CN116993731B - 基于图像的盾构机刀头缺陷检测方法 - Google Patents
基于图像的盾构机刀头缺陷检测方法 Download PDFInfo
- Publication number
- CN116993731B CN116993731B CN202311252954.7A CN202311252954A CN116993731B CN 116993731 B CN116993731 B CN 116993731B CN 202311252954 A CN202311252954 A CN 202311252954A CN 116993731 B CN116993731 B CN 116993731B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- sliding window
- gaussian
- points
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000005641 tunneling Effects 0.000 title claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像的盾构机刀头缺陷检测方法,包括:通过对刀头灰度图像进行不同高斯参数下的高斯模糊处理,获得刀头灰度图像中边缘像素点随之变化而对应的第一边缘图像,根据若干个第一边缘图像中同位置边缘像素点的数量获得刀头灰度图像中第二边缘点的变化敏感程度,并结合局部范围内第二边缘点之间距离、变化敏感程度以及不同部分之间的差异获得自适应权重参数,通过自适应权重参数进行图像增强以完成盾构机刀头检测。本发明提高了对刀头灰度图像的增强效果,更加凸显了刀头灰度图像中的缺陷区域,提高了对刀头缺陷的精准检测,进一步提高了盾构机刀头产品质量。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像的盾构机刀头缺陷检测方法。
背景技术
盾构机刀头缺陷检测场景中,在盾构机使用过程中,盾构机刀头会产生常见的裂纹、断裂等缺陷,需要进行及时的缺陷检测与修复更换等的处理,以免影响盾构机的使用寿命与施工进度。
由于图像数据获取容易且检测结果清晰直观,因此目前广泛采用机器视觉进行刀头缺陷检测,而对刀头灰度图像进行锐化增强处理的过程中,由于常规的反锐化掩膜算法无法区分高频信息所对应的边缘属于缺陷区域还是纹理区域,因此会受到盾构机刀头表面上粗糙的金属纹理的影响,即纹理对应的边缘高频信息会干扰缺陷区域的边缘提取,导致反锐化掩模算法对缺陷区域以及纹理区域同时增强,极大降低了缺陷检测结果的准确性。
发明内容
本发明提供基于图像的盾构机刀头缺陷检测方法,以解决现有的问题:常规的盾构机刀头缺陷检测中,会受到盾构机刀头粗糙的金属表面影响,粗糙表面产生的边缘高频信息会干扰缺陷区域的边缘提取,造成感兴趣区域与噪声区域的边缘同时锐化增强,影响后续缺陷类型的检测结果的准确性。
本发明的基于图像的盾构机刀头缺陷检测方法采用如下技术方案:
本发明一个实施例提供了基于图像的盾构机刀头缺陷检测方法,该方法包括以下步骤:
获取刀头灰度图像;
对刀头灰度图像进行多次模糊处理获得若干个第一边缘图像;将所有第一边缘图像中的边缘像素点记为第一边缘点,将与第一边缘点的位置相同且在刀头灰度图像中的像素点记为第二边缘点;所述第二边缘点对应若干个第一边缘点,根据任意第二边缘点对应第一边缘点的数量获得第二边缘点的变化敏感程度;
构建预设大小的滑动窗口,将第二边缘点作为滑动窗口的中心点,利用滑动窗口遍历刀头灰度图像中的所有第二边缘点,根据滑动窗口内第二边缘点的变化敏感程度以及第二边缘点之间的距离获得滑动窗口中心点所对应第二边缘点的变化敏感置信程度;获取滑动窗口的主成分方向,根据主成分方向获得滑动窗口的第一部分和第二部分,根据第一部分和第二部分的差异获得滑动窗口中心点对应第二边缘点的邻域灰度差异程度;将变化敏感置信程度和邻域灰度差异程度的融合结果记为第二边缘点的缺陷边缘置信度;
利用缺陷边缘置信度获得自适应权重参数,结合自适应权重参数对刀头灰度图像进行缺陷检测。
进一步的,所述对刀头灰度图像进行多次模糊处理获得若干个第一边缘图像,包括的具体方法为:
首先,预设高斯核大小和高斯标准差对刀头灰度图像进行多次模糊处理,获得若干个高斯模糊图像;
然后,获取刀头灰度图像与任意高斯模糊图像之间的差值图像,并利用Canny边缘检测算法获得差值图像所对应的边缘图像记为第一边缘图像,获得若干个第一边缘图像。
进一步的,所述高斯模糊图像的具体获取方法为:
首先,高斯核大小从初始值开始,以步长/>进行迭代递增,直至高斯核大小大于等于/>时停止,得到若干高斯核大小;获取高斯标准差从预设初始值/>开始,以步长/>进行迭代递增,直至高斯标准差大于等于/>,得到若干高斯标准差;由所有高斯核大小和高斯标准差两两组合,将任意高斯核大小和高斯标准差的组合形成的参数记为高斯参数,每个高斯参数中的高斯核大小和高斯标准差构成一个高斯滤波核,获得若干个高斯滤波核,其中,为预设的超参数;
然后,结合任意高斯滤波核通过高斯模糊算法对刀头灰度图像进行处理获得对应高斯滤波核下的高斯模糊图像。
进一步的,所述根据任意第二边缘点对应第一边缘点的数量获得第二边缘点的变化敏感程度,包括的具体方法为:
首先,将任意第二边缘点对应的第一边缘点的数量记为第二边缘点的第一数值;
然后,任意第二边缘点的变化敏感程度的具体计算方法为:,其中CS表示第二边缘点的变化敏感程度,/>表示第二边缘点的第一数值,/>表示以自然常数为底数的指数函数。
进一步的,所述根据滑动窗口内第二边缘点的变化敏感程度以及第二边缘点之间的距离获得滑动窗口中心点所对应第二边缘点的变化敏感置信程度,包括的具体方法为:
首先,构建大小为的滑动窗口,将第二边缘点作为滑动窗口的中心点,利用滑动窗口遍历刀头灰度图像中的所有第二边缘点,获取滑动窗口内所有第二边缘点的变化敏感程度,其中/>为预设的超参数;
然后,滑动窗口中心点对应第二边缘点的变化敏感置信程度的具体计算方法为:
其中,表示滑动窗口的中心点的变化敏感置信程度;/>表示滑动窗口内第/>个第二边缘点的变化敏感程度;/>表示滑动窗口内第/>个第二边缘点与中心点之间的距离特征;/>表示滑动窗口内第二边缘点的数量。
进一步的,所述距离特征的具体获取方法为:
首先,获取位于滑动窗口内任意第二边缘点与中心点之间的欧式距离;
然后,将第二边缘点与中心点之间的欧式距离记为第二边缘点与滑动窗口的中心点之间的距离特征。
进一步的,所述邻域灰度差异程度的具体获取方法为:
首先,获取滑动窗口内所有第二边缘点,对滑动窗口内所有第二边缘点进行主成分分析获得滑动窗口的主成分方向,由滑动窗口的主成分方向所在的直线将滑动窗口划分为两部分,分别记为滑动窗口的第一部分和第二部分;
然后,根据滑动窗口的第一部分和第二部分内像素点的灰度值获得滑动窗口的中心点的邻域灰度差异程度,具体计算方法为:
其中,表示滑动窗口的中心点的邻域灰度差异程度;/>表示第一部分内所有像素点的平均灰度值;/>表示第一部分内所有像素点对应灰度值的标准差;/>表示第二部分内所有像素点的平均灰度值;/>表示第二部分内所有像素点对应灰度值的标准差;/>表示以自然常数为底数的指数函数;/>表示获取绝对值。
进一步的,所述缺陷边缘置信度的具体获取方法为:
首先,利用线性归一化方法对刀头灰度图像中所有第二边缘点在通过滑动窗口进行遍历后获得的邻域灰度差异程度进行线性归一化,将线性归一化后的邻域灰度差异程度记为归一化邻域灰度差异程度;
然后,将任意第二边缘点的变化敏感置信程度和归一化邻域灰度差异程度的乘积记为第二边缘点的缺陷边缘置信度。
进一步的,所述利用缺陷边缘置信度获得自适应权重参数,结合自适应权重参数对刀头灰度图像进行缺陷检测,包括的具体方法为:
首先,根据缺陷边缘置信度的大小获得自适应权重参数;将高斯核大小和高斯标准差的最小取值下所对应的差值图像记为初始差值图像;
然后,利用自适应权重参数对刀头灰度图像进行增强处理,获得刀头灰度图像对应的增强图像,具体获取方法为:
其中,表示增强图像中坐标为/>的像素点;/>表示刀头灰度图像中坐标为/>的像素点;/>表示初始差值图像中坐标为/>的像素点;/>表示坐标为/>的像素点对应的自适应权重参数;
最后,利用Canny边缘检测算法对增强图像进行边缘检测,获得刀头灰度图像中盾构机刀头表面上缺陷区域对应的边缘记为缺陷边缘,对缺陷边缘进行标注并进行可视化。
进一步的,所述自适应权重参数的具体获取方法为:
利用线性归一化方法对所有缺陷边缘置信度进行归一化处理,将缺陷边缘置信度的归一化结果记为归一化缺陷边缘置信度;预设置信阈值,当第二边缘点的归一化缺陷边缘置信度大于等于置信阈值/>时,将第二边缘点的缺陷边缘置信度作为自适应权重参数;当第二边缘点的归一化缺陷边缘置信度小于置信阈值/>时,将负的缺陷边缘置信度作为自适应权重参数。
本发明的技术方案的有益效果是:通过对刀头灰度图像进行不同高斯参数下的高斯模糊处理,获得刀头灰度图像中边缘像素点随之变化而对应的第一边缘图像,根据若干个第一边缘图像中同位置边缘像素点的数量获得刀头灰度图像中第二边缘点的变化敏感程度,并结合局部范围内第二边缘点之间距离、变化敏感程度以及不同部分之间的差异获得自适应权重参数,通过自适应权重参数进行图像增强以完成盾构机刀头检测,提高了对刀头灰度图像的增强效果,更加凸显了刀头灰度图像中的缺陷区域,提高了对刀头缺陷的精准检测,进一步提高了盾构机刀头产品质量。
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地介绍,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为本发明基于图像的盾构机刀头缺陷检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像的盾构机刀头缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像的盾构机刀头缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像的盾构机刀头缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取盾构机刀头对应待检测的刀头灰度图像,并进行图像预处理。
具体的,为了实现本实施例提出的基于图像的盾构机刀头缺陷检测方法,首先需要采集刀头灰度图像,具体过程为:
首先,在充足的光照条件下,将相机设置在盾构机刀头正前方,获得盾构机刀头待测图像。
然后,对获得的盾构机刀头待测图像进行灰度化,获得盾构机刀头待测灰度图像,并利用高斯滤波对获得的盾构机刀头待测灰度图像进行去噪处理,将去噪后获得的图像记为刀头灰度图像。
需要说明的是,高斯滤波为现有的图像降噪算法,因此本实施例不过多赘述。
至此,通过上述方法得到刀头灰度图像。
步骤S002:根据获得刀头灰度图像的边缘变化程度,获得变化敏感程度。
需要说明的是,由于采用反锐化掩膜对刀头灰度图像进行处理过程中,经过高斯模糊后获取的差分图像中的高频信息包含刀头表面的纹理以及需要增强的缺陷边缘,因此需要根据刀头灰度图像中边缘信息的灰度分布特征,量化刀头灰度图像在不同程度的高斯模糊处理下边缘信息的变化以区分不同边缘,并构建出自适应反锐化权重参数,完成刀头灰度图像的自适应反锐化掩膜,便于后续的盾构机刀头的缺陷检测。
另外,由于盾构机刀头的缺陷区域对应的边缘,与刀头的粗糙表面产生的纹理边缘在不同高斯模糊尺度下获得的高频信息不同,因此根据边缘信息获得边缘像素点的变化敏感程度。
具体的,步骤(1),首先,获取从初始值开始,以步长/>进行迭代递增,直至高斯核大小大于等于/>时停止,得到若干高斯核大小;获取从预设初始值/>开始,以步长/>进行迭代递增的高斯标准差,直至高斯标准差大于等于/>,得到若干高斯标准差;由所有高斯核大小和高斯标准差两两组合,将任意高斯核大小和高斯标准差的组合形成的参数记为高斯参数,每个高斯参数中的高斯核大小和高斯标准差构成一个高斯滤波核,获得若干个高斯参数,其中,/>为预设的超参数。
需要说明的是,高斯核大小在迭代递增过程中,高斯核大小依次为,/>,/>,……同样的,高斯标准差在迭代递增过程中依次为/>,/>,/>,……
需要说明的是,高斯模糊算法的一个高斯滤波核由高斯核大小和高斯标准差决定,由于高斯模糊算法为现有算法,因此本实施例不过多赘述。
需要说明的是,根据经验预设高斯核大小的取值范围为/>,预设高斯保准差的取值范围/>为/>,预设第一步长/>为2,预设第二步长/>为0.05,超参数/>可根据实际情况进行调整,本实施例不作具体限定。
然后,结合任意高斯参数通过高斯模糊算法对刀头灰度图像进行处理获得对应高斯参数下的高斯模糊图像,则一个刀头灰度图像对应若干个高斯模糊图像。
最后,获取刀头灰度图像与任意高斯模糊图像之间的差值图像,并利用Canny边缘检测算法获得差值图像所对应的边缘图像记为第一边缘图像,获得若干个第一边缘图像;将所有第一边缘图像中的边缘像素点记为第一边缘点。
需要说明的是,第一边缘图像中边缘像素点的灰度值为1,非边缘像素点的灰度值为0。
另外,将高斯核大小和高斯标准差的最小取值下所对应的差值图像记为初始差值图像。
需要说明的是,高斯模糊图像、第一边缘图像与刀头灰度图像之间的图像大小相等。
需要说明的是,Canny边缘检测算法的中文名称为坎尼边缘检测算法,且Canny边缘检测算法为现有的边缘检测算法,因此本实施例不过多赘述。
步骤(2),首先,获取所有第一边缘图像中第一边缘点的位置,将刀头灰度图像中与第一边缘点的位置相同的像素点记为第二边缘点,则任意第二边缘点对应若干个第一边缘点,将任意第二边缘点对应的第一边缘点的数量记为第二边缘点的第一数值。
然后,将第一数值作为以自然常数为底数的指数衰减函数的输入,将指数衰减函数的输出记为刀头灰度图像中第二边缘点的变化敏感程度。
至此,通过上述方法得到刀头灰度图像中任意第二边缘点的变化敏感程度。
步骤S003:根据获得的变化敏感程度结合灰度分布特征,获得缺陷边缘置信度。
需要说明的是,由于缺陷边缘与刀头的纹理边缘之间形成的原理存在差异,一方面,缺陷边缘的像素点其邻域范围内的像素点的变化敏感程度较小,而纹理边缘的像素点其邻域范围内像素点的变化敏感程度较大,另一方面,缺陷边缘的像素点的邻域范围内像素点的灰度变化程度较大,而噪声边缘像素点其邻域的像素点的灰度变化程度较小。因此,根据像素点的邻域范围内其他像素点的变化敏感程度以及灰度分布的特征,获得刀头灰度图像中像素点属于缺陷边缘的置信度。
具体的,步骤(1),首先,构建大小为的滑动窗口,将第二边缘点作为滑动窗口的中心点,利用滑动窗口遍历刀头灰度图像中的所有第二边缘点,获取滑动窗口内所有第二边缘点的变化敏感程度,其中/>为预设的超参数。
需要说明的是,根据经验预设超参数为5,可根据实际情况进行调整,本实施例不作具体限定。
然后,获取位于滑动窗口内任意第二边缘点与中心点之间的欧式距离,记为第二边缘点与滑动窗口的中心点之间的距离特征。
最后,根据滑动窗口内第二边缘点的变化敏感程度以及距离特征获得中心点的变化敏感置信程度,具体计算方法为:
其中,表示滑动窗口的中心点的变化敏感置信程度;/>表示滑动窗口内第/>个第二边缘点的变化敏感程度;/>表示滑动窗口内第/>个第二边缘点与中心点之间的距离特征;/>表示滑动窗口内第二边缘点的数量,/>表示以自然常数为底数的指数函数。
在刀头灰度图像中任意第二像素点作为滑动窗口的中心点时,获得所有第二像素点的变化敏感程度。
步骤(2),首先,在滑动窗口对刀头灰度图像中第二边缘点进行遍历的过程中,获取滑动窗口内所有第二边缘点,对滑动窗口内所有第二边缘点进行主成分分析获得滑动窗口的主成分方向,由滑动窗口的主成分方向所在的直线将滑动窗口划分为两部分,分别记为滑动窗口的第一部分和第二部分。
需要说明的是,由于利用直线对滑动窗口进行划分的,因此不可避免的会使得部分像素点位于直线上,本实施中将直线上的像素点同时作为第一部分和第二部分共有的像素点。
需要说明的是,通过主成分分析算法获得的主成分方向有多个,每个主成分方向对应有一个特征值,本实施例中只保留特征值最大的主成分方向,用于表征滑动窗口内第二边缘点的主要分布方向;主成分分析算法为现有算法,因此本实施例不过多赘述。
然后,根据滑动窗口的第一部分和第二部分内像素点的灰度值获得滑动窗口的中心点的邻域灰度差异程度,具体计算方法为:
其中,表示滑动窗口的中心点的邻域灰度差异程度;/>表示第一部分内所有像素点的平均灰度值;/>表示第一部分内所有像素点对应灰度值的标准差;/>表示第二部分内所有像素点的平均灰度值;/>表示第二部分内所有像素点对应灰度值的标准差;/>表示以自然常数为底数的指数函数;/>表示获取绝对值。
在刀头灰度图像中任意第二像素点作为滑动窗口的中心点时,获得所有第二像素点的邻域程度。
其次,利用线性归一化方法对刀头灰度图像中所有第二边缘点在通过滑动窗口进行遍历后获得的邻域灰度差异程度进行线性归一化,将线性归一化后的邻域灰度差异程度记为归一化邻域灰度差异程度。
最后,将任意第二边缘点的变化敏感置信程度和归一化邻域灰度差异程度的乘积记为第二边缘点的缺陷边缘置信度。
至此,通过上述方法得到刀头灰度图像中第二边缘点的缺陷边缘置信度。
步骤S004:根据获得的缺陷边缘置信度构建自适应反锐化权重参数,完成图像的自适应反锐化掩膜,并根据增强后图像完成盾构机刀头的缺陷检测与分析。
需要说明的是,根据缺陷边缘置信度来构建自适应的反锐化掩膜算法的参数,实现对刀头灰度图像中属于缺陷区域的边缘进行增强,另外由于刀头的纹理对缺陷检测的影响,因此需要将纹理区域视为噪声进行削弱,使得刀头灰度图像中缺陷区域的边缘更加清晰明显,最终获得增强后图像。
具体的,步骤(1),首先,利用线性归一化方法对所有缺陷边缘置信度进行归一化处理,将缺陷边缘置信度的归一化结果记为归一化缺陷边缘置信度;预设置信阈值,当时,可认为对应的第二边缘点被认定为属于缺陷区域的像素点是可信的;当/>时,可认为对应第二边缘点被认定为属于缺陷区域的像素点是不可信的,其中/>表示第二边缘点的归一化缺陷边缘置信度。
根据缺陷边缘置信度的大小获得反锐化掩膜算法的自适应权重参数,具体计算方法为:
其中,表示自适应权重参数;/>表示第二边缘点的缺陷边缘置信度,/>表示预设的超参数。
需要说明的是,根据自适应权重参数的获取方法,获得的是刀头灰度图像中所有第二边缘点各自对应的自适应权重参数,而刀头灰度图像中除第二边缘点以外的像素点所对应的自适应权重参数为0;另外,任意一个第二边缘点即为刀头灰度图像中的一个像素点。
需要说明的是,根据经验预设超参数为0.78,可根据实际情况进行调整,本实施例不作具体限定。
然后,根据自适应权重参数结合反锐化掩膜算法对刀头灰度图像进行增强处理,获得刀头灰度图像对应的增强图像,具体获取方法为:
其中,表示增强图像中坐标为/>的像素点;/>表示刀头灰度图像中坐标为/>的像素点;/>表示初始差值图像中坐标为/>的像素点;/>表示坐标为/>的像素点对应的自适应权重参数。
需要说明的是,获取刀头灰度图像对应增强图像过程中,通过初始差值图像进行图像增强的方法为反锐化掩模算法的现有步骤,本实施例通过自适应权重参数对初始差值图像进行调整对常规的反锐化掩模算法进行优化,提高图像增强效果。
由此获得经过自适应反锐化掩膜算法对刀头灰度图像进行增强后的图像,即增强图像。
步骤(2),利用Canny边缘检测算法对增强图像进行边缘检测,获得刀头灰度图像中盾构机刀头表面上缺陷区域对应的边缘记为缺陷边缘,对缺陷边缘进行标注并进行可视化,完成盾构机刀头缺陷检测。
至此,本实施例完成。
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 (6)
1.基于图像的盾构机刀头缺陷检测方法,其特征在于,该方法包括以下步骤:
获取刀头灰度图像;
对刀头灰度图像进行多次模糊处理获得若干个第一边缘图像;将所有第一边缘图像中的边缘像素点记为第一边缘点,将与第一边缘点的位置相同且在刀头灰度图像中的像素点记为第二边缘点;所述第二边缘点对应若干个第一边缘点,根据任意第二边缘点对应第一边缘点的数量获得第二边缘点的变化敏感程度;
构建预设大小的滑动窗口,将第二边缘点作为滑动窗口的中心点,利用滑动窗口遍历刀头灰度图像中的所有第二边缘点,根据滑动窗口内第二边缘点的变化敏感程度以及第二边缘点之间的距离获得滑动窗口中心点所对应第二边缘点的变化敏感置信程度;获取滑动窗口的主成分方向,根据主成分方向获得滑动窗口的第一部分和第二部分,根据第一部分和第二部分的差异获得滑动窗口中心点对应第二边缘点的邻域灰度差异程度;将变化敏感置信程度和邻域灰度差异程度的融合结果记为第二边缘点的缺陷边缘置信度;
利用缺陷边缘置信度获得自适应权重参数,结合自适应权重参数对刀头灰度图像进行缺陷检测;
所述根据滑动窗口内第二边缘点的变化敏感程度以及第二边缘点之间的距离获得滑动窗口中心点所对应第二边缘点的变化敏感置信程度,包括的具体方法为:
首先,构建大小为的滑动窗口,将第二边缘点作为滑动窗口的中心点,利用滑动窗口遍历刀头灰度图像中的所有第二边缘点,获取滑动窗口内所有第二边缘点的变化敏感程度,其中/>为预设的超参数;
然后,滑动窗口中心点对应第二边缘点的变化敏感置信程度的具体计算方法为:
其中,表示滑动窗口的中心点的变化敏感置信程度;/>表示滑动窗口内第/>个第二边缘点的变化敏感程度;/>表示滑动窗口内第/>个第二边缘点与中心点之间的距离特征;/>表示滑动窗口内第二边缘点的数量;
所述距离特征的具体获取方法为:
首先,获取位于滑动窗口内任意第二边缘点与中心点之间的欧式距离;
然后,将第二边缘点与中心点之间的欧式距离记为第二边缘点与滑动窗口的中心点之间的距离特征;
所述邻域灰度差异程度的具体获取方法为:
首先,获取滑动窗口内所有第二边缘点,对滑动窗口内所有第二边缘点进行主成分分析获得滑动窗口的主成分方向,由滑动窗口的主成分方向所在的直线将滑动窗口划分为两部分,分别记为滑动窗口的第一部分和第二部分;
然后,根据滑动窗口的第一部分和第二部分内像素点的灰度值获得滑动窗口的中心点的邻域灰度差异程度,具体计算方法为:
其中,表示滑动窗口的中心点的邻域灰度差异程度;/>表示第一部分内所有像素点的平均灰度值;/>表示第一部分内所有像素点对应灰度值的标准差;/>表示第二部分内所有像素点的平均灰度值;/>表示第二部分内所有像素点对应灰度值的标准差;/>表示以自然常数为底数的指数函数;/>表示获取绝对值;
所述缺陷边缘置信度的具体获取方法为:
首先,利用线性归一化方法对刀头灰度图像中所有第二边缘点在通过滑动窗口进行遍历后获得的邻域灰度差异程度进行线性归一化,将线性归一化后的邻域灰度差异程度记为归一化邻域灰度差异程度;
然后,将任意第二边缘点的变化敏感置信程度和归一化邻域灰度差异程度的乘积记为第二边缘点的缺陷边缘置信度。
2.根据权利要求1所述基于图像的盾构机刀头缺陷检测方法,其特征在于,所述对刀头灰度图像进行多次模糊处理获得若干个第一边缘图像,包括的具体方法为:
首先,预设高斯核大小和高斯标准差对刀头灰度图像进行多次模糊处理,获得若干个高斯模糊图像;
然后,获取刀头灰度图像与任意高斯模糊图像之间的差值图像,并利用Canny边缘检测算法获得差值图像所对应的边缘图像记为第一边缘图像,获得若干个第一边缘图像。
3.根据权利要求2所述基于图像的盾构机刀头缺陷检测方法,其特征在于,所述高斯模糊图像的具体获取方法为:
首先,高斯核大小从初始值开始,以步长/>进行迭代递增,直至高斯核大小大于等于/>时停止,得到若干高斯核大小;获取高斯标准差从预设初始值/>开始,以步长/>进行迭代递增,直至高斯标准差大于等于/>,得到若干高斯标准差;由所有高斯核大小和高斯标准差两两组合,将任意高斯核大小和高斯标准差的组合形成的参数记为高斯参数,每个高斯参数中的高斯核大小和高斯标准差构成一个高斯滤波核,获得若干个高斯滤波核,其中,/>为预设的超参数;
然后,结合任意高斯滤波核通过高斯模糊算法对刀头灰度图像进行处理获得对应高斯滤波核下的高斯模糊图像。
4.根据权利要求1所述基于图像的盾构机刀头缺陷检测方法,其特征在于,所述根据任意第二边缘点对应第一边缘点的数量获得第二边缘点的变化敏感程度,包括的具体方法为:
首先,将任意第二边缘点对应的第一边缘点的数量记为第二边缘点的第一数值;
然后,任意第二边缘点的变化敏感程度的具体计算方法为:,其中CS表示第二边缘点的变化敏感程度,/>表示第二边缘点的第一数值,/>表示以自然常数为底数的指数函数。
5.根据权利要求3所述基于图像的盾构机刀头缺陷检测方法,其特征在于,所述利用缺陷边缘置信度获得自适应权重参数,结合自适应权重参数对刀头灰度图像进行缺陷检测,包括的具体方法为:
首先,根据缺陷边缘置信度的大小获得自适应权重参数;将高斯核大小和高斯标准差的最小取值下所对应的差值图像记为初始差值图像;
然后,利用自适应权重参数对刀头灰度图像进行增强处理,获得刀头灰度图像对应的增强图像,具体获取方法为:
其中,表示增强图像中坐标为/>的像素点;/>表示刀头灰度图像中坐标为的像素点;/>表示初始差值图像中坐标为/>的像素点;/>表示坐标为/>的像素点对应的自适应权重参数;
最后,利用Canny边缘检测算法对增强图像进行边缘检测,获得刀头灰度图像中盾构机刀头表面上缺陷区域对应的边缘记为缺陷边缘,对缺陷边缘进行标注并进行可视化。
6.根据权利要求5所述基于图像的盾构机刀头缺陷检测方法,其特征在于,所述自适应权重参数的具体获取方法为:
利用线性归一化方法对所有缺陷边缘置信度进行归一化处理,将缺陷边缘置信度的归一化结果记为归一化缺陷边缘置信度;预设置信阈值,当第二边缘点的归一化缺陷边缘置信度大于等于置信阈值/>时,将第二边缘点的缺陷边缘置信度作为自适应权重参数;当第二边缘点的归一化缺陷边缘置信度小于置信阈值/>时,将负的缺陷边缘置信度作为自适应权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252954.7A CN116993731B (zh) | 2023-09-27 | 2023-09-27 | 基于图像的盾构机刀头缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252954.7A CN116993731B (zh) | 2023-09-27 | 2023-09-27 | 基于图像的盾构机刀头缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993731A CN116993731A (zh) | 2023-11-03 |
CN116993731B true CN116993731B (zh) | 2023-12-19 |
Family
ID=88523548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311252954.7A Active CN116993731B (zh) | 2023-09-27 | 2023-09-27 | 基于图像的盾构机刀头缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993731B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351011B (zh) * | 2023-12-04 | 2024-03-12 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
CN117475157B (zh) * | 2023-12-25 | 2024-03-15 | 浙江大学山东(临沂)现代农业研究院 | 基于无人机遥感的农业种植增强监测方法 |
CN117764893B (zh) * | 2024-01-08 | 2024-07-02 | 惠州市惠阳区兆顺益五金加工有限公司 | 一种数控机床刀具磨损识别方法及*** |
CN117934460B (zh) * | 2024-03-21 | 2024-06-25 | 深圳市金利源绝缘材料有限公司 | 基于视觉检测的绝缘板表面缺陷智能检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN111914913A (zh) * | 2020-07-17 | 2020-11-10 | 三峡大学 | 一种新型立体匹配优化方法 |
CN114965516A (zh) * | 2022-08-01 | 2022-08-30 | 山东易斯特工程工具有限公司 | 基于x射线探伤的盾构刀头钎焊缺陷检测方法 |
CN115082436A (zh) * | 2022-07-22 | 2022-09-20 | 山东易斯特工程工具有限公司 | 一种盾构机刀头生产缺陷检测方法 |
CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及*** |
CN116342588A (zh) * | 2023-05-22 | 2023-06-27 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032278B (zh) * | 2019-03-29 | 2020-07-14 | 华中科技大学 | 一种人眼感兴趣物体的位姿识别方法、装置及*** |
-
2023
- 2023-09-27 CN CN202311252954.7A patent/CN116993731B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN111914913A (zh) * | 2020-07-17 | 2020-11-10 | 三峡大学 | 一种新型立体匹配优化方法 |
CN115082436A (zh) * | 2022-07-22 | 2022-09-20 | 山东易斯特工程工具有限公司 | 一种盾构机刀头生产缺陷检测方法 |
CN114965516A (zh) * | 2022-08-01 | 2022-08-30 | 山东易斯特工程工具有限公司 | 基于x射线探伤的盾构刀头钎焊缺陷检测方法 |
CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及*** |
CN116342588A (zh) * | 2023-05-22 | 2023-06-27 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
基于粒子群模糊聚类算法的边缘检测仿真;石振刚;高立群;葛雯;;东北大学学报(自然科学版)(第08期);1083-1086 * |
多参数Gabor预处理融合多尺度局部水平集的超声图像分割;陈晓冬;盛婧;杨晋;蔡怀宇;金浩;;中国光学(第05期);183-192 * |
改进的多层次模糊增强算法应用研究;陈湘涛;陈玉娟;李明亮;;计算机工程与应用(第30期);199-202 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993731A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993731B (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
WO2022007431A1 (zh) | 一种Micro QR二维码的定位方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及*** | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及*** | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN109118466B (zh) | 一种红外图像与可见光图像融合的处理方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109584253B (zh) | 油液磨粒图像分割方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及*** | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN110047055A (zh) | 一种红外图像细节增强及去噪方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及*** | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN116977335A (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 | |
CN116958120A (zh) | 一种基于梯度分布特性的微弱目标信号提取方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 |
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 |