基于图像处理的光伏钢结构组件质量检测方法
文献发布时间:2024-04-18 20:00:50
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的光伏钢结构组件质量检测方法。
背景技术
大力开发太阳能、风能、生物质能等可再生能源利用技术是保证我国能源供应安全和可持续发展的必然选择。光伏发电就是对太阳能的一种应用,利用光能代替热能进行发电,其使用需用使用钢架将光伏板对光架起,对其钢架的焊缝进行裂缝缺陷非常重要,这关系到工程质量及安全隐患问题。
在使用大津法对焊缝裂纹进行图像分割过程中,管材因为光照以及焊缝本身的纹理和边缘不光滑的因素导致类间方差分布图呈现多峰,直接据此选取的最大值作为阈值在分割过程中可能导致裂纹分割不完整,依据灰度级将图像分为两类的特征构建特征量,调整该灰度级对应类间方差并获得最终的类间方差分布图,选取最大类间方差对应灰度级作为分割阈值,提高分割结果准确性。
发明内容
本发明提供基于图像处理的光伏钢结构组件质量检测方法,以解决现有的问题。
本发明的基于图像处理的光伏钢结构组件质量检测方法采用如下技术方案:
本发明一个实施例提供了基于图像处理的光伏钢结构组件质量检测方法,该方法包括以下步骤:
获取光伏钢架的焊缝图像;
利用任意大小的分割阈值对焊缝图像以及对应的灰度分布直方图进行分割,分别获得二值图像和类间方差,根据不同大小的分割阈值下二值图像中边缘像素点的数量差异获得分割阈值的分割有效性;对边缘像素点进行直线拟合获得分布直线,将边缘像素点与分布直线的差异以及边缘像素点的梯度值的融合结果记为第一修正程度;根据边缘像素点的数量占比获得第二修正程度;
利用分割有效性、第一修正程度和第二修正程度对分割阈值的类间方差进行调节,获得新类间方差;
利用新类间方差对焊缝图像进行裂纹缺陷检测;
所述利用分割有效性、第一修正程度和第二修正程度对分割阈值的类间方差进行调节,获得新类间方差,包括的具体方法为:
将第一像素点的数量、第二像素点的数量、焊缝图像中像素点的数量、第一修正程度和第二修正程度的融合结果修正因子,将分割有效性和修正因子的乘积记为第一数值,将分割阈值的类间方差与第一数值相加获得分割阈值的新类间方差;
所述将第一像素点的数量、第二像素点的数量、焊缝图像中像素点的数量、第一修正程度和第二修正程度的融合结果修正因子,包括的具体方法为:
将焊缝图像中所有第一像素点的数量与焊缝图像中所有像素点的数量的比值记为第一比值,将焊缝图像中所有第二像素点的数量与焊缝图像中所有像素点的数量的比值记为第二比值;
将第一比值、第二比值、第一修正程度以及第二修正程度的累积结果记为修正因子。
进一步的,所述利用任意大小的分割阈值对焊缝图像以及对应的灰度分布直方图进行分割,分别获得二值图像和类间方差,包括的具体方法为:
获取焊缝图像的灰度分布直方图,将任意大小的灰度值作为分割阈值,将灰度分布直方图划分为两类分别记为第一灰度类和第二灰度类,利用分割阈值将焊缝图像分割为对应的二值图像,获取第一灰度类和第二灰度类之间的类间方差,一个分割阈值对应一个类间方差和一个二值图像。
进一步的,所述根据不同大小的分割阈值下二值图像中边缘像素点的数量差异获得分割阈值的分割有效性,包括的具体方法为:
利用Canny算子对任意分割阈值的二值图像进行边缘检测获得分割阈值下对应的边缘图像,获取任意边缘图像中边缘像素点的数量以及边缘像素点的灰度值;获取第
进一步的,所述对边缘像素点进行直线拟合获得分布直线,将边缘像素点与分布直线的差异以及边缘像素点的梯度值的融合结果记为第一修正程度,包括的具体方法为:
首先,获取任意分割阈值对应的边缘图像中,灰度值小于分割阈值的边缘像素点记为第一像素点,将灰度值相同的像素点作为同一类型的像素点,获得若干类型的第一像素点;
然后,根据边缘像素点与分布直线的差异获得拟合差异;
最后,第一修正程度的具体计算方法为:
其中,
进一步的,所述拟合差异的具体获取方法为:
利用最小二乘法对任意一个类型的所有第一像素点进行直线拟合,将得到的拟合直线记为分布直线,将同一类型的第一像素点与对应分布直线之间的残差记为对应类型的第一像素点的拟合差异。
进一步的,所述梯度特征的具体获取方法为:
获取任意一个类型的第一像素点对应分布直线的直线斜率,获取任意第一像素点在对应分布直线斜率的垂直方向上的梯度值记为垂直梯度,将任意一个类型的所有第一像素点的垂直梯度的累加值记为对应类型的第一像素点的梯度特征。
进一步的,所述根据边缘像素点的数量占比获得第二修正程度,包括的具体方法为:
首先,将焊缝图像中所有灰度值大于分割阈值的边缘像素点记为第二像素点,将灰度值相同的像素点作为同一类型的像素点,获得若干类型的第二像素点,将任意类型的第二像素点的数量记为数量
然后,第二修正程度的具体计算方法为:
其中,
进一步的,所述利用新类间方差对焊缝图像进行裂纹缺陷检测,包括的具体方法为:
获取所有灰度值作为分割阈值时,对应的新类间方差,将所有新类间方差最大时对应的分割阈值作为焊缝图像的最终分割阈值,将焊缝图像中灰度值大于最终分割阈值的像素点形成的区域记为背景区域,将灰度值小于最终分割阈值的像素点形成的区域记为前景区域,利用神经网络识别前景区域是否为裂纹,并进行标记。
本发明的技术方案的有益效果是:通过分析不同分割阈值下二值图像的边缘像素点中,不同灰度值的边缘像素点在图像中的分布特征获得第一修正程度和第二修正程度,利用第一修正程度和第二修正程度对所有分割阈值对应的类间方差进行修正,获取的新类间方差在最大程度上保证了各灰度值下的边缘像素符合裂纹缺陷的分布特征,并避免了因光照以及焊缝边缘所造成的焊缝图像的灰度分布直方图中出现多峰导致分割阈值选取不准确的问题,提高了对焊缝图像中前景区域和背景区域的分割结果准确性,进一步提高了对焊缝图像中裂纹缺陷检测的准确性。
附图说明
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像处理的光伏钢结构组件质量检测方法的步骤流程图;
图2为本发明一个实施例所提供的大津法中的分割阈值过大对应的焊缝裂纹区域分割图像;
图3为本发明一个实施例所提供的大津法中的分割阈值过小对应的焊缝裂纹区域分割图像;
图4为本发明一个实施例所提供的最终分割阈值对应的焊缝裂纹区域分割图像;
图5为本发明一个实施例所提供的最终提取出来的裂纹区域图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像处理的光伏钢结构组件质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像处理的光伏钢结构组件质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的光伏钢结构组件质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取光伏钢架的焊缝图像。
需要说明的是,在户外光伏钢架安装完成后,需要每间隔一段时间使用无人机对其进行巡视并采集焊缝图像,对其进行裂纹检测并发出预警。
具体的,为了实现本实施例提出的基于图像处理的光伏钢结构组件质量检测方法,首先需要采集焊缝图像,具体过程为:
在光伏钢架安装完成后,使用无人机对其进行一次巡视,并采集钢架焊缝区域图像,对钢架焊缝区域图像进行灰度化处理,将灰度化处理后的图像记为焊缝图像。
至此,通过上述方法得到焊缝图像。
步骤S002:利用任意大小的分割阈值对焊缝图像以及对应的灰度分布直方图进行分割,分别获得二值图像和类间方差,根据不同大小的分割阈值下二值图像中边缘像素点的数量差异获得分割阈值的分割有效性;对边缘像素点进行直线拟合获得分布直线,将边缘像素点与分布直线的差异以及边缘像素点的梯度值的融合结果记为第一修正程度;根据边缘像素点的数量占比获得第二修正程度。
需要说明的是,大津法是通过选取类间方差最大值的对应灰度值作为分割阈值,该阈值下,前景背景区域差异明显,以此为阈值进行分割便于凸显某一部分。在使用大津法对钢材焊缝进行裂纹检测的过程中,光照以及焊缝本身会导致图像类间方差分布图呈现多峰,影响最终分割阈值的获取。选取阈值进行分割是为了凸显焊缝裂纹,不同阈值下的分割效果不同,可依据分割后两类结果像素点的分布特征,来描述分割结果的好坏。对其像素点分布构建特征量,据此对该灰度级对应类间方差进行修正,依据修正后的类间方差曲线选取合适阈值进行分割。
对类间方差进行修正,减小了类间方差分布图呈现多峰对最大类间方差选取的影响。
在对焊缝进行裂纹检测的过程中,因为光照以及焊缝本身边缘氧化的缘故导致图像类间方差分布图呈现多峰,影响分割阈值的选取。可依据图像类间方差分布图中每一个灰度级作为分割阈值下的分割效果对该灰度级的类间方差进行修正,以减小多峰值对阈值获取造成的影响。
焊缝裂纹的形成是因为后期焊料冷却后收缩所致,大多呈线性分布且沿着焊缝方向开裂,焊缝纹理的产生也增加了图像中边缘数量。分割后图像灰度值较低的那一类中像素点分布呈直线的效果越好,该阈值的分割效果就越好。因此,依据分割后像素点的分布对于裂纹的表现程度构建特征量,据此来调整该阈值下的类间方差。
调整后的类间方差曲线减小了多峰对阈值选取的影响,便于分割阈值的获取。
具体的,步骤(1),获取焊缝图像的灰度分布直方图,将任意大小的灰度值作为分割阈值,将灰度分布直方图划分为两类分别记为第一灰度类和第二灰度类,利用分割阈值将焊缝图像分割为对应的二值图像,获取第一灰度类和第二灰度类之间的类间方差,一个分割阈值对应一个类间方差和一个二值图像。
步骤(2),首先,利用Canny算子对任意分割阈值的二值图像进行边缘检测获得分割阈值下对应的边缘图像,获取任意边缘图像中边缘像素点的数量以及边缘像素点的灰度值;获取第
需要说明的是,分割有效性反映了分割阈值的大小调整后的边缘像素点数量的变化量,分割有效性越大表示边缘图像中边缘像素点的数量变化越大,分割阈值对焊缝图像的分割效果越好。
需要说明的是,Canny算子的中文名称为坎尼算子,由于Canny算子为现有的边缘检测算法,因此本实施例不进行赘述。
需要说明的是,当焊缝产生裂纹时,由于边缘检测的阈值发生变化,导致边缘检测得到的边缘像素点的数量发生了变化,使不同的阈值下的边缘检测效果不同,在阈值迭代增加进行边缘检测的过程中,边缘像素点的数量增加才有可能是有效分割,但是增加过多可能造成了过分割,如图2所示,由于分割阈值过大,导致焊缝裂纹区域分割不完整,同时,分割阈值过小,将存在较多的干扰区域,无法准确的分割出焊缝裂纹区域,如图3所示,因此通过设置阈值,获取有效分割时的边缘像素点。
需要说明的是,焊缝裂纹多呈线性形状且有一定宽度,其开裂方向大多沿着焊缝方向。
然后,获取任意分割阈值对应的边缘图像中,灰度值小于分割阈值的边缘像素点记为第一像素点,将灰度值相同的像素点作为同一类型的像素点,获得若干类型的第一像素点,利用最小二乘法对任意一个类型的所有第一像素点进行直线拟合,将得到的拟合直线记为分布直线,将同一类型的第一像素点与对应分布直线之间的残差记为对应类型的第一像素点的拟合差异。
需要说明的是,拟合差异越小,分布直线对第一像素点的拟合效果越好,拟合效果的好坏反映第一像素点在焊缝图像中的分布是否符合裂纹线性的特征。
另外,由于焊缝中出现裂纹时,导致裂纹中像素点的灰度值较小,而焊缝的灰度值较大,因此裂纹上的边缘像素点在裂纹垂直方向上的梯度较大。
最后,获取任意一个类型的第一像素点对应分布直线的直线斜率,获取任意第一像素点在对应分布直线斜率的垂直方向上的梯度值记为垂直梯度,将任意一个类型的所有第一像素点的垂直梯度的累加值记为对应类型的第一像素点的梯度特征,根据拟合差异和第一像素点的垂直梯度获得第一修正程度,具体计算方法为:
其中,
需要说明的是,第一像素点的梯度特征越大,对应分割阈值下的二值图像的分割效果越好,则应该将对应分割阈值的类间方差增大,则对应的第一修正程度就越大。
步骤(3),首先,将焊缝图像中所有灰度值大于分割阈值的边缘像素点记为第二像素点,获得若干类型的第二像素点,将任意类型的第二像素点的数量记为数量
然后,根据像素密度获得第二修正程度
其中,
需要说明的是,像素密度越大,对应分割阈值得到的二值图像的分割效果越好,则对该分割阈值的类间方差的第二修正程度越大。
需要说明的是,在对采集到的焊缝图像进行分割的过程中,理想状态下的分割效果应该为一类表现裂纹区域,另一类为背景区域,而因为钢架本身呈银白色,因此对应像素点的灰度值较大,在对图像进行分类的过程中,该类属于灰度级大于阈值的那一类,该类像素点在整幅图像中相比于焊缝区域占比较大。
至此,通过上述方法得到第一修正程度和第二修正程度。
步骤S003:利用分割有效性、第一修正程度和第二修正程度对分割阈值的类间方差进行调节,获得新类间方差。
具体的,任意分割阈值的新类间方差的具体获取方法为:
其中,
需要说明的是,分割阈值的新类间方差越大时,修正因子
需要说明的是,利用大津法对焊缝图像进行阈值分割时,需要选取最大类间方差对应的灰度值作为焊缝图像的分割阈值,即该阈值使焊缝图像的灰度分布直方图分为的两类之间的类间方差最大,本实施例通过不同大小的分割阈值对焊缝图像分割后,不同灰度值大小的边缘像素点的分布情况得到的第一修正程度和第二修正程度,对分割阈值的类间方差进行调节,以获得分割效果最好的二值图像。
多方面考虑分割后两类结果的像素点分布,据此反映该阈值对应的类间方差修正程度。修正后的类间方差曲线便于最终分割阈值的选取,提高了分割结果的准确性。
至此,通过上述方法得到任意分割阈值的新类间方差。
步骤S004:利用新类间方差对焊缝图像进行裂纹缺陷检测。
具体的,获取所有灰度值作为分割阈值时,对应的新类间方差,将所有新类间方差最大时对应的分割阈值作为焊缝图像的最终分割阈值,将焊缝图像中灰度值大于最终分割阈值的像素点形成的区域记为背景区域,将灰度值小于最终分割阈值的像素点形成的区域记为前景区域,如图4所示,即为最终分割阈值对应的焊缝裂纹区域分割图像。利用神经网络识别前景区域是否为裂纹,并进行标记。
所述神经网络的训练方法为:首先,获取大量不同缺陷形成的前景区域图像,并将裂纹和非裂纹作为人工标签进行人为标记;然后,将任意一个带有人工标签的前景区域图像作为一个样本,则大量样本形成用来神经网络的数据集,选用DNN神经网络作为所述神经网络的网络结构,将交叉熵损失函数作为DNN神经网络的损失函数,对DNN神经网络进行训练,获得训练完成的神经网络;最后,利用训练完成的神经网络识别前景区域是否为裂纹并进行标记。如图5所示,即为提取出来的裂纹区域图像。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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。
- 正极活性材料前体、正极活性材料、制备正极活性材料的方法、正极和锂电池
- 复合正极活性材料、其制备方法、以及包括复合正极活性材料的正极和锂电池
- 改性磷酸铁锂正极材料及其制备方法、正极片、锂二次电池
- 正极浆料、正极片及锂离子电池
- 正极活性材料、正极活性材料浆料、正极、锂离子二次电池和制备正极活性材料的方法
- 一种正极活性材料、正极浆料、正极片及二次电池