【技术实现步骤摘要】
本申请涉及图像检测领域，更具体地说，涉及一种对工程无损检测图像的缺陷识别方法及相关设备。
技术介绍
1、无损检测是利用物质的声、光、磁和电等特性，在不损害或不影响被检测对象使用性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷大小，位置，性质和数量等信息。
2、无损检测在现代建筑行业中起到重要作用，因其不损伤本体、探测范围大的特点，如对桥梁、房屋等建筑结构的检测过程中，利用无损检测可以判断建筑建设情况，避免因为检测对建筑物造成的损害，提高建筑质量的监督水平。例如，在桥梁工程上，大体积承台混凝土、钢管混凝土、钢壳混凝土、缆索、钢结构等部位优先采用无损检测方法发现内部质量缺陷或病害。
3、常规无损检测结果一般可抽象为一个或一系列数据。现代无损检测因传感器、计算能力的技术进步可实现单点或单次结果进行集成，结果往往以图像作为呈现载体，如工程领域超声波、应力波、雷达波的各种ct方法、合成孔径方法。检测对象一般表现为局部的数值异常。目前，由于现实场景下成像受到多方面的影响，关注内容、异常部位的特征往往并不明显，因此传统无损检测往往存在识别目标对象难度较大，识别结果不准确等问题，且通常还需要依靠经验、人工进行后续评判，检测过程繁琐。
4、基于上述情况，本申请提出一种对工程无损检测图像的缺陷识别方案，以提升对建筑工程的无损检测图像进行缺陷检测准确度。
技术实现思路
1、有鉴于此，本申请提供了一种对工程无损检测图像的缺陷识别方法及相关设备，通过定量化表征
2、一种对工程无损检测图像的缺陷识别方法，包括：
3、基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
4、根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
5、确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
6、将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
7、可选的，基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
8、确定所述工程无损检测图像的图像亮度值；
9、将大于所述图像亮度值的第一百分比分位点的各像素点所在区域确定为高亮度图像分区；
10、将小于所述图像亮度值的第二百分比分位点的各像素点所在区域确定为低亮度图像分区；
11、将处于所述图像亮度值的所述第一百分比分位点到所述第二百分比分位点范围内的各像素点所在区域确定为中亮度图像分区。
12、可选的，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标，包括：
13、确定所述疑似缺陷区域的几何特征；
14、确定检测所述待检测缺陷类型需要的各特征指标类型；
15、基于所述几何特征组合运算得到与所述各特征指标类型匹配的各几何特征计算值，并作为所述工程无损检测图像的几何特征指标。
16、可选的，在得到疑似缺陷区域之前，还包括：
17、根据所述工程无损检测图像的图像来源确定二次分区筛选规则，并按照所述二次分区筛选规则对满足所述分区筛选规则的待选图像分区进行二次筛选。
18、可选的，所述决策树随机森林模型的训练过程，包括：
19、获取样本图像的几何特征指标，以及所述样本图像的期待缺陷类型，所述样本图像的几何特征指标基于所述样本图像中标注的缺陷区域的几何特征确定；
20、将所述样本图像的几何特征指标输入预设的初始决策树随机森林模型，得到所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果；
21、以所述初始决策树随机森林模型输出的对所述样本图像的缺陷检测识别结果与所述样本图像的期待缺陷类型一致为目标，训练所述初始决策树随机森林模型；
22、当所述决策树随机森林模型满足预设的训练条件时，将训练完成的初始决策树随机森林模型作为决策树随机森林模型。
23、可选的，所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成。
24、可选的，计算所述样本图像的几何特征指标的纯净度的计算公式为：
25、；
26、其中， j为几何特征指标 x划分的分支序号； m为设置的分支数量； nj为几何特征指标 x对应的区间样本数； ta为设置的单边置信水平的 t分布； pj为分支的主导类别比例。
27、一种对工程无损检测图像的缺陷识别装置，包括：
28、图像分区单元，用于基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区；
29、区域筛选单元，用于根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域；
30、几何特征单元，用于确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标；
31、缺陷识别单元，用于将所述工程无损检测图像的几何特征指标输入至预先训练完成的决策树随机森林模型，得到所述决策树随机森林模型输出的缺陷检测识别结果。
32、一种对工程无损检测图像的缺陷识别设备，包括存储器和处理器；
33、所述存储器，用于存储程序；
34、所述处理器，用于执行所述程序，实现如上述任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
35、一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述任一项所述的对工程无损检测图像的缺陷识别方法的各个步骤。
36、从上述的技术方案可以看出，本申请实施例提供的一种对工程无损检测图像的缺陷识别方法、装置、设备和可读存储介质，首先基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，根据待检测缺陷类型确定分区筛选规则，并按照所述分区筛选规则对所述若干图像分区进行筛选，得到疑似缺陷区域。之后，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标。在这一过程中，通过对工程无损检测图像中区域的定量化测量，以及实现对工程无损检测图像中疑似缺陷区域的定量化表征，识别准则更加明晰，检测结果本文档来自技高网...
【技术保护点】
1.一种对工程无损检测图像的缺陷识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
3.根据权利要求1所述的方法，其特征在于，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标，包括：
4.根据权利要求1所述的方法，其特征在于，在得到疑似缺陷区域之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述决策树随机森林模型的训练过程，包括：
6.根据权利要求5所述的方法，其特征在于，所述初始决策树随机森林模型以所述样本图像的几何特征指标中纯净度最大者作为决策树分支依据进行分支生成。
7.根据权利要求6所述的方法，其特征在于，计算所述样本图像的几何特征指标的纯净度的计算公式为：
8.一种对工程无损检测图像的缺陷识别装置，其特征在于，包括：
9.一种对工程无损检测图像的缺陷识别设备，其特征在于，包括存储器和处理器；
10.一种可读
...【技术特征摘要】
1.一种对工程无损检测图像的缺陷识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于工程无损检测图像中各像素点的亮度强度将所述工程无损检测图像划分为若干图像分区，包括：
3.根据权利要求1所述的方法，其特征在于，确定所述疑似缺陷区域的几何特征，并基于所述几何特征生成所述工程无损检测图像的几何特征指标，包括：
4.根据权利要求1所述的方法，其特征在于，在得到疑似缺陷区域之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述决策树随机森林模型的训练过程，包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：周治国，孙晓立，吴建良，杨军，邵继喜，王林彬，杨正龙，李柯柯，
申请(专利权)人：广州市市政工程试验检测有限公司，
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。