CN115965796A - 一种基于图像识别的金属锈蚀检测方法及*** - Google Patents
一种基于图像识别的金属锈蚀检测方法及*** Download PDFInfo
- Publication number
- CN115965796A CN115965796A CN202211636563.0A CN202211636563A CN115965796A CN 115965796 A CN115965796 A CN 115965796A CN 202211636563 A CN202211636563 A CN 202211636563A CN 115965796 A CN115965796 A CN 115965796A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- metal
- block
- standard
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的金属锈蚀检测方法及***,能够在计算目标图像中金属锈蚀率之前,对目标图像进行分区处理,提取出存在金属的区块图像,并且利用对区块图像编码的处理,通过先排序再比较的方式,快速的提取出存在金属的区块图像,只需按位次进行比对,在出现大于标准阈值的区块图像匹配度之后,便可停止比对,极大程度上减少计算量,而后再结合补充图像的设置,使其与存在金属的区块图像共同组合为样本图像,后续在提取目标图像中金属锈蚀区域时,不仅能够减少计算量,还能够减少锈蚀区域的测定误差,提高检测准确率。
Description
技术领域
本发明涉及金属检测技术领域,具体涉及基于图像识别的金属锈蚀检测方法。
背景技术
金属锈蚀主要是因为金属件接触氧气和水,其自身结构被破坏的现象,金属材料具有硬度高,导电性能强等特性,是生产和生活中不可或缺的材料,也是社会发展的重要物质基础,但是多数金属在长时间使用之后,均会发生程度不一的锈蚀现象,一旦锈蚀区域过大,便不能够继续使用,由此可见,为保证安全生产和生活,对金属锈蚀的检测是十分必要的,常见的金属锈蚀的检测方法有电位法、电阻法和图像识别法等。
现有的基于图像识别的金属锈蚀检测方法是对目标图像进行整体分析,但是在采集待测金属的目标图像时,往往会存在大量的干扰区域,即不存在金属的区域,在提取目标图像中的锈蚀区域时,不仅会增加计算量,而且还会增加锈蚀区域测定后的误差,基于此,本方案提出了一种能够对目标图像进行分区处理的金属锈蚀检测方法。
发明内容
本发明需要解决的技术问题是提供一种基于图像识别的金属锈蚀检测方法,能够在计算目标图像中金属锈蚀率之前,对目标图像进行分区处理,提取出存在金属的区块图像,后续在提取目标图像中金属锈蚀区域时,不仅能够减少计算量,还能够减少锈蚀区域的测定误差。
为解决上述技术问题,本发明所采取的技术方案如下。
基于图像识别的金属锈蚀检测方法,包括:
获取待检测金属的目标图像信息,其中,所述目标图像信息包括干扰图像信息和待测图像信息;
获取待检测金属的标准特征信息;
将所述目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个所述区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
获取目标图像的标准匹配阈值;
将所述区块图像匹配度与所述标准匹配阈值进行比较;
若所述区块图像匹配度大于等于标准匹配阈值,则将所述区块图像信息标定为待测图像信息;
若所述区块图像匹配度小于标准匹配阈值,则将所述区块图像信息标定为干扰图像信息;
获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域;
获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格。
在一种优选方案中,所述将所述目标图像信息进行分区编码处理的步骤,包括:
将所述目标图像进行等分处理;
以所述目标图像的任一边角处为原点建立二维坐标系;
获取所有区块图像,并以靠近二维坐标系的区块图像为起始点对所有区块图像进行编码处理,其中,所述区块图像的编码为xy,x和y分别表示所述二维坐标系中的纵坐标和横坐标,且取值为000001,000002,000003……。
在一种优选方案中,所述将多个所述区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度的步骤,包括:
获取区块图像中的特征信息;
将所述区块图像中的特征信息代入匹配度模型,得到区块图像匹配度;
其中,所述匹配度模型的标准函数为:
式中,R表示区块图像匹配度,M和N分别表示区块图像的长度和宽度,X(m,n)表示区块图像中第(i,j)点的像素灰度值,Y(m,n)表示待检测金属图像中第(i,j)点的标准像素灰度值,表示区块图像的平均灰度值,表示待检测金属图像的平均灰度值。
在一种优选方案中,所述将所述区块图像匹配度与所述标准匹配阈值进行比较的步骤,包括:
获取标准匹配阈值;
获取所有区块图像匹配度;
将区块图像匹配度按照由低至高的顺序与所述标准匹配阈值进行比对,且出现第一个大于标准匹配阈值的区块图像之后停止比对。
在一种优选方案中,所述获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像的步骤,包括:
获取待测图像的基准编码;
以所述基准编码xy为中心,分别获取待测图像边缘以及边角处的补充图像;
所述补充图像对应的补充编码依次为:(x-1)(y-1)、x(y-1)、(x+1)(y-1)、(x-1)y、(x+1)y、(x-1)(y+1)、x(y+1)、(x+1)(y+1);
将所有所述补充图像与待测图像进行组合处理,得到样本图像。
在一种优选方案中,所述获取待测图像边缘以及边角处的补充图像时,根据所述待测图像的位置确定补充图像的数量;
若所述x,y中任一个取值为1、xmax或者ymax,且与之相邻的坐标值取值介于区间(1,xmax)或者(1,ymax)之内时,所述待测图像对应的补充图像数量为5;
若所述x,y中任一个的取值为1、xmax或ymax,且与之相邻的坐标值取值为1、xmax或ymax中的任一个时,所述待测图像对应的补充图像数量为3;
若所述x,y的取值属于区间(1,xmax)和(1,ymax),所述待测图像对应的补充图像数量为8。
在一种优选方案中,所述将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域的步骤,包括:
获取所述样本图像的灰度值;
将所述样本图像的灰度值代入至区分模型,得到锈蚀区域的灰度值;
其中,所述区分模型的标准函数为:ExR(i,j)=2R(i,j)-G(i,j)-B(i,j),式中,ExR(i,j)表示锈蚀区域的灰度值,R(i,j)、G(i,j)以及B(i,j)表示样本图像的三通道灰度值。
在一种优选方案中,所述获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格的步骤,包括:
对所述区块图像中的锈蚀区域进行二值化处理,得到锈蚀区域的面积;
根据公式r=S(i,j)S求得待检测金属的锈蚀率,式中,r表示待检测金属的锈蚀率,S(i,j)表示区块图像中经二值化处理后图像的面积,S表示区块图像中待检测金属的面积;
获取锈蚀等级判定阈值;
若所述待检测金属的锈蚀率大于等于判定阈值,则表明所述待检测金属不合格;
若所述待检测金属的锈蚀率小于判定阈追,则表明所述待检测金属合格。
本发明还提供了,基于图像识别的金属锈蚀检测***,应用于上述中任一项所述的基于图像识别的金属锈蚀检测方法,包括:
第一获取模块,所述第一获取模块用于获取待检测金属的目标图像信息,其中,所述目标图像信息包括干扰图像信息和待测图像信息;
第二获取模块,所述第二获取模块用于获取待检测金属的标准特征信息;
比对模块,所述比对模块用于将所述目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个所述区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
第三获取模块,所述第三获取模块用于获取目标图像的标准匹配阈值;
判定模块,所述判定模块用于将所述区块图像匹配度与所述标准匹配阈值进行比较;
若所述区块图像匹配度大于等于标准匹配阈值,则将所述区块图像信息标定为待测图像信息;
若所述区块图像匹配度小于标准匹配阈值,则将所述区块图像信息标定为干扰图像信息;
组合模块,所述组合模块用于获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
提取模块,所述提取模块用于将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域;
评定模块,所述评定模块用于获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属的锈蚀等级。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明能够在计算目标图像中金属锈蚀率之前,对目标图像进行分区处理,提取出存在金属的区块图像,并且利用对区块图像编码的处理,通过先排序再比较的方式,快速的提取出存在金属的区块图像,只需按位次进行比对,在出现大于标准阈值的区块图像匹配度之后,便可停止比对,极大程度上减少计算量,而后再结合补充图像的设置,使其与存在金属的区块图像共同组合为样本图像,后续在提取目标图像中金属锈蚀区域时,不仅能够减少计算量,还能够减少锈蚀区域的测定误差。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述***的结构框图。
具体实施方式
下面将结合附图和具体实施方式对本发明进行进一步详细说明。
一种基于图像识别的金属锈蚀检测方法,包括:
S1、获取待检测金属的目标图像信息,其中,目标图像信息包括干扰图像信息和待测图像信息;
S2、获取待检测金属的标准特征信息;
S3、将目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
S4、获取目标图像的标准匹配阈值;
S5、将区块图像匹配度与标准匹配阈值进行比较;
若区块图像匹配度大于等于标准匹配阈值,则将区块图像信息标定为待测图像信息;
若区块图像匹配度小于标准匹配阈值,则将区块图像信息标定为干扰图像信息;
S6、获取待测图像信息的编码,并标定为基准编码,以基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
S7、将样本图像代入至区分模型中,提取样本图像中的锈蚀区域;
S8、获取锈蚀区域的分布面积,并结合待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格。
如上述步骤S1-S8所述,金属材料的密度较大,多数都具有较大的刚性,在社会中,金属制品可以说是随处可见,但是多数金属在接触水与氧气之后会发生程度不一的锈蚀现象,金属一旦出现锈蚀,那么便会导致其刚性以及使用寿命下降,进而,对金属件的锈蚀检测是十分必要的,本实施例中,采用图像识别与比对的方式对金属件的锈蚀率进行计算,从而来判断金属件的锈蚀是否会影响其正常使用,在识别金属件的图像时,难免会采集到一些干扰信息,相应的,在后续将目标图像内的金属件与待检测金属的标准特征进行比对时,会增加目标图像的计算量,同时也容易对比对结果造成影响,本实施例在计算目标图像中金属件的锈蚀率之前,先行将目标图像拆分成多个区块图像,再分别将这些区块图像与待检测金属的标准特征进行比较,从而提取出存在目标图像中存在待检测金属的区域,而后计算这些区域内的金属件图像锈蚀率即可,在此过程中,为保证区块图像的完整性,在确定符合标准的区块图像之后,将与其相邻的图像确定为补充图像,并且与符合标准的区块图像组合在一起,共同构成样本图像,然后再通过区分模型提取样本图像中待检测金属的锈蚀区域,这样,便能够得到待检测金属的锈蚀率,并且根据预设的判定阈值判断待检测金属是否合格,此方式无需对所采集的目标图像进行全面分析,通过提取区块图像的方式来降低计算量,同时也能够减少干扰因素的影响,使得金属件锈蚀率检测结果的误差降低。
在一个较佳的实施方式中,将目标图像信息进行分区编码处理的步骤,包括:
S301、将目标图像进行等分处理;
S302、以目标图像的任一边角处为原点建立二维坐标系;
S303、获取所有区块图像,并以靠近二维坐标系的区块图像为起始点对所有区块图像进行编码处理,其中,区块图像的编码为xy,x和y分别表示二维坐标系中的纵坐标和横坐标,且取值为000001,000002,000003……。
如上述步骤S301-S303所述,在对目标图像进行分区块处理时,对所有的区块图像进行编码处理,本实施例通过建立坐标系的方式,对所有的区块图像进行编码处理,从而使所有的区块都有一个独立的编码,后续在匹配出与标准特征信息相适配的区块图像之后,能够通过此编码快速的匹配出补充图像,并将补充图像与该区块图像进行组合,生成样本图像。
在一个较佳的实施方式中,将多个区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度的步骤,包括:
S304、获取区块图像中的特征信息;
S305、将区块图像中的特征信息代入匹配度模型,得到区块图像匹配度;
其中,匹配度模型的标准函数为:中,R表示区块图像匹配度,M和N分别表示区块图像的长度和宽度,X(m,n)表示区块图像中第(i,j)点的像素灰度值,Y(m,n)表示待检测金属图像中第(i,j)点的标准像素灰度值,表示区块图像的平均灰度值,表示待检测金属图像的平均灰度值。
如上述步骤S304-S305所述,在计算区块图像的匹配度时,通过比对区块图像与待测金属的标准图像灰度进行,此方式是利用相关系数法计算待测金属标准图像与区块图像的相关度进行的,相关度的取值即为区块图像匹配度,此取值越接近于1,说明区块图像越接近待测金属的标准图像,后续再根据预先设定的标准匹配阈值,即可确定出满足标准的区块匹配度,相应的,也就能够确定与区块匹配度相对应的区块图像。
在一个较佳的实施方式中,将区块图像匹配度与标准匹配阈值进行比较的步骤,包括:
S501、获取标准匹配阈值;
S502、获取所有区块图像匹配度;
S503、将区块图像匹配度按照由低至高的顺序与标准匹配阈值进行比对,且出现第一个大于标准匹配阈值的区块图像之后停止比对。
如上述步骤S501-S503所述,在将区块图像匹配度与标准匹配阈值进行比对时,首先要确定的是所有区块图像匹配度的排序结果,在此过程中,按照由低至高的顺序对区块匹配度和标准匹配阈值进行比对即可,当出现大于标准阈值的区块图像匹配度之后,即说明位次比其高的区块匹配度均符合待测图像的标准,并且立即确定与这些区块匹配度相对应的区块图像,而对于小于标准匹配阈值的区块图像匹配度而言,与之对应的区块图像被标定为干扰图像信息,不代入区分模型中,减少其对提取锈蚀区域的影响,同时也相应的降低区分模型的计算量,使得金属件的检测效率得到提升。
在一个较佳的实施方式中,获取待测图像信息的编码,并标定为基准编码,以基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像的步骤,包括:
S601、获取待测图像的基准编码;
S602、以基准编码xy为中心,分别获取待测图像边缘以及边角处的补充图像;
S603、补充图像对应的补充编码依次为:(x-1)(y-1)、x(y-1)、(x+1)(y-1)、(x-1)y、(x+1)y、(x-1)(y+1)、x(y+1)、(x+1)(y+1);
S604、将所有补充图像与待测图像进行组合处理,得到样本图像。
如上述步骤S601-S604所述,在根据目标图像建立坐标系时,横纵坐标的取值均设置为非零的自然数,从而使得区块图像的编码更容易辨认,而在确定了待测图像的基准编码之后,与其相连的补充图像也就相应的被匹配出,本实施方式中,是以待测图像存在8个补充图像的情况对补充图像的编码进行一一列举的,也是补充图像可能出现的所有情况。
在一个较佳的实施方式中,获取待测图像边缘以及边角处的补充图像时,根据待测图像的位置确定补充图像的数量;
S6021、若x,y中任一个取值为1、xmax或者ymax,且与之相邻的坐标值取值介于区间(1,xmax)或者(1,ymax)之内时,待测图像对应的补充图像数量为5;
S6022、若x,y中任一个的取值为1、xmax或ymax,且与之相邻的坐标值取值为1、xmax或ymax中的任一个时,待测图像对应的补充图像数量为3;
S6023、若x,y的取值属于区间(1,xmax)和(1,ymax),待测图像对应的补充图像数量为8。
如上述步骤S6021-S6023所述,在上述建立的二维坐标系中,待测图像出现的位置并不是固定的,可能出现在与坐标轴相邻的位置,或者出现在目标图像的边缘或边角处,此时,补充图像的数量也会随之减少,具体可能出现的情况有3个补充图像或者5个补充图像,当然,这些均是基于二维坐标系确定的,例如,一个目标图像被分为8×8的区块图像,二维坐标系的横纵坐标最大值也为8,此时,对应编码为11,18,81,88的四个区块图像中任意一个被标定为待测图像时,那么它们的补充图像数量即为3,而编码为12~17,21~71,28~78,82~87的所有区块图像中任意一个被标定为待测图像时,它们对应的补充图像数量就为5,相应的,除这些之外的所有区块图像被标定为待测图像时,其补充图像的数量均为8,当然也可能出现互为补充图像的情况,在该情况下,可将互为补充图像的区块图像组合在一起,共同组合为样本图像。
在一个较佳的实施方式中,将样本图像代入至区分模型中,提取样本图像中的锈蚀区域的步骤,包括:
S701、获取样本图像的灰度值;
S702、将样本图像的灰度值代入至区分模型,得到锈蚀区域的灰度值;
其中,区分模型的标准函数为:ExR(i,j)=2R(i,j)-G(i,j)-B(i,j),式中,ExR(i,j)表示锈蚀区域的灰度值,R(i,j)、G(i,j)以及B(i,j)表示样本图像的三通道灰度值。
如上述步骤S701-S702所述,该区分模型是基于超红色算法进行的,利用彩色图像分量灰度图的2R-G-B加权组合方法,实现锈蚀区域暗红色特征与其他区域的有效区分,进而便可将区块图像中的锈蚀区域标定出来。
在一个较佳的实施方式中,获取锈蚀区域的分布面积,并结合待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格的步骤,包括:
S801、对区块图像中的锈蚀区域进行二值化处理,得到锈蚀区域的面积;
S802、根据公式r=S(i,j)S求得待检测金属的锈蚀率,式中,r表示待检测金属的锈蚀率,S(i,j)表示区块图像中经二值化处理后图像的面积,S表示区块图像中待检测金属的面积;
S803、获取锈蚀等级判定阈值;
若待检测金属的锈蚀率大于等于判定阈值,则表明待检测金属不合格;
若待检测金属的锈蚀率小于判定阈追,则表明待检测金属合格。
如上述步骤S801-S8103所述,在得到所有区块图像的锈蚀区域之后,将其相加并求和便可得到目标图像中的金属件的锈蚀面积,而后根据金属材质,获取锈蚀等级判定阈值,此处,锈蚀等级判定阈值是根据具体的金属材料进行确定的,一般设置为40%~50%,而后将待测金属的锈蚀率与其进行比较,并根据比较结果判断金属的检测金属是否合格结块。
本发明还提供了一种基于图像识别的金属锈蚀检测***,应用于上述基于图像识别的金属锈蚀检测方法,包括:
第一获取模块,第一获取模块用于获取待检测金属的目标图像信息,其中,目标图像信息包括干扰图像信息和待测图像信息;
第二获取模块,第二获取模块用于获取待检测金属的标准特征信息;
比对模块,比对模块用于将目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
第三获取模块,第三获取模块用于获取目标图像的标准匹配阈值;
判定模块,判定模块用于将区块图像匹配度与标准匹配阈值进行比较;
若区块图像匹配度大于等于标准匹配阈值,则将区块图像信息标定为待测图像信息;
若区块图像匹配度小于标准匹配阈值,则将区块图像信息标定为干扰图像信息;
组合模块,组合模块用于获取待测图像信息的编码,并标定为基准编码,以基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
提取模块,提取模块用于将样本图像代入至区分模型中,提取样本图像中的锈蚀区域;
评定模块,评定模块用于获取锈蚀区域的分布面积,并结合待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属的锈蚀等级。
上述中,在获取目标图像时选用具有高清拍照功能的设备即可,至于目标图像或者区块图像中特征信息的提取,可通过5阶二维Gauss滤波器去除噪声,通过彩色图像直方图均衡化、对数变换等图像增强算法,解决图像曝光过度问题,改善图像对比度,完成待检测金属图像的预处理,此均为本领域较为成熟的技术手段,非本方案重点,在此,就不一一进行解释。而上述涉及的各项标准参数均是预设在***中的,在执行比对模块或者判定模块时,可选用if……else函数进行逐级嵌套,在此,其程序的执行等便不再进行赘述,
本发明还提供了一种基于图像识别的金属锈蚀检测终端,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述中任一项的基于图像识别的金属锈蚀检测方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (9)
1.基于图像识别的金属锈蚀检测方法,其特征在于:包括:
获取待检测金属的目标图像信息,其中,所述目标图像信息包括干扰图像信息和待测图像信息;
获取待检测金属的标准特征信息;
将所述目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个所述区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
获取目标图像的标准匹配阈值;
将所述区块图像匹配度与所述标准匹配阈值进行比较;
若所述区块图像匹配度大于等于标准匹配阈值,则将所述区块图像信息标定为待测图像信息;
若所述区块图像匹配度小于标准匹配阈值,则将所述区块图像信息标定为干扰图像信息;
获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域;
获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格。
2.根据权利要求1所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述将所述目标图像信息进行分区编码处理的步骤,包括:
将所述目标图像进行等分处理;
以所述目标图像的任一边角处为原点建立二维坐标系;
获取所有区块图像,并以靠近二维坐标系的区块图像为起始点对所有区块图像进行编码处理,其中,所述区块图像的编码为xy,x和y分别表示所述二维坐标系中的纵坐标和横坐标。
4.根据权利要求3所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述将所述区块图像匹配度与所述标准匹配阈值进行比较的步骤,包括:
获取标准匹配阈值;
获取所有区块图像匹配度;
将区块图像匹配度按照由低至高的顺序与所述标准匹配阈值进行比对,且出现第一个大于标准匹配阈值的区块图像之后停止比对。
5.根据权利要求2所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像的步骤,包括:
获取待测图像的基准编码;
以所述基准编码xy为中心,分别获取待测图像边缘以及边角处的补充图像;
所述补充图像对应的补充编码依次为:(x-1)(y-1)、x(y-1)、(x+1)(y-1)、(x-1)y、(x+1)y、(x-1)(y+1)、x(y+1)、(x+1)(y+1);
将所有所述补充图像与待测图像进行组合处理,得到样本图像。
6.根据权利要求5所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述获取待测图像边缘以及边角处的补充图像时,根据所述待测图像的位置确定补充图像的数量;
若所述x,y中任一个取值为1、xmax或者ymax,且与之相邻的坐标值取值介于区间(1,xmax)或者(1,ymax)之内时,所述待测图像对应的补充图像数量为5;
若所述x,y中任一个的取值为1、xmax或ymax,且与之相邻的坐标值取值为1、xmax或ymax中的任一个时,所述待测图像对应的补充图像数量为3;
若所述x,y的取值属于区间(1,xmax)和(1,ymax),所述待测图像对应的补充图像数量为8。
7.根据权利要求5所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域的步骤,包括:
获取所述样本图像的灰度值;
将所述样本图像的灰度值代入至区分模型,得到锈蚀区域的灰度值;
其中,所述区分模型的标准函数为:ExR(i,j)=2R(i,j)-G(i,j)-B(i,j),式中,ExR(i,j)表示锈蚀区域的灰度值,R(i,j)、G(i,j)以及B(i,j)表示样本图像的三通道灰度值。
8.根据权利要求7所述的基于图像识别的金属锈蚀检测方法,其特征在于:所述获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属是否合格的步骤,包括:
对所述区块图像中的锈蚀区域进行二值化处理,得到锈蚀区域的面积;
根据公式r=S(i,j)/S求得待检测金属的锈蚀率,式中,r表示待检测金属的锈蚀率,S(i,j)表示区块图像中经二值化处理后图像的面积,S表示区块图像中待检测金属的面积;
获取锈蚀等级判定阈值;
若所述待检测金属的锈蚀率大于等于判定阈值,则表明所述待检测金属不合格;
若所述待检测金属的锈蚀率小于判定阈追,则表明所述待检测金属合格。
9.基于图像识别的金属锈蚀检测***,应用于权利要求1-8中任一项所述的基于图像识别的金属锈蚀检测方法,其特征在于:包括:
第一获取模块,所述第一获取模块用于获取待检测金属的目标图像信息,其中,所述目标图像信息包括干扰图像信息和待测图像信息;
第二获取模块,所述第二获取模块用于获取待检测金属的标准特征信息;
比对模块,所述比对模块用于将所述目标图像信息进行分区编码处理,得到多个连续的区块图像信息,将多个所述区块图像信息代入至匹配度模型中与标准特征信息进行比对,得到区块图像匹配度;
第三获取模块,所述第三获取模块用于获取目标图像的标准匹配阈值;
判定模块,所述判定模块用于将所述区块图像匹配度与所述标准匹配阈值进行比较;
若所述区块图像匹配度大于等于标准匹配阈值,则将所述区块图像信息标定为待测图像信息;
若所述区块图像匹配度小于标准匹配阈值,则将所述区块图像信息标定为干扰图像信息;
组合模块,所述组合模块用于获取所述待测图像信息的编码,并标定为基准编码,以所述基准编码为中心,确定所有与基准编码相邻的补充编码,将补充编码对应的区块图像与基准编码对应的区块图像进行组合,得到样本图像;
提取模块,所述提取模块用于将所述样本图像代入至区分模型中,提取所述样本图像中的锈蚀区域;
评定模块,所述评定模块用于获取所述锈蚀区域的分布面积,并结合所述待检测金属的表面积计算出待检测金属的锈蚀率,且根据锈蚀率判定待检测金属的锈蚀等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636563.0A CN115965796A (zh) | 2022-12-20 | 2022-12-20 | 一种基于图像识别的金属锈蚀检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636563.0A CN115965796A (zh) | 2022-12-20 | 2022-12-20 | 一种基于图像识别的金属锈蚀检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115965796A true CN115965796A (zh) | 2023-04-14 |
Family
ID=87362913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636563.0A Pending CN115965796A (zh) | 2022-12-20 | 2022-12-20 | 一种基于图像识别的金属锈蚀检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
-
2022
- 2022-12-20 CN CN202211636563.0A patent/CN115965796A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
CN117805145B (zh) * | 2024-02-28 | 2024-05-14 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN109242848B (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
CN115082482A (zh) | 一种金属表面缺陷检测方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN105930852B (zh) | 一种气泡图像识别方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及*** | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116342598B (zh) | 基于机器视觉的钢绞线质量检测方法 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及*** | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、***、终端及介质 | |
CN115760762A (zh) | 一种锈蚀检测方法,检测装置及存储介质 | |
CN103942526B (zh) | 一种离散数据点集的线特征提取方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及*** | |
CN107832723B (zh) | 基于lbp高斯金字塔的烟雾识别方法和*** | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |