CN101852768B - 磁粉探伤环境下基于复合特征的工件伤痕识别方法 - Google Patents
磁粉探伤环境下基于复合特征的工件伤痕识别方法 Download PDFInfo
- Publication number
- CN101852768B CN101852768B CN2010101629597A CN201010162959A CN101852768B CN 101852768 B CN101852768 B CN 101852768B CN 2010101629597 A CN2010101629597 A CN 2010101629597A CN 201010162959 A CN201010162959 A CN 201010162959A CN 101852768 B CN101852768 B CN 101852768B
- Authority
- CN
- China
- Prior art keywords
- scar
- suspicious
- workpiece
- image
- zone
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种磁粉探伤环境下基于复合特征的工件伤痕识别方法。包括步骤:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像预处理,图像预处理过程包括图像滤噪、图像增强和图像分割,图像分割完成后得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕本发明的有益效果是:对被测物体的依赖性低,便于进行推广应用,实现对各种零部件在磁粉探伤环境下的工件伤痕识别。
Description
技术领域
本发明属于自动检测技术领域,具体地说,涉及一种磁粉探伤环境下的工件无损探伤技术。
背景技术
伴随着我国经济的高速发展,市场竞争日益的激烈,用户对于产品质量的关注远胜于前,各种各样的无损探伤设备被广泛的应用于企业的生产制造过程之中,但是与此形成鲜明对比的是对无损探伤设备得到的探伤图像或者是工业探伤视频无法进行自动的伤痕识别,大量识别工作需要相关人员完成,造成了人力资源的浪费,成本的提升,单品检测时间的增加以及检测结果的不稳定。
磁粉探伤技术作为一种重要的并被广泛应用的工业无损探伤技术,是将钢铁等磁性材料制作的工件予以磁化,有表面或近表面缺陷的工件被磁化后,当缺陷方向与磁场方向成一定角度时,由于缺陷处的磁导率的变化,磁力线逸出工件表面,产生漏磁场,吸附磁粉形成磁痕。用磁粉探伤检验表面裂纹,与超声探伤和射线探伤比较,其灵敏度高、操作简单、结果可靠、重复性好、缺陷容易辨认。但这种方法仅适用于检验铁磁性材料的表面和近表面缺陷,而且在实际生产操作中,其工件表面的磁痕识别也是由质量监察人员完成。到目前为止,市面上的磁粉探伤的仪器主要提供自动的工件磁化操作、整机的自动控制以及自动的成像功能,但是并没有提供针对磁粉探伤环境下的图像或者探伤视频中工件伤痕的自动检测技术。
现有技术中,江南大学于2009年4月13日提出了名为《基于嵌入式机器视觉的轴承缺陷检测技术》,专利申请号为CN200910030476.9的中国发明申请。该发明申请提供了一种基于嵌入式机器视觉的轴承缺陷检测技术,无需人工操作的对轴承表面的划痕、锈斑、黑皮、外导角、轴承支架凹陷、轴承缺珠、缺钉以及轴承侧面的划痕、锈斑进行检测,通过分步逐层检测过滤,最终完成不合格轴承的过滤。本方案在进行轴承的缺钉或缺珠检测时,首先用圆定位方法定位感兴趣区域,对感兴趣区域进行区域收缩、二值化操作、区域生长、形态学操作得到感兴趣区域的斑点致密度和离心率,以此设置缺钉、缺珠的阈值,通过不断循环测试得到符合的检测精度的阈值,使用该阈值进行缺钉或缺珠的检测。本方案在进行轴承表面划痕、锈斑检测时,首先通过圆定位检测到感兴趣区域,对感兴趣区域进行区域收缩、二值化操作、灰度拉伸、灰度值比较得到感兴趣区域的斑点面积和周长以及与圆环面积的百分比,以此设置相应通过条件阈值,通过不断循环测试得到符合的检测精度的阈值,使用该阈值进行轴承表面划痕、锈斑检测。本方案在进行轴承凹面缺陷检测时,首先通过圆定位检测到感兴趣区域,对感兴趣区域进行区域收缩、二值化操作、形态学操作得到感兴趣区域斑点的最大最小距离比值、面积、周长、中心距,以此设置最大最小距离比值、面积、周长、中心距阈值,通过不断循环测试得到符合的检测精度的阈值,使用该阈值进行轴承凹面缺陷检测。本方案在进行轴承侧面划痕、锈斑检测时,采用点定位方法检测到感兴趣区域,设置感兴趣区域的长度和宽带,得到感兴趣区域的纹理特征包括平均灰度值、平滑度和一致性,设置纹理特性参数的阈值,通过不断循环测试得到符合的检测精度的阈值,使用该阈值进行轴承侧面划痕、锈斑检测。本方案的轴承缺陷检测,主要对轴承图像的纹理特征、灰度特征、区域特征进行了分析和处理。
但是,本发明申请的方案主要注重特定类型轴承伤痕的检测,没有进行前景物体的分割,对于成像环境复杂的情况,如磁粉探伤环境其定位能力不足。其特征阈值的选定是采用循环迭代的方式,容易出现过拟合现象,没有伤痕特征的自主学习机制,推广性和适用性有限,因此本方案对被测物体具有较强的依赖性,不能进行推广应用。
现有技术中,天津理工大学2008年11月17日提出了名为《嵌入式高速在线机器视觉检测方法及装置》,专利申请号为CN200810153102.1的中国发明申请。该发明申请提出的一种嵌入式高速在线机器视觉检测方法,技术流程为首先对生产线上的检测对象进行成像,分割定位容易出现质量问题的敏感区域,提取容易出现质量问题的敏感图像区域特征,通过与标准特征进行比较,通过阈值来判断检测对象是否合格。该发明申请在进行产品在线检测时,首先使用工业相机采集生产线上被检测对象的图像信号,对采集的图像进行去噪、滤波和背景补偿,对处理后的图像提取容易出问题的敏感区域,使用小波变换对敏感区域进行特征提取,将提取的特征与标准特征进行比较,根据两者的相似度是否达到阈值来判断被检测对象是否合格。
但是,本发明申请的方案只是使用小波变换提取图像的频域特征,伤痕特征单一,只适用于特定伤痕的检测,检测的阈值由人为设定,不具有稳定性,而且不利于推广,适用性有限,缺少伤痕特征的学习机制,人为因素对最终检测结果影响较大。因此,该方案对伤痕识别的准确度不高,不能进一步识别伤痕的种类。
发明内容
本发明的目的是为了克服现有的磁粉探伤环境下工件伤痕识别方法的不足,提供了一种磁粉探伤环境下基于复合特征的工件伤痕识别方法。该方法可以分别针对于工件图像或工件视频的伤痕进行自动检测。
为了实现上述目的,本发明提供了一种磁粉探伤环境下基于复合特征的工件伤痕识别方法,包括以下步骤:
步骤1:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像预处理,图像预处理过程包括图像滤噪、图像增强和图像分割,图像分割完成后得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;
步骤2:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM(支持向量机,Support Vector Machines)分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕;
步骤3:对步骤2中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕;
步骤4:对步骤3中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕;
步骤5:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕。
上述步骤1中对采集到得磁粉探伤工件图像进行图像滤噪、图像增强、图像分割以及可疑伤痕区域提取的过程,包括如下步骤:
步骤11:对图像进行中值滤波,滤除图像中存在的椒盐噪音;
步骤12:对滤波的图像进行灰度值拉伸;
步骤13:对图像进行竖直与水平边缘提取,根据被检测工件的位置信息获取工件的外部边缘;
步骤14:根据被检测工件的形状信息,如曲率、长宽比、表面积对步骤13中获取的外部边缘进行曲线拟合;
步骤15:根据步骤14中曲线拟合的结果形成工件的前景掩码,在磁粉探伤图像中提取完整的待检测工件;
步骤16:对步骤15中提取的待检测工件进行局部二值化操作,对得到的二值图像进行图像过滤,滤除由于喷洒磁粉而在工件表面形成的磁粉斑点,保留可疑磁痕区域,作为待检测工件的可疑伤痕区域。
上述步骤2中对提取到得被检测工件的可疑伤痕区域进行表面横向伤痕检测工序,包括如下步骤:
步骤21:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤22:对步骤21中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤23:在步骤22中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积;
步骤24:以步骤23中得到的二值图像为前景掩码,使用索贝尔算子(Sobeloperator)对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤25:以步骤24中得到的可疑伤痕区域的边缘检测结果,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征;
步骤26:以步骤22中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比;
步骤27:提取被检测工件的可疑伤痕区域的HOG(Histograms of OrientedGradients)特征;
步骤28:将步骤23到步骤27中提取的伤痕特征形成特征向量,使用对横向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤29:对可疑伤痕区域中的所有疑似伤痕循环进行步骤23到步骤28的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了横向伤痕的真伪判定。
上述步骤3中对未检测到横向伤痕的可疑伤痕区域进行表面纵向伤痕检测工序,包括如下步骤:
步骤31:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤32:对步骤31中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤33:以步骤32中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤34:对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征;
步骤35:对提取可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差;
步骤36:提取被检测工件的可疑伤痕区域的HOG特征;
步骤37:将步骤33到步骤36中提取的伤痕特征形成特征向量,使用对纵向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤38:对可疑伤痕区域中的所有疑似伤痕循环进行步骤33到步骤37的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了纵向伤痕的真伪判定。
上述步骤4中对未检测到纵向伤痕的可疑伤痕区域进行表面车刀纹伤痕检测工序,包括如下步骤:
步骤41:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤42:对步骤41中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤43:以步骤42中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤44:对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征;
步骤45:对提取的可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差;
步骤46:使用Canny算法提取可疑伤痕区域的竖直边界,获取可疑伤痕区域的竖直边界数量;
步骤47:提取可疑伤痕区域的纹理特征,包括角二阶矩、惯性矩、相关性及熵统计特征;
步骤48:提取被检测工件的可疑伤痕区域的HOG特征描述子;
步骤49:将步骤43到步骤48中提取的伤痕特征形成特征向量,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤410:对可疑伤痕区域中的所有疑似伤痕循环进行步骤43到步骤49的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了车刀纹伤痕的真伪判定。
上述步骤5中对工件截面径向伤痕的检测工序,包括如下步骤:
步骤51:对图像进行中值滤波,滤除图像中存在的椒盐噪音;
步骤52:对滤波的图像进行灰度值拉伸;
步骤53:对步骤52处理后的图像先进行局部二值化操作,然后对二值图像进行形态学膨胀,得到区域面积最大的连通域作为提取工件截面的前景掩码;
步骤54:由步骤53中得到的前景掩码获取工件截面,设置固定的横向观察窗口,观察窗口小于工件截面,逐度旋转获取的工件截面,将进入观察窗口的工件截面区域作为可疑伤痕区域;
步骤55:对被检测工件截面的可疑伤痕区域进行图像二值化处理;
步骤56:在步骤55中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积;
步骤57:以步骤55中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤58:以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征;
步骤59:以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比;
步骤510:提取被检测工件的可疑伤痕区域的HOG特征描述子;
步骤511:将步骤56到步骤511中提取的伤痕特征形成特征向量,使用对截面径向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤512:对可疑伤痕区域中的所有疑似伤痕循环进行步骤56到步骤512的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了截面径向伤痕的真伪判定;
步骤513:对发生旋转的观察窗口进行步骤55到步骤513的操作,直到工件截面图像完成了一周的旋转。
上述步骤2到步骤5中,在所述表面横向伤痕检测工序、表面纵向伤痕检测工序、表面车刀纹伤痕检测工序以及截面径向伤痕检测工序中使用的基于特定伤痕样本集自主学习得到的SVM分类器的训练包括如下步骤:
步骤61:对特定伤痕高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选正样本集;
步骤62:对伪伤痕高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选负样本集;
步骤63:采集检测工件的磁痕高亮区域(包括特定伤痕高亮区域与伪伤痕高亮区域),形成特定伤痕SVM分类器的测试集;
步骤64:初始训练正样本集与初始训练负样本集随机从待选正样本集与待选负样本集抽取一个样本形成;
步骤65:对正样本集与负样本集提取特定伤痕特征,形成训练SVM分类器的特征数据集,使用样本类别标记与特征数据集对SVM分类器进行训练,生成针对特定伤痕的初始SVM分类器;
步骤66:使用测试集对初始SVM分类器进行测试,得到初始检测率;
步骤67:随机从待选正样本集与待选负样本集抽取一个新样本扩充训练正样本集与训练负样本集,进行步骤65中的操作生成新的SVM分类器;
步骤68:使用测试集对新的SVM分类器进行测试,如果检测率提高则接受扩充的训练正样本集与训练负样本集,否则剔除新增的样本,重新进行随机选取扩充样本;
步骤69:循环进行步骤67和步骤68,直到最终的SVM分类器检测精度达到实际要求或者收敛到某一较高检测精度。
为了实现本发明的目的,还进一步的提供了改进的磁粉探伤环境下针对工业视频的基于复合特征的工件伤痕识别方法,包括以下步骤:
步骤S1:磁粉探伤环境下对工件探伤视频进行伤痕自动检测,首先是逐帧读取工件视频,来更新磁粉检测环境背景,通过检测背景发生突变来确定新工件的到达以及检测完毕的工件的离开;
步骤S2:对于正在检测的工件,对读取的每一帧工件图像进行伤痕检测,包括步骤:
步骤S21:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像滤噪与图像增强,结合工件的形状、位置等先验信息进行图像分割,得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;
步骤S22:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕;
步骤S23:对步骤S22中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕;
步骤S24:对步骤S23中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕;
步骤S25:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕;
步骤S3:在对工件视频进行自动伤痕检测过程中,同一工件视频将会形成一条图像序列,使用完成训练的Multi-SVM分类器依据步骤S2的检测结果对图像序列进行伤痕真伪的判定,最终确定此工件是否存在伤痕。
上述步骤S3中使用的Multi-SVM分类器的训练过程包括如下步骤:
步骤S31:对所有类型的伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的正样本集;
步骤S32:对伪伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的负样本集;
步骤S33:采集检测工件的磁痕高亮区域,形成单特征SVM分类器的测试集;
步骤S34:对正样本集与负样本集提取某一种伤痕描述特征,形成训练单特征SVM分类器的数据集。使用正样本集与负样本集对单特征SVM分类器进行训练,生成针对某种伤痕描述特征的单特征SVM分类器;
步骤S35:使用测试集对生成的单特征SVM分类器进行测试,如果检测率高于0.5,则计算该单特征SVM分类器的权重,否则将该单特征SVM分类器权重置零;
步骤S36:循环执行步骤S34到步骤S35,直到所有伤痕描述特征都生成了对应的单特征SVM分类器以及权重;
步骤S37:使用单特征SVM分类器的正样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的正样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的正样本集中的一个样本,使用单特征SVM分类器的负样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的负样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的负样本集中的一个样本;
步骤S38:使用Multi-SVM分类器的正样本集与负样本集训练生成Multi-SVM分类器。
本发明的有益效果是:为了满足磁粉探伤环境下伤痕的自动检测的需求,本方案提出依据工件伤痕的特性提取其复合特征,包括伤痕的梯度特征(如伤痕区域梯度统计量)、纹理特征(如伤痕区域的灰度共生矩阵的统计量)、灰度特征(如伤痕区域与背景亮度比)、边缘特征(如边缘链码与边缘方向)、区域特征(如伤痕的面积与周长)、频域特征(如伤痕区域的小波变换特征统计量),从多角度描述工件伤痕,通过支持向量机(SVM,Support vector machines)对伤痕特征进行自主学***。
附图说明
图1为本发明实施例1的工件伤痕识别方法主流程图。
图2为本发明实施例1的图像预处理工序的流程图。
图3为本发明实施例1的表面横向伤痕检测工序流程图
图4为本发明实施例1的表面纵向伤痕检测工序流程图
图5为本发明实施例1的表面车刀纹伤痕检测工序流程图
图6为本发明实施例1的截面径向伤痕检测工序流程图
图7为本发明实施例1的SVM分类器训练流程图
图8为本发明实施例2的工件伤痕识别方法主流程图。
图9为本发明实施例2的Multi-SVM分类器训练流程图
具体实施方式
下面结合附图和具体的具体实施例对本发明做进一步的说明:
实施例1:如图1所示,图中描述的为磁粉探伤环境下工件图像中伤痕自动检测工序流程图。该流程图描述了一种磁粉探伤环境下基于复合特征的工件伤痕识别方法,包括以下步骤:
步骤1:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像预处理,图像预处理过程包括图像滤噪、图像增强和图像分割,图像分割完成后得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域。由于磁粉探伤环境在成像过程中会受到很多环境噪声的影响而且由于为了提高磁粉探伤的效果,会使整个探伤操作过程处于暗箱之中,因此采集到得工件图像多是受到噪声污染并且整体颜色偏暗,通过本步骤可以抑制图像的噪声,有利于伤痕特征的提取,从而增强伤痕的识别精度。由于磁粉探伤过程中磁粉的喷洒并不十分准确和均匀,为了避免工件背景以及工件检测操作台对于伤痕特征提取的影响,从而通过前景分割,使整个伤痕自动检测过程针对于前景工件进行操作,在本步骤中除了完成前景分割之外,根据磁粉探身本身的技术特点,被检测工件的伤痕处由于磁场分步不均会形成高亮度的磁痕,可以通过这一特点在前景工件中确定一些可疑的伤痕区域,提高伤痕自动检测的实时性。
步骤2:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM(支持向量机,Support Vector Machines)分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕。
步骤3:对步骤2中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕。
步骤4:对步骤3中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕。
步骤5:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕。
上述步骤2、3、4和5均是针对步骤1中提取到得可疑伤痕区域分别提取横向、纵向、车刀纹以及截面径向伤痕的特征,使用预先训练成功的特定伤痕的分类器,如横向伤痕SVM分类器、纵向伤痕SVM分类器、车刀纹伤痕SVM分类器以及截面径向伤痕SVM分类器,对提取到得可疑伤痕区域的特征进行分类,以此来辨别可疑伤痕区域中是否存在真伤痕。
如图2所示,图中描述的为磁粉探伤环境下工件图像预处理工序流程图。
步骤11.对图像进行中值滤波,滤除图像中存在的椒盐噪音;对采集到的磁粉探伤图像进行中值滤波,可以滤除图像采集过程中由于检测环境不稳定造成的椒盐噪声。
步骤12.对滤波的图像进行灰度值拉伸。对图像进行灰度值拉伸,由于在磁粉探伤的实际操作中为了提高伤痕可见度,工件图像采集过程中一直处在暗光状态,通过增加图像的对比度有利于可疑伤痕区域的检测。
步骤13.对图像进行竖直与水平边缘提取,根据被检测工件的位置信息获取工件的外部边缘。在采集到的工件图像进行边缘检测,由于磁粉探伤过程中一直使用的是机械操作而且图像采集点相对固定,因此工件的图像位置相对固定,根据工件的大小设定搜索窗口,得到工件的外部轮廓边缘。
步骤14.根据被检测工件的形状信息,如曲率、长宽比、表面积对步骤13中获取的外部边缘进行曲线拟合。对步骤13中检测到的工件的外部轮廓边缘进行曲线拟合,获得完整的工件边缘。由于一类工件的边缘曲率一般是固定值,因此在进行边缘曲线拟合的过程中可以预先确定工件的曲率。
步骤15.根据步骤14中曲线拟合的结果形成工件的前景掩码,在磁粉探伤图像中提取完整的待检测工件。利用步骤14获得的完整工件边缘作为工件的前景掩码,从采集到得磁粉探伤图像中获取前景工件。
步骤16.对步骤15中提取的待检测工件进行局部二值化操作,对得到的二值图像进行图像过滤,滤除由于喷洒磁粉而在工件表面形成的磁粉斑点,保留可疑磁痕区域,作为待检测工件的可疑伤痕区域。由于磁粉探伤工艺的特点,工件表面上如果存在伤痕会由于磁力线的扰动形成磁痕,根据这个特点将步骤15中的工件前景分割成一系列存在磁痕的可疑伤痕区域。
如图3所示,图中描述的为磁粉探伤环境下工件图像表面横向伤痕检测工序流程图。在对采集的工件图像进行完图像预处理之后,会对提取到可疑伤痕区域进行横向伤痕的特征提取,进而完成对横向伤痕的自动检测,包括如下步骤:
步骤21.对被检测工件的可疑伤痕区域进行图像全局二值化处理。其二值化的结果图像将用于伤痕面积特征的提取。
步骤22.对步骤21中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作。由于可疑伤痕区域除了疑似伤痕的磁痕外,还存在一些少量的不均匀磁粉,这些磁粉会对伤痕特征的提取造成影响,因此通过图像滤噪和平滑操作消除散落磁粉的影响。
步骤23.在步骤22中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积。以步骤22得到的二值化图像作为可疑伤痕区域的前景掩码,计算疑似高亮伤痕区域的面积,作为表面横向伤痕的特征之一。
步骤24.以步骤23中得到的二值图像为前景掩码,使用索贝尔算子(Sobeloperator)对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差。并将可疑伤痕区域中伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差作为表面横向伤痕的特征之一。
步骤25.以步骤24中得到的可疑伤痕区域的边缘检测结果,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征。对可疑伤痕区域的边缘使用八方向的链码进行描述,将可疑伤痕区域的边缘的链码值作为表面横向伤痕的特征之一。
步骤26.以步骤22中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比作为表面横向伤痕的特征之一。
步骤27.提取被检测工件的可疑伤痕区域的HOG(Histograms of OrientedGradients)特征。可疑伤痕区域的HOG特征,实际上基于局部梯度特征的统计量,最初HOG特征是应用于行人检测的,为了提高HOG特征对磁粉探伤中工件伤痕的适用性,在提取HOG特征时扩大了局部搜索窗口,使HOG特征更适合代表工件伤痕的方向,将提取到得可疑伤痕区域的HOG特征作为表面横向伤痕的特征之一。
步骤28.将步骤23到步骤27中提取的伤痕特征形成特征向量,使用对横向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤29.对可疑伤痕区域中的所有疑似伤痕循环进行步骤23到步骤28的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了横向伤痕的真伪判定。
如图4所示,图中描述的为磁粉探伤环境下工件图像表面纵向伤痕检测工序流程图。在对采集的工件图像表面横向伤痕检测工序之后,会对提取到的可疑伤痕区域进行纵向伤痕的特征提取,进而完成对纵向伤痕的自动检测,包括如下步骤:
步骤31.对被检测工件的可疑伤痕区域进行图像全局二值化处理。
步骤32.对步骤31中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作。
步骤33.以步骤32中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差。
步骤34.对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征作为表面纵向伤痕的特征之一。
步骤35.对提取可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差。对可疑伤痕区域进行水平投影,如果可疑伤痕区域中存在纵向伤痕,则投影操作形成的直方图将会出现明显的峰值,因此将直方图的统计量作为表面纵向伤痕特征之一。
步骤36.提取被检测工件的可疑伤痕区域的HOG特征。
步骤37.将步骤33到步骤36中提取的伤痕特征形成特征向量,使用对纵向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪。
步骤38.对可疑伤痕区域中的所有疑似伤痕循环进行步骤33到步骤37的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了纵向伤痕的真伪判定。
上述工件图像表面纵向伤痕检测工序,除步骤34和步骤35外,其余步骤的原理与工件图像表面横向伤痕检测工序的步骤相同,因此不再详细描述。
如图5所示,图中描述的为磁粉探伤环境下工件图像表面车刀纹伤痕检测工序流程图。在对采集的工件图像表面纵向伤痕检测工序之后,会对提取到的可疑伤痕区域进行车刀纹伤痕的特征提取,进而完成对车刀纹伤痕的自动检测,包括如下步骤:
步骤41.对被检测工件的可疑伤痕区域进行图像全局二值化处理。
步骤42.对步骤41中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作。
步骤43.以步骤42中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差。
步骤44.对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征。
步骤45.对提取的可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差。
步骤46.使用Canny算法提取可疑伤痕区域的竖直边界,获取可疑伤痕区域的竖直边界数量作为表面车刀纹伤痕的特征之一。
步骤47.提取可疑伤痕区域的纹理特征,包括角二阶矩、惯性矩、相关性及熵统计特征。通过得到可疑伤痕区域的灰度共生矩阵,进而通过灰度共生矩阵计算如角二阶矩、惯性矩、相关性及熵等等统计特征作为可疑伤痕区域的纹理特征,用于车刀纹的伤痕的自动检测。
步骤48.提取被检测工件的可疑伤痕区域的HOG特征。
步骤49.将步骤43到步骤48中提取的伤痕特征形成特征向量,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪。
步骤410.对可疑伤痕区域中的所有疑似伤痕循环进行步骤43到步骤49的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了车刀纹伤痕的真伪判定。
上述工件图像表面车刀纹伤痕检测工序,除步骤46和步骤47外,其余步骤的原理与工件图像表面纵向伤痕检测工序的步骤相同,因此不再详细描述。
如图6所示,图中描述的为磁粉探伤环境下工件截面径向伤痕的检测工序流程图。该工序包括如下步骤:
步骤51.对图像进行中值滤波,滤除图像中存在的椒盐噪音。
步骤52.对滤波的图像进行灰度值拉伸。
步骤53.对步骤52处理后的图像先进行局部二值化操作,然后对二值图像进行形态学膨胀,得到区域面积最大的连通域作为提取工件截面的前景掩码。由于工件截面在进行磁粉探伤时会被喷洒大量的磁粉,而磁粉在最终采集到的工件截面图像中会形成局部的高亮度区域,因此使用局部二值化的方法,会是工件截面出现大量的离散亮斑,而在形态学膨胀之后这些亮斑会连在一起形成了工件截面的前景掩码。
步骤54.由步骤53中得到的前景掩码获取工件截面,设置固定的横向观察窗口,观察窗口小于工件截面,逐度旋转获取的工件截面,将进入观察窗口的工件截面区域作为可疑伤痕区域。
步骤55.对被检测工件截面的可疑伤痕区域进行图像二值化处理。
步骤56.在步骤55中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积。
步骤57.以步骤55中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差。
步骤58.以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征。
步骤59.以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比。
步骤510.提取被检测工件的可疑伤痕区域的HOG特征。
步骤511.将步骤56到步骤511中提取的伤痕特征形成特征向量,使用对截面径向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪。
