CN115719332A - 一种焊接质量检测方法 - Google Patents
一种焊接质量检测方法 Download PDFInfo
- Publication number
- CN115719332A CN115719332A CN202211270649.6A CN202211270649A CN115719332A CN 115719332 A CN115719332 A CN 115719332A CN 202211270649 A CN202211270649 A CN 202211270649A CN 115719332 A CN115719332 A CN 115719332A
- Authority
- CN
- China
- Prior art keywords
- gray
- defect
- region
- cell
- area
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 169
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000035515 penetration Effects 0.000 claims abstract description 19
- 230000001413 cellular effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 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
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种焊接质量检测方法,包括:获取焊接区域灰度图像中缺陷区域灰度值范围;根据灰度直方图中最高峰对应灰度级的均值与缺陷区域灰度值范围得到区域生长算法的阈值区间,获取焊接区域灰度图像中灰度值最小的像素点,将焊接区域灰度图像中灰度值最小的像素点作为种子点;根据种子点和阈值区间进行区域生长得到细胞区域,根据细胞区域间的连续性识别缺陷区域的缺陷类型是否为未熔合缺陷;根据细胞区域内像素点灰度值的关联性识别缺陷区域的缺陷类型是否为未焊透缺陷。本发明提高了识别焊接区域缺陷类型的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种焊接质量检测方法。
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未熔合缺陷和未焊透缺陷,焊缝未熔合缺陷和未焊透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,对焊接工件的缺陷检测尤为重要。
目前对于焊接工件的缺陷检测往往使用X射线检测技术,X射线检测技术借助计算机技术实现X射线焊缝图片中缺陷区域连通域的自动分析和检测,通过分析和检测得到缺陷区域连通域的轮廓,根据缺陷区域连通域的轮廓识别缺陷区域类型;但是该方法是利用缺陷区域连通域的轮廓分析缺陷区域的类型,由于焊缝缺陷类型中部分类型的连通域相似,如气孔缺陷和未熔合缺陷连通域相似、未焊透缺陷和未熔合缺陷连通域相似,因此,只根据缺陷区域的轮廓判断焊缝未熔合缺陷和未焊透缺陷,判断依据单一,从而导致识别的缺陷类型不准确。
发明内容
本发明提供一种焊接质量检测方法,以解决现有的缺陷类型识别不准确的问题。
本发明的一种焊接质量检测方法,采用如下技术方案:
S1、获取焊接区域灰度图像及焊接区域灰度图像的灰度直方图,根据灰度直方图得到焊接区域灰度图像中缺陷区域灰度值范围;
S2、根据灰度直方图中最高峰对应灰度级的均值与缺陷区域灰度值范围得到区域生长算法的阈值区间,获取焊接区域灰度图像中灰度值最小的像素点,将焊接区域灰度图像中灰度值最小的像素点作为种子点;
S3、根据种子点和阈值区间进行区域生长得到细胞区域,若区域生长得到细胞区域中存在多个细胞区域,根据相邻细胞区域间的距离得到细胞区域间的连续性,根据细胞区域间的连续性判断缺陷区域的缺陷类型是否为未熔合缺陷;
S4、若区域生长得到细胞区域为单个细胞区域,获取细胞区域内每个像素点的梯度,根据每个细胞区域内每个像素点的梯度得到细胞区域内像素点灰度值的关联性,根据细胞区域内像素点灰度值的关联性判断缺陷区域的缺陷类型是否为未焊透缺陷。
进一步的,所述缺陷区域灰度值范围是按如下方法确定的:
获取灰度直方图中最高峰左拐点对应灰度级,获取灰度直方图中最小灰度级;
将灰度直方图中最小灰度级作为缺陷区域灰度值范围的左端点,将灰度直方图中最高峰左拐点对应灰度级作为缺陷区域灰度值范围的右端点,根据左端点和右端点得到缺陷区域灰度值范围。
进一步的,所述最高峰对应灰度级的均值是按如下方法确定的:
若灰度图像中最高峰所对应灰度级只有一个,则该灰度级为最高峰对应灰度级的均值;
若最高峰对应灰度级有多个,则求平均灰度级,将平均灰度级作为最高峰对应灰度级的均值。
进一步的,所述区域生长算法的阈值区间是按如下方法确定的:
获取灰度直方图最高峰所对应灰度级与灰度直方图中最小灰度级;
根据取灰度直方图最高峰所对应灰度级与灰度直方图中最小灰度级得到区域生长算法的阈值区间。
进一步的,所述细胞区域是按如下方法确定的:
获取每个种子点的8邻域内满足阈值区间的像素点,将满足阈值区间的像素点与对应种子点连通,同理对满足阈值区间的像素点继续搜索其8邻域直到将所有满足阈值条件的像素点连通得到多个细胞区域。
进一步的,所述细胞区域间的连续性是按如下方法确定的:
获取相邻细胞区域间的最短距离;
利用每两个相邻细胞区域间的最短距离的距离差得到细胞区域间的连续性。
进一步的,所述细胞区域内像素点灰度值的关联性是按如下方法确定的:
根据细胞区域内每个像素点的梯度得到细胞区域内每个像素点的梯度方向;
沿细胞区域内每个像素点的梯度方向做延长线直到细胞区域内每个像素点的梯度方向的延长线与细胞区域边缘相交,计算每条延长线上相邻像素点的灰度差;
根据每条延长线上相邻像素点的灰度差得到细胞区域内每个像素点的梯度方向延长线上相邻像素点的灰度差的关联性;
根据细胞区域内每个像素点的梯度方向延长线相邻像素点灰度差的关联性得到细胞区域内像素点灰度值的关联性。
进一步的,所述细胞区域内像素点灰度值的关联性是按如下方法确定的:
将细胞区域内像素点梯度方向延长线上像素点灰度值的关联性作为目标像素点的关联性;
统计所有目标像素点的关联性中大于0的像素点个数;
获取所有目标像素点的关联性中大于0的像素点数量与目标像素点总个数的比值,将该比值作为细胞区域内像素点灰度值的关联性。
进一步的,所述未熔合缺陷是按如下方法确定的:
进一步的,所述未焊透缺陷是按如下方法确定的:
设置关联性阈值0.8,当细胞区域内像素点灰度值的关联性大于等于0.8时,焊缝区域缺陷类型是未焊透缺陷,当细胞区域内像素点灰度值的关联性小于0.8时,焊缝区域缺陷类型非未焊透缺陷。
本发明的有益效果是:本发明首先根据焊缝区域灰度图像的灰度直方图得到了正常区域灰度区间、缺陷区域的灰度区间及同时存在缺陷区域和正常区域的灰度区间,根据同时存在缺陷区域和正常区域的灰度区间、缺陷区域的灰度值范围得到区域生长算法的阈值区间,使所获得的阈值区间更加准确,利用阈值区间进行区域生长,使得到的细胞区域更加准确,进而,根据细胞区域的个数判断出的缺陷类型更加准确;
本发明在利用细胞区域判断缺陷区域缺陷类型后,再次利用细胞区域间的连续性和细胞区域内像素点灰度值的关联性判断缺陷区域缺陷类型,细胞区域间的连续性结合了未熔合缺陷对应的细胞区域的分布特征,细胞区域内像素点灰度值的关联性结合了未焊透缺陷对应的细胞区域内像素点灰度值的分布特征,利用细胞区域间的连续性和细胞区域内像素点灰度值的关联性分别对未熔合缺陷和未焊透缺陷进行二了次判断,使得最终得到的缺陷类型更加准确。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种焊接质量检测方法的实施例的流程图;
图2为本发明的一种焊接质量检测方法的实施例所述灰度直方图;
图3为本发明的一种焊接质量检测方法的实施例所述的未熔合缺陷;
图4为本发明的一种焊接质量检测方法的实施例所述的未焊透缺陷。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种焊接质量检测方法的实施例,如图1所示,包括:
S1、获取焊接区域灰度图像及焊接区域灰度图像的灰度直方图,根据灰度直方图得到焊接区域灰度图像中缺陷区域灰度值范围;
获取焊接区域灰度图像及焊接区域灰度图像的灰度直方图的具体步骤为:使用专业采集相机,采用数字射线透照采集技术,调整合适参数对存在缺陷的焊缝进行采集,采集得到原始存在缺陷的焊接区域图像。采集过程中由于噪声等干扰造成图像失真,使用高斯滤波降噪处理技术对原始存在缺陷的焊接区域图像进行降噪复原得到去噪后存在缺陷的焊接区域图像,去噪后存在缺陷的焊接区域图像包括了重要的目标缺陷区域和非重要的背景区域,使用DNN网络语义分割技术提取焊接区域。其中,该焊接区域的缺陷类型为未熔合缺陷或未焊透缺陷。
其中,DNN网络语义分割技术使用的数据集为本发明所述采集过程中得到的焊接图像数据集。需要分割的像素有两类,即训练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的标注为0,属于焊接类的标注为1。网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
对焊接区域图像进行灰度化处理得到焊接灰度图像,根据焊接灰度图像得到焊接灰度图像的灰度直方图,如图2所示。
需要说明的是,由于焊接灰度图像中存在缺陷,因此,灰度直方图中必然存在最高峰和低峰,且低峰对应缺陷区域,因此最高峰必然存在左右拐点,且最高峰的灰度级大于低峰。
得到焊接区域灰度图像中缺陷区域灰度值范围的具体步骤为:如图2所示,获取灰度直方图中最高峰左拐点对应灰度级,获取灰度直方图中最小灰度级,将灰度直方图中最小灰度级作为缺陷区域灰度值范围的左端点,将灰度直方图中最高峰左拐点对应灰度级作为缺陷区域灰度值范围的右端点,根据左端点和右端点得到缺陷区域灰度值范围。
S2、根据灰度直方图中最高峰对应灰度级的均值与缺陷区域灰度值范围得到区域生长算法的阈值区间,获取焊接区域灰度图像中灰度值最小的像素点,将焊接区域灰度图像中灰度值最小的像素点作为种子点。
得到区域生长算法的阈值区间的具体步骤为:由于焊接区域灰度图像中的缺陷区域可能是连续的也可能的非连续的,因此采用区域生长算法对焊接灰度图像进行分割。由于焊接灰度图像中绝大部分为熔合正常的像素点,少数为未熔合或未焊透造成的缺陷像素点。因此对于灰度直方图来说,最高峰为正常区域的像素点,其余小峰为缺陷区域的像素点。故我们选取最高峰,计算最高峰区域的像素均值,若灰度图像中最高峰所对应灰度级只有一个则该灰度级为均值,若最高峰对应灰度级有多个,则求平均灰度级。将作为焊接灰度图像的灰度直方图中正常区域灰度级的标准。
焊接区域灰度图像中正常区域灰度级大于缺陷区域灰度级,因此,以灰度直方图中最高峰所对应的灰度级为临界灰度级,最高峰到其右侧拐点区间对应焊接区域灰度图像中正常区域,最高峰到其左侧拐点区间中存在焊接区域灰度图像中缺陷区域,同时,也存在正常区域。
灰度级范围内的像素点为焊接区域灰度图像中正常区域像素点,其中当最高峰只对应一个灰度级时,则该灰度级为,当最高峰对应偶数个灰度级时,选取左边第一个最高峰所对应的灰度级作为,当最高峰对应奇数个灰度级时,选取中间最高峰对应的灰度级作为。
获取区域生长算法的最大阈值的具体表达式如下:
为确保区域生长时,能够将所有缺陷区域像素点都进行连通,因此选取焊接区域灰度图像中灰度值最小的像素点,将焊接区域灰度图像中灰度值最小的像素点作为种子点,进行区域生长。
S3、根据种子点和阈值区间进行区域生长得到细胞区域,若区域生长得到细胞区域中存在多个细胞区域,根据相邻细胞区域间的距离得到细胞区域间的连续性,根据细胞区域间的连续性判断缺陷区域的缺陷类型是否为未熔合缺陷。
如图3所示,焊接区域灰度图像中未熔合缺陷区域的各个细胞区域是断断续续、粗细不均的区域,如图4所示,焊接区域灰度图像中未焊透区域为一条细长、连续的黑直线,但是两者轮廓较为相似,因此,获取焊接区域灰度图像中细胞区域的个数,若出现多个细胞区域,则该焊接区域缺陷类型为未熔合缺陷,若出现单个细胞区域,则该焊接区域缺陷类型为未焊透缺陷。至此,对缺陷类型进行了初始判断。
为了保证检测得到的缺陷类型准确,在出现多个细胞区域时,还需要对焊接区域缺陷类型是否为未熔合缺陷进行二次判断,因此,对相邻细胞区域间的距离分析获得细胞区域间的连续性,根据连续性可判断焊接区域缺陷类型。
由于未熔合缺陷细胞区域间的距离远远大于未焊透缺陷,未焊透缺陷区域近似为一条黑直线,不会出现多个细胞区域,因此根据相邻细胞区域间的最短距离分析细胞区域间的连续性,具体表达式如下:
式中:表示焊接区域灰度图像中细胞区域的连续性,表示焊接区域灰度图像中细胞区域的数量,表示第个细胞区域与第个细胞区域间的距离,表示第个细胞区域与第个细胞区域间的距离,,表示第个细胞区域,表示第个细胞区域,表示第个细胞区域,表示指数函数。
其中,首先将每两个相邻的细胞区域间的最短距离进行作差,再将所有每两个相邻的细胞区域间的最短距离的差值进行累加得到累加和,对累加和求平均得到相邻的细胞区域间的最短距离的均值,利用指数函数对最短距离的均值进行整合,即将最短距离的均值作为指数函数的指数,由于指数函数可表示同一类数据的连续性,表达式中,该公式的指数为同一类数据,都为最短距离,因此,最终所得结果表示焊接区域灰度图像中细胞区域间的连续性。
S4、若区域生长得到细胞区域为单个细胞区域,获取细胞区域内每个像素点的梯度,根据每个细胞区域内每个像素点的梯度得到细胞区域内像素点灰度值的关联性,根据细胞区域内像素点灰度值的关联性判断缺陷区域的缺陷类型是否为未焊透缺陷。
