CN113989280B - 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 - Google Patents

基于图像处理技术的钢结构焊接裂纹缺陷检测方法 Download PDF

Info

Publication number
CN113989280B
CN113989280B CN202111615458.4A CN202111615458A CN113989280B CN 113989280 B CN113989280 B CN 113989280B CN 202111615458 A CN202111615458 A CN 202111615458A CN 113989280 B CN113989280 B CN 113989280B
Authority
CN
China
Prior art keywords
image
crack
edge
category
pixel points
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
Application number
CN202111615458.4A
Other languages
English (en)
Other versions
CN113989280A (zh
Inventor
邹建忠
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.)
Wuhan Xinjingcheng Road And Bridge Steel Mould Co ltd
Original Assignee
Wuhan Xinjingcheng Road And Bridge Steel Mould 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 Wuhan Xinjingcheng Road And Bridge Steel Mould Co ltd filed Critical Wuhan Xinjingcheng Road And Bridge Steel Mould Co ltd
Priority to CN202111615458.4A priority Critical patent/CN113989280B/zh
Publication of CN113989280A publication Critical patent/CN113989280A/zh
Application granted granted Critical
Publication of CN113989280B publication Critical patent/CN113989280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Abstract

本发明公开了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法，涉及人工智能领域。主要包括：通过对采集到的焊缝表面图像进行处理得到第三图像，分别对第三图像中像素点的聚类后得到的各类别进行PCA，以获得各类别的近圆边缘概率并将近圆边缘概率小于预设第一阈值的类别保留，分别获得各保留后类别对应的方向向量，将相似度大于预设第二阈值的类别进行合并得到焊缝区域以获得裂纹区域，最终获得各裂纹区域的差异程度以确定裂纹区域中裂纹的实际深度。本发明实施例中焊缝裂纹缺陷检测过程无需人为干预，避免了繁琐的操作过程，提高了对于焊缝裂纹缺陷的检测效率。

Description

基于图像处理技术的钢结构焊接裂纹缺陷检测方法
技术领域
本申请涉及人工智能领域，具体涉及一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法。
背景技术
焊接缺陷是指焊接接头部位在焊接过程中形成的缺陷，主要有焊接裂纹、未焊透、夹渣、气孔和焊缝外观缺陷等。这些缺陷会减少焊缝面积，使得焊接处产生应力集中从而引起裂纹；降低焊件的疲劳强度，同时还易引起焊件破裂导致脆断。焊接生产中受材质，工艺，结构等多方面因素影响，加上焊接作业中的操作不当容易产生焊接缺陷。
在实际焊接施工中出现的最为常见焊缝缺陷之一是焊接裂纹，目前对于焊接裂纹的检测方法，主要采用磁粉检测或者渗透检测。发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：磁粉检测或者渗透检测的检测程序繁多，且检测过程需要人为干预，使得检测效率不高。
发明内容
针对上述技术问题，本发明实施例提供了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法。本发明实施例中焊缝裂纹缺陷检测过程无需人为干预，避免了繁琐的操作过程，提高了对于焊缝裂纹缺陷的检测效率。
本发明实施例提出了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法，包括：
采集焊缝表面图像并进行灰度化得到第一图像，对所述第一图像进行图像分割得到遮罩图像，所述遮罩图像中焊缝以外的背景部分像素值为0。
将所述遮罩图像与所述第一图像相乘得到第二图像，对所述第二图像进行边缘检测得到第一边缘图像，并对所述遮罩图像进行边缘检测得到第二边缘图像，将所述第一边缘图像与所述第二边缘图像作差获得第三图像。
利用所述第三图像中像素点的梯度幅值进行聚类获得多个类别，分别对各所述类别进行PCA，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各所述类别的近圆边缘概率，并将所述近圆边缘概率小于预设第一阈值的所述类别保留。
分别将保留后各所述类别中相邻三个像素点划分至一组，并分别获得各组的维度值以分别获得各保留后类别的方向向量。
将方向向量的余弦相似度大于预设第二阈值的相邻类别合并，并将合并后的相邻类别作为新的类别，进行迭代直至合并完所有能够进行合并的类别，将得到的各类别作为焊缝区域，将所述焊缝区域在所述第二图像中对应位置从所述第二图像中剔除，得到包含各裂纹区域的第四图像。
根据各所述裂纹区域的平均灰度值以及所述第二图像的平均灰度值，分别获得各所述裂纹区域的差异程度，并根据历史数据库中不同实际深度对应的差异程度，分别确定各所述裂纹区域中裂纹的实际深度。
在一个可行的实施例中，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各所述类别的近圆边缘概率，包括：
Figure 931901DEST_PATH_IMAGE002
其中
Figure 100002_DEST_PATH_IMAGE003
为第
Figure 798226DEST_PATH_IMAGE004
个所述类别的所述近圆边缘概率，
Figure 100002_DEST_PATH_IMAGE005
为第
Figure 933672DEST_PATH_IMAGE004
个所述类别的PCA结果中水平投影的方差最大的主成分方向，
Figure DEST_PATH_IMAGE006
为第
Figure 543645DEST_PATH_IMAGE004
个所述类别的PCA结果中水平投影的方差最小的主成分方向，
Figure 100002_DEST_PATH_IMAGE007
为第
Figure 962994DEST_PATH_IMAGE004
个所述类别中像素点梯度幅值的均值。
在一个可行的实施例中，各组的维度值的获得过程包括：
所述相邻三个像素点分别为
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，其中点
Figure 672324DEST_PATH_IMAGE009
为三点中距离其他两点距离最大的点，所述维度值为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
为水平方向上的单位向量，
Figure DEST_PATH_IMAGE016
为由点
Figure 42869DEST_PATH_IMAGE008
指向点
Figure 925375DEST_PATH_IMAGE009
的向量，
Figure DEST_PATH_IMAGE018A
为由点
Figure 481121DEST_PATH_IMAGE009
指向点
Figure 158090DEST_PATH_IMAGE010
的向量。
在一个可行的实施例中，利用所述第三图像中像素点的梯度幅值进行聚类获得多个类别前，还包括：
从所述第三图像中连续分布的边缘像素点中选取梯度幅值最大的边缘像素点，将连续分布的边缘像素点中该像素点以外的边缘像素点剔除。
在一个可行的实施例中，所述聚类是通过DBSCAN算法实现的。
在一个可行的实施例中，对所述第一图像进行图像分割得到遮罩图像，是通过DNN实现的。
在一个可行的实施例中，所述历史数据库是通过对历史的差异程度以及裂纹的实际深度进行拟合建立的。
在一个可行的实施例中，所述方法还包括：对得到的各所述裂纹区域进行形态学闭运算。
在一个可行的实施例中，像素点的梯度幅值的获得过程包括：
利用Sobel算子获得像素点的水平梯度以及竖直梯度，像素点的梯度幅值
Figure DEST_PATH_IMAGE019
，其中g表示梯度幅值，
Figure DEST_PATH_IMAGE020
表示像素点的水平梯度，
Figure DEST_PATH_IMAGE021
表示像素点的竖直梯度。
在一个可行的实施例中，对焊缝表面图像进行灰度化得到第一图像，包括：将焊缝表面图像中像素点在RGB三个通道中像素值的最大值，作为所述第一图像中的像素点的灰度值。
本发明实施例提供了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法，通过采集焊缝表面图像并进行灰度化得到第一图像，对第一图像进行图像分割得到遮罩图像，遮罩图像中焊缝以外的背景部分像素值为0。
将遮罩图像与第一图像相乘得到第二图像，对第二图像进行边缘检测得到第一边缘图像，并对遮罩图像进行边缘检测得到第二边缘图像，将第一边缘图像与第二边缘图像作差获得第三图像。利用第三图像中像素点的梯度幅值进行聚类获得多个类别，分别对各类别进行PCA，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各类别的近圆边缘概率，并将近圆边缘概率小于预设第一阈值的类别保留。
分别将保留后各类别中相邻三个像素点划分至一组，并分别获得各组的维度值以分别获得各保留后类别的方向向量。将方向向量的余弦相似度大于预设第二阈值的相邻类别合并，并将合并后的相邻类别作为新的类别，进行迭代直至合并完所有能够进行合并的类别，将得到的各类别作为焊缝区域，将焊缝区域在第二图像中对应位置从第二图像中剔除，得到包含各裂纹区域的第四图像。
根据各裂纹区域的平均灰度值以及第二图像的平均灰度值，分别获得各裂纹区域的差异程度，并根据历史数据库中不同实际深度对应的差异程度，分别确定各裂纹区域中裂纹的实际深度。
本发明实施例中焊缝裂纹缺陷检测过程无需人为干预，避免了繁琐的操作过程，提高了对于焊缝裂纹缺陷的检测效率。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法的流程示意图。
图2是本发明实施例中第一图像的示意图。
图3是本发明实施例中第三图像的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
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；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法，如图1所示，包括：
步骤S101、采集焊缝表面图像并进行灰度化得到第一图像，对第一图像进行图像分割得到遮罩图像，遮罩图像中焊缝以外的背景部分像素值为0。
步骤S102、将遮罩图像与第一图像相乘得到第二图像，对第二图像进行边缘检测得到第一边缘图像，并对遮罩图像进行边缘检测得到第二边缘图像，将第一边缘图像与第二边缘图像作差获得第三图像。
步骤S103、利用第三图像中像素点的梯度幅值进行聚类获得多个类别，分别对各类别进行PCA，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各类别的近圆边缘概率，并将近圆边缘概率小于预设第一阈值的类别保留。
步骤S104、分别将保留后各类别中相邻三个像素点划分至一组，并分别获得各组的维度值以分别获得各保留后类别的方向向量。
步骤S105、将方向向量的余弦相似度大于预设第二阈值的相邻类别合并，并将合并后的相邻类别作为新的类别，进行迭代直至合并完所有能够进行合并的类别，将得到的各类别作为焊缝区域，将焊缝区域在第二图像中对应位置从第二图像中剔除，得到包含各裂纹区域的第四图像。
步骤S106、根据第四图像中各裂纹区域的平均灰度值以及第二图像的平均灰度值，分别获得各裂纹区域的差异程度，并根据历史数据库中不同实际深度对应的差异程度，分别确定各裂纹区域中裂纹的实际深度。
本发明实施例的主要目的是:利用图像处理技术，通过对焊缝区域中的纹路进行分析，根据各个纹路之间的相似程度最终得到裂纹缺陷，并根据灰度差异对裂纹深度进行评估。
进一步的，步骤S101、采集焊缝表面图像并进行灰度化得到第一图像，对第一图像进行图像分割得到遮罩图像，遮罩图像中焊缝以外的背景部分像素值为0。具体包括：
首先采集焊缝表面图像，所采集到的焊缝表面图像为RGB格式，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色，本实施例中不对焊缝表面图像的具体采集方式进行限制。
其次，对焊缝表面图像进行灰度化处理得到第一图像，如图2所示。本实施例中灰度化处理过程包括：将焊缝表面图像中像素点在RGB三个通道中像素值的最大值，作为第一图像中的像素点的灰度值，如此可以便于后续分析过程中利用第一图像中的像素点的特征进行提取。
然后对得到的第一图像即灰度图像进行图像分割获得遮罩图像，使得到的遮罩图像中焊缝以外的背景部分像素值为0，需要说明的是，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
本实施例中采用DNN(Deep Neural Networks，深度神经网络)来实现对第一图像的图像分割，该DNN的网络结构为Encoder-Decoder（解码-编码）结构，数据集为各种类型的焊缝图像；标签分为两类，焊缝和背景。该方式为像素级分类，即需要给图像中所有像素标注上对应的标签。将属于焊缝区域的像素值标注为1，属于背景的像素值标注为0；该DNN所用的loss（损失）函数为交叉熵损失函数，此时，得到焊缝区域的遮罩图像，将遮罩图像与第一图像进行相乘，得到第二图像，第二图像中焊缝区域以外的背景部分的像素值为0，如此，可以避免钢结构表面非焊缝区域对后续处理过程带来的干扰，便于在后续过程中获得更为精确的检测结果。
进一步的，步骤S102、将遮罩图像与第一图像相乘得到第二图像，对第二图像进行边缘检测得到第一边缘图像，并对遮罩图像进行边缘检测得到第二边缘图像，将第一边缘图像与第二边缘图像作差获得第三图像。具体包括：
需要说明的是，焊缝外边缘是指整个焊缝两侧的边缘，由于本实施例中需要分析焊缝内部的纹路的相似程度，而焊缝外边缘与焊缝内部纹理相似度均较低，如果保留焊缝的外边缘，会对检测结果产生干扰，因此需要剔除焊缝的外边缘；对第二图像进行边缘检测得到边缘图像，需要说明的是，图像的边缘检测是图像处理的一个基本步骤，是图像处理中的一个基本的研究方向和板块。它的主要原理在于识别出数字图像中那些颜色变化或者亮度变化明显的像素点，这些像素点的显著性变化往往代表图像的这部分属性发生了重要变化，其中包括了深度上的不连续、方向上的不连续及亮度上的不连续等。
具体的，目前常用的边缘检测模型有很多：一阶的有Roberts算子，Prewitt算子，Sobel算子，Canny算子等；二阶的有Laplacian算子等。图像的边缘检测是基于图像的梯度来实现的，而获得图像的梯度就转化成使用各种算子对图像进行卷积运算来获得。
作为一个实例，本实施例中利用Sobel算子对第二图像进行边缘检测。
具体的，对对第二图像进行边缘检测得到第一边缘图像，并对遮罩图像进行边缘检测得到第二边缘图像，将第一边缘图像与第二边缘图像作差获得第三图像，如图3所示，得到的第三图像中不存在焊缝区域中的外部边缘部分，此时得到了仅包含焊缝内部边缘的图像，达到了剔除焊缝外边缘的目的，如此，便于后续对焊缝区域内部的纹路进行分析。
可选的，从第三图像中连续分布的边缘像素点中选取梯度幅值最大的边缘像素点，将连续分布的边缘像素点中该像素点以外的边缘像素点剔除，如此，可进一步剔除第三图像中可能残留的焊缝区域的外边缘像素点。
进一步的，步骤S103、利用第三图像中像素点的梯度幅值进行聚类获得多个类别，分别对各类别进行PCA，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各类别的近圆边缘概率，并将近圆边缘概率小于预设第一阈值的类别保留。具体包括：
根据纹路走向对焊缝内部纹路进行纹路划分，无论是焊剂形成的纹路还是裂纹形成的纹路都具有一定的连续性；由于光照的影响，造成部分纹路的梯度幅值较小，但是这些起伏位置上的边缘像素点梯度幅值相对焊剂波纹等的幅值非常小，而Sobel算子保留了边缘梯度的强弱信息，因此在进行纹路划分时，可以结合梯度的强弱进行划分。
可选的，由于纹路可能相交，为更好地对各个纹路进行区分，可以对第三图像进行形态学开运算处理，开运算是图像处理中的一种方法，用来消除小物体、在纤细点处分离的物体、平滑较大物体的边界的同时并不明显改变其面积，如此可以使各个纹路中细微连接位置断开。
同时，由于第三图像中包含的焊缝内部区域的纹路的连续性较强，本实施例中使用DBSCAN算法根据像素点的梯度幅值对第三图像中的像素点进行聚类，聚类之后获得多个类别，各类别分别对应第三图像中的纹路。需要说明的是，DBSCAN(Density-Based SpatialClustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
本实施例中像素点的梯度幅值获得过程包括：利用Sobel算子获得像素点的水平梯度以及竖直梯度，Sobel算子是典型的基于一阶导数的边缘检测算子，是离散型的差分算子。该算子对噪声具有平滑作用，能很好的消除噪声的影响，Sobel算子包含两组矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出图像中像素点的水平梯度及竖直梯度，像素点的梯度幅值
Figure 48554DEST_PATH_IMAGE019
，其中g表示梯度幅值，
Figure 203592DEST_PATH_IMAGE020
表示像素点的水平梯度，
Figure 472899DEST_PATH_IMAGE021
表示像素点的竖直梯度。
由于焊剂在非波纹位置并不平整，使得焊剂会出现轻微起伏如凹坑或突起，这些起伏的位置在图像中会形成近似圆形的边缘，与正常焊剂形成的正常纹路相似性较低，但是不是裂纹，因此这些边缘会对裂纹的检测造成干扰，所以需要先进行近圆形边缘的剔除。
利用PCA（Principal components analysis，主成分分析）分别获得各个聚类之后的类别的主成分方向，需要说明的是，PCA是重要的降维方法之一，在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用，由于坐标为二维数据，可获得两个主成分方向，本发明实施例将水平投影方差最大的方向作为第一主成分方向，同时将水平投影方差最小的方向作为第二主成分方向，记录该最大投影方差以及最小投影方差。
由于裂纹与起伏位置的区别在于：裂纹存在较为明显的边缘，即裂纹的梯度远大于起伏位置形成的边缘梯度，且梯度值越小，对应的聚类后类别为起伏位置形成边缘的概率越大，故本实施例根据两个主成分方向上的方差差异程度以及各类别中像素点的梯度幅值计算各个区域为焊接起伏位置的概率。
本实施例中计算组成各个聚类结果的像素点的梯度幅值的平均值，则第
Figure 320770DEST_PATH_IMAGE004
个聚类结果的梯度均值为
Figure 918104DEST_PATH_IMAGE007
，其对应的最大投影方差以及最小投影方差分别为
Figure 876833DEST_PATH_IMAGE005
，
Figure 938330DEST_PATH_IMAGE006
，则聚类结果为起伏位置形成的近圆边缘概率
Figure 19418DEST_PATH_IMAGE003
为:
Figure 166366DEST_PATH_IMAGE002
其中
Figure 617201DEST_PATH_IMAGE003
为第
Figure 533204DEST_PATH_IMAGE004
个所述类别的所述近圆边缘概率，
Figure 519615DEST_PATH_IMAGE005
为第
Figure 153859DEST_PATH_IMAGE004
个所述类别的PCA结果中水平投影的方差最大的主成分方向，
Figure 719969DEST_PATH_IMAGE006
为第
Figure 693742DEST_PATH_IMAGE004
个所述类别的PCA结果中水平投影的方差最小的主成分方向，
Figure 788736DEST_PATH_IMAGE007
为第
Figure 972593DEST_PATH_IMAGE004
个所述类别中像素点梯度幅值的均值，如此，可分别获得各类别对应的近圆边缘概率；将近圆边缘概率小于预设第一阈值的类别保留，保留后的类别更有可能为本实施例中存在的缺陷。
进一步的，步骤S104、分别将保留后各类别中相邻三个像素点划分至一组，并分别获得各组的维度值以分别获得各保留后类别的方向向量。具体包括：
将每个聚类结果中每相邻三个像素点划分为一组，分别计算各组的维度值，各组的维度值的获得过程包括，相邻三个像素点分别为
Figure 76815DEST_PATH_IMAGE008
，
Figure 888782DEST_PATH_IMAGE009
，
Figure 420258DEST_PATH_IMAGE010
，其中点
Figure 825831DEST_PATH_IMAGE009
为三点中距离其他两点距离最大的点，维度值为：
Figure DEST_PATH_IMAGE023
，其中，
Figure DEST_PATH_IMAGE025A
为水平方向上的单位向量，
Figure DEST_PATH_IMAGE016A
为由点
Figure 671428DEST_PATH_IMAGE008
指向点
Figure 113734DEST_PATH_IMAGE009
的向量，
Figure DEST_PATH_IMAGE018AA
为由点
Figure 612849DEST_PATH_IMAGE009
指向点
Figure 443402DEST_PATH_IMAGE010
的向量。最后，将类别中各组的维度值按顺序排列，获得各类别对应的方向向量。
进一步的，步骤S105、将方向向量的余弦相似度大于预设第二阈值的相邻类别合并，并将合并后的相邻类别作为新的类别，进行迭代直至合并完所有能够进行合并的类别，将得到的各类别作为焊缝区域，将焊缝区域在第二图像中对应位置从第二图像中剔除，得到包含各裂纹区域的第四图像。具体包括：
首先，计算各类别的方向向量之间的余弦相似度，当各类别的方向向量之间的余弦相似度大于预设第二阈值，两个类型在第三图像中对应的纹路的相似度较高，为同类型的纹路，将两个类别进行合并，以此，可以获得第三图像中包含的各裂纹区域。
可选的，可以对上述步骤中得到的各裂纹区域进行形态学闭运算，使图像中的细微断开处进行连接，如此可以获得连接更为紧密的裂纹区域。
进一步的，步骤S106、根据第四图像中各裂纹区域的平均灰度值以及第二图像的平均灰度值，分别获得各裂纹区域的差异程度，并根据历史数据库中不同实际深度对应的差异程度，分别确定各裂纹区域中裂纹的实际深度。具体包括：
首先，分别获取第四图像中各裂纹区域归一化后的灰度直方图，根据灰度直方图中各个灰度级及其对应的灰度占比进行加权求和，以分别得到各裂纹区域的灰度平均值，其中第
Figure DEST_PATH_IMAGE027
个裂纹区域的平均灰度值为
Figure DEST_PATH_IMAGE029
，并以此获取整个第二图像的平均灰度值
Figure DEST_PATH_IMAGE031
。
需要说明的是，由于灰度值差异越大，裂纹的实际深度越深，则裂纹灰度差异程度
Figure DEST_PATH_IMAGE033
可表示为：
Figure DEST_PATH_IMAGE035
其中
Figure DEST_PATH_IMAGE029A
为第
Figure DEST_PATH_IMAGE027A
个裂纹区域的平均灰度值，
Figure DEST_PATH_IMAGE031A
为第二图像的平均灰度值。
最后，分别确定各裂纹区域中裂纹的实际深度，具体的，本实施例中历史数据库是通过对已经测得的历史数据中差异程度与裂纹的实际深度的对应关系进行拟合得到的，历史数据库中包括不同差异程度以及与差异程度对应的裂纹的实际深度。将上述所得灰度差异程度结合差异程度与裂纹的实际深度的对应关系，即可得到裂纹的实际深度。
综上所述，本发明实施例提供了一种基于图像处理技术的钢结构焊接裂纹缺陷检测方法。本发明实施例中焊缝裂纹缺陷检测过程无需人为干预，避免了繁琐的操作过程，提高了对于焊缝裂纹缺陷的检测效率。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。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)

1.一种基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，包括：
采集焊缝表面图像并进行灰度化得到第一图像，对所述第一图像进行图像分割得到遮罩图像，所述遮罩图像中焊缝以外的背景部分像素值为0；
将所述遮罩图像与所述第一图像相乘得到第二图像，对所述第二图像进行边缘检测得到第一边缘图像，并对所述遮罩图像进行边缘检测得到第二边缘图像，将所述第一边缘图像与所述第二边缘图像作差获得第三图像；
利用所述第三图像中像素点的梯度幅值进行聚类获得多个类别，分别对各所述类别进行PCA，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各所述类别的近圆边缘概率，并将所述近圆边缘概率小于预设第一阈值的所述类别保留；
分别将保留后各所述类别中相邻三个像素点划分至一组，并分别获得各组的维度值以分别获得各保留后类别的方向向量；
将方向向量的余弦相似度大于预设第二阈值的相邻类别合并，并将合并后的相邻类别作为新的类别，进行迭代直至合并完所有能够进行合并的类别，将得到的各类别作为焊缝区域，将所述焊缝区域在所述第二图像中对应位置从所述第二图像中剔除，得到包含各裂纹区域的第四图像；
根据各所述裂纹区域的平均灰度值以及所述第二图像的平均灰度值，分别获得各所述裂纹区域的差异程度，并根据历史数据库中不同实际深度对应的差异程度，分别确定各所述裂纹区域中裂纹的实际深度；
其中，各组的维度值的获得过程包括：所述相邻三个像素点分别为
Figure DEST_PATH_IMAGE001
，
Figure 657340DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
，其中点
Figure 837654DEST_PATH_IMAGE002
为三点中距离其他两点距离最大的点，所述维度值为：
Figure DEST_PATH_IMAGE005
其中，
Figure 513355DEST_PATH_IMAGE006
为水平方向上的单位向量，
Figure DEST_PATH_IMAGE007
为由点
Figure 112351DEST_PATH_IMAGE001
指向点
Figure 494791DEST_PATH_IMAGE002
的向量，
Figure 252531DEST_PATH_IMAGE008
为由点
Figure 149949DEST_PATH_IMAGE002
指向点
Figure 690652DEST_PATH_IMAGE003
的向量；
其中，分别获得各保留后类别的方向向量，包括：将类别中各组的维度值按顺序排列，获得各类别对应的方向向量。
2.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，根据PCA结果以及类别中像素点梯度幅值的均值分别获得各所述类别的近圆边缘概率，包括：
Figure 981126DEST_PATH_IMAGE010
其中
Figure DEST_PATH_IMAGE011
为第
Figure 175347DEST_PATH_IMAGE012
个所述类别的所述近圆边缘概率，
Figure DEST_PATH_IMAGE013
为第
Figure 825640DEST_PATH_IMAGE012
个所述类别的PCA结果中水平投影的方差最大的主成分方向，
Figure 828756DEST_PATH_IMAGE014
为第
Figure 857891DEST_PATH_IMAGE012
个所述类别的PCA结果中水平投影的方差最小的主成分方向，
Figure DEST_PATH_IMAGE015
为第
Figure 347648DEST_PATH_IMAGE012
个所述类别中像素点梯度幅值的均值。
3.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，利用所述第三图像中像素点的梯度幅值进行聚类获得多个类别前，还包括：
从所述第三图像中连续分布的边缘像素点中选取梯度幅值最大的边缘像素点，将连续分布的边缘像素点中该像素点以外的边缘像素点剔除。
4.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，所述聚类是通过DBSCAN算法实现的。
5.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，对所述第一图像进行图像分割得到遮罩图像，是通过DNN实现的。
6.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，所述历史数据库是通过对历史的差异程度以及裂纹的实际深度进行拟合建立的。
7.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，所述方法还包括：对得到的各所述裂纹区域进行形态学闭运算。
8.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，像素点的梯度幅值的获得过程包括：
利用Sobel算子获得像素点的水平梯度以及竖直梯度，像素点的梯度幅值
Figure 157341DEST_PATH_IMAGE016
，其中g表示梯度幅值，
Figure DEST_PATH_IMAGE017
表示像素点的水平梯度，
Figure 229726DEST_PATH_IMAGE018
表示像素点的竖直梯度。
9.根据权利要求1所述的基于图像处理的钢结构焊接裂纹缺陷检测方法，其特征在于，对焊缝表面图像进行灰度化得到第一图像，包括：将焊缝表面图像中像素点在RGB三个通道中像素值的最大值，作为所述第一图像中的像素点的灰度值。
CN202111615458.4A 2021-12-28 2021-12-28 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 Active CN113989280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111615458.4A CN113989280B (zh) 2021-12-28 2021-12-28 基于图像处理技术的钢结构焊接裂纹缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111615458.4A CN113989280B (zh) 2021-12-28 2021-12-28 基于图像处理技术的钢结构焊接裂纹缺陷检测方法

Publications (2)

Publication Number Publication Date
CN113989280A CN113989280A (zh) 2022-01-28
CN113989280B true CN113989280B (zh) 2022-03-22

Family

ID=79734584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111615458.4A Active CN113989280B (zh) 2021-12-28 2021-12-28 基于图像处理技术的钢结构焊接裂纹缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113989280B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283144B (zh) * 2022-03-06 2022-05-17 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN114332089B (zh) * 2022-03-15 2022-06-10 武汉市鑫山河塑业有限公司 基于图像处理的塑料护套生产质量控制方法、装置及系统
CN114359274B (zh) * 2022-03-16 2022-05-31 布鲁奇维尔通风设备启东有限公司 基于图像处理的通风设备叶片质量检测方法、装置及系统
CN114414660B (zh) * 2022-03-18 2024-01-12 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法
CN114612457A (zh) * 2022-03-21 2022-06-10 徐州华宝能源科技有限公司 一种基于计算机视觉的汽车零件激光焊接调节方法及系统
CN114723681B (zh) * 2022-03-22 2022-10-18 江苏禹润智能科技有限公司 一种基于机器视觉的混凝土裂缝缺陷检测方法
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
CN114693651A (zh) * 2022-03-31 2022-07-01 南通三信塑胶装备科技股份有限公司 基于图像处理的橡胶圈流痕检测方法及装置
CN114841938A (zh) * 2022-04-22 2022-08-02 南通海恒纺织设备有限公司 一种织物勾丝缺陷检测方法
CN114820598B (zh) * 2022-06-24 2023-05-16 苏州康代智能科技股份有限公司 Pcb缺陷检测系统及pcb缺陷检测方法
CN115082419B (zh) * 2022-07-14 2022-12-09 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法
CN115018827B (zh) * 2022-08-03 2022-11-04 山东亿昌装配式建筑科技有限公司 一种建材焊缝质量自动检测方法
CN115147424B (zh) * 2022-09-06 2023-01-03 如皋市金轶纺织有限公司 基于图像特征解析的防火面料质量分析方法
CN115213563B (zh) * 2022-09-20 2022-12-13 扬州耐施工程机械有限公司 激光智能焊接方法及系统
CN115330989B (zh) * 2022-10-13 2023-01-20 南通红运金属科技有限公司 一种用于激光束切割的控制方法
CN115330780B (zh) * 2022-10-13 2023-03-07 山东盛世恒机械制造有限公司 一种金属焊接夹渣缺陷快速检测方法
CN115345878B (zh) * 2022-10-18 2023-01-31 广州市易鸿智能装备有限公司 一种高精度的锂电池镍片与巴片间距的检测方法及装置
CN115511888B (zh) * 2022-11-22 2023-02-17 深圳市岑科实业有限公司 基于视觉的电感缺陷检测方法及系统
CN115861307B (zh) * 2023-02-21 2023-04-28 深圳市百昌科技有限公司 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN116091504B8 (zh) * 2023-04-11 2023-09-15 重庆大学 基于图像处理的连接管连接头质量检测方法
CN116797561B (zh) * 2023-06-05 2024-02-09 江苏迅兴重工设备有限公司 一种钢结构焊接质量检测方法
CN116452589B (zh) * 2023-06-16 2023-10-20 山东伟国板业科技有限公司 基于图像处理的人造板表面缺陷智能检测方法
CN117437228B (zh) * 2023-12-20 2024-04-02 惠汕绿创(江苏)科技有限公司 基于图像特征的光伏钢结构组件断裂检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6327334B1 (en) * 1999-11-18 2001-12-04 Uop Llc Method of rapidly screening X-ray powder diffraction patterns
CN106373123A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法
CN111105398A (zh) * 2019-12-19 2020-05-05 昆明能讯科技有限责任公司 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN112819806A (zh) * 2021-02-23 2021-05-18 江苏科技大学 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法
CN113034478A (zh) * 2021-03-31 2021-06-25 太原科技大学 一种基于深度学习网络的焊缝缺陷识别定位方法、系统
CN113436168A (zh) * 2021-06-25 2021-09-24 重庆邮电大学 一种用于工业焊缝x光图中的裂纹缺陷检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10811151B2 (en) * 2017-07-05 2020-10-20 Electric Power Research Institute, Inc. Apparatus and method for identifying cracks in a structure using a multi-stage classifier
CN112666248A (zh) * 2020-12-16 2021-04-16 上海交通大学 基于深度学习的焊缝缺陷自动检测方法、系统
CN113744270B (zh) * 2021-11-05 2022-02-08 南京市特种设备安全监督检验研究院 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6327334B1 (en) * 1999-11-18 2001-12-04 Uop Llc Method of rapidly screening X-ray powder diffraction patterns
CN106373123A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法
CN111105398A (zh) * 2019-12-19 2020-05-05 昆明能讯科技有限责任公司 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN112819806A (zh) * 2021-02-23 2021-05-18 江苏科技大学 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法
CN113034478A (zh) * 2021-03-31 2021-06-25 太原科技大学 一种基于深度学习网络的焊缝缺陷识别定位方法、系统
CN113436168A (zh) * 2021-06-25 2021-09-24 重庆邮电大学 一种用于工业焊缝x光图中的裂纹缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Pulsed Eddy Current Detection of Cracks in Multilayer Aluminum Lap Joints;Colette A. Stott 等;《IEEE Sensors Journal》;20150228;第15卷(第2期);全文 *
X射线钢管焊缝缺陷的图像处理与识别技术研究;张明星;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20160331;全文 *

Also Published As

Publication number Publication date
CN113989280A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113989280B (zh) 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
CN111667462B (zh) 一种焊接缺陷中弱小目标的自动检测方法与系统
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN114882044B (zh) 金属管件表面质量检测方法
CN107679495B (zh) 一种输电线路周边活动工程车辆的检测方法
CN103295013A (zh) 一种基于成对区域的单幅图像阴影检测方法
CN115984284A (zh) 一种用于船舶维护的x射线船体焊缝图像检测方法
CN103440644A (zh) 一种基于最小描述长度的多尺度图像弱边缘检测方法
CN113689445B (zh) 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法
CN115147448A (zh) 面向自动化焊接的图像增强与特征提取方法
CN111080609A (zh) 一种基于深度学习的闸瓦插销丢失检测方法
Karthikeyan et al. Analysis of image segmentation for radiographic images
CN112991283A (zh) 基于超像素的柔性ic基板线宽检测方法、介质和设备
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
Li et al. Detection algorithm of defects on polyethylene gas pipe using image recognition
CN112819812A (zh) 基于图像处理的粉末床缺陷检测方法
CN113962994B (zh) 基于图像处理的三连杆上锁销清洁度检测方法
Han et al. Segmenting images with complex textures by using hybrid algorithm
CN110853000B (zh) 一种车辙的检测方法
CN112381140A (zh) 一种基于新特征参数的磨粒图像机器学习识别方法
Wang et al. Study on SDR extraction of ring weld defects of pipeline
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法

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