CN116452944A - 一种表面裂纹识别方法及装置 - Google Patents
一种表面裂纹识别方法及装置 Download PDFInfo
- Publication number
- CN116452944A CN116452944A CN202310197302.1A CN202310197302A CN116452944A CN 116452944 A CN116452944 A CN 116452944A CN 202310197302 A CN202310197302 A CN 202310197302A CN 116452944 A CN116452944 A CN 116452944A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- point cloud
- point
- cloud data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003708 edge detection Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011326 mechanical measurement Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别的技术领域，公开了一种表面裂纹识别方法，包括通过边缘检测识别目标图像的裂纹深度信息；通过将目标图像转换为二值图对裂纹轮廓进行刻画；结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。本发明通过点云对裂纹的具体长度、宽度、形状等物理特性的真实刻画，相比于传统YOLO运用线框将裂纹进行框选，具有巨大的提升，并且点云可以形成三维立体结构，直观的对原模型进行三维重建，这是其他传统方法所不具备的优点，具有很好的实用性。
Description
技术领域
本发明涉及图像识别的技术领域，尤其涉及一种表面裂纹识别方法。
背景技术
裂纹存在于各种工程的施工作业中，裂纹的存在与否以及大小形状影响着整个工程的进展和质量，严重的甚至会威胁人民生命健康。因此，在现代化作业的过程以及后期的进一步维修工作中裂纹的识别与检测显得尤为重要。
传统人工检测方法主要分为机械测量法和肉眼鉴定法，机械测量也是人工的借助一定的机械工具(例如：游标卡尺等)进行测量，存在着精度低、效率低、费时费工等诸多问题。同时，凭借人工进行裂纹鉴定不利于记录，针对特定的环境(高危、黑暗等)，人工检测难以进行，给现实的工程生活带来隐患。长时间的工作还容易导致疲劳，降低生产效率。
随着技术的发展，增添了许多现代的裂纹检测方法：传统的无损检测有超声波检测、红外检测等。超声波检测：利用超声波在不同介质中的传播速度不同，以及在不同介质中的反射程度存在差异，我们使用发射探头发射超声波后在利用接收探头获取信息，针对超声波的变化信息进行分析计算，进而得到裂纹的位置以及大小等基础信息。红外检测：利用红外探测仪将被测表面的各个区域的红外辐射能转化为易于观察的温度场，进而通过观察温度场的变化分析物体内部或者表面是否存在裂纹缺陷。激光全息检测：利用激光全息照相技术来分析物体内部和表面的缺陷情况。
随着机器视觉的告诉发展，针对裂纹的检测技术越来越成熟，现如今在3D点云的理论发展，为裂纹检测提供了新的解决思路。相比于其他检测手段，基于机器视觉的检测方法具有速度快、精度高、工作时间长等优点，可以对物体表面的裂纹区域进行较为精准的定位，由此发展而来的3D点云分析技术，将深度图像转化为一个个点的坐标形式，可以通过大量点的坐标来描绘出裂纹的位置、深度以及大致形状。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有技术存在检测结果不准确以及检测效率低下的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种表面裂纹识别方法，包括：
通过边缘检测识别目标图像的裂纹轮廓；
通过将目标图像转换为二值图对裂纹轮廓进行刻画；
结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述裂纹深度信息的识别，包括：
通过视觉装置获取待识别的裂纹图像，基于图像质量进行筛选，将筛选出质量高的图像转换为灰度图像，对所述灰度图像基于边缘检测算子进行边缘检测。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述边缘检测步骤，包括去噪声/降噪处理、计算梯度、非极大值抑制；
所述去噪声采用高斯滤波技术，去除裂纹图像中由于坑洼产生的噪点；当裂纹噪点较多时，选用高斯模糊降噪进行图像处理；
所述梯度计算，包括对去噪后的图像进一步使用Sobel算子计算水平方向和竖直方向的图像梯度，所述梯度计算公式表示为：
所述非极大值抑制，包括沿着梯度方向对幅值进行极大值抑制，并进行局部最大值搜索，消除边界误检，使模糊的边界变得清晰；通过设置一个阈值上界MaxVal和阈值下界MinVal确定潜在边界，当裂纹图像中的像素点大于MaxVal时，认定此像素点为边界，当小于MinVal的像素点时，认定为非边界。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述裂纹轮廓的刻画，包括：
