CN115018827A - 一种建材焊缝质量自动检测方法 - Google Patents
一种建材焊缝质量自动检测方法 Download PDFInfo
- Publication number
- CN115018827A CN115018827A CN202210923913.5A CN202210923913A CN115018827A CN 115018827 A CN115018827 A CN 115018827A CN 202210923913 A CN202210923913 A CN 202210923913A CN 115018827 A CN115018827 A CN 115018827A
- Authority
- CN
- China
- Prior art keywords
- defect
- undercut
- row
- undercut defect
- rectangle
- 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
- 239000004566 building material Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 272
- 238000003466 welding Methods 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 20
- 239000010953 base metal Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration 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
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种建材焊缝质量自动检测方法。该方法将建材表面焊缝图像转化为HSV图像并确定焊缝区域,以焊缝区域每列上V通道值的均值拟合得到标准平滑曲线,以焊缝区域每行上各V通道值与标准平滑曲线的偏差确定焊缝区域缺陷程度;在焊缝与母材连接区域计算各行上V通道值的方差确定该行是否为咬边缺陷行,以咬边缺陷深度、长度和峰度确定咬边缺陷行的缺陷程度,以咬边缺陷行所在咬边的大小确定咬边缺陷行缺陷程度的权重,得到该区域的咬边缺陷程度,以所得两区域的缺陷程度完成焊缝质量检测。该方法的判断阈值自适应设置且检测全面,且不需获取大量训练数据或点云数据,实现了建材焊缝质量的高效、准确检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种建材焊缝质量自动检测方法。
背景技术
近年来,随着我国的工业化进程不断加快,市场竞争日益激烈,对产品的加工制造技术升级已成为各企业提升产品竞争力的重要手段。焊接作为一种成熟的材料成型工艺,在建筑制造行业内的应用非常广泛,每年采用焊接作为建材连接手段而生产的产品数量巨大。在焊后对焊缝质量进行检测是焊接生产中必不可少的环节,焊缝质量不仅影响焊接产品的使用性能和寿命,而且还影响人身安全和财产安全。
现有最常用的焊接质量检测方法,包括高精度的电涡流与超声波探伤等方法,这些方法虽然可以很好地判断出焊缝是否存在气泡等缺陷,但实施过程复杂且无法定量地获取到焊接缺陷的宽度、面积等信息,同时检测成本较高;而现有的利用图像处理方法检测焊缝缺陷的手段,如采用神经网络进行焊缝缺陷检测的手段,则存在需要的训练样本大而处理速度慢的问题,又如采用三维扫描获取焊缝的三维点云数据来判断焊缝缺陷的手段,其利用实时获取的点云数据进行判断时所使用的判断阈值,则存在取值单一而适用场景较窄的问题,导致焊缝质量检测效果不佳。
综上,现有的焊缝质量检测方法,存在着检测效率低且检测效果不佳的问题。
发明内容
本发明提供了一种建材焊缝质量自动检测方法,用以解决现有技术对建材焊缝质量检测低效且不准确的问题,所采用的技术方案具体如下:
本发明的一种建材焊缝质量自动检测方法,包括以下步骤:
获取建材表面焊缝图像,将建材表面焊缝图像转化为HSV图像后确定焊缝区域;
将焊缝区域的最小外接矩形作为第一矩形,第一矩形的纵向为焊缝走向,确定第一矩形中每列上像素点的V通道值的均值,然后根据所确定的第一矩形中每列上像素点的V通道值的均值拟合得到焊缝区域在横向上的标准平滑曲线,计算第一矩形中每行上各个像素点的V通道值与标准平滑曲线的偏离程度,将所有行上各个像素点的V通道值与标准平滑曲线的偏离程度求和,得到焊缝区域的缺陷程度;
将第一矩形在横向上分别向左以及向右延伸设定距离,得到第二矩形,将第一矩形左边缘与第二矩形左边缘之间的区域作为左侧延伸区域,将第一矩形右边缘与第二矩形右边缘之间的区域作为右侧延伸区域,计算左侧延伸区域中每行上像素点的V通道值的方差以及右侧延伸区域中每行上像素点的V通道值的方差,若所述方差大于方差阈值,则将对应行作为咬边缺陷行;
在左侧延伸区域以及右侧延伸区域中分别统计咬边缺陷行单次连续出现时的纵向长度值,计算咬边缺陷行单次连续出现时的纵向长度值与第二矩形的纵向总长度的比值,将所述比值作为该次连续出现的各个咬边缺陷行的缺陷权重,重复该咬边缺陷行的缺陷权重的获取过程,从而得到所有咬边缺陷行的缺陷权重;
根据咬边缺陷行中各像素点处V通道值的最大值以及V通道值的最小值确定该咬边缺陷行的咬边缺陷深度;将咬边缺陷行中V通道值小于咬边缺陷阈值的像素点数量作为该咬边缺陷行的咬边缺陷长度;根据咬边缺陷行的咬边缺陷长度以及咬边缺陷长度中各个像素点的V通道值计算该咬边缺陷行的咬边缺陷峰度;
根据咬边缺陷行的咬边缺陷深度、咬边缺陷长度以及咬边缺陷峰度计算该咬边缺陷行的缺陷程度,根据各个咬边缺陷行的缺陷程度以及缺陷权重,计算焊缝与母材之间的连接区域内的咬边缺陷程度;
根据所述焊缝区域的缺陷程度以及所述焊缝与母材之间的连接区域内的咬边缺陷程度,计算焊缝的损伤程度,由所述损伤程度进行焊缝质量判断,完成建材焊缝质量检测。
本发明的有益效果为:
本发明该建材焊接质量自动检测方法,对于焊缝区域,以焊缝区域最小外接矩形上每列像素点的V通道值的均值拟合得到焊缝区域在横向上的标准平滑曲线,该标准平滑曲线即为本发明建材表面焊缝图像中焊缝区域整体的V通道值情况而自适应得到的缺陷判断阈值,然后本发明通过计算焊缝区域最小外接矩形中每行上各个像素点与标准平滑曲线的偏离程度之和,来确定焊缝区域的缺陷程度,缺陷判断阈值自适应设置,且对焊缝区域的焊接质量表征更为全面,实现了对焊缝区域焊接质量的更准确评价;对于焊缝与母材的连接区域,本发明首先计算该区域内每行上像素点的V通道值的方差,并与方差阈值进行比较来确定对应行是否包含咬边缺陷的像素点,将包含咬边缺陷的像素点的行作为咬边缺陷行之后,根据焊缝与母材的连接区域中各个咬边缺陷的纵向长度占整个区域的比重,来对各个咬边缺陷行进行缺陷权重赋值,然后通过计算咬边缺陷行的咬边缺陷深度、咬边缺陷长度以及咬边缺陷峰度三方面特征,准确表征了咬边缺陷行的咬边缺陷程度,以所得咬边缺陷行的咬边缺陷程度以及该咬边缺陷行的对应缺陷权重,最终得到了焊缝与母材的连接区域整体的咬边缺陷程度。最终,根据所得焊缝区域的缺陷程度以及焊缝与母材的连接区域的咬边缺陷程度,本发明便可实现对建材焊缝质量的快速高效且准确的检测。
进一步的,所述咬边缺陷行的咬边缺陷峰度为:
其中,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷峰度,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷长度D中第d个像素点的V通道值,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷长度D中所有像素点的V通道均值。
进一步的,所述得到焊缝区域的缺陷程度的过程为:
计算第一矩形上第k行的缺陷程度:
然后计算焊缝区域的缺陷程度:
其中,P为焊缝区域的缺陷程度,M为第一矩形的纵向长度。
进一步的,所述咬边缺陷行的咬边缺陷深度为:
进一步的,所述咬边缺陷行的缺陷程度为:
进一步的,所述焊缝与母材之间的连接区域内的咬边缺陷程度为:
进一步的,所述焊缝的损伤程度为:
进一步的,所述标准平滑曲线的获取过程为:
进一步的,所述方差阈值的确定过程为:
在不存在咬边缺陷的建材表面焊缝图像中确定焊缝区域,得到焊缝区域的最小外接矩形,然后将最小外接矩形在横向上分别向左以及向右延伸所述设定距离,确定延伸过程中的向左延伸区域以及向右延伸区域,计算向左延伸区域以及向右延伸区域中所有像素点的V通道值的方差作为标准方差,以设定倍数的标准方差作为所述方差阈值。
附图说明
图1是本发明该种建材焊缝质量自动检测方法的流程图;
图2是本发明的正常情况下焊缝形状示意图;
图3是本发明的焊缝区域存在缺陷时焊缝形状示意图;
图4是本发明的焊缝区域所对应的最小外接矩形的示意图;
图5是本发明由焊缝区域所对应的最小外接矩形每列的V通道均值拟合得到的焊缝区域在横向上的标准平滑曲线的示意图;
图6是本发明的咬边缺陷示意图;
图7是本发明的焊缝与母材连接区域存在咬边缺陷时焊缝的形状示意图。
具体实施方式
本发明的主要目的是:利用计算机视觉技术,通过处理采集的建材表面焊缝图像,根据焊缝区域上焊缝本身特征以及焊缝与母材连接区域的特征,计算焊缝本身的缺陷程度和焊缝与母材连接区域的缺陷程度,进而获得建材焊缝的损伤程度,以建材焊缝的损伤程度分级依据,确定建材焊缝的焊接质量等级,完成建材焊缝质量的自动检测。
下面结合附图及实施例,对本发明的一种建材焊缝质量自动检测方法进行详细说明。
方法实施例:
本发明的一种建材焊缝质量自动检测方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取建材表面焊缝图像,将建材表面焊缝图像转化为HSV图像,然后对转化后的建材表面焊缝图像进行分割,确定焊缝区域。
为了利用计算机视觉技术来确定建材表面焊缝的焊接质量,便需要首先获取建材表面焊缝图像,本实施例中采用LED灯照射建材表面,以工业相机拍摄获取建材表面焊缝图像。
建材焊接所形成的焊缝要求平滑,不得有气孔、夹渣和焊瘤以及烧穿等焊接缺陷,所以焊缝在正常情况下为略高于母材表面的形状,平视建材时,焊缝便呈现如图2所示的圆弧状。但当焊缝存在上述的气孔、夹渣和焊瘤以及烧穿等焊接缺陷时,这些缺陷都会导致焊缝形变,使焊缝由平视时的圆弧状改变为如图3所示的中间存在凹陷的形状。
该种由焊接缺陷所导致的焊缝形状的改变,对应到所获取的焊缝图像上,便会产生图像特征的改变,本实施例优选将所获取的建材表面焊缝图像经去噪处理后,由RBG图像转化为HSV图像以确定建材表面焊缝图像的图像特征,从而确定焊缝区域以及焊缝和母材之间区域上是否产生了焊接缺陷。当然,在其它实施例中,还可以对所获取的建材表面焊缝图像进行其它形式的转化来确定图像特征,如灰度转化,等等。去噪处理的方法,本实施例优选中值滤波,在其它实施例中还可采用现有技术中的其它可行方法。
将建材表面焊缝图像转化为HSV图像后,本实施例采用DNN语义分割方法来识别图像中的焊缝区域,所使用的DNN网络的相关内容如下:
a.使用的训练数据集为俯视采集的建材表面焊缝图像数据集;
b.需要分割的像素共分为2类,即训练数据集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类也即非焊缝的标注为0,属于焊缝的标注为1;
c.网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN语义分割方法便可从建材表面焊缝图像中成功分割确定出焊缝区域。
步骤二,根据亮度变化特征,确定焊缝区域内的缺陷程度以及焊缝与母材连接区域内的缺陷程度,从而确定焊缝的损伤程度。
建材的焊接质量主要由焊缝本身的缺陷程度和焊缝与母材之间的连接区域是否圆润、自然、无缺失而决定,因此本实施例根据对这两区域内的图像特征进行分析,来确定这两区域内的焊接损伤程度,进而计算出建材焊缝的质量。
1、根据亮度变化特征,确定焊缝区域内的缺陷程度。
由于本实施例已经将所获取的建材表面焊缝图像由RGB图像转化为HSV图像,所以在建材表面焊缝图像中经语义分割而得到的焊缝区域对应也是HSV图像。
取焊缝区域的亮度通道图像也即V通道图像,则结合焊缝的形状特点可知,无焊接缺陷的焊缝区域中,焊缝两侧边缘到焊缝中心线上的像素点的V通道值会逐渐变大。
分别取焊缝区域行的起始和终止位置以及列的起始和终止位置,从而得到焊缝区域的最小外接矩形,如图4所示,可看出最小外接矩形的纵向即为焊缝的走向。以最小外接矩形的左下角为原点建立平面坐标系,则该矩形位于第一象限。从左至右依次计算最小外接矩形每列上像素点的V通道值的均值,获得最小外接矩形每列的V通道均值的集合,其中N为焊缝区域所对应的最小外接矩形的横向长度。
然后计算焊缝区域的缺陷程度:
其中,P为焊缝区域的缺陷程度,M为焊缝区域所对应的最小外接矩形的纵向长度。
通过将焊缝区域上每个像素点的V通道值与该像素点所处列的V通道均值进行比较二得到的缺陷程度P,不但可以明确表征出焊接区域上所存在的气孔、夹渣和焊瘤等缺陷,还可以表征整个焊缝的平滑程度,由于焊缝的平滑程度同样影响焊缝质量的好坏,所以本实施例对焊缝质量的表征更为全面,且将各列的V通道均值作为该列上各个像素点的V通道值的比较阈值,实现了阈值的自适应设置,最终由本实施例所得缺陷程度P,便可更为准确地完成焊接质量评价。
2、根据亮度变化特征,确定焊缝与母材之间的连接区域的缺陷程度。
焊缝外观的质量检验中焊缝与母材之间的连接区域应圆滑、自然且无凹陷,即焊接过程中不能过度损伤母材。因此需要分析咬边缺陷,它是焊缝母材与焊缝接触的边缘被焊接电弧烧穿所形成的凹槽状的一种缺陷,如图6所示。当存在咬边缺陷,则平视建材时,焊缝便呈现如图7所示的,圆弧外侧存在凹陷的形状。
为分析焊缝与母材连接区域,本实施例选择将焊缝区域所对应的最小外接矩形在横向上分别向左、向右延伸个像素点,获得一个纵向长为M、横向长为2N的新的矩形区域,将原本的焊接区域所对应的最小外接矩形作为第一矩形,则将由第一矩形横向延伸扩展得到的新的矩形区域作为第二矩形。本实施例优选在第一矩形的基础上向左、向右延伸个像素点,在其它实施例中,还可设置延伸长度为其它值,如根据焊接功率、母材种类等确定延伸长度,且也可以设置左右延伸长度相同或不同。
将第一矩形左侧边界到第二矩形左侧边界之间的区域作为左侧延伸区域,将第一矩形右侧边界到第二矩形右侧边界之间的区域作为右侧延伸区域。由于咬边区域为凹坑,咬边区域在V通道图像上对应为较暗区域,所以该区域的V通道值较小,那么,如果左侧延伸区域或右侧延伸区域中包括咬边缺陷,则左侧或右侧延伸区域中便存在V通道值的方差较大的行。
统计左侧延伸区域的第行中各个像素点的V通道值并计算所有V通道值的方差,同理统计右侧延伸区域的第行中各个像素点的V通道值并计算所有V通道值的方差,取一个不存在咬边缺陷的建材表面焊缝图像,在该不存在咬边缺陷的建材表面焊缝图像中按照上述方法确定左侧延伸区域以及右侧延伸区域,计算左侧以及右侧延伸区域中所有像素点的V通道值的方差,若,则左侧延伸区域中第行包含咬边缺陷像素点,为咬边缺陷行,若,则右侧延伸区域中第行包含咬边缺陷像素点,为咬边缺陷行。
本实施例在由不存在咬边缺陷的建材表面焊缝图像确定左侧延伸区域以及右侧延伸区域后,是将左侧延伸区域以及右侧延伸区域中所有像素点的V通道值的方差作为了统一的标准方差,在其它实施例中,还可以分别计算左侧延伸区域中所有像素点的V通道值的方差以及右侧延伸区域中所有像素点的V通道值的方差,然后分别作为左侧的标准方差和右侧的标准方差。本实施例中,优选1.1倍的标准方差作为了判断每行是否包含咬边缺陷像素点的判断阈值,在其它实施例中,当然也可以根据具体要求设置其它倍数的标准方差作为判断每行是否包含咬边缺陷像素点的判断阈值。
统计左侧延伸区域中咬边缺陷行第u次连续出现时的纵向长度值,以及右侧延伸区域中咬边缺陷行第v次连续出现时的纵向长度值。纵向长度值以及,实际上便分别表示了左侧延伸区域中第u个咬边缺陷的纵向长度以及右侧延伸区域中第v个咬边缺陷的纵向长度。
计算左侧延伸区域中咬边缺陷行第u次连续出现时的纵向长度值与左侧延伸区域的纵向总长度M的比值,该比值即为左侧延伸区域中第u次连续出现的各个咬边缺陷行的咬边缺陷权重,计算右侧延伸区域中咬边缺陷行第v次连续出现时的纵向长度值与右侧延伸区域的纵向总长度M的比值,该比值即为右侧延伸区域中第v次连续出现的各个咬边缺陷行的咬边缺陷权重。由此,便可得到左右两侧延伸区域中每个咬边缺陷行的咬边缺陷权重,并将左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷权重记为。
然后,本实施例对左右两侧延伸区域中所有的咬边缺陷行进行统计,计算左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度、咬边缺陷长度以及咬边缺陷峰度。
左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度为:
而关于左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷长度,首先在左右两侧延伸区域中根据大津阈值法确定一个咬边缺陷阈值,然后在第z个咬边缺陷行上判断V通道值小于咬边缺陷阈值的像素点数量,并将其作为第z个咬边缺陷行的咬边缺陷长度D。
左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷峰度为:
其中,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷峰度,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷长度D中第d个像素点的V通道值,为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷长度D中所有像素点的V通道均值,表示第z个咬边缺陷行的咬边缺陷长度D中所有像素点的V通道值的四阶中心矩,表示第z个咬边缺陷行的咬边缺陷长度D中所有像素点的V通道值的二阶中心矩的平方。
最终,便可计算焊缝与母材之间的连接区域内的咬边缺陷程度:
3、根据焊缝区域内的缺陷程度以及焊缝与母材之间的连接区域内的缺陷程度,确定焊缝的损伤程度。
焊缝的损伤程度为:
步骤三,根据焊缝的损伤程度,确定焊缝的质量等级,完成建材焊缝质量的自动检测。
根据上述步骤二可知焊缝的损伤程度F,已知现有的焊缝质量检测标准将焊缝质量由高到低分为一级、二级和三级以及不合格产品。则根据具体的质量要求,可分别对应设置一级焊接质量参数、二级焊接质量参数和三级焊接质量参数。
由此可根据所得焊缝的损伤程度F与各级焊接质量参数确定焊缝的质量等级,完成建材焊缝质量的检测:
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种建材焊缝质量自动检测方法,其特征在于,包括以下步骤:
获取建材表面焊缝图像,将建材表面焊缝图像转化为HSV图像后确定焊缝区域;
将焊缝区域的最小外接矩形作为第一矩形,第一矩形的纵向为焊缝走向,确定第一矩形中每列上像素点的V通道值的均值,然后根据所确定的第一矩形中每列上像素点的V通道值的均值拟合得到焊缝区域在横向上的标准平滑曲线,计算第一矩形中每行上各个像素点的V通道值与标准平滑曲线的偏离程度,将所有行上各个像素点的V通道值与标准平滑曲线的偏离程度求和,得到焊缝区域的缺陷程度;
将第一矩形在横向上分别向左以及向右延伸设定距离,得到第二矩形,将第一矩形左边缘与第二矩形左边缘之间的区域作为左侧延伸区域,将第一矩形右边缘与第二矩形右边缘之间的区域作为右侧延伸区域,计算左侧延伸区域中每行上像素点的V通道值的方差以及右侧延伸区域中每行上像素点的V通道值的方差,若所述方差大于方差阈值,则将对应行作为咬边缺陷行;
在左侧延伸区域以及右侧延伸区域中分别统计咬边缺陷行单次连续出现时的纵向长度值,计算咬边缺陷行单次连续出现时的纵向长度值与第二矩形的纵向总长度的比值,将所述比值作为该次连续出现的各个咬边缺陷行的缺陷权重,重复该咬边缺陷行的缺陷权重的获取过程,从而得到所有咬边缺陷行的缺陷权重;
根据咬边缺陷行中各像素点处V通道值的最大值以及V通道值的最小值确定该咬边缺陷行的咬边缺陷深度;将咬边缺陷行中V通道值小于咬边缺陷阈值的像素点数量作为该咬边缺陷行的咬边缺陷长度;根据咬边缺陷行的咬边缺陷长度以及咬边缺陷长度中各个像素点的V通道值计算该咬边缺陷行的咬边缺陷峰度;
根据咬边缺陷行的咬边缺陷深度、咬边缺陷长度以及咬边缺陷峰度计算该咬边缺陷行的缺陷程度,根据各个咬边缺陷行的缺陷程度以及缺陷权重,计算焊缝与母材之间的连接区域内的咬边缺陷程度;
根据所述焊缝区域的缺陷程度以及所述焊缝与母材之间的连接区域内的咬边缺陷程度,计算焊缝的损伤程度,由所述损伤程度进行焊缝质量判断,完成建材焊缝质量检测。
9.根据权利要求1所述的建材焊缝质量自动检测方法,其特征在于,所述方差阈值的确定过程为:
在不存在咬边缺陷的建材表面焊缝图像中确定焊缝区域,得到焊缝区域的最小外接矩形,然后将最小外接矩形在横向上分别向左以及向右延伸所述设定距离,确定延伸过程中的向左延伸区域以及向右延伸区域,计算向左延伸区域以及向右延伸区域中所有像素点的V通道值的方差作为标准方差,以设定倍数的标准方差作为所述方差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923913.5A CN115018827B (zh) | 2022-08-03 | 2022-08-03 | 一种建材焊缝质量自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923913.5A CN115018827B (zh) | 2022-08-03 | 2022-08-03 | 一种建材焊缝质量自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018827A true CN115018827A (zh) | 2022-09-06 |
CN115018827B CN115018827B (zh) | 2022-11-04 |
Family
ID=83066052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210923913.5A Active CN115018827B (zh) | 2022-08-03 | 2022-08-03 | 一种建材焊缝质量自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018827B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115213563A (zh) * | 2022-09-20 | 2022-10-21 | 扬州耐施工程机械有限公司 | 激光智能焊接方法及*** |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
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 |
CN117708615A (zh) * | 2024-02-04 | 2024-03-15 | 芯联集成电路制造股份有限公司 | 产品的检测方法及加工设备的监控方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008164482A (ja) * | 2006-12-28 | 2008-07-17 | Daido Steel Co Ltd | 溶接品質の評価方法 |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN104865277A (zh) * | 2015-05-11 | 2015-08-26 | 四川大学 | 基于双壁双投影透照图像的管焊缝缺陷自动识别的方法 |
CN112862794A (zh) * | 2021-02-20 | 2021-05-28 | 河北工业大学 | 一种基于结构光的角焊缝外观检测方法 |
CN112950633A (zh) * | 2021-04-19 | 2021-06-11 | 上海电机学院 | 一种基于线结构光的铝合金焊缝表面缺陷检测方法 |
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
WO2021213223A1 (zh) * | 2020-04-20 | 2021-10-28 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测方法、装置、***及电子设备 |
CN113732558A (zh) * | 2021-09-06 | 2021-12-03 | 中车工业研究院有限公司 | 机器人焊接典型质量问题在线检测方法及装置 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
-
2022
- 2022-08-03 CN CN202210923913.5A patent/CN115018827B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008164482A (ja) * | 2006-12-28 | 2008-07-17 | Daido Steel Co Ltd | 溶接品質の評価方法 |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN104865277A (zh) * | 2015-05-11 | 2015-08-26 | 四川大学 | 基于双壁双投影透照图像的管焊缝缺陷自动识别的方法 |
WO2021213223A1 (zh) * | 2020-04-20 | 2021-10-28 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测方法、装置、***及电子设备 |
CN112862794A (zh) * | 2021-02-20 | 2021-05-28 | 河北工业大学 | 一种基于结构光的角焊缝外观检测方法 |
CN112950633A (zh) * | 2021-04-19 | 2021-06-11 | 上海电机学院 | 一种基于线结构光的铝合金焊缝表面缺陷检测方法 |
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
CN113732558A (zh) * | 2021-09-06 | 2021-12-03 | 中车工业研究院有限公司 | 机器人焊接典型质量问题在线检测方法及装置 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
HUI-HUI CHU 等,: "A vision-based system for post-welding quality measurement", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
JUN SUN 等,: "An Effective Method of Weld Defect Detection and Classification Based on Machine Vision", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
王维一,: "基于机器视觉的电气焊接在线检测***研究与设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115213563A (zh) * | 2022-09-20 | 2022-10-21 | 扬州耐施工程机械有限公司 | 激光智能焊接方法及*** |
CN115213563B (zh) * | 2022-09-20 | 2022-12-13 | 扬州耐施工程机械有限公司 | 激光智能焊接方法及*** |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN115330780B (zh) * | 2022-10-13 | 2023-03-07 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
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 |
CN117708615A (zh) * | 2024-02-04 | 2024-03-15 | 芯联集成电路制造股份有限公司 | 产品的检测方法及加工设备的监控方法 |
CN117708615B (zh) * | 2024-02-04 | 2024-05-17 | 芯联集成电路制造股份有限公司 | 产品的检测方法及加工设备的监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115018827B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN111145175B (zh) | 一种基于iForest模型验证的SMT焊点缺陷检测方法 | |
CN115272316B (zh) | 基于计算机视觉的电池盖焊接质量智能检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
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 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及*** | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及*** | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Automatic Inspection of Weld Quality in Building Materials Effective date of registration: 20230626 Granted publication date: 20221104 Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch Pledgor: Shandong Yichang Prefabricated Building Technology Co.,Ltd. Registration number: Y2023980045342 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |