[发明专利]一种焊接缺陷提取方法及焊接缺陷检测方法

说明书

技术领域

本发明涉及一种焊接缺陷提取方法，用于对数字焊接图像进行缺陷的结构和轮廓检测，属于焊接技术与数字图像处理技术相交叉的技术领域。

背景技术

传统的焊接缺陷检测方法主要依靠人工对数字焊接图像(例如X射线焊接图像或者超声波焊接图像等)进行评判，存在效率低、误检率高的问题。随着图像处理技术的发展，对数字焊接图像进行缺陷检测已成为焊接产品质量评判的重要手段。作为缺陷检测的关键步骤，焊接缺陷提取的准确性直接影响缺陷特征参数的计算，决定了缺陷检测的性能。

焊接缺陷图像通常对比度较低、背景起伏大，且伴有少量的噪声，易淹没了如气孔、细裂纹之类细小缺陷。而缺陷提取就是要从不稳定的背景和噪声中将缺陷的全部信息尽可能的分离出来，焊接缺陷的提取包括缺陷的分割及其轮廓的提取。现有的缺陷提取方法主要有阈值分割法、模型法和多尺度几何分析法。其中基于阈值分割的缺陷提取法较为简单，应用也较广，此类方法通常是考虑图像灰度分布，选取一个最佳阈值分离出背景与目标，但阈值选取难以自适应选取，易丢失细小目标。有学者提出了选用对称Tsallis交叉熵作为分割质量的评价指标(吴一全,沈毅,刚铁,等.基于二维对称Tsallis交叉熵的小目标图像阈值分割[J].仪器仪表学报,2011,32(10):2161-2167.)，克服了传统阈值选取方法对弱小目标的失效，但此方法在图像受噪声干扰时，易产生错分现象，适应性仍不强。模型法主要有脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)和Chan-Vese(CV)模型。其中PCNN是一种新型的神经网络，其图像处理结果更符合人类的视觉神经系统，但由于难以确定PCNN最佳迭代次数，其获得的缺陷的边缘往往较为粗糙，且结果易受噪声干扰。CV模型可有效利用图像的先验信息知识，对于弱边缘图像有较好的分割效果，已成功应用于焊接图像的识别(陈希章,陈华斌,陈善本,等.基于改进C-V方法的焊接图像识别[J].焊接学报,2007,28(9):9-12,107.)。但CV模型对于初始条件较为敏感，计算效率较低。多尺度几何分析具有局部性、各向异性、多方向性等特性，对于图像的边缘细节信息有较好的捕捉能力。该方法将图像分解为高低频分量，并采取不同策略分别进行缺陷提取，最后融合二者的结果得到最终的缺陷区域。周新星等人研究了一种基于非下采样Contourlet变换(Non-Subsampled Contourlet Transform,NSCT)和PCNN的缺陷提取方法(周新星,王典洪,王洪亮,等.非下采样Contourlet变换和PCNN的表面缺陷自动识别方法[J].应用基础与工程科学学报,2013,21(1):174-183.)，取得了较好的效果，然而该方法采用的NSCT高频方向数受到分解层数的制约，未能最优表达图像方向信息，且用于高频分量缺陷提取的PCNN难以分辨噪声和缺陷的细小边缘。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种焊接缺陷提取方法，所得到的焊接缺陷结构更完整，细节和轮廓更清晰，可为进一步对缺陷进行处理提供更合理准确的参考。

本发明采用以下技术方案解决上述技术问题：

一种焊接缺陷提取方法，用于从原始焊接图像中提取出缺陷图像，包括以下步骤：

步骤1、对原始焊接图像进行非下采样Shearlet变换，得到一幅低频焊接图像和一组高频焊接图像；

步骤2、利用PCNN方法对所述低频焊接图像进行缺陷分割，得到第一焊接缺陷图像；步骤3、利用逆非下采样Shearlet变换将背景抑制后的第一焊接缺陷图像与所述高频焊接图像进行重构，得到高频特征图像；

步骤4、对所述高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二焊接缺陷图像；

步骤5、将第一焊接缺陷图像和第二焊接缺陷图像进行融合，得到最终的缺陷图像，并提取缺陷图像中的缺陷轮廓。

上述技术方案中，所述原始焊接图像可以是X射线焊接图像或超声波焊接图像，也可以是利用其它方法获得的数字焊接图像。

优选地，步骤1中所述非下采样Shearlet变换为单层非下采样Shearlet变换。

优选地，步骤4所述基于CV模型的图像分割方法使用以下轮廓演化方程：