CN112053376B - 一种基于深度信息的工件焊缝识别方法 - Google Patents
一种基于深度信息的工件焊缝识别方法 Download PDFInfo
- Publication number
- CN112053376B CN112053376B CN202010928413.1A CN202010928413A CN112053376B CN 112053376 B CN112053376 B CN 112053376B CN 202010928413 A CN202010928413 A CN 202010928413A CN 112053376 B CN112053376 B CN 112053376B
- Authority
- CN
- China
- Prior art keywords
- point
- matrix
- depth information
- depth
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003466 welding Methods 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于深度信息的工件焊缝识别方法，包括如下步骤：(1)从俯视视角，获取工件以及焊缝的深度信息，以二维矩阵形式表示；(2)数据预处理，去除深度信息中的噪声影响，对深度信息进行放缩，使得深度值都落在区间[0,255]内，转化为灰度图；(3)对深度信息的灰度图进行边缘检测，提取出其中的焊缝区域，确定焊缝的两条边缘；(4)在两条边缘中进行采样，获得一些离散点的深度信息和平面坐标信息；(5)通过分析采样点间的斜率变化，判断出焊缝的形状。本方法利用焊缝的深度信息而不是RGB信息检测焊缝，避免焊缝上的划痕以及阴影对识别的影响，并且能兼顾焊缝边缘的定位以及形状的识别。
Description
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于深度信息的工件焊缝识别方法。
背景技术
在对大型工件进行焊接时，工件间的焊缝一般较大，需要采用多道焊接的工艺，不同形状的焊缝需要使用不同的焊接工艺，因此除了要准确地找到焊缝的边缘外，识别出焊缝的形状也显得尤其重要。
在以往的焊缝的自动识别过程中，基于机器视觉的方法常基于相机拍摄到的RGB图像进行边缘检测，将焊缝作为边缘识别出来。这种方法很容易受到光线、划痕的影响。因为边缘检测的基本原理在于图片中像素的突变，物体的边缘处往往像素会发生突变，所以能够被检测出来。但阴影、划痕这类物体上往往也存在着显著的像素突变，所以需要更加有效的方法克服二者对于机器视觉的干扰。
从边缘检测的原理出发，边缘检测是基于图像中像素突变，求出梯度变化明显的区域，从而检测出物体的边缘。而实际的大型焊缝，其边缘与焊缝内部往往存在明显的高度差，那么可以考虑将边缘检测的算法，应用在深度图上，则能通过检测深度发生突变的地方来获取焊缝，并且能够克服没有“厚度”的平面划痕以及阴影的影响。此外，通过利用深度信息，还能对焊缝的形状进行识别，无需再使用其它辅助设施。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于深度信息的工件焊缝识别方法，依赖图片的深度信息来识别图片中的焊缝边缘，进而识别出焊缝的形状。具体步骤包括：
步骤1，数据采集：采集工件焊缝的深度信息，深度信息包括焊缝的边缘和内部的深度；
步骤2，数据预处理：过滤深度信息中的噪点，将焊缝的深度信息矩阵进行放缩，使得各点的深度被映射到[0,255]的区间内，所述区间即灰度图片像素值的范围；
步骤3，焊缝边缘检测：基于深度信息的灰度图进行边缘检测，提取出焊缝的边缘；
步骤4，采样离散点：在提取出的焊缝的边缘之间，采样离散点的深度信息；
步骤5，识别焊缝形状：求相邻离散点间的斜率值，根据斜率的值以及变化趋势推断出焊缝的形状。
步骤1包括：通过深度采集设备采集焊缝附近的深度信息，可以使用深度相机，或者激光、声波等测距工具。选取俯视视角，焊缝的方向沿平面y轴方向，获取工件焊缝区域的深度信息，深度信息用一个二维矩阵H表示，矩阵中每个点的值对应工件俯视图上每个点的深度。
步骤2-1，对二维矩阵H进行去噪处理，采取先腐蚀后膨胀的形态学操作，消除噪点，再用高斯滤波进一步抑制噪声的表达；
步骤2-2，遍历二维矩阵H，找到深度的最大值Hmax和最小值Hmin；
步骤2-3，将矩阵H中各个点Hi,j的深度值按照如下公式归一化，并将归一化的矩阵放缩到灰度图的像素值范围：
步骤3包括以下步骤：
步骤3-1，将二维矩阵H从单通道灰度矩阵，转化成3通道矩阵；
步骤3-2，使用Sobel算子处理二维矩阵H，Sobel算子通过计算矩阵中像素的梯度，筛选出梯度发生突变的地方作为边缘，从而提取出矩阵H中对应的焊缝区域，梯度计算公式如下，其中M为输入的矩阵，Gx为x方向的梯度，而Gy代表y方向的梯度，G为最终梯度：
G＝|Gx|+|Gy|；
步骤3-3，对Sobel算子处理后的矩阵从左往右扫描，记录每一行中出现的第一个边缘点，即像素值大于0的点的横坐标，将所有横坐标求均值，作为焊缝的左边缘；对于右边缘，对矩阵从右往左扫描，记录每一行中出现的第一个边缘点，然后求其均值作为右边缘的坐标。
步骤4包括以下步骤：
步骤4-1，在左边缘和右边缘上，分别随机取一个点A和B，将两点相连构成一条直线，并求出直线的中点C的坐标；
步骤4-2，沿着AC、CB两段线段进行均匀采样，分别获取两组点的深度信息和在矩阵H中的横坐标信息，得到两个点集Pleft和Pright，点集中点的个数记为n。
步骤5包括以下步骤：
步骤5-1，选择点集Pleft，在该点集中，点在矩阵中的横坐标作为横坐标x，点的深度作为纵坐标y，按如下公式求所有相邻点间的直线斜率和均值，其中xm、ym和km分别代表第m个点的横坐标、深度以及该点和第m-1个点间线段的斜率，代表斜率的均值：
步骤5-2，如果为0，则焊缝形状为I形或角形，进一步比较中点C的深度与边缘两个点A、B的深度，如果C点的深度大则焊缝形状为角形，否则为I形；
如果斜率的均值不为0，分析斜率的变化趋势：计算所有相邻斜率中，km小于小于km-1的比例，如果比例超过预设的阈值，则判定为U形焊缝；
求出斜率中的最大差值，如果该最大差值大于斜率的均值，则判定为钝边V形焊缝；
如果上述条件都不满足，则焊缝形状为V形或者单边V形，计算另一个点集Pright的平均斜率，如果与相等，则为单边V形焊缝，如果与/>互为相反数，则为V形焊缝。实际上，对于其它形状，只要找到其上斜率的变化规律，也可以通过分析采样点的斜率进行识别；对于点的分析方法也不局限于此，可以采用机器学习、深度学习等方式直接拟合或者预测形状，关键在于运用深度信息的思路。
有益效果：本发明通过运用工件的深度信息，提供了一种新的工件焊缝识别的方法，该方法不使用RGB图像信息，从而避免了焊缝识别时，阴影、划痕等平面边缘对焊缝识别的影响，有更好的适应性；另一方面，通过利用焊缝区域的深度信息，可以进一步对焊缝的形状进行识别，从而方便选择不同的焊接方案。仅依靠深度信息完成两项任务，降低了信息采集的复杂度。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明方法的整体流程图。
图2为常见的焊缝形状。
图3为一个实际工件的V型焊缝示意图。
图4为V型焊缝的俯拍深度示意图。
图5为深度图彩色化的结果。
图6为提取的焊缝边缘的示意图。
具体实施方式
图1为方法的整体流程图；图2给出了六种常见的焊缝形状；而图3给出了一个V型焊缝的实例；图4为构造的深度信息矩阵的灰度图；图5为深度信息矩阵的彩色化的结果，使得深度变化看起来更直观；图6为对图4进行边缘检测的结果以及点采样的示意图。在此以V型焊缝为例说明具体实施方式，此外也给出了采样后针对6种形状的识别策略描述。如图1至6所示，本发明提供了一种基于深度信息的工件焊缝识别方法，步骤包括：
步骤1，采集工件和焊缝的深度信息图像；
步骤2，将深度图片二维的深度信息进行放缩，将深度信息统一映射到(0,255)的范围，得到二维矩阵H；
步骤3，然后，对H进行边缘检测，调用Sobel算子，计算梯度，获取焊缝边缘；
步骤4，对于检测出的边缘，在两条边缘间采样一些点，用于判断焊缝形状；
步骤5，对采样的离散点进行拟合，根据其拟合出的曲线来判断焊缝的形状。
步骤1包含以下步骤：
步骤1-1，采集深度信息，如图5为模拟采集到的深度图的可视化结果，蓝色区域为深度较浅区域，橙红色区域为深度较深区域，代表焊缝(由于附图是灰度图，因此这里的颜色无法从图中看出，特此说明)。对于V形的焊缝，深度一般是均匀连续变化的，所以图片色彩是渐变的。如果是I形焊缝，则冷、暖色区分会更明显。在本案例中为了模拟真实数据，给图片加入了均值为0、方差为0.1的高斯噪声。
步骤2包含以下步骤：
步骤2-1，对二维矩阵H进行去噪处理，采取先腐蚀后膨胀的形态学操作，消除噪点，再用高斯滤波进一步抑制噪声的表达，得到处理后的矩阵H；
步骤2-2，遍历矩阵H，得到深度矩阵中深度的最大值Hmax和最小值Hmin；
步骤2-3，将矩阵H中各个点Hi,j的深度值按照如下公式归一化，并将归一化的矩阵放缩到灰度图的像素值范围：
步骤3包含以下步骤：
步骤3-1，将二维矩阵H从单通道灰度矩阵，转化成3通道矩阵；如图4所示。转化操作仅将每个点的原始像素值重复填充到三个通道中，所以实际上也是黑白的，本例中为了可视化效果，将深度图映射成色彩化的heatmap的形式，如图5所示，但实际的检测仍基于图4进行；
步骤3-2，采用内核大小为3的Sobel算子检测图片中的边缘。相对于Canny算子，Sobel算子能够更好地处理斜坡型这一类深度均匀连续变化的区域，并且能产生更加光滑的边缘；具体包括：使用Sobel算子处理二维矩阵H，Sobel算子通过计算矩阵中像素的梯度，筛选出梯度发生突变的地方作为边缘，从而提取出矩阵H中对应的焊缝区域，梯度计算公式如下，其中M为输入的矩阵，Gx为x方向的梯度，而Gy代表y方向的梯度，G为最终梯度：
G＝|Gx|+|Gy|；
步骤3-3，对Sobel算子处理后的矩阵从左往右扫描，记录每一行中出现的第一个边缘点，即像素值大于0的点的横坐标，将所有横坐标求均值，作为焊缝的左边缘；对于右边缘，对矩阵从右往左扫描，记录每一行中出现的第一个边缘点，然后求其均值作为右边缘的坐标。
步骤4包含以下步骤：
步骤4-1，如图6，在焊缝的两条边缘上各随机取一个点A、B，连接AB，求出线段AB的中点C坐标；
步骤4-2，在AC和CB线段上，分别进行均匀采样，取若干个点，分别获取两组点的深度信息和在矩阵H中的横坐标信息，得到两个点集Pleft和Pright，点集中点的数量记为n。
本例中，每两个像素采样一个点。
步骤5包含以下步骤：
步骤5-1，选择点集Pleft，在该点集中，点在矩阵中的横坐标作为横坐标x，点的深度作为y，求所有相邻点间的直线斜率和均值，其中xm、ym和km分别代表第m个点的横坐标、深度以及该点和第m-1个点间线段的斜率，代表所有斜率的均值：
步骤5-2，如果斜率均值在[-ε,ε]内(ε为一个很小的值，表示可接受的误差范围)，则可以认为点的深度都比较接近，斜率接近于0，则焊缝的形状较为平坦，可能为I形或角形，此时只需要比较中点C与两段的深度大小即可，若中点深度较大，则为I型，否则为角形；
否则，分析斜率的变化趋势。计算斜率递减的比例：
其中I为指示函数。考虑噪声的影响，可以使用一个值很小的参数ε，当满足|km|+ε<|km-1|时，才认为斜率的绝对值在下降，这对于区分斜坡和U形焊缝很有帮助。
如果比例w超过某个阈值，可以认为焊缝形状为U型，本例中阈值设置为0.6。考虑到越靠近中间的位置，斜率越接近0，斜率受噪声的影响越大，可以仅更靠边的部分点来进行分析。
如果不是U形，下一步则是判断其是不是带钝边的V形，这种形状的特点是斜率会在拐点发生突变，导致两个相邻斜率的差值的绝对值很大，因此只需要找到这个差值，并将其绝对值与斜率的平均值的绝对值比较即可，若大于平均值的绝对值，则为带钝边V形，且拐点就出现在斜率发生突变的点附近。
如果上述条件都不满足，那么可以得知焊缝形状应当为V形或者单边V形。则只需再计算另一个点集Pright的平均斜率，若二者之差落在[-ε,ε]内，则为单边V形，若二者之和落在[-ε,ε]内，则为V形。
本例中ε选取的值为0.05。
本发明提供了一种基于深度信息的工件焊缝识别方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种基于深度信息的工件焊缝识别方法，其特征在于，包括如下步骤：
步骤1，数据采集：采集工件焊缝的深度信息，深度信息包括焊缝的边缘和内部的深度；
步骤2，数据预处理：过滤深度信息中的噪点，将焊缝的深度信息矩阵进行放缩，使得各点的深度被映射到[0,255]的区间内，所述区间即灰度图片像素值的范围；
步骤3，焊缝边缘检测：基于深度信息的灰度图进行边缘检测，提取出焊缝的边缘；
步骤4，采样离散点：在提取出的焊缝的边缘之间，采样离散点的深度信息；
步骤5，识别焊缝形状：求相邻离散点间的斜率值，根据斜率的值以及变化趋势推断出焊缝的形状；
步骤1包括：
选取俯视视角，焊缝的方向沿平面y轴方向，获取工件焊缝区域的深度信息，深度信息用一个二维矩阵H表示，矩阵中每个点的值对应工件俯视图上每个点的深度；
步骤2包括以下步骤：
步骤2-1，对二维矩阵H进行去噪处理，采取先腐蚀后膨胀的形态学操作，消除噪点，再用高斯滤波进一步抑制噪声的表达；
步骤2-2，遍历二维矩阵H，找到深度的最大值Hmax和最小值Hmin；
步骤2-3，将矩阵H中各个点Hi,j的深度值按照如下公式归一化，并将归一化的矩阵放缩到灰度图的像素值范围：
步骤3包括以下步骤：
步骤3-1，将二维矩阵H从单通道灰度矩阵，转化成3通道矩阵；
步骤3-2，使用Sobel算子处理二维矩阵H，Sobel算子通过计算矩阵中像素的梯度，筛选出梯度发生突变的地方作为边缘，从而提取出矩阵H中对应的焊缝区域，梯度计算公式如下，其中M为输入的矩阵，Gx为x方向的梯度，而Gy代表y方向的梯度，G为最终梯度：
G＝|Gx|+|Gy|；
步骤3-3，对Sobel算子处理后的矩阵从左往右扫描，记录每一行中出现的第一个边缘点，即像素值大于0的点的横坐标，将所有横坐标求均值，作为焊缝的左边缘；对于右边缘，对矩阵从右往左扫描，记录每一行中出现的第一个边缘点，然后求其均值作为右边缘的坐标；
步骤4包括以下步骤：
步骤4-1，在左边缘和右边缘上，分别随机取一个点A和B，将两点相连构成一条直线，并求出直线的中点C的坐标；
步骤4-2，沿着AC、CB两段线段进行均匀采样，分别获取两组点的深度信息和在矩阵H中的横坐标信息，得到两个点集Pleft和Pright，点集中点的个数记为n；
步骤5包括以下步骤：
步骤5-1，选择点集Pleft，在该点集中，点在矩阵中的横坐标作为横坐标x，点的深度作为纵坐标y，按如下公式求所有相邻点间的直线斜率和均值，其中xm、ym和km分别代表第m个点的横坐标、深度以及该点和第m-1个点间线段的斜率，代表斜率的均值：
步骤5-2，如果为0，则焊缝形状为I形或角形，进一步比较中点C的深度与边缘两个点A、B的深度，如果C点的深度大则焊缝形状为角形，否则为I形；
如果斜率的均值不为0，分析斜率的变化趋势：计算所有相邻斜率中，km小于km-1的比例，如果比例超过预设的阈值，则判定为U形焊缝；
求出斜率中的最大差值，如果该最大差值大于斜率均值，则判定为钝边V形焊缝；
如果上述条件都不满足，则焊缝形状为V形或者单边V形，计算另一个点集Pright的平均斜率，如果与相等，则为单边V形焊缝，如果与/>互为相反数，则为V形焊缝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928413.1A CN112053376B (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度信息的工件焊缝识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928413.1A CN112053376B (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度信息的工件焊缝识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053376A CN112053376A (zh) | 2020-12-08 |
| CN112053376B true CN112053376B (zh) | 2023-10-20 |
Family
ID=73607506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010928413.1A Active CN112053376B (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度信息的工件焊缝识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053376B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113042939B (zh) * | 2021-03-22 | 2022-06-28 | 山东大学 | 基于三维视觉信息的工件焊缝定位方法及系统 |
| CN113192029B (zh) * | 2021-04-29 | 2024-07-19 | 南通大学 | 一种基于ToF的焊缝识别方法 |
| CN114119461B (zh) * | 2021-10-08 | 2022-11-29 | 厦门微亚智能科技有限公司 | 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统 |
| CN116416183A (zh) * | 2021-12-29 | 2023-07-11 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测区域确定方法、装置、计算机以及存储介质 |
