CN114926387A - 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 - Google Patents
基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN114926387A CN114926387A CN202210099399.8A CN202210099399A CN114926387A CN 114926387 A CN114926387 A CN 114926387A CN 202210099399 A CN202210099399 A CN 202210099399A CN 114926387 A CN114926387 A CN 114926387A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- edge
- neighborhood
- weld
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000001629 suppression Effects 0.000 title claims abstract description 21
- 238000003466 welding Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T7/187—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置，对焊缝图像进行处理，获得焊缝图像上焊缝区域；对焊缝区域进行背景估计，反背景差分获得含有缺陷的差分图像；利用多方向多级梯度对所述差分图像的边缘误检处进行抑制；通过自适应阈值分割方法获取所述差分图像的第二二值化图像。本发明能够有效提高焊缝图像中缺陷的检出率。
Description
技术领域
本发明涉及一种基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置。
背景技术
随着科学与技术的发展，焊接已经成为先进制造业中的重要组成部分，应用于工业生产的很多领域。焊接过程中出现的各种质量问题，这个很大程度决定了焊接构件的使用寿命。所以，有效的检测焊缝内部缺陷，对于保证焊接质量有着重要的意义。
现有的焊缝缺陷与识别***主要是采用人工辅助的方法，检测结果容易受人为主观的影响，引起过多的误判、漏判，而且由于观察人员的经验和技术素质不同，最终的评定结果也存在差异。而且由于X射线焊缝底片本身的特点，提取的X射线焊缝图像具有噪声多、对比度低、背景起伏大、焊缝图像纹理复杂、焊缝边缘模糊等问题。
发明内容
本发明的发明目的在于提供一种基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置，有效提高焊缝图像中缺陷的检出率。
基于同一发明构思，本发明具有两个独立的技术方案：
1、一种基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，包括如下步骤：
步骤1：对焊缝图像进行处理，获得焊缝图像上焊缝区域；
步骤2：对焊缝区域进行背景估计，反背景差分获得含有缺陷的差分图像；
步骤3：利用多方向多级梯度对所述差分图像的边缘误检处进行抑制；
步骤4：通过自适应阈值分割方法获取所述差分图像的第二二值化图像。
进一步地，步骤1包括如下步骤：
步骤1.1：通过Otsu分割法对焊缝图像进行分割，获得第一二值化图像；
步骤1.2：获取第一二值化图像的最大连通域；
步骤1.3：基于第一二值化图像的最大连通域，对第一二值化图像进行倾斜校正，获得掩膜图像；
步骤1.4：利用掩模图像的外接矩形得到焊缝区域。
进一步地，步骤2中，通过如下方法对焊缝区域进行背景估计，
步骤2.1.1：对焊缝图像逐列扫描，采用第一二值化图像样条曲线对每列灰度曲线进行拟合，缺陷分布于曲线低谷位置，利用一阶差分对灰度曲线进行极小值的提取；通过去除曲线二阶差分中的拐点进行极值点修正；
步骤2.1.2：根据每列极小值点个数，估算缺陷大小，确定每列邻域窗口大小；
步骤2.1.3：比较各列邻域窗口大小，选取其中的最大值作为确定的邻域窗口大小；
步骤2.1.4：基于确定的邻域窗口，估计焊缝区域的背景，焊缝区域背景的估计模型为，
B(x,y)＝Median(ROI(x,y))
式中，ROI(x,y)是焊缝区域，B(x,y)是估计的背景，Median(ROI(x,y))是求焊缝区域ROI(x,y)对应邻域的灰度值均值。
进一步地，步骤2.1.2中，当极小值点个数等于0时，说明该列不存在缺陷，则邻域窗口大小为d＝0；
当极小值点个数等于1，说明该列存在一个缺陷，邻域窗口大小为d＝xb-xa，若d不为奇数，则d＝xb-xa+1；其中xa为曲线开始陡降点的列坐标值，xb为曲线向右搜索离极小值点最近顶端所对应的列坐标值；
当极小值点个数大于1，说明该列缺陷至少存在两个缺陷，则选取每个极小值点确定的邻域窗口中的最大邻域窗口作为该列的邻域窗口大小。
进一步地，步骤2中，通过如下公式获得差分图像，
△I(x,y)＝B(x,y)-ROI(x,y)
式中，△I(x,y)为差分图像，ROI(x,y)是焊缝区域，B(x,y)是估计的背景。
进一步地，步骤2中，利用形态学滤波法去除差分图像的噪声和边缘像素；滤波时，先使用圆形的结构元进行开运算，再使用长条形的结构元进行开运算。
进一步地，步骤3中，利用多方向多级梯度对所述差分图像的边缘误检处进行抑制包括如下步骤：
步骤3.1：计算差分图像在8个方向邻域点的梯度大小：
△xi(i＝0,1,2,3,4,5,6,7)＝|X(m,n)-X(mi,ni)|
其中，i(i＝0,1,2,3,4,5,6，7)表示水平、垂直、45度和135度的正负8个方向，X(mi,ni)表示点X(m,n)在i方向处的灰度值大小，△xi表示X(m,n)在i方向处的梯度值大小；
步骤3.2：计算差分图像在8个方向邻域点的梯度大小，分别求出k为l、3、5时的8方向梯度值，k为梯度级大小；
步骤3.3：计算每个梯度级对应的阈值，以此作为梯度变化的度量，计算公式如下，
Ti＝mi+ασi
式中，mi为均值，σi为方差，α为系数。
步骤3.4：分别对不同梯度级的方向梯度做统计，对于同一梯度级的8个方向梯度，如果其中有6个以上的梯度值大于阈值，则可能为缺陷的记录数加1；三个梯度统计完成后，如果记录数结果大于等于2，且随着梯度数的增加各方向梯度的绝对值呈增大趋势，则判定该区域为缺陷区域，灰度值保持不变，否则灰度值设为0。
进一步地，步骤4中，通过如下公式对差分图像进行自适应阈值分割，获得第二二值化图像，
式中，Ik(x,y)表示k邻域内的图像灰度值，Meank(x,y)表示k邻域内的图像灰度值均值。
进一步地，步骤4中，针对第二二值化图像，利用开运算去除图像短边及伪缺边，利用闭运算进行图像边缘连接和填充缺陷内部。
2、一种基于背景估计与边缘梯度抑制的焊缝缺陷检测装置，用于执行上述方法。
本发明具有的有益效果：
本发明有效提高对焊缝图像中缺陷的检出率，通过反背景差分获得含有缺陷的差分图像，显著增强了缺陷，且背景估计方式简单，速度较快，估计的背景最大限度接近原图。多方向多级梯度对所述差分图像的边缘误检处进行抑制，使得边缘误检区域被去除，缺陷与背景分离；通过自适应阈值分割方法获取所述差分图像的第二二值化图像，保证缺陷检出率。
本发明通过Otsu分割法对焊缝图像进行分割，获得第一二值化图像；获取第一二值化图像的最大连通域；基于第一二值化图像的最大连通域，对第一二值化图像进行倾斜校正，获得掩膜图像；利用掩模图像的外接矩形得到焊缝区域。本发明利用掩膜图像来提取焊缝区域，减少了处理焊缝图像时的计算量，同时避免因焊缝区域外其他区域干扰而产生不必要的误检。
本发明对焊缝图像逐列扫描，采用样条曲线对每列灰度曲线进行拟合，缺陷分布于曲线低谷位置，利用一阶差分对灰度曲线进行极小值的提取；通过去除曲线二阶差分中的拐点进行极值点修正；根据每列极小值点个数，估算缺陷大小，确定每列邻域窗口大小；比较各列邻域窗口大小，选取其中的最大值作为确定的邻域窗口大小；基于确定的邻域窗口，估计焊缝区域的背景；当极小值点个数等于0时，说明该列不存在缺陷，则邻域窗口大小为d＝0；当极小值点个数等于1，说明该列存在一个缺陷，邻域窗口大小为d＝xb-xa，若d不为奇数，则d＝xb-xa+1；其中xa为曲线开始陡降点的列坐标值，xb为曲线向右搜索离极小值点最近顶端所对应的列坐标值；当极小值点个数大于1，说明该列缺陷至少存在两个缺陷，则选取每个极小值点确定的邻域窗口中的最大邻域窗口作为该列的邻域窗口大小。本发明通过上述邻域窗口估计方法，在保证缺陷检出率的前提下，有效控制处理焊缝图像时的计算量。
本发明利用形态学滤波法去除差分图像的噪声和边缘像素；滤波时，先使用圆形的结构元进行开运算，再使用长条形的结构元进行开运算，进一步保证对差分图像噪声和边缘像素的有效滤除，减少后续处理图像的计算量，提高缺陷检出率。
本发明利用多方向多级梯度对所述差分图像的边缘误检处进行抑制包括如下步骤：计算差分图像在8个方向邻域点的梯度大小；计算每个梯度级对应的阈值，以此作为梯度变化的度量，分别对不同梯度级的方向梯度做统计，对于同一梯度级的8个方向梯度，如果其中有6个以上的梯度值大于阈值，则可能为缺陷的记录数加1；三个梯度统计完成后，如果记录数结果大于等于2，且随着梯度数的增加各方向梯度的绝对值呈增大趋势，则判定该区域为缺陷区域，灰度值保持不变，否则灰度值设为0。本发明通过上述方法对差分图像的边缘误检处进行有效抑制，进一步保证有效提高缺陷检出率。
本发明针对第二二值化图像，利用开运算去除图像短边及伪缺边，利用闭运算进行图像边缘连接和填充缺陷内部，进一步保证缺陷分割后的准确率。
附图说明
图1为本发明基于背景估计与边缘梯度抑制的焊缝缺陷检测方法流程图；
图2为8方向梯度图；
图3为焊缝区域提取过程图；
图4为提取缺陷过程图；
图5为差分图像、形态学滤波显著性检测及多方向多级梯度边缘抑制后灰度值分布图；
图6为焊缝原图和检测结果图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
实施例一：
基于背景估计与边缘梯度抑制的焊缝缺陷检测方法
如图1所示，包括如下步骤：
步骤1：对焊缝图像进行处理，获得焊缝图像上焊缝区域。
实施时，具体包括如下步骤：
步骤1.1：将X摄像机拍摄的焊缝X射线底片通过扫描变成焊缝图像；通过Otsu分割法对焊缝图像进行分割，获得第一二值化图像B。
步骤1.2：获取第一二值化图像的最大连通域。
遍历整个图像，将各个连通域标记成不同的颜色并统计各颜色的数量，即连通域包含的像素个数。将最大的颜色个数保存在变量A中，判断各颜色数量，把个数小于变量值A的连通域中的所有像素赋予黑色，将颜色个数等于变量A的像素标为白色，即可获得最大连通域L。
步骤1.3：基于第一二值化图像的最大连通域，对第一二值化图像进行倾斜校正，获得掩膜图像。
利用最大连通域的最小外接矩形获得倾斜角度，进而计算出旋转角度，并利用仿射变换实现倾斜校正，倾斜校正后的二值化图像即为掩膜图像M。图3(a)图像校正角度为1.32度。焊缝区域提取结果如图3(b)所示。
步骤1.4：利用掩模图像的外接矩形得到焊缝区域H。
步骤2：对焊缝区域进行背景估计，反背景差分获得含有缺陷的差分图像。
背景差分是用原图减去背景图像，而反背景差分是用背景图像减去原图。本发明对每幅图像需要重新进行背景估计，且估计方式简单，速度较快，估计的背景最大限度接近原图。为使估计的背景更加接近原图，本发明焊缝区域采用中值滤波估计背景。在中值背景估计过程中，邻域窗口大小的选取至关重要，它很大程度上影响着运行的速度、背景模拟的效果以及后续缺陷分割后的保真度。当选取的邻域窗口过小时，焊缝图像中的缺陷没有被完全滤除，得到的背景中将会包含部分缺陷，这会导致分割后缺陷的失真；当选取的邻域窗口过大时，模拟后的焊缝背景图像将不再反映原焊缝图像的性质，同时处理时间也较长。确定中值滤波邻域窗口大小后，焊缝区域可以背景估计。图4(a)为图3(b)焊缝区域估计的背景。
实施时，背景估计具体包括如下步骤：
步骤2.1.1：对焊缝图像逐列扫描，采用第一二值化图像B样条曲线对每列灰度曲线进行拟合，缺陷分布于曲线低谷位置，利用一阶差分对灰度曲线进行极小值的提取；通过去除曲线二阶差分中的拐点进行极值点修正；
步骤2.1.2：根据每列极小值点个数，估算缺陷大小，确定每列邻域窗口大小。
当极小值点个数等于0时，说明该列不存在缺陷，则邻域窗口大小为d＝0；
当极小值点个数等于1，说明该列存在一个缺陷，邻域窗口大小为d＝xb-xa，若d不为奇数，则d＝xb-xa+1；其中xa为曲线开始陡降点的列坐标值，xb为曲线向右搜索离极小值点最近顶端所对应的列坐标值；
当极小值点个数大于1，说明该列缺陷至少存在两个缺陷，则选取每个极小值点确定的邻域窗口中的最大邻域窗口作为该列的邻域窗口大小。
步骤2.1.3：比较各列邻域窗口大小，选取其中的最大值作为确定的邻域窗口大小；
步骤2.1.4：基于确定的邻域窗口，估计焊缝区域的背景，焊缝区域背景的估计模型为，
B(x,y)＝Median(ROI(x,y))
式中，ROI(x,y)是焊缝区域，B(x,y)是估计的背景，Median(ROI(x,y))是求焊缝区域ROI(x,y)对应邻域的灰度值均值。
通过如下公式获得差分图像，
△I(x,y)＝B(x,y)-ROI(x,y)
式中，△I(x,y)为差分图像，ROI(x,y)是焊缝区域，B(x,y)是估计的背景。
利用形态学滤波法去除差分图像的噪声和边缘像素；滤波时，先使用圆形的结构元进行开运算，再使用长条形的结构元进行开运算。
由于对背景图像进行了重建，建立的背景不能反映局部区域的变化，会出现错误检测，大多数是由于边界的波动引起的。为了消除误检和提高所得图像的质量，本发明采用开运算对缺陷区域进行二次处理，在不明显改变原图像面积的情况下，将原图像中表示噪声和边缘的像素点进行消除和分离。从提取出的缺陷图像可以看出，缺陷类型有气孔等圆形缺陷和裂纹等线形缺陷，因而首先使用圆形的结构元进行开运算，再使用长条形的结构元进行开运算。
圆形、长条形自定义结构元分别为：
步骤3：利用多方向多级梯度对所述差分图像的边缘误检处进行抑制。
考虑到缺陷区域与边缘误检区域在梯度上的差别，利用多方向来判断，去除差分图像的边缘误检区域。由于误检区域可能是1到几个像素点，所以要利用多极梯度来判断，以适应不同的大小。
实施时，具体包括如下步骤：
步骤3.1：计算差分图像在8个方向邻域点的梯度大小：
△xi(i＝0,1,2,3,4,5,6,7)＝|X(m,n)-X(mi,ni)|
其中，i(i＝0,1,2,3,4,5,6，7)表示水平、垂直、45度和135度的正负8个方向，X(mi,ni)表示点X(m,n)在i方向处的灰度值大小，△xi表示X(m,n)在i方向处的梯度值大小；
步骤3.2：计算差分图像在8个方向邻域点的梯度大小，求出k为l、3、5时的8方向梯度值，k为梯度级大小；
步骤3.3：计算每个梯度级对应的阈值，以此作为梯度变化的度量，计算公式如下，
Ti＝mi+ασi
式中，mi为均值，σi为方差，α为系数。
步骤3.4：分别对不同梯度级的方向梯度做统计，对于同一梯度级的8个方向梯度，如果其中有6个以上的梯度值大于阈值，则可能为缺陷的记录数加1；三个梯度统计完成后，如果记录数结果大于等于2，且随着梯度数的增加各方向梯度的绝对值呈增大趋势，则判定该区域为缺陷区域，灰度值保持不变，否则灰度值设为0。
步骤4：通过自适应阈值分割方法获取所述差分图像的第二二值化图像。
由于通过背景估计提取出的缺陷灰度值变化不明显，所以可以通过自适应阈值分割进行凸显。
自适应阈值分割后，存在一些伪缺陷和缺陷边缘或内部的断裂，需要滤除伪缺陷和填充缺陷内部。焊缝图像存在裂纹、未焊透缺陷时，需要进行边缘连接，开运算去除短边及伪缺边，闭运算进行边缘连接。图4(c)为缺陷自适应阈值分割图。图5(a)-(c)分别为差分图像、形态学滤波显著性检测及多方向多级梯度边缘抑制后灰度值分布图。
通过如下公式对差分图像进行自适应阈值分割，获得第二二值化图像，
式中，Ik(x,y)表示k邻域内的图像灰度值，Meank(x,y)表示k邻域内的图像灰度值均值。
当估计的背景足够接近无缺陷的图像时，差分图像中的完好区域灰度值基本为0，有效避免了焊缝区域因背景不均匀造成缺陷检测困难的问题。
针对第二二值化图像，利用开运算去除图像短边及伪缺边，利用闭运算进行图像边缘连接和填充缺陷内部。
图6(a1)为裂纹缺陷的焊缝原图，(a2)为(a1)缺陷检测后的结果图，白色区域为缺陷区域，(a3)为(a1)差分图像边缘抑制后灰度值分布图。
图6(b1)为未焊透缺陷的焊缝原图，(b2)为(b1)缺陷检测后的结果图，白色区域为缺陷区域，(b3)为(b1)差分图像边缘抑制后灰度值分布图。
图6(c1)为未焊透+气孔缺陷的焊缝原图，(c2)为(c1)缺陷检测后的结果图，白色区域为缺陷区域，(c3)为(c1)差分图像边缘抑制后灰度值分布图。
实施例二：
基于背景估计与边缘梯度抑制的焊缝缺陷检测装置
所述装置用于执行上述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (10)
1.一种基于背景估计与边缘梯度抑制的焊缝缺陷检测
方法，其特征在于，包括如下步骤：
步骤1：对焊缝图像进行处理，获得焊缝图像上焊缝区域；
步骤2：对焊缝区域进行背景估计，反背景差分获得含有缺陷的差分图像；
步骤3：利用多方向多级梯度对所述差分图像的边缘误检处进行抑制；
步骤4：通过自适应阈值分割方法获取所述差分图像的第二二值化图像。
2.根据权利要求1所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于，步骤1包括如下步骤：
步骤1.1：通过Otsu分割法对焊缝图像进行分割，获得第一二值化图像；
步骤1.2：获取第一二值化图像的最大连通域；
步骤1.3：基于第一二值化图像的最大连通域，对第一二值化图像进行倾斜校正，获得掩膜图像；
步骤1.4：利用掩模图像的外接矩形得到焊缝区域。
3.根据权利要求1所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于，步骤2中，通过如下方法对焊缝区域进行背景估计，
步骤2.1.1：对焊缝图像逐列扫描，采用第一二值化图像样条曲线对每列灰度曲线进行拟合，缺陷分布于曲线低谷位置，利用一阶差分对灰度曲线进行极小值的提取；通过去除曲线二阶差分中的拐点进行极值点修正；
步骤2.1.2：根据每列极小值点个数，估算缺陷大小，确定每列邻域窗口大小；
步骤2.1.3：比较各列邻域窗口大小，选取其中的最大值作为确定的邻域窗口大小；
步骤2.1.4：基于确定的邻域窗口，估计焊缝区域的背景，焊缝区域背景的估计模型为，
B(x,y)＝Median(ROI(x,y))
式中，ROI(x,y)是焊缝区域，B(x,y)是估计的背景，Median(ROI(x,y))是求焊缝区域ROI(x,y)对应邻域的灰度值均值。
4.根据权利要求3所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于：步骤2.1.2中，当极小值点个数等于0时，说明该列不存在缺陷，则邻域窗口大小为d＝0；
当极小值点个数等于1，说明该列存在一个缺陷，邻域窗口大小为d＝xb-xa，若d不为奇数，则d＝xb-xa+1；其中xa为曲线开始陡降点的列坐标值，xb为曲线向右搜索离极小值点最近顶端所对应的列坐标值；
当极小值点个数大于1，说明该列缺陷至少存在两个缺陷，则选取每个极小值点确定的邻域窗口中的最大邻域窗口作为该列的邻域窗口大小。
5.根据权利要求3所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于，步骤2中，通过如下公式获得差分图像，
△I(x,y)＝B(x,y)-ROI(x,y)
式中，△I(x,y)为差分图像，ROI(x,y)是焊缝区域，B(x,y)是估计的背景。
6.根据权利要求1所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于，步骤2中，利用形态学滤波法去除差分图像的噪声和边缘像素；滤波时，先使用圆形的结构元进行开运算，再使用长条形的结构元进行开运算。
7.根据权利要求3所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于，步骤3中，利用多方向多级梯度对所述差分图像的边缘误检处进行抑制包括如下步骤：
步骤3.1：计算差分图像在8个方向邻域点的梯度大小：
△xi(i＝0,1,2,3,4,5,6,7)＝|X(m,n)-X(mi,ni)|
其中，i(i＝0,1,2,3,4,5,6，7)表示水平、垂直、45度和135度的正负8个方向，X(mi,ni)表示点X(m,n)在i方向处的灰度值大小，△xi表示X(m,n)在i方向处的梯度值大小；
步骤3.2：计算差分图像在8个方向邻域点的梯度大小，分别求出k为l、3、5时的8方向梯度值，k为梯度级大小；
步骤3.3：计算每个梯度级对应的阈值，以此作为梯度变化的度量，计算公式如下，
Ti＝mi+ασi
式中，mi为均值，σi为方差，α为系数；
步骤3.4：分别对不同梯度级的方向梯度做统计，对于同一梯度级的8个方向梯度，如果其中有6个以上的梯度值大于阈值，则可能为缺陷的记录数加1；三个梯度统计完成后，如果记录数结果大于等于2，且随着梯度数的增加各方向梯度的绝对值呈增大趋势，则判定该区域为缺陷区域，灰度值保持不变，否则灰度值设为0。
8.根据权利要求3所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于：步骤4中，通过如下公式对差分图像进行自适应阈值分割，获得第二二值化图像，
式中，Ik(x,y)表示k邻域内的图像灰度值，Meank(x,y)表示k邻域内的图像灰度值均值。
9.根据权利要求1所述的基于背景估计与边缘梯度抑制的焊缝缺陷检测方法，其特征在于：步骤4中，针对第二二值化图像，利用开运算去除图像短边及伪缺边，利用闭运算进行图像边缘连接和填充缺陷内部。
10.一种基于背景估计与边缘梯度抑制的焊缝缺陷检测装置，其特征在于，用于执行权利要求1-9任何一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210099399.8A CN114926387A (zh) | 2022-01-27 | 2022-01-27 | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210099399.8A CN114926387A (zh) | 2022-01-27 | 2022-01-27 | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114926387A true CN114926387A (zh) | 2022-08-19 |
Family
ID=82805064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210099399.8A Pending CN114926387A (zh) | 2022-01-27 | 2022-01-27 | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114926387A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100202A (zh) * | 2022-08-25 | 2022-09-23 | 聊城市宏伟电器有限公司 | 一种基于图像处理的电缆质量检测方法 |
| CN116630225A (zh) * | 2023-03-13 | 2023-08-22 | 中铁大桥局集团有限公司 | 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 |
| CN117635604A (zh) * | 2024-01-23 | 2024-03-01 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
-
2022
- 2022-01-27 CN CN202210099399.8A patent/CN114926387A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100202A (zh) * | 2022-08-25 | 2022-09-23 | 聊城市宏伟电器有限公司 | 一种基于图像处理的电缆质量检测方法 |
| CN116630225A (zh) * | 2023-03-13 | 2023-08-22 | 中铁大桥局集团有限公司 | 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 |
| CN116630225B (zh) * | 2023-03-13 | 2024-05-14 | 中铁大桥局集团有限公司 | 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 |
| CN117635604A (zh) * | 2024-01-23 | 2024-03-01 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
| CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
| CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
| CN115063421B (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
| CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
| CN113628189B (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
| CN107490582B (zh) | 一种流水线工件检测*** | |
| CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
| CN109389566B (zh) | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 | |
| CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN114998314B (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
| CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
| CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别*** | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN109978916B (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
| CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 |
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 |