CN113570708A - 缺陷立体建模方法、装置及计算机可读存储介质 - Google Patents
缺陷立体建模方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113570708A CN113570708A CN202110875909.1A CN202110875909A CN113570708A CN 113570708 A CN113570708 A CN 113570708A CN 202110875909 A CN202110875909 A CN 202110875909A CN 113570708 A CN113570708 A CN 113570708A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- detection
- dimensional
- modeling
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 111
- 238000012937 correction Methods 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001678 irradiating effect Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims 4
- 230000006870 function Effects 0.000 description 9
- 230000036544 posture Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001035 drying Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种缺陷立体建模方法,该缺陷立体建模方法包括:获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。本发明还公开了一种缺陷立体建模装置和一种计算机可读存储介质。本发明能够实现缺陷立体建模的功能,准确的确定缺陷立体的缺陷,实现对缺陷立体快速建模。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及缺陷立体建模方法、装置及计算机可读存储介质。
背景技术
X射线无损检测是利用X射线的强穿透能力探查出电力设备中存在的内部缺陷的一种检测手段,主要是根据穿透待测电力设备的X射线的强弱变化来检测电力设备中的内部缺陷。由于X射线无损检测迅速准确,因此,该技术可扩展应用在各种工业设备内部缺陷检测中。
目前,X射线无损检测技术是通过X射线机发射X射线照射到待测设备上,X射线穿透待测设备,直接在数字成像板上形成二维投影的X射线图像,最后通过安装在电脑上的图像采集软件,获取投影的X射线图像。工作人员根据获取的X射线图像确定被测设备的内部缺陷。
但是,上述方法中获取的X射线图像为二维图像,由于电力设备内部结构复杂,所拍摄的X射线图像中部件重叠严重,无法直观看出设备的具体情况,给工作人员确定内部缺陷的工作带来诸多不便。
发明内容
本发明的主要目的在于提出一种缺陷立体建模方法、装置及计算机可读存储介质,旨在实现缺陷立体建模的功能,准确的确定缺陷立体的缺陷,实现对缺陷立体快速建模。
为实现上述目的,本发明提供一种缺陷立体建模方法,所述缺陷立体建模方法包括如下步骤:
获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;
根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
可选地,所述根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型的步骤,包括:
根据所述机械臂位姿数据得到射线照射角度,所述射线照射角度为射线机照射所述缺陷立体的角度;
对所述检测图像进行图像识别,得到缺陷平面图;
根据所述射线照射角度对所述缺陷平面图进行逆向建模投影,得到缺陷立体模型。
可选地,所述对所述检测图像进行图像识别,得到缺陷平面图的步骤,包括:
根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像;
基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像;
对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。
可选地,所述根据所述射线照射校对所述检测图像进行灰度值校正,得到校正图像的步骤之前,包括:
基于中值滤波方法对所述检测图像进行去噪处理,得到去噪图像;
对所述去噪图像的整体亮度进行等比例增强处理,得到等比例增强图像;
所述根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像的步骤,包括:
根据所述射线照射角度对所述等比例增强图像进行灰度值校正,得到校正图像。
可选地,所述根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型的步骤之后,包括:
对所述缺陷立体模型的死角位置进行修正,得到修正缺陷立体模型。
此外,为实现上述目的,本发明还提供一种装置,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷立体建模程序,所述缺陷立体建模程序被所述处理器执行时实现如上所述的缺陷立体建模方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有缺陷立体建模程序,所述缺陷立体建模程序被处理器执行时实现如上所述的缺陷立体建模方法的步骤。
本发明提供了一种缺陷立体建模方法、装置及计算机可读存储介质,获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。通过上述方式,本发明能够实现缺陷立体建模的功能,准确的确定缺陷立体的缺陷,实现对缺陷立体快速建模。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明缺陷立体建模方法第一实施例的流程示意图;
图3为本发明修正后的缺陷立体的结构示意图;
图4为本发明缺陷立体建模方法第二实施例的流程示意图;
图5为本发明根据缺陷平面图进行逆向投影的示意图;
图6为本发明建模完成后的缺陷立体的结构示意图;
图7为本发明建旋转造影***离散化几何模型的结构示意图;
图8为本发明缺陷立体建模方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
现有的X射线无损检测技术是通过X射线机发射X射线照射到待测设备上,X射线穿透待测设备,直接在数字成像板上形成二维投影的X射线图像,最后通过安装在电脑上的图像采集软件,获取投影的X射线图像。工作人员根据获取的X射线图像确定被测设备的内部缺陷。但是,上述方法中获取的X射线图像为二维图像,由于电力设备内部结构复杂,所拍摄的X射线图像中部件重叠严重,无法直观看出设备的具体情况,给工作人员确定内部缺陷的工作带来诸多不便。
本发明旨在实现缺陷立体建模的功能,准确的确定缺陷立体的缺陷,实现对缺陷立体快速建模。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及缺陷立体建模程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的缺陷立体建模程序,并执行以下操作:
获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;
根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
进一步地,处理器1001可以调用存储器1005中存储的缺陷立体建模程序,还执行以下操作:
根据所述机械臂位姿数据得到射线照射角度,所述射线照射角度为射线机照射所述缺陷立体的角度;
对所述检测图像进行图像识别,得到缺陷平面图;
根据所述射线照射角度对所述缺陷平面图进行逆向建模投影,得到缺陷立体模型。
进一步地,处理器1001可以调用存储器1005中存储的缺陷立体建模程序,还执行以下操作:
根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像;
基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像;
对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。
进一步地,处理器1001可以调用存储器1005中存储的缺陷立体建模程序,还执行以下操作:
基于中值滤波方法对所述检测图像进行去噪处理,得到去噪图像;
对所述去噪图像的整体亮度进行等比例增强处理,得到等比例增强图像;
所述根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像的步骤,包括:
根据所述射线照射角度对所述等比例增强图像进行灰度值校正,得到校正图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷立体建模程序,还执行以下操作:
对所述缺陷立体模型的死角位置进行修正,得到修正缺陷立体模型。
基于上述硬件结构,提出本发明缺陷立体建模方法实施例。
本发明缺陷立体建模方法。
参照图2,图2为本发明缺陷立体建模方法第一实施例的流程示意图。
本发明实施例中,该缺陷立体建模方法应用于缺陷立体建模装置,所述方法包括:
步骤S10,获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;
在本实施例中,为了实现缺陷立体建模的功能,准确的确定缺陷立体的缺陷,实现对缺陷立体快速建模,射线机通过发出射线和接收射线获取检测胶片,再将检测胶片通过电子扫描设备进行数字化处理,得到其电子图像,即为检测图像;缺陷立体建模装置并获取在拍摄检测胶片时的射线机的位姿数据,生成机械臂位姿数据,在获取若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据之后,生成射线检测数据集;在生成了生成射线检测数据集之后,缺陷立体建模装置获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态。其中,检测图像与机械臂位姿数据一一对应。
步骤S20,根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
在本实施例中,缺陷立体建模装置在获取了若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据之后,根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
步骤S20根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型之后,可以包括:
步骤a,对所述缺陷立体模型的死角位置进行修正,得到修正缺陷立体模型。
在本实施例中,为了弥补逆向投影中无法得到具体结构信息的两处“死角”位置处的结构信息,缺陷立体建模装置在得到了缺陷立体模型之后,对所述缺陷立体模型的死角位置进行修正,得到修正缺陷立体模型(如图3所示)。在图像识别最后一步,以缺陷边缘轮廓线为起点,可以完成缺陷图像等厚线的绘制。理论上,同一条等厚线意味着在检测方向上该处的缺陷宽度相同。但在实际中,很难建立起图像灰度与缺陷厚度之间精确的对应关系,该等厚线只能作为定性的参考。但通过对不同角度多张检测图像等厚线的总和综合分析,可以对上述“死角”位置,及模型其他部分细节进行一定程度的修正,从而得到更为精确的缺陷立体模型。
本实施例通过上述方案,获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。由此,实现了缺陷立体建模的功能,准确的确定了缺陷立体的缺陷,实现了对缺陷立体快速建模。
进一步地,参照图4,图4为本发明缺陷立体建模方法第二实施例的流程示意图。基于上述图2所示的实施例,步骤S20根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型,可以包括:
步骤S21,根据所述机械臂位姿数据得到射线照射角度,所述涉嫌照射角度为射线机照射所述缺陷立体的角度;
在本实施例中,缺陷立体建模装置在获取了若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据之后,根据所述机械臂位姿数据得到射线照射角度,所述射线照射角度为射线机照射所述缺陷立体的角度。其中,射线照射角度也即是射线机拍摄所述缺陷立体的角度。
步骤S22,对所述检测图像进行图像识别,得到缺陷平面图;
在本实施例中,缺陷立体建模装置在得到了射线照射角度之后,对所述检测图像进行图像识别,得到缺陷平面图。
步骤S23,根据所述射线照射角度对所述缺陷平面图进行逆向建模投影,得到缺陷立体模型。
在本实施例中,缺陷立体建模装置在得到了缺陷平面图之后,根据所述射线照射角度对所述缺陷平面图进行逆向建模投影(如图5所示),得到缺陷立体模型。以所有检测方向所得缺陷边缘轮廓线为基准,沿与检测方向相反的方向做柱状拉伸,即进行逆向投影。将所有柱状拉伸进行并集运算,即可得到粗略的缺陷立体模型(如图6所示)。根据缺陷结构特点,合理选择检测角度,可以利用尽可能少的检测次数得到尽可能精确的缺陷立体模型。缺陷边缘的显著特征是其两侧的像素灰度值变化剧烈,通过像素灰度值变化识别缺陷边缘,通过求解相邻像素的一阶导数来判断其是否是边缘点。在一幅图像中的均匀区域,相邻像素间的灰度值应相差不大,边缘强度较弱,一阶导数趋于0;当处在边缘位置,相邻像素的灰度值有显著不同,目标边缘的强度大,一阶导数较大,当梯度大于一个阈值时,即为边缘点。沿边缘点一阶导数最大方向的垂直方向寻找其相邻边缘点,并将其依次连接,即可得到缺陷边缘。具体边缘识别用Canny边缘检测算法来进行检测。
以所有检测方向所得缺陷边缘轮廓线为基准,沿与检测方向相反的方向做柱状拉伸,进行逆向建模投影。之后对所有柱状拉伸进行并集运算,最终获取三维重构后缺陷的立体模型。
计算方法如下:
成像***有三个坐标***,分别为以旋转中心D为原点的***坐标***XYZ,以投影图像中心为原点的投影坐标***XYZ,以体数据模型中的某一固定点作为原点的体数据坐标***IJK。投影坐标***表示的是X射线图像平面,体数据***代表的是体数据模型坐标,这两个坐标***的单位分别为像素和体素,***坐标的单位采用实际物理距离,单位为毫米,坐标原点位于旋转中心D。按照如下格式分别定义某一点在三个坐标***的坐标表达式:
***坐标:S=[x,y,z,1]T
体数据坐标:V=[i,j,k,1]T
投影图像坐标:P=[u,v,1]T
三维物体数据可以用Nx×Ny×Nz个小立方体离散化表示,每个立方体对应的表示一个体素,第n个体素的体素值表示为fn,整个的提数据可以用向量表示;同理,投影数据p可以用Nu×Nv,个小方格离散化表示,每个方格代表一个像素,整个的投影数据可以用向量表示,如图7所示。
一个像素的像素值pj是与该像素相关若干条射线经过射线路径上不同的体素对其影响的总和,其中第i个体素fi对像素pj的影响权重为Aji,表示为:
pj=Ajifi
Aji表示了投影矩阵中每一个对应的值,因此投影矩阵A可以表示为:
其中J=Nu×Nv I=Nx×Ny×Nz,矩阵A表示出投影图像与提数据见的映射关系。迭代重建算法步骤可以大致如下:
1)设定某一个体素初值f0;
3)算实际投影值pi,和理论投影值的比值为pi/pμi;
5)对当前投影方向下所有的体素点重复步骤(2)-(4),完成该投影方向下待重建体素的修正。对其余的所有的投影方向,重复步骤(2)-(5)。直到所有的投影方向完成对待重建图像的修正,即完成一次迭代过程。
重建体数据区域f的更新过程的表达式如下公式所示:
式中,i表示射线序号,k表示迭代次数,对j的求和是投影运算,而对i的求和则是反投影运算,该迭代重建算法就是用比值的方式来表示投影数据pi与当前估计的提数据所做的投影运算Aif的关系,这个比值再被反投影到体数据空间分母求和式∑iAij是把常数1反投影到体素空间中。这两个反投影的体数据之比就是修正因子,该算法中用来更新当前的图像。
本实施例通过上述方案,根据所述机械臂位姿数据得到射线照射角度,所述射线照射角度为射线机照射所述缺陷立体的角度;对所述检测图像进行图像识别,得到缺陷平面图;根据所述射线照射角度对所述缺陷平面图进行逆向建模投影,得到缺陷立体模型。由此,实现了缺陷立体建模的功能,准确的确定了缺陷立体的缺陷,实现了对缺陷立体快速建模。
进一步地,参照图8,图8为本发明缺陷立体建模方法第二实施例的流程示意图。基于上述图4所示的实施例,步骤S22对所述检测图像进行图像识别,得到缺陷平面图,可以包括:
步骤S221,根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像;
在本实施例中,缺陷立体建模装置在得到了射线照射角度之后,根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像。
步骤S221根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像之前,可以包括:
步骤b1基于中值滤波方法对所述检测图像进行去噪处理,得到去噪图像;
在本实施例中,缺陷立体建模装置在得到校正图像之前,基于中值滤波方法对所述检测图像进行去噪处理,得到去噪图像。不论是由电子成像板所得到的缺陷电子图像,或者缺陷胶片经扫描后得到的电子图像,由于包含有大量的背景噪音,因此必须首先对其进行去燥处理。从噪声形成过程分析和实际图像观察,噪声多为分散性的白点或黑点的颗粒噪声。去燥处理的目的在于滤除干扰,突出目标特征。对去燥处理的要求有两条,一是使图像清晰,二是不破坏图像中的轮廓和边缘等有用信息。去燥处理有多种不同算法可供选择,最简单的方法是采用中值滤波,即用检测图像某一像素周边一定区域内像素的灰度平均值作为该像素的灰度值。中值滤波,可以较好地去除随机噪声和脉冲噪声,同时保护图像边缘,同时其算法简单,处理速度快。
步骤b2对所述去噪图像的整体亮度进行等比例增强处理,得到等比例增强图像;
在本实施例中,缺陷立体建模装置在得到了去噪图像之后,对所述去噪图像的整体亮度进行等比例增强处理,得到等比例增强图像。部分射线图像由于整体亮度不够引发对比区不理想,因此需要对其进行增强处理。但由于检测图像不同区域的灰度值隐含着该区域的厚度信息,因此在进行增强处理时,需对图像各种进行等比例处理,在增加对比度的同时,不破坏不同区域之间的厚度比例关系。
步骤S221根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像,可以包括:
步骤c,根据所述射线照射角度对所述等比例增强图像进行灰度值校正,得到校正图像。
在本实施例中,缺陷立体建模装置在得到了等比例增强图像之后,根据所述射线照射角度对所述等比例增强图像进行灰度值校正,得到校正图像。由于从不同角度进行射线检测,射线所经过罐壁的厚度不同,其所经路径的长度与检测角ɑ(即射线与罐壁夹角)的正弦值成反比。在第3阶段模型修正中,由于需要利用检测图像灰度值与缺陷厚度之间的对应关系对缺陷立体模型进行修正,因此需要对不同检测角度下的图像灰度值进行校正,以排除此方面的影响。
步骤S222,基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像;
在本实施例中,缺陷立体建模装置在得到了校正图像之后,基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像。缺陷边缘的识别是后续第2阶段逆向投影的基础。缺陷边缘的显著特征是其两侧的像素灰度值变化剧烈,因此,可以通过求解相邻像素的一阶导数来判断其是否是边缘点。在一幅图像中的均匀区域,相邻像素间的灰度值应相差不大,边缘强度较弱,一阶导数趋于0;当处在边缘位置,相邻像素的灰度值有显著不同,目标边缘的强度大,一阶导数较大,当梯度大于一个阈值时,即为边缘点。沿边缘点一阶导数最大方向的垂直方向寻找其相邻边缘点,并将其依次连接,即可得到缺陷边缘。
步骤S223,对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。
在本实施例中,缺陷立体建模装置在得到了缺陷边缘图像之后,对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。从各边缘点出发,以一定的灰度值差为间隔,沿该边缘点的一阶导数最大方向(即切线方向)寻找到一系列灰度值相等的点,并将其依次连接,即可得到一条缺陷等厚线。以该等厚线为出发点,继续以一定的灰度值差为间隔,沿其一阶导数最大方向寻找,得到下一条缺陷等厚线。以此类推,得到缺陷的等厚线图。理论上,同一条等厚线意味着在检测方向上该处的缺陷宽度相同。
本实施例通过上述方案,根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像;基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像;对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。由此,实现了缺陷立体建模的功能,准确的确定了缺陷立体的缺陷,实现了对缺陷立体快速建模。
本发明还提供一种缺陷立体建模装置。
本发明缺陷立体建模装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷立体建模程序,所述缺陷立体建模程序被所述处理器执行时实现如上所述的缺陷立体建模方法的步骤。
其中,在所述处理器上运行的缺陷立体建模程序被执行时所实现的方法可参照本发明缺陷立体建模方法各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有缺陷立体建模程序,所述缺陷立体建模程序被处理器执行时实现如上所述的缺陷立体建模方法的步骤。
其中,在所述处理器上运行的缺陷立体建模程序被执行时所实现的方法可参照本发明缺陷立体建模方法各个实施例,此处不再赘述。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种缺陷立体建模方法,其特征在于:所述缺陷立体建模方法包括如下步骤:
获取射线检测数据集,所述射线检测数据集包括若干个检测图像和若干个与所述检测图像对应的机械臂位姿数据,其中,机械臂位姿数据为拍摄所述缺陷立体得到检测图像时放置射线机的机械臂的位置和姿态;
根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型。
2.根据权利要求1所述的缺陷立体建模方法,其特征在于,所述根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型的步骤,包括:
根据所述机械臂位姿数据得到射线照射角度,所述射线照射角度为射线机照射所述缺陷立体的角度;
对所述检测图像进行图像识别,得到缺陷平面图;
根据所述射线照射角度对所述缺陷平面图进行逆向建模投影,得到缺陷立体模型。
3.根据权利要求2所述的缺陷立体建模方法,其特征在于,所述对所述检测图像进行图像识别,得到缺陷平面图的步骤,包括:
根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像;
基于边缘检测算法对所述校正图像进行缺陷边缘识别,得到缺陷边缘图像;
对所述缺陷边缘图像进行等厚线绘制,得到缺陷平面图。
4.根据权利要求2所述的缺陷立体建模方法,其特征在于,所述根据所述射线照射校对所述检测图像进行灰度值校正,得到校正图像的步骤之前,包括:
基于中值滤波方法对所述检测图像进行去噪处理,得到去噪图像;
对所述去噪图像的整体亮度进行等比例增强处理,得到等比例增强图像;
所述根据所述射线照射角度对所述检测图像进行灰度值校正,得到校正图像的步骤,包括:
根据所述射线照射角度对所述等比例增强图像进行灰度值校正,得到校正图像。
5.根据权利要求1至4中任一项所述的缺陷立体建模方法,其特征在于,所述根据所述检测图像和所述机械臂位姿数据进行缺陷立体逆向投影,得到缺陷立体模型的步骤之后,包括:
对所述缺陷立体模型的死角位置进行修正,得到修正缺陷立体模型。
6.一种缺陷立体建模装置,其特征在于,所述装置包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的缺陷立体建模程序,所述缺陷立体建模程序被所述处理器执行时实现如权利要求1至5中任一项所述的缺陷立体建模方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有缺陷立体建模程序,所述XX程序被处理器执行时实现如权利要求1至5中任一项所述的缺陷立体建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875909.1A CN113570708A (zh) | 2021-07-30 | 2021-07-30 | 缺陷立体建模方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875909.1A CN113570708A (zh) | 2021-07-30 | 2021-07-30 | 缺陷立体建模方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570708A true CN113570708A (zh) | 2021-10-29 |
Family
ID=78169758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875909.1A Pending CN113570708A (zh) | 2021-07-30 | 2021-07-30 | 缺陷立体建模方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570708A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936958A (zh) * | 2005-09-19 | 2007-03-28 | 西门子公司 | 用于从二维投影图像中重建三维图像体积的方法和装置 |
DE102010020375A1 (de) * | 2010-05-12 | 2011-11-17 | Siemens Aktiengesellschaft | Verfahren zum Erhalten einer 3D-Rekonstruktion eines Objekts |
CN103325141A (zh) * | 2012-03-23 | 2013-09-25 | 上海理工大学 | 基于非等中心c形臂2d投影图像的3d模型构建方法 |
CN103519833A (zh) * | 2013-06-05 | 2014-01-22 | 东南大学 | 一种旋转c型臂x射线机的三维校正重建方法 |
CN106488744A (zh) * | 2014-07-28 | 2017-03-08 | 株式会社日立制作所 | X射线拍摄装置以及图像重建方法 |
CN107561085A (zh) * | 2017-08-28 | 2018-01-09 | 武汉大学 | 一种大型水电站百米级引水竖井健康检测装备及方法 |
CN107886541A (zh) * | 2017-11-13 | 2018-04-06 | 天津市勘察院 | 基于反向投影法的单目运动目标位姿实时测量方法 |
CN108717712A (zh) * | 2018-05-29 | 2018-10-30 | 东北大学 | 一种基于地平面假设的视觉惯导slam方法 |
CN108846837A (zh) * | 2018-06-01 | 2018-11-20 | 联想(北京)有限公司 | 物体表面缺陷检测方法和装置 |
CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
CN110009732A (zh) * | 2019-04-11 | 2019-07-12 | 司岚光电科技(苏州)有限公司 | 基于gms特征匹配的面向复杂大尺度场景三维重建方法 |
CN110057847A (zh) * | 2019-05-07 | 2019-07-26 | 北京航空航天大学 | Tr层析扫描投影重排方法及装置 |
CN111127422A (zh) * | 2019-12-19 | 2020-05-08 | 北京旷视科技有限公司 | 图像标注方法、装置、***及主机 |
CN111184523A (zh) * | 2020-01-17 | 2020-05-22 | 深圳市安健科技股份有限公司 | 基于dr设备的三维图像重建方法及*** |
CN111344554A (zh) * | 2018-12-26 | 2020-06-26 | 合刃科技(深圳)有限公司 | 外观缺陷检测方法及装置 |
-
2021
- 2021-07-30 CN CN202110875909.1A patent/CN113570708A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936958A (zh) * | 2005-09-19 | 2007-03-28 | 西门子公司 | 用于从二维投影图像中重建三维图像体积的方法和装置 |
DE102010020375A1 (de) * | 2010-05-12 | 2011-11-17 | Siemens Aktiengesellschaft | Verfahren zum Erhalten einer 3D-Rekonstruktion eines Objekts |
CN103325141A (zh) * | 2012-03-23 | 2013-09-25 | 上海理工大学 | 基于非等中心c形臂2d投影图像的3d模型构建方法 |
CN103519833A (zh) * | 2013-06-05 | 2014-01-22 | 东南大学 | 一种旋转c型臂x射线机的三维校正重建方法 |
CN106488744A (zh) * | 2014-07-28 | 2017-03-08 | 株式会社日立制作所 | X射线拍摄装置以及图像重建方法 |
CN107561085A (zh) * | 2017-08-28 | 2018-01-09 | 武汉大学 | 一种大型水电站百米级引水竖井健康检测装备及方法 |
CN107886541A (zh) * | 2017-11-13 | 2018-04-06 | 天津市勘察院 | 基于反向投影法的单目运动目标位姿实时测量方法 |
CN108717712A (zh) * | 2018-05-29 | 2018-10-30 | 东北大学 | 一种基于地平面假设的视觉惯导slam方法 |
CN108846837A (zh) * | 2018-06-01 | 2018-11-20 | 联想(北京)有限公司 | 物体表面缺陷检测方法和装置 |
CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
CN111344554A (zh) * | 2018-12-26 | 2020-06-26 | 合刃科技(深圳)有限公司 | 外观缺陷检测方法及装置 |
CN110009732A (zh) * | 2019-04-11 | 2019-07-12 | 司岚光电科技(苏州)有限公司 | 基于gms特征匹配的面向复杂大尺度场景三维重建方法 |
CN110057847A (zh) * | 2019-05-07 | 2019-07-26 | 北京航空航天大学 | Tr层析扫描投影重排方法及装置 |
CN111127422A (zh) * | 2019-12-19 | 2020-05-08 | 北京旷视科技有限公司 | 图像标注方法、装置、***及主机 |
CN111184523A (zh) * | 2020-01-17 | 2020-05-22 | 深圳市安健科技股份有限公司 | 基于dr设备的三维图像重建方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118542B (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
US11763568B2 (en) | Ground plane estimation in a computer vision system | |
CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
US20230263463A1 (en) | Osteoporosis diagnostic support apparatus | |
EP2538242B1 (en) | Depth measurement quality enhancement. | |
US20140168367A1 (en) | Calibrating visual sensors using homography operators | |
US20120027288A1 (en) | Methods, Systems and Apparatus for Defect Detection | |
CN109087325B (zh) | 一种基于单目视觉的直接法点云三维重建及尺度确定方法 | |
CN109472820B (zh) | 单目rgb-d相机实时人脸重建方法及装置 | |
RU2766420C2 (ru) | Устройство и способ для анализа повреждений | |
JP2012042396A (ja) | 位置姿勢計測装置、位置姿勢計測方法、およびプログラム | |
US20150287189A1 (en) | Image processor, treatment system, and image processing method | |
US20160335523A1 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110926330A (zh) | 图像处理装置和图像处理方法 | |
CN112102375B (zh) | 一种点云配准可靠性检测的方法、装置、移动智慧设备 | |
CN106062824A (zh) | 边缘检测装置、边缘检测方法和程序 | |
JP2023534175A (ja) | Lfa試験片のニューラル・ネットワーク分析 | |
JP2021056017A (ja) | 合成処理装置、合成処理システム及び合成処理方法 | |
CN114494076A (zh) | 一种几何校正方法、图像重建方法及装置 | |
CN110298797B (zh) | 一种基于卷积神经网络的毫米波图像处理方法 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** | |
CN113570708A (zh) | 缺陷立体建模方法、装置及计算机可读存储介质 | |
CN108876704A (zh) | 人脸图像变形的方法、装置及计算机存储介质 | |
CN111507974A (zh) | 缺陷检测方法、装置、缺陷检测设备及计算机存储介质 |
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 |