CN117237364B - 基于图像特征的焊管质量检测方法 - Google Patents
基于图像特征的焊管质量检测方法 Download PDFInfo
- Publication number
- CN117237364B CN117237364B CN202311523319.8A CN202311523319A CN117237364B CN 117237364 B CN117237364 B CN 117237364B CN 202311523319 A CN202311523319 A CN 202311523319A CN 117237364 B CN117237364 B CN 117237364B
- Authority
- CN
- China
- Prior art keywords
- welding
- welding wave
- pixel point
- wave
- arc
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003466 welding Methods 0.000 claims abstract description 270
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 44
- 239000000203 mixture Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 229910000679 solder Inorganic materials 0.000 description 21
- 229910000831 Steel Inorganic materials 0.000 description 20
- 239000010959 steel Substances 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
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
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于图像特征的焊管质量检测方法,包括:获取焊管灰度图像;根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果;根据获取焊管灰度图上相邻焊波圆弧的位置信息获取焊波增强因子;根据每个像素点的焊波增强因子获取每个像素点的增强灰度值;根据像素点及其八邻域内像素点的增强灰度值获取像素点与其八邻域内像素点之间的生长匹配度;采用区域生长算法基于生长匹配度得到焊管灰度图像的区域分割结果;利用图像匹配算法基于焊管灰度图像的区域分割结果得到焊管质量检测结果。本发明通过分析焊波特征改进区域生长算法,提高了焊管灰度图像区域分割的精度以及质量检测结果的准确率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像特征的焊管质量检测方法。
背景技术
钢管焊接是管道建筑工程中常见的连接方式,钢管焊接质量的好坏直接影响结构的安全性和使用寿命,在钢管焊接过程中会受到多种因素的影响,包括室温、涂层的覆盖性、焊接填充材料的选择、焊接速度等。一旦焊接过程中出现咬边、气孔、焊瘤等缺陷,钢管的焊接质量将会明显降低,对钢管的使用造成较大的安全隐患。
钢管焊接质量的检测能够通过获取钢管焊接处的图像完成,也可以利用X射线测量仪器完成,然而管道任务的焊接空间并不一定能够满足测量要求,且X射线测量仪器的检测速度较慢,难以适用在大面积检测;基于图像处理的钢筋焊接检测方法包括图像分割、图像增强等,其中区域生长法是一种常用的图像分割方法,区域生长算法对图像的形状和大小的敏感度较低,能够分割出不同形状的区域,但是区域生长算法的分割效果比较依赖于种子点的选择以及生长规则的设置。
发明内容
本发明提供基于图像特征的焊管质量检测方法,以解决区域生长算法中生长规则预先设置对焊管质量检测精度影响较大的问题,所采用的技术方案具体如下:
本发明一个实施例基于图像特征的焊管质量检测方法,该方法包括以下步骤:
获取焊管灰度图;
根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果;根据焊管灰度图上焊波圆弧的位置信息获取每个像素点的焊波增强因子;
根据每个像素点的焊波增强因子获取每个像素点的增强灰度值;根据每个像素点及其八邻域内像素点的增强灰度值获取每个像素点与其八邻域内像素点之间的生长匹配度;
采用区域生长算法基于所述生长匹配度得到焊管灰度图的区域分割结果;基于深度学习检测模型基于焊管灰度图的区域分割结果得到焊管质量检测结果。
优选的,所述根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果的方法为:
利用霍夫圆检测算法得到焊管灰度图上所有圆弧的检测结果,获取所有圆弧中任意一个圆弧确定的圆形的半径;
获取所有圆弧中任意一个圆弧确定的圆形的半径与预设阈值之间的相对半径误差;将所述相对半径误差小于等于预设比例的圆弧作为焊管灰度图上的焊波圆弧,将所述相对半径误差大于预设比例的圆弧作为焊管灰度图上的非焊波圆弧。
优选的,所述获取所有圆弧中任意一个圆弧确定的圆形的半径与预设阈值之间的相对半径误差的方法为:
获取每个圆弧确定的圆形的半径与预设阈值之间的差值绝对值,将所述差值绝对值与预设阈值的比值作为每个圆弧的相对半径误差。
优选的,所述根据焊管灰度图上焊波圆弧的位置信息获取每个像素点的焊波增强因子的方法为:
根据焊管灰度图上焊波圆弧的位置信息确定属于同一焊波区域的焊波圆弧;
根据属于同一焊波区域的焊波圆弧上短断裂侧的像素点获取每个隐式焊波像素点的焊波增强因子;
将焊管灰度图上每个非隐式焊波像素点的焊波增强因子设置为预设参数。
优选的,所述根据焊管灰度图上焊波圆弧的位置信息确定属于同一焊波区域的焊波圆弧的方法为:
获取每个焊波圆弧确定的圆形,将任意两个所述确定的圆形圆心之间的欧式距离小于阈值的圆形对应的焊波圆弧作为属于同一焊波的焊波圆弧;
将以任意属于同一焊波的两个焊波圆弧端点之间连线的最小值为长边长,以预设参数为宽边长所确定的矩形区域作为焊波区域;
将任意属于同一焊波的两个焊波圆弧确定的圆形在所述焊波区域内的弧线分别作为第一焊波圆弧、第二焊波圆弧。
优选的,所述根据属于同一焊波区域的焊波圆弧上短断裂侧的像素点获取每个隐式焊波像素点的焊波增强因子的方法为:
分别将第一焊波圆弧、第二焊波圆弧短断裂侧上所有像素点按照纵坐标升序顺序的排列结果作为第一焊波圆弧的隐式弧度序列、第二焊波圆弧的隐式弧度序列,将第一焊波圆弧的隐式弧度序列、第二焊波圆弧的隐式弧度序列中相同次序元素连线上的中心点作为隐式焊波像素点;
根据每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间图像信息获取每个隐式焊波像素点的显化系数;
将每个隐式焊波像素点的显化系数与每个隐式焊波像素点灰度值的比值作为每个隐式焊波像素点的焊波增强因子。
优选的,所述根据每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间图像信息获取每个隐式焊波像素点的显化系数的方法为:
分别将每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间的最短欧式距离作为第一距离、第二距离,将第一距离与第二距离的和作为域间距离;
分别将第二距离、第一距离与域间距离的比值作为第一比例因子、第二比例因子;
将第一比例因子与第一焊波圆弧上所有像素点灰度值均值的乘积作为第一组成因子;将第二比例因子与第二焊波圆弧上所有像素点灰度值均值的乘积作为第二组成因子;
每个隐式焊波像素点的显化系数由第一组成因子、第二组成因子两部分组成,其中,所述显化系数与第一组成因子、第二组成因子成正相关关系。
优选的,所述根据每个像素点的焊波增强因子获取每个像素点的增强灰度值的方法为:
将每个像素点的灰度值与焊管灰度图中最大灰度级的比值作为每个像素点的归一化灰度值;
将以每个像素点的归一化灰度值为底数,以每个像素点的焊波增强因子为指数的计算结果作为每个像素点的增强灰度值。
优选的,所述根据每个像素点及其八邻域内像素点的增强灰度值获取每个像素点与其八邻域内像素点之间的生长匹配度的方法为:
将每个像素点作为目标像素点,将每个目标像素的增强灰度值与每个目标像素点八邻域内任意一个像素点的增强灰度值之间的比值作为局部差异因子;
将以自然常数为底数,以预设参数与局部差异因子的差值为指数的计算结果与预设参数的和作为局部生长度量;
