CN115082445B - 一种建筑防水卷材表面缺陷检测方法 - Google Patents

一种建筑防水卷材表面缺陷检测方法 Download PDF

Info

Publication number
CN115082445B
CN115082445B CN202210874111.XA CN202210874111A CN115082445B CN 115082445 B CN115082445 B CN 115082445B CN 202210874111 A CN202210874111 A CN 202210874111A CN 115082445 B CN115082445 B CN 115082445B
Authority
CN
China
Prior art keywords
point
clustering
pixel
points
value
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
CN202210874111.XA
Other languages
English (en)
Other versions
CN115082445A (zh
Inventor
肖洁
陆保印
郑自强
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.)
Shandong Xiaochen Chemical Technology Co.,Ltd.
Original Assignee
Shandong Lutai Waterproof Technology 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 Shandong Lutai Waterproof Technology Co ltd filed Critical Shandong Lutai Waterproof Technology Co ltd
Priority to CN202210874111.XA priority Critical patent/CN115082445B/zh
Publication of CN115082445A publication Critical patent/CN115082445A/zh
Application granted granted Critical
Publication of CN115082445B publication Critical patent/CN115082445B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种建筑防水卷材表面缺陷检测方法。该方法通过对建筑防水卷材的灰度图像进行分析得到其中的二次异常点，根据灰度值以及欧式距离对聚类距离进行更新，然后获取利用初始聚类中心点得到的簇内的优选中心点，基于优选中心点以及更新后的聚类距离进行重新聚类得到多个新簇，获取每个新簇内的新优选中心点，直至新优选中心点与优选中心点属于同一个像素点得到最优聚类中心点；通过最优聚类中心点与更新后的聚类距离进行自适应聚类得到的多个类别区域为起鼓缺陷区域，进一步获取建筑防水卷材的缺陷严重程度进行相应的修补；减少了建筑防水卷材的浪费并且提高缺陷检测的准确性。

Description

一种建筑防水卷材表面缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种建筑防水卷材表面缺陷检测方法。
背景技术
建筑防水卷材主要是用于建筑墙体、屋面、隧道、公路以及垃圾填埋场等地方，是一种抵御雨水、地下水渗漏的柔性建材产品，可用于工程基础与建筑物之间无渗漏连接，是整个工程防水的第一道屏障，对整个工程起着至关重要的作用。
但是当防水卷材表面出现起鼓缺陷时，不仅影响防水卷材的外观效果同时也会导致防水卷材的防水性能变差，因此需要对防水卷材进行起鼓缺陷检测；现有技术中往往通过图像处理对防水卷材表面图像的像素点进行分析得到缺陷像素点，由缺陷像素点构成的区域即为缺陷区域。但是由于起鼓缺陷区域可能会存在黏连使得判断不准确，例如两个小区域的边缘粘连而被判定为一个缺陷区域，而缺陷区域的大小对建筑防水卷材的影响不同，直接根据缺陷像素点判断不够准确，因此提出通过聚类的手段对缺陷像素点进行类别划分，而传统的聚类方法仅考虑到空间上的距离因素进行划分，聚类的效果较差且最终结果仍然存在较大误差。
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建筑防水卷材表面缺陷检测方法，该方法包括以下步骤：
采集建筑防水卷材的表面图像，对所述表面图像进行语义分割得到卷材图像，获取所述卷材图像对应的灰度图像；
获取所述灰度图像中每个像素点对应的梯度幅值，将所述梯度幅值大于预设阈值的像素点标记为初步异常点；获取每个所述初步异常点与其八邻域内像素点之间的灰度差值，根据灰度差值得到所述初步异常点的混乱程度，当所述初步异常点的混乱程度大于混乱阈值时，所述初步异常点为二次异常点；
对所有的二次异常点进行自适应聚类得到多个类别，每个类别区域为所述建筑防水卷材的起鼓缺陷区域；
其中，所述对所有的二次异常点进行自适应聚类得到多个类别的方法为：
设定初始聚类中心点对所有的二次异常点聚类得到多个簇，获取每个所述簇的优选中心点；计算每个二次异常点与任意所述优选中心点之间的聚类距离，基于所有所述优选中心点以及所述聚类距离对所有的二次异常点进行重新聚类得到多个新簇；
获取每个新簇内的新优选中心点，当所述新优选中心点与所述优选中心点为同一个像素点时，所述新优选中心点为最优聚类中心点；当所述新优选中心点与所述优选中心点不为同一个像素点时，以所述新优选中心点作为优选中心点进行重新聚类，直至所述新优选中心点与所述优选中心点为同一个像素点；
根据所述最优聚类中心点与所述聚类距离对所有的二次异常点进行聚类得到多个类别。
优选的，所述获取每个所述簇的优选中心点的步骤，包括：
统计每个所述簇内任意像素点的投票信息得到每个像素点对应的投票值；
过任意像素点作
Figure 283361DEST_PATH_IMAGE001
条直线，
Figure 186595DEST_PATH_IMAGE001
为正整数；每条直线与所述簇的边缘相交于两点，获取 这两点分别与所述像素点之间的欧式距离构成一组距离点对，每个所述像素点对应
Figure 460582DEST_PATH_IMAGE001
组距 离点对；
计算每组距离点对中两个欧式距离之间的差值，获取所有组距离点对的差值的和；计算所述像素点对应的投票值与混乱程度的乘积，所述乘积与所述差值的和的比值为所述像素点的优选值；
所述簇内优选值最大的像素点为所述优选中心点。
优选的，所述统计每个所述簇内任意像素点的投票信息得到每个像素点对应的投票值的步骤，包括：
选取所述簇的边缘上的任意一个边缘点，计算所述簇内所有像素点与所述边缘点之间的灰度差值，选取灰度差值最大时对应的像素点为目标点，以所述边缘点为起点，所述目标点为终点构建所述边缘点对应的方向向量；
获取所述簇的边缘上所有边缘点的方向向量，当任意两个方向向量之间存在交点时，所述交点具有投票信息，统计每个所述交点对应的方向向量的数量，方向向量的数量为所述交点的投票值。
优选的，所述计算每个二次异常点与任意所述优选中心点之间的聚类距离的步骤，包括：
获取每个二次异常点与所述优选中心点之间的欧式距离，计算二次异常点的灰度值与所述优选中心点的灰度值的比值；
所述聚类距离与所述比值呈正相关关系，所述聚类距离与所述欧式距离呈负相关关系。
优选的，所述根据灰度差值得到所述初步异常点的混乱程度的步骤，包括：
统计每个初步异常点与其八邻域像素点之间不同数值的灰度差值的数量，计算所有灰度差值的平方的和，计算所有灰度差值的平方的和与不同数值的灰度差值的数量的乘积，所述混乱程度与所述乘积呈正相关关系。
优选的，所述每个类别区域为所述建筑防水卷材的起鼓缺陷区域的步骤之后，还包括：
获取每个所述起鼓缺陷区域的中心点以及所述建筑防水卷材的灰度图像的图像中心点；计算每个所述起鼓缺陷区域的中心点与所述图像中心点之间的距离；根据所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离获取离散程度；
获取每个所述起鼓缺陷区域的中心点与所述起鼓缺陷区域内每个像素点之间的欧式距离；获取其中欧式距离的最大值；计算所述起鼓缺陷区域的每个像素点的灰度值与所述中心点的灰度值之间的差值，根据差值与最大值计算所述起鼓缺陷区域的损害程度；
获取所有所述起鼓缺陷区域的损害程度之和，计算所述损害程度之和与所述离散程度的乘积得到所述建筑防水卷材的缺陷严重程度。
优选的，所述损害程度的计算为：
Figure DEST_PATH_IMAGE002
其中，
Figure 327038DEST_PATH_IMAGE003
表示起鼓缺陷区域中第
Figure 494714DEST_PATH_IMAGE004
个像素点与中心点Z之间的欧式距离；
Figure 319581DEST_PATH_IMAGE005
表示 起鼓缺陷区域中像素点与中心点Z之间的欧式距离的最大值；
Figure 80864DEST_PATH_IMAGE006
表示起鼓缺陷区域中第
Figure 531437DEST_PATH_IMAGE004
个 像素点的灰度值；
Figure 694565DEST_PATH_IMAGE007
表示起鼓缺陷区域中中心点Z的灰度值；
Figure 687404DEST_PATH_IMAGE008
表示起鼓缺陷区域中所有像 素点的数量；
Figure 935983DEST_PATH_IMAGE009
表示起鼓缺陷区域的损害程度。
优选的，所述根据所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离获取离散程度的步骤，包括：
获取所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离的均值，根据所述均值获取所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离的方差，所述方差为所述离散程度。
本发明具有如下有益效果：通过对建筑防水卷材的灰度图像中的梯度以及混乱程度进行分析，得到经过两次筛选后的二次异常点，提高了对灰度图像中存在缺陷的像素点检测的准确性；然后利用改进的聚类方法对所有的二次异常点进行自适应聚类，通过每个像素点的投票值、混乱程度以及所处位置更新聚类中心点，从而得到最优聚类中心点；结合像素点之间的欧式距离和灰度差异设定聚类距离，根据最优聚类中心点和聚类距离对所有的二次异常点聚类，使得通过聚类分割出的起鼓缺陷区域更加精准，保证了后续基于起鼓缺陷区域处理的可靠性。
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为本发明一个实施例所提供的一种建筑防水卷材表面缺陷检测方法流程图。
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建筑防水卷材表面缺陷检测方法，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。
本申请适用于对建筑防水卷材表面起鼓缺陷区域的检测，对建筑防水卷材的灰度图像进行分析，通过对灰度图像中像素点的二次筛选得到其中的二次异常点，然后基于改进的聚类方法对所有的二次异常点进行自适应聚类得到起鼓缺陷区域，提高了异常点获取的准确性且更准确的聚类分割出每个起鼓缺陷区域。
下面结合附图具体的说明本发明所提供的一种建筑防水卷材表面缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种建筑防水卷材表面缺陷检测方法流程图，该方法包括以下步骤：
步骤S100，采集建筑防水卷材的表面图像，对表面图像进行语义分割得到卷材图像，获取卷材图像对应的灰度图像。
具体的，获取铺设后的建筑防水卷材的表面图像，相机以俯视视角对建筑防水卷材表面图像进行采集；为减少后续分析的计算量，对该表面图像进行目标识别得到其中的建筑防水卷材的卷材图像，本发明实施例中目标识别的方法采用语义分割网络，语义分割网络的训练集为大量的建筑防水卷材的表面图像，具体训练过程如下：
（1）语义分割网络的输入为建筑防水卷材的表面图像；
（2）由专业人员对表面图像中像素点进行标注，背景像素点标注为0，建筑防水卷材像素点标注为1；
（3）损失函数采用交叉熵损失函数；
（4）语义分割网络的输出为仅包括0和1的掩膜图像。
将语义分割网络得到的掩膜图像与建筑防水卷材的表面图像进行相乘得到仅包括建筑防水卷材的卷材图像，去除了背景的干扰。
进一步的，对卷材图像进行加权灰度化处理得到卷材图像对应的灰度图像，加权灰度化处理的具体计算为：
Figure DEST_PATH_IMAGE011
其中，
Figure 393509DEST_PATH_IMAGE012
表示卷材图像中位置为
Figure DEST_PATH_IMAGE013
的像素点对应的灰度值；
Figure 614406DEST_PATH_IMAGE014
表示 卷材图像中位置为
Figure 171289DEST_PATH_IMAGE013
的像素点对应的红色通道值；
Figure DEST_PATH_IMAGE015
表示卷材图像中位置为
Figure 985793DEST_PATH_IMAGE013
的 像素点对应的绿色通道值；
Figure 778168DEST_PATH_IMAGE016
表示卷材图像中位置为
Figure 650309DEST_PATH_IMAGE013
的像素点对应的蓝色通道 值；
Figure DEST_PATH_IMAGE017
表示红色通道的权重；
Figure 581356DEST_PATH_IMAGE018
表示绿色通道的权重；
Figure DEST_PATH_IMAGE019
表示蓝色通道的权重。
作为优选，本发明实施例中设置权重
Figure 151665DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
，
Figure 685414DEST_PATH_IMAGE022
。
以此类推，对卷材图像中所有的像素点进行加权灰度化处理得到对应的灰度值，进而得到卷材图像对应的灰度图像。
步骤S200，获取灰度图像中每个像素点对应的梯度幅值，将梯度幅值大于预设阈值的像素点标记为初步异常点；获取每个初步异常点与其八邻域内像素点之间的灰度差值，根据灰度差值得到初步异常点的混乱程度，当初步异常点的混乱程度大于混乱阈值时，初步异常点为二次异常点。
建筑防水卷材表面起鼓缺陷往往是由于防水卷材与底部之间的粘连或者是防水卷材各层之间的粘连不够牢固，从而粘合力过小出现起鼓缺陷；起鼓缺陷区域往往略高于正常区域，当起鼓缺陷区域较小时，其对应的灰度值微异于其他区域，直接采用阈值的方法难以分割。
获取建筑防水卷材对应的灰度图像中每个像素点对应的梯度幅值，梯度幅值可采 用Sobel算子进行获取，将每个像素点在x方向上的梯度记为
Figure DEST_PATH_IMAGE023
，像素点在y方向上的梯度记 为
Figure 21849DEST_PATH_IMAGE024
；则每个像素点对应的梯度幅值的计算为
Figure DEST_PATH_IMAGE025
；由此可基于Sobel算子获取 灰度图像中每个像素点对应的梯度幅值。
起鼓缺陷区域的像素点会由于起鼓区域内部受到张力影响，导致其内部以及边缘区域像素点往往会存在较大的梯度幅值，而正常区域的像素点对应的梯度幅值较小，因此基于每个像素点的梯度幅值对起鼓缺陷的像素点进行初步判断，将梯度幅值大于预设阈值的像素点记为初步异常点，梯度幅值小于预设阈值的像素点记为正常点。
作为优选，本发明实施例中设置预设阈值T=50，即梯度幅值大于50的像素点为初步异常点。
进一步的，对灰度图像中所有的初步异常点消除孤立噪声点之后再次进行分析，获取每个初步异常点对应的八邻域像素点，计算该初步异常点分别与其八邻域像素点之间的灰度差值，每个初步异常点对应八个灰度差值，统计八个灰度差值中的类别，即统计出现的不同数值的灰度差值的数量，不同数值的灰度差值的数量越多，表明该初步异常点与邻域像素点之间的差值越混乱，由此计算每个初步异常点对应的混乱程度，混乱程度的计算为：
Figure 514010DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示混乱程度；
Figure 37526DEST_PATH_IMAGE028
表示初步异常点的灰度值；
Figure DEST_PATH_IMAGE029
表示初步异常点的八邻域 中第
Figure 640546DEST_PATH_IMAGE030
个像素点的灰度值；
Figure DEST_PATH_IMAGE031
表示初步异常点对应的不同数值的灰度差值的数量。
初步异常点对应的混乱程度越大，表明其与邻域像素点之间的差异越不均匀，其越可能为起鼓缺陷的像素点，因此基于每个初步异常点对应的混乱程度进行二次筛选，当混乱程度大于混乱阈值时，该混乱程度对应的初步异常点为二次异常点，当混乱程度不大于混乱阈值时，则混乱程度对应的初步异常点为正常点。
作为优选，本发明实施例中设置混乱阈值为0.25，即混乱程度大于0.25的初步异常点被标记为二次异常点，混乱程度不大于0.25的初步异常点为正常点；由此获取建筑防水卷材的灰度图像中所有的二次异常点。
需要说明的是，当所有的混乱程度均不大于0.25时，表明建筑防水卷材的灰度图像中不存在起鼓缺陷区域。
步骤S300，对所有的二次异常点进行自适应聚类得到多个类别，每个类别区域为建筑防水卷材的起鼓缺陷区域。
由步骤S200中获取到建筑防水卷材的灰度图像中所有二次异常点，由于起鼓缺陷区域的边缘像素点往往会连接在一起，因此得到的所有二次异常点可能属于多个起鼓缺陷区域，且不同大小的起鼓缺陷区域对建筑防水卷材的整体缺陷程度的影响不同，因此对所有的二次异常点进行聚类得到多个类别，从而根据每个类别中像素点区域得到具体的起鼓缺陷区域。而传统的k-means聚类算法往往是基于像素点之间的距离进行分类，很容易将属于两个起鼓缺陷区域但距离较近的像素点划分为同一类别，聚类效果较差，因此本发明实施例中对k-means聚类算法进行改进，利用自适应聚类算法对所有的二次异常点进行类别划分。
利用自适应聚类算法对所有的二次异常点进行类别划分的具体方法为：
首先，随机设定初始聚类中心点，以该初始聚类中心点对所有的二次异常点进行 k-means聚类，得到多个簇，对每个簇内的聚类中心点进行更新；以任意一个簇为示例进行 分析，将该簇内最外圈的像素点记为边缘点，计算任意一个边缘点与该簇内其他像素点之 间的灰度差值：
Figure 97066DEST_PATH_IMAGE032
；其中，
Figure DEST_PATH_IMAGE033
表示边缘点
Figure 494549DEST_PATH_IMAGE034
的灰度值；
Figure 299170DEST_PATH_IMAGE006
表示簇内第
Figure 846826DEST_PATH_IMAGE004
个像素点的灰 度值；
Figure 672699DEST_PATH_IMAGE035
表示簇内第
Figure 522975DEST_PATH_IMAGE004
个像素点对应的灰度差值。获取簇内所有像素点与该边缘点
Figure 208034DEST_PATH_IMAGE034
之间的 灰度差值，选取其中与该边缘点
Figure 418436DEST_PATH_IMAGE034
灰度差值最大的点记为目标点
Figure 239761DEST_PATH_IMAGE036
，以边缘点
Figure 526517DEST_PATH_IMAGE034
为起点，目标 点
Figure 433293DEST_PATH_IMAGE036
为终点得到方向向量
Figure 181806DEST_PATH_IMAGE037
；以此类推，获取该簇内每个边缘点对应的方向向量。
由于方向向量之间会存在交叉，根据方向向量的交叉对像素点进行投票并记录投 票值；标记任意两个方向向量之间的交点，则该交点接收到了投票信息，交点的投票值加2。 作为一个示例，假设方向向量
Figure 998584DEST_PATH_IMAGE037
与另外一个方向向量
Figure DEST_PATH_IMAGE038
相交于交点
Figure 908771DEST_PATH_IMAGE039
，则交点
Figure 302843DEST_PATH_IMAGE039
接收到了 方向向量
Figure 862570DEST_PATH_IMAGE037
与方向向量
Figure 658487DEST_PATH_IMAGE038
的投票信息，即交点
Figure 270734DEST_PATH_IMAGE039
被方向向量
Figure 152103DEST_PATH_IMAGE037
与方向向量
Figure 258730DEST_PATH_IMAGE038
进行了一次 投票，交点
Figure 768209DEST_PATH_IMAGE039
投票值为
Figure 692303DEST_PATH_IMAGE040
；其中，
Figure 936333DEST_PATH_IMAGE041
表示投票值，初始值为0。
需要说明的是，当任意交点为多个方向向量的交点时，则该交点对应多个方向向量，统计经过该交点的方向向量的数量即为该交点的投票值。
以此类推，获取该簇内每个像素点对应的最终的投票值，像素点的投票值越大，则说明该像素点越可能为最佳的聚类中心点。
然后，过簇内每个像素点作对应的
Figure 971285DEST_PATH_IMAGE001
个直线，则每个像素点对应
Figure 600850DEST_PATH_IMAGE001
条直线，
Figure 695845DEST_PATH_IMAGE001
为正整 数；每条直线与该簇的边缘相交于两点，例如，过像素点
Figure 161592DEST_PATH_IMAGE004
作一条直线与该簇的边缘相交于 两点分别为像素点
Figure 734656DEST_PATH_IMAGE031
和像素点
Figure 484306DEST_PATH_IMAGE042
，计算像素点
Figure 750203DEST_PATH_IMAGE004
与像素点
Figure 434737DEST_PATH_IMAGE031
之间的欧式距离记为
Figure 201705DEST_PATH_IMAGE043
，像素 点
Figure 681228DEST_PATH_IMAGE004
与像素点
Figure 993392DEST_PATH_IMAGE042
之间的欧式距离记为
Figure 558365DEST_PATH_IMAGE044
，将
Figure 597865DEST_PATH_IMAGE043
与
Figure 197474DEST_PATH_IMAGE044
记为该像素点
Figure 680539DEST_PATH_IMAGE004
的一组距离点对，然后 计算该像素点对应的其它
Figure 467229DEST_PATH_IMAGE045
条直线对应的距离点对；簇内每个像素点均对应
Figure 310421DEST_PATH_IMAGE001
条直线，获 取每个像素点对应的
Figure 764536DEST_PATH_IMAGE001
组距离点对，结合每个像素点对应的投票值以及混乱程度获取该簇 内每个像素点的优选值，优选值的计算为：
Figure 152923DEST_PATH_IMAGE046
其中，
Figure 817122DEST_PATH_IMAGE047
表示像素点
Figure 339370DEST_PATH_IMAGE004
的优选值；
Figure 526288DEST_PATH_IMAGE048
表示像素点
Figure 475789DEST_PATH_IMAGE004
的投票值；
Figure 361706DEST_PATH_IMAGE049
表示像素点
Figure 687645DEST_PATH_IMAGE004
的混乱 程度；
Figure 460560DEST_PATH_IMAGE050
表示像素点
Figure 846542DEST_PATH_IMAGE004
对应的第
Figure 219755DEST_PATH_IMAGE051
组距离点对的差值，即
Figure 83805DEST_PATH_IMAGE052
；
Figure 711227DEST_PATH_IMAGE001
表示像素点
Figure 127165DEST_PATH_IMAGE004
对应所有组距离点对的数量。
以此类推，获取该簇内每个像素点对应的优选值，所有优选值中的最大值对应的像素点为该簇的优选中心点；基于上述获取任意簇内优选中心点相同的方法，获取所有簇对应的优选中心点。
进一步的，对k-means聚类中的聚类距离进行更新，将任意优选中心点记为
Figure 863040DEST_PATH_IMAGE053
，获 取二次异常点与优选中心点之间的欧式距离，计算二次异常点的灰度值与优选中心点的灰 度值的比值；聚类距离与比值呈正相关关系，聚类距离与欧式距离呈负相关关系。则任意像 素点
Figure 140568DEST_PATH_IMAGE054
与该优选中心点
Figure 278289DEST_PATH_IMAGE053
之间的聚类距离为：
Figure 130707DEST_PATH_IMAGE055
其中，
Figure 88299DEST_PATH_IMAGE056
表示聚类距离；
Figure 166589DEST_PATH_IMAGE057
表示像素点
Figure 283449DEST_PATH_IMAGE054
与优选中心点
Figure 916556DEST_PATH_IMAGE053
之间的欧式距离；
Figure 502389DEST_PATH_IMAGE058
表 示像素点
Figure 246354DEST_PATH_IMAGE054
对应的灰度值；
Figure DEST_PATH_IMAGE059
表示优选中心点
Figure 686563DEST_PATH_IMAGE053
对应的灰度值。
需要说明的是，由于起鼓缺陷区域越靠近中心位置的像素点灰度值越大，因此
Figure 631516DEST_PATH_IMAGE060
的取值处于0-1之间。
以此类推，获取任意像素点与每个优选中心点之间的聚类距离，当聚类距离大于距离阈值时，则该像素点与优选中心点属于同一类别；本发明实施例中设置距离阈值为0.8，在其他实施例中实施者可根据实际情况自行设置；即当任意像素点与某个优选中心点之间的聚类距离大于0.8时，则该像素点与该优选中心点属于同一类别。
需要说明的是，当存在像素点与多个优选中心点的聚类距离大于距离阈值时，则以聚类距离的最大值对应的优选中心点为该像素点的类别。
基于优选中心点以及像素点之间的聚类距离进行自适应聚类得到多个新簇，对此次聚类得到的多个新簇再次进行分析，即重新计算每个新簇的新优选中心点，判断该新优选中心点与优选中心点是否为同一个像素点，若该新优选中心点与优选中心点为同一个像素点，则新优选中心点为最优聚类中心点；若该新优选中心点与优选中心点不为同一个像素点，则将新优选中心点作为优选中心点进行重新聚类，直至新优选中心点与优选中心点为同一个像素点，即新优选中心点的位置不再发生变化时，得到最终的最优聚类中心点。
基于最优聚类中心点以及聚类距离再次对所有的二次异常点进行自适应聚类得到最终的多个类别，每个类别区域即为建筑防水卷材的每个起鼓缺陷区域。
进一步的，本发明实施例中还可以根据得到的起鼓缺陷区域对建筑防水卷材的缺陷严重程度进行评估，基于不同的缺陷严重程度对建筑防水卷材进行修补。
由上述自适应聚类的结果得到多个起鼓缺陷区域，获取每个起鼓缺陷区域对应的中心点Z以及建筑防水卷材的灰度图像的图像中心点E，计算每个起鼓缺陷区域中心点Z与图像中心点E之间的距离，距离的计算为：
Figure 422755DEST_PATH_IMAGE061
其中，
Figure 235990DEST_PATH_IMAGE062
表示图像中心点E的坐标；
Figure 78175DEST_PATH_IMAGE063
表示第
Figure 53084DEST_PATH_IMAGE064
个起鼓缺陷区域对应 中心点Z的坐标；
Figure 597198DEST_PATH_IMAGE065
表示距离。
然后，获取每个起鼓缺陷区域中心点与该起鼓缺陷区域中其他像素点之间的欧式距离，根据所有的欧式距离以及对应的灰度差异得到该起鼓缺陷区域的损害程度，则损害程度为：
Figure 572980DEST_PATH_IMAGE066
其中，
Figure 394306DEST_PATH_IMAGE003
表示起鼓缺陷区域中第
Figure 664750DEST_PATH_IMAGE004
个像素点与中心点Z之间的欧式距离；
Figure 305947DEST_PATH_IMAGE005
表示 起鼓缺陷区域中像素点与中心点Z之间的欧式距离的最大值；
Figure 336351DEST_PATH_IMAGE006
表示起鼓缺陷区域中第
Figure 12183DEST_PATH_IMAGE004
个 像素点的灰度值；
Figure 719108DEST_PATH_IMAGE007
表示起鼓缺陷区域中心点Z的灰度值；
Figure 113180DEST_PATH_IMAGE008
表示起鼓缺陷区域中所有像素 点的数量；
Figure 416117DEST_PATH_IMAGE009
表示起鼓缺陷区域的损害程度。
以此类推，获取每个起鼓缺陷区域的损害程度，根据每个起鼓缺陷区域的损害程度以及该起鼓缺陷区域的中心点与图像中心点之间的距离得到建筑防水卷材的缺陷严重程度，则缺陷严重程度为：
Figure 71089DEST_PATH_IMAGE067
其中，
Figure 824281DEST_PATH_IMAGE068
表示建筑防水卷材的缺陷严重程度；
Figure DEST_PATH_IMAGE069
表示第
Figure 784278DEST_PATH_IMAGE064
个起鼓缺陷区域的损害 程度；
Figure 140173DEST_PATH_IMAGE070
表示第
Figure 663034DEST_PATH_IMAGE064
个起鼓缺陷区域的中心点与图像中心点之间的距离；
Figure DEST_PATH_IMAGE071
表示所有起鼓缺 陷区域的中心点与图像中心点之间的距离的平均值；
Figure 180603DEST_PATH_IMAGE072
表示所有起鼓缺陷区域的数量；
Figure 549267DEST_PATH_IMAGE073
表示所有起鼓缺陷区域的离散程度，离散程度越大则缺陷的严重程度越大。
根据建筑防水卷材对应的严重程度选择修补方式，对建筑防水卷材得到的严重程度进行归一化处理使之取值范围处于0-1之间，然后设置严重程度阈值，当严重程度大于严重程度阈值时，说明此时建筑防水卷材的起鼓缺陷较为严重，需要对所有的起鼓缺陷区域进行重新铺设；当严重程度小于严重程度阈值时，判断该建筑防水卷材的损害程度是否大于铲除阈值，当损害程度大于铲除阈值时，需要铲除建筑防水卷材的起鼓缺陷区域的保护层，然后用刀将鼓泡按照斜十字形割开，放出鼓泡中的气体，擦干水分，然后清除旧胶结料，用喷灯把建筑防水卷材内部吹干；当损害程度小于铲除阈值但大于抽气阈值时，对该建筑防水卷材的起鼓缺陷区域利用抽气灌胶法进行修补；当损害程度小于抽气阈值时，该建筑防水卷材的起鼓缺陷区域影响较小，对起鼓缺陷区域利用钻眼法进行修补，即对起鼓缺陷区域钻一个细微的小孔进行放气处理。
作为优选，本发明实施例中设置严重程度阈值为0.6；损害程度的抽气阈值为0.1，损害程度的铲除阈值为0.6。
综上所述，本发明实施例中通过对建筑防水卷材的灰度图像进行分析，得到灰度图像中的初步异常点，然后计算每个初步异常点的混乱程度，基于混乱程度再次进行筛选得到其中的二次异常点，利用自适应聚类对所有的二次异常点进行聚类得到建筑防水卷材的起鼓缺陷区域；其中自适应聚类的方法中根据灰度值以及欧式距离对聚类距离进行更新，利用初始聚类中心点进行聚类得到多个簇，然后获取簇内像素点的优选值得到每个簇内的优选中心点，然后基于优选中心点以及更新后的聚类距离进行重新聚类得到多个新簇，获取每个新簇内的新优选中心点，根据新优选中心点与优选中心点是否属于同一个像素点决定是否进行迭代聚类，直至得到最优聚类中心点；通过最优聚类中心点与更新后的聚类距离进行自适应聚类得到的多个类别区域为起鼓缺陷区域，并进一步获取建筑防水卷材的缺陷严重程度，基于缺陷严重程度进行相应的修补；减少了建筑防水卷材的浪费并且提高了对缺陷检测的准确性。
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。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 (5)

1.一种建筑防水卷材表面缺陷检测方法，其特征在于，该方法包括以下步骤：
采集建筑防水卷材的表面图像，对所述表面图像进行语义分割得到卷材图像，获取所述卷材图像对应的灰度图像；
获取所述灰度图像中每个像素点对应的梯度幅值，将所述梯度幅值大于预设阈值的像素点标记为初步异常点；获取每个所述初步异常点与其八邻域内像素点之间的灰度差值，根据灰度差值得到所述初步异常点的混乱程度，当所述初步异常点的混乱程度大于混乱阈值时，所述初步异常点为二次异常点；
对所有的二次异常点进行自适应聚类得到多个类别，每个类别区域为所述建筑防水卷材的起鼓缺陷区域；
其中，所述对所有的二次异常点进行自适应聚类得到多个类别的方法为：
设定初始聚类中心点对所有的二次异常点聚类得到多个簇，获取每个所述簇的优选中心点；计算每个二次异常点与任意所述优选中心点之间的聚类距离，基于所有所述优选中心点以及所述聚类距离对所有的二次异常点进行重新聚类得到多个新簇；
获取每个新簇内的新优选中心点，当所述新优选中心点与所述优选中心点为同一个像素点时，所述新优选中心点为最优聚类中心点；当所述新优选中心点与所述优选中心点不为同一个像素点时，以所述新优选中心点作为优选中心点进行重新聚类，直至所述新优选中心点与所述优选中心点为同一个像素点；
根据所述最优聚类中心点与所述聚类距离对所有的二次异常点进行聚类得到多个类别；
所述根据灰度差值得到所述初步异常点的混乱程度的步骤，包括：
统计每个初步异常点与其八邻域像素点之间不同数值的灰度差值的数量，计算所有灰度差值的平方的和，计算所有灰度差值的平方的和与不同数值的灰度差值的数量的乘积，所述混乱程度与所述乘积呈正相关关系；
所述获取每个所述簇的优选中心点的步骤，包括：
统计每个所述簇内任意像素点的投票信息得到每个像素点对应的投票值；
过任意像素点作
Figure DEST_PATH_IMAGE001
条直线，
Figure 601055DEST_PATH_IMAGE001
为正整数；每条直线与所述簇的边缘相交于两点，获取这两 点分别与所述像素点之间的欧式距离构成一组距离点对，每个所述像素点对应
Figure 415428DEST_PATH_IMAGE001
组距离点 对；
计算每组距离点对中两个欧式距离之间的差值，获取所有组距离点对的差值的和；计算所述像素点对应的投票值与混乱程度的乘积，所述乘积与所述差值的和的比值为所述像素点的优选值；
所述簇内优选值最大的像素点为所述优选中心点；
所述计算每个二次异常点与任意所述优选中心点之间的聚类距离的步骤，包括：
获取每个二次异常点与所述优选中心点之间的欧式距离，计算二次异常点的灰度值与所述优选中心点的灰度值的比值；
所述聚类距离与所述比值呈正相关关系，所述聚类距离与所述欧式距离呈负相关关系。
2.根据权利要求1所述的一种建筑防水卷材表面缺陷检测方法，其特征在于，所述统计每个所述簇内任意像素点的投票信息得到每个像素点对应的投票值的步骤，包括：
选取所述簇的边缘上的任意一个边缘点，计算所述簇内所有像素点与所述边缘点之间的灰度差值，选取灰度差值最大时对应的像素点为目标点，以所述边缘点为起点，所述目标点为终点构建所述边缘点对应的方向向量；
获取所述簇的边缘上所有边缘点的方向向量，当任意两个方向向量之间存在交点时，所述交点具有投票信息，统计每个所述交点对应的方向向量的数量，方向向量的数量为所述交点的投票值。
3.根据权利要求1所述的一种建筑防水卷材表面缺陷检测方法，其特征在于，所述每个类别区域为所述建筑防水卷材的起鼓缺陷区域的步骤之后，还包括：
获取每个所述起鼓缺陷区域的中心点以及所述建筑防水卷材的灰度图像的图像中心点；计算每个所述起鼓缺陷区域的中心点与所述图像中心点之间的距离；根据所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离获取离散程度；
获取每个所述起鼓缺陷区域的中心点与所述起鼓缺陷区域内每个像素点之间的欧式距离；获取其中欧式距离的最大值；计算所述起鼓缺陷区域的每个像素点的灰度值与所述中心点的灰度值之间的差值，根据差值与最大值计算所述起鼓缺陷区域的损害程度；
获取所有所述起鼓缺陷区域的损害程度之和，计算所述损害程度之和与所述离散程度的乘积得到所述建筑防水卷材的缺陷严重程度。
4.根据权利要求3所述的一种建筑防水卷材表面缺陷检测方法，其特征在于，所述损害程度的计算为：
Figure DEST_PATH_IMAGE003
其中，
Figure 769049DEST_PATH_IMAGE004
表示起鼓缺陷区域中第
Figure DEST_PATH_IMAGE005
个像素点与中心点Z之间的欧式距离；
Figure 301661DEST_PATH_IMAGE006
表示起鼓 缺陷区域中像素点与中心点Z之间的欧式距离的最大值；
Figure DEST_PATH_IMAGE007
表示起鼓缺陷区域中第
Figure 31720DEST_PATH_IMAGE005
个像素 点的灰度值；
Figure 966178DEST_PATH_IMAGE008
表示起鼓缺陷区域中中心点Z的灰度值；
Figure DEST_PATH_IMAGE009
表示起鼓缺陷区域中所有像素点 的数量；
Figure 225121DEST_PATH_IMAGE010
表示起鼓缺陷区域的损害程度。
5.根据权利要求3所述的一种建筑防水卷材表面缺陷检测方法，其特征在于，所述根据所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离获取离散程度的步骤，包括：
获取所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离的均值，根据所述均值获取所有所述起鼓缺陷区域的中心点与所述图像中心点之间的距离的方差，所述方差为所述离散程度。
CN202210874111.XA 2022-07-25 2022-07-25 一种建筑防水卷材表面缺陷检测方法 Active CN115082445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210874111.XA CN115082445B (zh) 2022-07-25 2022-07-25 一种建筑防水卷材表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210874111.XA CN115082445B (zh) 2022-07-25 2022-07-25 一种建筑防水卷材表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115082445A CN115082445A (zh) 2022-09-20
CN115082445B true CN115082445B (zh) 2022-11-08

Family

ID=83242742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210874111.XA Active CN115082445B (zh) 2022-07-25 2022-07-25 一种建筑防水卷材表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115082445B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115314714B (zh) * 2022-10-12 2023-03-28 南通虎神金属制品有限公司 一种用于焊缝图像存储的数据压缩方法
CN115431101A (zh) * 2022-10-18 2022-12-06 南通钜德智能科技有限公司 一种数控机床状态检测方法及系统
CN115496751B (zh) * 2022-11-16 2023-03-24 威海捷诺曼自动化股份有限公司 一种纤维缠绕机缠绕检测方法
CN115601362B (zh) * 2022-12-14 2023-03-21 临沂农业科技职业学院(筹) 一种基于图像处理的焊接质量评估方法
CN115861318B (zh) * 2023-02-27 2023-05-09 金乡县利顺祥棉业有限公司 一种棉花加工生产质量检测方法
CN116337868B (zh) * 2023-02-28 2023-09-19 靖江安通电子设备有限公司 一种表面缺陷检测方法及检测系统
CN116703931B (zh) * 2023-08-09 2023-10-24 山东津庭名企建材有限公司 一种用于建筑高分子材料的表面银纹检测方法
CN117893533A (zh) * 2024-03-14 2024-04-16 自贡市第一人民医院 基于图像特征的心胸比智能检测方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103115961A (zh) * 2013-01-25 2013-05-22 惠州湖工成松防水技术研发有限公司 一种基于b超的防水卷材搭接缝质量检测方法及仪器
CN104794491B (zh) * 2015-04-28 2018-01-23 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN105426910B (zh) * 2015-11-11 2018-11-27 南京信息工程大学 一种基于改进abc算法与de变异策略的自适应聚类方法
CN106515053A (zh) * 2015-12-31 2017-03-22 重庆市禹琼防水工程有限公司 一种设置有缺陷检测的防水卷材生产装置
EP3361444A1 (en) * 2017-02-10 2018-08-15 ABB Schweiz AG Real-time, full web image processing method and system for web manufacturing supervision
CN109977809A (zh) * 2019-03-08 2019-07-05 上海电力学院 一种自适应人群分群检测方法
CN110163853B (zh) * 2019-05-14 2021-05-25 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN110517233A (zh) * 2019-08-15 2019-11-29 浙江赤霄智能检测技术有限公司 一种基于人工智能的缺陷分类学习系统及其分类方法
CN110703664A (zh) * 2019-11-06 2020-01-17 陕西鲁泰防水科技有限公司 一种基于物联网的防水卷材处理数据处理系统及方法
CN111179225B (zh) * 2019-12-14 2022-02-01 西安交通大学 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN112233073A (zh) * 2020-09-30 2021-01-15 国网山西省电力公司大同供电公司 一种变电设备红外热成像异常实时检测方法
CN113763367B (zh) * 2021-09-13 2023-07-28 中国空气动力研究与发展中心超高速空气动力研究所 一种大尺寸试件红外检测特征综合判读方法
CN114689591A (zh) * 2021-12-06 2022-07-01 浙江大学台州研究院 一种基于线扫描相机的卷材检测装置、系统及检测方法
CN114264661A (zh) * 2021-12-06 2022-04-01 浙江大学台州研究院 一种清晰度自适应的卷材检测方法及装置、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
CN114723701B (zh) * 2022-03-31 2023-04-18 厦门力和行自动化有限公司 基于计算机视觉的齿轮缺陷检测方法和系统
CN114742826B (zh) * 2022-06-09 2022-09-02 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN114782562B (zh) * 2022-06-18 2022-09-02 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统

Also Published As

Publication number Publication date
CN115082445A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115082445B (zh) 一种建筑防水卷材表面缺陷检测方法
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
Müller et al. Robust building detection in aerial images
Liu et al. Novel approach to pavement cracking automatic detection based on segment extending
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN113409314B (zh) 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN115049657A (zh) 一种玻璃缺陷检测方法
CN102645679A (zh) 一种基于多普勒天气雷达回波图像的中气旋识别方法
CN111060442B (zh) 一种基于图像处理的油液颗粒检测方法
CN103942777A (zh) 一种基于主成分分析的手机玻璃盖板缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN113159216A (zh) 一种用于表面缺陷检测的正样本扩充方法
CN115147421A (zh) 一种用于建筑垃圾回收的再生骨料分级评价方法
CN112837308A (zh) 一种建筑裂缝检测方法、装置、设备及存储介质
CN106934921A (zh) 纸张类异物粘贴检测方法及装置
CN113763363B (zh) 一种排水管道破裂缺陷检测及等级评定方法
CN112580542A (zh) 一种基于目标检测的钢筋计数方法
CN116993742A (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN117078678B (zh) 基于图像识别的废硅片形状检测方法
CN113158954B (zh) 交通非现场的基于ai技术的斑马线区域自动检测方法
CN112308040A (zh) 一种基于高清图像的河流排污口检测方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113420810A (zh) 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231023

Address after: 274000 North Road, 800 meters east of the intersection of Leize Avenue and Chengpu Street, Fenghuang Town, Juancheng County, Heze City, Shandong Province

Patentee after: Shandong Xiaochen Chemical Technology Co.,Ltd.

Address before: Junction of North Outer Ring Road and Linshang Road, Juancheng County, Heze City, Shandong Province, 274600

Patentee before: Shandong Lutai Waterproof Technology Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for detecting surface defects of building waterproofing membranes

Effective date of registration: 20231221

Granted publication date: 20221108

Pledgee: Shandong juancheng Rural Commercial Bank Co.,Ltd.

Pledgor: Shandong Xiaochen Chemical Technology Co.,Ltd.

Registration number: Y2023980073195