CN114414599A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114414599A
CN114414599A CN202210317408.6A CN202210317408A CN114414599A CN 114414599 A CN114414599 A CN 114414599A CN 202210317408 A CN202210317408 A CN 202210317408A CN 114414599 A CN114414599 A CN 114414599A
Authority
CN
China
Prior art keywords
edge
gradient
amplitude
points
point
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
CN202210317408.6A
Other languages
English (en)
Other versions
CN114414599B (zh
Inventor
聂涛
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 Fenglide Intelligent Equipment Co ltd
Original Assignee
Wuhan Fenglide Intelligent Equipment 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 Fenglide Intelligent Equipment Co ltd filed Critical Wuhan Fenglide Intelligent Equipment Co ltd
Priority to CN202210317408.6A priority Critical patent/CN114414599B/zh
Publication of CN114414599A publication Critical patent/CN114414599A/zh
Application granted granted Critical
Publication of CN114414599B publication Critical patent/CN114414599B/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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06T2207/10—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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种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，涉及机器视觉领域。主要包括：对待检测焊缝的X射线底片中边缘点的梯度幅值及梯度方向进行等级划分；对各边缘点的梯度幅值进行增强或抑制，并进行边缘连接获得各边缘线条；剔除白色的边缘线条，并将剩余的边缘线条分为细边缘以及粗边缘；将灰度减小方向相反的两相邻粗边缘组成粗边缘对，并将粗边缘对中两粗边缘的DTW距离作为粗边缘对的裂痕构成率；根据与细边缘最近的粗边缘对的裂痕构成率，获得细边缘的裂纹构成率；根据各边缘线条的裂痕构成率判断待检测焊缝中是否存在裂痕缺陷。采用本发明实施例能够提高对焊缝中裂痕缺陷的检测精度。

Description

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
技术领域
本申请涉及机器视觉领域，具体涉及一种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。
背景技术
空调在人们生活的各个领域得到了越来越广泛的应用，而空调的噪声问题也进一步凸显，空调中往往配备消音器以减小空调的噪音，如今应用较为广泛的汽车空调消音器，都是通过在进气口与出气口之间设置消音室，以达到消音的目的。
消音室的材质一般为铝合金、钢等结构件焊接而成，各频率的气流产生的脉冲会使消音室的内部消音结构产生不同频率的震动，而当消音室中的焊缝出现内部裂纹时，裂纹就会产生内部摩擦从而使得裂纹处变为新的噪声源，消音器的消音效果大打折扣，同时裂纹的存在会加速消音器的磨损从而缩短消音器的使用寿命。
现有技术中对焊缝内部缺陷的检测，一般利用X光对焊缝进行无损探伤，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：利用图像处理技术来实现焊缝内部裂纹检测的方法中，由于X光的底片普遍存在边界较模糊、对处在焊缝不同深浅位置的裂纹检测效果不一，同时X射线底片的成像效果易受到焊缝中其他种类的缺陷的干扰，使得对裂纹的检测不准确。因此需要一种可以准确检测焊缝内部裂纹缺陷的无损检测方法。
发明内容
针对上述技术问题，本发明提供了一种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，能够避免焊缝中裂痕以外其他种类的缺陷的干扰，从而提高对焊缝中裂痕缺陷的检测精度。
第一方面，本文发明实施例提出了一种基于机器视觉的空调消音室焊接缺陷无损检测方法，包括：
获得待检测焊缝的X射线底片。
根据X射线底片中的像素点的梯度幅值筛选出X射线底片中的边缘点，并对边缘点的梯度幅值及梯度方向进行等级划分，获得划分后的多个幅值等级以及多个方向等级。
将边缘点邻域内与该边缘点的幅值等级相同的边缘点作为同幅值边缘点，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值。
对梯度幅值增强或抑制后的各边缘点进行边缘连接获得各边缘线条，从各边缘线条中剔除白色的边缘线条，并按照边缘线条的两侧灰度值是否相同，将进行剔除后的各边缘线条分为细边缘以及粗边缘。
将灰度减小方向相反的两相邻粗边缘组成粗边缘对，并将粗边缘对中两粗边缘的DTW距离作为粗边缘对的裂痕构成率。
根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率。
判断各细边缘以及各粗边缘对的裂痕构成率均值是否大于预设阈值，若判断结果为是，则待检测焊缝中存在裂痕缺陷，否则，待检测焊缝中不存在裂痕缺陷。
在一个可行的实施例中，根据X射线底片中边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值，包括：
将X射线底片中边缘点邻域内与该边缘点幅值等级相同的边缘点作为同幅值边缘点，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，获得边缘点的复杂程度系数。
根据X射线底片中边缘点的复杂程度系数，判断对边缘点的梯度幅值进行增强或抑制，并结合边缘点的复杂程度系数，分别获得各边缘点进行增强或抑制后的梯度幅值。
在一个可行的实施例中，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，获得边缘点的复杂程度系数，包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示该边缘点的邻域内同幅值边缘点的总个数，
Figure 100002_DEST_PATH_IMAGE006
表示该边缘点的邻域内同幅值边缘点中梯度方向级别为r的点的个数，
Figure 100002_DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure 100002_DEST_PATH_IMAGE010
为X射线底片中方向级数的总数，
Figure 100002_DEST_PATH_IMAGE012
为自然对数。
在一个可行的实施例中，根据X射线底片中边缘点的复杂程度系数，判断对边缘点的梯度幅值进行增强或抑制，包括：
判断X射线底片中边缘点的复杂程度系数是否大于0.5。
若判断结果为是，对该边缘点的梯度幅值进行增强。
若判断结果是否，对该边缘点的梯度幅值进行抑制。
在一个可行的实施例中，结合边缘点的复杂程度系数，分别获得各边缘点进行增强或抑制后的梯度幅值，包括：
当某一边缘点的梯度幅值需要进行增强时，该边缘点增强后的梯度幅值为
Figure 100002_DEST_PATH_IMAGE014
。
当某一边缘点的梯度幅值需要进行抑制时，该边缘点增强后的梯度幅值为
Figure 100002_DEST_PATH_IMAGE016
。
其中，
Figure 565437DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure 100002_DEST_PATH_IMAGE018
为该边缘点在X射线底片中的增强或抑制前的梯度幅值。
在一个可行的实施例中，根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率，包括：
分别计算细边缘上各点到与细边缘最近的粗边缘对的最短距离。
计算各最短距离的平均值，并将该平均值与离细边缘最近的粗边缘的裂痕构成率相乘，获得细边缘的裂纹构成率。
在一个可行的实施例中，对X射线底片中边缘点的梯度幅值进行等级划分，包括：
构建基于EM算法的高斯混合模型，同时将X射线底片中边缘点的梯度幅值以及各梯度幅值的概率作为样本数据。
根据样本数据初始化所述高斯混合模型的参数，并用EM算法训练所述高斯混合模型的参数，以得到梯度幅值分类模型。
利用梯度幅值分类模型将X射线底片中边缘点的梯度幅值分类成预设数量个类别。
在一个可行的实施例中，X射线底片中像素点的梯度幅值及梯度方向的获得方法包括：
利用Sobel算子分别获得X射线底片中各像素点的水平梯度以及竖直梯度。
像素点的梯度大小
Figure 100002_DEST_PATH_IMAGE020
，像素点的梯度方向为
Figure 100002_DEST_PATH_IMAGE022
，其中g表示梯度幅值，
Figure 100002_DEST_PATH_IMAGE024
表示像素点的水平梯度，
Figure 100002_DEST_PATH_IMAGE026
表示像素点的竖直梯度。
第二方面，本发明实施例提出了一种基于机器视觉的空调消音室焊接缺陷无损检测系统，包括：存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于机器视觉的空调消音室焊接缺陷无损检测方法。
本发明实施例提供了一种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，相比于现有技术，本发明实施例的有益效果至少包括：能够避免焊缝中裂痕以外其他种类的缺陷的干扰，从而提高对焊缝中裂痕缺陷的检测精度。
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，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机器视觉的空调消音室焊接缺陷无损检测方法的流程示意图。
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机器视觉的空调消音室焊接缺陷无损检测方法，如图1所示，包括：
步骤S101、获得待检测焊缝的X射线底片并作为X射线底片，筛选出X射线底片中的边缘点，对X射线底片中边缘点的梯度幅值及梯度方向进行等级划分，获得划分后的多个幅值等级以及多个方向等级。
步骤S102、将边缘点邻域内与该边缘点的幅值等级相同的边缘点作为同幅值边缘点，根据X射线底片中边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值。
步骤S103、对各边缘点进行边缘连接获得各边缘线条，从各边缘线条中剔除白色的边缘线条，并按照边缘线条的两侧灰度值是否相同，将进行剔除后的各边缘线条分为细边缘以及粗边缘。
步骤S104、将灰度减小方向相反的两相邻粗边缘组成粗边缘对，并将粗边缘对中两粗边缘的DTW距离作为粗边缘对的裂痕构成率。
步骤S105、根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率。
步骤S106、判断各细边缘以及各粗边缘对的裂痕构成率均值是否大于预设阈值，若判断结果为是，则待检测焊缝中存在裂痕缺陷，否则，待检测焊缝中不存在裂痕缺陷。
对于空调的消音室内部的焊缝，若焊缝中存在裂纹，不但会影响消音室的结构强度，还会缩短消音室的使用寿命；同时，消音室内部焊缝中存在缺陷时，气流通过消音室时所产生的脉冲会造成消音室震动，从而产生新的噪音源，使得消音效果的大打折扣。
进一步的，步骤S101、获得待检测焊缝的X射线底片并作为X射线底片，筛选出X射线底片中的边缘点，对边缘点的梯度幅值及梯度方向进行等级划分，获得划分后的多个幅值等级以及多个方向等级。
首先，获得待检测焊缝的X射线底片并作为X射线底片。
需要说明的是，X射线底片是对待检测的焊缝进行X射线探伤过程中获得的，利用X射线能够穿透金属材料这一特性，同时由于材料对射线的吸收和散射作用的不同，使得胶片感光程度不一样，进而在得到的底片上形成黑度不同的影像，同时，现有技术中往往通过人工观察得到的X射线底片来获得具体的缺陷检测结果，但该种方式存在较强的主观性。
其次，获得X射线底片中像素点的梯度幅值以及梯度方向，并利用梯度幅值筛选出X射线底片中的边缘点。利用梯度幅值筛选出X射线底片中的边缘点可以通过预设梯度幅值阈值来实现，具体的，将梯度幅值大于预设梯度幅值阈值的像素点作为边缘点。
需要说明的是，X射线底片中像素点的梯度幅值及梯度方向的获得过程包括：利用Sobel算子分别获得X射线底片中各像素点的水平梯度以及竖直梯度，像素点的梯度大小
Figure 282857DEST_PATH_IMAGE020
，像素点的梯度方向为
Figure 474804DEST_PATH_IMAGE022
，其中g表示梯度幅值，
Figure 289176DEST_PATH_IMAGE024
表示像素点的水平梯度，
Figure 846060DEST_PATH_IMAGE026
表示像素点的竖直梯度。
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3x3的矩阵，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。
然后，对X射线底片中边缘点的梯度幅值及梯度方向进行等级划分，获得划分后的多个幅值等级以及多个方向等级。
对X射线底片中边缘点的梯度幅值进行等级划分的过程如下：
构建基于EM(Expectation Maximization，期望最大化)算法的高斯混合模型，同时将X射线底片中边缘点的梯度幅值以及各梯度幅值的概率作为样本数据。根据样本数据初始化高斯混合模型的参数，并用EM算法训练所述高斯混合模型的参数，以得到梯度幅值分类模型，本发明实施例中各梯度幅值的频率即各梯度幅值的占比。
高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况，GMM常用于聚类。同时，EM算法是一种迭代算法，在统计学中被用于寻找依赖于不可观察的隐性变量的概率模型中参数的最大似然估计，本发明实施例中利用EM算法求解GMM中的参数。
可选的，也可以直接根据X射线底片中边缘点的梯度幅值，对X射线底片中的边缘点进行k-means聚类，将边缘点聚类成多个类别，按照各类别中梯度幅值的均值进行排序，依次获得各边缘点对应的幅值等级。k-means算法是一种基于划分的聚类算法，把待聚类的对象分成多个簇，使簇内具有较高的相似度，而簇间的相似度较低。例如，在K-means聚类过程中，将聚类后簇的数量设定为10，将梯度幅值的均值最小的簇中边缘点的幅值等级设置为1，并以此分别获得各边缘点的幅值等级。
利用梯度幅值分类模型将X射线底片中边缘点的梯度幅值分类成预设数量个类别，作为一个示例，本发明实施例中预设数量为10，此时所划分的幅值等级的数量为10。
对X射线底片中边缘点的梯度方向进行等级划分的过程包括：由于所有边缘点的梯度方向在
Figure DEST_PATH_IMAGE028
范围内，本发明实施例中将
Figure 785197DEST_PATH_IMAGE028
均匀分为
Figure 718518DEST_PATH_IMAGE010
个部分，每个部分分别作为一个级别，则从小到大的级别分别为1,2,…,
Figure 387397DEST_PATH_IMAGE010
，其中，
Figure 177498DEST_PATH_IMAGE010
为X射线底片中方向级数的总数，作为一个示例，本发明实施例中
Figure DEST_PATH_IMAGE030
。
统计该梯度点邻域内与其相同梯度级别的点的梯度方向的复杂特性，由于裂纹的影像特征是黑色的线，且其边缘是锯齿状，使得边缘点的梯度方向存在复杂的特性，因此，通过判断一个点邻域内的同幅值级别的梯度点，有助于了解该边缘点是否有概率为锯齿状边缘。
进一步的，步骤S102、将边缘点邻域内与该边缘点的幅值等级相同的边缘点作为同幅值边缘点，根据X射线底片中边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值。
首先，根据边缘点的同幅值边缘点中各方向等级的边缘点的频率，获得边缘点的复杂程度系数，
Figure DEST_PATH_IMAGE032
，其中，
Figure 836887DEST_PATH_IMAGE004
表示该边缘点的邻域内同幅值边缘点的总个数，
Figure 308320DEST_PATH_IMAGE006
表示该边缘点的邻域内同幅值边缘点中梯度方向级别为r的点的个数，
Figure 831705DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure 58287DEST_PATH_IMAGE010
为X射线底片中方向级数的总数，
Figure 299913DEST_PATH_IMAGE012
为自然对数，得到的复杂程度系数为0-1之间的数，H越大说明该边缘点的梯度幅值越需要增强，反之该边缘点的梯度幅值越需要抑制。
其次，判断对边缘点的梯度幅值进行增强或抑制，包括：判断X射线底片中边缘点的复杂程度系数是否大于0.5；若判断结果为是，对该边缘点的梯度幅值进行增强；若判断结果是否，对该边缘点的梯度幅值进行抑制。
然后，结合边缘点的复杂程度系数分别对各边缘点的梯度幅值进行增强或抑制，获得第二图像，当某一边缘点的梯度幅值需要进行增强时，该边缘增强后的梯度幅值为
Figure 309457DEST_PATH_IMAGE014
；当某一边缘点的梯度幅值需要进行抑制时，该边缘增强后的梯度幅值为
Figure 625032DEST_PATH_IMAGE016
；其中，
Figure 960198DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure 423540DEST_PATH_IMAGE018
为该边缘点在X射线底片中的进行增强或抑制前的梯度幅值。
进一步的，步骤S103、对各边缘点进行边缘连接获得各边缘线条，从各边缘线条中剔除白色的边缘线条，并按照边缘线条的两侧灰度值是否相同，将进行剔除后的各边缘线条分为细边缘以及粗边缘。
首先，对各边缘点进行边缘连接获得各边缘线条，同时，各边缘线条在焊缝中对应的位置的不同，由于在实际处理过程中，白色的边缘线条不属于本发明实施例中需要进行处理的对象，将各边缘线条中可能存在的白色边缘线条剔除，并对得以保留的各边缘线条进行分类。
其次，按照边缘线条的两侧灰度值是否相同，将进行剔除后的各边缘线条分为细边缘以及粗边缘，需要说明的是，细边缘往往呈现为孤立的黑色线条，而粗边缘指的是焊缝中成块的区域的边缘。
进一步的，步骤S104、将灰度减小方向相反的两相邻粗边缘组成粗边缘对，并将粗边缘对中两粗边缘的DTW距离作为粗边缘对的裂痕构成率。
首先，对获取的粗边缘中灰度减小方向相反的相邻粗边缘进行匹配，由于黑白，白黑边缘是作为粗裂痕的两个边缘。白黑白是细小裂痕。焊缝中裂痕缺陷的形态为细小边缘缠绕在粗边缘周围，因此，先将黑白，白黑边缘进行基于方向的匹配。
将各个粗边缘对中的两个粗边缘中边缘点的梯度方向分别进行排列，分别获得两个粗边缘的梯度方向序列，计算该两个序列的DTW（Dynamic Time Warping，动态时间归整）距离并归一化，DTW是一种衡量两个长度不同的序列的相似度的方法。本发明实施例中得到的DTW距离越小越说明边缘对的两个边缘越相似，越说明属于一个粗裂痕的两个边缘，将归一化后的DTW距离作为各个边缘对的裂痕构成率。
进一步的，步骤S105、根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率。
分别计算细边缘上各点到与细边缘最近的粗边缘对的最短距离；计算各最短距离的平均值，并将该平均值与离细边缘最近的粗边缘的裂痕构成率相乘，获得细边缘的裂纹构成率。
进一步的，步骤S106、判断各细边缘以及各粗边缘对的裂痕构成率均值是否大于预设阈值，若判断结果为是，则待检测焊缝中存在裂痕缺陷，否则，待检测焊缝中不存在裂痕缺陷。
需要说明的是这些裂痕构成率均为0-1之间的数，根据全部边缘线条的裂痕构成率判断焊缝X光底片中是否出现裂纹缺陷。
具体的，计算所有细小边缘以及粗边缘的裂痕构成率的均值，判断各细边缘以及各粗边缘对的裂痕构成率均值是否大于预设阈值，若判断结果为是，说明边缘线条之间的距离较大，待检测焊缝中存在裂痕缺陷，否则，待检测焊缝中不存在裂痕缺陷。
作为一个示例，本发明实施例中预设阈值为0.3,预设阈值的具体数值可以所需的检测精度进行适时调整。
基于与上述方法相同的发明构思，本实施例还提供了一种基于机器视觉的空调消音室焊接缺陷无损检测系统，本实施例中基于机器视觉的空调消音室焊接缺陷无损检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于机器视觉的空调消音室焊接缺陷无损检测方法实施例中所描述的对空调消音室中的焊接缺陷进行基于机器视觉的无损检测。
由于基于机器视觉的空调消音室焊接缺陷无损检测方法实施例中已经对空调消音室中的焊接缺陷进行基于机器视觉的无损检测的方法进行了说明，此处不再赘述。
综上所述，本发明提供了一种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，相比于现有技术，本发明实施例的有益效果至少包括：能够避免焊缝中裂痕以外其他种类的缺陷的干扰，从而提高对焊缝中裂痕缺陷的检测精度。
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)

1.一种基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，包括：
获得待检测焊缝的X射线底片；
根据X射线底片中的像素点的梯度幅值筛选出X射线底片中的边缘点，并对边缘点的梯度幅值及梯度方向进行等级划分，获得划分后的多个幅值等级以及多个方向等级；
将边缘点邻域内与该边缘点的幅值等级相同的边缘点作为同幅值边缘点，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值；
对进行梯度幅值增强或抑制后的各边缘点进行边缘连接获得各边缘线条，从各边缘线条中剔除白色的边缘线条，并按照边缘线条的两侧灰度值是否相同，将进行剔除后的各边缘线条分为细边缘以及粗边缘；
将灰度减小方向相反的两相邻粗边缘组成粗边缘对，并将粗边缘对中两粗边缘的DTW距离作为粗边缘对的裂痕构成率；
根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率；
判断各细边缘以及各粗边缘对的裂痕构成率均值是否大于预设阈值，若判断结果为是，则待检测焊缝中存在裂痕缺陷，否则，待检测焊缝中不存在裂痕缺陷。
2.根据权利要求1所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，根据X射线底片中边缘点的同幅值边缘点中各方向等级的边缘点的占比，分别判断对X射线底片中各边缘点的梯度幅值进行增强或抑制，并得到进行增强或抑制后的各边缘点的梯度幅值，包括：
将X射线底片中边缘点邻域内与该边缘点幅值等级相同的边缘点作为同幅值边缘点，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，获得边缘点的复杂程度系数；
根据X射线底片中边缘点的复杂程度系数，判断对边缘点的梯度幅值进行增强或抑制，并结合边缘点的复杂程度系数，分别获得各边缘点进行增强或抑制后的梯度幅值。
3.根据权利要求2所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，根据边缘点的同幅值边缘点中各方向等级的边缘点的占比，获得边缘点的复杂程度系数，包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示该边缘点的邻域内同幅值边缘点的总个数，
Figure DEST_PATH_IMAGE006
表示该边缘点的邻域内同幅值边缘点中梯度方向级别为r的点的个数，
Figure DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure DEST_PATH_IMAGE010
为X射线底片中方向级数的总数，
Figure DEST_PATH_IMAGE012
为自然对数。
4.根据权利要求3所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，根据X射线底片中边缘点的复杂程度系数，判断对边缘点的梯度幅值进行增强或抑制，包括：
判断X射线底片中边缘点的复杂程度系数是否大于0.5；
若判断结果为是，对该边缘点的梯度幅值进行增强；
若判断结果是否，对该边缘点的梯度幅值进行抑制。
5.根据权利要求4所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，结合边缘点的复杂程度系数，分别获得各边缘点进行增强或抑制后的梯度幅值，包括：
当某一边缘点的梯度幅值需要进行增强时，该边缘点增强后的梯度幅值为
Figure DEST_PATH_IMAGE014
；
当某一边缘点的梯度幅值需要进行抑制时，该边缘点增强后的梯度幅值为
Figure DEST_PATH_IMAGE016
；
其中，
Figure 622677DEST_PATH_IMAGE008
为该边缘点的复杂程度系数，
Figure DEST_PATH_IMAGE018
为该边缘点在X射线底片中的增强或抑制前的梯度幅值。
6.根据权利要求1所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，根据与细边缘最近的粗边缘对的裂痕构成率，以及到细边缘上各点到该最近的粗边缘对的最短距离，获得细边缘的裂纹构成率，包括：
分别计算细边缘上各点到与细边缘最近的粗边缘对的最短距离；
计算各最短距离的平均值，并将该平均值与离细边缘最近的粗边缘的裂痕构成率相乘，获得细边缘的裂纹构成率。
7.根据权利要求1所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，对X射线底片中边缘点的梯度幅值进行等级划分，包括：
构建基于EM算法的高斯混合模型，同时将X射线底片中边缘点的梯度幅值以及各梯度幅值的概率作为样本数据；
根据样本数据初始化所述高斯混合模型的参数，并用EM算法训练所述高斯混合模型的参数，以得到梯度幅值分类模型；
利用梯度幅值分类模型将X射线底片中边缘点的梯度幅值分类成预设数量个类别。
8.根据权利要求1所述的基于机器视觉的空调消音室焊接缺陷无损检测方法，其特征在于，X射线底片中像素点的梯度幅值及梯度方向的获得方法包括：
利用Sobel算子分别获得X射线底片中各像素点的水平梯度以及竖直梯度；
像素点的梯度大小
Figure DEST_PATH_IMAGE020
，像素点的梯度方向为
Figure DEST_PATH_IMAGE022
，其中g表示梯度幅值，
Figure DEST_PATH_IMAGE024
表示像素点的水平梯度，
Figure DEST_PATH_IMAGE026
表示像素点的竖直梯度。
9.一种基于机器视觉的空调消音室焊接缺陷无损检测系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8中任一项所述的基于机器视觉的空调消音室焊接缺陷无损检测方法。
CN202210317408.6A 2022-03-29 2022-03-29 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 Active CN114414599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210317408.6A CN114414599B (zh) 2022-03-29 2022-03-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210317408.6A CN114414599B (zh) 2022-03-29 2022-03-29 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

Publications (2)

Publication Number Publication Date
CN114414599A true CN114414599A (zh) 2022-04-29
CN114414599B CN114414599B (zh) 2022-06-03

Family

ID=81263045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210317408.6A Active CN114414599B (zh) 2022-03-29 2022-03-29 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

Country Status (1)

Country Link
CN (1) CN114414599B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106501038A (zh) * 2016-10-20 2017-03-15 中国船舶科学研究中心（中国船舶重工集团公司第七0二研究所） 表面预制裂纹深度的无损测量方法
CN108226180A (zh) * 2018-01-11 2018-06-29 上海应用技术大学 一种针对crts ii型板式轨道的裂缝检测方法
CN108537781A (zh) * 2018-03-28 2018-09-14 潍坊路加精工有限公司 磁铁表面裂纹缺陷检测方法
US20180374022A1 (en) * 2017-06-26 2018-12-27 Midea Group Co., Ltd. Methods and systems for improved quality inspection
CN109712162A (zh) * 2019-01-18 2019-05-03 珠海博明视觉科技有限公司 一种基于投影直方图差异的线缆字符缺陷检测方法和装置
CN110751604A (zh) * 2019-09-30 2020-02-04 佛山科学技术学院 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN111948171A (zh) * 2020-08-19 2020-11-17 长春理工大学 基于动态时间规整的复合材料缺陷识别方法
CN113237951A (zh) * 2021-05-11 2021-08-10 重庆大学 一种基于形状上下文动态时间规整的金属板疲劳损伤超声导波检测方法
CN113588692A (zh) * 2021-09-28 2021-11-02 南通皋亚钢结构有限公司 基于计算机视觉的焊缝缺陷无损检测方法
US20210383563A1 (en) * 2021-06-21 2021-12-09 University Of Electronic Science And Technology Of China Method for quantitatively identifying the defects of large-size composite material based on infrared image sequence
CN113781482A (zh) * 2021-11-11 2021-12-10 山东精良海纬机械有限公司 一种复杂环境下机械零件裂纹缺陷检测方法及系统
CN113989280A (zh) * 2021-12-28 2022-01-28 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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106501038A (zh) * 2016-10-20 2017-03-15 中国船舶科学研究中心（中国船舶重工集团公司第七0二研究所） 表面预制裂纹深度的无损测量方法
US20180374022A1 (en) * 2017-06-26 2018-12-27 Midea Group Co., Ltd. Methods and systems for improved quality inspection
CN108226180A (zh) * 2018-01-11 2018-06-29 上海应用技术大学 一种针对crts ii型板式轨道的裂缝检测方法
CN108537781A (zh) * 2018-03-28 2018-09-14 潍坊路加精工有限公司 磁铁表面裂纹缺陷检测方法
CN109712162A (zh) * 2019-01-18 2019-05-03 珠海博明视觉科技有限公司 一种基于投影直方图差异的线缆字符缺陷检测方法和装置
CN110751604A (zh) * 2019-09-30 2020-02-04 佛山科学技术学院 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN111948171A (zh) * 2020-08-19 2020-11-17 长春理工大学 基于动态时间规整的复合材料缺陷识别方法
CN113237951A (zh) * 2021-05-11 2021-08-10 重庆大学 一种基于形状上下文动态时间规整的金属板疲劳损伤超声导波检测方法
US20210383563A1 (en) * 2021-06-21 2021-12-09 University Of Electronic Science And Technology Of China Method for quantitatively identifying the defects of large-size composite material based on infrared image sequence
CN113588692A (zh) * 2021-09-28 2021-11-02 南通皋亚钢结构有限公司 基于计算机视觉的焊缝缺陷无损检测方法
CN113781482A (zh) * 2021-11-11 2021-12-10 山东精良海纬机械有限公司 一种复杂环境下机械零件裂纹缺陷检测方法及系统
CN113989280A (zh) * 2021-12-28 2022-01-28 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HANIZA YAZID 等: "Weld detect identification using texture features and dynamic time warping", 《APPLIED MECHANICS AND MATERIALS》 *
JIYANG ZHANG 等: "Defect identification of layered adhesive structures based on dynamic time warping and simulation analysis", 《INFRARED PHYSICS&TECHNOLOGY》 *
李一鸣: "基于 GAN 的钢轨焊缝 Lamb 波模态分解与裂纹损伤监测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN114414599B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
JP4601134B2 (ja) 形状特徴に基づく欠陥検出の方法及び装置
US10481108B2 (en) System for defect indication detection
CN112116557B (zh) 一种射线图像焊缝区域缺陷探测方法、存储介质及设备
JP7147974B2 (ja) 金属組織の相の分類方法、金属組織の相の分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置
US20200051229A1 (en) Method for the non-destructive testing of the volume of a test object and testing device configured for carrying out such a method
US7751643B2 (en) Method and apparatus for removing uneven brightness in an image
CN110659675A (zh) 一种基于AdaBoost算法的焊缝缺陷检测方法
JPH0896136A (ja) 溶接欠陥の評価システム
CN115272321A (zh) 一种基于机器视觉的纺织品缺陷检测方法
JPS61245045A (ja) 金属帯の表面欠陥自動検査方法
CN114419007A (zh) 多策略融合深度学习网络模型的缺陷类型识别方法及系统
CN116993726B (zh) 一种矿物铸件检测方法及系统
CN114414599B (zh) 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
CN111445434B (zh) 一种金属工件等级分选系统的图像处理方法
CN115713622A (zh) 一种基于三维模型和探伤图像的铸件缺陷检测方法及系统
JP7173345B2 (ja) 金属組織の撮影条件決定方法、金属組織の撮影方法、金属組織の相分類方法、金属組織の撮影条件決定装置、金属組織の撮影装置、金属組織の相分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置
Kountchev et al. Automatic detection of welding defects
CN105678770A (zh) 一种轮廓识别滤波性能良好的墙体裂缝检测装置
CN117392131B (zh) 一种压铸件内壁缺陷检测方法及系统
Peng et al. A robust crack filter based on local gray level variation and multiscale analysis for automatic crack detection in X-ray images
CN117474910B (zh) 一种用于电机质量的视觉检测方法
CN116259332A (zh) 一种适用于发动机音频啸叫识别的图像处理方法
Wang et al. Segmentation of casting defects in X-ray images based on fractal dimension
Ruzova et al. Evaluating Geometrical Parameters of Disperse Structures by the Images

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