将局部生长度量的倒数与第一预设参数的差值绝对值作为第一度量值,将第一度量值与第二预设参数的乘积作为第一计算因子,将第一计算因子与预设参数的和作为每个像素点与其八邻域内像素点之间的生长匹配度。
优选的,所述利用图像匹配算法基于焊管灰度图的区域分割结果得到焊管质量检测结果的方法为:
将焊管灰度图的区域分割结果记为待检测分割图像;分别将焊接质量合格的焊管灰度图、焊接质量不合格的焊管灰度图作为匹配模板,采用图像匹配算法基于所述匹配模板获取待检测分割图像的匹配度;
根据所述匹配度得到合格系数、不合格系数,根据合格系数与不合格系数的对比结果得到焊接质量检测结果。
本发明的有益效果是:本发明通过焊管灰度图中焊波的弧度特征识别焊波区域,并据此识别焊波特征不明显的隐式焊波像素点,构建焊波增强因子对焊管灰度图上每个隐式焊波像素点进行独立性增强,其次基于焊波增强因子得到焊管灰度图上每个像素点的增强灰度值;并基于增强灰度值构建生长匹配度,基于生长匹配度完成对区域生长算法的改进,使得本发明中利用区域生长算法进行区域分割时,能够更准确的识别出焊波像素点,得到相对较完整的焊波区域,实现对焊管灰度图的精准分割,有利于后续图像匹配得到更为准确的匹配度,提高钢管焊接处焊接质量检测结果的可信度。
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,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为本发明一个实施例所提供的基于图像特征的焊管质量检测方法的流程示意图;
图2为本发明一个实施例所提供的属于同一焊波区域焊波圆弧的位置示意图;
图3为本发明一个实施例所提供的隐式焊波像素点的位置分布示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的基于图像特征的焊管质量检测方法流程图,该方法包括以下步骤:
步骤S001,采集钢管焊接处的表面图像,基于所获表面图像得到焊管灰度图。
钢管拼接是管道建筑项目中常见现象之一,将多个钢管焊接成施工过程中所需的钢管。本发明中,通过CCD相机采集钢管焊接处的RGB图像,并将所获RGB图像转换为灰度图像,灰度转换为公知技术,具体过程不再赘述。由于在图像采集过程中,存在环境噪声等因素干扰,导致灰度图像中存在部分噪声,需要对灰度图像进行去噪处理,常用的去噪技术有中值滤波、均值滤波、双边滤波等,为更好的保留图像中的边缘细节信息,本发明使用双边滤波去噪技术对灰度图像进行去噪,将去噪后得到的图像记为焊管灰度图,双边滤波去噪技术为公知技术,具体过程不再赘述。
至此,得到钢管焊接处的焊管灰度图,用于后续获取每个像素点的焊波增强因子。
步骤S002,根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果,根据焊管灰度图上焊波圆弧的位置信息获取每个像素点的焊波增强因子。
本发明旨在通过分析焊管灰度图中不同像素点与其近邻像素点之间的契合程度设置区域生长算法中的生长规则,实现对焊管灰度图的精准分割,进而利用深度学习检测模型得到钢管焊接处焊接质量的检测结果。
钢管焊接过程为了焊平缝隙,通常会均匀摆动一定幅度进行画圆或者画波浪线,使得焊条有规律的摆动在形成相对规则的焊波的同时,减少焊波的夹渣现象。基于上述特征,如果钢管焊接处的焊接质量较高,则焊管灰度图上存在大量明显规则的圆弧,相邻圆弧之间的分布较为均匀;反之如果钢管焊接处的焊接质量较差,出现焊瘤、气孔等焊接缺陷,则焊管灰度图上缺陷区域内的圆弧的规则性将会被破坏。
利用霍夫圆检测技术获取焊管灰度图上的圆弧检测结果,由于焊波在钢管焊接处呈圆弧状且焊波端点之间可能存在不连续的现象,因此所述圆弧检测结果同一个焊波可能断裂为两个不连续的小圆弧。其次,焊管灰度图上正常检测焊波之间的弧长较为接近,则由焊波确定的圆形大小也是较为接近的,因此由圆弧检测结果中各个圆弧确定一个对应的圆,如果某个圆弧确定的圆与绝大多数圆之间的大小存在明显差异,则此圆弧对应的区域有较大概率为非焊波区域,可能是焊接缺陷造成的近似圆形的区域,将第a个圆弧确定的圆记为,霍夫圆检测为公知技术,具体过程不再赘述。基于上述分析,构建相对半径误差w,用于表征每个圆弧确定的圆形大小与正常焊波圆弧确定圆形大小之间的差值,相对半径误差w的计算公式如下:
式中,是第a个圆弧确定的圆的半径,r是正常焊波确定圆的半径,r的大小取经验值30。
由于上述分析可知焊接过程中为了焊平裂缝,导致焊波的连续性较差,即每个焊波在焊管灰度图上呈现出一个不完整的圆形。因此当焊管灰度图上圆弧检测结果中相邻两个圆弧所确定的圆的圆心之间的空间距离较大时,则上述两个圆弧不属于同一个焊波;当所述相邻两个圆弧所确定的圆的圆心之间的空间距离小于正常焊接时焊波确定的圆的圆心之间的空间距离时,认为上述两个圆弧属于同一个圆,上述两个圆弧所在的焊波属于同一个焊波。其次将以任意属于同一焊波的两个焊波圆弧端点之间连线的最小值为长边长,以长边长的二分之一为宽边长所确定的矩形区域作为焊波区域,在所述焊波区域内,两个焊波圆弧所确定的圆在焊波区域内存在一定长度的弧线,分别将两个焊波圆弧确定的圆在焊波区域内的弧线作为第一焊波圆弧、第二焊波圆弧,同一焊波区域焊波圆弧的位置分布如图2所示。
进一步的,分别将第一焊波圆弧、第二焊波圆弧短断裂侧上所有像素点按照纵坐标升序顺序的排列结果作为第一焊波圆弧的隐式弧度序列、第二焊波圆弧的隐式弧度序列/>,将序列/>、/>中相同次序元素进行连线,将每条连线上的中心点作为隐式焊波像素点,隐式焊波像素点的位置分布如图3所示。举例而言,分别将序列/>、/>中第j个元素记为/>、/>,将/>与/>连线上中心点记为隐式焊波像素点/>。本发明对每个隐式焊波像素点进行增强处理,计算隐式焊波像素点/>的焊波增强因子/>:
式中,是隐式焊波像素点/>的显化系数,/>、/>分别是隐式焊波像素点/>到第一焊波圆弧、第二焊波圆弧上的最短欧式距离,/>、/>分别是第一焊波圆弧、第二焊波圆弧上的所有像素点的灰度值的均值;
是隐式焊波像素点/>的焊波增强因子,/>是隐式焊波像素点/>的灰度值。
其中,隐式焊波像素点到第一焊波圆弧、第二焊波圆弧之间的域间距离的值是固定的,因此隐式焊波像素点/>的位置越靠近第一焊波圆弧,则与第二焊波圆弧之间的距离越大,第二距离/>的值越大,第一比例因子/>的值越大,第一组成因子/>的值越大,/>的值越大;隐式焊波像素点/>的位置越靠近第二焊波圆弧,则与第一焊波圆弧之间的距离越大,第一距离/>的值越大,第二比例因子/>的值越大,第二组成因子/>的值越大,相应的,/>的值越大。
至此,得到每个隐式焊波像素点的焊波增强因子,用于后续生长匹配度的计算。
步骤S003,根据焊波增强因子获取增强灰度值,根据增强灰度值获取每个像素点与其八邻域内像素点之间的生长匹配度。
根据上述步骤,得到焊管灰度图上每个隐式焊波像素点的焊波增强因子。其次对于焊管灰度图上的每个非隐式焊波像素点,将所有非隐式焊波像素点的焊波增强因子置为1,至此每个像素点得到对应的焊波增强因子。焊波增强因子反映了每个隐式焊波像素点所需要被增强的程度,考虑基于每个像素点的焊波增强因子获取增强灰度值。统计焊管灰度图上每个像素点的灰度值,将所有像素点中灰度级最大值记为M。计算隐式焊波像素点的增强灰度值/>:
式中,、/>分别是隐式焊波像素点/>的灰度值、隐式焊波像素点/>的焊波增强因子。
进一步的,得到每个像素点的增强灰度值。根据每个像素点的增强灰度值及其八邻域内每个像素点的增强灰度值获取生长匹配度,生长匹配度用于表征区域生长过程中两个相邻像素点合并到同一区域中的概率。将隐式焊波像素点的八邻域内第k个像素点的增强灰度值记为/>,则计算隐式焊波像素点/>与隐式焊波像素点/>的八邻域内第k个像素点之间生长匹配度/>:
式中,是隐式焊波像素点/>与其八邻域内第k个像素点之间的局部差异因子,/>是隐式焊波像素点/>的增强灰度值,/>隐式焊波像素点/>的八邻域内第k个像素点的增强灰度值,/>是以自然常数为底数的指数函数。
其中,隐式焊波像素点与其八邻域内第k个像素点之间的信息差异越小,隐式焊波像素点/>与其八邻域内第k个像素点在同一生长区域内的概率应当越大,/>的值越接近于1,局部生长度量/>的值越小,第一度量值的值越大,第一计算因子/>的值越小,相应的,/>的值越大。
至此,得到任意相邻两个像素点之间的生长匹配度,用于后续焊管灰度图的分割。
步骤S004,采用区域生长算法基于生长匹配度得到区域分割结果,基于区域分割结果得到焊管质量检测结果。
利用Sobel算子获取焊管灰度图上所有焊波圆弧上每个像素点的梯度幅值,选取K个梯度幅值最大值的焊波圆弧上的像素点作为区域生长算法的初始种子点,K的大小取经验值10,区域生长准则为相邻两个像素点之间的生长匹配度大于等于匹配度阈值,匹配度阈值的大小取经验值0.75,当初始种子点的八邻域内像素点存在符合生长准则的像素点时,则以符合生长准则的像素点为种子点继续生长,直至八邻域内像素点不存在符合生长条件的像素点,此时停止生长,得到焊管灰度图的区域分割结果,将所述区域分割结果记为待检测分割图像,区域生长算法为公知技术,具体过程不再赘述。
进一步的,根据上述步骤,分别获取N幅焊接质量合格、焊接质量不合格的焊管灰度图的区域分割结果,其次分别将待检测分割图像、每幅焊接质量合格的焊管灰度图的区域分割结果作为BBS(Best Buddies Similarity)匹配算法的输入,获取待检测分割图像与每幅焊接质量合格的焊管灰度图的区域分割结果之间的匹配度,BBS匹配算法为公知技术,具体过程不再赘述。将待检测分割图像与N幅焊接质量合格的焊管灰度图的区域分割结果之间的匹配度的均值记为合格系数;重复上述步骤,获取待检测分割图像与每幅焊接质量不合格的焊管灰度图的区域分割结果之间的匹配度,将待检测分割图像与N幅焊接质量不合格的焊管灰度图的区域分割结果之间的匹配度的均值记为不合格系数,当合格系数大于不合格系数时,认为待检测分割图像对应的焊管上焊接质量合格;当合格系数小于等于不合格系数时,认为待检测分割图像对应的焊管上焊接质量不合格。
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 (6)
1.基于图像特征的焊管质量检测方法,其特征在于,该方法包括以下步骤:
获取焊管灰度图;
根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果;根据焊管灰度图上焊波圆弧的位置信息获取每个像素点的焊波增强因子;
根据每个像素点的焊波增强因子获取每个像素点的增强灰度值;根据每个像素点及其八邻域内像素点的增强灰度值获取每个像素点与其八邻域内像素点之间的生长匹配度;
采用区域生长算法基于所述生长匹配度得到焊管灰度图的区域分割结果;利用图像匹配算法基于焊管灰度图的区域分割结果得到焊管质量检测结果;
所述根据焊管灰度图上焊波圆弧的位置信息获取每个像素点的焊波增强因子的方法为:根据焊管灰度图上焊波圆弧的位置信息确定属于同一焊波区域的焊波圆弧;根据属于同一焊波区域的焊波圆弧上短断裂侧的像素点获取每个隐式焊波像素点的焊波增强因子;将焊管灰度图上每个非隐式焊波像素点的焊波增强因子设置为预设参数;
所述根据焊管灰度图上焊波圆弧的位置信息确定属于同一焊波区域的焊波圆弧的方法为:获取每个焊波圆弧确定的圆形,将任意两个所述确定的圆形圆心之间的欧式距离小于阈值的圆形对应的焊波圆弧作为属于同一焊波的焊波圆弧;将以任意属于同一焊波的两个焊波圆弧端点之间连线的最小值为长边长,以预设参数为宽边长所确定的矩形区域作为焊波区域;将任意属于同一焊波的两个焊波圆弧确定的圆形在所述焊波区域内的弧线分别作为第一焊波圆弧、第二焊波圆弧;
所述根据属于同一焊波区域的焊波圆弧上短断裂侧的像素点获取每个隐式焊波像素点的焊波增强因子的方法为:分别将第一焊波圆弧、第二焊波圆弧短断裂侧上所有像素点按照纵坐标升序顺序的排列结果作为第一焊波圆弧的隐式弧度序列、第二焊波圆弧的隐式弧度序列,将第一焊波圆弧的隐式弧度序列、第二焊波圆弧的隐式弧度序列中相同次序元素连线上的中心点作为隐式焊波像素点;根据每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间图像信息获取每个隐式焊波像素点的显化系数;将每个隐式焊波像素点的显化系数与每个隐式焊波像素点灰度值的比值作为每个隐式焊波像素点的焊波增强因子;
所述根据每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间图像信息获取每个隐式焊波像素点的显化系数的方法为:分别将每个隐式焊波像素点与第一焊波圆弧、第二焊波圆弧之间的最短欧式距离作为第一距离、第二距离,将第一距离与第二距离的和作为域间距离;分别将第二距离、第一距离与域间距离的比值作为第一比例因子、第二比例因子;将第一比例因子与第一焊波圆弧上所有像素点灰度值均值的乘积作为第一组成因子;将第二比例因子与第二焊波圆弧上所有像素点灰度值均值的乘积作为第二组成因子;每个隐式焊波像素点的显化系数由第一组成因子、第二组成因子两部分组成,其中,所述显化系数与第一组成因子、第二组成因子成正相关关系。
2.根据权利要求1所述的基于图像特征的焊管质量检测方法,其特征在于,所述根据焊管灰度图的霍夫圆检测结果获取焊管灰度图上的焊波检测结果的方法为:
