CN113421261B - 一种基于图像处理的结构件生产过程缺陷检测方法 - Google Patents
一种基于图像处理的结构件生产过程缺陷检测方法 Download PDFInfo
- Publication number
- CN113421261B CN113421261B CN202110964581.0A CN202110964581A CN113421261B CN 113421261 B CN113421261 B CN 113421261B CN 202110964581 A CN202110964581 A CN 202110964581A CN 113421261 B CN113421261 B CN 113421261B
- Authority
- CN
- China
- Prior art keywords
- defect
- pixel
- connected domain
- detected
- obtaining
- 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
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
-
- 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
- G06T2207/10116—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
- G06T2207/30—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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的结构件生产过程缺陷检测方法。该方法通过X射线获得结构件的射线图像,通过射线图像上的缺陷区域构建缺陷分布图。以缺陷分布图上缺陷连通域内像素值最小的像素点作为暗像素点,通过暗像素点的分散程度和暗像素点与连通域中心的距离关系进行两次筛选,获得缺陷类型为夹渣的缺陷连通域和需要继续检测的第二待检测连通域。通过第二待检测连通域内像素点的第一像素分布和第二像素分布进行两次筛选,完成对所有缺陷连通域的缺陷类型检测。本发明通过充分考虑气孔和夹渣的像素值差异特征,准确高效的完成缺陷检测。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的结构件生产过程缺陷检测方法。
背景技术
结构件生产过程中,由于自身生产工艺的特点,常常会在焊接中出现气孔和夹渣的焊接缺陷。焊接缺陷会减小焊缝的有效截面积,损坏焊缝的致密性,降低焊缝的韧性、塑性等机械性能。因此,需要对生产过程中的结构件进行缺陷检测,判断其缺陷类型和损伤程度,针对性地采取防止措施,减少缺陷损伤。
目前对焊缝缺陷主要采用无损检测的方法,主要包括超声检测UT、射线检测RT 、磁粉检测MT、渗透检测PT、涡流检测ET五种方法。其中,磁粉检测、渗透检测和涡流检测适用于结构件的表面缺陷检测,而超声检测和射线检测适用于结构件的内部缺陷检测。
而基于检测原理的差异,超声检测更适用于内部裂纹的检测,射线检测更适用于内部气孔、夹杂等缺陷。将两种技术结合使用会使得检测过程成本过高,满足不了效率要求,无法快速准确的确定缺陷位置和缺陷类型。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的结构件生产过程缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的结构件生产过程缺陷检测方法,所述方法包括:
通过X射线获得结构件的射线图像;根据所述射线图像上的像素值差异获得缺陷区域;根据所述缺陷区域构建缺陷分布图;
获得所述缺陷分布图中的缺陷连通域;所述缺陷连通域内像素值最小的像素点作为暗像素点,其他为普通像素点;获得所述暗像素点的分散程度;当所述分散程度大于预设第一阈值时,则对应的所述缺陷连通域的缺陷类型为夹渣;反之,则为第一待检测连通域;
获得所述第一待检测连通域内所述暗像素点与连通域中心点的距离关系;当所述距离关系大于预设第二阈值时,则对应的所述第一待检测连通域的所述缺陷类型为夹渣;反之,则为第二待检测连通域;
在所述第二待检测连通域内以所述连通域中心点为圆心构建多个同心圆;获取每个所述同心圆上所述普通像素点与所述连通域中心点的像素值差异的差异分布;根据所述差异分布获得第一像素分布特征;当所述第一像素分布特征小于预设第三阈值时,则对应的所述第二待检测连通域的所述缺陷类型为夹渣;反之,则为第三待检测连通域;
获取所述第三待检测连通域内所述同心圆上所述普通像素点与所述连通域中心点的平均像素值差异;以所述同心圆的半径和所述平均像素值差异作为所述同心圆的状态坐标;根据所述状态坐标拟合获得状态曲线;根据所述状态曲线内递增区域的占比获得第二像素分布特征;当所述第二像素分布特征小于预设第四阈值时,则对应的所述第三待检测连通域的所述缺陷类型为夹渣;反之,则所述缺陷类型为气孔。
进一步地,所述根据所述射线图像上的像素值差异获得缺陷区域包括:
通过阈值分割操作处理所述射线图像,获得二值图像;以所述二值图像中的像素连通域作为所述缺陷区域。
进一步地,所述根据所述缺陷区域构建缺陷分布图包括:
根据所述缺陷区域位置构建遮罩;所述射线图像通过遮罩处理,获得所述缺陷分布图;所述缺陷分布图内所述缺陷连通域的像素值与所述射线图像中对应位置的像素值大小相同,所述缺陷连通域外的背景像素点的像素值为255。
进一步地,所述获得所述暗像素点的分散程度包括:
以所述暗像素点之间距离的方差作为所述分散程度。
进一步地,所述获得所述第一待检测连通域内所述暗像素点与连通域中心点的距离关系包括:
以所述第一待检测连通域内所有所述暗像素点到所述连通域中心点的距离和作为所述距离关系。
进一步地,所述获取每个所述同心圆上所述普通像素点与所述连通域中心点的像素值差异的差异分布包括:
以所述像素值差异的方差作为所述同心圆的差异分布。
进一步地,所述根据所述差异分布获得第一像素分布特征包括:
将所述第二待检测连通域内所有所述同心圆的所述差异分布的倒数累加,获得所述第一像素分布特征。
进一步地,所述根据所述状态曲线内递增区域的占比获得第二像素分布特征包括:
计算所述状态曲线的一阶导数;根据所述一阶导数获得所述递增区域;以所述递增区域的区间长度与所述状态曲线的区间长度的比值作为所述第二像素分布特征。
进一步地,所述获得所述缺陷类型后包括:
根据所述缺陷类型对生产过程进行调整。
本发明具有如下有益效果:
1.本发明实施例通过X射线获得结构件的射线图像。射线图像包含了结构件的内部结构特征。根据射线图像中缺陷连通域内的像素分布通过四次判断过程判断出缺陷类型。四次筛选过程充分考虑气孔缺陷和夹渣缺陷的像素值差异,逐步确定缺陷类型,提高缺陷类型检测的全面性、可靠性和合理性,提高了检测效率。
2.本发明实施例通过暗像素点的分散程度和与连通域中心点的距离关系进行前两次判断过程。暗像素点在图像中特征明显,且气孔与夹渣的暗像素点特征差异明显,可以快速完成筛选过程,减小了后续筛选过程的计算量。
3.本发明实施例通过第一像素分布特征和第二像素分布特征进行后两次判断过程。第一像素分布特征表示了缺陷连通域内与中心像素点距离一致的像素点的像素差异特征,第二像素分布特征表示了缺陷连通域内与中心像素点距离不同的像素点的像素差异特征。通过第一像素分布特征和第二像素分布特征完整的考虑缺陷连通域内像素点的像素值分布情况,保证了缺陷类型检测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像处理的结构件生产过程缺陷检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的结构件生产过程缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的结构件生产过程缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的结构件生产过程缺陷检测方法流程图,该方法包括:
步骤S1:通过X射线获得结构件的射线图像;根据射线图像上的像素值差异获得缺陷区域;根据缺陷区域构建缺陷分布图。
针对结构件上焊缝处的缺陷,表面缺陷容易通过机器视觉或人为检测出来。对于内部缺陷则需要通过射线或者超声波等技术进行检测。X射线可以穿透结构件并生成只有灰度信息的射线图像。在射线图像中,因为内部缺陷部位和完好部位的透射射线强度不同,因此会存在灰度差异,对于气孔和夹渣缺陷,在射线图像上会呈现暗色斑点。因此可根据射线图像上的像素值差异获得缺陷区域,具体包括:
通过阈值分割操作处理射线图像,将低于预设灰度阈值的像素点的像素值设置为0,高于灰度阈值的像素点设置为255,获得二值图像。以所述二值图像中的像素连通域作为所述缺陷区域。在本发明实施例中,灰度阈值设置为80,采用图像连通域分析算法检测出二值图像中存在的所有连通区域并标记,确定缺陷区域的位置。
为了使缺陷特征在图像上更加明显,根据缺陷区域构建缺陷分布图,具体包括:根据缺陷区域位置构建遮罩。射线图像通过遮罩处理,获得缺陷分布图;缺陷分布图内缺陷连通域的像素值与射线图像中对应位置的像素值大小相同,缺陷连通域外的背景像素点的像素值为255。在本发明实施例中,遮罩中属于缺陷区域的像素值为1,其他背景像素点的像素值都为0,将遮罩与射线图形相乘,并调整背景像素点的像素值,获得缺陷分布图。
步骤S2:获得缺陷分布图中的缺陷连通域;缺陷连通域内像素值最小的像素点作为暗像素点;获得暗像素点的分散程度;当分散程度大于预设第一阈值时,则对应的缺陷连通域的缺陷类型为夹渣;反之,则为第一待检测连通域。
因为气孔在图像中的颜色特征呈中心区域颜色较深,且边缘区域颜色较浅,即气孔缺陷区域的黑色像素点分布较集中。而夹渣在图像中的黑色像素点分布较为分散且无规律,因此可根据图像中黑色像素点的分布进行第一次筛选。
获得缺陷分布图中的缺陷连通域。缺陷连通域内的像素与射线图像中的像素保持一致,即具有相同的颜色特征。缺陷连通域内像素值最小的像素点作为暗像素点,其他为普通像素点。暗像素点为缺陷连通域内黑度最大的点。以暗像素点之间距离的方差作为暗像素点的分散程度。当分散程度大于预设第一阈值时,说明在该缺陷连通域内暗像素点分布比较分散,则对应的缺陷连通域的缺陷类型为夹渣;反之,说明在该缺陷连通域内暗像素点分布比较集中,则该缺陷连通域需要继续进行检测,将该缺陷连通域设置为第一待检测连通域。