步骤512:对可疑伤痕区域中的所有疑似伤痕循环进行步骤56到步骤512的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了截面径向伤痕的真伪判定。
步骤513:对发生旋转的观察窗口进行步骤55到步骤513的操作,直到工件截面图像完成了一周的旋转。逐度的旋转工件截面前景,不断更新可疑伤痕区域,直至观察窗口循环覆盖了全部的工件截面前景。
上述截面径向伤痕检测工序中,步骤57到步骤511的伤痕特征提取方法与横向伤痕检测工序相应步骤的原理相同,因此不再详细描述。
如图7所示,图中描述的为磁粉探伤环境下表面横向伤痕检测工序、表面纵向伤痕检测工序、表面车刀纹伤痕检测工序和截面径向伤痕检测工序的SVM分类器训练流程图,上述工序的SVM分类器训练流程一致,故在此统一描述。上述工序中,使用的基于特定伤痕样本集自主学习得到的SVM分类器的训练包括如下步骤:
步骤61:对特定伤痕(如表面横向伤痕、表面纵向伤痕、表面车刀纹伤痕和截面径向伤痕)高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选正样本集。
步骤62:对伪伤痕高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选负样本集。采集形成了磁痕但却没有任何伤痕的工件伪伤痕区域图像,形成训练分类器使用的待选负样本集。
步骤63:采集检测工件的磁痕高亮区域(包括特定伤痕高亮区域与伪伤痕高亮区域),形成特定伤痕SVM分类器的测试集。
步骤64:初始训练正样本集与初始训练负样本集随机从待选正样本集与待选负样本集抽取一个样本形成。
步骤65:对正样本集与负样本集提取特定伤痕特征,形成训练SVM分类器的特征数据集,使用样本类别标记与特征数据集对SVM分类器进行训练,生成针对特定伤痕的初始SVM分类器。
步骤66:使用测试集(包括真伤痕区域与伪伤痕区域)对初始SVM分类器进行测试,得到初始检测率。
步骤67:随机从待选正样本集与待选负样本集抽取一个新样本扩充训练正样本集与训练负样本集,进行步骤65中的操作生成新的SVM分类器。
步骤68:使用测试集对新的SVM分类器进行测试,如果检测率提高则接受扩充的训练正样本集与训练负样本集,否则剔除新增的样本,重新进行随机选取扩充样本。
步骤69:循环进行步骤67和步骤68,直到最终的SVM分类器检测精度达到实际要求或者收敛到某一较高检测精度。
实施例2:实施例1是针对磁粉探伤环境下的图像中伤痕自动检测方法。在实施例1的基础上,本发明还提出了针对磁粉探伤环境下的工件视频中伤痕的自动检测方法。对于工件视频中伤痕的自动检测,可以将每一个视频帧看作一幅工件图像,但是视频中伤痕检测与图像中伤痕检测的最大区别在于同一个工件会在视频中形成一条连续的图像序列,而在这条图像序列中既有被判别为存在伤痕的视频帧,也有被判别为不存在伤痕的视频帧,因此伤痕的识别是针对于图像序列,而非单张图片。如图8所示,描述了针对磁粉探伤环境下工件视频中的工件伤痕识别方法,包括步骤:
步骤S1:磁粉探伤环境下对工件探伤视频进行伤痕自动检测,首先是逐帧读取工件视频,来更新磁粉检测环境背景,通过检测背景发生突变来确定新工件的到达以及检测完毕的工件的离开。对工件视频逐帧的进行读取,对于每帧统计颜色直方图用于判断工件是否到达。如果工件到达,则会改变当前帧的颜色直方图的分布,根据颜色直方图是否发生了突变来确定进行伤痕检测的时间。
步骤S2.对于正在检测的工件,对读取的每一帧工件图像进行伤痕检测,包括步骤:
步骤S21:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像滤噪与图像增强,结合工件的形状、位置等先验信息进行图像分割,得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;
步骤S22:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM(支持向量机,Support Vector Machines)分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕;
步骤S23:对步骤S22中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕;
步骤S24:对步骤S23中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕;
步骤S25:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕。(都利用了SVM分类器进行自主学习,此过程为创新所在)
本步骤S2完全引用了实施例1的完整的处理过程,其具体步骤可以参考实施例1,因此不再详细描述。
步骤S3:在对工件视频进行自动伤痕检测过程中,同一工件视频将会形成一条图像序列,使用完成训练的Multi-SVM分类器依据步骤S2的检测结果对图像序列进行伤痕真伪的判定,最终确定此工件是否存在伤痕。
如图9所示,描述了步骤S3中使用的Multi-SVM分类器的训练过程包括如下步骤:
步骤S31:对所有类型的伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的正样本集。
步骤S32:对伪伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的负样本集。
步骤S33:采集检测工件的磁痕高亮区域,形成单特征SVM分类器的测试集。
步骤S34:对单特征分类器的正样本集与单特征分类器的负样本集依次提取所用样本的对单一特征(如伤痕梯度特征、纹理特征、频域特征等等)作为训练单特征分类器的数据,使用正样本集与负样本集对单特征SVM分类器进行训练,生成针对某种伤痕特征的单特征SVM分类器。
步骤S35:使用测试集对生成的单特征SVM分类器进行测试,如果检测率高于0.5,则使用F-score方法计算分类器的权重,否则将该单特征SVM分类器权重置零。
步骤S36:循环执行步骤S34到步骤S35,直到所有伤痕特征都生成了对应的单特征SVM分类器以及权重。
步骤S37:使用单特征SVM分类器的正样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的正样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的正样本集中的一个样本,使用单特征SVM分类器的负样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的负样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的负样本集中的一个样本。
步骤S38:使用Multi-SVM分类器的正样本集与负样本集训练生成Multi-SVM分类器。
实施例1和实施例2都利用复合特征对磁粉探伤环境下的工件伤痕进行多角度的描述,依赖计算机视觉技术提供了统一的对多种类型伤痕进行自动识别的解决方案,特别是实施例2不但支持静态的对于图像的工件伤痕的自动识别而且支持动态的对于视频的工件伤痕的自动识别。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,包括以下步骤:
步骤1:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像预处理,图像预处理过程包括图像滤噪、图像增强和图像分割,图像分割完成后得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;
步骤2:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM(支持向量机,Support Vector Machines)分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕;
步骤3:对步骤2中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕;
步骤4:对步骤3中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕;
步骤5:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕。
2.根据权利要求1所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,步骤1中对采集到得磁粉探伤工件图像进行图像滤噪、图像增强、图像分割以及可疑伤痕区域提取的过程,包括如下步骤:
步骤11:对图像进行中值滤波,滤除图像中存在的椒盐噪音;
步骤12:对滤波的图像进行灰度值拉伸;
步骤13:对图像进行竖直与水平边缘提取,根据被检测工件的位置信息获取工件的外部边缘;
步骤14:根据被检测工件的形状信息,包括曲率、长宽比、表面积,对步骤13中获取的外部边缘进行曲线拟合;
步骤15:根据步骤14中曲线拟合的结果形成工件的前景掩码,在磁粉探伤图像中提取完整的待检测工件;
步骤16:对步骤15中提取的待检测工件进行局部二值化操作,对得到的二值图像进行图像过滤,滤除由于喷洒磁粉而在工件表面形成的磁粉斑点,保留可疑磁痕区域,作为待检测工件的可疑伤痕区域。
3.根据权利要求1所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,步骤2中对提取到得被检测工件的可疑伤痕区域进行表面横向伤痕检测工序,包括如下步骤:
步骤21:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤22:对步骤21中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤23:在步骤22中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积;
步骤24:以步骤23中得到的二值图像为前景掩码,使用索贝尔算子(Sobeloperator)对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤25:以步骤24中得到的可疑伤痕区域的边缘检测结果,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征;
步骤26:以步骤22中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比;
步骤27:提取被检测工件的可疑伤痕区域的HOG(Histograms of OrientedGradients)特征;
步骤28:将步骤23到步骤27中提取的伤痕特征形成特征向量,使用对横向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤29:对可疑伤痕区域中的所有疑似伤痕循环进行步骤23到步骤28的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了横向伤痕的真伪判定。
4.根据权利要求1所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,步骤3中对未检测到横向伤痕的可疑伤痕区域进行表面纵向伤痕检测工序,包括如下步骤:
步骤31:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤32:对步骤31中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤33:以步骤32中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤34:对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征;
步骤35:对提取可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差;
步骤36:提取被检测工件的可疑伤痕区域的HOG特征;
步骤37:将步骤33到步骤36中提取的伤痕特征形成特征向量,使用对纵向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤38:对可疑伤痕区域中的所有疑似伤痕循环进行步骤33到步骤37的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了纵向伤痕的真伪判定。
5.根据权利要求1所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,步骤4中对未检测到纵向伤痕的可疑伤痕区域进行表面车刀纹伤痕检测工序,包括如下步骤:
步骤41:对被检测工件的可疑伤痕区域进行图像全局二值化处理;
步骤42:对步骤41中获取的可疑伤痕区域的二值化图像进行滤除噪声及图像平滑操作;
步骤43:以步骤42中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕提取其梯度特征,包括疑似伤痕的梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤44:对提取可疑伤痕区域进行快速傅里叶变换,提取可疑伤痕区域的频域特征;
步骤45:对提取的可疑伤痕区域进行水平方向投影,提取可疑伤痕区域水平投影形成的统计直方图的均值与方差;
步骤46:使用Canny算法提取可疑伤痕区域的竖直边界,获取可疑伤痕区域的竖直边界数量;
步骤47:提取可疑伤痕区域的纹理特征,包括角二阶矩、惯性矩、相关性及熵统计特征;
步骤48:提取被检测工件的可疑伤痕区域的HOG特征描述子;
步骤49:将步骤43到步骤48中提取的伤痕特征形成特征向量,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤410:对可疑伤痕区域中的所有疑似伤痕循环进行步骤43到步骤49的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了车刀纹伤痕的真伪判定。
6.根据权利要求1所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,步骤5中对工件截面径向伤痕的检测工序,包括如下步骤:
步骤51:对图像进行中值滤波,滤除图像中存在的椒盐噪音;
步骤52:对滤波的图像进行灰度值拉伸;
步骤53:对步骤52处理后的图像先进行局部二值化操作,然后对二值图像进行形态学膨胀,得到区域面积最大的连通域作为提取工件截面的前景掩码;
步骤54:由步骤53中得到的前景掩码获取工件截面,设置固定的横向观察窗口,观察窗口小于工件截面,逐度旋转获取的工件截面,将进入观察窗口的工件截面区域作为可疑伤痕区域;
步骤55:对被检测工件截面的可疑伤痕区域进行图像二值化处理;
步骤56:在步骤55中得到的二值图像中计算可疑伤痕区域中的疑似伤痕的面积;
步骤57:以步骤55中得到的二值图像为前景掩码,使用sobel算子对可疑伤痕区域中的疑似伤痕进行边缘检测并提取其梯度特征,包括疑似伤痕的边界长度、梯度均值、梯度最大值、梯度最小值及梯度方差;
步骤58:以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕的边界链码统计特征;
步骤59:以步骤55中得到的二值图像为前景掩码,提取可疑伤痕区域中的疑似伤痕与背景的亮度比;
步骤510:提取被检测工件的可疑伤痕区域的HOG特征描述子;
步骤511:将步骤56到步骤510中提取的伤痕特征形成特征向量,使用对截面径向伤痕样本集自主学习得到的SVM分类器对特征向量做出类别标记,判定可疑伤痕区域中疑似伤痕的真伪;
步骤512:对可疑伤痕区域中的所有疑似伤痕循环进行步骤56到步骤511的操作,直到可疑伤痕区域中的所有疑似伤痕都进行了截面径向伤痕的真伪判定;
步骤513:对发生旋转的观察窗口进行步骤55到步骤512的操作,直到工件截面图像完成了一周的旋转。
7.根据权利要求1到5中任一个所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,在所述表面横向伤痕检测工序、表面纵向伤痕检测工序、表面车刀纹伤痕检测工序以及截面径向伤痕检测工序中使用的基于特定伤痕样本集自主学习得到的SVM分类器的训练包括如下步骤:
步骤61:对特定伤痕高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选正样本集;
步骤62:对伪伤痕高亮区域进行图像样本采集,形成训练特定伤痕SVM分类器的待选负样本集;
步骤63:采集检测工件的磁痕高亮区域,包括特定伤痕高亮区域与伪伤痕高亮区域,形成特定伤痕SVM分类器的测试集;
步骤64:初始训练正样本集与初始训练负样本集随机从待选正样本集与待选负样本集抽取一个样本形成;
步骤65:对正样本集与负样本集提取特定伤痕特征,形成训练SVM分类器的特征数据集,使用样本类别标记与特征数据集对SVM分类器进行训练,生成针对特定伤痕的初始SVM分类器;
步骤66:使用测试集对初始SVM分类器进行测试,得到初始检测率;
步骤67:随机从待选正样本集与待选负样本集抽取一个新样本扩充训练正样本集与训练负样本集,进行步骤65中的操作生成新的SVM分类器;
步骤68:使用测试集对新的SVM分类器进行测试,如果检测率提高则接受扩充的训练正样本集与训练负样本集,否则剔除新增的样本,重新进行随机选取扩充样本;
步骤69:循环进行步骤67和步骤68,直到最终的SVM分类器检测精度达到实际要求或者收敛到某一较高检测精度。
8.一种磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,包括以下步骤:
步骤S1:磁粉探伤环境下对工件探伤视频进行伤痕自动检测,首先是逐帧读取工件视频,来更新磁粉检测环境背景,通过检测背景发生突变来确定新工件的到达以及检测完毕的工件的离开;
步骤S2:对于正在检测的工件,对读取的每一帧工件图像进行伤痕检测,包括步骤:
步骤S21:在对工件图像进行伤痕自动检测过程中,首先对在磁粉探伤环境下采集到工件图像进行图像滤噪与图像增强,结合包括工件的形状、位置的先验信息进行图像分割,得到工件前景区域,对工件的前景区域进行图像形态学操作,提取可疑伤痕区域;
步骤S22:进行表面横向伤痕检测工序,利用表面横向伤痕检测技术对可疑伤痕区域提取横向伤痕特征,使用对横向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面横向伤痕;
步骤S23:对步骤S22中未检测到伤痕的可疑伤痕区域,进行表面纵向伤痕检测工序,利用表面纵向伤痕检测技术对可疑伤痕区域提取纵向伤痕特征,使用对纵向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面纵向伤痕;
步骤S24:对步骤S23中未检测到伤痕的可疑伤痕区域,进行表面车刀纹伤痕检测工序,利用表面车刀纹伤痕检测技术对可疑伤痕区域提取车刀纹伤痕特征,使用对车刀纹伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定可疑伤痕区域中是否存在表面车刀纹伤痕;
步骤S25:对工件截面进行径向伤痕检测工序,利用截面径向伤痕检测技术对工件截面获取的可疑伤痕区域提取径向伤痕特征,使用径向伤痕样本集自主学习得到的SVM分类器对伤痕特征进行自动分类,确定工件截面可疑伤痕区域中是否存在截面径向伤痕;
步骤S3:在对工件视频进行自动伤痕检测过程中,同一工件视频将会形成一条图像序列,使用完成训练的Multi-SVM分类器依据步骤S2的检测结果对图像序列进行伤痕真伪的判定,最终确定此工件是否存在伤痕。
9.根据权利要求8所述的磁粉探伤环境下基于复合特征的工件伤痕识别方法,其特征在于,所述步骤S3中使用的Multi-SVM分类器的训练过程包括如下步骤:
步骤S31:对所有类型的伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的正样本集;
步骤S32:对伪伤痕高亮区域进行图像样本采集,形成训练单特征SVM分类器的负样本集;
步骤S33:采集检测工件的磁痕高亮区域,形成单特征SVM分类器的测试集;
步骤S34:对正样本集与负样本集提取某一种伤痕描述特征,形成训练单特征SVM分类器的数据集;使用样本类别标记与正样本集与负样本集对单特征SVM分类器进行训练,生成针对某种伤痕描述特征的单特征SVM分类器;
步骤S35:使用测试集对生成的单特征SVM分类器进行测试,如果检测率高于0.5,则计算该单特征SVM分类器的权重,否则将该单特征SVM分类器权重置零;
步骤S36:循环执行步骤S34到步骤S35,直到所有伤痕描述特征都生成了对应的单特征SVM分类器以及权重;
步骤S37:使用单特征SVM分类器的正样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的正样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的正样本集中的一个样本,使用单特征SVM分类器的负样本集测试所有的单特征SVM分类器,针对每一个单特征SVM分类器的负样本集中的样本,将所用单特征SVM分类器对该样本的响应乘以对应权重相加而得到的值作为训练Multi-SVM分类器的负样本集中的一个样本;
步骤S38:使用Multi-SVM分类器的正样本集与负样本集训练生成Multi-SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101629597A CN101852768B (zh) | 2010-05-05 | 2010-05-05 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101629597A CN101852768B (zh) | 2010-05-05 | 2010-05-05 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101852768A CN101852768A (zh) | 2010-10-06 |
CN101852768B true CN101852768B (zh) | 2012-02-22 |
Family
ID=42804354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101629597A Expired - Fee Related CN101852768B (zh) | 2010-05-05 | 2010-05-05 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101852768B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590330A (zh) * | 2011-12-29 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 基于图像处理的磁粉探伤缺陷智能识别检测*** |
CN102854191B (zh) * | 2012-07-18 | 2014-09-10 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN102854193A (zh) * | 2012-08-30 | 2013-01-02 | 苏州天准精密技术有限公司 | 一种用于图像瑕疵检测的检测方法和检测*** |
CN103395433B (zh) * | 2013-07-30 | 2016-04-27 | 广州电力机车有限公司 | 一种机车车体检修方法 |
CN103745234B (zh) * | 2014-01-23 | 2017-01-25 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
CN103984951B (zh) * | 2014-04-25 | 2017-12-08 | 西南科技大学 | 一种磁粉检测缺陷自动识别方法及*** |
CN104297335A (zh) * | 2014-09-25 | 2015-01-21 | 武汉重工铸锻有限责任公司 | 主蒸汽超级管道热挤压管嘴表面质量检测方法 |
FR3030042A1 (fr) * | 2014-12-15 | 2016-06-17 | Michelin & Cie | Procede de detection de defaut sur une surface de pneumatique |
CN104463180B (zh) * | 2014-12-31 | 2018-01-12 | 深圳市华星光电技术有限公司 | 识别导电粒子压痕的方法 |
CN104951795B (zh) * | 2015-05-26 | 2019-07-05 | 重庆金山科技(集团)有限公司 | 图像分类识别判断方法 |
CN105388162B (zh) * | 2015-10-28 | 2017-12-01 | 镇江苏仪德科技有限公司 | 基于机器视觉的原料硅片表面划痕检测方法 |
CN106485231A (zh) * | 2016-10-21 | 2017-03-08 | 上海未来伙伴机器人有限公司 | 一种目标色块提取方法及装置 |
CN107145896A (zh) * | 2017-03-14 | 2017-09-08 | 西南科技大学 | 基于荧光磁粉的智能缺陷识别*** |
CN109685756A (zh) * | 2017-10-16 | 2019-04-26 | 乐达创意科技有限公司 | 影像特征自动辨识装置、***及方法 |
CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
CN108460763B (zh) * | 2018-03-26 | 2021-03-30 | 上海交通大学 | 一种磁粉探伤图像自动检测识别方法 |
CN108876769B (zh) * | 2018-05-31 | 2020-11-03 | 厦门大学 | 一种左心耳ct图像分割方法 |
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
WO2020140198A1 (zh) * | 2019-01-02 | 2020-07-09 | 深圳市邻友通科技发展有限公司 | 指甲图像分割方法、装置、设备和存储介质 |
CN112508891B (zh) * | 2020-11-27 | 2022-07-22 | 济宁鲁科检测器材有限公司 | 基于手机的ai智能识别缺陷的磁粉探伤***及其方法 |
CN112435245A (zh) * | 2020-11-27 | 2021-03-02 | 济宁鲁科检测器材有限公司 | 基于物联网的磁痕缺陷自动识别方法 |
CN113538423B (zh) * | 2021-09-15 | 2022-01-07 | 常州微亿智造科技有限公司 | 基于组合优化算法的工业零部件缺陷检测区间聚类方法 |
CN113935992B (zh) * | 2021-12-15 | 2022-03-22 | 武汉和众成设备工贸有限公司 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与*** |
CN116091499B (zh) * | 2023-04-07 | 2023-06-20 | 山东中胜涂料有限公司 | 一种涂料生产异常识别*** |
CN116577408B (zh) * | 2023-07-12 | 2023-10-03 | 江苏赛福探伤设备制造有限公司 | 一种轴承滚子的磁粉探伤机 |
CN117115165A (zh) * | 2023-10-24 | 2023-11-24 | 长沙康乾电子科技有限公司 | 一种掩膜版加工表面划伤处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122585A (zh) * | 2007-09-12 | 2008-02-13 | 天津大学 | 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法 |
CN101403602A (zh) * | 2008-11-17 | 2009-04-08 | 天津理工大学 | 嵌入式高速在线机器视觉检测方法及装置 |
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8108324B2 (en) * | 2008-05-15 | 2012-01-31 | Intel Corporation | Forward feature selection for support vector machines |
-
2010
- 2010-05-05 CN CN2010101629597A patent/CN101852768B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122585A (zh) * | 2007-09-12 | 2008-02-13 | 天津大学 | 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法 |
CN101403602A (zh) * | 2008-11-17 | 2009-04-08 | 天津理工大学 | 嵌入式高速在线机器视觉检测方法及装置 |
CN101526484A (zh) * | 2009-04-13 | 2009-09-09 | 江南大学 | 基于嵌入式机器视觉的轴承缺陷检测技术 |
Non-Patent Citations (1)
Title |
---|
朱凌云 等.基于支持向量机的缺陷识别方法.《重庆大学学报(自然科学版)》.2002,第25卷(第6期),42-54. * |
Also Published As
Publication number | Publication date |
---|---|
CN101852768A (zh) | 2010-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101852768B (zh) | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 | |
Zhang et al. | Matched filtering algorithm for pavement cracking detection | |
CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
CN106093066A (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测***及方法 | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN110009618B (zh) | 一种轴类零件表面质量检测方法及装置 | |
Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN107876425A (zh) | 一种基于视觉的轴承缺陷检测***装置 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN106250936A (zh) | 基于机器学习的多特征多线程安检违禁品自动识别方法 | |
CN103984951A (zh) | 一种磁粉检测缺陷自动识别方法及*** | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN104215639A (zh) | 一种基于机器视觉的梨表面缺陷检测方法 | |
CN106914428A (zh) | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 | |
CN109191421A (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN110096980A (zh) | 字符检测识别*** | |
CN109785301A (zh) | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 | |
CN103258218B (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN107145896A (zh) | 基于荧光磁粉的智能缺陷识别*** | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120222 Termination date: 20140505 |