CN117635604A - 一种建筑工程钢结构焊接质量检测方法 - Google Patents
一种建筑工程钢结构焊接质量检测方法 Download PDFInfo
- Publication number
- CN117635604A CN117635604A CN202410090251.7A CN202410090251A CN117635604A CN 117635604 A CN117635604 A CN 117635604A CN 202410090251 A CN202410090251 A CN 202410090251A CN 117635604 A CN117635604 A CN 117635604A
- Authority
- CN
- China
- Prior art keywords
- defect
- window
- welding
- area
- target
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 58
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 47
- 239000010959 steel Substances 0.000 title claims abstract description 47
- 230000007547 defect Effects 0.000 claims abstract description 262
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000873 masking effect Effects 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 230000002950 deficient Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种建筑工程钢结构焊接质量检测方法,包括:采集钢结构的焊接区域灰度图;对焊接区域灰度图进行分割和掩膜处理,得到焊缝区域图像;获取焊缝区域图像的若干窗口;根据窗口内像素点的灰度值得到缺陷窗口;获取缺陷窗口的异常程度;获取初始邻域半径和初始最小点数;根据初始邻域半径、初始最小点数及异常程度,得到缺陷窗口的最终邻域半径和最终最小点数;进而得到焊缝区域图像的缺陷区域并进行焊接质量评估。本发明自适应获取焊接区域图像的缺陷窗口进行聚类时的参数,得到更准确的缺陷区域,提升对钢结构焊接质量检测的结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种建筑工程钢结构焊接质量检测方法。
背景技术
在建筑工程中一般采用焊接的方式来连接钢结构中的重要部件,而焊接质量直接关系到整个结构的稳定性,不良的焊接质量可能导致事故和损失以及频繁的维修和更高的维护成本,因此检测焊接时焊缝的质量,可以发现潜在的缺陷和问题,防止事故发生和财产损失的同时降低维护成本。
现有通过DBSCAN算法对钢结构焊缝区域图像进行聚类获取缺陷区域时一般采用固定的参数的方式,由于不同钢结构焊缝区域的差别,采用固定的参数对不同钢结构焊缝进行质量检测时,由于DBSCAN算法对于输入参数非常敏感,而不当的邻域半径可能会影响聚类效果,进而导致对钢结构焊接质量检测结果不准确。
发明内容
为解决上述问题,本发明提供一种建筑工程钢结构焊接质量检测方法。
本发明的一种建筑工程钢结构焊接质量检测方法采用如下技术方案:
本发明一个实施例提供了一种建筑工程钢结构焊接质量检测方法,该方法包括以下步骤:
采集钢结构的焊接区域图像,灰度化得到焊接区域灰度图;
对焊接区域灰度图进行阈值分割得到焊接区域分割结果图;根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像;
根据焊缝区域图像得到焊缝区域图像的若干窗口;根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子;依据缺陷因子得到若干缺陷窗口;
根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度;根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数;根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数;
根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域;根据焊缝区域图像的缺陷区域内像素点的数量评估焊接质量。
进一步地,所述对焊接区域灰度图进行阈值分割得到焊接区域分割结果图,包括的具体步骤如下:
对焊接区域灰度图进行大津阈值分割得到最佳分割阈值,将焊接区域灰度图中大于最佳分割阈值的像素点的灰度值置为1,将焊接区域灰度图中小于或等于最佳分割阈值的像素点的灰度值置为0,得到焊接区域分割结果图。
进一步地,所述根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像,包括的具体步骤如下:
将焊接区域分割结果图作为掩膜图像,根据掩膜图像对焊接区域灰度图进行掩膜处理,得到焊缝区域图像。
进一步地,所述根据焊缝区域图像得到焊缝区域图像的若干窗口,包括的具体步骤如下:
将焊缝区域图像输入到选择性搜索法算法中,输出得到焊缝区域图像的若干窗口。
进一步地,所述根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子,包括的具体步骤如下:
将焊缝区域图像的任意一个窗口,记为目标窗口;
式中,为目标窗口内所有像素点的灰度值的标准差,为目标窗口内灰度值的
信息熵,为目标窗口内像素点的最大灰度值,为目标窗口内像素点的最小灰度值,为目标窗口内所有像素点的灰度值的均值,为以自然常数为底的指数函数,为
目标窗口的缺陷因子。
进一步地,所述依据缺陷因子得到若干缺陷窗口,包括的具体步骤如下:
获取每个窗口的缺陷因子,将所有窗口的缺陷因子进行线性归一化处理,得到的结果作为每个窗口的缺陷因子参数,预设一个第一阈值,将缺陷因子参数大于或等于第一阈值的所有缺陷因子参数对应的窗口,作为缺陷窗口。
进一步地,所述根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口,将目标缺陷窗口内所有像素点的灰度值的均值,记为第一均值;
式中,为目标缺陷窗口内灰度值小于第一均值的像素点的数量,为目标缺陷窗
口内像素点的数量,为目标缺陷窗口内第个像素点的灰度值,为目标缺陷窗口内第个
像素点的灰度值,为取绝对值,为目标缺陷窗口内第个像素点的灰度值,为目标缺陷
窗口的异常因子,表示目标缺陷窗口内第个像素点与其余像素点的灰度
值差异;
获取每个缺陷窗口的异常因子,将每个缺陷窗口的异常因子进行线性归一化处理,得到的结果作为每个缺陷窗口的异常程度。
进一步地,所述根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口;将目标缺陷窗口的中心像素点,记为初始点;
式中,为目标缺陷窗口内像素点的数量,为初始点的灰度值,为目标缺陷窗
口内除初始点外第个像素点的数量,为取绝对值,为目标缺陷窗口的初始邻域半径;
在目标缺陷窗口内以初始点为中心邻域半径为的圆形范围内,且像素点之间的
距离度量采用灰度值的差值绝对值,将属于目标缺陷窗口的像素点的个数,作为目标缺陷
窗口的初始最小点数。
进一步地,所述根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数,包括的具体步骤如下:
式中,为第个缺陷窗口的初始邻域半径,为第个缺陷窗口的异常程度,为
第个缺陷窗口的最终邻域半径,为第个缺陷窗口的初始最小点数,为第个缺陷
窗口的最终最小点数。
进一步地,所述根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口;根据目标缺陷窗口的最终邻域半径和最终最小点数对目标缺陷窗口中的所有像素点进行DBSCAN聚类,距离度量采用像素点之间灰度值差值的绝对值,将聚类结果中初始点所属类簇中的所有像素点组成目标缺陷窗口的缺陷区域,将每个缺陷窗口的缺陷区域在焊缝区域图像进行标记,得到焊缝区域图像的缺陷区域。
本发明的技术方案的有益效果是:本发明在采集到钢结构的焊接区域灰度图后,通过对焊接区域灰度图进行分割以及掩膜处理,获取到焊缝区域图像,减少背景区域即钢结构区域对缺陷检测干扰,使得后续对钢结构焊接质量的检测更加准确,通过对焊缝区域图像的窗口进行分析,得到窗口的缺陷因子,缺陷因子反映窗口内存在缺陷区域的可能性,进而依据缺陷因子得到若干缺陷窗口,并根据缺陷窗口内像素点与其余像素点的灰度值差异,获得到了缺陷窗口的异常程度,进而通过异常程度、初始邻域半径以及初始最小点数,自适应获取每个缺陷窗口的最终邻域半径和最终最小点数,提高进行聚类时的效率和准确性,进而得到焊缝区域图像的准确缺陷区域,并完成对钢结构焊接质量的检测,通过对钢结构焊接质量的检测,可以及时发现潜在的缺陷和问题,减少事故和财产损失的同时降低维护成本。
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一种建筑工程钢结构焊接质量检测方法的步骤流程图;
图2为本发明一个实施例所提供的一种建筑工程钢结构焊接质量检测方法的焊接区域分割结果图。
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建筑工程钢结构焊接质量检测方法,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,一个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建筑工程钢结构焊接质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种建筑工程钢结构焊接质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集钢结构的焊接区域图像,灰度化得到焊接区域灰度图。
需要说明的是,钢结构的焊缝区域中由于焊接过程中操作或者焊接参数设置不当会产生多种缺陷,如气孔、夹渣和裂纹等,本实施例通过自适应DBSCAN算法的参数,提高缺陷检测的准确性和效率,开始分析之前首先需要采集图像。
具体的,通过高分辨率相机对钢结构的焊缝区域进行拍摄,得到钢结构的焊接区域图像;需要说明的是,焊接区域图像包含焊缝区域和背景区域(钢结构区域);对焊接区域图像灰度化得到焊接区域灰度图。
至此,得到焊接区域灰度图。
步骤S002、对焊接区域灰度图进行阈值分割得到焊接区域分割结果图;根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像。
需要说明的是,为了获取缺陷区域需要对焊接区域灰度图进行预处理,排除无关
钢结构区域的影响只保留焊缝区域图像,因此使用OTSU算法(大津阈值算法)根据焊缝区域
与钢结构区域的灰度值差异进行分割得到焊缝区域图像,而后基于焊缝区域图像使用
DBSCAN算法进行聚类,为了得到更加准确且完整的缺陷区域,本实施例中通过分析焊缝区
域图像的灰度特征以及分布规律自适应确定DBSCAN算法的参数即邻域半径,从而得到多
个聚类结果,由于每一个聚类结果都代表了焊缝中可能的缺陷区域图像,因此可以将所有
可能的缺陷区域图像输入训练好的神经网络进行识别,从而得到准确的缺陷区域图像。
具体的,对焊接区域灰度图进行阈值分割得到焊接区域分割结果图,具体如下:
对焊接区域灰度图进行大津阈值分割得到最佳分割阈值,将焊接区域灰度图中大于最佳分割阈值的像素点的灰度值置为1,将焊接区域灰度图中小于或等于最佳分割阈值的像素点的灰度值置为0,得到焊接区域分割结果图;需要说明的是,焊接区域分割结果图中灰度值为1的区域为焊缝区域;请参阅图2,图2为本实施例的焊接区域分割结果图,图2中白色的区域即为焊缝区域。
进一步地,根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像,具体如下:
将焊接区域分割结果图作为掩膜图像,根据掩膜图像对焊接区域灰度图进行掩膜处理,得到焊缝区域图像;需要说明的是,焊缝区域图像为灰度图,根据掩膜图像对焊接区域灰度图进行掩膜处理,得到焊缝区域图像为现有方法,本实施例不再赘述。
至此,得到焊缝区域图像。
步骤S003、根据焊缝区域图像得到焊缝区域图像的若干窗口;根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子;依据缺陷因子得到若干缺陷窗口。
需要说明的是,通过缺陷的特征自适应确定DBSCAN聚类的两个参数,从而进行聚类得到更准确的缺陷区域。由于对图像进行DBSCAN聚类是基于图像像素的灰度相似性将多个像素聚合为多个区域,因此进行自适应参数时需要先构建窗口,基于缺陷窗口内像素的灰度特征进行加权自适应确定参数值;首先需要分析焊缝区域图像中缺陷的存在性以及缺陷的异常评价,然后根据缺陷异常评价的大小确定权值,再根据每个缺陷窗口的灰度以及数量特征得到先验参数值,最后针对每个缺陷窗口的权值对先验参数值进行加权,进而得到自适应的参数进行DBSCAN聚类。
具体的,根据焊缝区域图像得到焊缝区域图像的若干窗口,具体如下:
将焊缝区域图像输入到选择性搜索法算法(Selective Search)中,输出得到焊缝区域图像的若干窗口;需要说明的是,每个窗口都是矩形窗口,将焊缝区域图像输入到选择性搜索法算法中,输出得到焊缝区域图像的若干窗口为选择性搜索法算法的现有方法,本实施例不再赘述。
需要说明的是,焊缝区域图像的若干窗口可能包含焊缝区域的缺陷区域,为了更好的筛选出窗口中存在缺陷区域的窗口即缺陷窗口,通过对焊缝缺陷进行分析,由于焊缝缺陷是由于焊接过程中存在气体或其他杂质而在焊缝表面出现的孔洞或凸起,在图像上表现为其整体灰度相较于正常焊缝区域更小,且缺陷区域内部灰度相对于正常焊缝表面区域的灰度更平滑均匀,因此,基于这些特征判断存在缺陷区域的窗口。
具体的,根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子,具体如下:
将焊缝区域图像的任意一个窗口,记为目标窗口。
式中,为目标窗口内所有像素点的灰度值的标准差,为目标窗口内灰度值的
信息熵,为目标窗口内像素点的最大灰度值,为目标窗口内像素点的最小灰度值,为目标窗口内所有像素点的灰度值的均值,为以自然常数为底的指数函数,为
目标窗口的缺陷因子。
需要说明的是,表示目标窗口内像素点灰度值分布的离散情况,
其值越小目标窗口内像素点的灰度值分布越均匀,目标窗口属于缺陷窗口的可能性越大,
即缺陷因子越大;表示目标窗口内像素点灰度值的整体水平,若目标窗口的
越小则表示目标窗口整体灰度值偏小,即的值越大,那么目标窗口属于缺陷窗
口的可能性越大,即缺陷因子越大;最后使用函数映射以增大不同窗口值的差异;目标
窗口的缺陷因子表示窗口内存在缺陷区域的可能性,其值越大,窗口中存在缺陷区域的可
能性越大,越可能是缺陷窗口。
进一步地,依据缺陷因子得到若干缺陷窗口,具体如下:
获取每个窗口的缺陷因子,将所有窗口的缺陷因子进行线性归一化处理,得到的结果作为每个窗口的缺陷因子参数,预设一个第一阈值,本实施例以第一阈值为0.85进行叙述,将缺陷因子参数大于或等于第一阈值的所有缺陷因子参数对应的窗口,作为缺陷窗口。
至此,得到若干缺陷窗口。
步骤S004、根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度;根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数;根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数。
