CN113436168B - 一种用于工业焊缝x光图中的裂纹缺陷检测方法 - Google Patents
一种用于工业焊缝x光图中的裂纹缺陷检测方法 Download PDFInfo
- Publication number
- CN113436168B CN113436168B CN202110711549.1A CN202110711549A CN113436168B CN 113436168 B CN113436168 B CN 113436168B CN 202110711549 A CN202110711549 A CN 202110711549A CN 113436168 B CN113436168 B CN 113436168B
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- industrial
- pixel point
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 238000003466 welding Methods 0.000 title claims abstract description 38
- 238000010586 diagram Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000006247 magnetic powder Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- 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
- 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
Abstract
本发明属于工业焊缝缺陷检测技术领域,具体涉及一种用于工业焊缝X光图中的裂纹缺陷检测方法,该方法包括:对待检测的工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理;采用非局部均值滤波对均衡化处理后的图像进行去噪处理,得到去噪后的X光图;采用Canny算法对去噪后的X光图进行类边缘纹理检测,得到初步检测结果;对初步结果进行筛选,得到裂纹类缺陷检测结果;本方法在Canny算法得到的结果上进一步过滤筛选,该算法能极大程度的去除焊缝本身边缘,只保留其中的裂纹类缺陷,最终结果裂纹类缺陷的检出率极高。
Description
技术领域
本发明属于工业焊缝缺陷检测技术领域和射线探伤技术领域,具体涉及一种用于工业焊缝X光图中的裂纹缺陷检测方法。
背景技术
在当今工业社会的背景下,焊接已成为工业领域最流行的连接技术,没有哪一种连接技术像焊接那样被如此广泛、如此普遍地应用在各个领域。焊接已成为关键的制造技术,焊接作为组装工艺之一,通常被安排在制造流程的后期或最终阶段,因而对产品质量具有决定性作用。正因为如此,在许多行业中,焊接被视为一种关键的制造技术。而我国作为工业大国,焊接工作量更是巨大的,而无论是机器还是人工焊接,总会或多或少的出现缺陷,而这些缺陷将会成为潜在的严重的安全隐患。其中“裂纹类”缺陷就是一种危害极大的缺陷,因此迫切需要发明一种在保证精确率的情况下,具有高召回率的裂纹类缺陷的检测方法。
目前工业领域主要还是靠人力肉眼观察来发现X光图中的缺陷,这样的方法首先最大的问题就是进度缓慢,需要大量的人力资源。且在实际工作过程中,经常会因为视觉疲劳等原因,出现漏检、误检等情况。
此外对于裂纹类缺陷,还有一些传统方法,例如基于形态学的磁粉检测法,超声导波检测法,超声红外热像检测法、渗透检测法等。这些方法目前都存在各自的缺点,或操作受限,或会对人体危害较大,同时在召回率等方面的表现有待进一步考察。
在陈亮等人提出的《基于形态学的磁粉检测焊缝裂纹缺陷识别技术研究》中,其检测方法首先是通过传统视觉处理方法对磁粉检测图像进行增强和去噪,后通过类似形态学梯度的分析方法处理缺陷图像,提取其中的形态学特征等,最后通过8连通判别方法来识别其中的裂纹。该技术在形态学方法处理阶段数学计算复杂度较高,且形态学变换和空间变换极易导致缺陷边缘发生畸变,虽然采用了修复方法,但依然会原有特征造成破坏改变,容易导致其中噪声边缘的突出,且最后的筛选方法较为简单,易导致精确率偏低。在专利申请号为CN201410641051.2中的这篇专利中,使用超声波衍射时差法(TOFD)对焊缝进行检测,记录图像中可识别的小缺陷,相控阵法对TOFD检出的小缺陷进行检测,而后采用图像形貌判据来确定最终的检测结果。但此方法对尺寸较长的、形态较为不规律的裂纹检测效果不好。
从以上分析可以看出,目前的大多数方法还是基于磁粉或超声来进行检测,在技术操作上受限,且这些方法所得图像所含特征无法充分表达结构信息,缺少特征;对原始特征变换较多,后期筛选计算方法复杂。对形态较为奇特复杂的裂纹无法很好的检出。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种用于工业焊缝X光图中的裂纹缺陷检测方法,该方法包括:对待检测的工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理;采用非局部均值滤波对均衡化处理后的图像进行去噪处理,得到去噪后的X光图;采用Canny算法对去噪后的X光图进行类边缘纹理检测,得到初步检测结果;采用横、纵两种方向焊缝的筛选算法对初步结果进行筛选,得到裂纹类缺陷检测结果。
优选的,对工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理的具体过程包括:将工业焊缝原始X光图分成5*5块,计算每个图块的直方图;设置限制对比度阈值,将超过对比度阈值的直方图Bin进行裁剪,并将超出阈值的部分平均分配到各个灰度级;根据裁剪后的各个图块的直方图计算累积分布函数CDF和映射函数;对于工业焊缝原始X光图的任一个像素点,选该像素点临近的4个图像块的映射函数进行映射,对映射后的结果进行双线性插值计算,得到该像素点的最终映射结果。
进一步的,设置的限制对比度阈值为4。
进一步的,图像中任意子图像素点灰度值为离散变量,其累积分布函数CDF计算公式为:
cdf(x)=P(X≤x)
进一步的,映射函数的表达式为:
进一步的,双线性插值计算公式为:
f(v)=(1-Δx)((1-Δy)ful(v)+Δyfbl(v))+Δx((1-Δy)fur(v)+Δyfbr(v))
优选的,采用非局部均值滤波对图像进行去噪处理的公式为:
优选的,采用Canny算法对去噪后的X光图进行类边缘纹理检测的过程包括:对去噪后的X光图进行高斯滤波处理,得到降噪后的图像;采用Sobel算子计算图像中各个像素点的近似梯度值和梯度方向;根据各个像素点的近似梯度值和梯度方向进行非极大值抑制,即只保留在梯度方向上梯度值是最大的像素点,其余都抑制为0;采用双阈值法选择图像中的类边缘像素点,将边缘像素点灰度值设置为0,其余部分灰度值设置为255,得到初步检测结果。
进一步的,计算高斯核的标准差公式为:
σ=0.3*((kernelsize-1)*0.5-1)+0.8
优选的,高斯核的大小为3。
优选的,采用横、纵两种方向焊缝的筛选算法对初步结果进行筛选的过程包括:对所有检测为类边缘纹理的像素点进行过滤,检查以其为中心的(3,3)区域内是否还有其他检测为正的连通像素点,若无则将此像素点认定为噪声,并进行过滤删除;若有则采用递归的方法进行检查,直到无连通像素点,若最终结果连通像素个数小于5时,则将这些像素点过滤删除;对所有的类边缘纹理像素点过滤后对剩余检测为正的像素点再进行筛选;筛选的过程为首先在两侧各20%的区域内查看是否有类边缘检测结果,若无,则剩余50%部分的所有检测结果都认定为裂纹类缺陷;若有则再检查其周围10%范围内是否还有类边缘检测结果,若有则将该5%区域内的检测结果都认定为焊缝本身的边缘,将图像剩余部分的结果认定为裂纹类缺陷。
本发明的有益效果:
1、本方法利用限制对比度的直方图均衡化增强图像,同时可以有效防止对噪声点的过度增强;
2、本方法首先通过非局部均值滤波去噪,充分利用了图像中的冗余信息来进行去噪,很好的去除或弱化了大部分噪声点;而后在进行Canny算法前,再次使用高斯滤波平滑图像,双重滤波对噪声的去除效果大大增强,而在此之前图像经过增强,故裂纹本身不会被抹除;
3、本方法在Canny算法得到的结果上进一步过滤筛选,该算法能极大程度的去除焊缝本身边缘,只保留其中的裂纹类缺陷,最终结果裂纹类缺陷的检出率极高。
附图说明
图1为本发明的方法流程图;
图2为本发明的焊缝X光图原图像;
图3为本发明图像处理阶段后的焊缝X光图;
图4为本发明的Canny算法的初步检测结果;
图5为本发明的最终经过滤筛选算法得到的最终检测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种用于工业焊缝X光图中的裂纹缺陷检测方法,如图1所示,该方法包括:对待检测的工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理;采用非局部均值滤波对均衡化处理后的图像进行去噪处理,得到去噪后的X光图;采用Canny算法对去噪后的X光图进行类边缘纹理检测,得到初步检测结果;对初步结果进行筛选,得到裂纹类缺陷检测结果。
一种用于工业焊缝X光图中的裂纹缺陷检测方法具体实施方式,该方法包括图像处理阶段和检测识别阶段。
图像处理阶段的具体实施方式包括:
步骤一:获取工业焊缝原始X光图,获取的图像如图2所示,对得到的工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化(CLAHE),以适当提升对比度,增强图像中裂纹类缺陷特征;该方法中限制对比度的阈值设为T=4,图像分割为5*5块区域。即将图像分割成等大的25块,而后对每个区域内的灰度值计算CDF,对CDF进行限制对比度的剪裁,将超出的平均分给所有灰度Bins,根据此剪裁限制对比度的CDF计算该区域的映射函数f:
其中L是灰度等级数,一般取256,而M、N分别是图像长宽的像素数。对于图像中任意一个像素点,取其临近的4个图块的映射函数进行映射,得到ful(v),fur(v),fdl(v),fdr(v),其中,ful(v)表示左下方图块映射函数对目标像素点灰度值v的映射值,fbl(v)表示左上方图块映射值,fur(v)表示右下方图块映射值,fbr(v)表示右上方图块映射值,其中根据像素点的位置不同,四个映射函数中有一个将会是v本身所在图块的映射函数值;然后进行双线性插值得到该像素点的最终映射,双线性插值的公式如下:
f(v)=(1-Δx)((1-Δy)ful(v)+Δyfbl(v))+Δx((1-Δy)fur(v)+Δyfbr(v))
其中Δx,Δy是像素点相对于左下角图块中心像素点的距离与图块大小的比值。
步骤二:使用非局部均值滤波(NL-means),对图像进行去噪,其中采用9*9大小的窗口对中心像素点的值来进行计算,在根据相似度计算权重时,采用23*23大小的窗口来衡量两个像素点的相似度。该方法目的是消除图像中原有的噪声,以及直方图均衡化增强的噪点;非局部均值滤波(NL-means)过程如下面的公式,对原图像中每个像素i的映射:
其中,w(i,j)是一个权重,表示在原始图像v中,像素i和像素j的相似度。它的值由以i、j为中心的矩形邻域v(i)、v(j)间的距离‖v(i)-v(j)‖2决定,
Z(i)为归一化系数,h为平滑参数,主要控制去噪强度。局部均值滤波算法的具体参数为:对于图像中任意一个像素i,取以其为中心的9*9的窗口来计算其映射像素值,对于每个相邻像素j,取以其为中心的23*23的窗口来计算相似度权重,平滑参数h=10。最终得到处理后的图像,处理后的图像如图3所示。
图像检测阶段的具体实施方式包括:
步骤一:使用Canny算法对其中的类边缘纹理进行检测,Canny算法具体包括以下四个步骤:
步骤1):使用高斯滤波处理图像,平滑模糊图像,进一步对图像进行降噪,其中高斯核大小为3*3,标准差σx,σy应用以下公式来计算:
σ=0.3*((kernelsize-1)*0.5-1)+0.8
其中,kernelsize表示所用高斯核的大小。
优选的,高斯核的大小为3。
步骤2):使用Sobel算子计算图像中各个像素点的近似梯度值和梯度方向;其中Sobel算子如下:
图像的每一个像素的横向及纵向梯度近似值用以下的公式:
梯度方向用以下公式计算:
步骤3):扫描整个图像,进行非极大值抑制,即只保留在梯度方向上梯度值是最大的像素点,其余都抑制为0;
步骤4):使用双阈值法选择图像中的类边缘像素点,将边缘像素点灰度值设置为0,其余部分灰度值设置为255;其中阈值Tmin=60,Tmax=120。得到初步结果如图4所示。
双阈值法原理如下:
设置两个阈值tmin和tmax。遍历所有像素,梯度大于tmax的像素点被归为“确定边缘”像素,被保留;梯度小于tmin的像素点被认为一定不属于边缘,被丢弃。对于那些梯度大小介于tmin和tmax之间的像素点,若它们连接到“确定边缘”像素,则它们被视为边缘的一部分。否则也会被丢弃。其中tmin设置为0.65倍的梯度平均值,tmax设置为1.35倍的梯度平均值。
步骤二:对Canny算法检测得到的初步结果进行设计好的筛选算法,该算法首先对所有检测为类边缘纹理的像素点进行过滤,检查以其为中心的(3,3)区域内是否还有其他检测为正的连通像素点,若无则将此像素点认定为噪声过滤掉;若有则递归的进行检查,直到无连通像素点,若最终结果连通像素小于5个,则同样将这些像素点过滤掉。过滤完后对剩余检测为正的像素点再进行筛选,首先在两侧各20%的区域内查看是否有类边缘检测结果,若无,则剩余50%部分的所有检测结果都认定为裂纹类缺陷;若有则再检查其周围10%范围内是否还有类边缘检测结果,若有则将该5%区域内的检测结果都认定为焊缝本身的边缘,将图像剩余部分的结果认定为裂纹类缺陷。最终将通过筛选的检测结果作为裂纹类缺陷的检测结果。检测结果如图5所示。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于工业焊缝X光图中的裂纹缺陷检测方法,其特征在于,包括:对待检测的工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理;采用非局部均值滤波对均衡化处理后的图像进行去噪处理,得到去噪后的X光图;采用Canny算法对去噪后的X光图进行类边缘纹理检测,得到初步检测结果;采用横、纵两种方向焊缝的筛选算法对初步结果进行筛选,得到裂纹类缺陷检测结果;
采用横、纵两种方向焊缝的筛选算法对初步结果进行筛选的过程包括:对所有检测为类边缘纹理的像素点进行过滤,检查以其为中心的(3,3)区域内是否还有其他检测为正的连通像素点,若无则将此像素点认定为噪声,并进行过滤删除;若有则采用递归的方法进行检查,直到无连通像素点,若最终结果连通像素个数小于5时,则将这些像素点过滤删除;对所有的类边缘纹理像素点过滤后对剩余检测为正的像素点再进行筛选;筛选的过程为首先在两侧各20%的区域内查看是否有类边缘检测结果,若无,则剩余50%部分的所有检测结果都认定为裂纹类缺陷;若有则再检查其周围10%范围内是否还有类边缘检测结果,若有则将该5%区域内的检测结果都认定为焊缝本身的边缘,将图像剩余部分的结果认定为裂纹类缺陷。
2.根据权利要求1所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,
其特征在于,对工业焊缝原始X光图进行限制对比度低的自适应直方图均衡化处理的具体过程包括:将工业焊缝原始X光图分成5*5块,计算每个图块的直方图;设置限制对比度阈值,将超过对比度阈值的直方图Bin进行裁剪,并将超出阈值的部分平均分配到各个灰度级;根据裁剪后的各个图块的直方图计算累积分布函数CDF和映射函数;对于工业焊缝原始X光图的任一个像素点,选该像素点临近的4个图像块的映射函数进行映射,对映射后的结果进行双线性插值计算,得到该像素点的最终映射结果。
3.根据权利要求2所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,其特征在于,设置的限制对比度阈值为4。
4.根据权利要求2所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,
其特征在于,图像中任意子图像素点灰度值为离散变量,其累积分布函数CDF计算方式如下:
cdf(x)=P(X≤x)
其中,x代表某灰度值,P代表所有小于x的灰度值X在子图像中出现的概率的和,出现概率即对子图像所有像素点灰度值进行统计所得。
5.根据权利要求2所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,
其特征在于,映射函数的表达式为:
其中,round(.)表示取整,cdf(v)表示当前像素点灰度值v的累积分布函数值,cdfmin表示累积分布函数的最小值,M、N分别表示图像的长宽像素数,L表示灰度等级数。
6.根据权利要求2所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,
其特征在于,双线性插值计算公式为:
f(v)=(1-Δx)((1-Δy)ful(v)+Δyfbl(v))+Δx(1-Δy)fur(v)+Δyfbr(v)
其中,Δx、Δy分别为像素点相对于左下角图块中心像素点的距离与图块大小的比值,v表示目标像素点灰度值,fil(v)表示左下方图块映射函数对目标像素点灰度值v的映射值,fbl(v)表示左上方图块映射值,fur(v)表示右下方图块映射值,fbr(v)表示右上方图块映射值。
7.根据权利要求1所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,
其特征在于,采用非局部均值滤波对图像进行去噪处理的公式为:
其中,NL[v](i)表示对给定图像v中的像素点i的映射,j表示其他像素点,I表示像素点集合,w(i,j)表示像素点i和j根据相似性计算所得权重,v(j)表示像素点j的灰度值,Z(i)表示所有相似度的和,是一个归一化系数,v(Ni)表示以像素i为中心的固定大小正方形图块Ni的灰度向量,v(Nj)表示以像素j为中心的固定大小正方形图块Nj的灰度向量,表示L2范数,a表示高斯核的标准差,h是滤波强度,控制指数函数的衰减。
8.根据权利要求1所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,其特征在于,采用Canny算法对去噪后的X光图进行类边缘纹理检测的过程包括:对去噪后的X光图进行高斯滤波处理,得到降噪后的图像;采用Sobel算子计算图像中各个像素点的近似梯度值和梯度方向;根据各个像素点的近似梯度值和梯度方向进行非极大值抑制,即只保留在梯度方向上梯度值是最大的像素点,其余都抑制为0;采用双阈值法选择图像中的类边缘像素点,将边缘像素点灰度值设置为0,其余部分灰度值设置为255,得到初步检测结果。
9.根据权利要求7所述的一种用于工业焊缝X光图中的裂纹缺陷检测方法,其特征在于,计算高斯核的标准差公式为:
σ=0.3*((kernelsize-1)*0.5-1)+0.8
其中,kernelsize表示所用高斯核的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711549.1A CN113436168B (zh) | 2021-06-25 | 2021-06-25 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711549.1A CN113436168B (zh) | 2021-06-25 | 2021-06-25 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436168A CN113436168A (zh) | 2021-09-24 |
CN113436168B true CN113436168B (zh) | 2023-07-18 |
Family
ID=77754477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711549.1A Active CN113436168B (zh) | 2021-06-25 | 2021-06-25 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436168B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989280B (zh) * | 2021-12-28 | 2022-03-22 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
CN114445348B (zh) * | 2021-12-31 | 2022-11-29 | 扬州中卓泵业有限公司 | 基于光学手段的新材料水泵缺陷检测方法及系统 |
CN115082444B (zh) * | 2022-07-25 | 2022-11-11 | 南通宏大实验仪器有限公司 | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 |
CN114972353B (zh) * | 2022-08-02 | 2022-10-25 | 山东汇通工业制造有限公司 | 一种金属高压特种管件质量评估方法及系统 |
CN115526867B (zh) * | 2022-09-30 | 2023-09-05 | 山东大学 | 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 |
CN115953366A (zh) * | 2022-12-14 | 2023-04-11 | 广州市斯睿特智能科技有限公司 | 基于反射图像的焊缝检测方法、系统、装置和存储介质 |
CN115984283B (zh) * | 2023-03-21 | 2023-06-23 | 山东中济鲁源机械有限公司 | 一种钢筋笼焊接质量智能检测方法 |
CN116309557B (zh) * | 2023-05-16 | 2023-08-01 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116385434B (zh) * | 2023-06-02 | 2023-08-08 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
CN116433669B (zh) * | 2023-06-14 | 2023-08-18 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784713A (zh) * | 2016-03-11 | 2016-07-20 | 南京理工大学 | 基于机器视觉的密封圈表面缺陷检测方法 |
CN109035198A (zh) * | 2018-06-07 | 2018-12-18 | 华南理工大学 | 基于边缘检测的室外可见光通信的led检测方法 |
CN110864635A (zh) * | 2019-10-30 | 2020-03-06 | 宁波兰羚钢铁实业有限公司 | 一种纵剪机用在线厚度检测系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007074770A1 (ja) * | 2005-12-26 | 2007-07-05 | Nikon Corporation | 画像解析によって欠陥検査を行う欠陥検査装置 |
SG10201407330UA (en) * | 2009-11-16 | 2015-01-29 | Agency Science Tech & Res | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
CN105976352B (zh) * | 2016-04-14 | 2019-01-11 | 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 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
CN108629775B (zh) * | 2018-05-14 | 2021-08-03 | 华中科技大学 | 一种热态高速线材表面图像处理方法 |
CN111932489B (zh) * | 2020-06-03 | 2024-02-20 | 西安电子科技大学 | 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端 |
-
2021
- 2021-06-25 CN CN202110711549.1A patent/CN113436168B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784713A (zh) * | 2016-03-11 | 2016-07-20 | 南京理工大学 | 基于机器视觉的密封圈表面缺陷检测方法 |
CN109035198A (zh) * | 2018-06-07 | 2018-12-18 | 华南理工大学 | 基于边缘检测的室外可见光通信的led检测方法 |
CN110864635A (zh) * | 2019-10-30 | 2020-03-06 | 宁波兰羚钢铁实业有限公司 | 一种纵剪机用在线厚度检测系统及方法 |
Non-Patent Citations (3)
Title |
---|
Defect Detection on an Inhomogeneous High-Contrast Surface;Louban R等;《Image Processing of Edge and Surface Defects》;47-70 * |
基于机器视觉的玻璃磨边缺陷检测;赵俊冉等;《烟台大学学报(自然科学与工程版》)(第4期);65-71 * |
基于深度神经网络的太阳能电池组件缺陷检测算法研究;刘怀广等;《应用光学》;第41卷(第2期);327-336 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436168A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436168B (zh) | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
Karnati et al. | Fast non-local algorithm for image denoising | |
CN115049835A (zh) | 基于压铸模具缺陷识别的数据预处理方法 | |
CN109003233B (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN113963042A (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN114549492A (zh) | 一种基于多粒度图像信息内容的质量评价方法 | |
CN111275659A (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
Reddy et al. | Canny scale edge detection | |
CN109191436A (zh) | 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
Biswas et al. | A model of noise reduction using Gabor Kuwahara filter | |
Radi et al. | Segmenting welding flaws of non-horizontal shape |
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 |