CN115063404A - 基于x射线探伤的耐候钢焊缝质量检测方法 - Google Patents

基于x射线探伤的耐候钢焊缝质量检测方法 Download PDF

Info

Publication number
CN115063404A
CN115063404A CN202210888144.XA CN202210888144A CN115063404A CN 115063404 A CN115063404 A CN 115063404A CN 202210888144 A CN202210888144 A CN 202210888144A CN 115063404 A CN115063404 A CN 115063404A
Authority
CN
China
Prior art keywords
pixel point
weathering steel
gray
value
ray image
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
CN202210888144.XA
Other languages
English (en)
Other versions
CN115063404B (zh
Inventor
李朋
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.)
Jianshou Shandong Steel Processing Co ltd
Original Assignee
Jianshou Shandong Steel Processing 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 Jianshou Shandong Steel Processing Co ltd filed Critical Jianshou Shandong Steel Processing Co ltd
Priority to CN202210888144.XA priority Critical patent/CN115063404B/zh
Publication of CN115063404A publication Critical patent/CN115063404A/zh
Application granted granted Critical
Publication of CN115063404B publication Critical patent/CN115063404B/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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了基于X射线探伤的耐候钢焊缝质量检测方法，涉及缺陷检测领域。包括：S1：获取耐候钢X光图像；S2：得到耐候钢X光图像透射率的校正系数；S3：对耐候钢X光图像进行自适应图像增强得到增强后的耐候钢X光图像；S4：对增强后的耐候钢X光图像进行阈值分割得到耐候钢X光二值图像，根据耐候钢X光二值图像判断焊缝区域是否存在气孔缺陷。本发明通过对暗通道先验算法进行改进，采用自适应大小的窗口对图像进行处理，增强图像中的信息，保证图像的质量对耐候钢焊缝进行检测，确保检测结果的精确度。

Description

基于X射线探伤的耐候钢焊缝质量检测方法
技术领域
本发明涉及缺陷检测领域，具体涉及基于X射线探伤的耐候钢焊缝质量检测方法。
背景技术
耐候钢，即耐大气腐蚀钢，是介于普通钢和不锈钢之间的低合金钢系列，具有优质钢的强韧、塑延、成型、焊割、磨蚀、高温、抗疲劳等特性；同时，它具有耐锈，使构件抗腐蚀延寿、减薄降耗，省工节能等特点。耐候钢主要用于铁道、车辆、桥梁、塔架、光伏、高速工程等长期暴露在大气中使用的钢结构，还用于制造集装箱、铁道车辆、石油井架、海港建筑、采油平台及化工石油设备中含硫化氢腐蚀介质的容器等结构件，这些用途都属于非常重要的行业，耐候钢的质量是重中之重。焊接技术是耐候钢的化工热工艺中使用率较高的技术之一，因此对于耐候钢焊缝的质量要求非常高，这就需要对生产过程中的耐候钢的焊缝进行质量检测。
当加工过程中受到外界环境因素的影响，焊缝位置就会出现不可避免的缺陷，其中气泡缺陷是主要的缺陷之一，若将焊缝存在气泡的耐候钢投入使用，长期下去会出现不可避免的损失，更甚者会出现不可挽回的灾祸，因此需要对耐候钢的焊缝进行质量检测。
现有技术中利用X射线的方法对焊缝进行质量检测的过程中，首先对采集的X射线的焊缝图像利用传统的暗通道先验算法进行阈值分割处理，从而识别出图像中是否含有气泡缺陷，然而该方法采用的为固定的统计窗口，并且计算得到的透射率与真实值差距较大，从而造成图像失真严重，得到的检测结果精确度较低。
发明内容
针对上述技术问题，本发明提供了基于X射线探伤的耐候钢焊缝质量检测方法，包括：
S1：获取耐候钢X光图像；
S2：得到耐候钢X光图像透射率的校正系数：
根据耐候钢X光图像中的灰度值以及每个灰度值的频率计算耐候钢X光图像的模糊度；
利用得到的耐候钢X光图像的模糊度和灰度值均值得到耐候钢X光图像透射率的校正系数；
S3：对耐候钢X光图像进行自适应图像增强：
S301、预设初始窗口；
S302、以耐候钢X光图像中的每个像素点为初始窗口的中心像素点，利用初始窗口内每个像素点的灰度值得到每个像素点在初始窗口内的灰度差异度；
S303、调整初始窗口的大小，得到不同大小的窗口，重复S302得到每个像素点在不同大小窗口内的灰度差异度；
S304、根据该像素点在不同大小窗口内的灰度差异度获取该像素点的最优窗口，根据最优窗口大小对该像素点的灰度值进行重置，根据该像素点重置后的灰度值计算该像素点的透射率；
S305、根据每个像素点重置后的灰度值、透射率以及透射率的校正系数对每个像素点进行增强处理得到每个像素点增强后的灰度值，得到增强后的耐候钢X光图像；
S4：对增强后的耐候钢X光图像进行阈值分割得到焊缝区域，判断焊缝区域是否存在气孔缺陷。
计算耐候钢X光图像的模糊度的方法如下：
获取耐候钢X光图像中所有灰度值以及每个灰度值的频率，根据得到的所有灰度值以及每个灰度值的频率计算耐候钢X光图像的信息熵，将耐候钢X光图像的信息熵的倒数作为耐候钢X光图像的模糊度。
得到耐候钢X光图像透射率的校正系数的方法为：
获取耐候钢X光图像中所有像素点的灰度值均值计算耐候钢X光图像透射率的校正系数，耐候钢X光图像透射率的校正系数的计算公式如下：
Figure 713650DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE003
表示耐候钢X光图像透射率的校正系数，
Figure 770730DEST_PATH_IMAGE004
表示耐候钢X光图像的灰度值均值，
Figure 100002_DEST_PATH_IMAGE005
表示耐候钢X光图像的模糊度，
Figure 523791DEST_PATH_IMAGE006
为双曲正切函数。
每个像素点在不同大小窗口内的灰度差异度的计算方法如下：
获取不同窗口中每个像素点的灰度值，计算不同窗口中每个像素点与中心像素点的灰度差异值；
设置灰度差异值阈值，分别对窗口中与中心像素点的灰度差异值小于灰度差异值阈值和大于等于灰度差异值阈值的像素点设置不同的灰度差异权重值；
将窗口中与中心像素点的灰度差异值小于灰度差异值阈值的像素点的灰度差异值求和后与小于灰度差异值阈值的灰度差异权重值相乘，将窗口中与中心像素点的灰度差异值大于等于灰度差异值阈值的像素点的灰度差异值求和后与大于等于灰度差异值阈值的灰度差异权重值相乘；
将得到的两个乘积之和与窗口内除中心像素点的像素点数量之商作为该中心像素点在该窗口大小下的灰度差异度；
根据上述方法得到每个像素点在不同大小窗口下的灰度差异度。
不同窗口中每个像素点与中心像素点的灰度差异值的获取方法为：
获取中心像素点与不同窗口内每个像素点的灰度值，对中心像素点与不同窗口内每个像素点的灰度值的差值绝对值进行归一化处理，将归一化处理后的灰度值的差值绝对值作为中心像素点与不同窗口内该像素点的灰度差异值，所述归一化处理的方法为利用双曲正切函数进行归一化。
获取该像素点的最优窗口的方法如下：
对每个像素点在不同大小窗口中的所有像素点的灰度值均值
Figure 100002_DEST_PATH_IMAGE007
进行归一化处理，计算每个像素点在不同窗口中归一化处理后的所有像素点的灰度值均值
Figure 966405DEST_PATH_IMAGE008
与该像素点在该窗口下的灰度差异度
Figure 100002_DEST_PATH_IMAGE009
的乘积，将得到的乘积作为计算该像素点对应该窗口的优选程度的优选指标，得到该像素点对应不同窗口的优选指标
Figure 12465DEST_PATH_IMAGE010
；
分别获取该像素点在不同大小窗口中优选指标的最大值与最小值计算对该像素点进行图像增强时的最优窗口，计算公式如下：
Figure 100002_DEST_PATH_IMAGE011
式中：
Figure 586534DEST_PATH_IMAGE012
表示耐候钢X光图像中第
Figure 100002_DEST_PATH_IMAGE013
个像素点对应的
Figure 362860DEST_PATH_IMAGE014
大小的窗口的优选程度，
Figure 100002_DEST_PATH_IMAGE015
为耐候钢X光图像中第
Figure 207451DEST_PATH_IMAGE013
个像素点对应的
Figure 473347DEST_PATH_IMAGE014
大小的窗口的优选指标，
Figure 551024DEST_PATH_IMAGE016
表示耐候钢X光图像中第
Figure 193358DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最小值，
Figure 100002_DEST_PATH_IMAGE017
表示耐候钢X光图像中第
Figure 390990DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最大值；
将每个像素点对应的不同大小窗口的优选程度的最大值对应的窗口大小作为对该像素点进行图像增强时的最优窗口。
根据每个像素点重置后的灰度值、透射率以及透射率的校正系数对每个像素点进行增强处理的计算公式如下：
Figure 100002_DEST_PATH_IMAGE019
式中：
Figure 296630DEST_PATH_IMAGE020
表示增强后耐候钢X光图像中第
Figure 100002_DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 818528DEST_PATH_IMAGE022
表示耐候钢X光图像中第
Figure 341518DEST_PATH_IMAGE021
个像素点的重置灰度值，
Figure 100002_DEST_PATH_IMAGE023
表示全局信息变量，
Figure 144389DEST_PATH_IMAGE024
表示耐候钢X光图像中第
Figure 752087DEST_PATH_IMAGE021
个像素点的透射率，
Figure 53625DEST_PATH_IMAGE003
表示透射率的校正系数，
Figure 100002_DEST_PATH_IMAGE025
表示选取最大值，
Figure 601543DEST_PATH_IMAGE026
为设定的透射率阈值。
耐候钢X光图像中每个像素点的透射率的计算过程如下：
获取每个像素点的最优窗口中所有像素点的灰度值最小值，将得到的最小灰度值赋值给该像素点得到该像素点的重置灰度值，完成对每个像素点的灰度值的重置；
根据像素点在最优窗口下的重置灰度值计算该像素点的透射率，计算公式如下：
Figure 100002_DEST_PATH_IMAGE027
式中：
Figure 662515DEST_PATH_IMAGE024
为耐候钢X光图像中第
Figure 441115DEST_PATH_IMAGE021
个像素点的透射率，
Figure 980681DEST_PATH_IMAGE028
表示第
Figure 502929DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点的灰度值集合，
Figure 60819DEST_PATH_IMAGE023
表示全局信息量，
Figure 100002_DEST_PATH_IMAGE029
表示第
Figure 213582DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点集合，
Figure 725597DEST_PATH_IMAGE030
表示第
Figure 51537DEST_PATH_IMAGE021
个像素点最优窗口的尺寸。
对增强后的耐候钢X光图像进行阈值分割对焊缝区域进行缺陷检测的过程如下：
对增强后的耐候钢X光图像进行OTSU阈值分割算法得到分割阈值，根据分割阈值对增强后的耐候钢X光图像进行阈值分割得到耐候钢X光二值图像，将耐候钢X光二值图像中形成的连通域作为焊缝区域；
若焊缝区域中存在像素值为0的像素点，则该焊缝中存在气孔缺陷；
若焊缝区域中不存在像素值为0的像素点，则该焊缝不存在气孔缺陷。
相比于现有技术，本发明实施例的有益效果在于：
本发明通过对采集的耐候钢图像进行语义分割处理，对分割后的待检测耐候钢图像根据图像中的特征，采用自适应的暗通道先验算法对图像进行增强处理。充分考虑图像中的特性，确定图像中每个像素点的最优的统计窗口，并对得到的透射率进行校正处理，从而实现图像自适应增强，为后续质量检测提供了清晰的图像，使得检测结果更精确。
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为本发明实施例基于X射线探伤的耐候钢焊缝质量检测方法提供的流程框图；
图2为本发明实施例基于X射线探伤的耐候钢焊缝质量检测方法提供的方法流程图。
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基于X射线探伤的耐候钢焊缝质量检测方法，如图1与图2所示，具体内容包括：
S101、获取耐候钢X光图像
通过利用X射线成像检测设备采集得到耐候钢X光图像，由于X光照射设备以及放辐射量的影响，使得采集的X光图像模糊不清，获取的耐候钢X光图像呈现灰雾状，因此需要对采集的耐候钢X光图像进行图像增强，传统的去雾算法（即暗通道先验算法）是采用固定的窗口进行图像增强，会造成图像信息丢失或图像失真严重的影响，因此本实施例提出一种自适应的暗通道先验算法对采集的图像进行图像处理，从而提高X射线耐候钢焊缝缺陷的检测结果的准确性。
本实施例通过X射线成像检测设备采集耐候钢的X光图像，所述X射线成像检测设备包括：检测箱、X射线仪、成像板、控制系统和支架等；对采集的耐候钢的X光图像进行语义分割得到只包含耐候钢的耐候钢X光图像：
（1）本案中采用的语义分割网络为DNN网络，采用的数据集为采集的耐候钢焊缝图像；
（2）对采集的图像进行人工标注，将图像分割成两类图像，其中一类属于背景类，进行人工标注，标注为0；另一类属于耐候钢类，进行人工标注，标注为1；
（3）该DNN语义分割网络的目标为分类，采用的损失函数为交叉熵函数。
至此，得到只包含耐候钢的耐候钢X光图像。
S102、计算透射率的校正系数
由于采集的耐候钢X光图像中，背景（耐候钢）区域的灰度值较大，焊缝本身的灰度值较小，使得采集的耐候钢X光图像整体偏亮，使得在暗通道先验算法中计算得到的透射率远远低于真实值，使得去雾效果较差。因此需要对透射率进行修正，本实施例通过对采集的耐候钢X光图像的图像模糊度计算耐候钢X光图像的透射率的校正权重（即校正系数）。
根据耐候钢X光图像的信息可知，耐候钢X光图像的模糊度越大，耐候钢X光图像的亮度越亮，则透射率越低于真实值，因此需要对透射率进行校正的权重就越大。
1.计算耐候钢X光图像的模糊度
本实施例通过统计耐候钢X光图像中的像素点的灰度差异来确定耐候钢X光图像的模糊度，耐候钢X光图像灰度差异越小，表明耐候钢X光图像模糊程度越大，而耐候钢X光图像灰度差异小，表明耐候钢X光图像中不同灰度值的数量少，因此，本实施例中通过耐候钢X光图像的信息熵表征耐候钢X光图像的清晰程度，耐候钢X光图像的清晰程度越大说明耐候钢X光图像的模糊度越小，若耐候钢X光图像的清晰程度越小说明耐候钢X光图像越模糊，因此，耐候钢X光图像的模糊度的计算公式如下：
Figure 100002_DEST_PATH_IMAGE031
式中：
Figure 683506DEST_PATH_IMAGE005
表示耐候钢X光图像的模糊度，
Figure 53177DEST_PATH_IMAGE032
表示耐候钢X光图像中不同的灰度值的序号，
Figure DEST_PATH_IMAGE033
表示不同的灰度值的数量（一般为256），
Figure 36176DEST_PATH_IMAGE034
表示第
Figure 900227DEST_PATH_IMAGE032
种灰度值，
Figure DEST_PATH_IMAGE035
表示第
Figure 140365DEST_PATH_IMAGE032
种灰度值在耐候钢X光图像中的频率。
2.计算透射率的校正系数
对于模糊度大的图像，结合图像中的灰度值均值计算透射率的校正权重，其中耐候钢X光图像的清晰程度越小说明耐候钢X光图像越模糊，耐候钢X光图像的亮度越大，透射率越低于真实值，因此透射率的校正系数就越大，结合耐候钢X光图像的灰度值均值计算耐候钢X光图像的透射率的校正系数，计算公式如下：
Figure 697248DEST_PATH_IMAGE002
式中：
Figure 167544DEST_PATH_IMAGE003
表示耐候钢X光图像透射率的校正系数，
Figure 818974DEST_PATH_IMAGE004
表示耐候钢X光图像的灰度值均值，
Figure 956694DEST_PATH_IMAGE005
表示耐候钢X光图像的模糊度，
Figure 684479DEST_PATH_IMAGE006
为双曲正切函数。
至此，得到耐候钢X光图像的透射率的校正系数，在后续进行图像增强时，结合耐候钢X光图像的透射率的校正系数对耐候钢X光图像进行去雾处理得到增强后的耐候钢X光图像。
S103、计算各像素点在不同窗口下的灰度差异度
需要说明的是，在设置窗口以及调整窗口大小时，对于耐候钢X光图像中边缘的像素点进行计算的过程中，只根据窗口内存在的像素点进行计算。
根据暗通道先验算法可知，透射率的表达式为：
Figure 642071DEST_PATH_IMAGE027
其中，
Figure 864236DEST_PATH_IMAGE029
表示以像素点
Figure 856462DEST_PATH_IMAGE021
为中心像素点的窗口区域；
Figure 223990DEST_PATH_IMAGE036
表示耐候钢X光图像的暗通道图像，即取耐候钢X光图像中灰度值的最小值，并以像素点
Figure 183724DEST_PATH_IMAGE021
为中心像素点取
Figure 193269DEST_PATH_IMAGE030
大小的窗口，并取窗口内灰度值最小值代替中心像素点
Figure 40002DEST_PATH_IMAGE021
的灰度值；
Figure 109589DEST_PATH_IMAGE023
表示全局信息变量，在根据得到自适应窗口后生成的暗通道图中，按照灰度值从大到小排列，取前0.1%的像素点，将选取的像素点对应在耐候钢X光图像中最高灰度值，将该最高灰度值作为全局信息变量
