本发明专利技术属于图像识别的技术领域，公开了一种表面裂纹识别方法，包括通过边缘检测识别目标图像的裂纹深度信息；通过将目标图像转换为二值图对裂纹轮廓进行刻画；结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。本发明专利技术通过点云对裂纹的具体长度、宽度、形状等物理特性的真实刻画，相比于传统YOLO运用线框将裂纹进行框选，具有巨大的提升，并且点云可以形成三维立体结构，直观的对原模型进行三维重建，这是其他传统方法所不具备的优点，具有很好的实用性。具有很好的实用性。具有很好的实用性。
【技术实现步骤摘要】
一种表面裂纹识别方法及装置
[0001]本专利技术涉及图像识别的
，尤其涉及一种表面裂纹识别方法。
技术介绍
[0002]裂纹存在于各种工程的施工作业中，裂纹的存在与否以及大小形状影响着整个工程的进展和质量，严重的甚至会威胁人民生命健康。因此，在现代化作业的过程以及后期的进一步维修工作中裂纹的识别与检测显得尤为重要。
[0003]传统人工检测方法主要分为机械测量法和肉眼鉴定法，机械测量也是人工的借助一定的机械工具(例如：游标卡尺等)进行测量，存在着精度低、效率低、费时费工等诸多问题。同时，凭借人工进行裂纹鉴定不利于记录，针对特定的环境(高危、黑暗等)，人工检测难以进行，给现实的工程生活带来隐患。长时间的工作还容易导致疲劳，降低生产效率。
[0004]随着技术的发展，增添了许多现代的裂纹检测方法：传统的无损检测有超声波检测、红外检测等。超声波检测：利用超声波在不同介质中的传播速度不同，以及在不同介质中的反射程度存在差异，我们使用发射探头发射超声波后在利用接收探头获取信息，针对超声波的变化信息进行分析计算，进而得到裂纹的位置以及大小等基础信息。红外检测：利用红外探测仪将被测表面的各个区域的红外辐射能转化为易于观察的温度场，进而通过观察温度场的变化分析物体内部或者表面是否存在裂纹缺陷。激光全息检测：利用激光全息照相技术来分析物体内部和表面的缺陷情况。
[0005]随着机器视觉的告诉发展，针对裂纹的检测技术越来越成熟，现如今在3D点云的理论发展，为裂纹检测提供了新的解决思路。相比于其他检测手段，基于机器视觉的检测方法具有速度快、精度高、工作时间长等优点，可以对物体表面的裂纹区域进行较为精准的定位，由此发展而来的3D点云分析技术，将深度图像转化为一个个点的坐标形式，可以通过大量点的坐标来描绘出裂纹的位置、深度以及大致形状。
技术实现思路
[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述现有存在的问题，提出了本专利技术。
[0008]因此，本专利技术解决的技术问题是：现有技术存在检测结果不准确以及检测效率低下的问题。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：
[0010]第一方面，本专利技术实施例提供了一种表面裂纹识别方法，包括：
[0011]通过边缘检测识别目标图像的裂纹轮廓；
[0012]通过将目标图像转换为二值图对裂纹轮廓进行刻画；
[0013]结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对
点云数据进行训练，实现裂纹的精确识别。
[0014]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述裂纹深度信息的识别，包括：
[0015]通过视觉装置获取待识别的裂纹图像，基于图像质量进行筛选，将筛选出质量高的图像转换为灰度图像，对所述灰度图像基于边缘检测算子进行边缘检测。
[0016]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述边缘检测步骤，包括去噪声/降噪处理、计算梯度、非极大值抑制；
[0017]所述去噪声采用高斯滤波技术，去除裂纹图像中由于坑洼产生的噪点；当裂纹噪点较多时，选用高斯模糊降噪进行图像处理；
[0018]所述梯度计算，包括对去噪后的图像进一步使用Sobel算子计算水平方向和竖直方向的图像梯度，所述梯度计算公式表示为：
[0019][0020][0021]所述非极大值抑制，包括沿着梯度方向对幅值进行极大值抑制，并进行局部最大值搜索，消除边界误检，使模糊的边界变得清晰；通过设置一个阈值上界MaxVal和阈值下界MinVal确定潜在边界，当裂纹图像中的像素点大于MaxVal时，认定此像素点为边界，当小于MinVal的像素点时，认定为非边界。
[0022]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述裂纹轮廓的刻画，包括：
[0023]通过视觉装置获取待识别的裂纹图像，将图像转换为二值图，根据不同像素设置阈值，对裂纹区域进行提取，并通过二值图边缘检测函数，描绘出所述裂纹最外层轮廓。
[0024]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述二值图的转换，还包括通过开运算和闭运算对转换后的二值图进行数据完善；
[0025]所述完善过程包括，通过膨胀或腐蚀将图像与核进行卷积；
[0026]所述膨胀为求局部最大值操作，表示为：
[0027]dst(x，y)＝max(src(x+x
′
，y+y
′
))
[0028]其中，(x
′
，y
′
)：element(x
′
，y
′
)≠0，dst＝cv.2erode(src，kernel，interations)，Kernel表示卷积核的大小，iterations表示迭代次数，即被扫描到的原始图像中的像素点。
[0029]所述腐蚀为求局部最小值操作，表示为：
[0030]dst(x，y)＝min(src(x+x
′
，y+y
′
))
[0031]其中，(x
′
，y
′
)：element(x
′
，y
′
)≠0。
[0032]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，包括：
[0033]将所得到的裂纹区域像素点进行坐标输出，得到相应的点云数据，通过三维点云处理软件进行点云的可视化处理，查看获取的点云数据质量；
[0034]将经过处理后的点云数据导入pointnet++网络的分割网络架构，对所述网络架构
进行识别训练，最后再次导入数据进行分割测试，检测所述网络架构的准确率。
[0035]作为本专利技术所述的表面裂纹识别方法的一种优选方案，其中：所述网络架构的运行步骤包括：
[0036]输入为一帧的全部点云数据的集合，表示为一个n*3的2d tensor，其中n代表点云数量，3对应xyz坐标；
[0037]输入的数据通过和一个T
‑
Net转换矩阵相乘对齐，以保证模型对特定空间转换的不变性；
[0038]通过多次多层感知机对各点云数据进行特征提取后，再用一个T
‑
Net对特征进行对齐；
[0039]在特征的各个维度上执行最大值池化操作来得到最终的全局特征；
[0040]对分类任务，将全局特征通过多层感知机来预测最后的分类分数；对分割任务，将全局特征和之前学习到的各点云的局部特征进行串联，再通过多层感知机得到每个数据点的分类结果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种表面裂纹识别方法，其特征在于，包括：通过边缘检测识别目标图像的裂纹深度信息；通过将目标图像转换为二值图对裂纹轮廓进行刻画；结合裂纹深度信息和裂纹轮廓得到裂纹的3D点云数据，并通过pointnet++网络对点云数据进行训练，实现裂纹的精确识别。2.如权利要求1所述的表面裂纹识别方法，其特征在于：所述裂纹深度信息的识别，包括：通过视觉装置获取待识别的裂纹图像，基于图像质量进行筛选，将筛选出质量高的图像转换为灰度图像，对所述灰度图像基于边缘检测算子进行边缘检测。3.如权利要求2所述的表面裂纹识别方法，其特征在于：所述边缘检测步骤，包括去噪声/降噪处理、计算梯度、非极大值抑制；所述去噪声采用高斯滤波技术，去除裂纹图像中由于不平整产生的噪点；当裂纹噪点较多时，选用高斯模糊降噪进行图像处理；所述梯度计算，包括对去噪后的图像进一步使用Sobel算子计算水平方向和竖直方向的图像梯度，所述梯度计算公式表示为：的图像梯度，所述梯度计算公式表示为：其中，G
Y
、G
X
分别代表经纵向和横向边缘检测的图像灰度值，其公式如下：分别代表经纵向和横向边缘检测的图像灰度值，其公式如下：所述非极大值抑制，包括沿着梯度方向对幅值进行极大值抑制，并进行局部最大值搜索，消除边界误检，使模糊的边界变得清晰；通过设置一个阈值上界MaxVal和阈值下界MinVal确定潜在边界，当裂纹图像中的像素点大于MaxVal时，认定此像素点为边界，当小于MinVal的像素点时，认定为非边界。4.如权利要求1所述的表面裂纹识别方法，其特征在于：所述裂纹轮廓的刻画，包括：通过视觉装置获取待识别的裂纹图像，将图像转换为二值图，根据不同像素设置阈值，对裂纹区域进行提取，并通过二值图边缘检测函数，描绘出所述裂纹最外层轮廓。5.如权利要求4所述的表面裂纹识别方法，其特征在于：所述二值图的转换，还包括通过开运算和闭运算对转换后的二值图进行数据完善；所述完善过程包括，通过膨胀或腐蚀将图像与核进行卷积；所述膨胀为求局部最大值操作，表示为：dst(x,y)＝max(src(x+x
′
,y+y
′
))其中，(x
′
,y
′
):element(x
′
,y
′
)≠0，dst＝cv.2erode...
【专利技术属性】
技术研发人员：宋智功，牛云腾，
申请(专利权)人：江南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。