CN113496483B - 一种基于图像处理的焊缝气孔缺陷检测方法 - Google Patents
一种基于图像处理的焊缝气孔缺陷检测方法 Download PDFInfo
- Publication number
- CN113496483B CN113496483B CN202110690265.9A CN202110690265A CN113496483B CN 113496483 B CN113496483 B CN 113496483B CN 202110690265 A CN202110690265 A CN 202110690265A CN 113496483 B CN113496483 B CN 113496483B
- Authority
- CN
- China
- Prior art keywords
- image
- air hole
- connected domain
- hole defect
- binary image
- 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.)
- Active
Links
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像处理的焊缝气孔缺陷检测方法,该方法包括以下步骤:对输入的气孔缺陷待检测图像进行二值化处理得到二值图像imgb1;对二值图像imgb1依次进行闭运算、开运算得到二值图像imgb2;提取二值图像imgb2的所有连通域,放入汇总集合中;遍历汇总集合,提取出横向穿过图像的连通域,放入第一筛选集合中;若第一筛选集合中只有一个元素,则此连通域即为焊缝区域的轮廓,直接搜索出气孔缺陷区域;否则,寻找钢管区域;提取目标焊缝区域;搜索出气孔缺陷区域;基于边缘检测提取所有气孔缺陷区域,采用最小二乘法对轮廓拟合。本发明直接对气孔缺陷待检测图像处理,结合寻找连通域与边缘检测以检测焊缝气孔缺陷,具有良好的精确度和准确度。
Description
技术领域
本发明涉及焊缝气孔缺陷检测技术领域,特别涉及一种基于图像处理的焊缝气孔缺陷检测方法。
背景技术
随着制造产业的快速发展,焊接技术已经被广泛应用于能源交通、建筑、机械、航空等工业领域。在焊接过程中,由于设施设置不合理或者操作不当都可能导致焊缝工件产生气孔缺陷。焊缝气孔缺陷不仅会导致工件的结构强度降低,而且可能造成工件断裂,引发严重的安全事故。因此,对焊接工件的质量检测显得尤为重要。
X射线检测技术是常用的一种工业无损检测方法,在焊缝缺陷分析和检测领域有重要的应用价值,其检测结果已经成为评估焊缝质量的重要依据。目前基于X射线的焊缝气孔缺陷检测技术大多采用人工评定的方法。然而这种方法劳动强度较大,效率较低,而且评定结果容易受到主观的影响。因此,借助计算机技术实现X射线焊缝图片气孔缺陷的自动分析和检测,能够在降低成本的同时,提高准确性和效率,具有良好的应用价值。
目前的焊缝气孔缺陷检测算法主要分为两类。第一类是基于气孔缺陷位置的方法。首先通过边缘检测算法提取出焊缝的边界,分割得到焊缝区域。然后采用算法进一步提取气孔缺陷区域。常见的基于梯度的边缘检测算法有Sobel边缘检测算法、Prewitt边缘检测算法、Canny边缘检测算法和Laplace边缘检测算法。这类方法的检测结果受多种因素影响,容易引起误检。第二类是基于机器学习的方法。通过对大量已标注的气孔缺陷样本数据集进行训练,得到最终的分类器,然后利用分类器对气孔缺陷进行检测与识别。此类方法需要大量的样本数据集和人工标注的信息,不仅需要大量的人工劳动成本,而且结果也容易受到主观的标记信息的影响。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于图像处理的焊缝气孔缺陷检测方法,该方法检测的气孔缺陷边缘接近真实气孔边缘,定位更加准确。
为了达到上述目的,本发明采用以下技术方案:
一种基于图像处理的焊缝气孔缺陷检测方法,包括以下步骤:
步骤S1:对输入的气孔缺陷待检测图像img进行二值化处理得到第一处理图像,所述第一处理图像为二值图像imgb1;
步骤S2:对二值图像imgb1先进行闭运算,再进行开运算,得到第二处理图像,所述第二处理图像为二值图像imgb2;
步骤S3:提取二值图像imgb2的所有连通域,放入一个汇总集合S中;
