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 PDF

Info

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
Application number
CN202111140057.8A
Other languages
English (en)
Other versions
CN113588692B (zh
Inventor
保柳柳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Gaoya Steel Structure Co ltd
Original Assignee
Nantong Gaoya Steel Structure Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Gaoya Steel Structure Co ltd filed Critical Nantong Gaoya Steel Structure Co ltd
Priority to CN202111140057.8A priority Critical patent/CN113588692B/zh
Publication of CN113588692A publication Critical patent/CN113588692A/zh
Application granted granted Critical
Publication of CN113588692B publication Critical patent/CN113588692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于计算机视觉的焊缝缺陷无损检测方法
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：
Figure 535656DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为焊缝连通域的未融合率，
Figure 247522DEST_PATH_IMAGE004
为内边缘和外边缘之间的清晰度差值的绝对值，
Figure DEST_PATH_IMAGE005
为内边缘和外边缘之间平直度差值的绝对值。
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：
根据内边缘的辨识度
Figure 990219DEST_PATH_IMAGE006
和黑度
Figure DEST_PATH_IMAGE007
以及外边缘的辨识度
Figure 260663DEST_PATH_IMAGE008
和黑度
Figure DEST_PATH_IMAGE009
分别得到内边缘的清晰度
Figure 456853DEST_PATH_IMAGE010
和外边缘的清晰度
Figure DEST_PATH_IMAGE011
，获取内边缘和外边缘清晰度的表达式分别为：
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE015
其中，
Figure 267683DEST_PATH_IMAGE010
为内边缘的清晰度，
Figure 536990DEST_PATH_IMAGE006
为内边缘的辨识度，
Figure 479801DEST_PATH_IMAGE007
为内边缘的黑度，
Figure 873873DEST_PATH_IMAGE011
为外边缘的清晰度，
Figure 691656DEST_PATH_IMAGE008
为外边缘的辨识度，
Figure 753153DEST_PATH_IMAGE009
为外边缘的黑度。
进一步的，内边缘的平直度
Figure 834242DEST_PATH_IMAGE016
和外边缘平直度的
Figure DEST_PATH_IMAGE017
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
Figure 574664DEST_PATH_IMAGE018
和外边缘的平直度
Figure DEST_PATH_IMAGE019
。
进一步的，所述获取内边缘和外边缘辨识度的方法如下：
将内边缘标记为
Figure 225832DEST_PATH_IMAGE020
，外边缘标记为
Figure DEST_PATH_IMAGE021
，计算
Figure 469732DEST_PATH_IMAGE020
，
Figure 659405DEST_PATH_IMAGE021
上的每一个点周围八邻域内八个方向中属于连通域外侧的点的梯度均值；
根据梯度均值分别计算内边缘
Figure 152703DEST_PATH_IMAGE020
和外边缘
Figure 187655DEST_PATH_IMAGE021
待测点与待测连通域外相邻点灰度值的平均梯度差
Figure 521947DEST_PATH_IMAGE022
，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
Figure 741575DEST_PATH_IMAGE020
的总平均梯度差为
Figure DEST_PATH_IMAGE023
,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
Figure 456590DEST_PATH_IMAGE021
的总平均梯度差为
Figure 29654DEST_PATH_IMAGE024
；根据内边缘
Figure 982567DEST_PATH_IMAGE020
和外边缘
Figure 877491DEST_PATH_IMAGE021
的总平均梯度差得到内边缘的辨识度为
Figure 955169DEST_PATH_IMAGE006
,外边缘的辨识度为
Figure 784453DEST_PATH_IMAGE008
。
进一步的，内边缘和外边缘的黑度通过如下方法获得：
分别对内边缘和外边缘上所有点的灰度值求平均，得到内边缘的灰度平均值
Figure DEST_PATH_IMAGE025
和外边缘的灰度平均值
Figure 123031DEST_PATH_IMAGE026
，对内边缘和外边缘的灰度平均值分别进行归一化处理，得到内边缘的黑度
Figure 559828DEST_PATH_IMAGE007
和外边缘的黑度
Figure 954163DEST_PATH_IMAGE009
。
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
以图3中连通域1为例，将焊缝中心侧的边缘标记为
Figure 993663DEST_PATH_IMAGE020
，将母材一侧的边缘标记为
Figure 593272DEST_PATH_IMAGE021
。则
Figure 591184DEST_PATH_IMAGE020
、
Figure 643453DEST_PATH_IMAGE021
可以理解为由所有焊缝中心侧边缘、母材一侧边缘上像素点的集合。(脚标1代表这个边缘为连通域1的边缘)。
对于
Figure 689907DEST_PATH_IMAGE020
，
Figure 767191DEST_PATH_IMAGE021
上的每一个点，计算点周围八邻域内八个方向中属于连通域外侧的点的梯度均值，计算上述实例中待测点与待测连通域外相邻点灰度值的平均梯度差，计算方式如下：
Figure 545791DEST_PATH_IMAGE028
对边缘上每一个点的平均梯度差
Figure 475570DEST_PATH_IMAGE022
相加求平均，获得该边缘的总平均梯度差
Figure DEST_PATH_IMAGE029
,则对于
Figure 591293DEST_PATH_IMAGE020
,
Figure 227811DEST_PATH_IMAGE021
其总平均梯度差为
Figure 177312DEST_PATH_IMAGE023
,
Figure 564694DEST_PATH_IMAGE024
。
根据上述总平均梯度差计算
Figure 890633DEST_PATH_IMAGE020
，
Figure 443974DEST_PATH_IMAGE021
的辨识度
Figure 564376DEST_PATH_IMAGE006
,
Figure 203168DEST_PATH_IMAGE008
,具体计算方式如下：（获得归一化的辨识度）
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE033
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：
对内边缘和外边缘上点的灰度值求平均，得到内边缘和外边缘灰度平均值
Figure 973545DEST_PATH_IMAGE034
。计算内边缘和外边缘的黑度（归一化的黑度）：
Figure 256759DEST_PATH_IMAGE036
Figure 938276DEST_PATH_IMAGE038
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
Figure 674151DEST_PATH_IMAGE010
,
Figure 200947DEST_PATH_IMAGE011
，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。
Figure 666564DEST_PATH_IMAGE013
Figure 394348DEST_PATH_IMAGE015
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：
以连通域1为例。对于
Figure 243618DEST_PATH_IMAGE020
，
Figure 715050DEST_PATH_IMAGE021
上的每一个点，根据点与其八邻域内的相邻边缘点的位置来计算平直度。以焊缝中心线延伸方向为基准方向，其权值设置为0.5，与其边相邻的块为0.25，与其角相邻的为0。
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;
Figure 35173DEST_PATH_IMAGE040
对于
Figure DEST_PATH_IMAGE041
。其上所有点的符合率求和平均,获得
Figure 261755DEST_PATH_IMAGE042
，即为
Figure 362435DEST_PATH_IMAGE041
的平直度。
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。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。
Figure 371980DEST_PATH_IMAGE044
Figure 45144DEST_PATH_IMAGE046
Figure 239365DEST_PATH_IMAGE048
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。
a)当
Figure DEST_PATH_IMAGE049
时，将连通域1标记为未熔合缺陷；
b)当
Figure 30604DEST_PATH_IMAGE050
时，将连通域1标记为非未熔合缺陷；
对所有获得的n个连通域未熔合率（
Figure DEST_PATH_IMAGE051
）基于上述规则进行标记。操作人员可以根据标记结果进行焊接工作是否合格的判断。
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。
2.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，所述未融合率的表达式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 685086DEST_PATH_IMAGE002
为焊缝连通域的未融合率，
Figure 979802DEST_PATH_IMAGE003
为内边缘和外边缘之间的清晰度差值的绝对值，
Figure 79345DEST_PATH_IMAGE004
为内边缘和外边缘之间平直度差值的绝对值。
3.根据权利要求2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，内边缘和外边缘的清晰度分别通过如下方式得到：
根据内边缘的辨识度
Figure 29983DEST_PATH_IMAGE005
和黑度
Figure 4499DEST_PATH_IMAGE006
以及外边缘的辨识度
Figure 153721DEST_PATH_IMAGE007
和黑度
Figure 299531DEST_PATH_IMAGE008
分别得到内边缘的清晰度
Figure 596520DEST_PATH_IMAGE009
和外边缘的清晰度
Figure 751558DEST_PATH_IMAGE010
，获取内边缘和外边缘清晰度的表达式分别为：
Figure 755286DEST_PATH_IMAGE011
Figure 963676DEST_PATH_IMAGE012
其中，
Figure 357748DEST_PATH_IMAGE009
为内边缘的清晰度，
Figure 441111DEST_PATH_IMAGE005
为内边缘的辨识度，
Figure 564924DEST_PATH_IMAGE006
为内边缘的黑度，
Figure 318117DEST_PATH_IMAGE010
为外边缘的清晰度，
Figure 324119DEST_PATH_IMAGE007
为外边缘的辨识度，
Figure 820959DEST_PATH_IMAGE008
为外边缘的黑度。
4.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，内边缘的平直度
Figure 291955DEST_PATH_IMAGE013
和外边缘平直度的
Figure 340683DEST_PATH_IMAGE014
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
Figure 709347DEST_PATH_IMAGE015
和外边缘的平直度
Figure 134512DEST_PATH_IMAGE016
。
5.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，所述获取内边缘和外边缘辨识度的方法如下：
将内边缘标记为
Figure 967339DEST_PATH_IMAGE017
，外边缘标记为
Figure 62334DEST_PATH_IMAGE018
，计算
Figure 278814DEST_PATH_IMAGE017
，
Figure 383036DEST_PATH_IMAGE018
上的每一个点周围八邻域内八个方向中属于连通域外侧的点的梯度均值；
根据梯度均值分别计算内边缘
Figure 132687DEST_PATH_IMAGE017
和外边缘
Figure 398583DEST_PATH_IMAGE018
待测点与待测连通域外相邻点灰度值的平均梯度差
Figure 804156DEST_PATH_IMAGE019
，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
Figure 305545DEST_PATH_IMAGE017
的总平均梯度差为
Figure 50647DEST_PATH_IMAGE020
,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
Figure 110613DEST_PATH_IMAGE018
的总平均梯度差为
Figure 3483DEST_PATH_IMAGE021
；根据内边缘
Figure 183929DEST_PATH_IMAGE017
和外边缘
Figure 908171DEST_PATH_IMAGE018
的总平均梯度差得到内边缘的辨识度为
Figure 781449DEST_PATH_IMAGE005
,外边缘的辨识度为
Figure 692773DEST_PATH_IMAGE007
。
6.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，内边缘和外边缘的黑度通过如下方法获得：
分别对内边缘和外边缘上所有点的灰度值求平均，得到内边缘的灰度平均值
Figure 676910DEST_PATH_IMAGE022
和外边缘的灰度平均值
Figure 960386DEST_PATH_IMAGE023
，对内边缘和外边缘的灰度平均值分别进行归一化处理，得到内边缘的黑度
Figure 863620DEST_PATH_IMAGE006
和外边缘的黑度
Figure 403186DEST_PATH_IMAGE008
。
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。
9.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，对未融合率对应的连通域进行标记的方法为：
当
Figure 50068DEST_PATH_IMAGE024
时，将该未融合率值对应的连通域标记为未熔合缺陷；当
Figure 358689DEST_PATH_IMAGE025
时，将该未融合率值对应的连通域标记为非未熔合缺陷，
Figure 636087DEST_PATH_IMAGE026
为未融合率阈值。
CN202111140057.8A 2021-09-28 2021-09-28 基于计算机视觉的焊缝缺陷无损检测方法 Active CN113588692B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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