需要说明的是,上述得到了缺陷窗口,可能存在整个窗口的像素点都属于缺陷区域的像素点,也可能存在窗口内部分像素点属于缺陷区域的像素点,即不同窗口内缺陷异常程度不同,而缺陷异常程度决定了对此窗口进行聚类参数的大小,因此需要对每个缺陷窗口计算缺陷异常评价;由于缺陷区域的像素点灰度值较小且分布均匀,与焊缝的正常区域有灰度值差异,因此分析灰度值较小像素点在整个窗口的占比并通过窗口内像素点的灰度值差异的特征得到窗口的异常评价。
具体的,根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度,具体如下:
将任意一个缺陷窗口,记为目标缺陷窗口,将目标缺陷窗口内所有像素点的灰度值的均值,记为第一均值。
式中,为目标缺陷窗口内灰度值小于第一均值的像素点的数量,为目标缺陷窗
口内像素点的数量,为目标缺陷窗口内第个像素点的灰度值,为目标缺陷窗口内第个
像素点的灰度值,为取绝对值,为目标缺陷窗口内第个像素点的灰度值,为目标缺陷
窗口的异常因子,表示目标缺陷窗口内第个像素点与其余像素点的灰度
值差异。
获取每个缺陷窗口的异常因子,将每个缺陷窗口的异常因子进行线性归一化处理,得到的结果作为每个缺陷窗口的异常程度。
需要说明的是,表示灰度值较小像素点在整个缺陷窗口的占比,此占比越大表示
缺陷窗口内可能属于缺陷的像素占比越多,因此异常程度越大;表示缺陷窗
口内每个像素点的灰度值统计特征,由于缺陷区域的灰度值较小,因此若缺陷像素越多则
此统计特征的值越大,对应缺陷窗口的异常程度越大;
表示缺陷窗口内每个像素点与其余像素点的灰度值平均差异的均值,其代表了缺陷像素点
的占比情况,由于缺陷区域的像素点灰度值较小且分布均匀,与焊缝的正常区域有灰度值
差异,因此通过统计缺陷窗口内所有像素点的平均灰度差异,根据差异的大小可以判断此
占比,若此平均灰度差异越大说明缺陷窗口可能存在部分焊缝的正常区域的像素点,缺陷
像素点占比会变小,即异常程度会越小,反之异常程度会越大。
需要说明的是,上述对缺陷窗口的异常评价进行了分析,而后需要获取缺陷窗口进行DBSCAN聚类的参数。
具体的,根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数,具体如下:
将目标缺陷窗口的中心像素点,记为初始点。
式中,为目标缺陷窗口内像素点的数量,为初始点的灰度值,为目标缺陷窗
口内除初始点外第个像素点的数量,为取绝对值,为目标缺陷窗口的初始邻域半径。
在目标缺陷窗口内以初始点为中心邻域半径为的圆形范围内,且像素点之间的
距离度量采用灰度值的差值绝对值,将属于目标缺陷窗口的像素点的个数,作为目标缺陷
窗口的初始最小点数。
需要说明的是,邻域半径和最小点数用于后续进行DBSCAN聚类,若目标缺陷窗口的长度为奇数,宽度为偶数,则选取目标缺陷窗口中心两个像素点的上方像素点为初始点;若目标缺陷窗口的长度为偶数,宽度为奇数,则选取目标缺陷窗口中心两个像素点的左侧像素点为初始点。
需要说明的是,上述得到了每个缺陷窗口的两个初始参数,然后基于两个初始参数以及上述归一化后的异常程度确定最终参数,在此通过将异常程度作为权值对初始参数进行同步加权的方式确定自适应参数。
进一步地,根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数,具体如下:
式中,为第个缺陷窗口的初始邻域半径,为第个缺陷窗口的异常程度,为
第个缺陷窗口的最终邻域半径,为第个缺陷窗口的初始最小点数,为第个缺陷
窗口的最终最小点数。
需要说明的是,若缺陷窗口的异常程度越大,为了获取更准确的缺陷区域,需要适当减小其邻域半径参数并且适当增大最小点数参数,使得聚类结果能够尽可能包含缺陷像素点。反之则适当增加其邻域半径参数并且适当减小最小点数参数。
至此,得到缺陷窗口的最终邻域半径和最终最小点数。
步骤S005、根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域;根据焊缝区域图像的缺陷区域内像素点的数量评估焊接质量。
需要说明的是,上述得到了每个缺陷窗口的最终邻域半径和最终最小点数,根据这两个参数对缺陷窗口进行聚类得到焊缝的缺陷区域。
具体的,根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域,具体如下:
根据目标缺陷窗口的最终邻域半径和最终最小点数对目标缺陷窗口中的所有像素点进行DBSCAN聚类,距离度量采用像素点之间灰度值差值的绝对值,将聚类结果中初始点所属类簇中的所有像素点组成目标缺陷窗口的缺陷区域,将每个缺陷窗口的缺陷区域在焊缝区域图像进行标记,得到焊缝区域图像的缺陷区域。
进一步地,根据焊缝区域图像的缺陷区域内像素点的数量评估焊接质量,具体如下:
将焊缝区域图像的缺陷区域的像素点个数,记,将焊缝区域图像的像素点个数,
记为,将与的比值,记为,预设一个第二阈值,记为,本实施例以进
行叙述,若,焊缝的焊接质量不合格。需要说明的是,若焊缝的焊接质量不合格,说
明钢结构的焊接质量低,整个结构的稳定性差,此钢结构不能用于建筑工程。
至此,通过对钢结构的焊接区域进行缺陷分析,完成钢结构焊接质量检测。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种建筑工程钢结构焊接质量检测方法,其特征在于,该方法包括以下步骤:
采集钢结构的焊接区域图像,灰度化得到焊接区域灰度图;
对焊接区域灰度图进行阈值分割得到焊接区域分割结果图;根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像;
根据焊缝区域图像得到焊缝区域图像的若干窗口;根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子;依据缺陷因子得到若干缺陷窗口;
根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度;根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数;根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数;
根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域;根据焊缝区域图像的缺陷区域内像素点的数量评估焊接质量。
2.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述对焊接区域灰度图进行阈值分割得到焊接区域分割结果图,包括的具体步骤如下:
对焊接区域灰度图进行大津阈值分割得到最佳分割阈值,将焊接区域灰度图中大于最佳分割阈值的像素点的灰度值置为1,将焊接区域灰度图中小于或等于最佳分割阈值的像素点的灰度值置为0,得到焊接区域分割结果图。
3.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据焊接区域分割结果图对焊接区域灰度图进行掩膜处理,得到焊缝区域图像,包括的具体步骤如下:
将焊接区域分割结果图作为掩膜图像,根据掩膜图像对焊接区域灰度图进行掩膜处理,得到焊缝区域图像。
4.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据焊缝区域图像得到焊缝区域图像的若干窗口,包括的具体步骤如下:
将焊缝区域图像输入到选择性搜索法算法中,输出得到焊缝区域图像的若干窗口。
5.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据每个窗口内像素点的灰度值得到每个窗口的缺陷因子,包括的具体步骤如下:
将焊缝区域图像的任意一个窗口,记为目标窗口;
式中,为目标窗口内所有像素点的灰度值的标准差,/>为目标窗口内灰度值的信息熵,/>为目标窗口内像素点的最大灰度值,/>为目标窗口内像素点的最小灰度值,/>为目标窗口内所有像素点的灰度值的均值,/>为以自然常数为底的指数函数,/>为目标窗口的缺陷因子。
6.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述依据缺陷因子得到若干缺陷窗口,包括的具体步骤如下:
获取每个窗口的缺陷因子,将所有窗口的缺陷因子进行线性归一化处理,得到的结果作为每个窗口的缺陷因子参数,预设一个第一阈值,将缺陷因子参数大于或等于第一阈值的所有缺陷因子参数对应的窗口,作为缺陷窗口。
7.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据缺陷窗口内每个像素点与其余像素点的灰度值差异,得到每个缺陷窗口的异常程度,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口,将目标缺陷窗口内所有像素点的灰度值的均值,记为第一均值;
式中,为目标缺陷窗口内灰度值小于第一均值的像素点的数量,/>为目标缺陷窗口内像素点的数量,/>为目标缺陷窗口内第/>个像素点的灰度值,/>为目标缺陷窗口内第/>个像素点的灰度值,/>为取绝对值,/>为目标缺陷窗口内第/>个像素点的灰度值,/>为目标缺陷窗口的异常因子,/>表示目标缺陷窗口内第/>个像素点与其余像素点的灰度值差异;
获取每个缺陷窗口的异常因子,将每个缺陷窗口的异常因子进行线性归一化处理,得到的结果作为每个缺陷窗口的异常程度。
8.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据缺陷窗口内的像素点得到每个缺陷窗口的初始邻域半径和初始最小点数,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口;将目标缺陷窗口的中心像素点,记为初始点;
式中,为目标缺陷窗口内像素点的数量,/>为初始点的灰度值,/>为目标缺陷窗口内除初始点外第/>个像素点的数量,/>为取绝对值,/>为目标缺陷窗口的初始邻域半径;
在目标缺陷窗口内以初始点为中心邻域半径为的圆形范围内,且像素点之间的距离度量采用灰度值的差值绝对值,将属于目标缺陷窗口的像素点的个数,作为目标缺陷窗口的初始最小点数。
9.根据权利要求1所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据初始邻域半径、初始最小点数及异常程度,得到每个缺陷窗口的最终邻域半径和最终最小点数,包括的具体步骤如下:
式中,为第/>个缺陷窗口的初始邻域半径,/>为第/>个缺陷窗口的异常程度,/>为第/>个缺陷窗口的最终邻域半径,/>为第/>个缺陷窗口的初始最小点数,/>为第/>个缺陷窗口的最终最小点数。
10.根据权利要求8所述一种建筑工程钢结构焊接质量检测方法,其特征在于,所述根据最终邻域半径、最终最小点数及焊缝区域图像,聚类得到焊缝区域图像的缺陷区域,包括的具体步骤如下:
