CN118052823A - 基于图像处理的钛板焊点缺陷检测方法 - Google Patents
基于图像处理的钛板焊点缺陷检测方法 Download PDFInfo
- Publication number
- CN118052823A CN118052823A CN202410451774.XA CN202410451774A CN118052823A CN 118052823 A CN118052823 A CN 118052823A CN 202410451774 A CN202410451774 A CN 202410451774A CN 118052823 A CN118052823 A CN 118052823A
- Authority
- CN
- China
- Prior art keywords
- gray level
- detected
- representing
- stretched
- 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
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 50
- 239000010936 titanium Substances 0.000 title claims abstract description 50
- 238000003466 welding Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 53
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 abstract 1
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005286 illumination 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
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,更具体地,本发明涉及基于图像处理的钛板焊点缺陷检测方法,方法包括:采集焊接后的钛板图像并进行预处理,得到待检测区域;计算待检测区域中每个像素点的灰度差异累计和与梯度方向差异累计和,分别得到灰度差异特征和线状特征,并计算待拉伸灰度级的可能性,对待检测区域预设噪声窗口,计算待检测区域的噪声表现程度,将待拉伸灰度级的噪声表现程度与待检测区域的噪声表现程度的比值作为拉伸尺度调整因子,并调整拉伸尺度;根据拉伸后的钛板图像进行图像分割,并判断待检测区域是否存在裂纹。本发明通过对比拉伸处理,使裂缝更加突出,减少背景噪声的影响,从而提高裂缝检测的准确性。
Description
技术领域
本发明涉及图像处理领域。更具体地,本发明涉及基于图像处理的钛板焊点缺陷检测方法。
背景技术
钛板作为一种重要的工程材料,被广泛应用于航空航天、汽车、医疗器械等领域。而焊接是钛板加工中常见的连接方式之一,但焊接过程中可能会出现各种焊点缺陷,焊点缺陷是指在焊接过程中出现的不符合规定或标准的焊接连接部位的缺陷或问题,如气孔、裂纹、夹杂等,这些缺陷可能会降低焊接接头的强度和密封性,影响产品的质量和安全性。传统的焊点检测通常需要人工进行,耗时耗力且容易出错。
目前结合图像处理方法对钛板进行焊接,钛板在焊接过程中,常由于焊接过程中的应力集中、冷却不均匀等因素,导致焊接接头处出现裂缝或裂纹,从而影响到钛板使用寿命及质量问题,造成安全隐患的发生。在对其进行缺陷检测的过程中,常有很多细小的裂纹被忽略,从而对钛板焊点检测时造成误判,影响检测效果。
发明内容
为解决上述一个或多个技术问题,本发明提出对采集图像的部分灰度级进行拉伸并调整拉伸尺度的方法,更好凸显图像中的一些细节区域,便于对细小裂纹的检测,提高检测结果准确性,为此,本发明在如下的多个方面中提供方案。
基于图像处理的钛板焊点缺陷检测方法,包括:采集焊接后的钛板图像并进行预处理,对预处理后的钛板图像中的焊接区域采用图像分割方法进行标注,生成历史样本数据集;使用所述历史样本数据集对图像分割模型进行训练,得到显著分割模型,并对实时获取的钛板图像进行预测和标注,将标注后的区域作为待检测区域;对待检测区域进行灰度遍历,获取每个灰度级对应的像素点的分布,计算每个灰度级对应每个像素点的最大梯度垂直方向上相邻两个像素点的灰度差异累计和,将所述灰度差异累计和作为每个灰度级对应像素点与周围像素点的灰度差异特征;计算每个灰度级对应每个像素点的最大梯度垂直方向上与相邻两个像素点的梯度方向差异累计和,将所述梯度方向差异累计和作为每个灰度级对应像素点的线状特征;根据所述灰度差异特征和线状特征,计算待检测区域的灰度级作为待拉伸灰度级的可能性,响应于待拉伸灰度级的可能性大于预设拉伸阈值,判断待检测区域存在裂纹的可能性大,将待检测区域的灰度级作为待拉伸灰度级进行拉伸;以待检测区域中每个像素点为中心预设噪声窗口,计算每个像素点与噪声窗口内其他像素点的灰度差异累计和,得到每个像素点的噪声表现程度,根据每个像素点的噪声表现程度的均值,将所述均值作为待检测区域的噪声表现程度;计算所述待拉伸灰度级对应像素点的噪声表现程度与待检测区域的噪声表现程度的比值,将所述比值作为待拉伸灰度级的拉伸尺度调整因子,根据所述拉伸尺度调整因子调整待拉伸灰度级的拉伸尺度,响应于待拉伸灰度级的拉伸尺度调整因子大于预设调整阈值,则将待拉伸灰度级的原始拉伸尺度调大;所述拉伸尺度调整因子满足下述关系式:,式中,/>表示待拉伸灰度级/>的拉伸尺度调整因子,/>表示待拉伸灰度级/>中对应像素点个数,/>表示待拉伸灰度级/>对应像素点/>的灰度,/>为待拉伸灰度级/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数;根据拉伸后的钛板图像进行图像分割,得到前景区域和背景区域,对前景区域中的线性特征进行归一化处理,响应于归一化处理后大于预设缺陷阈值,判断钛板图像中待检测区域处存在裂纹。