为了保证检测得到的缺陷类型准确,出现单个细胞区域,也需要对焊接区域缺陷类型是否为未焊透缺陷进行二次判断,因此,计算细胞区域内像素点灰度值变化的关联性,由于未焊透区域为一条细长、连续的黑直线,该区域灰度值单一,灰度值差异小,因此,根据胞区域内像素点灰度值变化的关联性判断缺陷区域的缺陷类型是否为未焊透缺陷,具体步骤为:获取细胞区域内每个像素点的梯度方向,沿细胞区域内每个像素点的梯度方向做延长线直到细胞区域内每个像素点的梯度方向的延长线与细胞区域边缘相交,计算每条延长线上相邻像素点的灰度差,根据每条延长线上相邻像素点的灰度差得到细胞区域内每条延长线上像素点灰度值变化,根据细胞区域内每个像素点延长线上相邻像素点灰度差得到细胞区域内每个像素点延长线上相邻像素点灰度差的关联性,具体表达式如下:
式中:表示第个像素点梯度方向延长线上相邻像素点的灰度差的关联性,表示第个像素点梯度方向上的像素点数量,表示第个像素点梯度方向延长线上第个像素点的灰度值, 表示第个像素点梯度方向延长线上第个像素点的灰度值,表示细胞区域内第个像素点,表示像素点梯度方向延长线上第个像素点,表示像素点梯度方向延长线上第个像素点。
其中,使用用来获取在梯度方向延长线上前一像素点与后一像素点的灰度差,由于未焊透缺陷区域生成的连通域为单个细胞区域,且细胞区域内的像素点的灰度值分布单一,像素点之间的灰度差几乎为0,因此计算每个像素点梯度方向延长线上前一像素点与后一像素点的灰度差,根据该灰度差可判断每个像素点梯度方向延长线上相邻像素点的灰度差的关联性,根据该关联性判断该细胞区域是否为焊透缺陷区域。
根据第个像素点梯度方向延长线上相邻像素点的灰度差的关联性的计算公式得到细胞区域内每个像素点梯度方向延长线上像素点灰度差的关联性,统计细胞区域内每个像素点梯度方向延长线上像素点灰度值的关联性,即统计关联性大于0的像素点数量,以关联性大于0的像素点数量作为分子,细胞区域内所有像素点数量作为分母,计算关联性大于0的像素点占细胞区域像素点总个数的比值,该比值表示细胞区域内像素点灰度值的关联性。
本发明的有益效果是:本发明首先根据焊缝区域灰度图像的灰度直方图得到了正常区域灰度区间、缺陷区域的灰度区间及同时存在缺陷区域和正常区域的灰度区间,根据同时存在缺陷区域和正常区域的灰度区间、缺陷区域的灰度值范围得到区域生长算法的阈值区间,使所获得的阈值区间更加准确,利用阈值区间进行区域生长,使得到的细胞区域更加准确,进而,根据细胞区域的个数判断出的缺陷类型更加准确;
本发明在利用细胞区域判断缺陷区域缺陷类型后,再次利用细胞区域间的连续性和细胞区域内像素点灰度值的关联性判断缺陷区域缺陷类型,细胞区域间的连续性结合了未熔合缺陷对应的细胞区域的分布特征,细胞区域内像素点灰度值的关联性结合了未焊透缺陷对应的细胞区域内像素点灰度值的分布特征,利用细胞区域间的连续性和细胞区域内像素点灰度值的关联性分别对未熔合缺陷和未焊透缺陷进行二了次判断,使得最终得到的缺陷类型更加准确。
以上所述仅为本发的较佳实施例而已,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 (10)
1.一种焊接质量检测方法,其特征在于,包括:
S1、获取焊接区域灰度图像及焊接区域灰度图像的灰度直方图,根据灰度直方图得到焊接区域灰度图像中缺陷区域灰度值范围;
S2、根据灰度直方图中最高峰对应灰度级的均值与缺陷区域灰度值范围得到区域生长算法的阈值区间,获取焊接区域灰度图像中灰度值最小的像素点,将焊接区域灰度图像中灰度值最小的像素点作为种子点;
S3、根据种子点和阈值区间进行区域生长得到细胞区域,若区域生长得到细胞区域中存在多个细胞区域,根据相邻细胞区域间的距离得到细胞区域间的连续性,根据细胞区域间的连续性判断缺陷区域的缺陷类型是否为未熔合缺陷;
S4、若区域生长得到细胞区域为单个细胞区域,获取细胞区域内每个像素点的梯度,根据每个细胞区域内每个像素点的梯度得到细胞区域内像素点灰度值的关联性,根据细胞区域内像素点灰度值的关联性判断缺陷区域的缺陷类型是否为未焊透缺陷。
2.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述缺陷区域灰度值范围是按如下方法确定的:
获取灰度直方图中最高峰左拐点对应灰度级,获取灰度直方图中最小灰度级;
将灰度直方图中最小灰度级作为缺陷区域灰度值范围的左端点,将灰度直方图中最高峰左拐点对应灰度级作为缺陷区域灰度值范围的右端点,根据左端点和右端点得到缺陷区域灰度值范围。
3.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述最高峰对应灰度级的均值是按如下方法确定的:
若灰度图像中最高峰所对应灰度级只有一个,则该灰度级为最高峰对应灰度级的均值;
若最高峰对应灰度级有多个,则求平均灰度级,将平均灰度级作为最高峰对应灰度级的均值。
4.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述区域生长算法的阈值区间是按如下方法确定的:
获取灰度直方图最高峰所对应灰度级与灰度直方图中最小灰度级;
根据取灰度直方图最高峰所对应灰度级与灰度直方图中最小灰度级得到区域生长算法的阈值区间。
5.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述细胞区域是按如下方法确定的:
获取每个种子点的8邻域内满足阈值区间的像素点,将满足阈值区间的像素点与对应种子点连通,同理对满足阈值区间的像素点继续搜索其8邻域直到将所有满足阈值条件的像素点连通得到多个细胞区域。
6.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述细胞区域间的连续性是按如下方法确定的:
获取相邻细胞区域间的最短距离;
利用每两个相邻细胞区域间的最短距离的距离差得到细胞区域间的连续性。
7.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述细胞区域内像素点灰度值的关联性是按如下方法确定的:
根据细胞区域内每个像素点的梯度得到细胞区域内每个像素点的梯度方向;
沿细胞区域内每个像素点的梯度方向做延长线直到细胞区域内每个像素点的梯度方向的延长线与细胞区域边缘相交,计算每条延长线上相邻像素点的灰度差;
根据每条延长线上相邻像素点的灰度差得到细胞区域内每个像素点的梯度方向延长线上相邻像素点的灰度差的关联性;
根据细胞区域内每个像素点的梯度方向延长线相邻像素点灰度差的关联性得到细胞区域内像素点灰度值的关联性。
8.根据权利要求7所述的一种焊接质量检测方法,其特征在于,所述细胞区域内像素点灰度值的关联性是按如下方法确定的:
将细胞区域内像素点梯度方向延长线上像素点灰度值的关联性作为目标像素点的关联性;
统计所有目标像素点的关联性中大于0的像素点个数;
获取所有目标像素点的关联性中大于0的像素点数量与目标像素点总个数的比值,将该比值作为细胞区域内像素点灰度值的关联性。
10.根据权利要求1所述的一种焊接质量检测方法,其特征在于,所述未焊透缺陷是按如下方法确定的:
设置关联性阈值0.8,当细胞区域内像素点灰度值的关联性大于等于0.8时,焊缝区域缺陷类型是未焊透缺陷,当细胞区域内像素点灰度值的关联性小于0.8时,焊缝区域缺陷类型非未焊透缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270649.6A CN115719332A (zh) | 2022-10-18 | 2022-10-18 | 一种焊接质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270649.6A CN115719332A (zh) | 2022-10-18 | 2022-10-18 | 一种焊接质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115719332A true CN115719332A (zh) | 2023-02-28 |
Family
ID=85254196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211270649.6A Pending CN115719332A (zh) | 2022-10-18 | 2022-10-18 | 一种焊接质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719332A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228765A (zh) * | 2023-05-08 | 2023-06-06 | 济宁市健达医疗器械科技有限公司 | 一种口罩耳带焊接质量的检测方法 |
CN116385476A (zh) * | 2023-06-05 | 2023-07-04 | 青岛星跃铁塔有限公司 | 基于视觉检测的铁塔质量分析方法 |
CN116935039A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市泽信智能装备有限公司 | 基于机器视觉的新能源电池焊接缺陷检测方法 |
CN117541605A (zh) * | 2024-01-09 | 2024-02-09 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN118015003A (zh) * | 2024-04-10 | 2024-05-10 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及*** |
-
2022
- 2022-10-18 CN CN202211270649.6A patent/CN115719332A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228765A (zh) * | 2023-05-08 | 2023-06-06 | 济宁市健达医疗器械科技有限公司 | 一种口罩耳带焊接质量的检测方法 |
CN116385476A (zh) * | 2023-06-05 | 2023-07-04 | 青岛星跃铁塔有限公司 | 基于视觉检测的铁塔质量分析方法 |
CN116385476B (zh) * | 2023-06-05 | 2023-08-18 | 青岛星跃铁塔有限公司 | 基于视觉检测的铁塔质量分析方法 |
CN116935039A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市泽信智能装备有限公司 | 基于机器视觉的新能源电池焊接缺陷检测方法 |
CN116935039B (zh) * | 2023-09-15 | 2023-12-29 | 深圳市泽信智能装备有限公司 | 基于机器视觉的新能源电池焊接缺陷检测方法 |
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117541605A (zh) * | 2024-01-09 | 2024-02-09 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
CN117541605B (zh) * | 2024-01-09 | 2024-03-29 | 山东华中重钢有限公司 | 一种钢结构锈蚀图像区域快速分割方法 |
CN118015003A (zh) * | 2024-04-10 | 2024-05-10 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及*** |
CN118015003B (zh) * | 2024-04-10 | 2024-06-21 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
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 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN115423813B (zh) | 焊管表面焊接缺陷检测方法 | |
CN109859177B (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN115272316B (zh) | 基于计算机视觉的电池盖焊接质量智能检测方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
CN112465746B (zh) | 一种射线底片中小缺陷检测方法 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN110097547B (zh) | 一种基于深度学习的焊缝底片造假的自动检测方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN101995412B (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
Islam et al. | Capsule image segmentation in pharmaceutical applications using edge-based techniques | |
Aoki et al. | Application of artificial neural network to discrimination of defect type in automatic radiographic testing of welds | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** |
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 |