CN115937204A - 一种焊管生产质量检测方法 - Google Patents
一种焊管生产质量检测方法 Download PDFInfo
- Publication number
- CN115937204A CN115937204A CN202310025387.5A CN202310025387A CN115937204A CN 115937204 A CN115937204 A CN 115937204A CN 202310025387 A CN202310025387 A CN 202310025387A CN 115937204 A CN115937204 A CN 115937204A
- Authority
- CN
- China
- Prior art keywords
- window
- pixel point
- pixel
- difference
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000002950 deficient Effects 0.000 claims abstract description 43
- 238000003466 welding Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 30
- 230000007547 defect Effects 0.000 claims description 72
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000011148 porous material Substances 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 244000061520 Angelica archangelica Species 0.000 description 1
- 235000001287 Guettarda speciosa Nutrition 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
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
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种焊管生产质量检测方法,该方法包括:获取焊管焊缝处的灰度图像和深度图像,基于灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子;设定预设大小的窗口,获取深度图像的每个窗口中每个像素点的凹坑显著权值;基于窗口内所有像素点的外形差异因子和凹坑显著权值得到窗口内每个像素点的焊缝气孔粗糙度;构建每个像素点的特征向量,根据窗口内每个像素点的特征向量以及焊缝气孔粗糙度得到对应像素点的差异系数;基于每个像素点的差异系数对每个窗口中所有像素点进行聚类得到窗口内的缺陷像素点,进而得到焊管质量。本发明能够提高焊管质量检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种焊管生产质量检测方法。
背景技术
管道是传送运输的一种常用设备,通过相关生产加工处理得到符合传输标准要求的管道,管道生产过程中还需要进行焊接加工处理,焊接是生产标准焊管的一个重要流程;随着工业技术的进一步发展和成熟,大部分管道的焊接都可以采用机器进行,但对于管道的某些特殊部分而言,只能采用人工焊接,基于人工焊接得到的焊管质量很大程度上受到焊接人员的操作经验,因此管道焊接位置处会出现焊接气孔等情况。
焊接完成的焊管通常作为一种零部件进行运输,例如运输油和气等生产发展能源,当加工处理后的焊管由于焊接失误存在焊接气孔时,会使得运输过程中出现漏气漏油等问题,不仅会造成较大的经济损失,甚至可能引发安全事故。
目前对焊管质量分析时,往往是根据待检测焊管与标准焊管直接进行对比,通过对比的差异进行质量的判定,对比特征往往较为单一,导致焊管质量判定的误差较大,准确性较低。
发明内容
为了解决现有对焊管质量检测准确性较低的技术问题,本发明的目的在于提供一种焊管生产质量检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种焊管生产质量检测方法,该方法包括以下步骤:
获取焊管焊缝处的灰度图像和深度图像;基于所述灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子;
设定预设大小的窗口,根据所述深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值;基于所述窗口内每个像素点对应的外形差异因子和凹坑显著权值得到所述窗口内每个像素点的焊缝气孔粗糙度;
基于每个像素点对应的纹理特征、颜色特征以及深度信息构建特征向量,根据所述窗口内每个像素点的所述特征向量以及所述焊缝气孔粗糙度得到对应像素点的差异系数;
基于每个所述窗口内像素点的差异系数得到所述窗口内的缺陷像素点,根据每个所述窗口内所有缺陷像素点的数量得到焊管质量。
优选的,所述基于所述灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子的步骤,包括:
将所述灰度图像对应的RGB图像转换为LAB图像,获取标准焊管对应的标准LAB图像和标准灰度图像;
基于色差公式获取所述标准LAB图像与所述LAB图像中对应位置像素点的颜色差异值;
分别获取所述灰度图像与所述标准灰度图像中每个像素点的纹理特征值,将所述灰度图像与所述标准灰度图像中每个像素点的纹理特征值的差值绝对值作为对应位置像素点的纹理差异值;
像素点对应的所述颜色差异值与所述纹理差异值的乘积为对应像素点的外形差异因子。
优选的,所述根据所述深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值的步骤,包括:
获取标准焊管的标准深度图像,对所述标准深度图像中所有像素点的深度值求平均得到平均深度值;
将所述深度图像的窗口内任意一个像素点作为目标点,获取所述目标点与所述窗口内其他像素点之间的深度差值绝对值,以得到所述目标点在所述窗口内的深度差值绝对值的求和结果;
获取所述目标点的深度值与所述平均深度值的差值绝对值,所述差值绝对值与求和结果的乘积为所述目标点的凹坑系数;
选取所述窗口内与所述目标点的凹坑系数相同的像素点记为匹配像素点;计算所述窗口内每个所述匹配像素点与所述目标点之间的欧式距离并进行求和得到欧式距离之和,计算所述欧式距离之和与所述窗口内所有像素点的数量的比值,以所述比值的负数作为指数,以自然常数为底数得到的指数结果为所述目标点的凹坑显著权值。
优选的,所述基于所述窗口内所有像素点对应的外形差异因子和凹坑显著权值得到所述窗口内每个像素点的焊缝气孔粗糙度的步骤,包括:
以所有所述窗口中像素点对应的外形差异因子作为像素值构建外形差异图像,以所有所述窗口中像素点对应的凹坑显著权值作为像素值构建显著权值图像;
分别获取所述外形差异图像和所述显著权值图像中相同位置像素点的二阶梯度,基于像素点的二阶梯度构建对应的外形差异海森矩阵和显著权值海森矩阵;
获取每个像素点对应的所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值;根据所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值之间的差值绝对值获取所述像素点的焊缝气孔粗糙度,所述焊缝气孔粗糙度与所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值之间的差值绝对值呈负相关关系。
优选的,所述根据所述窗口内每个像素点的所述特征向量以及所述焊缝气孔粗糙度得到对应像素点的差异系数的步骤,包括:
以窗口内任意像素点作为待分析点,获取所述窗口内每个像素点的特征向量与所述待分析点的特征向量之间的余弦相似度并进行求和得到相似度之和;
获取所述待分析点的所述焊缝气孔粗糙度与所述相似度之和的比值并进行归一化,归一化后的比值为所述待分析点的差异系数。
优选的,所述基于每个所述窗口内像素点的差异系数得到所述窗口内的缺陷像素点的步骤,包括:
以每个所述窗口中最大差异系数的像素点为缺陷像素点的聚类中心点,获取所述窗口中每个像素点与缺陷像素点的聚类中心点之间的聚类距离,基于所述聚类距离与缺陷像素点的聚类中心点对所述窗口内所有像素点聚类得到所述窗口中的缺陷像素点。
优选的,所述获取所述窗口中每个像素点与缺陷像素点的聚类中心点之间的聚类距离的步骤,包括:
所述聚类距离的计算为:
其中,表示窗口中第个像素点与缺陷像素点的聚类中心点之间的聚类距离;表示缺陷像素点的聚类中心点对应的坐标位置;表示窗口中第个像素点对应的坐标位置;表示窗口中第个像素点对应的差异系数;表示缺陷像素点的聚类中心点对应的差异系数。
优选的,所述根据每个所述窗口内所有缺陷像素点的数量得到焊管质量的步骤,包括:
获取每个所述窗口中所有缺陷像素点的数量在所述窗口中所有像素点的数量的占比,将所有所述窗口的占比累加得到缺陷程度,对所述缺陷程度进行归一化,当归一化后的缺陷程度大于等于第一阈值时,焊管存在严重质量缺陷;当归一化后的缺陷程度小于第一阈值大于等于第二阈值时,焊管存在中等质量缺陷;当归一化后的缺陷程度小于第二阈值时,焊管存在轻微质量缺陷。
本发明具有如下有益效果:本实施例中通过对焊管焊缝处的灰度图像以及深度图像综合进行分析,考虑到缺陷处像素点的纹理和颜色与正常情况下存在不同,首先根据灰度图像中像素点的纹理特征和颜色特征获取外形差异因子,然后基于深度图像中每个像素点的深度信息获取凹坑显著权值,并且在对凹坑显著权值进行计算时,考虑到气孔缺陷较小,因此将深度图像划分为多个窗口进行分析,使得局部信息考虑的更加全面,得到的凹坑显著权值所表征的像素点的周围信息也更加精准;进一步基于每个像素点的外形差异因子和凹坑显著权值获取焊缝气孔粗糙度,并根据像素点的多维特征构建像素点对应的特征向量,基于窗口内像素点之间的特征向量以及像素点自身的焊缝气孔粗糙度得到像素点的差异系数,差异系数的获取更加合理和准确,并且通过纹理、颜色以及深度等多维特征的考虑所得到的差异系数避免了单一指标的不准确性;差异系数反映了每个像素点与周围像素点之间的差异情况,因此由像素点的差异系数进行后续的分析更加准确,最后基于像素点自身的差异系数进行聚类得到每个窗口内的缺陷像素点,始终以窗口区域进行分析,细节信息考虑的更加全面,得到的缺陷像素点也避免了全局分析的误差,最终基于缺陷像素点判断的焊管质量更加准确可靠。
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焊管生产质量检测方法流程图。
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焊管生产质量检测方法,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。
下面结合附图具体的说明本发明所提供的一种焊管生产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焊管生产质量检测方法流程图,该方法包括以下步骤:
步骤S100,获取焊管焊缝处的灰度图像和深度图像;基于灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子。
由于焊接后的管道在焊缝位置处往往会存在焊接气孔等缺陷,会严重影响到焊管的质量,甚至在利用存在缺陷的焊管在进行运输的过程中可能会产生较严重的经济损失和安全事故,因此在焊管出厂之前需要对焊管的质量进行检测评估。
