CN108470333B - 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 - Google Patents
一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 Download PDFInfo
- Publication number
- CN108470333B CN108470333B CN201810192441.4A CN201810192441A CN108470333B CN 108470333 B CN108470333 B CN 108470333B CN 201810192441 A CN201810192441 A CN 201810192441A CN 108470333 B CN108470333 B CN 108470333B
- Authority
- CN
- China
- Prior art keywords
- joint
- image
- area
- steel wire
- images
- 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 35
- 239000010959 steel Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012216 screening Methods 0.000 title claims abstract description 15
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Images
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种X光钢丝绳芯输送带接头图像筛选与拼接的方法,属于无损检测领域,解决了在基于X光的钢丝绳芯输送带无损检测***中,由于使用的是X光线阵探测器,造成的接头图像不完整及接头图像的识别问题。本发明基于X光钢丝绳芯输送带接头图像的特点,利用图像分析技术筛选出X光图像中包含接头信息的图像、利用连接算子将筛选出的包含接头信息但不完整的连续图像连接起来组成完整的接头图像。本发明可以在基于X光的钢丝绳芯输送带无损检测***的基础上,快速、准确的筛选出接头图像并自动完成拼接,在工业应用中具有良好的应用价值。
Description
技术领域
本发明属于无损检测领域,具体涉及钢丝绳芯输送带无损检测技术中的一种基于X光的钢丝绳芯输送带接头图像筛选与拼接的在线检测方法。
背景技术
带式输送机运输是煤矿等生产领域中的主要运输方式,其使用的输送带以钢丝绳芯输送带为主。钢丝绳芯输送带是以钢丝绳作为骨架材料的橡胶输送带,广泛应用于煤炭、矿山、港口等领域。在实际应用中,一条完整的钢丝绳芯输送带都是由若干段钢丝绳芯输送带搭接而成。接头区域是整条钢丝绳芯输送带中抗拉强度最低、最为薄弱的部位,经常发生钢丝绳抽动故障,导致断带等重大安全事故时有发生,严重影响安全生产。因此,及时准确地检测钢丝绳芯输送带接头状态十分必要。
随着X光检测技术的发展,能够通过基于X光的无损检测***获取包含钢丝绳芯输送带接头图像。然而,由于所使用的X光探测器采集接头信息的成像范围有限,一个完整的接头大多数情况都会分布在两幅连续的图像中,所以需要一种可靠有效的方法将含有接头信息的图像筛选出来并进行拼接,以得到含有完整接头信息的图像,为下一步计算接头伸长量和判断接头状态做准备。
发明内容
本发明的目的是提出一种基于X光的钢丝绳芯输送带接头图像筛选与拼接的在线检测方法,解决了钢丝绳芯输送带接头图像筛选与拼接的在线检测效率和准确性问题。
本发明所采用的技术方案,具体包含如下操作步骤:
步骤1,读取一幅通过X光钢丝绳芯输送带无损检测***采集的接头图像I;
步骤2,对接头图像I进行直方图均衡化并转化为灰度图像G,再将其分成N个小区域,然后对每个小区域进行独立操作;
步骤3,对每个小区域进行均值滤波得到图像M,再进行动态阈值分割得到图像S;
步骤4,对每个小区域进行数学形态学处理,得到图像K,如果小区域中含接头信息,接头部分的信息将被去掉但其它部分将被保留,如果小区域中不含接头信息,图像将保持原样输出;
步骤5,将图像K进行接头信息筛选,找出所有可能含有接头信息的小区域;
步骤6,合并所有含有接头信息的小区域,得到完整的接头区域图像P;
步骤7,对图像P依次进行膨胀、区域填充、开运算和膨胀,提取出接头区域并计算出接头区域的面积;
步骤8,依据接头区域的面积找出连续的但不完整的接头图像,利用连接算子纵向拼接成包含完整接头信息的接头图像。
特别的,本发明步骤2中所述的N个小区域为依据图像I的大小合理划分的N个n×n的小区域,以提高图像处理的效率和准确度。
特别的,本发明步骤4中所述的数学形态学处理,依次包括膨胀、腐蚀、开运算以及区域填充,利用输送带接头区域钢丝绳芯密集且间距较窄的特点识别出接头区域。
特别的,本发明步骤5中所述的将图像K进行接头信息筛选,是将图像K与图像S求交集,得到交集图像L,再将图像L与原始小区域图像作差取反,找出所有可能有的接头区域,避免了单一算法的局限性,提高了钢丝绳芯输送带接头区域识别的准确性。
本发明的有益效果是:(1)本发明操作简单、算法简单,计算量小、执行效率高、速度快;(2)本发明抗干扰能力强,能够准确筛选出钢丝绳芯输送带接头区域,并能自动拼接不完整的接头图像;(3)本发明中所涉及的算法可以在图像采集的嵌入式硬件上实现,如通过DSP、ARM或FPGA实现,为进一步提高运算效率,也可通过上位机软件实现。
附图说明
图1是本发明方法的操作流程图。
图2是采用本发明自动筛选钢丝绳芯输送带接头区域的效果图。
图3是采集获得的含接头上部分信息的钢丝绳芯输送带图像。
图4是采集获得的含接头下部分信息的钢丝绳芯输送带图像。
图5是采用本发明将含不完整接头信息的图像拼接成含完整接头信息的图像。
具体实施方式
下面结合附图阐述发明内容的具体实施方式。
本发明提出的方法的整体操作流程如图1所示。本发明的目的是提出一种基于X光钢丝绳芯输送带接头图像筛选与拼接的方法,解决了钢丝绳芯输送带接头区域在线检测筛选和含不完整接头信息图像的在线自动拼接问题。具体包含如下操作步骤:
步骤1,读取一幅通过X光钢丝绳芯输送带无损检测***采集的接头图像I;
步骤2,对接头图像I进行直方图均衡化并转化为灰度图像G,再将其分成N个小区域,然后对每个小区域进行独立操作;
步骤3,对每个小区域进行均值滤波得到图像M,再进行动态阈值分割得到图像S;
步骤4,对每个小区域进行数学形态学处理,得到图像K,如果小区域中含接头信息,接头部分的信息将被去掉但其它部分将被保留,如果小区域中不含接头信息,图像将保持原样输出;
步骤5,将图像K与图像S求交集,得到交集图像L,再将图像L与原始小区域图像作差取反,找出所有可能有的接头区域;
步骤6,合并所有含有接头信息的小区域,得到完整的接头区域图像P;
步骤7,对图像P依次进行膨胀、区域填充、开运算和膨胀,提取出接头区域并计算出接头区域的面积;
步骤8,依据接头区域的面积找出连续的但不完整的接头图像,利用连接算子纵向拼接成包含完整接头信息的接头图像。
如图2所示,本发明所提出的方法可有效筛选出钢丝绳芯输送带接头区域图像,钢丝绳芯输送带X光图像中不含接头信息图像是没有区域面积的,含接头信息的图像是有区域面积的,且区域面积大小跟含接头信息的多少有关。通过判断区域面积的有无,从而将X光钢丝绳芯输送带含接头信息的图像筛选出来,显示出了该筛选算法的高准确率。
如图3和图4所示,本发明所提出的方法不仅能筛选出包含完整接头信息的接头图像还能筛选出包含不完整接头信息的图像,显示出了该筛选算法的高准确性。
如图5所示,本发明能自动筛选出包含不完整接头信息的图像,能准确地将含完整接头信息的连续两幅图筛选出来,筛选出的这两幅图的宽和高相同,然后利用连接算子,进行纵向拼接即能将连续两张含部分接头信息的图像拼接成含完整接头信息的图像,该图像的宽度跟拼接前的宽度一样,高度为拼接前图像高度的2倍。
以上对本发明的一个实施例进行了详细说明,而非对本发明的限制,有关技术领域的技术人员在不脱离本发明的精神和范围的情况下,还可以做出各种变换和变化从而可以得到相对应的等同的技术方案,因此所有等同的技术方案均应该归入本发明的专利保护范围。
Claims (2)
1.一种X光钢丝绳芯输送带接头图像筛选与拼接的方法,其特征在于包含如下步骤:
步骤1,读取一幅通过X光钢丝绳芯输送带无损检测***采集的接头图像I;
步骤2,对接头图像I进行直方图均衡化并转化为灰度图像G,再将其分成N个小区域,然后对每个小区域进行独立操作;
步骤3,对每个小区域进行均值滤波得到图像M,再进行动态阈值分割得到图像S;
步骤4,对每个小区域进行数学形态学处理,利用输送带接头区域钢丝绳芯密集且间距较窄的特点识别出接头区域,如果小区域中含接头信息则接头部分的信息将被去掉但其它部分将被保留、如果小区域中不含接头信息则图像将保持原样输出,得到图像K;
步骤5,将图像K进行接头信息筛选,将图像K与图像S求交集,得到交集图像L,再将图像L与原始小区域图像作差取反,找出所有可能含有接头信息的小区域;
步骤6,合并所有含有接头信息的小区域,得到完整的接头区域图像P;
步骤7,对图像P依次进行膨胀、区域填充、开运算和膨胀,提取出接头区域并计算出接头区域的面积;
步骤8,依据接头区域的面积找出连续的但不完整的接头图像,利用连接算子纵向拼接成包含完整接头信息的接头图像。
2.如权利要求1所述的一种X光钢丝绳芯输送带接头图像筛选与拼接的方法,其特征在于步骤2中所述的N个小区域为依据图像I的大小合理划分的N个n×n的小区域,以提高图像处理的效率和准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192441.4A CN108470333B (zh) | 2018-03-07 | 2018-03-07 | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192441.4A CN108470333B (zh) | 2018-03-07 | 2018-03-07 | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470333A CN108470333A (zh) | 2018-08-31 |
CN108470333B true CN108470333B (zh) | 2021-10-08 |
Family
