合特征Q输入到解码器；
所述解码器包含3个步长为2的反卷积层，且每个反卷积层连接着批归一化层，解码器接收融合特征Q，利用反卷积层将融合特征恢复到原始分辨率的图像，图像中具有特征标记的区域即为裂纹区域，将裂纹区域映射到显示屏所接收图像的对应位置，同时显示屏展示具有裂纹区域标记的图像。
所述S4步骤中基于图像金字塔的裂纹检测模型的参数优化流程为：
构建基于图像金字塔的裂纹检测模型的损失函数，并搜集训练数据集，所述训练数据集的格式为
Figure 670175DEST_PATH_IMAGE025
，其中(In，yn)表示一组训练数据，In表示被测物图像，yn表示被测物图像中的裂纹区域，n表示训练数据集中训练数据的数量；所构建的损失函数为：
Figure 470641DEST_PATH_IMAGE026
其中：
Figure 849670DEST_PATH_IMAGE027
为裂纹检测模型对第i个训练数据Ii的裂纹区域检测输出值；
Figure 857725DEST_PATH_IMAGE028
为第i个训练数据Ii的真实裂纹区域；
设置参数优化的最大迭代次数Max，对模型中的参数进行更新迭代，直到参数值不变或达到最大迭代次数，终止参数迭代，将迭代完成的参数作为模型参数，所述参数更新公式为：
Figure 409929DEST_PATH_IMAGE029
其中：
Figure 737005DEST_PATH_IMAGE030
为学习率，将其设置为0.6；
x表示待优化更新的参数，包括卷积层参数
Figure 349252DEST_PATH_IMAGE015
，空洞卷积层参数
Figure 824096DEST_PATH_IMAGE017
以及反卷积层参数；
s表示参数迭代次数。
所述S5步骤中对标记到的裂纹进行裂纹长度以及宽度的测量，包括：
显示屏利用十字光标尺对标记到的裂纹进行长度和宽度的测量，所述裂纹测量的流程为：
1）利用最大类间差方法对图像的裂纹区域进行二值化处理，分割得到前景像素和背景像素；
2）对于图像裂纹区域的任意像素(i,j)，以该像素(i,j)为中心，遍历3*3像素区域内的所有邻域像素，其中(i,j)表示像素点在图像中的坐标，若邻域像素满足下述所有条件，则删除该像素(i,j)：
以像素(i,j)为中心的3*3像素区域内的前景像素个数在3-7个之间；
像素(i,j)的上邻域像素、下邻域像素、左邻域像素至少有一个为背景像素；
像素(i,j)周围8邻域内同时存在背景像素和前景像素，且满足背景像素只有一个连通，像素(i,j)也只有一个连通；
3）重复步骤2），裂纹区域所保留的像素集合为裂纹的细化区域；
4）利用十字光标尺测量裂纹细化区域的长度，将裂纹细化区域的长度作为裂纹长度；
5）计算裂纹细化区域的最大宽度：
Figure 117674DEST_PATH_IMAGE031
其中：
d表示裂纹细化区域内中轴线的像素点到背景点的最大距离；
6）将所测量的裂纹长度和最大宽度标记在显示图像中对应裂纹的上方。
此外，本发明还提供一种裂纹测量内窥镜，所述内窥镜包括：
所述内窥镜的型号为工业内窥镜C50，包括摄像头、内窥镜检测系统以及主机；
摄像头，用于检测被测物，获取被测物图像，并将被测物图像传输到显示屏；所述摄像头的探头直径为Φ8mm，像素为100万，景深为8-80mm，可视方向为直视；
内窥镜检测系统，包括内窥镜控制设备，显示屏，图像处理设备，所述内窥镜控制设备用于控制内窥镜摄像头的光照强度，以及控制选择内窥镜的拍照或录像功能，所述显示屏用于展示接收到的被测物图像，所述图像处理设备用于检测图像中的裂纹，并测量裂纹的长度和宽度；
主机，包括HDMI输出端口，用于将显示屏的图像进行投影，以及一组三节18650充电锂电池，标配两组，主机的工作电压为DC12V，防水防尘等级为IP55。
相对于现有技术，本发明提出一种裂纹测量内窥镜，该技术具有以下优势：
首先，相较于传统内窥镜仅可以实现静态图像的裂纹检测，本方案所提出内窥镜可以实现静态图像和动态视频的裂纹检测，通过利用内窥镜检测系统中的内窥镜控制设备控制选择内窥镜的拍照或录像功能，并控制内窥镜摄像头的光照强度，拍摄得到被测物的静态图像或动态视频，若拍摄得到静态图像，则直接利用高清图像传感技术将静态图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对静态图像进行裂纹测量，显示屏的展示结果为带有裂纹标记的静态图像；若拍摄得到动态视频，则利用高清图像传感技术将动态视频的每帧图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对每帧图像进行裂纹测量，显示屏将裂纹测量后的每帧图像合并为动态视频，显示屏的展示结果为带有裂纹标记的动态视频。同时针对工业场景下图像亮度过低的问题，本方案利用伽马变换方法对图像灰度值进行增强处理，通过将伽马变换参数设置为0.4，在图像的低灰度值区域，
Figure 361574DEST_PATH_IMAGE005
的动态范围变大，进而实现图像对比度增强，而在图像的高灰度值区域，
Figure 879143DEST_PATH_IMAGE005
的动态变化范围较小，图像对比度变低，且图像的整体灰度值变大，在内窥镜测量的实际应用中，所检测的图像大多位于暗处，存在大量低灰度值的像素，因此可利用伽马变换方法实现图像增强处理。
同时，本方案对被测物图像进行膨胀处理，填补被测物图像中的空洞，并对膨胀处理后的图像进行腐蚀处理，从而去除图像中的孤立点，避免图像中的孤立点以及空洞被检测为裂纹，提高了后续裂纹区域检测的准确性。
最后，本方案提出一种裂纹检测与测量流程，所述裂纹检测模型包括图像编码器、图像金字塔以及图像解码器；所述图像编码器的输入为腐蚀膨胀处理后的被测物图像M，所述图像编码器包括一个步长为1的3*3像素大小的卷积层以及一个步长为2的2*2像素大小的空洞卷积层，编码器将空洞卷积特征作为图像编码器的输出，并将空洞卷积特征输出到图像金字塔；相较于传统e*r像素大小的卷积核，空洞卷积层中卷积核的感受野计算公式为：
Figure 841282DEST_PATH_IMAGE018
Figure 672972DEST_PATH_IMAGE019
其中：
Figure 305466DEST_PATH_IMAGE032
表示空洞卷积层中卷积核的感受野大小；r表示扩张率，因此对于一个扩张率为2的3*3像素大小的卷积核，其感受野大小为5*5，由于空洞卷积中只有权重不为0的卷积核部分参与运算，参数数量就远小于普通5*5大小的卷积核；所述图像金字塔接收空洞卷积特征，并对空洞卷积特征进行多层拉普拉斯金字塔分解：
Figure 728357DEST_PATH_IMAGE021
其中：
Figure 381056DEST_PATH_IMAGE033
表示第t层的拉普拉斯金字塔分解结果；
Figure 78753DEST_PATH_IMAGE034
表示拉普拉斯金字塔分解公式；选取第L层以下的拉普拉斯金字塔分解结果，其中L小于10，设置特征阈值
Figure 31666DEST_PATH_IMAGE035
，对于所选取的每层拉普拉斯金字塔分解结果中的任意特征点，若该特征点大于特征阈值
Figure 94300DEST_PATH_IMAGE035
，则将其标记为图像裂纹区域特征；将所有拉普拉斯金字塔分解结果进行融合：
Figure 765452DEST_PATH_IMAGE024
其中：Q为融合后的特征，将融合特征Q输入到解码器；所述解码器包含3个步长为2的反卷积层，且每个反卷积层连接着批归一化层，解码器接收融合特征Q，利用反卷积层将融合特征恢复到原始分辨率的图像，图像中具有特征标记的区域即为裂纹区域，将裂纹区域映射到显示屏所接收图像的对应位置，同时显示屏展示具有裂纹区域标记的图像。相较于传统方案，本方案将拉普拉斯金字塔以及空洞卷积结合到裂纹检测模型中，通过利用空洞卷积方法扩大感受野范围，从而实现更大范围裂纹特征的检索识别，并利用拉普拉斯金字塔实现图像的多尺度分解，由于分解尺度越高，分解结果越模糊，因此本案选取低层分解结果进行特征检测，识别得到图像裂纹区域特征，并将图像裂纹区域特征映射为裂纹区域，实现图像裂纹检测。
根据裂纹检测结果，显示屏利用十字光标尺对标记到的裂纹进行长度和宽度的测量，所述裂纹测量的流程为：1）利用最大类间差方法对图像的裂纹区域进行二值化处理，分割得到前景像素和背景像素；2）对于图像裂纹区域的任意像素(i,j)，以该像素(i,j)为中心，遍历3*3像素区域内的所有邻域像素，其中(i,j)表示像素点在图像中的坐标，若邻域像素满足下述所有条件，则删除该像素(i,j)：以像素(i,j)为中心的3*3像素区域内的前景像素个数在3-7个之间；像素(i,j)的上邻域像素、下邻域像素、左邻域像素至少有一个为背景像素；像素(i,j)周围8邻域内同时存在背景像素和前景像素，且满足背景像素只有一个连通，像素(i,j)也只有一个连通；3）重复步骤2），裂纹区域所保留的像素集合为裂纹的细化区域；4）利用十字光标尺测量裂纹细化区域的长度，将裂纹细化区域的长度作为裂纹长度；5）计算裂纹细化区域的最大宽度：
Figure 266841DEST_PATH_IMAGE031
其中：d表示裂纹细化区域内中轴线的像素点到背景点的最大距离；6）将所测量的裂纹长度和最大宽度标记在显示图像中对应裂纹的上方。本方案通过基于二值化方法以及连通域，对图像的裂纹区域进行细化，得到裂纹的细化骨架部分，从而利用十字光标尺等工具测量得到裂纹的长度和最大宽度，实现被测物裂纹的实时检测和测量。
附图说明
图1为本发明一实施例提供的一种裂纹测量内窥镜的裂纹测量流程示意图；
图2为本发明一实施例提供的一种内窥镜的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
S1：利用内窥镜的摄像头检测被测物，并利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备。
所述S1步骤中利用内窥镜的摄像头检测被测物，包括：
利用内窥镜检测系统中的内窥镜控制设备控制选择内窥镜的拍照或录像功能，并控制内窥镜摄像头的光照强度，拍摄得到被测物的静态图像或动态视频，所述摄像头的探头直径为Φ8mm，像素为100万，景深为8-80mm，可视方向为直视；在本发明一个具体实施例中，若拍摄得到静态图像，则直接利用高清图像传感技术将静态图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对静态图像进行裂纹测量，显示屏的展示结果为带有裂纹标记的静态图像；若拍摄得到动态视频，则利用高清图像传感技术将动态视频的每帧图像传输到显示屏，同时内窥镜检测系统中的图像处理设备对每帧图像进行裂纹测量，显示屏将裂纹测量后的每帧图像合并为动态视频，显示屏的展示结果为带有裂纹标记的动态视频。
所述S1步骤中利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备，包括：
摄像头的传感器将实时拍摄到的图像传输到显示屏，所述传输方式为高清图像传感技术，对于静态图像，摄像头的传感器利用无线网络将实时拍摄的静态图像传输到显示屏，对于动态视频，摄像头的传感器利用无线网络将实时拍摄的动态视频的每帧图像传输到显示屏，所述高清图像传感技术的流程为：
摄像头的传感器将拍摄到的图像进行压缩打包，所述图像压缩的方法为LZ77图像压缩算法，压缩结果为
Figure 339839DEST_PATH_IMAGE001
，其中I表示摄像头实时拍摄到的被测物图像，所述打包结果为数据包，数据包格式包括服务类型、生存时间、网络协议、消息ID标识、图像拍摄时间、图像序列，其中服务类型={0,1}，其中0表示该图像为静态图像，1表示该图像为动态视频中的一帧图像，生存时间为数据包的存在时间，将其设置为10秒，网络协议设置为TCP/IP协议，消息ID标识为数据包的ID，若服务类型为0，则图像序列为0，若服务类型为1，则图像序列的值k表示该图像为动态视频的第k帧图像；在本发明一个具体实施例中，本发明按照图像序列顺序将多帧图像合并为动态视频，展示在显示屏中；
摄像头的传感器将压缩打包后的数据包分别传输到内窥镜检测系统的显示屏以及图像处理设备，显示屏以及图像处理设备分别对接收到的数据包进行解压缩处理。
S2：图像处理设备基于伽马变换方法对被测物图像进行图像增强处理。
所述S2步骤中基于伽马变换方法对图像进行图像增强处理，包括：
所述图像处理设备基于伽马变换方法对图像进行图像增强处理，所述图像增强处理的流程为：
1）对接收到的被测物图像的灰度值进行归一化处理：
Figure 570445DEST_PATH_IMAGE002
其中：
w表示被测物图像中任意像素的灰度值；
Vw表示灰度值w的归一化处理结果；
2）利用伽马变换方法对归一化处理后的灰度值进行增强处理，所述伽马变换公式为：
Figure 994473DEST_PATH_IMAGE003
其中：
Figure 971656DEST_PATH_IMAGE004
表示伽马变换参数，将其设置为0.4，在图像的低灰度值区域，
Figure 899161DEST_PATH_IMAGE005
的动态范围变大，进而实现图像对比度增强，而在图像的高灰度值区域，
Figure 365914DEST_PATH_IMAGE005
的动态变化范围较小，图像对比度变低，且图像的整体灰度值变大，在内窥镜测量的实际应用中，所检测的图像大多位于暗处，存在大量低灰度值的像素，因此可利用伽马变换方法实现图像增强处理；
Figure 214922DEST_PATH_IMAGE036
表示灰度值w的伽马增强结果。
S3：图像处理设备利用腐蚀膨胀方法对增强后的图像进行处理，去除图像中的孤立点以及空洞，避免图像中的孤立点以及空洞被检测为裂纹。
所述S3步骤中利用腐蚀膨胀方法对增强后的图像进行处理，包括：
所述图像处理设备利用腐蚀膨胀方法对伽马增强后的图像进行腐蚀膨胀处理，所述腐蚀膨胀处理的流程为：
1）将伽马增强后的图像转换为像素矩阵A，对像素矩阵A进行腐蚀处理：
Figure 526954DEST_PATH_IMAGE007
其中：
A表示像素矩阵；
Figure 840124DEST_PATH_IMAGE008
表示腐蚀处理后的像素矩阵；
B表示腐蚀矩阵，所采用的腐蚀矩阵为：
Figure 415462DEST_PATH_IMAGE009
将B在A上顺序移动，对移动过程中的矩阵交点求并集，填补像素矩阵A中的空洞；
2）对腐蚀后的像素矩阵
Figure 548503DEST_PATH_IMAGE008
进行膨胀处理：
Figure 932735DEST_PATH_IMAGE010
其中：
D表示腐蚀膨胀处理后的像素矩阵；
C表示膨胀矩阵，所采用的膨胀矩阵为：
Figure 38094DEST_PATH_IMAGE011
将
Figure 581071DEST_PATH_IMAGE008
在C上顺序移动，对移动过程中的矩阵交点求交集，去除图像中的孤立点；
3）将腐蚀膨胀后的像素矩阵D转换为图像，所转换图像即为腐蚀膨胀处理后的图像，去除图像中的孤立点以及空洞，避免图像中的孤立点以及空洞被检测为裂纹。
S4：图像处理设备利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，并在显示屏中标记检测到的裂纹。
所述S4步骤中利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，包括：
所述裂纹检测模型包括图像编码器、图像金字塔以及图像解码器；
所述图像编码器的输入为腐蚀膨胀处理后的被测物图像M，所述图像编码器包括一个步长为1的3*3像素大小的卷积层以及一个步长为2的2*2像素大小的空洞卷积层，所述图像编码器对图像M进行编码处理的公式为：
Figure 201408DEST_PATH_IMAGE012
Figure 120823DEST_PATH_IMAGE013
其中：
Figure 80689DEST_PATH_IMAGE014
表示对输入值进行卷积处理，
Figure 60146DEST_PATH_IMAGE015
表示卷积层的参数，包括卷积层的权重以及偏置量；
Figure 167779DEST_PATH_IMAGE016
表示对输入值进行空洞卷积处理，
Figure 828568DEST_PATH_IMAGE017
表示空洞卷积层的参数，包括空洞卷积层的权重以及偏置量；
Figure 702327DEST_PATH_IMAGE037
表示图像M的卷积特征；
Figure 852686DEST_PATH_IMAGE038
表示图像M的空洞卷积特征，将空洞卷积特征作为图像编码器的输出，并将F2输出到图像金字塔；
相较于传统e*r像素大小的卷积核，空洞卷积层中卷积核的感受野计算公式为：
Figure 385298DEST_PATH_IMAGE018
Figure 646515DEST_PATH_IMAGE019
其中：
Figure 377711DEST_PATH_IMAGE020
表示空洞卷积层中卷积核的感受野大小；
r表示扩张率，因此对于一个扩张率为2的3*3像素大小的卷积核，其感受野大小为5*5，由于空洞卷积中只有权重不为0的卷积核部分参与运算，参数数量就远小于普通5*5大小的卷积核；
所述图像金字塔接收空洞卷积特征F2，并对空洞卷积特征F2进行多层拉普拉斯金字塔分解：
Figure 698971DEST_PATH_IMAGE021
其中：
Figure 718880DEST_PATH_IMAGE022
表示第t层的拉普拉斯金字塔分解结果；
Figure 518208DEST_PATH_IMAGE023
表示拉普拉斯金字塔分解公式；
选取第L层以下的拉普拉斯金字塔分解结果，其中L小于10，设置特征阈值δ，对于所选取的每层拉普拉斯金字塔分解结果中的任意特征点，若该特征点大于特征阈值δ，则将其标记为图像裂纹区域特征；
将所有拉普拉斯金字塔分解结果进行融合：
Figure 369490DEST_PATH_IMAGE024
其中：
Q为融合后的特征，将融合特征Q输入到解码器；
所述解码器包含3个步长为2的反卷积层，且每个反卷积层连接着批归一化层，解码器接收融合特征Q，利用反卷积层将融合特征恢复到原始分辨率的图像，图像中具有特征标记的区域即为裂纹区域，将裂纹区域映射到显示屏所接收图像的对应位置，同时显示屏展示具有裂纹区域标记的图像。
所述S4步骤中基于图像金字塔的裂纹检测模型的参数优化流程为：
构建基于图像金字塔的裂纹检测模型的损失函数，并搜集训练数据集，所述训练数据集的格式为
Figure 64913DEST_PATH_IMAGE025
，其中(In，yn)表示一组训练数据，In表示被测物图像，yn表示被测物图像中的裂纹区域，n表示训练数据集中训练数据的数量；所构建的损失函数为：
Figure 106206DEST_PATH_IMAGE026
其中：
Figure 974805DEST_PATH_IMAGE027
为裂纹检测模型对第i个训练数据Ii的裂纹区域检测输出值；
Figure 680593DEST_PATH_IMAGE028
为第i个训练数据Ii的真实裂纹区域；
设置参数优化的最大迭代次数Max，对模型中的参数进行更新迭代，直到参数值不变或达到最大迭代次数，终止参数迭代，将迭代完成的参数作为模型参数，所述参数更新公式为：
Figure 281338DEST_PATH_IMAGE029
其中：
Figure 72577DEST_PATH_IMAGE030
为学习率，将其设置为0.6；
x表示待优化更新的参数，包括卷积层参数
Figure 479287DEST_PATH_IMAGE015
，空洞卷积层参数
Figure 242844DEST_PATH_IMAGE017
以及反卷积层参数；
s表示参数迭代次数。
S5：显示屏对标记到的裂纹进行裂纹长度以及宽度的测量，将测量结果标记在显示图像对应裂纹的上方。
所述S5步骤中对标记到的裂纹进行裂纹长度以及宽度的测量，包括：
显示屏利用十字光标尺对标记到的裂纹进行长度和宽度的测量，所述裂纹测量的流程为：
1）利用最大类间差方法对图像的裂纹区域进行二值化处理，分割得到前景像素和背景像素；
2）对于图像裂纹区域的任意像素(i,j)，以该像素(i,j)为中心，遍历3*3像素区域内的所有邻域像素，其中(i,j)表示像素点在图像中的坐标，若邻域像素满足下述所有条件，则删除该像素(i,j)：
以像素(i,j)为中心的3*3像素区域内的前景像素个数在3-7个之间；
像素(i,j)的上邻域像素、下邻域像素、左邻域像素至少有一个为背景像素；
像素(i,j)周围8邻域内同时存在背景像素和前景像素，且满足背景像素只有一个连通，像素(i,j)也只有一个连通；
3）重复步骤2），裂纹区域所保留的像素集合为裂纹的细化区域；
4）利用十字光标尺测量裂纹细化区域的长度，将裂纹细化区域的长度作为裂纹长度；
5）计算裂纹细化区域的最大宽度：
Figure 811229DEST_PATH_IMAGE031
其中：
d表示裂纹细化区域内中轴线的像素点到背景点的最大距离；
6）将所测量的裂纹长度和最大宽度标记在显示图像中对应裂纹的上方。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种裂纹测量内窥镜，其特征在于，所述内窥镜包括摄像头、内窥镜检测系统以及主机，其中内窥镜检测系统包括显示屏以及图像处理设备，所述内窥镜的裂纹测量流程为：
S1：利用内窥镜的摄像头检测被测物，并利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备；
S2：图像处理设备基于伽马变换方法对被测物图像进行图像增强处理；
S3：图像处理设备利用腐蚀膨胀方法对增强后的图像进行处理，去除图像中的孤立点以及空洞，避免图像中的孤立点以及空洞被检测为裂纹；
S4：图像处理设备利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，并在显示屏中标记检测到的裂纹；
S5：显示屏对标记到的裂纹进行裂纹长度以及宽度的测量，将测量结果标记在显示图像对应裂纹的上方。
2.如权利要求1所述的一种裂纹测量内窥镜，其特征在于，所述S1步骤中利用内窥镜的摄像头检测被测物，包括：
利用内窥镜检测系统中的内窥镜控制设备控制选择内窥镜的拍照或录像功能，并控制内窥镜摄像头的光照强度，拍摄得到被测物的静态图像或动态视频，所述摄像头的探头直径为Φ8mm，像素为100万，景深为8-80mm，可视方向为直视。
3.如权利要求2所述的一种裂纹测量内窥镜，其特征在于，所述S1步骤中利用高清图像传感技术将检测到的被测物图像传输到显示屏以及图像处理设备，包括：
摄像头的传感器将实时拍摄到的图像传输到显示屏，所述传输方式为高清图像传感技术，对于静态图像，摄像头的传感器利用无线网络将实时拍摄的静态图像传输到显示屏，对于动态视频，摄像头的传感器利用无线网络将实时拍摄的动态视频的每帧图像传输到显示屏，所述高清图像传感技术的流程为：
摄像头的传感器将拍摄到的图像进行压缩打包，所述图像压缩的方法为LZ77图像压缩算法，压缩结果为
Figure 908138DEST_PATH_IMAGE001
，其中I表示摄像头实时拍摄到的被测物图像，所述打包结果为数据包，数据包格式包括服务类型、生存时间、网络协议、消息ID标识、图像拍摄时间、图像序列，其中服务类型={0,1}，其中0表示该图像为静态图像，1表示该图像为动态视频中的一帧图像，生存时间为数据包的存在时间，将其设置为10秒，网络协议设置为TCP/IP协议，消息ID标识为数据包的ID，若服务类型为0，则图像序列为0，若服务类型为1，则图像序列的值k表示该图像为动态视频的第k帧图像；
摄像头的传感器将压缩打包后的数据包分别传输到内窥镜检测系统的显示屏以及图像处理设备，显示屏以及图像处理设备分别对接收到的数据包进行解压缩处理。
4.如权利要求1所述的一种裂纹测量内窥镜，其特征在于，所述S2步骤中基于伽马变换方法对图像进行图像增强处理，包括：
所述图像处理设备基于伽马变换方法对图像进行图像增强处理，所述图像增强处理的流程为：
1）对接收到的被测物图像的灰度值进行归一化处理：
Figure 712015DEST_PATH_IMAGE002
其中：
w表示被测物图像中任意像素的灰度值；
Vw表示灰度值w的归一化处理结果；
2）利用伽马变换方法对归一化处理后的灰度值进行增强处理，所述伽马变换公式为：
Figure 798919DEST_PATH_IMAGE003
其中：
Figure 413571DEST_PATH_IMAGE004
表示伽马变换参数，将其设置为0.4；
Figure 841054DEST_PATH_IMAGE005
表示灰度值w的伽马增强结果。
5.如权利要求4所述的一种裂纹测量内窥镜，其特征在于，所述S3步骤中利用腐蚀膨胀方法对增强后的图像进行处理，包括：
所述图像处理设备利用腐蚀膨胀方法对伽马增强后的图像进行腐蚀膨胀处理，所述腐蚀膨胀处理的流程为：
1）将伽马增强后的图像转换为像素矩阵A，对像素矩阵A进行腐蚀处理：
Figure 933775DEST_PATH_IMAGE006
其中：
A表示像素矩阵；
Figure 875186DEST_PATH_IMAGE007
表示腐蚀处理后的像素矩阵；
B表示腐蚀矩阵，所采用的腐蚀矩阵为：
Figure 706745DEST_PATH_IMAGE008
将B在A上顺序移动，对移动过程中的矩阵交点求并集；
2）对腐蚀后的像素矩阵
Figure 304079DEST_PATH_IMAGE007
进行膨胀处理：
Figure 262808DEST_PATH_IMAGE009
其中：
D表示腐蚀膨胀处理后的像素矩阵；
C表示膨胀矩阵，所采用的膨胀矩阵为：
Figure 307993DEST_PATH_IMAGE010
将
Figure 264448DEST_PATH_IMAGE007
在C上顺序移动，对移动过程中的矩阵交点求交集；
3）将腐蚀膨胀后的像素矩阵D转换为图像，所转换图像即为腐蚀膨胀处理后的图像。
6.如权利要求1所述的一种裂纹测量内窥镜，其特征在于，所述S4步骤中利用基于图像金字塔的裂纹检测模型对图像中的裂纹进行检测，包括：
所述裂纹检测模型包括图像编码器、图像金字塔以及图像解码器；
所述图像编码器的输入为腐蚀膨胀处理后的被测物图像M，所述图像编码器包括一个步长为1的3*3像素大小的卷积层以及一个步长为2的2*2像素大小的空洞卷积层，所述图像编码器对图像M进行编码处理的公式为：
Figure 411395DEST_PATH_IMAGE011
Figure 95186DEST_PATH_IMAGE012
其中：
Figure 11190DEST_PATH_IMAGE013
表示对输入值进行卷积处理，
Figure 935284DEST_PATH_IMAGE014
表示卷积层的参数，包括卷积层的权重以及偏置量；
Figure 756478DEST_PATH_IMAGE015
表示对输入值进行空洞卷积处理，
Figure 57009DEST_PATH_IMAGE016
表示空洞卷积层的参数，包括空洞卷积层的权重以及偏置量；
Figure 14470DEST_PATH_IMAGE017
表示图像M的卷积特征；
Figure 109465DEST_PATH_IMAGE018
表示图像M的空洞卷积特征，将空洞卷积特征作为图像编码器的输出，并将F2输出到图像金字塔；
所述图像金字塔接收空洞卷积特征F2，并对空洞卷积特征F2进行多层拉普拉斯金字塔分解：
Figure 434267DEST_PATH_IMAGE019
其中：
Figure 256598DEST_PATH_IMAGE020
表示第t层的拉普拉斯金字塔分解结果；
Figure 147194DEST_PATH_IMAGE021
表示拉普拉斯金字塔分解公式；
选取第L层以下的拉普拉斯金字塔分解结果，其中L小于10，设置特征阈值δ，对于所选取的每层拉普拉斯金字塔分解结果中的任意特征点，若该特征点大于特征阈值δ，则将其标记为图像裂纹区域特征；
将所有拉普拉斯金字塔分解结果进行融合：
Figure 616352DEST_PATH_IMAGE022
其中：
Q为融合后的特征，将融合特征Q输入到解码器；
所述解码器包含3个步长为2的反卷积层，且每个反卷积层连接着批归一化层，解码器接收融合特征Q，利用反卷积层将融合特征恢复到原始分辨率的图像，图像中具有特征标记的区域即为裂纹区域，将裂纹区域映射到显示屏所接收图像的对应位置，同时显示屏展示具有裂纹区域标记的图像。
7.如权利要求6所述的一种裂纹测量内窥镜，其特征在于，所述S4步骤中基于图像金字塔的裂纹检测模型的参数优化流程为：
构建基于图像金字塔的裂纹检测模型的损失函数，并搜集训练数据集，所述训练数据集的格式为
Figure 208877DEST_PATH_IMAGE023
，其中(In，yn)表示一组训练数据，In表示被测物图像，yn表示被测物图像中的裂纹区域，n表示训练数据集中训练数据的数量；所构建的损失函数为：
Figure 851211DEST_PATH_IMAGE024
其中：
Figure 533996DEST_PATH_IMAGE025
为裂纹检测模型对第i个训练数据Ii的裂纹区域检测输出值；
Figure 479781DEST_PATH_IMAGE026
为第i个训练数据Ii的真实裂纹区域；
设置参数优化的最大迭代次数Max，对模型中的参数进行更新迭代，直到参数值不变或达到最大迭代次数，终止参数迭代，将迭代完成的参数作为模型参数，所述参数更新公式为：
Figure 248017DEST_PATH_IMAGE027
其中：
Figure 428462DEST_PATH_IMAGE028
为学习率，将其设置为0.6；
x表示待优化更新的参数，包括卷积层参数
Figure 480601DEST_PATH_IMAGE014
，空洞卷积层参数
Figure 353879DEST_PATH_IMAGE016
以及反卷积层参数；s表示参数迭代次数。
8.如权利要求1所述的一种裂纹测量内窥镜，其特征在于，所述S5步骤中对标记到的裂纹进行裂纹长度以及宽度的测量，包括：
显示屏利用十字光标尺对标记到的裂纹进行长度和宽度的测量，所述裂纹测量的流程为：
1）利用最大类间差方法对图像的裂纹区域进行二值化处理，分割得到前景像素和背景像素；
2）对于图像裂纹区域的任意像素(i,j)，以该像素(i,j)为中心，遍历3*3像素区域内的所有邻域像素，其中(i,j)表示像素点在图像中的坐标，若邻域像素满足下述所有条件，则删除该像素(i,j)：
以像素(i,j)为中心的3*3像素区域内的前景像素个数在3-7个之间；
像素(i,j)的上邻域像素、下邻域像素、左邻域像素至少有一个为背景像素；
像素(i,j)周围8邻域内同时存在背景像素和前景像素，且满足背景像素只有一个连通，像素(i,j)也只有一个连通；
3）重复步骤2），裂纹区域所保留的像素集合为裂纹的细化区域；
4）利用十字光标尺测量裂纹细化区域的长度，将裂纹细化区域的长度作为裂纹长度；
5）计算裂纹细化区域的最大宽度：
Figure 858678DEST_PATH_IMAGE029
其中：
d表示裂纹细化区域内中轴线的像素点到背景点的最大距离；
6）将所测量的裂纹长度和最大宽度标记在显示图像中对应裂纹的上方。
CN202210364340.7A 2022-04-08 2022-04-08 一种裂纹测量内窥镜 Active CN114441546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364340.7A CN114441546B (zh) 2022-04-08 2022-04-08 一种裂纹测量内窥镜

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364340.7A CN114441546B (zh) 2022-04-08 2022-04-08 一种裂纹测量内窥镜

Publications (2)

Publication Number Publication Date
CN114441546A true CN114441546A (zh) 2022-05-06
CN114441546B CN114441546B (zh) 2022-06-24

Family

ID=81358499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364340.7A Active CN114441546B (zh) 2022-04-08 2022-04-08 一种裂纹测量内窥镜

Country Status (1)

Country Link
CN (1) CN114441546B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09161061A (ja) * 1995-12-12 1997-06-20 Fuji Photo Film Co Ltd 画像処理方法および装置
CN104166986A (zh) * 2014-07-07 2014-11-26 广东工业大学 一种条状物体表面缺陷在线视觉注意力检测方法
US20170372465A1 (en) * 2016-06-28 2017-12-28 ecoATM, Inc. Methods and systems for detecting cracks in illuminated electronic device screens
CN109949294A (zh) * 2019-03-21 2019-06-28 哈尔滨理工大学 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN109978032A (zh) * 2019-03-15 2019-07-05 西安电子科技大学 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法
CN110455827A (zh) * 2019-08-13 2019-11-15 高瑶 一种智能新能源电池板合格检测系统及方法
CN110940679A (zh) * 2019-12-09 2020-03-31 南京理工大学 基于fpga的电子内窥镜裂纹检测系统及方法
CN111080641A (zh) * 2019-12-30 2020-04-28 上海商汤智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质
CN111524117A (zh) * 2020-04-20 2020-08-11 南京航空航天大学 一种基于特征金字塔网络的隧道表面缺陷检测方法
CN211478107U (zh) * 2019-11-18 2020-09-11 广西南宁东康医疗器械有限公司 医用内窥镜镜片检测仪
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN113205501A (zh) * 2021-05-10 2021-08-03 华中科技大学 一种基于轻量化空洞卷积的焊缝缺陷多尺度特征提取模块
CN113592782A (zh) * 2021-07-07 2021-11-02 山东大学 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09161061A (ja) * 1995-12-12 1997-06-20 Fuji Photo Film Co Ltd 画像処理方法および装置
CN104166986A (zh) * 2014-07-07 2014-11-26 广东工业大学 一种条状物体表面缺陷在线视觉注意力检测方法
US20170372465A1 (en) * 2016-06-28 2017-12-28 ecoATM, Inc. Methods and systems for detecting cracks in illuminated electronic device screens
CN109978032A (zh) * 2019-03-15 2019-07-05 西安电子科技大学 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法
