CN113588692A - 基于计算机视觉的焊缝缺陷无损检测方法 - Google Patents
基于计算机视觉的焊缝缺陷无损检测方法 Download PDFInfo
- Publication number
- CN113588692A CN113588692A CN202111140057.8A CN202111140057A CN113588692A CN 113588692 A CN113588692 A CN 113588692A CN 202111140057 A CN202111140057 A CN 202111140057A CN 113588692 A CN113588692 A CN 113588692A
- Authority
- CN
- China
- Prior art keywords
- edge
- outer edge
- connected domain
- inner edge
- welding seam
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本发明涉及一种基于计算机视觉的焊缝缺陷无损检测方法,包括以下内容:对焊缝x射线底片进行语义分割得到焊缝边缘,对焊缝边缘内侧区域进行连通域分析得到焊缝内侧的连通域;对每个连通域的边缘进行分割,得到靠近母材一侧的外边缘和靠近焊缝中心一侧的内边缘;分别获取内边缘和外边缘的辨识度、黑度与平直度;利用辨识度与黑度获取内边缘和外边缘的清晰度;根据内边缘和外边缘之间的清晰度差值和平直度差值得到连通域的未融合率;设定阈值,将阈值与连通域对应的未融合率进行比较,根据阈值与连通域对应的未融合率比较的结果对连通域进行标记。根据本发明提出的技术手段,可以精确识别出焊缝未融合缺陷,对焊缝缺陷的易混淆种类识别更加精准。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于计算机视觉的焊缝缺陷无损检测方法。
背景技术
在焊接过程中,会因操作不当或焊材不合格等各种各样的因素产生不同的焊接缺陷,为了检测出这些缺陷,现有技术中利用x射线对焊缝进行从上至下的照射,根据焊缝金属对x射线的吸收来获得焊缝的x射线底版,可实现无损检测,即可不对焊接件进行破坏就能检测焊缝内部缺陷。当焊缝有缺陷时,其上会形成不同形状的阴影等特征。根据这些特征,操作人员可以对焊缝的缺陷进行识别。
现有对焊缝x射线底片上缺陷往往是利用人工直接辨识,效率低下。另一些利用缺陷的不同特征来对缺陷图像进行识别的神经网络需要基于大量的焊缝缺陷训练数据。数据需要人工标注,耗时费力。而现有一些利用传统边缘检测方式检测出缺陷边缘,根据边缘的形状去识别缺陷种类的方式会将焊缝缺陷中某些缺陷混淆,而焊缝中不同种类的缺陷对焊缝的危害程度也不一样。因此需要一种能准确区分形状相似、易混淆的不同种缺陷的焊缝缺陷检测方法。
针对以上问题,本发明提出一种基于计算机视觉的焊缝缺陷无损检测方法。主要目的是区分焊缝缺陷中焊缝未熔合与焊缝未焊透这两种缺陷。而未熔合的缺陷难以修复且危害较大,未焊透缺陷可以补焊,危害相对于未熔合要小。这两种缺陷在形状上相似,混淆后会对焊缝的危害程度造成误判,引起危险。本发明从边缘的清晰程度,平直度出发来对关注的焊缝未熔合缺陷进行检测。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提供一种基于计算机视觉的焊缝缺陷无损检测方法。
为达到上述目的,本发明采用以下技术方案,一种基于计算机视觉的焊缝缺陷无损检测方法,包括:
对焊缝x射线底片进行语义分割得到焊缝边缘,对焊缝边缘内侧区域进行连通域分析得到焊缝内侧的连通域;
对每个连通域的边缘进行分割,得到靠近母材一侧的外边缘和靠近焊缝中心一侧的内边缘;
分别获取内边缘和外边缘的辨识度、黑度与平直度;利用内边缘的辨识度与黑度获取内边缘的清晰度,利用外边缘的辨识度与黑度获取外边缘的清晰度;根据内边缘和外边缘之间的清晰度差值和内边缘与外边缘之间的平直度差值得到连通域的未融合率;
根据获得的未熔合率,对未熔合率对应的连通域中焊缝缺陷进行判断,并根据判断结果对该连通域进行标记。
进一步的,所述未融合率的表达式为:
进一步的,内边缘和外边缘的清晰度分别通过如下方式得到:
以焊缝中心线延伸方向为基准方向设置权值,分别计算内边缘和外边缘上的点与相邻点组成的小边缘的延伸方向相对于焊缝中心线的延伸方向的符合率s,分别获取内边缘上所有点的符合率以及外边缘上所有点的符合率,对内边缘上所有点的符合率以及外边缘上所有点的符合率分别取平均值得到内边缘的平直度和外边缘的平直度。
进一步的,所述获取内边缘和外边缘辨识度的方法如下:
根据梯度均值分别计算内边缘和外边缘待测点与待测连通域外相邻点灰度值的平均梯度差,对内边缘上每一个点的平均梯度差相加求平均,获得内边缘的总平均梯度差为,对外边缘上每一个点的平均梯度差相加求平均,获得外边缘的总平均梯度差为;根据内边缘和外边缘的总平均梯度差得到内边缘的辨识度为,外边缘的辨识度为。
进一步的,内边缘和外边缘的黑度通过如下方法获得:
进一步的,获取内边缘和外边缘的方法如下:
对焊缝未熔合缺陷的x射线底片图像中连通域边缘上的点进行遍历,对每一个点向着最近母材的方向以及焊缝中心的方向寻找相同连通域的边缘点,分别对两个方向上寻找到的相同连通域的点进行标记,根据标记的两类点分别构成连通域靠近焊缝中心一侧的内边缘和靠近母材一侧的外边缘。
进一步的,获取焊缝内侧连通域的方法如下:
将焊缝x射线底版图像输入DNN网络中,获取图像中焊缝的区域,通过语义分割获取焊缝边缘,对焊缝边缘内侧进行连通域分析得到焊缝内的连通域。
进一步的,对未融合率对应的连通域进行标记的方法为:
本发明的有益效果是:
(1)可以对焊缝缺陷进行无损检测,且不需要人工辨识,自动化程度高。
(2)可以精确识别焊缝未融合缺陷,从而区分焊缝未焊透与焊缝未熔合缺陷,对焊缝缺陷的易混淆种类识别更加精准。
附图说明
图1是本发明的一个实施例中基于计算机视觉的焊缝缺陷无损检测方法示意图;
图2是本发明的一个实施例中具有焊缝未熔合缺陷的焊缝x射线底片示意图;
图3是本发明的一个实施例中焊缝边缘内侧及其内侧连通域示意图;
图4是本发明的一个实施例中焊缝连通域边缘分割示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
如图1所示,该实施例提供了一种基于计算机视觉的焊缝缺陷无损检测方法,包括以下内容:
对焊缝x射线底片进行语义分割得到焊缝边缘,根据焊缝边缘获取焊缝边缘内侧的连通域。
焊接缺陷是指焊接接头部位在焊接过程中形成的缺陷。焊接缺陷包括气孔、夹渣、未焊透、未熔合、裂纹、凹坑、咬边、焊瘤等。这些缺陷中的气孔、夹渣(点状)属体积型缺陷。条渣、未焊透、未熔合与裂纹属线性缺陷,也可称为面型缺陷。尤其是裂纹与未熔合更是面型缺陷。凹坑、咬边、焊瘤及表面裂纹属表面缺陷。其他缺陷(包括内部埋藏裂纹)均属埋藏缺陷。
如图2所示,给出了一幅焊缝未熔合缺陷x射线底片示意图,所述未熔合缺陷是在焊接过程中由于坡口设计加工不合理或焊道清理不干净,存在油污或铁锈等原因,形成的一种面积型缺陷。
利用DNN网络来识别出x射线底版中的焊缝,对采集到的焊缝x射线底片进行语义分割。所述DNN网络,采用语义分割的方式来识别图像中焊缝的区域,具体训练过程如下:
使用数据集为本发明所述的焊缝x射线底版图像数据集。
需要分割的像素共分为两类,即训练集对应标签标注过程应为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于焊缝类的标注为1。
所使用的loss函数为交叉熵损失函数(用于分类任务)。
通过上述DNN网络可获得图像中焊缝的连通域,提取原图像上焊缝连通域边缘,并在焊缝连通域边缘内再次进行连通域分析,获得焊缝内的连通域。
如图3所示,给出了一幅焊缝边缘内侧及其内侧连通域示意图,根据焊缝边缘与连通域分析的结果,对连通域的边缘进行分割,得到连通域分割后的靠近焊缝中心一侧的为内边缘,靠近母材一侧的为外边缘。
将待检测连通域边缘进行分割,分为靠近母材一侧边缘与靠近焊缝中心一侧边缘两类,具体分割方法如下:
对连通域1的边缘上的点进行遍历,对每一个点向着最近母材的方向以及焊缝中心线的方向寻找相同连通域边缘点,若在向着母材的方向寻找到了相同连通域的边缘点,则标记为1类点。若在向着焊缝中心线的方向寻找到了相同连通域的边缘点,则标记为2类点,如图4所示,给出了一幅焊缝连通域边缘分割示意图。
至此,获得待检测连通域的内边缘和外边缘。分别为靠近焊缝中心一侧边缘与靠近母材一侧边缘。
通过对实际焊缝未熔合缺陷的x射线底片图像结合未熔合缺陷形成原理分析可知,未熔合缺陷一侧边缘轮廓较平直、颜色较深、边缘明显。另一侧边缘相反,不平之、颜色较浅、边缘不明显。
上述现象是由于x射线在从上至下垂直照射时由于缺陷所所处位置距离焊缝上表面的深度不同,x射线的衰减也不同,造成边缘在x射线底片上呈现出的颜色深度也会发生明显变化。也因此两侧边缘颜色较深的边缘与周围对比明显,颜色较浅的边缘与周围对比不明显。
而由于坡口设计不合理以及焊道清理不干净等原因会造成焊接过程中熔融的焊料流在凝固前会沿坡口向下流动,因为这些焊料流的流动起点相同,单流动过程中由于前述原因会造成凝固时的终点不同,进而造成一侧为平直,另一侧看起来不平直的现象。
