CN114037705B - 一种基于贝纹线的金属断裂疲劳源检测方法与*** - Google Patents

一种基于贝纹线的金属断裂疲劳源检测方法与*** Download PDF

Info

Publication number
CN114037705B
CN114037705B CN202210024107.4A CN202210024107A CN114037705B CN 114037705 B CN114037705 B CN 114037705B CN 202210024107 A CN202210024107 A CN 202210024107A CN 114037705 B CN114037705 B CN 114037705B
Authority
CN
China
Prior art keywords
fatigue
area
region
fracture
pixel
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
Application number
CN202210024107.4A
Other languages
English (en)
Other versions
CN114037705A (zh
Inventor
保柳柳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Gaoya Steel Structure Co ltd
Original Assignee
Nantong Gaoya Steel Structure Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Gaoya Steel Structure Co ltd filed Critical Nantong Gaoya Steel Structure Co ltd
Priority to CN202210024107.4A priority Critical patent/CN114037705B/zh
Publication of CN114037705A publication Critical patent/CN114037705A/zh
Application granted granted Critical
Publication of CN114037705B publication Critical patent/CN114037705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/20—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]
    • 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30241—Trajectory

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)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及图像处理领域，具体涉及根据图像检测金属疲劳源位置的方法与***。包括：提取出零件断口区域及中心点；对提取的零件断口区域图像进行处理，以中心点为原点建立中心坐标系；计算区域中心点各方向上的像素值的变化情况，得到像素值变化的脉冲图，根据脉冲曲线波形图计算周边密集度序列的均方差值，对零件断口区域的区域类型进行划分，确定疲劳扩展区和瞬断区的分界点，拟合分界点得到贝纹线，确定贝纹线的移动轨迹，得到贝纹线与零件边缘最后的相交的位置为疲劳源位置。本发明通过对断口区域内的灰度值波动情况查找断口内的贝纹线，能够更准确的找出贝纹线，可以有效避免由于断口内贝纹线不清晰，对疲劳源检测效果差的情况。

Description

一种基于贝纹线的金属断裂疲劳源检测方法与***
技术领域
本发明涉及图像处理领域，具体涉及一种基于贝纹线的金属断裂疲劳源检测方法与***。
背景技术
零件的断口记录了裂纹的萌生、扩展直到断裂的全过程，通过断口的形态分析，可以得到零件断裂的一些基本问题，如断裂起因、断裂方式以及裂纹扩展趋势等，而找到断口区域的疲劳源位置是整个分析的基础。现有的寻找疲劳源位置的方法多为人工检测，由经验丰富的工人进行检测，或者使用纹理检测的方法对断口内的贝纹线进行分析，以此为依据查找疲劳源位置，但是这种方法对于断口内部存在清晰的贝纹线情况的检测较为有限，对于贝纹线不清晰的情况下，对疲劳源位置的的检测效果较差。
发明内容
为了克服上述现有技术的缺点，本发明提供了一种能够精确地在断口区域内找出贝纹线，通过确定的贝纹线精确地对疲劳源位置进行定位的基于贝纹线的金属断裂疲劳源检测方法与***。
为达到上述目的，本发明采用以下技术方案，一种基于贝纹线的金属断裂疲劳源检测方法与***。
该方法的实现包括以下内容：
S1：提取零件断口区域图像的中心点，对提取的区域图像进行二值化图像处理，并以区域图像的中心点为原点建立坐标系；
S2：以区域图像的中心点为原点，向各方向放射延伸生成射线，根据生成射线上的像素值得到各方向射线对用的像素脉冲曲线图，计算像素脉冲曲线图中每个脉冲的周边密集度，通过像素脉冲曲线图中每个脉冲的周边密集度得到周边密集度序列，利用该周边密集度序列获得周边密集度序列的均方差；
根据周边密集度序列的均方差，对各方向射线经过的区域进行判断；该经过的区域为疲劳扩展区或瞬断区或同时经过疲劳扩展区与瞬断区的共同区域；
对经过共同区域射线上的像素点属于疲劳扩展区或瞬断区进行划分，并根据划分的结果确定出各个方向射线上的分界点；
对得到的各个方向射线上的分界点进行拟合，得到贝纹线；
S3：提取经过共同区域的两条边缘射线，找出这两条射线所成夹角的中位线，得到的中位线即为贝纹线的运动轨迹；
将贝纹线沿运动轨迹向疲劳扩展区的方向平行移动，确定零件断口区域的疲劳源位置。
对区域图像进行二值化处理是对区域图像区域进行锐化增强，对锐化增强后的图像进行二值化处理。
获取个方向射线上像素值的脉冲曲线的周边密集度序列的方法如下：
提取像素脉冲曲线图中各方向射线上的矩形脉冲曲线中波形的起点和终点的横坐标，计算每个脉冲与相邻两脉冲的密集度，得到每个脉冲的周边密集度，计算公式如下：
Figure 196854DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示脉冲的周边密集度；
Figure 538843DEST_PATH_IMAGE004
为脉冲的波形宽度；
Figure DEST_PATH_IMAGE005
为该波形与左侧相邻波形终点的像素距离；
Figure 360213DEST_PATH_IMAGE006
为该波形与右侧相邻波形起点的像素距离；
根据计算得到的该脉冲曲线上的所有脉冲的周边密集度，并将每个脉冲的周边密集度按照脉冲曲线上的脉冲序列进行组合，得到该脉冲曲线的周边密集序列。
对所述各方向射线经过的区域类型划分的步骤如下：
计算脉冲曲线的周边密集序列的均方差值，公式如下：
Figure 208084DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE009
为周边密集度序列的均方差，
Figure 195631DEST_PATH_IMAGE010
为周边密集度序列中的数据，
Figure DEST_PATH_IMAGE011
表示周边密集度序列中数据的位置，
Figure 810152DEST_PATH_IMAGE012
为周边密集度序列中数据的平均数，
Figure DEST_PATH_IMAGE013
为脉冲曲线与
Figure 904272DEST_PATH_IMAGE014
轴的交点个数；
设定脉冲曲线的周边密集序列的均方差阈值，并根据设定的阈值对零件断口区域的区域类型进行划分：
Figure 782098DEST_PATH_IMAGE016
式中：
Figure DEST_PATH_IMAGE017
表示区域标志，
Figure 522521DEST_PATH_IMAGE018
表示各个方向射线与坐标系横轴所成夹角的度数；
Figure DEST_PATH_IMAGE019
表示该方向上中心点向各个方向所作射线经过瞬断区的情况，
Figure 81679DEST_PATH_IMAGE020
表示该方向上中心点向各个方向所作射线经过疲劳扩展区的情况，
Figure DEST_PATH_IMAGE021
表示该方向上中心点向各个方向所作射线经过共同区域的情况。
进一步，确定各方向射线上分界点的方法：
首先提取该方向射线上所有的像素点的周边密集度，分别与周边密集度序列的平均值对比，确定像素点所属区域类型；
然后对该方向射线上的所有像素点进行标记，对属于疲劳扩展区的像素点标记为
Figure 154939DEST_PATH_IMAGE022
，属于瞬断区的像素点标记为
Figure DEST_PATH_IMAGE023
；
然后对比该方向上所有的像素点相邻两侧像素点的标记值，当像素点两侧的像素点标记值不同时，则该像素点为该方向上的分界点。
其中确定疲劳源的位置的方法为：
提取经过共同区域的两条边缘射线，找出两条边缘射线所成夹角的中位线，该中位线即为贝纹线的运动轨迹，将贝纹线沿运动轨迹向疲劳扩展区的方向水平移动，移动至贝纹线与区域图像只有一个像素点相交时，该像素点即为疲劳源位置。
该***包括以下模块：图像处理模块、贝纹线拟合模块与疲劳源确定模块；
图像采集模块，所述图像采集模块用于采集零件断裂的RGB图像信息，提取零件断口区域。
图像处理模块，所述图像处理模块用于对断口区域图像进行锐化处理与二值化处理，为疲劳源位置的确定提供图像细节信息。
贝纹线拟合模块，所述贝纹线拟合模块用于从细节信息中确定瞬断区与疲劳扩展区的区域分界点，然后对所有分界点进行拟合得到贝纹线。
疲劳源确定模块，用于根据拟合出来的贝纹线以及区域类型确定疲劳源的最终位置。
本发明的有益效果是：通过对断口区域内的灰度值波动情况能够更准确的找出贝纹线，可以有效避免由于断口内贝纹线不清晰，导致对疲劳源检测不精确的情况。
1.本发明通过对零件断口区域图像进行锐化增强与二值化处理，突出图像的细节信息，能够更清晰的确定确定零件断口区域中的疲劳扩展区与瞬断区。
2.通过判断的疲劳扩展区与瞬断区，对分界点利用最小二乘法拟合得到的贝纹线更加精确，从而找出贝纹线更精确地运动轨迹，提高了疲劳源位置的精确度。
附图说明
图1是本发明的流程示意图。
图2是本实施例中金属断口示意图。
图3是本实施例中金属断口锐化增强后的示意图。
图4是本实施例中中心坐标系示意图。
图5是本实施例中各方向射线示意图。
图6是本实施例中像素脉冲曲线图。
图7是本实施例中周边密集度示意图。
图8是本发明中的***框图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
本发明的主要目的是利用图像处理技术，根据瞬断区与疲劳扩展区的粗糙程度不同，来寻找贝纹线，并以此来判断不清晰的断口疲劳源位置；
下面结合实施例与图1进行说明：
步骤一：利用包围框从获取的RGB图像中提取出零件断口区域；并对提取出的区域进行锐化增强，建立中心坐标系；
DNN能自动化的实现目标检测，但是涉及准确性的结果时，DNN准确性有限，且标注贝纹线和疲劳源需要专业人员标注，且操作繁琐。而仅仅使用包围框的形式识别断面，标注简单，DNN结果可信赖。
所以只使用DNN检测断面，而不使用它识别更多的其他信息。
本发明使用DNN神经网络，以Encoder-Decoder-Bbox结构对图像中的断口进行目标检测，具体过程如下：
1.网络采用Encoder-Decoder的形式，先对图像进行编码，然后进行解码。网络的输入为图像，输出为包围框中心。
2.网络以检测到目标存在的图像为输入，先进行解码，即使用卷积和池化操作在对图像进行下采样的过程中，提取图像中的空域特征，编码器的输出为提取到的特征向量。
3.解码器的输入为编码器的输出特征向量，解码器经过上采样，回归出图像中目标对应包围框的中心点。解码器的输出为网络的输出。
4.网络的训练所使用的数据集为存在零件断口的图像；
5.图像的标签为零件断口对应的包围框，包括包围框的中心点坐标，其中中心点采用热斑的形式标注在图像中，即标注出处对应的
Figure 672508DEST_PATH_IMAGE024
坐标后，使用高斯核进行模糊处理，得到对应热斑。
6.Loss函数为均方差损失函数；
至此，提取出如图2所示的零件断口区域，获取区域中心点，记为
Figure DEST_PATH_IMAGE025
。
对提取出的区域使用
Figure 837910DEST_PATH_IMAGE026
算子梯度锐化增强，突出断口区域内的细节，再进行二值化，所得结果如图3所示。
其中，瞬断区中的突起位置的灰度梯度变化较大，经过上述操作之后，这些位置转化为白色的像素点；而疲劳扩展区较为光滑，其灰度的梯度变化较小，该区域大多转化为黑色的背景像素点。
对图像进行锐化增强和二值化处理，能够更清晰的得到断口区域图像的细节信息，在分析区域图像中的区域类型时，能够更准确的得到疲劳扩展区与瞬断区的分界点。
以
Figure DEST_PATH_IMAGE027
为原点，水平向右为X轴正方向，竖直向上为Y轴正方向建立中心坐标系，如图4所示。
步骤二：计算区域中心点各个方向上的像素值的变化情况，确定瞬断区与扩展区的边界位置，根据边界位置对边界点进行拟合得到贝纹线；
本实施例通过断面中心点各方向上的像素值的变化情况，来寻找瞬断区与疲劳扩展区的分界点，以此拟合贝纹线。根据瞬断区与疲劳扩展区的相对位置，向疲劳扩展区移动贝纹线，最终与断口边缘相交的位置即为疲劳源的位置，具体过程如下：
a）根据各个方向上的灰度值，得到中心点各个方向的像素脉冲曲线图；
b）计算脉冲周边密集度
Figure 233382DEST_PATH_IMAGE003
，寻找区域分界点；
c）根据得到的所有分界点，对分界点进行拟合，得到贝纹线，并确定疲劳扩展区以及瞬断区的相对位置。
以下内容是对上述过程的展开描述：
对应a)步骤，根据各个方向上的像素值，得到中心点各个方向的像素脉冲曲线图；
1.以中心点
Figure 128525DEST_PATH_IMAGE025
为起点，在绕中心点一周的范围内，每当与X轴正方向所成夹角为1°,2°,…360°,以区域图像的中心点为原点，向各方向放射延伸生成射线，对各方向生成的射线如图5所示；
2.将每条射线得到的各个像素点及其像素值拟合成以从原点出发，以区域图像的中心点为原点，向各方向放射延伸生成射线，根据生成射线上的像素值得到各方向射线对用的像素脉冲曲线图.
由于步骤一对数据的处理中将提取出的断口区域进行了二值化，所以区域中的像素点的像素值只有黑，白两种情况，即在某个方向上，从中心点出发，随着像素个数的增多，像素值在0和255两个值之间进行跳变，呈矩形脉冲曲线状，如图6所示；
其中，像素值为255对应的像素点为锐化后图像中的白色像素点，像素值为0对应的像素点为背景像素点。
对应b)步骤，计算两个相邻波形区间中点范围内的背景像素所占比例，判断像素点所处区域类型，寻找区域分界点；
逻辑层次：瞬断区存在的白色像素点多而密集，因此瞬断区内的波形的宽度较大而且波形之间的距离较小，具体表现为脉冲的周边密集度较大，即脉冲的宽度与相邻的两个脉冲之间的距离之比的值较大；疲劳扩展区存在的白色像素点少而稀疏，所以疲劳扩展区的波形宽度较小而且波形之间的距离较大，具体表现为脉冲的周边密集度较小，即脉冲的宽度与相邻的两个脉冲之间的距离之比的值较小；经过共同区域（即同时经过疲劳扩展区与瞬断区的区域）的方向射线上的曲线，其波形间距表现为先稀疏后密集，或先密集后稀疏；
该部分的具体步骤如下：
1.分别记录a）步骤中所得各个方向射线上的像素值脉冲曲线波形的起点和终点的横坐标，得到为
Figure 285837DEST_PATH_IMAGE028
的像素脉冲曲线的脉冲序列，其中
Figure DEST_PATH_IMAGE029
为整数且
Figure 735273DEST_PATH_IMAGE029
的取值为
Figure 573916DEST_PATH_IMAGE030
，（共
Figure DEST_PATH_IMAGE031
个波形），如图7所示。
2.计算脉冲的周边密集度
Figure 293873DEST_PATH_IMAGE003
，设待计算的波形的起点和终点横坐标为
Figure 887665DEST_PATH_IMAGE032
，则其左右两侧的波形的起点和终点横坐标分别为
Figure DEST_PATH_IMAGE033
，计算公式如下：
Figure 558818DEST_PATH_IMAGE002
如图7所示，其中
Figure 591365DEST_PATH_IMAGE004
为波形宽度，即
Figure 70888DEST_PATH_IMAGE034
；
Figure 133784DEST_PATH_IMAGE005
为该波形与左侧相邻波形终点的像素距离，即
Figure DEST_PATH_IMAGE035
；
Figure 495495DEST_PATH_IMAGE006
为该波形与右侧相邻波形起点的像素距离，即
Figure 66154DEST_PATH_IMAGE036
；
需要注意的是，当该波形为第一个波形，即
Figure DEST_PATH_IMAGE037
时，
Figure 993658DEST_PATH_IMAGE038
；当该波形为最后一个波形，即
Figure DEST_PATH_IMAGE039
时，
Figure 899560DEST_PATH_IMAGE040
；
对得到的所有周边密集度进行按照脉冲曲线中脉冲的顺序进行排列，整合得到该脉冲曲线的周边密集度序列：
Figure DEST_PATH_IMAGE041
；
通过对各方向射线上的脉冲曲线计算每个脉冲的周边密集度，能够更清晰的反映出该方向射线上像素点灰度的变化情况，能够更加精确地确定该方向射线上的分界点。
3.通过计算得到周边密集度序列的均方差
Figure 545305DEST_PATH_IMAGE009
来判断该方向上的脉冲周边密集度的一致性，从而对零件断口区域的区域进行划分；
周边密集度序列的均方差的计算公式：
Figure 388496DEST_PATH_IMAGE042
式中：
Figure 108190DEST_PATH_IMAGE009
为周边密集度序列的均方差，
Figure 214687DEST_PATH_IMAGE010
为周边密集度序列中的数据，
Figure 380351DEST_PATH_IMAGE011
表示周边密集度序列中数据的位置，
Figure 902599DEST_PATH_IMAGE012
为周边密集度序列中数据的平均数，
Figure 335854DEST_PATH_IMAGE013
为脉冲曲线与
Figure 550935DEST_PATH_IMAGE014
轴的交点个数。
根据先验知识，当某个方向上的像素点均位于瞬断区或者疲劳扩展区时，其
Figure 436852DEST_PATH_IMAGE003
的大小变化程度较小，故而所得均方差较小；当该方向上的像素点经过瞬断区与疲劳扩展区时，其
Figure 762791DEST_PATH_IMAGE003
在整个区域内存在较大的变化，故而所得均方差较大，由此可对区域类型进行区分。
设置周边密集度序列的均方差阈值，经验值为0.3；设置各个方向的区域标志
Figure DEST_PATH_IMAGE043
，判断标准如下：
Figure DEST_PATH_IMAGE045
式中：
Figure 829315DEST_PATH_IMAGE017
表示区域标志，
Figure 74352DEST_PATH_IMAGE018
表示各个方向的角度。
Figure 588510DEST_PATH_IMAGE019
表示该方向上中心点向各个方向所作射线经过瞬断区的情况，
Figure 577194DEST_PATH_IMAGE020
表示该方向上中心点向各个方向所作射线经过疲劳扩展区的情况，
Figure 860408DEST_PATH_IMAGE021
表示该方向上中心点向各个方向所作射线共同区域的情况。
4.确定各方向射线上的分界点：
针对
Figure 541925DEST_PATH_IMAGE021
的情况，对
Figure 277800DEST_PATH_IMAGE003
序列内的所有脉冲周边密集度分别与
Figure 571640DEST_PATH_IMAGE003
序列中的数据的平均值进行比较，将
Figure 771678DEST_PATH_IMAGE046
的像素点认为该波形位于疲劳扩展区内，令该波形的起点和终点的标志
Figure 499462DEST_PATH_IMAGE022
；将
Figure DEST_PATH_IMAGE047
的像素点认为该波形位于瞬断区内，令该波形的起点和终点的标志
Figure 316109DEST_PATH_IMAGE023
；所有波形判断结束后，遍历脉冲序列，比较像素点
Figure 646596DEST_PATH_IMAGE048
两侧像素点的标志
Figure DEST_PATH_IMAGE049
，即
Figure 733763DEST_PATH_IMAGE050
与
Figure DEST_PATH_IMAGE051
，当二者不同（异或值为1）时，分界点即为该方向上的到中心点的第
Figure 491503DEST_PATH_IMAGE052
个像素点，记录该分界点的坐标；重复该步骤，遍历区域图像中所有方向射线，记录得到所有方向射线上的分界点。
5.对应c)步骤，根据记录的各方向射线上的分界点，对分界点进行拟合，得到贝纹线；
使用最小二乘法拟合对上一步得到的所有分界点进行曲线拟合，使尽量多的分界点落在该曲线上。
步骤三：根据得到的贝纹线，确定贝纹线的运动轨迹，进一步确定疲劳源位置；
根据得到的贝纹线，提取同时经过疲劳扩展区与瞬断区的共同区域的两条边缘射线，得到这两条射线所成夹角的中位线，该中位线即为贝纹线的运动轨迹。
零件是从疲劳源断裂首先形成疲劳扩展区，而贝纹线具有疲劳特征，只存在于疲劳扩展区，所以将获得的贝纹线向疲劳扩展区移动即可得到疲劳源的位置，所以贝纹线的移动方向是始终向疲劳扩展区移动的。
将贝纹线沿运动轨迹向疲劳扩展区方向平行移动，其与零件边缘最后相交的位置（只有一个相交的像素点时）即为疲劳源位置。
如图8所示，本发明提供了一种基于贝纹线的金属断裂疲劳源检测***，包括以下模块：图像采集模块、图像处理模块、贝纹线拟合模块与疲劳源确定模块。
图像采集模块，所述图像采集模块用于采集零件断裂的RGB图像信息，提取零件断口区域。
图像处理模块，所述图像处理模块用于对断口区域图像进行锐化处理与二值化处理，为疲劳源位置的确定提供图像细节信息。
贝纹线拟合模块，所述贝纹线拟合模块用于从细节信息中提取像素点信息，确定各方向射线上的像素点属于疲劳扩展区或瞬断区，从而确定该方向射线上瞬断区与疲劳扩展区的分界点，对得到的所有分界点进行拟合，得到贝纹线。
疲劳源确定模块，用于根据拟合出来的贝纹线以及区域类型，获取贝纹线的移动方向，将贝纹线向贝纹线的移动方向水平移动，确定疲劳源的最终位置。
以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围。

Claims (7)

1.一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，包括以下步骤：
S1：提取零件断口区域图像的中心点，对提取的区域图像进行二值化图像处理，并以区域图像的中心点为原点建立坐标系；
S2：以区域图像的中心点为原点，向各方向放射延伸生成射线，根据生成射线上的像素值得到各方向射线对用的像素脉冲曲线图，计算像素脉冲曲线图中每个脉冲的周边密集度，通过像素脉冲曲线图中每个脉冲的周边密集度得到周边密集度序列，利用该周边密集度序列获得周边密集度序列的均方差；
根据周边密集度序列的均方差，对各方向射线经过的区域进行判断；该经过的区域为疲劳扩展区或瞬断区或同时经过疲劳扩展区与瞬断区的共同区域；
对经过共同区域射线上的像素点属于疲劳扩展区或瞬断区进行划分，并根据划分的结果确定出各个方向射线上的分界点；
对得到的各个方向射线上的分界点进行拟合，得到贝纹线；
S3：提取经过共同区域的两条边缘射线，找出这两条射线所成夹角的中位线，得到的中位线即为贝纹线的运动轨迹；
将贝纹线沿运动轨迹向疲劳扩展区的方向平行移动，确定出零件断口区域的疲劳源位置。
2.根据权利要求1所述一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，所述区域图像进行二值化处理的方法：首先对区域图像区域进行锐化增强，然后对锐化增强后的图像进行二值化处理。
3.根据权利要求1所述一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，获取脉冲曲线的周边密集度序列的方法如下：
提取像素脉冲曲线图中各方向射线上的矩形脉冲曲线中波形的起点和终点的横坐标，计算每个脉冲与相邻两脉冲的密集度，得到每个脉冲的周边密集度，计算公式如下：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示脉冲的周边密集度；
Figure DEST_PATH_IMAGE006
为脉冲的波形宽度；
Figure DEST_PATH_IMAGE008
为该波形与左侧相邻波形终点的像素距离；
Figure DEST_PATH_IMAGE010
为该波形与右侧相邻波形起点的像素距离；
根据计算得到的该脉冲曲线上的所有脉冲的周边密集度，并将每个脉冲的周边密集度按照脉冲曲线上的脉冲序列进行组合，得到该脉冲曲线的周边密集序列。
4.根据权利要求1所述一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，对所述各方向射线经过的区域类型划分的步骤如下：
计算脉冲曲线的周边密集序列的均方差值，公式如下：
Figure DEST_PATH_IMAGE012
式中：
Figure DEST_PATH_IMAGE014
为周边密集度序列的均方差，
Figure DEST_PATH_IMAGE016
为周边密集度序列中的数据，
Figure DEST_PATH_IMAGE018
表示周边密集度序列中数据的位置，
Figure DEST_PATH_IMAGE020
为周边密集度序列中数据的平均数，
Figure DEST_PATH_IMAGE022
为脉冲曲线与
Figure DEST_PATH_IMAGE024
轴的交点个数；
设定脉冲曲线的周边密集序列的均方差阈值，并根据设定的阈值对零件断口区域的区域类型进行划分：
Figure DEST_PATH_IMAGE026
式中：
Figure DEST_PATH_IMAGE028
表示区域标志，
Figure DEST_PATH_IMAGE030
表示各个方向射线与坐标系横轴所成夹角的度数；
Figure DEST_PATH_IMAGE032
表示该方向上中心点向各个方向所作射线经过瞬断区的情况，
Figure DEST_PATH_IMAGE034
表示该方向上中心点向各个方向所作射线经过疲劳扩展区的情况，
Figure DEST_PATH_IMAGE036
表示该方向上中心点向各个方向所作射线经过共同区域的情况。
5.根据权利要求1所述一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，确定各方向射线上分界点的方法：
提取该方向射线上所有的像素点的周边密集度，分别与周边密集度序列的平均值对比，确定像素点所属区域类型；
对该方向射线上的所有像素点进行标记，对属于疲劳扩展区的像素点标记为
Figure DEST_PATH_IMAGE038
，属于瞬断区的像素点标记为
Figure DEST_PATH_IMAGE040
；
对比该方向上所有的像素点相邻两侧像素点的标记值，当像素点两侧的像素点标记值不同时，则该像素点为该方向上的分界点。
6.根据权利要求1所述一种基于贝纹线的金属断裂疲劳源检测方法，其特征在于，确定疲劳源的位置的方法：
将贝纹线沿两条边缘射线所成夹角的中位线形成的运动轨迹向疲劳扩展区的方向水平移动，移动至贝纹线与区域图像只有一个像素点相交时，该像素点即为疲劳源位置。
7.一种基于贝纹线的金属断裂疲劳源检测***，其特征在于，包括以下模块：图像处理模块、贝纹线拟合模块与疲劳源确定模块；
图像采集模块，所述图像采集模块用于采集零件断裂的RGB图像信息，提取零件断口区域；
图像处理模块，所述图像处理模块用于对断口区域图像进行锐化增强处理与二值化处理，为疲劳源位置的确定提供图像细节信息；
贝纹线拟合模块，所述贝纹线拟合模块用于从细节信息中确定瞬断区与疲劳扩展区的区域分界点；
疲劳源确定模块，用于根据拟合出来的贝纹线以及区域类型确定疲劳源的最终位置。
CN202210024107.4A 2022-01-11 2022-01-11 一种基于贝纹线的金属断裂疲劳源检测方法与*** Active CN114037705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024107.4A CN114037705B (zh) 2022-01-11 2022-01-11 一种基于贝纹线的金属断裂疲劳源检测方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024107.4A CN114037705B (zh) 2022-01-11 2022-01-11 一种基于贝纹线的金属断裂疲劳源检测方法与***

Publications (2)

Publication Number Publication Date
CN114037705A CN114037705A (zh) 2022-02-11
CN114037705B true CN114037705B (zh) 2022-03-25

Family

ID=80141541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024107.4A Active CN114037705B (zh) 2022-01-11 2022-01-11 一种基于贝纹线的金属断裂疲劳源检测方法与***

Country Status (1)

Country Link
CN (1) CN114037705B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867130B (zh) * 2015-04-21 2018-09-18 浙江工业大学 一种基于裂纹图像子区灰度均值的自适应分割方法
KR102015706B1 (ko) * 2017-11-23 2019-08-28 울산과학기술원 콘크리트 표면 균열 측정 장치 및 방법
CN110009606A (zh) * 2019-03-22 2019-07-12 北京航空航天大学 一种基于图像识别的裂纹扩展动态监测方法及装置
CN111681217B (zh) * 2020-05-29 2023-06-20 香港生产力促进局 疲劳断口的机器视觉图像智能分析方法、装置及***
CN112881642B (zh) * 2021-01-15 2022-05-13 宝武杰富意特殊钢有限公司 材料失效裂纹源的分析方法
CN113706423B (zh) * 2021-10-28 2022-01-07 南通皋亚钢结构有限公司 基于人工智能的机械零件腐蚀裂纹检测方法

Also Published As

Publication number Publication date
CN114037705A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN108520274B (zh) 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN112598001B (zh) 一种基于多模型融合的船舶水尺读数自动识别方法
CN104751187B (zh) 抄表图像自动识别方法
CN110286124B (zh) 基于机器视觉的耐火砖测量***
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN106600600A (zh) 基于特征匹配的晶圆缺陷检测方法
CN105095822B (zh) 一种汉信码特征图形检测方法及***
CN113610814B (zh) 焊缝质量检测方法、装置、电子设备及存储介质
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN102032875A (zh) 一种基于图像处理的电缆护套厚度测量方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN109978940A (zh) 一种sab安全气囊尺寸视觉测量方法
CN110096980A (zh) 字符检测识别***
Garz et al. A binarization-free clustering approach to segment curved text lines in historical manuscripts
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN112085700A (zh) X射线图像中焊缝区域的自动化提取方法、***及介质
CN113705564B (zh) 一种指针式仪表识别读数方法
TW201601119A (zh) 物件辨識與定位方法
CN114037705B (zh) 一种基于贝纹线的金属断裂疲劳源检测方法与***
CN116596921A (zh) 一种焚烧炉渣分选方法及***
CN105930813B (zh) 一种在任意自然场景下检测行文本的方法

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