肖夢(mèng)輝，李軍成，彭秧錫

一種陶瓷瓶?jī)?nèi)壁裂紋檢測(cè)算法

肖夢(mèng)輝1，李軍成1，彭秧錫2

(1. 湖南人文科技學(xué)院 數(shù)學(xué)與金融學(xué)院，湖南 婁底 417000；2. 湖南人文科技學(xué)院 材料與環(huán)境工程學(xué)院；精細(xì)陶瓷與粉體材料湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 婁底 417000)

為了準(zhǔn)確地對(duì)陶瓷瓶?jī)?nèi)壁進(jìn)行裂紋檢測(cè)，提出了一種基于數(shù)字圖像處理技術(shù)的陶瓷瓶?jī)?nèi)壁裂縫檢測(cè)算法。首先對(duì)所獲取的陶瓷瓶?jī)?nèi)壁圖片進(jìn)行光照和去噪處理，并利用圖像增強(qiáng)提高陶瓷瓶?jī)?nèi)壁圖像的對(duì)比度；然后通過(guò)圖像分割和連通域算法標(biāo)記各連通域；最后通過(guò)對(duì)連通域進(jìn)行檢測(cè)來(lái)判斷是否為裂紋，并將檢測(cè)出的裂紋進(jìn)行定位。仿真實(shí)驗(yàn)結(jié)果表明，所提出的算法能準(zhǔn)確地檢測(cè)出條形裂紋、橫向裂紋、縱向裂紋等常見(jiàn)的陶瓷瓶?jī)?nèi)壁裂紋。

陶瓷瓶；內(nèi)壁；裂紋檢測(cè)；裂紋定位；圖像處理

0 引 言

裂紋廣泛存在金屬零部件、混凝土建筑物、玻璃與陶瓷制品等結(jié)構(gòu)物中，一旦裂紋發(fā)展到容易被人眼發(fā)現(xiàn)時(shí)，往往會(huì)造成較為嚴(yán)重的后果。因此，對(duì)裂紋進(jìn)行準(zhǔn)確有效地檢測(cè)一直以來(lái)都是工業(yè)、工程領(lǐng)域重要的研究課題。例如，胡世昆[1]基于數(shù)字圖像處理技術(shù)比較了不同算法進(jìn)行路面裂紋檢測(cè)的效果；楊舒曼[2]對(duì)精密鑄件裂紋圖像連通區(qū)域進(jìn)行幾何特征計(jì)算，選取圓形度作為檢測(cè)缺陷的特征參數(shù)，并通過(guò)設(shè)置圓形度閾值實(shí)現(xiàn)了精密鑄件裂紋的檢測(cè)；孫文雅等[3]在對(duì)管道圖像進(jìn)行邊緣檢測(cè)的基礎(chǔ)上利用閾值分割得到二值化裂紋圖像，再進(jìn)行去噪和連通域的標(biāo)記實(shí)現(xiàn)管道裂縫的檢測(cè)；Zhu等[4]進(jìn)行了高溫下疲勞裂紋擴(kuò)展的測(cè)試和評(píng)估，旨在評(píng)估在室溫和高溫下承受疲勞載荷的金屬合金的裂紋擴(kuò)展性能和剩余壽命；Tong等[5]在標(biāo)準(zhǔn)緊湊型拉伸試樣的模型材料裝卸過(guò)程中，現(xiàn)場(chǎng)測(cè)量了裂紋尖端后面選定位置處的表面裂紋開(kāi)口位移以及裂紋尖端之前近尖端位移和應(yīng)變的演變; Piombo等[6]研究了中心裂紋對(duì)石墨烯力學(xué)性能的影響，在石墨烯片的中心考慮了8個(gè)不同的裂紋并且繪制了具有不同拉伸應(yīng)變速率的缺陷石墨烯片的應(yīng)力-應(yīng)變曲線(xiàn)；Lepore等[7]分析模擬了攪拌摩擦焊接樣品中的疲勞裂紋擴(kuò)展；Rodriguez等[8]研究了混凝土構(gòu)件的剪切裂縫模式，提出了一種獲得混凝土構(gòu)件中剪切裂紋模式的實(shí)驗(yàn)方法；等等。由此可見(jiàn)，裂紋檢測(cè)問(wèn)題的研究幾乎已經(jīng)滲透到工業(yè)、工程所有領(lǐng)域中。

