一种碳纤维复合材料气瓶X射线图像脱粘缺陷提取方法

一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法
技术领域
1.本发明涉及工程检测技术领域，特别是涉及一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法。


背景技术：

2.气瓶是一种存储气体的压力容器，在工业领域常用于氢气、氧气或氮气等气体的储存和运输。它的特点是便于运输，可循环使用。由于充装气体后的气瓶内部会产生巨大压力，一旦发生事故，往往会产生剧烈爆炸，造成不可估量的损失。因此，我们国家对于气瓶的完整性，密封性和质量都有着极高的要求。对于气瓶的质量检测有很多方法，如材料化学成分分析、内胆力学性能检测、疲劳试验等，这些检测项目流程复杂，需要花费大量的时间和金钱。除此之外，这些检测手段都有一定的破坏性，只适用于气瓶的抽样检测，无法保证每个气瓶的质量安全。近年来，随着无损检测技术的进步，无损检测逐渐成为气瓶质量检测的主要方法。
3.无损检测，就是在不影响被检测对象使用性能、不破坏被检测对象内部结构的前提下，利用射线、超声波、红外线、电磁波等技术，通过被检测物体组织结构异常或缺陷存在所引起的光、声、热、电、磁等变化，对被检测对象进行物理、化学参数的检测。与之前所述的检测方式相比，无损检测的优势在于，检测过程中最大程度上避免了对气瓶造成物理性损伤，可以保证气瓶组织结构的完整性，气瓶自身的性能也不会受到影响，检测完的气瓶还能够继续使用。无损检测同时也具备了检测速度快，对检测环境要求低，能够在生产现场实地检测等方面的优点。
4.x射线无损检测是指用强度均匀的x射线透照被检物体并成像来显示物体内部缺陷的技术。由于物体内部存在对射线吸收程度不同的缺陷区域，透过物体的射线强度呈现不均匀分布的态势，物体背面的传感器接收这些射线并产生灰度值不同的图像。一般来说，越薄的区域对射线的吸收程度越低，成像的灰度值越高。
5.在通过碳纤维气瓶x射线无损检测图像对缺陷进行定位的过程中，常采用人工目测法和基于深度学习的方法进行缺陷定位。人工目测法指工人凭借自身的经验，通过肉眼判别缺陷的种类和位置，并手动在图像上进行标注。基于深度学习的方法则使用大量的标注图像使用faster-rcnn和yolo等算法，提取缺陷图像的特征，自动在图像上进行标注。
6.目前，人工目测法的缺点是：1.依赖于工人的经验对气瓶图像中的缺陷区域进行识别，在缺陷识别的精确度和速度上严重不足。
7.2.每个人对缺陷的衡量标准可能会有差异，难以制定统一的判别标准。
8.基于深度学习的缺陷定位方法的缺点是：1.在训练模型的过程中，需要的数据量较大，而正常气瓶产生缺陷的概率较低，难以提供足够的数据进行训练。
9.2.深度学习方法在训练模型的过程中花费的时间较长，需要专业的软件工程师进
行参数调整和反复实验，后期维护成本较高。


技术实现要素：

10.本发明的目的在于提供一种碳纤维复合材料气瓶图像脱粘缺陷定位方法，用于不同碳纤维气瓶图像上，同时对图像进行形态学处理，更好的展示缺陷位置。
11.为实现上述目的，本发明提供了如下方案：一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法，包括：获取原始气瓶x射线图像，并对所述原始气瓶x射线图像进行预处理，得到第一处理图像；基于所述第一处理图像得到气瓶脱粘缺陷图像特征，基于所述气瓶脱粘缺陷图像特征进行脱粘边缘检测，得到第二处理图像；对所述第二处理图像进行缺陷提取，并对提取到的缺陷特征进行轮廓提取，得到缺陷轮廓特征，将所述缺陷轮廓特征标注到所述原始气瓶x射线图像上，获取最终缺陷标注图像。
12.优选地，对所述原始气瓶x射线图像进行预处理包括：对所述原始气瓶x射线图像进行灰度化处理，得到灰度图像，所述灰度图像即所述第一处理图像。
13.优选地，基于所述第一处理图像得到所述气瓶脱粘缺陷图像特征包括：对所述第一处理图像进行去噪处理，得到所述原始气瓶x射线图像的灰度矩阵；对去噪后的图像进行梯度计算处理，得到所述原始气瓶x射线图像的梯度矩阵；将所述灰度矩阵和所述梯度矩阵进行脱粘边缘检测，得到所述气瓶脱粘缺陷图像特征。
14.优选地，对所述第一处理图像进行去噪处理，包括：通过高斯函数初始化高斯卷积模板，将所述第一处理图像转化成灰度值矩阵，并使用零填充方法对所述灰度图像进行扩张；基于所述高斯卷积模板，以滑动窗口的形式对经过零填充处理的灰度值进行加权平均计算，得到去噪图像。
15.优选地，对所述去噪图像进行梯度计算处理包括：选择梯度算子模板，计算所述梯度算子模板中各像素点的梯度值，通过所述梯度值计算梯度方向，得到所述原始气瓶x射线图像的梯度矩阵；其中所述梯度算子模板为sobel一阶梯度算子模板。
16.优选地，计算所述梯度方向的方法为：其中，为梯度方向，为使用sobel一阶梯度算子计算出的y方向上的梯度值，为使用sobel一阶梯度算子计算出的x方向上的梯度值。
17.优选地，得到所述第二处理图像包括：根据所述灰度矩阵和所述梯度矩阵，并结合所述原始气瓶x射线图像的灰度信息，
设定灰度阈值和梯度阈值；基于所述梯度阈值和所述灰度阈值对所述原始气瓶x射线图像进行遍历，确定气瓶的内胆层边缘，所述内胆层边缘包括第一边缘和第二边缘；计算所述第一边缘和所述第二边缘中间区域的灰度均值，在水平方向上，若所述灰度均值大于所述第一边缘和所述第二边缘的灰度值，则标记为强边缘，否则标记为弱边缘；对所述强边缘进行邻域遍历，设置梯度阈值将所述强边缘与距离为一个像素点的弱边缘进行连通，得到完整的边缘图像，即所述第二处理图像。
18.优选地，对所述第二处理图像进行缺陷提取，包括：对所述第二处理图像进行二值化处理，得到二值图像，基于所述二值图像进行腐蚀操作，得到细化的边缘图像；基于所述细化的边缘图像进行第一闭运算，得到第一缺陷区域图像，对所述第一缺陷区域图像进行第二闭运算，得到第二缺陷区域图像；将所述第一缺陷区域图像和所述第二缺陷区域图像进行求差操作，得到缺陷区域图像；其中，所述第一闭运算的结构元素小于所述第二闭运算的结构元素。
19.优选地，对所述缺陷区域图像进行轮廓提取包括：设定所述缺陷区域图像的最小边长、最小周长和最小面积，经过筛选后，去除不符合条件的缺陷区域轮廓，得到确定的缺陷区域轮廓；将所述确定的缺陷区域轮廓以矩形框形式绘制在所述原始气瓶x射线图像上并进行显示，获得所述最终缺陷标注图像。
20.本发明的有益效果为：1、本发明能够提取出复合材料碳纤维气瓶x射线图像中的脱粘缺陷，方便辨别缺陷的数量、形状等特征；同时能够将缺陷的轮廓标注在复合材料碳纤维气瓶x射线图像上，更加直观观察缺陷的位置；2、本发明利用自定义的高斯滤波器对灰度图像进行去噪处理，实现了更好的去噪效果，消除了x射线图像采集过程中产生的噪声对图像缺陷的识别和提取的影响，解决了处理图像时存在的受噪声干扰从而导致图像边缘定位和提取不准确的问题；3、本发明利用自定义的梯度算子方法对去噪图像进行梯度计算处理，能够准确提取图像的梯度特征，使得边缘区域更易于定位；4、本发明利用基于自适应梯度-灰度阈值的边缘检测方法对得到的去噪图像进行边缘检测和二值化处理，根据梯度-灰度信息，确定脱粘区域的两侧边缘，解决了现有技术中，如利用canny边缘检测的智能识别和分析图像缺陷方法中，伪边缘区域过多，无法准确定位缺陷区域边缘，容易出现误检测和缺陷区域难以定位的问题；5、本发明利用基于边长和面积的轮廓筛选方法对提取后的轮廓进行筛选，解决了现有技术中，如opencv轮廓查找方法中，无法对轮廓区域的面积和边长进行筛选的问题，减少了误检测情况，实现了更精准的缺陷轮廓提取。
附图说明
21.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性的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例的一种碳纤维复合材料气瓶图像脱粘缺陷定位方法流程图；图2为本发明实施例的去噪后的图像；图3为本发明实施例中得到的第一边缘图像；图4为本发明实施例中得到的第二边缘图像；图5为本发明实施例中形态学处理后的图像；图6为本发明实施例中最终得到的缺陷标注图像。
具体实施方式
23.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。
24.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
25.本发明结合了人工先验知识和自适应算法对气瓶缺陷进行识别。
26.1.基于先验知识，确定气瓶脱粘缺陷存在的位置，该缺陷只会存在于铝制内胆层和碳纤维复合材料层之间的区域。针对脱粘区域的特点，提取脱粘缺陷区域的图像灰度特征，如铝制内胆层较厚，x射线难以穿透导致图像灰度值较低。脱粘区域由于结合不紧密，留有x射线可穿透的缝隙导致图像灰度值较高，总体呈现两边灰度值低，中间部分灰度值高的特点。使用先验知识总结出的特征，该算法对脱粘区域的识别精确度得到了大幅提升。
27.2.使用自适应灰度-梯度阈值的边缘检测方法，针对每张图片不同的特征自动设置阈值，在缺陷样本量不足的情况下，依旧能获得很好的检测效果。
28.如图1，本实施例提供一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法，包括以下过程：1.获取待处理的x射线图像；2.对获取的x射线图像进行灰度化处理，得到处理后的灰度图像，即第一处理图像；3.基于第一处理图像得到气瓶脱粘缺陷图像特征，基于所述气瓶脱粘缺陷图像特征进行脱粘边缘检测，得到第二处理图像；基于所述第一处理图像得到所述气瓶脱粘缺陷图像特征包括：对所述第一处理图像进行去噪处理，得到所述原始气瓶x射线图像的灰度矩阵；对去噪后的图像进行梯度计算处理，得到所述原始气瓶x射线图像的梯度矩阵；将所述灰度矩阵和所述梯度矩阵进行脱粘边缘检测，得到所述气瓶脱粘缺陷图像特征。
29.4.利用形态学方法对边缘检测处理后的图像进行缺陷提取；5.对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始x射线图像上。
30.对得到的灰度图像进行去噪，包括以下过程：（1）使用高斯函数初始化3*3的高斯卷积模板。
31.（2）将整张图像转化为以灰度值矩阵表示的形式，并使用零填充对图像进行扩张。
32.（3）使用生成的高斯卷积模板，以滑动窗口的形式对经过零填充处理的图像的灰度值进行加权平均计算，得到高斯滤波后的灰度值矩阵。
33.高斯模板的权重计算公式为：其中，为计算出的高斯模板相应位置的系数。为标准差，为自然常数。为以中心点为坐标原点，包含x轴和y轴的坐标系中，相对位置的x轴和y轴坐标。
34.进一步的，去噪图像梯度计算处理，包括以下过程：（1）选择梯度算子模板，计算各像素点梯度值。
35.（2）确定梯度方向。
36.使用sobel一阶梯度算子计算x方向上的梯度值的计算公式为：使用sobel一阶梯度算子计算y方向上的梯度值的计算公式为：其中，为图像对应点的灰度值。
37.总梯度计算公式为：其中，为使用sobel一阶梯度算子计算出的x方向上的梯度值，为使用sobel一阶梯度算子计算出的y方向上的梯度值。
38.梯度方向计算公式为：得到的去噪后图像如图2；进一步的，使用图像梯度矩阵和灰度矩阵进行脱粘边缘检测，包括以下过程：（1）根据x射线图像特点，结合图像的灰度信息，设定灰度和梯度阈值对图像进行
遍历，确定气瓶内胆层的边缘。
39.（2）在第一条边缘附近，寻找梯度值较大且梯度方向和第一条边缘相反的碳纤维层边缘。
40.（3）对两条边缘中间区域计算灰度均值，在水平方向上，确保脱粘区域灰度值均值大于两条边缘，否则将边缘标记为弱边缘。
41.（4）对确定的强边缘进行8邻域遍历，设置梯度阈值将其与周围弱边缘进行连通，得到完整的边缘图像，即第二处理图像。
42.得到的第一条边缘及第二条边缘图像如图3、图4。
43.进一步的，利用形态学方法对边缘检测处理后的图像进行缺陷特征提取，包括以下过程：（1）对确定边缘的图像进行二值化处理，将边缘灰度值设为255，其他区域灰度值设为0；（2）使用3*3大小的结构元素，对二值化图像进行腐蚀操作，消去图像中的孤立点和可能存在的噪点，得到细化的边缘图像。
44.（3）使用5*5大小的结构元素，对细化的边缘图像进行闭运算，在保持图像边缘不发生改变的情况下将细小的缺陷部分进行填充，得到初步处理后的缺陷区域图像m；（4）使用15*15大小的结构元素，对上一步得到的缺陷区域图像m进行闭运算，在保持图像边缘不发生较大改变的情况下将较大的缺陷部分进行填充，得到进一步处理后的缺陷区域图像n；（5）将（4）和（3）中得到的图像m和n进行求差操作，得到准确的缺陷区域图像q；形态学处理后图像如图5。
45.进一步的，对提取到的缺陷区域图像q进行轮廓提取，并将提取后的缺陷区域标注到原始x射线图像上，包括以下过程：（1）对缺陷区域图像进行轮廓提取，以数组形式将轮廓位置保存。
46.（2）设定缺陷区域的最小边长、最小周长、最小面积。
47.（3）根据设定的阈值，对缺陷区域进行遍历，筛选掉不符合条件的缺陷区域轮廓。
48.设定的阈值包括最小边长、最小周长和最小面积三个限制条件。在圈定缺陷区域时使用矩形框进行拟合，对于缺陷区域拟合成的矩形框，首先使用最小边长作为进行筛选条件，对矩形最小边长大于设定阈值的这些矩形框再进行最小周长筛选，最后再进行最小面积筛选。剩下的矩形框即确定的缺陷区域轮廓。
49.（4）将确定的缺陷区域轮廓以矩形框形式绘制在原图上并进行显示。
50.最终得到的缺陷标注图像如图6。
51.本发明方法可以用于不同的碳纤维气瓶图像上，有很好的检测效果，同时对图像进行了形态学处理，可以更好地展示缺陷位置。
52.以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。