具体的,布置图像采集设备对焊管焊缝位置处进行图像采集,由于采集图像的质量对于焊管质量检测存在一定的影响,因此需要选择较为合适的图像采集设备进行图像采集;传统的CCD或者CMOS相机是一种二维平面图像拍摄采集设备,而焊管焊缝处的焊接气孔缺陷不仅在二维平面上具有缺陷特征信息,其在三维立体深度方向上也存在相应的特征表现信息,因此本发明实施例中使用微软公司的Kinect v1结构光相机对生产的焊管表面进行拍摄采集,得到对应的RGB-D空间下的焊管焊缝处的表面图像;同时,为了便于后续对焊管质量的分析提供计算基础,获取标准焊管焊缝处的标准图像,以便于后续进行对比分析。
考虑到采集的表面图像为RGB空间下的图像,因此对表面图像进行分析处理时需要计算R、G、B三个颜色通道的数据,计算量较大,为了减少计算成本同时避免计算误差,将表面图像由RGB图像转化为灰度图像,转化灰度图像的方法为现有方法,实施者可自行选择,本发明实施例中利用加权平均法对表面图像进行灰度化处理,得到对应的灰度图像;同时,为了避免拍摄采集过程中环境噪声对图像的影响,采用高斯滤波的方法对灰度图像进行滤波处理,以尽可能的消除甚至减弱随机噪声对后续焊管质量检测的影响,高斯滤波的方法为公知手段,不再赘述;由此得到处理后的焊管焊缝处的灰度图像。
进一步的,为了便于后续计算,对获取到的深度通道的像素点的深度值进行处理使得所有像素点的取值处于区间之间,具体处理方法可参考极差归一化处理,极差归一化处理为公知手段,不再详细说明,对所有像素点的深度值进行处理之后得到焊管焊缝处的深度图像;同时,为了便于提取焊管表面颜色特征信息,将RGB通道的表面图像转换到LAB颜色空间中得到对应的LAB图像,具体转换方法为公知手段,不再赘述。将灰度图像对应的RGB图像转换为LAB图像,获取标准焊管对应的标准LAB图像和标准灰度图像;基于色差公式获取标准LAB图像与LAB图像中对应位置像素点的颜色差异值;分别获取灰度图像与标准灰度图像中每个像素点的纹理特征值,基于灰度图像与标准灰度图像中每个像素点的纹理特征值的差值绝对值作为对应位置像素点的纹理差异值;像素点对应的颜色差异值与纹理差异值的乘积为对应像素点的外形差异因子。
具体的,当焊管表面出现焊缝气孔缺陷时,缺陷位置的颜色与周围像素点的颜色差异较大,因此可以通过对每个像素点的颜色特征进行初步分析,以对后续的气孔缺陷识别提供基础;本发明实施例中基于CIEDE2000得到每个像素点的颜色差异值,像素点的颜色差异值是基于LAB图像中像素点的颜色值与标准图像对应的标准LAB图像中相同位置像素点的颜色值之间的差异,且颜色差异值取值为不小于零的正数;CIEDE2000是国际照明委员会提供的一种色差检测计算方法,为图像处理常用的颜色差异计算方法,本实施例中不再详细说明。
每个像素点的颜色差异值表征了该像素点与标准焊管的像素点位置处的颜色差异情况,像素点对应的颜色差异值取值越大,说明此时检测的焊管的该像素点与标准焊管对应像素点的差异也越大,因此此时检测的焊管的像素点处发生缺陷的可能性也越大。然后,对于焊缝表面的灰度图像中每个像素点的纹理信息进行分析,通过LBP算法获取待检测的焊管对应的灰度图像中每个像素点的纹理特征值,本发明实施例使用大小为5*5的窗口对每个像素点的纹理特征值获取,LBP算法为公知手段,计算待检测的焊管的像素点的纹理特征值与标准焊管对应的像素点的纹理特征值之间的差值绝对值,将该差值绝对值作为待检测的焊管的灰度图像中每个像素点对应的纹理差异值记为。
由此可得到待检测的焊管的灰度图像中每个像素点的纹理差异值,以及待检测的焊管的LAB图像中每个像素点的颜色差异值,由于灰度图像与LAB图像中像素点是一一对应的,因此对于每个位置的像素点而言,其对应了一个颜色差异值和一个纹理差异值,根据每个像素点对应的颜色差异值和纹理差异值得到像素点对应的外形差异因子,外形差异因子的计算为:
其中,表示像素点的外形差异因子;表示像素点的颜色差异值;表示像素点的纹理差异值。
像素点对应的颜色差异值和纹理差异值越大,表明像素点在待检测的焊管的颜色信息和纹理信息与标准焊管中对应位置的差别越大,因此像素点对应的外形差异因子的取值越大。
步骤S200,设定预设大小的窗口,根据深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值;基于窗口内所有像素点对应的外形差异因子和凹坑显著权值得到窗口内每个像素点的焊缝气孔粗糙度。
考虑到焊管表面的气孔缺陷较小,因此对焊管表面的图像进行局部分析,构建预设大小的窗口进行滑动,本实施例中设置窗口大小为11*11,滑动步长与窗口的长度相同,也即是滑动步长为11,则根据窗口在焊管的灰度图像和深度图像分别进行滑动可得到无重叠部分的多个窗口;特殊的,若焊管的灰度图像和深度图像的边缘部分无法构成大小为11*11的窗口时,将相邻前一个窗口中的部分像素点进行重复处理,以保证图像边缘部分也能构成大小为11*11的窗口。获取标准焊管的标准深度图像,对标准深度图像中所有像素点的深度值求平均得到平均深度值;对于深度图像的窗口内任意一个像素点为目标点,获取目标点与窗口内其他像素点之间的深度差值绝对值,以得到目标点在窗口内的深度差值绝对值的求和结果;获取目标点的深度值与平均深度值的差值绝对值,差值绝对值与深度差值绝对值的求和结果的乘积为目标点的凹坑系数;获取目标点所在窗口内每个像素点的凹坑系数,选取窗口内与目标点的凹坑系数相同的像素点记为匹配像素点;计算窗口内每个匹配像素点与目标点之间的欧式距离并进行求和得到欧式距离之和,计算欧式距离之和与窗口内所有像素点的数量的比值,以比值的负数作为指数,以自然常数为底数得到的指数结果为目标点的凹坑显著权值。
具体的,在焊管表面的深度图像中,像素点的不同深度值表征了焊管表面对应位置的深度信息,而上述根据11*11的窗口大小可以将深度图像划分为多个11*11大小的窗口,通过每个窗口内像素点的深度值获取不同像素点对应的凹坑系数,以像素点作为目标点为例,像素点对应的凹坑系数的计算为:
其中,表示像素点对应的凹坑系数;表示标准焊管对应的标准深度图像中所有像素点的平均深度值;表示像素点对应的深度值;表示像素点所在的窗口内像素点的数量;表示像素点所在窗口内第个像素点的深度值;表示取绝对值。
表示像素点的深度值与像素点所在窗口内其他像素点的深度值之间的差值绝对值,该差值绝对值越大,说明像素点与其同窗口内像素点的深度值越不相近,则像素点越可能为缺陷所在的点,因此窗口内所有其他像素点与像素点的深度值的差值绝对值之和越大,像素点对应的凹坑系数越大;表示像素点的深度值与标准深度图像中平均深度值之间的差值绝对值,该差值绝对值越大,说明像素点的深度值与标准深度值的差异越大,则像素点对应的凹坑系数越大。
以此类推,获取每个窗口中每个像素点对应的凹坑系数,需要说明的是,对于图像边缘部分的窗口中可能存在重复的像素点,在像素点的凹坑系数取值为第一次出现时的取值,在第二次重复的窗口中不参与计算,仅为了保证窗口大小一致;考虑到当某个像素点位置存在缺陷时,其对应的邻域内的像素点会受到一定的影响也会存在相应的缺陷,与发生缺陷的像素点的距离越近,其被影响存在缺陷的可能性越高,因此对每个像素点对应的凹坑显著权值进行获取,以像素点为例,首先获取像素点所在窗口内与像素点对应的凹坑系数相等的其他像素点记为匹配像素点,获取每个匹配像素点与像素点之间的欧式距离,根据所有匹配像素点与像素点之间的欧式距离得到像素点的凹坑显著权值,凹坑显著权值的具体计算方法为:
其中,表示像素点对应的凹坑显著权值;表示像素点所在窗口的大小,也即是像素点所在窗口内所有像素点的数量,取值与相同,本实施例中;表示像素点的匹配像素点,也即是像素点所在窗口内与像素点的凹坑系数相等的其他像素点;表示像素点对应的匹配像素点的数量;表示像素点与匹配像素点k之间的欧式距离;表示自然常数。
用于反映凹坑系数相同时,对应的所有像素点之间的欧式距离,该项取值越小,表明与像素点的凹坑系数相同的个像素点的分布聚集在像素点的附近,则像素点处越可能会发生气孔缺陷,因此可知的取值越小,像素点与其对应的匹配像素点之间的距离越小,分布越密集,像素点对应的凹坑显著权值越大;以自然常数为底的负相关映射是为了使得凹坑显著权值的取值范围处于,便于后续分析。
基于相同的方法,获取深度图像中每个像素点对应的凹坑显著权值,则每个像素点分别对应了一个外形差异因子和凹坑显著权值,以所有窗口中像素点对应的外形差异因子作为像素值构建外形差异图像,以所有窗口中像素点对应的凹坑显著权值作为像素值构建显著权值图像;分别获取外形差异图像和显著权值图像中相同位置像素点的二阶梯度,基于像素点的二阶梯度构建对应的外形差异海森矩阵和显著权值海森矩阵;获取每个像素点对应的外形差异海森矩阵的最大特征值和显著权值海森矩阵的最大特征值;根据外形差异海森矩阵的最大特征值和显著权值海森矩阵的最大特征值之间的差值绝对值获取像素点的焊缝气孔粗糙度,焊缝气孔粗糙度与差值绝对值呈负相关关系。
具体的,根据深度图像中所有像素点的外形差异因子可构成一张外形差异图像,外形差异图像中每个像素点的像素值为该像素点对应的外形差异因子;相应的,根据深度图像中所有像素点的凹坑显著权值可构成一张显著权值图像,显著权值图像中每个像素点的像素值为该像素点对应的凹坑显著权值。
分别对外形差异图像和显著权值图像中相同位置的像素点进行二阶梯度的计算,进而基于二阶梯度构建该像素点对应的外形差异海森矩阵和显著权重海森矩阵,海森矩阵的构建方法为公知手段,不再赘述;分别对外形差异海森矩阵和显著权重海森矩阵进行SVD分解得到对应的最大特征值,分别标记为和,表示外形差异海森矩阵的最大特征值,表示显著权重海森矩阵的最大特征值,分别反映了外形差异的最大变化趋势和深度信息的最大变化趋势,因此基于每个像素点对应的外形差异海森矩阵的最大特征值和显著权重海森矩阵的最大特征值获取该像素点的焊缝气孔粗糙度,以像素点为例,像素点的焊缝气孔粗糙度的计算为:
其中,表示像素点的焊缝气孔粗糙度;表示像素点对应的外形差异海森矩阵的最大特征值;表示像素点对应的显著权重海森矩阵的最大特征值;表示绝对值计算。
当的取值越小,说明该像素点在外形差异和凹坑显著权值的变化趋势越相近,当像素点处于气孔缺陷位置时,像素点的外形变化和凹坑显著权值的变化具有一一致性,因此当的取值越小时,像素点的焊缝气孔粗糙度越大,越可能为缺陷处像素点;分母中的常数1是为了避免最大特征值的差值绝对值为0导致公式无意义。
步骤S300,基于每个像素点对应的纹理特征、颜色特征以及深度信息构建特征向量,根据窗口内每个像素点的特征向量以及焊缝气孔粗糙度得到对应像素点的差异系数。
由步骤S100得到了每个像素点对应的颜色差异值和纹理差异值,由于每个特征信息所表征的像素点在所处位置的情况不同,因此将所有的特征信息结合分析对应像素点的情况,本发明实施例中通过像素点对应的颜色差异值、纹理差异值以及像素点的深度值结合分析,以像素点作为待分析点为例,将像素点对应的颜色差异值、纹理差异值以及像素点的深度值构建特征向量,即特征向量为,表示像素点对应的特征向量;相应的,可获取到每个像素点对应的特征向量,由步骤S200中得到了每个像素点对应的焊缝气孔粗糙度,则根据不同像素点的特征向量以及焊缝气孔粗糙度计算对应像素点的差异系数,以窗口内任意像素点作为待分析点,获取窗口内每个像素点的特征向量与待分析点的特征向量之间的余弦相似度并进行求和得到相似度之和;获取待分析点的焊缝气孔粗糙度与相似度之和的比值并进行归一化,归一化后的比值为待分析点的差异系数。以像素点作为待分析点,像素点的差异系数具体为:
其中,表示像素点对应的差异系数;表示像素点对应的焊缝气孔粗糙度;表示像素点的特征向量;表示像素点的特征向量的模长;表示像素点所在窗口中所有像素点的数量;表示像素点所在窗口中第个像素点的特征向量;表示像素点所在窗口中第个像素点的特征向量的模长;表示对的绝对值计算;表示双曲正切函数,用于归一化处理。
表示像素点的特征向量与像素点所在窗口中第个像素点的特征向量之间的余弦相似度,像素点与像素点所在窗口中第个像素点之间的颜色、纹理以及深度信息越相似,该项取值越大,因此表征了像素点与其所在窗口中所有像素点的余弦相似度,该项取值越大,说明像素点与其他像素点之间的差异越小,对应的差异系数越大;同时,焊缝气孔粗糙度作为评估像素点的差异系数的调整因子,通过焊缝气孔粗糙度的取值使得调整后的像素点的差异系数更加准确。
基于获取像素点的差异系数相同的方法,获取其他每个像素点对应的差异系数,通过每个像素点对应的差异系数可构建出新的差异图像,差异图像中每个像素点的像素值为像素点所对应的差异系数,体现了该像素点与其所在窗口中其他像素点之间的特征差异,后续通过差异图像对焊管的质量进一步分析。
步骤S400,基于每个窗口内像素点的差异系数得到窗口内的缺陷像素点,根据每个窗口内所有缺陷像素点的数量得到焊管质量。
步骤S300中获取了每个像素点的差异系数,并基于每个像素点对应的差异系数构建了对应的差异图像,差异图像中每个像素点位置的像素值表征了该像素点与周围像素点之间的差异情况,考虑到每个像素点的差异系数是基于像素点所在窗口内的其他像素点进行获取的,因此在对差异图像进行分析时,仍然以11*11大小的窗口区域进行分析,也即是差异图像中包括多个大小为11*11的窗口区域;以每个窗口中最大差异系数的像素点为缺陷像素点的聚类中心点,获取窗口中每个像素点与缺陷像素点的聚类中心点之间的聚类距离,基于聚类距离与缺陷像素点的聚类中心点对窗口内所有像素点聚类得到窗口中的缺陷像素点。
对于任意一个窗口,由于焊管的背景像素点与缺陷像素点的差异较大,因此本实施例中以窗口中差异系数最大的像素点作为该窗口内缺陷像素点的聚类中心点进行聚类处理,聚类算法采用K-means聚类算法,设定聚类簇的数量K=2,聚类簇分别为缺陷像素点的聚类簇和背景像素点的聚类簇;像素点之间的聚类距离的计算为:
其中,表示窗口中第个像素点与缺陷像素点的聚类中心点之间的聚类距离;表示缺陷像素点的聚类中心点对应的坐标位置;表示窗口中第个像素点对应的坐标位置;表示窗口中第个像素点对应的差异系数;表示缺陷像素点的聚类中心点对应的差异系数。
表示窗口内第个像素点与窗口内缺陷像素点的聚类中心点之间的欧式距离,欧式距离越大,则两个像素点之间的聚类距离越大;表示窗口内缺陷像素点的聚类中心点与窗口内第个像素点之间的差异系数的差值绝对值,该项取值越小,说明窗口内第个像素点对应的差异系数与窗口内缺陷像素点的聚类中心点越接近,而缺陷像素点的聚类中心点是窗口内差异系数最大的像素点,因此的取值越小,说明窗口内第个像素点的差异系数越大,则该像素点与周围像素点之间存在的差异越大,越可能为缺陷像素点,也即是窗口内第个像素点与窗口内缺陷像素点的聚类中心点的距离越小。
由此,基于像素点之间的聚类距离将差异图像中所有窗口内的像素点划分为两个聚类簇,也即是将差异图像中所有窗口内的像素点划分为缺陷像素点和背景像素点,并且在划分时不仅考虑到像素点之间的欧式距离,同时以像素点对应的差异系数作为修正项,得到的聚类距离更加准确,进而使得缺陷像素点的识别更加精准;获取每个窗口中所有缺陷像素点的数量在窗口中所有像素点的数量的占比,将所有窗口的占比累加得到缺陷程度,对缺陷程度进行归一化,当归一化后的缺陷程度大于等于第一阈值时,焊管存在严重质量缺陷;当归一化后的缺陷程度小于第一阈值大于等于第二阈值时,焊管存在中等质量缺陷;当归一化后的缺陷程度小于第二阈值时,焊管存在轻微质量缺陷。
具体的,根据识别出的差异图像中所有窗口内的缺陷像素点的数量获取焊管的缺陷程度,焊管的缺陷程度的计算为:
其中,表示焊管的缺陷程度;表示第个窗口内所有像素点的数量;表示第个窗口内缺陷像素点的数量;表示差异图像中所有窗口的数量。
每个窗口内缺陷像素点的数量越多,则对应焊管的缺陷程度越大;对最终获取的缺陷程度进行归一化处理,归一化的方法为现有公知手段,本实施例中不再赘述;通过焊管归一化后的缺陷程度判断该焊管是否存在质量缺陷,预设不同等级的缺陷阈值,当归一化后的缺陷程度大于等于第一阈值时,表明焊管存在严重质量缺陷;当归一化后的缺陷程度小于第一阈值大于等于第二阈值时,表明焊管存在中等质量缺陷;当归一化后的缺陷程度小于第二阈值时,表明焊管存在轻微质量缺陷,对于不同等级的质量缺陷,实施者可分别设定不同的处理方式,以确保出厂的焊管的质量合格。
作为优选,本发明实施例中设置第一阈值为0.6,第二阈值为0.3,在其他实施例中实施者可根据需求进行调整。
综上所述,本发明实施例中通过获取焊管焊缝处的灰度图像和深度图像;基于灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子;设定预设大小的窗口,根据深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值;基于窗口内所有像素点对应的外形差异因子和凹坑显著权值得到窗口内每个像素点的焊缝气孔粗糙度;基于每个像素点对应的纹理特征、颜色特征以及深度信息构建特征向量,根据窗口内每个像素点的特征向量以及焊缝气孔粗糙度得到对应像素点的差异系数;基于每个像素点的差异系数对每个窗口中所有像素点进行聚类得到窗口内的缺陷像素点,根据每个窗口内所有缺陷像素点的数量得到焊管质量,对焊管质量的检测更加准确。
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。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 (8)
1.一种焊管生产质量检测方法,其特征在于,该方法包括以下步骤:
获取焊管焊缝处的灰度图像和深度图像;基于所述灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子;
设定预设大小的窗口,根据所述深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值;基于所述窗口内每个像素点对应的外形差异因子和凹坑显著权值得到所述窗口内每个像素点的焊缝气孔粗糙度;
基于每个像素点对应的纹理特征、颜色特征以及深度信息构建特征向量,根据所述窗口内每个像素点的所述特征向量以及所述焊缝气孔粗糙度得到对应像素点的差异系数;
基于每个所述窗口内像素点的差异系数得到所述窗口内的缺陷像素点,根据每个所述窗口内所有缺陷像素点的数量得到焊管质量。
2.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述基于所述灰度图像中每个像素点的纹理特征和颜色特征得到对应像素点的外形差异因子的步骤,包括:
将所述灰度图像对应的RGB图像转换为LAB图像,获取标准焊管对应的标准LAB图像和标准灰度图像;
基于色差公式获取所述标准LAB图像与所述LAB图像中对应位置像素点的颜色差异值;
分别获取所述灰度图像与所述标准灰度图像中每个像素点的纹理特征值,将所述灰度图像与所述标准灰度图像中每个像素点的纹理特征值的差值绝对值作为对应位置像素点的纹理差异值;
像素点对应的所述颜色差异值与所述纹理差异值的乘积为对应像素点的外形差异因子。
3.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述根据所述深度图像的每个窗口中每个像素点的深度信息和位置信息得到对应像素点的凹坑显著权值的步骤,包括:
获取标准焊管的标准深度图像,对所述标准深度图像中所有像素点的深度值求平均得到平均深度值;
将所述深度图像的窗口内任意一个像素点作为目标点,获取所述目标点与所述窗口内其他像素点之间的深度差值绝对值,以得到所述目标点在所述窗口内的深度差值绝对值的求和结果;
获取所述目标点的深度值与所述平均深度值的差值绝对值,所述差值绝对值与求和结果的乘积为所述目标点的凹坑系数;
选取所述窗口内与所述目标点的凹坑系数相同的像素点记为匹配像素点;计算所述窗口内每个所述匹配像素点与所述目标点之间的欧式距离并进行求和得到欧式距离之和,计算所述欧式距离之和与所述窗口内所有像素点的数量的比值,以所述比值的负数作为指数,以自然常数为底数得到的指数结果为所述目标点的凹坑显著权值。
4.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述基于所述窗口内所有像素点对应的外形差异因子和凹坑显著权值得到所述窗口内每个像素点的焊缝气孔粗糙度的步骤,包括:
以所有所述窗口中像素点对应的外形差异因子作为像素值构建外形差异图像,以所有所述窗口中像素点对应的凹坑显著权值作为像素值构建显著权值图像;
分别获取所述外形差异图像和所述显著权值图像中相同位置像素点的二阶梯度,基于像素点的二阶梯度构建对应的外形差异海森矩阵和显著权值海森矩阵;
获取每个像素点对应的所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值;根据所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值之间的差值绝对值获取所述像素点的焊缝气孔粗糙度,所述焊缝气孔粗糙度与所述外形差异海森矩阵的最大特征值和所述显著权值海森矩阵的最大特征值之间的差值绝对值呈负相关关系。
5.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述根据所述窗口内每个像素点的所述特征向量以及所述焊缝气孔粗糙度得到对应像素点的差异系数的步骤,包括:
以窗口内任意像素点作为待分析点,获取所述窗口内每个像素点的特征向量与所述待分析点的特征向量之间的余弦相似度并进行求和得到相似度之和;
获取所述待分析点的所述焊缝气孔粗糙度与所述相似度之和的比值并进行归一化,归一化后的比值为所述待分析点的差异系数。
6.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述基于每个所述窗口内像素点的差异系数得到所述窗口内的缺陷像素点的步骤,包括:
以每个所述窗口中最大差异系数的像素点为缺陷像素点的聚类中心点,获取所述窗口中每个像素点与缺陷像素点的聚类中心点之间的聚类距离,基于所述聚类距离与缺陷像素点的聚类中心点对所述窗口内所有像素点聚类得到所述窗口中的缺陷像素点。
7.根据权利要求6所述的一种焊管生产质量检测方法,其特征在于,所述获取所述窗口中每个像素点与缺陷像素点的聚类中心点之间的聚类距离的步骤,包括:
所述聚类距离的计算为:
其中,表示窗口中第个像素点与缺陷像素点的聚类中心点之间的聚类距离;表示缺陷像素点的聚类中心点对应的坐标位置;表示窗口中第个像素点对应的坐标位置;表示窗口中第个像素点对应的差异系数;表示缺陷像素点的聚类中心点对应的差异系数。
8.根据权利要求1所述的一种焊管生产质量检测方法,其特征在于,所述根据每个所述窗口内所有缺陷像素点的数量得到焊管质量的步骤,包括:
获取每个所述窗口中所有缺陷像素点的数量在所述窗口中所有像素点的数量的占比,将所有所述窗口的占比累加得到缺陷程度,对所述缺陷程度进行归一化,当归一化后的缺陷程度大于等于第一阈值时,焊管存在严重质量缺陷;当归一化后的缺陷程度小于第一阈值大于等于第二阈值时,焊管存在中等质量缺陷;当归一化后的缺陷程度小于第二阈值时,焊管存在轻微质量缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025387.5A CN115937204B (zh) | 2023-01-09 | 2023-01-09 | 一种焊管生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025387.5A CN115937204B (zh) | 2023-01-09 | 2023-01-09 | 一种焊管生产质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937204A true CN115937204A (zh) | 2023-04-07 |
CN115937204B CN115937204B (zh) | 2023-05-02 |
Family
ID=85828770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025387.5A Active CN115937204B (zh) | 2023-01-09 | 2023-01-09 | 一种焊管生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937204B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
CN116309578A (zh) * | 2023-05-19 | 2023-06-23 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116385433A (zh) * | 2023-06-02 | 2023-07-04 | 青岛宇通管业有限公司 | 一种塑料管道焊接质量评估方法 |
CN116503404A (zh) * | 2023-06-27 | 2023-07-28 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116612470A (zh) * | 2023-07-17 | 2023-08-18 | 临沂农业科技职业学院(筹) | 一种基于视觉特征的面包检测方法以及系统 |
CN116630332A (zh) * | 2023-07-26 | 2023-08-22 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
CN116703894A (zh) * | 2023-08-02 | 2023-09-05 | 深圳市邦胜能源科技有限公司 | 一种锂电池隔膜质量检测系统 |
CN116740059A (zh) * | 2023-08-11 | 2023-09-12 | 济宁金康工贸股份有限公司 | 一种门窗机加工智能调控方法 |
CN117274262A (zh) * | 2023-11-22 | 2023-12-22 | 东莞市天逸电子有限公司 | 一种音响喇叭线路板导线焊接方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579718A (zh) * | 2019-01-09 | 2019-04-05 | 广州市顶丰自动化设备有限公司 | 焊缝参数的检测方法、装置、计算机设备和存储介质 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
CN114119464A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法 |
CN114140463A (zh) * | 2021-12-10 | 2022-03-04 | 深圳市通元慧视科技有限公司 | 一种焊接缺陷识别方法、装置、设备及存储介质 |
CN114994105A (zh) * | 2022-04-25 | 2022-09-02 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种测量埋弧焊钢管气孔高度的方法 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
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
- 2023-01-09 CN CN202310025387.5A patent/CN115937204B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579718A (zh) * | 2019-01-09 | 2019-04-05 | 广州市顶丰自动化设备有限公司 | 焊缝参数的检测方法、装置、计算机设备和存储介质 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
CN114119464A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法 |
CN114140463A (zh) * | 2021-12-10 | 2022-03-04 | 深圳市通元慧视科技有限公司 | 一种焊接缺陷识别方法、装置、设备及存储介质 |
CN114994105A (zh) * | 2022-04-25 | 2022-09-02 | 中石化石油机械股份有限公司沙市钢管分公司 | 一种测量埋弧焊钢管气孔高度的方法 |
CN115063404A (zh) * | 2022-07-27 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 基于x射线探伤的耐候钢焊缝质量检测方法 |
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 (2)
Title |
---|
石端虎 等: ""复杂结构中焊接缺陷的空间分布特征"", 《焊接学报》 * |
薛龙 等: ""基于深度学习的焊缝定位与缺陷识别"", 《电焊机》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B (zh) * | 2023-04-11 | 2023-08-11 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B8 (zh) * | 2023-04-11 | 2023-09-15 | 重庆大学 | 基于图像处理的连接管连接头质量检测方法 |
CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
CN116228775B (zh) * | 2023-05-10 | 2023-07-04 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
CN116309578A (zh) * | 2023-05-19 | 2023-06-23 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116309578B (zh) * | 2023-05-19 | 2023-08-04 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116385433B (zh) * | 2023-06-02 | 2023-08-15 | 青岛宇通管业有限公司 | 一种塑料管道焊接质量评估方法 |
CN116385433A (zh) * | 2023-06-02 | 2023-07-04 | 青岛宇通管业有限公司 | 一种塑料管道焊接质量评估方法 |
CN116503404A (zh) * | 2023-06-27 | 2023-07-28 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
CN116503404B (zh) * | 2023-06-27 | 2023-09-01 | 梁山县创新工艺品股份有限公司 | 塑料玩具质量检测方法、装置、电子设备及存储介质 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116580021B (zh) * | 2023-07-03 | 2023-09-22 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116612470B (zh) * | 2023-07-17 | 2023-09-26 | 临沂农业科技职业学院(筹) | 一种基于视觉特征的面包检测方法以及系统 |
CN116612470A (zh) * | 2023-07-17 | 2023-08-18 | 临沂农业科技职业学院(筹) | 一种基于视觉特征的面包检测方法以及系统 |
CN116630332A (zh) * | 2023-07-26 | 2023-08-22 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
CN116630332B (zh) * | 2023-07-26 | 2023-09-26 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
CN116703894A (zh) * | 2023-08-02 | 2023-09-05 | 深圳市邦胜能源科技有限公司 | 一种锂电池隔膜质量检测系统 |
CN116703894B (zh) * | 2023-08-02 | 2023-11-17 | 深圳市邦胜能源科技有限公司 | 一种锂电池隔膜质量检测系统 |
CN116740059A (zh) * | 2023-08-11 | 2023-09-12 | 济宁金康工贸股份有限公司 | 一种门窗机加工智能调控方法 |
CN116740059B (zh) * | 2023-08-11 | 2023-10-20 | 济宁金康工贸股份有限公司 | 一种门窗机加工智能调控方法 |
CN117274262A (zh) * | 2023-11-22 | 2023-12-22 | 东莞市天逸电子有限公司 | 一种音响喇叭线路板导线焊接方法 |
CN117274262B (zh) * | 2023-11-22 | 2024-03-26 | 东莞市天逸电子有限公司 | 一种音响喇叭线路板导线焊接方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115937204B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937204A (zh) | 一种焊管生产质量检测方法 | |
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 | |
US7697749B2 (en) | Stereo image processing device | |
CN114862849B (zh) | 一种基于图像处理的铝合板覆膜效果评估方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
CN115314714B (zh) | 一种用于焊缝图像存储的数据压缩方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111768447B (zh) | 一种基于模板匹配的单目相机物体位姿估计方法及系统 | |
CN116228747A (zh) | 一种金属柜加工质量监测方法 | |
CN114937035B (zh) | 基于图像处理的电力变压器硅钢片质量检测方法及系统 | |
CN116091790B (zh) | 电控硅油离合器从动盘质量在线检测系统 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN115830015A (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
CN117689662A (zh) | 一种换热器管头焊接质量视觉检测方法及系统 | |
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN116205923B (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN116148262A (zh) | 一种铝壳电池外观检测方法 | |
CN115578531A (zh) | 基于遥感数据的城市三维模型重建方法 |
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 |