| EP4286789A4 (en) * | 2021-12-29 | 2024-08-14 | Contemporary Amperex Technology Co Ltd | ARTIFICIAL VISION DETECTION METHOD, DETECTION APPARATUS AND ASSOCIATED DETECTION SYSTEM |
| CN114049351B (zh) * | 2022-01-11 | 2022-03-25 | 南通市金月亮新材料科技发展有限公司 | 一种基于人工智能的门窗焊接控制方法及系统 |
| CN115376167B (zh) * | 2022-10-26 | 2023-02-24 | 山东圣点世纪科技有限公司 | 一种复杂背景下的手掌检测方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104014907A (zh) * | 2014-06-19 | 2014-09-03 | 北京创想智控科技有限公司 | 自动检测跟踪焊缝的方法 |
| CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
| CN104937554A (zh) * | 2013-01-22 | 2015-09-23 | 通用电气公司 | 用于在非破坏性测试系统中分析数据的系统和方法 |
| CN105844622A (zh) * | 2016-03-16 | 2016-08-10 | 南京工业大学 | 一种基于激光视觉的v型坡口焊缝检测方法 |
| CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
| CN108596264A (zh) * | 2018-04-26 | 2018-09-28 | 南京大学 | 一种基于深度学习的社区发现方法 |
| CN108898571A (zh) * | 2018-03-27 | 2018-11-27 | 哈尔滨理工大学 | 一种基于结构光视觉与深度学习的v型焊缝检测系统 |
| CN109360669A (zh) * | 2018-09-22 | 2019-02-19 | 中核能源科技有限公司 | 一种用于高温气冷堆球流管道的焊缝内凹深度评定方法 |
| CN109816645A (zh) * | 2019-01-18 | 2019-05-28 | 创新奇智(广州)科技有限公司 | 一种钢卷松卷的自动检测方法 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| CN109903279A (zh) * | 2019-02-25 | 2019-06-18 | 北京深度奇点科技有限公司 | 焊缝运动轨迹的自动示教方法和装置 |
| 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 |
| CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
| CN111055054A (zh) * | 2020-01-13 | 2020-04-24 | 北京博清科技有限公司 | 一种焊缝识别方法、装置、焊接机器人及储存介质 |
-
2020
- 2020-09-07 CN CN202010928413.1A patent/CN112053376B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104937554A (zh) * | 2013-01-22 | 2015-09-23 | 通用电气公司 | 用于在非破坏性测试系统中分析数据的系统和方法 |
| CN104014907A (zh) * | 2014-06-19 | 2014-09-03 | 北京创想智控科技有限公司 | 自动检测跟踪焊缝的方法 |
| CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
| CN105844622A (zh) * | 2016-03-16 | 2016-08-10 | 南京工业大学 | 一种基于激光视觉的v型坡口焊缝检测方法 |
| CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
| CN108898571A (zh) * | 2018-03-27 | 2018-11-27 | 哈尔滨理工大学 | 一种基于结构光视觉与深度学习的v型焊缝检测系统 |
| CN108596264A (zh) * | 2018-04-26 | 2018-09-28 | 南京大学 | 一种基于深度学习的社区发现方法 |
| CN109360669A (zh) * | 2018-09-22 | 2019-02-19 | 中核能源科技有限公司 | 一种用于高温气冷堆球流管道的焊缝内凹深度评定方法 |
| CN109816645A (zh) * | 2019-01-18 | 2019-05-28 | 创新奇智(广州)科技有限公司 | 一种钢卷松卷的自动检测方法 |
| CN109903279A (zh) * | 2019-02-25 | 2019-06-18 | 北京深度奇点科技有限公司 | 焊缝运动轨迹的自动示教方法和装置 |
| CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维（杭州）科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
| 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 |
| CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
| CN111055054A (zh) * | 2020-01-13 | 2020-04-24 | 北京博清科技有限公司 | 一种焊缝识别方法、装置、焊接机器人及储存介质 |
Non-Patent Citations (6)
| Title |
|---|
| Model reference adaptive control scheme for enhancing bead width and depth of penetration during cold metal transfer process;S G Rahul;《2017 International Conference on Technological Advancements in Power and Energy ( TAP Energy)》;全文 * |
| 基于LABVIEW的焊缝表面缺陷智能检测系统研究;王仁荣;赵力伟;郑劲豹;缪海波;周建新;;焊接技术(第11期);全文 * |
| 基于优势关系粗糙集的规则生成算法;贾修一;商琳;陈家骏;;江南大学学报(自然科学版)(第06期);全文 * |
| 基于机器视觉的电梯补偿链表面缺陷检测算法研究;冀伟;《中国优秀硕士论文全文数据库》;全文 * |
| 基于深度学习的焊缝缺陷检测方法研究;郑佳美;《中国优秀硕士论文全文数据库》;全文 * |
| 激光视觉传感的焊缝表面缺陷识别与分类;丁晓东;《电焊机》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053376A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
| CN114757949B (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 | |
| CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
| CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
| CN107424144B (zh) | 基于激光视觉的焊缝跟踪图像处理方法 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN115375676A (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN111353993B (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
| CN111696107A (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN110717872A (zh) | 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 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
| CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 |
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 |