CN114998325A - 一种空调散热管焊接缺陷检测方法 - Google Patents

一种空调散热管焊接缺陷检测方法 Download PDF

Info

Publication number
CN114998325A
CN114998325A CN202210844627.XA CN202210844627A CN114998325A CN 114998325 A CN114998325 A CN 114998325A CN 202210844627 A CN202210844627 A CN 202210844627A CN 114998325 A CN114998325 A CN 114998325A
Authority
CN
China
Prior art keywords
reconstructed
gray
image
band
obtaining
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
Application number
CN202210844627.XA
Other languages
English (en)
Other versions
CN114998325B (zh
Inventor
董学松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinli Environmental Technology Shandong Co ltd
Original Assignee
Xinli Environmental Technology Shandong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinli Environmental Technology Shandong Co ltd filed Critical Xinli Environmental Technology Shandong Co ltd
Priority to CN202210844627.XA priority Critical patent/CN114998325B/zh
Publication of CN114998325A publication Critical patent/CN114998325A/zh
Application granted granted Critical
Publication of CN114998325B publication Critical patent/CN114998325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—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
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种空调散热管焊接缺陷检测方法。该方法包括：获得只包含焊缝区域的灰度图的频谱图和相位图；构建带阻滤波器对频谱图进行滤波获得滤波后的频谱图，同时获得重构灰度图；基于重构灰度图的纹理过滤稀释度、边缘浓以及势圈半径构建带阻滤波器的参数优化函数；当参数优化函数取得最小值时，获得带阻滤波器的最优参数，得到最优带阻滤波器；基于最优带阻滤波器获得的最优的滤波后的频谱图和相位图获得最优重构灰度图；对最优重构灰度图进行检测获得焊接缺陷区域。本发明通过削弱焊缝表面“鱼鳞纹”的影响、易于将周期“鱼鳞纹”和气泡缺陷区分开的效果，大大提升了空调散热管焊接缺陷检测的检测精度。

Description

一种空调散热管焊接缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种空调散热管焊接缺陷检测方法。
背景技术
环保空调设备集降温、换气、防尘、除味于一身，广泛运用在各类建筑内，例如企业车间、公共场所、商业娱乐场合等，不仅具有空调基本的换气降温的功能，还具备节能环保的作用，大大节省了用电量。空调散热管是空调制冷的重要组成部分，在空调研发生产是重要的一环，其性能好坏直接影响了制冷效果和耗电量的大小，由此在生产过程中需要对空调散热管的焊接质量进行检测，以确保空调散热管的性能。
传统的对于空调散热管的焊接质量的检测方法大多数还是基于工人的经验进行判断，但这样的判断精确度很低，很可能导致其焊接缺陷在检测的过程中被忽略掉。随着图像处理技术的发展，也出现了利用图像处理技术对于空调散热管的焊接缺陷进行检测的方法，但由于焊接时焊缝表面出现的“鱼鳞纹”会影响缺陷的检测，从而导致缺陷检测的结果并不好。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种空调散热管焊接缺陷检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种空调散热管焊接缺陷检测方法：获得空调散热管图像并进行预处理得到只包含焊缝区域的灰度图；获得所述灰度图的频谱图和相位图；利用FT算法获得频谱图中每个像素的显著值；设定显著阈值，频谱图中显著值大于显著阈值的像素到频谱中心的距离的最大值为势圈半径；
构建参数不同的带阻滤波器分别对频谱图进行多次滤波获得滤波后的频谱图，基于所述滤波后的频谱图和所述相位图获得重构灰度图；基于重构灰度图的灰度共生矩阵获得重构灰度图的逆差距和对比度；所述逆差距和对比度的比值为重构灰度图的纹理过滤稀释度；获得重构灰度图中每个像素的梯度幅值，设置边缘阈值，梯度幅值大于边缘阈值的像素为边缘像素；利用重构灰度图中边缘像素的数量以及边缘像素的梯度幅值获得重构灰度图的边缘浓度；
基于所述重构灰度图的纹理过滤稀释度、边缘浓度以及所述势圈半径构建带阻滤波器的参数优化函数；当参数优化函数取得最小值时，获得带阻滤波器的最优参数；利用所述最优参数获得每个频谱图对应的最优带阻滤波器，且基于由最优带阻滤波器获得的最优的滤波后的频谱图和所述相位图获得最优重构灰度图；基于最优重构灰度图对焊接缺陷进行检测。
优选地，获得空调散热管图像并进行预处理得到只包含焊缝区域的灰度图包括：将为RGB格式的空调散热管管灰度化并进行去除噪声和直方图均衡化处理获得散热管灰度图；利用OTSU大津法对散热管灰度图进行分割获得只包含焊缝区域的灰度图。
优选地，构建参数不同的带阻滤波器分别对频谱图进行多次滤波获得滤波后的频谱图包括：所述带阻滤波器的转移函数为：
Figure 859692DEST_PATH_IMAGE001
其中，
Figure 900198DEST_PATH_IMAGE002
表示带阻滤波器的转移函数；
Figure 41330DEST_PATH_IMAGE003
表示频谱图上像素
Figure 352356DEST_PATH_IMAGE004
到频谱中心的欧氏距离；
Figure 920741DEST_PATH_IMAGE005
和
Figure 445613DEST_PATH_IMAGE006
分别表示带阻滤波器的参数，
Figure 593698DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 759231DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度；利用不同参数的带阻滤波器的对一个频谱图进行多次滤波获得滤波后的频谱图。
优选地，基于重构灰度图的灰度共生矩阵获得重构灰度图的逆差距和对比度包括：将重构灰度图的灰度级进行量化，求得量化后的重构灰度图的灰度共生矩阵，并计算出重构灰度图的逆差距和对比度。
优选地，获得重构灰度图中每个像素的梯度幅值包括：采用sobel算子对重构灰度图上个每个像素求取其水平方向的梯度和竖直方向的梯度，计算出每个像素的梯度幅值并归一化。
优选地，重构灰度图的边缘浓度为：
Figure 29676DEST_PATH_IMAGE007
其中，
Figure 779195DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 262129DEST_PATH_IMAGE009
表示重构灰度图中边缘像素的数量；
Figure 547748DEST_PATH_IMAGE010
和
Figure 457935DEST_PATH_IMAGE011
分别表示重构灰度图的长和宽，
Figure 432100DEST_PATH_IMAGE012
表示重构灰度图的像素的数量；
Figure 718725DEST_PATH_IMAGE013
表示边缘像素中第i个边缘像素的梯度幅值；
Figure 858851DEST_PATH_IMAGE014
表示调节参数，取值为0.1。
优选地，参数优化函数为：
Figure 205518DEST_PATH_IMAGE015
其中，
Figure 929630DEST_PATH_IMAGE016
表示参数优化函数；
Figure 754366DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 748998DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度；
Figure 266567DEST_PATH_IMAGE017
表示重构灰度图的纹理过滤稀释度，
Figure 498482DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 126910DEST_PATH_IMAGE018
表示自然常数；参数优化函数的约束条件为：
Figure 241627DEST_PATH_IMAGE019
Figure 664518DEST_PATH_IMAGE020
Figure 363222DEST_PATH_IMAGE021
其中，
Figure 529761DEST_PATH_IMAGE022
表示势圈半径。
优选地，基于最优重构灰度图对焊接缺陷进行检测包括：采用霍夫梯度圆检测算法对最优重构灰度图像进行圆形检测，若检测到圆形，则存在焊接缺陷，若检测不到圆形，则不存在焊接缺陷。
本发明实施例至少具有如下有益效果：在对空调散热管与其他组件进行焊接的过程中，焊缝表面会呈现一系列大小形状相似的圆弧形凸起并且以固定的间隔并列在一起的“鱼鳞纹”。这样的圆弧形凸起与目标较小的圆形的气泡缺陷的形状信息相似，均为圆弧形，灰度信息相似，均为凸起结构，区域较亮即灰度值均较大。相似的形状和灰度信息对气泡缺陷的精确定位和轮廓提取带来了较大的干扰。基于“鱼鳞纹”具有周期性，其在频谱中具有特定的频率特点，构建一种带通阻滤波器对其进行过滤，同时获得带阻滤波器的最优参数，实现削弱“鱼鳞纹”的效果、易于将周期“鱼鳞纹”和气泡缺陷区分开的效果，大大提升了气泡缺陷的检测精度。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种空调散热管焊接缺陷检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种空调散热管焊接缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种空调散热管焊接缺陷检测方法的具体方案。
实施例：
本发明的主要应用场景为：在对空调散热管与其他组件进行焊接的过程中，焊缝表面会呈现一系列大小形状相似的圆弧形凸起并且以固定的间隔并列在一起的“鱼鳞纹”，这些“鱼鳞纹”会影响焊接缺陷的检测，因此需要去除“鱼鳞纹”的干扰，然后进行焊接缺陷检测。
请参阅图1，其示出了本发明实施例提供的一种空调散热管焊接缺陷检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获得空调散热管图像并进行预处理得到只包含焊缝区域的灰度图；获得所述灰度图的频谱图和相位图；利用FT算法获得频谱图中每个像素的显著值；设定显著阈值，频谱图中显著值大于显著阈值的像素到频谱中心的距离的最大值为势圈半径。
首先，获得空调散热管图像，空调散热管图像为RGB格式的图像，将为RGB格式的空调散热管管灰度化并进行去除噪声和直方图均衡化处理获得散热管灰度图，其中利用高斯滤波器去除噪声，直方图均衡化能够增强散热管灰度图的对比度。由于焊缝区域相对于其外侧的空调散热管其他区域的灰度值差距较大，焊缝区域的灰度值偏大，采用OTSU大津法对散热管灰度图的像素的灰度信息求取最优灰度阈值
Figure 295723DEST_PATH_IMAGE023
，将灰度值大于
Figure 155095DEST_PATH_IMAGE023
的所有像素提取出来，对这些像素求取包围其最小的外接矩形作为空调散热管的焊缝区域，并形成只包含焊缝区域的灰度图，优选的，灰度图的大小为
Figure 78445DEST_PATH_IMAGE024
。
进一步的，在对空调散热管进行焊接时，由于焊接气体不纯或纯度太低，在焊接的时候会出现气泡的现象，焊缝表面的气泡严重影响焊缝的强度和密封性，是焊缝不合格的表现。由此需要对焊缝进行气泡缺陷的检测和精准的定位，方便技术人员对其进行后续处理。在进行焊接的过程中，焊缝表面会呈现鱼鳞状，即一系列大小形状相似的圆弧形凸起以固定的间隔并列在一起，称作“鱼鳞纹”。这样的圆弧形凸起与目标较小的圆形的气泡缺陷的形状信息相似，均为圆弧形，灰度信息相似，均为凸起结构，灰度值均较大。相似的形状和灰度信息对气泡缺陷的精确定位和轮廓提取带来了较大的干扰。
由此，将尺寸为
Figure 48675DEST_PATH_IMAGE024
的灰度图
Figure 403564DEST_PATH_IMAGE025
经过二维快速傅里叶变换转化为二维复数矩阵
Figure 479842DEST_PATH_IMAGE026
：
Figure 638291DEST_PATH_IMAGE027
其中，
Figure 631786DEST_PATH_IMAGE028
的取值范围是
Figure 824870DEST_PATH_IMAGE029
，
Figure 272382DEST_PATH_IMAGE030
的取值范围是
Figure 465597DEST_PATH_IMAGE031
，
Figure 777629DEST_PATH_IMAGE032
表示图像
Figure 605646DEST_PATH_IMAGE025
上第
Figure 977721DEST_PATH_IMAGE033
行第
Figure 595916DEST_PATH_IMAGE034
列像素的灰度值，
Figure 760574DEST_PATH_IMAGE035
表示二维复数矩阵
Figure 662671DEST_PATH_IMAGE026
中第
Figure 956380DEST_PATH_IMAGE028
行第
Figure 45559DEST_PATH_IMAGE030
列的元素；
Figure 214241DEST_PATH_IMAGE035
也可以表示为复数形式：
Figure 970844DEST_PATH_IMAGE036
其中，
Figure 435455DEST_PATH_IMAGE037
和
Figure 543088DEST_PATH_IMAGE038
分别表示复数
Figure 246952DEST_PATH_IMAGE035
的实数和复数部分。
从而得到二维复数矩阵
Figure 858062DEST_PATH_IMAGE026
中第
Figure 759153DEST_PATH_IMAGE028
行第
Figure 354083DEST_PATH_IMAGE030
列元素的相位；
Figure 333409DEST_PATH_IMAGE039
由此，构建构造
Figure 64604DEST_PATH_IMAGE024
的矩阵，矩阵上所有元素
Figure 136597DEST_PATH_IMAGE004
对应的相位
Figure 687664DEST_PATH_IMAGE040
构成相位图
Figure 801507DEST_PATH_IMAGE041
，因此相位图
Figure 387209DEST_PATH_IMAGE041
中的每个像素可以表示为
Figure 364523DEST_PATH_IMAGE004
。
获得二维复数矩阵
Figure 668466DEST_PATH_IMAGE026
中第
Figure 520753DEST_PATH_IMAGE028
行第
Figure 960962DEST_PATH_IMAGE030
列元素的幅值：
Figure 578019DEST_PATH_IMAGE042
同样的，构造
Figure 900416DEST_PATH_IMAGE024
的矩阵，矩阵上所有元素
Figure 553464DEST_PATH_IMAGE004
对应的幅值
Figure 113759DEST_PATH_IMAGE043
构成频谱图
Figure 432876DEST_PATH_IMAGE044
，频谱图
Figure 711410DEST_PATH_IMAGE044
中的每个像素表示为
Figure 905500DEST_PATH_IMAGE004
，频谱图显示的是不同频率对应的幅值信息，越靠近频谱图的中心频率越小。
最后对于频域上的灰度图的频谱图，需要构建带阻滤波器将对频谱图进行滤消除“鱼鳞纹”的影响，为了达到好的消除效果，需要得到带阻滤波器的最优的参数，因此基于频谱图
Figure 54722DEST_PATH_IMAGE044
的幅值信息采用
Figure 544740DEST_PATH_IMAGE045
算法对频谱图
Figure 44991DEST_PATH_IMAGE044
进行显著性求解，得到频谱图
Figure 45702DEST_PATH_IMAGE044
中每个像素对应的显著值，设置显著值阈值
Figure 315009DEST_PATH_IMAGE046
，显著值大于显著阈值的像素到频谱中心的距离的最大值为势圈半径
Figure 38246DEST_PATH_IMAGE022
。获得其势圈半径后便于后续的分析使用。
步骤S2，构建参数不同的带阻滤波器分别对频谱图进行多次滤波获得滤波后的频谱图，基于所述滤波后的频谱图和所述相位图获得重构灰度图；基于重构灰度图的灰度共生矩阵获得重构灰度图的逆差距和对比度；所述逆差距和对比度的比值为重构灰度图的纹理过滤稀释度；获得重构灰度图中每个像素的梯度幅值，设置边缘阈值，梯度幅值大于边缘阈值的像素为边缘像素；利用重构灰度图中边缘像素的数量以及边缘像素的梯度幅值获得重构灰度图的边缘浓度。
首先，考虑到灰度图
Figure 229055DEST_PATH_IMAGE025
中的“鱼鳞纹”具有周期性，其在频谱中具有特定的频率特点，即出现在一定宽度上的频带上，在频谱图中表现为以频谱图中心为圆心的同心圆。由此采用带通阻滤波器对频谱图进行过滤，定位到周期“鱼鳞纹”所处的频带位置，并将频带内的幅值进行滤除从而抑制周期“鱼鳞纹”，实现易于将周期“鱼鳞纹”和气泡缺陷区域区分开的效果。
构建参数不同的带阻滤波器，带阻滤波器的转移函数为：
Figure 764948DEST_PATH_IMAGE047
其中，
Figure 154341DEST_PATH_IMAGE002
表示带阻滤波器的转移函数；
Figure 251741DEST_PATH_IMAGE003
表示频谱图上像素
Figure 461006DEST_PATH_IMAGE004
到频谱中心的欧氏距离；
Figure 821097DEST_PATH_IMAGE005
和
Figure 330575DEST_PATH_IMAGE006
分别表示带阻滤波器的参数，
Figure 598877DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 561017DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度，其中圆环带的宽度也即是带阻滤波器不允许通过的频率的带宽。
由于并不知道带阻滤波器的参数
Figure 641974DEST_PATH_IMAGE005
和
Figure 5959DEST_PATH_IMAGE006
分别为多少时消除“鱼鳞纹”的效果能够达到最好，所以需要设置不同参数的带阻滤波器对频谱图进行滤波，获得滤波后的频谱图，根据滤波后的频谱图和相位图
Figure 445162DEST_PATH_IMAGE041
进行逆运算获得重构灰度图；根据过滤后的频谱图与原始的相位图
Figure 629019DEST_PATH_IMAGE041
得到与二维复数矩阵
Figure 264399DEST_PATH_IMAGE026
相同大小的新的矩阵
Figure 735088DEST_PATH_IMAGE048
，具体是基于过滤后的频谱图中的幅值信息和原始的相位图中相位信息得到复数形式，因此可以得到新的矩阵
Figure 594460DEST_PATH_IMAGE048
中各位置对应的复数，然后对
Figure 16345DEST_PATH_IMAGE048
进行傅里叶反变换得到重构后的图像：
Figure 252154DEST_PATH_IMAGE049
其中，
Figure 574420DEST_PATH_IMAGE050
表示重构灰度图中第
Figure 604693DEST_PATH_IMAGE033
行第
Figure 717137DEST_PATH_IMAGE034
列像素的灰度值，
Figure 491058DEST_PATH_IMAGE051
表示新的矩阵
Figure 930479DEST_PATH_IMAGE048
中第
Figure 131654DEST_PATH_IMAGE028
行第v列的元素的复数。
进一步的，对于重构灰度图，如果重构灰度图上周期“鱼鳞纹”被抑制越多以及气泡缺陷区域越明显，带阻滤波器的参数越优。对于重构灰度图，周期“鱼鳞纹”被抑制表现为纹理变化和灰度变化两个方面，周期“鱼鳞纹”的纹理沟纹变浅，局部纹理的变化较小，重构灰度图中的边缘含量较少、强度较弱，说明周期鱼鳞纹被抑制。因此需要对重构灰度图的纹理和边缘进行分析获得相应的指标来表示消除“鱼鳞纹”的效果。
最后，采用灰度共生矩阵提取重构灰度图中的纹理特征，对重构灰度图的灰度级进行量化，量化后的灰度级
Figure 262552DEST_PATH_IMAGE052
，得到重构灰度图的灰度共生矩阵，获得灰度共生矩阵的对比度
Figure 105743DEST_PATH_IMAGE053
和逆差矩
Figure 402601DEST_PATH_IMAGE054
：
Figure 774676DEST_PATH_IMAGE055
Figure 127292DEST_PATH_IMAGE056
其中
Figure 508594DEST_PATH_IMAGE057
代表灰度共生矩阵的第
Figure 662888DEST_PATH_IMAGE058
行第
Figure 205865DEST_PATH_IMAGE059
列的元素。其中对比度
Figure 576935DEST_PATH_IMAGE053
反映了图像纹理的沟纹深浅的程度，纹理沟纹越深，其对比度越大，视觉效果越清晰，重构灰度图中周期“鱼鳞纹”过滤效果越差。逆差矩
Figure 230770DEST_PATH_IMAGE054
反应了图像纹理的均匀性和同质性，逆差矩
Figure 439903DEST_PATH_IMAGE054
的值越小说明图像局部纹理变化越大，局部越不均匀，周期“鱼鳞纹”过滤效果越差。由此得到纹理过滤稀释度：
Figure 400119DEST_PATH_IMAGE060
即当对比度
Figure 242173DEST_PATH_IMAGE053
越小，逆差矩
Figure 450432DEST_PATH_IMAGE054
越大的时候，周期“鱼鳞纹”过滤效果越好，纹理过滤稀释度
Figure 530384DEST_PATH_IMAGE017
越大。
对重构灰度图的灰度信息进行分析，采用sobel算子对重构灰度图上个每个像素求取其水平方向的梯度
Figure 415163DEST_PATH_IMAGE061
和竖直方向的梯度
Figure 259360DEST_PATH_IMAGE062
，得到每个像素的梯度幅值：
Figure 520577DEST_PATH_IMAGE063
对每个像素的梯度幅值进行归一化，将梯度幅值转化到区间
Figure 2505DEST_PATH_IMAGE064
中，设置边缘阈值，优选地，本实施例中边缘阈值的取值为0.8，在实际实施中，实施人员可以根据实际情况确定边缘阈值的取值；如果重构灰度图中一个像素的梯度幅值大于边缘阈值，则该像素为边缘像素，统计重构灰度图中边缘像素的数量
Figure 58186DEST_PATH_IMAGE009
，
Figure 127029DEST_PATH_IMAGE009
反应了边缘的含量多少，同时求出边缘像素归一化之前的梯度幅值均值，该均值反映了边缘的强烈程度，由此获得重构灰度图的边缘浓度：
Figure 395200DEST_PATH_IMAGE065
其中，
Figure 731634DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 958216DEST_PATH_IMAGE009
表示重构灰度图中边缘像素的数量；
Figure 511426DEST_PATH_IMAGE010
和
Figure 380025DEST_PATH_IMAGE011
分别表示重构灰度图的长和宽，
Figure 570966DEST_PATH_IMAGE012
表示重构灰度图的像素的数量；
Figure 234028DEST_PATH_IMAGE013
表示边缘像素中第i个边缘像素的未归一化的梯度幅值；
Figure 6026DEST_PATH_IMAGE014
表示调节参数，可由实施人员根据实际情况进行确定，优选地，在本实施例中取值为0.1；由此当重构灰度图中边缘含量越少，边缘的强弱程度越小，边缘浓度
Figure 412736DEST_PATH_IMAGE008
越小，对周期“鱼鳞纹”过滤效果越好。
步骤S3，基于所述重构灰度图的纹理过滤稀释度、边缘浓度以及所述势圈半径构建带阻滤波器的参数优化函数；当参数优化函数取得最小值时，获得带阻滤波器的最优参数；利用所述最优参数获得每个频谱图对应的最优带阻滤波器，且基于由最优带阻滤波器获得的最优的滤波后的频谱图和所述相位图获得最优重构灰度图；基于最优重构灰度图对焊接缺陷进行检测。
首先，在求解带阻滤波器的参数时，最优的参数会使得频谱图滤波后经过傅里叶变换重构后，周期纹理被抑制以及气泡缺陷区域被增强的程度最大，将得到的最优参数的带阻滤波器作用在频谱图上，过滤掉周期的“鱼鳞纹”，得到最优的重构灰度图。因此构建带阻滤波器的参数优化函数：
Figure 910714DEST_PATH_IMAGE066
其中，
Figure 292148DEST_PATH_IMAGE016
表示参数优化函数；
Figure 508365DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 702455DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度；
Figure 117256DEST_PATH_IMAGE017
表示重构灰度图的纹理过滤稀释度，
Figure 872853DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 638684DEST_PATH_IMAGE018
表示自然常数；参数优化函数的约束条件为：
Figure 639395DEST_PATH_IMAGE019
Figure 908702DEST_PATH_IMAGE020
Figure 835201DEST_PATH_IMAGE021
其中，
Figure 822748DEST_PATH_IMAGE022
表示势圈半径，即在势圈半径内包含较强的幅值。这样做的目的是将参数
Figure 561903DEST_PATH_IMAGE005
限定在势圈半径范围内寻找，极大地减少计算量的同时也保证全局优化算法的解的准确性,同时使得圆环带的位置在
Figure 216875DEST_PATH_IMAGE067
之外的目的是避免出现图像的圆环带范围过大将图像的所有信息都过滤的极端情况。
进一步的，在满足约束条件的情况下，采用粒子群优化算法PSO通过参数优化函数
Figure 48696DEST_PATH_IMAGE068
，设计具有速度和位置的两个属性的粒子，首先将粒子进行随机初始化，评价每个粒子并判断参数优化函数
Figure 523540DEST_PATH_IMAGE068
是否达到全局最优，如果未达到全局最优，则更新粒子当前的速度和位置，同时评估每个粒子的函数适应值，进而更新粒子群的全局最优位置，此时再次评价每个粒子并判断参数优化函数
Figure 817118DEST_PATH_IMAGE068
是否达到全局最优，直到达到全局最优，达到全局最优时也即是在满足约束条件的情况下参数优化函数取的最小值，得到带阻滤波器的最优参数
Figure 330793DEST_PATH_IMAGE006
和
Figure 113941DEST_PATH_IMAGE005
，得到最优带阻滤波器。
这里需要说明的是每一张灰度图的频谱图对应的最优带阻滤波器可能是相同的也可能是不同的，这需要根据图像的实际情况所示，所以每一张灰度图的频谱图都会对应一个最优带阻滤波器。利用每个频谱图对应的最优带阻滤波器对频谱图进行滤波获得最优的滤波后的频谱图，然后通过最优的滤波后的频谱图和原始的相位图
Figure 561234DEST_PATH_IMAGE041
进行傅里叶反变换得到最优重构灰度图。
最后，对于最优重构灰度图来说，此时的“鱼鳞纹”已经被大大减弱，对于目标较小的圆形凸起的气泡缺陷的影响大大减少，使得缺陷检测的精度会大大的提高。由此采用霍夫梯度圆检测算法对最优重构灰度图进行圆形检测，如果检测到圆形，则说明空调散热管的焊缝区域包含气泡缺陷，如果没有检测到圆形，说明空调散热管的焊缝区域不包含气泡缺陷，由此完成了对空调散热管的焊缝区域的缺陷检测。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种空调散热管焊接缺陷检测方法，其特征在于，该方法包括：获得空调散热管图像并进行预处理得到只包含焊缝区域的灰度图；获得所述灰度图的频谱图和相位图；利用FT算法获得频谱图中每个像素的显著值；设定显著阈值，频谱图中显著值大于显著阈值的像素到频谱中心的距离的最大值为势圈半径；
构建参数不同的带阻滤波器分别对频谱图进行多次滤波获得滤波后的频谱图，基于所述滤波后的频谱图和所述相位图获得重构灰度图；基于重构灰度图的灰度共生矩阵获得重构灰度图的逆差距和对比度；所述逆差距和对比度的比值为重构灰度图的纹理过滤稀释度；获得重构灰度图中每个像素的梯度幅值，设置边缘阈值，梯度幅值大于边缘阈值的像素为边缘像素；利用重构灰度图中边缘像素的数量以及边缘像素的梯度幅值获得重构灰度图的边缘浓度；
基于所述重构灰度图的纹理过滤稀释度、边缘浓度以及所述势圈半径构建带阻滤波器的参数优化函数；当参数优化函数取得最小值时，获得带阻滤波器的最优参数；利用所述最优参数获得每个频谱图对应的最优带阻滤波器，且基于由最优带阻滤波器获得的最优的滤波后的频谱图和所述相位图获得最优重构灰度图；基于最优重构灰度图对焊接缺陷进行检测。
2.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述获得空调散热管图像并进行预处理得到只包含焊缝区域的灰度图包括：将为RGB格式的空调散热管管灰度化并进行去除噪声和直方图均衡化处理获得散热管灰度图；利用OTSU大津法对散热管灰度图进行分割获得只包含焊缝区域的灰度图。
3.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述构建参数不同的带阻滤波器分别对频谱图进行多次滤波获得滤波后的频谱图包括：所述带阻滤波器的转移函数为：
Figure 936769DEST_PATH_IMAGE001
其中，
Figure 252998DEST_PATH_IMAGE002
表示带阻滤波器的转移函数；
Figure 300588DEST_PATH_IMAGE003
表示频谱图上像素
Figure 220134DEST_PATH_IMAGE004
到频谱中心的欧氏距离；
Figure 602443DEST_PATH_IMAGE005
和
Figure 718166DEST_PATH_IMAGE006
分别表示带阻滤波器的参数，
Figure 105416DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 913972DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度；利用不同参数的带阻滤波器的对一个频谱图进行多次滤波获得滤波后的频谱图。
4.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述基于重构灰度图的灰度共生矩阵获得重构灰度图的逆差距和对比度包括：将重构灰度图的灰度级进行量化，求得量化后的重构灰度图的灰度共生矩阵，并计算出重构灰度图的逆差距和对比度。
5.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述获得重构灰度图中每个像素的梯度幅值包括：采用sobel算子对重构灰度图上个每个像素求取其水平方向的梯度和竖直方向的梯度，计算出每个像素的梯度幅值并归一化。
6.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述重构灰度图的边缘浓度为：
Figure 786507DEST_PATH_IMAGE007
其中，
Figure 705921DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 213257DEST_PATH_IMAGE009
表示重构灰度图中边缘像素的数量；
Figure 973140DEST_PATH_IMAGE010
和
Figure 80774DEST_PATH_IMAGE011
分别表示重构灰度图的长和宽，
Figure 23453DEST_PATH_IMAGE012
表示重构灰度图的像素的数量；
Figure 634563DEST_PATH_IMAGE013
表示边缘像素中第i个边缘像素的梯度幅值；
Figure 31259DEST_PATH_IMAGE014
表示调节参数，取值为0.1。
7.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述参数优化函数为：
Figure 360610DEST_PATH_IMAGE015
其中，
Figure 169297DEST_PATH_IMAGE016
表示参数优化函数；
Figure 634913DEST_PATH_IMAGE005
表示带阻滤波器的圆环带的中心到频谱中心的距离，
Figure 205441DEST_PATH_IMAGE006
表示带阻滤波器的圆环带的宽度；
Figure 756508DEST_PATH_IMAGE017
表示重构灰度图的纹理过滤稀释度，
Figure 306569DEST_PATH_IMAGE008
表示重构灰度图的边缘浓度；
Figure 941206DEST_PATH_IMAGE018
表示自然常数；参数优化函数的约束条件为：
Figure 167788DEST_PATH_IMAGE019
Figure 753621DEST_PATH_IMAGE020
Figure 91062DEST_PATH_IMAGE021
其中，
Figure 46117DEST_PATH_IMAGE022
表示势圈半径。
8.根据权利要求1所述的一种空调散热管焊接缺陷检测方法，其特征在于，所述基于最优重构灰度图对焊接缺陷进行检测包括：采用霍夫梯度圆检测算法对最优重构灰度图像进行圆形检测，若检测到圆形，则存在焊接缺陷，若检测不到圆形，则不存在焊接缺陷。
CN202210844627.XA 2022-07-19 2022-07-19 一种空调散热管焊接缺陷检测方法 Active CN114998325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210844627.XA CN114998325B (zh) 2022-07-19 2022-07-19 一种空调散热管焊接缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844627.XA CN114998325B (zh) 2022-07-19 2022-07-19 一种空调散热管焊接缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114998325A true CN114998325A (zh) 2022-09-02
CN114998325B CN114998325B (zh) 2022-10-25

Family

ID=83022599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844627.XA Active CN114998325B (zh) 2022-07-19 2022-07-19 一种空调散热管焊接缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114998325B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830013A (zh) * 2023-02-08 2023-03-21 磐石重工(青岛)股份有限公司 基于机器视觉的压力容器焊缝缺陷检测方法
CN117670842A (zh) * 2023-12-07 2024-03-08 常州市宏发纵横新材料科技股份有限公司 一种布面横条检测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248158A (zh) * 2017-07-20 2017-10-13 广东工业大学 一种图像处理的方法及***
CN111311510A (zh) * 2020-01-22 2020-06-19 京东方科技集团股份有限公司 图像中条纹噪声的去除方法及装置
CN112862888A (zh) * 2021-01-29 2021-05-28 广东电网有限责任公司 一种电缆的定位方法、装置、计算机设备和存储介质
CN112910348A (zh) * 2021-01-26 2021-06-04 西安交通大学 一种基于模型预测控制的平行结构频谱优化方法与***
CN113643294A (zh) * 2021-10-14 2021-11-12 江苏祥顺布业有限公司 基于频谱分析的纺织品缺陷自适应检测方法
CN114384520A (zh) * 2022-03-24 2022-04-22 中国人民解放***箭军工程大学 一种机动平台对海面船只精细化雷达成像方法
WO2022083910A1 (de) * 2020-10-23 2022-04-28 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung zum auswerten von bilddaten in einem kraftfahrzeug

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248158A (zh) * 2017-07-20 2017-10-13 广东工业大学 一种图像处理的方法及***
CN111311510A (zh) * 2020-01-22 2020-06-19 京东方科技集团股份有限公司 图像中条纹噪声的去除方法及装置
WO2022083910A1 (de) * 2020-10-23 2022-04-28 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung zum auswerten von bilddaten in einem kraftfahrzeug
CN112910348A (zh) * 2021-01-26 2021-06-04 西安交通大学 一种基于模型预测控制的平行结构频谱优化方法与***
CN112862888A (zh) * 2021-01-29 2021-05-28 广东电网有限责任公司 一种电缆的定位方法、装置、计算机设备和存储介质
CN113643294A (zh) * 2021-10-14 2021-11-12 江苏祥顺布业有限公司 基于频谱分析的纺织品缺陷自适应检测方法
CN114384520A (zh) * 2022-03-24 2022-04-22 中国人民解放***箭军工程大学 一种机动平台对海面船只精细化雷达成像方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SREEPRASAD AJITHAPRASAD 等: "Defect detection using windowed Fourier spectrum analysis in diffraction phase microscopy", 《JOURNAL OF PHYSICS COMMUNICATIONS》 *
XIAOLONG BAI 等: "Saliency-Based Defect Detection in Industrial Images by Using Phase Spectrum", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
张雪侠: "相位信息遥感图像边缘检测方法的实例检测分析", 《中国锰业》 *
苏飞 等: "基于全相位滤波器的3D图像恢复处理算法", 《天津理工大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830013A (zh) * 2023-02-08 2023-03-21 磐石重工(青岛)股份有限公司 基于机器视觉的压力容器焊缝缺陷检测方法
CN117670842A (zh) * 2023-12-07 2024-03-08 常州市宏发纵横新材料科技股份有限公司 一种布面横条检测方法、装置、设备及存储介质
CN117670842B (zh) * 2023-12-07 2024-06-04 常州市宏发纵横新材料科技股份有限公司 一种布面横条检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114998325B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114998325B (zh) 一种空调散热管焊接缺陷检测方法
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
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及***
CN116168026B (zh) 基于计算机视觉的水质检测方法及***
CN107292310B (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN115359044B (zh) 一种基于图像增强的金属件表面划痕检测方法
CN107220988A (zh) 基于改进canny算子的零部件图像边缘提取方法
CN115272321B (zh) 一种基于机器视觉的纺织品缺陷检测方法
CN115115642A (zh) 基于图像处理的带钢结疤缺陷检测方法
CN103325118A (zh) 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置
CN115601368B (zh) 一种建材装备钣金件缺陷检测方法
CN116823822B (zh) 基于视觉特征的船艇钣金件焊接缺陷检测方法
CN110473194A (zh) 基于多图像块阈值分割算法的水果表面缺陷检测方法
CN107590512A (zh) 一种模板匹配中参数的自适应方法和***
CN105225244A (zh) 基于最小局部均方差计算的噪点检测方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN114998311A (zh) 一种基于同态滤波的零件精密度检测方法
WO2020114134A1 (zh) 一种识别金刚砂颗粒的视觉处理方法
CN107545549B (zh) 基于一维频谱曲线的散焦点扩散函数估计方法
CN116524205A (zh) 一种污水曝气自动检测识别方法
CN111210405A (zh) 一种基于红外成像的挥发性有机物泄露检测方法
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法

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