ID=63264265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192441.4A Active CN108470333B (zh) | 2018-03-07 | 2018-03-07 | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288562B (zh) * | 2019-05-16 | 2023-01-17 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
CN106706238A (zh) * | 2016-11-22 | 2017-05-24 | 山西大学 | 钢丝绳芯输送带接头搭接标记和识别方法 |
-
2018
- 2018-03-07 CN CN201810192441.4A patent/CN108470333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
CN106706238A (zh) * | 2016-11-22 | 2017-05-24 | 山西大学 | 钢丝绳芯输送带接头搭接标记和识别方法 |
Non-Patent Citations (1)
Title |
---|
"输送带非均匀光照图像校正和故障检测算法研究";张凌宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);第15,18,22,41,45,47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470333A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102008973B1 (ko) | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 | |
Hou et al. | Inspection of surface defects on stay cables using a robot and transfer learning | |
Moon et al. | Intelligent crack detecting algorithm on the concrete crack image using neural network | |
CN104535356B (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及*** | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN110288562B (zh) | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 | |
Shafeek et al. | Automatic inspection of gas pipeline welding defects using an expert vision system | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN108550135B (zh) | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 | |
Blazej et al. | Novel approaches for processing of multi-channels NDT signals for damage detection in conveyor belts with steel cords | |
CN110163852B (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
CN102519990B (zh) | 基于纹理规则性分析的钢丝绳芯输送带故障在线检测方法 | |
CN103279765A (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN102590247A (zh) | 一种基于x光图像处理技术的钢丝绳损伤检测方法 | |
CN116665011A (zh) | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN112508944A (zh) | 一种应用于煤矿井下供水管路的泄漏检测方法 | |
CN101995412A (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
CN108470333B (zh) | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 | |
Barkavi et al. | Processing digital image for measurement of crack dimensions in concrete | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN113553926B (zh) | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 | |
CN105021630A (zh) | 输送带表面破损自动检测方法 |
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 |