一种基于贝叶斯密度分析的裂缝检测方法和系统与流程

1.本发明涉及裂缝检测技术领域，尤其是涉及一种基于贝叶斯密度分析的裂缝检测方法和系统。


背景技术：

2.重型机械设备在长时间工作的环境下，设备组件会产生不同程度的疲劳损伤，尤其是在接触面积小，受力不均的位置。在受力性质上，初期的拉应力裂缝损伤可通过工程涂料方式对受损部位进行修补，延长设备工作寿命，降低企业设备损耗率。传统的图像处理方法可通过图像分割、纹理提取、纹理信息聚类、骨架提取等方法对裂缝进行判断以及定位。基于图像卷积的模型处理方法则依赖手工标注裂缝数据且需要精心设计网络结构及损失函数，且难以在已有结构上进行优化。
3.基于深度学习的裂缝检测方法不仅需要大量数据训练模型，而且在检测效果中假阳性较高，因为裂缝在图像全局考虑下纹理信息过少，且裂缝形状常为细长状，深度学习网络架构则需要更深的网络层数联系图像的上下文关系，导致网络难以训练。对于裂缝的物理属性，例如宽度、高度、角度等信息则很难通过网络直接得到，无法对裂缝进行定级处理。基于传统图像处理算法则需要过多的定制化处理方法，很难实现在现实环境中的泛化性。对于其他传感器处理信号方式则大多数会对基础设施产生二次伤害或造价成本较高，提高企业运营成本。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在裂缝在图像全局考虑下纹理信息过少的缺陷而提供一种基于贝叶斯密度分析的裂缝检测方法和系统。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于贝叶斯密度分析的裂缝检测方法，包括以下步骤：
7.s1：获取待检测图像，根据裂缝出现位置的物理规律，对待检测图像中的易开裂区域进行标定，确定注意力区域；
8.s2：采用拉应力滤波器对所述注意力区域进行滤波，得到概率密度分布图，所述拉应力滤波器为二维滑动滤波器；
9.s3：根据所述概率密度分布图，确定一侧为先验概率密度分布，并在该先验概率密度分布的基础上对另一侧的概率分布进行贝叶斯计算，并最终得到最大后验概率位置；
10.s4：根据所述最大后验概率位置，根据基础图像阈值和轮廓最小矩形方法获得裂缝角度以及宽度信息。
11.进一步地，所述二维滑动滤波器的左向滤波表达式为：
[0012][0013]
所述二维滑动滤波器的右向滤波表达式为：
[0014][0015]
所述二维滑动滤波器的滑动窗口宽度为2*w，x为像素点。
[0016]
进一步地，所述贝叶斯计算的表达式为：
[0017][0018][0019]
式中，p(a)为先验概率密度分布，p(b|a)为在每一次水平移动后的模型概率密度，p(a|b)为贝叶斯计算后的最终概率密度分布。
[0020]
进一步地，步骤s1中，对待检测图像中的易开裂区域进行标定前还包括：对所述待检测图像进行均值化处理。
[0021]
进一步地，所述均值化处理采用直方图均值化。
[0022]
进一步地，步骤s1中，确定注意力区域后还包括：利用粒子群优化算法对所述注意力区域进行精确定位。
[0023]
进一步地，步骤s2执行前还包括：预先确定注意力区域的初始位置，对该初始位置进行拟合，得到注意力区域滑动拟合曲线，根据该注意力区域滑动拟合曲线实时对所述注意力区域进行摆正，采用摆正后的所述注意力区域执行所述步骤s2。
[0024]
进一步地，所述摆正的计算表达式为：
[0025][0026]
式中，energy为摆正后的区域，r为初始位置区域，pix(x,y)为区域内的像素值。
[0027]
进一步地，所述裂缝检测方法还包括采用所述轮廓最小矩形方法得到裂缝的最小外接矩形，并将该最小外接矩形的坐标回归所述待检测图像中。
[0028]
本发明还提供一种基于贝叶斯密度分析的裂缝检测系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行上所述的方法的步骤。
[0029]
与现有技术相比，本发明具有以下优点：
[0030]
(1)本发明针对在图像处理过程中，由于裂缝在图像全局考虑下纹理信息过少的问题，创新地考虑到裂缝出现位置有一定的物理规律，并将其结合到裂缝检测方法中，对易开裂区域进行标定，从而得到注意力区域进行重点识别，能缩小检测范围，降低检测假阳性；
[0031]
并采用二维滑动滤波器进行滤波处理，可较好的滤除噪声，突出裂缝区域，并进行从左至右、从右至左的滤波处理，可得到裂缝左右两侧的概率分布图，从而利用贝叶斯公式得到裂缝最大概率位置，相比于其他方法具有泛化性能强、检测速度快、检测假阳性低、裂缝检测准确率高等优势。
[0032]
(2)本发明提供的二维滑动滤波器可以滤除高噪声，突出裂缝特征，相比较于其他滤波器具有计算速度快、突出边缘特性等优势。
附图说明
[0033]
图1为本发明实施例中基于贝叶斯密度分析的裂缝检测方法的流程示意图；
[0034]
图2为本发明实施例中实例场景中待检测图像的示意图；
[0035]
图3为本发明实施例中加入注意力区域的待检测图像的示意图；
[0036]
图4为本发明实施例中不同滤波器滤波效果对比图；
[0037]
图5为本发明实施例中贝叶斯概率趋势示意图；
[0038]
图6为本发明实施例中区域优化示意图。
具体实施方式
[0039]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0040]
实施例1
[0041]
如图1所示，本实施例提供一种基于贝叶斯密度分析的裂缝检测方法，包括以下步骤：
[0042]
a1：获取待检测图像，对所述待检测图像进行均值化处理，根据裂缝出现位置的物理规律，对待检测图像中的易开裂区域进行标定，确定注意力区域，并利用粒子群优化算法对所述注意力区域进行精确定位；
[0043]
a2：预先确定注意力区域的初始位置，对该初始位置进行拟合，得到注意力区域滑动拟合曲线，根据该注意力区域滑动拟合曲线实时对所述注意力区域进行摆正，采用摆正后的所述注意力区域执行步骤a3；
[0044]
a3：采用拉应力滤波器对所述注意力区域进行滤波，得到概率密度分布图，所述拉应力滤波器为二维滑动滤波器；
[0045]
a4：根据所述概率密度分布图，确定一侧为先验概率密度分布，并在该先验概率密度分布的基础上对另一侧的概率分布进行贝叶斯计算，并最终得到最大后验概率位置；
[0046]
a5：根据所述最大后验概率位置，根据基础图像阈值和轮廓最小矩形方法获得裂缝的最小外接矩形、裂缝角度以及宽度信息，并将该最小外接矩形的坐标回归所述原始的待检测图像中。
[0047]
相当于，本实施例裂缝检测方法包括：
[0048]
根据裂缝物理性质对待检测图像进行注意力定位。裂缝出现位置有一定的物理规律，根据这样的规律可首先确定注意力区域，并在此区域内利用粒子群优化算法进一步精细化定位。
[0049]
根据裂缝实际物理属性及拉应力裂缝产生效果很大程度上在图像中显示为细长状，且因为裂缝打破基础设备的材料分布，裂缝区域内像素值与基础设备原始差异较大，在图像中常以较黑颜色显示。因此可根据以上裂缝在实际环境中的物理属性，本实施例设计用于检测裂缝的滤波器，可较好的滤除噪声，突出裂缝区域。
[0050]
使用以上滤波器对原始灰度图像进行从左至右、从右至左的滤波处理，可得到裂缝左右两侧的概率分布图，在确定一侧为先验概率分布后，移动另一幅概率分布图，利用贝叶斯公式得到裂缝最大概率位置。
[0051]
在得到最大概率位置后，可根据基础图像阈值和轮廓最小矩形方法获得裂缝角度以及宽度等信息，可利用这些信息对裂缝性质进行定级。
[0052]
所述二维滑动滤波器的左向滤波表达式为：
[0053][0054]
所述二维滑动滤波器的右向滤波表达式为：
[0055][0056]
所述二维滑动滤波器的滑动窗口宽度为2*w，x为像素点。
[0057]
所述贝叶斯计算的表达式为：
[0058][0059][0060]
式中，p(a)为先验概率密度分布，p(b|a)为在每一次水平移动后的模型概率密度，p(a|b)为贝叶斯计算后的最终概率密度分布。
[0061]
在每次水平位置递进的过程中，贝叶斯概率运动趋势，并在递进结束后求取最大概率处，即为所搜寻的目标处。
[0062]
本实施例中，所述均值化处理具体为采用直方图均值化。
[0063]
所述摆正的计算表达式为：
[0064][0065]
式中，energy为摆正后的区域，r为初始位置区域，pix(x,y)为区域内的像素值。
[0066]
下面对本实施例的具体实施过程进行详细描述。
[0067]
1)本实施例采用python做为编程语言，利用opencv进行图像的io读取以及基础的图像处理函数，利用numpy做为主要矩阵运算库函数。
[0068]
2)首先利用opencv读取原始图像，并对图像做均值化处理，本实施例使用直方图均值化，降低因为光照因素导致的后续处理问题。
[0069]
3)根据裂缝产生的物理规则确定极易发生开裂的区域即注意力区域，并利用粒子群优化算法进行精确定位。
[0070]
如图2和图3所示，为实际场景和注意力区域，根据裂缝物理开裂规则，标定相关易开裂区域，如图3中圆圈处所示。
[0071]
4)对注意力区域内部进行候选区域提取，并根据注意力区域滑动拟合曲线，对候选区域进行摆正。
[0072]
为了保证缩小候选区域范围，更快定位目标裂缝处，在注意力区域本专利利用区域优化算法进一步定位感兴趣区域。
[0073]
如图2所示蓝色区域为初始定义，由于机械运动或其他不可抗因素造成的区域位移会导致感兴趣区域出现偏差。在初始位置拟合的曲线即图6中曲线进行滑动可较快速的调整位置，具体优化方程如下式：
[0074][0075]
式中，energy为摆正后的区域，r为初始位置区域，pix(x,y)为区域内的像素值。
[0076]
5)利用本实施例提出的拉应力滤波器对摆正图像进行滤波，得到概率密度分布图。
[0077]
如图4所示，为不同滤波器在不同场景下滤波效果。可以看到自研滤波器突出显示裂缝位置及裂缝形状，并去除大量背景噪声。本实施例设计2维滑动滤波，滑动窗口宽度设计为2*w，滑动窗口高度可根据实际情况调整，设计滤波器高度为h＝3。具体滤波器设计如下式：
[0078]
左向滤波
[0079]
右向滤波
[0080]
基于以上基本图像学处理，对不同场景和位置下的裂缝进行检测。
[0081]
6)根据概率密度分布图，确定一侧为先验概率密度分布，并在该先验分布基础上对水平概率分布进行贝叶斯计算，并最终得到最大后验概率位置。
[0082]
7)然后得到最大概率应激位置，根据裂缝基本形状利用基础图像处理中对二值图像求取最小外接矩形，并对合适的外接矩形坐标进行回归原图。
[0083]
本实施例还提供一种基于贝叶斯密度分析的裂缝检测系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的裂缝检测方法的步骤。
[0084]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。