CN112529884A - 一种基于压痕特征图像识别的焊点质量评价方法 - Google Patents
一种基于压痕特征图像识别的焊点质量评价方法 Download PDFInfo
- Publication number
- CN112529884A CN112529884A CN202011494605.2A CN202011494605A CN112529884A CN 112529884 A CN112529884 A CN 112529884A CN 202011494605 A CN202011494605 A CN 202011494605A CN 112529884 A CN112529884 A CN 112529884A
- Authority
- CN
- China
- Prior art keywords
- indentation
- welding spot
- welding
- image
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003466 welding Methods 0.000 title claims abstract description 156
- 238000007373 indentation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 11
- 230000004323 axial length Effects 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 abstract description 3
- 238000005260 corrosion Methods 0.000 description 8
- 230000007797 corrosion Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 229910000679 solder Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种焊点质量评价方法,具体为一种基于压痕特征图像识别的焊点质量评价方法。该方法包括如下步骤:S1获取压痕图像及对应焊点的熔核直径;S2对压痕图像进行预处理,以消除噪声、突出边界、填充孔洞;S3根据预处理图像设计特征提取算法,获得焊点压痕平均轴长、点蚀面积、Hog特征等特征;S4绘制平均轴长‑熔核直径、点蚀面积‑熔核直径曲线,找到第一特征点与第二特征点;S5根据所提取特征与第一特征点、第二特征点比较或利用SVM评价焊点质量。本发明将多种图像处理算法融合,提取多个表征压痕的特征,解决了焊点与电极特征提取困难、焊点质量评价困难的问题,为自动化焊接质量监控提供了新的思路,为缺陷焊点的分类提供了参考依据。
Description
技术领域
本发明涉及一种焊点质量评价方法,具体为一种基于压痕特征图像识别的焊点质量评价方法,属于焊接技术领域。
背景技术
电阻点焊以其操作简单、生产效率高、成本低等特点广泛应用于工业生产的板材连接当中。但是,电阻点焊在焊接过程中具有过程复杂、温度变化快、各阶段之间耦合性强等特点,使得对焊点状态信息提取较为困难。目前,对焊点质量进行评价的方法主要包括人工目测法和破坏性试验法。其中,人工目测法费时费力,对技术人员要求较高,而且检验结果有主观性强、一致性差、准确率低、效率低等缺点;破坏性试验法则存在成本高、周期长、不适用于自动化生产等缺点。因此如何提供一种适用于自动化生产线的焊接质量分析方法显得十分必要。
在目前诸多质量检测方法中,基于计算机视觉的检测方法因其优越性显著而脱颖而出。视觉信息具有信息量大、抗干扰能力强、灵敏度高等优点,可以在不影响在线生产的情况下,实现对焊点质量以及焊接***状态的监测。图像处理及特征提取技术是基于视觉的焊接质量分析方法的核心,主要任务是将CCD相机采集的电极压痕图像进行计算处理,提取压痕的特征信息,从而分析焊接质量。对现有技术的文献检索发现,申请号为201911120569.0的中国发明专利,公开了一种基于机器视觉和深度学习的虚焊检测方法、***及介质,该方法中关于焊接质量分析的方法是通过如下方法实现:通过对原始焊点图像进行预处理、滤波、图像分割等操作,获取焊点图像;将获取的图像输入SVM与神经网络,筛选出存在虚焊的焊点。虽然该方法能够有效减少人为影响,识别焊点虚焊,但是无法识别点蚀、飞溅等常见缺陷。
镀锌高强钢板是近年来兴起的一种高强钢,与传统钢板相比,其在点焊过程中存在着点蚀磨损特征变化显著、电极磨损严重及焊接工艺性差等问题,而点蚀的产生会对焊点质量产生严重的影响,而且点蚀特征难以利用传统无损检测的方式进行获取,因此高强钢点焊质量的评价是亟待解决的技术难题。同时,传统方式提取的单一焊点状态信息难以准确评价焊点质量,而基于电极压痕图像的特征提取方法具有容易采集、特征变化稳定、能够同时提取电极与焊点表面多个特征等优点。有鉴于此,本发明提供了一种基于压痕特征图像识别的焊点质量评价方法,用于对高强钢点焊质量进行评价并且该方法能够适用于自动化生产线。
发明内容
本发明的目的是提供一种基于压痕特征图像识别的焊点质量评价方法,在获取电极压痕图像之后,运用平滑滤波、锐化增强、图像二值化等技术进行预处理,利用Sobel边缘检测、Suzuki85等算法提取压痕边缘信息,提取压痕平均轴长、点蚀面积特征,建立压痕特征与焊点质量之间的关系。本发明能够根据电极压痕获取当前焊点与电极状态,及时筛选出不合格的焊点,对提高生产效率和保障生产安全具有重要意义。
上述的目的通过以下技术方案实现:
一种基于压痕特征图像识别的焊点质量评价方法,该方法包括如下步骤:
S1.获取压痕图像,获取焊点的熔核直径D作为评价焊点质量指标;
S2.对压痕图像进行预处理,以消除噪声、突出边界、填充孔洞;
S3.根据预处理图像设计特征提取算法,获得焊点压痕平均轴长、点蚀面积、Hog特征等特征;
S4.分别以平均轴长和点蚀面积为横坐标、熔核直径为纵坐标绘制曲线,并在平均轴长-熔核直径曲线、点蚀面积-熔核直径曲线中找到焊点质量划分的临界点作为第一特征点和第二特征点;
S5.根据所提取特征与第一特征点、第二特征点比较或利用SVM评价焊点质量。
进一步地,步骤S2中所述的图像预处理是采用滤波、锐化、阈值分割和形态学操作四个流程对获取的压痕图像进行预处理,即采用以下步骤对CCD相机获取压痕图像进行调整,消除图像中噪声影响,突出边缘信息:
S21.首先将压痕图像转为灰度图,对灰度图进行平滑滤波处理,消除图像中噪声,得到平滑图像;
S22.选用拉普拉斯算子对平滑图像进行锐化增强,突出压痕的边缘信息;
S23.分析焊点的灰度分布情况,利用直接阈值法,选择200为阈值,对灰度图像进行二值化操作,分离出压痕与背景;
S24.对二值图像进行形态学操作,消除孔洞、缝隙与微小孤立区域,连接未连通区域;
进一步地,所述形态学操作为形态学闭操作,所选结构元素为椭圆结构;
进一步地,步骤S3所述特征提取算法是包含压痕边缘检测、压痕边缘提取及压痕特征提取等流程,所述步骤S3包括:
S31.对步骤S2获得的预处理图像进行梯度计算,选用3×3的Sobel算子提取压痕边缘;
S32.采用Suzuki 85算法确定边缘图像边界围绕关系,根据轮廓间的拓扑结构进行编码;
S33.分析压痕形状,以椭圆拟合的方法近似复原压痕轮廓,获取拟合椭圆长轴a和椭圆短轴b,以椭圆平均轴长d(d=a/2+b/2)作为压痕直径;
S34.计算椭圆轮廓内白色像素点个数作为点蚀面积S;
S35.提取焊点的Hog特征,以便于准确确定焊点质量;
进一步地,根据提取的平均轴长d,点蚀面积S与熔核直径D绘制平均轴长-熔核直径、点蚀面积-熔核直径曲线。
优选地,所述焊点质量划分的临界点是通过查询RWMA(电阻焊接协会)推荐的点焊规范得到的。
进一步地,步骤S5所述的评价焊点质量,具体步骤为:
S51.当待检压痕的平均轴长d大于第一特征点对应的平均轴长的(1+η)倍时,焊点平均轴长过大,导致熔核过小或虚焊,该焊点不合格;当焊压痕平均轴长d小于或等于第一特征点对应的平均轴长的(1-η)倍,该焊点可能为合格焊点或严重点蚀焊点,继续执行S52;否则该焊点需要进一步判断,继续执行S53;
S52.当待检压痕点蚀面积S大于第二特征点对应的点蚀面积的(1+η)倍时,焊点点蚀面积过大,导致焊点强度低,该焊点不合格;当焊压痕点蚀面积S小于或等于第一特征点对应的点蚀面积的(1-η)倍,该焊点未发生点蚀或发生轻微点蚀,该焊点合格;否则继续执行S53;
进一步地,所述η为安全因子,在不同工况下,由实验测得;
S53.待检焊点某一特征处于临界点周围,简单地通过数值比较难以准确评价焊点质量,将该待检压痕的Hog特征输入SVM进行分类,筛选出合格焊点与不合格焊点。
本发明具有如下优点:
(1)本发明将计算机视觉技术用于焊接领域,设计的特征提取算法能够自动提取电极压痕的多种特征并快速准确的识别焊点缺陷,解决了点焊过程中焊接质量难以监测的问题,有助于节约破坏性检测的成本以及实现对高强钢点焊质量的评价。
(2)本发明焊点缺陷识别率高,减少了人为因素影响,有助于提高工业生产效率和可靠性,从而适用于自动化生产线。
(3)本发明将多种图像处理算法融合,提取多个表征压痕的特征,解决了焊点与电极特征提取困难、焊点质量评价困难的问题,为自动化焊接质量监控提供了新的思路,为缺陷焊点的分类提供了参考依据。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于压痕特征图像识别的焊点质量评价方法的流程图;
图2为本发明一种基于压痕特征图像识别的焊点质量评价方法的压痕示意图;
图3为本发明一种基于压痕特征图像识别的焊点质量评价方法的平均轴长-熔核直径曲线;
图4为本发明一种基于压痕特征图像识别的焊点质量评价方法的点蚀面积-熔核直径曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图和实例对本发明作进一步说明。
参考图1所示,本发明实施例提供了一种基于压痕特征图像识别的焊点质量评价方法。该方法在获取电极压痕图像后,运用平滑滤波、锐化增强、阈值分割、形态学操作等进行图像预处理,并运用Sobel边缘检测、Suzuki 85算法获取压痕的边缘信息,提取出压痕的特征信息,根据平均轴长、点蚀面积或SVM分类结果评价焊接质量。
本实施例以1mm厚DP600双相钢板为例,基于伺服焊枪点焊试验平台搭建实验环境,其焊接条件为:球形电极,电极头直径为5mm,焊接电流11kA,焊接时间18周波,电极力430kg,水冷流量8L/min,具体步骤为:
在S1中,先通过碳复印法获取电极压痕,然后通过CCD相机获取压痕图像;采用破坏性试验获取对应焊点的熔核直径D;
在S2中,将压痕灰度图像灰度化,并进行线性变换,增大图像对比度,突出压痕焊点边缘;运用拉普拉斯算子对平滑图像进行锐化增强,突出压痕的边缘信息;以200为阈值,采用直接阈值法分割压痕与背景,并选择椭圆结构元素对图像进行形态学闭操作;
在S3中,运用3×3的Sobel算子计算图像梯度,获取图像边缘;采用Suzuki 85算法获取轮廓的拓扑结构,选出面积最大的外层轮廓即为电极压痕轮廓;利用最小二乘法对压痕轮廓进行拟合,得到拟合的椭圆轴长(a,b);计算椭圆轮廓内白色像素点个数作为点蚀面积S,各部分标注如图2所示;提取压痕的Hog特征用于SVM进行分类;
在S4中,根据提取的平均轴长d,点蚀面积S与熔核直径D绘制平均轴长-熔核直径、点蚀面积-熔核直径曲线,如图3、图4所示,图中特征点的位置为熔核直径D=4与曲线的交点;
在S5中,根据预设规则对待检压痕进行判断:
1)当待检压痕的平均轴长d大于第一特征点对应的平均轴长的1.2倍时,焊点平均轴长过大,导致熔核过小或虚焊,该焊点不合格;当焊压痕平均轴长d小于或等于第一特征点对应的平均轴长的0.8倍,该焊点可能为合格焊点或严重点蚀焊点,继续执行2);否则该焊点需要进一步判断,继续执行3);
2)当待检压痕点蚀面积S大于第二特征点对应的点蚀面积的1.2倍时,焊点点蚀面积过大,导致焊点强度低,该焊点不合格;当焊压痕点蚀面积S小于或等于第一特征点对应的点蚀面积的0.8倍,该焊点未发生点蚀或发生轻微点蚀,该焊点合格;否则继续执行3);
3)待检焊点某一特征处于临界点周围,简单地通过数值比较难以准确评价焊点质量,将该待检压痕的Hog特征输入SVM进行分类,筛选出合格焊点与不合格焊点。
其中,在使用SVM之前主要对样本数据进行标注,并将数据输入到SVM进行训练。
本实例典型待检压痕特征如图3、图4中A、B点所示,其中A点平均轴长6.1mm、点蚀面积11.2mm2,根据S5中2)和3),判定该焊点合格,而经过破坏性试验测试,该焊点熔核直径为5.7mm,为合格焊点,;B点平均轴长6.6mm、点蚀面积为18.5mm2,在S5中4)SVM分类结果为不合格焊点,经破坏性试验发现,该焊点未形成熔核。
该方法在压痕特征提取中获得了比较理想的结果,并根据压痕特征设计了焊点质量评价规则,比较准确并快速地实现了对焊点表面缺陷的识别。本方法将多种图像处理算法融合,提取多个表征压痕的特征,解决了焊点与电极特征提取困难、焊点质量评价困难的问题,为自动化焊接质量监控提供了新的思路,为缺陷焊点的分类提供了参考依据。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于压痕特征图像识别的焊点质量评价方法,其特征在于,该方法包括如下步骤:
S1.获取压痕图像,获取焊点的熔核直径D作为评价焊点质量指标;
S2.对压痕图像进行预处理,以消除噪声、突出边界、填充孔洞;
S3.根据预处理图像设计特征提取算法,获得焊点压痕平均轴长、点蚀面积、Hog特征等特征;
S4.分别以平均轴长和点蚀面积为横坐标、熔核直径为纵坐标绘制曲线,并在平均轴长-熔核直径曲线、点蚀面积-熔核直径曲线中找到焊点质量划分的临界点作为第一特征点和第二特征点;
S5.根据所提取特征与第一特征点、第二特征点比较或利用SVM评价焊点质量。
2.根据权利要求1所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,步骤S2中所述的图像预处理是采用滤波、锐化、阈值分割和形态学操作四个流程对获取的压痕图像进行预处理。即采用以下步骤对CCD相机获取压痕图像进行调整,消除了图像中噪声影响,突出边缘信息:
S21.首先将压痕图像转为灰度图,对灰度图进行平滑滤波处理,消除图像中噪声,得到平滑图像;
S22.选用拉普拉斯算子对平滑图像进行锐化增强,突出压痕的边缘信息;
S23.分析焊点的灰度分布情况,利用直接阈值法,选择200为阈值,进行二值化操作,分离出压痕与背景;
S24.对二值图像进行形态学操作,消除孔洞、缝隙与微小孤立区域,连接未连通区域。
3.根据权利要求2所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,所述形态学操作为形态学闭操作,所选结构元素为椭圆结构。
4.根据权利要求1所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,步骤S3中所述特征提取算法是包含压痕边缘检测、压痕边缘提取及压痕特征提取等流程。所述步骤S3包括:
S31.对步骤S2获得的预处理图像进行梯度计算,选用3×3的Sobel算子提取压痕边缘;
S32.采用Suzuki 85算法确定边缘图像边界围绕关系,根据轮廓间的拓扑结构进行编码;
S33.分析压痕形状,以椭圆拟合的方法近似复原压痕轮廓,获取拟合椭圆长轴a、椭圆短轴b,以椭圆平均轴长d(d=a/2+b/2)作为压痕直径;
S34.计算椭圆轮廓内白色像素点个数作为点蚀面积S;
S35.提取焊点的Hog特征,以便于准确确定焊点质量。
5.根据权利要求4所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,根据提取的平均轴长d,点蚀面积S与熔核直径D绘制平均轴长-熔核直径、点蚀面积-熔核直径曲线。
7.根据权利要求1所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,步骤S5中所述评价焊点的方法为:
S51.当待检压痕的平均轴长d大于第一特征点对应的平均轴长的(1+η)倍时,焊点平均轴长过大,导致熔核过小或虚焊,该焊点不合格;当焊压痕平均轴长d小于或等于第一特征点对应的平均轴长的(1-η)倍,该焊点可能为合格焊点或严重点蚀焊点,继续执行S52;否则该焊点需要进一步判断,继续执行S53;
S52.当待检压痕点蚀面积S大于第二特征点对应的点蚀面积的(1+η)倍时,焊点点蚀面积过大,导致焊点强度低,该焊点不合格;当焊压痕点蚀面积S小于或等于第一特征点对应的点蚀面积的(1-η)倍,该焊点未发生点蚀或发生轻微点蚀,该焊点合格;否则继续执行S53;
S53.待检焊点某一特征处于临界点周围,简单地通过数值比较难以准确评价焊点质量,将该待检压痕的Hog特征输入SVM进行分类,筛选出合格焊点与不合格焊点。
8.根据权利要求1-7所述的基于压痕特征图像识别的焊点质量评价方法,其特征在于,步骤S5中所述η为安全因子,在不同工况下,由实验测得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494605.2A CN112529884B (zh) | 2020-12-17 | 2020-12-17 | 一种基于压痕特征图像识别的焊点质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011494605.2A CN112529884B (zh) | 2020-12-17 | 2020-12-17 | 一种基于压痕特征图像识别的焊点质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529884A true CN112529884A (zh) | 2021-03-19 |
CN112529884B CN112529884B (zh) | 2022-03-25 |
Family
ID=75000993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011494605.2A Active CN112529884B (zh) | 2020-12-17 | 2020-12-17 | 一种基于压痕特征图像识别的焊点质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529884B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984837A (zh) * | 2021-10-27 | 2022-01-28 | 重庆理工大学 | 一种基于焊点特征信息融合的电阻点焊焊点质量检测方法 |
CN114918537A (zh) * | 2022-05-20 | 2022-08-19 | 泰德激光惠州有限公司 | 均热板和中框的焊接方法、激光加工设备及散热结构 |
CN115423811A (zh) * | 2022-11-04 | 2022-12-02 | 长春光华微电子设备工程中心有限公司 | 一种芯片上焊点的注册方法和装置 |
CN116342611A (zh) * | 2023-05-31 | 2023-06-27 | 无锡日联科技股份有限公司 | 微型半导体的焊线检测方法、检测装置 |
CN118071755A (zh) * | 2024-04-24 | 2024-05-24 | 海斯坦普汽车组件(北京)有限公司 | 一种车身焊点质量检测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030234239A1 (en) * | 2002-02-20 | 2003-12-25 | Hsu-Tung Lee | Method and system for assessing quality of spot welds |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN104677751A (zh) * | 2015-02-28 | 2015-06-03 | 重庆理工大学 | 一种基于焊接过程热效应计算的电阻点焊焊点质量检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110836825A (zh) * | 2019-11-29 | 2020-02-25 | 重庆交通大学 | 基于球形压痕法原位估测橡胶类超弹性材料的拉伸变形的方法 |
CN110910363A (zh) * | 2019-11-15 | 2020-03-24 | 上海交通大学 | 基于机器视觉和深度学习的虚焊检测方法、***及介质 |
CN111103291A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于产品焊缝特征的图像识别与质量智能评价*** |
-
2020
- 2020-12-17 CN CN202011494605.2A patent/CN112529884B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030234239A1 (en) * | 2002-02-20 | 2003-12-25 | Hsu-Tung Lee | Method and system for assessing quality of spot welds |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN104677751A (zh) * | 2015-02-28 | 2015-06-03 | 重庆理工大学 | 一种基于焊接过程热效应计算的电阻点焊焊点质量检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110910363A (zh) * | 2019-11-15 | 2020-03-24 | 上海交通大学 | 基于机器视觉和深度学习的虚焊检测方法、***及介质 |
CN110836825A (zh) * | 2019-11-29 | 2020-02-25 | 重庆交通大学 | 基于球形压痕法原位估测橡胶类超弹性材料的拉伸变形的方法 |
CN111103291A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于产品焊缝特征的图像识别与质量智能评价*** |
Non-Patent Citations (3)
Title |
---|
D. HUH等: "《Improving Electrode Life for RSW of Coated Advanced High Strength Steel》", 《SHEET METAL WELDING CONFERENCE XVII》 * |
SANG-GYU CHOI等: "《Prediction of the Weld Qualities Using Surface Appearance Image in Resistance Spot Welding》", 《METALS》 * |
张旭强等: "《热镀锌高强钢电阻点焊的点蚀对熔核形成的影响》", 《焊接学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984837A (zh) * | 2021-10-27 | 2022-01-28 | 重庆理工大学 | 一种基于焊点特征信息融合的电阻点焊焊点质量检测方法 |
CN113984837B (zh) * | 2021-10-27 | 2024-02-23 | 重庆理工大学 | 一种基于焊点特征信息融合的电阻点焊焊点质量检测方法 |
CN114918537A (zh) * | 2022-05-20 | 2022-08-19 | 泰德激光惠州有限公司 | 均热板和中框的焊接方法、激光加工设备及散热结构 |
CN115423811A (zh) * | 2022-11-04 | 2022-12-02 | 长春光华微电子设备工程中心有限公司 | 一种芯片上焊点的注册方法和装置 |
CN115423811B (zh) * | 2022-11-04 | 2023-03-24 | 长春光华微电子设备工程中心有限公司 | 一种芯片上焊点的注册方法和装置 |
CN116342611A (zh) * | 2023-05-31 | 2023-06-27 | 无锡日联科技股份有限公司 | 微型半导体的焊线检测方法、检测装置 |
CN116342611B (zh) * | 2023-05-31 | 2023-09-08 | 无锡日联科技股份有限公司 | 微型半导体的焊线检测方法、检测装置 |
CN118071755A (zh) * | 2024-04-24 | 2024-05-24 | 海斯坦普汽车组件(北京)有限公司 | 一种车身焊点质量检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112529884B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529884B (zh) | 一种基于压痕特征图像识别的焊点质量评价方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN107085846B (zh) | 工件表面缺陷图像识别方法 | |
CN115423813B (zh) | 焊管表面焊接缺陷检测方法 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN114943739A (zh) | 一种铝管质量检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN116500086B (zh) | 一种基于深度学习的铜复铝散热底板生产评价方法及*** | |
US20210223150A1 (en) | Hole expansion ratio testing device, hole expansion ratio testing method, and operating program | |
CN116993682B (zh) | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 | |
CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及*** | |
CN115018827A (zh) | 一种建材焊缝质量自动检测方法 | |
CN117152161A (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN114119595A (zh) | 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法 | |
Chen et al. | The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN117260046A (zh) | 门窗的无缝焊接***及其方法 | |
Khan et al. | Ensemble Based Automotive Paint Surface Defect Detection Augmented By Order Statistics Filtering Using Machine Learning | |
CN113205479A (zh) | 用于评估资产健康状况的***和方法 | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
Charles et al. | Survey Paper on Visual Inspection of a Mechanical Part using Machine Learning | |
Chen et al. | Research on Curved Parts Surface Quality Detection during Laser‐Directed Energy Deposition Based on Blurry Inpainting Network | |
CN117871694B (zh) | 一种基于相控阵的三维管道焊缝缺陷自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |