CN117314914B - 一种对工程无损检测图像的缺陷识别方法及相关设备 - Google Patents
一种对工程无损检测图像的缺陷识别方法及相关设备 Download PDFInfo
- Publication number
- CN117314914B CN117314914B CN202311608113.5A CN202311608113A CN117314914B CN 117314914 B CN117314914 B CN 117314914B CN 202311608113 A CN202311608113 A CN 202311608113A CN 117314914 B CN117314914 B CN 117314914B
- Authority
- CN
- China
- Prior art keywords
- image
- engineering
- decision tree
- defect
- nondestructive testing
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 170
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003066 decision tree Methods 0.000 claims abstract description 104
- 238000005192 partition Methods 0.000 claims abstract description 93
- 238000007637 random forest analysis Methods 0.000 claims abstract description 87
- 238000012216 screening Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000007689 inspection Methods 0.000 claims description 19
- 230000001066 destructive effect Effects 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种对工程无损检测图像的缺陷识别方法及相关设备，方法包括：基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。本申请提高缺陷检测识别效率，通过结合决策树随机森林模型提升了对工程无损检测图像中缺陷检测识别的准确度。
Description
技术领域
本申请涉及图像检测领域，更具体地说，涉及一种对工程无损检测图像的缺陷识别方法及相关设备。
背景技术
无损检测是利用物质的声、光、磁和电等特性，在不损害或不影响被检测对象使用性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷大小，位置，性质和数量等信息。
无损检测在现代建筑行业中起到重要作用，因其不损伤本体、探测范围大的特点，如对桥梁、房屋等建筑结构的检测过程中，利用无损检测可以判断建筑建设情况，避免因为检测对建筑物造成的损害，提高建筑质量的监督水平。例如，在桥梁工程上，大体积承台混凝土、钢管混凝土、钢壳混凝土、缆索、钢结构等部位优先采用无损检测方法发现内部质量缺陷或病害。
常规无损检测结果一般可抽象为一个或一系列数据。现代无损检测因传感器、计算能力的技术进步可实现单点或单次结果进行集成，结果往往以图像作为呈现载体，如工程领域超声波、应力波、雷达波的各种CT方法、合成孔径方法。检测对象一般表现为局部的数值异常。目前，由于现实场景下成像受到多方面的影响，关注内容、异常部位的特征往往并不明显，因此传统无损检测往往存在识别目标对象难度较大，识别结果不准确等问题，且通常还需要依靠经验、人工进行后续评判，检测过程繁琐。
基于上述情况，本申请提出一种对工程无损检测图像的缺陷识别方案，以提升对建筑工程的无损检测图像进行缺陷检测准确度。
发明内容
有鉴于此，本申请提供了一种对工程无损检测图像的缺陷识别方法及相关设备，通过定量化表征提高缺陷检测识别效率，通过结合决策树随机森林模型提升了对工程无损检测图像中缺陷检测识别的准确度。
一种对工程无损检测图像的缺陷识别方法，包括：
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
可选的，基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
确定所述工程无损检测图像的图像亮度值；
将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区。
可选的，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标，包括：
确定所述疑似缺陷区域的几何特征；
确定检测所述待检测缺陷类型需要的各特征指标类型；
基于所述几何特征组合运算得到与所述各特征指标类型匹配的各几何特征计算值，并作为所述工程无损检测图像的几何特征指标。
可选的，在得到疑似缺陷区域之前，还包括：
根据所述工程无损检测图像的图像来源确定二次分区筛选规则，并按照所述二次分区筛选规则对满足所述分区筛选规则的待选图像分区进行二次筛选。
可选的，所述决策树随机森林模型的训练过程，包括：
获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型。
可选的，所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成。
可选的，计算所述样本图像的几何特征指标的纯净度的计算公式为：
；
其中，j为几何特征指标x划分的分支序号；m为设置的分支数量；Nj为几何特征指标x对应的区间样本数；ta为设置的单边置信水平的t分布；pj为分支的主导类别比例。
一种对工程无损检测图像的缺陷识别装置，包括：
图像分区单元，用于基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
区域筛选单元，用于根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
几何特征单元，用于确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
缺陷识别单元，用于将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
一种对工程无损检测图像的缺陷识别设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上述任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
从上述的技术方案可以看出，本申请实施例提供的一种对工程无损检测图像的缺陷识别方法、装置、设备和可读存储介质，首先基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。之后，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标。在这一过程中，通过对工程无损检测图像中区域的定量化测量，以及实现对工程无损检测图像中疑似缺陷区域的定量化表征，识别准则更加明晰，检测结果再现性更好。最后通过将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。在这一过程中，通过引入决策树随机森林模型，利用决策树算法能够识别出反映工程无损检测图像中缺陷的关键指标，并得到较为准确的缺陷检测识别结果。
本申请通过对工程无损检测图像进行特征定量化预处理，得到疑似缺陷区域的几何特征，并基于几何特征确定工程无损检测图像的几何特征指标，之后结合决策树随机森林模型，在实际检测时将提取的工程无损检测图像的几何特征指标输入决策树随机森林模型，模型运算后输出缺陷检测识别结果。本申请通过定量化表征避免了以往无损工程无损检测图像中依靠经验、人工评判的情况，提高缺陷检测识别效率，通过结合决策树随机森林模型提升了对工程无损检测图像中缺陷检测识别的准确度。
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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种对工程无损检测图像的缺陷识别方法的流程图；
图2为本申请实施例公开的一种对工程无损检测图像的缺陷识别装置的示意图；
图3为本申请实施例公开的对工程无损检测图像的缺陷识别设备的硬件结构框图。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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。
本申请可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本申请实施例提供一种对工程无损检测图像的缺陷识别方法，该方法可以应用于各种对工程无损检测图像的缺陷识别系统或平台中，亦可以应用在各种计算机终端或是智能终端中，其执行主体可以为计算机终端或是智能终端的处理器或服务器。
接下来介绍本申请方案，本申请提出如下技术方案，具体参见下文。
图1为本申请实施例公开的一种对工程无损检测图像的缺陷识别方法的流程图。
如图1所示，该方法可以包括：
步骤S1、基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区。
具体的，首先工程无损检测图像中各像素点的亮度强度，将工程无损检测图像各像素点进行统计分析，绘制各亮度区间的直方图，将亮度分成三个区间，即高亮度、中亮度、低亮度（背景亮度），或者合适个数的区间。一般高亮度为关注对象、低亮度为非关注对象、中亮度为过渡或其他对象，划分规则根据实际检测方法或数理统计方法确定。
例如，可设定规则为：大于图像亮度值的90%分位点以上为高亮度，小于图像亮度值的60%分位点为低亮度，图像亮度值的60%分位点至图像亮度值的90%分位点为中亮度。
因此，将所述工程无损检测图像划分为若干图像分区的过程，具体可以包括：
①确定所述工程无损检测图像的图像亮度值；
②将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
③将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
④将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区。
步骤S2、根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。
具体的，对于不同的缺陷类型，分区筛选规则也有所不同，因此可以根据待检测缺陷类型确定分区筛选规则，之后按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。缺陷可能包含区域的筛选规则通过预先设定。例如，确定目标缺陷类型对应的筛选规则为高亮度区域占筛选区域不低于75%，区域外围的低亮度区域占比不小于60%，可按照此规则通过对工程无损检测图像搜索，寻找出满足筛选规则的疑似缺陷区域。
此外，可选的，在得到疑似缺陷区域之前，还可以包括：
根据所述工程无损检测图像的图像来源确定二次分区筛选规则，并按照所述二次分区筛选规则对满足所述分区筛选规则的待选图像分区进行二次筛选。
例如，已知工程无损检测图像的图像来源为超声波相控阵生成图像，则对于该工程无损检测图像确定二次筛选规则为高亮度区域占筛选区域不低于70%，区域外围的低亮度区域占比不小于80%，可按照此规则对第一次筛选出的满足所述分区筛选规则的待选图像分区进行二次筛选，寻找出满足二次筛选规则的疑似缺陷区域。
可以理解的是，在实际操作时，根据待检测缺陷类型确定分区筛选规则，以及根据所述工程无损检测图像的图像来源确定分区筛选规则可单独设置，也可组合设置，其筛选先后关系不进行具体限定，应根据实际需求设置。
步骤S3、确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标。
具体的，对于筛选出所述疑似缺陷区域，可拟定多个几何特征，可以包括如高亮度区域面积占比、中亮度区域面积占比、中亮度区域面积占比、高亮度区域边缘最大间距、高亮度区域边缘最小间距、区域外轮廓边缘最大间距、区域外轮廓边缘最小间距、高亮度区域重心、低亮度区域重心、中亮度区域重心等。对疑似缺陷区域的几何特征进行组合或单独运算，可以得到工程无损检测图像的几何特征指标。
基于所述几何特征确定所述工程无损检测图像的几何特征指标的具体过程，可以包括：
①确定所述疑似缺陷区域的几何特征；
②确定检测所述待检测缺陷类型需要的各特征指标类型；
③基于所述几何特征组合运算得到与所述各特征指标类型匹配的各几何特征计算值，并作为所述工程无损检测图像的几何特征指标。
步骤S4、将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
具体的，通过对工程无损检测图像进行特征定量化预处理，即提取工程无损检测图像中疑似缺陷区域的几何特征，并基于几何特征确定工程无损检测图像的几何特征指标，之后将提取的工程无损检测图像的几何特征指标输入训练完成的决策树随机森林模型，模型运算后输出结果，该模型输出结果即为检测识别结果。
从上述的技术方案可以看出，本申请实施例提供的一种对工程无损检测图像的缺陷识别方法、装置、设备和可读存储介质，首先基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。之后，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标。在这一过程中，通过对工程无损检测图像中区域的定量化测量，以及实现对工程无损检测图像中疑似缺陷区域的定量化表征，识别准则更加明晰，检测结果再现性更好。最后通过将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。在这一过程中，通过引入决策树随机森林模型，利用决策树算法能够识别出反映工程无损检测图像中缺陷的关键指标，并得到较为准确的缺陷检测识别结果。
本申请通过对工程无损检测图像进行特征定量化预处理，得到疑似缺陷区域的几何特征，并基于几何特征确定工程无损检测图像的几何特征指标，之后结合决策树随机森林模型，在实际检测时将提取的工程无损检测图像的几何特征指标输入决策树随机森林模型，模型运算后输出缺陷检测识别结果。本申请通过定量化表征避免了以往无损工程无损检测图像中依靠经验、人工评判的情况，提高缺陷检测识别效率，通过结合决策树随机森林模型提升了对工程无损检测图像中缺陷检测识别的准确度。
在本申请的一些实施例中，对步骤S4中的决策树随机森林模型进行介绍。
决策树是一种树型结构的分类算法，其中每个内部结点表示在一个属性上的测试，每个分支代表一个测试输出，每个叶结点代表一种类别。通常情况下，将决策树用作分类器会有很好的预测准确率。决策树森林模型以随机创造的决策树组成决策森林，将决策森林中单个决策树的输出整合起来生成最后的输出结果，也就是说随机森林算法用多了决策树来生成最后的输出结果。
本申请提取出工程无损检测图像的几何特征指标，将工程无损检测图像的几何特征指标输入决策树随机森林模型，模型输出结果即为检测识别结果。本申请中各变量均为连续值，不存在离散的类别或离散数值，目标类别分为2类，即缺陷和正常。
在本申请中所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成。
在决策树生成分支时，指标划分效果通过纯净度度量，计算所述样本图像的几何特征指标的纯净度的计算公式为：
；
其中，j为几何特征指标x划分的分支序号；m为设置的分支数量；Nj为几何特征指标x对应的区间样本数；ta为设置的单边置信水平的t分布；pj为分支的主导类别比例。
决策树生产办法为，对每一指标采取搜索方法，确定C(x)最大的分支划分，作为C max (x i )，选取C max (x i )的最大者作为决策树分支依据，进行分支，对每一分支采取同样的算法进行子分支生成，直到某一分支的样本数少于设定值。最后对决策树的末端分支进行分支的样本统计，将其中主导类别确定为分支的决策类别，类别概率为分支的预测准确参考概率。
所述决策树随机森林模型的训练过程，具体可以包括：
①获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
②将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
③以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
④当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型。
下面对本申请实施例提供的一种对工程无损检测图像的缺陷识别装置进行描述，下文描述的一种对工程无损检测图像的缺陷识别装置与上文描述的一种对工程无损检测图像的缺陷识别方法可相互对应参照。
参见图2，图2为本申请实施例公开的一种对工程无损检测图像的缺陷识别装置的示意图。
如图2所示，所述一种对工程无损检测图像的缺陷识别装置可以包括：
图像分区单元110，用于基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
区域筛选单元120，用于根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
几何特征单元130，用于确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
缺陷识别单元140，用于将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
从上述的技术方案可以看出，本申请实施例提供的一种对工程无损检测图像的缺陷识别方法、装置、设备和可读存储介质，首先基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。之后，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标。在这一过程中，通过对工程无损检测图像中区域的定量化测量，以及实现对工程无损检测图像中疑似缺陷区域的定量化表征，识别准则更加明晰，检测结果再现性更好。最后通过将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。在这一过程中，通过引入决策树随机森林模型，利用决策树算法能够识别出反映工程无损检测图像中缺陷的关键指标，并得到较为准确的缺陷检测识别结果。
本申请通过对工程无损检测图像进行特征定量化预处理，得到疑似缺陷区域的几何特征，并基于几何特征确定工程无损检测图像的几何特征指标，之后结合决策树随机森林模型，在实际检测时将提取的工程无损检测图像的几何特征指标输入决策树随机森林模型，模型运算后输出缺陷检测识别结果。本申请通过定量化表征避免了以往无损工程无损检测图像中依靠经验、人工评判的情况，提高缺陷检测识别效率，通过结合决策树随机森林模型提升了对工程无损检测图像中缺陷检测识别的准确度。
可选的，所述图像分区单元，执行基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区的过程，可以包括：
确定所述工程无损检测图像的图像亮度值；
将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区。
可选的，所述几何特征单元，执行确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标的过程，可以包括：
确定所述疑似缺陷区域的几何特征；
确定检测所述待检测缺陷类型需要的各特征指标类型；
基于所述几何特征组合运算得到与所述各特征指标类型匹配的各几何特征计算值，并作为所述工程无损检测图像的几何特征指标。
可选的，所述区域筛选单元在得到疑似缺陷区域之前，还可以用于根据所述工程无损检测图像的图像来源确定二次分区筛选规则，并按照所述二次分区筛选规则对满足所述分区筛选规则的待选图像分区进行二次筛选。
可选的，所述决策树随机森林模型的训练过程，可以包括：
获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型。
可选的，所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成。
可选的，计算所述样本图像的几何特征指标的纯净度的计算公式为：
；
其中，j为几何特征指标x划分的分支序号；m为设置的分支数量；Nj为几何特征指标x对应的区间样本数；ta为设置的单边置信水平的t分布；pj为分支的主导类别比例。
本申请实施例提供的对工程无损检测图像的缺陷识别装置可应用于对工程无损检测图像的缺陷识别设备。图3示出了对工程无损检测图像的缺陷识别设备的硬件结构框图，参照图3，对工程无损检测图像的缺陷识别设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种对工程无损检测图像的缺陷识别方法，其特征在于，包括：
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果；
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
确定所述工程无损检测图像的图像亮度值；
将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区；
所述决策树随机森林模型的训练过程，包括：
获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型；
所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成；
计算所述样本图像的几何特征指标的纯净度的计算公式为：
；
其中，j为几何特征指标x划分的分支序号；m为设置的分支数量；为几何特征指标x对应的区间样本数；/>为设置的单边置信水平的t分布；/>为分支的主导类别比例。
2.根据权利要求1所述的方法，其特征在于，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标，包括：
确定所述疑似缺陷区域的几何特征；
确定检测所述待检测缺陷类型需要的各特征指标类型；
基于所述几何特征组合运算得到与所述各特征指标类型匹配的各几何特征计算值，并作为所述工程无损检测图像的几何特征指标。
3.根据权利要求1所述的方法，其特征在于，在得到疑似缺陷区域之前，还包括：
根据所述工程无损检测图像的图像来源确定二次分区筛选规则，并按照所述二次分区筛选规则对满足所述分区筛选规则的待选图像分区进行二次筛选。
4.一种对工程无损检测图像的缺陷识别装置，其特征在于，包括：
图像分区单元，用于基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
区域筛选单元，用于根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
几何特征单元，用于确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
缺陷识别单元，用于将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果；
基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
确定所述工程无损检测图像的图像亮度值；
将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区；
所述决策树随机森林模型的训练过程，包括：
获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型；
所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成；
计算所述样本图像的几何特征指标的纯净度的计算公式为：
；
其中，j为几何特征指标x划分的分支序号；m为设置的分支数量；为几何特征指标x对应的区间样本数；/>为设置的单边置信水平的t分布；/>为分支的主导类别比例。
5.一种对工程无损检测图像的缺陷识别设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-3中任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
6.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-3中任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608113.5A CN117314914B (zh) | 2023-11-29 | 2023-11-29 | 一种对工程无损检测图像的缺陷识别方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608113.5A CN117314914B (zh) | 2023-11-29 | 2023-11-29 | 一种对工程无损检测图像的缺陷识别方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117314914A CN117314914A (zh) | 2023-12-29 |
| CN117314914B true CN117314914B (zh) | 2024-03-29 |
Family
ID=89274101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311608113.5A Active CN117314914B (zh) | 2023-11-29 | 2023-11-29 | 一种对工程无损检测图像的缺陷识别方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314914B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017062178A (ja) * | 2015-09-25 | 2017-03-30 | 大同特殊鋼株式会社 | 製品の欠陥検出方法 |
| CN109829906A (zh) * | 2019-01-31 | 2019-05-31 | 桂林电子科技大学 | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 |
| CN111696106A (zh) * | 2020-07-31 | 2020-09-22 | 上海帆声图像科技有限公司 | 一种显示设备的屏幕质量检测方法、装置及系统 |
| CN113808104A (zh) * | 2021-09-16 | 2021-12-17 | 西安交通大学 | 一种基于分块的金属表面缺陷检测方法及系统 |
| CN115937075A (zh) * | 2022-08-15 | 2023-04-07 | 华南理工大学 | 一种基于无监督模式的纹理织物瑕疵检测方法及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018061067A1 (ja) * | 2016-09-27 | 2018-04-05 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置及び欠陥検査方法 |
-
2023
- 2023-11-29 CN CN202311608113.5A patent/CN117314914B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017062178A (ja) * | 2015-09-25 | 2017-03-30 | 大同特殊鋼株式会社 | 製品の欠陥検出方法 |
| CN109829906A (zh) * | 2019-01-31 | 2019-05-31 | 桂林电子科技大学 | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 |
| CN111696106A (zh) * | 2020-07-31 | 2020-09-22 | 上海帆声图像科技有限公司 | 一种显示设备的屏幕质量检测方法、装置及系统 |
| CN113808104A (zh) * | 2021-09-16 | 2021-12-17 | 西安交通大学 | 一种基于分块的金属表面缺陷检测方法及系统 |
| CN115937075A (zh) * | 2022-08-15 | 2023-04-07 | 华南理工大学 | 一种基于无监督模式的纹理织物瑕疵检测方法及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Defect detection of LGP based on combined classifier with dynamic weights;Wuyi Ming et al.;《 Measurement》;第1-8页 * |
| 基于机器视觉的船用主轴颈表面缺陷检测技术研究;朱振坤;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;第C036-136页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117314914A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI639824B (zh) | 用於自動及手動缺陷分類之整合的方法、設備及非暫態電腦可讀取儲存媒介 | |
| TWI585397B (zh) | 用於自動缺陷分類之不明缺陷拒絕率之最佳化 | |
| CN111160469A (zh) | 一种目标检测系统的主动学习方法 | |
| CN114494837A (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
| CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
| CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
| CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
| KR20200001984A (ko) | 계통적 결함들에 기반한 반도체 웨이퍼의 유도식 검사 | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
| CN116433661A (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
| CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
| CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
| CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
| CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
| US9972085B2 (en) | Antinuclear antibody image analysis system, antinuclear antibody image analysis method, and antinuclear antibody image analysis program | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| CN112529112A (zh) | 一种矿物识别的方法和装置 | |
| CN117671508B (zh) | 基于sar图像的高陡边坡滑坡检测方法及系统 | |
| CN114155412A (zh) | 深度学习模型迭代方法、装置、设备及存储介质 | |
| CN112906732B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| Thapa | Using ROC-curve to Illustrate the Use of Binomial Logistic Regression Model in Wine Quality Analysis | |
| CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
| CN111639514A (zh) | 一种目标检测的精度评价方法 |
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 |