CN109949294A (zh) * 2019-03-21 2019-06-28 哈尔滨理工大学 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN110455827A (zh) * 2019-08-13 2019-11-15 高瑶 一种智能新能源电池板合格检测系统及方法
CN211478107U (zh) * 2019-11-18 2020-09-11 广西南宁东康医疗器械有限公司 医用内窥镜镜片检测仪
CN110940679A (zh) * 2019-12-09 2020-03-31 南京理工大学 基于fpga的电子内窥镜裂纹检测系统及方法
CN111080641A (zh) * 2019-12-30 2020-04-28 上海商汤智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质
CN111524117A (zh) * 2020-04-20 2020-08-11 南京航空航天大学 一种基于特征金字塔网络的隧道表面缺陷检测方法
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN113205501A (zh) * 2021-05-10 2021-08-03 华中科技大学 一种基于轻量化空洞卷积的焊缝缺陷多尺度特征提取模块
CN113592782A (zh) * 2021-07-07 2021-11-02 山东大学 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WENJUN WANG等: "Convolutional Neural Network-Based Pavement Crack Segmentation Using Pyramid Attention Network", 《IEEE ACCESS》 *
YANYAN WANG等: "RENet-Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks", 《MEASUREMENT》 *
李梦怡 等: "基于全卷积网络的图像语义分割方法综述", 《计算机系统应用》 *
陈涵深 等: "基于U型全卷积神经网络的路面裂缝检测", 《光电工程》 *

Also Published As

Publication number Publication date
CN114441546B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN108230437B (zh) 场景重建方法和装置、电子设备、程序和介质
CN111914819B (zh) 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端
CN113345019A (zh) 一种输电线路通道隐患目标测距方法、设备及介质
CN109063748A (zh) 基于数据增强的目标检测方法
CN109615601B (zh) 一种融合彩色与灰阶深度图像的方法
CN111027415B (zh) 一种基于偏振图像的车辆检测方法
CN110910456B (zh) 基于Harris角点互信息匹配的立体相机动态标定方法
CN112528974B (zh) 测距方法、装置、电子设备及可读存储介质
CN116109954B (zh) 房屋安全隐患识别方法、装置及存储介质
CN112560619A (zh) 一种基于多聚焦图像融合的多距离鸟类精准识别方法
CN110553151B (zh) 一种管道泄漏监测方法和系统
CN113888509A (zh) 一种图像清晰度的评价方法、装置、设备及存储介质
CN114441546B (zh) 一种裂纹测量内窥镜
CN114155223A (zh) 基于有向距离的图像清晰度筛选方法及系统
CN111476062A (zh) 车道线检测方法、装置、电子设备及驾驶系统
CN113762161A (zh) 一种障碍物智能监测方法及系统
CN116310105A (zh) 基于多视图的物体三维重建方法、装置、设备及存储介质
CN115115713A (zh) 一种统一时空融合的环视鸟瞰图感知方法
CN114549613A (zh) 基于深度超分辨率网络的结构位移测量方法及装置
CN111898671B (zh) 激光成像仪和彩色相机编码融合目标识别方法及系统
CN111402223A (zh) 一种利用变电站视频图像的变电站缺陷问题检测方法
CN110807773B (zh) 一种核电站表面缺陷全景图像检测方法
CN116309849B (zh) 一种基于视觉雷达的起重机定位方法
CN117541761B (zh) 一种基于深度学习的鱼眼镜头下包裹检测方法
CN117391973A (zh) 基于多尺度改进残差块cnn的图像去运动模糊方法

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