综上所述,基于未融合缺陷的形成原理以及在x射线底片上的呈现形式。本实施例通过其边缘灰度的变化判断缺陷区域边缘是否存在差异,根据这些边缘差异来计算出该区域的融合率,进而判断该区域是否未焊缝未融合缺陷。
对内边缘和外边缘进行处理,获得内边缘和外边缘的辨识度、黑度
根据内边缘和外边缘上点的灰度值计算内边缘和外边缘的黑度,具体计算方式如下:
利用内边缘的辨识度与黑度获取内边缘的清晰度,利用外边缘的辨识度与黑度获取外边缘的清晰度;根据内边缘和外边缘之间的清晰度差值和内边缘与外边缘之间的平直度差值得到连通域的未融合率;
利用内边缘的辨识度与黑度获取内边缘的清晰度,利用外边缘的辨识度与黑度获取外边缘的清晰度,,计算方式如下:由于其两边特征,可知边缘越清晰,越靠近母材,边缘越模糊,越靠近焊缝中心线。基于此,计算其清晰程度,即黑度越大越清晰,辨识度越高越清晰。
根据内边缘和外边缘上点与同类的相邻边缘点的邻域分布计算平直度:所述边缘的平直度指越顺着焊缝中心线延伸方向越平直,平直度越大。即最平直情况为边缘是一条直线且与焊缝中心线平行,此时平直度为1。
获取内边缘和外边缘的平直度的方法如下:
则对于图4中边缘上的点,计算其与相邻点组成的小边缘的延伸方向相对于焊缝中心线的延伸方向的符合率为s,则在本实施例中,其计算方式为;
根据内边缘和外边缘之间的清晰度差值和内边缘与外边缘之间的平直度差值得到连通域的未融合率。具体计算方式如下:因为未熔合缺陷为两边缘存在明显差异,且差异越大越能说明缺陷连通域两边缘越是未熔合,越可能是未熔合缺陷。
至此获得连通域1的未熔合率,对于其他连通域则重复进行上述步骤,获得其未熔合率。
如图1所示,根据连通域未融合率标记对应连通域,根据标记判断焊缝类型。
根据获得的连通域未熔合率,对焊缝图像上的各连通域进行标记,获得标记的焊缝未熔合缺陷。为操作人员做出判断提供指导。
以本实施例中的连通域1为例,根据其未融合率进行标记,P为预设阈值。
以上实施例仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (9)
1.一种基于计算机视觉的焊缝缺陷无损检测方法,其特征在于,包括:
对焊缝x射线底片进行语义分割得到焊缝边缘,对焊缝边缘内侧区域进行连通域分析得到焊缝内侧的连通域;
对每个连通域的边缘进行分割,得到靠近母材一侧的外边缘和靠近焊缝中心一侧的内边缘;
分别获取内边缘和外边缘的辨识度、黑度与平直度;利用内边缘的辨识度与黑度获取内边缘的清晰度,利用外边缘的辨识度与黑度获取外边缘的清晰度;根据内边缘和外边缘之间的清晰度差值和内边缘与外边缘之间的平直度差值得到连通域的未融合率;
根据获得的未熔合率,对未熔合率对应的连通域中焊缝缺陷进行判断,并根据判断结果对该连通域进行标记。
7.根据权利要求1所述一种基于计算机视觉的焊缝缺陷无损检测方法,其特征在于,获取内边缘和外边缘的方法如下:
对焊缝未熔合缺陷的x射线底片图像中连通域边缘上的点进行遍历,对每一个点向着最近母材的方向以及焊缝中心的方向寻找相同连通域的边缘点,分别对两个方向上寻找到的相同连通域的点进行标记,根据标记的两类点分别构成连通域靠近焊缝中心一侧的内边缘和靠近母材一侧的外边缘。
8.根据权利要求1所述一种基于计算机视觉的焊缝缺陷无损检测方法,其特征在于,获取焊缝内侧连通域的方法如下:
将焊缝x射线底版图像输入DNN网络中,获取图像中焊缝的区域,通过语义分割获取焊缝边缘,对焊缝边缘内侧进行连通域分析得到焊缝内的连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140057.8A CN113588692B (zh) | 2021-09-28 | 2021-09-28 | 基于计算机视觉的焊缝缺陷无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140057.8A CN113588692B (zh) | 2021-09-28 | 2021-09-28 | 基于计算机视觉的焊缝缺陷无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113588692A true CN113588692A (zh) | 2021-11-02 |
CN113588692B CN113588692B (zh) | 2021-12-10 |
Family
ID=78242246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111140057.8A Active CN113588692B (zh) | 2021-09-28 | 2021-09-28 | 基于计算机视觉的焊缝缺陷无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113588692B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414599A (zh) * | 2022-03-29 | 2022-04-29 | 武汉丰丽德智能设备有限公司 | 基于机器视觉的空调消音室焊接缺陷无损检测方法及系统 |
CN114792316A (zh) * | 2022-06-22 | 2022-07-26 | 山东鲁岳桥机械股份有限公司 | 一种盘刹车轴底板点焊缺陷检测方法 |
CN115049649A (zh) * | 2022-08-12 | 2022-09-13 | 山东振鹏建筑钢品科技有限公司 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05261557A (ja) * | 1992-03-18 | 1993-10-12 | Daiwa Can Co Ltd | 缶胴溶接適否判定装置 |
CN101135652A (zh) * | 2007-10-15 | 2008-03-05 | 清华大学 | 基于纹理分割的焊缝识别方法 |
CN101556598A (zh) * | 2009-05-08 | 2009-10-14 | 中国矿业大学 | 射线检测焊缝图像管理系统及辅助评片方法 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
US20140269816A1 (en) * | 2007-05-26 | 2014-09-18 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Detecting defects during laser welding |
CN106442533A (zh) * | 2016-12-14 | 2017-02-22 | 哈尔滨理工大学 | 一种基于工业ccd的焊缝信息提取系统 |
-
2021
- 2021-09-28 CN CN202111140057.8A patent/CN113588692B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05261557A (ja) * | 1992-03-18 | 1993-10-12 | Daiwa Can Co Ltd | 缶胴溶接適否判定装置 |
US20140269816A1 (en) * | 2007-05-26 | 2014-09-18 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Detecting defects during laser welding |
CN101135652A (zh) * | 2007-10-15 | 2008-03-05 | 清华大学 | 基于纹理分割的焊缝识别方法 |
CN101556598A (zh) * | 2009-05-08 | 2009-10-14 | 中国矿业大学 | 射线检测焊缝图像管理系统及辅助评片方法 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
CN106442533A (zh) * | 2016-12-14 | 2017-02-22 | 哈尔滨理工大学 | 一种基于工业ccd的焊缝信息提取系统 |
Non-Patent Citations (1)
Title |
---|
佟彤: "基于模糊集和神经网络的焊缝缺陷识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414599A (zh) * | 2022-03-29 | 2022-04-29 | 武汉丰丽德智能设备有限公司 | 基于机器视觉的空调消音室焊接缺陷无损检测方法及系统 |
CN114414599B (zh) * | 2022-03-29 | 2022-06-03 | 武汉丰丽德智能设备有限公司 | 基于机器视觉的空调消音室焊接缺陷无损检测方法及系统 |
CN114792316A (zh) * | 2022-06-22 | 2022-07-26 | 山东鲁岳桥机械股份有限公司 | 一种盘刹车轴底板点焊缺陷检测方法 |
CN114792316B (zh) * | 2022-06-22 | 2022-09-02 | 山东鲁岳桥机械股份有限公司 | 一种盘刹车轴底板点焊缺陷检测方法 |
CN115049649A (zh) * | 2022-08-12 | 2022-09-13 | 山东振鹏建筑钢品科技有限公司 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
CN115049649B (zh) * | 2022-08-12 | 2022-11-11 | 山东振鹏建筑钢品科技有限公司 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
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 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113588692B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113588692B (zh) | 基于计算机视觉的焊缝缺陷无损检测方法 | |
Shafeek et al. | Automatic inspection of gas pipeline welding defects using an expert vision system | |
CN109859177B (zh) | 基于深度学习的工业射线影像评定方法及装置 | |
CN114240944B (zh) | 一种基于点云信息的焊接缺陷检测方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
JP6697302B2 (ja) | 探傷装置、及び探傷装置による欠陥検出方法 | |
CN115797358B (zh) | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 | |
WO2021251064A1 (ja) | 情報処理装置、判定方法、および情報処理プログラム | |
US20220415020A1 (en) | System and method for detection of anomalies in welded structures | |
CN106053593B (zh) | 探伤装置以及利用探伤装置的伤部检测方法 | |
CN109239081B (zh) | 基于结构光与视觉成像的焊缝质量参数检测方法 | |
CN113496483A (zh) | 一种基于图像处理的焊缝气孔缺陷检测方法 | |
KR20130118379A (ko) | 표면 손상의 검출을 위해 대상물을 검사하기 위한 방법 및 디바이스 | |
Yan et al. | Surface defect detection of aluminum alloy welds with 3D depth image and 2D gray image | |
CN108876771B (zh) | 一种咬边焊接缺陷的检测方法 | |
CN115601359A (zh) | 一种焊缝检测方法及装置 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN116429768A (zh) | 一种密封钉焊接质量检测方法、系统、设备及存储介质 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN116703807A (zh) | 用于分析焊缝质量的系统和方法 | |
CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
CN108732148B (zh) | 一种荧光磁粉探伤在线检测装置及方法 | |
JP3440569B2 (ja) | 磁粉探傷方法及びその装置 | |
Soares et al. | Computer Vision System for Weld Bead Analysis. | |
Brzeskot et al. | Development of the automatic method of detection and grouping of external welding imperfections |
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 |