CN106780493A - 一种基于焊缝x射线数字图像的圆形缺陷识别方法 - Google Patents
一种基于焊缝x射线数字图像的圆形缺陷识别方法 Download PDFInfo
- Publication number
- CN106780493A CN106780493A CN201710059954.3A CN201710059954A CN106780493A CN 106780493 A CN106780493 A CN 106780493A CN 201710059954 A CN201710059954 A CN 201710059954A CN 106780493 A CN106780493 A CN 106780493A
- Authority
- CN
- China
- Prior art keywords
- image
- circular flaw
- weld seam
- ray
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003466 welding Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005429 filling process Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
-
- G06T5/70—
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明的技术方案包括一种基于焊缝X射线数字图像的圆形缺陷识别方法,该方法包括:S1,采集带有圆形缺陷的焊缝X射线图像;S2,使用总变分模型的显示差分算法对所述步骤A采集的焊缝X射线图像进行去噪处理;S3,通过Canny边缘检测算子初步确定圆形缺陷的边缘;S4,对所述步骤C得到的图形进行数学形态学处理,进一步确定圆形缺陷的边缘轮廓、质心及面积。本发明的有益效果为:本发明的技术方案提高了对于焊缝X射线圆形缺陷的检测速度与准确性。
Description
技术领域
本发明涉及一种基于焊缝X射线数字图像的圆形缺陷识别方法,属于计算机数字检测领域。
背景技术
X射线成像系统已广泛应用于工业无损检测中,而在X射线成像系统中,由于射线照相对比度、不清晰度以及各种硬件的制约,其图像存在噪声大、对比度低、图像模糊、图像细节被噪声淹没等特点,图像质量难以达到规定的行业标准。文中针对锅炉焊管对焊接焊缝中圆形缺陷的检测加以探讨。圆形缺陷是熔池中的气泡在凝固时未能逸出而残留下来所形成的空穴,主要指的是焊缝中的气孔、块状夹渣、夹钨等缺陷,其存在严重影响焊接接头的力学性能,而目前焊缝中圆形缺陷的数量主要依靠人的主观判断,难免会出现漏判误判的现象,因此如何准确高效地检测出焊接评定中圆形缺陷的数量及面积具有重要的意义。
国内外人员对焊缝X射线图像圆形缺陷检测做了大量工作,主要分为图像处理和图像识别计数。其中图像处理方法主要有:图像增强,以提高图像对比度;阈值处理,将图像二值化;降噪滤波,消除噪声凸显边缘轮廓信息;最后根据建立的形态信息进行边缘检测。缺陷类型的识别计数方法主要有:系统模式识别、人工神经网络模式识别、模糊集合识别和支持向量机,但这些算法存在构建数学物理模型相对复杂、编程难道大、圆形缺陷识别率相对较低等不足。因此,为了提高焊缝X射线数字图像的圆形缺陷识别技术,以满足工业X射线检测标准的需要,提高检测的效率与质量,就必须发明新的检测方法。
发明内容
本发明的目的在于克服现有焊缝圆形缺陷检测技术的不足,提供了一种基于焊缝X射线数字图像的圆形缺陷识别方法。
本发明的技术方案包括一种基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,该方法包括:S1,采集带有圆形缺陷的焊缝X射线图像;S2,使用总变分模型的显式差分算法对所述步骤A采集的焊缝X射线图像进行去噪处理;S3,通过Canny边缘检测算子初步确定圆形缺陷的边缘;S4,对所述步骤S3得到的图形进行数学形态学处理,进一步确定圆形缺陷的边缘轮廓、质心及面积。
根据所述的基于焊缝X射线数字图像的圆形缺陷识别方法,所述的步骤S1还包括:将待检测装置的焊缝部位放置于X射线无损检查器下,并通过X光成像获取焊缝的X射线图像。
根据上述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述的步骤S2还包括子步骤:S301,将视为能量泛函的最小化问题并将含噪声图像模型定义为Xm=Mu+u(1),其中公式(1)中的Xm为含噪声的焊缝的X射线图像,u为干净图像;S302,进一步对含噪图像图模型进行平衡图像去噪和平滑处理,其包括对噪声的去除的能量最小化进行计算,其计算公式为
其中为保真项,为正则化项,参数λ为规整参数,进一步将λ设置为高斯滤波器;S303,执行对公式(2)的梯度下降流处理,采用总变分模型的显式差分方法恢复干净图像并去除噪声,其中对公式(2)的梯度下降流处理结果的公式为
其中,div为散度算子,为梯度算子。
根据上述所述的基于焊缝X射线数字图像的圆形缺陷识别方法,所述的步骤S3的Canny边缘检测还包括以下子步骤:S401,对图像使用带有指定标准偏差σ的高斯滤波器来平滑图像;S402,在图像的每一点计算局部梯度和边缘方向α(x,y)=arctan(ly/lx),边缘点为梯度方向上其强度局部最大点,所确定的边缘点会导致梯度幅度图像中出现脊;S403,执行非最大值抑制处理,包括查找脊的顶部,并将所有不在脊的顶部的像素设为零;S404,将不连接的弱像素集成到强像素,执行边缘连接。
根据上述的基于焊缝X射线数字图像的圆形缺陷识别方法,所述的步骤S403还包括:脊像素使用两个阈值T1和T2做阈值处理,其中T1<T2,值大于T2的脊像素为强边缘像素,T1与T2之间的脊像素为弱边缘像素。
根据上述的基于焊缝X射线数字图像的圆形缺陷识别方法,所述数学形态学处理还包括以下子步骤:S601,将通过Canny边缘检测得到的二值图像矩阵设置为A,膨胀腐蚀模型版设置为B,A首先通过与B进行形态学开运算去除孤立点,然后与B进行形态学闭运算连接非封闭边缘,其运算公式如下所示S602,设置C为对称结构元素,并对二值图像A的封闭区域进行区域填充,其中C设置为
其中的圆形缺陷填充过程为k=1,2,3Λ,其中为X0圆形缺陷内一点且X0=1,当Xk=Xk-1时则算法在迭代的第k步结束;S603,对填充后的二值图像进行连通分量的提取标记,其包括设置Y表示为包含于二值图像的连通分量,并且设置X0为Y中的一个已知点,对Y进行迭代生产,其公式为其中k=1,2,3Λ,当Xk=Xk-1时,则对算法进行收敛,并且Y=Xk;S604,基于标记的连接分量确定图像圆形缺陷的质心以及面积。
本发明的有益效果为:本发明的技术方案较好地去除了焊缝X射线图像中的噪声,有效地识别了焊缝中的圆形缺陷,提高了对于焊缝X射线圆形缺陷的检测速度与准确性,并计算出圆形缺陷相应的质心及面积,为焊缝的评级奠定了基础。
附图说明
图1所示为根据本发明实施方式的流程图;
图2所示为根据实施本发明方法的焊缝X射线图像;
图3所示为图2圆形缺陷边缘局布放大图;
图4所示为根据实施本发明方法的带有圆形缺陷的焊缝X射线图像;
图5所示为图4的圆形缺陷边缘。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。本发明的基于焊缝X射线数字图像的圆形缺陷识别方法适用于焊缝的圆形缺陷检测。
图1所示为根据本发明实施方式的流程图。包括步骤S101~S106,其具体如下所示:
S101,将待检焊缝放在X射线无损检测器下,通过X光成像获取焊缝的X射线图像,采集带有圆形缺陷的焊缝X射线图像;
S102,焊缝X射线图像进行去噪处理;
S103,通过Canny边缘检测算子初步确定圆形缺陷的边缘;
S104,使用形态学开运算去除孤立点,然后进行形态学闭运算连接非封闭边缘
S105,填充封闭区域;
S106,确定圆形缺陷的边缘轮廓、质心及面积。
图2所示为根据实施本发明方法的通过X射线检测仪获取的带有圆形缺陷(夹渣)的焊缝X射线图像。
图3所示为根据实施本发明方法提取的图2圆形缺陷边缘的局布放大图,从图中可以看出,本发明有效地提取了缺陷的边缘,并计算出圆形缺陷相应的质心及面积,为焊缝的评级奠定了基础。
图4所示为根据实施本发明方法的通过X射线检测仪获取的带有圆形缺陷(气孔)的焊缝X射线图像。
图5所示为根据实施本发明方法提取的图4圆形缺陷边缘,从图中可以看出,本发明有效地提取了缺陷的边缘,并计算出圆形缺陷相应的质心及面积,为焊缝的评级奠定了基础。
依据本发明的检测流程步骤S101,将获取的焊缝X射线数字图像如附图2、4所示输入。依据本发明的检测流程步骤S102,对输入图像用总变分模型的显式差分算法进行去噪处理。依据本发明的检测流程步骤S103,对预处理后的图像进行Canny边缘检测初步确定圆形缺陷的轮廓。根据本发明的检测流程步骤S104,对边缘检测后的二值图像进行数学形态学处理包括去除孤立噪声点、连接非封闭边缘、填充封闭区域、标记连接分量、确定质心及面积。实施本发明方法提取的圆形缺陷边缘如附图3、5所示。实施本发明获得的圆形缺陷质心以及面积信息如下表1(夹渣)、表2(气孔)所示。
序号. | 质心 | 面积(像素) |
1 | (214.56,104.11) | 54 |
2 | (230.75,140.56) | 32 |
3 | (248.86,110.68) | 28 |
4 | (270.95,89.50) | 22 |
5 | (298.93,149.85) | 27 |
6 | (334.31,178.74) | 54 |
7 | (380.52,225.08) | 25 |
8 | (403.04,146.70) | 46 |
9 | (425.19,64.71) | 31 |
10 | (428.41,139.74) | 34 |
11 | (451.55,79.32) | 47 |
12 | (497.84,146.20) | 25 |
13 | (535.41,165.00) | 22 |
表1
序号. | 质心 | 面积(像素) |
1 | (299.27,78.18) | 11 |
2 | (304.32,67.21) | 19 |
3 | (371.32,74.89) | 19 |
4 | (405.63,76.00) | 16 |
表2
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (6)
1.一种基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,该方法包括:
S1,采集带有圆形缺陷的焊缝X射线图像;
S2,使用总变分模型的显式差分算法对所述步骤A采集的焊缝X射线图像进行去噪处理;
S3,通过Canny边缘检测算子初步确定圆形缺陷的边缘;
S4,对所述步骤S3得到的图形进行数学形态学处理,进一步确定圆形缺陷的边缘轮廓、质心及面积。
2.根据权利要求1所述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述的步骤S1还包括:
将待检测装置的焊缝部位放置于X射线无损检查器下,并通过X光成像获取焊缝的X射线图像。
3.根据权利要求1或2所述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述的步骤S2还包括子步骤:
S301,将视为能量泛函的最小化问题并将含噪声图像模型定义为
Xm=Mu+u(1),
其中公式(1)中的Xm为含噪声的焊缝的X射线图像,u为干净图像;
S302,进一步对含噪图像图模型进行平衡图像去噪和平滑处理,其包括对噪声的去除的能量最小化进行计算,其计算公式为
其中为保真项,为正则化项,参数λ为规整参数,进一步将λ设置为高斯滤波器;
S303,执行对公式(2)的梯度下降流处理,采用总变分模型的显式差分方法恢复干净图像并去除噪声,其中对公式(2)的梯度下降流处理结果的公式为
其中,div为散度算子,▽为梯度算子。
4.根据权利要求3所述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述的步骤S3的Canny边缘检测还包括以下子步骤:
S401,对图像使用带有指定标准偏差σ的高斯滤波器来平滑图像;
S402,在图像的每一点计算局部梯度和边缘方向α(x,y)=arctan(ly/lx),边缘点为梯度方向上其强度局部最大点,所确定的边缘点会导致梯度幅度图像中出现脊;
S403,执行非最大值抑制处理,包括查找脊的顶部,并将所有不在脊的顶部的像素设为零;
S404,将不连接的弱像素集成到强像素,执行边缘连接。
5.根据权利要求4所述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述的步骤S403还包括:
脊像素使用两个阈值T1和T2做阈值处理,其中T1<T2,值大于T2的脊像素为强边缘像素,T1与T2之间的脊像素为弱边缘像素。
6.根据权利要求4所述的基于焊缝X射线数字图像的圆形缺陷识别方法,其特征在于,所述数学形态学处理还包括以下子步骤:
S601,将通过Canny边缘检测得到的二值图像矩阵设置为A,膨胀腐蚀模型版设置为B,A首先通过与B进行形态学开运算去除孤立点,然后与B进行形态学闭运算连接非封闭边缘,其运算公式如下所示
S602,设置C为对称结构元素,并对二值图像A的封闭区域进行区域填充,其中C设置为
其中的圆形缺陷填充过程为其中为X0圆形缺陷内一点且X0=1,当Xk=Xk-1时则算法在迭代的第k步结束;
S603,对填充后的二值图像进行连通分量的提取标记,其包括设置Y表示为包含于二值图像的连通分量,并且设置X0为Y中的一个已知点,对Y进行迭代生产,其公式为其中k=1,2,3Λ,当Xk=Xk-1时,则对算法进行收敛,并且Y=Xk;
S604,基于标记的连接分量确定图像圆形缺陷的质心以及面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059954.3A CN106780493A (zh) | 2017-01-24 | 2017-01-24 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059954.3A CN106780493A (zh) | 2017-01-24 | 2017-01-24 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780493A true CN106780493A (zh) | 2017-05-31 |
Family
ID=58943066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710059954.3A Pending CN106780493A (zh) | 2017-01-24 | 2017-01-24 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780493A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610103A (zh) * | 2017-08-30 | 2018-01-19 | 西安石油大学 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
CN108320280A (zh) * | 2018-01-16 | 2018-07-24 | 南京理工大学 | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 |
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 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 |
CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN110517313A (zh) * | 2019-08-12 | 2019-11-29 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN110766614A (zh) * | 2019-09-05 | 2020-02-07 | 浙江工业大学 | 一种无线扫描笔的图像预处理方法和系统 |
CN113160132A (zh) * | 2021-03-10 | 2021-07-23 | 上海应用技术大学 | 焊缝缺陷图像的检测处理方法及系统 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 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 |
CN117292266A (zh) * | 2023-11-24 | 2023-12-26 | 河海大学 | 一种灌区干渠混凝土裂缝检测方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646278A (zh) * | 2012-03-16 | 2012-08-22 | 华南理工大学 | 一种基于x光图像的元器件封装气泡检测方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
-
2017
- 2017-01-24 CN CN201710059954.3A patent/CN106780493A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646278A (zh) * | 2012-03-16 | 2012-08-22 | 华南理工大学 | 一种基于x光图像的元器件封装气泡检测方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
Non-Patent Citations (3)
Title |
---|
徐寒: "面向集成电路封装检测的X射线图像滤波与增强方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高红霞 等: "基于X光检测的元器件任意形状气泡提取方法", 《半导体技术》 * |
高红霞 等: "微焦点X射线图像乘性加性混合噪声的去除", 《光学精密工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610103A (zh) * | 2017-08-30 | 2018-01-19 | 西安石油大学 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
CN107610103B (zh) * | 2017-08-30 | 2021-01-08 | 西安石油大学 | 一种基于x射线成像的钢管螺旋弧焊缝区域提取方法 |
CN108320280A (zh) * | 2018-01-16 | 2018-07-24 | 南京理工大学 | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 |
CN108596930A (zh) * | 2018-04-23 | 2018-09-28 | 西安交通大学 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
CN109859160B (zh) * | 2018-12-10 | 2022-08-16 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 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 |
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 |
CN109821763B (zh) * | 2019-02-25 | 2020-05-22 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN110517313A (zh) * | 2019-08-12 | 2019-11-29 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN110517313B (zh) * | 2019-08-12 | 2023-05-16 | 上海大学 | 一种基于区域迭代的焊缝中心坐标检测方法 |
CN110766614A (zh) * | 2019-09-05 | 2020-02-07 | 浙江工业大学 | 一种无线扫描笔的图像预处理方法和系统 |
CN110766614B (zh) * | 2019-09-05 | 2022-07-19 | 浙江工业大学 | 一种无线扫描笔的图像预处理方法和系统 |
CN113160132A (zh) * | 2021-03-10 | 2021-07-23 | 上海应用技术大学 | 焊缝缺陷图像的检测处理方法及系统 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 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 |
CN117292266A (zh) * | 2023-11-24 | 2023-12-26 | 河海大学 | 一种灌区干渠混凝土裂缝检测方法、装置及存储介质 |
CN117292266B (zh) * | 2023-11-24 | 2024-03-22 | 河海大学 | 一种灌区干渠混凝土裂缝检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780493A (zh) | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 | |
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 | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
US5182775A (en) | Method of processing radiographic image data for detecting a welding defect | |
Mery et al. | A review of methods for automated recognition of casting defects | |
CN105547602B (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN102331425B (zh) | 基于缺陷增强的纺织品缺陷检测方法 | |
CN104574418A (zh) | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 | |
CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN109859177A (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
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 | |
CN106914428A (zh) | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 | |
CN110333238A (zh) | 一种smt芯片缺陷检测系统与方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN104240252A (zh) | 一种机器视觉棒材高温钢坯表面裂纹检测算法 | |
Yan et al. | Multi-scale multi-intensity defect detection in ray image of weld bead | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN103983651A (zh) | 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 | |
CN107392216A (zh) | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 | |
CN102760295A (zh) | 基于边缘检测算子用火灾图像探测系统 | |
Dang et al. | A novel method for detecting weld defects accurately and reliably in radiographic images | |
CN112184704B (zh) | 一种基于卷积神经网络的焊缝处理方法 | |
CN109948629A (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |