CN115423813A - 焊管表面焊接缺陷检测方法 - Google Patents
焊管表面焊接缺陷检测方法 Download PDFInfo
- Publication number
- CN115423813A CN115423813A CN202211380137.5A CN202211380137A CN115423813A CN 115423813 A CN115423813 A CN 115423813A CN 202211380137 A CN202211380137 A CN 202211380137A CN 115423813 A CN115423813 A CN 115423813A
- Authority
- CN
- China
- Prior art keywords
- outlier
- connected domain
- pixel point
- pixel points
- pixel
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- 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
- G06T7/10—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
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种焊管表面焊接缺陷检测方法。获取焊管的焊缝射线图像,并进行聚类;获取每个连通域的离群程度;获取离群连通域,并将离群连通域中的像素点作为离群像素点;获取每个离群像素点的距离异常值;获取每个离群连通域中离群像素点的灰度异常值;获取每个离群像素点的异常程度,将异常程度大于阈值的离群像素点作为缺陷像素点;基于缺陷像素点构成的连通域,得到焊缝射线图像中的缺陷区域,对缺陷区域进行缺陷类型检测,得到每个缺陷区域的缺陷类型。本发明通过对图像聚类后存在的离群像素点进行判断,降低离群像素点对缺陷检测的影响,从而检测到准确的缺陷区域进行缺陷识别。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种焊管表面焊接缺陷检测方法。
背景技术
随着我国航空、航天、能源和船舶等重工业的发展,焊接技术已经成为制造业中必不可少的材料成型和加工技术之一。由于焊接工艺在加工过程中易受到来自外部环境等因素的影响,如焊接速度、焊接功率、保护气体流量、焊接环境以及工件表面状况等,焊件不可避免地会产生裂纹、未焊透、未熔合、气孔、凹坑、夹渣等焊缝缺陷,为了保证焊件的产品质量,必须及时有效地检测出焊缝缺陷,在通过焊管的焊缝射线检测图像对焊缝进行缺陷检测时,需要对射线检测图像进行图像分割,将图像中的异常区域提取出进行具体缺陷类型的确定。
现有技术中存在使用聚类算法对焊缝射线检测图像进行分割,从而进行缺陷检测的方法,但是由于缺陷区域的灰度值会发生变化,如夹渣缺陷的部分会有一个边缘灰度值渐变的区域,使得常规的聚类算法会将一个缺陷区域划分为不同的簇类,此时多个簇类中都会包含部分缺陷区域,并且由于聚类效果的差异会导致簇类中出现离散连通域,这些离散连通域中也可能会存在缺陷,直接对聚类分割后的图像进行缺陷检测会使检测到的缺陷区域存在误差,导致最终进行缺陷类型判断时出现误判的情况。
发明内容
为了解决现有技术中,直接对聚类分割后的图像进行缺陷检测会使检测到的缺陷区域存在误差,导致检测到的缺陷区域存在误差的问题,本发明提供一种焊管表面焊接缺陷检测方法,获取焊管的焊缝射线图像,并进行聚类;获取每个连通域的离群程度;获取离群连通域,并将离群连通域中的像素点作为离群像素点;获取每个离群像素点的距离异常值;获取每个离群连通域中离群像素点的灰度异常值;获取每个离群像素点的异常程度,将异常程度大于阈值的离群像素点作为缺陷像素点;基于缺陷像素点构成的连通域,得到焊缝射线图像中的缺陷区域,对缺陷区域进行缺陷类型检测,得到每个缺陷区域的缺陷类型。本发明通过对图像聚类后存在的离群像素点进行判断,降低离群像素点对缺陷检测的影响,从而检测到准确的缺陷区域进行缺陷识别。
本发明采用如下技术方案,一种焊管表面焊接缺陷检测方法,包括:
获取焊管的焊缝射线图像,并对焊缝射线图像进行聚类,得到多个簇类。
获取每个簇类中的多个连通域,根据每个连通域中的像素点数量将每个簇类中的连通域分为离群连通域和非离群连通域,并将离群连通域中的像素点作为离群像素点。
根据每个离群像素点到其所在簇类中非离群连通域的最短距离,获取每个离群像素点的距离异常值。
根据每个离群连通域中离群像素点的灰度值均值,和每个离群连通域边缘像素点相邻的所有像素点的灰度均值,获取每个离群连通域中离群像素点的灰度异常值。
根据离群像素点的距离异常值和灰度异常值获取每个离群像素点的异常程度,将异常程度大于阈值的离群像素点作为缺陷像素点。
获取每个离群连通域中缺陷像素点构成的连通域,基于缺陷像素点构成的连通域得到焊缝射线图像中的缺陷区域,并对缺陷区域进行缺陷类型检测。
进一步的,焊管表面焊接缺陷检测方法,获取每个连通域的离群程度的方法为:
将每个连通域的像素点数量作为以e为底的指数函数的指数,构建每个连通域的指数函数;
利用每个连通域构建的指数函数与该连通域所在簇类中所有连通域构建的指数函数之和的比值,获取每个连通域的离群程度。
进一步的,焊管表面焊接缺陷检测方法,获取每个离群像素点的距离异常值的方法为:
利用每个离群像素点到其所在簇类中非离群连通域的最短距离,与该离群像素点所在簇类中所有离群像素点到簇类中非离群连通域的最短距离之和分别构建指数函数,获取每个离群像素点的距离异常值。
进一步的,焊管表面焊接缺陷检测方法,获取每个离群连通域中离群像素点的灰度异常值的方法为:
判断与每个离群连通域边缘像素点相邻的像素点是否全部属于其他簇类中的离群连通域,若不是全部属于其他簇类中的离群连通域,获取每个离群连通域中离群像素点的灰度均值,与每个离群连通域边缘像素点相邻的所有像素点的灰度均值之差,得到每个离群连通域的灰度差异值;
对每个离群连通域的灰度差异值进行归一化处理,将每个离群连通域归一化后的灰度差异值作为每个离群连通域中对应离群像素点的灰度异常值。
进一步的,焊管表面焊接缺陷检测方法,获取每个离群连通域中离群像素点的灰度异常值的方法还包括:
若存在离群连通域边缘像素点相邻的像素点全部属于其他簇类中的离群连通域,将该离群连通域的灰度异常值设定为1。
进一步的,焊管表面焊接缺陷检测方法,获取每个离群像素点的异常程度的方法为:
获取每个离群像素点的距离异常值和灰度异常值的均值,作为每个离群像素点的异常程度。
进一步的,焊管表面焊接缺陷检测方法,对缺陷区域进行缺陷类型检测的方法为:
根据缺陷区域的形状以及缺陷区域中缺陷像素点的灰度值分布确定对应缺陷区域的缺陷类型。
本发明的有益效果是:本发明首先对焊缝射线图像进行聚类,并根据聚类后每个簇类中连通域包含的像素点数量进行离群像素点判断,根据无缺陷焊缝图像中区域的规整情况可以将离群像素点认为是可能出现异常的,从而对这些像素点进行异常判断时可以更有针对性;然后一方面通过离群点距离主簇类的远近程度作为离群点的距离特征,另一方面根据离群点所在连通域的整体灰度值获取每个离群点的灰度特征,且离群点的距离特征与灰度特征为正相关关系,将距离特征与灰度特征结合起来反应离群点的异常程度,能够准确判断出离群点是否为缺陷像素点,从而根据缺陷像素点构成的连通域能够得到准确的缺陷区域,并进行进一步缺陷类型的检测,能够有效提高焊缝缺陷检测的精确度。
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焊管表面焊接缺陷检测方法流程示意图。
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。
如图1所示,给出了本发明实施例的一种焊管表面焊接缺陷检测方法流程示意图,包括:
101.获取焊管的焊缝射线图像并进行聚类。
本发明中聚类算法以K-means聚类为例,首先获取焊管焊缝的射线检测图像,利用
K-means聚类算法对焊管焊缝的射线检测图像进行图像分割,从而得到聚类后的多个簇类,
对于聚类算法中的K值,本发明为了可以更多的实现图像的灰度差异值的分类,将K值选取
为大于的数值,为本发明中选择的K-means聚类分割效果图像,此时通过聚类后得
到了四个簇类。
102.根据每个连通域的离群程度获取离群连通域,并将离群连通域中的像素点作为离群像素点。
在获取到初始的分割簇类之后首先需要提取每个簇类中的离群像素点,对每个簇类中的离群像素点分析其是否是异常像素点,对于簇类中的离群像素点指的是一个簇类中偏离大多数像素点所在原始图像中位置的像素点,由此,本发明通过对每一个簇类进行连通域处理来进行离群像素点的确定。
本发明对每个簇类的离群程度进行单独分析,分别以每个簇类为目标图像,将每个簇类区域转化为二值图像,将一个簇类中的像素点作为二值图像的白色区域,其他像素点为黑色区域,对于该簇类中的像素点通过连通域处理来进行离群区域的获取,根据连通域中的像素点数量来进行离群点的获取。
获取每个连通域的离群程度的方法为:
将每个连通域的像素点数量作为以e为底的指数函数的指数,构建每个连通域的指数函数;
利用每个连通域构建的指数函数与该连通域所在簇类中所有连通域构建的指数函数之和的比值,获取每个连通域的离群程度。
对于每一个簇类的二值图进行连通域处理,获取簇类中的所有连通域(对于二值图像连通域的连通标准就是8邻域中像素值为255的像素点连通),记录每个连通域中的像素点数量,则对于离群程度的计算可以通过连通域中像素点的数量进行判断。
在簇类的所有连通域中,对于像素点多的连通域可以认为是主要区域,而像素点
少的区域则可以认为是离群区域,(离群区域就是离群像素点的连通域),根据函
数会将数量大的数值在归一化的过程中给予更大的数值,可以使得连通域像素点数量的对
比更加明显,对于像素点数量很少的区域,其的数值会很小,那么这个区域
是离群区域的可能性就会很大,所以通过来进行离群程度的计算。
对于每个连通域的离群程度,本发明根据先验的焊缝中异常像素点数量占比,
可以将判断离群程度的阈值设置为,即当连通域的离群程度高于时将其认定为
离群连通域,其中的像素点即为离群像素点,则其他连通域即为非离群连通域。
103.获取离群像素点的距离异常值。
为了将离群像素点分类的过程中根据这些离群像素点是否为异常像素点进行簇类的重新划分,所以在获取到每个簇类中的离群像素点之后,需要根据实际场景进行离群像素点异常程度的获取。
在焊管焊缝的射线检测图像中存在的异常大多分布于焊管焊缝中心区域,如夹渣,气孔,根部未焊透,这些异常都会呈现为灰度值的异常变化,在异常的区域会因为灰度变化不均匀出现离群点,所以如果要判断离群像素点的异常程度就需要根据每个离群像素点在簇类中的位置信息进行判断。
对于一个离群像素点,异常程度与其到离群程度低的连通域竖直方向距离正相关;其所在的离群连通域周围的像素点如果是其它簇类的离群像素点则异常程度高一些,如果其离群连通域相邻像素点不是其他簇类的离群像素点,并且与原图像中的相邻像素点灰度差异值不大,则异常程度会低一些。
由于焊缝的射线检测图像是有迹可循的,对于每一个簇类,其离群程度最低的连通域,即非离群连通域是一个区域的主体,最多不会超过两个(像素点数量最多的区域),对于一个簇类中的所有离群点,计算每一个离群点到该离群像素点所在簇类中所有离群像素点到簇类中非离群连通域的最短距离,用来衡量每个离群像素点的距离异常值。
获取每个离群像素点的距离异常值的方法为:
利用每个离群像素点到其所在簇类中非离群连通域的最短距离,与该离群像素点所在簇类中所有离群像素点到簇类中非离群连通域的最短距离之和的比值,得到每个离群像素点的距离异常值,表达式为:
在实际场景中焊管焊缝图像中的像素点在距离上的差异相对来说是比较小的,如果是通过比值来进行衡量,会使得呈现出来的数值差异过小,所以本发明在衡量时通过指数函数来进行数值的拉伸,这样会使得距离短的像素点异常程度更低,而距离较大的像素点的异常程度更高。
104.获取离群像素点的灰度异常值。
因为原图像中异常区域是由多个像素点构成的,其对应的簇类中离群连通域也是多个像素点构成的,对于这个情况,还需要对离群像素点的灰度值特征进行衡量,本发明通过连通域的整体灰度值来进行判断。
获取每个离群连通域中离群像素点的灰度异常值的方法为:
判断每个离群连通域边缘像素点相邻的像素点是否全部属于其他簇类中的离群连通域,若不是全部属于其他簇类中的离群连通域,获取每个离群连通域中离群像素点的灰度均值,与每个离群连通域边缘像素点相邻的所有像素点的灰度均值之差,得到每个离群连通域的灰度差异值;
需要说明的是,本发明中离群连通域边缘像素点相邻的像素点,所表示的像素点为该离群连通域外的像素点,即外部相邻像素点。
对每个离群连通域的灰度差异值进行归一化处理,将每个离群连通域归一化后的灰度差异值作为每个离群连通域中对应离群像素点的灰度异常值。
获取每个离群连通域中离群像素点的灰度异常值的方法还包括:
若离群连通域边缘像素点相邻的像素点全部属于其他簇类中的离群连通域,将该离群连通域的灰度异常值设定为1。
当离群连通域边缘像素点相邻的像素点不是全部属于其他簇类中的离群连通域时,计算离群连通域的灰度差异值的方法为:
其中,k表示第i个离群连通域中的第k个像素点,表示第i个离群连通域的像
素点数量,表示第i个离群连通域中的第k个像素点的灰度值,a表示离群连通域的边缘像
素点外部相邻的像素点集合中的第a个像素点,表示第i个离群连通域的边缘像素点相邻
的像素点集合,表示离群连通域的像素点相邻的像素点数量,表示离群连通域边缘
像素点相邻的像素点集合中第a个像素点的灰度值,表示第i个离群连通域的灰度差异
值,本发明通过每个离群连通域中像素点的灰度值均值与对应连通域边缘上一圈像素点的
灰度值之差来判断离群连通域和周围环境之间的灰度差异值,也就是说,该差值越大,则离
群连通域中像素点的灰度异常值越大,反应出离群连通域中像素点的灰度值与周围区域越
不同,因此可以将其认为是异常的。
105.获取离群像素点的异常程度,将异常程度大于阈值的离群像素点作为缺陷像素点。
获取每个离群像素点的异常程度的方法为:
获取每个离群像素点的距离异常值和灰度异常值的均值,作为每个离群像素点的异常程度。
至此,对每个簇类中的离群像素点通过邻域分析处理,得到每个离群像素点的异常程度。
106.基于缺陷像素点构成的连通域,得到焊缝射线图像中的缺陷区域,并对缺陷区域进行缺陷类型检测。
在获取到所有离群像素点的异常程度之后,给出异常程度阈值来进行缺陷像素点
的选取,在这个过程中异常程度已经包含了像素点的位置信息,灰度值信息以及簇类离群
连通域之间的异常关系,此时通过单个阈值的选取即可完成缺陷像素点的选取,将异常程
度大于阈值的离群像素点作为缺陷像素点,本发明中根据焊缝中可能包含缺陷的特征将
阈值设定为0.6。
本发明根据所获取的离群像素点的异常程度对所有离群像素点进行连通域处理
形成缺陷区域,在具体实施时,在获取缺陷连通域之后将所有缺陷像素点在原有簇类中去
除,并将其单独划分为K-means聚类的第类,这样只需要提取出这一类即可获取图像
中的缺陷区域像素点。
在获取到图像中的缺陷区域像素点之后,对焊管焊缝中缺陷区域的像素点进行缺陷分析,即通过其灰度值变化情况与缺陷区域像素点连通域形状进行具体的焊管中焊缝的具体缺陷,通过此方法可以省去对整体图像中每一个像素点的异常判断,直接通过异常区域来进行分析,异常区域中包含了图像中的所有缺陷信息,可以保证焊管焊缝中缺陷的检测精度。
对缺陷区域进行缺陷类型检测的方法为:
根据缺陷区域的形状以及缺陷区域中缺陷像素点的灰度值分布确定对应缺陷区域的缺陷类型;
例如:如果缺陷连通域呈椭圆形,较为规则,连通域内像素点灰度值的分布均匀,则可以判定该缺陷连通域为气孔缺陷,如果缺陷连通域形状不规则且连通域内像素点灰度值变化不均匀,表现为从内至外的方向上出现灰度值的多次变化,则可以判断该缺陷连通域为夹渣缺陷。
本发明中根据缺陷像素点构成的缺陷连通域形状以及连通域内像素点的灰度值分布进行焊接缺陷的检测中,缺陷连通域的形状还包括其他如非椭圆、长条状、尖细状等,同时其连通域内灰度值的分布根据不同缺陷的类型也不同,本发明中仅仅给出了两种缺陷类型的示例,其他缺陷类型可根据其实际呈现特征对应进行判断,具体不同焊接缺陷的表现特征为公知常识,本发明不做过多解释。
本发明首先对焊缝射线图像进行聚类,并根据聚类后每个簇类中连通域包含的像素点数量进行离群像素点判断,根据无缺陷焊缝图像中区域的规整情况可以将离群像素点认为是可能出现异常的,从而对这些像素点进行异常判断时可以更有针对性;然后一方面通过离群点距离主簇类的远近程度作为离群点的距离特征,另一方面根据离群点所在连通域的整体灰度值获取每个离群点的灰度特征,且离群点的距离特征与灰度特征为正相关关系,将距离特征与灰度特征结合起来反应离群点的异常程度,能够准确判断出离群点是否为缺陷像素点,从而根据缺陷像素点构成的连通域能够得到准确的缺陷区域,并进行进一步缺陷类型的检测,能够有效提高焊缝缺陷检测的精确度。
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 (7)
1.焊管表面焊接缺陷检测方法,其特征在于,包括:
获取焊管的焊缝射线图像,并对焊缝射线图像进行聚类,得到多个簇类;
获取每个簇类中的多个连通域,根据每个连通域中的像素点数量获取每个连通域的离群程度,根据每个连通域的离群程度将每个簇类中的连通域分为离群连通域和非离群连通域,并将离群连通域中的像素点作为离群像素点;
根据每个离群像素点到其所在簇类中非离群连通域的最短距离,获取每个离群像素点的距离异常值;
根据每个离群连通域中离群像素点的灰度值均值,和每个离群连通域边缘像素点外部相邻的所有像素点的灰度均值,获取每个离群连通域中离群像素点的灰度异常值;
根据离群像素点的距离异常值和灰度异常值获取每个离群像素点的异常程度,将异常程度大于阈值的离群像素点作为缺陷像素点;
获取每个离群连通域中缺陷像素点构成的连通域,基于缺陷像素点构成的连通域得到焊缝射线图像中的缺陷区域,并对缺陷区域进行缺陷类型检测。
4.根据权利要求1所述的焊管表面焊接缺陷检测方法,其特征在于,获取每个离群连通域中离群像素点的灰度异常值的方法为:
判断与每个离群连通域边缘像素点外部相邻的像素点是否全部属于其他簇类中的离群连通域,其中,其他簇类为与每个离群连通域所在簇类不同的簇类;
若不是全部属于其他簇类中的离群连通域,获取每个离群连通域中离群像素点的灰度均值,与每个离群连通域边缘像素点外部相邻的所有像素点的灰度均值之差,得到每个离群连通域的灰度差异值,表达式为:
其中,k表示第i个离群连通域中的第k个像素点,表示第i个离群连通域的像素点
数量,表示第i个离群连通域中的第k个像素点的灰度值,a表示离群连通域的边缘像素点
外部相邻的像素点集合中的第a个像素点,表示离群连通域的边缘像素点外部相邻的像
素点集合,表示离群连通域的像素点外部相邻的像素点数量,表示第i个离群连通域
边缘像素点外部相邻的像素点集合中第a个像素点的灰度值,表示第i个离群连通域的灰
度差异值;
对每个离群连通域的灰度差异值进行归一化处理,将每个离群连通域归一化后的灰度差异值作为每个离群连通域中对应离群像素点的灰度异常值。
5.根据权利要求1所述的焊管表面焊接缺陷检测方法,其特征在于,获取每个离群连通域中离群像素点的灰度异常值的方法还包括:
若存在离群连通域边缘像素点相邻的像素点全部属于其他簇类中的离群连通域,将该离群连通域的灰度异常值设定为1;其中,其他簇类为与每个离群连通域所在簇类不同的簇类。
6.根据权利要求1所述的焊管表面焊接缺陷检测方法,其特征在于,获取每个离群像素点的异常程度的方法为:
获取每个离群像素点的距离异常值和灰度异常值的均值,作为每个离群像素点的异常程度。
7.根据权利要求1所述的焊管表面焊接缺陷检测方法,其特征在于,对缺陷区域进行缺陷类型检测的方法为:
根据缺陷区域的形状以及缺陷区域中缺陷像素点的灰度值分布确定对应缺陷区域的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380137.5A CN115423813B (zh) | 2022-11-05 | 2022-11-05 | 焊管表面焊接缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380137.5A CN115423813B (zh) | 2022-11-05 | 2022-11-05 | 焊管表面焊接缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423813A true CN115423813A (zh) | 2022-12-02 |
CN115423813B CN115423813B (zh) | 2023-03-24 |
Family
ID=84207376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211380137.5A Active CN115423813B (zh) | 2022-11-05 | 2022-11-05 | 焊管表面焊接缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423813B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861318A (zh) * | 2023-02-27 | 2023-03-28 | 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 |
CN116223515A (zh) * | 2023-05-05 | 2023-06-06 | 成都中航华测科技有限公司 | 一种用于电路板测试过程的导电图形缺陷检测方法 |
CN116484065A (zh) * | 2023-06-19 | 2023-07-25 | 曲阜师范大学 | 基于物联网的定位数据优化存储方法及系统 |
CN116563296A (zh) * | 2023-07-12 | 2023-08-08 | 吉林省禹语网络科技有限公司 | 一种用于腹部ct图像的识别方法 |
CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
CN116805317A (zh) * | 2023-08-28 | 2023-09-26 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的回转炉内壁缺陷检测方法 |
CN116823822A (zh) * | 2023-08-29 | 2023-09-29 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN117078667A (zh) * | 2023-10-13 | 2023-11-17 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117593303A (zh) * | 2024-01-18 | 2024-02-23 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117764992A (zh) * | 2024-02-22 | 2024-03-26 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092379A (zh) * | 2020-08-04 | 2022-02-25 | 新智数字科技有限公司 | 晶圆缺陷数据的聚类方法及装置 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
-
2022
- 2022-11-05 CN CN202211380137.5A patent/CN115423813B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092379A (zh) * | 2020-08-04 | 2022-02-25 | 新智数字科技有限公司 | 晶圆缺陷数据的聚类方法及装置 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
Non-Patent Citations (1)
Title |
---|
朱秀敏: "基于三维激光点云的零件表面缺陷检测", 《仪表技术与传感器》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861318A (zh) * | 2023-02-27 | 2023-03-28 | 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 |
CN116223515A (zh) * | 2023-05-05 | 2023-06-06 | 成都中航华测科技有限公司 | 一种用于电路板测试过程的导电图形缺陷检测方法 |
CN116484065A (zh) * | 2023-06-19 | 2023-07-25 | 曲阜师范大学 | 基于物联网的定位数据优化存储方法及系统 |
CN116484065B (zh) * | 2023-06-19 | 2023-08-25 | 曲阜师范大学 | 基于物联网的定位数据优化存储方法及系统 |
CN116563296A (zh) * | 2023-07-12 | 2023-08-08 | 吉林省禹语网络科技有限公司 | 一种用于腹部ct图像的识别方法 |
CN116563296B (zh) * | 2023-07-12 | 2023-09-05 | 吉林省禹语网络科技有限公司 | 一种用于腹部ct图像的识别方法 |
CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
CN116664569B (zh) * | 2023-07-31 | 2023-10-10 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
CN116805317B (zh) * | 2023-08-28 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的回转炉内壁缺陷检测方法 |
CN116805317A (zh) * | 2023-08-28 | 2023-09-26 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的回转炉内壁缺陷检测方法 |
CN116823822A (zh) * | 2023-08-29 | 2023-09-29 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN116823822B (zh) * | 2023-08-29 | 2023-11-21 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN117078667A (zh) * | 2023-10-13 | 2023-11-17 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117078667B (zh) * | 2023-10-13 | 2024-01-09 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117593303A (zh) * | 2024-01-18 | 2024-02-23 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117593303B (zh) * | 2024-01-18 | 2024-04-09 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117764992A (zh) * | 2024-02-22 | 2024-03-26 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
CN117764992B (zh) * | 2024-02-22 | 2024-04-30 | 山东乔泰管业科技有限公司 | 基于图像处理的塑料管材质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115423813B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423813B (zh) | 焊管表面焊接缺陷检测方法 | |
US6876445B2 (en) | Method for analyzing defect data and inspection apparatus and review system | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
CN115272316B (zh) | 基于计算机视觉的电池盖焊接质量智能检测方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN115601362B (zh) | 一种基于图像处理的焊接质量评估方法 | |
CN115797358B (zh) | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN115439481A (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN115345894B (zh) | 一种焊缝射线检测图像分割方法 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
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 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN110544243A (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 |
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 |