利用霍夫圆检测算法得到焊管灰度图上所有圆弧的检测结果,获取所有圆弧中任意一个圆弧确定的圆形的半径;
获取所有圆弧中任意一个圆弧确定的圆形的半径与预设阈值之间的相对半径误差;将所述相对半径误差小于等于预设比例的圆弧作为焊管灰度图上的焊波圆弧,将所述相对半径误差大于预设比例的圆弧作为焊管灰度图上的非焊波圆弧。
3.根据权利要求2所述的基于图像特征的焊管质量检测方法,其特征在于,所述获取所有圆弧中任意一个圆弧确定的圆形的半径与预设阈值之间的相对半径误差的方法为:
获取每个圆弧确定的圆形的半径与预设阈值之间的差值绝对值,将所述差值绝对值与预设阈值的比值作为每个圆弧的相对半径误差。
4.根据权利要求1所述的基于图像特征的焊管质量检测方法,其特征在于,所述根据每个像素点的焊波增强因子获取每个像素点的增强灰度值的方法为:
将每个像素点的灰度值与焊管灰度图中最大灰度级的比值作为每个像素点的归一化灰度值;
将以每个像素点的归一化灰度值为底数,以每个像素点的焊波增强因子为指数的计算结果作为每个像素点的增强灰度值。
5.根据权利要求1所述的基于图像特征的焊管质量检测方法,其特征在于,所述根据每个像素点及其八邻域内像素点的增强灰度值获取每个像素点与其八邻域内像素点之间的生长匹配度的方法为:
将每个像素点作为目标像素点,将每个目标像素的增强灰度值与每个目标像素点八邻域内任意一个像素点的增强灰度值之间的比值作为局部差异因子;
将以自然常数为底数,以预设参数与局部差异因子的差值为指数的计算结果与预设参数的和作为局部生长度量;
将局部生长度量的倒数与第一预设参数的差值绝对值作为第一度量值,将第一度量值与第二预设参数的乘积作为第一计算因子,将第一计算因子与预设参数的和作为每个像素点与其八邻域内像素点之间的生长匹配度。
6.根据权利要求1所述的基于图像特征的焊管质量检测方法,其特征在于,所述利用图像匹配算法基于焊管灰度图的区域分割结果得到焊管质量检测结果的方法为:
将焊管灰度图的区域分割结果记为待检测分割图像;分别将焊接质量合格的焊管灰度图、焊接质量不合格的焊管灰度图作为匹配模板,采用图像匹配算法基于所述匹配模板获取待检测分割图像的匹配度;
根据所述匹配度得到合格系数、不合格系数,根据合格系数与不合格系数的对比结果得到焊接质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523319.8A CN117237364B (zh) | 2023-11-16 | 2023-11-16 | 基于图像特征的焊管质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523319.8A CN117237364B (zh) | 2023-11-16 | 2023-11-16 | 基于图像特征的焊管质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237364A CN117237364A (zh) | 2023-12-15 |
CN117237364B true CN117237364B (zh) | 2024-01-30 |
Family
ID=89088436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523319.8A Active CN117237364B (zh) | 2023-11-16 | 2023-11-16 | 基于图像特征的焊管质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237364B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830300B (zh) * | 2024-03-04 | 2024-05-14 | 新奥新能源工程技术有限公司 | 一种基于视觉的燃气管道外观质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116309568A (zh) * | 2023-05-18 | 2023-06-23 | 深圳恒邦新创科技有限公司 | 一种芯片焊脚焊接质量检测方法及*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116958125A (zh) * | 2023-09-18 | 2023-10-27 | 惠州市鑫晖源科技有限公司 | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 |
-
2023
- 2023-11-16 CN CN202311523319.8A patent/CN117237364B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116309568A (zh) * | 2023-05-18 | 2023-06-23 | 深圳恒邦新创科技有限公司 | 一种芯片焊脚焊接质量检测方法及*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116958125A (zh) * | 2023-09-18 | 2023-10-27 | 惠州市鑫晖源科技有限公司 | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117237364A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN117237364B (zh) | 基于图像特征的焊管质量检测方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN117152137B (zh) | 基于图像处理的焊管腐蚀状态检测方法 | |
CN110751604A (zh) | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 | |
CN109085245B (zh) | 确定待测客体中缺陷的方法和超声波探伤仪 | |
CN117635604B (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN110084786B (zh) | 一种渐变背景的数字x射线图像缺陷自动识别方法 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
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 | |
CN105092616A (zh) | 工业ct检测中小细节特征尺寸测量方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** | |
CN115836218A (zh) | 检查装置、检查方法、以及检查程序 | |
EP3388827B1 (en) | Defect detection using ultrasound scan data | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
Saranya et al. | Comparison of segmentation techniques for detection of defects in non-destructive testing images | |
CN116953196B (zh) | 一种钢制三通的缺陷检测与安全状态评估方法 | |
CN110544243A (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
CN116993740B (zh) | 基于图像数据的混凝土结构表面缺陷检测方法 | |
CN113393440B (zh) | 基于磁光成像的焊缝缺陷自动增强及识别方法 | |
CN115115889A (zh) | 一种仪表图像分析方法及装置 | |
CN111189906B (zh) | 交流电磁场缺陷在线智能判定与分类识别方法 | |
Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
Hassan et al. | Compressed air leakage detection and quantification through infrared thermography | |
CN105784735A (zh) | 一种超声ct检测的结果数据图形化处理显示方法 |
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 |