CN115018827B - 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 PDF

Info

Publication number
CN115018827B
CN115018827B CN202210923913.5A CN202210923913A CN115018827B CN 115018827 B CN115018827 B CN 115018827B CN 202210923913 A CN202210923913 A CN 202210923913A CN 115018827 B CN115018827 B CN 115018827B
Authority
CN
China
Prior art keywords
defect
undercut
row
undercut defect
degree
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
Application number
CN202210923913.5A
Other languages
English (en)
Other versions
CN115018827A (zh
Inventor
戴友军
胡广华
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.)
Shandong Yichang Prefabricated Building Technology Co ltd
Original Assignee
Shandong Yichang Prefabricated Building Technology 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 Shandong Yichang Prefabricated Building Technology Co ltd filed Critical Shandong Yichang Prefabricated Building Technology Co ltd
Priority to CN202210923913.5A priority Critical patent/CN115018827B/zh
Publication of CN115018827A publication Critical patent/CN115018827A/zh
Application granted granted Critical
Publication of CN115018827B publication Critical patent/CN115018827B/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
    • 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

一种建材焊缝质量自动检测方法
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：
Figure 523876DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
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，
Figure 565651DEST_PATH_IMAGE004
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，
Figure 100002_DEST_PATH_IMAGE005
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：
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 33803DEST_PATH_IMAGE008
为第一矩形上第k行的缺陷程度，
Figure 100002_DEST_PATH_IMAGE009
为第一矩形上第k行内第j个像素点的V通道值，
Figure 52181DEST_PATH_IMAGE010
表示标准平滑曲线上横坐标为j时所对应的纵坐标值，
Figure 100002_DEST_PATH_IMAGE011
与
Figure 991188DEST_PATH_IMAGE012
分别为第一矩形在坐标系中的横坐标最小值以及横坐标最大值；
然后计算焊缝区域的缺陷程度：
Figure 875967DEST_PATH_IMAGE014
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：
Figure 706782DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE017
为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度，
Figure 295895DEST_PATH_IMAGE018
为左右两侧延伸区域中第z个咬边缺陷行内的最大V通道值，
Figure 100002_DEST_PATH_IMAGE019
为左右两侧延伸区域中第z个咬边缺陷行内最小V通道值。
进一步的，所述咬边缺陷行的缺陷程度为：
Figure 100002_DEST_PATH_IMAGE021
其中，
Figure 673697DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度，
Figure 729378DEST_PATH_IMAGE017
为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度，
Figure 546024DEST_PATH_IMAGE003
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。
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：
Figure 581239DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE025
为焊缝与母材之间的连接区域内的咬边缺陷程度，
Figure 901361DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度，
Figure 393523DEST_PATH_IMAGE026
为左右两侧延伸区域中第z个咬边缺陷行的缺陷权重。
进一步的，所述焊缝的损伤程度为：
Figure 697465DEST_PATH_IMAGE028
其中，
Figure 100002_DEST_PATH_IMAGE029
为焊缝的损伤程度，
Figure 595757DEST_PATH_IMAGE030
为焊缝区域内的缺陷程度的权重，
Figure 100002_DEST_PATH_IMAGE031
为焊缝与母材之间的连接区域内的缺陷程度的权重。
进一步的，所述标准平滑曲线的获取过程为：
从左至右依次计算第一矩形每列上像素点的V通道值的均值，获得第一矩形每列的V通道均值的集合
Figure 363862DEST_PATH_IMAGE032
，其中N为第一矩形的横向长度，然后对集合
Figure 262810DEST_PATH_IMAGE032
进行高斯拟合，获得焊缝区域在横向上的标准平滑曲线。
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
Figure 54049DEST_PATH_IMAGE032
，其中N为焊缝区域所对应的最小外接矩形的横向长度。
然后对集合
Figure 195180DEST_PATH_IMAGE032
进行高斯拟合，获得如图5所示的，焊缝区域在横向上的标准平滑曲线
Figure DEST_PATH_IMAGE033
，其中i为横轴，
Figure 50747DEST_PATH_IMAGE034
，单位为单个像素点，
Figure 884711DEST_PATH_IMAGE033
为纵轴，表示拟合出的焊缝区域每列像素点的V通道均值。
确定焊缝区域所对应的最小外接矩形在坐标系中的横坐标最小值
Figure 897667DEST_PATH_IMAGE011
以及横坐标最大值
Figure 842489DEST_PATH_IMAGE012
，然后计算焊缝区域所对应的最小外接矩形上第k行的缺陷程度：
Figure 758754DEST_PATH_IMAGE007
其中，
Figure 29199DEST_PATH_IMAGE008
为焊缝区域所对应的最小外接矩形上第k行的缺陷程度，
Figure 529450DEST_PATH_IMAGE009
为焊缝区域所对应的最小外接矩形上第k行内第j个像素点的V通道值，
Figure 12384DEST_PATH_IMAGE010
表示标准平滑曲线上横坐标为j时所对应的纵坐标值，j的取值范围为
Figure DEST_PATH_IMAGE035
,
Figure 436019DEST_PATH_IMAGE036
。
然后计算焊缝区域的缺陷程度：
Figure 877365DEST_PATH_IMAGE014
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
Figure DEST_PATH_IMAGE037
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
Figure 631956DEST_PATH_IMAGE037
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
Figure 184160DEST_PATH_IMAGE038
行中各个像素点的V通道值并计算所有V通道值的方差
Figure DEST_PATH_IMAGE039
，同理统计右侧延伸区域的第
Figure 196722DEST_PATH_IMAGE040
行中各个像素点的V通道值并计算所有V通道值的方差
Figure DEST_PATH_IMAGE041
，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
Figure 871286DEST_PATH_IMAGE042
，若
Figure DEST_PATH_IMAGE043
，则左侧延伸区域中第
Figure 113174DEST_PATH_IMAGE038
行包含咬边缺陷像素点，为咬边缺陷行，若
Figure 203490DEST_PATH_IMAGE044
，则右侧延伸区域中第
Figure 447389DEST_PATH_IMAGE040
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
Figure 197914DEST_PATH_IMAGE042
，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
Figure DEST_PATH_IMAGE045
，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
Figure 222371DEST_PATH_IMAGE046
。纵向长度值
Figure 116377DEST_PATH_IMAGE045
以及
Figure 981827DEST_PATH_IMAGE046
，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
Figure 404719DEST_PATH_IMAGE045
与左侧延伸区域的纵向总长度M的比值
Figure DEST_PATH_IMAGE047
，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
Figure 8482DEST_PATH_IMAGE046
与右侧延伸区域的纵向总长度M的比值
Figure 440600DEST_PATH_IMAGE048
，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
Figure 596775DEST_PATH_IMAGE026
。
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：
Figure 456147DEST_PATH_IMAGE016
其中，
Figure 894343DEST_PATH_IMAGE017
为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度，
Figure 130153DEST_PATH_IMAGE018
为左右两侧延伸区域中第z个咬边缺陷行内的最大V通道值，
Figure 203151DEST_PATH_IMAGE019
为左右两侧延伸区域中第z个咬边缺陷行内最小V通道值。
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
Figure DEST_PATH_IMAGE049
，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
Figure 122172DEST_PATH_IMAGE049
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：
Figure 546200DEST_PATH_IMAGE050
其中，
Figure 523383DEST_PATH_IMAGE003
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，
Figure 217932DEST_PATH_IMAGE004
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，
Figure 747002DEST_PATH_IMAGE005
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，
Figure DEST_PATH_IMAGE051
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，
Figure 258379DEST_PATH_IMAGE052
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。
根据计算所得左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度
Figure 835990DEST_PATH_IMAGE017
、咬边缺陷长度D以及咬边缺陷峰度
Figure DEST_PATH_IMAGE053
，可计算第z个咬边缺陷行的缺陷程度为：
Figure 775259DEST_PATH_IMAGE054
其中，
Figure 616176DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度。
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：
Figure 749217DEST_PATH_IMAGE024
其中，
Figure 130520DEST_PATH_IMAGE025
为焊缝与母材之间的连接区域内的咬边缺陷程度，
Figure 859048DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度，
Figure 402025DEST_PATH_IMAGE026
为左右两侧延伸区域中第z个咬边缺陷行的缺陷权重。
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：
Figure 756783DEST_PATH_IMAGE028
其中，
Figure 177662DEST_PATH_IMAGE029
为焊缝的损伤程度，
Figure 199845DEST_PATH_IMAGE030
为焊缝区域内的缺陷程度的权重，
Figure 913723DEST_PATH_IMAGE031
为焊缝与母材之间的连接区域内的缺陷程度的权重。本实施例优选
Figure DEST_PATH_IMAGE055
，在其它实施例中可根据需要设置
Figure 785470DEST_PATH_IMAGE030
与
Figure 367630DEST_PATH_IMAGE031
的取值。
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
Figure 745784DEST_PATH_IMAGE056
、二级焊接质量参数
Figure DEST_PATH_IMAGE057
和三级焊接质量参数
Figure 755197DEST_PATH_IMAGE058
。
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：
当
Figure DEST_PATH_IMAGE059
时，判断该建材焊缝质量为一级；
当
Figure 910979DEST_PATH_IMAGE060
时，判断该建材焊缝质量为二级；
当
Figure DEST_PATH_IMAGE061
时，判断该建材焊缝质量为三级；
当
Figure 63874DEST_PATH_IMAGE062
时，判断该建材焊缝质量为不合格。
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 (8)

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；
所述咬边缺陷行的咬边缺陷峰度为：
Figure 891990DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
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，
Figure 166983DEST_PATH_IMAGE004
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，
Figure DEST_PATH_IMAGE005
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。
2.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：
Figure DEST_PATH_IMAGE007
其中，
Figure 39210DEST_PATH_IMAGE008
为第一矩形上第k行的缺陷程度，
Figure DEST_PATH_IMAGE009
为第一矩形上第k行内第j个像素点的V通道值，
Figure 175793DEST_PATH_IMAGE010
表示标准平滑曲线上横坐标为j时所对应的纵坐标值，
Figure DEST_PATH_IMAGE011
与
Figure 31623DEST_PATH_IMAGE012
分别为第一矩形在坐标系中的横坐标最小值以及横坐标最大值；
然后计算焊缝区域的缺陷程度：
Figure 556145DEST_PATH_IMAGE014
其中，P为焊缝区域的缺陷程度，M为第一矩形的纵向长度。
3.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，所述咬边缺陷行的咬边缺陷深度为：
Figure 716999DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度，
Figure 906541DEST_PATH_IMAGE018
为左右两侧延伸区域中第z个咬边缺陷行内的最大V通道值，
Figure DEST_PATH_IMAGE019
为左右两侧延伸区域中第z个咬边缺陷行内最小V通道值。
4.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，所述咬边缺陷行的缺陷程度为：
Figure DEST_PATH_IMAGE021
其中，
Figure 898767DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度，
Figure 984404DEST_PATH_IMAGE017
为左右两侧延伸区域中第z个咬边缺陷行的咬边缺陷深度，
Figure 757188DEST_PATH_IMAGE003
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，D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。
5.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，所述焊缝与母材之间的连接区域内的咬边缺陷程度为：
Figure 438836DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为焊缝与母材之间的连接区域内的咬边缺陷程度，
Figure 269258DEST_PATH_IMAGE022
为左右两侧延伸区域中第z个咬边缺陷行的缺陷程度，
Figure 276528DEST_PATH_IMAGE026
为左右两侧延伸区域中第z个咬边缺陷行的缺陷权重。
6.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，所述焊缝的损伤程度为：
Figure 536608DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为焊缝的损伤程度，
Figure 802373DEST_PATH_IMAGE030
为焊缝区域内的缺陷程度的权重，
Figure DEST_PATH_IMAGE031
为焊缝与母材之间的连接区域内的缺陷程度的权重，P为焊缝区域的缺陷程度，E为焊缝与母材之间的连接区域内的咬边缺陷程度。
7.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，所述标准平滑曲线的获取过程为：
从左至右依次计算第一矩形每列上像素点的V通道值的均值，获得第一矩形每列的V通道均值的集合
Figure 238034DEST_PATH_IMAGE032
，其中N为第一矩形的横向长度，然后对集合
Figure 665473DEST_PATH_IMAGE032
进行高斯拟合，获得焊缝区域在横向上的标准平滑曲线。
8.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。
CN202210923913.5A 2022-08-03 2022-08-03 一种建材焊缝质量自动检测方法 Active CN115018827B (zh)

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 CN115018827A (zh) 2022-09-06
CN115018827B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
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
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
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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
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
CN103134809B (zh) * 2013-03-14 2015-04-29 苏州华源包装股份有限公司 焊缝缺陷检测方法
CN104865277B (zh) * 2015-05-11 2017-05-17 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
CN111462110B (zh) * 2020-04-20 2021-04-13 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
CN112950633B (zh) * 2021-04-19 2023-06-23 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
CN113409313B (zh) * 2021-08-18 2021-11-09 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
CN113732558B (zh) * 2021-09-06 2022-11-11 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
CN113989280B (zh) * 2021-12-28 2022-03-22 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

Also Published As

Publication number Publication date
CN115018827A (zh) 2022-09-06

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
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
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
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
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
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
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN115082467A (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN111103291A (zh) 基于产品焊缝特征的图像识别与质量智能评价***
CN114219794B (zh) 基于机器视觉的刨花板表面质量评估方法及***
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***
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***
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
CN113822889A (zh) 一种热轧钢板表面缺陷检测方法
CN115601355A (zh) 一种产品表面缺陷检测与分类方法、装置及存储介质
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
CN114897855A (zh) 基于x射线图片灰度值分布判定缺陷类型的方法
CN114429445A (zh) 一种基于MAIRNet的PCB缺陷检测与识别方法

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
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