CN114445403B - 一种基于图像处理的pe塑料管焊接控制方法 - Google Patents
一种基于图像处理的pe塑料管焊接控制方法 Download PDFInfo
- Publication number
- CN114445403B CN114445403B CN202210346764.0A CN202210346764A CN114445403B CN 114445403 B CN114445403 B CN 114445403B CN 202210346764 A CN202210346764 A CN 202210346764A CN 114445403 B CN114445403 B CN 114445403B
- Authority
- CN
- China
- Prior art keywords
- texture complexity
- image
- pixel
- interface
- welding
- 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
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C65/00—Joining or sealing of preformed parts, e.g. welding of plastics materials; Apparatus therefor
- B29C65/02—Joining or sealing of preformed parts, e.g. welding of plastics materials; Apparatus therefor by heating, with or without pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
- B29L2023/00—Tubular articles
- B29L2023/22—Tubes or pipes, i.e. rigid
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的PE塑料管焊接控制方法。该方法包括:利用灰度共生矩阵获得每个像素点的纹理复杂度,并得到纹理复杂度图;将纹理复杂度图中像素点的纹理复杂度转变为像素点所在的纹理复杂度等级中的像素点的纹理复杂度均值,得到第一图像;多个匹配像素对中像素点的纹理复杂度差值之和为一次焊接的总分值,获得多次焊接中的最大总分值;获得焊接的理想总分值,利用最大总分值和理想总分值获得焊接缺陷概率。本发明通过PE塑料管接口的正面图像获得焊接缺陷概率,根据缺陷概率能够及时的判断接口焊接后出现缺陷的可能性,若可能性较大,对PE塑料管接口进行处理再进行焊接,保证PE塑料管接口焊接的质量。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的PE塑料管焊接控制方法。
背景技术
PE材质的塑料管因材料性能优异、使用安全可靠、寿命长、施工维修方便等特点,在日常生活中被应用的十分广泛,尤其广泛的应用于市政燃气和供水管道网。但利用PE塑料管建设各种管道网时,对于相同尺寸的塑料管的接头进行焊接时,容易出现很多问题,例如焊接的过程中会存在虚焊和假焊的焊接缺陷,这样的焊接缺陷会对利用PE塑料管构成的各种管道网带来很大的隐患,会降低管道的使用寿命,如果是燃气管道,很容易导致燃气泄漏。
现有的管道接口焊接质量的检测方法主要是通过超声波的技术进行检测,但这种检测方法对探头、试块和检测的人员要求都比较高,更重要的是利用这种方法进行检测时只能对焊接完成的接口进行检测,当检测出缺陷还要将焊接好的接口拆开进行返工及其不方便。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的PE塑料管焊接控制方法,所采用的技术方案具体如下:
本发明的一个实施例提供了一种基于图像处理的PE塑料管焊接控制方法,该方法包括:获得只包含PE塑料管的接口的灰度图像,为接口灰度图像;
利用接口灰度图像中像素点的灰度共生矩阵获得像素点对应的像素对;根据像素对中像素点灰度值的差值、像素对的类别数以及每类像素中像素对的数量获得每个像素点的纹理复杂度;根据像素点的纹理复杂度将接口灰度图像转变为纹理复杂度图;将纹理复杂度图中像素点的纹理复杂度进行划分获得多个纹理复杂度等级;将纹理复杂度图中的像素点的纹理复杂度转变为像素点所在的纹理复杂度等级中的像素点的纹理复杂度均值,得到第一图像;
