CN114723700B - 一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 - Google Patents
一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 Download PDFInfo
- Publication number
- CN114723700B CN114723700B CN202210345106.XA CN202210345106A CN114723700B CN 114723700 B CN114723700 B CN 114723700B CN 202210345106 A CN202210345106 A CN 202210345106A CN 114723700 B CN114723700 B CN 114723700B
- Authority
- CN
- China
- Prior art keywords
- crack
- growth
- pixel points
- edge
- point
- 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.)
- Active
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 13
- 238000012216 screening Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000002184 metal Substances 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding Methods 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷检测技术领域，具体涉及一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统。该方法通过温度特征检测出热影响区域。根据热影响区域的位置和裂纹的位置对像素点进行筛选，获得初始生长边缘点和对应邻域范围内的差异像素点。在初始生长边缘点的聚类范围内进行聚类，获得裂纹区域簇。以裂纹区域簇内的差异像素点作为生长预测点。根据裂纹的生长规律在生长预测点位置处进行生长模拟，获得预测生长裂纹。本发明通过对预测生长裂纹的模拟实现裂纹的生长预测。
Description
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统。
背景技术
铁炉是通过金属材料制造或者外壳为金属的工业用具。在工业任务中铁炉主要执行加热操作。铁炉会因为加热不均匀或长时间使用导致表面出现裂纹。对于表面裂纹需要及时进行识别，避免危险事故发生。
对于裂纹识别方法，现有技术可通过图像信息经过神经网络进行识别，获得准确的裂纹位置。但是在工业任务场景下，出于对任务的效率和安全进行考虑，不仅需要识别出裂纹位置，还需要对裂纹的生长方向进行预测，使得工作人员可以制定完整有效的维护方案，保证任务的进行。裂纹的生长预测常通过经验丰富的工作人员进行人为预测，人工预测会消耗精力大，影响工作效率且并不能实现自动化工业生产。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于计算机视觉的铁炉表面裂纹生长预测方法，所述方法包括：
获得铁炉表面红外图像；所述铁炉表面红外图像中相同温度的像素点构成一个温度区域；根据预设温度阈值获得每个所述温度区域的温度类别；所述温度类别包括热区域和冷区域；根据相邻所述温度区域的温度和所述温度类别获得热影响区域；所述热影响区域与所述冷区域和所述热区域相邻，且与相邻的所述冷区域和所述热区域的温度差异大于预设温度差异阈值；
获得铁炉表面图像；获得所述铁炉表面图像中的裂纹边缘像素点；根据相邻所述裂纹边缘像素点的灰度值差异进行分类获得多种同类裂纹边缘像素点；
以距离所述同类裂纹边缘像素点组成的裂纹边缘最近的所述热影响区域的中心点作为所述同类裂纹边缘像素点的引导点；以指向所述引导点的方向上与相邻像素点存在差异的所述同类裂纹边缘像素点作为初始生长边缘点，存在差异的所述相邻像素点为差异像素点；在所述初始生长边缘点的预设聚类范围内根据灰度值进行聚类，获得裂纹区域簇；以属于所述裂纹区域簇的所述差异像素点作为生长预测点；
根据每种相邻的所述同类裂纹边缘像素点之间的偏移角度获得每种所述同类裂纹边缘像素点的生长规律；根据所述生长规律在所述生长预测点处沿着指向所述引导点的方向进行模拟，获得预测生长裂纹。
