CN108346137B - 用于工业射线焊缝图像的缺陷检测方法 - Google Patents

用于工业射线焊缝图像的缺陷检测方法 Download PDF

Info

Publication number
CN108346137B
CN108346137B CN201710045930.2A CN201710045930A CN108346137B CN 108346137 B CN108346137 B CN 108346137B CN 201710045930 A CN201710045930 A CN 201710045930A CN 108346137 B CN108346137 B CN 108346137B
Authority
CN
China
Prior art keywords
image
classifier
weld
welding seam
set matrix
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
Application number
CN201710045930.2A
Other languages
English (en)
Other versions
CN108346137A (zh
Inventor
刘晗
刘志
胡巍
孙广玲
袁楚雄
薛松
张公俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jinyi Inspection Technology Co ltd
Original Assignee
Shanghai Jinyi Inspection Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jinyi Inspection Technology Co ltd filed Critical Shanghai Jinyi Inspection Technology Co ltd
Priority to CN201710045930.2A priority Critical patent/CN108346137B/zh
Publication of CN108346137A publication Critical patent/CN108346137A/zh
Application granted granted Critical
Publication of CN108346137B publication Critical patent/CN108346137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种用于工业射线焊缝图像的缺陷检测方法，本方法将若干焊缝图像数据进行预处理，然后做傅里叶变换获得其幅度谱，取幅度谱第一象限作为图像特征数据；对图像特征数据作出标记并划分为训练集矩阵和测试集矩阵输入支持向量机的分类器中，通过对分类器训练和测试得到分类器对焊缝缺陷识别的准确率；拍摄实际焊缝，对该焊缝图像数据进行预处理并做傅立叶变换获得其幅度谱，取幅度谱第一象限作为图像特征数据；将该图像特征数据输入分类器，分类器对焊缝缺陷进行识别，如识别概率≥分类器焊缝缺陷识别概率，判断该焊缝存在缺陷，否则该焊缝正常。本方法提高焊缝缺陷检测准确性，降低检测成本，适应能力强，适用于大多焊缝图像检测分析。

Description

用于工业射线焊缝图像的缺陷检测方法
技术领域
本发明涉及一种用于工业射线焊缝图像的缺陷检测方法。
背景技术
在工业生产中，由于焊接过程中可能出现的各种问题，会导致焊缝中含有气孔、夹渣等各种缺陷，影响产品的质量，因此焊缝图像的缺陷检测显得尤为非常重要。传统的工业射线焊缝图像通常由人工看片进行缺陷检测，其准确度因人而异，视经验而定，且人工工作量大，人力成本高，存在缺陷漏检的可能；因此焊缝图像实现自动化检测对生产的标准化和规范化都具有重要的意义。目前也存在一些用于工业射线焊缝图像的自动识别与分类方法，如焊接学报第31卷第11期发表的“基于X射线数字化图像处理的双面焊焊缝缺陷检测”中对双面焊的焊缝缺陷进行了分析, 实现了对细长缺陷和非细长缺陷的自动检测。该方法分别采用中值滤波和均值滤波模板对焊缝的边缘区与非边缘区进行预处理，通过改变传统霍夫变换累积数组的累计方式，提出了基于逐列自适应阈值分割算法提取细长缺陷；但采用阈值分割方法存在适应性不强的问题。Hassan 在2005年Frontiers of InformationTechnology,10th International Conference上提出的”Welding defect detection andclassification using geometric features”中，首先采用高频增强滤波的方法来改善图像的对比度，接着采用Canny算子和Sauvola阈值分割方法提取焊缝区域，最后根据缺陷的几何特征提取焊接缺陷，实验结果表明该方法能对焊接缺陷进行有效的划分，特别是低对比度的焊缝图像缺陷识别的效果较好。但是通常所需检测的焊缝图像对比度相对较高，且亮度分布不适合采用阈值分割的方法。
发明内容
本发明所要解决的技术问题是提供一种用于工业射线焊缝图像的缺陷检测方法，本方法克服了传统人工及自动焊缝图像识别的缺陷，有效提高焊缝缺陷检测的准确性，降低检测成本，并且本方法的适应能力强，适用于大多焊缝图像的检测分析。
为解决上述技术问题，本发明用于工业射线焊缝图像的缺陷检测方法包括如下步骤：
步骤一、选取若干由X射线机拍摄的焊缝图像数据，对焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理；
步骤二、对预处理后的焊缝图像数据做傅里叶变换获得其幅度谱，取傅里叶变换幅度谱第一象限部分作为图像特征数据；
步骤三、对图像特征数据分别作出缺陷图像标记和正常图像标记并且构成全部样本，从全部样本中随机选取一部分构成训练集矩阵，其余的构成测试集矩阵；
步骤四、将训练集矩阵输入支持向量机算法并通过训练得到焊缝缺陷分类器，利用测试集矩阵验证分类器性能，通过调整训练集矩阵与测试集矩阵在全部样本中的比例，得到焊缝缺陷识别准确率最优的分类器用于之后的图像自动分类，并且设定分类器对于焊缝缺陷识别的概率值；
步骤五、采用X射线机拍摄实际焊缝，得到该实际焊缝图像数据，对该实际焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理，
步骤六、将预处理后的该实际焊缝图像数据进行傅立叶变换获得其幅度谱，取傅里叶变换幅度谱第一象限部分作为图像特征数据；
步骤七，将图像特征数据输入分类器，分类器对该图像特征数据中的焊缝缺陷进行识别，如该实际焊缝缺陷的识别概率值≥分类器设定的焊缝缺陷识别概率值，判断该实际焊缝存在缺陷，否则该实际焊缝正常。
进一步，所述焊缝图像数据的图像裁剪剪除焊缝周边图像并使焊缝位置居中，所述焊缝图像数据的尺寸归一化将原始图像分辨率降低五倍，以消除原始图像中噪声造成的影响并降低计算的复杂程度。
进一步，所述训练集矩阵对分类器进行训练，通过选择线性核函数及设置和搜索目标函数的相关参数，训练时调用支持向量机算法的train函数，由训练集矩阵训练分类器对缺陷图像的识别能力；采用测试集矩阵验证分类器对缺陷图像识别的性能，将测试集矩阵作为输入，用训练好的分类器检测测试集矩阵中的图像并获得其检测结果，将检测结果与图像的实际缺陷类型进行比较，得到分类器对焊缝缺陷识别的准确率。
进一步，所述分类器对焊缝缺陷识别的概率值为0.5。
由于本发明用于工业射线焊缝图像的缺陷检测方法采用了上述技术方案，即本方法首先将若干焊缝图像数据进行预处理，然后做傅里叶变换获得其幅度谱，取幅度谱第一象限部分作为图像特征数据；对图像特征数据作出缺陷和正常图像标记并划分为训练集矩阵和测试集矩阵；将训练集矩阵和测试集矩阵输入支持向量机的分类器中，通过对分类器训练和测试得到分类器对焊缝缺陷识别的准确率；拍摄实际焊缝得到焊缝图像数据，对该焊缝图像数据进行预处理并做傅立叶变换获得其幅度谱，取幅度谱第一象限部分作为图像特征数据；将该图像特征数据输入分类器，分类器对焊缝缺陷进行识别，如该实际焊缝缺陷的识别概率≥分类器焊缝缺陷识别概率，判断该实际焊缝存在缺陷，否则该实际焊缝正常。本方法克服了传统人工及自动焊缝图像识别的缺陷，有效提高焊缝缺陷检测的准确性，降低检测成本，并且本方法的适应能力强，适用于大多焊缝图像的检测分析。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明用于工业射线焊缝图像的缺陷检测方法的流程框图。
具体实施方式
实施例如图1所示，本发明用于工业射线焊缝图像的缺陷检测方法包括如下步骤：
步骤一、选取若干由X射线机拍摄的焊缝图像数据，对焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理；
步骤二、对预处理后的焊缝图像数据做傅里叶变换获得其幅度谱，根据傅里叶变换的共轭性质，取傅里叶变换幅度谱第一象限部分作为图像特征数据，通常图像特征数据包括图像矩阵中的第1～64行和第102～200列；
步骤三、对图像特征数据分别作出缺陷图像标记和正常图像标记并且构成全部样本，从全部样本中随机选取一部分构成训练集矩阵，其余的构成测试集矩阵；
步骤四、将训练集矩阵输入支持向量机算法并通过训练得到焊缝缺陷分类器，利用测试集矩阵验证分类器性能，通过调整训练集矩阵与测试集矩阵在全部样本中的比例，得到焊缝缺陷识别准确率最优的分类器用于之后的图像自动分类，并且设定分类器对于焊缝缺陷识别的概率值；
步骤五、采用X射线机拍摄实际焊缝，得到该实际焊缝图像数据，对该实际焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理，
步骤六、将预处理后的该实际焊缝图像数据进行傅立叶变换获得其幅度谱，取傅里叶变换幅度谱第一象限部分作为图像特征数据；
步骤七，将图像特征数据输入分类器，分类器对该图像特征数据中的焊缝缺陷进行识别，如该实际焊缝缺陷的识别概率值≥分类器设定的焊缝缺陷识别概率值，判断该实际焊缝存在缺陷，否则该实际焊缝正常。
优选的，所述焊缝图像数据的图像裁剪剪除焊缝周边图像并使焊缝位置居中，所述焊缝图像数据的尺寸归一化将原始图像分辨率降低五倍，以消除原始图像中噪声造成的影响并降低计算的复杂程度。对待检测的焊缝图像数据进行一定的预处理，方便之后的特征提取和图像分类，由于图像中焊缝位置相对比较固定，因此采用图像裁剪的方法，选择合适大小的包含焊缝的图像区域，以降低图像中噪声造成的影响；同时为方便之后的分类器训练，需要合理的缩小图像分辨率，以降低计算的复杂程度。实际处理时通常以拍摄图像中坐标（15，190）为起点裁剪宽为1000、高为640的图像，再将裁剪后的图像统一转换成200×128分辨率的尺寸。
优选的，所述训练集矩阵对分类器进行训练，通过选择线性核函数及设置和搜索目标函数的相关参数，其中线性核函数是支持向量机核函数的一种，对于线性可分的情形有参数少速度快的优点，相关参数为支持向量机中的惩罚参数C，训练时调用支持向量机算法的train函数，由训练集矩阵训练分类器对缺陷图像的识别能力；采用测试集矩阵验证分类器对缺陷图像识别的性能，将测试集矩阵作为输入，用训练好的分类器检测测试集矩阵中的图像并获得其检测结果，将检测结果与图像的实际缺陷类型进行比较，得到分类器对焊缝缺陷识别的准确率。
优选的，所述分类器对焊缝缺陷识别的概率值为0.5。
本方法创新的使用了图像傅里叶变换幅度谱作为实际分类时的特征数据，结合支持向量机分类器缺陷识别的训练和检测，反映出了缺陷图像和正常图像的本质区别，具有相当的鲁棒性，性能可靠，漏检率低；实现实际生产中的焊缝X射线图像的自动分类及自动缺陷检测，能够大大提高生产效率，可靠的把控产品质量，降低生产成本，具有较大的经济效益和社会效益。

Claims (4)

1.一种用于工业射线焊缝图像的缺陷检测方法，其特征在于本方法包括如下步骤：
步骤一、选取若干由X射线机拍摄的焊缝图像数据，对焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理；
步骤二、对预处理后的焊缝图像数据做傅里叶变换获得其幅度谱，取傅里叶变换幅度谱第一象限部分作为图像特征数据；
步骤三、对图像特征数据分别作出缺陷图像标记和正常图像标记并且构成全部样本，从全部样本中随机选取一部分构成训练集矩阵，其余的构成测试集矩阵；
步骤四、将训练集矩阵输入支持向量机算法并通过训练得到焊缝缺陷分类器，利用测试集矩阵验证分类器性能，通过调整训练集矩阵与测试集矩阵在全部样本中的比例，得到焊缝缺陷识别准确率最优的分类器用于之后的图像自动分类，并且设定分类器对于焊缝缺陷识别的概率值；
步骤五、采用X射线机拍摄实际焊缝，得到该实际焊缝图像数据，对该实际焊缝图像数据进行包括图像裁剪和尺寸归一化的预处理，
步骤六、将预处理后的该实际焊缝图像数据进行傅里 叶变换获得其幅度谱，取傅里叶变换幅度谱第一象限部分作为图像特征数据；
步骤七，将图像特征数据输入分类器，分类器对该图像特征数据中的焊缝缺陷进行识别，如该实际焊缝缺陷的识别概率值≥分类器设定的焊缝缺陷识别概率值，判断该实际焊缝存在缺陷，否则该实际焊缝正常。
2.根据权利要求1所述的用于工业射线焊缝图像的缺陷检测方法，其特征在于：所述焊缝图像数据的图像裁剪剪除焊缝周边图像并使焊缝位置居中，所述焊缝图像数据的尺寸归一化将原始图像分辨率降低五倍，以消除原始图像中噪声造成的影响并降低计算的复杂程度。
3.根据权利要求1或2所述的用于工业射线焊缝图像的缺陷检测方法，其特征在于：所述训练集矩阵对分类器进行训练，通过选择线性核函数及设置和搜索目标函数的相关参数，训练时调用支持向量机算法的train函数，由训练集矩阵训练分类器对缺陷图像的识别能力；采用测试集矩阵验证分类器对缺陷图像识别的性能，将测试集矩阵作为输入，用训练好的分类器检测测试集矩阵中的图像并获得其检测结果，将检测结果与图像的实际缺陷类型进行比较，得到分类器对焊缝缺陷识别的准确率。
4.根据权利要求3所述的用于工业射线焊缝图像的缺陷检测方法，其特征在于：所述分类器对焊缝缺陷识别的概率值为0.5。
CN201710045930.2A 2017-01-22 2017-01-22 用于工业射线焊缝图像的缺陷检测方法 Active CN108346137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710045930.2A CN108346137B (zh) 2017-01-22 2017-01-22 用于工业射线焊缝图像的缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710045930.2A CN108346137B (zh) 2017-01-22 2017-01-22 用于工业射线焊缝图像的缺陷检测方法

Publications (2)

Publication Number Publication Date
CN108346137A CN108346137A (zh) 2018-07-31
CN108346137B true CN108346137B (zh) 2023-03-24

Family

ID=62974497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710045930.2A Active CN108346137B (zh) 2017-01-22 2017-01-22 用于工业射线焊缝图像的缺陷检测方法

Country Status (1)

Country Link
CN (1) CN108346137B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110954758A (zh) * 2018-09-26 2020-04-03 珠海格力电器股份有限公司 电器的故障确定方法及装置
CN109741295B (zh) * 2018-11-28 2021-04-20 歌尔股份有限公司 产品质量检测方法及装置
CN109859177B (zh) * 2019-01-17 2023-03-10 航天新长征大道科技有限公司 基于深度学习的工业射线影像评定方法及装置
CN110009011A (zh) * 2019-03-20 2019-07-12 华南理工大学 一种基于图像处理的焊点识别方法
CN112014398A (zh) * 2019-05-29 2020-12-01 天津中元百宜科技有限责任公司 一种基于机器视觉的病害管道缺陷分类建库与识别的方法
CN110595401A (zh) * 2019-08-29 2019-12-20 东莞市骏智机电科技有限公司 一种使用X-ray射线检测电池四角的检测方法
CN110969611A (zh) * 2019-12-03 2020-04-07 广州特种承压设备检测研究院 管道焊缝缺陷检测方法、装置、系统及存储介质
CN111222551A (zh) * 2019-12-30 2020-06-02 成都云尚物联环境科技有限公司 污水管道缺陷图像识别方法、装置、存储介质及电子设备
CN116228703B (zh) * 2023-02-21 2024-01-12 北京远舢智能科技有限公司 一种缺陷样本图像的生成方法、装置、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1739620A1 (en) * 2005-06-29 2007-01-03 Agfa-Gevaert Method of identifying disturbing frequencies originating from the presence of an anti-scatter grid during acquisition of a radiation image.
CN105403873A (zh) * 2015-12-11 2016-03-16 西安电子科技大学 基于分数阶傅里叶变换的目标特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1739620A1 (en) * 2005-06-29 2007-01-03 Agfa-Gevaert Method of identifying disturbing frequencies originating from the presence of an anti-scatter grid during acquisition of a radiation image.
CN105403873A (zh) * 2015-12-11 2016-03-16 西安电子科技大学 基于分数阶傅里叶变换的目标特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别;周竹等;《农业工程学报》;20110331(第03期);全文 *
基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别;方益明等;《浙江林学院学报》;20101215(第06期);全文 *

Also Published As

Publication number Publication date
CN108346137A (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
CN108346137B (zh) 用于工业射线焊缝图像的缺陷检测方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN106683075B (zh) 一种输电线杆塔横担处螺栓缺陷检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN112862770B (zh) 一种基于人工智能的缺陷分析诊断系统、方法、装置
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN104318582B (zh) 一种高铁接触网旋转双耳部件销钉不良状态检测方法
CN109859181A (zh) 一种pcb焊点缺陷检测方法
CN108765412A (zh) 一种带钢表面缺陷分类方法
CN106033535B (zh) 电子阅卷方法
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN103699876B (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN104899839A (zh) 基于ViBe算法的鬼影快速抑制方法
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN112232222B (zh) 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
CN108268841A (zh) 一种轧钢板热喷字符串识别与验证系统及方法
CN101533466A (zh) 一种眼睛定位图像处理方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法

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