CN116342598A - 基于机器视觉的钢绞线质量检测方法 - Google Patents

基于机器视觉的钢绞线质量检测方法 Download PDF

Info

Publication number
CN116342598A
CN116342598A CN202310611334.1A CN202310611334A CN116342598A CN 116342598 A CN116342598 A CN 116342598A CN 202310611334 A CN202310611334 A CN 202310611334A CN 116342598 A CN116342598 A CN 116342598A
Authority
CN
China
Prior art keywords
edge
steel strand
target
local area
pixel point
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.)
Granted
Application number
CN202310611334.1A
Other languages
English (en)
Other versions
CN116342598B (zh
Inventor
孙岱
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.)
Tianwei Yunzhu Prestressed Technology Tianjin Co ltd
Original Assignee
Tianwei Yunzhu Prestressed Technology Tianjin 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 Tianwei Yunzhu Prestressed Technology Tianjin Co ltd filed Critical Tianwei Yunzhu Prestressed Technology Tianjin Co ltd
Priority to CN202310611334.1A priority Critical patent/CN116342598B/zh
Publication of CN116342598A publication Critical patent/CN116342598A/zh
Application granted granted Critical
Publication of CN116342598B publication Critical patent/CN116342598B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，公开了基于机器视觉的钢绞线质量检测方法，包括获取的钢绞线图像进行边缘检测得到边缘图像，对边缘图像进行分割得到多个局部区域，利用每一个局部区域的边缘密集性及局部区域中每个目标像素点对中像素点的距离来直接得到每个局部区域的腐蚀程度，利用钢绞线中所有的腐蚀程度对钢绞线的质量进行评估，检测的结果更加准确，并且无需将其带入到实验室进行检测，检测方法简单，计算量小，检测成本较低。

Description

基于机器视觉的钢绞线质量检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于机器视觉的钢绞线质量检测方法。
背景技术
钢绞线是一种由多根细钢丝通过捻合或编织而成的绳索，常用于吊装、牵引、挂起和固定等工业应用。尤其是桥梁方面的应用，主要用途为建筑的承重结构，作用为支撑桥梁的附加荷载和外部环境下的影响。
钢绞线作为桥梁的承重结构其质量与工作安全密切相关，如果钢绞线质量发生问题，可能会在工作中出现断裂等危险情况，从而可能导致伤害甚至生命危险。例如钢绞线在使用过程中因湿度、盐分、渗水以及维护不当等原因造成的锈蚀问题，严重可导致钢绞线断裂。现有的钢绞线的锈蚀检测主要是通过磁粉检测，但是磁粉检测过程对于环境的要求高、检测的数量较少、检测成本极高。这种检测方式在实验室环境下较为可行，但是应用在桥梁钢索的检测中不仅浪费了大量的人力物力，而且检测效率低下。
发明内容
本发明用于解决目前对钢绞线检测效率低下的技术问题，提供一种能够快速的对钢绞线的质量进行检测，且检测准确性高的基于机器视觉的钢绞线质量检测方法，包括：
获取钢绞线图像的边缘图像；
对所述边缘图像进行分割得到多个局部区域；
利用每一个局部区域中边缘像素点的位置得到每一个局部区域的边缘密集性；
获取边缘图像的两条尺寸边缘，所述尺寸边缘为边缘图像中最外侧的两条边缘图像；且获取两条尺寸边缘上相互匹配所有目标边缘像素点对集合；
根据每个局部区域中所包含目标边缘像素点对集合中每对目标边缘像素点的距离、目标边缘像素点对的数量及局部区域的边缘密集性得到每个局部区域的腐蚀程度；
利用所有局部区域的腐蚀程度对钢绞线的质量进行评估。
对所述边缘图像进行分割得到多个局部区域的方法包括：
获取边缘图像中每一个边缘像素点所在位置的坐标；
基于边缘像素点的坐标采用二维自适应k-means聚类算法对边缘像素点进行聚类得到多个局部区域。
得到每一个局部区域的边缘密集性的方法包括：
边缘密集性的表达式为：
Figure SMS_1
式中：
Figure SMS_10
表示第
Figure SMS_3
个局部区域的边缘密集性；
Figure SMS_6
表示第
Figure SMS_14
个局部区域内边缘像素 点的数量；
Figure SMS_18
表示第
Figure SMS_21
个局部区域内所有边缘像素点的
Figure SMS_24
坐标的方差；
Figure SMS_12
表示第
Figure SMS_16
个局部区 域内所有边缘像素点的
Figure SMS_2
坐标的方差；
Figure SMS_8
表示所有局部区域的数量；
Figure SMS_4
表示第
Figure SMS_7
个局部区域， 且
Figure SMS_11
，
Figure SMS_15
；
Figure SMS_19
第
Figure SMS_22
个局部区域内边缘像素点的数量；
Figure SMS_20
表示第
Figure SMS_23
个局部区域内 所有边缘像素点的
Figure SMS_5
坐标的方差；
Figure SMS_9
表示第
Figure SMS_13
个局部区域内所有边缘像素点的
Figure SMS_17
坐标的方 差。
获取两条尺寸边缘上相互匹配所有目标边缘像素点对集合的方法包括：
将两条尺寸边缘上边缘像素点少的一条尺寸边缘作为目标边缘尺寸；
将目标边缘尺寸上每个边缘像素点及该另一条尺寸边缘上距离该边缘像素点最近的边缘像素点组成的边缘像素点对作为目标边缘像素点对；
根据依次获得目标边缘尺寸上所有边缘像素点的目标边缘像素点对组成目标边缘像素点对集合。
获取每个局部区域的腐蚀程度的方法包括：
所述腐蚀程度的表达式为：
Figure SMS_25
式中：
Figure SMS_37
表示第
Figure SMS_27
个局部区域的腐蚀程度；
Figure SMS_33
表示第
Figure SMS_29
个局部区域内第
Figure SMS_32
个目标 像素点对中两个目标像素点的距离；
Figure SMS_36
表示第
Figure SMS_40
个局部区域内第
Figure SMS_35
个目标像素点对 中两个目标像素点的距离；
Figure SMS_39
表示第
Figure SMS_26
个局部区域内目标像素点对的数量；
Figure SMS_31
表示目标边 缘像素点对集合中第
Figure SMS_34
个目标像素点对中两个目标像素点的距离；
Figure SMS_38
表示目标边缘像素 点对集合中第
Figure SMS_41
个目标像素点对中两个目标像素点的距离；
Figure SMS_42
表示目标边缘像素点对集 合中目标像素点对的数量；
Figure SMS_28
表示第
Figure SMS_30
个局部区域的边缘密集性。
利用所有局部区域的腐蚀程度对钢绞线的质量进行评估的方法包括：
利用每个局部区域的腐蚀程度获取钢绞线的整体质量指标；
根据钢绞线的整体质量指标对钢绞线的质量进行评估；
获取整体质量指标的表达式为：
Figure SMS_43
式中：
Figure SMS_44
表示钢绞线的整体质量指标；
Figure SMS_45
表示第
Figure SMS_46
个局部区域的腐蚀程度；
Figure SMS_47
表 示所有局部区域的数量；
Figure SMS_48
表示归一化函数。
根据钢绞线的整体质量指标对钢绞线的质量进行评估的方法为，当
Figure SMS_49
，钢 绞线的质量较差。
本发明的有益效果是：本发明相较于现有的磁粉检测钢绞线锈蚀的方式，通过对获取的钢绞线图像进行边缘检测得到边缘图像，对边缘图像进行分割得到多个局部区域，利用每一个局部区域的边缘密集性及局部区域中每个目标像素点对中像素点的距离来直接得到每个局部区域的腐蚀程度，利用钢绞线中所有的腐蚀程度对钢绞线的质量进行评估，检测的结果更加准确，并且无需将其带入到实验室进行检测，检测方法简单，计算量小，检测成本较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程示意图。
图2为本发明中钢绞线的灰度图；
图3为本发明中钢绞线的边缘图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
钢绞线常用于桥梁的承重，但是因为湿度、盐分、渗水以及维护不当等原因会导致钢绞线的锈蚀，钢绞线锈蚀之后会导致内部结构发生改变从而无法承受更多的拉力而导致断裂，造成生命以及财产安全的影响，钢绞线的锈蚀一般是采用磁粉检测，但是磁粉检测有着较强的环境局限性，并不能够快速的对钢绞线进行检测。
为解决上述的问题本实施例提供了如图1所示的基于机器视觉的钢绞线质量检测方法，包括：
获取钢绞线图像的边缘图像；在获取钢绞线图像的边缘图像时，由于钢绞线的位置在桥梁上比较高，因此通过无人机获取桥梁上的钢绞线的图像，由于获取的图像中含有大量的背景信息，对获得的钢绞线图像进行去背景，去背景后的图像仅保留钢绞线的图像进行灰度化得到如图2所示的钢绞线灰度图像；本实施例中对图像的背景进行去除采用本领域技术人员常规的背景去除的方法，同时背景去除并不是本实施例的发明点，因此在这里对其如何进行背景去除不做详细的描述。
钢绞线在桥梁结构中因为是长期暴露在空气中，尤其是大多数的桥梁是建立在睡眠之上的，所以因为湿度、盐分、渗水以及维护不当会导致钢绞线的锈蚀。钢绞线的锈蚀在前期仅是钢绞线的部分出现了锈迹，氧化物较钢绞线的原本材质更为蓬松导致钢绞线的局部***，随着锈蚀现象越来越严重，部分氧化物掉落，并且因为钢绞线的拉力影响导致钢绞线的局部变细。所以在钢绞线中存在锈迹的局部较细以较粗，都表明该钢绞线的受到锈蚀影响，即钢绞线在此处的质量较低。因此本实施例需要对灰度图像进行边缘检测来得到钢绞线的边缘图像，通过该边缘图像中的线条来对钢绞线的受腐蚀情况进行检测。
对得到的如图2所示的钢绞线灰度图像进行Canny边缘算子检测的方式获得如图3所示的边缘图像，由于锈蚀的钢绞线，因为生锈的原因导致其图像的局部边缘较多且具有局部尺寸大小较大或者较小。正常的钢绞线图像边缘较少，且局部尺寸正常。以此可以根据钢绞线图像的边缘以及局部尺寸的变化来获得钢绞线的区域锈蚀程度，得到钢绞线的质量指标；同时钢绞线因为位置不同，生锈程度不同，受到生锈影响越严重的区域，其边缘可能越密集，需要对边缘图像进行局部边缘像素点集合获取，并利用每个局部边缘像素点的集合进行局部区域的边缘密性的计算。
因为钢绞线不同区域受到锈蚀的程度不同，所以在图像上边缘的分布是不均匀的，为了对图像的边缘进行更加客观的分析，所以本发明利用聚类算法对边缘图像上的边缘像素点进行基于坐标的聚类，利用聚类算法来对边缘图像中的所有边缘点根据密集程度进行局部划分；来完成对边缘图像的分割得到多个局部区域；
在进行分割时，首先对边缘图像中的所有的边缘像素点所在的位置的坐标进行获 取，获得整体图像的边缘像素点的位置集合
Figure SMS_50
，其中
Figure SMS_51
如下所示：
Figure SMS_52
其中，
Figure SMS_53
为钢绞线边缘图像中第
Figure SMS_54
个边缘像素点的位置坐标；
Figure SMS_55
（
Figure SMS_56
为钢绞 线边缘图像中所有的边缘像素点的总个数）。
而后利用二维自适应k-means聚类算法对
Figure SMS_57
进行聚类获得
Figure SMS_58
个聚类类别（其中每一 个类别都为钢绞线图像的一个局部），以第
Figure SMS_59
个聚类类别
Figure SMS_60
为例，
Figure SMS_61
具体如下所示：
Figure SMS_62
其中，
Figure SMS_64
为钢绞线第
Figure SMS_67
个类别中的中第
Figure SMS_69
个边缘像素点的位置坐标；
Figure SMS_65
（
Figure SMS_66
为钢绞线第
Figure SMS_68
个聚类类别中的所有边缘像素点的总个数）；
Figure SMS_70
（
Figure SMS_63
为所 有的聚类总类别）。
至此，钢绞线的边缘像素点的局部像素点集合获取完毕，获得了
Figure SMS_71
个局部像素点集 合，根据得到的
Figure SMS_72
个局部像素点集合得到K个局部区域。
在获取多K个局部区域后，然后根据每一个局部区域内边缘像素点的坐标来计算其每个区域的边缘密集性；
计算每个局部区域的边缘密集性的表达式如下：
Figure SMS_73
式中：
Figure SMS_84
表示第
Figure SMS_76
个局部区域的边缘密集性；
Figure SMS_80
表示第
Figure SMS_88
个局部区域内边缘像素 点的数量；
Figure SMS_92
表示第
Figure SMS_91
个局部区域内所有边缘像素点的
Figure SMS_95
坐标的方差；
Figure SMS_82
表示第
Figure SMS_86
个局部区 域内所有边缘像素点的
Figure SMS_74
坐标的方差；
Figure SMS_78
表示所有局部区域的数量；
Figure SMS_90
表示第
Figure SMS_94
个局部区域， 且
Figure SMS_93
，
Figure SMS_96
；
Figure SMS_77
第
Figure SMS_81
个局部区域内边缘像素点的数量；
Figure SMS_85
表示第
Figure SMS_89
个局部区域内 所有边缘像素点的
Figure SMS_75
坐标的方差；
Figure SMS_79
表示第
Figure SMS_83
个局部区域内所有边缘像素点的
Figure SMS_87
坐标的方 差；
在钢绞线的边缘图像中，因为不同区域受到的生锈程度不同，所以边缘的密集程 度不同，受到生锈越严重的局部，其边缘分布相对于锈蚀程度较小的局部越密集，反之则相 反。而密集反映在图像之上即像素点的位置的紧凑程度以及像素点的个数，所以本实施例 利用每个局部边缘像素点集合中的边缘像素点的个数与该集合中的所有边缘像素点的
Figure SMS_99
与
Figure SMS_101
坐标的方差的比值来表示该局部区域的边缘像素点的密集程度，具体表现在该局部区域 中边缘像素点的个数越多，且边缘像素点的
Figure SMS_104
与
Figure SMS_98
坐标越紧凑（方差越小）则说明该局部区域 中边缘像素点的密集程度越高，而为了明显的区分出该局部区域与其余局部区域的差距， 所以利用相同的方式来获得除第
Figure SMS_100
个局部区域的密集程度的平均值，以此来作为标准量化 第
Figure SMS_103
个局部区域的边缘像素点的密集性
Figure SMS_105
；
Figure SMS_97
越大，说明第
Figure SMS_102
个局部集合中所有边缘像 素点不仅自身密集程度较高，并且相对于其余的局部区域密集程度而言也较高，即该局部 区域受到锈蚀的影响可能越大。
按照此方式获取分割后所有局部区域的边缘密集性。
上述中获得了钢绞线的局部区域的边缘密集性，局部区域的边缘密集性仅是用来 表示钢绞线生锈的一个指标，钢绞线的锈蚀是在生锈的基础上发生了局部腐蚀，使得钢绞 线的局部区域的尺寸发生了变化及局部区域两侧边对应像素点之间的距离发生变化，所以 本发明首先利用钢绞线的边缘图来获得钢绞线的尺寸像素点集合
Figure SMS_106
，而后利用
Figure SMS_107
获得不 同局部的尺寸，并利用局部区域的边缘密集性结合局部区域的尺寸变化来获取钢绞线的局 部腐蚀程度。
本实施例中获取尺寸像素点集合
Figure SMS_108
的方法如下：
获取边缘图像中两条尺寸边缘，该两条尺寸边缘指的是边缘图像上两侧最外侧的边缘像素点形成的边缘即为两条尺寸边缘，具体获取的方式为对边缘图像进行连通域检测，然后对连通域检测后形成的单独连通域是否为尺寸边缘连通域进行判定，判定方式为其某一个法线方向无其余边缘像素点则认为其为尺寸连通域，否则为非尺寸连通域。利用该方式可获得钢绞线边缘图上的两个尺寸边缘；
由于两条尺寸边缘上可能会存在凹凸的情况的出现导致其两条尺寸边缘上的像素点数量不相等，如果直接将两条尺寸边缘上的像素点进行匹配来得到两个匹配像素点之间的距离，则会存在相应的误差，因此本实施例为了能够得到更加精确的边缘像素点对，将两条尺寸边缘上边缘像素点少的一条尺寸边缘作为目标边缘尺寸；
将目标边缘尺寸上每个边缘像素点及该另一条尺寸边缘上距离该边缘像素点最近的边缘像素点组成的边缘像素点对作为目标边缘像素点对；
根据依次获得目标边缘尺寸上所有边缘像素点的目标边缘像素点对组成目标边缘像素点对集合；
具体的如下表示：
Figure SMS_109
Figure SMS_110
式中：
Figure SMS_111
表示目标边缘尺寸上的所有边缘像素点的坐标集合，
Figure SMS_112
表示另一条边 缘尺寸上与
Figure SMS_113
中边缘像素点匹配的边缘像素点的坐标集合；
Figure SMS_114
为两个尺寸像素点集合中 的第
Figure SMS_115
个像素点（
Figure SMS_116
）（且两个集合中的
Figure SMS_117
一一对应）。
而后需要对得到目标边缘像素点对集合中的边缘像素点对与局部区域中进行匹 配，得到每个局部区域中所包含的目标边缘像素点对；具体分配过程为对
Figure SMS_118
、
Figure SMS_119
中的所 有像素点的坐标与每个局部像素点集合中的像素点的坐标进行重复匹配，如果
Figure SMS_120
、
Figure SMS_121
某 个像素点的坐标与任意一个局部像素点集合中的像素点的坐标重复，则将该尺寸像素点分 配至对应的局部中，利用该方式可以获得每个局部像素点集合中的尺寸像素点，以第
Figure SMS_122
个局 部像素点集合为例，其对应的目标边缘像素点对集合为：
Figure SMS_123
Figure SMS_124
最后利用尺寸像素点进行钢绞线的局部锈蚀程度的计算，以第
Figure SMS_125
个局部区域为例， 其局部锈蚀程度
Figure SMS_126
的计算方式如下所示：
获取边缘图像的两条尺寸边缘，所述尺寸边缘为边缘图像中最外侧的两条边缘图像；且获取两条尺寸边缘上相互匹配所有目标边缘像素点对集合；
根据每个局部区域中所包含目标边缘像素点对集合中每对目标边缘像素点的距离、目标边缘像素点对的数量及局部区域的边缘密集性得到每个局部区域的腐蚀程度；
边缘密集性的表达式为：
Figure SMS_127
式中：
Figure SMS_146
表示第
Figure SMS_150
个局部区域的腐蚀程度；
Figure SMS_154
表示第
Figure SMS_130
个局部区域内第
Figure SMS_134
个目标 像素点对中两个目标像素点的距离；
Figure SMS_138
表示第
Figure SMS_142
个局部区域内第
Figure SMS_131
个目标像素点对 中两个目标像素点的距离；
Figure SMS_135
表示第
Figure SMS_139
个局部区域内目标像素点对的数量；
Figure SMS_143
表示目标边 缘像素点对集合中第
Figure SMS_147
个目标像素点对中两个目标像素点的距离；
Figure SMS_151
表示目标边缘像素 点对集合中第
Figure SMS_155
个目标像素点对中两个目标像素点的距离；
Figure SMS_159
表示目标边缘像素点对集 合中目标像素点对的数量；
Figure SMS_145
表示第
Figure SMS_149
个局部区域的边缘密集性。式中
Figure SMS_153
；
Figure SMS_157
表示第
Figure SMS_128
个局部区域中所包含第
Figure SMS_133
个目标像 素点对中一个目标像素点的
Figure SMS_137
轴的坐标值；
Figure SMS_141
表示第
Figure SMS_148
个局部区域中所包含第
Figure SMS_152
个目标像 素点对另一个匹配的目标像素点的
Figure SMS_156
轴的坐标值；
Figure SMS_160
表示第
Figure SMS_158
个局部区域中所包含第
Figure SMS_161
个 目标像素点对中一个目标像素点的
Figure SMS_162
轴的坐标值；
Figure SMS_163
表示第
Figure SMS_129
个局部区域中所包含第
Figure SMS_132
个 目标像素点对另一个匹配的目标像素点的
Figure SMS_136
轴的坐标值；
Figure SMS_140
获取的方式与
Figure SMS_144
获取的方 式相同。
钢绞线锈蚀的区域一般都是在生锈的基础上发生了局部尺寸的变化，所以本发明 利用第
Figure SMS_164
个局部区域的钢绞线的尺寸与整体钢绞线的尺寸的差值来表示第
Figure SMS_165
个局部区域的 钢绞线的尺寸变化，该变化越大，说明钢绞线的第
Figure SMS_166
个局部区域为锈蚀的可能性越大，而后 通过利用第
Figure SMS_167
个局部区域的边缘密集性作为权值来进行进一步的确定，权值越大说明该区 域生锈越严重。在钢绞线中，某个区域的不仅尺寸大小与整体尺寸大小相差较大，且该区域 生锈较严重，则该区域一定为锈蚀区域。
利用所有局部区域的腐蚀程度对钢绞线的质量进行评估。
质量进行评估的方法包括：
利用每个局部区域的腐蚀程度获取钢绞线的整体质量指标；
根据钢绞线的整体质量指标对钢绞线的质量进行评估；
获取整体质量指标的表达式为：
Figure SMS_168
式中：
Figure SMS_169
表示钢绞线的整体质量指标；
Figure SMS_170
表示第
Figure SMS_171
个局部区域的腐蚀程度；
Figure SMS_172
表 示所有局部区域的数量；
Figure SMS_173
表示归一化函数；钢绞线的局部锈蚀程度越大，则说明整体的 质量越差，具体的是当
Figure SMS_174
，钢绞线的质量较差，此时发出警报，提醒工作人员钢绞线 的质量受到腐蚀比较严重，需要对其进行维修或者更换避免不能即使的发现钢绞线的质量 问题造成安全隐患。
本实施例采用无人机对钢绞线的图像进行采集，节省了数据采集的时间，并且降低了数据采集的安全性，提高了数据采集的效率，对采集后钢绞线图像的边缘图像及逆行分析来获取每个局部区域的边缘密集性及每个局部区域中所包含的边缘尺寸像素点的尺寸（匹配像素点之间的距离）来得到每个局部区域的腐蚀程度，通过腐蚀程度来对钢绞线的质量来进行判断，更加准确，且通过图像来进行判断无需在实验室进行，更方便，同时可以根据需求随时进行钢绞线的质量检测，提高了检测的效率，对桥梁的安全检测提供了有效的保证。
本实施例在具体实施过程中，包含无人机，所述无人机上设有高清摄像机对桥梁上的钢绞线图像进行采集，且通过无人机上的无线传感器将其发送到终端，所述终端包含图像接收模块、图像处理模块、计算模块及质量判断模块，终端上的图像接收模块接收到钢绞线图像后通过图像处理模块进行处理，在处理的过程中先对钢绞线图像的背景进行去除，然后对其去除背景后的图像及逆行边缘检测得到边缘图像，最后将边缘图像分割为多个局部区域，计算模块根据局部区域内边缘像素点坐在位置的坐标获取局部区域的边缘密集性，然后利用局部区域的边缘密集性及局部区域中所包含的边缘尺寸像素点的尺寸（匹配像素点之间的距离）来得到每个局部区域的腐蚀程度,质量判断模块根据计算模块计算出每个局部区域的腐蚀程度来对钢绞线的质量进行判断，当判断出钢绞线为异常时，终端将该钢绞线所在桥梁位置在终端的显示器上进行显示，同时对该钢绞线进行标记，方便后续对该钢绞线进行维修或者更换，提高了检测的效率，对桥梁的安全检测提供了有效的保证，本实施例中所采集的图像中存在多根钢绞线时，在处理时将其进行分离，得到每一根钢绞线，来对其进行判断。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于机器视觉的钢绞线质量检测方法，其特征在于，包括：
获取钢绞线图像的边缘图像；
对所述边缘图像进行分割得到多个局部区域；
利用每一个局部区域中边缘像素点的位置得到每一个局部区域的边缘密集性；
获取边缘图像的两条尺寸边缘，所述尺寸边缘为边缘图像中最外侧的两条边缘图像；且获取两条尺寸边缘上相互匹配所有目标边缘像素点对集合；
根据每个局部区域中所包含目标边缘像素点对集合中每对目标边缘像素点的距离、目标边缘像素点对的数量及局部区域的边缘密集性得到每个局部区域的腐蚀程度；
利用所有局部区域的腐蚀程度对钢绞线的质量进行评估。
2.根据权利要求1所述的基于机器视觉的钢绞线质量检测方法，其特征在于，对所述边缘图像进行分割得到多个局部区域的方法包括：
获取边缘图像中每一个边缘像素点所在位置的坐标；
基于边缘像素点的坐标采用二维自适应k-means聚类算法对边缘像素点进行聚类得到多个局部区域。
3.根据权利要求1所述的基于机器视觉的钢绞线质量检测方法，其特征在于，得到每一个局部区域的边缘密集性的方法包括：
边缘密集性的表达式为：
Figure QLYQS_1
式中：
Figure QLYQS_12
表示第/>
Figure QLYQS_2
个局部区域的边缘密集性；/>
Figure QLYQS_8
表示第/>
Figure QLYQS_4
个局部区域内边缘像素点的数量；/>
Figure QLYQS_6
表示第/>
Figure QLYQS_10
个局部区域内所有边缘像素点的/>
Figure QLYQS_14
坐标的方差；/>
Figure QLYQS_11
表示第/>
Figure QLYQS_15
个局部区域内所有边缘像素点的/>
Figure QLYQS_3
坐标的方差；/>
Figure QLYQS_7
表示所有局部区域的数量；/>
Figure QLYQS_19
表示第/>
Figure QLYQS_23
个局部区域，且
Figure QLYQS_21
，/>
Figure QLYQS_24
；/>
Figure QLYQS_16
第/>
Figure QLYQS_20
个局部区域内边缘像素点的数量；/>
Figure QLYQS_18
表示第/>
Figure QLYQS_22
个局部区域内所有边缘像素点的/>
Figure QLYQS_5
坐标的方差；/>
Figure QLYQS_9
表示第/>
Figure QLYQS_13
个局部区域内所有边缘像素点的/>
Figure QLYQS_17
坐标的方差。
4.根据权利要求1所述的基于机器视觉的钢绞线质量检测方法，其特征在于，获取两条尺寸边缘上相互匹配所有目标边缘像素点对集合的方法包括：
将两条尺寸边缘上边缘像素点少的一条尺寸边缘作为目标边缘尺寸；
将目标边缘尺寸上每个边缘像素点及该另一条尺寸边缘上距离该边缘像素点最近的边缘像素点组成的边缘像素点对作为目标边缘像素点对；
根据依次获得目标边缘尺寸上所有边缘像素点的目标边缘像素点对组成目标边缘像素点对集合。
5.根据权利要求1或4所述的基于机器视觉的钢绞线质量检测方法，其特征在于，获取每个局部区域的腐蚀程度的方法包括：
所述腐蚀程度的表达式为：
Figure QLYQS_25
式中：
Figure QLYQS_36
表示第/>
Figure QLYQS_28
个局部区域的腐蚀程度；/>
Figure QLYQS_32
表示第/>
Figure QLYQS_37
个局部区域内第/>
Figure QLYQS_41
个目标像素点对中两个目标像素点的距离；/>
Figure QLYQS_40
表示第/>
Figure QLYQS_42
个局部区域内第/>
Figure QLYQS_35
个目标像素点对中两个目标像素点的距离；/>
Figure QLYQS_39
表示第/>
Figure QLYQS_26
个局部区域内目标像素点对的数量；/>
Figure QLYQS_31
表示目标边缘像素点对集合中第/>
Figure QLYQS_29
个目标像素点对中两个目标像素点的距离；/>
Figure QLYQS_33
表示目标边缘像素点对集合中第/>
Figure QLYQS_34
个目标像素点对中两个目标像素点的距离；/>
Figure QLYQS_38
表示目标边缘像素点对集合中目标像素点对的数量；/>
Figure QLYQS_27
表示第/>
Figure QLYQS_30
个局部区域的边缘密集性。
6.根据权利要求1所述的基于机器视觉的钢绞线质量检测方法，其特征在于，利用所有局部区域的腐蚀程度对钢绞线的质量进行评估的方法包括：
利用每个局部区域的腐蚀程度获取钢绞线的整体质量指标；
根据钢绞线的整体质量指标对钢绞线的质量进行评估；
获取整体质量指标的表达式为：
Figure QLYQS_43
式中：
Figure QLYQS_44
表示钢绞线的整体质量指标；/>
Figure QLYQS_45
表示第/>
Figure QLYQS_46
个局部区域的腐蚀程度；/>
Figure QLYQS_47
表示所有局部区域的数量；/>
Figure QLYQS_48
表示归一化函数。
7.根据权利要求6所述的基于机器视觉的钢绞线质量检测方法，其特征在于，根据钢绞线的整体质量指标对钢绞线的质量进行评估的方法为，当
Figure QLYQS_49
，钢绞线的质量较差。
CN202310611334.1A 2023-05-29 2023-05-29 基于机器视觉的钢绞线质量检测方法 Active CN116342598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310611334.1A CN116342598B (zh) 2023-05-29 2023-05-29 基于机器视觉的钢绞线质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310611334.1A CN116342598B (zh) 2023-05-29 2023-05-29 基于机器视觉的钢绞线质量检测方法

Publications (2)

Publication Number Publication Date
CN116342598A true CN116342598A (zh) 2023-06-27
CN116342598B CN116342598B (zh) 2023-08-01

Family

ID=86884433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310611334.1A Active CN116342598B (zh) 2023-05-29 2023-05-29 基于机器视觉的钢绞线质量检测方法

Country Status (1)

Country Link
CN (1) CN116342598B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011305A (zh) * 2023-10-08 2023-11-07 汉中禹龙科技新材料有限公司 基于图像处理的低松弛钢绞线损伤检测方法
CN117152140A (zh) * 2023-10-30 2023-12-01 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线质量检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409314A (zh) * 2021-08-18 2021-09-17 南京市特种设备安全监督检验研究院 高空钢结构腐蚀的无人机视觉检测与评价方法及***
CN114002327A (zh) * 2021-11-05 2022-02-01 湘潭大学 一种用于钢绞线完整程度的检测方法
CN115100203A (zh) * 2022-08-25 2022-09-23 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN115294159A (zh) * 2022-09-30 2022-11-04 南通市博洋铸造有限公司 金属紧固件腐蚀区域分割方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN115858832A (zh) * 2023-03-01 2023-03-28 天津市邱姆预应力钢绞线有限公司 一种用于钢绞线生产数据存储方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409314A (zh) * 2021-08-18 2021-09-17 南京市特种设备安全监督检验研究院 高空钢结构腐蚀的无人机视觉检测与评价方法及***
CN114002327A (zh) * 2021-11-05 2022-02-01 湘潭大学 一种用于钢绞线完整程度的检测方法
CN115100203A (zh) * 2022-08-25 2022-09-23 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN115294158A (zh) * 2022-09-26 2022-11-04 江苏万森绿建装配式建筑有限公司 一种基于机器视觉的热连轧带钢图像分割方法
CN115294159A (zh) * 2022-09-30 2022-11-04 南通市博洋铸造有限公司 金属紧固件腐蚀区域分割方法
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN115858832A (zh) * 2023-03-01 2023-03-28 天津市邱姆预应力钢绞线有限公司 一种用于钢绞线生产数据存储方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINYU LIU ET AL.: ""Data analysis in visual power linne inspection: An in-depth review of deep learning for compoment detection and fault diagnosis"", 《ANNUAL REVIEWS IN CONTROL》, vol. 50 *
王锡智: ""一种冶金腐蚀区域图像分割算法研究"", 《科技通报》, vol. 30, no. 2 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011305A (zh) * 2023-10-08 2023-11-07 汉中禹龙科技新材料有限公司 基于图像处理的低松弛钢绞线损伤检测方法
CN117011305B (zh) * 2023-10-08 2023-12-19 汉中禹龙科技新材料有限公司 基于图像处理的低松弛钢绞线损伤检测方法
CN117152140A (zh) * 2023-10-30 2023-12-01 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线质量检测方法
CN117152140B (zh) * 2023-10-30 2024-02-13 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线质量检测方法

Also Published As

Publication number Publication date
CN116342598B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116342598B (zh) 基于机器视觉的钢绞线质量检测方法
CN111681240B (zh) 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN111781113B (zh) 一种粉尘网格化定位方法及粉尘网格化监测方法
CN111735524B (zh) 基于图像识别的轮胎荷载获取方法、车辆称重方法及***
CN113592828B (zh) 基于工业内窥镜的无损检测方法及***
CN107798293A (zh) 一种道路裂缝检测装置
CN111259770B (zh) 基于无人机平台和深度学习的复杂背景下索力快速测试方法
CN113627299B (zh) 一种基于深度学习的导线漂浮物智能识别方法及装置
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN112991432A (zh) 基于图像处理的覆冰冰形识别方法
CN115834838A (zh) 一种隧道内的监控方法、设备和介质
CN115808324A (zh) 一种中小跨径桥梁轻量化安全管理监测方法及***
CN114581764A (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN117037132A (zh) 一种基于机器视觉的船舶水尺读数检测和识别方法
CN115345859A (zh) 隧道渗漏水图像的智能检测方法、装置、设备及存储介质
CN111127381B (zh) 一种受电弓滑板不平行检测方法
CN113989286A (zh) 深度学习的皮带撕裂度量方法、装置、设备及存储介质
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查***及其排查方法
CN116110006B (zh) 一种用于智慧旅游***的景区游客异常行为识别方法
CN115965796A (zh) 一种基于图像识别的金属锈蚀检测方法及***
CN116824479A (zh) 用于工厂的智能巡检***
CN115546115A (zh) 一种基于地理形态学的覆冰冰形图片分割及识别方法
CN111696103B (zh) 单跨简支梁桥在不中断交通条件下的恒载线形测绘方法
CN113869407A (zh) 一种基于单目视觉的车长测量方法和装置
CN116698854B (zh) 一种工程结构健康检测方法及***

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