CN117437228B - 基于图像特征的光伏钢结构组件断裂检测方法 - Google Patents
基于图像特征的光伏钢结构组件断裂检测方法 Download PDFInfo
- Publication number
- CN117437228B CN117437228B CN202311755395.1A CN202311755395A CN117437228B CN 117437228 B CN117437228 B CN 117437228B CN 202311755395 A CN202311755395 A CN 202311755395A CN 117437228 B CN117437228 B CN 117437228B
- Authority
- CN
- China
- Prior art keywords
- target
- area
- merging
- target area
- areas
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 74
- 239000010959 steel Substances 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 53
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/136—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
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像特征的光伏钢结构组件断裂检测方法,包括:采集光伏钢结构组件图像;获取光伏钢结构组件图像的若干灰度值;获取每个灰度值为目标灰度值的可能性,进而得到目标像素点;对目标像素点聚类得到目标聚类簇,进而得到目标区域;获取每个目标区域为裂纹区域的置信度;获取目标区域组合;获取每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并,得到合并目标区域;获取每个合并目标区域的分裂必要性对合并目标区域进行分裂,获取分裂目标区域;获取每个分裂目标区域为裂纹区域的置信度得到裂纹区域;本发明旨在识别出准确的裂纹区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像特征的光伏钢结构组件断裂检测方法。
背景技术
光伏钢结构组件已成为大规模光伏电站中最广泛使用的组件之一,负责支撑和固定光伏板,因此其结构的完整性对系统的性能至关重要,光伏钢结构组件的质量关系到在建设光伏发电设备的安全稳定性。由于在生产制造过程中,光伏钢结构组件可能会出现裂纹,影响光伏钢结构组件的质量,从而影响光伏系统的发电效率和可靠性,因此需要对生产出来的光伏钢结构进行缺陷检测。
迭代自组织聚类算法是通过优化迭代的方式来不断对聚类簇进行合并与分裂,使用迭代自组织聚类算法能够将光伏钢结构组件图像中的裂纹区域检测出来,但是由于光伏钢结构组件图像中可能会锈斑区域,并且锈斑区域与裂纹区域的灰度值近似,因此光伏钢结构组件图像中的锈斑区域会对迭代过程中聚类簇的合并与分裂产生影响,可能将锈斑区域与裂纹区域划分在一起,导致检测出的裂纹区域不准确。
发明内容
为了解决上述问题,本发明提供基于图像特征的光伏钢结构组件断裂检测方法。
本发明的基于图像特征的光伏钢结构组件断裂检测方法采用如下技术方案:
本发明一个实施例提供了基于图像特征的光伏钢结构组件断裂检测方法,该方法包括以下步骤:
采集光伏钢结构组件图像;
获取光伏钢结构组件图像的灰度直方图,得到光伏钢结构组件图像的若干灰度值;根据每个灰度值在光伏钢结构组件中对应的像素点数量以及每个灰度值,获取每个灰度值为目标灰度值的可能性,所述目标灰度值代表裂纹区域以及锈斑区域的灰度值;根据每个灰度值为目标灰度值的可能性,获取目标灰度值;根据目标灰度值,获取目标像素点,所述目标像素点代表裂纹区域以及锈斑区域的像素点;对目标像素点进行聚类,得到若干目标聚类簇;对每个目标聚类簇中的每个目标像素点进行区域生长,获取若干目标区域;
根据目标区域中像素点的灰度值、边缘及最小外接矩形,获取每个目标区域为裂纹区域的置信度;将每两个目标区域作为一个目标区域组合,得到若干目标区域组合;根据每个目标区域组合中的目标区域为裂纹区域的置信度以及目标区域之间的距离,获取每个目标区域组合的合并必要性;根据每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并操作,得到若干合并目标区域;根据每个合并目标区域中每个灰度值对应的像素点数量,获取每个合并目标区域的第一子区域以及第二子区域;根据每个合并目标区域的灰度值数量、灰度信息熵以及第一子区域与第二子区域之间的距离,获取每个合并目标区域的分裂必要性;根据每个合并目标区域的分裂必要性对每个合并目标区域进行分裂操作,获取若干分裂目标区域;
获取每个分裂目标区域为裂纹区域的置信度;根据每个分裂目标区域为裂纹区域的置信度,获取若干裂纹区域。
优选的,所述获取每个灰度值为目标灰度值的可能性,包括的具体步骤如下:
式中,表示第/>个灰度值为目标灰度值的可能性;获取每个灰度值在光伏钢结构组件图像中的像素点数量,将像素点数量的最小值记为/>;/>代表第/>个灰度值在光伏钢结构组件图像中的像素点数量;/>代表光伏钢结构组件图像中像素点数量最多的灰度值;/>代表第/>个灰度值的值;/>代表光伏钢结构组件图像中的最大灰度值;/>表示求绝对值;/>代表归一化函数;/>表示以自然常数为底数的指数函数。
优选的,所述根据每个灰度值为目标灰度值的可能性,获取目标灰度值;根据目标灰度值,获取目标像素点,包括的具体步骤如下:
预设可能性阈值,若第/>个灰度值为目标灰度值的可能性大于或等于可能性阈值,将第/>个灰度值作为目标灰度值,得到多个目标灰度值,将每个目标灰度值在光伏钢结构组件图像中对应的像素点作为目标像素点。
优选的,所述对目标像素点进行聚类,得到若干目标聚类簇;对每个目标聚类簇中的每个目标像素点进行区域生长,获取若干目标区域,包括的具体步骤如下:
预设聚类数目,使用迭代自组织聚类算法对光伏钢结构组件图像中的目标像素点进行聚类,距离度量采用像素点之间的欧式距离,得到多个聚类簇,将得到的聚类簇记为目标聚类簇;
预设生长阈值,将任意一个目标聚类簇中的每个目标像素点作为种子点进行区域生长,将每个种子点生长得到的区域进行合并后记为该目标聚类簇的目标区域,获取若干目标区域。
优选的,所述获取每个目标区域为裂纹区域的置信度,包括的具体步骤如下:
获取第个目标区域的最小外接矩形,预设滑动窗口的边长为/>,获取第/>个目标区域的最小外接矩形的中心像素点,在第/>个目标区域的最小外接矩形中,根据第/>个目标区域的最小外接矩形的中心像素点作平行于第/>个目标区域的最小外接矩形的最长边的直线,记为第/>个目标区域的直线,以第/>个目标区域的直线上的任意一个像素点为中心像素点,构建大小为/>的滑动窗口,作为第/>个目标区域的直线上的该像素点的滑动窗口,得到第/>个目标区域的直线上的每个像素点的滑动窗口;获取第/>个目标区域的直线上的每个像素点的滑动窗口中像素点的灰度均值,构成第/>个目标区域的灰度集合;
式中,代表第/>个目标区域为裂纹区域的置信度;/>代表第/>个目标区域的最小外接矩形的长;/>代表第/>个目标区域的最小外接矩形的宽;/>代表第/>个目标区域的灰度集合中所有灰度均值的方差;/>代表第/>个目标区域的第/>个边缘像素点与第/>个边缘像素点之间连线与水平右向形成的夹角的正切值;/>代表第/>个目标区域的边缘像素点数量;/>表示线性归一化函数。
优选的,所述根据每个目标区域组合中的目标区域为裂纹区域的置信度以及目标区域之间的距离,获取每个目标区域组合的合并必要性,包括的具体步骤如下:
式中,代表第/>个目标区域组合的合并必要性;/>代表第/>个目标区域组合中的第一个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中的第二个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中第一个目标区域与第二个目标区域质心之间的欧式距离。
优选的,所述根据每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并操作,得到若干合并目标区域,包括的具体步骤如下:
预设合并阈值,当第/>个目标区域组合的合并必要性大于或等于合并阈值/>时,将第/>个目标区域组合中两个目标区域进行合并,将合并后的两个目标区域记为合并目标区域;反之不进行合并,将第/>个目标区域组合中两个目标区域分别记为合并目标区域,获取若干合并目标区域。
优选的,所述根据每个合并目标区域中每个灰度值对应的像素点数量,获取每个合并目标区域的第一子区域以及第二子区域;根据每个合并目标区域的灰度值数量、灰度信息熵以及第一子区域与第二子区域之间的距离,获取每个合并目标区域的分裂必要性,包括的具体步骤如下:
在第个合并目标区域中获取每个灰度值对应的像素点数量,获取像素点数量最大值对应的灰度值在第/>个合并目标区域中的像素点,记为第一大像素点,对所有第一大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第一子区域;获取像素点数量第二大值对应的灰度值在第/>个合并目标区域中的像素点,记为第二大像素点,对所有第二大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第二子区域;
式中,代表第/>个合并目标区域的分裂必要性;/>代表第/>个合并目标区域中的灰度值数量;/>代表第/>个合并目标区域的灰度信息熵;/>代表第/>个合并目标区域的第一子区域与第二子区域的质心之间的欧式距离。
优选的,所述根据每个合并目标区域的分裂必要性对每个合并目标区域进行分裂操作,获取若干分裂目标区域,包括的具体步骤如下:
预设分裂阈值,若第/>个合并目标区域的分裂必要性大于或等于分裂阈值/>,设置聚类数量为2,使用迭代自组织聚类算法对第/>个合并目标区域进行分裂,对合并目标区域中所有像素点进行聚类,距离度量采用像素点之间的欧式距离,将第/>个合并目标区域分裂为两个合并目标区域,分别记为分裂目标区域,反之不分裂,将第/>个合并目标区域,记为分裂目标区域,获取若干分裂目标区域。
优选的,所述根据每个分裂目标区域为裂纹区域的置信度,获取若干裂纹区域,包括的具体步骤如下:
预设置信度阈值,若任意一个分裂目标区域为裂纹区域的置信度大于或等于置信度阈值/>,该分裂目标区域为裂纹区域,得到若干裂纹区域。
本发明的技术方案的有益效果是:本发明首先获取光伏钢结构组件图像的灰度直方图,得到光伏钢结构组件图像的若干灰度值,获取每个灰度值为目标灰度值的可能性,进而得到目标像素点对其进行聚类,得到若干目标聚类簇,对每个目标聚类簇中的每个目标像素点进行区域生长,获取若干目标区域,获取的目标像素点即为裂纹区域以及锈斑区域的像素点,便于后续对锈斑区域以及裂纹区域进行区分;根据目标区域的形状特征、灰度渐变特征以及边缘平整性,获取每个目标区域为裂纹区域的置信度;获取若干目标区域组合;根据每个目标区域组合中的目标区域为裂纹区域的置信度以及目标区域之间的距离,获取每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并,得到若干合并目标区域;根据每个合并目标区域的灰度值数量、灰度信息熵以及第一子区域与第二子区域之间的距离,获取每个合并目标区域的分裂必要性对每个合并目标区域进行分裂操作,获取若干分裂目标区域,通过对目标区域进行合并将属于同一区域的裂纹区域合并在一起,通过对合并目标区域进行分裂将含有裂纹区域以及锈斑区域的合并目标区域分裂,使得分裂目标区域只可能为裂纹区域或者锈斑区域,最后根据每个分裂目标区域为裂纹区域的置信度得到裂纹区域,使得获取裂纹区域更加完整及准确。
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,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他的附图。
图1为本发明的基于图像特征的光伏钢结构组件断裂检测方法的步骤流程图;
图2为本发明一个实施例所提供的目标像素点示意图;
图3为本发明一个实施例所提供的目标区域合并示意图。
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基于图像特征的光伏钢结构组件断裂检测方法,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基于图像特征的光伏钢结构组件断裂检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像特征的光伏钢结构组件断裂检测方法的步骤流程图,该方法包括以下步骤:
S001.采集光伏钢结构组件图像。
需要说明的是,本发明的目的是检测出光伏钢结构组件中的裂纹缺陷,因此需要首先获取光伏钢结构组件图像。
在本发明实施例中,使用高清CCD相机俯视采集光伏钢结构组件的表面图像,记为原始图像,为了避免噪声影响,使用中值滤波算法对原始图像进行去噪处理,获取去噪后的原始图像,最后为了便于后续分析对去噪后的原始图像进行灰度化处理,得到光伏钢结构组件图像,需要说明的是,中值滤波算法为公知技术,在本发明实施例中,不再对其进行过多赘述。
至此,获得光伏钢结构组件图像。
S002.根据光伏钢结构组件图像,获取每个灰度值为目标灰度值的可能性,根据每个灰度值为目标灰度值的可能性获取目标灰度值,进而得到目标像素点,对目标像素点进行聚类,得到若干目标聚类簇,对每个目标聚类簇中的每个目标像素点进行区域生长,得到每个目标区域。
需要说明的是,由于光伏钢结构组件图像中可能会锈斑区域,并且锈斑区域与裂纹区域的灰度值近似,因此使用迭代自组织聚类算法能够将光伏钢结构组件图像中的裂纹区域进行检测时,光伏钢结构组件图像中的锈斑区域会对迭代过程中聚类簇的合并与分裂产生影响,可能将锈斑区域与裂纹区域划分在一起,导致检测出的裂纹区域不准确,本发明首先根据光伏钢结构组件图像中正常区域与裂纹和锈斑区域存在着灰度值差异,获取每个灰度值为目标灰度值的可能性,目标灰度值即为裂纹和锈斑区域的像素点灰度值。
已知裂纹区域和锈斑区域的灰度值小,因此当光伏钢结构组件图像中的最大灰度值与任意一个灰度值的差值越大时,该灰度值越可能为目标灰度值,裂纹区域和锈斑区域的面积较小,正常区域的面积较大。
在本发明实施例中,获取光伏钢结构组件图像的灰度直方图,得到光伏钢结构组件图像的若干灰度值。
获取每个灰度值为目标灰度值的可能性:
式中,表示第/>个灰度值为目标灰度值的可能性;获取每个灰度值在光伏钢结构组件图像中的像素点数量,将像素点数量的最小值记为/>;/>代表第/>个灰度值在光伏钢结构组件图像中的像素点数量;/>代表光伏钢结构组件图像中像素点数量最多的灰度值;/>代表第/>个灰度值的值;/>代表光伏钢结构组件图像中的最大灰度值;/>表示求绝对值;/>代表光伏钢结构组件图像中的最大灰度值与第/>个灰度值的差值,其差值越大时,说明第/>个灰度值为目标灰度值的可能性越大;/>代表第/>个灰度值在光伏钢结构组件中的像素点数量与像素点数量的最小值的差值,其值越小,说明第/>个灰度值为目标灰度值的可能性越大,/>代表光伏钢结构组件图像中像素点数量最多的灰度值与第/>个灰度值的差值绝对值,其值越小,说明第/>个灰度值为目标灰度值的可能性越大,因此/>的值越大时,说明第/>个灰度值为目标灰度值的可能性越大;/>表示以自然常数为底数的指数函数,本实施例采用/>模型来呈现反比例关系,/>为模型的输入,实施者可根据实际情况设置反比例函数;/>代表归一化函数,采用线性归一化方法,归一化对象为所有灰度值的的值。
预设可能性阈值,当第/>个灰度值为目标灰度值的可能性大于或等于可能性阈值,则将第/>个灰度值作为目标灰度值,获取多个目标灰度值,将每个目标灰度值在光伏钢结构组件图像中对应的像素点作为目标像素点,在本发明实施例中,预设可能性阈值,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
需要说明的是,获取的目标像素点为裂纹区域以及锈斑区域的像素点,为了后续对该两种区域进行区分,避免将该两种区域合并在一起,因此本发明首先对获取的目标像素点使用迭代自组织聚类算法进行一次聚类,得到若干目标聚类簇,为了得到较为准确的聚类结果,本发明在对目标像素点进行聚类时,需要设置较大的聚类数目,并且根据每个目标聚类簇,获取每个目标区域进行后续分析。
在本发明实施例中,预设聚类数目,使用迭代自组织聚类算法对光伏钢结构组件图像中的目标像素点进行聚类,距离度量采用像素点之间的欧式距离,得到多个聚类簇,将得到的聚类簇记为目标聚类簇,在本发明实施例中,预设聚类数目/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
预设生长阈值,将任意一个目标聚类簇中的每个目标像素点作为种子点进行区域生长,将每个种子点生长得到的区域进行合并后记为该目标聚类簇的目标区域,获取所有目标区域,在本发明实施例中,预设生长阈值/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
至此,根据光伏钢结构组件图像,获取每个灰度值为目标灰度值的可能性,根据每个灰度值为目标灰度值的可能性获取目标灰度值,进而得到目标像素点,对目标像素点进行聚类,得到若干目标聚类簇,对每个目标聚类簇中的每个目标像素点进行区域生长,得到每个目标区域。
S003.根据每个目标区域得到每个目标区域组合,获取每个目标区域为裂纹区域的置信度,根据每个目标区域为裂纹区域的置信度,获取每个目标区域组合的合并必要性,对每个目标区域组合进行合并,得到若干合并目标区域,获取每个合并目标区域的分裂必要性,对每个合并目标区域进行分裂,得到若干分裂目标区域。
需要说明的是,获取的目标区域可能为裂纹区域、锈斑区域以及同时含有裂纹和锈斑区域,因此需要对步骤S002中获取的目标区域进行区分,已知裂纹区域主要表现为带有毛刺的长条状区域,并且裂纹区域中的灰度值呈现渐变特征,即从裂纹区域的中心开始向两边延伸的过程中,灰度值逐渐较小,锈斑区域为较小的斑块,并且锈斑区域中的灰度分布比较均匀;因此在本发明中,首先根据每个目标区域的形状、灰度值渐变特征以及边缘平整性特征,获取每个目标区域为裂纹区域的置信度。
在本发明实施例中,获取第个目标区域的最小外接矩形以及第/>个目标区域的灰度集合:获取第/>个目标区域的最小外接矩形,预设滑动窗口的边长为/>,获取第/>个目标区域的最小外接矩形的中心像素点,在第/>个目标区域的最小外接矩形中,根据第/>个目标区域的最小外接矩形的中心像素点作平行于第/>个目标区域的最小外接矩形的最长边的直线,记为第/>个目标区域的直线,以第/>个目标区域的直线上的任意一个像素点为中心像素点,构建大小为/>的滑动窗口,作为第/>个目标区域的直线上的该像素点的滑动窗口,得到第/>个目标区域的直线上的每个像素点的滑动窗口,需要说明的是,若像素点的滑动窗口超出第/>个目标区域,即滑动窗口中存在目标区域之外的像素点,则对该滑动窗口进行舍弃;获取第/>个目标区域的直线上的每个像素点的滑动窗口中像素点的灰度均值,构成第/>个目标区域的灰度集合。
获取每个目标区域为裂纹区域的置信度:
式中,代表第/>个目标区域为裂纹区域的置信度;/>代表第/>个目标区域的最小外接矩形的长(最长边);/>代表第/>个目标区域的最小外接矩形的宽(最短边);/>代表第/>个目标区域的最小外接矩形的长与宽的比值,由于裂纹区域为长条状区域,因此/>的值越大,说明第/>个目标区域越可能长条状区域,越有可能为裂纹区域;/>代表第/>个目标区域的灰度集合中所有灰度均值的方差,即第/>个目标区域的灰度值渐变特征,裂纹区域的灰度值呈现渐变特征,因此/>的值越大时,说明第/>个目标区域越可能为裂纹区域;/>代表第/>个目标区域的第/>个边缘像素点与第/>个边缘像素点之间连线与水平右向形成的夹角的正切值,夹角为90°时正切值不存在,不参与正切值均值的计算;/>代表第/>个目标区域的边缘像素点数量;/>代表第/>个目标区域的边缘平整性,由于裂纹区域边缘呈现毛刺状,因此/>的值越大,说明第/>个目标区域的边缘平整性较差,则第/>个目标区域为裂纹区域的置信度较大;/>表示线性归一化函数,归一化对象为所有目标区域的/>的值。
需要说明的是,获取的目标区域可能为裂纹区域、锈斑区域以及同时含有裂纹和锈斑区域,而由于对目标像素点进行聚类时,设置的聚类数目较小,可能会把属于同一个裂纹区域的目标像素点聚为不同类,因此需要对目标区域进行合并,在本发明中首先根据各个目标区域,获取多个目标区域组合,对于任意一个目标区域组合来说,当该目标区域组合中的两个目标区域为裂纹区域的置信度的和越大,说明该目标区域组合中的两个目标区域可能都为裂纹区域,越有可能对其进行合并,该目标区域组合的合并必要性越大,当该目标区域组合中的两个目标区域之间的距离越近,说明该目标区域组合中的两个目标区域可以属于同一个区域,需要对其进行合并,因此在本发明中根据每个目标区域组合中两个目标区域为裂纹区域的置信度以及两个目标区域之间的距离,获取每个目标区域组合的合并必要性,判断每个目标区域组合中的两个目标区域是否合并。如图2和图3所示,图2为本发明一个实施例所提供的目标像素点示意图;图3为本发明一个实施例所提供的目标区域合并示意图,通过图2对目标像素点进行分析,从而根据图3进行目标区域的合并处理。
将每两个目标区域作为一个目标区域组合,得到若干目标区域组合,获取每个目标区域组合的合并必要性:
式中,代表第/>个目标区域组合的合并必要性;/>代表第/>个目标区域组合中的第一个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中的第二个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中第一个目标区域与第二个目标区域质心之间的欧式距离;当/>的值越大,说明第/>个目标区域组合中的两个目标区域都可能为裂纹区域,越可能合并,并且当第/>个目标区域组合中的两个目标区域之间的距离越近,越可能合并。
预设合并阈值,当第/>个目标区域组合的合并必要性大于或等于合并阈值/>时,将第/>个目标区域组合中两个目标区域进行合并,将合并后的两个目标区域记为合并目标区域;反之不进行合并,将第/>个目标区域组合中两个目标区域分别记为合并目标区域,获取若干合并目标区域,在本发明实施例中,预设合并阈值/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值,需要说明的是,不同目标区域组合包含同一目标区域,而不同目标区域组合分别得到合并目标区域后,包含同一目标区域的两个合并目标区域需要进行合并。
需要说明的是,对获取的各个目标区域进行合并,将划分开的裂纹区域进行了合并,得到了各个合并目标区域,又由于合并目标区域可能由裂纹区域和锈斑区域构成,因此需要对含有裂纹区域和锈斑区域的合并目标区域进行分裂,而当任一合并目标区域中的灰度值数量越多以及该目标区域中的灰度信息熵越大时,说明该合并目标区域中可能同时含有裂纹区域以及锈斑区域,已知如果合并目标区域中同时含有裂纹区域和锈斑区域,则裂纹区域与锈斑区域之间的存在距离,因此当任一合并目标区域中像素点数量最大时对应的灰度值形成的区域与像素点数量第二大时对应的灰度值形成的区域之间的距离较远时,说明该合并目标区域中可能同时含有裂纹区域以及锈斑区域,因此本发明根据每个合并目标区域的灰度值数量、灰度信息熵以及像素点数量最大时对应的灰度值形成的区域与像素点数量第二大时对应的灰度值形成的区域之间的距离,获取每个合并目标区域的分裂必要性,判断每个合并目标区域是否需要分裂,将含有裂纹区域和锈斑区域的合并目标区域分裂开。
在本发明实施例中,获取每个合并目标区域的第一子区域以及第二子区域:在第个合并目标区域中获取每个灰度值对应的像素点数量,获取像素点数量最大值对应的灰度值在第/>个合并目标区域中的像素点,记为第一大像素点,对所有第一大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第一子区域;获取像素点数量第二大值对应的灰度值在第/>个合并目标区域中的像素点,记为第二大像素点,对所有第二大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第二子区域。
获取每个合并目标区域的分裂必要性:
式中,代表第/>个合并目标区域的分裂必要性;/>代表第/>个合并目标区域中的灰度值数量,灰度值数量越多,说明第/>个合并目标区域中可能含有裂纹区域以及锈斑区域的像素点,则越应该对第/>个合并目标区域进行分裂;/>代表第/>个合并目标区域的灰度信息熵,熵值越大,说明第/>个合并目标区域中的灰度分布越混乱,越应该对第/>个合并目标区域进行分裂;/>代表第/>个合并目标区域的第一子区域与第二子区域的质心之间的欧式距离,其距离越大,说明第/>个合并目标区域的第一子区域与第二子区域更可能为不同类型的两个区域,越应该被分裂。
预设分裂阈值,当第/>个合并目标区域的分裂必要性大于或等于分裂阈值/>时,设置聚类数量为2,使用迭代自组织聚类算法对第/>个合并目标区域进行分裂,对合并目标区域中所有像素点进行聚类,距离度量采用像素点之间的欧式距离,将第/>个合并目标区域分裂为两个合并目标区域,分别记为分裂目标区域;反之不分裂,将第/>个合并目标区域,记为分裂目标区域,获取若干分裂目标区域,在本发明实施例中,预设分裂阈值,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
至此,根据每个目标区域得到每个目标区域组合,获取每个目标区域为裂纹区域的置信度,根据每个目标区域为裂纹区域的置信度,获取每个目标区域组合的合并必要性,对每个目标区域组合进行合并,得到若干合并目标区域,获取每个合并目标区域的分裂必要性,对每个合并目标区域进行分裂,得到若干分裂目标区域。
S004.获取每个分裂目标区域为裂纹区域的置信度,根据每个分裂目标区域为裂纹区域的置信度,得到若干裂纹区域。
需要说明的是,在各个目标区域先进行合并后分裂,得到多个分裂目标区域,得到的多个分裂目标区域只可能为裂纹区域或者锈斑区域,因此本发明通过获取每个分裂目标区域为裂纹区域的置信度,筛选出裂纹区域。
在本发明实施例中,按照步骤S003中每个目标区域计算为裂纹区域的置信度的方法,获取每个分裂目标区域为裂纹区域的置信度,预设置信度阈值,若任意一个分裂目标区域为裂纹区域的置信度大于或等于置信度阈值/>,该分裂目标区域为裂纹区域,反之该分裂目标区域为锈斑区域,得到所有裂纹区域,在本发明实施例中,预设置信度阈值/>,在其他实施例中,实施人员可根据具体实施情况预设置信度阈值/>的值。
至此,获取每个分裂目标区域为裂纹区域的置信度,根据每个分裂目标区域为裂纹区域的置信度,得到若干裂纹区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,该方法包括以下步骤:
采集光伏钢结构组件图像;
获取光伏钢结构组件图像的灰度直方图,得到光伏钢结构组件图像的若干灰度值;根据每个灰度值在光伏钢结构组件中对应的像素点数量以及每个灰度值,获取每个灰度值为目标灰度值的可能性,所述目标灰度值代表裂纹区域以及锈斑区域的灰度值;根据每个灰度值为目标灰度值的可能性,获取目标灰度值;根据目标灰度值,获取目标像素点,所述目标像素点代表裂纹区域以及锈斑区域的像素点;对目标像素点进行聚类,得到若干目标聚类簇;对每个目标聚类簇中的每个目标像素点进行区域生长,获取若干目标区域;
根据目标区域中像素点的灰度值、边缘及最小外接矩形,获取每个目标区域为裂纹区域的置信度;将每两个目标区域作为一个目标区域组合,得到若干目标区域组合;根据每个目标区域组合中的目标区域为裂纹区域的置信度以及目标区域之间的距离,获取每个目标区域组合的合并必要性;根据每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并操作,得到若干合并目标区域;根据每个合并目标区域中每个灰度值对应的像素点数量,获取每个合并目标区域的第一子区域以及第二子区域;根据每个合并目标区域的灰度值数量、灰度信息熵以及第一子区域与第二子区域之间的距离,获取每个合并目标区域的分裂必要性;根据每个合并目标区域的分裂必要性对每个合并目标区域进行分裂操作,获取若干分裂目标区域;
获取每个分裂目标区域为裂纹区域的置信度;根据每个分裂目标区域为裂纹区域的置信度,获取若干裂纹区域;
所述根据每个目标区域组合中的目标区域为裂纹区域的置信度以及目标区域之间的距离,获取每个目标区域组合的合并必要性,包括的具体步骤如下:
式中,代表第/>个目标区域组合的合并必要性;/>代表第/>个目标区域组合中的第一个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中的第二个目标区域为裂纹区域的置信度;/>代表第/>个目标区域组合中第一个目标区域与第二个目标区域质心之间的欧式距离;
所述根据每个合并目标区域中每个灰度值对应的像素点数量,获取每个合并目标区域的第一子区域以及第二子区域;根据每个合并目标区域的灰度值数量、灰度信息熵以及第一子区域与第二子区域之间的距离,获取每个合并目标区域的分裂必要性,包括的具体步骤如下:
在第个合并目标区域中获取每个灰度值对应的像素点数量,获取像素点数量最大值对应的灰度值在第/>个合并目标区域中的像素点,记为第一大像素点,对所有第一大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第一子区域;获取像素点数量第二大值对应的灰度值在第/>个合并目标区域中的像素点,记为第二大像素点,对所有第二大像素点进行凸包检测,将得到的凸包区域记为第/>个合并目标区域的第二子区域;
式中,代表第/>个合并目标区域的分裂必要性;/>代表第/>个合并目标区域中的灰度值数量;/>代表第/>个合并目标区域的灰度信息熵;/>代表第/>个合并目标区域的第一子区域与第二子区域的质心之间的欧式距离。
2.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述获取每个灰度值为目标灰度值的可能性,包括的具体步骤如下:
式中,表示第/>个灰度值为目标灰度值的可能性;获取每个灰度值在光伏钢结构组件图像中的像素点数量,将像素点数量的最小值记为/>;/>代表第/>个灰度值在光伏钢结构组件图像中的像素点数量;/>代表光伏钢结构组件图像中像素点数量最多的灰度值;/>代表第/>个灰度值的值;/>代表光伏钢结构组件图像中的最大灰度值;/>表示求绝对值;/>代表归一化函数;/>表示以自然常数为底数的指数函数。
3.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述根据每个灰度值为目标灰度值的可能性,获取目标灰度值;根据目标灰度值,获取目标像素点,包括的具体步骤如下:
预设可能性阈值,若第/>个灰度值为目标灰度值的可能性大于或等于可能性阈值/>,将第/>个灰度值作为目标灰度值,得到多个目标灰度值,将每个目标灰度值在光伏钢结构组件图像中对应的像素点作为目标像素点。
4.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述对目标像素点进行聚类,得到若干目标聚类簇;对每个目标聚类簇中的每个目标像素点进行区域生长,获取若干目标区域,包括的具体步骤如下:
预设聚类数目,使用迭代自组织聚类算法对光伏钢结构组件图像中的目标像素点进行聚类,距离度量采用像素点之间的欧式距离,得到多个聚类簇,将得到的聚类簇记为目标聚类簇;
预设生长阈值,将任意一个目标聚类簇中的每个目标像素点作为种子点进行区域生长,将每个种子点生长得到的区域进行合并后记为该目标聚类簇的目标区域,获取若干目标区域。
5.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述获取每个目标区域为裂纹区域的置信度,包括的具体步骤如下:
获取第个目标区域的最小外接矩形,预设滑动窗口的边长为/>,获取第/>个目标区域的最小外接矩形的中心像素点,在第/>个目标区域的最小外接矩形中,根据第/>个目标区域的最小外接矩形的中心像素点作平行于第/>个目标区域的最小外接矩形的最长边的直线,记为第/>个目标区域的直线,以第/>个目标区域的直线上的任意一个像素点为中心像素点,构建大小为/>的滑动窗口,作为第/>个目标区域的直线上的该像素点的滑动窗口,得到第/>个目标区域的直线上的每个像素点的滑动窗口;获取第/>个目标区域的直线上的每个像素点的滑动窗口中像素点的灰度均值,构成第/>个目标区域的灰度集合;
式中,代表第/>个目标区域为裂纹区域的置信度;/>代表第/>个目标区域的最小外接矩形的长;/>代表第/>个目标区域的最小外接矩形的宽;/>代表第/>个目标区域的灰度集合中所有灰度均值的方差;/>代表第/>个目标区域的第/>个边缘像素点与第/>个边缘像素点之间连线与水平右向形成的夹角的正切值;/>代表第/>个目标区域的边缘像素点数量;/>表示线性归一化函数。
6.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述根据每个目标区域组合的合并必要性对每个目标区域组合中的目标区域进行合并操作,得到若干合并目标区域,包括的具体步骤如下:
预设合并阈值,当第/>个目标区域组合的合并必要性大于或等于合并阈值/>时,将第/>个目标区域组合中两个目标区域进行合并,将合并后的两个目标区域记为合并目标区域;反之不进行合并,将第/>个目标区域组合中两个目标区域分别记为合并目标区域,获取若干合并目标区域。
7.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述根据每个合并目标区域的分裂必要性对每个合并目标区域进行分裂操作,获取若干分裂目标区域,包括的具体步骤如下:
预设分裂阈值,若第/>个合并目标区域的分裂必要性大于或等于分裂阈值/>,设置聚类数量为2,使用迭代自组织聚类算法对第/>个合并目标区域进行分裂,对合并目标区域中所有像素点进行聚类,距离度量采用像素点之间的欧式距离,将第/>个合并目标区域分裂为两个合并目标区域,分别记为分裂目标区域,反之不分裂,将第/>个合并目标区域,记为分裂目标区域,获取若干分裂目标区域。
8.根据权利要求1所述的基于图像特征的光伏钢结构组件断裂检测方法,其特征在于,所述根据每个分裂目标区域为裂纹区域的置信度,获取若干裂纹区域,包括的具体步骤如下:
预设置信度阈值,若任意一个分裂目标区域为裂纹区域的置信度大于或等于置信度阈值/>,该分裂目标区域为裂纹区域,得到若干裂纹区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755395.1A CN117437228B (zh) | 2023-12-20 | 2023-12-20 | 基于图像特征的光伏钢结构组件断裂检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755395.1A CN117437228B (zh) | 2023-12-20 | 2023-12-20 | 基于图像特征的光伏钢结构组件断裂检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437228A CN117437228A (zh) | 2024-01-23 |
CN117437228B true CN117437228B (zh) | 2024-04-02 |
Family
ID=89553875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311755395.1A Active CN117437228B (zh) | 2023-12-20 | 2023-12-20 | 基于图像特征的光伏钢结构组件断裂检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437228B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN117237335A (zh) * | 2023-11-10 | 2023-12-15 | 惠汕绿创(江苏)科技有限公司 | 基于机器视觉的光伏钢结构组件检测方法 |
-
2023
- 2023-12-20 CN CN202311755395.1A patent/CN117437228B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
CN117237335A (zh) * | 2023-11-10 | 2023-12-15 | 惠汕绿创(江苏)科技有限公司 | 基于机器视觉的光伏钢结构组件检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117437228A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116645367A (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117094916A (zh) | 一种市政桥梁支座视觉检测方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN117392469A (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN112668405B (zh) | 一种土壤细菌数量的精确提取方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 |
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 |