在一个实施例中,所述灰度差异特征满足下述关系式:
式中,表示待检测区域的灰度级/>的灰度差异特征,/>为待检测区域的灰度级对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的灰度值。
在一个实施例中,所述线状特征满足下述关系式:
式中,表示待检测区域的灰度级/>的线状特征,/>为待检测区域的灰度级/>对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度方向,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的最大梯度方向,表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的最大梯度方向。
在一个实施例中,所述可能性满足下述关系式:
式中,表示待检测区域灰度级/>可作为待拉伸灰度级的可能性,/>表示待检测区域的灰度级/>的灰度差异特征,/>表示待检测区域的灰度级/>的线状特征,/>为指数函数。
在一个实施例中,所述噪声表现程度满足下述关系式:
式中,表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>为待检测区域/>中像素点个数,/>表示待检测区域/>中像素点/>的灰度,/>表示待检测区域/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数。
在一个实施例中,根据所述拉伸尺度调整因子调整待拉伸灰度级的拉伸尺度,所述拉伸尺度满足下述关系式:
式中,表示待拉伸灰度级/>调整后的拉伸尺度,/>表示待拉伸灰度级/>的原始拉伸尺度,/>表示待拉伸灰度级/>的拉伸尺度调整因子。
本发明具有以下效果:
1、本发明通过对比拉伸可以使裂缝更加突出,减少背景噪声的影响,从而提高裂缝检测的准确性,同时,通过合适的对比拉伸,可以使裂缝区域更清晰地呈现出来,有利于后续的图像分割和特征提取。
2、本发明通过筛选部分灰度级进行对比拉伸,可以将关注点集中在关键区域,减少了对整个图像进行处理的计算量,从而降低了算法的复杂度,提高了检测效率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于图像处理的钛板焊点缺陷检测方法中步骤S1-步骤S8的方法流程图。
图2是本发明实施例基于图像处理的钛板焊点缺陷检测方法中钛板图像中焊接区域的灰度图像示意图。
图3是本发明实施例基于图像处理的钛板焊点缺陷检测方法中钛板图像中焊接区域进行对比度拉伸的前后图像对比示意图。
图4是本发明实施例基于图像处理的钛板焊点缺陷检测方法中待检测区域的像素点最大梯度方向的垂直方向示意图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于图像处理的钛板焊点缺陷检测方法包括步骤S1-步骤S8,具体如下:
S1:采集焊接后的钛板图像并进行预处理,对预处理后的钛板图像中的焊接区域采用图像分割方法进行标注,生成历史样本数据集。
进一步说明,本实施例中,采用工业相机在光照均匀的环境中采集图像,根据焊接区域的尺寸和形状,根据实际情况选择合适的拍摄视角和距离,从不同角度和方向采集图像,参照图2,对采集的钛板图像进行灰度处理,转化成灰度图像。
S2:使用历史样本数据集对图像分割模型进行训练,得到显著分割模型,并对实时获取的钛板图像进行预测和标注,将标注后的区域作为待检测区域。
进一步说明,本实施例中,采用图像分割方法中的语义分割,考虑像素的语义信息,即像素属于哪个类别,由于钛板面积过大,通过遍历像素点获得钛板图像中的焊接区域时计算量较大,为了提高钛板的焊点缺陷检测效率,可采用语义分割,通过历史样本数据集训练语义分割模型,并通过训练后的语义分割模型对实时采集的钛板图像进行预测,得到焊接区域,也就是本文提到的待检测区域,语义分割为公知技术,不再详细描述。
参照图3,图中,A为钛板图像中待检测区域的灰度图像,A1为对应灰度图像的直方图,B为钛板图像中待检测区域的均衡化后的灰度图像,B1为对应均衡化后的灰度图像的直方图,白色标记区域中一条细小纹理表现程度在对比度拉伸前后有了显著改变。
S3:对待检测区域进行灰度遍历,获取每个灰度级对应的像素点的分布,计算每个灰度级对应每个像素点的最大梯度垂直方向上相邻两个像素点的灰度差异累计和,将灰度差异累计和作为每个灰度级对应像素点与周围像素点的灰度差异特征。
进一步说明,对待检测区域进行灰度级分析,筛选待检测区域对裂纹表现程度较大的灰度级进行对比度的拉伸,从而提高裂纹区域的表现,裂纹区域与周围像素点有明显的灰度差异,因此可以根据待检测区域内其他灰度级对应像素点的分布与裂纹区域特征的相似程度进行对比度拉伸。
灰度差异特征满足下述关系式:
式中,表示待检测区域的灰度级/>的灰度差异特征,/>为待检测区域的灰度级对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的灰度值。
S4:计算每个灰度级对应每个像素点的最大梯度垂直方向上与相邻两个像素点的梯度方向差异累计和,将梯度方向差异累计和作为每个灰度级对应像素点的线状特征。
线状特征满足下述关系式:
式中,表示待检测区域的灰度级/>的线状特征,/>为待检测区域的灰度级/>对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度方向,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的最大梯度方向,表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的最大梯度方向。
本实施例中,参考图4,如待检测区域中像素点在a方向上为最大梯度方向,图中b表示梯度的垂直方向,像素点/>的最大梯度的垂直方向上左侧为像素点/>、右侧为像素点/>,需要说明的是:待检测区域上每个点沿着梯度方向与左右相邻像素点,如果不在整数位,则取相邻4个像素点通过“双线性插值”加权求和得到,对于非整数位置的像素点的获取方法如:根据其在相邻像素点之间的位置,计算插值权重。这些权重由距离像素点最近的四个像素的位置决定, 根据插值权重,对相邻四个像素点的梯度值进行加权求和,得到该像素点的梯度值,该技术为本领域人员所悉知的,不在详细描述。
进一步说明,灰度差异特征的累积和越大则灰度差异特征越明显,梯度方向差异累积和越小,则线状特征越明显。当前灰度级的灰度差异特征与线状特征越明显,则当前灰度级对应像素点的分布与裂纹区域特征的相似程度就越高,对应当前灰度级被筛选为待拉伸灰度级的可能性就越大。
S5:根据灰度差异特征和线状特征,计算待检测区域的灰度级作为待拉伸灰度级的可能性,响应于待拉伸灰度级的可能性大于预设拉伸阈值,判断待检测区域存在裂纹的可能性大,将待检测区域的灰度级作为待拉伸灰度级进行拉伸。
可能性满足下述关系式:
式中,表示待检测区域灰度级/>可作为待拉伸灰度级的可能性,/>表示待检测区域的灰度级/>的灰度差异特征,/>表示待检测区域的灰度级/>的线状特征,/>为指数函数。
进一步说明,本实施例中,设置拉伸阈值为,可能性大于拉伸阈值,则认为待检测区域内存在裂纹,反之,可能性小于拉伸阈值,则认为待检测区域内没有裂纹,无需进行灰度级拉伸。
在拉伸过程中,钛板图像传输时可能存在噪声,从而会影响最终拉伸后的裂纹区域特征的纹理表现,根据待拉伸灰度级对应像素点与噪声像素点之间的关系,对待拉伸灰度级的拉伸尺度进行调整。
S6:以待检测区域中每个像素点为中心预设噪声窗口,计算每个像素点与噪声窗口内其他像素点的灰度差异累计和,得到每个像素点的噪声表现程度,根据每个像素点的噪声表现程度的均值,将均值作为待检测区域的噪声表现程度。
噪声表现程度满足下述关系式:
式中,表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>为待检测区域/>中像素点个数,/>表示待检测区域/>中像素点/>的灰度,/>表示待检测区域/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数。
进一步说明,本实施例中,设置的预设噪声窗口大小为,可根据情况进行调整,每个像素点的噪声表现程度的均值越大,则待检测区域的噪声表现就越大,对待检测区域内待拉伸灰度级的拉伸尺度调整影响也就越大。
S7:计算待拉伸灰度级对应像素点的噪声表现程度与待检测区域的噪声表现程度的比值,将比值作为待拉伸灰度级的拉伸尺度调整因子,根据拉伸尺度调整因子调整待拉伸灰度级的拉伸尺度,响应于待拉伸灰度级的拉伸尺度调整因子大于预设调整阈值,则将待拉伸灰度级的原始拉伸尺度调大。
拉伸尺度调整因子满足下述关系式:
式中,表示待拉伸灰度级/>的拉伸尺度调整因子,/>表示待拉伸灰度级/>中对应像素点个数,/>表示待拉伸灰度级/>对应像素点/>的灰度,/>为待拉伸灰度级/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数;
进一步说明,比值越高,则待拉伸灰度级对应像素点的噪声表现程度对待检测区域的噪声表现的贡献程度就越高,当前待拉伸灰度级对应拉伸尺度就越大,对应拉伸尺度的调整程度也就越大。因此,将待拉伸灰度级对应像素点的拉伸的范围更广泛,以减小噪声影响。
拉伸尺度满足下述关系式:
式中,表示待拉伸灰度级/>调整后的拉伸尺度,/>表示待拉伸灰度级/>的原始拉伸尺度,/>表示待拉伸灰度级/>的拉伸尺度调整因子。
本实施例中,调整阈值设置为,调整因子大于预设调整阈值,将当前待拉伸灰度级/>的原始拉伸尺度调大。
S8:根据拉伸后的钛板图像进行图像分割,得到前景区域和背景区域,对前景区域中的线性特征进行归一化处理,响应于归一化处理后大于预设缺陷阈值,判断钛板图像中待检测区域处存在裂纹。
进一步说明,本实施例中,采用大津法阈值分割,获得拉伸后图像的分割图像,图像中是否含有裂纹区域都会将图像分为前景区域与背景区域,因此需要判断前景区域表现为裂纹区域的可能性,以此识别采集的钛板焊接图像是否存在焊接缺陷。
裂纹具有一定的线性特征,缺陷阈值设置为,若前景区域中像素点的线性特征大于预设缺陷阈值,判断待检测区域存在裂纹,从而提醒工作人员进行处理。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.基于图像处理的钛板焊点缺陷检测方法,其特征在于,包括:
采集焊接后的钛板图像并进行预处理,对预处理后的钛板图像中的焊接区域采用图像分割方法进行标注,生成历史样本数据集;
使用所述历史样本数据集对图像分割模型进行训练,得到显著分割模型,并对实时获取的钛板图像进行预测和标注,将标注后的区域作为待检测区域;
对待检测区域进行灰度遍历,获取每个灰度级对应的像素点的分布,计算每个灰度级对应每个像素点的最大梯度垂直方向上相邻两个像素点的灰度差异累计和,将所述灰度差异累计和作为每个灰度级对应像素点与周围像素点的灰度差异特征;
计算每个灰度级对应每个像素点的最大梯度垂直方向上与相邻两个像素点的梯度方向差异累计和,将所述梯度方向差异累计和作为每个灰度级对应像素点的线状特征;
根据所述灰度差异特征和线状特征,计算待检测区域的灰度级作为待拉伸灰度级的可能性,响应于待拉伸灰度级的可能性大于预设拉伸阈值,判断待检测区域存在裂纹的可能性大,将待检测区域的灰度级作为待拉伸灰度级进行拉伸;
以待检测区域中每个像素点为中心预设噪声窗口,计算每个像素点与噪声窗口内其他像素点的灰度差异累计和,得到每个像素点的噪声表现程度,根据每个像素点的噪声表现程度的均值,将所述均值作为待检测区域的噪声表现程度;
计算所述待拉伸灰度级对应像素点的噪声表现程度与待检测区域的噪声表现程度的比值,将所述比值作为待拉伸灰度级的拉伸尺度调整因子,根据所述拉伸尺度调整因子调整待拉伸灰度级的拉伸尺度,响应于待拉伸灰度级的拉伸尺度调整因子大于预设调整阈值,则将待拉伸灰度级的原始拉伸尺度调大;
所述拉伸尺度调整因子满足下述关系式:
;
式中,表示待拉伸灰度级/>的拉伸尺度调整因子,/>表示待拉伸灰度级/>中对应像素点个数,/>表示待拉伸灰度级/>对应像素点/>的灰度,/>为待拉伸灰度级/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数;
根据拉伸后的钛板图像进行图像分割,得到前景区域和背景区域,对前景区域中的线性特征进行归一化处理,响应于归一化处理后大于预设缺陷阈值,判断钛板图像中待检测区域处存在裂纹。
2.根据权利要求1所述的基于图像处理的钛板焊点缺陷检测方法,其特征在于,所述灰度差异特征满足下述关系式:
;
式中,表示待检测区域的灰度级/>的灰度差异特征,/>为待检测区域的灰度级/>对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的灰度值,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的灰度值。
3.根据权利要求1所述的基于图像处理的钛板焊点缺陷检测方法,其特征在于,所述线状特征满足下述关系式:
;
式中,表示待检测区域的灰度级/>的线状特征,/>为待检测区域的灰度级/>对应像素点个数,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度方向,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上左侧像素点/>的最大梯度方向,/>表示待检测区域的灰度级/>中的像素点/>的最大梯度的垂直方向上右侧像素点/>的最大梯度方向。
4.根据权利要求1所述的基于图像处理的钛板焊点缺陷检测方法,其特征在于,所述可能性满足下述关系式:
;
式中,表示待检测区域灰度级/>可作为待拉伸灰度级的可能性,/>表示待检测区域的灰度级/>的灰度差异特征,/>表示待检测区域的灰度级/>的线状特征,/>为指数函数。
5.根据权利要求1所述的基于图像处理的钛板焊点缺陷检测方法,其特征在于,所述噪声表现程度满足下述关系式:
;
式中,表示待拉伸灰度级/>所处的待检测区域/>的噪声表现程度,/>为待检测区域中像素点个数,/>表示待检测区域/>中像素点/>的灰度,/>表示待检测区域/>中像素点/>的噪声窗口/>中其余像素点/>的灰度,/>表示预设噪声窗口内除像素点/>以外其余像素点的个数。
6.根据权利要求1所述的基于图像处理的钛板焊点缺陷检测方法,其特征在于,根据所述拉伸尺度调整因子调整待拉伸灰度级的拉伸尺度,所述拉伸尺度满足下述关系式:
;
式中,表示待拉伸灰度级/>调整后的拉伸尺度,/>表示待拉伸灰度级/>的原始拉伸尺度,/>表示待拉伸灰度级/>的拉伸尺度调整因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451774.XA CN118052823A (zh) | 2024-04-16 | 2024-04-16 | 基于图像处理的钛板焊点缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451774.XA CN118052823A (zh) | 2024-04-16 | 2024-04-16 | 基于图像处理的钛板焊点缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052823A true CN118052823A (zh) | 2024-05-17 |
Family
ID=91046936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410451774.XA Pending CN118052823A (zh) | 2024-04-16 | 2024-04-16 | 基于图像处理的钛板焊点缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052823A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269446A1 (en) * | 2014-03-24 | 2015-09-24 | Toyota Jidosha Kabushiki Kaisha | Boundary detection apparatus and boundary detection method |
WO2019165604A1 (zh) * | 2018-02-28 | 2019-09-06 | 华为技术有限公司 | 一种发际线轮廓的定位方法、装置及计算机可读存储介质 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117218042A (zh) * | 2023-11-09 | 2023-12-12 | 广东蛟龙电器有限公司 | 一种发质类型视觉分析检测方法 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
-
2024
- 2024-04-16 CN CN202410451774.XA patent/CN118052823A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269446A1 (en) * | 2014-03-24 | 2015-09-24 | Toyota Jidosha Kabushiki Kaisha | Boundary detection apparatus and boundary detection method |
WO2019165604A1 (zh) * | 2018-02-28 | 2019-09-06 | 华为技术有限公司 | 一种发际线轮廓的定位方法、装置及计算机可读存储介质 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117218042A (zh) * | 2023-11-09 | 2023-12-12 | 广东蛟龙电器有限公司 | 一种发质类型视觉分析检测方法 |
CN117351019A (zh) * | 2023-12-06 | 2024-01-05 | 巴苏尼制造(江苏)有限公司 | 一种焊接缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
何艳;吴炜;陈英涛;何小海;杨毅;: "一种新的红外图像的去噪和增强算法", 四川大学学报(自然科学版), no. 03, 28 May 2012 (2012-05-28), pages 111 - 118 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
US20180253836A1 (en) | Method for automated detection of defects in cast wheel products | |
Kothari | Detecting welding defects in steel plates using machine learning and computer vision algorithms | |
CN115063404B (zh) | 基于x射线探伤的耐候钢焊缝质量检测方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN115082464A (zh) | 除尘机焊接过程中焊缝数据的识别方法及*** | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
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 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
Mery | Crossing line profile: a new approach to detecting defects in aluminium die casting | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN115601347A (zh) | 基于灰度纹理分析的钢板表面缺陷检测方法 | |
CN116433669B (zh) | 基于机器视觉的抗震结构钢架焊缝质量检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN116309292A (zh) | 一种基于视觉转换层与实例分割的焊缝缺陷智能识别方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测*** | |
CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
CN116777911A (zh) | 一种基于图像识别的双基板散热器表面缺陷检测*** |
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 |