进一步地，所述根据相邻所述温度区域的温度和所述温度类别获得热影响区域包括：
获得所述冷区域在预设第一邻域范围内与相邻的所述热区域的第一温度梯度；以最大的所述第一温度梯度对应的所述热区域作为间隔热区域；
获得所述间隔热区域在所述第一邻域范围内与相邻的所述热区域的第二温度梯度；若所述第一温度梯度与所述第二温度梯度的和大于所述温度差异阈值，则以对应的所述间隔热区域作为所述热影响区域。
进一步地，所述获得所述铁炉表面图像中的裂纹边缘像素点包括：
通过边缘检测算法获得所述铁炉表面图像中的边缘像素点；将所述边缘像素点进行拟合获得边缘区域图像；将所述边缘区域图像送入预先训练好的裂纹识别网络中，输出裂纹区域图像；所述裂纹区域图像中的边缘像素点为所述裂纹边缘像素点。
进一步地，所述根据相邻所述裂纹边缘像素点的灰度值差异进行分类获得多种同类裂纹边缘像素点包括：
将所述裂纹边缘像素点拟合，获得裂纹边缘线；以所述裂纹边缘线任意一个端点作为初始种子点；获得所述初始种子点与预设第二邻域范围内其他像素点的第一灰度梯度；以最小的所述第一灰度梯度作为所述初始种子点的生长点；
将所述生长点作为种子点重新计算所述第一灰度梯度，直至获得所述初始种子点的所有所述生长点；以所述初始种子点和对应的所述生长点作为所述同类裂纹边缘像素点。
进一步地，所述在所述初始生长边缘点的预设聚类范围内根据灰度值进行聚类，获得裂纹区域簇包括：
在所述聚类范围内利用模糊C均值聚类算法进行聚类；在所述模糊C均值聚类算法过程中，将像素点的灰度分为多个灰度级，根据所述灰度级的差异获得每个像素点与聚类中心的灰度距离；以所述灰度距离和隶属度的乘积的最小值作为所述模糊C均值聚类算法过程中的最优化目标函数。
进一步地，所述以属于所述裂纹区域簇的所述差异像素点作为生长预测点后还包括：
根据所述生长预测点与所述引导点的距离作为灰度权重，根据所述灰度权重调整所述生长预测点的第二灰度梯度；以调整后的所述第二灰度梯度作为所述生长预测点的灰度值。
进一步地，所述根据每种相邻的所述同类裂纹边缘像素点之间的偏移角度获得每种所述同类裂纹边缘像素点的生长规律包括：
每种相邻的所述同类裂纹边缘像素点之间所述偏移角度构成角度序列；根据升序排列的所述角度序列计算所述角度序列的排列熵；以所述排列熵最小的序列作为的角度变化规律作为所述生长规律。
进一步地，所述根据所述生长规律在所述生长预测点处沿着指向所述引导点的方向进行模拟，获得预测生长裂纹包括：
获得每种相邻的所述同类裂纹边缘像素点的灰度值集合；根据所述灰度值集合对所述预测生长裂纹进行灰度赋值。
本发明还提出了一种基于计算机视觉的铁炉表面裂纹生长预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于计算机视觉的铁炉表面裂纹生长预测方法的步骤。
本发明具有如下有益效果：
本发明实施例通过铁炉表面的温度特征确定热影响区域。通过热影响区域和裂纹的位置关系上的像素特征筛选出可能会发生裂纹生长的初始生长边缘点，进一步确定出生长预测点。通过已有裂纹的生长规律在生长预测点处进行生长模拟，获得预测生长裂纹，实现对铁炉表面裂纹生长的预测，预测过程快速且拥有可视化的特点，可以辅助工作人员对铁炉安全状况进行维护处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于计算机视觉的铁炉表面裂纹生长预测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的铁炉表面裂纹生长预测方法流程图，该方法包括：
步骤S1：获得铁炉表面红外图像；铁炉表面红外图像中相同温度的像素点构成一个温度区域；根据预设温度阈值获得每个温度区域的温度类别；温度类别包括热区域和冷区域；根据相邻温度区域的温度和温度类别获得热影响区域；热影响区域与冷区域和热区域相邻，且与相邻的冷区域和热区域的温度差异大于预设温度差异阈值。
热影响区域的常规概念为金属在切割或焊接过程中，金属吸收产生的热量，在熔融金属和未受影响的金属之间形成的区域。热影响区域导致了金属的微观结构与周围区域相比发生变化，导致金属的物理性质发生变化，使得金属结构变得不稳定。在铁炉工作过程中参照上述概念，受热不均匀的区域会产生热影响区域，导致铁炉表面结构不均匀，容易在热影响区域产生裂纹或者向着热影响区域的方向产生裂纹。
通过相机的红外镜头获取铁炉表面红外图像。铁炉表面红外图像为单通道的灰度图像，每个像素点的灰度值表示了像素点位置处的温度大小。相同温度的像素点构成一个温度区域，即铁炉表面红外图像中拥有多个温度区域。根据预设温度阈值获得每个温度区域的温度类别，即大于温度阈值的为热区域，小于等于温度阈值的为冷区域。因为热影响区域存在于受高温影响的温度区域和未受高温影响的温度区域之间，因此需要考虑相邻温度区域的温度特征和温度类别，具体热影响区域获取方法包括：
获得冷区域在预设第一邻域范围内与相邻的热区域的第一温度梯度，即：
其中，为热区域的温度，为冷区域的温度。以最大的第一温度梯度对应的热区域作为间隔热区域。
获得间隔热区域在第一邻域范围内与相邻的热区域的第二温度梯度，即：。若第一温度梯度与第二温度梯度的和大于温度差异阈值，则以对应的间隔热区域作为热影响区域。通过温度差异阈值控制热影响区域的筛选，保证准确的在铁炉表面红外图像中找出与冷区域和热区域相邻且存在较大温度差异的热影响区域。
在本发明实施例中，温度阈值设置为100°，第一邻域范围设置为四邻域，温度差异阈值设置为600。
步骤S2：获得铁炉表面图像；获得铁炉表面图像中的裂纹边缘像素点；根据相邻裂纹边缘像素点的像素值差异进行分类获得多种同类裂纹边缘像素点。
通过相机获取包含表面视觉特征的铁炉表面图像。需要说明的是，铁炉表面红外图像与铁炉表面图像都可利用相机通过全景拍摄围绕铁炉一周获得所有的表面信息。
在本发明实施例中，为了后续获得准确完整的裂纹信息，需要对铁炉表面图像进行预处理，提高图像质量。将铁炉表面图像利用均值灰度化进行灰度化处理，获得灰度图像，将灰度图像通过中值滤波方法去除图像中的椒盐噪声。在其他实施例中也可利用其他预处理方法，在此不多赘述。
铁炉表面图像中包含铁炉边缘、裂纹边缘、噪声等多种信息，因为本发明实施例中仅分析裂纹边缘因此需要去除其他信息，仅保留裂纹边缘信息。具体包括：
通过边缘检测算法获得铁炉表面图像中的边缘像素点。将边缘像素点进行拟合获得边缘区域图像。边缘区域图像包含裂纹边缘或其他边缘，需要保留裂纹边缘将其他信息去除。将边缘区域图像送入预先训练好的裂纹识别网络中，输出裂纹区域图像。裂纹区域图像中的边缘像素点为裂纹边缘像素点。
在本发明实施例中，边缘检测算法采用canny边缘检测。裂纹识别网络的结构为编码-解码结构。采用交叉熵损失函数进行训练，将边缘区域图像送入裂纹识别网络中通过卷积、池化处理后，经过全连接层输出一维特征向量，利用softmax函数得到属于裂纹区域图像的概率。
为了后续对裂纹生长的分析，需要通过裂纹边缘像素点的特征获得单条裂纹边缘，即将相邻裂纹边缘像素点进行分类，因为存在某条边缘为一条主边缘的分支，两条边缘交叉，但是灰度值不同，需要分为两类。因此可利用裂纹边缘像素点的灰度值差异进行分类，获得同类裂纹边缘像素点，具体包括：
将裂纹边缘像素点拟合，获得裂纹边缘线。以裂纹边缘线任意一个端点作为初始种子点。获得初始种子点与预设第二邻域范围内其他像素点的第一灰度梯度。以最小的第一灰度梯度作为初始种子点的生长点。
将生长点作为种子点重新计算第一灰度梯度，直至获得初始种子点的所有生长点；以初始种子点和对应的生长点作为同类裂纹边缘像素点。
在本发明实施例中，第一灰度梯度包括梯度大小和梯度方向，第二邻域范围设置为八邻域。
每种同类裂纹边缘像素点都构成一条单个的裂纹边缘，每条单个的裂纹边缘都存在朝向热影响区域生长裂纹的隐患。
步骤S3：以距离同类裂纹边缘像素点组成的裂纹边缘最近的热影响区域的中心点作为同类裂纹边缘像素点的引导点；以指向引导点的方向上与相邻像素点存在差异的同类裂纹边缘像素点作为初始生长边缘点，存在差异的相邻像素点为差异像素点；在初始生长边缘点的预设聚类范围内根据像素值进行聚类，获得裂纹区域簇；以属于裂纹区域簇的差异像素点作为生长预测点。
以距离同类裂纹边缘像素点组成的裂纹边缘最近的热影响区域的中心点作为同类裂纹边缘像素点的引导点。每条单个的裂纹边缘都存在着朝向引导点生长裂纹的隐患，如果存在裂纹生长趋势，则同类裂纹边缘像素点在朝向引导点的方向上与相邻像素点会存在差异，以指向引导点的方向上与相邻像素点存在差异的同类裂纹边缘像素点作为初始生长边缘点。初始生长边缘点即为单个的裂纹边缘的外轮廓，在裂纹生长过程中必定是从单个的裂纹边缘的外轮廓开始进行生长。以存在差异的所述相邻像素点为差异像素点，差异像素点的种类包括铁炉表面的背景像素点、包含生长裂纹趋势的像素点和无法进行分析的像素点。其中铁炉表面的背景像素点和无法进行分析的像素点都视为噪声，不需要对此分析，仅分析包含生长裂纹趋势的差异像素点。即当单个裂纹边缘存在生长趋势时，对应位置处的差异像素点会存在与裂纹边缘灰度值相近的灰度值，因此可在初始生长边缘点的预设聚类范围内根据灰度值进行聚类，获得裂纹区域簇，裂纹区域簇中包括同类裂纹边缘像素点和存在生长趋势的差异像素点，以属于裂纹区域簇的差异像素点作为生长预测点。其中聚类操作具体包括：
在聚类范围内利用模糊C均值聚类算法进行聚类。在本发明实施例中模糊指数设置为2。聚类簇设置为3，即分为三类：裂纹区域簇、正常背景区域簇和噪声区域簇。
在模糊C均值聚类算法过程中，将像素点的灰度分为多个灰度级，根据灰度级的差异获得每个像素点与聚类中心的灰度距离。即灰度距离为：，其中，为像素点的灰度级，为第类簇的聚类中心。
在本发明实施例中灰度级为0~240，则灰度级第级的像素点在第类簇的隶属度为。模糊C均值聚类算法的隶属度求取方法为公知技术在此不作赘述。
以灰度距离和隶属度的乘积的最小值作为模糊C均值聚类算法过程中的最优化目标函数，即：
其中，为聚类簇的数量，为灰度级总数。当最优化目标函数实现最优化，即达到最小时，聚类簇内像素点之间的灰度距离之和最小，且聚类簇之间的灰度距离之和最大，提高了聚类质量。
为了进一步表示生长预测点的特征，将生长预测点的像素特征与对应的裂纹生长点特征相同，以便于后续的生长模拟，具体包括：
根据生长预测点与引导点的距离作为灰度权重，在本发明实施例中，灰度权重为：
其中，为第个生长预测点的灰度权重，为引导点的坐标，为第个生长预测点的坐标，为归一化函数。
根据灰度权重调整生长预测点的第二灰度梯度，在本发明实施例中，调整后的第二灰度梯度为：
其中，为第个生长预测点的调整后的第二灰度梯度，为第个生长预测点的调整前的第二灰度梯度。以调整后的第二灰度梯度作为生长预测点的灰度值。
步骤S4：根据每种相邻的同类裂纹边缘像素点之间的偏移角度获得每种同类裂纹边缘像素点的生长规律；根据生长规律在生长预测点处沿着指向引导点的方向进行模拟，获得预测生长裂纹。
生长预测点为存在生长趋势的像素点，所以在生长预测点的位置处会发生裂纹生长的情况。为了使得裂纹生长情况能够可视化，需要将生长情况进行模拟，在模拟过程中需要获得裂纹的生长规律，因为生长裂纹是在同类裂纹边缘像素点对应的生长预测点处进行生长的，因此在模拟过程中可根据同类裂纹边缘像素点对应的单个裂纹边缘的形状规律进行模拟，即根据每种相邻的同类裂纹边缘像素点之间的偏移角度获得每种同类裂纹边缘像素点的生长规律，具体包括：
每种相邻的同类裂纹边缘像素点之间偏移角度构成角度序列。根据升序排列的角度序列计算角度序列的排列熵。以排列熵最小的序列作为的角度变化规律作为生长规律。在本发明实施例中，偏移角度的参考角度为单个裂纹边缘的主成分方向，即与主成分方向一致的偏移角度为0°，偏移角度的取值范围为。
在本发明实施例中，排列熵的算法仅采用升序排列序列的方法，排列熵的具体算法为公知技术，不再赘述。在此仅列出排列熵的计算公式：，其中，为排列熵，为序列的个数，为第个序列出现的概率。嵌入维数设置为10，延迟长度设置为3。
在模拟裂纹生长过程中不仅要考虑到裂纹的形状规律，还需要模拟出裂纹的颜色信息，具体包括：
获得每种相邻的同类裂纹边缘像素点的灰度值集合。根据灰度值集合对预测生长裂纹进行灰度赋值。以单个裂纹边缘的颜色作为参考对预测生长裂纹进行灰度赋值，提高了可视化模拟的视觉效果。
需要说明的是，裂纹生长模拟可利用常规的模拟技术，在此不做限定。
工作人员可根据可视化的模拟结果去对铁炉工作参数进行调整，使受热区域均匀或者对将要生长裂纹的区域进行提前修补维护等操作。
综上所述，本发明实施例通过温度特征检测出热影响区域。根据热影响区域的位置和裂纹的位置对像素点进行筛选，获得初始生长边缘点和对应邻域范围内的差异像素点。在初始生长边缘点的聚类范围内进行聚类，获得裂纹区域簇。以裂纹区域簇内的差异像素点作为生长预测点。根据裂纹的生长规律在生长预测点位置处进行生长模拟，获得预测生长裂纹。本发明实施例通过对预测生长裂纹的模拟实现裂纹的生长预测。
本发明还提出了一种基于计算机视觉的铁炉表面裂纹生长预测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于计算机视觉的铁炉表面裂纹生长预测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)
1.一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述方法包括：
获得铁炉表面红外图像；所述铁炉表面红外图像中相同温度的像素点构成一个温度区域；根据预设温度阈值获得每个所述温度区域的温度类别；所述温度类别包括热区域和冷区域；根据相邻所述温度区域的温度和所述温度类别获得热影响区域；所述热影响区域与所述冷区域和所述热区域相邻，且与相邻的所述冷区域和所述热区域的温度差异大于预设温度差异阈值；
获得铁炉表面图像；获得所述铁炉表面图像中的裂纹边缘像素点；根据相邻所述裂纹边缘像素点的灰度值差异进行分类获得多种同类裂纹边缘像素点；
以距离所述同类裂纹边缘像素点组成的裂纹边缘最近的所述热影响区域的中心点作为所述同类裂纹边缘像素点的引导点；以指向所述引导点的方向上与相邻像素点存在差异的所述同类裂纹边缘像素点作为初始生长边缘点，存在差异的所述相邻像素点为差异像素点；在所述初始生长边缘点的预设聚类范围内根据灰度值进行聚类，获得裂纹区域簇；以属于所述裂纹区域簇的所述差异像素点作为生长预测点；
根据每种相邻的所述同类裂纹边缘像素点之间的偏移角度获得每种所述同类裂纹边缘像素点的生长规律；根据所述生长规律在所述生长预测点处沿着指向所述引导点的方向进行模拟，获得预测生长裂纹。
2.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述根据相邻所述温度区域的温度和所述温度类别获得热影响区域包括：
获得所述冷区域在预设第一邻域范围内与相邻的所述热区域的第一温度梯度；以最大的所述第一温度梯度对应的所述热区域作为间隔热区域；
获得所述间隔热区域在所述第一邻域范围内与相邻的所述热区域的第二温度梯度；若所述第一温度梯度与所述第二温度梯度的和大于所述温度差异阈值，则以对应的所述间隔热区域作为所述热影响区域。
3.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述获得所述铁炉表面图像中的裂纹边缘像素点包括：
通过边缘检测算法获得所述铁炉表面图像中的边缘像素点；将所述边缘像素点进行拟合获得边缘区域图像；将所述边缘区域图像送入预先训练好的裂纹识别网络中，输出裂纹区域图像；所述裂纹区域图像中的边缘像素点为所述裂纹边缘像素点。
4.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述根据相邻所述裂纹边缘像素点的灰度值差异进行分类获得多种同类裂纹边缘像素点包括：
将所述裂纹边缘像素点拟合，获得裂纹边缘线；以所述裂纹边缘线任意一个端点作为初始种子点；获得所述初始种子点与预设第二邻域范围内其他像素点的第一灰度梯度；以最小的所述第一灰度梯度作为所述初始种子点的生长点；
将所述生长点作为种子点重新计算所述第一灰度梯度，直至获得所述初始种子点的所有所述生长点；以所述初始种子点和对应的所述生长点作为所述同类裂纹边缘像素点。
5.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述在所述初始生长边缘点的预设聚类范围内根据灰度值进行聚类，获得裂纹区域簇包括：
在所述聚类范围内利用模糊C均值聚类算法进行聚类；在所述模糊C均值聚类算法过程中，将像素点的灰度分为多个灰度级，根据所述灰度级的差异获得每个像素点与聚类中心的灰度距离；以所述灰度距离和隶属度的乘积的最小值作为所述模糊C均值聚类算法过程中的最优化目标函数。
6.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述以属于所述裂纹区域簇的所述差异像素点作为生长预测点后还包括：
根据所述生长预测点与所述引导点的距离作为灰度权重，根据所述灰度权重调整所述生长预测点的第二灰度梯度；以调整后的所述第二灰度梯度作为所述生长预测点的灰度值。
7.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述根据每种相邻的所述同类裂纹边缘像素点之间的偏移角度获得每种所述同类裂纹边缘像素点的生长规律包括：
每种相邻的所述同类裂纹边缘像素点之间所述偏移角度构成角度序列；根据升序排列的所述角度序列计算所述角度序列的排列熵；以所述排列熵最小的序列的角度变化规律作为所述生长规律。
8.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法，其特征在于，所述根据所述生长规律在所述生长预测点处沿着指向所述引导点的方向进行模拟，获得预测生长裂纹包括：
获得每种相邻的所述同类裂纹边缘像素点的灰度值集合；根据所述灰度值集合对所述预测生长裂纹进行灰度赋值。
9.一种基于计算机视觉的铁炉表面裂纹生长预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210345106.XA CN114723700B (zh) | 2022-03-31 | 2022-03-31 | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210345106.XA CN114723700B (zh) | 2022-03-31 | 2022-03-31 | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114723700A CN114723700A (zh) | 2022-07-08 |
| CN114723700B true CN114723700B (zh) | 2023-05-12 |
Family
ID=82241343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210345106.XA Active CN114723700B (zh) | 2022-03-31 | 2022-03-31 | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723700B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311292B (zh) * | 2022-10-12 | 2023-01-17 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
| CN115861987B (zh) * | 2023-02-27 | 2023-05-12 | 江苏天南电力股份有限公司 | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 |
| CN115953690B (zh) * | 2023-03-09 | 2023-05-19 | 济宁市保田农机技术推广专业合作社 | 用于无人收割机行进校准的倒伏作物识别方法 |
| CN116385476B (zh) * | 2023-06-05 | 2023-08-18 | 青岛星跃铁塔有限公司 | 基于视觉检测的铁塔质量分析方法 |
| CN117351007B (zh) * | 2023-12-04 | 2024-02-13 | 江苏太湖锅炉股份有限公司 | 基于红外设备的熔炉内部缺陷识别系统 |
| CN118710643A (zh) * | 2024-08-28 | 2024-09-27 | 宝鸡拓普达钛业有限公司 | 基于图像视频技术的钛合金产品缺陷检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046705A (zh) * | 2015-07-13 | 2015-11-11 | 浙江工业大学 | 一种基于模糊理论的裂纹边缘检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5071492A (en) * | 1989-12-19 | 1991-12-10 | Parker Research Inc. | Method for reducing the fatigue crack growth rate of cracks in the aluminum alloy fuselage skin of an aircraft structure |
| US7432505B2 (en) * | 2006-05-04 | 2008-10-07 | Siemens Power Generation, Inc. | Infrared-based method and apparatus for online detection of cracks in steam turbine components |
| US9639637B2 (en) * | 2012-10-08 | 2017-05-02 | Siemens Aktiengesellschaft | Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics |
| CN112862760B (zh) * | 2021-01-19 | 2023-11-10 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
| CN113686874B (zh) * | 2021-08-16 | 2022-08-02 | 沭阳林冉塑业有限公司 | 一种基于人工智能的机械零件损伤检测方法及系统 |
-
2022
- 2022-03-31 CN CN202210345106.XA patent/CN114723700B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046705A (zh) * | 2015-07-13 | 2015-11-11 | 浙江工业大学 | 一种基于模糊理论的裂纹边缘检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114723700A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114723700B (zh) | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及系统 | |
| CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
| Martins et al. | Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks | |
| CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
| CN105243667B (zh) | 基于局部特征融合的目标再识别方法 | |
| WO2011158711A1 (ja) | 欠陥判別装置 | |
| CN114937036B (zh) | 基于人工智能的高炉设备运行评估方法及系统 | |
| CN114240942A (zh) | 一种基于图像处理的金属零件表面质量控制方法及系统 | |
| CN118134062B (zh) | 数控机床铸件质量追踪系统 | |
| CN116205910B (zh) | 一种电源适配器用注塑温度自适应学习调控系统 | |
| CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
| CN108846831A (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
| CN114549955A (zh) | 一种高炉出铁终点在线智能识别方法及系统 | |
| CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
| CN116168025B (zh) | 一种油幕式油炸花生生产系统 | |
| CN112329615A (zh) | 一种用于水下视觉目标自主抓取的环境态势评估方法 | |
| CN110838091A (zh) | 完全自适应的红外图像对比度增强方法及系统 | |
| CN116580104A (zh) | 一种基于机器视觉的车轮轮毂识别定位方法及系统 | |
| Wang et al. | Automatic dissection position selection for cleavage-stage embryo biopsy | |
| Schmitt et al. | Machine vision system for inspecting flank wear on cutting tools | |
| CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
| CN116993632A (zh) | 基于机器视觉的生产火灾预警方法 | |
| Aleksandrovich et al. | Machine vision system for assessment of firing process parameters in rotary kiln | |
| Dong et al. | A new machine vision–based intelligent detection method for gear grinding burn | |
| CN117474891A (zh) | 一种齿轮热处理缺陷检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230411 Address after: 063000 No. 1212, 12th floor, west side of Weiguo Road (Tangshan science and Technology Center), south side of Daqing Road, high tech Zone, Tangshan City, Hebei Province Applicant after: Hebei Yingyan Intelligent Technology Co.,Ltd. Address before: 226100 No. 1-7, No. 89, Liuhao Road, Liuhao Town, Haimen City, Nantong City, Jiangsu Province Applicant before: Jiangsu BAONUO Casting Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |