一种基于图像三维重构的裂纹检测算法的制作方法

1.本发明涉及工业检测中无损检测方法领域，具体涉及一种基于图像三维重构的裂纹检测算法。


背景技术：

2.在工业生产中，铸造压胚的过程会存在产品裂纹的发生；其中产生裂纹的产品需要进行返工处理，抑或成为生产垃圾。如果不能查出有裂纹的产品，任其流入市场，会危及使用者的安全，甚至造成无法挽回的损失。基于以上原因，检测裂纹具有非常重要的意义。目前，对于产品裂纹的检测，为直接利用图像检测，其是现行的主要手段，但存在识别效果不太理想的问题。现也有少部分采用x射线扫描的方式，对产品裂纹进行检测，但又存在造价成本高的问题。


技术实现要素：

3.本发明的目的是提供一种对重构的三维图像进行识别、分类，能够快速准确地定位到裂纹位置，高精度提取裂纹的表面尺寸和井深尺寸，对裂纹的识别率可以高达90％，裂纹数据可靠性强，精度高的基于图像三维重构的裂纹检测算法。
4.为解决上述技术问题，本发明提供一种基于图像三维重构的裂纹检测算法，其包括3d扫描设定产品，得到产品信息，并对所述产品信息进行预处理，通过三维重构为信息图像；将重构得到的信息图像进行灰度化处理，并根据信息图像的像素边缘梯度变化计算选取roi区域，作为输入图像；利用自适应迭代法做输入图像的二值化处理，判断裂纹信息并辅证，并得到的裂纹信息返回至数据服务中心。
5.进一步地，产品信息包括位置信息和高度信息。
6.进一步地，在对所述产品信息进行预处理时，对产品信息进行压缩、线性回归与线性插值处理，再利用三维重构得到tif图像，bmp图像。
7.进一步地，通过霍夫曼编码压缩产品信息减小数据量，并通过ridge回归和线性插值对压缩后的数据信息进行线性补偿。
8.进一步地，在选取roi区域时，利用sobel算子计算信息图像的像素边缘梯度δ，将每个像素的梯度δ的绝对值进行排序；
9.按每个像素的梯度δ的绝对值从大到小的顺序选取n个δ的绝对值》ε的点[p1，p2…
pn]，其中ε为设定阈值；
[0010]
以p1为中心，r为边长，划分对应p1的矩形框r1，
[0011]
以p2为中心，r为边长，划分对应p2的矩形框r2，
[0012]
以pn为中心，r为边长，划分对应pn的矩形框rn，
[0013]
通过并集运算求得梯度最大n个点的
[0014]
进一步地，选取输入图像上的某一点pn(w，h)，且此点的灰度值用表示；将图像矩阵按设定顺序转化成一个单列向量，且pn向量的第n个元素，pn点之前s个点所有灰度值之和
为：引入变量t得到此点的二值化：
[0015][0016]
其中，根据s取图像宽度width/8，t取15。
[0017]
pn点之前s个点所有灰度值之和，需针对其他点的灰度值对当前点灰度值的影响分配权值，得到修正的灰度值和gs(n)，并迭代：
[0018][0019][0020][0021]
将水平上方的带入与其求平均值，即有，其中width为图像的水平分辨率，再将g's(n)带入t(n)得到新的判别方法：
[0022][0023]
初始gs(n)＝s*(2
α-1-1)，其中α表示图像的深度，2
α-1-1表示图像的灰度值得中间值；将图像高度信息与图像的灰度值的线性关系式带入t(n)，即可以得到通过高度变化的自适应二值图像，若不存在裂纹则该位置二值为1，若存在裂纹则该位置二值为0，作为image_1。
[0024]
进一步地，将重构得到图像按做灰度化处理，这个灰度信息既包含了图像的轮廓，同时高度信息也以线性关系包含在图像的灰度值中，即h＝f-1
(g)，
[0025][0026]
将h＝f-1
(g)与图像灰度值结合，选取上下限设定阈值。
[0027]
进一步地，在对图像矩阵按设定顺序转化成一个单列向量时，将像素p
x，y
(x＝(1...m)，y＝(1...n))的m行n列的二维矩阵转变为p
x*n y
的一维向量。
[0028]
进一步地，在进行裂纹的辅证分析时，对image_1进行形态学操作及连通性分析，得到可靠的连通域；并对得到的连通域进行特征分析，提取特征信息，并通过阈值约束特征，判断裂纹信息，并向数据服务中心返回裂纹信息。
[0029]
进一步地，在对连通域进行特征分析时，对连通域进行方向梯度直方图提取特征向量提取出的特征向量与阈值向量进行相关性分析，即内积整理得到0≤cosθ≤1；在[0，1]区间内选取一个设定阈值点μ，若cosθ≥μ，即存
在裂纹。
[0030]
本发明的有益效果为：该基于图像三维重构的裂纹检测算法对重构的三维图像进行识别、分类，能够快速准确地定位到裂纹位置，高精度提取裂纹的表面尺寸和井深尺寸，对裂纹的识别率可以高达90％，裂纹数据可靠性强，精度高。
具体实施方式
[0031]
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0032]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0033]
以下结合实施例进行具体说明，并且对于本领域技术人员所知晓的技术常识内容进行了省略。
[0034]
该基于图像三维重构的裂纹检测算法通过三维扫描设备获取检测物体的位置信息，高度信息；并将所得到的信息通过重构得到一幅图像，然后对图像进行处理，判断裂纹并加以辅证。
[0035]
具体地，该基于图像三维重构的裂纹检测算法包括3d扫描设定产品，得到产品信息，其中，产品信息包括位置信息和高度信息，既有z＝f(x,y)，也可将得到的数据整合为csv文件。
[0036]
并对所述产品信息进行预处理，通过三维重构为信息图像。在对所述产品信息进行预处理时，对产品信息进行压缩、线性回归与线性插值处理，再利用三维重构得到tif图像，bmp图像。其中，通过霍夫曼编码压缩产品信息减小数据量，并通过ridge回归和线性插值对压缩后的数据信息进行线性补偿减小数据压缩带来的数据畸变。
[0037]
此时通过三维重构的tif图像，灰度图像；与bmp图像，彩色或灰度既包含产品的轮廓信息，同时包含产品的高度信息。将重构得到图像按做灰度化处理，这个灰度信息既包含了图像的轮廓，同时高度信息也以线性关系包含在图像的灰度值中，即h＝f-1
(g)，
[0038][0039]
利用线性插值法，在(x0,y0)和点(x1,y1)之间计算一个点(x，y)，将之作为一个线性近似，将高度信息转换为灰度，
[0040]
g＝f(h)
[0041]
其中，g为灰度值gray，h为高度。
[0042]
接着，将重构得到的信息图像进行灰度化处理，并根据信息图像的像素边缘梯度变化计算选取roi区域，作为输入图像。
[0043]
在选取roi区域时，利用sobel算子计算信息图像的像素边缘梯度δ，将每个像素
的梯度δ的绝对值进行排序；按每个像素的梯度δ的绝对值从大到小的顺序选取n个δ的绝对值》ε的点[p1，p2
…
pn]，其中ε为设定阈值；
[0044]
以p1为中心，r为边长，划分对应p1的矩形框r1，
[0045]
以p2为中心，r为边长，划分对应p2的矩形框r2，
[0046]
以pn为中心，r为边长，划分对应pn的矩形框rn，
[0047]
通过并集运算求得梯度最大n个点的
[0048]
其取消了人为选择的操作方式，提供一种公用的选取标准，更精准地定位裂纹出现的部位。
[0049]
接着，利用自适应迭代法做输入图像的二值化处理，判断裂纹信息并辅证，并得到的裂纹信息返回至数据服务中心。
[0050]
具体地，将取到的roi区域图像，作为输入图像处理，可结合上述的g＝f(h)
[0051]
，即h＝f-1
