CN114037691A - 一种基于图像处理的碳纤维板裂纹检测方法 - Google Patents
一种基于图像处理的碳纤维板裂纹检测方法 Download PDFInfo
- Publication number
- CN114037691A CN114037691A CN202111345622.4A CN202111345622A CN114037691A CN 114037691 A CN114037691 A CN 114037691A CN 202111345622 A CN202111345622 A CN 202111345622A CN 114037691 A CN114037691 A CN 114037691A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- carbon fiber
- steps
- fiber plate
- 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
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 21
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的碳纤维板裂纹检测方法,包括主体采用迭代法求阈值将图像二值化,通过形态学区域检查识别裂纹,首先,由于图像的尺寸过大,无法精准的识别裂纹,先对图像进行滑动窗口剪裁,逐一检测识别,其次,将剪裁后的图片进行灰度化处理、高斯滤波处理,然后,利用迭代法求阈值将图像二值化,便于确定含有裂纹的区域。最后,利用形态学知识识别、判断裂纹区域,有效的识别出了大尺寸图像中含有裂纹的区域,解决了一般裂缝识别技术对大尺寸图像识别效果差的问题。
Description
技术领域
本发明涉及数字图像处理领域,具体涉及到一种基于图像处理的碳纤维板裂纹检测方法。
背景技术
碳纤维板作为一种新型的预应力材料,在桥梁的加固、混凝土、墙体以及桥墩等加固补强具有很重要的作用,不同的碳纤维板材料的实际抗拉强度也有所差别,因此需要对碳纤维板材料进行抗拉强度测试,通过对测试后碳纤维板的图像采集,裂纹、缺陷识别,进一步确定材料的抗拉强度。
发明内容
为了克服上述现有技术中的缺陷,本发明提供了一种基于图像处理的碳纤维板裂纹检测方法,大尺寸识别效果更精准,处理中计算复杂度大大简化,形态学区域特征提取进一步缺点裂纹区域。
技术方案
一种基于图像处理的碳纤维板裂纹检测方法,包括以下步骤:
(1)输入图像,建立滑动窗口定向剪裁图像,并标号处理;
(2)将裁剪下的图像采用加权平均值计算灰度图像的方式对裂缝图像进行灰度化;
(3)采用高斯滤波器对灰度图像进行平滑处理;
(4)画出灰度直方图,并采用直方图均衡化来增强高斯滤波图像的整体对比度;
(5)通过自定义和迭代优化算法相结合的方法确定分割阈值来分割目标和背景;
(6)采用二值图像滤波连通区域,去除小面积杂点噪声;
(7)根据形态学区域特征获取裂缝目标并进行检测识别。
进一步的,所述剪裁采用创建窗口、滑动剪裁的方法,将大尺寸图像转化为小尺寸图像,快速高效的完成图像中裂纹的识别。
进一步的,所述灰度化采用加权平均的方法,具体操作如下:
对于RGB三通道的彩色图像,将红、绿、蓝三种颜色按照0.299:0.587:0.114的比例将三个通道的灰度值进行组合,得到的值作为原图的灰度值。
进一步的,所述平滑处理采用高斯滤波的方法,具体操作如下:
建立一个5×5的卷积核模板,在图像中移动模板,将卷积核的中心与所述图像中的每个像素依次对准,然后对应元素相乘后相加,没有元素的地方补0,计算得出的数值作为模板中心对应的像素。
进一步的,所述采用直方图均衡化来增强高斯滤波图像的整体对比度,具体操作如下:将所述高斯滤波图像的直方图变换为均匀分布的的形式,增加像素之间的灰度值差别的动态范围,即对图像中像素个数多的灰度值进行展宽,而对像素个数少的灰度值进行归并,从而增强高斯滤波图像整体对比度。
进一步的,所述自定义和迭代优化算法相结合的方法的具体步骤如下:
(2)分割,根据阈值T对图像进行分割,得到两个像素集合分别为G1={f(x,y)≥T},G2={f(x,y)≤T};
(3)均值,计算像素集合G1和G2的灰度平均值u1和u2:
进一步的,所述二值图像滤波采取连通区域的面积滤波方法,对图像中的连通区域进行标记、排序,通过去除小面积的连通区域杂点噪声进行滤波去噪。
进一步的,所述形态学区域特征获取裂缝目标,通过计算图像中裂纹的外接矩形的长宽比赖对裂纹进行形状识别。
有益效果
本发明与现有技术相比,具有以下有益效果:大尺寸识别效果更精准,处理中计算复杂度大大简化,形态学区域特征提取进一步缺点裂纹区域,图像的采取容易受到光照、大气、机械振动等因素的影响,导致裂缝图像可能存在整体偏亮或者偏暗的情况,目标与背景对比度较低,通过直方图均衡化对图像进行对比度调整,从而增强图像视觉效果,零件图像在收集或者传输过程中受到设备与传输介质等原因干扰而产生噪声,为了减少噪声对裂缝目标的检测和识别产生影响,采用高斯滤波对图像进行去噪处理,在去噪的同时也能够有效的保存图像的边缘细节信息,有效的识别出了大尺寸图像中含有裂纹的区域,解决了一般裂缝识别技术对大尺寸图像识别效果差的问题。
附图说明
图1是本发明一种基于图像处理的碳纤维板裂纹检测方法中碳纤维板的大尺寸高清图;
图2是图1的局部放大图;
图3是图2中被框选处的原图放大图;
图4是图3的灰度图;
图5是高斯滤波图;
图6是图像增强图;
图7是二值图像;
图8是二值滤波图;
图9是裂纹识别图;
图10是裂纹判断图;
图11是裂纹拼接图;
图12是本发明的实现流程图。
具体实施方式
为更好地说明阐述本发明内容,下面结合附图和实施实例进行展开说明:
有图1-图12所示,本发明公开了一种基于图像处理的碳纤维板裂纹检测方法,具体实现步骤包括:
(1)输入图像,建立滑动窗口定向剪裁图像,并标号处理;
(2)将裁剪下的图像采用加权平均值计算灰度图像的方式对裂缝图像进行灰度化;
(3)采用高斯滤波器对灰度图像进行平滑处理;
(4)画出灰度直方图,并采用直方图均衡化来增强高斯滤波图像的整体对比度;
(5)采用自定义和迭代优化算法相结合的方法确定分割阈值来分割目标与背景;
(6)采用二值图像滤波连通区域,去除小面积杂点噪声;
(7)根据形态学区域特征获取裂缝目标并进行检测识别。
进一步的,所述剪裁采用创建窗口、滑动剪裁的方法,将大尺寸图像转化为小尺寸图像,快速高效的完成图像中裂纹的识别。
进一步的,所述灰度化采用加权平均的方法,具体操作如下:
对于RGB三通道的彩色图像,将红、绿、蓝三种颜色按照0.299:0.587:0.114的比例将三个通道的灰度值进行组合,得到的值作为原图的灰度值,由于人眼对三种颜色的敏感程度不同,按照此比例组合能得到更为合理的灰度图。
进一步的,所述平滑处理采用高斯滤波的方法,具体操作如下:
建立一个5×5的卷积核模板,在图像中移动模板,将卷积核的中心与所述图像中的每个像素依次对准,然后对应元素相乘后相加,没有元素的地方补0,计算得出的数值作为模板中心对应的像素,进行高斯滤波能有效去除高斯噪声并且可以有效地保护图像的边缘细节信息。
进一步的,所述采用直方图均衡化来增强高斯滤波图像的整体对比度,具体操作如下:将所述高斯滤波图像的直方图变换为均匀分布的的形式,增加像素之间的灰度值差别的动态范围,即对图像中像素个数多的灰度值进行展宽,而对像素个数少的灰度值进行归并,从而增强高斯滤波图像整体对比度。
进一步的,所述自定义和迭代优化算法相结合的方法具有一定的自适应性,可以快速的求出分割的最佳阈值,分离物体的目标与背景,具体步骤如下:
(2)分割,根据阈值T对图像进行分割,得到两个像素集合分别为G1={f(x,y)≥T},G2={f(x,y)≤T};
(3)均值,计算像素集合G1和G2的灰度平均值u1和u2:
进一步的,所述二值图像滤波采取连通区域的面积滤波方法,对图像中的连通区域进行标记、排序,通过去除小面积的连通区域杂点噪声进行滤波去噪。
进一步的,所述形态学区域特征获取裂缝目标,通过计算图像中裂纹的外接矩形的长宽比赖对裂纹进行形状识别。
具体地,输入图像并建立固定小尺寸窗口,对原始大尺寸图片进行滑动剪裁,并进行标号,得到一系列的小尺寸的剪裁图像;
将剪裁后的图片通过加权平均的方法进行灰度化处理,得到灰度图,再建立高斯滤波器,对灰度图像进行高斯平滑滤波处理,为增强目标和背景的对比度,对高斯滤波图像进行增强得到图像增强图;
利用自定义阈值和迭代优化的算法确定分割阈值,将高斯滤波增强图转化为二值图像;
最后,利用形态学区域检测,通过连通区域的面积滤波去除小面积的杂点噪声,通过图像中的裂纹的外界矩形的长宽比特征来对裂纹进行形状识别。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明技术方案进行了详细的说明,本领域的技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。
Claims (8)
1.一种基于图像处理的碳纤维板裂纹检测方法,其特征在于,包括如下步骤:
步骤一,输入图像,建立滑动窗口定向剪裁图像,并标号处理;
步骤二,将裁剪下的图像采用加权平均值计算灰度图像的方式对裂缝图像进行灰度化;
步骤三,采用高斯滤波器对灰度图像进行平滑处理;
步骤四,画出灰度直方图,并采用直方图均衡化来增强高斯滤波图像的整体对比度;
步骤五,采用自定义和迭代优化算法相结合的方法确定分割阈值来分割目标与背景;
步骤六,采用二值图像滤波连通区域,去除小面积杂点噪声;
步骤七,根据形态学区域特征获取裂缝目标并进行检测识别。
2.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述剪裁采用创建窗口、滑动剪裁的方法,将大尺寸图像转化为小尺寸图像,快速高效的完成图像中裂纹的识别。
3.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述灰度化采用加权平均的方法的具体操作如下,根据人眼对红、绿、蓝三种颜色的敏感性程度不同,将RGB图像的三通道分量分别以0.299、0.587、0.114的权值进行加权平均,得到更为合理的灰度图像。
