(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210345106.X (22)申请日 2022.03.31 (71)申请人 江苏宝诺铸造有限公司 地址 226100 江苏省南 通市海门市刘浩 镇 刘浩路89号内1-7号 (72)发明人 朱正冲　林锋　 (74)专利代理 机构 郑州知倍 通知识产权代理事 务所(普通 合伙) 41191 专利代理师 夏开松 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于计算机视觉的铁炉表面裂纹生长 预测方法及系统 (57)摘要 本发明涉及缺陷检测技术领域， 具体涉及一 种基于计算机视觉的铁炉表面裂纹生长预测方 法及系统。 该方法通过 温度特征检测出热影响区 域。 根据热影 响区域的位置和裂纹的位置对像素 点进行筛选， 获得初始生长边缘点和对应邻域范 围内的差异 像素点。 在初始生长边缘点的聚类范 围内进行聚类， 获得裂纹区域簇。 以裂纹区域簇 内的差异 像素点作为生长预测点。 根据裂纹的生 长规律在生长预测点位置处进行生长模拟， 获得 预测生长裂纹。 本发明通过对预测生长裂纹的模 拟实现裂纹的生长预测。 权利要求书2页 说明书7页 附图1页 CN 114723700 A 2022.07.08 CN 114723700 A 1.一种基于计算机 视觉的铁炉表面裂纹生长预测方法， 其特 征在于， 所述方法包括： 获得铁炉表面红外图像； 所述铁炉表面红外图像中相同温度的像素点构 成一个温度区 域； 根据预设温度阈值获得每个所述温度区域的温度类别； 所述温度类别包括热区域和冷 区域； 根据相邻所述温度区域的温度和所述温度类别获得热影响区域； 所述热影响区域与 所述冷区域和所述热区域相邻， 且与相邻的所述冷区域和所述热区域的温度差异大于预设 温度差异阈值； 获得铁炉表面图像； 获得所述铁炉表面图像中的裂纹边缘像素点； 根据相邻所述裂纹 边缘像素点的像素值差异进行分类获得多种同类 裂纹边缘像素点； 以距离所述同类裂纹边缘像素点组成的裂纹边缘最近的所述热影响区域的中心点作 为所述同类裂纹边缘像素点的引导点； 以指向所述引导点的方向上与相 邻像素点存在差异 的所述同类裂纹边缘像素点作为初始生长边缘点， 存在差异的所述相 邻像素点为差异像素 点； 在所述初始 生长边缘点的预设聚类范围内根据像素值进 行聚类， 获得裂纹 区域簇； 以属 于所述裂纹区域簇的所述差异像素点作为 生长预测点； 根据每种相邻的所述同类裂纹边缘像素点之间的偏移角度获得每种所述同类裂纹边 缘像素点的生长规律； 根据所述生长规律在所述生长预测点处沿着指向所述引导点的方向 进行模拟， 获得 预测生长裂纹。 2.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述 根据相邻所述温度区域的温度和所述温度类别获得 热影响区域包括： 获得所述冷区域在预设第 一邻域范围内与相邻的所述热区域的第 一温度梯度； 以最大 的所述第一温度梯度对应的所述热区域作为间隔热区域； 获得所述间隔热区域在所述第 一邻域范围内与相邻的所述热区域的第 二温度梯度； 若 所述第一温度梯度与所述第二温度梯度的和大于所述温度差异阈值， 则以对应的所述间隔 区域作为所述热影响区域。 3.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述获得 所述铁炉表面图像中的裂纹边 缘像素点包括： 通过边缘检测算法获得所述铁炉表面图像中的边缘像素点； 将所述边缘像素点进行拟 合获得边缘区域图像； 将所述边缘区域图像送入预先训练好的裂纹识别网络中， 输出裂纹 区域图像； 所述裂纹区域图像中的边 缘像素点 为所述裂纹边 缘像素点。 4.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述根据相邻所述裂纹边缘像素点的像素值差异进 行分类获得多种同类裂纹边缘像 素点包括： 将所述裂纹边缘像素点拟合， 获得裂纹边缘线； 以所述裂纹边缘线任意一个端点作为 初始种子点； 获得所述初始种子点与预设第二邻域范围内其他像素点的第一灰度梯度； 以 最小的所述第一灰度梯度作为所述初始种子点的生长点； 将所述生长点作为种子点重新计算所述第 一灰度梯度， 直至获得所述初始种子点的所 有所述生长点； 以所述初始种子点和对应的所述 生长点作为所述同类 裂纹边缘像素点。 5.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述在所述初始生长边缘点的预设聚类范围内根据像素值进行聚类， 获得裂纹区域 簇包括：权　利　要　求　书 1/2 页 2 CN 114723700 A 2在所述聚类范围内利用模糊C均值聚类算法进行聚类； 在所述模糊C均值聚类算法过程 中， 将像素点的灰度分为多个灰度级， 根据所述灰度级的差异获得每个像素点与聚类中心 的灰度距离； 以所述灰度距离和隶属度的乘积的最小值作为所述模糊C均值聚类算法过程 中的最优化目标函数。 6.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述以属于所述裂纹区域簇的所述差异像素点作为 生长预测点后还 包括： 根据所述生长预测点与所述引导点的距离作为灰度权重， 根据 所述灰度权重调 整所述 生长预测点的第二灰度梯度； 以调整后的所述第二灰度梯度作为所述生长预测点的灰度 值。 7.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述根据每种相邻的所述同类裂纹边缘像素点之 间的偏移角度获得每种所述同类裂 纹边缘像素点的生长规 律包括： 每种相邻的所述同类裂纹边缘像素点之间所述偏移角度构 成角度序列； 根据升序排列 的所述角度序列计算所述角度序列的排列熵； 以所述排列熵最小的序列作为的角度变化规 律作为所述 生长规律。 8.根据权利要求1所述的一种基于计算机视觉的铁炉表面裂纹生长预测方法， 其特征 在于， 所述根据所述生长规律在所述生长预测 点处沿着指向所述引导点的方向进行模拟， 获得预测生长裂纹包括： 获得每种相邻的所述同类裂纹边缘像素点的灰度值集合； 根据 所述灰度值集合对所述 预测生长裂纹进行 灰度赋值。 9.一种基于计算机视觉的铁炉表面裂纹生长预测系统， 包括存储器、 处理器以及存储 在所述存储器中并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所 述计算机程序时实现如权利要求1～8任意 一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114723700 A 3