(g)，利用一种快速自适应迭代法做图像二值化处理。
[0052]
首选，选取输入图像上的某一点pn(w，h)，w为宽，h为高，且此点的灰度值用表示；将图像矩阵按设定顺序转化成一个单列向量，且pn向量的第n个元素，pn点之前s个点所有灰度值之和为：
[0053]
在此应该说明的是，图像在计算机中的表达就是一个(x，y，p)的三维矩阵，x和y为像素在图像中的坐标，p为元组(r，g，b)或(h，s，v)等。
[0054]
且在对图像矩阵按设定顺序转化成一个单列向量时，将像素p
x，y
(x＝(1...m)，y＝(1...n))的m行n列的二维矩阵转变为p
x*n y
的一维向量。
[0055]
并引入变量t得到此点的二值化：
[0056][0057]
其中，根据s取图像宽度width/8，t取15为最优质取值。
[0058]
进一步地，fs(n)，pn点之前s个点所有灰度值之和，需针对其他点的灰度值对当前点灰度值的影响分配权值，即越靠近当前点的影响权值越大，远离当前点的点影响权值取最小，得到修正的灰度值和gs(n)，并迭代：
[0059][0060][0061][0062]
且考虑到此时只考虑了一个叠加方向的影响，一般为水平，可将水平上方的带入与其求平均值，即有，其中width为图像的水平分辨率，再将g's(n)带入t(n)得到新的判别方法：
[0063][0064]
初始gs(n)＝s*(2
α-1-1)，其中α表示图像的深度，2
α-1-1表示图像的灰度值得中间值。
[0065]
再将图像高度信息与图像的灰度值的线性关系式h＝f-1
(g)带入t(n)，即可以得到通过高度变化的自适应二值图像，若不存在裂纹则该位置二值为1，若存在裂纹则该位置二值为0，作为image_1。
[0066]
与此同时，可将h＝f-1
(g)与图像灰度值结合，选取上下限设定阈值。
[0067]
在进行裂纹的辅证分析时，对image_1进行形态学操作及连通性分析，其中，可进行腐蚀、膨胀和开闭等形态学操作，用以去除图像噪声，去除区域毛刺。对image_1做连通性分析，得到可靠的连通域，即连通分量提取。
[0068]
当然，也可提取一无裂纹位置为1的作为image_2，对形态学处理后的image_1与image_2进行区域分析包括但不限于做差，叠加等开闭操作，轮廓检测等边界的提取和跟踪，并做差别分析。
[0069]
可按像素减法d
p
＝p
image_1-p
image_2
，p
image_1
为image_1对应p点的值，p
image_2
为image_2对应p点的值，d
p
为差值。为差值d
p
做直方图，d
p
＜τ的概率p(d
p
＜τ)作为image_1和image_2的差别。τ为设定阈值，τ越小，image_1和image_2的差别越精细，τ越大，image_1和image_2的差别越模糊。
[0070]
对得到的连通域进行特征分析，提取特征信息，并通过设定阈值约束特征，判断裂纹信息，并向数据服务中心返回裂纹信息。
[0071]
在对连通域进行特征分析时，对连通域进行方向梯度直方图提取特征向量提取出的特征向量与设定阈值向量进行相关性分析，即内积整理得到0≤cosθ≤1；在[0，1]区间内选取一个设定阈值点μ，若cosθ≥μ，即存在裂纹。
[0072]
数据服务中心将记录所有返回为裂的信息，以供后续深度学习检测使用，其中，gs(n)可作为学习率与误差迭代过程的关键因子。
[0073]
该基于图像三维重构的裂纹检测算法对重构的三维图像进行识别、分类，能够快速准确地定位到裂纹位置，高精度提取裂纹的表面尺寸和井深尺寸，对裂纹的识别率可以高达90％，裂纹数据可靠性强，精度高。
[0074]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。