4.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述平滑处理采用高斯滤波的方法的具体操作如下,建立一个5×5的卷积核模板,在图像中移动模板,将卷积核的中心与所述图像中的每个像素依次对准,然后对应元素相乘后相加,没有元素的地方补0,计算得出的数值作为模板中心对应的像素。
5.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述采用直方图均衡化来增强高斯滤波图像的整体对比度,具体操作如下,将所述高斯滤波图像的直方图变换为均匀分布的的形式,增加像素之间的灰度值差别的动态范围,即对图像中像素个数多的灰度值进行展宽,而对像素个数少的灰度值进行归并,从而增强高斯滤波图像整体对比度。
7.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述二值图像滤波采取连通区域的面积滤波方法,对图像中的连通区域进行标记、排序,通过去除小面积的连通区域杂点噪声进行滤波去噪。
8.根据权利要求1所述的一种基于图像处理的碳纤维板裂纹检测方法,其特征在于:所述形态学区域特征获取裂缝目标,通过计算图像中裂纹的外接矩形的长宽比赖对裂纹进行形状识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345622.4A CN114037691A (zh) | 2021-11-15 | 2021-11-15 | 一种基于图像处理的碳纤维板裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345622.4A CN114037691A (zh) | 2021-11-15 | 2021-11-15 | 一种基于图像处理的碳纤维板裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037691A true CN114037691A (zh) | 2022-02-11 |
Family
ID=80144270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345622.4A Pending CN114037691A (zh) | 2021-11-15 | 2021-11-15 | 一种基于图像处理的碳纤维板裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037691A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187368A (zh) * | 2022-02-17 | 2022-03-15 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
-
2021
- 2021-11-15 CN CN202111345622.4A patent/CN114037691A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187368A (zh) * | 2022-02-17 | 2022-03-15 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN114187368B (zh) * | 2022-02-17 | 2022-05-06 | 深圳艾灵网络有限公司 | 建筑板材的暗纹检测方法、装置、电子设备及存储介质 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117152187B (zh) * | 2023-10-30 | 2024-01-26 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN105447489B (zh) | 一种图片ocr识别***的字符与背景粘连噪声消除方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN105701491A (zh) | 固定格式文档图像模版的制作方法及其应用 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、***及电子设备 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测*** | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及*** | |
CN115661110A (zh) | 一种透明工件识别与定位的方法 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 |
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 |