步骤S4:遍历汇总集合S中的每一个连通域ci,提取出横向穿过图像的连通域,放入第一筛选集合Q中;
步骤S5:如果第一筛选集合Q中只有一个元素,则仅有的连通域为焊缝区域的轮廓,执行步骤S7;
否则,寻找钢管区域,执行步骤S6;
步骤S6:在已经提取到的钢管区域中提取纵向贯穿且颜色较深的区域得到目标焊缝区域;
步骤S7:在已经提取到的目标焊缝区域中搜索出气孔缺陷区域;
步骤S8:基于边缘检测提取所有气孔缺陷区域,采用最小二乘法对轮廓拟合。
作为优选的技术方案,所述对输入的气孔缺陷待检测图像进行二值化处理得到第一处理图像,具体步骤包括:
步骤S1-1:基于128×1维的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第一滤波图像bimg;
步骤S1-2:利用第一预设阈值与第一滤波图像bimg对气孔缺陷待检测图像img进行二值化处理得到二值图像imgb1,所述二值图像imgb1在(x,y)处的像素值为:
作为优选的技术方案,所述第一预设阈值th1设置为262。
作为优选的技术方案,所述步骤S4,具体步骤包括:
步骤S4-1:设气孔缺陷待检测图像img的大小为m×n,若连通域ci满足第一筛选条件,则将ci放入第一筛选集合Q中,其中连通域ci的左边界、右边界、上边界、下边界坐标分别为xli、xri、yti、ybi,第一筛选条件为:xli<10且yti>10且xri>m-10且ybi<n-10;
步骤S4-2:将第一筛选集合Q中的连通域基于上边界坐标yti的值按照从小到大重新排列。
作为优选的技术方案,所述步骤S5中的寻找钢管区域,具体包括以下步骤:
步骤S5-1:对第一筛选集合Q中的所有元素依次进行第一移除判断处理,具体为:对第一筛选集合Q中当前处理目标的连通域cj和与其相邻的下一个连通域cj+1进行遍历,根据第一筛选集合Q中cj和cj+1边界坐标,设置一个矩形区域cRec,所述矩形区域cRec的左上、右上、左下、右下坐标分别为(xlj,ybj)、(xr(j+1),ybj)、(xlj,yt(j+2))、(xr(j+1),yt(j+1)),若yt(j+1)<ybj,则将当前处理的连通域cj从第一筛选集合Q中去除,并将cj+1设置为下一回合处理目标的连通域,重新执行步骤S5-1直到第一筛选集合Q内的所有元素处理完毕;
步骤5-2:计算气孔缺陷待检测图像img在矩形区域cRec内的像素灰度平均值根据像素灰度平均值/>对第一筛选集合Q进行第二移除判断处理,具体为:若像素灰度平均值小于第二预设阈值th2,则将连通域cj、与连通域cj相邻的下一个连通域cj+1以及连通域cj与连通域cj+1之间形成的独立区域合并为一个整体区域,将所述整体区域作为钢管区域,否则将cj从第一筛选集合Q中去除,并回到步骤S5-1直至对第一筛选集合Q遍历完毕。
作为优选的技术方案,所述第二预设阈值th2的值为255。
作为优选的技术方案,所述步骤S6,具体步骤包括:
步骤S6-1:基于1×128维的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第二滤波图像imgm1;
步骤S6-2:对第二滤波图像imgm1进行亮度调节处理,得到亮度调节图像imgm2,所述亮度调节图像imgm2在(x,y)处的像素值为:
imgm2(x,y)=imgm1(x,y)×0.88;
步骤S6-3:根据亮度调节图像imgm2对气孔缺陷待检测图像img进行二值化处理,得到第二处理图像;
所述第二处理图像具体为二值图像imgb2,具体地,所述二值图像imgb2在(x,y)处的像素值为:
步骤S6-4:利用第一预设阈值与第二滤波图像imgm1对气孔缺陷待检测图像img进行二值化处理,得到第三处理图像,所述第三处理图像具体为二值图像imgb3,所述二值图像imgb3在(x,y)处的像素值为:
步骤S6-5:将二值图像imgb2和二值图像imgb3中的像素值进行逻辑与运算,得到第四处理图像,即二值图像imgb4;
将二值图像imgb4和二值图像imgb1中的像素值进行逻辑与运算,得到第五处理图像,即二值图像imgb5;
步骤S6-6:对二值图像imgb5进行图像处理,先基于5×5的滤波核进行开运算,再基于30×40的滤波核进行闭运算操作,得到第六处理图像,即二值图像imgb6;
步骤S6-7:遍历二值图像imgb6的所有连通域,将找到的高度最大的连通域作为目标焊缝区域。
作为优选的技术方案,所述步骤S7,具体步骤包括:
步骤S7-1:基于30×30的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第三滤波图像imgm3;
步骤S7-2:利用第一预设阈值与第三滤波图像imgm3对气孔缺陷待检测图像img进行二值化处理得到第七处理图像,所述第七处理图像为二值图像imgb7;
所述二值图像imgb7在(x,y)处的像素值为:
步骤S7-3:对二值图像imgb7进行图像处理,先基于3×3的滤波核进行闭运算,再基于5×5的滤波核进行开运算,得到第八处理图像,即二值图像imgb8;
步骤S7-4:提取二值图像imgb8中的所有连通域,放入第二筛选集合R中;
步骤S7-5:遍历第二筛选集合R,将长宽比超出长宽比预设阈值的连通域从第二筛选集合R中移除,得到更新后的第二筛选集合R;
所述步骤S7-5具体为:令第二筛选集合R中当前遍历的连通域cj的最小外接正矩形为rb,令该最小外接正矩形rb的宽和高分别为width和height;
将宽和高中较大的值记为maxrad,较小的值记为minrad,如果最小外接正矩形rb的宽和高满足第二筛选条件,则当前遍历的连通域cj符合条件,否则,将当前遍历的连通域cj从第二筛选集合R中移除;
所述第二筛选条件具体为:
minrad>6
minrad>0.5*maxrad
width>0.8*height;
步骤S7-6:遍历第二筛选集合R,根据连通域内外的明暗关系找到气孔缺陷区域。
作为优选的技术方案,所述根据连通域内外的明暗关系找到气孔缺陷区域,具体包括以下步骤:
步骤S7-6-1:令外轮廓点集ei是第二筛选集合R第i个连通域的外轮廓点组成的点集;
步骤S7-6-2:遍历外轮廓点集ei的每一个轮廓点;
若轮廓点内部亮度比外部亮度高,从而形成内外亮度差值,若内外亮度差值小于第三预设阈值th3,则判断轮廓点为无效轮廓点,所述第三预设阈值th3的值为15;
作为优选的技术方案,所述步骤S8,具体步骤包括:
步骤S8-1:采用canny算法对气孔缺陷待检测图像img进行边缘检测,得到边缘图像eimg;
步骤S8-2:对边缘图像eimg依次遍历所有气孔缺陷区域外轮廓中所有的轮廓点,对每一个轮廓点进行搜索,从轮廓外部10个像素位置开始,往轮廓内部5个像素位置形成搜索区域,在搜索区域内根据像素值判断是否为边缘点,将边缘图像eimg找到的边缘点加入到第i个边缘点集pseti中,所述第i个边缘点集pseti包含由第i个气孔缺陷区域外轮廓中搜索到的边缘点;
步骤S8-3:使用最小二乘法对第i个边缘点集pseti中的边缘点进行圆拟合,得到准确的气孔缺陷圆心坐标和半径。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明采用了数字图像处理和形态学的相关算法,直接对气孔缺陷待检测图像进行图像处理,结合寻找连通域与边缘检测的方式进行提取焊缝X射线图像的气孔缺陷的轮廓,解决了焊缝图像气孔缺陷检测的技术问题,达到了准确、高效、可靠地自动化检测焊缝图像气孔缺陷区域的技术效果,具有良好的精确度和准确度,本发明提出的检测方法运算速率快,时延低,本发明对检测焊缝气孔缺陷的应用具有良好的参考价值。
(2)本发明通过提取连通域、提取轮廓,进而基于边缘检测提取所有气孔缺陷区域,采用最小二乘法对轮廓拟合,进而优化提取的所有气孔缺陷区域,从而得到更加精准的气孔缺陷位置,使得检测到的气孔缺陷边缘接近真实气孔边缘,定位准确;相比基于机器学习的检测方法,本发明无需要大量的样本数据集和人工标注的信息,既避免了主观标记信息的影响,又节省了大量的人工劳动成本,在整体处理上,无需耗费大量的时间在模型训练及优化上。
附图说明
图1是本发明实施例1中基于图像处理的焊缝气孔缺陷检测方法的流程示意图;
图2是本发明实施例1中气孔缺陷待检测图像img示意图;
图3是对图2中的焊缝缺陷区域部分进行截取并放大得到的细节图像;
图4是本发明实施例1中的二值图像imgb2的示意图;
图5是本发明实施例1中钢管区域的轮廓图像示意图;
图6是本发明实施例1中目标焊缝区域的示意图;
图7是对图6中的目标焊缝区域进行截取并放大得到的细节图像;
图8是本发明实施例1中标记出气孔缺陷的目标图像;
图9是对图8中的气孔缺陷标注部分进行截取并放大得到的细节图像。
具体实施方式
在本公开的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同,而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
在本公开的描述中,需要说明的是,除非另有明确的规定和限定,否则术语“安装”、“相连”、“连接”应做广义理解。例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本公开中的具体含义。此外,下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1所示,本实施例提出了一种基于图像处理的焊缝气孔缺陷检测方法,该方法包括以下步骤:
步骤S1:对输入的气孔缺陷待检测图像img进行二值化处理得到第一处理图像。实际应用时,具体结合图2和图3所示,输入的气孔缺陷待检测图像img具体为具有气孔缺陷的16位焊缝原始图像,第一处理图像为二值图像imgb1。
在本实施例中,对输入的气孔缺陷待检测图像进行二值化处理得到第一处理图像,具体步骤包括:
步骤S1-1:基于128×1维的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第一滤波图像bimg;
步骤S1-2:利用第一预设阈值与第一滤波图像bimg对气孔缺陷待检测图像img进行二值化处理得到二值图像imgb1,其中二值图像imgb1在(x,y)处的像素值为:
实际应用时,第一预设阈值th1设置为262。
步骤S2:对二值图像imgb1先进行闭运算,再进行开运算,得到第二处理图像;第二处理图像为二值图像imgb2,具体如图4所示。
步骤S3:提取二值图像imgb2的所有连通域,放入一个汇总集合S中;
步骤S4:遍历汇总集合S中的每一个连通域ci,提取出横向穿过图像的连通域,放入第一筛选集合Q中;
在本实施例中,步骤S4,具体步骤包括:
步骤S4-1:设气孔缺陷待检测图像img的大小为m×n,若连通域ci满足第一筛选条件,则将ci放入第一筛选集合Q中,其中连通域ci的左边界、右边界、上边界、下边界坐标分别为xli、xri、yti、ybi,第一筛选条件为:xli<10且yti>10且xri>m-10且ybi<n-10;
步骤S4-2:将第一筛选集合Q中的连通域基于上边界坐标yti的值按照从小到大重新排列;
步骤S5:如果第一筛选集合Q中只有一个元素,那么此连通域即为焊缝区域的轮廓,执行步骤S7;
否则,寻找钢管区域,执行步骤S6;
在本实施例中,寻找钢管区域,具体包括以下步骤:
步骤S5-1:对第一筛选集合Q中的所有元素依次进行第一移除判断处理,具体为:对第一筛选集合Q中当前处理目标的连通域cj和与其相邻的下一个连通域cj+1进行遍历,根据第一筛选集合Q中cj和cj+1边界坐标,设置一个矩形区域cRec,该矩形区域的左上、右上、左下、右下坐标分别为(xlj,ybj)、(xr(j+1),ybj)、(xlj,yt(j+2))、(xr(j+1),yt(j+1)),若yt(j+1)<ybj,则将当前处理的连通域cj从第一筛选集合Q中去除,并将cj+1设置为下一回合处理目标的连通域,重新执行步骤S5-1直到第一筛选集合Q内的所有元素处理完毕;
步骤5-2:计算气孔缺陷待检测图像img在矩形区域cRec内的像素灰度平均值根据像素灰度平均值/>对第一筛选集合Q进行第二移除判断处理,具体为:若像素灰度平均值小于第二预设阈值th2,则将连通域cj、与连通域cj相邻的下一个连通域cj+1以及连通域cj与连通域cj+1之间形成的独立区域合并为一个整体区域,该整体区域即要找的钢管区域,否则将cj从第一筛选集合Q中去除,并回到步骤S5-1直至对第一筛选集合Q遍历完毕;
本实施例中,第二预设阈值th2的值为255,步骤5-2中得到的钢管区域的轮廓图像具体如图5所示;
步骤S6:在已经提取到的钢管区域中提取纵向贯穿且颜色较深的区域得到目标焊缝区域;
在本实施例中,步骤S6,具体步骤包括:
步骤S6-1:基于1×128维的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第二滤波图像imgm1。
步骤S6-2:对第二滤波图像imgm1进行亮度调节处理,得到亮度调节图像imgm2,亮度调节图像imgm2在(x,y)处的像素值为:
imgm2(x,y)=imgm1(x,y)×0.88;
步骤S6-3:根据亮度调节图像imgm2对气孔缺陷待检测图像img进行二值化处理,得到第二处理图像;第二处理图像具体为二值图像imgb2,具体地,二值图像imgb2在(x,y)处的像素值为:
步骤S6-4:利用第一预设阈值与第二滤波图像imgm1对气孔缺陷待检测图像img进行二值化处理,得到第三处理图像;第三处理图像具体为二值图像imgb3,具体地,二值图像imgb3在(x,y)处的像素值为:
步骤S6-5:将二值图像imgb2和二值图像imgb3中的像素值进行逻辑与运算,得到第四处理图像,即二值图像imgb4;将二值图像imgb4和二值图像imgb1中的像素值进行逻辑与运算,得到第五处理图像,即二值图像imgb5;
步骤S6-6:对二值图像imgb5进行图像处理,先基于5×5的滤波核进行开运算,再基于30×40的滤波核进行闭运算操作,得到第六处理图像,即二值图像imgb6;
步骤S6-7:遍历二值图像imgb6的所有连通域,将找到的高度最大的连通域作为目标焊缝区域;目标焊缝区域具体结合图6和图7所示,在气孔缺陷待检测图像img中,目标焊缝区域具体为白色框标示的区域;
步骤S7:在已经提取到的目标焊缝区域中搜索出气孔缺陷区域;
在本实施例中,步骤S7,具体步骤包括:
步骤S7-1:基于30×30的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第三滤波图像imgm3;
步骤S7-2:利用第一预设阈值与第三滤波图像imgm3对气孔缺陷待检测图像img进行二值化处理得到第七处理图像,即二值图像imgb7;其中二值图像imgb7在(x,y)处的像素值为:
步骤S7-3:对二值图像imgb7进行图像处理,先基于3×3的滤波核进行闭运算,再基于5×5的滤波核进行开运算,得到第八处理图像,即二值图像imgb8;
步骤S7-4:提取二值图像imgb8中的所有连通域,放入第二筛选集合R中;
步骤S7-5:遍历第二筛选集合R,将长宽比超出长宽比预设阈值的连通域从第二筛选集合R中移除,得到更新后的第二筛选集合R。实际应用时,本领域技术人员可根据实际情况调整长宽比预设阈值,本实施例在此不做限定。
在本实施例中,步骤S7-5具体为:令第二筛选集合R中当前遍历的连通域cj的最小外接正矩形为rb,令该最小外接正矩形rb的宽和高分别为width和height,将宽和高中较大的值记为maxrad,较小的值记为minrad,如果最小外接正矩形rb的宽和高满足第二筛选条件,则当前遍历的连通域cj符合条件,否则,将当前遍历的连通域cj从第二筛选集合R中移除;
其中第二筛选条件具体为:
minrad>6
minrad>0.5*maxrad
width>0.8*height:
步骤S7-6:遍历第二筛选集合R,根据连通域内外的明暗关系找到气孔缺陷区域;
在本实施例中,根据连通域内外的明暗关系找到气孔缺陷区域,具体包括以下步骤:
步骤S7-6-1:令外轮廓点集ei是第二筛选集合R第i个连通域的外轮廓点组成的点集;
步骤S7-6-2:遍历外轮廓点集ei的每一个轮廓点;
若轮廓点内部亮度比外部亮度高,从而形成内外亮度差值,若内外亮度差值小于第三预设阈值th3,则判断该轮廓点为无效轮廓点;实际应用时,第三预设阈值th3的值为15;
步骤S8:基于边缘检测提取所有气孔缺陷区域,采用最小二乘法对轮廓拟合,进而优化提取的所有气孔缺陷区域,从而得到更加精准的气孔缺陷位置;
在本实施例中,步骤S8,具体步骤包括:
步骤S8-1:采用canny算法对气孔缺陷待检测图像img进行边缘检测,得到边缘图像eimg;
步骤S8-2:对边缘图像eimg依次遍历所有气孔缺陷区域外轮廓中所有的轮廓点,对每一个轮廓点进行搜索,从轮廓外部10个像素位置开始,往轮廓内部5个像素位置形成搜索区域,在搜索区域内根据像素值判断是否为边缘点,将边缘图像eimg找到的边缘点加入到第i个边缘点集pseti中;实际应用时,第i个边缘点集pseti包含由第i个气孔缺陷区域外轮廓中搜索到的边缘点。
步骤S8-3:使用最小二乘法对第i个边缘点集pseti中的边缘点进行圆拟合,得到准确的气孔缺陷圆心坐标和半径。具体结合图8和图9所示,待执行完所有步骤后得到目标图像,其中标注部分为气孔缺陷位置。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的焊缝气孔缺陷检测方法,其特征在于,包括以下步骤:
步骤S1:对输入的气孔缺陷待检测图像img进行二值化处理得到第一处理图像,所述第一处理图像为二值图像imgb1;
步骤S2:对二值图像imgb1先进行闭运算,再进行开运算,得到第二处理图像,所述第二处理图像为二值图像imgb2;
步骤S3:提取二值图像imgb2的所有连通域,放入一个汇总集合S中;
步骤S4:遍历汇总集合S中的每一个连通域ci,提取出横向穿过图像的连通域,放入第一筛选集合Q中;
步骤S5:如果第一筛选集合Q中只有一个元素,则仅有的连通域为焊缝区域的轮廓,执行步骤S7;
否则,寻找钢管区域,执行步骤S6;
步骤S6:在已经提取到的钢管区域中提取纵向贯穿且颜色较深的区域得到目标焊缝区域;
步骤S7:在已经提取到的目标焊缝区域中搜索出气孔缺陷区域;
所述步骤S7,具体步骤包括:
步骤S7-1:基于30×30的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第三滤波图像imgm3;
步骤S7-2:利用第一预设阈值与第三滤波图像imgm3对气孔缺陷待检测图像img进行二值化处理得到第七处理图像,所述第七处理图像为二值图像imgb7;
所述二值图像imgb7在(x,y)处的像素值为:
步骤S7-3:对二值图像imgb7进行图像处理,先基于3×3的滤波核进行闭运算,再基于5×5的滤波核进行开运算,得到第八处理图像,即二值图像imgb8;
步骤S7-4:提取二值图像imgb8中的所有连通域,放入第二筛选集合R中;
步骤S7-5:遍历第二筛选集合R,将长宽比超出长宽比预设阈值的连通域从第二筛选集合R中移除,得到更新后的第二筛选集合R;
所述步骤S7-5具体为:令第二筛选集合R中当前遍历的连通域cj的最小外接正矩形为rb,令该最小外接正矩形rb的宽和高分别为width和height;
将宽和高中较大的值记为maxrad,较小的值记为minrad,如果最小外接正矩形rb的宽和高满足第二筛选条件,则当前遍历的连通域cj符合条件,否则,将当前遍历的连通域cj从第二筛选集合R中移除;
所述第二筛选条件具体为:
minrad>6
minrad>0.5*maxrad
width>0.8*height;
步骤S7-6:遍历第二筛选集合R,根据连通域内外的明暗关系找到气孔缺陷区域;
步骤S8:基于边缘检测提取所有气孔缺陷区域,采用最小二乘法对轮廓拟合;
所述步骤S8,具体步骤包括:
步骤S8-1:采用canny算法对气孔缺陷待检测图像img进行边缘检测,得到边缘图像eimg;
步骤S8-2:对边缘图像eimg依次遍历所有气孔缺陷区域外轮廓中所有的轮廓点,对每一个轮廓点进行搜索,从轮廓外部10个像素位置开始,往轮廓内部5个像素位置形成搜索区域,在搜索区域内根据像素值判断是否为边缘点,将边缘图像eimg找到的边缘点加入到第i个边缘点集pseti中,所述第i个边缘点集pseti包含由第i个气孔缺陷区域外轮廓中搜索到的边缘点;
步骤S8-3:使用最小二乘法对第i个边缘点集pseti中的边缘点进行圆拟合,得到准确的气孔缺陷圆心坐标和半径。
3.根据权利要求2所述的基于图像处理的焊缝气孔缺陷检测方法,其特征在于,所述第一预设阈值th1设置为262。
4.根据权利要求1所述的基于图像处理的焊缝气孔缺陷检测方法,其特征在于,所述步骤S4,具体步骤包括:
步骤S4-1:设气孔缺陷待检测图像img的大小为m×n,若连通域ci满足第一筛选条件,则将ci放入第一筛选集合Q中,其中连通域ci的左边界、右边界、上边界、下边界坐标分别为xli、xri、yti、ybi,第一筛选条件为:xli<10且yti>10且xri>m-10且ybi<n-10;
步骤S4-2:将第一筛选集合Q中的连通域基于上边界坐标yti的值按照从小到大重新排列。
5.根据权利要求1所述的基于图像处理的焊缝气孔缺陷检测方法,其特征在于,所述步骤S5中的寻找钢管区域,具体包括以下步骤:
步骤S5-1:对第一筛选集合Q中的所有元素依次进行第一移除判断处理,具体为:对第一筛选集合Q中当前处理目标的连通域cj和与其相邻的下一个连通域cj+1进行遍历,根据第一筛选集合Q中cj和cj+1边界坐标,设置一个矩形区域cRec,所述矩形区域cRec的左上、右上、左下、右下坐标分别为(xlj,ybj)、(xr(j+1),ybj)、(xlj,yt(j+2))、(xr(j+1),yt(j+1)),若yt(j+1)<ybj,则将当前处理的连通域cj从第一筛选集合Q中去除,并将cj+1设置为下一回合处理目标的连通域,重新执行步骤S5-1直到第一筛选集合Q内的所有元素处理完毕;
6.根据权利要求5所述的基于图像处理的焊缝气孔缺陷检测方法,其特征在于,所述第二预设阈值th2的值为255。
7.根据权利要求1所述的基于图像处理的焊缝气孔缺陷检测方法,其特征在于,所述步骤S6,具体步骤包括:
步骤S6-1:基于1×128维的滤波核对气孔缺陷待检测图像img进行均值滤波,得到第二滤波图像imgm1;
步骤S6-2:对第二滤波图像imgm1进行亮度调节处理,得到亮度调节图像imgm2,所述亮度调节图像imgm2在(x,y)处的像素值为:
imgm2(x,y)=imgm1(x,y)×0.88;
步骤S6-3:根据亮度调节图像imgm2对气孔缺陷待检测图像img进行二值化处理,得到第二处理图像;
所述第二处理图像具体为二值图像imgb2,具体地,所述二值图像imgb2在(x,y)处的像素值为:
步骤S6-4:利用第一预设阈值与第二滤波图像imgm1对气孔缺陷待检测图像img进行二值化处理,得到第三处理图像,所述第三处理图像具体为二值图像imgb3,所述二值图像imgb3在(x,y)处的像素值为:
步骤S6-5:将二值图像imgb2和二值图像imgb3中的像素值进行逻辑与运算,得到第四处理图像,即二值图像imgb4;
将二值图像imgb4和二值图像imgb1中的像素值进行逻辑与运算,得到第五处理图像,即二值图像imgb5;
步骤S6-6:对二值图像imgb5进行图像处理,先基于5×5的滤波核进行开运算,再基于30×40的滤波核进行闭运算操作,得到第六处理图像,即二值图像imgb6;
步骤S6-7:遍历二值图像imgb6的所有连通域,将找到的高度最大的连通域作为目标焊缝区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690265.9A CN113496483B (zh) | 2021-06-22 | 2021-06-22 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690265.9A CN113496483B (zh) | 2021-06-22 | 2021-06-22 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496483A CN113496483A (zh) | 2021-10-12 |
CN113496483B true CN113496483B (zh) | 2023-06-16 |
Family
ID=77998080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690265.9A Active CN113496483B (zh) | 2021-06-22 | 2021-06-22 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496483B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792323A (zh) * | 2022-06-23 | 2022-07-26 | 张家港沙龙精密管业有限公司 | 一种基于图像处理的钢管变形检测方法及*** |
CN114937039B (zh) * | 2022-07-21 | 2022-10-25 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN115229355B (zh) * | 2022-09-22 | 2022-12-13 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光焊接方法 |
CN115439476B (zh) * | 2022-11-07 | 2023-03-14 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN116109637B (zh) * | 2023-04-13 | 2023-12-26 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的***及其方法 |
CN116664579B (zh) * | 2023-08-01 | 2023-09-29 | 苏州精控能源科技有限公司 | 一种电池包焊接质量图像检测方法 |
CN116681752B (zh) * | 2023-08-03 | 2023-10-27 | 山东墨氪智能科技有限公司 | Dbc焊料层空洞缺陷的空洞率计算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109493339A (zh) * | 2018-11-20 | 2019-03-19 | 北京嘉恒中自图像技术有限公司 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
CN111862055A (zh) * | 2020-07-23 | 2020-10-30 | 中国计量大学 | 一种基于图像处理的水准泡车削空腔缺陷检测方法 |
-
2021
- 2021-06-22 CN CN202110690265.9A patent/CN113496483B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109493339A (zh) * | 2018-11-20 | 2019-03-19 | 北京嘉恒中自图像技术有限公司 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
CN111862055A (zh) * | 2020-07-23 | 2020-10-30 | 中国计量大学 | 一种基于图像处理的水准泡车削空腔缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113496483A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496483B (zh) | 一种基于图像处理的焊缝气孔缺陷检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN109859177B (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** | |
CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
CN107886495B (zh) | 一种基于相似度匹配的汽车零配件缺陷识别方法 | |
US20180253836A1 (en) | Method for automated detection of defects in cast wheel products | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
CN113588692A (zh) | 基于计算机视觉的焊缝缺陷无损检测方法 | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN117689662B (zh) | 一种换热器管头焊接质量视觉检测方法及*** | |
CN107145896A (zh) | 基于荧光磁粉的智能缺陷识别*** | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、***及计算机存储介质 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN117011290B (zh) | 缺陷诊断方法、***及计算机设备 | |
Fan et al. | An automatic machine vision method for the flaw detection on car's body | |
Dang et al. | A novel method for detecting weld defects accurately and reliably in radiographic images | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、***及介质 | |
CN115995023A (zh) | 瑕疵检测方法、装置、电子设备、计算机可读存储介质及产品检测方法 |
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 |