CN115830013A - 基于机器视觉的压力容器焊缝缺陷检测方法 - Google Patents
基于机器视觉的压力容器焊缝缺陷检测方法 Download PDFInfo
- Publication number
- CN115830013A CN115830013A CN202310078941.6A CN202310078941A CN115830013A CN 115830013 A CN115830013 A CN 115830013A CN 202310078941 A CN202310078941 A CN 202310078941A CN 115830013 A CN115830013 A CN 115830013A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- frequency
- obtaining
- welding seam
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的压力容器焊缝缺陷检测方法,获取压力容器焊缝区域的灰度图像;根据每次调节后的同态滤波函数对灰度图像进行滤波,得到每次滤波后的图像,根据每次滤波后的图像中所有像素点位置和所有次滤波后的图像个数,对预设高频增益参数和预设低频衰减参数进行调节,得到最终同态滤波函数;利用最终同态滤波函数对灰度图像进行最终滤波得到焊缝边缘图像,根据焊缝边缘图像判断压力容器焊缝区域是否存在缺陷。本发明提高了压力容器焊缝区域缺陷检测的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的压力容器焊缝缺陷检测方法。
背景技术
压力容器在各个行业都起着很重要的作用,例如一些石化,能源行业,在科研军工,机械制造业也有着很重要的作用,压力容器通常用来盛装气体或者液体等物品,能够承受较大的压力,因此压力容器的密封性一定要好,而压力容器的焊接是其生产关键工序,焊接质量是保证压力容器质量的重要部分,但是压力容器焊接后,往往因为其焊接效果不理想,导致压力容器的密封性差,因此,对压力容器焊缝区域进行缺陷检测至关重要。
现有技术往往通过同态滤波,对压力容器的灰度图像进行增强,利用增强后的灰度图像获取压力容器的焊缝区域,并进行缺陷检测;但是同态滤波函数进行图像增强时,往往要设置滤波的参数,而现有的参数的设置仅凭借经验值设置,导致所得的增强后的灰度图像不准确,从而导致压力容器焊缝区域缺陷检测结果不准确。
发明内容
本发明提供基于机器视觉的压力容器焊缝缺陷检测方法,以解决现有的压力容器焊缝区域缺陷检测结果不准确的问题。
本发明的基于机器视觉的压力容器焊缝缺陷检测方法,采用如下技术方案:
获取压力容器焊缝区域的灰度图像;
对同态滤波函数中的预设高频增益参数和预设低频衰减参数进行多次调节,得到每次调节后的同态滤波函数;其中,每调节一次预设高频增益参数,同时调节一次预设低频衰减参数;
利用每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,获取所有次滤波后相邻两张图像的差分图像;并利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像,对重构灰度图像进行分割得到分割图像;
利用分割图像中像素点对应的梯度幅值,获得最终预设高频增益参数和最终预设低频衰减参数,并得到最终同态滤波函数;
利用最终同态滤波函数对灰度图像进行滤波得到焊缝边缘图像,根据焊缝边缘图像中每个像素点的位置得到焊缝边缘的平直程度,根据焊缝边缘的平直程度判断压力容器焊缝区域是否存在缺陷。
进一步的,获得最终预设高频增益参数和最终预设低频衰减参数的方法是:
将分割图像中所有像素点对应梯度幅值,与灰度图像中的低梯度幅值和高梯度幅值的分界点对应的梯度幅值进行比较,当前者大于后者时,选取分割图像中所有像素点对应梯度幅值中的最大梯度幅值作为第一调节参数;当前者小于后者时,选取分割图像中所有像素点对应梯度幅值中的最小梯度幅值作为第二调节参数;
将预设高频增益参数对应梯度幅值区间的右端点,与第一调节参数或第二调节参数的差值作为分子,将预设高频增益参数对应梯度幅值区间的长度作为分母,将分子分母的比值作为预设高频增益参数中调节后的增益系数;
将第一调节参数或第二调节参数与预设低频衰减参数对应梯度幅值区间右端点的比值作为预设低频衰减参数中调节后的衰减系数;
根据预设高频增益参数中调节后的增益系数和预设低频衰减参数中调节后的衰减系数得到最终预设高频增益参数和最终预设低频衰减参数。
进一步的,得到分割图像的方法是:
根据所有差分图像中每个像素点的位置和差分图像的个数得到所有差分图像中每个位置处像素点的稳定程度;
利用所有差分图像中每个位置处像素点的稳定程度和预设稳定程度阈值对重构灰度图像进行分割得到分割图像。
进一步的,所有差分图像中每个位置处像素点的稳定程度的具体表达式为:
进一步的,得到焊缝边缘的平直程度的方法是:
对焊缝边缘图像中所有像素点进行聚类,根据聚类结果得到焊缝每侧的边缘像素点;
对焊缝每侧的边缘像素点进行直线拟合,得到焊缝每侧对应的直线;
获取每条直线对应的该侧所有边缘像素点到该条直线距离,并得到该条直线对应的所有距离中的最大距离;
将每条直线对应的所有距离中的最大距离与该条直线对应的所有距离的标准差相乘,将所得乘积作为该条直线对应的焊缝该侧边缘的平直程度;
根据焊缝每侧边缘的平直程度与焊缝每侧对应的直线斜率得到焊缝边缘的平直程度。
进一步的,焊缝边缘的平直程度的具体表达式为:
进一步的,得到每次调节后的同态滤波函数的方法是:
获取预设高频增益参数中的增益参数的调节范围;
获取预设低频衰减参数中的衰减参数的调节范围;
利用增益参数的调节范围对增益参数进行多次调节,得到每次调节后的增益参数;
利用衰减参数的调节范围对衰减参数进行多次调节,得到每次调节后的衰减参数;利用每次调节后的增益参数和该次调节后的衰减参数得到该次调节后的同态滤波函数。
本发明的有益效果是:本发明获取压力容器焊缝区域的灰度图像,对同态滤波函数中的预设高频增益参数和预设低频衰减参数进行多次调节,得到每次调节后的同态滤波函数;其中,每调节一次预设增益参数,同时调节一次预设衰减参数,利用每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,由于同态滤波函数在进行滤波时,对应图像的空域图像中的高频像素点较为稳定,即灰度图像中焊缝边缘像素点较为稳定,利用该特点对同态滤波函数进行多次调节,所得每次滤波后的图像更加准确;获取所有次滤波后相邻两张图像的差分图像;并利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像,对重构灰度图像进行分割得到分割图像;利用分割图像中像素点对应的梯度幅值,获得最终预设高频增益参数和最终预设低频衰减参数,并得到最终同态滤波函数,该过程利用每次滤波后的图像所得的差分图像,对预设高频增益参数和预设低频衰减参数重新调节,由于获取了较为准确的每次滤波后的图像,因此,所得最终预设高频增益参数和最终预设低频衰减参数更准确,即利用最终同态滤波函数得到焊缝边缘图像更加准确,即最终判断压力容器焊缝区域是否存在缺陷的结果更加准确。
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为本发明的基于机器视觉的压力容器焊缝缺陷检测方法的实施例的流程图。
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。
本发明的基于机器视觉的压力容器焊缝缺陷检测方法的实施例,如图1所示,包括:
S1、获取压力容器焊缝区域的灰度图像。
通过工业相机采集焊接后压力容器的焊缝表面RGB图像,并对所采集的焊缝表面RGB图像进行灰度化、降噪预处理操作,得到压力容器焊缝区域的灰度图像。
S2、对同态滤波函数中的预设高频增益参数和预设低频衰减参数进行多次调节,得到每次调节后的同态滤波函数;其中,每调节一次预设高频增益参数,同时调节一次预设低频衰减参数。
压力容器在焊接时,其焊缝区域周围会出现烧焦变色且灰度不均的情况,烧焦变色且灰度不均的区域并非焊接区域,因此,为了避免其对焊缝区域缺陷检测结果的影响,需要将烧焦变色且灰度不均的区域弱化,同时,该部分灰度值变化频率低缓,属于低频部分;而焊缝边缘区域作为压力容器在焊接时会直接参与的区域,需要对焊缝边缘区域进行增强,提高焊缝区域缺陷检测结果的准确性,同时,焊缝边缘区域灰度值变化频率高,为高频区域,而同态滤波函数可减弱图像中的低频区域,增强图像中的高频区域,因此,利用同态滤波函数对灰度图像进行增强,突出焊缝边缘区域,提高焊缝区域缺陷检测结果的准确性。
同态滤波函数中参数的变化,会导致滤波图像中频率差别细微的边缘像素点出现变化,而焊缝区域的边缘像素点梯度较大,其在频域图像中频率更大,在进行滤波时,不易受同态滤波函数中参数的变化而变化,因此,焊缝区域的边缘像素点较为稳定,进而可利用焊缝区域的边缘像素点较为稳定的特点获取灰度图像中属于焊缝的边缘像素点,其稳定程度越强,越不易受同态滤波函数中参数的变化而变化。
同态滤波函数的参数包括:低频衰减参数、高频增益参数和截至频率参数,低频衰减参数用于衰减图像中的低频区域,低频衰减参数越小,对图像中低频区域的衰减程度越高;高频增益参数用于放大图像中的高频区域,高频增益参数越大,高频区域的放大倍数越大;截至频率为图像中频率通带和阻带的界限,在同态滤波中低于截止频率的频率分量不允许通过,因此,截至频率越大,图像细节损失越多。
式中:表示同态滤波函数,为所采集的图像经傅里叶变换后,频域图像中坐标处的像素点到频域图像中心点的距离,表示高频增益参数,为低频衰减参数,为截至频率,为自然常数,为滤波器的阻带半径,该函数为现有公式,本发明不再赘述。
需要说明的是,图像的频率又称为空间频率,它反映了图像的像素灰度在空间中变化的情况,即像素点在空域图像上的灰度梯度,因此同态滤波本质在于,对图像中的梯度幅值高的像素点即频率高的像素点进行增益,对梯度幅值低的像素点即频率低的像素点进行衰减,其中增益程度的对应指标为同态滤波函数中的高频增益参数,衰减程度的对应指标为同态滤波函数中的低频衰减参数,而对于高低频率的像素点的界定是通过截至频率参数,通常取截止频率为2,可根据具体情况进行调整。
在使用同态滤波函数进行滤波时,需要预设高频增益参数和预设低频衰减参数,因此,获取灰度图像对应的梯度图像的梯度直方图,根据梯度直方图中梯度幅值变化趋势,对梯度直方图进行直线拟合,获取拟合后的直线与梯度直方图横轴的交点对应的梯度幅值,表示拟合直线在横轴的截距,将该交点对应的梯度幅值作为梯度直方图中,低梯度幅值和高梯度幅值之间的分界点,[ 0,为低梯度幅值区间。将梯度直方图中的最大梯度幅值记为,即灰度图像中的最大梯度幅值,[,]为高梯度幅值区间,至此,可得到预设高频增益参数表达式为:
预设低频衰减参数表达式为:
其中,由于焊缝边缘区域像素点梯度幅值大,因此对梯度直方图中高梯度幅值区间进行增益,设置增益系数为,便于后续进行调节;烧焦变色且灰度不均的区域,灰度值变化频率低缓,梯度幅值小,因此对梯度直方图中低梯度幅值区间进行衰减,设置衰减系数为,便于后续进行调节。
分别设置增益参数的调节范围和衰减参数的调节范围;取、,则增益参数的调节范围为,衰减参数的初始值不一定为0,本发明设置衰减参数初始值为0,因此为保证后续参数调节需要的数据量,将衰减参数左侧调节的邻域长度弥补到右侧,即衰减参数的调节范围为,利用增益参数的调节范围对增益参数进行多次调节,得到每次调节后的增益参数;利用衰减参数的调节范围对衰减参数进行多次调节,得到每次调节后的衰减参数;其中,每调节一次增益参数,同时调节一次衰减参数,即每调节一次预设高频增益参数,同时调节一次预设低频衰减参数,且增益参数每次调节步长为1,衰减参数每次调节的步长为0.5,均由小到大在对应调节范围内进行调节。根据每次调节后的预设高频增益参数和预设低频衰减参数,得到每次调节后的同态滤波函数。
S3、利用每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,获取所有次滤波后相邻两张图像的差分图像;并利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像,对重构灰度图像进行分割得到分割图像。
具体的是,根据每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,对每相邻两次滤波后的图像进行差分,得到多张差分图像;根据所有次滤波后的图像个数得到差分图像个数,根据所有差分图像中每个像素点的位置、差分图像的个数得到所有差分图像中每个位置处像素点的稳定程度;其中,所有差分图像中每个位置处像素点的稳定程度的具体表达式为:
其中,若差分图像中坐标处存在像素点,则进行个数统计,否则,不进行个数统计。每次滤波对应的滤波图像中的像素点表示灰度图像中较为稳定的像素点,因此,对每相邻两次滤波对应的滤波图像进行差分,会将灰度图像中的焊缝边缘像素点减去,最终保留的所有差分图像中的像素点可能为边缘像素点,若所有差分图像中同一位置的像素点越多,则该位置的像素点越有可能是焊缝边缘像素点,因此,利用可以表示所有差分图像中坐标处像素点为焊缝边缘像素点的可能性,即所有差分图像中坐标处像素点的稳定程度越大,差分图像中坐标处像素点越有可能为焊缝边缘像素点。据此,可得到所有差分图像中每个位置处像素点的稳定程度。
利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像;需要说明的是,由于获得了每个位置的稳定程度,因此,重构灰度图像中每个像素点的稳定程度已知。
利用所有差分图像中每个位置处像素点的稳定程度和预设稳定程度阈值对重构灰度图像进行分割得到分割图像,预设稳定程度阈值为150,将重构灰度图像中像素点的稳定程度大于150的像素点进行保留,得到分割图像。
S4、利用分割图像中像素点对应的梯度幅值,获得最终预设高频增益参数和最终预设低频衰减参数,并得到最终同态滤波函数。
由于同态滤波函数是以T1为分界点,因此,在经过阈值分割后的分割图像中的像素点的梯度幅值,要么整体大于T1,要么整体小于T1,分割图像中的像素点为疑似边缘像素点,根据分割图像中每个像素点在所述梯度直方图中的位置,得到分割图像的所有像素点对应的梯度幅值。
将分割图像中所有像素点对应梯度幅值,与灰度图像中的低梯度幅值和高梯度幅值的分界点对应的梯度幅值T1进行比较,当前者大于后者时,选取分割图像中所有像素点对应梯度幅值中的最大梯度幅值作为第一调节参数;此时,将预设高频增益参数对应梯度幅值区间的右端点,与第一调节参数的差值作为分子,将预设高频增益参数对应梯度幅值区间的长度作为分母,将分子分母的比值作为预设高频增益参数中调节后的增益系数;将第一调节参数与预设低频衰减参数对应梯度幅值区间右端点的比值作为预设低频衰减参数中调节后的衰减系数。
将分割图像中所有像素点对应梯度幅值,与灰度图像中的低梯度幅值和高梯度幅值的分界点对应的梯度幅值T1进行比较,当前者小于后者时,选取分割图像中所有像素点对应梯度幅值中的最小梯度幅值作为第二调节参数;此时,将预设高频增益参数对应梯度幅值区间的右端点,与第二调节参数的差值作为分子,将预设高频增益参数对应梯度幅值区间的长度作为分母,将分子分母的比值作为预设高频增益参数中调节后的增益系数;将第二调节参数与预设低频衰减参数对应梯度幅值区间右端点的比值作为预设低频衰减参数中调节后的衰减系数。
预设高频增益参数中调节后的增益系数的具体表达式为:
预设低频衰减参数中调节后的衰减系数的具体表达式为:
其中,第一调节参数与第二调节参数所对应的表达式完全相同,因此,均使用表示,统称为调节参数,当大于时,即的区间长度大于,预设的增益参数对应的高梯度幅值区间过大,因此,导致同态滤波函数对灰度图像中的高频像素点增益程度过大,因此,需要调节增益系数,降低同态滤波函数对灰度图像中的高频像素点增益程度;反之,当小于时,同态滤波函数对灰度图像中的高频像素点增益程度过小,需要调节增益系数,提高同态滤波函数对灰度图像中的高频像素点增益程度;当大于时,的值小于1,即此时的增益系数小于1,利用此时的增益系数可降低同态滤波函数对灰度图像中的高频像素点增益程度;当小于时,的值大于1,即此时的增益系数大于1,利用此时的增益系数可提高同态滤波函数对灰度图像中的高频像素点增益程度;因此,无论与的大小关系如何,总会有对应的数值,对同态滤波函数对灰度图像中的高频像素点增益程度进行调节,便于获取准确的焊缝边缘像素点。
同理,当大于时,即的区间长度大于,说明此时预设的衰减参数的低梯度幅值区间长度过小,导致同态滤波函数对灰度图像中低频像素点的衰减程度过小,因此,需要调节衰减系数,提高同态滤波函数对灰度图像中低频像素点的衰减程度;反之,当小于时,即的区间长度小于,导致同态滤波函数对灰度图像中低频像素点的衰减程度过大,因此,需要调节衰减系数,降低同态滤波函数对灰度图像中低频像素点的衰减程度;当大于时,的值大于1,利用此时的衰减系数可提高同态滤波函数对灰度图像中的低频像素点衰减程度;当小于时,的值小于1,利用此时的衰减系数可降低同态滤波函数对灰度图像中的低频像素点衰减程度;因此,无论与的大小关系如何,总会有对应的数值,对同态滤波函数对灰度图像中的低频像素点衰减程度进行调节,便于获取准确的焊缝边缘像素点。
至此,得到了预设高频增益参数中调节后的增益系数和预设低频衰减参数中调节后的衰减系数,并得到最终预设高频增益参数和最终预设低频衰减参数,根据最终预设高频增益参数和最终预设低频衰减参数对预设高频增益参数和预设低频衰减参数重新更新,得到最终的同态滤波函数。
S5、利用最终同态滤波函数对灰度图像进行滤波得到焊缝边缘图像,根据焊缝边缘图像中每个像素点的位置得到焊缝边缘的平直程度,根据焊缝边缘的平直程度判断压力容器焊缝区域是否存在缺陷。
利用最终同态滤波函数对灰度图像重新滤波得到焊缝边缘图像,可选的,由于滤波得到焊缝边缘图像中的像素点为焊缝边缘像素点,因此,利用DBSCAN算法对焊缝边缘图像中像素点进行聚类,分别得到焊缝每侧的所有边缘像素点,焊缝有两侧,利用最小二乘法对焊缝每侧的所有边缘像素点进行直线拟合,得到焊缝每侧对应的直线。
获取每条直线对应的该侧所有边缘像素点到该条直线距离,并得到该条直线对应的所有距离中的最大距离;将每条直线对应的所有距离中的最大距离与该条直线对应的所有距离的标准差相乘,将所得乘积作为该条直线对应的焊缝该侧边缘的平直程度;焊缝每侧边缘的平直程度的具体表达式为:
式中:表示焊缝侧边缘的平直程度,表示焊缝侧对应边缘像素点的个数,表示焊缝侧第个边缘像素点到该侧对应直线距离,表示焊缝侧每个边缘像素点到该侧对应直线距离的均值,表示焊缝侧每个边缘像素点到该侧对应直线距离中的最大距离,。
其中,该公式利用了标准差,标准差表示数据的离散程度,因此,该公式中焊缝每侧对应的距离标准差表征了该侧焊缝边缘像素点的分布情况,标准差越小,则该侧焊缝边缘像素点分布越均匀,即焊缝该侧边缘越平直,而为每个边缘像素点到该侧对应直线距离中的最大距离,最大距离越小,则焊缝边缘越平直,因此,的数值越小,则焊缝边缘越平直。据此,可得到焊缝每侧边缘的平直程度。
根据焊缝每侧边缘的平直程度与焊缝每侧对应的直线斜率得到焊缝边缘的平直程度。焊缝边缘的平直程度的具体表达式为:
其中,当与越接近,说明焊缝两侧边缘越平直,因此越趋近于1,则焊缝两侧越不存在宽窄不一的情况,因此,越趋近于1,焊缝边缘的平直程度越高;将映射到,越接近于0,则焊缝两侧边缘越平直,即越小,则焊缝边缘的平直程度越高;因此,的值越小,则焊缝边缘的平直程度越高。
设置平直程度阈值,根据具体情况设置,本发明不给出具体参考值,当焊缝边缘的平直程度大于平直程度阈值时,该压力容器焊缝存在异常,需要对压力容器重新焊接。
综上所述,本发明获取压力容器焊缝区域的灰度图像,对同态滤波函数中的预设高频增益参数和预设低频衰减参数进行多次调节,得到每次调节后的同态滤波函数;其中,每调节一次预设增益参数,同时调节一次预设衰减参数,利用每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,由于同态滤波函数在进行滤波时,对应图像的空域图像中的高频像素点较为稳定,即灰度图像中焊缝边缘像素点较为稳定,利用该特点对同态滤波函数进行多次调节,所得每次滤波后的图像更加准确;获取所有次滤波后相邻两张图像的差分图像;并利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像,对重构灰度图像进行分割得到分割图像;利用分割图像中像素点对应的梯度幅值,获得最终预设高频增益参数和最终预设低频衰减参数,并得到最终同态滤波函数,该过程利用每次滤波后的图像所得的差分图像,对预设高频增益参数和预设低频衰减参数重新调节,由于获取了较为准确的每次滤波后的图像,因此,所得最终预设高频增益参数和最终预设低频衰减参数更准确,即利用最终同态滤波函数得到焊缝边缘图像更加准确,即最终判断压力容器焊缝区域是否存在缺陷的结果更加准确。
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.基于机器视觉的压力容器焊缝缺陷检测方法,其特征在于,包括:
获取压力容器焊缝区域的灰度图像;
对同态滤波函数中的预设高频增益参数和预设低频衰减参数进行多次调节,得到每次调节后的同态滤波函数;其中,每调节一次预设高频增益参数,同时调节一次预设低频衰减参数;
利用每次调节后的同态滤波函数分别对灰度图像进行滤波,得到每次滤波后的图像,获取所有次滤波后相邻两张图像的差分图像,并利用得到的所有差分图像中的每个像素点位置和灰度值将所有差分图像重构到一张灰度图像中,得到重构灰度图像,对重构灰度图像进行分割得到分割图像;
利用分割图像中像素点对应的梯度幅值,获得最终预设高频增益参数和最终预设低频衰减参数,并得到最终同态滤波函数;
利用最终同态滤波函数对灰度图像进行滤波得到焊缝边缘图像,根据焊缝边缘图像中每个像素点的位置得到焊缝边缘的平直程度,根据焊缝边缘的平直程度判断压力容器焊缝区域是否存在缺陷。
2.根据权利要求1所述的基于机器视觉的压力容器焊缝缺陷检测方法,其特征在于,获得最终预设高频增益参数和最终预设低频衰减参数的方法是:
将分割图像中所有像素点对应梯度幅值,与灰度图像中的低梯度幅值和高梯度幅值的分界点对应的梯度幅值进行比较,当前者大于后者时,选取分割图像中所有像素点对应梯度幅值中的最大梯度幅值作为第一调节参数;当前者小于后者时,选取分割图像中所有像素点对应梯度幅值中的最小梯度幅值作为第二调节参数;
将预设高频增益参数对应梯度幅值区间的右端点,与第一调节参数或第二调节参数的差值作为分子,将预设高频增益参数对应梯度幅值区间的长度作为分母,将分子分母的比值作为预设高频增益参数中调节后的增益系数;
将第一调节参数或第二调节参数与预设低频衰减参数对应梯度幅值区间右端点的比值作为预设低频衰减参数中调节后的衰减系数;
根据预设高频增益参数中调节后的增益系数和预设低频衰减参数中调节后的衰减系数得到最终预设高频增益参数和最终预设低频衰减参数。
3.根据权利要求1所述的基于机器视觉的压力容器焊缝缺陷检测方法,其特征在于,得到分割图像的方法是:
根据所有差分图像中每个像素点的位置和差分图像的个数得到所有差分图像中每个位置处像素点的稳定程度;
利用所有差分图像中每个位置处像素点的稳定程度和预设稳定程度阈值对重构灰度图像进行分割得到分割图像。
5.根据权利要求1所述的基于机器视觉的压力容器焊缝缺陷检测方法,其特征在于,得到焊缝边缘的平直程度的方法是:
对焊缝边缘图像中所有像素点进行聚类,根据聚类结果得到焊缝每侧的边缘像素点;
对焊缝每侧的边缘像素点进行直线拟合,得到焊缝每侧对应的直线;
获取每条直线对应的该侧所有边缘像素点到该条直线距离,并得到该条直线对应的所有距离中的最大距离;
将每条直线对应的所有距离中的最大距离与该条直线对应的所有距离的标准差相乘,将所得乘积作为该条直线对应的焊缝该侧边缘的平直程度;
根据焊缝每侧边缘的平直程度与焊缝每侧对应的直线斜率得到焊缝边缘的平直程度。
7.根据权利要求1所述的基于机器视觉的压力容器焊缝缺陷检测方法,其特征在于,得到每次调节后的同态滤波函数的方法是:
获取预设高频增益参数中的增益参数的调节范围;
获取预设低频衰减参数中的衰减参数的调节范围;
利用增益参数的调节范围对增益参数进行多次调节,得到每次调节后的增益参数;
利用衰减参数的调节范围对衰减参数进行多次调节,得到每次调节后的衰减参数;利用每次调节后的增益参数和该次调节后的衰减参数得到该次调节后的同态滤波函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078941.6A CN115830013B (zh) | 2023-02-08 | 2023-02-08 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078941.6A CN115830013B (zh) | 2023-02-08 | 2023-02-08 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830013A true CN115830013A (zh) | 2023-03-21 |
CN115830013B CN115830013B (zh) | 2023-05-16 |
Family
ID=85520881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310078941.6A Active CN115830013B (zh) | 2023-02-08 | 2023-02-08 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830013B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1387315A1 (en) * | 2002-06-07 | 2004-02-04 | Honda Research Institute Europe GmbH | Preparation of a digital image with subsequent edge detection |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
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 |
CN107622269A (zh) * | 2017-09-24 | 2018-01-23 | 国网江苏省电力公司常州供电公司 | 复杂背景下基于几何约束的熔丝管管体识别方法 |
CN114047197A (zh) * | 2021-10-25 | 2022-02-15 | 上海仪电智能科技有限公司 | 基于机器视觉的线缆表面缺陷检测用装置及操作方法 |
CN114998325A (zh) * | 2022-07-19 | 2022-09-02 | 新力环境科技(山东)有限公司 | 一种空调散热管焊接缺陷检测方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
-
2023
- 2023-02-08 CN CN202310078941.6A patent/CN115830013B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1387315A1 (en) * | 2002-06-07 | 2004-02-04 | Honda Research Institute Europe GmbH | Preparation of a digital image with subsequent edge detection |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
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 |
CN107622269A (zh) * | 2017-09-24 | 2018-01-23 | 国网江苏省电力公司常州供电公司 | 复杂背景下基于几何约束的熔丝管管体识别方法 |
CN114047197A (zh) * | 2021-10-25 | 2022-02-15 | 上海仪电智能科技有限公司 | 基于机器视觉的线缆表面缺陷检测用装置及操作方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN114998325A (zh) * | 2022-07-19 | 2022-09-02 | 新力环境科技(山东)有限公司 | 一种空调散热管焊接缺陷检测方法 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Non-Patent Citations (4)
Title |
---|
GUOHONG MAGUOHONG MA等: "A vision-based method for lap weld defects monitoring of galvanized steel sheets using convolutional neural network", JOURNAL OF MANUFACTURING PROCESSES * |
王海芳;焦龙;乔湘洋;祁超飞;: "基于机器视觉的线缆表面缺陷快速检测算法研究", 组合机床与自动化加工技术 * |
赫健;王克成;李洪海;: "白线焊缝跟踪系统中的图像处理方法", 鞍山科技大学学报 * |
马跃洲;陈光;何山林;: "基于高频加强变换的焊接缺陷检测方法", 兰州理工大学学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN115830013B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN115222741A (zh) | 一种电缆表面缺陷检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN115393354B (zh) | 一种激光切割缺陷识别方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN114972343A (zh) | 一种激光焊接产品生产异常检测方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN114998325B (zh) | 一种空调散热管焊接缺陷检测方法 | |
CN115359044A (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN110530883A (zh) | 一种缺陷检测方法 | |
CN116630322B (zh) | 基于机器视觉的pcba板的质量检测方法 | |
CN115294118A (zh) | 一种船用钣金焊接缺陷识别方法 | |
CN116228765A (zh) | 一种口罩耳带焊接质量的检测方法 | |
CN114998311A (zh) | 一种基于同态滤波的零件精密度检测方法 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN115830013A (zh) | 基于机器视觉的压力容器焊缝缺陷检测方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN109190310B (zh) | 基于matlab平台的干涉条纹波面重建方法 | |
CN115213563B (zh) | 激光智能焊接方法及系统 | |
CN101719273A (zh) | 基于一维信息熵冶金板带表面缺陷在线自适应提取方法 | |
CN117670916B (zh) | 一种基于深度学习的涂布边缘检测方法 |
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 |