CN115330780B - 一种金属焊接夹渣缺陷快速检测方法 - Google Patents
一种金属焊接夹渣缺陷快速检测方法 Download PDFInfo
- Publication number
- CN115330780B CN115330780B CN202211250317.1A CN202211250317A CN115330780B CN 115330780 B CN115330780 B CN 115330780B CN 202211250317 A CN202211250317 A CN 202211250317A CN 115330780 B CN115330780 B CN 115330780B
- Authority
- CN
- China
- Prior art keywords
- gray level
- pixel point
- calculating
- image
- slag inclusion
- 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
-
- 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
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种金属焊接夹渣缺陷快速检测方法,涉及人工智能领域。包括:获取焊缝灰度图像,获取灰度图像中每个像素点的灰度值;计算灰度图像中每个灰度级属于背景灰度级的概率,将概率最大值对应的灰度级作为灰度图像的背景灰度级;计算每个像素点的关注程度;计算每个像素点的混乱程度;计算每个像素点的异常概率值;计算该焊缝灰度图像的夹渣缺陷概率;当夹渣概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷;根据每个像素点的异常概率值与所述异常概率均值确定焊缝灰度图像的夹渣缺陷区域。根据本发明提出的技术手段,摒弃了传统方法复杂的图像处理计算过程,大大减少了计算量,从而提高了夹渣缺陷的获取精确度。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种金属焊接夹渣缺陷快速检测方法。
背景技术
焊接技术在现代工业的发展中具有重要意义。作为一种基本而重要的工艺方法,其广泛应用于航空航天、汽车船舶、建筑、机械、国防等各个领域和部门中。由于焊接过程中受多种因素的影响,焊缝中不可避免地出现裂纹、气孔、夹渣、未融合等多种缺陷,这严重影响焊接工件的使用性能及安全性,甚至可能产生灾难性的后果,带来极大的经济损失。因此,对焊缝进行缺陷检测,保证焊接质量,具有直接而重要的现实意义。
目前在行业内,焊缝质量的检测主要有两种方法:一是通过人工目测;二是对产品进行破坏性抽样检测,两者都缺乏相应的自动化检测设备。这种传统的人工检测工作模式,存在以下三个缺点:(1)检验人员需要长时间注视焊缝,容易产生视觉疲劳,从而造成漏检;(2)由于检验人员的检验水平、技能与经验不同,对焊缝质量标准的把握容易出现偏差。因此检验水平受人为因素影响较大,判别稳定性差;(3)人工检测效率低,是制约产品生产效率的瓶颈。而采用机器视觉的检测方法通常只能检测出缺陷是否存在,而无法对某种缺陷进行针对性检测。
对于夹渣缺陷,容易造成后续补涂环节的困难,而且有飞溅物的焊缝严重影响到外观质量,此类缺陷通常是由于焊接处温度达到或超过金属熔点,熔融金属在压力的作用下被滚轮挤压飞出而形成飞溅物。同时,在产生焊穿的情况下也容易形成焊渣。此类缺陷表现为具有较正常焊缝更宽的低亮度区域,且焊缝夹渣区域粗糙,在极少数情况下,由于滚轮压力及高温的作用,导致搭接处弯曲变形,金属熔合后呈变形状态,产生特殊的焊渣类型。同时焊缝中还存在伪缺陷,伪缺陷是干扰正常焊缝缺陷检测的重要因素。它的成因比较复杂,通常认为是由于车间尘埃与补涂用的防锈胶水的混合物因振动滴落至焊缝区域所造成的,采用传统的阈值分割方法难以区分分割区域为夹渣缺陷还是伪缺陷。
发明内容
本发明提供一种金属焊接夹渣缺陷快速检测方法,以解决现有的问题,包括:获取焊缝灰度图像,获取灰度图像中每个像素点的灰度值;计算灰度图像中每个灰度级属于背景灰度级的概率,将概率最大值对应的灰度级作为灰度图像的背景灰度级;计算每个像素点的关注程度;计算每个像素点的混乱程度;计算每个像素点的异常概率值;计算该焊缝灰度图像的夹渣缺陷概率;当夹渣概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷;根据每个像素点的异常概率值与所述异常概率均值确定焊缝灰度图像的夹渣缺陷区域。
根据本发明提出的技术手段,有效降低了检测成本,提高了夹渣缺陷的获取精确度,对提高后续产品质量有着非常重要的意义;方便快捷,摒弃了传统方法复杂的图像处理计算过程,大大减少了计算量,更加适应高速生产的产线。
本发明采用如下技术方案:一种金属焊接夹渣缺陷快速检测方法,包括:
获取焊缝灰度图像,获取所述灰度图像中每个像素点的灰度值。
计算所述灰度图像中每个灰度级属于背景灰度级的概率,将所述概率最大值对应的灰度级作为所述灰度图像的背景灰度级。
根据所述灰度图像中每个像素点的灰度值与所述背景灰度级计算每个像素点的关注程度。
获取所述灰度图像中每个像素点的梯度幅值,根据所述灰度图像中每个像素点的梯度幅值计算每个像素点的混乱程度。
根据每个像素点的关注程度和混乱程度计算焊缝灰度图像中每个像素点的异常概率值。
根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率;当所述夹渣缺陷概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷。
对于存在夹渣缺陷的焊缝灰度图像,根据每个像素点的异常概率值与所述异常概率均值确定焊缝灰度图像的夹渣缺陷区域。
进一步的,一种金属焊接夹渣缺陷快速检测方法,获取所述灰度图像背景灰度级的方法为:
根据所述灰度图像中每个像素点的灰度值建立灰度直方图,计算灰度直方图中每个灰度级的频率,根据每个灰度级的频率建立高斯分布计算每个灰度级属于背景灰度级的概率,表达式为:
将属于背景灰度级的概率最大值对应的灰度级作为背景灰度级。
进一步的,一种金属焊接夹渣缺陷快速检测方法,计算每个像素点的关注程度的方法为:
进一步的,一种金属焊接夹渣缺陷快速检测方法,计算每个像素点的混乱程度的方法为:
建立设定尺寸的滑窗,根据滑窗尺寸对所述灰度图像进行增维,对增维后的灰度图像进行滑窗,计算每个滑窗内所有像素点的梯度幅值,根据每个像素点的梯度幅值计算对应像素点的混乱程度,表达式为:
进一步的,一种金属焊接夹渣缺陷快速检测方法,根据所述关注程度以及所述混乱程度计算焊缝灰度图像中每个像素点的异常概率值,表达式为:
其中,L表示所述焊缝灰度图像中每个像素点的异常概率值,G表示每个像素点的混乱程度,K表示每个像素点的关注程度。
进一步的,一种金属焊接夹渣缺陷快速检测方法,根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率的方法为:
根据所述每列像素点的异常概率值之和以及所述灰度图像中所有像素点的异常概率均值计算该焊缝灰度图像的夹渣缺陷概率,表达式为:
进一步的,一种金属焊接夹渣缺陷快速检测方法,确定焊缝灰度图像的夹渣缺陷区域的方法为:
将满足该表达式的连续列像素点进行标记,得到焊缝灰度图像的夹渣缺陷区域。
本发明的有益效果是:根据本发明提出的技术手段,有效降低了检测成本,提高了夹渣缺陷的获取精确度,对提高后续产品质量有着非常重要的意义;方便快捷,摒弃了传统方法复杂的图像处理计算过程,大大减少了计算量,更加适应高速生产的产线。
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为本发明实施例的一种金属焊接夹渣缺陷快速检测方法结构示意图;
图2为本发明实施例的另一种金属焊接夹渣缺陷快速检测方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
实施例1
如图1所述,给出了本发明实施例的一种金属焊接夹渣缺陷快速检测方法结构示意图,包括:
101.获取焊缝灰度图像,获取所述灰度图像中每个像素点的灰度值。
本实施例所针对的情景为:首先,布置相机,采集焊件表面RGB图像,将RGB图像转化为灰度图像,之后对采集的焊件灰度图像进行处理,分割出焊缝所在位置,通过图像处理检测出焊件焊缝的表面夹渣缺陷。
102.计算所述灰度图像中每个灰度级属于背景灰度级的概率,将所述概率最大值对应的灰度级作为所述灰度图像的背景灰度级。
由于夹渣缺陷与伪缺陷的灰度值往往区别于正常区域的灰度值,故需要先获取异常像素点,即与正常焊缝灰度差异越明显的像素点越值得关注。
由于需要计算像素点的关注程度,故先计算背景灰度级。
计算背景像素的灰度级,利用灰度直方图的频数最大值或灰度均值代表背景像素的灰度级存在较大的偏差(当缺陷较为严重时频数最大的灰度级可能为缺陷),但所需要的较为理想的背景灰度级一定位于灰度直方图的频数最大值与灰度均值之间,故建立高斯分布,高斯分布的均值与方差为以频数最大灰度值与灰度值均值之间灰度值的均值为均值,以频数最大灰度值与灰度值均值之间灰度值的方差为方差。
103.根据所述灰度图像中每个像素点的灰度值与所述背景灰度级计算每个像素点的关注程度。
104.获取所述灰度图像中每个像素点的梯度幅值,根据所述灰度图像中每个像素点的梯度幅值计算每个像素点的混乱程度。
建立滑窗,计算滑窗子影像图(一个滑窗即为一个子影像图)的混乱程度,由于正常区域或伪缺陷区域的像素点其所在划窗像素点的灰度值相似,灰度波动较小,而缺陷区域往往存在较大的灰度波动,故利用sobel算子计算各个像素点x,y方向的梯度。根据像素点划窗中像素点的梯度幅值计算混乱程度。
105.根据所述关注程度以及所述混乱程度计算焊缝灰度图像中每个像素点的异常概率值。
106.根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率;当所述夹渣缺陷概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷。
所述夹渣缺陷,即是由于焊接处温度达到或超过金属熔点,熔融金属在压力的作用下被滚轮挤压飞出而形成飞溅物。即焊缝存在深色表面粗糙的异常区域。
夹渣会降低焊缝的塑性和韧性,带有尖角的夹渣会产生尖端应力集中,尖端还会发展为裂纹源,特别是在空淬倾向大的焊缝中。铸件在受应力作用下,焊缝夹渣处会首先出现裂纹并沿展,导致强度下降、焊缝开裂。
对焊缝灰度图像进行矩阵列方向即垂直焊缝方向的像素点异常概率值进行剖面求和,得到每一列像素点的异常概率值之和,根据每一列像素点的异常概率值之和计算焊缝灰度图像的夹渣缺陷概率。
107.对于存在夹渣缺陷的焊缝灰度图像,根据每个像素点的异常概率值与所述异常概率均值确定焊缝灰度图像的夹渣缺陷区域。
对于夹渣缺陷区域,其列和像素点的缺陷概率远远大于整体焊缝的缺陷均值,且此类像素点往往是成片存在的,对每一列像素点进行筛选,通过比较每列像素点异常概率之和与所有像素点的异常概率均值对一列像素点进行标记,得到焊缝灰度图像的夹渣缺陷区域。
根据本发明提出的技术手段,有效降低了检测成本,提高了夹渣缺陷的获取精确度,对提高后续产品质量有着非常重要的意义;方便快捷,摒弃了传统方法复杂的图像处理计算过程,大大减少了计算量,更加适应高速生产的产线。
实施例2
如图2所示,给出了本发明实施例另一种金属焊接夹渣缺陷快速检测方法结构示意图,包括:
201.获取焊缝灰度图像,获取所述灰度图像中每个像素点的灰度值。
本实施例需要检测焊件焊缝的夹渣缺陷,需要先采集焊件的表面图像。布置相机,采集图像,图像中具有焊缝、焊件,甚至复杂工况背景。为了避免其他噪声对焊缝表面缺陷检测的影响,所以本发明首先采用DNN技术来识别图像中的焊缝。
该DNN网络的相关内容如下:
使用的数据集为本发明所述采集过程得到的焊件表面图像数据集,焊件的样式为多种多样的。
需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于焊件的标注为1。
网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
202.计算所述灰度图像中每个灰度级属于背景灰度级的概率,将所述概率最大值对应的灰度级作为所述灰度图像的背景灰度级。
由于需要计算像素点的关注程度,故先计算背景灰度级,再根据像素点与背景灰度级的差异计算各个像素点的关注程度。
建立灰度直方图,计算每个灰度级的频率:
计算背景像素的灰度级,利用灰度直方图的频数最大值或灰度均值代表背景像素的灰度级存在较大的偏差(当缺陷较为严重时频数最大的灰度级可能为缺陷),但所需要的较为理想的背景灰度级一定位于灰度直方图的频数最大值与灰度均值之间,故建立高斯分布,高斯分布的均值与方差为以频数最大灰度值与灰度值均值之间灰度值的均值为均值,以频数最大灰度值与灰度值均值之间灰度值的方差为方差。计算公式为:
获取所述灰度图像背景灰度级的方法为:
根据所述灰度图像中每个像素点的灰度值建立灰度直方图,计算灰度直方图中每个灰度级的频率,根据每个灰度级的频率建立高斯分布计算每个灰度级属于背景灰度级的概率,表达式为:
将属于背景灰度级的概率最大值对应的灰度级作为背景灰度级。
2031.根据所述灰度图像中每个像素点的灰度值与所述背景灰度级计算每个像素点的关注程度。
计算每个像素点的关注程度的方法为:
2032.获取所述灰度图像中每个像素点的梯度幅值,根据所述灰度图像中每个像素点的梯度幅值计算每个像素点的混乱程度。
建立滑窗,滑窗大小为大小的滑窗,计算滑窗区域的混乱程度,将其值赋予中心像素点。由于滑窗操作会导致焊缝边缘像素点无法计算,可能导致判断偏差,故对原焊缝图像进行增维操作,方法为:原焊缝图大小为M×N,滑窗大小为n×n,增维后图像大小变为,增维元素为原图边缘像素点的灰度值,增维后图像四角像素点的灰度值用原图四角像素点的灰度值填充。
计算滑窗子影像图(一个滑窗即为一个子影像图)的混乱程度,由于正常区域或伪缺陷区域的像素点其所在划窗像素点的灰度值相似,灰度波动较小,而缺陷区域往往存在较大的灰度波动,故利用sobel算子计算各个像素点x,y方向的梯度, ,则梯度幅值为,根据像素点划窗中像素点的梯度幅值计算混乱程度根据像素点划窗中像素点的梯度幅值计算混乱程度。
计算每个像素点的混乱程度的方法为:
建立设定尺寸的滑窗,根据滑窗尺寸对所述灰度图像进行增维,对增维后的灰度图像进行滑窗,计算每个滑窗内所有像素点的梯度幅值,根据每个像素点的梯度幅值计算对应像素点的混乱程度,表达式为:
2033.根据所述关注程度以及所述混乱程度计算焊缝灰度图像中每个像素点的异常概率值。
根据所述关注程度以及所述混乱程度计算焊缝灰度图像中每个像素点的异常概率值,表达式为:
其中,L表示所述焊缝灰度图像中每个像素点的异常概率值,G表示每个像素点的混乱程度,K表示每个像素点的关注程度。
204.根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率;当所述夹渣缺陷概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷。
由于正常的焊缝灰度均匀,即存在很少的关注程度大的像素点与很少的粗糙区域,即所得的波形曲线波动程度小,趋近于一条直线,而发生夹渣缺少后,关注程度大的像素点的数量增多且此类点的粗糙程度曾加,故所得波形图中曲线的波动程度会发生较大的变化,存在明显波峰的区域即为夹渣缺陷的区域。
根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率的方法为:
根据所述每列像素点的异常概率值之和以及所述灰度图像中所有像素点的异常概率均值计算该焊缝灰度图像的夹渣缺陷概率,表达式为:
根据夹渣缺陷概率E进行夹渣缺陷判断,当E≥0.6时,此时判定焊缝存在夹渣缺陷,需要对夹渣缺陷区域进行标记,以便于后续的处理措施。
205.对于存在夹渣缺陷的焊缝灰度图像,根据每个像素点的异常概率值与所述异常概率均值确定焊缝灰度图像的夹渣缺陷区域。
确定焊缝灰度图像的夹渣缺陷区域的方法为:
将满足该表达式的连续列像素点进行标记,得到焊缝灰度图像的夹渣缺陷区域。
根据本发明提出的技术手段,有效降低了检测成本,提高了夹渣缺陷的获取精确度,对提高后续产品质量有着非常重要的意义;方便快捷,摒弃了传统方法复杂的图像处理计算过程,大大减少了计算量,更加适应高速生产的产线。
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 (5)
1.一种金属焊接夹渣缺陷快速检测方法,其特征在于,包括:
获取焊缝灰度图像,获取所述灰度图像中每个像素点的灰度值;
计算所述灰度图像中每个灰度级属于背景灰度级的概率,将所述概率最大值对应的灰度级作为所述灰度图像的背景灰度级;
根据所述灰度图像中每个像素点的灰度值与所述背景灰度级计算每个像素点的关注程度;
计算每个像素点的关注程度的方法为:
获取所述灰度图像中每个像素点的梯度幅值,根据所述灰度图像中每个像素点的梯度幅值计算每个像素点的混乱程度;
计算每个像素点的混乱程度的方法为:
建立设定尺寸的滑窗,根据滑窗尺寸对所述灰度图像进行增维,对增维后的灰度图像进行滑窗,计算每个滑窗内所有像素点的梯度幅值,根据每个像素点的梯度幅值计算对应像素点的混乱程度,表达式为:
根据每个像素点的关注程度和混乱程度计算焊缝灰度图像中每个像素点的异常概率值;
根据每个像素点的异常概率值计算该焊缝灰度图像的夹渣缺陷概率;当所述夹渣缺陷概率大于预设阈值时,该焊缝灰度图像存在夹渣缺陷;
对于存在夹渣缺陷的焊缝灰度图像,根据每个像素点的异常概率值与异常概率均值确定焊缝灰度图像的夹渣缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250317.1A CN115330780B (zh) | 2022-10-13 | 2022-10-13 | 一种金属焊接夹渣缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250317.1A CN115330780B (zh) | 2022-10-13 | 2022-10-13 | 一种金属焊接夹渣缺陷快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330780A CN115330780A (zh) | 2022-11-11 |
CN115330780B true CN115330780B (zh) | 2023-03-07 |
Family
ID=83915161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250317.1A Active CN115330780B (zh) | 2022-10-13 | 2022-10-13 | 一种金属焊接夹渣缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330780B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984284B (zh) * | 2023-03-21 | 2023-05-19 | 黄海造船有限公司 | 一种用于船舶维护的x射线船体焊缝图像检测方法 |
CN116452580B (zh) * | 2023-06-13 | 2023-09-01 | 山东古天电子科技有限公司 | 一种笔记本外观质量检测方法 |
CN116630322B (zh) * | 2023-07-24 | 2023-09-19 | 深圳市中翔达润电子有限公司 | 基于机器视觉的pcba板的质量检测方法 |
CN116934761B (zh) * | 2023-09-18 | 2023-12-08 | 张家港宝翔机械有限公司 | 一种乳胶手套缺陷自适应检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009210339A (ja) * | 2008-03-03 | 2009-09-17 | Jfe Engineering Corp | 欠陥検査方法、欠陥検査装置 |
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 |
CN115018827A (zh) * | 2022-08-03 | 2022-09-06 | 山东亿昌装配式建筑科技有限公司 | 一种建材焊缝质量自动检测方法 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989280B (zh) * | 2021-12-28 | 2022-03-22 | 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 |
-
2022
- 2022-10-13 CN CN202211250317.1A patent/CN115330780B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009210339A (ja) * | 2008-03-03 | 2009-09-17 | Jfe Engineering Corp | 欠陥検査方法、欠陥検査装置 |
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 |
CN115018827A (zh) * | 2022-08-03 | 2022-09-06 | 山东亿昌装配式建筑科技有限公司 | 一种建材焊缝质量自动检测方法 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Welding Defects Detection and Classification by Using Eddy Current Thermography;Luye Liu et al.;《2017 Far East NDT New Technology & Application Forum (FENDT)》;20181223;75-80 * |
基于超声检测的起重机T型焊缝缺陷检测分析;李建梅;《内燃机与配件》;20220330;118-120 * |
Also Published As
Publication number | Publication date |
---|---|
CN115330780A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330780B (zh) | 一种金属焊接夹渣缺陷快速检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN109886298A (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN109682839A (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN111103291A (zh) | 基于产品焊缝特征的图像识别与质量智能评价系统 | |
CN111696107A (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
CN113409313A (zh) | 基于计算机视觉的车轮焊缝表面缺陷检测方法 | |
CN110161035A (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN110751604A (zh) | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 | |
CN104122271A (zh) | 一种基于aoi的子弹表观缺陷检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN107133962A (zh) | 一种基于边缘检测的金刚石锯片裂纹提取方法 | |
CN114965516B (zh) | 基于x射线探伤的盾构刀头钎焊缺陷检测方法 | |
CN112697803A (zh) | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 | |
CN104535589A (zh) | 一种低压电流互感器在线检测方法和装置 | |
CN108876771B (zh) | 一种咬边焊接缺陷的检测方法 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN111681231A (zh) | 基于目标检测的工业焊接图像缺陷的检测方法 | |
Sa et al. | Improved Otsu segmentation based on sobel operator |
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 |