CN115272353A - 适用于裂纹检测的图像处理方法 - Google Patents

适用于裂纹检测的图像处理方法 Download PDF

Info

Publication number
CN115272353A
CN115272353A CN202211218883.4A CN202211218883A CN115272353A CN 115272353 A CN115272353 A CN 115272353A CN 202211218883 A CN202211218883 A CN 202211218883A CN 115272353 A CN115272353 A CN 115272353A
Authority
CN
China
Prior art keywords
pixel
pixel point
superpixel
blocks
block
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
Application number
CN202211218883.4A
Other languages
English (en)
Inventor
曲爱华
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.)
Shandong Shengshi Machinery Manufacturing Co ltd
Original Assignee
Shandong Shengshi Machinery Manufacturing 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 Shandong Shengshi Machinery Manufacturing Co ltd filed Critical Shandong Shengshi Machinery Manufacturing Co ltd
Priority to CN202211218883.4A priority Critical patent/CN115272353A/zh
Publication of CN115272353A publication Critical patent/CN115272353A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30116—Casting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种适用于裂纹检测的图像处理方法，获取多个拍摄角度下的消防栓阀图像，并构建消防栓阀三维模型；对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块；根据各第一超像素块的位置关系和像素值对第一超像素块进行合并，得到多个第二超像素块；利用灰度共生矩阵提取各第二超像素块对应的特征矩阵，判断各第二超像素块是否为裂纹区域。本发明采用图像处理的方式，利用三维模型中的像素点进行分析，根据每一个像素点的纹理特征和邻域特征进行超像素分割，得到准确的超像素块，确保得到准确裂纹区域，为准确检测裂纹区域奠定了基础，提高了裂纹检测的准确性。

Description

适用于裂纹检测的图像处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及适用于裂纹检测的图像处理方法。
背景技术
消防栓是一种固定消防设施，主要作用是控制可燃物、隔绝助燃物消除。在铸造成型的过程中，消防栓阀门成型后若在其表面存在裂纹缺陷，该缺陷在使用过程中会导致水压不合格，影响消防栓的正常使用，故需要对铸造成型后的消防阀进行表面裂纹进行检测。为了克服人工检测带来的主观性强、受限于工作经验的缺陷，目前使用最多的检测方式为图像检测方式，即采集检测对象的图像，通过图像处理得到检测结果，然而，目前的图像检测方式仅仅是通过比较正常区域和裂纹之间的像素值差异来判断是否存在裂纹，会因存在其他干扰因素导致准确性较差。
发明内容
本发明的目的在于提供一种适用于裂纹检测的图像处理方法，用于解决现有图像处理方法的裂纹检测准确性较差的问题。
为了解决上述问题，本发明的一种适用于裂纹检测的图像处理方法的技术方案，包括以下步骤：
（1）获取多个拍摄角度下的消防栓阀图像，根据所述消防栓阀图像构建消防栓阀三维模型；
（2）对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块；
（3）根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对所述多个第一超像素块进行合并，得到多个第二超像素块；
（4）利用灰度共生矩阵提取各第二超像素块对应的特征矩阵，根据各第二超像素块对应的特征矩阵判断各第二超像素块是否为裂纹区域。
进一步地，所述对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块，包括以下步骤：
①利用超像素分割算法在三维模型的表面生成多个预设面积的初始像素块；
②对于任一初始像素块，划定该初始像素块的邻域范围，计算邻域范围内各待划分像素点到邻域范围内各初始像素块对应的中心像素点的距离，将待划分像素点划分到距离最近的中心像素点对应的初始像素块，并根据划分结果更新相应初始像素块的中心像素点；
③重复上述步骤②，直至各像素块的中心像素点不再发生变化，将最后得到的各像素块记为第一超像素块。
进一步地，利用如下公式计算邻域范围内各待划分像素点到邻域范围内各初始像素块对应的中心像素点的距离：
Figure 968888DEST_PATH_IMAGE002
Figure 829004DEST_PATH_IMAGE004
Figure 101853DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE007
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 220988DEST_PATH_IMAGE010
为像素点
Figure 100002_DEST_PATH_IMAGE011
和像素点
Figure 768644DEST_PATH_IMAGE012
在空间中的距离；
Figure 100002_DEST_PATH_IMAGE013
为像素点
Figure 955037DEST_PATH_IMAGE011
和像素点
Figure 133208DEST_PATH_IMAGE012
颜色以及纹理走向的特征距离，
Figure 67535DEST_PATH_IMAGE014
为空间中的距离对应的权重，
Figure 100002_DEST_PATH_IMAGE015
为颜色以及纹理走向的特征距离对应的权重，
Figure 887723DEST_PATH_IMAGE016
为像素点
Figure 709049DEST_PATH_IMAGE011
和像素点
Figure 596803DEST_PATH_IMAGE012
的距离，
Figure 100002_DEST_PATH_IMAGE017
为像素点
Figure 238000DEST_PATH_IMAGE011
对应的颜色以及纹理走向的特征向量，
Figure 393038DEST_PATH_IMAGE017
为像素点
Figure 318137DEST_PATH_IMAGE012
对应的颜色以及纹理走向的特征向量，
Figure 103691DEST_PATH_IMAGE018
为像素点
Figure 763342DEST_PATH_IMAGE011
的横坐标，
Figure 100002_DEST_PATH_IMAGE019
为像素点
Figure 676065DEST_PATH_IMAGE011
的纵坐标，
Figure 675245DEST_PATH_IMAGE020
为像素点
Figure 677705DEST_PATH_IMAGE011
的竖坐标，
Figure DEST_PATH_IMAGE021
为像素点
Figure 762336DEST_PATH_IMAGE012
的横坐标，
Figure 259176DEST_PATH_IMAGE022
为像素点
Figure 657403DEST_PATH_IMAGE012
的纵坐标，
Figure 100002_DEST_PATH_IMAGE023
为像素点
Figure 315918DEST_PATH_IMAGE012
的竖坐标，
Figure 684582DEST_PATH_IMAGE024
为像素点
Figure 172064DEST_PATH_IMAGE011
对应的R分量，
Figure 100002_DEST_PATH_IMAGE025
为像素点
Figure 411416DEST_PATH_IMAGE011
对应的G分量，
Figure 257143DEST_PATH_IMAGE026
为像素点
Figure 847524DEST_PATH_IMAGE011
对应的B分量，
Figure 100002_DEST_PATH_IMAGE027
为像素点
Figure 155009DEST_PATH_IMAGE011
处海森矩阵的其中一个特征向量，
Figure 232555DEST_PATH_IMAGE028
为像素点
Figure 498452DEST_PATH_IMAGE011
处海森矩阵的另一个特征向量，
Figure 100002_DEST_PATH_IMAGE029
为
Figure 798633DEST_PATH_IMAGE027
对应的特征值，
Figure 175387DEST_PATH_IMAGE030
为
Figure 920489DEST_PATH_IMAGE028
对应的特征值，
Figure 100002_DEST_PATH_IMAGE031
为像素点
Figure 75396DEST_PATH_IMAGE012
对应的R分量，
Figure 843632DEST_PATH_IMAGE032
为像素点
Figure 24078DEST_PATH_IMAGE012
对应的G分量，
Figure 100002_DEST_PATH_IMAGE033
为像素点
Figure 843260DEST_PATH_IMAGE012
对应的B分量，
Figure 450959DEST_PATH_IMAGE034
为像素点
Figure 503229DEST_PATH_IMAGE012
处海森矩阵的其中一个特征向量，
Figure 100002_DEST_PATH_IMAGE035
为像素点
Figure 205474DEST_PATH_IMAGE012
处海森矩阵的另一个特征向量，
Figure 659589DEST_PATH_IMAGE036
为
Figure 438190DEST_PATH_IMAGE034
对应的特征值，
Figure 100002_DEST_PATH_IMAGE037
为
Figure 132083DEST_PATH_IMAGE035
对应的特征值。
进一步地，所述根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对所述多个第一超像素块进行合并，得到多个第二超像素块，包括：
构建图数据结构：将每一个第一超像素块作为一个节点，判断各节点对应的第一超像素块之间是否相邻，若相邻，则将对应节点记为相邻节点；
根据相邻节点对应的像素值计算相邻节点之间的边权值；判断各边权值是否小于设定值，若小于，则将对应相邻节点进行合并，并更新合并后节点与相邻节点之间的边权值；
重复上述步骤，直至图数据库结构不再变化，将最后得到的每个节点对应的超像素块记为一个第二超像素块。
进一步地，所述判断各节点对应的第一超像素块之间是否相邻，包括：
利用3✕3的滑窗对两节点对应的超像素块进行膨胀处理，取膨胀处理后的像素块的交集像素块的交集；
判断所述交集区域面积是否为0，若否，则判断所述两节点对应的第一超像素块之间相邻；若是，则判断所述两节点对应的第一超像素块之间不相邻。
进一步地，所述根据相邻节点对应的像素值计算相邻节点之间的边权值，包括：
获得相邻节点中每个节点对应的所有像素点的像素值
Figure 654331DEST_PATH_IMAGE038
，利用EM算法得到相邻节点中每个节点对应的高斯模型；
计算将相邻节点合并后对应的高斯模型，判断将相邻节点合并后对应的高斯模型与合并之前每个节点对应的高斯模型的差异值，将所述差异值作为相邻节点之间的边权值。
有益效果：本发明通过图像处理的方式，构建了消防栓阀三维模型，对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块；本发明根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对第一超像素块进行合并，得到多个第二超像素块，然后根据各第二超像素块对应的特征矩阵判断各第二超像素块是否为裂纹区域；本发明利用三维模型中的像素点进行分析，根据每一个像素点的纹理特征和邻域特征进行超像素分割，得到准确的超像素块，对超像素块进行分类实现消防栓阀铸造裂纹检测，确保得到了准确裂纹区域，为准确检测裂纹区域奠定了基础，提高了消防栓阀铸造裂纹检测的准确性。
附图说明
图1是本发明的适用于裂纹检测的图像处理方法流程图。
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介绍。
本实施例旨在解决现有方法无法准确对铸造成型后的消防阀表面裂纹进行检测的问题，如图1所示，本实施例的适用于裂纹检测的图像处理方法包括以下步骤：
（1）获取多个拍摄角度下的消防栓阀图像，根据所述消防栓阀图像构建消防栓阀三维模型；
在生产加工过程中，由于消防栓阀的型号和尺寸信息固定，故为提高消防栓阀铸造裂纹缺陷检测的速度，提前获得消防栓阀的三维模型。需要说明的是，三维模型的获取方法可以采用计算机视觉手段也可以采用Solidwork等人工建模的手段。
在人为搭建的检测台上，部署相机实时采集消防栓阀每一个方向的RGB图像，将采集到的RGB图像投影至事先搭建好的消防栓阀的三维模型上，得到三维模型中每一个位置处的像素值信息，至此三维模型上每一个点包含三维模型的位置信息
Figure 100002_DEST_PATH_IMAGE039
以及RGB图像中的像素值信息
Figure 946641DEST_PATH_IMAGE038
。需要说明的是，部署的相机可以采集到消防栓阀每一个方向上的RGB图像，相机具体的数目与消防栓阀裂纹检测的精度有关。
获得三维模型不仅包括每一个像素点的空间位置信息，还包含每一个像素点的RGB信息，对三维模型上的RGB信息进行分析，可以避免由于消防阀复杂的外形形状对裂纹缺陷检测的影响，保障检测的准确率。
（2）对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块；
超像素块的数量直接决定了超像素分割结果的精确性，为了使每一个超像素块内的像素点特征保持一致，保障消防阀铸造裂纹检测的准确性，本发明利用较小的超像素块的初始化面积
Figure 99405DEST_PATH_IMAGE040
，取值为
Figure 100002_DEST_PATH_IMAGE041
，即
Figure 345841DEST_PATH_IMAGE042
；
确定初始化面积
Figure 671780DEST_PATH_IMAGE040
后，利用超像素分割算法
Figure DEST_PATH_IMAGE043
在三维模型的表面生成多个面积为
Figure 21858DEST_PATH_IMAGE040
的初始像素块，每一个初始化超像素块的中心点即为种子点，即种子点的数目为
Figure 142261DEST_PATH_IMAGE044
。设定超像素分割算法
Figure 390840DEST_PATH_IMAGE043
中的距离
Figure DEST_PATH_IMAGE045
的计算公式如下：
首先获得每一个像素点的海森矩阵，进一步求得海森矩阵的两个特征向量
Figure 754692DEST_PATH_IMAGE046
以及对应的特征值
Figure DEST_PATH_IMAGE047
；需要说明的是在海森矩阵中，最大的特征值极其特征向量表示曲线最大的曲率以及曲率方向，同样最小的特征值表示曲线最小的曲率以及曲率方向，可以反应该像素点邻域范围内的纹理走向；
至此，三维模型表面每一个像素点均对应三通道值
Figure 959278DEST_PATH_IMAGE048
以及海森矩阵的特征值以及特征向量，需要说明的是，特征向量为单位向量；则每一个像素点可以表示为
Figure DEST_PATH_IMAGE049
；
则像素点
Figure 719423DEST_PATH_IMAGE011
和像素
Figure 455298DEST_PATH_IMAGE012
之间的距离
Figure 139351DEST_PATH_IMAGE016
的计算公式如下：
Figure 277072DEST_PATH_IMAGE002
Figure 739277DEST_PATH_IMAGE004
Figure 680557DEST_PATH_IMAGE050
Figure 151990DEST_PATH_IMAGE007
Figure 144216DEST_PATH_IMAGE009
其中，
Figure 777323DEST_PATH_IMAGE010
为像素点
Figure 235593DEST_PATH_IMAGE011
和像素点
Figure 245137DEST_PATH_IMAGE012
在空间中的距离；
Figure 91870DEST_PATH_IMAGE013
为像素点
Figure 161458DEST_PATH_IMAGE011
和像素点
Figure 546171DEST_PATH_IMAGE012
颜色以及纹理走向的特征距离，
Figure 359407DEST_PATH_IMAGE014
为空间中的距离对应的权重，
Figure 280220DEST_PATH_IMAGE015
为颜色以及纹理走向的特征距离对应的权重，
Figure 520709DEST_PATH_IMAGE016
为像素点
Figure 940189DEST_PATH_IMAGE011
和像素点
Figure 291536DEST_PATH_IMAGE012
的距离，
Figure 362129DEST_PATH_IMAGE017
为像素点
Figure 773519DEST_PATH_IMAGE011
对应的颜色以及纹理走向的特征向量，
Figure 680295DEST_PATH_IMAGE017
为像素点
Figure 835333DEST_PATH_IMAGE012
对应的颜色以及纹理走向的特征向量，
Figure 530406DEST_PATH_IMAGE018
为像素点
Figure 847118DEST_PATH_IMAGE011
的横坐标，
Figure 506769DEST_PATH_IMAGE019
为像素点
Figure 199919DEST_PATH_IMAGE011
的纵坐标，
Figure 245104DEST_PATH_IMAGE020
为像素点
Figure 732717DEST_PATH_IMAGE011
的竖坐标，
Figure 614085DEST_PATH_IMAGE021
为像素点
Figure 110926DEST_PATH_IMAGE012
的横坐标，
Figure 512083DEST_PATH_IMAGE022
为像素点
Figure 436176DEST_PATH_IMAGE012
的纵坐标，
Figure 539261DEST_PATH_IMAGE023
为像素点
Figure 574214DEST_PATH_IMAGE012
的竖坐标，
Figure 593991DEST_PATH_IMAGE024
为像素点
Figure 688986DEST_PATH_IMAGE011
对应的R分量，
Figure 13788DEST_PATH_IMAGE025
为像素点
Figure 852431DEST_PATH_IMAGE011
对应的G分量，
Figure 225250DEST_PATH_IMAGE026
为像素点
Figure 491146DEST_PATH_IMAGE011
对应的B分量，
Figure 568824DEST_PATH_IMAGE027
为像素点
Figure 945579DEST_PATH_IMAGE011
处海森矩阵的其中一个特征向量，
Figure 674369DEST_PATH_IMAGE028
为像素点
Figure 111167DEST_PATH_IMAGE011
处海森矩阵的另一个特征向量，
Figure 676140DEST_PATH_IMAGE029
为
Figure 122165DEST_PATH_IMAGE027
对应的特征值，
Figure 206927DEST_PATH_IMAGE030
为
Figure 814626DEST_PATH_IMAGE028
对应的特征值，
Figure 866895DEST_PATH_IMAGE031
为像素点
Figure 303562DEST_PATH_IMAGE012
对应的R分量，
Figure 492098DEST_PATH_IMAGE032
为像素点
Figure 536277DEST_PATH_IMAGE012
对应的G分量，
Figure 75843DEST_PATH_IMAGE033
为像素点
Figure 340034DEST_PATH_IMAGE012
对应的B分量，
Figure 851918DEST_PATH_IMAGE034
为像素点
Figure 598157DEST_PATH_IMAGE012
处海森矩阵的其中一个特征向量，
Figure 625019DEST_PATH_IMAGE035
为像素点
Figure 934647DEST_PATH_IMAGE012
处海森矩阵的另一个特征向量，
Figure 97775DEST_PATH_IMAGE036
为
Figure 687019DEST_PATH_IMAGE034
对应的特征值，
Figure 686330DEST_PATH_IMAGE037
为
Figure 550381DEST_PATH_IMAGE035
对应的特征值。
Figure DEST_PATH_IMAGE051
用于权衡特征相似性以及空间邻近度之间的相对重要性，本实施例中取值为
Figure 568016DEST_PATH_IMAGE052
。
完成种子点的选取以及距离计算公式的设定，即可调用SLIC超像素分割算法得到多个超像素块，将每一个超像素块记为第一超像素块，第一超像素块的数量种子点的数量相同，为
Figure 108587DEST_PATH_IMAGE044
个。至此得到第一超像素分割结果，包含
Figure 844462DEST_PATH_IMAGE044
个超像素块。需要说明的是，第一超像素分割结果中为了保障得到准确的超像素分割结果，存在过度分割的情况，需要对
Figure 512204DEST_PATH_IMAGE044
个超像素块进行区域合并，得到最终的超像素分割结果。
（3）根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对所述多个第一超像素块进行合并，得到多个第二超像素块；
构建图数据结构，将每一个第一超像素块视为一个节点，共得到
Figure 649924DEST_PATH_IMAGE044
个节点；进一步判断两节点
Figure DEST_PATH_IMAGE053
是否为相邻的位置关系，相邻位置关系的判定方法为：利用3✕3的滑窗对两节点对应的超像素块进行膨胀处理，取膨胀处理后的像素块的交集像素块的交集，若交集区域面积为0，则说明节点
Figure 532036DEST_PATH_IMAGE053
不为相邻关系；当交集区域面积不为0时表示节点
Figure 755207DEST_PATH_IMAGE053
为相邻关系。当节点
Figure 210328DEST_PATH_IMAGE053
为相邻的位置关系时，两节点之间存在边权，否则两节点之间不存在边权。
至此得到所有的节点以及哪些节点之间存在边权，存在边权的节点为可能合并的区域；进一步计算每一个边上的边权
Figure 202555DEST_PATH_IMAGE054
，该边权表示区域合并的阻力大小，以节点
Figure 366820DEST_PATH_IMAGE053
为例其边权
Figure DEST_PATH_IMAGE055
的计算方法为：
获得节点
Figure 296861DEST_PATH_IMAGE056
下所有像素点的像素值
Figure 40826DEST_PATH_IMAGE038
，利用EM算法得到节点
Figure 356401DEST_PATH_IMAGE056
对应的高斯模型，记为
Figure DEST_PATH_IMAGE057
，其中
Figure 878518DEST_PATH_IMAGE058
为节点
Figure 76281DEST_PATH_IMAGE056
的均值向量，为1行3列的向量，
Figure DEST_PATH_IMAGE059
为3×3的协方差矩阵；按照相同的方法得到节点
Figure 112020DEST_PATH_IMAGE060
的高斯模型
Figure DEST_PATH_IMAGE061
；
进一步，假设两节点是可以进行合并的，获得合并之后的区域，记为
Figure 750943DEST_PATH_IMAGE062
；则利用同样的方法得到合并区域内的高斯模型
Figure DEST_PATH_IMAGE063
；区域合并的目的是将特征相同的超像素块进行合并，理想情况下合并之后的区域的特征应该与合并之前的两个超像素块的特征相同，即当
Figure 663535DEST_PATH_IMAGE063
与
Figure 830818DEST_PATH_IMAGE064
差异越小表示越应该合并，则合并的阻力应越小，即
Figure 182165DEST_PATH_IMAGE055
越小；
则边权
Figure 3490DEST_PATH_IMAGE055
的计算公式如下：
Figure 414880DEST_PATH_IMAGE066
边权值的取值范围为
Figure DEST_PATH_IMAGE067
，边权值越小表示两节点合并的阻力越小。
至此，完成图结构的构建。将边权小于阻力阈值
Figure 39765DEST_PATH_IMAGE068
的边连接的两个节点进行合并，完成第一次区域合并；按照上述方法对合并后的超像素分割结果进行图结构的更新，对更新后的边权与阻力阈值
Figure 132486DEST_PATH_IMAGE068
进行比较，再次进行区域合并，直到更新后的图结构中所有的边权值均大于阻力阈值。需要说明的是，阻力阈值
Figure 824630DEST_PATH_IMAGE068
应为一个较小的数，本实施例取值为0.05，具体数值实施者可根据消防阀铸造裂纹的检测精度进行更改。
当所有边权均满足大于阻力阈值
Figure 406921DEST_PATH_IMAGE068
时，对应的超像素分割结果即为第二超像素分割结果。在该分割结果中，特征相同的像素点位于同一个超像素块，将该处每一个超像素块记为第二超像素块。
（4）利用灰度共生矩阵提取各第二超像素块对应的特征矩阵，根据各第二超像素块对应的特征矩阵判断各第二超像素块是否为裂纹区域。
利用灰度共生矩阵提取每一个超像素块的特征矩阵，将该特征矩阵送入训练好的分类器SVM或FC中，得到消防阀铸造裂纹检测结果。需要说明的是，灰度共生矩阵进行特征提取，SVM或FC完成分类任务为现有技术，分类器的训练方法为公知技术，在此不再赘述。完成对第二超像素分割结果的分类即可实现消防栓阀铸造裂纹的检测结果，也即可以实现对每一个第二超像素块是否为裂纹区域的判定。
若所有第二超像素块均不是裂纹区域，则消防栓阀无裂纹缺陷；若某一第二超像素块是裂纹区域，则说明消防栓阀有裂纹缺陷，且裂纹缺陷的位置为对应第二超像素块的位置。
本实施例利用三维模型中的像素点进行分析，根据每一个像素点的纹理特征和邻域特征进行超像素分割，得到准确的超像素块，对超像素块进行分类实现消防栓阀铸造裂纹检测，确保得到了准确裂纹区域，为准确检测裂纹区域奠定了基础，提高了消防栓阀铸造裂纹检测的准确性。

Claims (6)

1.一种适用于裂纹检测的图像处理方法，其特征在于，包括以下步骤：
（1）获取多个拍摄角度下的消防栓阀图像，根据所述消防栓阀图像构建消防栓阀三维模型；
（2）对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块；
（3）根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对所述多个第一超像素块进行合并，得到多个第二超像素块；
（4）利用灰度共生矩阵提取各第二超像素块对应的特征矩阵，根据各第二超像素块对应的特征矩阵判断各第二超像素块是否为裂纹区域。
2.根据权利要求1所述的适用于裂纹检测的图像处理方法，其特征在于，所述对消防栓阀三维模型的表面像素点进行超像素分割，得到多个第一超像素块，包括以下步骤：
①利用超像素分割算法在三维模型的表面生成多个预设面积的初始像素块；
②对于任一初始像素块，划定该初始像素块的邻域范围，计算邻域范围内各待划分像素点到邻域范围内各初始像素块对应的中心像素点的距离，将待划分像素点划分到距离最近的中心像素点对应的初始像素块，并根据划分结果更新相应初始像素块的中心像素点；
③重复上述步骤②，直至各像素块的中心像素点不再发生变化，将最后得到的各像素块记为第一超像素块。
3.根据权利要求2所述的适用于裂纹检测的图像处理方法，其特征在于，利用如下公式计算邻域范围内各待划分像素点到邻域范围内各初始像素块对应的中心像素点的距离：
Figure 659448DEST_PATH_IMAGE002
Figure 661164DEST_PATH_IMAGE004
Figure 878519DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE009
其中，
Figure 42434DEST_PATH_IMAGE010
为像素点
Figure DEST_PATH_IMAGE011
和像素点
Figure 546096DEST_PATH_IMAGE012
在空间中的距离；
Figure DEST_PATH_IMAGE013
为像素点
Figure 799223DEST_PATH_IMAGE011
和像素点
Figure 56154DEST_PATH_IMAGE012
颜色以及纹理走向的特征距离，
Figure 648810DEST_PATH_IMAGE014
为空间中的距离对应的权重，
Figure DEST_PATH_IMAGE015
为颜色以及纹理走向的特征距离对应的权重，
Figure 995477DEST_PATH_IMAGE016
为像素点
Figure 939163DEST_PATH_IMAGE011
和像素点
Figure 498320DEST_PATH_IMAGE012
的距离，
Figure DEST_PATH_IMAGE017
为像素点
Figure 742219DEST_PATH_IMAGE011
对应的颜色以及纹理走向的特征向量，
Figure 961586DEST_PATH_IMAGE017
为像素点
Figure DEST_PATH_IMAGE019
对应的颜色以及纹理走向的特征向量，
Figure 923726DEST_PATH_IMAGE020
为像素点
Figure 286574DEST_PATH_IMAGE022
的横坐标，
Figure DEST_PATH_IMAGE023
为像素点
Figure 650559DEST_PATH_IMAGE022
的纵坐标，
Figure 542292DEST_PATH_IMAGE024
为像素点
Figure 460569DEST_PATH_IMAGE022
的竖坐标，
Figure DEST_PATH_IMAGE025
为像素点
Figure 394152DEST_PATH_IMAGE019
的横坐标，
Figure 815906DEST_PATH_IMAGE026
为像素点
Figure 878540DEST_PATH_IMAGE019
的纵坐标，
Figure DEST_PATH_IMAGE027
为像素点
Figure 386577DEST_PATH_IMAGE019
的竖坐标，
Figure 91228DEST_PATH_IMAGE028
为像素点
Figure 633067DEST_PATH_IMAGE022
对应的R分量，
Figure DEST_PATH_IMAGE029
为像素点
Figure 663340DEST_PATH_IMAGE022
对应的G分量，
Figure 290631DEST_PATH_IMAGE030
为像素点
Figure 533393DEST_PATH_IMAGE022
对应的B分量，
Figure DEST_PATH_IMAGE031
为像素点
Figure 959433DEST_PATH_IMAGE022
处海森矩阵的其中一个特征向量，
Figure 629449DEST_PATH_IMAGE032
为像素点
Figure 744035DEST_PATH_IMAGE022
处海森矩阵的另一个特征向量，
Figure DEST_PATH_IMAGE033
为
Figure 56068DEST_PATH_IMAGE031
对应的特征值，
Figure 572500DEST_PATH_IMAGE034
为
Figure 413417DEST_PATH_IMAGE032
对应的特征值，
Figure DEST_PATH_IMAGE035
为像素点
Figure 703715DEST_PATH_IMAGE019
对应的R分量，
Figure 288280DEST_PATH_IMAGE036
为像素点
Figure 960351DEST_PATH_IMAGE019
对应的G分量，
Figure DEST_PATH_IMAGE037
为像素点
Figure 237749DEST_PATH_IMAGE019
对应的B分量，
Figure 61348DEST_PATH_IMAGE038
为像素点
Figure 715183DEST_PATH_IMAGE019
处海森矩阵的其中一个特征向量，
Figure DEST_PATH_IMAGE039
为像素点
Figure 206207DEST_PATH_IMAGE019
处海森矩阵的另一个特征向量，
Figure 388927DEST_PATH_IMAGE040
为
Figure 466867DEST_PATH_IMAGE038
对应的特征值，
Figure DEST_PATH_IMAGE041
为
Figure 189972DEST_PATH_IMAGE039
对应的特征值。
4.根据权利要求1所述的适用于裂纹检测的图像处理方法，其特征在于，所述根据各第一超像素块的位置关系和各第一超像素块内像素的像素值对所述多个第一超像素块进行合并，得到多个第二超像素块，包括：
构建图数据结构：将每一个第一超像素块作为一个节点，判断各节点对应的第一超像素块之间是否相邻，若相邻，则将对应节点记为相邻节点；
根据相邻节点对应的像素值计算相邻节点之间的边权值；判断各边权值是否小于设定值，若小于，则将对应相邻节点进行合并，并更新合并后节点与相邻节点之间的边权值；
重复上述步骤，直至图数据库结构不再变化，将最后得到的每个节点对应的超像素块记为一个第二超像素块。
5.根据权利要求4所述的适用于裂纹检测的图像处理方法，其特征在于，所述判断各节点对应的第一超像素块之间是否相邻，包括：
利用3✕3的滑窗对两节点对应的超像素块进行膨胀处理，取膨胀处理后的像素块的交集像素块的交集；
判断所述交集区域面积是否为0，若否，则判断所述两节点对应的第一超像素块之间相邻；若是，则判断所述两节点对应的第一超像素块之间不相邻。
6.根据权利要求4所述的适用于裂纹检测的图像处理方法，其特征在于，所述根据相邻节点对应的像素值计算相邻节点之间的边权值，包括：
获得相邻节点中每个节点对应的所有像素点的像素值
Figure 269924DEST_PATH_IMAGE042
，利用EM算法得到相邻节点中每个节点对应的高斯模型；
计算将相邻节点合并后对应的高斯模型，判断将相邻节点合并后对应的高斯模型与合并之前每个节点对应的高斯模型的差异值，将所述差异值作为相邻节点之间的边权值。
CN202211218883.4A 2022-10-07 2022-10-07 适用于裂纹检测的图像处理方法 Pending CN115272353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211218883.4A CN115272353A (zh) 2022-10-07 2022-10-07 适用于裂纹检测的图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211218883.4A CN115272353A (zh) 2022-10-07 2022-10-07 适用于裂纹检测的图像处理方法

Publications (1)

Publication Number Publication Date
CN115272353A true CN115272353A (zh) 2022-11-01

Family

ID=83758043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211218883.4A Pending CN115272353A (zh) 2022-10-07 2022-10-07 适用于裂纹检测的图像处理方法

Country Status (1)

Country Link
CN (1) CN115272353A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661173A (zh) * 2022-11-10 2023-01-31 菏泽市土地储备中心 一种基于遥感图像的地块分割方法
CN116485350A (zh) * 2023-06-20 2023-07-25 山东鲁玻玻璃科技有限公司 基于图像识别的中硼硅玻璃智能化生产系统
CN117788959A (zh) * 2024-02-27 2024-03-29 武汉德泰纳新能源技术有限公司 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097313A (zh) * 2016-06-02 2016-11-09 甘肃读者动漫科技有限公司 图像分割方法及装置
CN107016691A (zh) * 2017-04-14 2017-08-04 南京信息工程大学 基于超像素特征的运动目标检测方法
CN107341812A (zh) * 2017-07-04 2017-11-10 太原理工大学 一种基于超像素和密度聚类的序列肺结节图像分割方法
CN111814711A (zh) * 2020-07-15 2020-10-23 中国矿业大学 一种应用于矿井机器视觉的图像特征快速匹配方法及系统
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN114913138A (zh) * 2022-04-24 2022-08-16 南通飞旋智能科技有限公司 一种基于人工智能的移印机产品缺陷检测方法及系统
CN115063409A (zh) * 2022-07-28 2022-09-16 南通恒强轧辊有限公司 一种机械刀具表面材质检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097313A (zh) * 2016-06-02 2016-11-09 甘肃读者动漫科技有限公司 图像分割方法及装置
CN107016691A (zh) * 2017-04-14 2017-08-04 南京信息工程大学 基于超像素特征的运动目标检测方法
CN107341812A (zh) * 2017-07-04 2017-11-10 太原理工大学 一种基于超像素和密度聚类的序列肺结节图像分割方法
CN111814711A (zh) * 2020-07-15 2020-10-23 中国矿业大学 一种应用于矿井机器视觉的图像特征快速匹配方法及系统
CN114140462A (zh) * 2021-12-10 2022-03-04 江苏牛犇轴承有限公司 一种基于图像处理的轴承磨损程度评估方法
CN114913138A (zh) * 2022-04-24 2022-08-16 南通飞旋智能科技有限公司 一种基于人工智能的移印机产品缺陷检测方法及系统
CN115063409A (zh) * 2022-07-28 2022-09-16 南通恒强轧辊有限公司 一种机械刀具表面材质检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
南柄飞 等: "基于SLICO融合纹理信息的超像素分割方法", 《仪器仪表学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661173A (zh) * 2022-11-10 2023-01-31 菏泽市土地储备中心 一种基于遥感图像的地块分割方法
CN115661173B (zh) * 2022-11-10 2023-03-10 菏泽市土地储备中心 一种基于遥感图像的地块分割方法
CN116485350A (zh) * 2023-06-20 2023-07-25 山东鲁玻玻璃科技有限公司 基于图像识别的中硼硅玻璃智能化生产系统
CN116485350B (zh) * 2023-06-20 2023-09-01 山东鲁玻玻璃科技有限公司 基于图像识别的中硼硅玻璃智能化生产系统
CN117788959A (zh) * 2024-02-27 2024-03-29 武汉德泰纳新能源技术有限公司 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法

Similar Documents

Publication Publication Date Title
Yang et al. Real-time face detection based on YOLO
CN110175576B (zh) 一种结合激光点云数据的行驶车辆视觉检测方法
CN115272353A (zh) 适用于裂纹检测的图像处理方法
CN110310320B (zh) 一种双目视觉匹配代价聚合优化方法
CN109360232B (zh) 基于条件生成对抗网络的室内场景布局估计方法和装置
CN111640157A (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN110796152A (zh) 一种基于倾斜摄影的群体建筑物震害提取方法及系统
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN104091324A (zh) 一种基于连通域分割的棋盘格图像快速特征匹配算法
CN108010075B (zh) 一种基于多特征联合的局部立体匹配方法
CN106778633B (zh) 一种基于区域分割的行人识别方法
CN105957107A (zh) 行人检测与跟踪方法及装置
CN111192194A (zh) 一种针对幕墙建筑立面的全景图像拼接方法
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN112288758B (zh) 一种电力设备红外与可见光图像配准方法
CN107909085A (zh) 一种基于Harris算子的图像特征角点提取方法
CN110503637A (zh) 一种基于卷积神经网络的道路裂缝自动检测方法
CN111199245A (zh) 油菜害虫识别方法
CN115639248A (zh) 一种用于建筑外墙质量检测的系统及方法
CN110378199B (zh) 一种基于无人机多期影像的岩土体位移监测方法
CN113240735B (zh) 一种边坡位移活动性监测方法
CN111046783B (zh) 一种改进分水岭算法的斜坡地质灾害边界提取方法
CN110717910B (zh) 基于卷积神经网络的ct图像目标检测方法及ct扫描仪
CN105809657A (zh) 一种角点检测方法和装置
JPH05215547A (ja) ステレオ画像間対応点決定方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221101