CN115457031A - 基于x射线的集成箱体内部缺陷识别方法 - Google Patents
基于x射线的集成箱体内部缺陷识别方法 Download PDFInfo
- Publication number
- CN115457031A CN115457031A CN202211325116.3A CN202211325116A CN115457031A CN 115457031 A CN115457031 A CN 115457031A CN 202211325116 A CN202211325116 A CN 202211325116A CN 115457031 A CN115457031 A CN 115457031A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- pixel points
- container
- adjacent
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000003466 welding Methods 0.000 claims abstract description 66
- 230000035772 mutation Effects 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 8
- 230000010354 integration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012611 container material Substances 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于X射线的集成箱体内部缺陷识别方法,该方法获取集装箱内部的X射线图像以得到集装箱内部灰度图像;根据集装箱内部灰度图像中的每列像素点的灰度值构建对应列的集装箱灰度曲线分布图,获取集装箱灰度曲线分布图中的目标像素点,从目标像素点开始对像素点分组得到多组;根据每组的灰度下降特征值和相邻组的特征值波动度,得到突变像素点;获取每张集装箱灰度曲线分布图对应的突变像素点,得到焊缝上边缘;获取焊缝下边缘,由焊缝上边缘和焊缝下边缘得到焊缝区域;对焊缝区域进行超像素分割,得到多个超像素块,根据超像素块中的灰度值进行缺陷检测。本发明能够快速准确地进行缺陷识别。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于X射线的集成箱体内部缺陷识别方法。
背景技术
集装箱是能够装载包装或无包装货物进行运输,并便于用机械设备进行装卸搬运的一种组成工具。使用集成箱集装箱运输货物可防雨、避光、抗震,以达到减少货损、方便运输和装卸的目的。伴随着物流行业的发展,集成箱的需求呈井喷式发展。集装箱的箱体主要由铝合金焊接而成,焊接的质量影响着集装箱的外观和使用,在焊接过程中产生的缺陷往往可能使集装箱结构失效,所以需要及时对集成箱进行质量检测。由焊接产生的缺陷一般分为两类,分别为外部缺陷和内部缺陷。外部缺陷在焊机完成时可直接观察评价,也可使用磁粉检测、渗透检测等方法。
针对于内部缺陷,常规的无损检测方法主要有涡流检测、射线检测等。涡流检测通过测量待检构件内部感生涡流变化的形式来发现缺陷,但存在趋肤效应,测量灵敏度会受到磁场穿透力的影响。X射线技术是一种高效无损的检测技术,但一般采用人工目视检测X射线胶片的方法,运行成本高,检测周期长,保存和查询工作量大,需要一种自动分析x射线胶片的方法。
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基于X射线的集成箱体内部缺陷识别方法,所采用的技术方案具体如下:
本发明实施例中提供了一种基于X射线的集成箱体内部缺陷识别方法,该方法包括以下步骤:
获取集装箱内部的X射
线图像,对所述X射线图像进行灰度化,得到对应的集装箱内部灰度图像;
根据集装箱内部灰度图像中的每列像素点的灰度值构建对应列的集装箱灰度曲线分布图;对于一张集装箱灰度曲线分布图,设置寻找突变的初始触发条件得到目标像素点,从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组;分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下降特征值;将每组像素点的灰度值组成灰度值序列,根据相邻组的灰度值序列的差异和灰度下降特征值的差异计算相邻组的特征值波动度;
计算相邻的两个相邻组的特征值波动度的比值,由比值获取目标相邻组,将目标相邻组对应的两组像素点分别划分为两小组像素点,获取相邻小组的特征值波动度得到目标相邻小组,根据目标相邻小组中相邻像素点之间的灰度值差值,得到突变像素点;获取每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝上边缘;
获取集装箱内部灰度图像中的焊缝下边缘,将焊缝上边缘和焊缝下边缘之间的区域作为焊缝区域;对焊缝区域进行超像素分割,得到多个超像素块,根据超像素块中的灰度值进行缺陷检测。
进一步的,所述设置寻找突变的初始触发条件得到目标像素点的方法,包括:
计算像素点与相邻下一个像素点之间的灰度值差值,当灰度值差值大于或等于阈值系数时,该像素点为目标像素点。
进一步的,所述灰度下降特征值的获取方法,包括:
根据当前组中相邻像素点之间的灰度值差值,分别获取灰度值差值的绝对值的最大值、灰度值差值的标准差以及灰度值差值的均值,将灰度值差值的绝对值的最大值、灰度值差值的标准差以及灰度值差值的均值之间的乘积作为当前组的灰度下降特征值。
进一步的,所述相邻组的特征值波动度的获取方法,包括:
计算相邻组对应灰度值序列之间的皮尔森相关系数和DTW距离,得到以皮尔森相关系数为分子、DTW距离为分母的第一比值;获取相邻组对应灰度下降特征值的第二比值,将第一比值和第二比值之间的乘积作为相邻组的特征值波动度。
进一步的,所述突变像素点的获取方法,包括:
将目标相邻小组中相邻像素点之间的最大灰度值差值所对应的像素点作为突变像素点。
进一步的,所述获取集装箱内部灰度图像中的焊缝下边缘的方法,包括:
获取集装箱内部灰度图像中每个像素点的灰度值反转值,利用灰度值反转值替换集装箱内部灰度图像中对应像素点的原灰度值,得到优化集装箱内部灰度图像;
获取优化集装箱内部灰度图像中每列像素点的集装箱灰度曲线分布图,对于优化集装箱内部灰度图像的任意一张所述集装箱灰度曲线分布图,设置寻找突变的初始触发条件得到目标像素点,从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组;分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下降特征值;将每组像素点的灰度值组成灰度值序列,根据相邻组的灰度值序列的差异和灰度下降特征值的差异计算相邻组的特征值波动度;
计算相邻的两个相邻组的特征值波动度的比值,由比值获取目标相邻组,将目标相邻组对应的两组像素点分别划分为两小组像素点,获取相邻小组的特征值波动度得到目标相邻小组,根据目标相邻小组中相邻像素点之间的灰度值差值,得到突变像素点;获取优化集装箱内部灰度图像的每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝下边缘。
进一步的,所述根据超像素块中的灰度值进行缺陷检测的方法,包括:
计算每个超像素块的第一灰度值均值以及焊缝区域对应的第二灰度值均值,当第一灰度值均值小于第二灰度值均值与调节系数的差值时,确认对应超像素块内含有内部缺陷。
本发明实施例至少具有如下有益效果:本发明从集成箱最易产生瑕疵的焊接区域入手,根据焊接部分和集装箱材料的不同在集成箱内部图像上呈现出的差异导致图像中灰度值出现突变的性质,采用综合整体趋势和相邻微观变化的方法,确定图像中的焊缝区域,进而确定该区域内是够含有瑕疵,判断精确,不需要大量样本进行训练,只需获取对应的X射线图像即可得到分析结果,使用便捷。
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提供的一种基于X射线的集成箱体内部缺陷识别方法的步骤流程图。
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基于X射线的集成箱体内部缺陷识别方法,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。
下面结合附图具体的说明本发明所提供的一种基于X射线的集成箱体内部缺陷识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于X射线的集成箱体内部缺陷识别方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取集装箱内部的X射线图像,对X射线图像进行灰度化,得到对应的集装箱内部灰度图像。
具体的,X射线探测器的功能是通过内部元器件接收X射线,并将其转换为可见光,再通过内部集成或外置的图像采集单元将可见光转换为数字信号到计算机中进行处理的装置。使用便携式X射线探测器获取集成箱焊接部分的图像,该图像会以彩色图像的形式输入到计算机中,记为X射线图像,X射线图像为RGB图像。为缩短图像处理时间、提高软件系统的普遍适用性、提升系统处理的效率,使用加权平均值法对集成箱内部的X射线图像进行灰度化处理,得到集成箱内部灰度图像。
由于X射线探测器中成像转换装置的不均匀性、光泄露以及处理信号的放大器元件的工作,获取的集装箱内部图像中会夹杂随机噪声,影响后续的分析,所以对集成箱内部灰度图像使用中值滤波,消除噪声对图像的影响。然后,对集成箱内部灰度图像使用Pal模糊增强算法进行图像增强,提高图像对比度、增强焊缝边缘、强化缺陷边缘信息。
步骤S002,根据集装箱内部灰度图像中的每列像素点的灰度值构建对应列的集装箱灰度曲线分布图;对于一张集装箱灰度曲线分布图,设置寻找突变的初始触发条件得到目标像素点,从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组;分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下降特征值;将每组像素点的灰度值组成灰度值序列,根据相邻组的灰度值序列的差异和灰度下降特征值的差异计算相邻组的特征值波动度。
具体的,集装箱一般为铝合金或者钢材质,为保证使用强度、密封性等,原材料的选取一般比较严格,同时使用较精密的焊接工艺。但焊接往往会产生内部瑕疵,而精密的焊接工艺也会导致焊缝相对较窄,加大了这些缺陷的识别难度。所以需要对焊缝区域进行精确的定位,才能精确地识别瑕疵。本方法使用更为精确谨慎地逐个扫描像素点的方法进行分析,以线灰度曲线分析方法为基础,进行下述分析。
根据集成箱内部灰度图像中每列对应的像素点的灰度值建立集装箱灰度曲线分布图,每列像素点对应一个集装箱灰度曲线分布图,其中集装箱灰度曲线分布图以像素点的排列顺序作为横坐标,以各像素点对应的灰度值作为纵坐标。
由于焊接焊缝的存在,焊缝位置与集成箱本身的材质位置材料不同,所以在焊缝对应的区域会与集装箱本身的区域之间相间的位置存在差异,反映在集装箱灰度曲线分布图中即为对应的灰度值会出现较大的突变。而焊缝区域与集装箱相接的部分在图像中有两个,所以在集装箱灰度曲线分布图中,从像素点从小至大位置和从大至小位置各有两个较大的突变,对应焊接区域的两个边缘位置。以此为基础确定焊接焊缝的边缘位置。
首先由像素点的位置从小至大开始分析,找到第一个突变点,即焊缝上边缘在这
列像素点对应的位置:集装箱灰度曲线分布图中灰度值首先呈现较大的固定的值,然后呈
均匀地缓慢减少,在一定区域内维持该趋势后,会出现灰度值的突变。为防止从固定不变转
换到缓慢减少时被认定为出现突变,设置开始寻找突变的初始触发条件:
从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组,其中本发明中相邻预设数量为20,顺延设定数量为10。
例如,从目标像素点开始将其所属集装箱灰度曲线分布图中相邻20个像素点作为第一组,然后从第11个像素点开始再将相邻20个像素点作为第二组,以此类推,得到多组。
分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下
降特征值:根据当前组中相邻像素点之间的灰度值差值,分别获取灰度值差值的绝对值的
最大值、灰度值差值的标准差以及灰度值差值的均值,将灰度值差值的绝对值的最大值、灰
度值差值的标准差以及灰度值差值的均值之间的乘积作为当前组的灰度下降特征值,则灰
度下降特征值的计算公式为:
集装箱灰度曲线分布图中像素点对应的灰度值在这一部分呈现逐渐递减的趋势,
但这一趋势为总体的呈现,相邻两个位置的像素点对应的灰度值之间存在少量波动,可能
会使式中的的值出现负值,所以取绝对值减少这一因素的影响。同时,取个像
素点为一组,评价这一组内的像素点对应的灰度值递减的情况,减少波动引起的差异。
其中,衡量了该组像素点对应灰度值的总体下降的情况,衡量了该组像素点内相邻像素点的最大变化情况,而衡量
了该组像素点对应灰度值下降的变化度。当该组像素点对应的灰度值总体下降的趋势越
大、相邻像素点的变化最大值越大,灰度值下降的变化度越大时,该组像素点对应的灰度下
降特征值越大,即该组像素点越可能包含灰度值产生突变的位置。
当某组像素点处于均匀地缓慢减少的趋势中,则改组像素点对应的灰度下降特征
值会较小,且相邻的两组处于均匀地缓慢减少的趋势中的像素点对应的灰度下降特征
值差异较小。而当某组像素点包括了存在突变的像素点时,则该组像素点不仅灰度值
的总体下降的情况会突然变得较大,相邻像素点的最大变化和灰度值下降的变化度也会突
然增大,即该组像素点对应的灰度下降特征值会产生猛烈的增长,即相较于前一组像
素点对应的灰度下降特征值会突然增大。根据这一特征构建相邻组的特征值波动度:
其中,为第组像素点对应的灰度值组成的灰度值序列与第组像素
点对应的灰度值组成的灰度值序列之间的皮尔森相关系数,若相关系数越接近于1,则表示
两组灰度值序列的正相关性越大,若相关系数越接近于-1,则表示两组灰度值序列的负相
关性越大;若相关系数越接近于0,则两组灰度值序列的相关性越小;为第组像素点对
应的灰度下降特征值;为第组像素点对应的灰度下降特征值;为第组像素点对应的灰度值组成的灰度值序列与第组像素点对应的灰度值组成的灰度值
序列之间的DTW距离。
利用相邻组的特征值波动度的计算公式,能够得到所有相邻组的特征值波动度。
步骤S003,计算相邻的两个相邻组的特征值波动度的比值,由比值获取目标相邻组,将目标相邻组对应的两组像素点分别划分为两小组像素点,获取相邻小组的特征值波动度得到目标相邻小组,根据目标相邻小组中相邻像素点之间的灰度值差值,得到突变像素点;获取每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝上边缘。
具体的,根据步骤S002计算的每组的灰度下降特征值和相邻组的特征值波动
度可知,当这两组像素点对应的灰度值对应的序列差异越大、相关性越小,对应的灰度
下降特征值差异越大时,则这两组像素点对应的相邻组特征值波动度越大,即这两
组像素点中越可能包含灰度值产生突变的位置。
当后两组像素点对应的相邻组的特征值波动度是前两组像素点对应的相邻
组的特征值波动度的倍时,其中,为常数,经验值为4,则认为后两组像素点中包含
灰度值出现突变的位置,并将后两组像素点作为目标相邻组,然后对目标相邻组的像素点
进行下述精确分析,定位出现突变的具体位置,即焊接边缘处确切位置。
将目标相邻组对应的两组像素点分别划分为两小组像素点,共得到四小组像素点,当被划分的像素点不是二的整数倍时,则划分的前一组和后一组中均包括最中间的这个像素点,即对最中间的像素点使用两次。同理,对这四小组像素点按照上述确定包含灰度值出现突变的目标相邻组的过程进行判断,得到包含灰度值出现突变的范围更小的目标相邻小组,取目标相邻小组中相邻像素点对应的灰度值差值最大的像素点作为像素点的灰度值发生突变的位置,即突变像素点,且突变像素点的位置也即是焊接焊缝的边缘对应的像素点在图像中的位置。
在上述循环过程中,灰度下降特征值和相邻组特征值波动度是综合了一个组内像素点灰度值变化的整体情况和相邻像素点间的灰度值变化的微观情况的指标,当组内的像素点数量过少时,该指标则无法很好地发挥作用,所以仅重复一个循环再根据衡量效果较好的相邻灰度值差最大的方式寻找灰度值突变的位置,使寻找结果更加准确。
利用上述突变像素点的获取方法,获取每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝上边缘。
步骤S004,获取集装箱内部灰度图像中的焊缝下边缘,将焊缝上边缘和焊缝下边缘之间的区域作为焊缝区域;对焊缝区域进行超像素分割,得到多个超像素块,根据超像素块中的灰度值进行缺陷检测。
具体的,集装箱内部灰度图像中焊缝的下边缘也有类似的特征。但是灰度值的变
化规律为:在集装箱灰度曲线分布图中,从像素点边缘位置由大至小,像素点的灰度值首先
呈现较小的固定的值,然后呈均匀地缓慢增大,在一定区域内维持该趋势后,会出现灰度值
的突变,这与确定上边缘的趋势相反,因此将获取集装箱内部灰度图像中每个像素点的灰
度值反转值,记为第个位置的像素点的灰度值反转值,利用灰度值反转
值替换集装箱内部灰度图像中对应像素点的原灰度值,得到优化集装箱内部灰度图像。
同理,利用步骤S002和步骤S003的方法,获取优化集装箱内部灰度图像中的所有突变像素点,根据这些突变像素点的位置得到对应在集装箱内部灰度图像的像素点,进而根据这些像素点得到集装箱内部灰度图像中的焊缝下边缘。
将集装箱内部灰度图像中确定的焊缝的上边缘和下边缘均标记出来,两者之间的区域即为焊缝在图像中对应的区域,记为焊缝区域。
对焊缝区域使用超像素分割,将焊缝区域分割为个超像素块,其中为常数系
数,经验值为20。焊件内如果产生瑕疵,如裂纹、气孔、夹渣、未焊透、未融合等,则该瑕疵部
分在集成箱内部灰度图像中即呈现出与焊件不同的亮度,而没有瑕疵部分亮度较大。计算
每个超像素块对应的第一灰度值均值和整个焊缝区域对应的第二灰度值均值。当超像素块
对应的第一灰度值均值小于第二灰度值均值与调节系数的差值时,则判断该超像素块对应
的区域内含有内部缺陷,需要说明的是,调节系数的作用为防止图像因获取的环境影响导
致亮度不均而导致后续是否含有瑕疵的误判,经验值为10。
当该焊缝区域内含有超像素块被判定为对应的区域内含有内部缺陷,则输出该集成箱获取该焊接部分图像的区域内含有内部缺陷的结论,同时输出标记出该超像素块的图像用以提示缺陷区域的具体情况;若该焊缝区域内不含有超像素块被判定为对应的区域内含有内部缺陷,则直接输出该集成箱获取该焊接部分图像的区域内不含有内部缺陷的结论。
综上所述,本方明实施例获取集装箱内部的X射线图像以得到集装箱内部灰度图像;根据集装箱内部灰度图像中的每列像素点的灰度值构建对应列的集装箱灰度曲线分布图,获取集装箱灰度曲线分布图中的目标像素点,从目标像素点开始对像素点分组得到多组;根据每组的灰度下降特征值和相邻组的特征值波动度,得到突变像素点;获取每张集装箱灰度曲线分布图对应的突变像素点,得到焊缝上边缘;获取焊缝下边缘,由焊缝上边缘和焊缝下边缘得到焊缝区域;对焊缝区域进行超像素分割,得到多个超像素块,根据超像素块中的灰度值进行缺陷检测。本发明能够快速准确地进行缺陷识别。
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。且上述对本说明书特定实施例进行了描述。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 (6)
1.基于X射线的集成箱体内部缺陷识别方法,其特征在于,该方法包括以下步骤:
获取集装箱内部的X射线图像,对所述X射线图像进行灰度化,得到对应的集装箱内部灰度图像;
根据集装箱内部灰度图像中的每列像素点的灰度值构建对应列的集装箱灰度曲线分布图;对于一张集装箱灰度曲线分布图,设置寻找突变的初始触发条件得到目标像素点,从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组;分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下降特征值;将每组像素点的灰度值组成灰度值序列,根据相邻组的灰度值序列的差异和灰度下降特征值的差异计算相邻组的特征值波动度;
计算相邻的两个相邻组的特征值波动度的比值,由比值获取目标相邻组,将目标相邻组对应的两组像素点分别划分为两小组像素点,获取相邻小组的特征值波动度得到目标相邻小组,根据目标相邻小组中相邻像素点之间的灰度值差值,得到突变像素点;获取每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝上边缘;
获取集装箱内部灰度图像中的焊缝下边缘,将焊缝上边缘和焊缝下边缘之间的区域作为焊缝区域;对焊缝区域进行超像素分割,得到多个超像素块,根据超像素块中的灰度值进行缺陷检测;
所述相邻组的特征值波动度的获取方法,包括:
计算相邻组对应灰度值序列之间的皮尔森相关系数和DTW距离,得到以皮尔森相关系数为分子、DTW距离为分母的第一比值;获取相邻组对应灰度下降特征值的第二比值,将第一比值和第二比值之间的乘积作为相邻组的特征值波动度。
2.如权利要求1所述的基于X射线的集成箱体内部缺陷识别方法,其特征在于,所述设置寻找突变的初始触发条件得到目标像素点的方法,包括:
计算像素点与相邻下一个像素点之间的灰度值差值,当灰度值差值大于或等于阈值系数时,该像素点为目标像素点。
3.如权利要求1所述的基于X射线的集成箱体内部缺陷识别方法,其特征在于,所述灰度下降特征值的获取方法,包括:
根据当前组中相邻像素点之间的灰度值差值,分别获取灰度值差值的绝对值的最大值、灰度值差值的标准差以及灰度值差值的均值,将灰度值差值的绝对值的最大值、灰度值差值的标准差以及灰度值差值的均值之间的乘积作为当前组的灰度下降特征值。
4.如权利要求1所述的基于X射线的集成箱体内部缺陷识别方法,其特征在于,所述突变像素点的获取方法,包括:
将目标相邻小组中相邻像素点之间的最大灰度值差值所对应的像素点作为突变像素点。
5.如权利要求1所述的基于X射线的集成箱体内部缺陷识别方法,其特征在于,所述获取集装箱内部灰度图像中的焊缝下边缘的方法,包括:
获取集装箱内部灰度图像中每个像素点的灰度值反转值,利用灰度值反转值替换集装箱内部灰度图像中对应像素点的原灰度值,得到优化集装箱内部灰度图像;
获取优化集装箱内部灰度图像中每列像素点的集装箱灰度曲线分布图,对于优化集装箱内部灰度图像的任意一张所述集装箱灰度曲线分布图,设置寻找突变的初始触发条件得到目标像素点,从目标像素点开始,将相邻预设数量的像素点组成一组,且每组之间顺延设定数量的像素点,得到多组;分别计算每组中相邻像素点的灰度值差值,根据灰度值差值获取对应组的灰度下降特征值;将每组像素点的灰度值组成灰度值序列,根据相邻组的灰度值序列的差异和灰度下降特征值的差异计算相邻组的特征值波动度;
计算相邻的两个相邻组的特征值波动度的比值,由比值获取目标相邻组,将目标相邻组对应的两组像素点分别划分为两小组像素点,获取相邻小组的特征值波动度得到目标相邻小组,根据目标相邻小组中相邻像素点之间的灰度值差值,得到突变像素点;获取优化集装箱内部灰度图像的每张集装箱灰度曲线分布图对应的突变像素点,由所有的突变像素点得到集装箱内部灰度图像中的焊缝下边缘。
6.如权利要求1所述的基于X射线的集成箱体内部缺陷识别方法,其特征在于,所述根据超像素块中的灰度值进行缺陷检测的方法,包括:
计算每个超像素块的第一灰度值均值以及焊缝区域对应的第二灰度值均值,当第一灰度值均值小于第二灰度值均值与调节系数的差值时,确认对应超像素块内含有内部缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325116.3A CN115457031A (zh) | 2022-10-27 | 2022-10-27 | 基于x射线的集成箱体内部缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325116.3A CN115457031A (zh) | 2022-10-27 | 2022-10-27 | 基于x射线的集成箱体内部缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457031A true CN115457031A (zh) | 2022-12-09 |
Family
ID=84311043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211325116.3A Pending CN115457031A (zh) | 2022-10-27 | 2022-10-27 | 基于x射线的集成箱体内部缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457031A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN116071357A (zh) * | 2023-03-07 | 2023-05-05 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
CN116309608A (zh) * | 2023-05-25 | 2023-06-23 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种应用超声图像的涂层缺陷检测方法 |
CN116309555A (zh) * | 2023-05-15 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
-
2022
- 2022-10-27 CN CN202211325116.3A patent/CN115457031A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071357A (zh) * | 2023-03-07 | 2023-05-05 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
CN116071357B (zh) * | 2023-03-07 | 2023-06-16 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
CN115984272B (zh) * | 2023-03-20 | 2023-05-23 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN116309555B (zh) * | 2023-05-15 | 2023-07-25 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
CN116309555A (zh) * | 2023-05-15 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
CN116309608A (zh) * | 2023-05-25 | 2023-06-23 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种应用超声图像的涂层缺陷检测方法 |
CN116309608B (zh) * | 2023-05-25 | 2023-08-04 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种应用超声图像的涂层缺陷检测方法 |
CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
CN116385436B (zh) * | 2023-06-02 | 2023-08-15 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116735612A (zh) * | 2023-08-15 | 2023-09-12 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
CN116735612B (zh) * | 2023-08-15 | 2023-11-07 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
CN117132506A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
CN117132506B (zh) * | 2023-10-23 | 2024-01-19 | 深圳市高进实业有限公司 | 基于视觉技术的钟表零配件质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115457031A (zh) | 基于x射线的集成箱体内部缺陷识别方法 | |
CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
EP4280153A1 (en) | Defect detection method, apparatus and system | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
RU2396550C1 (ru) | Способ и устройство для распознавания веществ | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
US7257267B2 (en) | Method and system for image segmentation | |
US5892808A (en) | Method and apparatus for feature detection in a workpiece | |
US7215829B2 (en) | Method and system for object recognition using fractal map | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
JPH08504522A (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
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 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN111597941A (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
CN117689662B (zh) | 一种换热器管头焊接质量视觉检测方法及系统 | |
CN111462056A (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
KR100204215B1 (ko) | 검사방법 | |
CN116129365B (zh) | 输送设备上颗粒物料的检测方法和系统 | |
CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 | |
CN111831872A (zh) | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 | |
CN111640085B (zh) | 图像处理方法和设备、检测方法和装置、存储介质 | |
CN111882518A (zh) | 一种漏磁数据自适应伪彩色化方法 |
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 |