CN110969611A - 管道焊缝缺陷检测方法、装置、系统及存储介质 - Google Patents
管道焊缝缺陷检测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110969611A CN110969611A CN201911219159.1A CN201911219159A CN110969611A CN 110969611 A CN110969611 A CN 110969611A CN 201911219159 A CN201911219159 A CN 201911219159A CN 110969611 A CN110969611 A CN 110969611A
- Authority
- CN
- China
- Prior art keywords
- image
- welding seam
- defect
- weld
- data set
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 217
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000003466 welding Methods 0.000 claims abstract description 156
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims description 29
- 230000002950 deficient Effects 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 10
- 230000009466 transformation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 239000004698 Polyethylene Substances 0.000 description 3
- 229920000573 polyethylene Polymers 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- -1 Polyethylene Polymers 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance 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
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种管道焊缝缺陷检测方法、装置、系统及存储介质。其中，管道焊缝缺陷检测方法获取各焊缝图像；分别对各焊缝图像进行预处理，得到各焊缝目标区域图像；对各焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；标注焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。对焊缝图像进行预处理，能够较好的保留了图像纹理细节。通过对各焊缝目标区域图像进行数据增强处理，使得本申请焊缝缺陷数据集的样本数量增多，从而使得后期得到的缺陷检测模型具有更好的泛化能力。
Description
技术领域
本申请涉及焊缝检测技术领域，特别是涉及一种管道焊缝缺陷检测方法、 装置、系统及存储介质。
背景技术
聚乙烯(PE)管材由于其力学性能优越、使用寿命长和使用无污染等优势 已逐步取代工业钢质管材，作为城市燃气、给排水输送的常用手段，在城市管 网中应用广泛。而PE燃气管材是承压特种设备，运输的都是易燃易爆品，一旦 发生燃气泄漏，后果致命。管材焊接接头失效导致燃气泄漏的主要原因是在管 材铺设过程中，由于受到焊接工艺滞后、焊工经验不足以及管材铺设现场工况 恶劣等影响，管材焊接接头位置容易出现裂纹、孔洞、夹渣、冷焊及过焊等典 型缺陷，各项性能较管材本身相差较大，造成管材在使用过程中，当持续受到 温度、应力及土壤腐蚀等外界因素影响时，管材焊接接头的典型缺陷容易扩展 成更为宏观的裂纹缺陷。
在实现过程中，发明人发现传统技术中至少存在如下问题：传统管道焊缝 缺陷检测方法，工序复杂且误判率高。
发明内容
基于此，有必要针对上述技术问题，提供一种检测精度高的管道焊缝缺陷 检测方法、装置、系统及存储介质。
为了实现上述目的，一方面，本发明实施例提供了一种管道焊缝缺陷检测 方法，包括步骤：
获取各焊缝图像；分别对各焊缝图像进行预处理，得到各焊缝目标区域图 像；
对各焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
标注焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
在其中一个实施例中，分别对各焊缝图像进行预处理，得到焊缝目标区域 图像的步骤，包括：
采用傅里叶变换处理焊缝图像，得到焊缝图像的频域信息；
对焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊缝图像；
分割降噪后的焊缝图像，得到焊缝目标区域图像。
在其中一个实施例中，分割降噪后的焊缝图像，得到焊缝目标区域图像的 步骤，包括：
采用大津算法获取降噪后的焊缝图像的分割阈值；
根据分割阈值，对降噪后的焊缝图像进行分割，得到焊缝目标区域图像。
在其中一个实施例中，标注焊缝缺陷数据集中图像数据的缺陷部位，得到 焊缝缺陷训练集的步骤，包括：
标注焊缝缺陷数据集中图像的缺陷部位；
基于焊缝类别对各缺陷部位进行分类，得到各缺陷部位的类别；
根据焊缝缺陷数据集中的图像和各缺陷部位的类别，生成焊缝缺陷训练集。
在其中一个实施例中，基于焊缝类别对各缺陷部位进行分类，得到各缺陷 部位的类别的步骤包括：
提取缺陷部位的特征信息；
将缺陷部分的特征信息与焊缝特征信息进行比对；
根据比对的结果，确定各缺陷部位的类别。
另一方面，本发明实施例还提供了一种管道焊缝缺陷检测装置，包括：
图像获取模块，用于获取各焊缝图像；
预处理模块，用于分别对各焊缝图像进行预处理，得到焊缝目标区域图像；
焊缝缺陷数据集生成模块，对各焊缝目标区域图像进行数据增强处理，得 到焊缝缺陷数据集；
焊缝缺陷训练集生成模块，用于标注焊缝缺陷数据集中图像的缺陷部位， 得到焊缝缺陷训练集；
训练模块，用于采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷 检测模型；
匹配模块，采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结 果。
在其中一个实施例中，预处理模块包括：
傅里叶变换模块，用于采用傅里叶变换处理焊缝图像，得到焊缝图像的频 域信息；
非局部均值滤波模块，用于对焊缝图像的频域信息进行非局部均值滤波处 理，得到降噪后的焊缝图像；
分割模块，用于分割降噪后的焊缝图像，得到焊缝目标区域图像。
本发明实施例还提供了一种管道焊缝缺陷检测系统，包括探头，存储器， 以及分别连接探头和存储器的处理器；
存储器存储有计算机程序；处理器执行计算机程序时实现上述方法的步骤。
在其中一个实施例中，还包括与处理器连接的报警设备；探头包括多个探 头；各探头的曲率半径不相同。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序， 计算机程序被处理器执行时上述方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
本申请提供了管道焊缝缺陷检测方法，通过对焊缝图像进行预处理，使得 后续处理数据量相对而言较小，且能够较好的保留了图像纹理细节。通过对各 焊缝目标区域图像进行数据增强处理焊缝缺陷数据集，使得本申请焊缝缺陷数 据集的样本数量增多，从而使得后期得到的缺陷检测模型具有更好的泛化能力。 焊缝缺陷数据集焊缝缺陷训练集焊缝缺陷训练集本申请通过建立缺陷检测模型， 实现了对待测焊缝图像进行自动检测，避免了对于焊缝缺陷的定量和定性的确 认所带来的不便，且通过对大量焊缝图像进行机器学习建立得到的缺陷检测模 型能够较好的提高检测精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请 的其它特征、目的和优点将会变得更明显：
图1为一个实施例中管道焊缝缺陷检测方法的示意性流程示意图；
图2为一个实施例中分别对各焊缝图像进行预处理，得到焊缝目标区域图 像的步骤的流程示意图；
图3为一个实施例中分割降噪后的焊缝图像，得到焊缝目标区域图像的步 骤的流程示意图；
图4为一个实施例中标注焊缝缺陷数据集的图像数据的缺陷部位，得到焊 缝缺陷训练集的步骤的流程示意图；
图5为一个实施例中基于焊缝类别对各缺陷部位进行分类，得到各缺陷部 位的类别的步骤的流程示意图；
图6为一个实施例中管道焊缝缺陷检测装置的结构框图；
图7为一个实施例中管道焊缝缺陷检测系统的第一示意性结构框图；
图8为一个实施例中管道焊缝缺陷检测系统的第二示意性结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅 用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种管道焊缝缺陷检测方法，包括 步骤：
S110，获取各焊缝图像；分别对各焊缝图像进行预处理，得到各焊缝目标 区域图像；
其中，焊缝图像为含有焊缝的图像。焊缝目标区域图像为剔除其他特征信 息、且仅保留焊缝的图像。
具体而言，焊缝图像可以通过本领域任意一种技术手段去获取。例如，可 以采用现有的焊缝图像数据库，将其焊缝图像数据库中的数据直接作为样本使 用。也可以获取通过探头去采集的焊缝图像，例如采集各典型缺陷的焊缝图像。 在此不做具体限定。
可以采用本领域任意一种技术手段对各焊缝图像进行预处理，得到各焊缝 目标区域图像，只要能得到焊缝目标区域图像即可，在此不做具体限定。在一 个具体示例中，可以对焊缝图像进行分割处理，得到焊缝目标区域图像；也可 以对焊缝图像的频率信息进行降噪处理，再对降噪后的焊缝图像进行分割，得 到焊缝目标区域图像。
S120，对各焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
具体而言，可以对各焊缝目标区域图像进行任意一种数据增强处理。例如， 在采集图像数据时，很难控制光线的比例，因此得到的焊缝目标区域图像也很 难满足存在各种光照条件下的图像数据。因此，在对焊缝目标区域图像进行数 据增强处理时，需要加入光照变化方面的数据增强。具体加入的过程在此不做 赘述。更多地，对焊缝目标区域图像进行数据增强处理还包括：空间几何变换 和像素颜色变换。其中，空间几何变换包括：翻转(水平和垂直)、随机裁剪、 旋转、放射变换、视觉变换(四点透视变换)、分段放射。通过对各焊缝目标区 域图像进行数据增强处理，从而使得后期得到的缺陷检测模型具有更好的泛化 能力。
S130，标注焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
具体地，可以采用任意一种标注工具对焊缝缺陷数据集的图像数据的缺陷 部位进行标注。
S140，采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
其中目标检测模型为深度学习中的一类模型，常用的目标检测模型包括： FasterR-CNN(Faster Region-Convolutional Neural Networks，快速基于区域的卷 积神经网络算法)。
S150，采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
具体地，待测焊缝图像可以通过探头实时采集获取，也可以直接从计算机 存储装置中直接提取。通过获取待测焊缝图像，以及将该待测焊缝图像与缺陷 检测模型中的图像进行匹配，即可得到检测结果。检测结果可以包括匹配的图 像数据，以及图像数据所对应的缺陷类型。当输入的待测焊缝图像与缺陷检测 模型中的数据匹配成功时，则输出匹配的图像数据，以及图像数据所对应的缺 陷类型。
上述管道焊缝缺陷检测方法，包括获取各焊缝图像并分别对各焊缝图像进 行预处理，得到各焊缝目标区域图像；通过对焊缝图像进行预处理，使得后续 处理数据量相对而言较小，且能够较好的保留了图像纹理细节。通过对各焊缝 目标区域图像进行数据增强处理，得到焊缝缺陷数据集，使得本申请焊缝缺陷 数据集的样本数量增多，从而使得后期得到的缺陷检测模型具有更好的泛化能 力。比如：对于光照条件，在采集图像数据时，很难控制光线的比例，因此在 训练模型的时候，就需要加入光照变化方面的数据增强。标注焊缝缺陷数据集 的图像数据的缺陷部位，得到焊缝缺陷训练集；采用焊缝缺陷训练集对目标检 测模型进行训练，得到缺陷检测模型，并采用缺陷检测模型对待测焊缝图像进 行图像匹配，输出检测结果，通过建立缺陷检测模型，实现了对待测焊缝图像 进行自动检测，避免了对于焊缝缺陷的定量和定性的确认所带来的不便，且通 过对大量焊缝图像进行机器学习建立得到的缺陷检测模型能够较好的提高检测 精度。
在一个实施例中，如图2所示，分别对各焊缝图像进行预处理，得到焊缝 目标区域图像的步骤，包括：
S210，采用傅里叶变换处理焊缝图像，得到焊缝图像的频域信息；
具体地，通对焊缝图像进行傅里叶变换处理，得到焊缝图像数据在频域上 的表现。
S220，对焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊 缝图像；
具体地，通过对焊缝图像的频域信息进行非局部均值滤波，得到降噪后的 焊缝图像，以获得更高质量的焊缝图像。
S230，分割降噪后的焊缝图像，得到焊缝目标区域图像。
需要说明的是，可以采用本领域任意一种分割方式对降噪后的焊缝图像进 行处理。
上述得到焊缝目标区域图像的方法，通过对焊缝图像依次进行傅里叶变换 处理、非局部均值滤波处理和分割处理，使得后续处理数据量相对而言较小， 且能够较好的保留了图像纹理细节。
在其中一个实施例中，如图3所示，分割降噪后的焊缝图像，得到焊缝目 标区域图像的步骤，包括；
S310，采用大津算法获取降噪后的焊缝图像的分割阈值；
S320，根据分割阈值，对降噪后的焊缝图像进行分割，得到焊缝目标区域 图像。
具体地，为了将把图像中的目标物体和背景分开。比如背景用白色表示， 目标物体用黑色表示。此时目标物体的灰度值相互接近，背景灰度值相互接近， 那么用大津算法能很好把目标从背景当中区分开来，具体为通过大津算法得到 分割的最优的分割阈值，然后根据该分割阈值，对降噪后的焊缝图像进行分割， 得到焊缝目标区域图像。
在其中一个实施例中，如图4所示，标注焊缝缺陷数据集的图像数据的缺 陷部位，得到焊缝缺陷训练集的步骤，包括：
S410，标注焊缝缺陷数据集中图像的缺陷部位；
具体而言，可以采用本领域任意一种标注工具对焊缝缺陷数据集的图像数 据的缺陷部位进行标注。
S420，基于焊缝类别对各缺陷部位进行分类，得到各缺陷部位的类别；
焊缝类别包括本领域中的所有典型类别，根据焊缝类别对各缺陷部位进行 分类；
S430，根据焊缝缺陷数据集中的图像和各缺陷部位的类别，生成焊缝缺陷 训练集。
需要说明的是，焊缝缺陷训练集包括焊缝缺陷数据集的图像和图像数据中 缺陷部位的类别。
上述得到焊缝缺陷训练集的方法，通过对焊缝缺陷数据集的图像数据的缺 陷部位进行标注，并根据焊缝类别对缺陷部位进行分类，从而根据缺陷部位的 类别和图像数据进行生成焊缝缺陷训练集，得到的焊缝缺陷训练集可以用来训 练目标检测模型。从而，在最终采集检测的过程中，匹配结果可以包括待测焊 缝图像的缺陷类别。
在其中一个实施例中，如图5所示，基于焊缝类别对各缺陷部位进行分类， 得到各缺陷部位的类别的步骤包括：
S510，提取缺陷部位的特征信息；
需要说明的是，上述焊缝的特征信息可以包括：焊缝的特征点个数、形状、 尺寸、模糊度、亮度、弯曲度等。
S520，将缺陷部分的特征信息与各预设特征信息进行比对；其中，预设特 征信息为基于各焊缝类别得到；
需要说明的是，预设特征信息可以来自于数据库，其中，每个不同焊缝类 别都对应不同的特征信息。进而根据当前提取的缺陷部委的特征信息判断该焊 缝类型属于哪一个焊缝类型。
S530，根据比对的结果，得到各缺陷部位的类别。
具体而言，可以将各特征信息中最匹配的比对结果，确认为各缺陷部位的 类别。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示， 但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的 说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执 行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些 子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行， 这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或 者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种管道焊缝缺陷检测装置，包括： 图像获取模块610、预处理模块620、焊缝缺陷数据集生成模块630、焊缝缺陷 训练集生成模块640、训练模块650和匹配模块660其中：
图像获取模块610，用于获取各焊缝图像；
预处理模块620，用于分别对各焊缝图像进行预处理，得到焊缝目标区域图 像；
焊缝缺陷数据集生成模块630，对各焊缝目标区域图像进行数据增强处理， 得到焊缝缺陷数据集；
焊缝缺陷训练集生成模块640，用于标注焊缝缺陷数据集中图像的缺陷部位， 得到焊缝缺陷训练集；
训练模块650，用于采用焊缝缺陷训练集对目标检测模型进行训练，得到缺 陷检测模型；
匹配模块660，采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测 结果。
在其中一个实施例中，预处理模块包括：
傅里叶变换模块，用于采用傅里叶变换处理焊缝图像，得到焊缝图像的频 域信息；
非局部均值滤波模块，用于对焊缝图像的频域信息进行非局部均值滤波处 理，得到降噪后的焊缝图像；
分割模块，用于分割降噪后的焊缝图像，得到焊缝目标区域图像。
关于管道焊缝缺陷检测装置的具体限定可以参见上文中对于管道焊缝缺陷 检测方法的限定，在此不再赘述。上述管道焊缝缺陷检测装置中的各个模块可 全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于 或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的 存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种管道焊缝缺陷检测系统，包括探头710，存储 器720，以及分别连接探头710和存储器720的处理器730，其结构图可以如图 7所示。其中，该管道焊缝缺陷检测系统的处理器用于提供计算和控制能力。该 管道焊缝缺陷检测系统的存储器包括非易失性存储介质、内存储器。该非易失 性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中 的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实 现上述方法。
该管道焊缝缺陷检测系统的显示屏可以是液晶显示屏或者电子墨水显示屏， 该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备 外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关 的部分结构的框图，并不构成对本申请方案所应用于其上的管道焊缝缺陷检测 系统的限定，具体的管道焊缝缺陷检测系统可以包括比图中所示更多或更少的 部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，如图8所示，还包括与处理器730连接的报警设备 740；探头包括多个探头；各探头的曲率半径不相同。
需要说明的是，通过不同曲率半径的探头，可以对不同曲率半径的管道进 行检测，当检测到管道焊缝存在缺陷时，处理器指示报警设备进行报警。在一 个具体示例中，报警设备可以为蜂鸣器和声光报警器等。
在一个实施例中，提供了一种管道焊缝缺陷检测系统，包括探头，存储器， 以及分别连接探头和存储器的处理器；存储器中存储有计算机程序，该处理器 执行计算机程序时实现以下步骤：
获取各焊缝图像；分别对各焊缝图像进行预处理，得到各焊缝目标区域图 像；
对各焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
标注焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
在一个实施例中，处理器执行分别对各焊缝图像进行预处理，得到焊缝目 标区域图像的步骤时，包括：
采用傅里叶变换处理焊缝图像，得到焊缝图像的频域信息；
对焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊缝图像；
分割降噪后的焊缝图像，得到焊缝目标区域图像。
在一个实施例中，处理器执行分割降噪后的焊缝图像，得到焊缝目标区域 图像的步骤，包括：
采用大津算法获取降噪后的焊缝图像的分割阈值；
根据分割阈值，对降噪后的焊缝图像进行分割，得到焊缝目标区域图像。
在一个实施例中，处理器执行标注焊缝缺陷数据集的图像数据的缺陷部位， 得到焊缝缺陷训练集的步骤，包括：
标注焊缝缺陷数据集中图像的缺陷部位；
基于焊缝类别对各缺陷部位进行分类，得到各缺陷部位的类别；
根据焊缝缺陷数据集中的图像和各缺陷部位的类别，生成焊缝缺陷训练集。
在一个实施例中，处理器执行基于焊缝类别对各缺陷部位进行分类，得到 各缺陷部位的类别的步骤包括：
提取缺陷部位的特征信息；
将缺陷部分的特征信息与焊缝特征信息进行比对；
根据比对的结果，确定各缺陷部位的类别。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程 序，计算机程序被处理器执行时实现以下步骤：
获取各焊缝图像；分别对各焊缝图像进行预处理，得到各焊缝目标区域图 像；
对各焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
标注焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
采用焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
采用缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
在一个实施例中，分别对各焊缝图像进行预处理，得到焊缝目标区域图像 的步骤被处理器执行时，包括：
采用傅里叶变换处理焊缝图像，得到焊缝图像的频域信息；
对焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊缝图像；
分割降噪后的焊缝图像，得到焊缝目标区域图像。
在一个实施例中，分割降噪后的焊缝图像，得到焊缝目标区域图像的步骤 被处理器执行时，包括：
采用大津算法获取降噪后的焊缝图像的分割阈值；
根据分割阈值，对降噪后的焊缝图像进行分割，得到焊缝目标区域图像。
在一个实施例中，标注焊缝缺陷数据集中图像数据的缺陷部位，得到焊缝 缺陷训练集的步骤被处理器执行时，包括：
标注焊缝缺陷数据集中图像的缺陷部位；
基于焊缝类别对各缺陷部位进行分类，得到各缺陷部位的类别；
根据焊缝缺陷数据集中的图像和各缺陷部位的类别，生成焊缝缺陷训练集。
在一个实施例中，基于焊缝类别对各缺陷部位进行分类，得到各缺陷部位 的类别的步骤被处理器执行时，包括：
提取缺陷部位的特征信息；
将缺陷部分的特征信息与焊缝特征信息进行比对；
根据比对的结果，确定各缺陷部位的类别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可 包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器 总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对 上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技 术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改 进，这些都属于本申请的保护范围。因此，本发明专利的保护范围应以所附权 利要求为准。
Claims (10)
1.一种管道焊缝缺陷检测方法，其特征在于，包括步骤：
获取各焊缝图像；分别对各所述焊缝图像进行预处理，得到各焊缝目标区域图像；
对各所述焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
标注所述焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
采用所述焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
采用所述缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
2.根据权利要求1所述的管道焊缝缺陷检测方法，其特征在于，分别对各所述焊缝图像进行预处理，得到焊缝目标区域图像的步骤，包括：
采用傅里叶变换处理所述焊缝图像，得到所述焊缝图像的频域信息；
对所述焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊缝图像；
分割所述降噪后的焊缝图像，得到所述焊缝目标区域图像。
3.根据权利要求2所述的管道焊缝缺陷检测方法，其特征在于，分割所述降噪后的焊缝图像，得到焊缝目标区域图像的步骤，包括；
采用大津算法获取所述降噪后的焊缝图像的分割阈值；
根据所述分割阈值，对所述降噪后的焊缝图像进行分割，得到所述焊缝目标区域图像。
4.根据权利要求1所述的管道焊缝缺陷检测方法，其特征在于，标注所述焊缝缺陷数据集中图像数据的缺陷部位，得到焊缝缺陷训练集的步骤，包括：
标注所述焊缝缺陷数据集中图像的缺陷部位；
基于焊缝类别对各所述缺陷部位进行分类，得到各所述缺陷部位的类别；
根据所述焊缝缺陷数据集中的图像和各所述缺陷部位的类别，生成所述焊缝缺陷训练集。
5.根据权利要求4所述的管道焊缝缺陷检测方法，其特征在于，基于焊缝类别对各所述缺陷部位进行分类，得到各所述缺陷部位的类别的步骤包括：
提取所述缺陷部位的特征信息；
将所述缺陷部分的特征信息与焊缝特征信息进行比对；
根据所述比对的结果，确定各所述缺陷部位的类别。
6.一种管道焊缝缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取各焊缝图像；
预处理模块，用于分别对各所述焊缝图像进行预处理，得到焊缝目标区域图像；
焊缝缺陷数据集生成模块，对各所述焊缝目标区域图像进行数据增强处理，得到焊缝缺陷数据集；
焊缝缺陷训练集生成模块，用于标注所述焊缝缺陷数据集中图像的缺陷部位，得到焊缝缺陷训练集；
训练模块，用于采用所述焊缝缺陷训练集对目标检测模型进行训练，得到缺陷检测模型；
匹配模块，采用所述缺陷检测模型对待测焊缝图像进行图像匹配，输出检测结果。
7.根据权利要求6所述的管道焊缝缺陷检测装置，其特征在于，所述预处理模块包括：
傅里叶变换模块，用于采用傅里叶变换处理所述焊缝图像，得到所述焊缝图像的频域信息；
非局部均值滤波模块，用于对所述焊缝图像的频域信息进行非局部均值滤波处理，得到降噪后的焊缝图像；
分割模块，用于分割所述降噪后的焊缝图像，得到焊缝目标区域图像。
8.一种管道焊缝缺陷检测系统，其特征在于，包括探头，存储器，以及分别连接所述探头和存储器的处理器；
所述存储器存储有计算机程序；所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.根据权利要求8所述的管道焊缝缺陷检测系统，其特征在于，还包括与所述处理器连接的报警设备；所述探头包括多个探头；各所述探头的曲率半径不同。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219159.1A CN110969611A (zh) | 2019-12-03 | 2019-12-03 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219159.1A CN110969611A (zh) | 2019-12-03 | 2019-12-03 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110969611A true CN110969611A (zh) | 2020-04-07 |
Family
ID=70032679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911219159.1A Pending CN110969611A (zh) | 2019-12-03 | 2019-12-03 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969611A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784645A (zh) * | 2020-06-15 | 2020-10-16 | 北京科技大学 | 一种充填管道裂纹检测方法 |
| CN111899225A (zh) * | 2020-06-30 | 2020-11-06 | 烟台市计量所 | 基于多尺度金字塔结构的核电管道缺陷检测方法 |
| CN111932531A (zh) * | 2020-09-21 | 2020-11-13 | 广东利元亨智能装备股份有限公司 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
| CN112149718A (zh) * | 2020-09-03 | 2020-12-29 | 济南信通达电气科技有限公司 | 一种输电通道隐患目标扩增方法及设备 |
| CN112734693A (zh) * | 2020-12-18 | 2021-04-30 | 平安科技（深圳）有限公司 | 一种管道焊缝缺陷检测方法及相关装置 |
| CN113390881A (zh) * | 2021-06-09 | 2021-09-14 | 杭州圣建钢结构工程管理有限公司 | 一种焊缝检测可视化系统 |
| CN113808065A (zh) * | 2020-05-28 | 2021-12-17 | 青岛海尔工业智能研究院有限公司 | 焊缝检测方法、装置、工业机器人、及存储介质 |
| CN114140625A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
| CN115330803A (zh) * | 2022-10-17 | 2022-11-11 | 菲特（天津）检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
| CN115382850A (zh) * | 2022-08-12 | 2022-11-25 | 江苏金恒信息科技股份有限公司 | 一种板坯熔池检测方法及装置 |
| CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
| EP4450213A1 (en) * | 2023-04-20 | 2024-10-23 | Hyundai Mobis Co., Ltd. | System and method for checking quality of laser welding |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105938620A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种小口径管内焊缝表面缺陷识别装置 |
| CN108346137A (zh) * | 2017-01-22 | 2018-07-31 | 上海金艺检测技术有限公司 | 用于工业射线焊缝图像的缺陷检测方法 |
| CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
| CN108776964A (zh) * | 2018-06-04 | 2018-11-09 | 武汉理工大学 | 一种基于Adaboost及Haar特征的船舶焊缝缺陷图像检测系统及方法 |
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 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 |
-
2019
- 2019-12-03 CN CN201911219159.1A patent/CN110969611A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105938620A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种小口径管内焊缝表面缺陷识别装置 |
| CN108346137A (zh) * | 2017-01-22 | 2018-07-31 | 上海金艺检测技术有限公司 | 用于工业射线焊缝图像的缺陷检测方法 |
| CN108665452A (zh) * | 2018-05-09 | 2018-10-16 | 广东大鹏液化天然气有限公司 | 一种基于大数据的管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 |
| CN108776964A (zh) * | 2018-06-04 | 2018-11-09 | 武汉理工大学 | 一种基于Adaboost及Haar特征的船舶焊缝缺陷图像检测系统及方法 |
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 梁亚声 等: "《HALCON编程及工程应用》", 西安交通大学出版社, pages: 247 - 250 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808065A (zh) * | 2020-05-28 | 2021-12-17 | 青岛海尔工业智能研究院有限公司 | 焊缝检测方法、装置、工业机器人、及存储介质 |
| CN111784645A (zh) * | 2020-06-15 | 2020-10-16 | 北京科技大学 | 一种充填管道裂纹检测方法 |
| CN111784645B (zh) * | 2020-06-15 | 2023-08-22 | 北京科技大学 | 一种充填管道裂纹检测方法 |
| CN111899225A (zh) * | 2020-06-30 | 2020-11-06 | 烟台市计量所 | 基于多尺度金字塔结构的核电管道缺陷检测方法 |
| CN112149718B (zh) * | 2020-09-03 | 2023-03-14 | 济南信通达电气科技有限公司 | 一种输电通道隐患目标扩增方法及设备 |
| CN112149718A (zh) * | 2020-09-03 | 2020-12-29 | 济南信通达电气科技有限公司 | 一种输电通道隐患目标扩增方法及设备 |
| CN111932531A (zh) * | 2020-09-21 | 2020-11-13 | 广东利元亨智能装备股份有限公司 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
| CN112734693A (zh) * | 2020-12-18 | 2021-04-30 | 平安科技（深圳）有限公司 | 一种管道焊缝缺陷检测方法及相关装置 |
| CN112734693B (zh) * | 2020-12-18 | 2024-06-07 | 平安科技（深圳）有限公司 | 一种管道焊缝缺陷检测方法及相关装置 |
| CN113390881A (zh) * | 2021-06-09 | 2021-09-14 | 杭州圣建钢结构工程管理有限公司 | 一种焊缝检测可视化系统 |
| CN113390881B (zh) * | 2021-06-09 | 2023-11-21 | 杭州圣建钢结构工程管理有限公司 | 一种焊缝检测可视化系统 |
| CN114140625A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备与计算机可读存储介质 |
| CN115382850A (zh) * | 2022-08-12 | 2022-11-25 | 江苏金恒信息科技股份有限公司 | 一种板坯熔池检测方法及装置 |
| CN115330803A (zh) * | 2022-10-17 | 2022-11-11 | 菲特（天津）检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
| CN115330803B (zh) * | 2022-10-17 | 2023-01-24 | 菲特（天津）检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
| WO2024082925A1 (zh) * | 2022-10-17 | 2024-04-25 | 菲特（天津）检测技术有限公司 | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 |
| EP4450213A1 (en) * | 2023-04-20 | 2024-10-23 | Hyundai Mobis Co., Ltd. | System and method for checking quality of laser welding |
| CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
| CN117689663B (zh) * | 2024-02-04 | 2024-04-26 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969611A (zh) | 管道焊缝缺陷检测方法、装置、系统及存储介质 | |
| Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
| Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
| CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
| JP6753553B1 (ja) | 表面欠陥検出方法、表面欠陥検出装置、鋼材の製造方法、鋼材の品質管理方法、鋼材の製造設備、表面欠陥判定モデルの生成方法、及び表面欠陥判定モデル | |
| CN110097547B (zh) | 一种基于深度学习的焊缝底片造假的自动检测方法 | |
| EP3945458B1 (en) | Identification of defect types in liquid pipelines for classification and computing severity thereof | |
| Guan et al. | Automatic fault diagnosis algorithm for hot water pipes based on infrared thermal images | |
| CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
| Muravyov et al. | Computer-aided recognition of defects in welded joints during visual inspections based on geometric attributes | |
| CN114998313A (zh) | 基于视觉定位的流体输送管管口毛刺识别定位方法 | |
| CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
| Gao et al. | A novel multi-model cascade framework for pipeline defects detection based on machine vision | |
| Bonnín-Pascual et al. | Detection of cracks and corrosion for automated vessels visual inspection | |
| CN111429441A (zh) | 一种基于yolov3算法的焊口识别定位方法 | |
| Pratibha et al. | Deep Learning-Based YOLO Network Model for Detecting Surface Cracks During Structural Health Monitoring | |
| JP2000076446A (ja) | 放射線透過検査における溶接欠陥自動検出法 | |
| CN115018772A (zh) | 一种信息定量的缺陷检测方法及图像检测装置、存储介质 | |
| Gao et al. | Quality assessment algorithm of X-ray images in overall girth welds based on deep neural network | |
| Shin et al. | Visualization for explanation of deep learning-based defect detection model using class activation map | |
| Cui et al. | Using a new magnetic flux leakage method to detect tank bottom weld defects | |
| Soares et al. | An Autonomous Inspection Method for Pitting Detection Using Deep Learning | |
| Konovalenko et al. | Automated estimation of damage to the surface of gas main by corrosion pittings | |
| Kompanets et al. | Probability of detection curve for the automatic visual inspection of steel bridges |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |