CN115345894B - 一种焊缝射线检测图像分割方法 - Google Patents

一种焊缝射线检测图像分割方法 Download PDF

Info

Publication number
CN115345894B
CN115345894B CN202211268883.5A CN202211268883A CN115345894B CN 115345894 B CN115345894 B CN 115345894B CN 202211268883 A CN202211268883 A CN 202211268883A CN 115345894 B CN115345894 B CN 115345894B
Authority
CN
China
Prior art keywords
degree
outlier
image
value
acquiring
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
Application number
CN202211268883.5A
Other languages
English (en)
Other versions
CN115345894A (zh
Inventor
吴志刚
李建国
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.)
Nantong Tongli Oil Pump Co ltd
Original Assignee
Nantong Tongli Oil Pump 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 Nantong Tongli Oil Pump Co ltd filed Critical Nantong Tongli Oil Pump Co ltd
Priority to CN202211268883.5A priority Critical patent/CN115345894B/zh
Publication of CN115345894A publication Critical patent/CN115345894A/zh
Application granted granted Critical
Publication of CN115345894B publication Critical patent/CN115345894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种焊缝射线检测图像分割方法，该方法采集焊接之后的焊缝区域的射线检测图像；将射线检测图像转换为三维灰度分布图，将射线检测图像中的离散点映射到图像横轴得到散点图；获取感兴趣区域并划分为内部区域和外部区域；评估外部区域中每个像素点的离群程度，以及内部区域中每个像素点的离群程度；筛选异常点；获取每个异常点的聚集程度；根据聚集程度和离群程度获取异常程度，获取所有像素点的整体异常程度设置对应的聚类K值，然后进行K‑means聚类完成对不同区域的划分。对于焊缝图像中的图像分割可以实现K值的自适应判断，将图像进行分割。

Description

一种焊缝射线检测图像分割方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种焊缝射线检测图像分割方法。
背景技术
焊接在工业领域是一个常见的加工技术，在物体经过焊接之后需要通过焊缝检测以确定焊接质量。因为焊接过程中会有各种缺陷的产生，这些缺陷会导致焊接质量不达标，如果不在焊接之后对焊缝进行检测就无法及时判断焊接质量，会对产品的质量产生严重影响。在焊缝检测中X射线检测可以从图像中找出焊缝内部的多种缺陷，如咬边，气孔，夹渣等等。
现有技术中使用K-means聚类的方法找到缺陷的区域则需要根据一些优化函数给出K值，需要较为复杂且人为主观性大的构建目标函数。而无论K值给出的是否合适聚类都会将图像按照K值分割出若干类。这种情况就会导致K值的选取是尤其重要的。
发明内容
为了解决上述技术问题，本发明提供一种焊缝射线检测图像分割方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种焊缝射线检测图像分割方法，该方法包括以下步骤：
采集焊接之后的焊缝区域的射线检测图像；将所述射线检测图像转换为三维灰度分布图，将所述射线检测图像中的离散点映射到图像横轴得到散点图；
根据所述散点图中像素点的灰度值的变化情况获取感兴趣区域，并将所述感兴趣区域划分为内部区域和外部区域；
根据外部区域中像素点的灰度值与非感兴趣区域的灰度均值的大小关系评估外部区域中每个像素点的离群程度；基于内部区域中每个像素点的灰度值和内部区域的灰度均值评估内部区域中每个像素点的离群程度；根据预设的离群阈值筛选异常点；
将异常点映射到图像横轴和图像纵轴形成的平面上，并获取连通域，根据每个连通域中的像素点数量获取对应的聚集程度；根据所述聚集程度和所述离群程度获取异常程度，获取所有像素点的整体异常程度设置对应的聚类K值，然后进行K-means聚类完成对不同区域的划分。
优选的，所述感兴趣区域的获取方法为：
获取所述散点图中每一列像素点的列均值，构成列均值序列，并拟合成满足正态 分布的序列，然后通过标准差原则获取标准化序列，依据正态分布的三西格玛准则得到所 述感兴趣区域
Figure DEST_PATH_IMAGE001
，其中
Figure 909465DEST_PATH_IMAGE002
表示标准化序列的均值，
Figure DEST_PATH_IMAGE003
表示标准化序列的标准 差。
优选的，所述将所述感兴趣区域划分为内部区域和外部区域，包括：
内部区域为
Figure 914331DEST_PATH_IMAGE004
，外部区域为
Figure DEST_PATH_IMAGE005
。
优选的，所述评估外部区域中每个像素点的离群程度，包括：
将所述外部区域中灰度值小于非感兴趣区域的灰度均值的像素点提取出来构成第一离群集合，通过将所述第一离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的所述离群程度。
优选的，所述评估内部区域中每个像素点的离群程度，包括：
获取内部区域中所有像素点的灰度均值作为参考值，将内部区域中灰度值小于所述参考值的像素点提取出来构成第二离群集合，通过将所述第二离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的所述离群程度。
本发明实施例至少具有如下有益效果：
本发明通过分析图像像素点的灰度热力图获取图像的整体异常程度，在K-means聚类中根据图像整体的异常程度确定K值，对于焊缝图像中的图像分割可以实现K值的自适应判断，无需人为给出K值即可达到将图像按照背景-焊缝-缺陷进行分割。
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提供的一种焊缝射线检测图像分割方法的步骤流程图；
图2为本发明一个实施例提供的无缺陷射线检测图像；
图3为本发明一个实施例提供的有缺陷射线检测图像；
图4为图2的三维灰度分布图；
图5为图3的三维灰度分布图；
图6为图4对应的散点图；
图7为图5对应的散点图；
图8为均值图像的曲线；
图9为标注波动显示的三维散点图像。
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焊缝射线检测图像分割方法，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焊缝射线检测图像分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种焊缝射线检测图像分割方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集焊接之后的焊缝区域的射线检测图像；将射线检测图像转换为三维灰度分布图，将射线检测图像中的离散点映射到图像横轴得到散点图。
具体的步骤包括：
对于焊接之后将焊缝区域，使用相应的焊缝X光采集设备采集图像，X光采集设备通过X射线对焊缝区域进行呈像，得到焊缝的射线检测图像。
因为焊缝的X射线检测图像中中间区域是焊缝，两侧为背景，通过统一的焊缝图像的方向，将图像放置为焊缝竖直向上的方向。如图2所示的无缺陷射线检测图像，中间的白色区域即为焊缝区域，如图3所示的有缺陷射线检测图像，射线检测是根据焊缝区域的X光反射情况进行成像，其中黑色点状区域即为缺陷。
根据检测图像的特点，白色区域的像素灰度分布会直接影响到缺陷程度的判断。 对于灰度值在图像上的分布可以通过三维灰度分布图来进行说明其中
Figure 149003DEST_PATH_IMAGE006
轴为图像横轴
Figure DEST_PATH_IMAGE007
轴 为图像竖轴，
Figure 631937DEST_PATH_IMAGE008
轴为像素点的灰度值，将图2转换为如图4所示的三维灰度分布图，图3转换为 如图5所示的三维灰度分布图。
将图4中的散点映射到图像横轴得到如图6所示的“x-灰度值”散点图，将图5中的散点映射到图像横轴得到如图7所示的“x-灰度值”散点图，可以在切面来观察焊缝区域的像素点分布。
步骤S002，根据散点图中像素点的灰度值的变化情况获取感兴趣区域，并将感兴趣区域划分为内部区域和外部区域。
具体的步骤包括：
因为焊缝区域的像素点会呈现为切面上的波动，这个波动的中心就是焊缝的中心区域，波动的起始与结束点就是焊缝的起始与结束点，这些像素点的分布中存在着可以表示焊缝异常的异常像素点，所以可以根据“x-灰度均值”图像通过波峰波谷的情况映射到焊缝的缺陷程度。
对于焊缝区域，因为焊缝检测图像的散点图切面中可以找到焊缝区域所对应的波 动，为分析焊缝区域像素点的异常信息，首先需要通过其数值的变化情况确定焊缝的
Figure 697982DEST_PATH_IMAGE006
轴 上对应的区域。与此同时需要考虑到焊缝咬边裂纹等缺陷所造成的影响，在保留这一部分 信息的情况下将区域进行划分。
获取散点图中每一列像素点的列均值，构成列均值序列，并拟合成满足正态分布 的序列，然后通过标准差原则获取标准化序列，依据正态分布的三西格玛准则得到感兴趣 区域
Figure 139327DEST_PATH_IMAGE001
，其中
Figure 533400DEST_PATH_IMAGE002
表示标准化序列的均值，
Figure 351183DEST_PATH_IMAGE003
表示标准化序列的标准差。内部区 域为
Figure 615942DEST_PATH_IMAGE004
，外部区域为
Figure 493768DEST_PATH_IMAGE005
。
对于需要划分出的焊缝区域来说，散点因为非连续性而且不便于数值运算所以并不能很好的判断如何划分感兴趣区域，这个区域只根据像素值变化情况来进行划分，所以需要每列像素点的灰度值均值来进行判断。通过均值可以消除一些小波动的影响，同时也可以将异常点的影响在数值上进行体现，同时消除一些小的噪声点的影响，如果某一个区域异常点影响较大就会在数值上呈现出较大的波动。
对于得到的均值序列，可以通过
Figure DEST_PATH_IMAGE009
标准化将其逆合成满足正态分布的序 列，之后通过标准差原则来划分中心区域与边缘区域。将列均值序列通过减均值再除以标 准差获得标准化的序列
Figure 968612DEST_PATH_IMAGE010
。
Figure DEST_PATH_IMAGE011
为图像行序列，
Figure 793349DEST_PATH_IMAGE012
为图像列序列。
Figure DEST_PATH_IMAGE013
为图像灰度矩阵，通过
Figure 37248DEST_PATH_IMAGE014
来获取对应位置的灰度值。
如此，灰度矩阵中每一列的均值即为：
Figure 554817DEST_PATH_IMAGE016
公式解释：上式中
Figure DEST_PATH_IMAGE017
为像素点在图像中的列坐标，
Figure 516957DEST_PATH_IMAGE018
为像素点再图像中的行坐标
Figure DEST_PATH_IMAGE019
为
Figure 879805DEST_PATH_IMAGE020
位置上像素点的灰度值，
Figure DEST_PATH_IMAGE021
为图像的总行数，
Figure 243790DEST_PATH_IMAGE022
为图像的总列数。
此时图像的列均值序列即为
Figure DEST_PATH_IMAGE023
。
将均值序列中变化开始增大的点作为感兴趣区域的起始点，将变化开始减小的点作为感兴趣区域的终止点。
对于得到的均值序列，为了通过
Figure 401102DEST_PATH_IMAGE009
标准化将其逆合成满足正态分布的序 列，之后通过标准差原则来划分中心区域与边缘区域。将列均值序列通过减均值再除以标 准差获得标准化的序列
Figure 381697DEST_PATH_IMAGE010
。
此时得到标准化的均值序列
Figure 79394DEST_PATH_IMAGE024
在此 数列中感兴趣区域可以由正态分布的三西格玛准则（三
Figure 438831DEST_PATH_IMAGE003
准则）得出。
其中，
Figure DEST_PATH_IMAGE025
表示列均值序列通过
Figure 309922DEST_PATH_IMAGE009
归一化之后的序列。
此时序列的均值：
Figure DEST_PATH_IMAGE027
上式中
Figure 715495DEST_PATH_IMAGE018
表示列均值归一化序列的第
Figure 482463DEST_PATH_IMAGE018
个元素，
Figure 961986DEST_PATH_IMAGE022
表示图像的总列数，
Figure 257838DEST_PATH_IMAGE028
表示归一化 序列之后的均值。
序列的标准差为：
Figure 947445DEST_PATH_IMAGE030
其中，
Figure 127891DEST_PATH_IMAGE018
表示列均值归一化序列的第
Figure 586554DEST_PATH_IMAGE018
个元素，
Figure DEST_PATH_IMAGE031
表示列均值归一化之后序列的标准 差。
为保证感兴趣区域包含焊缝的边缘信息，即将感兴趣区域定义为
Figure 522149DEST_PATH_IMAGE032
，其中内部区域为
Figure DEST_PATH_IMAGE033
，外部区域为
Figure 167894DEST_PATH_IMAGE034
。为方便 后续描述，本实施例中将感兴趣区域表示为
Figure DEST_PATH_IMAGE035
，内部区域表示为
Figure 214347DEST_PATH_IMAGE036
，外部区域整 体表示为
Figure DEST_PATH_IMAGE037
。
根据图像列均值序列来进行感兴趣区域的划分，考虑到图像十分符合正态分布形 态，所以使用
Figure 996359DEST_PATH_IMAGE009
标准化序列根据三
Figure 899593DEST_PATH_IMAGE031
准则来进行准确划分。
步骤S003，根据外部区域中像素点的灰度值与非感兴趣区域的灰度均值的大小关系评估外部区域中每个像素点的离群程度；基于内部区域中每个像素点的灰度值和内部区域的灰度均值评估内部区域中每个像素点的离群程度；根据预设的离群阈值筛选异常点。
具体的步骤包括：
在感兴趣区域中如何对像素点的分布情况进行判定，这里就需要考虑到异常像素点之间在图像中的位置情况，通过这些特征即可以将上述的分布情况映射到异常程度。
在焊缝中如咬边缺陷就会体现在焊缝边缘区域，也就是外部区域。主要的其他缺陷多是体现在内部区域，所以在关注内部区域的异常程度时也需要同时关注外部区域。对于异常程度的判断需要从异常点的灰度值分布与位置分布综合判断。
将外部区域中灰度值小于非感兴趣区域的灰度均值的像素点提取出来构成第一离群集合，通过将第一离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的离群程度。
因为焊缝中的缺陷都会体现在焊缝区域的像素点灰度值降低，所以如果焊缝区域中灰度值比较低的点越多，那么焊缝出现异常的可能性就越高，也就是异常程度会根据灰度值比较低的点越多，异常程度越高。
根据上述逻辑，需要对感兴趣区域中的灰度值分布情况进行分析，从中找到焊缝区域中的异常点。
因为在外部区域中存在的缺陷主要是焊缝的咬边缺陷，在外部区域中如果想判断外部区域的咬边，那么对于外部区域，需要通过像素点的离群性来判断每个像素点的异常程度。
例如：在出现咬边缺陷时，如图8所示的均值图像的曲线中并无法明显地观察到，但是在如图9所示的三维散点图像中却可以很明显地看出方框内的波动显示。均值图像的曲线对于咬边缺陷的显示并不明显，也就是说通过均值这种数值特征无法明确地判断某一列的像素点是否异常。但是如果是放到散点图中就可以很明显的观察出。因此通过每个点的离群程度来判断这个点的异常程度。
对于一个像素点离群性所针对的群体，为了保证离群点的判定更为准确，这里使用不感兴趣区域作为外部区域离群点检测的距离检测群体。也就是说将外部区域的每一个像素点相对于不感兴趣区域做一次离群检测。具体的离群检测计算步骤如下所示。
两侧的非感兴趣区域为
Figure 439158DEST_PATH_IMAGE038
，计算两侧区域的灰度均值，分别记为
Figure DEST_PATH_IMAGE039
。接下来通过外部区域中像素点小于对应非感兴趣区域灰度均值程度来判断 离群程度。此时外部区域的像素点集表示为：
Figure 554882DEST_PATH_IMAGE040
，即将原图像所有像素 点中列位置在
Figure DEST_PATH_IMAGE041
之间的像素点提取出作为一个新的集合
Figure 316033DEST_PATH_IMAGE042
。
通过
Figure DEST_PATH_IMAGE043
函数将灰度值小于均值的点取出，将得到的所有像素点作为第一离群 集合
Figure 593431DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE045
，其中
Figure 948189DEST_PATH_IMAGE046
表示两侧非感兴趣区域的灰度均值
Figure DEST_PATH_IMAGE047
。
通过sigmoid函数将像素点的灰度值进行归一化处理得到离群程度
Figure 602024DEST_PATH_IMAGE048
，映射到
Figure DEST_PATH_IMAGE049
区间。
像素点与均值距离越远，离群程度就越高，同时离群程度的变化率随着距离增大 而增大，通过
Figure 93048DEST_PATH_IMAGE050
函数并通过区间变换将其取值放入函数显著区间进行了归一化的映 射，在此映射中可以有效的反应离群的异常程度同时对一些极端异常点不敏感，可以有效 地消除极端噪声点的影响。
通过上述步骤，外部区域每一个像素点的离群程度
Figure DEST_PATH_IMAGE051
获取完成。
获取内部区域中所有像素点的灰度均值作为参考值，将内部区域中灰度值小于参考值的像素点提取出来构成第二离群集合，通过将第二离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的离群程度。
对于内部区域中灰度异常点的判断，同样结合像素点对于所在区域的离群程度来 进行判断。对于内部区域的点集，表示为
Figure 806926DEST_PATH_IMAGE052
。计算得出内部区域所有像 素值均值
Figure DEST_PATH_IMAGE053
。同样通过
Figure 773614DEST_PATH_IMAGE043
函数将灰度值小于均值的点取出组成第二离群集合
Figure 637665DEST_PATH_IMAGE054
：
Figure DEST_PATH_IMAGE055
，离群程度
Figure 983196DEST_PATH_IMAGE056
通过sigmoid函数将其进行归一化，通过对原sigmoid函数进行平移与拉伸，实现 将数值映射到
Figure DEST_PATH_IMAGE057
区间，作为内部区域中每个像素点的离群程度
Figure 133554DEST_PATH_IMAGE058
。
通过上述步骤，感兴趣区域中每一个像素点的离群程度获取完成。
考虑到不同的区域，对不同的区域进行不同的异常判断，根据实际焊缝中的情况对其判断，能够准确地判断异常情况也为最后的分割效果打下基础。
在通过离群程度计算之后，可以根据需求选择合适的离群程度阈值从而得到离群 点集，
Figure DEST_PATH_IMAGE059
。点集
Figure 321959DEST_PATH_IMAGE060
中的像素点为异常点。根据常规焊缝射线检测图像中缺陷像素点 的灰度值，在本发明实施例中将阈值设置为
Figure DEST_PATH_IMAGE061
。
步骤S004，将异常点映射到图像横轴和图像纵轴形成的平面上，并获取连通域，根据每个连通域中的像素点数量获取对应的聚集程度；根据聚集程度和离群程度获取异常程度，获取所有像素点的整体异常程度设置对应的聚类K值，然后进行K-means聚类完成对不同区域的划分。
具体的步骤包括：
对于一个像素点来说，不能仅通过它的灰度值来判断它的异常程度，一个离群点可能是一个噪声点，也有可能是异常区域中的点。对于这二者的判断则需要通过像素点的位置分布信息来进行判断。如果感兴趣区域有若干个像素点呈簇状或者是若干个像素点呈线状排列。那么这些像素点的聚集程度就代表了一部分异常情况。
对于位置分布来说，可以通过连通域的方式获取点集中的连通信息，将异常点集 映射到
Figure 583176DEST_PATH_IMAGE062
平面，寻找平面中的连通域。在寻找连通域的过程中考虑到缺陷区域中又可能 存在误判点，在寻找到缺陷点集中的连通域之后，将连通域质心距离小于20的连通域进行 合并，得到可以进行聚集程度判断的连通域集合
Figure DEST_PATH_IMAGE063
，此时连通域的数量为
Figure 783213DEST_PATH_IMAGE064
，连通域的像素点数量记为
Figure DEST_PATH_IMAGE065
。对于异常程度的判断，可以将连通域中 像素点数量小于10的连通域去除，通过连通域的像素点数量与连通域数量来判断异常点聚 集程度。与上述离群程度相似，一个范围内的聚集程度一旦出现很大的像素点数量，那么就 极大可能是存在异常。对于每个连通域都将其中所有像素点赋予相同的聚集程度：
Figure DEST_PATH_IMAGE067
其中，
Figure 166790DEST_PATH_IMAGE068
表示第t个连通域中的聚集程度，
Figure DEST_PATH_IMAGE069
表示第
Figure 452278DEST_PATH_IMAGE070
个连通域的像素点数量，e表 示自然常数，n表示连通域的数量。
通过第
Figure 782765DEST_PATH_IMAGE018
个连通域的像素点数量
Figure 634046DEST_PATH_IMAGE069
，来给出一个聚集程度，聚集程度通过softmax 函数给出，因为softmax会将像素点数量多的连通域赋予更多的聚集程度，异常点越多的连 通域其异常程度就越高。
需要说明的是，离群点中在寻找连通域过程中被排除的点的聚集程度为0。
对于每个像素点的整体异常程度。离群点的数量越多，聚集连通域数量越多对应 着整体的异常程度越高。对于每个像素点来说离群程度越高，聚集程度越高，其异常程度越 高。因此以第k个像素点为例，异常程度
Figure DEST_PATH_IMAGE071
的计算方法为：
Figure 872347DEST_PATH_IMAGE072
，其中，e表示自然常 数，
Figure DEST_PATH_IMAGE073
表示第k个像素点的离群程度，
Figure 645131DEST_PATH_IMAGE074
表示第k个像素点的聚集程度。
离群程度
Figure 779309DEST_PATH_IMAGE073
因为通过
Figure 891622DEST_PATH_IMAGE043
函数计算，所以所有非离群点在计算离群程度时都为 0，对于所有离群程度为0的点，其聚集程度
Figure 554684DEST_PATH_IMAGE073
也为0，在上式中，非异常点的异常程度即为1。 异常程度的范围即为
Figure DEST_PATH_IMAGE075
。
在获取异常程度之后，通过对异常程度的判断来获取进行K-means聚类的K值，很明显的是，单纯的K-means聚类难以将异常程度高的像素点分为一类，所以需要构建一个根据异常程度来分布的样本空间，在这个样本空间中进行K-means聚类即可将非关注区域，焊缝区域与缺陷区域进行聚类，同时进行图像分割。
上述过程中获取的是每个像素点的异常程度，对于K-means聚类中的K值，则需要 根据图像整体的异常程度来进行判断。获取整体异常程度：
Figure 80344DEST_PATH_IMAGE076
，即所有像素点的异常 程度的平均值，m表示图像的行数n表示图像的列数，即所有像素点的数量。
如果图像中没有异常点，则每个像素点异常程度求和即为图像中像素点的数量。如果出现异常则可以根据其与图像像素点数量的比值进行判别。
对于K-means聚类有一个特点就是只要是给出一个K值，无论其适不适合都会根据K值获得一个聚类结果。所以不合适的K值也会有结果，但是这个结果是不合理的。
此时根据实际情况需要给定
Figure DEST_PATH_IMAGE077
的阈值
Figure 221475DEST_PATH_IMAGE078
，当
Figure DEST_PATH_IMAGE079
时，异常程度已经超出给定阈值， 那么对于焊缝图像可以将其认定为有异常，可以将K值设置为3，即焊缝，缺陷区域，背景一 共三类；当
Figure 516190DEST_PATH_IMAGE080
时，可以将K值设置为2，即判定它为可接受的情况，预期分为焊缝与两侧背 景两类。
在对图像通过聚类的方式进行分割时，由于此场景中图像为灰度图。所以需要一 个合适的样本空间来对像素点进行K-means聚类。对此，将图像映射到“灰度-
Figure 615733DEST_PATH_IMAGE077
”样本空间， 通过给出的
Figure DEST_PATH_IMAGE081
值对其进行聚类，得到最终结果。
如果是需要对射线检测图像进行训练集标注，则可以根据聚类情况对每一个聚集的连通域进行聚集程度与离群程度的标注，以便于后续的神经网络训练。
获取异常程度之后则是通过给出异常阈值来决定K值。因为在实际情况中有一些程度的焊缝缺陷是可以接受的，那么对于不同的标准则可以在给定的阈值上得以呈现。
综上所述，本发明实施例采集焊接之后的焊缝区域的射线检测图像；将射线检测图像转换为三维灰度分布图，将射线检测图像中的离散点映射到图像横轴得到散点图；根据散点图中像素点的灰度值的变化情况获取感兴趣区域，并将感兴趣区域划分为内部区域和外部区域；根据外部区域中像素点的灰度值与非感兴趣区域的灰度均值的大小关系评估外部区域中每个像素点的离群程度；基于内部区域中每个像素点的灰度值和内部区域的灰度均值评估内部区域中每个像素点的离群程度；根据预设的离群阈值筛选异常点；将异常点映射到图像横轴和图像纵轴形成的平面上，并获取连通域，根据每个连通域中的像素点数量获取对应的聚集程度；根据聚集程度和离群程度获取异常程度，获取所有像素点的整体异常程度设置对应的聚类K值，然后进行K-means聚类完成对不同区域的划分。对于焊缝图像中的图像分割可以实现K值的自适应判断，无需人为给出K值即可达到将图像按照背景-焊缝-缺陷进行分割。
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。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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (1)

1.一种焊缝射线检测图像分割方法，其特征在于，该方法包括以下步骤：
采集焊接之后的焊缝区域的射线检测图像；将所述射线检测图像转换为三维灰度分布图，将所述射线检测图像中的离散点映射到图像横轴得到散点图；
根据所述散点图中像素点的灰度值的变化情况获取感兴趣区域，并将所述感兴趣区域划分为内部区域和外部区域；
根据外部区域中像素点的灰度值与非感兴趣区域的灰度均值的大小关系评估外部区域中每个像素点的离群程度；基于内部区域中每个像素点的灰度值和内部区域的灰度均值评估内部区域中每个像素点的离群程度；根据预设的离群阈值筛选异常点；
将异常点映射到图像横轴和图像纵轴形成的平面上，并获取连通域，根据每个连通域中的像素点数量获取对应的聚集程度；根据所述聚集程度和所述离群程度获取异常程度，获取所有像素点的整体异常程度设置对应的聚类K值，然后进行K-means聚类完成对不同区域的划分；
所述感兴趣区域的获取方法为：
获取所述散点图中每一列像素点的列均值，构成列均值序列，并拟合成满足正态分布的序列，然后通过标准差原则获取标准化序列，依据正态分布的三西格玛准则得到所述感兴趣区域
Figure 920223DEST_PATH_IMAGE002
，其中
Figure 368522DEST_PATH_IMAGE004
表示标准化序列的均值，
Figure 806981DEST_PATH_IMAGE006
表示标准化序列的标准差；
所述将所述感兴趣区域划分为内部区域和外部区域，包括：
内部区域为
Figure 733349DEST_PATH_IMAGE008
，外部区域为
Figure 954246DEST_PATH_IMAGE010
；
所述评估外部区域中每个像素点的离群程度，包括：
将所述外部区域中灰度值小于非感兴趣区域的灰度均值的像素点提取出来构成第一离群集合，通过将所述第一离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的所述离群程度；
所述评估内部区域中每个像素点的离群程度，包括：
获取内部区域中所有像素点的灰度均值作为参考值，将内部区域中灰度值小于所述参考值的像素点提取出来构成第二离群集合，通过将所述第二离群集合中每个像素点的灰度值归一化，得到归一化结果作为对应的所述离群程度；
对于每个连通域都将其中所有像素点赋予相同的聚集程度：
Figure DEST_PATH_IMAGE012A
其中，
Figure 494818DEST_PATH_IMAGE014
表示第t个连通域中的聚集程度，
Figure 168376DEST_PATH_IMAGE016
表示第
Figure 898434DEST_PATH_IMAGE018
个连通域的像素点数量，e表示自然常数，n表示连通域的数量；
异常程度
Figure 223105DEST_PATH_IMAGE020
的计算方法为：
Figure 747627DEST_PATH_IMAGE022
，其中，e表示自然常数，
Figure 174061DEST_PATH_IMAGE024
表示第k个像素点的离群程度，
Figure 566865DEST_PATH_IMAGE026
表示第k个像素点的聚集程度；
以所有像素点的异常程度的平均值作为整体异常程度，当整体异常程度超出给定阈值，将K值设置为3；当整体异常程度低于给定阈值，将K值设置为2。
CN202211268883.5A 2022-10-17 2022-10-17 一种焊缝射线检测图像分割方法 Active CN115345894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211268883.5A CN115345894B (zh) 2022-10-17 2022-10-17 一种焊缝射线检测图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211268883.5A CN115345894B (zh) 2022-10-17 2022-10-17 一种焊缝射线检测图像分割方法

Publications (2)

Publication Number Publication Date
CN115345894A CN115345894A (zh) 2022-11-15
CN115345894B true CN115345894B (zh) 2022-12-27

Family

ID=83957274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211268883.5A Active CN115345894B (zh) 2022-10-17 2022-10-17 一种焊缝射线检测图像分割方法

Country Status (1)

Country Link
CN (1) CN115345894B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228776B (zh) * 2023-05-10 2023-07-21 威海职业学院(威海市技术学院) 一种机电设备焊接缺陷识别方法及系统
CN116805317B (zh) * 2023-08-28 2023-11-14 苏州科尔珀恩机械科技有限公司 基于人工智能的回转炉内壁缺陷检测方法
CN116912256B (zh) * 2023-09-14 2023-11-28 山东大昌纸制品有限公司 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489903B2 (en) * 2015-04-27 2019-11-26 Wuhan Wuda Zoyon Science And Technology Co., Ltd. Stepwise refinement detection method for pavement cracks
CN111091071B (zh) * 2019-11-27 2023-12-01 山东工商学院 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN115082464B (zh) * 2022-08-22 2023-12-12 广州市昱通环保科技有限公司 除尘机焊接过程中焊缝数据的识别方法及系统

Also Published As

Publication number Publication date
CN115345894A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115345894B (zh) 一种焊缝射线检测图像分割方法
US7602962B2 (en) Method of classifying defects using multiple inspection machines
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN108550133B (zh) 一种基于Faster R-CNN的癌细胞检测方法
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
US7424146B2 (en) Defect inspection method
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN115423813B (zh) 焊管表面焊接缺陷检测方法
CN112241699A (zh) 物体缺陷类别识别方法、装置、计算机设备和存储介质
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN114359288B (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
Choi et al. Deep learning based defect inspection using the intersection over minimum between search and abnormal regions
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN112287884B (zh) 一种考试异常行为检测方法、装置及计算机可读存储介质
US20220304617A1 (en) System and method for diagnosing small bowel cleanliness
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN110751687A (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
CN115131355A (zh) 利用电子设备数据检测防水布异常的智能方法
CN111815613B (zh) 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法
CN113989588A (zh) 一种基于自学习的五边形绘图测试智能评价系统及方法

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