CN105976352B - 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 - Google Patents
一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 Download PDFInfo
- Publication number
- CN105976352B CN105976352B CN201610231793.7A CN201610231793A CN105976352B CN 105976352 B CN105976352 B CN 105976352B CN 201610231793 A CN201610231793 A CN 201610231793A CN 105976352 B CN105976352 B CN 105976352B
- Authority
- CN
- China
- Prior art keywords
- image
- weld
- area
- welded seam
- region
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
Abstract
一种基于灰度图像形态学的焊缝表面缺陷特征提取方法,根据采集图像设置微型CCD相机拍摄参数;将采集到的真彩色图像转化为灰度图,对图像进行中值滤波处理;采用删除最小面积的方法,消除残余噪音与背景纹理产生的白色干扰区域;利用区域填充处理,避免“待定黑色区域”,对边缘线提取的影响;通过膨胀算法处理完全填充后的焊缝区域,获得与实际焊缝面积吻合的焊缝区域;采用Canny算子提取填充膨胀后的焊缝区域边缘线,实现焊缝区域定位;绘制垂直于焊缝边缘的截面灰度B扫曲线,当焊缝表面存在孔洞和焊瘤等缺陷时时候,其灰度值在B扫曲线上发生明显的变化,以此判断焊缝表面不同类型的缺陷。实现焊缝边缘的准确定位和焊瘤、孔洞等缺陷的准确识别。
Description
技术领域
本发明涉及一种焊缝焊接缺陷的检测方法,特别是基于图像处理技术的焊缝缺陷检测识别方法。该方法适用于管道、锅炉和集箱等换能设备内部焊缝焊接缺陷的检测识别,属于无损检测领域。
背景技术
随着我国工业产业的发展,锅炉、管道和集箱等换能设备作为承受高温高压的关键部件,其制造质量受到人们越来越多的关注。换能设备既要承受由介质作用引起的内部压力,也要承受由内外温差引起的应力,失效破坏极易出现在内部焊接区域。因此迫切需要发展一种行之有效的内部焊缝焊接缺陷检测方法,为管道、锅炉和集箱等设备可靠运行提供技术保障。
目前,对集箱管接头内部焊缝焊接质量缺乏有效的检测手段,多采用人工检测的方法。由于检测人员长期注视屏幕上移动的焊缝,容易造成眼部疲劳,造成漏检,并且检验人员的素质、技能和经验的不同,对质量检验标准的把握难免有偏差,导致检测等级受检测人员的主观影响因素较大,很难对缺陷做出准确定量的判断。为了进一步提高集箱管接头焊缝的焊接质量,改善检测人员的检测条件,迫切需要实现集箱管接头内部焊缝焊接质量自动化检测,而焊缝表面缺陷的特征参数提取是实现自动化检测的关键。
近年来,针对上述检测方法存在的不足,发展了基于图像处理技术的焊缝焊接缺陷检测识别方法,用于实现不同类型焊接缺陷的特征提取。Valavanis等[Multiclassdefect detection and classification in weld radio graphic images usinggeometric and texture features[J].Expert Systems with Applications,2010,37(12):7606-7614]针对焊缝X射线图像进行了分析与识别研究,提出基于数字图像处理的算法,对采集到的图像进行处理,结合ANNs算法分析的基础上,获得焊缝缺陷特征相关参数。Vilar等[An automatic system of classification of weld defects in radiographicimages[J].NDT&EInternational,2009,42(5):467-476]针对X射线焊接缺陷图像开发了缺陷自动分类系统,该系统可实现图像降噪和对比度增强,结合大津法和标签技术对焊接缺陷图像进行分割和缺陷的特征提取,通过ANNs技术对缺陷进行分类,提高了对缺陷识别的效率及正确率。
目前,基于X射线完成焊缝检测的技术,多是针对焊缝焊接内部缺陷进行检测,关于内部焊接焊缝表面缺陷检测识别的技术还鲜有研究。对此,本方法提出了一种基于形态学图像处理技术的焊缝焊接缺陷检测识别方法,用于实现换能设备内部焊缝表面的缺陷的检测识别。本方法利用微型CCD相机采集换能设备内部焊缝区域图像,采用二值化、删除最小面积和膨胀等算法对图像焊缝边沿进行定位,同时,通过灰度B扫曲线对焊缝表面缺陷的特征参数进行提取。
发明内容
本发明的目的在于提供一种设备内部焊缝焊接缺陷的检测识别方法,特别是基于形态学图像处理技术的检测方法。本方法将图像处理技术用于设备内部的焊缝检测,采用数学形态学方法进行焊缝区域定位,利用B扫曲线提取内部焊缝表面存在焊瘤和孔洞等缺陷特征参数。
本发明提出一种基于形态学图像处理技术的内焊缝表面缺陷检测识别方法,其基本原理在于:
采用工业CCD相机采集彩色的焊缝图像,采集的焊缝图像包括焊缝表面存在孔洞、焊瘤等缺陷。
对采集到的彩色焊缝图像灰度化处理,灰度图像灰度值与彩色图像RGB值之间存在固有转换关系,根据该转换关系,可将彩色图像直接转化为灰度图像。转换后灰度图像灰度值Gray与原彩色图像RGB值之间的转换关系如式(1)所示。
Gray=R*0.3+G*0.59+B*0.11 (1)
R、G和B分别表示红绿蓝三种颜色;在对焊缝处理前,需对图像进行滤波处理,以减少背景噪声对图像识别的影响,综合对比中值滤波、平滑滤波和锐化滤波对焊缝图像处理的效果,选取中值滤波作为图像预处理的方法。中值滤波是一种非线性信号处理方法,可实现图像的降噪处理。该方法将图像划分成含有奇数个点的滑动窗口,分别用窗口中各像素中值灰度值来代替指定像素灰度值,指定像素是窗口中心点,指定像素灰度值的数学公式表示为:
yi=med{fi-v,···,fi-1,fi,fi+1,···,fi+v} (2)
其中i∈Z,v=(m-1)/2。yi为中值滤波后的焊缝图像,fi为中值滤波前的图像。中值滤波既可对焊缝图像降噪,又避免了焊缝边缘的模糊失真,实现焊缝图像的等效复原。
管内焊缝呈现弧状,为了精确的定位管内焊缝,采用图像形态学处理焊缝图像。采用二值法对焊缝区域和背景区域进行分离,二值法分离图像黑白区域是将图像像素点的灰度值分别置为0或255,即将整个焊缝图像呈现出明显的只有黑和白像素点的视觉效果。在焊缝检测图像中,焊缝区域呈白色,背景区域呈黑色。
由于残留噪声和背景纹理的影响,在焊缝的二值图像中会存在类似焊缝区域的白色干扰的区域产生,这些白色干扰区域的面积通常小于指定的焊缝区域的面积。因此,采用删除最小面积的方法,通过设置最小连通区域的阈值,可消除面积相对较小的白色干扰区域。
对于由图像拍摄角度及材质引起反光等因素的影响,在二值图像的焊缝区域内会产生“待定黑色区域”,该“待定黑色区域”无法直接判断是否由焊接质量引起。本方法目的是提取焊缝两端边缘线,实现焊缝的定位,因此对边缘线之间的焊缝进行区域填充处理,避免了“待定黑色区域”的影响。区域填充时,假设A表示一个包含一个子集的集合,对于子集元素连接边界的区域,从边界内的一点P开始,用1来填充整个边界内的区域,其数学公式表示为:
式中,X0=P,B为对称结构元,当k迭代到Xk=Xk-1时,算法终止。集合Xk和A的值并集包括填充的集合和边界。
在二值化和降噪等图像处理过程中,往往会造成焊缝边缘信息的丢失,导致焊缝填充区域小于实际焊缝面积。为了确保焊缝区域信息的完整性,采用膨胀算法处理焊缝填充区域,使得提取出的焊缝区域面积更接近焊缝实际面积。假设函数b对函数f进行膨胀,数学定义如下:
式中,Df和Db分别是函数f和b的定义域,b为形态处理的结构元。
在确定图像焊缝区域的前提下,利用Canny算子提取焊缝边缘,可完成焊缝区域定位。Canny算子的原理如下:(1)用高斯滤波器对图像进行滤波,去除图像中的噪声;(2)用高斯算子的一阶微分对图像进行滤波,得到每个图像的梯度强度和方向;(3)对梯度进行“非极大值抑制”,即各个区域的像素点用不同的邻近像素点进行比较,决定局部最大值;(4)对梯度取两次阈值。以阈值较高,去除背景噪声,同时也损失了有用的焊缝边缘信息的图片为基础。以阈值较低,保留焊缝边缘信息的图像来连接焊缝的边缘。
对焊缝区域定位后,提取焊缝区域内的缺陷特征。对于灰度图像可以用一个单值实函数f(x,y)表示,这个函数在某点的值称为图像在该点的灰度值或亮度值。对于焊缝表面存在孔洞和焊瘤的区域,因其焊缝表面的材质特性发生变化,在出现孔洞和焊瘤区域相对于焊缝焊接质量良好区域的灰度值和亮度值发生明显的变化,因此以一列像素值为X轴,以归一化取负的灰度值为Y轴做图像B扫曲线。在焊缝区域内(如图9、10和11黑线内的区域),焊接质量良好区域B扫曲线的走势与存在焊瘤和孔洞区域B扫曲线的走势有着明显的不同,以此判断图像中不同类型的焊接缺陷。
本发明提出的一种基于形态学图像处理技术的内焊缝表面缺陷检测识别方法是通过以下步骤实现的:
步骤一:图像采集。
采用工业CCD相机采集换能设备内部焊缝表面存在孔洞、焊瘤缺陷图像,采集的图像为真彩色RGB图像,图像尺寸、清晰度、色相和饱和度固定不变。步骤二:图像前期处理。
根据公式(1)将真彩色RGB图像转化为灰度图像。
步骤三:图像预处理。
对灰度图像进行中值滤波处理,实现图像在边缘保真情况下的降噪复原。步骤四:图像二值化。
设置灰度阈值,将灰度图转化为黑白二值图。其中,焊缝区域呈白色,背景区域呈黑色。
步骤五:消除白色干扰区域。
残留噪音与背景纹理在二值图像中的连通区域为白色干扰区域,该白色干扰区域均小于焊缝区域。设置最小连通区域面积,采用删除最小连通区域面积的方法消除图像残留噪音及背景纹理噪音,完整提取焊缝区域。
步骤六:焊缝边缘线提取。
(1)在黑白二值图中的焊缝白色区域内,由于图像拍摄角度及材质反光等原因会产生“待定黑色区域”,为避免其影响边缘线提取,对焊缝区域进行区域填充处理。
(2)对完全填充后的焊缝区域进行膨胀算法处理,补偿边缘信息的丢失,保证焊缝区域与实际焊缝面积吻合。
(3)采用Canny算子提取填充膨胀后的焊缝区域边缘线,实现焊缝区域定位。步骤七:B扫曲线判断缺陷类型。
根据灰度图像,绘制垂直于焊缝路径的截线灰度B扫曲线。其中,截线像素值为X轴,归一化取负的灰度值为Y轴。根据步骤六定位的焊缝边缘,确定B扫曲线中的焊缝截线区域。当焊缝表面存在孔洞和焊瘤的时候,其灰度值在B扫曲线上发生明显的变化,以此判断焊缝表面不同类型的缺陷。
本发明具有以下优点:1)采用数学形态学图像处理技术对内焊缝图像进行焊缝区域定位,实现了内焊缝边缘的提取。2)将灰度截面B扫曲线用于分析焊缝表面缺陷特征参数,实现了内焊缝表面孔洞、焊瘤等不同类型焊接缺陷特征的有效提取。
附图说明
图1焊缝表面焊接质量良好示意图
图2(a)-图2(b)焊缝表面存在焊瘤和孔洞示意图
图3中值滤波效果示意图
图4二值化效果示意图
图5消除残留噪音与背景噪音效果示意图
图6区域填充效果示意图
图7膨胀效果示意图
图8焊缝边缘线提取效果示意图
图9焊接表面质量良好区域B扫图走势示意图
图10焊缝表面存在孔洞区域B扫图走势示意图
图11焊缝表面存在焊瘤区域B扫图走势示意图
图12为本方法的实施流程图
具体实施方式
下面结合具体实验对本发明作进一步说明:
本实验选取焊缝表面存在孔洞和焊缝表面存在焊瘤的样本作为特征提取图像,选取表面焊接质量良好的样本作为前期边缘提取算法验证图像。如图1所示。步骤一:图像采集。
采用工业CCD相机采集换能设备内部焊缝表面存在孔洞、焊瘤等缺陷图像,采集的图像为真彩色RGB图像,图像尺寸480*360、色相4、饱和度100、对比度-4,各值固定不变。
步骤二:图像前期处理。
根据公式(1)将真彩色RGB图像转化为灰度图像。如图2(a)-图2(b)所示。
步骤三:图像预处理。
对灰度图像进行中值滤波处理,实现图像在边缘保真情况下的降噪复原。如图3所示。
步骤四:图像二值化。
设置灰度阈值,将灰度图转化为黑白二值图。其中,焊缝区域呈白色,背景区域呈黑色。将图像上灰度值小于90的像素点置为0,图像上灰度值大于等于90的像素点置为255,将整个图像呈现出明显的黑白效果。如图4所示。
步骤五:消除白色干扰区域。
残留噪音与背景纹理在二值图像中的连通区域为白色干扰区域,该白色干扰区域均小于焊缝区域。设置最小连通区域面积,采用删除最小连通区域面积的方法消除图像残留噪音及背景纹理噪音,完整提取焊缝区域。本实验设置小于等于5000的连通区域置为0。除去图像残留噪音与背景纹理噪音的效果如图5所示。步骤六:焊缝区域边缘线提取。
(1)在黑白二值图中的焊缝白色区域内,由于图像拍摄角度及材质反光等原因会产生“待定黑色区域”,为避免其影响边缘线提取,对焊缝区域进行区域填充处理。填充效果如图6所示。
(2)对完全填充后的焊缝区域进行膨胀算法处理,补偿边缘信息的丢失,保证焊缝区域与实际焊缝面积吻合,采用膨胀算法处理焊缝区域,对图像做三次膨胀处理,膨胀结构元为膨胀处理后的效果如图7所示。
(3)采用Canny算子提取填充膨胀后的焊缝区域边缘线,实现焊缝区域定位。焊缝边缘提取效果如图8所示。
步骤七:B扫曲线判断缺陷类型。
根据灰度图像,绘制垂直于焊缝路径的截线灰度B扫曲线。其中,截线像素值为X轴,归一化取负的灰度值为Y轴。根据步骤六定位的焊缝边缘,确定B扫曲线中的焊缝截线区域。当焊缝表面存在孔洞和焊瘤的时候,其灰度值在B扫曲线上发生明显的变化,以此判断焊缝表面不同类型的缺陷。在焊缝区域内,焊接质量良好区域B扫图的走势与存在焊瘤和孔洞区域B扫图的走势有着明显的不同。由图9可知,若焊缝中存在孔洞,则孔洞区域对应的一列像素的B扫图中,在焊缝区域内有一段像素的灰度值趋近于0。由图10可知,若焊缝中存在焊瘤,则焊瘤区域对应的一列像素的B扫图中,在焊缝区域内有一段像素的灰度值趋近于-1。由图11可知,若焊缝焊接质量良好,则焊缝区域对应的一列像素的B扫图中,在焊缝区域内并没有一段像素值的灰度值趋近于0或-1。
以上是本发明的一个典型应用,本发明的应用不限于此。
Claims (3)
1.一种基于灰度图像形态学的焊缝表面缺陷特征提取方法,其特征在于:
本方法是通过以下步骤实现的,
步骤一:图像采集;
采用工业CCD相机采集换能设备内部焊缝表面存在孔洞、焊瘤缺陷图像,采集的图像为真彩色RGB图像,图像尺寸、清晰度、色相和饱和度固定不变;
步骤二:图像前期处理;
将真彩色RGB图像转化为灰度图像;
步骤三:图像预处理;
对灰度图像进行中值滤波处理,实现图像在边缘保真情况下的降噪复原;
步骤四:图像二值化;
设置灰度阈值,将灰度图转化为黑白二值图;其中,焊缝区域呈白色,背景区域呈黑色;
步骤五:消除白色干扰区域;
残留噪音与背景纹理在二值图像中的连通区域为白色干扰区域,该白色干扰区域均小于焊缝区域;设置最小连通区域面积,采用删除最小连通区域面积的方法消除图像残留噪音及背景纹理噪音,完整提取焊缝区域;
步骤六:焊缝边缘线提取;
(1)在黑白二值图中的焊缝白色区域内,由于图像拍摄角度及材质反光原因会产生“待定黑色区域”,为避免其影响边缘线提取,对焊缝区域进行区域填充处理;
(2)对完全填充后的焊缝区域进行膨胀算法处理,补偿边缘信息的丢失,保证焊缝区域与实际焊缝面积吻合;
(3)采用Canny算子提取填充膨胀后的焊缝区域边缘线,实现焊缝区域定位;
步骤七:B扫曲线判断缺陷类型;
根据灰度图像,绘制垂直于焊缝路径的截线灰度B扫曲线;其中,截线像素值为X轴,归一化取负的灰度值为Y轴;根据步骤六定位的焊缝边缘,确定B扫曲线中的焊缝截线区域;当焊缝表面存在孔洞和焊瘤的时候,其灰度值在B扫曲线上发生明显的变化,以此判断焊缝表面不同类型的缺陷。
2.根据权利要求1所述的一种基于灰度图像形态学的焊缝表面缺陷特征提取方法,其特征在于:
本方法的基本原理在于,
采用工业CCD相机采集彩色的焊缝图像,采集的焊缝图像包括焊缝表面存在孔洞、焊瘤缺陷;
对采集到的彩色焊缝图像灰度化处理,灰度图像灰度值与彩色图像RGB值之间存在固有转换关系,根据该转换关系,将彩色图像直接转化为灰度图像;转换后灰度图像灰度值Gray与原彩色图像RGB值之间的转换关系如式(1)所示;
Gray=R*0.3+G*0.59+B*0.11 (1)
R、G和B分别表示红绿蓝三种颜色;在对焊缝处理前,需对图像进行滤波处理,综合对比中值滤波、平滑滤波和锐化滤波对焊缝图像处理的效果,选取中值滤波作为图像预处理的方法;该方法将图像划分成含有奇数个点的滑动窗口,分别用窗口中各像素中值灰度值来代替指定像素灰度值,指定像素是窗口中心点,指定像素灰度值的数学公式表示为:
yi=med{fi-v,…,fi-1,fi,fi+1,…,fi+v} (2)
其中i∈Z,v=(m-1)/2;yi为中值滤波后的焊缝图像,fi为中值滤波前的图像;
管内焊缝呈现弧状,采用图像形态学处理焊缝图像;采用二值法对焊缝区域和背景区域进行分离,二值法分离图像黑白区域是将图像像素点的灰度值分别置为0或255,即将整个焊缝图像呈现出明显的只有黑和白像素点的视觉效果;在焊缝检测图像中,焊缝区域呈白色,背景区域呈黑色;
采用删除最小面积的方法,通过设置最小连通区域的阈值,可消除面积相对较小的白色干扰区域;
对于由图像拍摄角度及材质引起反光因素的影响,在二值图像的焊缝区域内会产生“待定黑色区域”,该“待定黑色区域”无法直接判断是否由焊接质量引起;对边缘线之间的焊缝进行区域填充处理,避免了“待定黑色区域”的影响;区域填充时,假设A表示一个包含一个子集的集合,对于子集元素连接边界的区域,从边界内的一点P开始,用1来填充整个边界内的区域,其数学公式表示为:
式中,X0=P,B为对称结构元,当k迭代到Xk=Xk-1时,算法终止;集合Xk和A的值并集包括填充的集合和边界;
在二值化和降噪图像处理过程中,往往会造成焊缝边缘信息的丢失,导致焊缝填充区域小于实际焊缝面积;为了确保焊缝区域信息的完整性,采用膨胀算法处理焊缝填充区域,使得提取出的焊缝区域面积更接近焊缝实际面积;假设函数b对函数f进行膨胀,数学定义如下:
式中,Df和Db分别是函数f和b的定义域,b为形态处理的结构元。
3.根据权利要求2所述的一种基于灰度图像形态学的焊缝表面缺陷特征提取方法,其特征在于:
在确定图像焊缝区域的前提下,利用Canny算子提取焊缝边缘,可完成焊缝区域定位;Canny算子的原理如下:(1)用高斯滤波器对图像进行滤波,去除图像中的噪声;(2)用高斯算子的一阶微分对图像进行滤波,得到每个图像的梯度强度和方向;(3)对梯度进行“非极大值抑制”,即各个区域的像素点用不同的邻近像素点进行比较,决定局部最大值;(4)对梯度取两次阈值;以阈值较高,去除背景噪声,同时也损失了有用的焊缝边缘信息的图片为基础;以阈值较低,保留焊缝边缘信息的图像来连接焊缝的边缘;
对焊缝区域定位后,提取焊缝区域内的缺陷特征;对于灰度图像用一个单值实函数f1(x1,y1)表示,这个函数在某点的值称为图像在该点的灰度值或亮度值;以一列像素值为X轴,以归一化取负的灰度值为Y轴做图像B扫曲线;在焊缝区域内,焊接质量良好区域B扫曲线的走势与存在焊瘤和孔洞区域B扫曲线的走势有着明显的不同,以此判断图像中不同类型的焊接缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610231793.7A CN105976352B (zh) | 2016-04-14 | 2016-04-14 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610231793.7A CN105976352B (zh) | 2016-04-14 | 2016-04-14 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105976352A CN105976352A (zh) | 2016-09-28 |
CN105976352B true CN105976352B (zh) | 2019-01-11 |
Family
ID=56988824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610231793.7A Active CN105976352B (zh) | 2016-04-14 | 2016-04-14 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976352B (zh) |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778789B (zh) * | 2017-01-17 | 2019-06-07 | 湖南优象科技有限公司 | 一种多视点图像中的快速目标提取方法 |
CN107064169B (zh) * | 2017-01-22 | 2021-11-09 | 太原科技大学 | 一种桥梁裂缝检测装置及检测方法 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
CN107358597A (zh) * | 2017-05-24 | 2017-11-17 | 上海视马艾智能科技有限公司 | 一种胶点检验方法与装置 |
CN107180440A (zh) * | 2017-05-31 | 2017-09-19 | 铜仁市万山区丹凤朱砂工艺品研发检测鉴定中心有限公司 | 一种根据照片获取加工曲线的方法 |
CN108181315B (zh) * | 2017-11-25 | 2021-02-02 | 天津大学 | 一种基于图像处理的饼干损伤检测装置及检测方法 |
CN108280838A (zh) * | 2018-01-31 | 2018-07-13 | 桂林电子科技大学 | 一种基于边缘检测的夹片牙型缺陷检测方法 |
CN108537153B (zh) * | 2018-03-27 | 2021-08-24 | 华南农业大学 | 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法 |
CN108511359A (zh) * | 2018-03-30 | 2018-09-07 | 武汉新芯集成电路制造有限公司 | 晶圆缺陷的检测方法 |
CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
CN108359947A (zh) * | 2018-04-26 | 2018-08-03 | 宁波江丰电子材料股份有限公司 | 溅射靶材封孔方法、装置及电子设备 |
CN108788459A (zh) * | 2018-05-29 | 2018-11-13 | 大族激光科技产业集团股份有限公司 | 一种焊接件边缘的焊接方法 |
CN108921828B (zh) * | 2018-06-15 | 2022-04-22 | 湖南科技大学 | 一种复杂场景下不显著焊缝识别方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
CN110857919A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的尾丝缺陷检测方法 |
CN109108518A (zh) * | 2018-09-05 | 2019-01-01 | 广东工业大学 | 一种激光焊驼峰缺陷的在线检测方法及装置 |
CN109459451A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于射线造影的金属内部微小裂纹检测方法 |
CN109584240B (zh) * | 2018-12-20 | 2022-05-03 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
CN109692889B (zh) * | 2019-01-10 | 2020-02-21 | 浙江工业大学 | 一种基于机器视觉的伞杆工位调整系统及方法 |
CN109816652B (zh) * | 2019-01-25 | 2022-08-12 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN109800824B (zh) * | 2019-02-25 | 2019-12-20 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
CN109886958B (zh) * | 2019-03-18 | 2022-03-25 | 济南奥图科技有限责任公司 | 一种基于方管焊缝位置自动识别的方法、装置及系统 |
CN109949291A (zh) * | 2019-03-19 | 2019-06-28 | 苏州润智和智能科技有限公司 | 一种汽车铸铝件x射线图像的缺陷检测方法 |
CN110021017B (zh) * | 2019-04-02 | 2022-06-17 | 南通大学 | 一种提取焊缝中心线的方法 |
CN110285908B (zh) * | 2019-05-28 | 2022-04-01 | 北京机科国创轻量化科学研究院有限公司 | 一种复合材料预制体制造过程中多束纤维张力实时在线检测方法 |
CN110188734A (zh) * | 2019-06-06 | 2019-08-30 | 秒针信息技术有限公司 | 焊缝类型的识别方法及装置 |
CN110345877B (zh) * | 2019-07-03 | 2020-10-27 | 西安交通大学 | 一种管板孔径和节距测量方法 |
CN110390649B (zh) * | 2019-07-16 | 2023-03-24 | 西安石油大学 | 一种用于油气管道焊缝图像降噪的方法 |
CN110421283B (zh) * | 2019-08-12 | 2021-03-30 | 中国石油大学(华东) | 一种管板换热器的管板焊接方法 |
CN110687130A (zh) * | 2019-09-27 | 2020-01-14 | 天津大学 | 微细孔内壁缺陷自动检测方法 |
CN110717872B (zh) * | 2019-10-08 | 2022-11-01 | 江西洪都航空工业集团有限责任公司 | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 |
CN110766743A (zh) * | 2019-10-23 | 2020-02-07 | 中冶赛迪重庆信息技术有限公司 | 基于图像识别的物料流量检测方法、装置、设备及介质 |
CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
CN111489363B (zh) * | 2020-04-09 | 2022-06-03 | 江苏方天电力技术有限公司 | 一种小径管焊缝根部二维图像焊瘤尺寸测量方法 |
CN112545566A (zh) * | 2020-12-07 | 2021-03-26 | 武汉中旗生物医疗电子有限公司 | 一种胎儿颈部透明层测量方法及装置 |
CN112529884B (zh) * | 2020-12-17 | 2022-03-25 | 中国石油大学(华东) | 一种基于压痕特征图像识别的焊点质量评价方法 |
CN112730428A (zh) * | 2020-12-23 | 2021-04-30 | 联合汽车电子有限公司 | 接杆焊缝检测系统及方法 |
CN113436168B (zh) * | 2021-06-25 | 2023-07-18 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113192070B (zh) * | 2021-06-30 | 2021-09-10 | 深圳市超准视觉科技有限公司 | 一种基于计算机视觉的焊缝图像处理方法和系统 |
CN113658143B (zh) * | 2021-08-19 | 2022-10-21 | 济南大学 | 一种机采籽棉含杂率检测方法及系统 |
CN114034706B (zh) * | 2021-10-29 | 2023-06-16 | 武汉理工大学 | 一种碳纤维零件表面缺陷检测装置及方法 |
CN115115644B (zh) * | 2022-08-31 | 2022-11-15 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN115578390B (zh) * | 2022-12-09 | 2023-03-28 | 无锡联营电力设备有限公司 | 一种用于除氧器的焊接控制方法 |
CN115601369B (zh) * | 2022-12-16 | 2023-03-03 | 国网山东省电力公司东营供电公司 | 一种输变电工程用变电设备支架质量评估方法 |
CN116485678B (zh) * | 2023-04-28 | 2024-02-09 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
CN116503388B (zh) * | 2023-06-25 | 2023-11-14 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN116740098B (zh) * | 2023-08-11 | 2023-10-27 | 中色(天津)新材料科技有限公司 | 一种铝合金氩弧焊焊接图像分割方法及系统 |
CN117576106A (zh) * | 2024-01-17 | 2024-02-20 | 高科建材(咸阳)管道科技有限公司 | 管道缺陷检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
US20150235357A1 (en) * | 2012-11-21 | 2015-08-20 | Fujifilm Corporation | Fluoroscopic image density correction method, non-destructive inspection method, and image processing device |
-
2016
- 2016-04-14 CN CN201610231793.7A patent/CN105976352B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235357A1 (en) * | 2012-11-21 | 2015-08-20 | Fujifilm Corporation | Fluoroscopic image density correction method, non-destructive inspection method, and image processing device |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Multiclass defect detection and classification in weld radiographic images using geometric and texture features;Ioannis Valavanis et al;《Expert Systems with Applications》;20101231;第37卷(第12期);7606-7614 |
基于数学形态学的焊缝缺陷提取算法;麻春辉 等;《数字技术与应用 》;20150930(第9期);29-36 |
Also Published As
Publication number | Publication date |
---|---|
CN105976352A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976352B (zh) | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 | |
CN105931227B (zh) | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 | |
US20190331301A1 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
Iyer et al. | Segmentation of pipe images for crack detection in buried sewers | |
KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN109166125A (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
CN106327451A (zh) | 一种古生物化石的图像修复方法 | |
CN103822932B (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
JP3572750B2 (ja) | コンクリート欠陥の自動評価方法 | |
CN112730454A (zh) | 基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法 | |
CN111932490A (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
Kamalakannan et al. | Spatial smoothing based segmentation method for internal defect detection in X-ray images of casting components | |
Thiruganam et al. | Automatic defect detection and counting in radiographic weldment images | |
JP2000076446A (ja) | 放射線透過検査における溶接欠陥自動検出法 | |
Abd Halim et al. | The geometrical feature of weld defect in assessing digital radiographic image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |