CN115330772B - 一种在线焊点质量检测方法 - Google Patents

一种在线焊点质量检测方法 Download PDF

Info

Publication number
CN115330772B
CN115330772B CN202211249391.1A CN202211249391A CN115330772B CN 115330772 B CN115330772 B CN 115330772B CN 202211249391 A CN202211249391 A CN 202211249391A CN 115330772 B CN115330772 B CN 115330772B
Authority
CN
China
Prior art keywords
area
gradient
welding spot
reflection
pixel 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.)
Active
Application number
CN202211249391.1A
Other languages
English (en)
Other versions
CN115330772A (zh
Inventor
吴志刚
李建国
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.)
Nantong Tongli Oil Pump Co ltd
Original Assignee
Nantong Tongli Oil Pump 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 Nantong Tongli Oil Pump Co ltd filed Critical Nantong Tongli Oil Pump Co ltd
Priority to CN202211249391.1A priority Critical patent/CN115330772B/zh
Publication of CN115330772A publication Critical patent/CN115330772A/zh
Application granted granted Critical
Publication of CN115330772B publication Critical patent/CN115330772B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及缺陷数据识别技术领域，具体涉及一种在线焊点质量检测方法。该方法提取焊点区域图像，对图像进行预处理。分析图像纹理特征，提取焊点存在缺陷的可能性，对缺陷焊点梯度离散度进行分析，对梯度离散度较大区域分析其反光置信度。根据反光区域置信度识别焊料堆积缺陷。本发明先分析梯度松散度初步判断焊点缺陷为焊料堆积的可能性，但是由于光照影响，梯度松散度的判断存在一定的误差，故分析梯度松散度较大区域的连通性和反光强度来修正梯度松散度的判断。克服了光照影响造成的判断误差。

Description

一种在线焊点质量检测方法
技术领域
本发明涉及缺陷数据识别技术领域，具体涉及一种在线焊点质量检测方法。
背景技术
焊接工艺在制造业是常用的技术，但是焊接过程中往往会产生很多的焊接缺陷，其中对于焊料堆积和韩锡过热等造成的缺陷较为类似，分辨起来较为困难。但是对于焊料堆积这一缺陷不可忽视，焊料堆积会使得焊点区域的机械强度不足，可能是虚焊的一种表现，由此说明焊接不牢固，后续使用时会产生严重的安全隐患。
目前对于焊料堆积的焊接缺陷识别没有太多的技术或仪器，最常规的可以使用图像处理识别焊料堆积，但是焊点为金属，存在反光情况，使得阈值分割存在较大的误差，并且焊料堆积缺陷焊点区域非常杂乱，不利于阈值分割出某个灰度级的区域；随着人工智能的快速发展，要想大规模的焊接产品，那么仪器的智能化、机械化是最终的发展目标。
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在线焊点质量检测方法，所采用的技术方案具体如下：
本发明提出了一种在线焊点质量检测方法，所述方法包括：
获取焊接区域图像上的每个焊点区域；获得每个焊点区域的灰度共生矩阵，根据灰度共生矩阵的能量特征判断焊点区域是否存在缺陷；
若焊点区域存在缺陷，则获得焊点区域中每个像素点的梯度信息，梯度信息包括梯度幅值和梯度方向角；根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度；
以焊点区域中梯度松散度最大的一个像素点为中心，构建疑似反光区域；根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度；根据反光置信度大小判断焊点区域是否存在焊料堆积缺陷。
进一步地，所述获取焊接区域图像上的每个焊点区域包括：
采集焊接区域的表面图像；对表面图像进行去噪后利用训练好的语义分割网络分割出多个焊点区域。
进一步地，所述根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 479397DEST_PATH_IMAGE002
为目标像素点的度松散度，/>
Figure 764885DEST_PATH_IMAGE003
为以自然常数为底的指数函数，
Figure 33055DEST_PATH_IMAGE004
为目标像素点的梯度幅值，/>
Figure 87599DEST_PATH_IMAGE005
为目标像素点8邻域范围内的第i个其他像素点的梯度幅值，/>
Figure 783022DEST_PATH_IMAGE006
为目标像素点的梯度方向角，/>
Figure 290227DEST_PATH_IMAGE007
为目标像素点8邻域范围内的第i个其他像素点的梯度方向角。
进一步地，所述以焊点区域中梯度松散度最大的一个像素点为中心，构建疑似反光区域包括：
以焊点区域中梯度松散度最大的一个像素点为生长点进行区域生长，若3*3邻域内存在梯度松散度大于预设梯度松散度阈值的点，则将其作为生长区域中的一点并继续生长；获得多个生长区域，每个生长区域为一个疑似反光区域。
进一步地，所述根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度包括：
根据疑似反光区域中的像素值大小获得反光强度：
Figure 362088DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为反光强度，/>
Figure 67876DEST_PATH_IMAGE010
为疑似反光区域中的像素点数量，/>
Figure 934201DEST_PATH_IMAGE011
为疑似反光区域中第i个像素点的像素值；
以疑似反光区域数量的倒数作为连通性；
根据反光置信度公式获得反光置信度，反光置信度公式包括：
Figure 194281DEST_PATH_IMAGE012
其中，
Figure 600991DEST_PATH_IMAGE013
为反光置信度，/>
Figure 630127DEST_PATH_IMAGE003
为以自然常数为底的指数函数，/>
Figure 870616DEST_PATH_IMAGE014
为连通性，/>
Figure 617992DEST_PATH_IMAGE015
为第j个疑似反光区域的反光程度，/>
Figure 828393DEST_PATH_IMAGE016
为疑似反光区域数量。
本发明具有如下有益效果：
本发明实施例借助梯度松散度分析反光区域是否为集中反光，从而识别了焊料堆积缺陷，克服了直接阈值分割反光区域造成误判的缺陷。本发明实施例获取梯度松散度，初次判断焊料堆积的可能性，对于梯度松散度根据反光区域连通性和反光强度进行了二次修正，避免基于梯度松散度的单一判断。
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在线焊点质量检测方法。
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在线焊点质量检测方法，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。
本发明的主要目的是: 通过提取图像中各焊点区域的图像特征，从而判断焊点区域是否存在焊接缺陷，以及当前的焊接缺陷是否为焊料堆积缺陷。
本发明所针对的具体场景为：在进行焊接完成后，使用专业设备进行各个焊接区域的焊接质量进行识别，并识别是否存在焊料堆积的情况，对于焊料堆积区域及时进行专业处理，从而提高产品质量。
下面结合附图具体的说明本发明所提供的一种在线焊点质量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在线焊点质量检测方法流程图，该方法包括：
步骤S1：获取焊接区域图像上的每个焊点区域；获得每个焊点区域的灰度共生矩阵，根据灰度共生矩阵的能量特征判断焊点区域是否存在缺陷。
在焊接结束后的生产线上方放置CCD相机，对每个焊接区域都进行一次图像采集，获得表面图像，可能采集过程存在光照的干扰，以及生产线机器的噪声干扰，故对采集到的表面图像进行高斯滤波降噪处理，去噪后的图像利用训练好的语义分割网络进行语义分割，将每一个焊点单独提取出来作为一张目标图像A。将目标图像转换为灰度图像B。即每个焊点区域为一张灰度图像。
在对焊点区域进行焊料堆积缺陷分析前，需要判断当前区域是否存在焊接不良的情况，当存在焊接不良的情况时再具体分析缺陷类型是否为焊料堆积。对于焊接良好的焊点直接跳过，不需要后续识别。焊接良好的焊点表面应该有良好光泽，不应有毛刺、空隙，无污垢等杂质。而不良的焊点是坑坑洼洼，不规则的纹理非常丰富。对图像纹理的分析使用灰度共生矩阵能够获得很好的效果。
提取焊点区域像素灰度最值
Figure 712036DEST_PATH_IMAGE017
、/>
Figure 185742DEST_PATH_IMAGE018
,将缺陷区域的灰度级进行量化，量化后灰度阶为/>
Figure 154836DEST_PATH_IMAGE019
,量化后滑窗的灰度阶集合为{/>
Figure 106611DEST_PATH_IMAGE020
},选择步长为1，统计图像0°、45°、90°以及135°方向上灰度对，对四个方向得到的灰度加权取均值获得最终的灰度共生矩阵。
灰度共生矩阵的能量特征值反映了当前图像的灰度均匀程度，当当前图像中的像素灰度越集中时，灰度共生矩阵的能量特征值就会越小；反之如果焊点存在缺陷时，焊点的灰度不再是均匀的银白色，焊点坑坑洼洼，也不再有光泽，灰度不集中，灰度共生矩阵的能量特征值就会越大。
故计算灰度共生矩阵的能量特征值：
Figure 110339DEST_PATH_IMAGE021
/>
式中
Figure 489368DEST_PATH_IMAGE022
表示灰度对（i，j）的频数，/>
Figure 945757DEST_PATH_IMAGE023
值的大小反应了图像的灰度均匀性，当图像的/>
Figure 701223DEST_PATH_IMAGE023
越小反映出图像灰度越均一，焊点区域灰度越集中，说明焊接良好；反之图像的
Figure 559458DEST_PATH_IMAGE023
越大反映出图像的灰度分布越不均匀， 焊点区域灰度越不集中，即焊接不良，存在缺陷。
设定经验阈值0.4，当
Figure 578230DEST_PATH_IMAGE024
时，认为当前焊点存在缺陷，需要做后续具体分析；反之当/>
Figure 521915DEST_PATH_IMAGE025
时认为当前焊点质量良好，无需做后续分析。
步骤S2：若焊点区域存在缺陷，则获得焊点区域中每个像素点的梯度信息，梯度信息包括梯度幅值和梯度方向角；根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度。
焊料堆积最主要的外观特征是焊点结构松散，焊点结构松散说明焊点区域凸起的颗粒较多、较大，并且没有任何规则。又因为焊点区域颜色单一，只有黑白灰三色，主要是亮度的不同，故本发明实施例使用灰度图像分析焊点区域的结构松散度，灰度图像中的结构松散度表现在梯度。
正常焊点表面平滑，焊料堆积焊点表面坑坑洼洼，故使用灰度图像观察时最明显的特征就是焊料堆积区域梯度较大且梯度方向杂乱无章，正常焊点区域梯度较小且梯度方向较统一。
使用sobel算子计算图像中各点的梯度幅值
Figure 815493DEST_PATH_IMAGE026
和梯度方向角/>
Figure 528234DEST_PATH_IMAGE027
，当某点与其位置邻近点之间的梯度幅值相差较大时也能说明当前这个邻域的梯度幅值较杂乱；但是不能仅根据梯度幅值的杂乱程度去判断当前点的梯度松散程度，因为如果存在一些梯度幅值较杂乱，但是梯度方向一致的点，不能说明这些点杂乱，因为这样点的可能是由于光照干扰获得是弱边缘，从而出现梯度幅值不同但是梯度方向一致的情况。
所以我们不仅要考虑一点的梯度幅值杂乱程度，还需考虑一点的梯度方向角的杂乱程度，计算结果综合作为一点的梯度松散度更为合理。故任选一点为中心点，计算中心点与其邻域内各点的梯度幅值杂乱程度和梯度方向杂乱程度，计算结果综合作为中心点的梯度松散度，即根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度，具体包括：
Figure 514645DEST_PATH_IMAGE028
其中，
Figure 957345DEST_PATH_IMAGE002
为目标像素点的度松散度，/>
Figure 851351DEST_PATH_IMAGE003
为以自然常数为底的指数函数，
Figure 418599DEST_PATH_IMAGE004
为目标像素点的梯度幅值，/>
Figure 779173DEST_PATH_IMAGE005
为目标像素点8邻域范围内的第i个其他像素点的梯度幅值，/>
Figure 697450DEST_PATH_IMAGE006
为目标像素点的梯度方向角，/>
Figure 332831DEST_PATH_IMAGE007
为目标像素点8邻域范围内的第i个其他像素点的梯度方向角。
中心点的梯度幅值与梯度方向角同时与八邻域各点的梯度幅值和梯度方向角进行做差取绝对值，这样的话，如果中心点与邻域各点的梯度幅值存在差异，累加的时候只会使得结果不断增大而不会正负抵消，方便我们直观的观察中心点与邻域点的梯度幅值差异，梯度方向角做差取绝对值的逻辑同梯度幅值。
又因为梯度幅值和梯度方向角对图像梯度杂乱程度的影响都是正相关的，并且每个点与中心点的梯度杂乱程度必须与梯度幅值有关，也必须同时与梯度方向角有关，所以将梯度幅值差的绝对值和梯度方向角差的绝对值相乘，总和反映一点与中心点的梯度差异。并将邻域内所有点与中心点的梯度差异累加作为中心点的梯度松散度。
当像素点的梯度松散度越大时会影响焊点的结构松散度，使得结构松散度越大，反之越小。
步骤S3：以焊点区域中梯度松散度最大的一个像素点为中心，构建疑似反光区域；根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度；根据反光置信度大小判断焊点区域是否存在焊料堆积缺陷。
上述方式计算梯度松散度无法一次性识别出焊料堆积缺陷，因为正常焊点区域由于反光影响也会出现反光区域周围梯度松散度较大的情况，故获取梯度松散度较大的区域，对区域进行二次分析，看是正常焊点的反光区域还是焊料堆积区域。
以焊点区域中梯度松散度最大的一个像素点为生长点进行区域生长，若3*3邻域内存在梯度松散度大于预设梯度松散度阈值的点，则将其作为生长区域中的一点并继续生长；获得多个生长区域，每个生长区域为一个疑似反光区域。在本发明实施例中，梯度松散度阈值设置为0.7，即选取图像中梯度松散度最大的一点
Figure 20164DEST_PATH_IMAGE029
作为种子点，从该点开始区域生长获取梯度松散度较大的区域，获取过程为：从梯度松散度最大的一点开始，分析其3*3邻域内是否存在/>
Figure 348378DEST_PATH_IMAGE030
的像素点，如果存在则将/>
Figure 488372DEST_PATH_IMAGE030
的像素点与种子点相连通，作为新的种子点，分析新种子点的邻域内是否存在/>
Figure 193023DEST_PATH_IMAGE030
的像素点并依次连通，直到种子点的邻域内不存在/>
Figure 734863DEST_PATH_IMAGE030
的像素点，停止生长。
当一个区域生长完成后，剩余像素点中存在
Figure 233977DEST_PATH_IMAGE030
的点时，从中选取/>
Figure 126847DEST_PATH_IMAGE031
最大的像素点作为种子点继续上述方式的区域生长，直到图像中所有/>
Figure 838451DEST_PATH_IMAGE030
的像素点都被生长为区域内的点。
根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度，具体包括：
由于正常焊点区域表面光滑平整，会存在较强的反光情况，反光区域会呈现一个紧凑的连通域；焊料堆积焊点表面可能也会存在几处反光点，但是焊料堆积区域坑坑洼洼，不会形成一个紧凑的连通域。
故获取上述所有的疑似反光区域，先分析区域内像素点的亮度信息判断其是否为反光区域，计算每个疑似反光区域的反光强度为：
Figure 500376DEST_PATH_IMAGE032
/>
其中，
Figure 170392DEST_PATH_IMAGE009
为反光强度，/>
Figure 284978DEST_PATH_IMAGE010
为疑似反光区域中的像素点数量，/>
Figure 65853DEST_PATH_IMAGE011
为疑似反光区域中第i个像素点的像素值；
当前区域的亮度信息反映了当前区域的反光强度，当前区域像素值与255相比差异越大，图像中反光强度越小，反之越大。
获取反光强度后只能说明当前区域是否为反光区域，并且对于具体是否为反光区域无法获得一个合适的阈值直接判断，需要根据反光区域的区域形状特征进一步确定是否为反光。与此同时根据反光区域的反光强度和区域形状区分焊点是否为正常焊点还是焊料堆积焊点。
获取当前焊点区域的疑似反光区域数量m以及疑似反光区域的连通性：
Figure 582285DEST_PATH_IMAGE033
当Ha越大时，当前焊点区域的梯度较大区域的连通性便越强，连通性越大，甚至趋近于1的时候当前焊点上的疑似反光区域为反光区域的可能性也较大。
结合连通性与反光强度获取当前焊点上疑似反光区域为反光区域的反光置信度为：
Figure 423202DEST_PATH_IMAGE034
其中，
Figure 25084DEST_PATH_IMAGE013
为反光置信度，/>
Figure 609649DEST_PATH_IMAGE003
为以自然常数为底的指数函数，/>
Figure 980588DEST_PATH_IMAGE014
为连通性，/>
Figure 992406DEST_PATH_IMAGE015
为第j个疑似反光区域的反光程度，/>
Figure 816006DEST_PATH_IMAGE016
为疑似反光区域数量。
Figure 204262DEST_PATH_IMAGE035
为焊点上疑似反光区域的总体反光强度均值；/>
Figure 429707DEST_PATH_IMAGE036
为焊点整体的梯度松散度较大区域的反光强度和梯度松散度较大区域的连通性，反映了当前焊点梯度松散度较大区域为反光区域的置信度；exp()为归一化函数，便于后续选取合适阈值；
当当前区域的
Figure 612426DEST_PATH_IMAGE013
较大时说明当前焊点上的梯度离散度较大区域是连通性较强的反光区域，如此一来该焊点为正常焊点的可能性更大，因为正常焊点表面平滑反光性极强且反光区域通常为一个连通域。反之如果Ga较小，说明当前焊点为焊料堆积的可能性更大。
本发明先分析梯度松散度初步判断焊点缺陷为焊料堆积的可能性，但是由于光照影响，梯度松散度的判断存在一定的误差，故分析梯度松散度较大区域的连通性和反光强度来修正梯度松散度的判断。克服了光照影响造成的判断误差。
基于上述分析，对焊点区域的梯度松散度较大区域获得其为反光区域的反光置信度Ga，进而根据Ga判断当前焊点为焊料堆积的可能性。故设定经验阈值0.3，当
Figure 188901DEST_PATH_IMAGE037
时认为当前焊点存在焊料堆积缺陷。
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。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 (2)

1.一种在线焊点质量检测方法，其特征在于，所述方法包括：
获取焊接区域图像上的每个焊点区域；获得每个焊点区域的灰度共生矩阵，根据灰度共生矩阵的能量特征判断焊点区域是否存在缺陷；
若焊点区域存在缺陷，则获得焊点区域中每个像素点的梯度信息，梯度信息包括梯度幅值和梯度方向角；根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度；
以焊点区域中梯度松散度最大的一个像素点为中心，构建疑似反光区域；根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度；根据反光置信度大小判断焊点区域是否存在焊料堆积缺陷；
所述根据焊点区域中每个像素点在预设邻域范围内与其他像素点的梯度信息差异获得每个像素点的梯度松散度包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为目标像素点的度松散度，/>
Figure DEST_PATH_IMAGE004
为以自然常数为底的指数函数，/>
Figure DEST_PATH_IMAGE005
为目标像素点的梯度幅值，/>
Figure DEST_PATH_IMAGE006
为目标像素点8邻域范围内的第i个其他像素点的梯度幅值，/>
Figure DEST_PATH_IMAGE007
为目标像素点的梯度方向角，/>
Figure DEST_PATH_IMAGE008
为目标像素点8邻域范围内的第i个其他像素点的梯度方向角；
所述以焊点区域中梯度松散度最大的一个像素点为中心，构建疑似反光区域包括：
以焊点区域中梯度松散度最大的一个像素点为生长点进行区域生长，若3*3邻域内存在梯度松散度大于预设梯度松散度阈值的点，则将其作为生长区域中的一点并继续生长；获得多个生长区域，每个生长区域为一个疑似反光区域；
所述根据疑似反光区域中的像素值大小和连通性获得焊点区域的反光置信度包括：
根据疑似反光区域中的像素值大小获得反光强度：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为反光强度，/>
Figure DEST_PATH_IMAGE012
为疑似反光区域中的像素点数量，/>
Figure DEST_PATH_IMAGE013
为疑似反光区域中第i个像素点的像素值；
以疑似反光区域数量的倒数作为连通性；
根据反光置信度公式获得反光置信度，反光置信度公式包括：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为反光置信度，/>
Figure DEST_PATH_IMAGE017
为以自然常数为底的指数函数，/>
Figure DEST_PATH_IMAGE018
为连通性，/>
Figure DEST_PATH_IMAGE019
为第j个疑似反光区域的反光程度，/>
Figure DEST_PATH_IMAGE020
为疑似反光区域数量。/>
2.根据权利要求1所述的一种在线焊点质量检测方法，其特征在于，所述获取焊接区域图像上的每个焊点区域包括：
采集焊接区域的表面图像；对表面图像进行去噪后利用训练好的语义分割网络分割出多个焊点区域。
CN202211249391.1A 2022-10-12 2022-10-12 一种在线焊点质量检测方法 Active CN115330772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211249391.1A CN115330772B (zh) 2022-10-12 2022-10-12 一种在线焊点质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211249391.1A CN115330772B (zh) 2022-10-12 2022-10-12 一种在线焊点质量检测方法

Publications (2)

Publication Number Publication Date
CN115330772A CN115330772A (zh) 2022-11-11
CN115330772B true CN115330772B (zh) 2023-03-28

Family

ID=83913883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211249391.1A Active CN115330772B (zh) 2022-10-12 2022-10-12 一种在线焊点质量检测方法

Country Status (1)

Country Link
CN (1) CN115330772B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984283B (zh) * 2023-03-21 2023-06-23 山东中济鲁源机械有限公司 一种钢筋笼焊接质量智能检测方法
CN116309568B (zh) * 2023-05-18 2023-07-25 深圳恒邦新创科技有限公司 一种芯片焊脚焊接质量检测方法及系统
CN116740098B (zh) * 2023-08-11 2023-10-27 中色(天津)新材料科技有限公司 一种铝合金氩弧焊焊接图像分割方法及系统
CN116912254B (zh) * 2023-09-14 2023-12-08 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN117351019B (zh) * 2023-12-06 2024-01-30 巴苏尼制造(江苏)有限公司 一种焊接缺陷检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109030502A (zh) * 2018-08-03 2018-12-18 深圳汇创联合自动化控制有限公司 一种基于机器视觉的焊点缺陷检测系统
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN115147414B (zh) * 2022-09-01 2023-08-29 南通三信塑胶装备科技股份有限公司 一种双极型功率晶体管表面击穿缺陷检测方法

Also Published As

Publication number Publication date
CN115330772A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115330772B (zh) 一种在线焊点质量检测方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
Sahu et al. Defect identification and maturity detection of mango fruits using image analysis
CN116721106A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN114170228B (zh) 一种计算机图像边缘检测方法
CN115205290B (zh) 一种pcb板生产过程在线检测方法及系统
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN108038838A (zh) 一种棉麻纤维种类自动检测方法和系统
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN115294144B (zh) 一种家具复合板表面缺陷识别方法
Bandara et al. Automated fabric defect detection
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN110858395A (zh) 一种卷装长丝的污丝缺陷检测方法
CN110749598A (zh) 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法
CN115311283A (zh) 一种玻璃拉管缺陷检测方法及系统
CN115266732A (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
Tang et al. Surface inspection system of steel strip based on machine vision
Wu et al. Fast processing of foreign fiber images by image blocking
CN109752391B (zh) 一种基于机器视觉的胡萝卜表面缺陷识别量化方法
CN108491846B (zh) 成熟果实机器识别方法
CN115326837A (zh) 一种基于机器视觉的不锈钢焊点表面质量检测方法及系统
CN110857921A (zh) 一种卷装长丝的毛丝缺陷检测方法
CN115115633B (zh) 一种纺纱选茧智能拣选方法及系统
CN117115174B (zh) 一种钳子外形自动检测方法及系统

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