两个接口对应的第一图像中处在同一位置的像素点组成匹配像素对;将两个第一图像中的接口对齐,并其旋转其中一张图像,每次旋转一个预设角度;每次旋转获得多个匹配像素对,且每次旋转获得像素对都不相同;每次旋转得到的多个匹配像素对中像素点的纹理复杂度差值之和为一次焊接的总分值,获得多次焊接中的最大总分值;根据纹理复杂度种类较少的第一图像中的各像素点的纹理复杂度与另一张纹理复杂度分布图中最大的纹理复杂度获得理想总分值;利用最大总分值和理想总分值获得焊接缺陷概率。
优选地,获得只包含PE塑料管的接口的灰度图像,为接口灰度图像包括:采集PE塑料管接口的正面图像;使用交叉熵损失函数训练DNN语义分割网络,输入采集的接口的正面图像,输出掩膜图像,所述掩膜图像中属于接口的像素点像素值为第一预设值,属于背景的像素点的像素值为第二预设值;将掩膜图像与接口的正面图像相乘获得只含有接口的图像;将是含有接口的图像灰度化,获得接口灰度图像。
优选地,利用接口灰度图像中像素点的灰度共生矩阵获得像素点对应的像素对包括:设置预设尺寸的滑动窗口,利用预设尺寸的滑动窗口在接口灰度图像上以一个像素为步长滑动获得每个像素点的灰度共生矩阵;在获得每个像素点的灰度共生矩阵过程中获得每个像素点对应的像素对。
优选地,根据像素对中像素点灰度值的差值、像素对的类别数以及每类像素中像素对的数量获得每个像素点的纹理复杂度包括:获得每类像素对中像素对的像素点的灰度值差值,所述灰度值差值为像素对中灰度值大的像素点减去灰度值小的像素点得到的;将每类像素对对应的灰度值差值相加并与像素对的种类数量相比获得每个像素点的纹理复杂度。
优选地,根据像素点的纹理复杂度将接口灰度图像转变为纹理复杂度图包括:将接口灰度图像中像素点的灰度值替换为像素点对应的纹理复杂度获得纹理复杂度图。
优选地,将纹理复杂度图中像素点的纹理复杂度进行划分获得多个纹理复杂度等级包括:对纹理复杂度图进行多阈值分割,分割后获得多个纹理复杂度等级,所述纹理复杂度等级为一个纹理复杂度范围。
优选地,根据纹理复杂度种类较少的第一图像中的各像素点的纹理复杂度与另一张纹理复杂度分布图中最大的纹理复杂度获得理想总分值包括:将一个纹理复杂度种类较少的一个PE塑料管接口对应的第一图像作为基准图像;计算另一个PE塑料管接口对应的第一图像中的最大纹理复杂度与基准图像各像素点的纹理复杂度的差值,对差值求和为理想总分值;其中所述差值为正值。
优选地,缺陷概率为:
优选地,在利用最大总分值和理想总分值获得焊接缺陷概率后还包括:设置缺陷阈值,若两个PE塑料管焊接后的缺陷概率大于缺陷阈值,则需要对两个PE塑料管的接口重新进行处理再进行焊接;若两个PE塑料管焊接后的缺陷概率小于缺陷阈值,则不用对两个PE塑料管的接口重新处理,按照最大总分值的对应的焊接位置将两个PE塑料管的接口对齐进行焊接。
本发明实施例至少具有如下有益效果:本实施例通过采集PE塑料管的接口图像,对接口图像进行处理分析,获得两个PE塑料管的接口在进行焊接时产生缺陷的概率,称为缺陷概率,通过缺陷概率能够及时的反映焊接时出现缺陷的可能性,当可能性较大时,对PE塑料管的接口重新进行处理,再进行焊接,控制焊接的质量,防止缺陷的出现。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为一种基于图像处理的PE塑料管焊接控制方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的PE塑料管焊接控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的PE塑料管焊接控制方法的具体方案。
实施例 本发明的主要应用场景为:在PE塑料管的接口焊接过程中,两个待焊接的接口的切面图像分析接口焊接后的缺陷,如果现有两个接口按照最优的焊接方式进行焊接后出现缺陷的概率较大,需要对焊接的两个接口重新进行加工再进行焊接。
本发明的主要目的是:通过对PE塑料管的家口图像进行检测计算得到在焊接过程中产生缺陷的概率,进而控制接口是否需要重新处理,得到一个最小可能产生缺陷的接口进而对焊接质量进行控制,减少缺陷的发生。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的PE塑料管焊接控制方法流程图,该方法包括以下步骤:
步骤一:介绍PE塑料管接口在进行焊接时的焊接方式,同时获得只包含PE塑料管的接口的灰度图像。
对PE塑料管进行焊接时,焊接方式为利用热塑性塑料随温度变化而呈现不同的物态变化,在适当的温度范围,通常是将PE管两端面加热到黏流态,即达到熔融温度后停止加热,移去加热装置,在一定的压力下,将接口的黏流态断面充分接触,使聚合物分子之间相互扭结,从而焊接到一起。
PE塑料管的接口处在切割时可能形成凹凸不平的接口或者较为整齐的接口,即切割出来的接口处较为粗糙或者较为平滑,在接口进行焊接时,当接口处较为粗糙的区域与较为平滑的区域进行焊接到一块时,该焊接处不容易出现焊接缺陷。
首先,因为本发明需要基于PE塑料管的接口处的图像进行分析,因此需要采集PE塑料管的接口图像,在采集接口图像时,采集的是接口的正面图像,即PE塑料管的切面图像。同时,为了防止采集的图像中其他信息对后续的分析产生影响,需要将图像中不属于PE塑料管的其他信息去除,例如背景。
本实施例采用DNN语义分割的方式来识别采集的图像中的属于PE塑料管的部分,其中DNN网络的相关内容包括:
使用的训练数据为从正面采集的PE塑料管的切面图像,其中PE塑料管的样式是多种多样的;
需要分割出来的像素点共分为两类,即训练数据集对应的标签标注过程为:单通道的语义标签,对应位置的像素点属于背景类的标注为第二预设值,对应位置的像素点属于PE塑料管的切面的标注为第一预设值,其中,第一预设值为1,第二预设值为0;
其中,DNN网络的任务是分类,所以使用的损失函数为交叉熵损失函数。
将采集到的PE塑料管切面图像输入训练好的DNN网络,输出只有0和1的掩膜图像;再利用掩膜图像与原PE塑料管切面图像相乘,获得接口图像,其中接口图像中只含有PE塑料管的切面,去除了背景的干扰,在后续的分析计算过程中,会让分析计算的结果更加准确。至此,获得两个将要进行焊接的PE塑料管的图像,图像中只含有接口的图像,并将这两个图像灰度化,获得接口灰度图像。
步骤二: 利用接口灰度图像中像素点的灰度共生矩阵获得像素点对应的像素对;根据像素对中像素点灰度值的差值、像素对的类别数以及每类像素中像素对的数量获得每个像素点的纹理复杂度;根据像素点的纹理复杂度将接口灰度图像转变为纹理复杂度图;将纹理复杂度图中像素点的纹理复杂度进行划分获得多个纹理复杂度等级;将纹理复杂度图中的像素点的纹理复杂度转变为像素点所在的纹理复杂度等级中的像素点的纹理复杂度均值,得到第一图像。
首先,在得到接口图像后,需要根据每个像素点的纹理复杂度判断像素点所处区域是粗糙的还是平滑的,也可以说是判断像素点是粗糙的或者平滑的,在进行PE塑料管的焊接时,粗糙区域与平滑区域焊接到一起时是最理想的焊接结果,但由于PE塑料管的接口出现的粗糙区域或者平滑区域随机性较大,位置不确定的同时,区域的面积也是不确定的,因此在两个接口对接焊接的时候,很难通过粗糙区域和平滑区域获得是否对接从而对焊接后的质量进行评价。
进一步的,本实施例中利用灰度共生矩阵获得每个像素点的纹理复杂度,具体的,利用预设尺寸的滑动窗口在接口灰度图像上以一个像素点为步长进行滑动获得每个像素点的灰度共生矩阵,优选地,本实施例中滑动窗口的尺寸为5*5,获得每个像素点的灰度共生矩阵后,可以得到每个像素对的复杂度m,也可以称为每个纹理的复杂度,其中m的计算方法为:每个像素对中灰度值较大的像素点减去灰度值较小的像素点得到的差值为每个纹理的复杂度;还可以得到纹理的种类数L,即像素对的种类数;最后获得每类纹理中纹理的数量n,也就是每类像素对中像素对的数量。
通过每个纹理的复杂度、纹理的种类数以及每类纹理中的纹理的数量可以得到接口灰度图像中各像素点的纹理复杂度:
其中,表示接口灰度图像中的第j个像素点的纹理复杂度;为第i个像素对的复杂度,即第i个纹理的复杂度;为第i种纹理中纹理的数量,即第i种像素对中像素对的数量;L为纹理种类的数量,也是像素对种类的数量。至此获得两个接口灰度图像中每个像素点的纹理复杂度。
接着,将接口灰度图像中每个像素点的纹理复杂度赋值给每个像素点,即将每个像素点的灰度值转化为纹理复杂度,获得新的图像,记为纹理复杂度图,两个接口灰度图像分别对应一个纹理复杂度图。
最后,对于纹理复杂度图,由于每个像素点对应的纹理复杂度都可能不同,为了方便后续的分析计算,需要将纹理复杂度相近的像素点的纹理复杂度变为一个值,这样在后续分析时能够节省大量的运算时间,减省计算的复杂度。
对纹理复杂度图进行属性聚类,具体如下:对得到的纹理复杂度图通过多阈值分割,多阈值分割的方式为根据费歇尔准则利用类间方差最大,类内方差最小的原则对纹理复杂度图像进行多阈值分割,分割后获得不同的纹理复杂度等级,其中,所述纹理复杂度等级为一个范围,每个纹理复杂度等级中的像素点的纹理复杂度都是相近的;然后将像素点的原始纹理复杂度变为像素点所属的纹理复杂度等级中所有像素点的纹理复杂度均值,获得新的图像,记为第一图像。
步骤三:两个接口对应的第一图像中处在同一位置的像素点组成匹配像素对;将两个第一图像中的接口对齐,并其旋转其中一张图像,每次旋转一个预设角度;每次旋转获得多个匹配像素对,且每次旋转获得像素对都不相同;每次旋转得到的多个匹配像素对中像素点的纹理复杂度差值之和为一次焊接的总分值,获得多次焊接中的最大总分值;根据纹理复杂度种类较少的第一图像中的各像素点的纹理复杂度与另一张纹理复杂度分布图中最大的纹理复杂度获得理想总分值;利用最大总分值和理想总分值获得焊接缺陷概率。
首先,需要对两个PE塑料管对应的两个第一图像进行空间聚类,具体如下:在第一图像的基础上,通过密度聚类得到不同的类别区域,每个区域的像素点的纹理复杂度相同,从而实现了纹理复杂度的分区,获得了纹理复杂度分布图像。
至此,计算得到了纹理复杂度分布图像,在图像中每个区域对应一个纹理复杂度,该纹理复杂度能够表示某个区域的粗糙程度,纹理复杂度越大,区域的粗糙程度越高,纹理复杂度越低,区域的粗糙程度越低。
按照步骤一所述的在接口进行焊接时,当接口处较为粗糙的区域与较为平滑的区域进行焊接到一块时,该焊接处不容易出现焊接缺陷,又因为每个区域的像素点的纹理复杂度相同,因此在PE塑料管的两个接口进行对接的时候,一个接口对应的纹理复杂度分布图像上的各个像素点都会在另一个接口对应的纹理复杂度分布图像找到一个相匹配的像素点,当两个相匹配的像素点的纹理复杂度差值越大时,说明这两个像素点所处位置对应到两个PE塑料管的接口上时两个位置也是一个是较为粗糙的,另一个较为平滑;因此可以通过两个纹理复杂度分布图像中像素点的差值对两个PE塑料管的焊接质量进行评价。
接着,需要根据两个PE塑料管对应的第一图像判断两个PE塑料管接口的最佳匹配,在获得最优匹配时,需要对于两个第一图像中的接口进行旋转对齐,因为接口在图像上呈现出的是圆环的形状,因此需要将一个接口对应的纹理复杂度分布图像固定,另一个接口对应的纹理复杂度分布图像不断旋转,总共需要旋转的角度为360°,并且在旋转过程中代表接口的圆环要始终对齐,旋转的步长为1°。
在旋转过程中,每旋转1°,获得相匹配的像素对,称为匹配像素对,给每个匹配像素对评分,其分值为匹配像素对中的两个像素点的纹理复杂度的差值,差值计算时为较大的纹理复杂度减去较小的纹理复杂度,获得每旋转1°时的总分值M:
最后,在获得最优匹配后,还需要根据计算在最优匹配的情况下进行焊接后出现缺陷的概率,在焊接时最理想的方式就是,一个PE塑料管的纹理复杂度分布图像中像素点都能匹配到一个与其纹理复杂度差别最大的像素点,因此将两个接口对应的第一图像中的纹理复杂度种类较少的图像作为基准图像,计算另一个第一图像中纹理复杂度的最大值与基准图像各像素点的纹理复杂度的差值并求和获得一个总分值N,该总分值称为理想匹配下的分值,记为理想总分值,其中所述差值为正值,可以利用纹理复杂度大减去纹理复杂度小的或者求每个差值的绝对值来保证差值为正值;从而获得在最优匹配的情况下,PE塑料管接口焊接后出现缺陷概率:
设置缺陷阈值Y,优选地,本实施例中Y的阈值为0.2,若缺陷概率大于缺陷阈值Y,则需要对两个PE塑料管的接口重新进行处理再进行焊接;若缺陷概率小于缺陷阈值Y,则按照最大总分值对应焊接位置,即最大总分值对应的两个接口的对接角度,将两个PE塑料管的接口对齐进行焊接。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (7)
1.一种基于图像处理的PE塑料管焊接控制方法,其特征在于,该方法包括:获得只包含PE塑料管的接口的灰度图像,为接口灰度图像;
利用接口灰度图像中像素点的灰度共生矩阵获得像素点对应的像素对;获得每类像素对中像素点灰度值的差值、像素对的类别数以及每类像素中像素对的数量,所述灰度值的差值为像素对中灰度值大的像素点减去灰度值小的像素点得到的;将每类像素对对应的灰度值差值相加并与像素对的种类数量相比获得每个像素点的纹理复杂度;根据像素点的纹理复杂度将接口灰度图像转变为纹理复杂度图;将纹理复杂度图中像素点的纹理复杂度进行划分获得多个纹理复杂度等级;将纹理复杂度图中的像素点的纹理复杂度转变为像素点所在的纹理复杂度等级中的像素点的纹理复杂度均值,得到第一图像;
两个接口对应的第一图像中处在同一位置的像素点组成匹配像素对;将两个第一图像中的接口对齐,并其旋转其中一张图像,每次旋转一个预设角度;每次旋转获得多个匹配像素对,且每次旋转获得像素对都不相同;每次旋转得到的多个匹配像素对中像素点的纹理复杂度差值之和为一次焊接的总分值,获得多次焊接中的最大总分值;根据纹理复杂度种类较少的第一图像中的各像素点的纹理复杂度与另一张纹理复杂度分布图中最大的纹理复杂度获得理想总分值;利用最大总分值和理想总分值获得焊接缺陷概率;设置缺陷阈值,若两个PE塑料管焊接后的焊接缺陷概率大于缺陷阈值,则需要对两个PE塑料管的接口重新进行处理再进行焊接;若两个PE塑料管焊接后的焊接缺陷概率小于缺陷阈值,则不用对两个PE塑料管的接口重新处理,按照最大总分值的对应的焊接位置将两个PE塑料管的接口对齐进行焊接。
2.根据权利要求1所述的一种基于图像处理的PE塑料管焊接控制方法,其特征在于,所述获得只包含PE塑料管的接口的灰度图像,为接口灰度图像包括:采集PE塑料管接口的正面图像;使用交叉熵损失函数训练DNN语义分割网络,输入采集的接口的正面图像,输出掩膜图像,所述掩膜图像中属于接口的像素点像素值为第一预设值,属于背景的像素点的像素值为第二预设值;将掩膜图像与接口的正面图像相乘获得只含有接口的图像;将是含有接口的图像灰度化,获得接口灰度图像。
3.根据权利要求1所述的一种基于图像处理的PE塑料管焊接控制方法,其特征在于,所述利用接口灰度图像中像素点的灰度共生矩阵获得像素点对应的像素对包括:设置预设尺寸的滑动窗口,利用预设尺寸的滑动窗口在接口灰度图像上以一个像素为步长滑动获得每个像素点的灰度共生矩阵;在获得每个像素点的灰度共生矩阵过程中获得每个像素点对应的像素对。
4.根据权利要求1所述的一种基于图像处理的PE塑料管焊接控制方法,其特征在于,所述根据像素点的纹理复杂度将接口灰度图像转变为纹理复杂度图包括:将接口灰度图像中像素点的灰度值替换为像素点对应的纹理复杂度获得纹理复杂度图。
5.根据权利要求1所述的一种基于图像处理的PE塑料管焊接控制方法,其特征在于,所述将纹理复杂度图中像素点的纹理复杂度进行划分获得多个纹理复杂度等级包括:对纹理复杂度图进行多阈值分割,分割后获得多个纹理复杂度等级,所述纹理复杂度等级为一个纹理复杂度范围。
6.根据权利要求1所述的一种基于图像处理的PE塑料管焊接控制方法,其特征在于,所述根据纹理复杂度种类较少的第一图像中的各像素点的纹理复杂度与另一张纹理复杂度分布图中最大的纹理复杂度获得理想总分值包括:将一个纹理复杂度种类较少的一个PE塑料管接口对应的第一图像作为基准图像;计算另一个PE塑料管接口对应的第一图像中的最大纹理复杂度与基准图像各像素点的纹理复杂度的差值,对差值求和为理想总分值;其中所述差值为正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346764.0A CN114445403B (zh) | 2022-04-02 | 2022-04-02 | 一种基于图像处理的pe塑料管焊接控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346764.0A CN114445403B (zh) | 2022-04-02 | 2022-04-02 | 一种基于图像处理的pe塑料管焊接控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114445403A CN114445403A (zh) | 2022-05-06 |
CN114445403B true CN114445403B (zh) | 2022-06-24 |
Family
ID=81359141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346764.0A Active CN114445403B (zh) | 2022-04-02 | 2022-04-02 | 一种基于图像处理的pe塑料管焊接控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445403B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371567B (zh) * | 2022-09-22 | 2023-03-21 | 江特科技股份有限公司 | 用于pe燃气热熔管件的质量检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
CN106228565A (zh) * | 2016-08-02 | 2016-12-14 | 电子科技大学 | 一种基于x射线图像的输油管道焊缝缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2022
- 2022-04-02 CN CN202210346764.0A patent/CN114445403B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
CN106228565A (zh) * | 2016-08-02 | 2016-12-14 | 电子科技大学 | 一种基于x射线图像的输油管道焊缝缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
集箱管接头内焊缝表面缺陷识别方法研究;焦敬品等;《仪器仪表学报》;20171215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114445403A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
Sheehan | A TREE‐BASED APPROACH TO PROFICIENCY SCALING & DIAGNOSTIC ASSESSMENT | |
CN114445403B (zh) | 一种基于图像处理的pe塑料管焊接控制方法 | |
CN110969611A (zh) | 管道焊缝缺陷检测方法、装置、系统及存储介质 | |
Myrans et al. | Automated detection of fault types in CCTV sewer surveys | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN112100403A (zh) | 一种基于神经网络的知识图谱不一致性推理方法 | |
CN111310737B (zh) | 一种车道线检测方法及装置 | |
CN115507309B (zh) | 一种燃气泄漏报警方法和系统 | |
CN114998313A (zh) | 基于视觉定位的流体输送管管口毛刺识别定位方法 | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
CN111126194A (zh) | 一种社交媒体视觉内容情感分类方法 | |
WO2023125586A1 (zh) | 城市地下燃气泄漏识别模型的训练方法及装置 | |
CN116431746A (zh) | 基于编码库的地址映射方法、装置、电子设备及存储介质 | |
CN110378337A (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
Betgeri et al. | Wastewater pipe rating model using natural language processing | |
CN114842301A (zh) | 一种图像注释模型的半监督训练方法 | |
CN116777908B (zh) | 油气井套管堵漏辅助方法及其系统 | |
Qiu et al. | A novel method for signal labeling and precise location in a variable parameter milling process based on the stacked-BiLSTM-CRF and FLOSS | |
Gao et al. | Quality assessment algorithm of x-ray images in overall girth welds based on deep neural network | |
CN111582279B (zh) | 基于双流架构和边界强调损失函数的可行驶区域分割方法 | |
CN117291175B (zh) | 基于多个大语言模型统计特征融合的生成文本检测方法 | |
CN116911852B (zh) | 一种rpa的用户动态信息监控方法及系统 | |
CN116935039B (zh) | 基于机器视觉的新能源电池焊接缺陷检测方法 |
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 |