CN114897855A - 基于x射线图片灰度值分布判定缺陷类型的方法 - Google Patents
基于x射线图片灰度值分布判定缺陷类型的方法 Download PDFInfo
- Publication number
- CN114897855A CN114897855A CN202210563948.2A CN202210563948A CN114897855A CN 114897855 A CN114897855 A CN 114897855A CN 202210563948 A CN202210563948 A CN 202210563948A CN 114897855 A CN114897855 A CN 114897855A
- Authority
- CN
- China
- Prior art keywords
- krm
- image patch
- slope
- image
- pixel
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10116—X-ray image
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了基于X射线图片灰度值分布判定缺陷类型的方法,输入待检测X射线图片Pic1,建立OUV像素坐标,读取兴趣区域内任一个像素点的像素坐标pn(ux,vy);读取灰度值为Cr的像素点确定图像斑块Kr,并对图像斑块Krm进行选择性部分腐蚀和重新赋值操作,并输入经训练完毕的对抗网络模型中进行判别并输出结果信息。本发明通过对缺陷图像斑块边界具有的无序性特性进行提取,同时加入缺陷图像斑块的像素面积与总面积的占比,以及缺陷图像斑块周围像素灰度值的一致性评价,再融合对抗网络模型进行判别,能够极大程度上精准判别缺陷的真实性和曲线类型的准确性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及电力设备X射线检测图片缺陷识别技术领域,具体涉及基于X射线图片灰度值分布判定缺陷类型的方法。
背景技术
电力设备的输电稳定性关系着整个电网的正常与否,在整个电网中,容易出现缺陷导致电力故障的构件主要有耐张线夹、GIS壳体等;作为电力输送的重要组成部分,在整个电网中起到至关重要的作用。一旦出现事故进行停电检修时就需要投入大量的人力、物力、财力和时间。解决(或减少)耐张线夹的影响对提升对线路的安全性、稳定性、经济性具有显著的社会意义。
目前针对电力构件缺陷的检测主要有超声波、X射线、红外热成像和紫外成像。而压接缺陷是在线路新建、扩建、改建和维修等停电状态施工中产生的,只有依靠超声波或者X射线检测方法。超声波检测方法只能检测钢锚防滑槽的压接缺陷,而X射线可以实现所有压接缺陷的检测以及因结构疲劳产生的内部裂纹缺陷。
电力结构缺陷的判定目前主要依靠人工进行数据图像审查和缺陷判定,存在着以下问题:
人工对X射线影像判读人员的专业技能和经验要求很高,需要经过长时间的专业培训。人工完成分析、评片到出具分析结果的即时性较差,给按时线路通电造成严重的影响。甚至因为结果不能及时给出导致线路带着严重、危急缺陷运行。人工判读易产生误判、漏判和错判,影响检测结果的准确性。
因此,需要一种智能化的缺陷判定方法,解决人工判定的时间长,受到经验的严重制约的问题。
发明内容
为了解决现有技术中电力设备X射线图片缺陷判别由人工逐一查看存在的判别效率低,不同人员判别结果差异性大的问题,本申请提供基于X射线图片灰度值分布判定缺陷类型的方法,利用软件计算的高效性将人为设定的判定逻辑融入缺陷判别过程中,使得能够获得判别高效和精准两方面的有效兼容。
作为智能化,科技化的代表之一,当前利用计算机软件实现深度学习判别无异是最高效,最智能的一种选择。然而,当前深度学习网络或基于卷积运算的神经网络系统,或基于多层神经元的自编码神经网络,或以多层自编码神经网络的方式进行预训练,其目的都是为了针对不同的对象和目的,以获得更加符合预期或者更加贴近人为判定原则的效果而作出的改进设计。深度学习其根本是计算机软件通过以人工难以想象的速度识别数字信号数据,按照既定的,复杂的,可选的规则进行计算,从而达到人工智能判断的结果。电力设备的X射线照片的缺陷判定中,申请人发现基于电力设备出现缺陷的结构件的集中性和缺陷种类的有限性,使得缺陷的判定特定具有特殊性,缺陷所形成的图像与结构件本身而言,具有特异性或者独特性。经过申请人研发团队对巨大量的电力设备缺陷样本进行了像素级的分析,分析的缺陷包括钢芯断裂、钢芯断股、防滑槽漏压、防滑槽欠压、钢芯插入深度不足、钢芯压接长度不足、金具损伤、金具弯曲、铝绞线压接长度不足、钢锚管过压接。从分析的结论揭示了一种特性:电力设备的X射线图像中,其灰度值的分布具有规律性,同一构件的灰度值分布的波动范围较小,具有统一性;无论是哪一种缺陷出现在何种电力结构上,形成缺陷的图像斑块周围涉及相邻结构件图像斑块的数量多处于1-3个,针对诸如断裂、裂纹类型的图像斑块往往只存在于同一个结构件中,具体地,缺陷图像斑块与电力结构件图像斑块的最大区别在于其在X射线图像上形成斑块边缘的无规律性,即电力设备结构件形成的X射线图像斑块的边缘具有规则性高,通常由直线或者平滑的曲线构成;而缺陷形成的图像斑块则不具有这一特性,反而具有极大的无序性,发明团队基于这一特性完成了本发明。
具体地,为了达到上述目的,本申请所采用的技术方案为:
基于X射线图片灰度值分布判定缺陷类型的方法,包括下述步骤:
步骤STP100,输入待检测X射线图片Pic1,确定预设兴趣区域,以兴趣区域左上角为原点O建立OUV像素坐标,读取兴趣区域内任一个像素点的像素坐标pn(ux,vy);
步骤STP200,读取灰度值为Cr的像素点,获取灰度值为Cr的像素点集合Mr,通过读取任一个灰度值为Cr像素点的像素坐标确定覆盖所有灰度值为Cr的像素点形成的图像斑块Kr;其中,r∈[0,255];
步骤STP300,按照r值的升序或者降序排列依次对图像斑块Kr进行排序,标记为Krm,并对图像斑块Krm进行选择性部分腐蚀,获得由腐蚀后的图像斑块Krm组成的X射线图片Pic2;其中,序号m≥1;
步骤STP400,计算每一个图像腐蚀后的图像斑块Krm的像素面积Srm与X射线图片Pic1的像素面积比值β,若比值β>0.2,则将图像斑块Krm标记为0;否则,则标记为1;
步骤STP500,将标记为0的图像斑块Krm的灰度值重新赋值为0或255获得X射线图片Pic3并输入经训练完毕的对抗网络模型中进行判别并输出结果信息。
作为优选方式,具体地,为了提高图像不同构件或者不同成像部位在X射线图像上的边界清晰度,步骤STP300中对图像斑块Krm进行选择性部分腐蚀的步骤如下:将序号m为奇数的图像斑块Krm向外腐蚀t个像素,若与图像斑块Krm相邻的其他图像斑块Krm的序号m为偶数时,则序号m为偶数的图像斑块Krm则向内腐蚀t个像素;若相邻图像斑块Krm的序号m仍为奇数,则该相邻部分腐蚀像素为0,其中,t≥1。
优选地,步骤STP500中的对抗网络模型包括卷积神经模块和条件判定模块,所述判定模块包括边界提取单元、赋值单元、曲线拟合单元和斜率统计单元;
图像斑块Krm中缺陷判定步骤如下:
步骤STP501,将标记为1的图像斑块Krm输入条件判定模块,通过边界提取单元提取每一个灰度值不等于0或255的图像斑块Krm的边界Bm;若获得的边界Bm为多个,则
步骤STP502,在OUV像素坐标中,通过赋值单元以10-100像素为长度单位将OUV像素坐标网格化,获取多个边界Bm与网格的交点Qz并记录每一个交点Qz的像素坐标;
步骤STP503,曲线拟合单元将以交点Qz为拟合点建立拟合曲线;
步骤STP504,斜率统计单元计算每一个交点Qz处的斜率kz,并统计获得斜率集合;
步骤STP505,根据斜率kz绘制斜率集合的无序性折现,获得斜率集合的跨度和斜率kz方向变化次数,输出被判别图像斑块Krm是否为缺陷的结论;
步骤STP506,若步骤STP505中输出结果为‘否’,则进行下一个图像斑块Krm+1的判别;若步骤STP505中输出结果为‘是’,则将图像斑块Krm输入卷积神经模块进行缺陷类型判别,并输出缺陷种类。
进一步优选,输出被判别图像斑块Krm是否为缺陷的判定过程如下:
步骤STP5051,计算斜率集合的跨度,所述斜率集合的跨度为斜率kzmin和kzmax的绝对值之和;
步骤STP5052,计算在斜率集合的跨度范围内斜率kz方向变化次数;
步骤STP5053,计算单位跨度内斜率kz方向变化次数δ=斜率kz方向变化次数/斜率集合的跨度;
步骤STP5054,当δ≥100,则判定图像斑块Krm为缺陷;当99≥δ≥40,则判定图像斑块Krm为疑似缺陷并执行步骤STP5055;当39≥δ时,则判定图像斑块Krm为非缺陷;
步骤STP5055,读取位于图像斑块Krm边界Bm非同侧或者同方位至少两个像素点A1,A2的灰度值并比较,若A1A2灰度值之差小于15,则判定为缺陷;若 A1A2灰度值之差大于15,则判定为非缺陷。
有益效果:
本发明通过对缺陷图像斑块边界具有的无序性特性进行提取,同时加入缺陷图像斑块的像素面积与总面积的占比,以及缺陷图像斑块周围像素灰度值的一致性评价,再融合对抗网络模型进行判别,能够极大程度上精准判别缺陷的真实性和曲线类型的准确性。
本发明集合了深度学习模型的智能化、高效性,针对电力设备缺陷的X射线图像具有针对性的条件判定模块,能够弥补对抗网络模型在特定图像领域的针对性不强的问题,通过条件判定模块的实现判定能够剔除X射线图像中的非缺陷图像斑块,减少无用判断所耗费的时间,消除非缺陷图像斑块引入的错判,误判,提高判定结论的整体准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是钢芯断裂/裂纹缺陷的X射线图片。
图2是将图1经过腐蚀和重新赋值为0的图片。
图3是图2的局部边界图示。
图4是图3中V区放大图。
图5是斜率Kz的部分示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
优选实施例:
本实施例以压接钢芯为例进行说明本申请提供的基于X射线图片灰度值分布判定缺陷类型的方法,包括下述步骤:
步骤STP100,输入待检测X射线图片Pic1,如图1所示,确定预设兴趣区域,以兴趣区域左上角为原点O建立OUV像素坐标,读取兴趣区域内任一个像素点的像素坐标pn(ux,vy);其中, x为排序为n的像素点在像素横坐标U上的值,y为排序为n的像素点在像素纵坐标V上的值,n的排序方式为系统自定义,作为可选的方式之一,可以依次按照第一行第一列开始从左至右排列完后,再从第二行第一列从左至右排列完,直到最后一行的最后一列,将兴趣区域内的所有像素点读取完毕。完成此步骤后,将获取到输入的X射线图片Pic1合计由n个像素点组成,每一个像素点位置由像素坐标来定义,至此可以进行下一步骤。
步骤STP200,读取灰度值为Cr的像素点,获取灰度值为Cr的像素点集合Mr,通过读取任一个灰度值为Cr像素点的像素坐标确定覆盖所有灰度值为Cr的像素点形成的图像斑块Kr;其中,r∈[0,255];任一一张被检测的X射线图片Pic1均是由灰度值为0-255组成的,将相同灰度值的像素点集合单独提取出来,从而一张X射线图片Pic1将依据灰度值不同而被分割成多个图像斑块Kr,值得说明的是,由于一张图片所涉及的像素点灰度值跨度可能会非常多,甚至任意值的灰度值都会存在像素点,那么获得的像素点集合Mr和图像斑块Kr的数量最多可以达到255个,即此时r=255;这种情况,会有大量的图像斑块Kr处于离散状态,在整体上反应斑块形成某一特定形状,但是组成该图像斑块Kr的像素点集合Mr是由多个离散或者部分离散的像素点组成,因此,这将对判别带来巨大障碍。作为通常情况,当同一个结构件在X射线的照射下的成像,理论上应当获取到相同值的灰度值,如Cr=189,但是实际获得的图像,其将可能由Cr=187-192交替形成,组成完整的该结构件的图像,因此,为了清洗这些不可避免的图像噪声,需要对X射线图片Pic1进行进一步的处理,以获得清晰的目标图像。
步骤STP300,按照r值的升序或者降序排列依次对图像斑块Kr进行排序,标记为Krm,并对图像斑块Krm进行选择性部分腐蚀,获得由腐蚀后的图像斑块Krm组成的X射线图片Pic2;其中,序号m≥1;为了提高图像不同构件或者不同成像部位在X射线图像上的边界清晰度,步骤STP300中对图像斑块Krm进行选择性部分腐蚀的步骤如下:将序号m为奇数的图像斑块Krm向外腐蚀t个像素,若与图像斑块Krm相邻的其他图像斑块Krm的序号m为偶数时,则序号m为偶数的图像斑块Krm则向内腐蚀t个像素;若相邻图像斑块Krm的序号m仍为奇数,则该相邻部分腐蚀像素为0,其中,t≥1。X射线图片Pic1如图1所示,经过腐蚀操作后,见图2所示的X射线图片Pic2;本步骤的腐蚀操作后,能够将处于渐变区域的边界更加清晰,同时,能够将相互差异至较小的图像斑块形成相互溶解的效果,将多个相互交错的斑块合并为同一个斑块。
步骤STP400,计算每一个图像腐蚀后的图像斑块Krm的像素面积Srm与X射线图片Pic1的像素面积比值β,若比值β>0.2,则将图像斑块Krm标记为0;否则,则标记为1; 基于电力设备的缺陷特性,诸如钢芯断裂、钢芯断股、防滑槽漏压、防滑槽欠压、钢芯插入深度不足、钢芯压接长度不足、金具损伤、金具弯曲、铝绞线压接长度不足、钢锚管过压接等缺陷成像占整个图像像素面积占比的比例通常不会超过5%,一般缺陷成像在0.5%-3%之间,因此,通过本步骤能够将绝大部分干扰判别或者不必要判别的内容全部剔除,一方面可以提高判别的效率,减少至少一个量级的运算内容;另一方面可以提高判别的精度,增大缺陷获取的准确率,降低漏判的可能性。
步骤STP500,将标记为0的图像斑块Krm的灰度值重新赋值为0或255获得X射线图片Pic3并输入经训练完毕的对抗网络模型中进行判别并输出结果信息。
本实施例中,步骤STP500中的对抗网络模型包括卷积神经模块和条件判定模块,所述判定模块包括边界提取单元、赋值单元、曲线拟合单元和斜率统计单元;所述对抗网络模型采用本申请人在公开号为CN111027631A,申请号为CN201911286070.7的发明专利申请中记载的对抗网络模型。
图像斑块Krm中缺陷判定步骤如下:
步骤STP501,将标记为1的图像斑块Krm输入条件判定模块,通过边界提取单元提取每一个灰度值不等于0或255的图像斑块Krm的边界Bm;若获得的边界Bm为多个,则
步骤STP502,在OUV像素坐标中,通过赋值单元以10-100像素为长度单位将OUV像素坐标网格化,获取多个边界Bm与网格的交点Qz并记录每一个交点Qz的像素坐标;
步骤STP503,曲线拟合单元将以交点Qz为拟合点建立拟合曲线;
步骤STP504,斜率统计单元计算每一个交点Qz处的斜率kz,并统计获得斜率集合;
步骤STP505,根据斜率kz绘制斜率集合的无序性折现,获得斜率集合的跨度和斜率kz方向变化次数,输出被判别图像斑块Krm是否为缺陷的结论;如图3-图4所示。
步骤STP506,若步骤STP505中输出结果为‘否’,则进行下一个图像斑块Krm+1的判别;若步骤STP505中输出结果为‘是’,则将图像斑块Krm输入卷积神经模块进行缺陷类型判别,并输出缺陷种类。
进一步优选,输出被判别图像斑块Krm是否为缺陷的判定过程如下:
步骤STP5051,计算斜率集合的跨度,所述斜率集合的跨度为斜率kzmin和kzmax的绝对值之和;
步骤STP5052,计算在斜率集合的跨度范围内斜率kz方向变化次数;
步骤STP5053,计算单位跨度内斜率kz方向变化次数δ=斜率kz方向变化次数/斜率集合的跨度;如图5所示,在斜率k1-k11范围内,跨度为0.89+0.43=1.32,斜率变化次数为8967次,即δ=8967/1.32=6793.18。
步骤STP5054,当δ≥100,则判定图像斑块Krm为缺陷;当99≥δ≥40,则判定图像斑块Krm为疑似缺陷并执行步骤STP5055;当39≥δ时,则判定图像斑块Krm为非缺陷;
步骤STP5055,读取位于图像斑块Krm边界Bm非同侧或者同方位至少两个像素点A1,A2的灰度值并比较,若A1A2灰度值之差小于15,则判定为缺陷;若 A1A2灰度值之差大于15,则判定为非缺陷。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.基于X射线图片灰度值分布判定缺陷类型的方法,其特征在于:包括下述步骤:
步骤STP100,输入待检测X射线图片Pic1,确定预设兴趣区域,以兴趣区域左上角为原点O建立OUV像素坐标,读取兴趣区域内任一个像素点的像素坐标pn(ux,vy);
步骤STP200,读取灰度值为Cr的像素点,获取灰度值为Cr的像素点集合Mr,通过读取任一个灰度值为Cr像素点的像素坐标确定覆盖所有灰度值为Cr的像素点形成的图像斑块Kr;其中,r∈[0,255];
步骤STP300,按照r值的升序或者降序排列依次对图像斑块Kr进行排序,标记为Krm,并对图像斑块Krm进行选择性部分腐蚀,获得由腐蚀后的图像斑块Krm组成的X射线图片Pic2;其中,序号m≥1;
步骤STP400,计算每一个图像腐蚀后的图像斑块Krm的像素面积Srm与X射线图片Pic1的像素面积比值β,若比值β>0.2,则将图像斑块Krm标记为0;否则,则标记为1;
步骤STP500,将标记为0的图像斑块Krm的灰度值重新赋值为0或255获得X射线图片Pic3并输入经训练完毕的对抗网络模型中进行判别并输出结果信息。
2.根据权利要求1所述的基于X射线图片灰度值分布判定缺陷类型的方法,其特征在于:步骤STP300中对图像斑块Krm进行选择性部分腐蚀的步骤如下:将序号m为奇数的图像斑块Krm向外腐蚀t个像素,若与图像斑块Krm相邻的其他图像斑块Krm的序号m为偶数时,则序号m为偶数的图像斑块Krm则向内腐蚀t个像素;若相邻图像斑块Krm的序号m仍为奇数,则该相邻部分腐蚀像素为0,其中,t≥1。
3.根据权利要求1所述的基于X射线图片灰度值分布判定缺陷类型的方法,其特征在于:步骤STP500中的对抗网络模型包括卷积神经模块和条件判定模块,所述判定模块包括边界提取单元、赋值单元、曲线拟合单元和斜率统计单元;
图像斑块Krm中缺陷判定步骤如下:
步骤STP501,将标记为1的图像斑块Krm输入条件判定模块,通过边界提取单元提取每一个灰度值不等于0或255的图像斑块Krm的边界Bm;若获得的边界Bm为多个,则
步骤STP502,在OUV像素坐标中,通过赋值单元以10-100像素为长度单位将OUV像素坐标网格化,获取多个边界Bm与网格的交点Qz并记录每一个交点Qz的像素坐标;
步骤STP503,曲线拟合单元将以交点Qz为拟合点建立拟合曲线;
步骤STP504,斜率统计单元计算每一个交点Qz处的斜率kz,并统计获得斜率集合;
步骤STP505,根据斜率kz绘制斜率集合的无序性折现,获得斜率集合的跨度和斜率kz方向变化次数,输出被判别图像斑块Krm是否为缺陷的结论;
步骤STP506,若步骤STP505中输出结果为‘否’,则进行下一个图像斑块Krm+1的判别;若步骤STP505中输出结果为‘是’,则将图像斑块Krm输入卷积神经模块进行缺陷类型判别,并输出缺陷种类。
4.根据权利要求3所述的基于X射线图片灰度值分布判定缺陷类型的方法,其特征在于:输出被判别图像斑块Krm是否为缺陷的判定过程如下:
步骤STP5051,计算斜率集合的跨度,所述斜率集合的跨度为斜率kzmin和kzmax的绝对值之和;
步骤STP5052,计算在斜率集合的跨度范围内斜率kz方向变化次数;
步骤STP5053,计算单位跨度内斜率kz方向变化次数δ=斜率kz方向变化次数/斜率集合的跨度;
步骤STP5054,当δ≥100,则判定图像斑块Krm为缺陷;当99≥δ≥40,则判定图像斑块Krm为疑似缺陷并执行步骤STP5055;当39≥δ时,则判定图像斑块Krm为非缺陷;
步骤STP5055,读取位于图像斑块Krm边界Bm非同侧或者同方位至少两个像素点A1,A2的灰度值并比较,若A1A2灰度值之差小于15,则判定为缺陷;若 A1A2灰度值之差大于15,则判定为非缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563948.2A CN114897855A (zh) | 2022-05-23 | 2022-05-23 | 基于x射线图片灰度值分布判定缺陷类型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563948.2A CN114897855A (zh) | 2022-05-23 | 2022-05-23 | 基于x射线图片灰度值分布判定缺陷类型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897855A true CN114897855A (zh) | 2022-08-12 |
Family
ID=82723446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210563948.2A Pending CN114897855A (zh) | 2022-05-23 | 2022-05-23 | 基于x射线图片灰度值分布判定缺陷类型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897855A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345480A (zh) * | 2022-08-13 | 2022-11-15 | 国网安徽省电力有限公司经济技术研究院 | 一种基于数字化技术的架空输电线路监测预警方法 |
CN116152245A (zh) * | 2023-04-19 | 2023-05-23 | 苏州鑫信腾科技有限公司 | 一种基于人工智能的胶线缺陷检测系统 |
CN116630323A (zh) * | 2023-07-25 | 2023-08-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
-
2022
- 2022-05-23 CN CN202210563948.2A patent/CN114897855A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345480A (zh) * | 2022-08-13 | 2022-11-15 | 国网安徽省电力有限公司经济技术研究院 | 一种基于数字化技术的架空输电线路监测预警方法 |
CN116152245A (zh) * | 2023-04-19 | 2023-05-23 | 苏州鑫信腾科技有限公司 | 一种基于人工智能的胶线缺陷检测系统 |
CN116630323A (zh) * | 2023-07-25 | 2023-08-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
CN116630323B (zh) * | 2023-07-25 | 2023-09-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN111223093A (zh) | 一种aoi缺陷检测方法 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN114820610A (zh) | 基于图像处理的新材料医疗器械缺陷检测方法 | |
Xu et al. | Fiber-image analysis part I: Fiber-image enhancement | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN112200766A (zh) | 基于区域关联神经网络的工业产品表面缺陷检测方法 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN114998889A (zh) | 一种沉浸式三维影像的智能识别方法及系统 | |
CN114972280A (zh) | 精细坐标注意力模块及其在表面缺陷检测中的应用 | |
CN112767365A (zh) | 一种探伤方法 | |
CN114119562B (zh) | 一种基于深度学习的刹车盘外表面缺陷检测方法及系统 |
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 |