通过视觉装置获取待识别的裂纹图像，将图像转换为二值图，根据不同像素设置阈值，对裂纹区域进行提取，并通过二值图边缘检测函数，描绘出所述裂纹最外层轮廓。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述二值图的转换，还包括通过开运算和闭运算对转换后的二值图进行数据完善；
所述完善过程包括，通过膨胀或腐蚀将图像与核进行卷积；
所述膨胀为求局部最大值操作，表示为：
dst(x，y)＝max(src(x+x′，y+y′))
其中，(x′，y′)：element(x′，y′)≠0，dst＝cv.2erode(src，kernel，interations)，Kernel表示卷积核的大小，iterations表示迭代次数，即被扫描到的原始图像中的像素点。
所述腐蚀为求局部最小值操作，表示为：
dst(x，y)＝min(src(x+x′，y+y′))
其中，(x′，y′)：element(x′，y′)≠0。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，包括：
将所得到的裂纹区域像素点进行坐标输出，得到相应的点云数据，通过三维点云处理软件进行点云的可视化处理，查看获取的点云数据质量；
将经过处理后的点云数据导入pointnet++网络的分割网络架构，对所述网络架构进行识别训练，最后再次导入数据进行分割测试，检测所述网络架构的准确率。
作为本发明所述的表面裂纹识别方法的一种优选方案，其中：所述网络架构的运行步骤包括：
输入为一帧的全部点云数据的集合，表示为一个n*3的2d tensor，其中n代表点云数量，3对应xyz坐标；
输入的数据通过和一个T-Net转换矩阵相乘对齐，以保证模型对特定空间转换的不变性；
通过多次多层感知机对各点云数据进行特征提取后，再用一个T-Net对特征进行对齐；
在特征的各个维度上执行最大值池化操作来得到最终的全局特征；
对分类任务，将全局特征通过多层感知机来预测最后的分类分数；对分割任务，将全局特征和之前学习到的各点云的局部特征进行串联，再通过多层感知机得到每个数据点的分类结果。
第二方面，本发明实施例提供了一种表面裂纹识别装置，包括：
裂纹提取模块，通过边缘检测识别目标图像的裂纹深度信息；
裂纹刻画模块，通过将目标图像转换为二值图对裂纹轮廓进行刻画；
裂纹识别模块，结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的表面裂纹识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述表面裂纹识别方法。
本发明的有益效果：本发明提供的一种表面裂纹识别方法及装置通过点云对裂纹的具体长度、宽度、形状等物理特性的真实刻画，相比于传统YOLO运用线框将裂纹进行框选，具有巨大的提升，并且点云可以形成三维立体结构，直观的对原模型进行三维重建，这是其他传统方法所不具备的优点，具有很好的实用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的表面裂纹识别方法及装置的整体流程图；
图2为本发明一个实施例所述的表面裂纹识别方法及装置的装置示意图；
图3为本发明一个实施例所述的表面裂纹识别方法及装置的原始图像；
图4为本发明一个实施例所述的表面裂纹识别方法及装置的二值化加边缘化图像分割图；
图5为本发明一个实施例所述的表面裂纹识别方法及装置的点云分割图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1—2，为本发明的一个实施例，该实施例提供了一种表面裂纹识别方法，包括：
S100：通过边缘检测识别目标图像的裂纹深度信息；
更进一步的，裂纹深度信息的识别，包括：
通过视觉装置获取待识别的裂纹图像，基于图像质量进行筛选，将筛选出质量高的图像转换为灰度图像，对所述灰度图像基于边缘检测算子进行边缘检测。
更进一步的，边缘检测步骤，包括去噪声/降噪处理、计算梯度、非极大值抑制；
所述去噪声采用高斯滤波技术，去除裂纹图像中由于坑洼产生的噪点；当裂纹噪点较多时，选用高斯模糊降噪进行图像处理；
所述梯度计算，包括对去噪后的图像进一步使用Sobel算子计算水平方向和竖直方向的图像梯度，所述梯度计算公式表示为：
GY、GX分别代表经纵向和横向边缘检测的图像灰度值，其公式如下：
所述非极大值抑制，包括沿着梯度方向对幅值进行极大值抑制，并进行局部最大值搜索，消除边界误检，使模糊的边界变得清晰；通过设置一个阈值上界MaxVal和阈值下界MinVal确定潜在边界，当裂纹图像中的像素点大于MaxVal时，认定此像素点为边界，当小于MinVal的像素点时，认定为非边界。
S200：通过将目标图像转换为二值图对裂纹轮廓进行刻画；
更进一步的，裂纹轮廓的刻画，包括：
通过视觉装置获取待识别的裂纹图像，将图像转换为二值图，根据不同像素设置阈值，对裂纹区域进行提取，并通过二值图边缘检测函数，描绘出所述裂纹最外层轮廓。
更进一步的，二值图的转换，还包括通过开运算和闭运算对转换后的二值图进行数据完善；
所述完善过程包括，通过膨胀或腐蚀将图像与核进行卷积；
所述膨胀为求局部最大值操作，表示为：
dst(x，y)＝max(src(x+x′，y+y′))
其中，(x′，y′)：element(x′，y′)≠0，dst＝cv.2erode(src，kernel，interations)，Kernel表示卷积核的大小，iterations表示迭代次数，即被扫描到的原始图像中的像素点。
所述腐蚀为求局部最小值操作，表示为：
dst(x，y)＝min(src(x+x′，y+y′))
其中，(x′，y′)：element(x′，y′)≠0。
S300：结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。
更进一步的，结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，包括：
将所得到的裂纹区域像素点进行坐标输出，得到相应的点云数据，通过三维点云处理软件进行点云的可视化处理，查看获取的点云数据质量；
将经过处理后的点云数据导入pointnet++网络的分割网络架构，对所述网络架构进行识别训练，最后再次导入数据进行分割测试，检测所述网络架构的准确率。
更进一步的，网络架构的运行步骤包括：
输入为一帧的全部点云数据的集合，表示为一个n*3的2d tensor，其中n代表点云数量，3对应xyz坐标；
输入的数据通过和一个T-Net转换矩阵相乘对齐，以保证模型对特定空间转换的不变性；
通过多次多层感知机对各点云数据进行特征提取后，再用一个T-Net对特征进行对齐；
在特征的各个维度上执行maxpooling操作来得到最终的全局特征；
对分类任务，将全局特征通过多层感知机来预测最后的分类分数；对分割任务，将全局特征和之前学习到的各点云的局部特征进行串联，再通过多层感知机得到每个数据点的分类结果。
上述为本实施例的一种表面裂纹识别方法的示意性方案。需要说明的是，该表面裂纹识别装置的技术方案与上述的表面裂纹识别方法的技术方案属于同一构思，本实施例中表面裂纹识别装置的技术方案未详细描述的细节内容，均可以参见上述表面裂纹识别方法的技术方案的描述。
图2是本发明提供的一种表面裂纹识别装置的结构示意图，本实施例可适用于表面裂纹识别方法的情况。
参见图2，本实施例中表面裂纹识别装置，包括：
裂纹提取模块101，通过边缘检测识别目标图像的裂纹深度信息；
裂纹刻画模块201，通过将目标图像转换为二值图对裂纹轮廓进行刻画；
裂纹识别模块301，结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。
本实施例还提供一种计算设备，适用于表面裂纹识别方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的表面裂纹识别方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现表面裂纹识别方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图3—5，为本发明的第二个实施例，该实施例提供了一种表面裂纹识别方法及装置，为了验证本发明的有益效果，通过对比试验进行科学论证。
本发明实施例传统的图像分割处理技术、用YOLO网络进行裂纹检测以及用点云识别网络进行裂纹分割三种处理模式进行对比，如图3、4、5所示。
与图像分割以及运用直接对图像操作的深度学习网络(YOLO)相比，点云分割可以应对噪声较多的图像，减少前期去噪过程，降低工作量，同时在后续工作中可以添加进深度信息，相比于二维图像，三维点云可以更好的区分裂纹和刮痕，便于分析。
同时,运用点云分割可以在后续运用相应的点云软件对点云的长度、宽度、深度进行刻画，更好的分析裂纹情况。
在点云分割时要尽可能的对点云质量进行优化以提高分割质量，可以采用统计滤波的方法进行离群点和噪声点进行去除，针对这种情况，我们可以对每个点的邻域进行统计分析，并且修剪掉不符合标准的点。统计滤波器主要用于去除明显离群点(离群点往往由测量噪声引入)。基于在输入数据中对点到临近点距离分布的计算。
计算每个点到其最近的k个点平均距离。则点云中所有点的距离应构成高斯分布。给定均值与方差，可剔除3σ之外的点。即平均距离在标准范围(由均值和方差定义)之外的点，可被定义为离群点从数据集中剔除，方便后续工作的进行。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种表面裂纹识别方法，其特征在于，包括：
通过边缘检测识别目标图像的裂纹深度信息；
通过将目标图像转换为二值图对裂纹轮廓进行刻画；
结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。
2.如权利要求1所述的表面裂纹识别方法，其特征在于：所述裂纹深度信息的识别，包括：
通过视觉装置获取待识别的裂纹图像，基于图像质量进行筛选，将筛选出质量高的图像转换为灰度图像，对所述灰度图像基于边缘检测算子进行边缘检测。
3.如权利要求2所述的表面裂纹识别方法，其特征在于：所述边缘检测步骤，包括去噪声/降噪处理、计算梯度、非极大值抑制；
所述去噪声采用高斯滤波技术，去除裂纹图像中由于不平整产生的噪点；当裂纹噪点较多时，选用高斯模糊降噪进行图像处理；
所述梯度计算，包括对去噪后的图像进一步使用Sobel算子计算水平方向和竖直方向的图像梯度，所述梯度计算公式表示为：
其中，GY、GX分别代表经纵向和横向边缘检测的图像灰度值，其公式如下：
所述非极大值抑制，包括沿着梯度方向对幅值进行极大值抑制，并进行局部最大值搜索，消除边界误检，使模糊的边界变得清晰；通过设置一个阈值上界MaxVal和阈值下界MinVal确定潜在边界，当裂纹图像中的像素点大于MaxVal时，认定此像素点为边界，当小于MinVal的像素点时，认定为非边界。
4.如权利要求1所述的表面裂纹识别方法，其特征在于：所述裂纹轮廓的刻画，包括：
通过视觉装置获取待识别的裂纹图像，将图像转换为二值图，根据不同像素设置阈值，对裂纹区域进行提取，并通过二值图边缘检测函数，描绘出所述裂纹最外层轮廓。
5.如权利要求4所述的表面裂纹识别方法，其特征在于：所述二值图的转换，还包括通过开运算和闭运算对转换后的二值图进行数据完善；
所述完善过程包括，通过膨胀或腐蚀将图像与核进行卷积；
所述膨胀为求局部最大值操作，表示为：
dst(x,y)＝max(src(x+x′,y+y′))
其中，(x′,y′):element(x′,y′)≠0，dst＝cv.2erode(src,kernel,interations)，Kernel表示卷积核的大小，iterations表示迭代次数，即被扫描到的原始图像中的像素点。
所述腐蚀为求局部最小值操作，表示为：
dst(x,y)＝min(src(x+x′,y+y′))
其中，(x′,y′):element(x′,y′)≠0。
6.如权利要求2或4所述的表面裂纹识别方法，其特征在于：所述结合裂纹深度信息和裂纹轮廓得到裂纹的点云数据，包括：
将所得到的裂纹区域像素点进行坐标输出，得到相应的点云数据，通过三维点云处理工具进行点云的可视化处理，查看获取的点云数据质量；
将经过处理后的点云数据导入pointnet++网络的分割网络模块，对所述网络模块进行训练，最后再次导入数据进行分割测试，检测所述网络模块的准确率。
7.如权利要求6所述的表面裂纹识别方法，其特征在于：所述网络模块的运行步骤包括：
输入为一帧的全部点云数据的集合，表示为一个n*3的矩阵，其中n代表点云数量，3对应三维坐标；
输入的数据通过平移旋转等预处理操作，保证模型的转换不变性；
通过多层感知机对各点云数据进行特征提取后，同时对特征矩阵进行对齐；
在特征的各个维度上执行最大值池化操作来得到最终的全局特征；
对分类任务，将全局特征通过多层感知机来预测最后的分类准确率；对分割任务，将全局特征和之前学习到的各点云的局部特征进行关联，再通过多层感知机得到每个图像的分类结果。
8.一种表面裂纹识别装置，其特征在于，包括：
裂纹提取模块(101)，通过边缘检测识别目标图像的裂纹深度轮廓；
裂纹刻画模块(201)，通过将目标图像转换为二值图对裂纹轮廓进行刻画；
裂纹识别模块(301)，结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确分割识别。
9.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述表面裂纹识别方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述表面裂纹识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197302.1A CN116452944A (zh) | 2023-03-03 | 2023-03-03 | 一种表面裂纹识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197302.1A CN116452944A (zh) | 2023-03-03 | 2023-03-03 | 一种表面裂纹识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452944A true CN116452944A (zh) | 2023-07-18 |
Family
ID=87130967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310197302.1A Pending CN116452944A (zh) | 2023-03-03 | 2023-03-03 | 一种表面裂纹识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452944A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152492A (zh) * | 2023-08-08 | 2023-12-01 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质 |
| CN118154612A (zh) * | 2024-05-11 | 2024-06-07 | 深圳市呈泰半导体科技有限公司 | 一种半导体发光器检测方法及系统 |
| CN118379495A (zh) * | 2024-04-29 | 2024-07-23 | 河海大学 | 一种基于轮廓的水工建筑物缺陷实例分割方法 |
-
2023
- 2023-03-03 CN CN202310197302.1A patent/CN116452944A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152492A (zh) * | 2023-08-08 | 2023-12-01 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质 |
| CN117152492B (zh) * | 2023-08-08 | 2024-04-19 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 钢箱梁内疲劳裂纹的识别方法、系统、计算机设备及介质 |
| CN118379495A (zh) * | 2024-04-29 | 2024-07-23 | 河海大学 | 一种基于轮廓的水工建筑物缺陷实例分割方法 |
| CN118154612A (zh) * | 2024-05-11 | 2024-06-07 | 深圳市呈泰半导体科技有限公司 | 一种半导体发光器检测方法及系统 |
| CN118154612B (zh) * | 2024-05-11 | 2024-08-20 | 深圳市呈泰半导体科技有限公司 | 一种半导体发光器检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | A machine vision method for measurement of machining tool wear | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN116452944A (zh) | 一种表面裂纹识别方法及装置 | |
| KR102256181B1 (ko) | 강구조물의 도막 상태 검사 및 평가 방법과 이를 위한 시스템 | |
| Liu et al. | Machine vision based online detection of PCB defect | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| Fujita et al. | A robust automatic crack detection method from noisy concrete surfaces | |
| US8238635B2 (en) | Method and system for identifying defects in radiographic image data corresponding to a scanned object | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| Peng et al. | Study of tool wear monitoring using machine vision | |
| CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
| Miao et al. | Cost-effective system for detection and quantification of concrete surface cracks by combination of convolutional neural network and image processing techniques | |
| US20220092856A1 (en) | Crack detection, assessment and visualization using deep learning with 3d mesh model | |
| CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
| CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| Shafi et al. | Internal defects detection and classification in hollow cylindrical surfaces using single shot detection and MobileNet | |
| CN113177456A (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
| CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
| Yuan et al. | Automated pixel-level crack detection and quantification using deep convolutional neural networks for structural condition assessment | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
| CN116630323A (zh) | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 | |
| CN111612907A (zh) | 一种受损古建筑柱体的多方位修复系统及方法 |
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 |