在本发明实施例中,因为分散程度与暗像素点之间的距离相关,即与连通域尺寸和连通域内暗像素点数量相关。因此第一阈值设置为,其中,为第一调整系数,为缺陷连通域内像素点数量,在本发明实施例中,取值为0.01。
步骤S3:获得第一待检测连通域内暗像素点与连通域中心点的距离关系;当距离关系大于预设第二阈值时,则对应的第一待检测连通域的缺陷类型为夹渣;反之,则为第二待检测连通域。
进一步考虑暗像素点的位置关系进行二次筛选。夹渣缺陷区域内的暗像素点应该呈现分散且无规律的状态,气孔区域内的暗像素点则应该集中分布在区域中心,因此可根据第一待检测连通域内暗像素点与连通域中心点的距离关系进行二次筛选。将第一待检测连通域内所有暗像素点到连通域中心点的距离和作为距离关系。当距离关系大于预设第二阈值时,说明该第一待检测连通域内分布紧密的暗像素点与连通域中心点距离较远,则对应的第一待检测连通域的缺陷类型为夹渣;反之,说明该第一待检测连通域内分布紧密的暗像素点与连通域中心点距离较近,说明该第一待检测连通域需要继续检测,则该第一待检测连通域为第二待检测连通域。
步骤S2和步骤S3通过缺陷连通域内的暗像素点对缺陷类型进行了两次筛选,通过明显的暗像素点特征的差异快速完成筛选过程,减小了后续筛选过程的计算量。
步骤S4:在第二待检测连通域内以连通域中心点为圆心构建多个同心圆;获取每个同心圆上的像素点与连通域中心点的像素值差异的差异分布;根据差异分布获得第一像素分布特征;当第一像素分布特征小于预设第三阈值时,则对应的第二待检测连通域的缺陷类型为夹渣;反之,则为第三待检测连通域。
经过步骤S2和步骤S3的两次筛选,第二待检测连通域内暗像素点分布集中且分布在连通域中心点处。考虑到气孔缺陷边缘的黑度较浅,且分布均匀,因此可根据与连通域中心点同一距离像素点的像素值特征进行第三次筛选。
在第二待检测连通域内以连通域中心点为圆心构建多个同心圆。在一个同心圆上的像素点与连通域中心点的距离相同,且都为普通像素点。获取每个同心圆上普通像素点与连通域中心点的像素值差异,以像素值差异的方差作为同心圆的差异分布。因为差异分布越小表示与连通域中心点相同距离的普通像素点的像素值一致性高。因此将第二待检测连通域内所有同心圆的差异分布的倒数累加,获得第一像素分布特征。
当第一像素分布特征小于预设第三阈值时,说明该第二待检测连通域内与连通域中心点相同距离的普通像素点的像素值一致性低,则对应的第二待检测连通域的缺陷类型为夹渣;反之,说明需要继续进行检测,则将该第二待检测连通域设置为第三待检测连通域。
步骤S5:获取第三待检测连通域内同心圆上普通像素点与连通域中心点的平均像素值差异;以同心圆的半径和平均像素值差异作为同心圆的状态坐标;根据状态坐标拟合获得状态曲线;根据状态曲线内递增区域的占比获得第二像素分布特征;当第二像素分布特征小于预设第四阈值时,则对应的第三待检测连通域的缺陷类型为夹渣;反之,则缺陷类型为气孔。
进一步考虑在缺陷连通域内,与连通域中心点距离不同的像素点的像素值分布情况。因为气孔缺陷区域中,边缘的像素点黑度越来越浅,即像素值越来越大。因此可根据与连通域中心点不同距离的普通像素点的分布对第三待检测连通域进行第四次筛选。
获取第三待检测连通域内同心圆上普通像素点与连通域中心点的平均像素值差异;以同心圆的半径和平均像素值差异作为同心圆的状态坐标。即存在个状态坐标:,其中,为第个同心圆的半径,为第个同心圆上普通像素点与连通域中心点的平均像素值差异。
将状态坐标进行拟合,获得状态曲线。状态曲线的取值区间为。计算状态曲线的一阶导数。根据一阶导数获得递增区域,即一阶导数大于0的区间为递增区域。以递增区域的区间长度与状态曲线的区间长度的比值作为第二像素分布特征。当第二像素分布特征小于预设第四阈值时,说明与连通域中心点不同距离的普通像素点的分布不满足气孔缺陷的分布规律,则对应的第三待检测连通域的缺陷类型为夹渣;反之,则该第三待检测连通域的缺陷类型为气孔。
通过四次筛选过程完成对所有缺陷连通域的缺陷类型检测。可根据缺陷类型对生产过程进行调整。防止后续缺陷的产生,具体包括:
若主要存在气孔缺陷,则预防措施从减少焊缝中气体的数量、加强气体从熔池中的溢出等方面考虑,如:
(1)焊前将焊条或焊剂按规定的温度和时间进行烘干,并做到随用随取。
(2)焊丝表面应清洁,无油无锈,并认真清理坡口及两侧,去除氧化物,油脂,水分等。
(3)尽量采用短弧焊接,减少气体进入熔池的机会。
(4)选择合适的焊接规范,缩短灭弧停歇时间。
(5)运条角度要适当,操作应熟练,不要将熔渣拖离熔池。
(6)焊接线能量合适,焊接速度不能过快。
(7)按照工艺要求进行焊件预热。
若主要存在夹渣缺陷,则预防措施包括:
(1)焊前打磨焊缝破口。
(2)多层焊时,层间药皮清理干净,再进行下一道焊接。
(3)焊条按照要求烘培,不使用偏芯、受潮等不合格焊条。
(4)尽量使用短弧焊接,选择合适的电流参数。
(5)选用具有良好工艺性能的焊条,以改善熔渣上浮的条件,有利于防止夹渣的产生。
(6)遇到焊条药皮成块脱落时,必须停止焊接,查明原因并更换焊条。
焊接速度合适,不能过快。
可根据结构件内缺陷区域的缺陷类型对结构件的生产过程进行针对性调整,预防缺陷发生,提高结构件的生产质量。
综上所述,本发明实施例通过X射线获得结构件的射线图像,通过射线图像上的缺陷区域构建缺陷分布图。以缺陷分布图上缺陷连通域内像素值最小的像素点作为暗像素点,通过暗像素点的分散程度和暗像素点与连通域中心的距离关系进行两次筛选,获得缺陷类型为夹渣的缺陷连通域和需要继续检测的第二待检测连通域。通过第二待检测连通域内像素点的第一像素分布和第二像素分布进行两次筛选,完成对所有缺陷连通域的缺陷类型检测。通过充分考虑气孔和夹渣的像素值差异特征,准确高效的完成缺陷检测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述方法包括:
通过X射线获得结构件的射线图像;根据所述射线图像上的像素值差异获得缺陷区域;根据所述缺陷区域构建缺陷分布图;
获得所述缺陷分布图中的缺陷连通域;所述缺陷连通域内像素值最小的像素点作为暗像素点,其他为普通像素点;获得所述暗像素点的分散程度;当所述分散程度大于预设第一阈值时,则对应的所述缺陷连通域的缺陷类型为夹渣;反之,则为第一待检测连通域;
获得所述第一待检测连通域内所述暗像素点与连通域中心点的距离信息;当所述距离信息大于预设第二阈值时,则对应的所述第一待检测连通域的所述缺陷类型为夹渣;反之,则为第二待检测连通域;
在所述第二待检测连通域内以所述连通域中心点为圆心构建多个同心圆;获取每个所述同心圆上所述普通像素点与所述连通域中心点的像素值差异的差异分布;根据所述差异分布获得第一像素分布特征;当所述第一像素分布特征小于预设第三阈值时,则对应的所述第二待检测连通域的所述缺陷类型为夹渣;反之,则为第三待检测连通域;
获取所述第三待检测连通域内所述同心圆上所述普通像素点与所述连通域中心点的平均像素值差异;以所述同心圆的半径和所述平均像素值差异作为所述同心圆的状态坐标;根据所述状态坐标拟合获得状态曲线;根据所述状态曲线内递增区域的占比获得第二像素分布特征;当所述第二像素分布特征小于预设第四阈值时,则对应的所述第三待检测连通域的所述缺陷类型为夹渣;反之,则所述缺陷类型为气孔。
2.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述根据所述射线图像上的像素值差异获得缺陷区域包括:
通过阈值分割操作处理所述射线图像,获得二值图像;以所述二值图像中的像素连通域作为所述缺陷区域。
3.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述根据所述缺陷区域构建缺陷分布图包括:
根据所述缺陷区域位置构建遮罩;所述射线图像通过遮罩处理,获得所述缺陷分布图;所述缺陷分布图内所述缺陷连通域的像素值与所述射线图像中对应位置的像素值大小相同,所述缺陷连通域外的背景像素点的像素值为255。
4.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述获得所述暗像素点的分散程度包括:
以所述暗像素点之间距离的方差作为所述分散程度。
5.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述获得所述第一待检测连通域内所述暗像素点与连通域中心点的距离信息包括:
以所述第一待检测连通域内所有所述暗像素点到所述连通域中心点的距离和作为所述距离信息。
6.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述获取每个所述同心圆上所述普通像素点与所述连通域中心点的像素值差异的差异分布包括:
以所述像素值差异的方差作为所述同心圆的差异分布。
7.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述根据所述差异分布获得第一像素分布特征包括:
将所述第二待检测连通域内所有所述同心圆的所述差异分布的倒数累加,获得所述第一像素分布特征。
8.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述根据所述状态曲线内递增区域的占比获得第二像素分布特征包括:
计算所述状态曲线的一阶导数;根据所述一阶导数获得所述递增区域;以所述递增区域的区间长度与所述状态曲线的区间长度的比值作为所述第二像素分布特征。
9.根据权利要求1所述的一种基于图像处理的结构件生产过程缺陷检测方法,其特征在于,所述获得所述缺陷类型后包括:
根据所述缺陷类型对生产过程进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964581.0A CN113421261B (zh) | 2021-08-23 | 2021-08-23 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964581.0A CN113421261B (zh) | 2021-08-23 | 2021-08-23 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421261A CN113421261A (zh) | 2021-09-21 |
CN113421261B true CN113421261B (zh) | 2021-11-05 |
Family
ID=77719084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110964581.0A Active CN113421261B (zh) | 2021-08-23 | 2021-08-23 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421261B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049489B (zh) * | 2022-01-13 | 2022-04-12 | 山东鹰联光电科技股份有限公司 | 一种光纤电缆护套破裂预警方法 |
CN114937041B (zh) * | 2022-07-25 | 2022-10-25 | 聊城市博源节能科技有限公司 | 一种汽车发动机油路铜套缺陷检测方法及系统 |
CN115229355B (zh) * | 2022-09-22 | 2022-12-13 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光焊接方法 |
CN115984272B (zh) * | 2023-03-20 | 2023-05-23 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279190A (zh) * | 2011-04-29 | 2011-12-14 | 广州有色金属研究院 | 一种激光焊接不等厚板焊缝表面缺陷图像检测方法 |
CN104865277A (zh) * | 2015-05-11 | 2015-08-26 | 四川大学 | 基于双壁双投影透照图像的管焊缝缺陷自动识别的方法 |
CN105956613A (zh) * | 2016-04-25 | 2016-09-21 | 西安石油大学 | 一种工业x射线焊缝图像圆形、线性缺陷分类方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
CN111008952A (zh) * | 2019-10-22 | 2020-04-14 | 浙江蓝卓工业互联网信息技术有限公司 | 应用于法布里-珀罗干涉成像的物体内部缺陷检测方法 |
CN111507189A (zh) * | 2020-03-17 | 2020-08-07 | 国家电网有限公司 | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957325B (zh) * | 2010-10-14 | 2012-05-23 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN103593670B (zh) * | 2013-10-14 | 2016-07-06 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
-
2021
- 2021-08-23 CN CN202110964581.0A patent/CN113421261B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279190A (zh) * | 2011-04-29 | 2011-12-14 | 广州有色金属研究院 | 一种激光焊接不等厚板焊缝表面缺陷图像检测方法 |
CN104865277A (zh) * | 2015-05-11 | 2015-08-26 | 四川大学 | 基于双壁双投影透照图像的管焊缝缺陷自动识别的方法 |
CN105956613A (zh) * | 2016-04-25 | 2016-09-21 | 西安石油大学 | 一种工业x射线焊缝图像圆形、线性缺陷分类方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
CN109682839A (zh) * | 2019-01-25 | 2019-04-26 | 中国船舶重工集团公司第七一六研究所 | 一种金属弧形工件表面缺陷在线检测方法 |
CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
CN111008952A (zh) * | 2019-10-22 | 2020-04-14 | 浙江蓝卓工业互联网信息技术有限公司 | 应用于法布里-珀罗干涉成像的物体内部缺陷检测方法 |
CN111507189A (zh) * | 2020-03-17 | 2020-08-07 | 国家电网有限公司 | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 |
Non-Patent Citations (3)
Title |
---|
《A survey on defect detection in bare PCB and assembled PCB using image processing techniques》;D.B.Anitha等;《2017 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET)》;20171231;第39-43页 * |
《PCB defect detection USING OPENCV with image subtraction method》;Fa"Iq Raihan等;《2017 International Conference on Information Management and Technology (ICIMTech)》;20171231;第204-209页 * |
《基于ButterWorth滤波的X射线钢管焊缝缺陷检测方法》;王家晨等;《微型机与应用》;20171231;第36卷(第23期);第21-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421261A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113421261B (zh) | 一种基于图像处理的结构件生产过程缺陷检测方法 | |
CN115018833B (zh) | 一种半导体器件的加工缺陷检测方法 | |
CN111667462B (zh) | 一种焊接缺陷中弱小目标的自动检测方法与系统 | |
CN114549530B (zh) | 一种基于图像处理的pcb板焊接质量评估方法 | |
JP6027295B1 (ja) | 溶融めっき鋼板の表面欠陥検査装置および表面欠陥検査方法 | |
CN107610111A (zh) | 一种基于深度学习的焊点图像检测方法 | |
US20220415020A1 (en) | System and method for detection of anomalies in welded structures | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN117351019A (zh) | 一种焊接缺陷检测方法 | |
WO2020110667A1 (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 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
TWI770906B (zh) | 晶圓表面缺陷檢測方法及其裝置 | |
CN117036356A (zh) | 基于人工智能的焊管焊缝质量检测方法 | |
CN115330646A (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
Ruisz et al. | Quality evaluation in resistance spot welding by analysing the weld fingerprint on metal bands by computer vision | |
CN115330774A (zh) | 焊接图像熔池边缘检测方法 | |
CN115239728A (zh) | 一种消防器材识别方法 | |
Dang et al. | A novel method for detecting weld defects accurately and reliably in radiographic images | |
JP5557271B2 (ja) | 放射線検査装置、放射線検査方法および放射線検査プログラム | |
CN111353981B (zh) | 基于机器视觉的齿轮检测方法、系统及存储介质 | |
CN115272345B (zh) | 基于图像处理的防火面料质量分析方法 | |
CN114037701A (zh) | 一种基于图像处理的机械零件氢损伤检测方法 | |
JP2021189238A (ja) | ベルト検査システムおよびベルト検査プログラム | |
CN113012116A (zh) | 一种基于改进的数学形态学的红外图像缺陷边缘检测方法 | |
CN112129774A (zh) | 一种焊接未熔合缺陷在线检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 272500 No. 1, Jincheng Road, Wenshang County, Jining City, Shandong Province Patentee after: Jincheng Technology Co.,Ltd. Address before: 272500 No. 1, Jincheng Road, Wenshang County, Jining City, Shandong Province Patentee before: Jincheng Technology Co.,Ltd. |