Figure 523997DEST_PATH_IMAGE023
。
由上可知，窗口大小
Figure 337232DEST_PATH_IMAGE030
的选取对于暗通道先验去雾算法的去雾效果极为重要，其中
Figure 304051DEST_PATH_IMAGE030
越大，则代表含有较优的暗通道值得概率越大。
本实施例根据耐候钢X光图像的图像特征根据设定的步长对窗口大小进行自适应调整，由于耐候钢X光图像内焊缝区域的灰度值较低，因此，若窗口内出现边缘的概率越大，且窗口内灰度值均值越低，则较小的窗口即可得到较优的暗通道，所以，对每个像素点在不同窗口下的灰度差异度进行分析，根据每个像素点在不同窗口下的灰度差异度确定每个像素点的最优窗口大小。
以
Figure 278960DEST_PATH_IMAGE014
作为窗口大小进行分析计算，统计窗口内中心像素点（即求解透射率的数据点）在窗口内与其他各个像素点之间的灰度差异值
Figure DEST_PATH_IMAGE037
，通过设置灰度差异值阈值
Figure 416549DEST_PATH_IMAGE038
，对于窗口小于灰度差异度阈值
Figure 767896DEST_PATH_IMAGE038
的像素点设置灰度差异权重
Figure DEST_PATH_IMAGE039
，对于窗口内大于等于灰度差异值阈值
Figure 808796DEST_PATH_IMAGE038
的像素点设置灰度差异权重
Figure 954606DEST_PATH_IMAGE040
，并计算窗口内所有像素点的灰度差异值均值，作为当前窗口中心像素点的灰度差异度
Figure DEST_PATH_IMAGE041
，中心像素点的灰度差异度越大，该窗口内出现边缘的概率就越大。
1.计算当前窗口下中心像素点与窗口内其他像素点的灰度差异值
获取中心像素点与初始窗口内每个像素点的灰度值，对中心像素点与初始窗口内每个像素点的灰度值的差值绝对值进行归一化处理，将归一化处理后的灰度值的差值绝对值作为中心像素点与初始窗口内该像素点的灰度差异值，所述归一化处理的方法为利用双曲正切函数进行归一化。
中心像素点与窗口内其他像素点的灰度差异值计算公式如下：
Figure 313912DEST_PATH_IMAGE042
式中：
Figure DEST_PATH_IMAGE043
表示耐候钢X光图像中第
Figure 937792DEST_PATH_IMAGE013
个像素点与窗口大小为
Figure 613624DEST_PATH_IMAGE014
的窗口中的第
Figure 773795DEST_PATH_IMAGE044
个像素点的灰度差异值，
Figure DEST_PATH_IMAGE045
表示耐候钢X光图像中第
Figure 371130DEST_PATH_IMAGE013
个像素点的灰度值，
Figure 47968DEST_PATH_IMAGE046
为在以耐候钢X光图像中第
Figure 843886DEST_PATH_IMAGE013
个像素点为中心像素点的窗口大小为
Figure 597078DEST_PATH_IMAGE014
的窗口中的第
Figure 698020DEST_PATH_IMAGE044
个像素点的灰度值，
Figure 194861DEST_PATH_IMAGE006
为双曲正切函数。
根据此方法得到耐候钢X光图像中每个像素点在当前窗口下与窗口内其他像素点的灰度差异值。
2. 计算各像素点在当前窗口下的灰度差异度
获取灰度差异值阈值，分别对窗口中与中心像素点的灰度差异值小于灰度差异值阈值和大于等于灰度差异值阈值的像素点设置不同的灰度差异权重值；
将窗口中与中心像素点的灰度差异值小于灰度差异值阈值的像素点的灰度差异值求和后与小于灰度差异值阈值的灰度差异权重值相乘，将窗口中与中心像素点的灰度差异值大于等于灰度差异值阈值的像素点的灰度差异值求和后与大于等于灰度差异值阈值的灰度差异权重值相乘；
将得到的两个乘积之和与窗口内除中心像素点的像素点数量之商作为该中心像素点在该窗口大小下的灰度差异度；
根据上述方法得到每个像素点在不同大小窗口下的灰度差异度。
像素点在不同大小窗口内的灰度差异度的计算公式如下：
Figure 845285DEST_PATH_IMAGE048
式中：
Figure DEST_PATH_IMAGE049
表示耐候钢X光图像中第
Figure 956329DEST_PATH_IMAGE013
个像素点在窗口大小为
Figure 324994DEST_PATH_IMAGE014
时的灰度差异度，
Figure 359946DEST_PATH_IMAGE039
表示第
Figure 612679DEST_PATH_IMAGE013
个像素点的窗口内小于灰度差异值阈值的像素点的灰度差异权重值，
Figure 707674DEST_PATH_IMAGE040
表示第
Figure 32476DEST_PATH_IMAGE013
个像素点的窗口内大于等于灰度差异值阈值的像素点的灰度差异权重值，
Figure 871119DEST_PATH_IMAGE050
表示第
Figure 745403DEST_PATH_IMAGE013
个像素点的窗口内小于灰度差异值阈值的像素点，
Figure DEST_PATH_IMAGE051
表示第
Figure 480141DEST_PATH_IMAGE013
个像素点的窗口内小于灰度差异值阈值的像素点的序号，
Figure 42972DEST_PATH_IMAGE052
表示第
Figure 419726DEST_PATH_IMAGE013
个像素点的窗口内小于灰度差异值阈值的像素点的数量，
Figure DEST_PATH_IMAGE053
表示第
Figure 102512DEST_PATH_IMAGE013
个像素点的窗口内大于等于灰度差异值阈值的像素点，
Figure 788577DEST_PATH_IMAGE054
表示第
Figure 353550DEST_PATH_IMAGE013
个像素点的窗口内大于等于灰度差异值阈值的像素点的序号，
Figure DEST_PATH_IMAGE055
表示第
Figure 490920DEST_PATH_IMAGE013
个像素点的窗口内大于等于灰度差异值阈值的像素点的数量。
其中
Figure 90529DEST_PATH_IMAGE039
和
Figure 698228DEST_PATH_IMAGE040
的值根据第
Figure 219339DEST_PATH_IMAGE013
个窗口中小于阈值的像素点的个数
Figure 452743DEST_PATH_IMAGE052
和大于等于阈值的像素点个数
Figure 906858DEST_PATH_IMAGE055
计算得到的：
Figure 685458DEST_PATH_IMAGE056
,
Figure DEST_PATH_IMAGE057
。
3. 计算各像素点在不同窗口下的灰度差异度
对窗口大小
Figure 179019DEST_PATH_IMAGE014
以设置步长进行调整得到新的窗口大小，本实施例中设置步长为2，即新窗口大小为
Figure 701267DEST_PATH_IMAGE058
，依此类推对窗口大小进行调整，得到不同窗口下中心像素点在不同窗口下的灰度差异度，即得到耐候钢X光图像中每个像素点在不同窗口下的灰度差异度。
S104、对耐候钢X光图像进行自适应增强
1.获取耐候钢X光图像中每个像素点的最优窗口
窗口内包含有暗色像素点的概率越大，出现边缘的概率越大，窗口内灰度值差异小，暗通道窗口越优。因此，根据每个像素点在不同窗口下的灰度差异度和对应窗口内所有像素点的灰度值均值计算每个像素点对于不同窗口的优选程度：
对每个像素点在不同大小窗口中的所有像素点的灰度值均值
Figure 744309DEST_PATH_IMAGE007
进行归一化处理，计算每个像素点在不同窗口中归一化处理后的所有像素点的灰度值均值
Figure DEST_PATH_IMAGE059
与该像素点在该窗口下的灰度差异度
Figure 411920DEST_PATH_IMAGE009
的乘积，将得到的乘积作为计算该像素点对应该窗口的优选程度的优选指标，得到该像素点对应不同窗口的优选指标
Figure 438782DEST_PATH_IMAGE060
；
分别获取该像素点在不同大小窗口中优选指标的最大值与最小值计算对该像素点进行图像增强时的最优窗口，计算公式如下：
Figure DEST_PATH_IMAGE061
式中：
Figure 450207DEST_PATH_IMAGE062
表示耐候钢X光图像中第
Figure 878914DEST_PATH_IMAGE013
个像素点对应的
Figure 999317DEST_PATH_IMAGE014
大小的窗口的优选程度，
Figure DEST_PATH_IMAGE063
为耐候钢X光图像中第
Figure 700425DEST_PATH_IMAGE013
个像素点对应的
Figure 564476DEST_PATH_IMAGE014
大小的窗口的优选指标，
Figure 847690DEST_PATH_IMAGE064
表示耐候钢X光图像中第
Figure 889727DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最小值，
Figure DEST_PATH_IMAGE065
表示耐候钢X光图像中第
Figure 828864DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最大值；
将每个像素点对应的不同大小窗口的优选程度的最大值对应的窗口大小作为对该像素点进行图像增强时的最优窗口。
其中，
Figure 496605DEST_PATH_IMAGE049
表示耐候钢X光图像中第
Figure 883593DEST_PATH_IMAGE013
个像素点在窗口大小为
Figure 345799DEST_PATH_IMAGE014
时的灰度差异度，
Figure 568970DEST_PATH_IMAGE066
表示耐候钢X光图像中第
Figure 40402DEST_PATH_IMAGE013
个像素点对应
Figure 508993DEST_PATH_IMAGE014
大小的窗口中所有像素点的灰度值均值，
Figure 142100DEST_PATH_IMAGE009
表示耐候钢X光图像中第
Figure 852567DEST_PATH_IMAGE013
个像素点对应的不同大小窗口的灰度差异度，
Figure 845799DEST_PATH_IMAGE007
表示耐候钢X光图像中第
Figure 692533DEST_PATH_IMAGE013
个像素点对应的不同大小窗口中所有像素点的灰度值均值。
至此，可以得到每个像素点下每个窗口大小下优选程度。选择最大优选程度的即为该像素点的最优的窗口。
2.计算耐候钢X光图像中每个像素点的透射率
获取每个中心像素点的最优窗口中所有像素点的灰度值最小值，将得到的最小灰度值赋值给中心像素点得到该中心像素点的重置灰度值，完成对中心像素点的灰度值的重置；
根据耐候钢X光图像中每个像素点重置后的灰度值得到耐候钢X光图像的暗通道图像；
根据中心像素点在最优窗口下的重置灰度值计算该中心像素点的透射率，计算公式如下：
Figure 762120DEST_PATH_IMAGE027
式中：
Figure 179457DEST_PATH_IMAGE024
为耐候钢X光图像中第
Figure 992692DEST_PATH_IMAGE021
个像素点的透射率，
Figure 693932DEST_PATH_IMAGE028
表示耐候钢X光图像中第
Figure 668841DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点的灰度值集合，
Figure 337589DEST_PATH_IMAGE029
表示耐候钢X光图像中第
Figure 688936DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点集合，
Figure 244682DEST_PATH_IMAGE030
表示耐候钢X光图像中第
Figure 403875DEST_PATH_IMAGE021
个像素点最优窗口的尺寸，
Figure 310651DEST_PATH_IMAGE023
表示全局信息量，对耐候钢X光图像的暗通道图像中的灰度值按照从大到小排列，取前0.1%的像素点，将选取的像素点对应在耐候钢X光图像中最高灰度值，将该最高灰度值作为全局信息变量
Figure 465688DEST_PATH_IMAGE023
。
根据此方法得到耐候钢X光图像中每个像素点的透射率。
3. 对耐候钢X光图像进行自适应增强
根据暗通道先验算法可知，未处理的耐候钢X光图像可表示为：
Figure 141520DEST_PATH_IMAGE068
式中：
Figure DEST_PATH_IMAGE069
表示耐候钢X光图像中第
Figure 441921DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 570414DEST_PATH_IMAGE020
表示增强后耐候钢X光图像中第
Figure 263563DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 810213DEST_PATH_IMAGE024
表示耐候钢X光图像中第
Figure 297826DEST_PATH_IMAGE021
个像素点的透射率，
Figure DEST_PATH_IMAGE071
表示全局信息变量，对耐候钢X光图像的暗通道图像中的灰度值按照从大到小排列，取前0.1%的像素点，将选取的像素点对应在耐候钢X光图像中最高灰度值，将该最高灰度值作为全局信息变量。
根据耐候钢X光图像中每个像素点的充值灰度值、透射率以及透射率校正系数对耐候钢X光图像进行图像增强。
增强后的图像可表示为：
Figure 631725DEST_PATH_IMAGE019
式中：
Figure 128565DEST_PATH_IMAGE020
表示增强后耐候钢X光图像中第
Figure 778989DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 703083DEST_PATH_IMAGE022
表示耐候钢X光图像中第
Figure 559830DEST_PATH_IMAGE021
个像素点的重置灰度值，
Figure 594782DEST_PATH_IMAGE023
表示全局信息变量，对耐候钢X光图像的暗通道图像中的灰度值按照从大到小排列，取前0.1%的像素点，将选取的像素点对应在耐候钢X光图像中最高灰度值，将该最高灰度值作为全局信息变量，
Figure 99713DEST_PATH_IMAGE024
表示耐候钢X光图像中第
Figure 194708DEST_PATH_IMAGE021
个像素点的透射率，
Figure 34357DEST_PATH_IMAGE003
表示透射率的校正系数，
Figure 607421DEST_PATH_IMAGE025
表示选取最大值，
Figure 232437DEST_PATH_IMAGE026
为设定的透射率阈值，是为了避免透射率过小导致去雾效果较差图像还是较为模糊对后续检测结果的影响较大，本实施例中
Figure 249066DEST_PATH_IMAGE072
。
根据该方法对耐候钢X光图像中每个像素点结合每个像素点的最优窗口进行增强得到增强后耐候钢X光图像。
S105、对耐候钢焊缝进行质量检测
对增强后的耐候钢X光图像进行OTSU阈值分割算法得到分割阈值，根据分割阈值对增强后的耐候钢X光图像进行阈值分割得到耐候钢X光二值图像，将耐候钢X光二值图像中形成的连通域作为焊缝区域；
若焊缝区域中存在像素值为0的像素点，则该焊缝中存在气孔缺陷，说明该耐候钢的焊缝质量不合格；
若焊缝区域中不存在像素值为0的像素点，则该焊缝不存在气孔缺陷，说明该耐候钢的焊缝质量合格。
以上所述仅为本发明的较佳实施例而已，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 (9)

1.基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，包括：
S1：获取耐候钢X光图像；
S2：得到耐候钢X光图像透射率的校正系数：
根据耐候钢X光图像中的灰度值以及每个灰度值的频率计算耐候钢X光图像的模糊度；
利用得到的耐候钢X光图像的模糊度和灰度值均值得到耐候钢X光图像透射率的校正系数；
S3：对耐候钢X光图像进行自适应图像增强：
S301、预设初始窗口；
S302、以耐候钢X光图像中的每个像素点为初始窗口的中心像素点，利用初始窗口内每个像素点的灰度值得到每个像素点在初始窗口内的灰度差异度；
S303、调整初始窗口的大小，得到不同大小的窗口，重复S302得到每个像素点在不同大小窗口内的灰度差异度；
S304、根据该像素点在不同大小窗口内的灰度差异度获取该像素点的最优窗口，根据最优窗口大小对该像素点的灰度值进行重置，根据该像素点重置后的灰度值计算该像素点的透射率；
S305、根据每个像素点重置后的灰度值、透射率以及透射率的校正系数对每个像素点进行增强处理得到每个像素点增强后的灰度值，得到增强后的耐候钢X光图像；
S4：对增强后的耐候钢X光图像进行阈值分割得到焊缝区域，判断焊缝区域是否存在气孔缺陷。
2.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述计算耐候钢X光图像的模糊度的方法如下：
获取耐候钢X光图像中所有灰度值以及每个灰度值的频率，根据得到的所有灰度值以及每个灰度值的频率计算耐候钢X光图像的信息熵，将耐候钢X光图像的信息熵的倒数作为耐候钢X光图像的模糊度。
3.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述得到耐候钢X光图像透射率的校正系数的方法为：
获取耐候钢X光图像中所有像素点的灰度值均值计算耐候钢X光图像透射率的校正系数，耐候钢X光图像透射率的校正系数的计算公式如下：
Figure 487297DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示耐候钢X光图像透射率的校正系数，
Figure 12563DEST_PATH_IMAGE004
表示耐候钢X光图像的灰度值均值，
Figure DEST_PATH_IMAGE005
表示耐候钢X光图像的模糊度，
Figure 165326DEST_PATH_IMAGE006
为双曲正切函数。
4.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述每个像素点在不同大小窗口内的灰度差异度的计算方法如下：
获取不同窗口中每个像素点的灰度值，计算不同窗口中每个像素点与中心像素点的灰度差异值；
设置灰度差异值阈值，分别对窗口中与中心像素点的灰度差异值小于灰度差异值阈值和大于等于灰度差异值阈值的像素点设置不同的灰度差异权重值；
将窗口中与中心像素点的灰度差异值小于灰度差异值阈值的像素点的灰度差异值求和后与小于灰度差异值阈值的灰度差异权重值相乘，将窗口中与中心像素点的灰度差异值大于等于灰度差异值阈值的像素点的灰度差异值求和后与大于等于灰度差异值阈值的灰度差异权重值相乘；
将得到的两个乘积之和与窗口内除中心像素点的像素点数量之商作为该中心像素点在该窗口大小下的灰度差异度；
根据上述方法得到每个像素点在不同大小窗口下的灰度差异度。
5.根据权利要求4所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述不同窗口中每个像素点与中心像素点的灰度差异值的获取方法为：
获取中心像素点与不同窗口内每个像素点的灰度值，对中心像素点与不同窗口内每个像素点的灰度值的差值绝对值进行归一化处理，将归一化处理后的灰度值的差值绝对值作为中心像素点与不同窗口内该像素点的灰度差异值，所述归一化处理的方法为利用双曲正切函数进行归一化。
6.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述获取该像素点的最优窗口的方法如下：
对每个像素点在不同大小窗口中的所有像素点的灰度值均值
Figure DEST_PATH_IMAGE007
进行归一化处理，计算每个像素点在不同窗口中归一化处理后的所有像素点的灰度值均值
Figure 598713DEST_PATH_IMAGE008
与该像素点在该窗口下的灰度差异度
Figure DEST_PATH_IMAGE009
的乘积，将得到的乘积作为计算该像素点对应该窗口的优选程度的优选指标，得到该像素点对应不同窗口的优选指标
Figure 599686DEST_PATH_IMAGE010
；
分别获取该像素点在不同大小窗口中优选指标的最大值与最小值计算对该像素点进行图像增强时的最优窗口，计算公式如下：
Figure DEST_PATH_IMAGE011
式中：
Figure 372601DEST_PATH_IMAGE012
表示耐候钢X光图像中第
Figure DEST_PATH_IMAGE013
个像素点对应的
Figure 368370DEST_PATH_IMAGE014
大小的窗口的优选程度，
Figure DEST_PATH_IMAGE015
为耐候钢X光图像中第
Figure 757894DEST_PATH_IMAGE013
个像素点对应的
Figure 215420DEST_PATH_IMAGE014
大小的窗口的优选指标，
Figure 839912DEST_PATH_IMAGE016
表示耐候钢X光图像中第
Figure 521429DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最小值，
Figure DEST_PATH_IMAGE017
表示耐候钢X光图像中第
Figure 132670DEST_PATH_IMAGE013
个像素点对应的所有窗口的优选指标的最大值；
将每个像素点对应的不同大小窗口的优选程度的最大值对应的窗口大小作为对该像素点进行图像增强时的最优窗口。
7.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述根据每个像素点重置后的灰度值、透射率以及透射率的校正系数对每个像素点进行增强处理的计算公式如下：
Figure DEST_PATH_IMAGE019
式中：
Figure 144619DEST_PATH_IMAGE020
表示增强后耐候钢X光图像中第
Figure DEST_PATH_IMAGE021
个像素点的灰度值，
Figure 141394DEST_PATH_IMAGE022
表示耐候钢X光图像中第
Figure 682228DEST_PATH_IMAGE021
个像素点的重置灰度值，
Figure DEST_PATH_IMAGE023
表示全局信息变量，
Figure 498874DEST_PATH_IMAGE024
表示耐候钢X光图像中第
Figure 767045DEST_PATH_IMAGE021
个像素点的透射率，
Figure 829111DEST_PATH_IMAGE003
表示透射率的校正系数，
Figure DEST_PATH_IMAGE025
表示选取最大值，
Figure 586851DEST_PATH_IMAGE026
为设定的透射率阈值。
8.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述中心像素点的透射率的计算过程如下：
获取该中心像素点的最优窗口中所有像素点的灰度值最小值，将得到的最小灰度值赋值给中心像素点得到该中心像素点的重置灰度值，完成对中心像素点的灰度值的重置；
根据中心像素点在最优窗口下的重置灰度值计算该中心像素点的透射率，计算公式如下：
Figure DEST_PATH_IMAGE027
式中：
Figure 907106DEST_PATH_IMAGE024
为耐候钢X光图像中第
Figure 713387DEST_PATH_IMAGE021
个像素点的透射率，
Figure 638749DEST_PATH_IMAGE028
表示耐候钢X光图像中第
Figure 770653DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点的灰度值集合，
Figure 30733DEST_PATH_IMAGE023
表示全局信息量，
Figure DEST_PATH_IMAGE029
表示耐候钢X光图像中第
Figure 188176DEST_PATH_IMAGE021
个像素点对应的最优窗口中的像素点集合，
Figure DEST_PATH_IMAGE031
表示耐候钢X光图像中第
Figure 14050DEST_PATH_IMAGE021
个像素点最优窗口的尺寸。
9.根据权利要求1所述的基于X射线探伤的耐候钢焊缝质量检测方法，其特征在于，所述对增强后的耐候钢X光图像进行阈值分割对焊缝区域进行缺陷检测的过程如下：
对增强后的耐候钢X光图像进行OTSU阈值分割算法得到分割阈值，根据分割阈值对增强后的耐候钢X光图像进行阈值分割得到耐候钢X光二值图像，将耐候钢X光二值图像中形成的连通域作为焊缝区域；
若焊缝区域中存在像素值为0的像素点，则该焊缝中存在气孔缺陷；
若焊缝区域中不存在像素值为0的像素点，则该焊缝不存在气孔缺陷。
CN202210888144.XA 2022-07-27 2022-07-27 基于x射线探伤的耐候钢焊缝质量检测方法 Active CN115063404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888144.XA CN115063404B (zh) 2022-07-27 2022-07-27 基于x射线探伤的耐候钢焊缝质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888144.XA CN115063404B (zh) 2022-07-27 2022-07-27 基于x射线探伤的耐候钢焊缝质量检测方法

Publications (2)

Publication Number Publication Date
CN115063404A true CN115063404A (zh) 2022-09-16
CN115063404B CN115063404B (zh) 2022-11-08

Family

ID=83205847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888144.XA Active CN115063404B (zh) 2022-07-27 2022-07-27 基于x射线探伤的耐候钢焊缝质量检测方法

Country Status (1)

Country Link
CN (1) CN115063404B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法
CN115689948A (zh) * 2023-01-05 2023-02-03 济宁智诚物业管理有限公司 用于检测建筑供水管道裂痕的图像增强方法
CN115880302A (zh) * 2023-03-08 2023-03-31 杭州智源电子有限公司 基于图像分析的仪表盘焊接质量检测方法
CN115937204A (zh) * 2023-01-09 2023-04-07 江苏惠汕新能源集团有限公司 一种焊管生产质量检测方法
CN115984267A (zh) * 2023-03-20 2023-04-18 青岛鼎信通讯科技有限公司 一种适用于超声水表的注塑气泡检测方法
CN116342635A (zh) * 2023-05-26 2023-06-27 山东省地质矿产勘查开发局第一地质大队（山东省第一地质矿产勘查院） 一种地质测绘中裂缝轮廓提取方法
CN116385476A (zh) * 2023-06-05 2023-07-04 青岛星跃铁塔有限公司 基于视觉检测的铁塔质量分析方法
CN116703787A (zh) * 2023-08-09 2023-09-05 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116993744A (zh) * 2023-09-28 2023-11-03 张家港思复安全科技有限公司 一种基于阈值分割的焊缝缺陷检测方法
CN117635604A (zh) * 2024-01-23 2024-03-01 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140169685A1 (en) * 2012-12-14 2014-06-19 National Central University Method of enhancing an image matching result using an image classification technique
CN107203980A (zh) * 2017-05-31 2017-09-26 常州工学院 自适应多尺度暗通道先验的水下目标探测图像增强方法
US20180232862A1 (en) * 2015-09-29 2018-08-16 Fujifilm Corporation Image processing device and image processing method
CN108765309A (zh) * 2018-04-26 2018-11-06 长安大学 基于暗通道的线状自适应改进全局大气光的图像去雾方法
AU2020103673A4 (en) * 2020-11-25 2021-02-04 @ Sankaran, K.Sakthidasan Dr Intuitionistic fuzzy based deep learning model for visual interpretation of low dose x-ray image
CN112907461A (zh) * 2021-01-26 2021-06-04 中国科学院上海技术物理研究所 一种红外雾天降质图像去雾增强方法
CN114235825A (zh) * 2022-02-24 2022-03-25 武汉祥文钢材制品有限公司 一种基于计算机视觉的钢丝绳质量检测方法
CN114549441A (zh) * 2022-02-14 2022-05-27 中船重工鹏力（南京）智能装备系统有限公司 基于图像处理的吸管缺陷检测方法
CN114677289A (zh) * 2021-09-24 2022-06-28 西安电子科技大学 一种图像去雾方法、系统、计算机设备、存储介质及终端

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140169685A1 (en) * 2012-12-14 2014-06-19 National Central University Method of enhancing an image matching result using an image classification technique
US20180232862A1 (en) * 2015-09-29 2018-08-16 Fujifilm Corporation Image processing device and image processing method
CN107203980A (zh) * 2017-05-31 2017-09-26 常州工学院 自适应多尺度暗通道先验的水下目标探测图像增强方法
CN108765309A (zh) * 2018-04-26 2018-11-06 长安大学 基于暗通道的线状自适应改进全局大气光的图像去雾方法
AU2020103673A4 (en) * 2020-11-25 2021-02-04 @ Sankaran, K.Sakthidasan Dr Intuitionistic fuzzy based deep learning model for visual interpretation of low dose x-ray image
CN112907461A (zh) * 2021-01-26 2021-06-04 中国科学院上海技术物理研究所 一种红外雾天降质图像去雾增强方法
CN114677289A (zh) * 2021-09-24 2022-06-28 西安电子科技大学 一种图像去雾方法、系统、计算机设备、存储介质及终端
CN114549441A (zh) * 2022-02-14 2022-05-27 中船重工鹏力（南京）智能装备系统有限公司 基于图像处理的吸管缺陷检测方法
CN114235825A (zh) * 2022-02-24 2022-03-25 武汉祥文钢材制品有限公司 一种基于计算机视觉的钢丝绳质量检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGYU LU 等: "Multi-scale adversarial network for underwater image restoration", 《ELSEVIER》 *
乔小燕等: "一种改进的全局Retinex图像增强算法及其仿真研究", 《系统仿真学报》 *
赵静: "基于自适应阈值改进暗通道先验图像增强技术", 《电视技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法
CN115351598B (zh) * 2022-10-17 2024-01-09 安徽金锘轴承制造有限公司 一种数控机床轴承检测方法
CN115689948A (zh) * 2023-01-05 2023-02-03 济宁智诚物业管理有限公司 用于检测建筑供水管道裂痕的图像增强方法
CN115937204A (zh) * 2023-01-09 2023-04-07 江苏惠汕新能源集团有限公司 一种焊管生产质量检测方法
CN115937204B (zh) * 2023-01-09 2023-05-02 江苏惠汕新能源集团有限公司 一种焊管生产质量检测方法
CN115880302A (zh) * 2023-03-08 2023-03-31 杭州智源电子有限公司 基于图像分析的仪表盘焊接质量检测方法
CN115984267A (zh) * 2023-03-20 2023-04-18 青岛鼎信通讯科技有限公司 一种适用于超声水表的注塑气泡检测方法
CN116342635B (zh) * 2023-05-26 2023-08-08 山东省地质矿产勘查开发局第一地质大队（山东省第一地质矿产勘查院） 一种地质测绘中裂缝轮廓提取方法
CN116342635A (zh) * 2023-05-26 2023-06-27 山东省地质矿产勘查开发局第一地质大队（山东省第一地质矿产勘查院） 一种地质测绘中裂缝轮廓提取方法
CN116385476A (zh) * 2023-06-05 2023-07-04 青岛星跃铁塔有限公司 基于视觉检测的铁塔质量分析方法
CN116385476B (zh) * 2023-06-05 2023-08-18 青岛星跃铁塔有限公司 基于视觉检测的铁塔质量分析方法
CN116703787A (zh) * 2023-08-09 2023-09-05 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116703787B (zh) * 2023-08-09 2023-10-31 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116993744A (zh) * 2023-09-28 2023-11-03 张家港思复安全科技有限公司 一种基于阈值分割的焊缝缺陷检测方法
CN116993744B (zh) * 2023-09-28 2024-02-09 张家港思复安全科技有限公司 一种基于阈值分割的焊缝缺陷检测方法
CN117635604A (zh) * 2024-01-23 2024-03-01 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法
CN117635604B (zh) * 2024-01-23 2024-04-05 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法

Also Published As

Publication number Publication date
CN115063404B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115063404B (zh) 基于x射线探伤的耐候钢焊缝质量检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN115511889B (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN115690108B (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN116109644B (zh) 用于铜铝转接排的表面缺陷检测方法
CN116385445B (zh) 一种基于视觉技术的电镀五金件瑕疵检测方法
CN108827969A (zh) 金属零件表面缺陷检测与识别方法及装置
CN115719332A (zh) 一种焊接质量检测方法
CN115861290B (zh) 一种肤感木门表面缺陷检测方法
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN115689948B (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN113989257A (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN116433669A (zh) 基于机器视觉的抗震结构钢架焊缝质量检测方法
CN117291919B (zh) 一种钢轨螺栓表面润滑脂视觉检测方法
CN116152261B (zh) 一种印刷制品质量的视觉检测系统
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN116342586A (zh) 基于机器视觉的路面质量检测方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN117237350B (zh) 一种铸钢件质量实时检测方法
CN111445434B (zh) 一种金属工件等级分选系统的图像处理方法
CN117152129A (zh) 一种电池盖板的表面缺陷视觉检测方法及系统

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