因陶瓷具有原材料采集方便、燒制快捷、實(shí)用衛(wèi)生、價(jià)格低廉等特點(diǎn)，陶瓷制品已成為人們?nèi)粘Ｉ钪械囊环N常見(jiàn)物品。為了滿(mǎn)足人們的不同需求，陶瓷的種類(lèi)也變得多樣化。由于陶瓷自身的物理結(jié)構(gòu)性質(zhì)在生產(chǎn)過(guò)程中容易產(chǎn)生裂紋，而陶瓷裂紋的存在一直困擾著陶瓷產(chǎn)業(yè)的經(jīng)濟(jì)效益和生產(chǎn)率的提高。因此，對(duì)陶瓷制品，特別是對(duì)電子陶瓷產(chǎn)品進(jìn)行裂紋檢測(cè)，一直以來(lái)都是重要的研究課題。為了實(shí)現(xiàn)對(duì)陶瓷制品的無(wú)接觸裂紋檢測(cè)，國(guó)內(nèi)外學(xué)者提出了許多方法。其中，利用數(shù)字圖像處理技術(shù)進(jìn)行陶瓷制品的裂紋檢測(cè)成為一種主要的手段。例如，張軍等[9]首先使用自適應(yīng)形態(tài)學(xué)進(jìn)行圖像預(yù)處理，然后通過(guò)小波變換和形態(tài)學(xué)融合的差影法實(shí)現(xiàn)瓷磚的裂紋檢測(cè)；于彬[10]首先對(duì)采集的陶瓷瓶圖像進(jìn)行降噪處理，然后計(jì)算出二值化圖像的周長(zhǎng)和面積，最后利用圓形度的指標(biāo)來(lái)判斷陶瓷瓶是否存在裂紋；張力等[11]首先對(duì)陶瓷瓶圖像進(jìn)行光補(bǔ)償和平滑處理，然后圖像二值化將裂紋和背景分離開(kāi)，最后通過(guò)圓形度公式計(jì)算圓形度判斷陶瓷瓶是否為裂紋；等等。

雖然目前已有文獻(xiàn)對(duì)陶瓷制品裂紋檢測(cè)進(jìn)行了研究，但鮮有文獻(xiàn)討論陶瓷瓶?jī)?nèi)壁的裂紋檢測(cè)問(wèn)題。然而，在陶瓷瓶的生產(chǎn)過(guò)程中，流水線(xiàn)上的陶瓷瓶?jī)?nèi)壁經(jīng)常會(huì)出現(xiàn)裂紋，而帶有裂紋的陶瓷瓶一旦有液體裝入，非常容易引發(fā)破裂、泄露等危險(xiǎn)。因此，對(duì)陶瓷瓶?jī)?nèi)壁進(jìn)行裂紋檢測(cè)具有非常重要的現(xiàn)實(shí)意義。為此，本文提出了一種基于數(shù)字圖像處理技術(shù)的陶瓷瓶?jī)?nèi)壁裂紋檢測(cè)算法，實(shí)現(xiàn)對(duì)陶瓷瓶?jī)?nèi)壁是否存在裂紋的準(zhǔn)確檢測(cè)。

1 陶瓷瓶?jī)?nèi)壁裂紋檢測(cè)算法

隨著計(jì)算機(jī)軟硬件的發(fā)展以及數(shù)字圖像處理技術(shù)的不斷進(jìn)步，使得利用計(jì)算機(jī)準(zhǔn)確的自動(dòng)識(shí)別目標(biāo)物圖像是否存在裂紋成為現(xiàn)實(shí)。利用計(jì)算機(jī)自動(dòng)識(shí)別目標(biāo)物圖像的裂紋，不僅可以提高檢測(cè)裂紋的速率，而且在一定程度上消除了人們的主觀(guān)意識(shí)導(dǎo)致檢測(cè)的錯(cuò)誤，提高了生產(chǎn)效率。

為了對(duì)陶瓷瓶?jī)?nèi)壁圖像是否存在裂紋進(jìn)行準(zhǔn)確的檢測(cè)，本文基于數(shù)字圖像處理技術(shù)設(shè)計(jì)的一種用于陶瓷瓶?jī)?nèi)壁裂紋檢測(cè)的算法，算法流程如圖1所示。

圖1 陶瓷瓶?jī)?nèi)壁裂紋檢測(cè)算法流程

1.1 光照處理

在陶瓷瓶?jī)?nèi)壁圖像的采集過(guò)程中，由于受到物體之間相互遮擋以及環(huán)境光照條件多變等因素的影響，常常會(huì)使得場(chǎng)景的光照不均勻。主要表現(xiàn)為陶瓷瓶?jī)?nèi)壁圖像中亮的區(qū)域光線(xiàn)過(guò)強(qiáng)，而暗的區(qū)域光線(xiàn)照度不夠，從而導(dǎo)致陶瓷瓶?jī)?nèi)壁圖像中一些重要的細(xì)節(jié)信息無(wú)法顯示甚至被掩蓋掉，使得陶瓷瓶?jī)?nèi)壁圖像的視覺(jué)效果和應(yīng)用價(jià)值被嚴(yán)重影響。因此，對(duì)獲取的陶瓷瓶?jī)?nèi)壁圖像進(jìn)行光照處理，降低光照不均勻?qū)D像中裂紋識(shí)別的影響程度，保護(hù)圖像中重要的細(xì)節(jié)信息，為裂紋的后續(xù)檢測(cè)奠定了良好的基礎(chǔ)。本文采用基于伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[12]對(duì)陶瓷瓶?jī)?nèi)壁圖像進(jìn)行光照處理，算法步驟為：

Step1：利用多尺度高斯函數(shù)提取出場(chǎng)景的光照分量。

Step2：構(gòu)造一種伽馬函數(shù)。

將陶瓷瓶?jī)?nèi)壁圖像進(jìn)行光照處理后，再對(duì)圖像進(jìn)行灰度化，然后對(duì)灰度圖像進(jìn)行二次光照處理。對(duì)陶瓷瓶?jī)?nèi)壁灰度圖像的光照處理算法步驟為：

Step1：首先找出灰度圖像的最大灰度值和最小灰度值。

Step2：計(jì)算兩者的差并除以255作為整幅圖像的亮度倍數(shù)。

Step3：循環(huán)遍歷圖像，設(shè)置一個(gè)3×3的鄰域，計(jì)算鄰域內(nèi)的最小值，然后用灰度圖像的當(dāng)前像素值減去鄰域內(nèi)的灰度圖像素最小值并乘以整體亮度倍數(shù)，最后將該值賦予灰度圖像的當(dāng)前像素值作為新的像素值，計(jì)算式為：

式中，max()為灰度圖像最大值；min()為灰度圖像最小值；為鄰域；(,)為灰度圖像的當(dāng)前像素值；min()為鄰域內(nèi)灰度圖像的最小值；(,)為處理后的像素值。

1.2 圖像去噪

在獲取陶瓷瓶?jī)?nèi)壁裂紋圖像時(shí)難免會(huì)混入噪聲，從而影響裂紋的識(shí)別，需要對(duì)陶瓷瓶?jī)?nèi)壁圖像進(jìn)行去噪處理。由于中值濾波器具有去除噪聲的同時(shí)能夠很好地保護(hù)圖像邊緣的這一特征；高斯濾波則可以降低圖像之中的存在的高斯噪聲，同時(shí)也可以得到較好的圖像邊緣特征。因此，本文采取中值濾波和高斯濾波對(duì)陶瓷瓶?jī)?nèi)壁圖像進(jìn)行去噪處理。

二維中值濾波的輸出公式為：

式中，(,)為輸出圖像；(,)為輸入圖像；為濾波模板。選取窗口模板大小為(2×+1)×(2×+1)，高斯濾波模板中各個(gè)元素值的計(jì)算式為：

式中，為標(biāo)準(zhǔn)差；為核矩陣維數(shù)。這樣計(jì)算出來(lái)的模板有小數(shù)和整數(shù)兩種形式，小數(shù)形式的模板是直接計(jì)算得到的值，沒(méi)經(jīng)過(guò)任何處理；整數(shù)形式的模板，則需要進(jìn)行歸一化處理，將模板左上角的值歸一化為1。使用整數(shù)模板時(shí)，需要在模板前加一個(gè)權(quán)值，權(quán)值取為模板系數(shù)和的倒數(shù)，即取為：

陶瓷瓶?jī)?nèi)壁圖像經(jīng)過(guò)初始去噪處理后，再經(jīng)過(guò)勻光處理，然后使用中值和均值混合濾波器[13]對(duì)圖像進(jìn)行處理，算法步驟為：

Step1：選取3×3的鄰域窗口，將鄰域內(nèi)的所有像素值進(jìn)行排序，找到鄰域內(nèi)的像素值的中值；

Step2：將該中值賦給排序后的前三個(gè)值和后三個(gè)值。

Step3：對(duì)鄰域內(nèi)的所有像素值求像素的平均值。

Step4：將該平均值賦予當(dāng)前的像素值作為新的像素值。

Step5：重復(fù)以上步驟，直至遍歷完圖像。

1.3 圖像增強(qiáng)

通過(guò)對(duì)獲取的陶瓷瓶?jī)?nèi)壁圖像進(jìn)行增強(qiáng)處理，可以增強(qiáng)圖像的對(duì)比度，使得圖像中的裂縫變得清晰，方便后續(xù)的裂紋檢測(cè)。對(duì)陶瓷瓶?jī)?nèi)壁圖像進(jìn)行增強(qiáng)處理的算法步驟為：

Step1：計(jì)算出整個(gè)圖像中所有的像素點(diǎn)的均值MES。

Step2：計(jì)算出當(dāng)前的像素點(diǎn)與其八鄰域內(nèi)的均值MEA，則增強(qiáng)的倍數(shù)=MES/MEA。

Step4：若當(dāng)前像素點(diǎn)鄰域內(nèi)的均值大于圖像所有像素點(diǎn)的均值，則為判斷該像素點(diǎn)與裂紋點(diǎn)無(wú)關(guān)。大于1，那么將會(huì)使鄰域內(nèi)圖像像素點(diǎn)增大，使得該鄰域內(nèi)的圖像視覺(jué)上感覺(jué)變亮。若當(dāng)前像素點(diǎn)鄰域的均值小于圖像所有像素點(diǎn)的均值，則判斷當(dāng)前像素點(diǎn)可能與裂紋有關(guān)。小于1，那么將會(huì)使該鄰域內(nèi)像素點(diǎn)變小，使得該鄰域內(nèi)的圖像視覺(jué)上感覺(jué)變暗。通過(guò)該操作可以增大圖像的對(duì)比度，凸顯圖像中存在的裂紋。

1.4 圖像分割

1.4.1 閾值分割

對(duì)經(jīng)過(guò)上述處理后的陶瓷瓶?jī)?nèi)壁圖像進(jìn)行閾值分割，將圖像分為背景和前景兩部分。本文采用閾值迭代法[14]對(duì)陶瓷瓶?jī)?nèi)壁圖像進(jìn)行分割，算法步驟為：

Step1：設(shè)置參數(shù)0，設(shè)定一個(gè)初始閾值1。

Step2：使用設(shè)置的初始閾值分割圖像，將圖像分割為大于初始閾值和小于等于初始閾值的兩部分圖像。

Step4：如果2與1的差的絕對(duì)值大于設(shè)置的參數(shù)，將2賦值給1，然后重復(fù)Step2—Step4，直到獲得最優(yōu)閾值；反之，2就為最優(yōu)閾值。

1.4.2 邊緣檢測(cè)

邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來(lái)提取出圖像中對(duì)象與背景間的交界線(xiàn)。本文采取Canny算子[15]對(duì)上述處理后的陶瓷瓶?jī)?nèi)壁圖像進(jìn)行邊緣檢測(cè)，步驟為：

Step1：對(duì)輸入的圖像進(jìn)行高斯平滑。

Step2：計(jì)算梯度幅度和方向來(lái)確定每一點(diǎn)的邊緣強(qiáng)度和方向。

Step3：根據(jù)梯度方向，對(duì)梯度幅度進(jìn)行非極大值抑制。

Step4：使用雙閾值處理和連接邊緣。

1.5 裂紋檢測(cè)

1.5.1 連通域檢測(cè)與形態(tài)學(xué)處理

對(duì)圖像進(jìn)行邊緣檢測(cè)之后，再對(duì)圖像進(jìn)行連通域的標(biāo)記及處理。連通域標(biāo)記算法[20]步驟為：

Step1：按照從左到右，從上到下的順序依次遍歷二值圖像，如果該點(diǎn)值為1(白色)且未被標(biāo)記，則對(duì)該點(diǎn)進(jìn)行標(biāo)記，并以該點(diǎn)為中心點(diǎn)，掃描其四鄰域。

Step2：若發(fā)現(xiàn)四鄰域內(nèi)存在白色且未被標(biāo)記的點(diǎn)，則對(duì)該點(diǎn)進(jìn)行標(biāo)記并掃描其四鄰域。

Step3：返回Step2，直到不存在滿(mǎn)足情況的點(diǎn)，則該連通塊搜索結(jié)束。

Step4：返回Step1，直至遍歷完二值圖像，則所有連通塊搜索結(jié)束。

另外，陶瓷瓶?jī)?nèi)壁圖像進(jìn)行二值化處理之后，圖像會(huì)存在裂紋的不連續(xù)情況，此時(shí)還需對(duì)圖像進(jìn)行開(kāi)運(yùn)算和閉運(yùn)算以及腐蝕和膨脹等操作將裂紋變得連續(xù)。

1.5.2 裂紋檢測(cè)與定位

對(duì)于陶瓷瓶?jī)?nèi)壁裂紋圖像來(lái)說(shuō)，其面積只與裂紋的邊緣有關(guān)，與圖像內(nèi)部的灰度級(jí)變化無(wú)關(guān)。計(jì)算裂紋面積最簡(jiǎn)單的一種方法是統(tǒng)計(jì)裂紋邊界及內(nèi)部像素點(diǎn)的個(gè)數(shù)。

判斷陶瓷瓶?jī)?nèi)壁是否存在裂紋的步驟為：

Step1：周長(zhǎng)是連通域邊緣像素點(diǎn)的個(gè)數(shù)的集合，面積是連通域內(nèi)所有像素點(diǎn)的集合。若周長(zhǎng)小于面積，則判斷該連通域不是裂紋。

Step2：連通域的周長(zhǎng)大于其面積，計(jì)算出該連通域的圓形度，設(shè)置閾值為3。若運(yùn)行度大于或等于閾值，則該連通域被認(rèn)為是裂紋，否則不是裂紋。

在上述步驟中，連通域面積的計(jì)算方法為：遍歷每個(gè)連通域，計(jì)算出各連通域像素點(diǎn)的個(gè)數(shù)作為圖像的面積。連通域周長(zhǎng)的計(jì)算方法為：對(duì)每個(gè)連通域求出邊界，然后對(duì)裂紋的邊界進(jìn)行遍歷，計(jì)算邊界像素點(diǎn)的個(gè)數(shù)作為圖像的周長(zhǎng)。圓形度的計(jì)算公式為[21]：

式中，為連通域的周長(zhǎng)；為連通域的面積；C為圓形度。

對(duì)檢測(cè)的裂紋進(jìn)行定位，算法步驟為：

Step1：對(duì)得到的二值化圖像的每個(gè)連通域分別進(jìn)行全局的掃描。

Step2：對(duì)圖像進(jìn)行從上到下的掃描，記錄第一個(gè)白色像素點(diǎn)的位置為(1,1)。

Step3：對(duì)圖像進(jìn)行從下到上的掃描，記錄第一個(gè)白色像素點(diǎn)的位置為(2,2)。

Step4：對(duì)圖像進(jìn)行從左到右的掃描，記錄第一個(gè)白色像素點(diǎn)的位置為(3,3)。

Step5：對(duì)圖像進(jìn)行從右到左的掃描，記錄第一個(gè)白色像素點(diǎn)的位置為(4,4)。

Step8：每次定位的一條裂紋將其存儲(chǔ)到一個(gè)矩陣中，最終組成一幅定位出所有裂紋的圖像。

2 仿真實(shí)驗(yàn)與結(jié)果分析

選取三幅帶有裂紋的陶瓷內(nèi)壁圖像進(jìn)行仿真實(shí)驗(yàn)，如圖2所示。

圖2 實(shí)驗(yàn)圖像

分別對(duì)幅實(shí)驗(yàn)圖像進(jìn)行光照處理，降低光照對(duì)識(shí)別裂紋的影響。進(jìn)行光照處理后的結(jié)果如圖3和圖4所示。

圖3 伽馬函數(shù)校正后的圖像

圖4 灰度光照處理后的圖像

對(duì)所有的實(shí)驗(yàn)圖像進(jìn)行兩次光照處理后，已經(jīng)能夠看出明顯的裂紋輪廓。但是，圖像中存在大量的噪聲，需要對(duì)圖像進(jìn)行去噪處理，去噪處理后的圖像如圖5所示。

圖5 去噪后的圖像

對(duì)圖像進(jìn)行去噪后，雖然去除了圖像中存在的大量噪聲。但是，圖像中的花紋背景以及圖像的亮暗分界線(xiàn)也會(huì)被顯示出來(lái)。因此，需要對(duì)圖像進(jìn)行增強(qiáng)處理提高圖像的對(duì)比度，增強(qiáng)后的圖像如圖6所示。

圖6 增強(qiáng)處理后的圖像

進(jìn)行圖像增強(qiáng)后的圖像已經(jīng)能夠明顯看出裂紋，但此時(shí)的圖像為double型，需要對(duì)圖像進(jìn)行圖像分割，將圖像分為背景和前景兩部分，圖像分割后的結(jié)果如圖7和圖8所示。

圖7 閾值分割后的圖像

圖8 Canny算子邊緣檢測(cè)結(jié)果

進(jìn)行閾值分割后的圖片出現(xiàn)一些間斷，以及邊緣部分出現(xiàn)孤立“白點(diǎn)”的現(xiàn)象，對(duì)這些現(xiàn)象進(jìn)行形態(tài)學(xué)處理和連通域處理并通過(guò)設(shè)置的裂紋判斷算法檢測(cè)和處理裂紋。進(jìn)行裂紋檢測(cè)時(shí)，計(jì)算得到三幅實(shí)驗(yàn)圖像的連通域的屬性表分別如表1—表3所示，裂紋檢測(cè)結(jié)果如圖9所示。

表1 圖像1的連通域?qū)傩?/p>

Tab.1 Connected domain attribute of image 1

表2 圖像2的連通域?qū)傩?/p>

Tab.2 Connected domain attribute of image 2

表3 圖像3的連通域?qū)傩?/p>

Tab.3 Connected domain attribute of image 3

圖9 裂紋檢測(cè)結(jié)果

最后，對(duì)裂紋進(jìn)行定位，結(jié)果如圖10所示。

圖10 裂紋定位結(jié)果

通過(guò)對(duì)陶瓷內(nèi)壁中帶有較淺花紋的縱向裂紋圖像、光照不均勻的縱向裂紋圖像、帶有淺花紋的橫向裂紋圖像等進(jìn)行仿真實(shí)驗(yàn)，發(fā)現(xiàn)本文提出的算法能夠去除帶有光照不均而導(dǎo)致的光暗分界線(xiàn)，也能夠消除邊緣旁邊出現(xiàn)的孤立點(diǎn)。換言之，本文提出的算法能夠較好地檢測(cè)出條形裂紋、橫向裂紋、縱向裂紋。但是，該算法對(duì)于網(wǎng)狀裂紋檢測(cè)效果有待提高。

3 結(jié) 語(yǔ)

本文提出了一種基于數(shù)字圖像處理技術(shù)的陶瓷內(nèi)壁圖片裂紋檢測(cè)算法。算法主要包括光照處理、圖像去噪、圖像增強(qiáng)、圖像分割、裂紋檢測(cè)與定位等環(huán)節(jié)。通過(guò)仿真實(shí)驗(yàn)結(jié)果可知，本文提出的算法能準(zhǔn)確地檢測(cè)出陶瓷瓶?jī)?nèi)壁存在的裂紋，特別對(duì)條形裂紋、橫向裂紋、縱向裂紋的檢測(cè)具有較好的效果，為陶瓷瓶制品的檢測(cè)提供了一種有效方法。

[1] 胡世昆. 基于數(shù)字圖像處理技術(shù)的路面裂縫檢測(cè)算法研究[D]. 南京郵電大學(xué), 2012.

[2] 楊舒曼. 基于圖像處理的精密鑄件裂紋檢測(cè)系統(tǒng)研究[D]. 太原科技大學(xué), 2017.

[3] 孫文雅, 李天劍, 黃民, 等.基于圖像處理的管道裂縫檢測(cè)[J]. 制造業(yè)自動(dòng)化, 2012, 34(1): 36-39.

[4] Zhu Y T, Xiong J J, Lv Z Y, et al. Testing and evaluation for fatigue crack propagation of Ti-6Al-4V/ELI and 7050-T7452 alloys at high temperatures [J]. Chinese Journal of Aeronautics, 2018, 31(6): 1388-1398.

[5] Tong J, Alshammrei S, Wigger T, et al. Full-field characterization of a fatigue crack: crack closure revisited [J]. Fatigue & Fracture of Engineering Materials & Structures, 2018, 41(10): 2130-2139.

[6] Piombo A, Dragoni M. A model for crack initiation in solidifying lava [J]. Journal of Geophysical Research: Solid Earth, 2018, 123(10): 8445-8458.

[7] Lepore M A, Maligno A J, Berto F. Crack closure in friction stir weldment using non-linear model for fatigue crack propagation [J]. Fatigue & Fracture of Engineering Materials & Structures, 2019, 42(11): 2596-2608.

[8] Rodriguez G, Casas J R, Villalba S. Shear crack pattern identification in concrete elements via distributed optical fibre grid [J]. Structure and Infrastructure Engineering, 2019, 15(12): 1630-1648.

[9] 張軍, 張海云, 趙玉剛,等.基于機(jī)器視覺(jué)的瓷磚裂紋檢測(cè)[J]. 包裝工程, 2018, 39(9): 146-150.

[10] 于彬. 基于數(shù)字圖像處理的陶瓷瓶裂紋檢測(cè)研究[D]. 武漢理工大學(xué), 2007.

[11] 張力, 吳敏綱, 李昱. 數(shù)字圖像處理在陶瓷瓶裂紋檢測(cè)的應(yīng)用研究[J]. 福建電腦, 2017, 33(7): 134-166.

[12] 劉志成, 王殿偉, 劉穎, 等. 基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[J]. 北京理工大學(xué)學(xué)報(bào), 2016, 36(2): 191-196.

[13] 李康. 一種改進(jìn)濾波算法的研究與應(yīng)用——腦部CT醫(yī)學(xué)圖像去噪方法研究[J]. 科技與創(chuàng)新, 2016(16): 108-110.

[14] 孫貴忠. 數(shù)字圖像處理基礎(chǔ)與實(shí)踐（MATLAB版）[M]. 北京: 清華大學(xué)出版社, 2016.

[15] 余承樂(lè), 柳炳祥. 基于IMP-Canny算子的古陶瓷裂紋檢測(cè)研究[J]. 陶瓷學(xué)報(bào), 2017, 38(1): 103-107.

[16] 何立風(fēng), 高啟航, 趙曉, 等. 一種二值圖像物體形狀特征計(jì)算方法[J]. 陜西科技大學(xué)學(xué)報(bào), 2018, 36(1): 143-147.

[17] 牛立聰, 孫香花, 左曉寶. 基于Matlab圖像處理的砂石顆粒圓形度計(jì)算方法[J]. 混凝土, 2012, 1: 10-12.

A Detection Algorithm for Inner Wall Crack of Ceramic Bottles

XIAO Menghui1, LI Juncheng1, PENG Yangxi2

(1. College of Mathematics and Finance, Hunan University of Humanities, Science and Technology, Loudi, 417000, Hunan, China; 2. Hunan Provincial Key Laboratory of Fine Ceramics and Power Materials, College of Materials and Environmental Engineering, Hunan University of Humanities, Science and Technology, Loudi, 417000, Hunan, China)

In order to detect the crack on the inner wall of ceramic bottles accurately, a crack detection algorithm based on digital image processing technology is proposed. Firstly, the images of the inner wall of the ceramic bottles are illuminated and denoised, and the contrasts of the images of the inner wall of the ceramic bottles are improved by image enhancement. Then, the connected regions are marked by image segmentation and connected region algorithm. Finally, the connected regions are detected to determine whether they are cracks, and the detected cracks are located. The simulation results show that the proposed algorithm can accurately detect the cracks on the inner wall of ceramic bottles, such as strip cracks, transverse cracks and longitudinal cracks which are the common types of crack.

ceramic bottle; inner wall; crack detection; crack location; image processing

TQ174.79

A

1006-2874(2020)04-0043-06

10.13958/j.cnki.ztcg.2020.04.010

2020?03?19。

2020?03?21。

婁底市應(yīng)用技術(shù)研究與開(kāi)發(fā)項(xiàng)目和湖南省科技計(jì)劃項(xiàng)目(2016TP1028)資助。

李軍成，男，博士，教授。

2020?03?19.

2020?03?21.

LI Juncheng, male, Ph.D., Professor.

lijuncheng82@126.com