将任意一个缺陷窗口,记为目标缺陷窗口;根据目标缺陷窗口的最终邻域半径和最终最小点数对目标缺陷窗口中的所有像素点进行DBSCAN聚类,距离度量采用像素点之间灰度值差值的绝对值,将聚类结果中初始点所属类簇中的所有像素点组成目标缺陷窗口的缺陷区域,将每个缺陷窗口的缺陷区域在焊缝区域图像进行标记,得到焊缝区域图像的缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090251.7A CN117635604B (zh) | 2024-01-23 | 2024-01-23 | 一种建筑工程钢结构焊接质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090251.7A CN117635604B (zh) | 2024-01-23 | 2024-01-23 | 一种建筑工程钢结构焊接质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635604A true CN117635604A (zh) | 2024-03-01 |
CN117635604B CN117635604B (zh) | 2024-04-05 |
Family
ID=90023702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410090251.7A Active CN117635604B (zh) | 2024-01-23 | 2024-01-23 | 一种建筑工程钢结构焊接质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635604B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117773334A (zh) * | 2024-02-28 | 2024-03-29 | 无锡丰毅汽车配件有限公司 | 一种汽车天窗框自动焊接装置 |
CN118038278A (zh) * | 2024-04-11 | 2024-05-14 | 武汉同创万智数字科技有限公司 | 一种建筑工程质量智能检测方法及*** |
CN118052815A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市联合盛鑫科技有限公司 | 一种pcb焊锡缺陷视觉自动化检测方法 |
CN118134918A (zh) * | 2024-05-07 | 2024-06-04 | 西安乾景防务技术有限公司 | 基于机器视觉的储热导热双用组件的故障检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220329A1 (de) * | 2018-11-27 | 2020-05-28 | Amada Holdings Co., Ltd. | Laserschweissmaschine und verfahren zur überwachung eines schweisszustands |
CN114926387A (zh) * | 2022-01-27 | 2022-08-19 | 中北大学 | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 |
CN114926463A (zh) * | 2022-07-20 | 2022-08-19 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN115330757A (zh) * | 2022-10-11 | 2022-11-11 | 南通电博士自动化设备有限公司 | 一种电路板焊点缺陷检测方法及*** |
CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
CN116342610A (zh) * | 2023-05-31 | 2023-06-27 | 山东恒海钢结构有限公司 | 一种钢结构装配式建筑焊接异常检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117351017A (zh) * | 2023-12-05 | 2024-01-05 | 惠汕绿创(江苏)科技有限公司 | 一种光伏钢结构组件缺陷视觉检测方法 |
-
2024
- 2024-01-23 CN CN202410090251.7A patent/CN117635604B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220329A1 (de) * | 2018-11-27 | 2020-05-28 | Amada Holdings Co., Ltd. | Laserschweissmaschine und verfahren zur überwachung eines schweisszustands |
CN114926387A (zh) * | 2022-01-27 | 2022-08-19 | 中北大学 | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 |
CN114926463A (zh) * | 2022-07-20 | 2022-08-19 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
CN115330757A (zh) * | 2022-10-11 | 2022-11-11 | 南通电博士自动化设备有限公司 | 一种电路板焊点缺陷检测方法及*** |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115984284A (zh) * | 2023-03-21 | 2023-04-18 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
CN116342610A (zh) * | 2023-05-31 | 2023-06-27 | 山东恒海钢结构有限公司 | 一种钢结构装配式建筑焊接异常检测方法 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117351017A (zh) * | 2023-12-05 | 2024-01-05 | 惠汕绿创(江苏)科技有限公司 | 一种光伏钢结构组件缺陷视觉检测方法 |
Non-Patent Citations (3)
Title |
---|
李大林,司宗庆,贾向明,李颖,侯涛: "基于TOFD的管道焊缝无损检测技术研究", 焊接技术, vol. 56, no. 5, 20 May 2020 (2020-05-20) * |
王磊, 张慧宁: "基于粒子小波变异算法的焊接图像缺陷检测研究", 工具技术, vol. 50, no. 8, 20 October 2016 (2016-10-20) * |
郑志宏;姜文娟;: "图像预处理方法在焊接检验中的应用", 大学物理实验, no. 04, 25 December 2007 (2007-12-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117773334A (zh) * | 2024-02-28 | 2024-03-29 | 无锡丰毅汽车配件有限公司 | 一种汽车天窗框自动焊接装置 |
CN118038278A (zh) * | 2024-04-11 | 2024-05-14 | 武汉同创万智数字科技有限公司 | 一种建筑工程质量智能检测方法及*** |
CN118052815A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市联合盛鑫科技有限公司 | 一种pcb焊锡缺陷视觉自动化检测方法 |
CN118134918A (zh) * | 2024-05-07 | 2024-06-04 | 西安乾景防务技术有限公司 | 基于机器视觉的储热导热双用组件的故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117635604B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117635604B (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN115423813B (zh) | 焊管表面焊接缺陷检测方法 | |
CN115063400B (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
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 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115311284B (zh) | 用于玻璃纤维毡的生产质量检测方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** | |
CN115841488A (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN117853493B (zh) | 一种基于图像处理的墙板生产质量检测方法 | |
CN115035113A (zh) | 基于x射线的手机数据线生产缺陷无损检测方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN116304963B (zh) | 一种适用于地质灾害预警的数据处理*** | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115841491B (zh) | 一种多孔金属材料的质量检测方法 | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN114998346B (zh) | 一种防水布质量数据处理、识别方法 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、***、装置及存储介质 | |
CN114005036A (zh) | 一种裸土监测预警方法、装置、计算机设备及存储介质 |
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 |